Warum Stoppuhren das Wiederaufleben der Fertigung bedrohen

Ich habe mir vor fast 25 Jahren in der Werkshalle von General Motors (GM) meine Zähne ausgebissen und sowohl an der Karosserie gearbeitet Shop, der von Robotern regiert wurde, und der General Assembly Area, der von Menschen dominiert wurde. Ich habe sehr schnell gelernt, dass auf Daten von Robotern leicht über das Ethernet zugegriffen werden kann, aber Daten über Menschen mussten manuell von Wirtschaftsingenieuren erzeugt werden, die Stoppuhren schwingen und die gleichen Zeitstudien durchführen, die Frederick Taylor zur Zeit des Modells T eingeführt hat. Der Kontrast war schon damals krass:Das moderne Industriezeitalter stieß auf eine bereits rund 75 Jahre alte Methode der Datenerhebung.

Ein Vierteljahrhundert später gehe ich immer noch durch Montagehallen und sehe junge Ingenieure, die Zeitstudien durchführen. Die Tools haben sich geändert – sie verwenden eher ein iPhone anstelle eines Casio – aber die Aktivität bleibt identisch, was mich ärgert. Zeitstudien (und Bewegungsstudien) waren bahnbrechende Techniken. Sie machten die amerikanische Fertigung zur besten der Welt. Aber sie sind auch zutiefst fehlerhaft. Im Zeitalter des industriellen Internets der Dinge (IIoT) können Zeitstudien nicht mithalten.

Fokus auf Time-to-Market und Produktivität

Es besteht kein Zweifel, dass sich die amerikanische Fertigung im Aufschwung befindet und am schnellsten seit 2004 wächst. Im Jahr 2017 sind 171.000 Arbeitsplätze in der Fertigung durch Reshoring und ausländische Direktinvestitionen in die Vereinigten Staaten zurückgekehrt. Der Marktzugang ist der Hauptgrund für dieses Wiederaufleben.

„Bei Reshoring dreht sich alles um Time-to-Market“, sagt Ben Smith, Senior Advisor des Beratungsunternehmens AT Kearney. „Es geht nicht nur darum, eine alte Fabrik in Pittsburgh zu finden und das Licht wieder anzuschalten. Moderne Hersteller bevorzugen möglicherweise 15 kleine Fabriken, die über das ganze Land verteilt sind, um einen besseren Marktzugang zu erzielen, was bedeutet, dass die Fabrikmanager ihren Fokus von den Kosten auf die Produktivität verlagern.“

Die landläufige Meinung ist, dass die Produktivität durch das IIoT gesteigert wird. Laut Accenture ist das IIoT wohl der größte Treiber für Produktivität und Wachstum im nächsten Jahrzehnt. GE Digital geht davon aus, dass das IIoT für Leistungssteigerungen im Wert von jährlich rund 8,6 Billionen US-Dollar verantwortlich sein wird.

Ein Problem ist, dass der größte Teil des Wertes, den eine Fabrik schafft, nicht von ihren Maschinen, sondern von den Menschen kommt. Eine Studie der Boston Consulting Group ergab, dass Menschen immer noch bis zu 90 Prozent der Aufgaben in der Fabrik ausführen. Sie können also Ihre Maschinen optimieren, bis die Kühe nach Hause kommen, aber Sie optimieren nur 10 Prozent dessen, was in Ihrem Betrieb passiert.

Time-to-Market-Bumps im Vergleich zu Time-to-Data

„In jeder Produktionslinie wird nur ein kleiner Prozentsatz der Aufgaben von Maschinen ausgeführt“, sagt Peter Marcotullio, Vizepräsident für kommerzielle Forschung und Entwicklung bei SRI International. „Wenn Sie Maschinen instrumentieren, erfassen Sie nur einen Bruchteil des Prozesses.“

Ich verstehe die Attraktivität des IIoT. Sehen Sie sich die Größe des Datensatzes an. In der Zeit, die Sie für die Durchführung einer Zeitstudie oder das Ausfüllen eines standardisierten Arbeitsdiagramms benötigen, stehen Ihnen möglicherweise 50 Gigabyte Maschinendaten für Ihre Predictive-Analytics-Engine zur Verfügung. Die Gesamtanlageneffektivität (OEE) lässt sich einfach auf drei Dezimalstellen berechnen. Wenn Time-to-Market von entscheidender Bedeutung ist, dann muss Time-to-Data viel zählen.

Aber es gibt keine direkte Linie zwischen der Optimierung der Ausrüstung und der Verbesserung der Gesamtproduktivität der Anlage. Betrachtet man den prozentualen Anteil der Maschinen an der Wertschöpfung, so verfehlt das IIoT das große Ganze. Einige der wichtigsten Entscheidungen, die ein Werksleiter trifft – von der täglichen Personalbesetzung und Produktionsprognosen bis hin zur Auftragskalkulation und Angebotserstellung – erfordern Daten von Mitarbeitern. Daten von Personen bestimmen den Umsatz und das Endergebnis, weshalb ich mir so viele Sorgen mache, wenn ich sehe, dass Leute auch heute noch Zeit-und-Bewegungs-Studien durchführen.

Ein unvollständiger und unzuverlässiger Datensatz

Bei Zeitstudien gibt es zwei Probleme:die Größe des Datensatzes und das Vertrauen, das er verdient. Erstens sind Zeitstudien unvollständig. Ein Ingenieur wird auf die Schulter geklopft, wenn er mit 10 Proben pro Station von der Linie zurückkehrt. Aber 10 Stichproben sind nicht signifikant genug, um die Variabilität des Operators zu berücksichtigen. Spielt es eine Rolle, ob die Proben an einem Montagmorgen oder Freitagnachmittag genommen werden? Am Zahltag oder übermorgen? Es liegen nicht genügend Daten vor, um Korrelationen und Kausalitäten nachzuweisen.

Dies führt zum zweiten Problem:Datenzuverlässigkeit. Werner Heisenberg demonstrierte, dass allein der Akt der Beobachtung ein beobachtetes System stören kann. Was für die Quantenphysik gilt, gilt ebenso für Workstations. Manche Arbeiter bewegen sich schneller, um einen Beobachter zu beeindrucken; andere gehen langsam bei ihrer Arbeit vor, um den Standard zu erfüllen, von dem sie wissen, dass sie ihn für sich selbst schaffen. Erschwerend zu dieser Schwierigkeit kommen Messherausforderungen hinzu. Ein Beobachter muss beispielsweise ständig bestimmen, wann eine Aktivität beginnt und endet.

Zeitstudien ergeben bestenfalls zweifelhafte Messungen. Dies beeinflusst die Schlussfolgerungen, die man daraus zieht. Es schadet auch den Betreibern ebenso wie dem Geschäft, denn wenn die Markteinführungszeit Daten erfordert und Daten nicht einfach von Menschen stammen können, dann überindexieren die Hersteller die Maschinen. Menschen verlieren Jobs.

Was fehlt in der modernen Fabrik?

Es gibt viele Möglichkeiten, Ihren Datensatz zu Personen zu erweitern:regelmäßige Gemba-Walkings, instrumentierte Lichtvorhänge und andere Poka-Yoke-Systeme, die Daten sammeln, sowie unzählige physische Hooks in das Manufacturing Execution System (MES), um die Zykluszeit zu berechnen und die Produktivität abzuleiten. Aber diese Daten sind nicht skalierbar. Daten über menschliche Montageaktivitäten sind für Analysen praktisch unsichtbar.

„Wenn ein Hersteller ein Produktionsproblem lösen möchte, bringt er die Arbeiter und die Manager zusammen, um Ideen zu sammeln“, sagt Anik Bose, General Partner von ‎Benhamou Global Ventures. „Wenn sie die Anlagenauslastung verbessern wollen, ziehen sie Lean-Experten für Time-and-Motion-Studien hinzu oder verlassen sich auf zweimal jährlich stattfindende Besuche von Ingenieuren. Für neue Produkteinführungen schlossen sie die Linie, um Experimente durchzuführen. Es ist alles manuell und ad hoc, weil es keine Alternative gibt. Sie haben keine Echtzeitdaten, die eine andere Art von Ansatz ermöglichen.“

Wenn Pflanzen die menschliche Produktivität kaum messen können, wie sollen sie sie dann verbessern? Und wenn sie die menschliche Produktivität nicht verbessern können, was passiert dann mit dem menschlichen Bediener? Ich denke an Marshall Goldsmiths berühmtes Zitat zurück:„Was Sie hierher gebracht hat, wird Sie nicht dorthin bringen.“ Die Zeitstudie hat uns hierher gebracht, und dafür danke ich Mr. Taylor. Aber wenn ich nach „dort“ schaue, was ich als Beschleunigung der Markteinführungszeit durch die Erhöhung der (menschlichen) Arbeitsproduktivität sehe, bin ich überzeugt, dass die Zeit für die Zeitstudie gekommen ist.

Über den Autor

Dr. Prasad Akella leitete das Team, das die weltweit ersten kollaborativen Roboter bei GM baute. Er ist der CEO von Drishti , ein neues Unternehmen, das künstliche Intelligenz einsetzt, um mit Menschen in der Fabrik zusammenzuarbeiten und diese zu verbessern.