Het bepalen en meten van magazijnperformance en hoe deze te benchmarken

Het bepalen en meten van magazijnperformance en hoe deze te benchmarken Gebruikmakend van de Lineair Programmeertechniek Data Envelopment Analysis (DEA)

Martine de Wit 9908161

30 november 2006 Stagescriptie Master Eerste beoordelaar: ir. J.A.M. Hontelez Tweede beoordelaar: Cees Duin

Operationele Research & Management Faculteit der Economische Wetenschappen en Econometrie Universiteit van Amsterdam

Yacht - Supply Chain Management & Procurement Peter Kroon

Afstudeerscriptie ORM - Martine de Wit

Universiteit van Amsterdam

Managementsamenvatting Yacht is een Warehouse performance Assessment Benchmarking tool (WAB-tool) aan het ontwikkelen waar bedrijven gegevens aan verstrekken en waar ze vervolgens managementinformatie van teruggekoppeld krijgen over hun mate van efficiency en effectiviteit ten opzichte van andere magazijnen. Daarom rees de vraag hoe meet je de performance van een magazijnen en hoe zou je dat kunnen benchmarken? Voor dit onderzoek werden de volgende doelstellingen opgesteld: Een performance maatstaf ontwikkelen waarmee de effectiviteit en efficiency van een magazijn en de magazijnprocessen kan worden beoordeeld. Een methode ontwikkelen die op basis van een performance maatstaf en andere magazijngerelateerde data de mogelijkheid geeft om magazijnen te benchmarken. Er is en theoretisch kader geschetst over benchmarking in het algemeen en Yacht en benchmarking. Naar aanleiding van een eerder uitgevoerd benchmarkingproject zijn een aantal leermomenten opgesteld voor Yacht met betrekking tot: - de opzet van de database van de WAB-tool; - de deelnemende bedrijven aan de WAB-tool. In dit rapport is een theoretisch model gedefinieerd voor het bepalen en meten van magazijnperformance en hoe deze te benchmarken. Er is een magazijnprocessen-beschrijving gegeven voor de hoofdprocessen inslag, opslag en uitslag. Om deze processen te kwantificeren zijn per hoofdproces performance maten opgesteld voor efficiency en effectiviteit en er is ten behoeve van de benchmarkmethode een magazijnprofiel opgesteld. De benodigde gegevens voor deze performance maten en het magazijnprofiel zijn getoetst aan magazijnen in de praktijk via contacten van Yacht en daarnaast aan de beschikbare vakliteratuur aangaande benchmarking van magazijnen. Op basis van de performance maten op hoofdprocesniveau wordt een tweetal mogelijkheden aangedragen om tot één performance maat op magazijnniveau te komen en hoe deze te benchmarken Bij de eerste methode wordt door aggregatie van de performance maten op hoofdprocesniveau een performance maat gekregen op magazijnniveau. Om deze te benchmarken wordt onder andere gebruik gemaakt van een ranking van magazijnen gebaseerd op de scores op de verschillende performance maten van de magazijnen in een referentiegroep. Probleem bij deze methode is dat niet zonder meer belangrijkheid of bijdrage van een element aan de magazijnperformance kan worden meegenomen. Het bepalen van gewichten is namelijk een moeilijk en arbitrair proces. De tweede methode is Data Envelopment Analysis (DEA) en hier wordt een performance maat berekend die gezien kan worden als een relatieve performancescore omdat deze niet tot stand komt door een 1-op-1 vergelijking van een magazijn met één best practice maar door tegelijkertijd te vergelijken met meerdere magazijnen. DEA geeft voor een magazijn één performance score waarin zowel efficiency als effectiviteit worden meegenomen.

1



DEA heeft als voordelen:

DEA kan alle relevante inputs en outputs van een magazijn geaggregeerd en tegelijkertijd meenemen in een vergelijking met andere magazijn in de referentiegroep en de inputs en outputs hoeven niet te worden omgezet in dezelfde eenheid. De belangrijkheid van de afzonderlijke input- en outputparameter óf het gewicht, de mate waarin de betreffende parameter mee wordt genomen in de benchmark, hoeven niet op voorhand door de gebruiker (benchmarker) te worden vastgesteld. DEA levert managementinformatie en concrete verbeteringsrichtingen aan voor niet100% performing magazijnen en voor 100% performing magazijnen via de primale aanpak (vanuit het productiviteitsbegrip) en de duale aanpak (vanuit de productiestructuur).

Om bij de eerste benchmarkmethode te kunnen benchmarken moet een referentiegroep opgesteld worden aan de hand van een magazijnprofiel. Dit profiel is gebaseerd op een nader te bepalen set van karakteristieken. Bij deze methode worden geen concrete verbeteringsrichtingen gegeven maar moet er gekeken worden op een lager niveau naar de parameters waar de performance maten uit zijn opgebouwd. Bij DEA wordt door het uitvoeren van de methode al een groep van magazijnen aangeleverd waar het te benchmarken magazijn zich aan kan spiegelen. Het opbouwen van een referentiegroep kan daarnaast ook nog gedaan worden op basis van de karakteristieken zodat een referentiegroep bepaald wordt die nog beter aansluit bij het te benchmarken magazijn. Om de informatie die DEA aanlevert zo aantrekkelijk mogelijk te maken moeten de volgende punten in acht worden genomen:

Door meer magazijnen toe te voegen aan de dataset is er meer informatie beschikbaar over manieren om goed te presteren. De kracht van deze performance maat stijgt met een groter aantal magazijnen in de database.

De inputs en outputs voor de DEA analyse moeten zorgvuldig worden gekozen: - ze moeten beperkt blijven in aantal zodat de DEA-analyse goed te begrijpen is, - ze moeten tot de verbeelding spreken van een magazijn(manager), kosten zijn bijvoorbeeld altijd interessant.

Om de DEA berekeningen uit te voeren zal er gewerkt moeten worden met een softwarepakket met een gebruikersvriendelijke interface om gegevens te kunnen invoeren en met een duidelijke weergave van DEA-resultaten zodat deze goed kunnen worden geïnterpreteerd.

2



Voorwoord Deze scriptie vormt het sluitstuk van mijn scriptiestage uitgevoerd bij Yacht Supply Chain Management en Procurement en beschrijft grotendeels de eerste stappen die gezet zijn bij het ontwikkelen van de Warehouse Assessment Benchmarktool door Yacht, afdeling Supply Chain Management & Procurement. Het is deel van het opstartproces van de WAB-tool als het ware. Deze stage is ook de afsluiting van mijn studie Operations Research & Management (ORM). Het doel van een stage voor ORM is om de theoretische kennis opgedaan tijdens de studie in de praktijk te brengen. Zowel het Operations Management gedeelte als het Operations Research gedeelte zijn naar voren gekomen bij het uitvoeren van deze scriptiestage. Ik heb deze scriptiestage dan ook als zeer leerzaam en praktisch ervaren maar ook als zeer leuk. Deze stage heeft ook voor diverse leermomenten gezorgd die naar voren kwamen bij de informele projectgroep bijeenkomsten of bij de formele presentaties namens Yacht. De belangrijkste is wel dat je de praktijk niet kunt vangen in een theoretisch model hoe graag men dat ook zou willen. Maar tegelijkertijd kan de praktijk heel goed benaderd worden met een theoretisch model en op basis hiervan kunnen interessante bevindingen gedaan worden. Tijdens mijn stage maakte ik deel uit van een projectgroep onder leiding van Peter Kroon. Ik wil Peter bedanken voor de goede begeleiding bij Yacht, het organiseren van de ministages en het stimuleren van kennisuitwisseling met medewerkers en contacten van Yacht. Verder bedank ik de andere interim professionals bij Yacht die me tijdens deze stage op diverse manieren hebben geholpen en ook de bedrijven waarbij ik via Yacht terecht kon. Graag wil ik Jan Hontelez, mijn begeleider vanuit de UvA, bedanken voor het in de goede richting sturen van deze scriptiestage en zijn geduld. Hij wist me op de juiste momenten op de juiste manier te stimuleren en daardoor heb ik naar mijn mening een leuk onderzoek kunnen uitvoeren en een goede scriptie af kunnen leveren. Tot slot bedank ik mijn familie en vrienden voor hun steun en hier geldt last but certainly not least. Martine de Wit Volendam, november 2006

3



Inhoudsopgave Managementsamenvatting ........................................................................................................ 1 Voorwoord ................................................................................................................................. 3 Hoofdstuk 1

Introductie ..................................................................................................... 6

§ 1.1 Inleiding en de aanleiding voor het onderzoek ..................................................................................... 6 § 1.2 Opzet van het onderzoek ...................................................................................................................... 7 1.2.1 Doelstelling van het onderzoek........................................................................................................ 7 1.2.2 Randvoorwaarden bij het onderzoek ............................................................................................... 7 1.2.3 Indeling onderzoeksrapport ............................................................................................................. 8

Hoofdstuk 2

Over benchmarking....................................................................................... 9

§ 2.1 Wat is benchmarking en het benchmarkingproces ............................................................................... 9 2.1.1 Wat is benchmarking? ..................................................................................................................... 9 2.1.2 Het benchmarkingproces ............................................................................................................... 10 § 2.2 Benchmarking: hoe staat het ervoor en wat levert het op ................................................................... 11 2.2.1 Hoe staat het ervoor? .................................................................................................................... 11 2.2.2 Wat levert het op? .......................................................................................................................... 11 § 2.3 Eerdere uitgevoerde benchmarkinitiatieven ....................................................................................... 12 2.3.1 Opzet van de ENAPS database en van enkele andere databases................................................... 13 2.3.2 Leermomenten van ENAPS en van andere benchmarkinitiatieven ................................................ 14 § 2.4 Conclusies voor Yacht en de WAB-tool............................................................................................. 16 2.4.1 De planningsfase voor de WAB-tool.............................................................................................. 16 2.4.2 Te behalen resultaten met de WAB-tool......................................................................................... 17 2.4.3 Leermomenten voor Yacht en de WAB-tool ................................................................................... 17

Hoofdstuk 3

Beschrijving van de magazijnprocessen..................................................... 19

§ 3.1 Een processchema: de magazijnprocessen beschreven tot op verschillende niveaus ......................... 19 3.1.1 Uitgebreid processchema............................................................................................................... 19 3.1.2 Compact processchema ................................................................................................................. 21 § 3.2 Beschrijving van de hoofdprocessen inslag, opslag en uitslag ........................................................... 22 3.2.1 Inslag ............................................................................................................................................. 22 3.2.2 Opslag............................................................................................................................................ 23 3.2.3 Uitslag ........................................................................................................................................... 24 3.2.4 De magazijnprocessen-beschrijving .............................................................................................. 25

Hoofdstuk 4

Registratie van middelen, resultaten en karakteristieken.......................... 26

§ 4.1 Hoe wordt magazijnperformance bepaald? ........................................................................................ 26 4.1.1 Beschrijving van een magazijnperformance model ....................................................................... 26 4.1.2 Wat is magazijnperformance? ....................................................................................................... 27 § 4.2 Benodigde gegevens voor de efficiency KPI’s en effectieve KPI’s ................................................... 29 4.2.1 Middelen ........................................................................................................................................ 29 4.2.2 Karakteristieken............................................................................................................................. 31 4.2.3 Resultaten ...................................................................................................................................... 32 4.2.4 Resultaten → KPI’s ....................................................................................................................... 34 § 4.3 Samenvatting ...................................................................................................................................... 35

4

Afstudeerscriptie ORM - Martine de Wit Hoofdstuk 5


Prestatiematen voor magazijnperformance en hoe deze te benchmarken 37

§ 5.1 Een eerste benchmarkmethode ........................................................................................................... 37 5.1.1 Efficiency en effectieve KPI’s op magazijnniveau ......................................................................... 37 5.1.2 Het benchmarken van de magazijn KPI’s...................................................................................... 38 5.1.3 Gewogen performance maten ........................................................................................................ 40 § 5.2 Een tweede benchmarkmethode: DEA ............................................................................................... 41 5.2.1 Hoe werkt DEA? ............................................................................................................................ 41 5.2.2 DEA toegepast op fictieve dataset van tien magazijnen ................................................................ 44 5.2.3 Aandachtspunten bij het toepassen van DEA................................................................................. 47 § 5.3 Hoe deze benchmarkmethodes te gebruiken?..................................................................................... 48 § 5.4 Samenvatting ...................................................................................................................................... 49

Hoofdstuk 6

Data Envelopment Analysis als benchmarkmethode................................. 50

§ 6.1 Introductie Data Envelopment Analysis (DEA) ................................................................................. 50 6.1.1 De achtergrond van DEA............................................................................................................... 50 6.1.2 Voordelen van DEA ....................................................................................................................... 50 § 6.2 DEA beschreven als LP-model........................................................................................................... 51 6.2.1 Algemene uitleg DEA-model.......................................................................................................... 51 6.2.2 DEA Modelformuleringen – CCR het oorspronkelijke primale model .......................................... 52 6.2.3 DEA Modelformuleringen – CCR het primale LP-model .............................................................. 54 6.2.4 DEA Modelformuleringen – CCR het duale LP-model.................................................................. 56 § 6.3 Samenvatting ...................................................................................................................................... 58

Hoofdstuk 7

Als DEA gaat worden toegepast in de praktijk........................................... 59

§ 7.1 Het inwinnen van data voor DEA met de Yachtvragenlijst................................................................ 59 § 7.2 Het bepalen van de parameters te gebruiken bij DEA ........................................................................ 60 § 7.3 Het model te gebruiken bij DEA ........................................................................................................ 60

Hoofdstuk 8

Samenvatting en aanbevelingen ................................................................. 62

§ 8.1 Samenvatting onderzoeksrapport........................................................................................................ 62 § 8.2 Aanbevelingen.................................................................................................................................... 63 8.2.1 Aanbevelingen voor dataregistratie............................................................................................... 64 8.2.2 Aanbevelingen voor het uitvoeren van DEA .................................................................................. 64

Bilbiografie .............................................................................................................................. 65 Lijst met afbeeldingen ............................................................................................................. 67 Lijst met tabellen ..................................................................................................................... 68 Lijst met afkortingen ............................................................................................................... 68 Bijlage 1 – Overzicht deelnemende bedrijven – ..................................................................... 69 Bijlage 2 – De Yacht vragenlijst –........................................................................................... 70 Bijlage 3 – DEA resultaten in een Excelfile –........................................................................ 77

5



Hoofdstuk 1 Introductie § 1.1 Inleiding en de aanleiding voor het onderzoek In de huidige wereldmarkteconomie hebben ondernemingen te maken met klanten die geen genoegen meer nemen met gestandaardiseerde producten, maar producten verwachten die tegemoet komen aan hun specifieke wensen. Tegelijkertijd wordt een steeds hogere kwaliteit gevraagd, moeten producten steeds sneller worden geleverd en dit alles verwacht een klant tegen een zo laag mogelijke prijs. Om als onderneming te overleven dient men bedrijfsonderdelen, bedrijfsprocessen en activiteiten continu te onderwerpen aan verbeteringen, zodat deze zo efficiënt en zo effectief mogelijk ingericht en/of uitgevoerd worden (Coulter et al, 2000, p. 400). Deze optimalisatieslag wordt veelal gerealiseerd door diverse technieken en methoden toe te passen zoals: Six Sigma, Total Quality Management en Benchmarking. Door toepassing van deze methoden zijn significante besparingen en kwaliteitsverbeteringen te realiseren, hetgeen uiteraard ten goede komt van de winstgevendheid van de onderneming. Vooral benchmarking is een populaire methode die al een hele tijd wordt gebruikt en waar al veel over geschreven is (Yasin, 2002). Benchmarking is een techniek waarbij systematisch prestaties van ondernemingen met elkaar vergeleken worden. Het benchmarken van een onderneming houdt in dat de eigen prestaties gespiegeld worden aan de prestaties van andere ondernemingen van binnen en buiten de eigen sector. Een veel gehoorde kritiek over benchmarking is dat het slechts beperkt bruikbaar is, omdat ieder bedrijf, met zijn processen en activiteiten, uniek is en daardoor niet goed vergeleken kan worden met een ander bedrijf. Toch neemt op dit moment de roep van bedrijven om bedrijfsprocessen op elkaar af te stemmen alleen maar toe. Yacht merkte dat in Nederland binnen verschillende branches behoefte was aan een goede benchmarkmethodiek op het gebied van magazijnbeheer. Een benchmarkmethodiek zou, volgens Yacht, kunnen helpen bij de volgende vraagstukken en uitdagingen die een prominente rol spelen in de huidige logistieke omgeving en dan met name de magazijnomgeving: - het bepalen van het verbeterpotentieel: de juiste balans vinden tussen productiviteit, klanttevredenheid, kosten en doelmatigheid; - het bepalen van de positie ten opzichte van concurrenten, branchegenoten en/of andere divisies van de eigen organisatie; - het verbeteren van de concurrentiepositie; - het komen tot besluitvorming over outsourcing of insourcing. De uitdaging is dan ook om een maatstaf te ontwikkelen die de prestatie van een magazijn in relatie tot andere magazijnen kan weergeven. In deze maatstaf moeten zowel de efficiency als de effectiviteit van de magazijnprocessen worden meegenomen. Op basis van deze maatstaf moeten tevens uitspraken gedaan kunnen worden over het verbeterpotentieel van de magazijnorganisatie. Deze maatstaf en benchmarkmethode worden uiteindelijk gebruikt in de benchmarktool die op dit moment wordt ontwikkeld door Yacht: de Warehouse performance Assessment and Benchmark tool, de WAB-tool.

6



§ 1.2 Opzet van het onderzoek 1.2.1 Doelstelling van het onderzoek De Warehouse performance Assessment and Benchmark tool (WAB-tool) is een hulpmiddel dat door de medewerkers van Yacht zal worden gebruikt om de kwaliteit van magazijnen in kaart te brengen. Yacht is begonnen met ontwikkeling van de WAB-tool in samenwerking met een aantal bedrijven en instellingen1. Uiteindelijk moeten bedrijven gegevens over hun magazijnen aanleveren en die vervolgens met behulp van de WAB-tool worden geanalyseerd zodat voor elk magazijn een benchmark kan worden uitgevoerd. Voor elk magazijn zal dan managementinformatie teruggekoppeld worden over hun mate van efficiency en effectiviteit ten opzichte van andere magazijnen. Voor dit onderzoek zijn de volgende doelstellingen opgesteld: Een performance maatstaf ontwikkelen waarmee de effectiviteit en efficiëntie van een magazijn en de magazijnprocessen kan worden beoordeeld. Een methode ontwikkelen die op basis van een performance maatstaf en andere magazijngerelateerde data de mogelijkheid geeft om magazijnen te benchmarken. Hierbij dient de performance maatstaf en de benchmarkmethode dusdanig generiek te zijn, dat het toepasbaar is op alle magazijnen. Yacht vindt dat de WAB-tool primair gericht dient te zijn op magazijnen met een vergelijkbaar profiel, echter er zou ook de mogelijkheid moeten bestaan om magazijnen met een afwijkend profiel met elkaar te vergelijken. Daarom moet in dit onderzoek ook, ten behoeve van de benchmarkmethode, een magazijnprofiel worden gegeven waarin zo veel mogelijk informatie van de bedrijfsvoering van een magazijn wordt gevangen. 1.2.2 Randvoorwaarden bij het onderzoek De kans van slagen van de WAB-tool is sterk afhankelijk van de beschikbaarheid van de benodigde gegevens. De performance maatstaf en benchmarkmethode moeten gebruik maken van gegevens die bij bedrijven en hun magazijnen aanwezig zijn en die zij bereid zijn te delen. Tijdens de ontwikkeling van de performance maatstaf en benchmarkmethode dient er continu terugkoppeling te zijn naar de praktijk. In dit geval zijn dat, behalve Yacht zelf, ook de deelnemende bedrijven en instellingen (zie bijlage 1). Op dit moment geldt voor de WAB-tool dat de nadruk wordt gelegd op het verkrijgen en verstrekken van managementinformatie op operationeel niveau. Zowel een performance maatstaf als een benchmarkmethode dient dus te werken met gegevens die verkregen kunnen worden op operationeel niveau. Eventueel zouden in een later stadium op tactisch niveau of zelfs strategisch niveau gegevens kunnen worden verzameld, zodat ook op tactisch en strategisch niveau managementinformatie geleverd kan worden. Voor informatie over uitbreiding van prestatiemetingen binnen een organisatie op operationeel niveau naar prestatiemetingen op tactisch en strategisch niveau, zie Gunasekaran et al.(2001).

1

Een aantal bedrijven, opererend in verschillende branches, geldt als testgroep tijdens de opstartfase van de WAB-tool. Zie de bijlage voor een lijst van de deelnemende bedrijven t/m maart 2006.

7



1.2.3 Indeling onderzoeksrapport In hoofdstuk 2 wordt een introductie en uitleg gegeven van benchmarking en het benchmarkingproces. Er worden ook eerder uitgevoerd benchmarking initiatieven beschreven die niet succesvol zijn gebleken. Van deze benchmarking initiatieven worden de leermomenten beschreven waar Yacht met de WAB-tool rekening mee dient te houden. In hoofdstuk 3 wordt een processchema beschreven dat een overzicht geeft van de activiteiten die allemaal plaats kunnen vinden in een magazijn. De nadruk ligt hierbij op de magazijnprocessen inslag, opslag en uitslag. In hoofdstuk 4 wordt beschreven hoe magazijnperformance wordt gedefinieerd. Er worden performance maatstaven beschreven voor inslag, opslag en uitslag. Daarna wordt beschreven welke gegevens door magazijnen aangeleverd moeten en hoe deze gebruikt kunnen worden voor de magazijnanalyse. In hoofdstuk 5 wordt beschreven hoe performance maatstaven op magazijnniveau worden verkregen op basis van de performance maatstaven voor inslag, opslag en uitslag. Daarbij wordt beschreven hoe deze performance maatstaven kunnen worden gebenchmarkt. Er worden twee benchmarkmethodes besproken. De tweede methode die wordt beschreven is gebaseerd op Data Envelopment Analysis (DEA) en deze wordt nog extra toegelicht aan de hand van een voorbeeld. Deze twee methodes hebben elk verschillende voor- en nadelen. In plaats van te kiezen voor één methode wordt aangegeven hoe beide methodes gebruikt kunnen worden bij benchmarking van magazijnen en wordt uitgelegd hoe deze complementaire werking tot stand zou kunnen komen. Vervolgens wordt op basis van de twee benchmarkmethodes advies gegeven over de managementinformatie die verstrekt kan worden aan magazijnen. In hoofdstuk 6 worden de werking en toepassing van DEA nog een keer uitgebreid besproken. Dit is een vrij theoretisch hoofdstuk en vergt enige kennis van Lineair Programmeren. Dit hoofdstuk kan gezien worden als een aanvulling op de uitleg van DEA gegeven in hoofdstuk 5 bij het beschrijven van de tweede benchmarkmethode. Tot slot volgen in hoofdstuk 7 een samenvatting en enkele aanbevelingen.

8



Hoofdstuk 2 Over benchmarking De eerste publicaties over benchmarking dateren van circa 25 jaar terug (Yasin, 2002, p. 217). Sindsdien is er veel over benchmarking verschenen, onder andere bij het kennisinstituut American Productivity and Quality Centre (APQC). Het APQC is een toonaangevend onafhankelijk instituut dat informatie verstrekt over het verbeteren van processen en het verkrijgen van een betere performance (APQC, 2006). In dit hoofdstuk wordt in de eerste paragraaf benchmarking toegelicht aan de hand van beschikbare literatuur van onder andere het APQC. Verder worden in paragraaf 2 eerdere benchmarkinitiatieven bekeken: Hoe verliepen deze en wat ging daar goed maar vooral ook wat ging daar mis. Tot slot een paragraaf over Yacht en benchmarking waarbij op basis van de vorige paragrafen de leermomenten voor Yacht op een rijtje worden gezet.

§ 2.1 Wat is benchmarking en het benchmarkingproces In deze paragraaf wordt de term benchmarking toegelicht. Eerst wordt een definitie van benchmarking gegeven en worden de verschillende soorten benchmarking toegelicht. Daarna wordt benchmarking als een proces beschreven in tien stappen opgesteld door Camp, expert op het gebied van benchmarking en verbonden aan het APQC. 2.1.1 Wat is benchmarking? De volgende uitspraak werd gedaan door het APQC en komt terug in bijna alle literatuur over benchmarking (zie bijvoorbeeld Andersen et al. (1999)): ‘Benchmarking is the practice of being humble enough to admit that someone else is better at something, and being wise enough to learn how to match them and even surpass them at it.’ De strekking van deze uitspraak is dat het heel verstandig is om toe te geven dat anderen het beter doen en dat het nog verstandiger is om van de ander te leren om zodoende de eigen organisatie te verbeteren en de ander te overtreffen. Benchmarking is het proces waarin continu en systematisch de prestaties van een bedrijf, een bedrijfsonderdeel, een proces en/of activiteit worden vergeleken met de beste(n) in de wereld, met als doel het evenaren, of zelfs verbeteren van dit prestatieniveau (APQC, 1990). De ‘beste in de wereld’ is de zogenoemde best practice, een organisatie waaraan een bedrijf zich kan spiegelen. Dat spiegelen kan gebeuren door prestatiematen op te stellen die de belangrijkste parameters van een bedrijf, bedrijfonderdeel, proces of activiteit dat moet worden gebenchmarkt, karakteriseren. Dit kunnen prestatiematen zijn gerelateerd aan hoeveelheid, kwaliteit, tijd of flexibiliteit. Er zijn verschillende soorten benchmarking waarbij onderscheid gemaakt kan worden naar: wat vergeleken kan worden (prestaties, processen of strategie); met wie men vergeleken kan worden (intern, competitief, vergelijkbare branche, afwijkende branche); hoe bedrijven kunnen worden vergeleken (1-op-1, binnen een groep, via een intermediair).

9



2.1.2 Het benchmarkingproces Robert C. Camp was betrokken bij een van de eerste uitvoerige benchmarkingprojecten dat in 1979 werd uitgevoerd bij Xerox. Xerox wilde zichzelf vergelijken met Japanse producenten van kopieermachines omdat de kosten voor het maken van een kopieermachine veel lager waren in Japan dan in de Verenigde Staten. Dit project leidde tot een versterkte concurrentiepositie van Xerox en betekende de intrede van benchmarking als belangrijke managementtool (Yasin, 2002). Camp heeft het benchmarkingproces in kaart gebracht (zie afbeelding 1) en deze procesbeschrijving dient altijd als basis voor een benchmarkingproject (APQC, 1990).

Afbeelding 1: Het benchmarkingproces beschreven in 10 stappen.

In de planningfase moet het type benchmarking bepaald worden (wat, met wie en hoe). Vervolgens moet worden bepaald hoe de benodigde gegevens kunnen worden verzameld. Belangrijk hierbij is niet alleen het registreren van kwantitatieve prestatiematen, maar dat ook wordt geregistreerd hoe een best practice tot deze getallen komt. Denk hierbij aan een procesbeschrijving en het beschrijven van bedrijfskarakteristieken en doelstellingen. In de analysefase moet inzicht verkregen worden waarom de best practices zo presteren. De bedrijfsvoering van één of meerdere best practices moet worden vertaald naar de eigen bedrijfsvoering. Hoe de kunnen de benodigde productiemiddelen op een zo effectief mogelijke wijze worden ingezet? De ruimte tussen de huidige performance en de mogelijke toekomstige performance is de ‘performance gap’, het verbeterpotentieel (APQC, 1990). In de integratiefase moet op alle niveaus draagvlak worden gecreëerd voor het doorzetten van de gewenste veranderingen. Met behulp van actieplannen kan dan de uitvoering beginnen. Tijdens het uitvoeren is het belangrijk om op regelmatige basis de vooruitgang te beoordelen. Feedback voor en door alle uitvoerenden is noodzakelijk en daar waar nodig kunnen dan ook benchmarkdoelen worden bijgesteld. Na het uitvoeren van deze tien stappen volgt dan een evaluatie van de positie in de markt. Benchmarking is een continu proces en kan dan ook niet gezien worden als een eenmalig 10



project om problemen op te lossen (APQC, 1990). Aangezien er altijd ruimte blijft voor verbetering zal er nooit sprake zijn van een absolute best practice. Volgens Camp is het uiteindelijke doel van benchmarking het bereiken van ‘maturity’, volgroeidheid van alle bedrijfsprocessen. Maturity wordt bereikt wanneer best practices volledig zijn opgenomen en geïntegreerd in bedrijfprocessen en hierdoor superieur worden ten opzichte van andere practices. De mate van superioriteit van een bedrijf en zijn processen komt naar voren als deze processen weer worden gebruikt als benchmark voor de andere practices (APQC, 1990). Een ander facet van maturity is de mate waarin benchmarking wordt uitgevoerd binnen een onderneming en of het geaccepteerd wordt op alle niveaus van een onderneming. Een onderneming is mature als benchmarking gezien wordt als een volwaardige managementtool dat telkens terugkeert om verbeteringen in de bedrijfsprocessen door te voeren. Dit gebeurt dan niet alleen door benchmarkspecialisten in een organisatie, maar door de hele organisatie heen moet beseft worden dat geleerd kan worden van best practices (APQC, 1990).

§ 2.2 Benchmarking: hoe staat het ervoor en wat levert het op 2.2.1 Hoe staat het ervoor? Naast de gebruikelijke financiële prestatie-indicatoren worden er tegenwoordig ook indicatoren gebruikt om de prestaties op het gebied van tijd, kwaliteit en flexibiliteit te benchmarken. Met de intrede van concepten als Total Quality Management en Supply Chain Management in de jaren tachtig vond een verschuiving plaats naar vergelijkingen op basis van operationele kengetallen, zoals leverbetrouwbaarheid, doorlooptijd, wachttijd (Gunasekaran, 2001, p.71). Als een bedrijf zich op deze parameters wil vergelijken dan is de meest effectieve vorm omdat te doen door in de keuken te kijken bij de belangrijkste concurrent. Maar wat vaak genoeg naar voren komt is dat men zich graag wil laten vergelijken, maar de belangrijkste informatie liever niet prijs geeft en al helemaal niet aan een directe concurrent. Voor bedrijven is handelen via een objectieve intermediair een uitkomst. Gesteund door de mogelijkheden die de informatietechnologie heeft te bieden kan discretie worden gewaarborgd. Coulter et al.(2000, p. 402) beschrijven een aantal gevallen van prestatiebenchmarking (zie § 2.1.1) met databases ondersteund door internet. De voordelen die hier naar voren komen zijn: Anonimiteit: de gegevens in de database zijn geanonimiseerd dus zonder de eigen identiteit prijs te hoeven geven is toch een goede vergelijking mogelijk. Eenvoudig: gegevens kunnen vaak elektronisch worden aangeboden en verwerkt, soms via internet. Snel: prestatie-indicatoren in de database zijn reeds gedefinieerd en gestandaardiseerd. De databases beschreven in Coulter et al. (2000) worden voornamelijk gebruikt door kleine en middelgrote ondernemingen. Eén van de databases die wordt besproken is het ENAPS initiatief voor het Europese midden- en kleinbedrijf. Dit project wordt uitgebreid besproken in de volgende paragraaf 2.3. 2.2.2 Wat levert het op? Het uitvoeren van benchmarking om tot best practice te komen, wordt al jaren en in allerlei branches uitgevoerd. Het European Centre for Total Quality Management (ECTQM) is in 2001 met onder andere het Benchmarking Centre (UK) een project gestart om de huidige 11



stand van zaken en opkomende trends rond benchmarking in kaart te brengen (Jarrar & Zairi, 2001). In dit onderzoek werden ondernemingen onderzocht die benchmarking in verschillende stadia uitvoeren of uitgevoerd hebben. Het ging hier om meer dan 200 bedrijven van over de hele wereld met een omzet variërend van 25 miljoen tot een miljard. Deze bedrijven opereren in verschillende sectoren zoals financieel, retail, productie, distributie & logistiek, overheid, onderwijs enzovoort. De kenmerken van de deelnemende bedrijven laten al zien dat benchmarking overal kan worden toegepast ongeacht de locatie, grootte of sector waarbinnen het bedrijf opereert (Jarrar & Zairi, 2001, p.908). Het feit dat benchmarking overal al wordt toegepast, geeft tegelijkertijd ook de belangrijkheid aan van benchmarking bij het leveren van managementinformatie. Doordat het nu al een groot draagvlak kent, kan aangenomen worden dat deze belangrijkheid alleen maar meer zal worden in de toekomst en dat hier dan ook niet gaat om iets van tijdelijke aard. Nadat in het onderzoek van Jarrar & Zairi werd vastgesteld dat benchmarking altijd gunstige resultaten oplevert voor een bedrijf, werd verder aangegeven welke gunstige resultaten het vaakst gerealiseerd werden: - kwaliteitsverbetering, - toename servicesnelheid, - procesverbetering, - inzicht in de eisen van de klant, - beïnvloeden van het strategisch decision-making proces, - effectiever en efficiënter management van middelen, - effectiever inzetten van middelen, - verbetering in personeelsmanagement, - aanzetten tot verbetering in de algemene bedrijfsvoering, - veranderingen in de benadering van het leiderschap. Verder wordt verwacht dat de kracht van informatie technologie er voor zorgt dat er meer best practices bij zullen komen en dat deze ook wijder bekend zullen worden omdat de mogelijkheden om informatie te delen via onder andere het internet steeds uitgebreider worden.

§ 2.3 Eerdere uitgevoerde benchmarkinitiatieven Er is op dit moment een verscheidenheid van databases operationeel waar bedrijven uit verschillende branches zich tot kunnen wenden om te benchmarken. Coulter et al.(2000) beschrijven een aantal van deze databases met als doelgroep kleine en middelgrote productiebedrijven. Dit wordt gedaan aan de hand van hun oprichters, hun benchmarkmethode en de voornaamste benchmarkresultaten die zij trachten af te leveren. Een van de beschreven databases is de database van ENAPS. In deze paragraaf wordt deze database beschreven en wordt, waar mogelijk, de vergelijking gemaakt met de andere databases2 en de daarbij horende benchmarkprojecten. Daarna worden onder andere de leermomenten van het ENAPS project beschreven alsmede een overzicht van de leermomenten van een aantal andere benchmarkprojecten die zijn uitgevoerd in de afgelopen 2

Andere databases beschreven in Coulter et al.(2000) zijn: (1) UK Benchmarking Index ontwikkeld door UK Department of Trade and Industry, (2) Profit Impact of Market Strategy ontwikkeld door een consultancy bedrijf en (3) Microscope, ontwikkeld door onder andere IBM.

12



jaren. Deze leermomenten kunnen van belang zijn voor de ontwikkeling van de Warehouse Assessment Benchmarking-tool door Yacht. 2.3.1 Opzet van de ENAPS database en van enkele andere databases Het European Network for Advanced Performance Studies (ENAPS) heeft in 1998 een benchmarkingsysteem ontwikkeld dat werd gesponsord door de Europese Unie. Dit systeem zorgt ervoor dat kleine en middelgrote Europese (productie)bedrijven toegang hebben tot goede benchmarkfaciliteiten. Een overzicht van de belangrijkste kenmerken van het ENAPS benchmarkingsysteem die naar voren komen in Coulter et al. (2000) is hieronder gegeven. Bij ENAPS is er sprake van prestatiebenchmarking. Er worden via een (Excel)vragenlijst parameters gevraagd die worden omgevormd tot door ENAPS vastgestelde prestatie-indicatoren: ratio’s van de gevraagde parameters. ENAPS gebruikt een standaardset van prestatie-indicatoren zodat de prestaties van verschillende bedrijven onderling vergeleken konden worden. Als een bedrijf niet alle benodigde informatie kan, of wil aanleveren voor alle prestatieindicatoren in de ENAPS database, kan ook voor een kleinere selectie prestatieindicatoren gekozen worden. Bij andere databases is het voor een bedrijf niet altijd mogelijk om zelf te bepalen wat men aanlevert. De tijdsperiode waarover ENAPS prestatiemetingen doet is per kwartaal of jaarlijks. Andere tijdmetingen die voorkomen bij het databaseonderzoek zijn: of alleen jaarlijks, of jaarlijks en maandelijks. Voor alle databases genoemd in Coulter et al. (2000) wordt data ingewonnen middels een vragenlijst. ENAPS vraagt alleen om kwantitatieve parameters in zijn vragenlijst. Bij andere databases wordt gevraagd naar zowel kwantitatieve als niet-kwantitatieve parameters. Bij alle databases kunnen de gegevens worden aangeleverd via internet. Bij ENAPS wordt door een ENAPS-agent informatie vergaard bij een bedrijf. Deze agent levert voor een bedrijf ook weer de gewenste informatie af. Voor de andere databases geldt ook dat een bedrijf, voordat het gebruik kan maken van de database, eerst contact moet opnemen met een consultant. Aangenomen wordt dat deze consultants op een soortgelijke manier werken. Ondanks dat de databases beschreven in Coulter et al. (2000) allemaal dezelfde doelgroep hebben, verschilt de indeling van de databases sterk. ENAPS maakt gebruik van een indeling van beschikbare gegevens naar twee categorieën: bedrijfsprocessen en ondersteunende processen. Onder bedrijfprocessen vallen product development, order fulfilment en customer service en onder ondersteunende processen vallen financieel management, informatiemanagement en human resource management. Een andere database maakt weer gebruik van een andere categorisatie waarbij financieel management een aparte categorie is en human resource management wordt gezien als bedrijfsproces (Coulter et al., 2000, pp. 402405). De indeling van een database, en daarmee het belangrijkste aandachtsgebied van de database, verschilt sterk bij de onderzochte gevallen. Ook de manier waarop een bedrijf in de database benchmarkingpartners kan selecteren verschilt nogal per database. Selecteren van soortgenoten op basis van regio en branche, kan bij alle onderzochte databases, maar waar de ENAPS database soortgenoten zoekt kijkend naar de hoeveelheid personeel, het geproduceerde volume en het customer servicelevel,

13



selecteren andere databases op basis van financiële parameters (omzet) en afzetgebied (Coulter et al, 2000, pp. 402-405). Wat naar voren komt bij alle databases die door Coulter et al.(2000) worden beschreven, is dat geen van de databases kan zeggen of de gevonden benchmarkingpartners de beste zijn in hun klasse. Aangenomen wordt dat hiermee wordt bedoeld dat het gecompliceerd, of zelfs onmogelijk, is om in een klasse één ‘best in class’ te bepalen maar dat het wel mogelijk is om per aandachtsgebied de bestscorende benchmarkingpartner te bepalen. Het is immers gecompliceerd om scores over verschillende aandachtsgebieden samen te nemen. Ze zouden wel los van elkaar beschouwd moeten kunnen worden. Coulter et al. (2000, p. 405) concluderen uiteindelijk dat voor verschillende manieren van benchmarking verschillende databases geschikt zijn. ENAPS is het meest geschikt om bedrijven tegen sectorgerelateerde bedrijven te benchmarken terwijl andere databases geschikter zijn om bedrijven algemeen (sectoronafhankelijk) te benchmarken. Voor toekomstige benchmarkinitiatieven en hun databases, wordt vervolgens nog gezegd dat internet-based een vereiste is in deze tijd en dat ze niet eenmalige, concrete verbeteringen moeten kunnen aandragen, maar dat continue verbeteringen aangegeven moeten kunnen worden (Coulter et al., 2000, p.407). 2.3.2 Leermomenten van ENAPS en van andere benchmarkinitiatieven Eén van de bij ENAPS betrokken onderzoekers beschrijft in Andersen (2004) dat ENAPS uitgebreide mogelijkheden had om te benchmarken, gericht op zowel land/regio, als op de branche en op de grootte van een bedrijf. Uiteindelijk is het ENAPS gelukt om in Europa gegevens te verzamelen van circa 500 bedrijven. Maar ENAPS is geen groot succes geworden. Andersen (2004, p.8) zegt dat het niet gelukt is om de ENAPS benchmarktool als een volwaardige commerciële benchmarkservice neer te zetten om de volgende redenen: Onhandelbare hoeveelheid data die handmatig verzameld en handmatig geregistreerd moest worden door de bedrijven. Twijfels over de kwaliteit van de data, onder andere doordat er overduidelijke fouten geconstateerd werden. Problemen met het de vertrouwelijkheid van de informatie. Bedrijven waren huiverig om alle gegevens zomaar vrij te geven. Te weinig cases om een voor elk bedrijf een goede set van benchmarkingpartners op te leveren. Een nieuw project dat om ENAPS heen is gebouwd en verder ging waar ENAPS was gestopt, is Automated Performance Management (APM). In APM is een aantal tools ontwikkeld waarmee men automatisch uit het ERP3 systeem van een bedrijf de waarden van parameters kan ophalen die nodig zijn om de (ENAPS) prestatie-indicatoren te berekenen. APM is beter dan ENAPS omdat: de automatische dataverzameling bij de bedrijven en uploading naar de APM/ENAPSdatabase minder tijd en moeite vergt van zowel het bedrijf als de ENAPS-agent; het uitvoeren van vergelijkingen door ENAPS/APM simpeler werd door de toevoeging van deze tools. 3

Enterprise Resource Planning, softwarepakketten die zorgen voor een optimale integratie van informatiestromen, van verschillende afdelingen binnen een onderneming als finance, human resource management, logistiek en marketing.

14



Maar ook APM heeft geen grote successen behaald omdat bleek dat: de standaardset van de prestatie-indicatoren, welke vrij simpel berekend konden worden, triviaal en onvoldoende bruikbaar zijn; de mogelijkheid om de standaardset prestatie-indicatoren uit te breiden alleen nuttig zou zijn voor interne doeleinden, maar hierdoor zou niet meer aan externe benchmarking gedaan kunnen worden. Toch is Andersen (2004) van mening dat standaardisatie van prestatie-indicatoren noodzakelijk is voor een goede benchmarkingtool. Daarbij noemt hij als belangrijkste leermomenten voor toekomstige benchmarktools gebaseerd op het APM/ENAPS project: Dataverzameling voor een tool moet makkelijk zijn en moet leiden tot betrouwbare en bruikbare data. Denk hierbij aan een directe koppeling met een ERP-systeem van een bedrijf (zie afbeelding 2). Op deze manier kan ook data worden teruggestuurd naar een bedrijf. Het concept van ‘vrijwillig benchmarken’ werkt niet en er moet eerder gedacht worden aan ‘continu en systematisch benchmarken’.

Afbeelding 2: Uit Andersen (2004, p.9) de ENAPS/APM benchmarkmethode.

Volgens Andersen (2004) kan een blijvende vraag naar benchmarks worden gecreëerd door bedrijven regelmatig te overtuigen van de mogelijkheden van een benchmarktool en het belang van de continuïteit van benchmarking, Om deze overtuiging te bewerkstellingen stelt Andersen (2004) voor succesvol uitgevoerde benchmarks breed uit te meten, ze te belonen en te laten zien aan andere bedrijven. Betrokkenheid bij een benchmarktool kan volgens Andersen (2004) worden gecreëerd door het regelmatig uitvoeren en terugkoppelen van ‘kleine’ managementrapportages (geen volledige benchmarks). Op deze manier kan een bedrijf warm gemaakt worden voor volledige benchmarks of blijft deze betrokken bij de benchmarkingtool. Een aantal onderzoekers betrokken bij ENAPS beschrijft in Andersen et al.(1999) een ander benchmarkproject waarbij nog geen internet-based tool hoorde zoals bij ENAPS. Dit was een project waarbij benchmarking plaatsvond bij een kleine groep bedrijven die individueel werden benaderd, geanalyseerd en vergeleken. Ook hier werd afgesloten met een aantal uitdagingen die men tegenkwam bij het opzetten en uitvoeren van project en waar toekomstige benchmarkers rekening mee moeten houden (Andersen et al., 1999, p.387):

15



1) Het vinden van bedrijven die bereid zijn om hun bedrijfgegevens beschikbaar te stellen voor benchmarking en die ook nog zo goed presteren zodat andere bedrijven er daadwerkelijk wat van kunnen leren. 2) Het verkrijgen van kwalitatieve informatie, zoals informatie over het bedrijfsproces. 3) Het verkrijgen van kwantitatieve informatie, zoals financiële informatie. Het eerste punt lijkt niet zozeer een probleem te zijn dat Yacht tegen zal komen bij het werven van bedrijven voor de WAB-tool omdat de organisatie eigen mensen (interim professionals) in dienst heeft bij een groot aantal bedrijven, en daarnaast ook beschikt over diverse contacten in het bedrijfsleven via de interim professionals en (account)managers. De oplossing die voor dit punt wordt gegeven in Andersen et al.(1999, p.388) is dat de bedrijven die al aan de benchmarking tool mee willen werken ook gebruikt moeten worden om andere potentiële deelnemers te vinden. De deelnemende bedrijven kunnen aangeven wat nog mogelijke benchmarkingpartners zijn, zoals concurrenten of andere vestigingen van hetzelfde bedrijf. Het tweede punt heeft betrekking op het feit dat een aanwezige, gedegen en complete bedrijfsprocessenbeschrijving nog niet overal vanzelfsprekend blijkt te zijn (Andersen et al., 1999, p.388). Het is dan niet waarschijnlijk dat deze bedrijven op een gedegen en complete manier hun prestaties meten. Door optimaal informatie uit te wisselen voordat daadwerkelijk deel wordt genomen aan de WAB-tool, kan worden voorkomen dat slechte of onvolledige informatie wordt aangeleverd. Door een bedrijf te bezoeken en dan te vragen naar de procesbeschrijving en huidige prestatiemetingen, middels een versimpelde versie van een vragenlijst, kan al een hoop duidelijk worden. Het derde punt is waarschijnlijk een van de grootste uitdagingen die Yacht ook zal tegenkomen bij het ontwikkelen van de WAB-tool. Voordat bedrijven bereid zijn om dit soort gevoelige gegevens te geven moeten ze allereerst weten dat ze er ook iets voor terugkrijgen wat de moeite waard is en ten tweede moeten er met de bedrijven goede afspraken over geheimhouding zijn gemaakt. Persoonlijk contact wordt hier als zeer belangrijk omschreven (Andersen et al., 1999, p.388). Hiermee wordt vertrouwen ingewonnen. Bij een internet-based tool zou dus ook nog sprake moeten zijn van face-to-face intakegesprekken en interviews.

§ 2.4 Conclusies voor Yacht en de WAB-tool In deze paragraaf worden de bevindingen uit de vorige drie paragrafen gekoppeld aan het WAB-tool project. 2.4.1 De planningsfase voor de WAB-tool Volgens het stappenplan dat is besproken in paragraaf 2.1 (zie ook afbeelding 1), bevindt het benchmarkingproces zich in de planningsfase en is men bezig met de analysefase. In de planningfase wordt het type benchmarking bepaald: met wat, met wie en hoe. Wat? Bij het de WAB-tool project ligt de nadruk op het meten van prestaties en productiemiddelen op operationeel niveau: de prestaties en productiemiddelen van magazijnprocessen en magazijnactiviteiten. Daarbij zullen karakteristieken van het bedrijf en het bijbehorende

16



magazijn worden geregistreerd. Het gaat hier voornamelijk om financiële en operationele kengetallen. Wie? De WAB-tool gaat magazijnen benchmarken van bedrijven uit allerlei branches. Alle vier soorten benchmarking (zie § 2.1.1) zijn daarom van toepassing: Intern binnen de eigen organisatie: afdelingen, business units, vestigingen. Competitief: binnen de branche/sector. Functioneel: met bedrijven in een vergelijkbare branche. Algemeen: ten opzichte van een afwijkende branche Hoe? De WAB-tool gaat magazijnen de mogelijkheid geven om zichzelf te vergelijk op diverse manieren. Yacht treedt hierbij op als objectieve intermediair. Alle drie manieren beschreven in § 2.1.1 zijn van toepassing: 1-op-1: twee organisaties onderling. Binnen een groep: een aantal organisaties ten opzichte van elkaar en ten opzichte van de groep als geheel. Anoniem: via een intermediair vergelijking met een relevante groep. 2.4.2 Te behalen resultaten met de WAB-tool Yacht heeft voor de WAB-tool de volgende doelen voor ogen: Bepalen van het verbeterpotentieel: de juiste balans vinden tussen productiviteit, klanttevredenheid, kosten en doelmatigheid. Bepalen van de positie ten opzichte van concurrenten, branchegenoten en/of andere divisies van de eigen organisatie. Verbeteren van de concurrentiepositie. Hulpmiddel om te komen tot besluitvorming over outsourcing of insourcing. Hulpmiddel om te komen tot besluitvorming over locatiebeleid en distributiemodellen. Op basis van het onderzoek van Jarrar en Zairi (2001) (zie § 2.2.2), dat de resultaten die met benchmarking kunnen worden gerealiseerd liet zien, kan worden geconstateerd dat bovenstaande doelen haalbaar zijn. 2.4.3 Leermomenten voor Yacht en de WAB-tool In de derde paragraaf van dit hoofdstuk is onder andere het ENAPS benchmarkproject beschreven. ENAPS werkte ook met een internet-based tool en dit zou Yacht ook graag zien bij de WAB-tool. Over de wijze waarop de ENAPS-tool werkt kan niet gezegd worden dat dit de enige of de juiste manier is. De beschrijving van ENAPS-tool dient slechts als voorbeeld maar de leermomenten die naar voren kwamen zijn zeker van belang voor Yacht en de WABtool: Over de WAB-database: Internet-based is een vereiste in deze tijd. Snelle en accurate data verzamelmethode, denk aan automatisch via een koppeling met een ERP-systeem van een magazijn. Voldoende cases in de database. Data van goede kwaliteit (betrouwbaar en bruikbaar).

17



Goede afspraken omtrent geheimhouding van gegevens. Zorg dat een standaardset van de prestatie-indicatoren niet te triviaal en daardoor onvoldoende bruikbaar wordt. De mogelijkheid voor een magazijn om de standaardset prestatie-indicatoren uit te breiden zou nuttig zijn voor interne doeleinden, maar hierdoor kan niet meer aan externe benchmarking gedaan worden. Over de functie van de WAB-tool: De WAB-tool zal continu en systematisch moeten benchmarken. Er moet worden aangegeven dat niet eenmalige, concrete verbeteringen worden aandragen, maar dat continu verbeteringen aangedragen kunnen worden. Over de bedrijven die (gaan) deelnemen aan de WAB-tool: Overtuig bedrijven regelmatig van de mogelijkheden van de benchmarktool en het belang van de continuïteit van benchmarking. Zo kan een blijvende vraag naar benchmarks worden gecreëerd. Meet succesvol uitgevoerde benchmarks breed uit en beloon ze. Zorg voor betrokkenheid bij de benchmarktool door het regelmatig terugkoppelen van ‘kleine’ managementrapportages (geen volledige benchmarks). Gebruik de deelnemende bedrijven om mogelijke benchmarkingpartners te vinden zoal concurrenten of andere vestigingen van hetzelfde bedrijf. Hou rekening met het feit dat sommige bedrijven niet beschikken over een complete bedrijfsprocessenbeschrijving en daarmee ook complete prestatiemetingen uitvoeren. Persoonlijk contact wordt hier als zeer belangrijk omschreven bij het inwinnen van gegevens.

In het volgende hoofdstuk wordt een magazijnprocessen-beschrijving gegevens die als leidraad zal dienen bij het bepalen van de benodigde magazijngegevens voor de WAB-tool en de benchmarkmethodiek die gebruikt zal worden bij de WAB-tool.

18



Hoofdstuk 3 Beschrijving van de magazijnprocessen In dit hoofdstuk wordt een processchema beschreven van een magazijn in het algemeen en dit geeft een overzicht van de activiteiten die plaats kunnen vinden in een magazijn. In paragraaf 3.1 wordt eerst een uitgebreid schema van magazijnprocessen beschreven. Dit processchema is tot stand gekomen door verschillende magazijnen te bezoeken en hun processen te bestuderen. Om tot dit processchema te komen is ook gebruik gemaakt van de kennis aangaande magazijnen aanwezig bij Yacht en vakliteratuur op gebied van magazijnen. Voor dit onderzoek ligt de nadruk op de magazijnprocessen inslag, opslag en uitslag, en kan er gewerkt worden met een minder uitgebreid processchema dan het processchema beschreven in paragraaf 3.1. Het nieuwe schema wordt beschreven in paragraaf 3.2.

§ 3.1 Een processchema: de magazijnprocessen beschreven tot op verschillende niveaus In deze paragraaf wordt eerst een uitgebreid schema beschreven. Daarna wordt aangegeven hoe dit schema kan worden versimpeld zodanig dat er een schema overblijft dat genoeg informatie over de magazijnactiviteiten geeft een generieke performance maat van een magazijn op te kunnen stellen 3.1.1 Uitgebreid processchema De processen in een magazijn bestaan uit activiteiten en deze activiteiten hebben een bepaalde input nodig om bepaalde output te genereren (zie afbeelding 3). Op basis van deze drie elementen kan de performance van een magazijn beoordeeld worden. De performance van een magazijn zegt hoe efficiënt en hoe effectief de input wordt aangewend om activiteiten aan te sturen en een bepaalde output te bewerkstelligen.

Afbeelding 3: Drie benodigde elementen om magazijnperformance te bepalen.

In dit onderzoek beperken we ons tot de magazijnactiviteiten op het operationele niveau. Dit zijn de activiteiten die plaatsvinden binnen de (figuurlijke) vier muren van een magazijn. Door een processchema te maken van een magazijn, kan tot op verschillende niveaus inzicht 19



verkregen worden in wat er gebeurt in een magazijn. Behalve het magazijn in zijn totaliteit, het hoogste niveau, wordt verder onderscheid gemaakt tot op vier niveaus daaronder: - procesniveau; - activiteitniveau; - deelactiviteitenniveau; - het niveau van handelingen. Voor elk willekeurig magazijn kan een processchema worden gemaakt waarin de processen worden opgesplitst in activiteiten, de activiteiten in deelactiviteiten en ten slotte de deelactiviteiten in handelingen. Als voorbeeld wordt in afbeelding 4, na het opsplitsen van een magazijn in processen, het proces inslag opgesplitst in activiteiten en vervolgens in deelactiviteiten. Als laatste wordt een tweetal deelactiviteiten opgesplitst in verschillende handelingen.

Afbeelding 4: Een magazijn en zijn inslagproces beschreven tot op verschillende niveaus.

Verder wordt in de magazijnprocessen-beschrijving op procesniveau ook nog onderscheid gemaakt naar hoofdprocessen en subprocessen4. Op activiteitenniveau wordt ook nog onderscheid gemaakt tussen primaire activiteiten en secundaire activiteiten (Aminoff et al., 2002, p.48). Primaire activiteiten zijn voornamelijk fysieke activiteiten die een goederenstroom verwerken. De secundaire activiteiten zijn activiteiten die voornamelijk een informatiestroom verwerken of de ondersteunende activiteiten. Grafisch is dit aangegeven door in de niveaubanden Processen en Activiteiten eerst in een (dubbelbelijnde) rechthoek de verzamelnaam gegeven voor de eronder hangende elementen. Verder betekent een pijlverbinding tussen twee elementen ‘bestaat uit’ en als een element met een lijn is verbonden met een ander element dan horen deze elementen bij dezelfde (deel)activiteit. 4

Een van de subprocessen is VAL/VAS. VAL/VAS is de verzamelnaam voor de ‘value adding’ activiteiten die niet standaard in een magazijn voorkomen zoals bijvoorbeeld assemblage, het samenstellen van een product op basis van de wensen van een klant.

20



3.1.2 Compact processchema Om een generieke performance maatstaf voor een magazijn op te stellen is het niet nodig om in het processchema tot het op niveau van handelingen te gaan registreren. Het aantal handelingen is groot en erg gedetailleerd en de hoeveelheid te registreren informatie is daarmee ook ondoenlijk. Ook nemen we de processen VAL/VAS en retourstromen niet mee omdat deze niet in alle magazijnen hoeven plaats te vinden. Om verder te bepalen tot op welk niveau voor dit onderzoek detaillering gewenst is, is een drietal criteria opgesteld door van Damme (2000, p. 92)5. Criterium 1: De kosten van een (deel)activiteit ten opzichte van de totale kosten. Bij relatief hoge kosten moet een activiteit mee worden genomen in het processchema. Het tegenovergestelde is ook waar, wanneer de kosten van een activiteit niet significant blijken te zijn hoeft deze niet te worden meegenomen in het processchema. In eerdere studies rond kostenallocatie bij magazijnen is reeds aangetoond dat de hoofdprocessen inslag, opslag en uitslag zorgen voor het grootste gedeelte van de gemaakt kosten in een magazijn (Waller, 2002, p. 536). Van deze hoofdprocessen leveren vervolgens de primaire activiteiten (verwerken fysieke stroom) de grootste bijdrage (Aminoff, 2002, p. 49). Over hoe de kosten herleidt kunnen worden naar de kosten van specifieke deelactiviteiten en handelingen is weinig bekend. Aangenomen wordt dat niet één specifieke handeling zorgt voor het grootste deel van kosten maar dat dit gelijkmatig is verdeeld over alle handelingen en dat de kosten van een handeling niet relatief hoog zijn ten opzichte van de totale magazijnkosten. Voor dit onderzoek ligt de focus dus op de hoofdprocessen en hun primaire activiteiten. Criterium 2: De mate waarin de activiteiten verschillen per proces. Als voor verschillende processen de activiteiten sterk wisselen en/of in een andere intensiteit worden uitgevoerd moeten deze processen afzonderlijk worden beschreven in het processchema en niet worden geaggregeerd. Als voorbeeld werden in afbeelding 4, alleen voor het hoofdproces inslag, de activiteiten (primair en secundair) en bijbehorende deelactiviteiten weergegeven. Voor zowel opslag als uitslag, geldt dat de activiteiten en deelactiviteiten onderling dusdanig verschillen dat ze niet samengevoegd zouden kunnen worden in de magazijnprocessen-beschrijving. Ook al ligt de focus op de primaire activiteiten, de deelactiviteiten verschillen per primaire activiteit zodanig dat ze nog worden weergegeven in het processchema. De processchema’s voor opslag en uitslag worden ook tot op deelactiviteitenniveau opgesteld en volgen in paragraaf 3.2. Criterium 3: De mate waarin de kosten van eenzelfde activiteit bij verschillende processen (of eenzelfde deelactiviteit bij verschillende activiteiten) onderling verschilt. Als de kosten van activiteit uitgevoerd bij inslag significant verschilt van dezelfde activiteit bij opslag of uitslag dan zullen, ter verklaring, ook de deelactiviteiten los beschouwd moeten worden in het processchema. Op basis van criterium 2 werd al gezegd dat er niet verder geaggregeerd kan worden in het processchema dan het niveau van deelactiviteiten. Daarbij is er weinig bekend over de kosten 5

Deze criteria zijn niet specifiek ter bepaling van het detailniveau van activiteiten. Ze zijn toepasbaar op allerlei kostenobjecten.

21



van deelactiviteiten zodat ze niet onderling vergeleken kunnen worden maar eigenlijk is dit niet nodig omdat we al hadden besloten om niet tot op het niveau van handelingen door te gaan. Hieruit concluderen we dat in de magazijnprocessen-beschrijving: het voldoende is om door te gaan tot op deelactiviteitenniveau; de nadruk allereerst ligt op de hoofdprocessen en binnen deze hoofdprocessen op de primaire activiteiten. In de volgende paragraaf zijn deze aanpassingen doorgevoerd. Maar in plaats van direct een nieuw processchema te creëren voor het magazijn in zijn geheel worden er losse schema’s voor de hoofdprocessen inslag, opslag en uitslag gegeven. Deze drie handzamere schema’s leiden uiteindelijk tot een overzichtelijk magazijnprocessen-beschrijving op totaal niveau.

§ 3.2 Beschrijving van de hoofdprocessen inslag, opslag en uitslag In deze paragraaf wordt per hoofdproces een schema gegeven en daarna volgt een beschrijving van de primaire en secundaire activiteiten aan de hand van de bijbehorende deelactiviteiten. 3.2.1 Inslag

Afbeelding 5: Het Inslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten.

Het inslagproces is opgebouwd uit primaire en secundaire activiteiten. Onder inslag vallen de volgende primaire activiteiten: a) Uitladen: het lossen van vrachtwagens en het in ontvangst nemen van goederen van leveranciers; b) Controleren van de kwantiteit en kwaliteit: zijn de goederen volgens afspraak verpakt, klopt de hoeveelheid en is bijvoorbeeld de houdbaarheidsdatum niet overschreden. Mochten hier onvolkomenheden worden geconstateerd dan volgen procedures om dit te melden en eventueel de goederen te retourneren aan de leverancier.

22



c) Degroeperen en sorteren; d) Ompakken (bijv. overzetten van/naar pallets, bins) en labelen; e) Wegzetten: nadat de opslaglocatie is bepaald is klaargemaakt. Tijdens al deze activiteiten worden ook nog regelmatig (trans)acties in het WMS6 of ERPsysteem uitgevoerd. Onder inslag vallen de volgende secundaire activiteiten: a) Administratie en boekhouding: hieronder vallen alle administratieve deelactiviteiten zoals entrepotadministratie7 maar ook de overige administratie zoals het verzorgen en verwerken van alle documenten die nodig zijn tijdens het inslagproces. b) Algemeen management: de deelactiviteiten planning en aansturing. Voor het inslagproces is dat het plannen en aansturen van bijvoorbeeld het personeel of de machines en ook het ophalen, doorsturen en terugkoppelen van managementinformatie; c) Onderhoud en schoonmaken: het uitvoeren van onderhoud, het uitvoeren van reparaties en het schoonmaken tijdens het inslagproces. 3.2.2 Opslag

Afbeelding 6: Het Opslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten.

De primaire activiteiten van het opslagproces zijn: a) Voorraad verplaatsen: deze kunnen worden gedaan ten behoeve van replenishment, het aanvullen van de ene opslagplaats vanuit een andere opslagplaats, zoals een pickarea dat wordt aangevuld met producten vanuit een bulkarea. Daarnaast worden ook goederen verplaatst ten behoeve van procesoptimalisatie of ruimteoptimalisatie. b) Voorraad tellen: dit kunnen reguliere tellingen zijn of cycle-counts. Cycle-count is het continu checken van de voorraden (op basis van aantallen per artikelnummer) en terugkoppelen naar allerlei systemen en eventueel aanpassen in systemen. Deze fysieke tellingen kunnen leiden tot correcties die dienen te worden uitgevoerd. 6

Warehouse Management Systeem, softwarepakketten speciaal voor het managen van een magazijn. Entrepotadministratie: de inklaring van douanegoederen die in het vrije verkeer van de EU zijn gebracht middels zogenaamde maandaangiftes. 7

23



De secundaire activiteiten zijn op dezelfde manier opgebouwd als bij het inslagproces. Het enige verschil is dat de deelactiviteiten nu betrekking hebben op het opslagproces. Onder administratie valt nu bijvoorbeeld ook stock reconciliation, een administratieve voorraadvergelijking op productniveau tussen verschillende computersystemen (denk aan vergelijking tussen het WMS en het ERP systeem van de opdrachtgever). En onder algemeen management vallen de deelactiviteiten planning en aansturing gericht op het opslagproces, het voorraadbeheer als het ware. 3.2.3 Uitslag

Afbeelding 7: Het Uitslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten.

De primaire activiteiten van het uitslagproces zijn: a) Orderpicken: het verzamelen van producten voor een zending vanuit verschillende areas zoals fastmoving goods area en bulkarea; b) Groeperen: het samenvoegen van verschillende orders voor transport per regio of land; c) Transport voorbereiden: verpakken, palletiseren en labellen; d) Controleren en daar de benodigde documenten toegevoegen; e) Inladen. Tijdens al deze activiteiten worden ook nog regelmatig (trans)acties in het WMS of ERP systeem uitgevoerd. De secundaire activiteiten van het uitslagproces zijn: a) Administratie: het verzorgen documenten als paklijsten, facturen, verzenddocumenten en douanedocumenten; b) Algemeen management: planning en aansturing van het uitslagproces; c) Onderhoud en schoonmaken: het uitvoeren van onderhoud, het uitvoeren van reparaties en het schoonmaken tijdens het inslagproces.

24



3.2.4 De magazijnprocessen-beschrijving In afbeelding 8 zijn de schema’s van de drie hoofdprocessen samengevoegd. Dit processchema dient als basis voor de verder magazijnanalyse in dit onderzoek.

Afbeelding 8: De belangrijkste magazijnprocessen: de hoofdprocessen inslag, opslag en uitslag beschreven tot op het niveau van activiteiten.

De volgende stap van de magazijnanalyse is de kwantificering van de magazijnprocessen inslag, opslag en uitslag. Dit wordt beschreven in hoofdstuk 4.

25



Hoofdstuk 4 Registratie van middelen, resultaten en karakteristieken In dit hoofdstuk worden de belangrijkste input- en outputgegevens bepaald en beschreven van de deelprocessen die we in het magazijnproces wilden onderscheiden (zie § 3.2). In paragraaf 4.1 wordt beschreven hoe wij magazijnperformance definiëren. In paragraaf 4.2 wordt beschreven welke gegevens door magazijnen aangeleverd moeten en hoe deze gebruikt kunnen worden voor de magazijnanalyse. Ten slotte volgt in paragraaf 4.3 een samenvatting waarin alle bevindingen in dit hoofdstuk schematisch worden weergegeven.

§ 4.1 Hoe wordt magazijnperformance bepaald? In deze paragraaf wordt beschreven wat nodig is om magazijnactiviteiten te kunnen uitvoeren en hoe deze elementen als de input en output in een magazijnperformance model worden beschouwd. Vervolgens wordt met behulp van deze input en output beschreven hoe wij magazijnperformance definiëren. 4.1.1 Beschrijving van een magazijnperformance model Input in een magazijnperformance model zijn de (productie)middelen, die een magazijn nodig heeft om de magazijnactiviteiten uit te voeren. Middelen zijn onder andere het personeel en het equipment dat wordt gebruikt in het magazijn. Output in een magazijn de resultaten8 die een magazijn realiseert zoals bijvoorbeeld: - de verwerkte orderregels, - het verwerkte aantal colli, pallets of andere verpakkingseenheden, - het aantal gemaakte verplaatsingen, - het aantal gecheckte locaties. De behaalde resultaten kunnen vertaald worden naar prestatie-indicatoren. Magazijnen gebruiken Key Performance Indicators (KPI’s), of in het Nederlands Kritische Prestatie Indicatoren, (KPI’s) om de prestatie van een magazijn te beoordelen. Zie afbeelding 9. Behalve een input en een output in het magazijnperformance model is er ook nog het onderdeel karakteristieken (zie afbeelding 9). Karakteristieken zijn de belangrijkste kenmerken van een magazijn zoals bijvoorbeeld de eigenschappen van producten die worden verwerkt in het magazijn. Met deze karakteristieken kan van elk magazijn een profiel gemaakt worden. De profielen kunnen onderling worden vergeleken in een magazijnanalyse om een gewenste referentiegroep op stellen waarbinnen de magazijnperformance kan worden gebenchmarkt. Tevens kunnen de karakteristieken na het bepalen van de magazijnperformance worden gebruikt om deze te verklaren.

8

In dit onderzoek wordt gesproken over de resultaten die een magazijn realiseert in plaats van de productie die een magazijn realiseert. Met productie wordt vaak alleen het aantal verwerkt eenheden in een magazijn bedoeld. Resultaten is een breder begrip waaronder ook verplaatsingen en voorraadtellingen vallen.

26



Afbeelding 9: De benodigde elementen om magazijnperformance te bepalen.

Om de benodigde middelen en gerealiseerde resultaten (en bijbehorende KPI’s) van het magazijn vast te stellen worden de benodigde middelen en gerealiseerde resultaten per hoofdproces (inslag, opslag en uitslag gemeten). Zie ter illustratie afbeelding 10.

Afbeelding 10: Registratie van middelen en resultaten per hoofdproces.

4.1.2 Wat is magazijnperformance? Wat maakt dat een magazijn goed presteert? Activiteiten kunnen nog zo efficiënt worden uitgevoerd (geen verspilling van beschikbare middelen), als de gestelde doelen voor die activiteiten niet worden gehaald (effectiviteit), kan men niet spreken over een goede 27



magazijnorganisatie. Performance is daarom een combinatie van efficiency en effectiviteit. Efficiency staat voor de afweging van, de beschikbare en daadwerkelijk ingezette input ten opzichte van gerealiseerde output. Effectiviteit staat voor het halen van een gestelde bedrijfsdoelstelling. Magazijnen houden tijdens een proces KPI´s bij om het proces te beoordelen, om het vervolgens te kunnen bijsturen en uiteindelijk te verbeteren. Yacht is geïnteresseerd in: - de operationele prestatie van magazijnprocessen → efficiency KPI’s, - de doelmatigheid van de magazijnprocessen → effectiviteit KPI's. Een effectieve KPI laat zien wat bereikt wordt tijdens een proces en een efficiency KPI laat zien hoe dat wordt bereikt. Efficiency KPI’s zijn vaak productiviteitsratio’s (wat produceert een middel) of bezettingsgraden (hoe wordt een middel benut). Voor dit onderzoek zijn efficiency KPI’s opgesteld9 waarbij per hoofdproces de resultaten die deze magazijnprocessen genereren af worden gezet tegen de middelen die worden ingezet tijdens deze magazijnprocessen gemeten over een bepaalde tijd10. Elk hoofdproces realiseert een aantal verschillende resultaten. Uit alle mogelijke resultaten is gekozen voor twee resultaten per hoofdproces: 1) het aantal verwerkte orderregels, 2) het aantal verwerkte verpakkingseenheden (colli, pallets en rolcontainers). Er is gekozen om de ingezette middelen uit te drukken in euro’s. Door alle middelen uit te drukken in een geldeenheid kunnen ze samen worden gevoegd tot een financiële component (zie tabel 1). Deze KPI’s geven dan de resultaten per eenheid kosten aan, de zogenaamde profit ratio. Het is dan ook wenselijk om zo hoog mogelijk te scoren op deze KPI’s. Efficiency KPI’s

Inslag

Opslag

Uitslag

Orderregel-KPI

Totaal aantal verwerkte inkomende orderregels / Kosten aangewende middelen

Totaal aantal verplaatste orderregels / Kosten aangewende middelen

Totaal aantal verwerkte uitgaande orderregels / Kosten aangewende middelen

Verpakking-KPI

Totaal aantal verwerkte inkomende verpakkingseenheden / Kosten aangewende middelen

Totaal aantal verplaatste verpakkingseenheden / Kosten aangewende middelen

Totaal aantal verwerkte uitgaande verpakkingseenheden / Kosten aangewende middelen

Tabel 1: Efficiency KPI’s opgesteld voor inslag, opslag en uitslag gemeten per tijdseenheid.

De gegevens die moeten worden geregistreerd voor de middelen en resultaten die nodig zijn voor deze efficiency KPI’s, worden beschreven in de volgende paragraaf. Het bepalen van effectieve KPI’s is een stuk moeilijker. Er zal per hoofdproces een kwantitatieve maat moeten worden opgesteld die weergeeft of de belangrijkste 9

De efficiency KPI’s zijn opgesteld in samenwerking met medewerkers van Yacht. Deze KPI’s zijn gebaseerd op hun kennis van KPI’s in de praktijk en op eerder uitgevoerde performance management onderzoeken bij magazijnen. Voorbeelden hiervan zijn te vinden in onder andere Hackman (2001) en in Schefczyk (1993). Let wel dit is een keuze van KPI’s, er zijn ook tal van andere mogelijkheden. 10 In de Yacht vragenlijst (zie bijlage 2) wordt gevraagd gegevens per periode aan te leveren. Deze periode dient nog nader te worden bepaald.

28



doelstelling(en) voor het betreffende proces word(t)(en) gehaald over een bepaalde periode. Belangrijke doelstelling van magazijnprocessen is produceren wat er wordt gevraagd, maar dit moet gebeuren met een gewenste kwaliteit én binnen een gewenste tijd. Binnen een magazijn worden normen opgesteld die aangeven wanneer resultaten zijn afgeleverd met de gewenste kwaliteit en binnen de gewenste tijd. Effectieve KPI’s geven aan welk gedeelte van de productie daadwerkelijk aan de gestelde normen voldoet gemeten over een bepaalde periode. Een effectieve KPI geeft de snelheid, nauwkeurigheid of servicegraad van de magazijnprocessen weer. Voor dit onderzoek zijn de volgende effectieve KPI’s opgesteld11 voor inslag, opslag en uitslag (zie tabel 2). Ook hier geldt dat een zo hoog mogelijke score (zo dicht mogelijk bij 100%) gewenst is. Effectieve KPI’s

Inslag

Opslag

Uitslag

Doorlooptijd-KPI: % inkomende orderregels op tijd verwerkt

Nauwkeurigheid-KPI: % gecheckte locaties zonder fouten

Doorlooptijd-KPI: % uitgaande orderregels op tijd verwerkt

Nauwkeurigheid-KPI: % inkomende orderregels juist verwerkt

Nauwkeurigheid-KPI: % gecheckte artikelnummers zonder fouten

Servicelevel-KPI: % uitgaande orderregels juist verwerkt

Tabel 2: Effectieve KPI’s opgesteld voor inslag, opslag en uitslag gemeten per tijdseenheid.

De gegevens die moeten worden geregistreerd voor deze effectieve KPI’s, worden beschreven in de volgende paragraaf. Ook wordt nog enige toelichting gegeven waarom gekozen is voor deze effectieve KPI’s.

§ 4.2 Benodigde gegevens voor de efficiency KPI’s en effectieve KPI’s In deze paragraaf worden de benodigde gegevens voor de efficiency en effectieve KPI’s beschreven. Tevens wordt ook aangegeven hoe magazijnen hun gegevens dienen aan te leveren aan de hand van de Yacht vragenlijst te vinden in bijlage 2. In § 4.2.1 worden allereerst de middelen beschreven, daarna worden in § 4.2.2 de karakteristieken van een magazijn beschreven en in § 4.2.3 worden de resultaten beschreven. Met behulp van de gegevens van de middelen en resultaten kunnen efficiency KPI’s berekend worden. Om de effectieve KPI’s te kunnen berekenen worden nog iets specifiekere gegevens gevraagd van de resultaten en deze worden besproken in § 4.2.4. 4.2.1 Middelen Als we de hoofdprocessen inslag, opslag en uitslag bekijken zijn dit de middelen die worden aangewend: - personeel, 11

Ook de effectieve KPI’s zijn opgesteld in samenwerking met medewerkers van Yacht. Deze selectie van effectieve KPI’s is onder andere gebaseerd op KPI’s genoemd in Goor et al. (2003, pp. 187-188). Let wel dit is een keuze van KPI’s, er zijn ook tal van andere mogelijkheden.

29

Afstudeerscriptie ORM - Martine de Wit -


gebouw(en) en perceel, equipment (machines, stellages), energie (elektriciteit, gas, water, brandstof), hardware & software (computers, systemen en IT), uitbestede services, overig (verzekeringen, waarde van de voorraad).

Dit zijn de belangrijkste kostencomponenten van een magazijn en dit is onder andere gebaseerd op eerdere kostenallocatie onderzoeken bij magazijnen, in onder andere Aminoff et al. (2002, pp. 50-51) en Waller (2002, pp. 535-536). Voor dit onderzoek is het echter niet nodig van alle middelen gegevens te registreren. Er is een selectie van de belangrijkste middelen gemaakt waarvan wij vinden dat ze nodig zijn om de juiste efficiency KPI scores voor magazijnen te kunnen berekenen. Er zijn twee criteria opgesteld aan de hand waarvan is bepaald van welke middelen dataregistratie plaats gaat vinden: Criterium 1: Wat zijn de kosten van een middel ten opzichte van de totale kosten? De grootste kostencomponenten zullen door een efficiëntere en effectievere werkwijze ook leiden tot de grootste kostenbesparingen12. Volgens Aminoff et al. (2002, p. 51) en Hackman et al. (2001, p. 83) zijn de grootste kostencomponenten personeel, gebouw, equipment, hardware & software. Aminoff et al. (2002, p.51) geeft ook nog aan dat voorraadwaarde uit de categorie overige middelen een hele grote kostencomponent is. Criterium 2: Kan een middel/kostencomponenten beïnvloed worden op operationeel niveau? Operationeel niveau is het niveau van beslissingen die worden genomen binnen de vier muren van een magazijn en niet de beslissingen van hogerhand in de organisatie. De middelen personeel, gebouw, equipment en hardware & software zijn (deels) beïnvloedbaar vanaf het operationele niveau. Het onderdeel gebouw (pand en perceel) kan ook gezien worden als een kostencomponent dat niet snel kan worden beïnvloed op operationeel niveau. Het onderdeel gebouw en de daarbij behorende elementen zouden daarom ook geregistreerd kunnen worden als een onderdeel bij de karakteristieken. Karakteristieken zijn de constanten van een magazijn die worden gebruikt om vergelijkbare magazijnen te vinden of worden gebruikt om de magazijnperformance te verklaren. De inrichting van zowel het pand als het perceel kunnen wel beïnvloed worden op operationeel niveau en hoeven dus niet als constante beschouwd te worden vandaar dat ze meegenomen worden bij de middelen. De voorraad (waarde en hoeveelheid) wordt gezien als een element waar geen beslissingen over genomen worden op operationeel niveau. De hoeveelheid voorraad die binnenkomt, die er ligt en die vervolgens weer het magazijn verlaat wordt vanaf het tactische niveau opgelegd13. Yacht heeft er voor gekozen om het element voorraad dan ook niet als middel te beschouwen dat te beïnvloeden valt, maar als een karakteristiek (zie § 4.2.2). 12

Het eerste criterium is deels gebaseerd op de drietal criteria opgesteld door van Damme (2000, p. 92). Deze zijn in paragraaf 3.1.2 besproken. 13 Bekend verschijnsel dat zich voordoet in een magazijnomgeving is dat aan het einde van een financiële boekingsperiode de verkoopafdeling probeert om zoveel mogelijk te verkopen en weinig in te kopen om de voor hen zo belangrijke financiële KPI’s zo rooskleurig mogelijk te laten overkomen.

30



De vier belangrijkste middelen waar gegevens van worden geregistreerd zijn (zie ook de Yacht vragenlijst in bijlage 2): 1) Personeel (manuren, FTE). Per hoofdproces wordt gevraagd naar de hoeveelheid direct personeel en de hoeveelheid indirect personeel. Direct personeel is betrokken bij de primaire activiteiten van het betreffende proces en indirect personeel is betrokken bij de secundaire activiteiten. 2) Gebouw(en) (aantal docks, m2 en m3 binnen en buiten). 3) Equipment (aantal, soort, kosten). Er zijn vijf categorieën equipment onderscheiden (Hackman et al., 2001, p. 84): voertuigen handmatig (o.a. pompkar), voertuigen elektrisch of op brandstof (o.a. heftruck), opslagsystemen (o.a. kraan), vervoersystemen (o.a. conveyorbelt, AGV systeem), aansturingsystemen (o.a. pick-to-light). 4) Hardware & Software (computers, systemen en IT). Van elk middel wordt een aantal parameters gevraagd. Uiteindelijk moeten de middelen uitgedrukt worden in euro’s om efficiency KPI’s te kunnen opstellen maar financiële gegevens over deze middelen kunnen niet altijd door magazijnen worden aangeleverd. In de vragenlijst worden dan ook parameters gevraagd die niet in euro’s worden uitgedrukt maar in andere dimensies zoals uren, vierkante meters of aantallen. Later zal Yacht met behulp van algemene financiële informatie en de parameters per middel, proberen te komen tot de totale kosten van een middel. De gegevens van deze middelen moeten per hoofdproces afzonderlijk aangeleverd worden door de magazijnen over een bepaalde periode. Op deze manier kan in kaart worden gebracht welke middelen inslag, opslag en uitslag verbruiken in een bepaalde periode. 4.2.2 Karakteristieken Er is een verzameling karakteristieken opgesteld, in samenwerking met Yacht, die samen een goed magazijnprofiel schetsen. Deze verzameling is onder ander gebaseerd op MHIA (2002, p.24). Er worden drie soorten karakteristieken onderscheiden (zie ook de Yacht vragenlijst in bijlage 2). 1) Karakteristieken van producten die in een magazijn verwerkt: 1a) fysieke producteigenschappen (verschijningsvorm, volume, gewicht), 1b) niet-fysieke producteigenschappen (waardedichtheid, houdbaarheid, breekbaarheid), 1c) ABC-indeling14, 1d) productgroepen15.

14

ABC-indeling komt tot stand na een ABC-analyse. Dit is een analyse van producten die leidt tot een onderscheid naar producten met een hoge omzet (A-producten) ten opzichte van producten met een lagere omzet (C-producten). Deze analyse biedt hulp bij de indeling en inrichting van een magazijn door ervoor te zorgen dat A-producten het dichtst bij de plaats van handeling liggen, dan komen de B-producten en het verst weg liggen de C-producten. 15 Er worden geen standaard productgroepen gedefiniëerd maar er wordt gevraagd naar de productgroepen die het magazijn zelf hanteert.

31



Deze gegevens laten zien hoe het assortiment producten is opgebouwd. Belangrijk is de hoeveelheid producten die wordt ontvangen en verzonden per dag. De hoeveelheid is hier niet het aantal producten maar het totale gewicht en het totale volume van de ontvangen en verzonden producten over een bepaalde periode. Niet-fysieke producteigenschappen hebben ook invloed op de manier waarop de magazijnactiviteiten worden uitgevoerd en dus ook op de magazijnperformance. Deze niet-fysieke producteigenschappen zijn moeilijk te vangen in één kwantitatieve maat. In de vragenlijst wordt alleen naar de waarde van de totale voorraad te gevraagd (bijv. in relatie tot de omzet). 2) Karakteristieken van de omgeving waarbinnen het magazijn opereert. Dit zijn karakteristieken met betrekking tot de: 2a) afzenders (aantal, type, locatie), 2b) ontvangers (aantal, type, locatie), 2c) vervoerders (aantal). Karakteristieken van de afzenders, dit zijn veelal leveranciers, zijn het aantal afzenders en wat ze zoal leveren door het minimaal, maximaal en het gemiddeld aantal zendingen per dag te registreren. Van de ontvangers, veelal klanten, wordt ook het aantal geregistreerd en hoeveel het magazijn naar deze ontvangers verzendt. Daarbij wordt ook nog gevraagd met wat voor type ontvangers een magazijn te maken heeft. Is er sprake van: Business to Business (B2B) of Business to Consumer (B2C)? Van de ontvangers wordt ook nog geregistreerd waar zij zich bevinden: Nederland, EU of non-EU. 3) Overige karakteristieken, dit zijn karakteristieken met betrekking tot de: 3a) vraag, 3b) branche, 3c) planningshorizon. Het gedrag van de vraag heeft een grote invloed op de manier waarop een magazijn werkt. Een magazijn waar ijsjes liggen opgeslagen kan een vlakke inkomende stroom hebben maar in de zomer een piek in de grote uitgaande stroom, terwijl een magazijn waar diepvriesgroente ligt opgeslagen na de oogst te maken heeft met een grote inkomende stroom en een door het jaar heen een vlakke uitgaande stroom. Om dit soort schommelingen in de vraag mee te nemen worden in de vragenlijst zowel een seizoensinvloed indicator als een piekindicator gevraagd. Ook de planningshorizon waar een magazijn mee te maken heeft, heeft grote invloed op de werkwijze van het magazijn. Het ene magazijn weet anderhalf uur van tevoren wanneer een order klaar moet zijn, terwijl de ander er één of meerdere dagdelen al vanaf weet. In de vragenlijst wordt dan ook gevraagd naar planningshorizon voor de inkomende leveringen en uitgaande zendingen. 4.2.3 Resultaten In dit onderzoek ligt de focus op de hoofdprocessen inslag, opslag en uitslag op de primaire activiteiten (zie § 3.1.2). Het uitvoeren van deze primaire activiteiten leidt tot resultaten. Volgens van Damme (2000, p. 99) en Hackman et al.(2001, p. 84) zijn de belangrijkste resultaten die de primaire activiteiten realiseren: 1) verwerkte verpakkingseenheden (rolcontainer, pallet, colli), 2) verwerkt volume of verwerkt gewicht,

32

Afstudeerscriptie ORM - Martine de Wit 3) 4) 5) 6)


verwerkte orders of verwerkte orderregels, verwerkte leveringen en zendingen, uitgevoerde tellingen, uitgevoerde verplaatsingen.

In dit onderzoek worden voor inslag alleen de resultaten geregistreerd van de activiteiten ‘Uitladen’ en ‘Wegzetten’. Aangenomen wordt dat de gerealiseerde resultaten bij deze activiteiten ook veel zeggen over de resultaten van de tussenliggende en daarmee samenhangende activiteiten. Voor het opslagproces worden resultaten geregistreerd van alle activiteiten. De resultaten van ‘Voorraadverplaatsingen’ voor replenishment en voor optimalisatie worden samengevoegd. Voor het uitslagproces wordt informatie geregistreerd van de activiteiten ‘Uitladen’ en ‘Wegzetten’. Ook hier wordt aangenomen dat de gerealiseerde resultaten bij deze activiteiten ook veel zeggen over de resultaten van de tussenliggende en daarmee samenhangende activiteiten. Al deze activiteiten zijn onderstreept in het processchema in afbeelding 11.

Afbeelding 11: Overzicht van primaire activiteiten waarvan de resultaten worden geregistreerd.

Vervolgens is voor elk hoofdproces één resultaat opgesteld zodat voor een efficiency KPI middelen afgewogen kunnen worden tegen de resultaten van een hoofdproces. Voor inslag zijn daartoe het aantal ontvangen en weggezette verpakkingseenheden (zowel rolcontainer, pallet als colli) samengevoegd en wordt het totaal aantal verwerkte inkomende verpakkingseenheden verkregen per tijdseenheid. Dit is ook gedaan voor opslag en uitslag en dit leidde tot de volgende geaggregeerde resultaten in tabel 3. Zie ook de Yacht vragenlijst in bijlage 2.

33



Inslag

Opslag

Uitslag

Totaal aantal verwerkte inkomende orderregels

Totaal aantal verplaatste orderregels

Totaal aantal verwerkte uitgaande orderregels

Totaal aantal verwerkte inkomende verpakkingseenheden

Totaal aantal verplaatste verpakkingseenheden

Totaal aantal verwerkte uitgaande verpakkingseenheden

Totaal aantal uitgevoerde voorraadtellingen Totaal aantal uitgevoerde voorraadcorrecties

Tabel 3: Resultaten per tijdseenheid van inslag, opslag en uitslag ten behoeve van de KPI’s

Hierbij moet nog opgemerkt worden dat de orderregels bij opslag niet dezelfde orderregels zijn als de orderregels bij inslag of de orderregels bij uitslag maar dat het hier gaat om de orderregels van interne opdrachten (tot verplaatsen). 4.2.4 Resultaten → KPI’s De effectieve KPI’s geven de snelheid, nauwkeurigheid of servicegraad van de magazijnprocessen weer in een bepaalde periode (zie tabel 2 in § 4.1.2). In een magazijn wordt gekeken of het inslagproces snel genoeg is aan de hand van de gestelde doorlooptijd voor de inkomende orderregels. Magazijnen hanteren een norm voor de tijd die mag zitten tussen binnenkomst van een orderregel in het magazijn en het moment waarop deze orderregel compleet is verwerkt, dat is wanneer alle producten in deze orderregel zijn weggezet in de schappen van het magazijn en dit allemaal is verwerkt in het WMS. Voor het uitslagproces wordt gebruik gemaakt van een soortgelijke norm voor de uitgaande orderregels. De norm heeft dan betrekking op de tijd die verstrijkt tussen het binnenkomen van een orderregel in het WMS en het moment waarop een orderregel het magazijn verlaat, dat is wanneer een orderregels is ingeladen en afgesloten wordt in het WMS. Magazijnen maken afspraken met hun ontvangers over de tijd waarop de order klaar moet zijn. Voor de doorlooptijd-KPI voor uitslag wordt gekeken naar de orderregels die voor de afgesproken tijd het WMS-systeem verlaten. Op deze manier worden orderregels van een order die wel op tijd klaar waren, maar die vanwege verlate orderregels niet op tijd verzonden konden worden, niet meegenomen. In de Yacht vragenlijst wordt van magazijnen gevraagd naar het percentage inkomende (en uitgaande) orderregels dat op tijd is verwerkt16. Bij doorlooptijd-KPI’s (zowel inslag als uitslag) wordt alleen gekeken of een orderregel op tijd is of niet. Er wordt niet gekeken of een orderregel relatief heel erg te laat is of niet. Dit zou een mogelijke uitbreiding kunnen zijn die kan worden behandeld bij verder onderzoek zodat kan worden beoordeeld of een magazijn, waar 50% van de orderregels op tijd is en 50% maar 1% te laat is, beter is dan een magazijn 16

Doordat elk magazijn zijn eigen doorlooptijd voor inslag en uitslag hanteert kunnen de doorlooptijd-KPI’s eigenlijk niet vergeleken worden. Dit kan opgelost worden door een standaard-doorlooptijdnorm te hanteren of door alleen vergelijkingen uit te voeren tussen magazijnen met dezelfde doorlooptijdnorm. Vanaf nu wordt voor het gemak ervan uitgegaan dat alle magazijnen dezelfde doorlooptijdnorm hanteren en dat hun doel is dat 100% van alle orderregels deze norm haalt.

34



waar 80% van de orderregels op tijd is maar waar maar liefst 20% van de orderregels 100% te laat is. Een andere mogelijke uitbreiding zou zijn om bij de doorlooptijd-KPI van uitslag om onderscheid te maken tussen spoedorders en reguliere orders. Op deze manier zou een aparte doorlooptijd-KPI voor spoedorders kunnen worden opgesteld en een aparte doorlooptijd-KPI voor reguliere orders. Om de nauwkeurigheid van het inslagproces te kunnen beoordelen is het aantal juist verwerkte orderregels nodig. Juist verwerkte orderregels zijn het aantal orderregels dat niet ‘on hold’ is geboekt door het magazijn vanwege een interne oorzaak17. De mate van nauwkeurigheid voor uitslag wordt bepaald door het aantal orderregels waar géén klachten over zijn binnengekomen in het. Dit is dus het servicelevel van een magazijn. Voor uitslag wordt dan ook niet gesproken over een nauwkeurigheid-KPI maar over een service-KPI. Voor opslag zijn in dit onderzoek twee nauwkeurigheid-KPI’s opgesteld. Er is geen doorlooptijd-KPI opgesteld omdat bij het opslagproces doorlooptijd niet of nauwelijks van toepassing is en nauwkeurigheid heel belangrijk is (Goor et al, 2003, p.188-189). De eerste effectieve KPI voor opslag is een fysieke nauwkeurigheid-KPI en deze zet het aantal locaties, waar geen verschillen zijn geconstateerd, af tegen het aantal getelde locaties18. De tweede effectieve KPI is een administratieve nauwkeurigheid-KPI gebaseerd op het aantal gecheckte artikelnummers en het aantal verschillen per artikelnummer. Alle effectieve KPI’s zijn zo opgesteld dat een zo hoog mogelijk score gewenst is.

§ 4.3 Samenvatting In dit hoofdstuk is beschreven hoe wij magazijnperformance definiëren en wat de input en output zijn in het magazijnperformance model. Verder is beschreven hoe deze inputs en outputs gebruikt worden bij de opgestelde efficiency KPI’s en effectieve KPI’s (zie tabel 1 en 2 in § 4.2.1). Afbeelding 12 is een grafische weergave van alle input en output elementen van een magazijn die worden geregistreerd en die ook de opbouw van de vragenlijst laat zien.

17

Ook bij de nauwkeurigheid-KPI’s wordt ervan uitgegaan dat alle magazijnen dezelfde norm hanteren voor een ‘juist verwerkte orderregel’ en dat hun doel is dat 100% van de orderregels deze norm haalt. Op deze manier kunnen de nauwkeurigheid-KPI’s vergeleken worden. 18 In plaats van het aantal geconstateerde verschillen zou ook het aantal doorgevoerde correcties (zie het vragenlijstonderdeel Resultaten in bijlage 2) bij deze KPI gebruikt kunnen worden.

35



Afbeelding 12: Overzicht van de input en output elementen waarvan parameters worden geregistreerd.

In het volgende hoofdstuk wordt een methode beschreven hoe de efficiency KPI’s en effectieve KPI’s kunnen worden gebenchmarkt.

36



Hoofdstuk 5 Prestatiematen voor magazijnperformance en hoe deze te benchmarken In hoofdstuk 4 zijn efficiency en effectieve KPI’s gegeven voor de hoofdprocessen inslag, opslag en uitslag. Yacht wil de performance van een magazijn beoordelen op proces- én op magazijnniveau. Er worden in dit hoofdstuk twee methodes besproken voor het benchmarken van een performance maat op magazijnniveau. De eerste methode wordt beschreven in paragraaf 5.1. Voor deze methode worden de KPI’s uit hoofdstuk 4 geaggregeerd zodat efficiency en effectieve KPI’s op magazijnniveau worden verkregen. In paragraaf 5.2 wordt een tweede methode beschreven gebaseerd op Data Envelopment Analysis (DEA).

§ 5.1 Een eerste benchmarkmethode In deze paragraaf worden KPI’s op magazijnniveau opgesteld en dit wordt gedaan door de efficiency en effectieve KPI’s voor inslag, opslag en uitslag samen te voegen. Daarna wordt beschreven hoe deze kunnen worden gebenchmarkt. 5.1.1 Efficiency en effectieve KPI’s op magazijnniveau Op magazijnniveau worden ook twee efficiency KPI’s opgesteld. Hiervoor worden de middelen per hoofdproces, uitgedrukt in euro’s, en de resultaten per hoofdproces geaggregeerd. Aggregatie van resultaten en middelen wordt vaker gedaan zodat KPI’s verkregen worden die wat zeggen over de performance op een hoger niveau (in dit geval op magazijnniveau), zie onder andere Schefczyk (1993, p.2) en Ross en Droge (2002, p.21). Totale kosten middelen = Kosten aangewende middelen Inslag (€) + Kosten aangewende middelen Opslag (€) + Kosten aangewende middelen Uitslag (€) Totaal aantal verwerkte en verplaatste verpakkingseenheden = Verwerkte verpakkingseenheden Inslag + Verplaatste verpakkingseenheden Opslag + Verwerkte verpakkingseenheden Uitslag Totaal aantal verwerkte en verplaatste orderregels = Verwerkte orderregels Inslag + Verplaatste orderregels Opslag + Verwerkte orderregels Uitslag Op basis van deze drie onderdelen, gemeten per tijdseenheid (p.t.e.), worden twee efficiency KPI’s opgesteld die aangeven wat in een magazijn gerealiseerd wordt door het inzetten van 1 geldeenheid (euro) middelen. Dit zijn de profitratio’s waarbij verwerkte verpakkingseenheden en verwerkte orderregels worden afgezet tegen de totale kosten van de middelen (p.t.e.). Ook hier is het wenselijk om zo hoog mogelijk te scoren op deze KPI’s (zie tabel 4). Op magazijnniveau worden ook twee effectieve KPI´s opgesteld (zie tabel 4). De eerste effectieve KPI is gerelateerd aan de nauwkeurigheid van de magazijnprocessen inslag, opslag en uitslag in een bepaalde periode. De tweede effectieve KPI is gerelateerd aan de snelheid van de magazijnprocessen in een bepaalde periode. Dit is de snelheid van de processen inslag

37



en uitslag, want zoals in § 4.2.4 al naar voren kwam bij de toelichting van de effectieve KPI´s voor inslag, opslag en uitslag, wordt bij opslag alleen gekeken naar de nauwkeurigheid van het proces. De nauwkeurigheid-KPI op magazijnniveau is gelijk aan19: ( % inkomende orderregels juist verwerkt + % gecheckte locaties zonder fouten + % gecheckte artikelnummers zonder fouten + % uitgaande orderregels juist verwerkt ) / 4 In deze maat is de nauwkeurigheid van het inslagproces verwerkt, de fysieke en administratieve nauwkeurigheid van het opslagproces en de nauwkeurigheid van het uitslagproces (servicelevel) verwerkt. Van deze vier onderdelen wordt vervolgens het gemiddelde genomen. De doorlooptijd-KPI is gelijk aan20: ( % inkomende orderregels op tijd verwerkt + % uitgaande orderregels op tijd verwerkt ) / 2 Een overzicht van de efficiency en effectieve KPI’s op magazijnniveau wordt in tabel 4 gegeven. KPI’s Efficiency: Orderregel-KPI

Magazijn Totaal aantal verwerkte en verplaatste orderregels p.t.e. / Totale kosten middelen p.t.e.

Efficiency: Verpakking-KPI

Totaal aantal verwerkte en verplaatste verpakkingseenheden p.t.e. / Totale kosten middelen p.t.e.

Effectieve: Nauwkeurigheid-KPI (%)

Nauwkeurigheidscore (o.b.v. orderregels juist verwerkt en locaties juist gecheckt p.t.e.) Doorlooptijdscore (o.b.v. orderregels op tijd verwerkt p.t.e.)

Effectieve: Doorlooptijd-KPI (%)

Tabel 4: Efficiency en effectieve KPI’s magazijnniveau.

5.1.2 Het benchmarken van de magazijn KPI’s Voor een magazijn zou het mogelijk moeten zijn om zijn scores van een KPI te vergelijken met de scores van het magazijn dat het beste scoort op de betreffende KPI. Aan de hand van de scores op de KPI’s van de magazijnen zou vervolgens voor elk magazijn vastgesteld kunnen worden:21 1. mogelijke procentuele verbetering door vergelijking met de best practice; 2. mogelijke absolute verbetering door vergelijking met de best practice; 3. rangschikking van een magazijn binnen een verzameling van magazijnen op basis van score. 19

Aanname bij het bepalen van een nauwkeurigheid KPI op magazijnniveau,is dat de nauwkeurigheid van de hoofdprocessen allen even belangrijk zijn. In dit onderzoek is hiervoor gekozen omdat onbekend is of de nauwkeurigheid van een hoofdproces belangrijker is dan de nauwkeurigheid van een ander hoofdproces. 20 Aanname bij het bepalen van een doorlooptijd KPI op magazijnniveau is dat het halen van de doorlooptijdnorm bij het inslagproces even belangrijk is als het halen van doorlooptijdnorm van het uitslagproces. Er mag aangenomen worden dat in de meeste magazijnen meer waarde wordt gehecht aan het halen van de doorlooptijdnorm van het uitslagproces omdat het niet halen hiervan leidt tot externe klachten. Maar er is geen informatie bekend over hoeveel belangrijker dit dan zou zijn. 21 Dit is een voor de hand liggende keuze maar er zijn nog tal van andere mogelijkheden.

38



We lichten dit toe met een voorbeeld waarbij zes fictieve magazijnen gegevens hebben aangeleverd via de Yacht vragenlijst (zie bijlage 2). Yacht heeft op basis hiervan berekeningen uit kunnen voeren om voor elk magazijn de scores te berekenen op de vier KPI’s. Voor elk magazijn kan dan informatie aangeleverd worden op de drie hierboven genoemde manieren door ze te vergelijken met de best practice van de betreffende KPI. In onderstaande tabel 5 wordt per magazijn per KPI eerst de score aangegeven, daarna wat het procentuele verschil is ten opzichte van de best practice, als derde het absolute verschil en als laatste wordt de ranking van het magazijn gegeven. Magazijn

A

B

C

D

E

F

Efficiency: Orderregel-KPI

Score % Verbetering Absolute verbetering Ranking

3,5 71,43 % 2,5 Nr. 4

4,5 33,33% 1,5 Nr. 2

2,5 140,00% 3,5 Nr. 5

6 0,00% 0 Nr. 1

2 200,00% 4 Nr. 6

4 50,00% 2 Nr. 3

Efficiency: Verpakking-KPI


15 0,00% 0 Nr.1

14 7,14% 1 Nr. 2

13 15,38% 2 Nr. 3

7 114,29% 8 Nr. 6

10 50,00% 5 Nr. 4

8 87,50% 7 Nr. 5

Effectieve: NauwkeurigheidKPI


94 2,13% 2 Nr. 2

96 0,00% 0 Nr. 1

80 20,00% 16 Nr. 4

79 21,52% 17 Nr. 5

75 28,00% 21 Nr. 6

85 12,94% 11 Nr. 3

Effectieve: Doorlooptijd-KPI


80 20,00% 16 Nr. 6

85 12,94% 11 Nr. 5

95 1,05% 1 Nr. 2

90 6,67% 6 Nr. 3

96 0,00% 0 Nr. 1

90 6,67% 6 Nr. 3

Tabel 5: Procentuele en absolute afstand tot best practice (de grijs gearceerde cellen) en ranking voor de zes magazijnen.

De scores van de magazijnen kunnen ook grafisch in beeld kunnen worden gebracht, zie bijvoorbeeld afbeelding 13 waar de scores van de effectieve KPI’s tegen elkaar zijn uitgezet.

Afbeelding 13: Scores op de effectieve KPI’s geplot voor de zes magazijnen.

Het is echter niet eenvoudig om de scores van alle vier de KPI’s tegelijkertijd in kaart te brengen en zo af te leiden welk magazijn het qua performance (efficiency en effectiviteit) het het beste doet. Dit zou wel kunnen als alle vier KPI’s worden samengevoegd in één maatstaf. Er wordt een tweetal mogelijkheden aangedragen om dit te doen, deze zijn onder andere gebaseerd op Frazelle (2003, p.5):

39

Afstudeerscriptie ORM - Martine de Wit 1)


Het gemiddelde van de mogelijke procentuele verbetering van een magazijn, ten op zichte van de best practice, over alle KPI’s te berekenen. Laat v(i,j) de mogelijke procentuele verbetering zijn van magazijn i op KPI j. Voor het voorbeeld met de zes magazijnen geldt dan dat i = {A, B, C, D, E en F} en j = {1, 2, 3 en 4}, de vier KPI’s. Voor elk magazijn kan vervolgens berekend worden: vgem(i) = ( v(i,1) + v(i,2) + v(i,3) + v(i,4)) / 4 Het magazijn met kleinste waarde voor vgem presteert het beste.

2)

Een gemiddelde van de rankings over alle KPI’s te berekenen. Laat r(i,j) de positie zijn van magazijn i in de verzameling magazijnen op KPI j met i = {A, B, C, D, E en F} en j = {1, 2, 3 en 4}. Voor elk magazijn kan vervolgens berekend worden: rgem(i) = ( r(i,1) + r(i,2) + r(i,3) + r(i,4)) / 4 Het magazijn met de laagste rgem presteert het beste.

Voor het voorbeeld worden de vgem ’s en rgem’s berekend (zie tabel 6). Magazijn Gemiddelde procentuele verbetering Gemiddelde ranking

A 23,39% 3,25

B

C

D

E

F

13,35%

44,11%

35,62%

69,50%

39,28%

2,5

3,5

3,75

4,25

3,5

Tabel 6: Twee maatstaven voor de zes magazijnen, voor elke maatstaf is de cel grijs gearceerd van het beste magazijn.

5.1.3 Gewogen performance maten Bij de hierboven beschreven mogelijkheden om tot één performance maat te komen op magazijnniveau wordt indirect aangenomen dat alle efficiency KPI’s en alle effectieve KPI’s even belangrijk zijn voor de magazijnperformance. Bij het samenvoegen van efficiency en effectieve KPI’s op hoofdprocesniveau tot efficiency en effectieve KPI’s op magazijnniveau werd ook aangenomen dat alle hoofdprocessen even belangrijk zijn voor de efficiency en effectiviteit op magazijnniveau. Er zou met gewichten gewerkt kunnen worden die aangeven aan hoe belangrijk een KPI is of hoe belangrijk de elementen zijn waaruit een KPI is opgebouwd zodat een gewogen gemiddelde wordt verkregen. Er is echter geen informatie bekend over hoe belangrijk een bepaald element is of wat zijn precieze bijdrage is aan de magazijnperformance. Een magazijn zou zelf gewichten kunnen bepalen al naar gelang zijn behoeftes maar voor een goede benchmark zou deze gewichtenset ook opgelegd moeten worden aan de andere magazijnen waarmee hij zichzelf wil vergelijken, terwijl deze misschien zelf kiezen voor een andere gewichtenset. De gewichten zouden ook door Yacht kunnen worden bepaald om tot een objectief bepaalde gewichtenset te komen maar in beide gevallen blijft het bepalen van een gewichten een arbitrair proces.

40



§ 5.2 Een tweede benchmarkmethode: DEA Er is een methode waarmee de magazijnperformance kan worden bepaald zonder dat er aannames hoeven te worden gemaakt over bijdrage of belangrijkheid in de vorm van gewichten. Deze methode, Data Envelopment Analysis (DEA), is een methode waarbij verschillende parameters kunnen worden samengevoegd tot één getal. Voor het bepalen van de performance op magazijnniveau kan DEA worden toegepast op de middelen, de resultaten (en dus indirect de efficiency KPI’s) en de effectieve KPI’s op magazijnniveau en zorgt er dan voor dat deze worden samengevoegd in één performance maat. Een oplossing voor een DEA-probleem wordt gevonden door een Lineair Programmeringsmodel op te stellen en dit vervolgens op te lossen met behulp van een wiskundige techniek uitgevoerd door een computerprogramma. De technische aspecten worden uitgebreid uitgelegd in het hoofdstuk 6. In deze paragraaf volgt een uitleg van de achterliggende gedachte bij DEA en dit wordt uitgelegd aan de hand van een voorbeeld. DEA levert een relatieve score op voor elk magazijn zodat duidelijk wordt hoe een magazijn scoort ten opzichte van de rest van de beschouwde magazijnen, de zogenaamde referentiegroep. Er zijn twee manieren om de score die door DEA wordt bepaald te verklaren. Beide manieren worden eerst beknopt beschreven en vervolgens uitgelegd aan de hand van een voorbeeld van 10 fictieve magazijnen. 5.2.1 Hoe werkt DEA? Met DEA kan voor een magazijn een performance score berekend worden waarbij de werking op twee manieren uitgelegd kan worden: vanuit het productiviteitsbegrip → de primale aanpak; vanuit de productiestructuur → de duale aanpak. De primale aanpak en duale aanpak berekenen voor een groep magazijnen dezelfde performance score maar leggen deze score op een andere manier uit. Eerst wordt hieronder uitgelegd hoe de primale manier werkt en daarna de duale. De primale aanpak: De hoofdgedachte achter DEA is het uitbreiden van de standaard productiviteitsratio’s: y / x met een output y en een input x (zie ook § 4.1.2) naar het geval van multiple-input multipleoutput. In § 5.2.2 werd gesproken over de bijdrage van de resultaten en middelen aan de performance van een magazijn. Deze bijdrage of belangrijkheid wordt uitgedrukt als een gewicht voor een input of output. We willen de performance van magazijn k vergelijken met de performances van de andere magazijnen in de referentiegroep (in totaal zijn er N magazijnen). Elk van de magazijnen heeft R outputs met een gewicht ur, en I inputs met een gewicht vi, waarbij het aantal inputs niet gelijk hoeft te zijn aan het aantal outputs (I ≠ R), dan kan voor magazijn k een productiviteitsratio opgesteld worden die er als volgt uitziet:

Pk =

u1 ⋅ output1 + u2 ⋅ output2 + ... + uR ⋅ output R v1 ⋅ input1 + v2 ⋅ input2 + ... + vI ⋅ input I

(5.3.1 i)

41



Productiviteit hangt samen met efficiëntie. Het begrip efficiëntie beschrijft de verhouding tussen de productie en de ingezette middelen. Nog preciezer zou zijn dat efficiëntie eigenlijk het verschil geeft tussen de feitelijke en de optimale verhouding tussen de resultaten en de inzet van middelen. Een magazijn is efficiënt wanneer er geen mogelijkheid is om dezelfde resultaten te genereren met een geringere inzet van middelen, of met dezelfde inzet van middelen de resultaten uit te breiden. Als bij de beoordeling ook nog effectiviteit wordt meegenomen (met behulp van effectieve KPI’s) kan een magazijn als efficiënt én effectief worden beschouwd als met dezelfde inzet van middelen de resultaten niet verbeterd kunnen worden. Magazijnen die en efficiënt en effectief zijn vormen de grens van wat er daadwerkelijk haalbaar is, de zogenaamde ‘best practice’. De best practice fungeert als een referentiekader voor de magazijnen die niet efficiënt en effectief zijn; zij kunnen zich aan de deze magazijnen spiegelen. De essentie is dus het vinden van de magazijnen die als efficiënt en effectief kunnen worden aangemerkt. De mate van efficiëntie en effectiviteit wordt weergegeven in een score die de afstand tot de beste praktijk weergeeft, de performance score (Blank, 2002, p.3). We definiëren de performance score als een (dimensieloos) getal tussen 0 en 1. Als een magazijn effectief en efficiënt is ten opzichte van de referentiegroep, is de waarde van de performance score gelijk aan 1. Als de score 0,75 is dan houdt dit in dat de resultaten op 75% zitten van wat maximaal haalbaar zou zijn bij de gegeven ingezette middelen (Blank, 2002, p.3). Het management van een magazijn zou de gewichten van de middelen en de resultaten zo moeten bepalen dat de performance maximaal is, waarbij de performance score een getal tussen 0 en 1 moet zijn. De gekozen gewichten voor de andere magazijnen in de referentiegroep dienen eveneens tot een performance score tussen de 0 en 1 te leiden. Blank (2002, p. 3) stelt het zo dat op deze manier magazijnen de voordeel van de twijfel krijgen omdat iedere ander keuze van gewichten zou leiden tot een lagere score. Met DEA hoeven magazijnen hun optimale gewichtenset niet zelf te bepalen maar voor alle magazijnen in de referentiegroep wordt (met een computerprogramma) een gewichtenset bepaald waarbij geldt dat: hun performance score maximaal is (zo dicht mogelijk bij 1); de performance scores van de andere magazijnen in de referentiegroep niet groter mogen zijn dan 1; de gewichten niet negatief mogen zijn want elke input en output hebben een positieve bijdrage aan de performance van een magazijn. Zo wordt voor elk magazijn een relatieve gecombineerde performance score bepaald. Bij een performance score van 1 zijn er binnen deze referentiegroep geen magazijnen die het beter doen en kunnen er geen verbeteringsrichtingen aangegeven worden aangaande de inputs en outputs. De duale aanpak: Bij de duale aanpak wordt elk magazijn vergeleken met de andere magazijnen of met zogenaamde fictieve magazijnen bestaande uit combinaties van de bestaande magazijnen. Er wordt gekeken of er (combinaties van) magazijnen zijn die beter presteren, dat wil zeggen (combinaties van) magazijnen die met minder inzet van middelen evenveel resultaten genereren. De mate waarop een magazijn zijn inzet van middelen kan verlagen, om zo op het

42



niveau van het beter presterende magazijn te komen, wordt de inefficiëntie van de magazijn genoemd. Bij deze aanpak worden de magazijnen die door geen enkele andere (fictieve) magazijnen worden overtroffen, worden best practices genoemd. Bij de berekening van een DEA-score wordt het te onderzoeken magazijn als uitgangspunt genomen en wordt geprobeerd alle ingezette middelen maximaal te reduceren zonder dat de gerealiseerde resultaten worden aangetast. Blank (2002, p. 5) gebruikt de volgende figuur om dit grafisch uit te beelden. Soortgelijke voorbeelden zijn veelvuldig te vinden in de vakliteratuur over DEA, zie bijvoorbeeld ook Schefczyk (1993, p.5) en El-Mahgary en Lahdelma (1995, p. 702).

Afbeelding 14: Toelichting DEA bij de duale aanpak.

Op de beide assen van figuur 1 staan de hoeveelheden ingezette middelen weergegeven, bijvoorbeeld personeel en equipment. De punten A, B, C en D stellen magazijnen voor die allemaal dezelfde output genereren. Zij gebruiken ieder daarvoor verschillende hoeveelheden van ingezet middel 1 en ingezet middel 2. De verzameling van alle combinaties van ingezet middel 1 en ingezet middel 2 die dezelfde resultaten genereren wordt ook wel aangeduid als de input set. Laten we nu magazijn C als uitgangspunt nemen. Magazijn C kan zijn beide ingezette middelen verminderen. Er bestaat immers een fictief magazijn op het lijnstuk BD (C') dat dezelfde resultaten genereert als C, maar met minder ingezette middelen. De verhouding tussen deze fictieve ingezette middelen van C' en de feitelijke ingezette middelen van C (=OC'/OC) staat bekend als de mate van performance van magazijn C. Een mogelijke reductie van de ingezette middelen van A, B en D lijkt niet mogelijk als wordt gekeken naar deze grafiek. Er zijn immers geen magazijnen of combinaties van magazijnen te vinden die met minder ingezette middelen de bepaalde resultaten genereren. DEA zegt in dat geval dat A, B en D de beste praktijk of de frontier (grens) vormen en kent aan hun een score van 1 toe. Magazijn C krijgt een score kleiner dan 1.De naam DEA is gebaseerd op de duale aanpak. Er wordt een ruimte opgespannen (2-dimensionaal in dit geval) die alle data als het ware omvat (Eng. to envelop = omvatten). Er kan dan een analyse worden uitgevoerd door alle magazijnen te spiegelen aan de best practices. Let op, best practices, meervoud, er is hier niet sprake van één best practice maar elk magazijn wordt vergeleken met een groep van best practices. De primale en duale aanpak geven dezelfde DEA performance score voor een groep magazijnen maar geven op verschillende manieren informatie over mogelijke verbeterrichtingen. Om te laten zien welke managementinformatie beide aanpakken kunnen leveren aan een magazijn worden ze in § 5.3.2 toegelicht aan de hand van een voorbeeld. 43



5.2.2 DEA toegepast op fictieve dataset van tien magazijnen DEA maakt onderscheid in parameters waarop zo hoog mogelijk moet worden gescoord, de output, en parameters die het liefst zo laag mogelijk gehouden worden, de input. Op basis van de parameters van de efficiency KPI’s en de effectieve KPI’s (zie hoofdstuk 4) worden de volgende inputs en outputs opgesteld voor DEA: Inputs

Outputs

Personeelkosten

Verwerkte orderregels

Gebouwkosten

Verwerkte verpakkingen

Equipmentkosten

Nauwkeurigheid-KPI

Hardware & Softwarekosten

Doorlooptijd-KPI (DLT-KPI)

Tabel 7: Inputs en outputs te gebruiken bij een DEA-toepassing.

Voor dit voorbeeld is een aantal magazijnen gecreëerd met bijbehorende fictieve gegevens. De gegevens zijn geheel willekeurig bepaald en zijn geen juiste weerspiegeling zijn van de werkelijkheid. Magazijn nr.

Personeel €

Gebouw €

Equipment €

Hardware €

Orderregels aantal

Verpakking aantal

Nauwkeurig %

DLT %

55000 50716 49887 54361 60003 57184 53540 30847 27944 38536

1600 1575 1622 1686 1560 1675 1555 1023 1175 929

11429 10887 11138 10485 11899 12080 10468 7052 5748 8534

25500 25339 25075 24751 24880 22980 24018 15088 15169 14583

10000 9125 9928 9208 10496 9849 10797 6273 6273 6588

22500 21793 23361 20846 20415 20983 22018 13749 12287 14376

82 94 57 82 84 74 95 93 96 89

96 74 91 72 93 67 54 50 69 81

1 2 3 4 5 6 7 8 9 10

Tabel 8: Gegevens van tien fictieve magazijnen voor een DEA toepassing.

Op deze tien magazijnen worden de DEA berekeningen uitgevoerd met behulp van software (in een Excelomgeving) aangeleverd bij Cooper et al. (2000)22. Na het uitvoeren van de DEA berekeningen worden in een Excelfile van zowel de primale als de duale manier gegevens aangeleverd. Voor een beschrijving van de Excelfile die is gemaakt voor deze tien magazijnen wordt verwezen naar bijlage 3. De performance scores voor tien de magazijnen zijn: Magazijn

Score

Rank

1

0,988413

6

2

0,98111

8

3

1

1

4

0,942444

10

5

0,983816

7

Magazijn

Score

6

Rank

0,952655

9

7

1

1

8

1

1

9

1

1

10

1

1

Tabel 9: DEA-scores voor de tien magazijnen.

22

De DEA-methode die hier wordt toegepast is de zogenaamde input-oriented DEA. Output-oriented is de andere variant en bij de genoemde software kan van tevoren voor een bepaalde variant gekozen worden. Overigens zorgen ze voor dezelfde performance scores. Voor meer informatie over input-oriented DEA en output-oriented DEA zie hoofdstuk 6.

44



Voor ieder magazijn is dus een maat bepaald welke een relatieve performance weerspiegelt. Er kunnen nu twee groepen magazijnen beschouwd worden: de 100% performing magazijnen (score = 1) en de niet-100% performing magazijnen. Voor de niet 100% performing magazijnen kan met de primale aanpak inzicht worden verkregen over de bijdrage van de inputs en outputs aan performance score en dit kan vergeleken worden met andere magazijnen. De duale aanpak laat zien hoe deze magazijnen lijken op andere magazijnen in de referentiegroep aan de hand van hun productiestructuur. Overigens kan er gezegd worden dat als er veel 100% performing magazijnen zijn, er waarschijnlijk te weinig magazijnen in de dataset aanwezig zijn. Hierdoor is elk 100% performing magazijn als het ware het beste op zijn eigen manier. Door meer magazijnen toe te voegen aan de dataset is er meer informatie beschikbaar over manieren om goed te presteren. De kracht van deze performance maat stijgt met een groter aantal DMU’s in de database want hoe groter de groep van magazijnen waarmee wordt vergeleken, hoe groter de kans is dat een magazijn geen score 1 krijgt, dus hoe groter de kans is dat de methode helpt bij verbeteringsopties aan te wijzen. Wel kan voor de 100% performing magazijnen via de duale aanpak informatie worden verkregen over de mate waarin zij gelden als voorbeeld voor de andere magazijnen. Het zojuist gepresenteerde fictieve getallenvoorbeeld zullen we gebruiken om te laten zien welke managementinformatie DEA zoal biedt. Managementinformatie via de primale aanpak De primale aanpak werkt vanuit het productiviteitsbegrip en hier werd met behulp van de DEA-methode voor elk magazijn een waardering (gewichtenset) bepaald voor alle inputs en alle outputs. Behalve scores voor de magazijnperformance wordt hier informatie verkregen over de bijdrage van de inputs en outputs aan de performance score. Zo kan de relatie tussen een input of een groep van inputs tot de performance score bekeken worden. Er kan bijvoorbeeld gekeken worden naar de relatie tussen de kosten van de ingezette middelen (personeelkosten, gebouwkosten, equipmentkosten en hardware & software kosten) en de score (zie afbeelding 15).

Afbeelding 15: Relatie kosten ingezette middelen tot de magazijnperformance-scores.

Bij deze groep magazijnen valt op dat er meer 100% performance magazijnen met lage kosten van ingezette middelen dan 100% performance magazijnen met hoge kosten. Hetzelfde kan gedaan worden voor een output of een groep van outputs.

45



Met de gewichten die bij de primale aanpak worden bepaald kan een gewogen input-set en een gewogen output-set opgesteld worden. Zo kunnen magazijnen hun gewogen input-set en gewogen output-set vergelijken en de bijdrage van een gewogen inputfactor aan de performance score. Bij het voorbeeld met vier inputs en vier outputs kunnen dan met staafdiagrammen de mix van inputs en outputs worden weergegeven (zie afbeelding 16) (ElMahgary en Lahdelma, 1995, p. 704). Bijdrage outputs aan de m agazijnperform ance

1

1

0,8

0,8

Performance score

Performance score

Bijdrage inputs aan de m agazijnperform ance

0,6 0,4 0,2 0

0,6 0,4 0,2 0

1

2

3

4

5

6

7

8

9

10

1

2

3

Magazijnen Personeel

Gebouw

Equipment

4

5

6

7

8

9

10

Magazijnen Hardw are ..

Orderregel

Verpakking

Nauw keurig

DLT

Afbeelding 16: Bijdrage van de inputs en outputs aan de magazijnperformance-scores.

Voor de magazijnen die een DEA-score kleiner dan 1 hebben, wordt zo duidelijk welke magazijnen een score hebben die ongeveer op dezelfde manier is opgebouwd als hun eigen score. Zo hebben magazijn 1 en 5 een soortgelijke input-mix en magazijn 1 presteert beter dan magazijn 5. De bijdrage van de gebouwkosten aan de performance score van magazijn 5 is bijna gelijk aan de bijdrage van gebouwkosten bij magazijn 7 en dit is een best practice. Voor mogelijke verbeteringen qua input zou magazijn 5 naar magazijn 1 of magazijn 7 kunnen kijken. Magazijnen kunnen op basis van de gewichten kijken met welke magazijnen zij zich kunnen vergelijken om tot bepaalde verbeteringsrichtingen te komen. Managementinformatie via de duale aanpak De duale aanpak werkt vanuit de productiestructuur van de magazijnen waarbij elk magazijn wordt opgebouwd uit fracties andere magazijnen, de best practices. Voor de tien magazijnen worden de fracties verkregen die aangeven in welke mate een magazijn met een best practice vergeleken kan worden. De best-practices zijn magazijn 3, 7, 8, 9 en 10 zoals ook al in tabel 9 werd aangegeven. Deze fracties kunnen dan worden weergegeven met een staafdiagram (zie afbeelding 17).

46



Fractie van best practices

Referentieset op basis van de inputs van magazijnen 1 0,8

DMU-10

0,6

DMU-9 DMU-8

0,4

DMU-7 DMU-3

0,2 0 1

2

3

4

5

6

7

8

9

10

Magazijnen

Afbeelding 17: In welke mate lijken de tien magazijnen op de best practices.

De magazijnen die alleen zijn opgebouwd uit hun eigen magazijn, zijn de best practices (3, 7, 8, 9, 10). Van de overige magazijnen kan gezegd worden dat er verbeteringen mogelijk zijn en er wordt voor elk magazijn aangegeven op welke magazijnen ze lijken als het gaat om de vier inputs (kosten van personeel, gebouw, equipment en hardware & software)23. Aan deze magazijnen kunnen ze zich spiegelen. Voor de best practices kunnen in deze referentiegroep geen verbeteringen worden geconstateerd hoewel dit in de praktijk misschien wel mogelijk is. Wat wel interessant is voor de best practices, is om te kijken hoe vaak een best practice als benchmark geldt voor een ander magazijn (El-Mahgary en Lahdelma, 1995, p. 706). 5.2.3 Aandachtspunten bij het toepassen van DEA Bij de eerste benchmarkmethode werd geconstateerd dat het nog steeds heel moeilijk is om uitspraken te doen over de performance van een magazijn (zie § 5.1.2). Door met behulp van DEA één performancemaat te creëren voor een magazijn kunnen de KPI’s op een verantwoorde wijze worden samengevoegd. DEA moet dan niet worden toegepast op de KPI’s zelf, maar op de parameters waaruit de KPI’s zijn opgebouwd. Zoals ook naar voren kwam bij het voorbeeld van 10 magazijnen kan DEA worden toegepast door gebruik te maken van een softwareprogramma. In Cooper et al. (2000) wordt uitgelegd hoe met dit softwareprogramma gewerkt kan worden en hiervoor is enige basiskennis van de DEA methode nodig.

Er is veel beschikbare en goed toepasbare DEA-software aanwezig is (Blank, 2002, p. 7). De toepassingen van DEA die zijn uitgevoerd op zowel organisaties in de publieke als private sector kunnen als succesvol worden beschouwd. Toch blijkt dat managers vaak moeite hebben met de methode omdat deze berekeningen uitvoert die leiden tot resultaten die moeilijk interpreteerbaar zijn (El-Mahgary en Lahdelma, 1995, p. 700). DEA kan beter interpreteerbaar worden als de parameters bij een toepassing van DEA: - beperkt blijven in aantal zodat de DEA-analyse gemakkelijk te begrijpen is, - een betekenis hebben die begrijpelijk is voor een magazijn(manager), - tot de verbeelding spreken van een magazijn(manager), kosten zijn bijvoorbeeld altijd interessant. 23

Door het uitvoeren van output-oriented DEA wordt een referentieset gegeven op basis van de outputs van de magazijnen.

47



Door de resultaten die DEA aanlevert grafisch uit te beelden zoals bij het voorbeeld van tien magazijnen, kan juist snel managementinformatie gegeven worden aan magazijnen en hun managers.

§ 5.3 Hoe deze benchmarkmethodes te gebruiken? Het zou wenselijk zijn om magazijnen in eerste instantie een performancescore op het hoogste niveau, het magazijnniveau te geven. Hierdoor is het makkelijker om magazijnen met hetzelfde profiel te vergelijken. Waneer de eerste benchmarkmethode wordt gebruikt moet een profiel gecreëerd worden dat is gebaseerd op een nader te bepalen set van karakteristieken. Op deze manier kan een referentiegroep gevormd worden waarbinnen de KPI’s (of een ranking) kan worden gebenchmarkt. Bij DEA wordt door het uitvoeren van de methode al een groep van magazijnen gegeven waar het te benchmarken magazijn zich aan kan spiegelen. Het opbouwen van een referentiegroep kan ook gedaan worden op basis van de karakteristieken. Een van beide manieren zou als het ware als startpunt voor het benchmarken gezien kunnen worden waarna vervolgens met de andere manier een referentiegroep bepaald kan worden die nog beter aansluit bij het te benchmarken magazijn. Bij DEA wil je niet een te kleine referentiegroep. Dit zou voor te weinig managementinformatie kunnen zorgen omdat er dan magazijnen in de groep kunnen zitten die allemaal op hun eigen manier de beste zijn (zie de groep magazijnen in het voorbeeld uit § 5.2.2). Als vuistregel voor DEA geldt dat er tenminste drie keer zoveel magazijnen in de referentiegroep moeten zitten als het aantal inputs en outputs bij elkaar opgeteld (Bowlin, 1998, p.18). Voor beide benchmarkmethodes geldt dat performancemaat die wordt berekend, is opgesteld aan de hand van parameters aangeleverd op het laagste niveau. Met deze ene prestatiemaat kan een magazijn zich eenvoudig met andere magazijnen vergelijken. Om deze prestatiemaat te verklaren kan gekeken worden naar de karakteristieken van een magazijn of kan een niveau lager worden gegaan om te laten zien waar deze score op de performancemaat op is gebaseerd. Zie de mogelijke benchmarkingniveaus in afbeelding 18.

Afbeelding 18: Benchmarkingniveaus WAB-tool

48



Echter om vervolgens tot verbeteringsrichtingen te komen voor de magazijnen in een referentiegroep, kan bij de eerste benchmarkmethode naar alle elementen op de verschillende niveaus gekeken worden. Er wordt niet aangegeven voor welke input of output het beste naar welk magazijn in de referentiegroep kan worden gekeken. Bij de DEA toepassing wordt al wel een direct verbeteringsrichting aangegeven voor de input en output en wordt ook aangegeven aan welke magazijnen in de referentiegroep het te benchmarken magazijn zich kan spiegelen.

§ 5.4 Samenvatting Nadat KPI’s zijn opgesteld op magazijnniveau is een tweetal mogelijkheden aangedragen om tot één maat voor de magazijnperformance te komen. Hier werd geen rekening gehouden met de belangrijkheid of bijdrage van een KPI (of de elementen waaruit een KPI bestaat) aan de magazijnperformance. Door gewichten toe te voegen zou een gewogen gemiddelde verkregen kunnen worden. Omdat de keuze van de wegingsfactoren voor de verschillende KPI’s altijd moeilijk en arbitrair is, is DEA een goede methode. Deze methode vergelijkt een magazijn met andere magazijnen waarbij de keuze van de wegingsfactoren zodanig is dat het betreffende magazijn zo goed scoort als mogelijk binnen de referentiegroep. DEA levert vervolgens op twee manieren (primaal en duaal) managementinformatie over de positie van een magazijn binnen de referentiegroep en de verbeteringsrichtingen voor een magazijn. Hierdoor is DEA een complete methode om een benchmarkproces uit te voeren. Ondanks dat DEA veelvuldig succesvol wordt toegepast in de academische wereld blijkt dat de managers vaak moeite met de methode omdat deze berekeningen uitvoert die leiden tot resultaten die moeilijk interpreteerbaar zijn. Er wordt een aantal aandachtspunten aangedragen die de DEA resultaten beter interpreteerbaar maken. Als één maat op magazijnniveau is gecreëerd zijn magazijnen in staat om onderling snel vergelijkingen te kunnen maken. Dit is onafhankelijk van de manier waarop tot één “overall performance” maat wordt gekomen. De vergelijking van één performancescore op magazijnniveau kan gedaan worden door de performancescores te bepalen van de referentiegroep. Vervolgens kan een vertaalslag plaatsvinden van deze scores door naar een lager niveau te gaan of door te kijken naar de karakteristieken. Na de verklaring van de performancescore moet worden gezocht naar verbeteringsrichtingen per magazijn. Bij de eerste methode worden geen concrete verbetermogelijkheden aangegeven terwijl dat bij DEA wel het geval is. In hoofdstuk 6 wordt dieper op DEA ingegaan en wordt DEA in modelvorm beschreven.

49



Hoofdstuk 6 Data Envelopment Analysis als benchmarkmethode In hoofdstuk 5 werd DEA geïntroduceerd en in dit hoofdstuk wordt DEA verder toegelicht en uitgelegd. Allereerst wordt over de oorsprong van DEA verteld, wat DEA wil bereiken en wat de voordelen zijn van DEA. In het tweede gedeelte wordt de werking van DEA uitgelegd. In hoofdstuk 5 werd de werking ook uitgelegd maar beknopt en werd alleen verwezen naar een software (excelprogramma) dat DEA-berekeningen kan uitvoeren. Nu wordt het model dat als basis dient voor deze DEA-berekeningen uitgelegd.

§ 6.1 Introductie Data Envelopment Analysis (DEA) 6.1.1 De achtergrond van DEA DEA is een relatief jonge techniek ontwikkeld in 1978 door Charnes, Cooper & Rhodes (CCR) en komt voort uit de behoefte om de performance van not-for-profit instellingen te evalueren. Voor dit soort instellingen is het heel moeilijk om de performance te meten aan de hand van behaalde resultaten als bijvoorbeeld winst, zoals dat wel gedaan kan worden bij bedrijven en ondernemingen. CCR hebben met DEA een manier gevonden om voor not-forprofit instellingen te evalueren of gestelde doelen worden gehaald en wat de genomen beslissingen binnen een instelling opleveren. CCR spreekt over measuring the efficiency van Decision Making Units (Charnes et al., 1978).

Net als bij de introductie van DEA in 1978 wordt in de latere literatuur over DEA vaak gewerkt met het begrip efficiency (zie § 4.1.2). In hoofdstuk 4 is vastgesteld dat bij het meten van magazijnperformance gekeken moet worden naar zowel efficiency als effectiviteit. Door bij DEA gebruikt te maken gegevens met betrekking tot beide wordt compacte informatie over de performance van een zogenaamde Decision Making Unit (DMU), bij ons is dat een magazijn. De hoofdgedachte van Data Envelopment Analysis (DEA) is het uitbreiden van de traditionele single-input-single-output productiviteitsratio´s naar het multiple-output-multipleinput principe. Stel er zijn J outputs en N inputs dan zouden J × N productiviteitsratio´s opgesteld kunnen worden uitgaande van het single output single input principe, los van de effectieve KPI’s, die onderling vergeleken kunnen worden. Daarbij is het ook heel moeilijk om de belangrijkheid van een bepaalde ratio mee te nemen in de performance analyse omdat het bepalen van gewichten voor een ratio een tamelijk arbitrair proces is (zie hoofdstuk 5). Met DEA worden deze problemen verholpen en worden mogelijke verbeteringsrichtingen aangedragen voor een magazijn binnen de referentiegroep. 6.1.2 Voordelen van DEA DEA kan worden uitgevoerd zonder de gegevens van de gemeten input- en output grootheden om te zetten in geldeenheden (€). Dit heeft zijn voordelen en vergemakkelijkt het benchmarken bijvoorbeeld in het geval van DMU’s met een verschillende kostenopbouw. Bedrijven met vestigingen in het buitenland kunnen significante verschillen hebben in

50



loonkosten per werknemer. Daardoor is het moeilijk om tot een gemeenschappelijke loonkosten parameter te komen die geldt voor meerdere vestigingen. Soortgelijke problemen zijn ook te vinden bij outputs. Onder outputs vallen bijvoorbeeld het aantal verwerkte orderregels en het percentage orderregels juist verwerkt (effectieve KPI). Het is niet mogelijk om deze outputs los van elkaar te beschouwen. Stel over een bepaalde periode is het aantal verwerkte orderregels omhoog gegaan en is het percentage “orderregels juist verwerkt” naar beneden gegaan. Gaat het nu beter of slechter met het magazijn? Om deze vraag te beantwoorden zouden ze samengevoegd moeten worden zodat ze tegelijkertijd beschouwd kunnen worden. Normaliter is dit niet mogelijk maar DEA kan ze wel tegelijkertijd meenemen voor een analyse van de magazijnperformance. Samenvattend heeft DEA als voordelen:

DEA kan alle relevante inputs en outputs van een DMU geaggregeerd en tegelijkertijd meenemen in een vergelijking met een andere DMU;

De inputs en outputs hoeven bij DEA niet te worden omgezet in dezelfde eenheid (zoals middelen in een geldeenheid of colli en pallets in één verpakkingseenheid);

De belangrijkheid van de afzonderlijke input- en outputparameter óf het gewicht, de mate waarin de betreffende parameter mee wordt genomen in de benchmark, hoeven niet op voorhand door de gebruiker (benchmarker) te worden vastgesteld.

§ 6.2 DEA beschreven als LP-model In deze paragraaf wordt allereerst uitleg gegeven bij het algemene DEA model en daarna wordt uitgelegd hoe DEA geschreven kan worden als een LP model waarvan de primale en de duale worden gegeven. 6.2.1 Algemene uitleg DEA-model In hoofdstuk 5 is DEA al besproken (§ 5.2.1) en nu wordt de werkwijze van DEA nog even kort uitgelegd aan de hand van de primale aanpak (werkwijze vanuit het productiviteitsbegrip): We definiëren de performance score als een (dimensieloos) getal tussen 0 en 1. DEA berekent voor elke DMU een gewichtenset voor de inputs en outputs waarvoor geldt dat: - een performance score wordt verkregen die maximaal is (zo dicht mogelijk bij 1); - wanneer deze wordt toegepast op de andere DMU’s in de referentiegroep er geen performance scores ontstaan groter dan 1; - de gewichten niet negatief mogen zijn want elke input en output heeft een positieve bijdrage aan de performance van een DMU. Met de gewichtenset kan een virtuele input berekend door de gewogen inputs bij elkaar op te tellen en een virtuele output door de gewogen outputs bij elkaar op te tellen.

Virtuele input = v1 ⋅ input1 + v2 ⋅ input2 + ... + vm ⋅ inputm Virtuele output = u1 ⋅ output1 + u2 ⋅ output2 + ... + us ⋅ outputs

(6.2.1 i)

51



Met deze virtuele output en virtuele input kan voor een DMU vervolgens een performance maat worden berekend:

P = Virtuele output / Virtuele input

(6.2.1 ii)

Dit is een relatieve gecombineerde performance score. DEA werkt niet met gewichten die direct belangrijkheid of direct de bijdrage uitdrukken maar met gewichten die dimensieloos zijn. Er kan gezegd worden dat de gewichten als het ware indirect belangrijkheid en bijdrage uitdrukken maar eigenlijk is het enige wat de DEAgewichten u en v doen is ervoor zorgen dat de performance voor een DMU-k zo hoog mogelijk wordt. Omdat deze gewichten ook worden losgelaten op de gegevens van alle andere DMU’s is er geen sprake van een voordelig effect voor DMU-k of een nadelig effect voor de andere DMU’s. DEA geeft de garantie dat voor elke DMU een zo hoog mogelijke performance score wordt bereikt op basis van zijn inputs en outputs en een objectieve optimale gewichtenset. De gewichten worden opgeleverd in de oplossing van de DEA methode en hoeven dus niet a-priori ingevoerd te worden. 6.2.2 DEA Modelformuleringen – CCR het oorspronkelijke primale model De hierboven beschreven methode is simpel te schrijven in een modelvorm dat ook wel het oorspronkelijke CCR model genoemd, vernoemd naar de ontwikkelaars Charnes, Cooper en Rhodes (1978). Het CCR-model kent twee varianten, de input-oriented variant en de outputoriented variant. Wij werken met de input-oriented variant.

Bij de input-oriented variant wordt de output constant gehouden en wordt beoordeeld hoe efficiënt de input wordt ingezet. Er wordt gemeten hoe de input proportioneel kan worden verminderd. De output-oriented variant probeert de output te maximaliseren maar zodanig dat niet meer dan de gegeven input gevraagd wordt. Als een DMU niet 100% scoort bij de inputoriented variant dan scoort deze ook niet 100% bij de output-oriented variant. Voor meer informatie over de output-oriented variant wordt verwezen naar Cooper et al.(2000, p.58). Het CCR-model kan geschreven worden als een Lineair Programmeringsmodel, het CCR LPmodel. Het oorspronkelijke model, de aanpassingen en het uiteindelijke LP-model worden beschreven in de volgende subparagraaf. Het aardige van LP-modellen is dat ze op twee manieren bekeken kunnen worden en op twee manieren inzicht in de oplossing aanleveren. Deze twee manieren worden de primale aanpak, met een primaal model en een primale oplossing, en de duale aanpak, met een duaal model en een duale oplossing, genoemd. Beide aanpakken leveren dezelfde oplossing, immers het gaat om hetzelfde probleem, maar op een andere manier geformuleerd. Zo wordt als het ware extra informatie verkregen over de oplossing die door DEA wordt bepaald. Laat het CCR LP-model het primale model zijn, waarbij de primale oplossing een performance score oplevert op basis van de virtuele gewichten voor input en output (zie § 5.3.1). Het oorspronkelijk CCR-model wordt als volgt gedefinieerd. Eerst geven we enkele notaties.

52



Notaties 6.2.2:

Indices j: magazijnindex, met N = aantal magazijnen → j = (1, 2, .., N); k: index voor het magazijn waarvoor de performance score moet worden berekend; i: inputindex, met i = (1, 2, .., I); r: outputindex, met r = (1, 2, .., R); Data yr , j = output r voor magazijn j

r = (1, 2, .., R) en j = (1, 2, .., N);

xi , j = input i voor magazijn j

i = (1, 2, .., I) en j = (1, 2, .., N);

Beslissingsvariabelen ur ,k = gewicht voor output r voor magazijn k

r = (1, 2, .., R) en k = (1, 2, .., N);

vi ,k = gewicht voor input i voor magazijn k

i = (1, 2, .., I) en k = (1, 2, .., N);

Model 6.2.2:

Voor alle k met k ∈ {1, 2,

, N}: R

∑ u r ,k y r ,k

Doelfunctie: Maximaliseer hk = r=I1 ∑ vi , k xi , k

(6.2.2 i)

i=1

met hk = performance score voor magazijn k; Onder de voorwaarden dat: R

∑ u r ,k y r , j

r =1 I

≤1

∀j

(6.2.2 ii)

>0

∀r

(6.2.2 iii)

>0

∀i

(6.2.2 iv)

∑ v i , k xi , j

i=1

ur , k I

∑ vi , k xi , k

i=1

vi ,k I

∑ vi , k xi , k

i=1

Magazijn k staat voor het magazijn waarvoor de performance score (hk) wordt berekend. De beslissingsvariabelen zijn de variabelen die uitgerekend moeten worden, dat zijn hier de gewichten: ur’s voor de outputs en vi’s voor de inputs. Vergelijking (6.2.2 ii) is de voorwaarde 53



die zegt dat de performance scores van alle andere DMU’s niet groter mogen zijn dan 1. Vergelijking (6.2.2 iii) en (6.2.2 iv) zeggen dat de gewichten voor de outputs en de inputs niet negatief mogen zijn. Bij DEA wordt er uitgegaan van het feit dat elke input een positieve bijdrage heeft aan de outputs die worden bereikt. Meer input inzetten leidt tot hogere output(s) óf verlagen van output leidt tot vermindering van input(s). 6.2.3 DEA Modelformuleringen – CCR het primale LP-model Het model wordt nu omgezet in een formaat zodanig dat het als een Lineair Programmering (LP) modelvorm is geformuleerd. Hierdoor kan het opgelost worden met de bekende LPtechniek “de simplexmethode” opgelost worden. Uitleg van de simplexmethode is te vinden in onder andere Hillier en Lieberman (1995).

Met behulp van Fractional Programming is het mogelijk om het hierboven gegeven model te schrijven als een Lineair Programmeringmodel. Fractional Programming wordt uitgelegd en onderbouwd in Charnes et al. (1978) maar hier wordt volstaan met alleen het benoemen van de aanpassingen die moeten worden gedaan. De eerste aanpassing die wordt gemaakt is de doelfunctie en voorwaarden (6.2.2 iii) en (6.2.2 I

iv) zowel aan de linker- als aan de rechterzijde te vermenigvuldigen met ∑ vi ,k xi , k en i=1

voorwaarde (6.2.2 ii) zowel aan de linkerzijde als aan de rechterzijde vermenigvuldigden I

met ∑ vi , j xi , j . i=1

De tweede aanpassing is het toevoegen van een voorwaarde die een beperking legt op de waarde van de gesommeerde virtuele input voor magazijn k. Deze aanpassing zorgt ervoor dat het model voor magazijn k maar één oplossing erkent: de genormaliseerde oplossing. Dit in plaats van een oneindig aantal oplossingen die allemaal een veelvoud van de genormaliseerde I

oplossing zouden zijn: ∑ vi , k xi ,k = 1 i=1

Bij output-oriented DEA wordt de gesommeerde virtuele output gelijkgesteld aan 1. Na deze aanpassingen wordt het model als volgt (Bowlin 1998, p.7). We voeren dezelfde notaties als bij het model in § 6.2.2.

54



Model 6.2.3:


, N}: R

Doelfunctie: Maximaliseer Pk = ∑ u r ,k y r ,k r=1

(6.2.3 i)

met Pk = performance score voor magazijn k; Onder de voorwaarden dat: R

I

r =1

i=1

∑ u r , k y r , j − ∑ v i , k xi , j ≤ 0

∀j

(6.2.3 ii)

ur , k > 0

∀r

(6.2.3 iii)

vi , k > 0

∀i

(6.2.3 iv)

I

∑ v i , k xi , k = 1

(6.2.3 v)

i=1

Door gebruik te maken van matrix- en vectornotatie kan bovenstaand model duidelijker worden geschreven. Voor magazijn j maken we een vector voor de inputs en voor de outputs:  x1, j   y1, j        ⋅   ⋅       T T  T T x = ( x1, j ,..., xI , j ) =  ⋅  en y = ( y1, j ,..., yR , j ) =  ⋅       ⋅   ⋅       xI , j   yR , j  waarbij de T staat voor getransponeerd. Verder zijn er voor magazijn j de gewichtenvectoren voor de inputs en de outputs: v j = (v1, j ,..., vI , j )

en

u j = (u1, j ,..., uR , j ) .

Dan worden ook nog de volgende matrices gebruikt voor alle inputs en outputs:

 x1,1 … x1, N     en X =     xI ,1 … xI , N 

 y1,1 … y1, N     , Y =     yR ,1 … xR , N 

en voor alle gewichten van de inputs en de gewichten voor outputs  v1,1 … v1, N     en V =    vI ,1 … vI , N 

 u1,1 … u1, N     . U =    uR ,1 … uR , N 

55



Het volgende model wordt verkregen: Model 6.2.3 matrix- en vectornotatie:


, N}:

Maximaliseer Pk = uk ykT

Doelfunctie: Onder de voorwaarden dat:

ukY − vk X ≥ 0 , uk > 0 , vk > 0, vk xkT = 1.

6.2.4 DEA Modelformuleringen – CCR het duale LP-model Bij elk primaal LP-probleem hoort een verwant probleem dat het duale LP-probleem heet. In § 5.2.1 is de duale aanpak, die werkt vanuit de productiestructuur, ook al besproken. Bij de duale aanpak wordt geprobeerd voor magazijn k (met k = 1, ..N) een fictief samengesteld magazijn op te stellen dat beter presteert dan magazijn k. In § 5.2.1 werd ondermeer uitgelegd dat er met DEA op basis van de waargenomen input en output een ruimte wordt opgespannen waarbinnen alle magazijnen liggen en waarbinnen alle fictieve samengestelde magazijnen moeten liggen. We gaan verder met matrix- en vectornotaties van het zojuist besproken primale LP-probleem. Deze ruimte of verzameling wordt de Production Possibility Set (PPS) genoemd en wordt dan als volgt gedefinieerd (Schefczyk, 1993, p.5):

T = {( X,Y ) waar Y ≥ 0 kan worden geproduceerd van X ≥ 0} . Er zijn bij dit CCR model een aantal technische aannames gemaakt (Schefczyk, 1993, p.5). De eerste aanname is dat de verzameling T convex is, dat wil zeggen dat als

(xj, yj)∈T,

j = 1,.., N en λ j ≥ 0 zijn j positieve vectoren met

N

∑λ

j

= 1 , dan geldt dat

j =1

N  N   λ x ,  ∈ T . λ y ∑ ∑ j j j j  j=1  j =1

De tweede aanname is dat er wordt uitgegaan van de zogenaamde allocatieve efficiency, dit houdt in dat, als ( X,Y ) ∈ T en X ' ≥ X , dan ( X',Y ) ∈ T , en als ( X,Y ) ∈ T en Y ' ≤ Y , dan

( X,Y ') ∈ T . Allocatieve efficiency zegt dat het verhogen van input niet zorgt voor minder output. De derde aanname is dat wordt uitgegaan van constante schaalopbrengsten. Dit houdt in dat als ( X,Y ) ∈ T en α > 0 , dan geldt ook dat (αX, αY ) ∈ T . Oftewel als de input met een dergelijke proportie toeneemt, dat dan de output, als gevolg hiervan, met eenzelfde proportie toeneemt.

56



Op basis van deze drie aannames kan gezegd worden dat een willekeurig magazijn a, met zijn input en output onderdeel is van de PPS , oftewel ( xa , ya ) ∈ T als geldt dat:

X λ j ≤ x a , Y λ j ≥ ya ,

N

∑λ

j

= 1 en

λ j ≥ 0.

j=1

DEA zoekt bij dit input-oriented CCR-model voor magazijn k (met k = 1,..,N) in de PPS een willekeurige combinatie van input en output ( xa , ya ) ∈ T waarvoor geldt dat deze combinatie tenminste de output van magazijn k (= yk ) moet hebben en een zo klein mogelijk input. We introduceren θk , dit is de fractie van de input van de nieuwe combinatie ten opzichte van de input van magazijn k (= xk ). We zijn opzoek naar ( xa , ya ) ∈ T waarvoor deze θk minimaal is. Dit resulteert in het volgende duale LP-probleem in matrix- en vectornotatie: Model 6.2.4 matrix- en vectornotatie:


, N}:

Doelfunctie:

Minimaliseer θk

Onder de voorwaarden dat: θk xk − X λ j ≥ 0,

Y λ j ≥ yk , N

∑λ

j

= 1,

j =1

λ j ≥ 0.

De uitgebreide formulering zonder matrix- en vectornotatie volgt hieronder. We geven, net als in § 6.2.3, ook eerst nog een keer de notaties. Notaties 6.2.4:

Indices j: magazijnindex, met N = aantal magazijnen → j = (1, 2, .., N); k: index voor het magazijn waarvoor de fractie θk moet worden berekend; i: inputindex, met i = (1, 2, .., I); r: outputindex, met r = (1, 2, .., R); Data yr , j = output r voor magazijn j

r = (1, 2, .., R) en j = (1, 2, .., N);

xi , j = input i voor magazijn j

i = (1, 2, .., I) en j = (1, 2, .., N);

57

Afstudeerscriptie ORM - Martine de Wit Beslissingsvariabelen θk = fractie van de input van magazijn k λk , j = fractie van de input (of output) van het je magazijn


k = (1, 2, .., N); k = (1, 2, .., N);

Model 6.2.4:


, N}:

Doelfunctie: Minimaliseer θk

(6.2.4 i)

Onder de voorwaarden dat: N

∑ xi , j λk , j − xi ,k θk ≤ 0

j=1 N

∑ y r , j λ j , k ≥ yr , k

j=1 N

∑λ

k, j

∀i ∀r

=1

(6.2.4 ii) (6.2.4 iii) (6.2.4 iv)

j =1

λk , j ≥ 0

∀j

(6.2.4 v)

Bij dit model kan ook nog gebruik gemaakt worden van slack en surplus variabelen. Door het introduceren van slacks in (6.2.4 ii) en surplus in (6.2.4 iii) kunnen respectievelijk de tekens “ ≤ “ en “ ≥ “ ingewisseld worden voor het teken “ = “. Het model met slacks en surplus variabelen wordt onder andere beschreven in Bowlin (1998, p. 8). De oplossing van dit duale probleem heeft een duidelijke relatie met het primale probleem. Elke oplossing van het duale model (o.a. de optimale fracties van een magazijn) geeft een schatting van de bovengrens voor de oplossing van het primale model (o.a. de optimale gewichtenset). Dit geldt ook andersom en is handig wanneer het duale probleem makkelijker is op te lossen dan het primale. De zogenaamde dualiteitsstelling geeft de relatie tussen de optimale oplossing van de primale en de optimale oplossing van de duale en deze stelling wordt onder andere uitgelegd in Hillier en Lieberman (1995). Specifiek voor DEA wordt deze stelling beschreven in Bowlin (1998, p. 8).

§ 6.3 Samenvatting In dit hoofdstuk is de achtergrond van DEA beschreven en is nogmaals aangegeven wat de voordelen zijn van DEA ten opzichte van de standaard productiviteitsratio’s en gewogen gemiddelden van KPI’s. Verder is de werking van DEA dit keer beschreven en uitgelegd aan de hand van een primale en duale LP-modelvorm (uitgebreide notatie en in matrix- en vectornotatie). Tevens is de relatie tussen beide modelvormen beschreven.

58



Hoofdstuk 7 Als DEA gaat worden toegepast in de praktijk Naar mijn mening levert DEA een krachtig startpunt voor het specificeren van benchmarks voor magazijnperformance, omdat het gericht is op de waargenomen praktijk en dat geen aannames, omtrent bijdrage en belangrijkheid van inputs en outputs, nodig zijn. Doordat gefocust wordt op de waargenomen praktijk (de magazijnen meegenomen in de referentiegroep), zal een DEA uitkomst meer waarde hebben en eerlijker worden gevonden dan de uitkomsten van benchmarkmethodes waar willekeurige of niet eenvoudig te bewijzen aannames over de productieverhoudingen worden gebruikt. Graag had ik in dit onderzoeksrapport de kracht van DEA aan willen tonen met getallen uit de praktijk maar het was binnen mijn stageperiode niet mogelijk om zo’n pilot uit te voeren en in dit onderzoeksrapport te presenteren. Bij een pilot zouden zich dan waarschijnlijk problemen voordoen waar, voor de werkelijke toepassing, dan oplossingen kunnen worden gezocht. Toch kunnen ook zonder deze pilot enkele aandachtspunten gegeven worden waar rekening mee moet worden gehouden om van DEA een succesvolle benchmarkmethode te maken. In dit hoofdstuk worden er een aantal besproken.

§ 7.1 Het inwinnen van data voor DEA met de Yachtvragenlijst Tijdens mijn stage heb ik in samenwerking met Yacht maar ook met de Fontys Hogeschool Venlo gegevens proberen in te winnen bij bedrijven (zie bijlage 1) voor het toepassen van DEA. Daar werd al duidelijk dat het moeilijk is om bij elk bedrijf de juiste gegevens te verkrijgen. Nadat de inputs en outputs zijn bepaald gaat DEA uit van gelijke omstandigheden voor alle magazijnen, de zogenaamde homogeniteit waaronder alle magazijnen opereren. Als een magazijn een bepaalde performance kan behalen dan wordt verondersteld dat elk ander magazijn dat ook zou kunnen. Dit is alleen mogelijk als de magazijnen niet compleet verschillend zijn. Er moeten dus voldoende magazijnen zijn die gegevens aanleveren zodat voldoende magazijnen kunnen worden opgenomen in een referentiegroep. Er moeten immers verbeteringsrichtingen aangegeven kunnen worden (zie ook § 5.3.2). Belangrijk voor het juist uitvoeren van DEA, is het ook een vereiste dat alle magazijnen positieve waarden aanleveren voor alle inputs en ouputs. Dit betekent dat alle magazijnen voor alle mogelijke inputs en outputs opgenomen in de vragenlijst gegevens dienen aan te leveren. Wanneer dit niet lukt kan een magazijn niet opgenomen worden in een referentiegroep. Bowlin (1998, p. 18) geeft aan dat er meer magazijnen voor de database verkregen kunnen worden door het disaggregeren van data. Dit kan door bijvoorbeeld gebruik te maken van gegevens op kwartaalbasis in plaats van jaarbasis.

59



§ 7.2 Het bepalen van de parameters te gebruiken bij DEA In de Yachtvragenlijst worden veel parameters gevraagd maar dit zou eventueel nog verder uitgebreid kunnen worden. Tijdens een rondetafelgesprek met bedrijven, het kennisinstituut ILEC en Yacht IP’ers is de voortgang van de WAB-tool besproken en tegelijkertijd ook de bevindingen rond de magazijnperformance KPI’s en de benchmarkmethodes. Men vond dat de in dit rapport besproken KPI’s en karakteristieken (zie hoofdstuk 4) nog uitgebreid konden worden. In hoofdstuk 8 worden bij de aanbevelingen enkele mogelijke uitbreidingen aangegeven. Er moet wel rekening moet worden gehouden met het feit dat elk magazijn andere inputs, outputs en KPI’s belangrijk kan vinden en dat dit leidt tot een onbegrensd aantal mogelijkheden om de magazijnperformance te meten, laat staan om deze te benchmarken. Belangrijk is wel dat zoveel mogelijk informatie wordt opgenomen in de database maar het moet wel mogelijk zijn om alle gewenste informatie regelmatig (op kwartaalbasis) aan te kunnen leveren. Toch moet bij het toepassen van DEA echter voor gezorgd worden dat niet teveel parameters worden meegenomen (zie ook § 5.2.3). Het is zaak om bij DEA gebruik te maken van inputs en outputs waarvan mag worden verondersteld ze zo gerelateerd zijn dat bij een verhoging van een input tenminste één output groter wordt. Tevens is aan te raden om bij de keuze van inputs en outputs te gaan voor reeds bestaande parameters of KPI’s en niet voor nieuw opgestelde parameters. Als management er mee bekend is, beschouwt ze ze al als informatief en dus zijn ze ook waardevol voor DEA. Het is wenselijk om management te betrekken bij het bepalen van de inputs en outputs voor DEA zodat de door DEA aangeleverde managementinformatie bruikbaar is voor het betreffende management. Voor DEA is het ook belangrijk om de aangeleverde data goed te controleren. DEA is namelijk gevoelig voor uitschieters en foutieve waarden en deze zouden buiten de analyse moeten worden gehouden. De gegevens moeten gemakkelijk aangeleverd kunnen worden door de magazijnen (zie aanbevelingen in § 2.4) maar er zou ook toezicht moeten worden gehouden door de Yacht of een database beheerder.

§ 7.3 Het model te gebruiken bij DEA Het DEA model dat hier is gebruikt is het zogenaamde CCR input-oriented model dat uitgaat van constante schaalopbrengsten. Bij dit model is het ook makkelijk om om te schakelen naar de output-oriented variant (zie § 6.2.2) die managementinformatie aanlevert door met de waargenomen output te spelen. De aanname van constante schaalopbrengsten hoeft ook niet bindend te zijn want het CCR model kan worden aangepast zodat van variabele schaalopbrengsten sprake kan zijn. Dit nieuwe model wordt beschreven in Cooper et al.(2000). In het standaard DEA model bij de primale aanpak mogen de gewichten alleen positieve waarden aannemen. Het is ook mogelijk om grenzen op te leggen aan deze gewichten. Dit kan 60



gedaan worden door extra voorwaarden aan het model toe te voegen. Wanneer een minimum en een maximum waarde voor een gewicht worden opgelegd, wordt voor elk magazijn een zekere mate van een input en output gewaarborgd. Dit soort aannames wordt normaliter gemaakt door het analyseren van de aanwezige data voor het uitvoeren van DEA op basis van de wensen van het management. Voor meer informatie over het opstellen van een model waar minder flexibel met gewichten kan worden omgegaan wordt verwezen naar bijvoorbeeld Cooper et al.(2000). Tot slot volgt nu een samenvatting van alle bevindingen in dit onderzoeksrapport en worden enkele aanbevelingen gedaan.

61



Hoofdstuk 8 Samenvatting en aanbevelingen Bij de ontwikkeling van de Yacht Warehouse performance Assessment Benchmarking tool (WAB-tool) rees de vraag: hoe meet je de performance van een magazijnen en hoe zou je dat kunnen benchmarken? In dit onderzoeksrapport zijn allereerst performance maatstaven aangedragen op hoofdprocesniveau (inslag, opslag en uitslag) en op magazijnniveau. Met behulp van deze performance maten kan de effectiviteit en efficiency van een magazijn en de magazijnprocessen worden beoordeeld. Vervolgens is beschreven hoe je deze performance maten zou kunnen benchmarken. In dit hoofdstuk wordt samengevat hoe de performance maten en de benchmarkmethode tot stand zijn gekomen en hoe ze dienen worden te gebruikt. Daarnaast worden in dit hoofdstuk ook nog enkele aanbevelingen gedaan.

§ 8.1 Samenvatting onderzoeksrapport Als introductie is een uitleg gegeven van het begrip benchmarking en het benchmarkingproces. Yacht bevindt zich met de WAB-tool op dit moment in de planningfase van het benchmarkingproces waar het type benchmarking is bepaald (wat, met wie en hoe). Er worden ook eerder uitgevoerd benchmarking initiatieven beschreven die niet succesvol zijn gebleken. Van deze benchmarking initiatieven worden de leermomenten beschreven waar Yacht met de WAB-tool rekening mee dient te houden. Er is een processchema gegeven dat een magazijn beschrijft tot op deelactiviteitenniveau en waarbij de focus allereerst ligt op de hoofdprocessen inslag, opslag en uitslag, en binnen deze hoofdprocessen op de primaire activiteiten. Dit processchema dient als basis voor de verder magazijnanalyse in dit onderzoek (zie schema in afbeelding 8 in § 3.2.4). De volgende stap van de magazijnanalyse is de kwantificering van de magazijnprocessen inslag, opslag en uitslag. Eerst is beschreven hoe wij magazijnperformance definiëren en wat de input (middelen) en output (resultaten en KPI’s) zijn in het magazijnperformance model. Deze inputs en outputs worden gebruikt worden bij de efficiency KPI’s en effectieve KPI’s (zie tabel 1 en 2 in § 4.2.1). Nadat de efficiency en effectieve KPI’s voor de hoofdprocessen inslag, opslag en uitslag zijn gegeven worden door middel van aggregatie efficiency en effectieve KPI’s op magazijnniveau verkregen. Als eerste benchmarkmethode is een tweetal mogelijkheden aangedragen om tot één maat voor de magazijnperformance te komen op basis van een gemiddelde dat kan worden gebenchmarkt. Hier werd geen rekening gehouden met de belangrijkheid of bijdrage van een KPI (of de elementen waaruit een KPI bestaat) aan de magazijnperformance. Door gewichten toe te voegen zou een gewogen gemiddelde verkregen kunnen worden. Omdat de keuze van de wegingsfactoren voor de verschillende KPI’s altijd moeilijk en arbitrair is wordt DEA aangedragen. Deze methode vergelijkt een magazijn met andere magazijnen waarbij de keuze van de wegingsfactoren zodanig is dat het betreffende magazijn zo goed mogelijk scoort. DEA levert vervolgens op twee manieren (primaal en duaal) 62



managementinformatie over de positie van een magazijn binnen de referentiegroep en de verbeteringsrichtingen voor een magazijn (§ 5.3.2). Hierdoor is DEA een completere methode om te gebruiken bij het benchmarken. In hoofdstuk 6 wordt dieper op DEA ingegaan en wordt DEA in modelvorm beschreven dat als basis diende voor software (excelprogramma) dat de berekeningen uitvoert. Dit gebeurt aan de hand van een primale en duale LP-modelvorm. Verder wordt nogmaals aangegeven wat de voordelen zijn van DEA ten opzichte van de standaard productiviteitsratio’s en gewogen gemiddelden van KPI’s:

DEA kan alle relevante inputs en outputs van een magazijn geaggregeerd en tegelijkertijd meenemen in een vergelijking met andere magazijn in de referentiegroep.

De inputs en outputs hoeven bij DEA niet te worden omgezet in dezelfde eenheid (zoals middelen in een geldeenheid of colli en pallets in één verpakkingseenheid).

De belangrijkheid van de afzonderlijke input- en outputparameter óf het gewicht, de mate waarin de betreffende parameter mee wordt genomen in de benchmark, hoeven niet op voorhand door de gebruiker (benchmarker) te worden vastgesteld.

DEA levert managementinformatie én verbeteringsrichtingen aan voor niet-100% performing magazijnen en voor 100% performing magazijnen via de primale aanpak (vanuit het productiviteitsbegrip) en de duale aanpak (vanuit de productiestructuur).

§ 8.2 Aanbevelingen In het onderzoeksrapport zijn al eerder aanbevelingen gedaan. Zo zijn in hoofdstuk 2 reeds enkele aanbevelingen gedaan over: het opzetten van de WAB-database; de functie van de WAB-tool; eisen aan de deelnemende bedrijven. In hoofdstuk 4 zijn aanbevelingen gedaan om de effectieve KPI’s uniformer en completer te maken door het hanteren van een standaard doorlooptijd-norm en onderscheid te maken tussen reguliere en spoedorders. In hoofdstuk 5 is beschreven dat DEA de meest complete benchmarkmethode is en zijn aanbevelingen gedaan om informatie die DEA verstrekt aantrekkelijker te maken door: het toevoegen van zoveel mogelijk magazijnen aan de referentiegroep; de inputs en outputs zorgvuldig te kiezen; managementinformatie ook grafisch weer te geven. In dit hoofdstuk wordt ook aangegeven hoe een performance maat op magazijnniveau (gewogen gemiddelde of DEA-score) kan worden verklaard door: te kijken naar de karakteristieken van een magazijn; een niveau lager te gaan en te kijken waar deze performance score op is gebaseerd.

63



In hoofdstuk 7 is dieper ingegaan op aandachtspunten die moeten worden meegenomen wanneer DEA wordt toegepast in de praktijk. Er worden aanbevelingen gedaan over: het inwinnen van gegevens om DEA te kunnen toepassen; het bepalen van gegevens die worden meegenomen in de DEA analyse; het model dat gebruikt wordt bij DEA. Nu volgen in deze paragraaf nog enkele nieuwe aanbevelingen die zijn onderverdeeld naar aanbevelingen voor dataregistratie (§ 8.2.1) en aanbevelingen voor het uitvoeren van DEA (§ 8.2.3). 8.2.1 Aanbevelingen voor dataregistratie Er worden op dit moment karakteristieken gemeten gerelateerd aan producten, omgeving en overig (vraag, planningshorizon). Dit zijn karakteristieken op magazijnniveau. Door ook informatie te registreren over de wijze waarop magazijnactiviteiten worden uitgevoerd en middelen worden aangewend kan op nog meer manieren een magazijnprofiel opgesteld worden. Hierdoor kunnen op meer manieren referentiegroepen worden opgesteld en kan een magazijnperformance-score beter worden verklaard.

Volgens Aminoff (2002, p. 52) hebben de werkmethoden die worden gebruikt in een magazijn, een grote invloed op magazijnperformance. Voorbeelden van een mogelijke uitbreidingen zouden dus kunnen zijn: Registratie van de techniek die wordt gebruikt bij orderpicking: pick-to-light of met barcodes. Registratie van de wijze hoe orderpicking wordt gedaan: per order of per batch van een aantal orders (MHIA, 2002, p.25). Van de middelen zouden ook karakteristieken kunnen worden geregistreerd. Denk bijvoorbeeld aan: Karakteristieken van het personeel (opleidingsniveau en leeftijd). Karakteristieken van het gebouw (inrichting van het magazijn). Zo zou kunnen worden geregistreerd welk percentage van het totaal aantal opslaglocaties of van de totale oppervlakte gereserveerd is voor A-producten, B-producten en Cproducten. Volgens Aminoff (2002, p. 52) heeft de indeling van een magazijn namelijk een grote invloed op magazijnperformance. 8.2.2 Aanbevelingen voor het uitvoeren van DEA Er is in hoofdstuk 2 al aangegeven dat benchmarking een continu proces moet zijn. Wanneer DEA gebruikt gaat worden als benchmarkmethode (in combinatie met of ter aanvulling op de traditionele productiviteitsratio’s) kan het model telkens verbeterd worden zodat DEA-score steeds meer waarde gaat krijgen. Enkele verbeteringen zijn besproken in hoofdstuk 7.

Tijdens mijn onderzoek heb ik DEA toegepast met behulp van software aangeleverd bij Cooper et al. (2000). Deze software levert niet direct overzichtelijke managementinformatie (zie bijlage 3). Er zijn ondertussen verschillende software pakketten beschikbaar met onderling een grote variëteit in gebruikersgemak, flexibiliteit rond de invoerparameters en dergelijke (Blank, 2002, p.7). Er zal gewerkt moeten worden met een softwarepakket met een gebruikersvriendelijke interface om gegevens te kunnen invoeren en een duidelijke weergave van DEA-resultaten zodat deze goed kunnen worden geïnterpreteerd.

64



Bilbiografie Aminoff, A., Kettunen, O. en Pajunen-Muhonen, H. (2002). Research on Factors Affecting Warehousing Efficiency. International Journal of Logistics: Research and Applications, vol. 5, nr. 1, 45-57. Andersen, B. et al. (1999). Benchmarking supply chain management: finding best practices. Journal of Business & Industrial Marketing, vol. 14, nr. 5/6, 378-389. Andersen, B. (2004). Overview of performance assessment benchmarking. Homepage (http://www.ita.upv.es/cost/downloads/lisbon6.pdf), oktober 2006. APQC (2006). Homepage American Productivity & Quality Centre (http://www.apqc.org/portal/apqc/site/?path=/aboutus/index.html), oktober 2006. APQC (1990). Artikel van Robert C. Camp gepubliceerd voor het American Productivity & Quality Center (APQC). Homepage (http://www.apqc.org/portal/apqc/ksn?paf_gear_id=contentgearhome&paf_dm=full&pagesele ct=detail&docid=104552&topics=%20Performance%20Improvement%20Approaches&proce ss=%20Manage%20Improvement%20and%20Change), oktober 2006. Blank, J.L.T. (2002). Data Envelopment Analysis: een goede praktijk. Hompage (http://www.minbzk.nl/wwwbenchmarkenindepubliekesectornl/analyse_en/bibliotheek/data_e nvelopment), oktober 2006. Bowlin, W.F. (1998). Measuring Performance: An Introduction to Data Envelopment Analysis (DEA). Journal of Cost Analysis, Fall, 1-27. Charnes, A., Cooper, W.W. en Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operations Research, 2, 429-444. Cooper, W.W., Seiford, L.M. en Tone, K. (2000). Data Envelopment Analysis, A Comprehensive Text with Models, Applications, References and DEA-Solver Software. Boston: Kluwer Academic Publishers. Coulter, J., Baschung, N.S. en Bititci, U.S. (2000). Benchmarking for small- to medium-sized enterprises. Production Planning & Control, vol. 11, nr. 4, 400-408. Damme, D.A. van (2000). Distributielogistiek & Financiële informatie. Proefschrift, Technische Universiteit Eindhoven: Kluwer. El-Mahgary, S. en Lahdelma, R. (1995). Data envelopment analysis: Visualizing the results. European Journal of Operational Research, 85, 700-710. Frazelle, E.H. (2003). Results Warehouse Benchmarking Survey van TLI/WERC. Homepage (http://www.tli.gatech.edu/downloads/TLI-WERC%20Survey_a4.pdf), oktober 2006. Goor, A.R. van, Ploos van Amstel, M.J. en Ploos van Amstel, W. (2003). European distribution and supply chain logistics. Groningen: Stenfert Kroese.

65



Gunasekaran, A., Patel, C. en Tirtiroglu. (2001). Performance measures and metrics in a supply chain environment. International journal of Operations & Production Management, 21, 71-87. Hackman, S.T. et al. (2001). Benchmarking Warehousing and Distribution Operations: An Input-Output Approach. Journal of Productivity Analysis, 16, 79-100. Hillier, F.S. en Lieberman, G.J. (1995). Introduction to Operations Research. Singapore: McGraw-Hill. Homburg, C. (2001). Using data envelopment analysis to benchmark activities. International journal of Production Economics. 73, 51-58. Jarrar, Y.F. en Zairi, M.(2001). Future trends in benchmarking for competitive advantage: A global Survey. Total Quality Management, vol. 12, nr. 7&8, 906-912. Lohman, C. et al. (2004). Designing a performance measurement system: A case study. European Journal of Operational Research, 156, 267-286. MHIA (2002). Benchmarking Warehouse Performance (iDEAs-W1.0), Initial Results for Internet-based Data Envelopment Analysis for Warehousing. Homepage (http://www.mhia.org/articles/benchmark_article.cfm) , oktober 2006. Ross, A. en Droge, C. (2002). An integrated benchmarking approach to distribution center performance using DEA modeling. Journal of Operations Management, 20, 19-32. Schefczyk, M. (1993). Industrial benchmarking: A case study of performance analysis techniques. International journal of Production Economics, 32, 1-11. Waller, D.L. (2002). Operations Management, a supply chain approach. International Thomson Business Press. 2nd edition. Yasin, M. M. (2002). The theory and practice of benchmarking: then and now. Benchmarking: An International Journal, vol. 9, nr.3, 217-243.

66



Lijst met afbeeldingen Afbeelding 1: Het benchmarkingproces beschreven in 10 stappen. ........................................ 10 Afbeelding 2: Uit Andersen (2004, p.9) de ENAPS/APM benchmarkmethode...................... 15 Afbeelding 3: Drie benodigde elementen om magazijnperformance te bepalen. .................... 19 Afbeelding 4: Een magazijn en zijn inslagproces beschreven tot op verschillende niveaus. .. 20 Afbeelding 5: Het Inslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten. ........................................................................................................................ 22 Afbeelding 6: Het Opslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten. ........................................................................................................................ 23 Afbeelding 7: Het Uitslagproces beschreven tot op het niveau van activiteiten en deelactiviteiten. ........................................................................................................................ 24 Afbeelding 8: De belangrijkste magazijnprocessen: de hoofdprocessen inslag, opslag en uitslag beschreven tot op het niveau van activiteiten.............................................................. 25 Afbeelding 9: De benodigde elementen om magazijnperformance te bepalen........................ 27 Afbeelding 10: Registratie van middelen en resultaten per hoofdproces................................. 27 Afbeelding 11: Overzicht van primaire activiteiten waarvan de resultaten worden geregistreerd. ............................................................................................................................ 33 Afbeelding 12: Overzicht van de input en output elementen waarvan parameters worden geregistreerd. ............................................................................................................................ 36 Afbeelding 13: Scores op de effectieve KPI’s geplot voor de zes magazijnen........................ 39 Afbeelding 14: Toelichting DEA bij de duale aanpak. ........................................................... 43 Afbeelding 15: Relatie kosten ingezette middelen tot de magazijnperformance-scores. ........ 45 Afbeelding 16: Bijdrage van de inputs en outputs aan de magazijnperformance-scores......... 46 Afbeelding 17: In welke mate lijken de tien magazijnen op de best practices. ....................... 47 Afbeelding 18: Benchmarkingniveaus WAB-tool ................................................................... 48

67



Lijst met tabellen Tabel 1: Efficiency KPI’s opgesteld voor inslag, opslag en uitslag gemeten per tijdseenheid. .................................................................................................................................................. 28 Tabel 2: Effectieve KPI’s opgesteld voor inslag, opslag en uitslag gemeten per tijdseenheid.29 Tabel 3: Resultaten per tijdseenheid van inslag, opslag en uitslag ten behoeve van de KPI’s 34 Tabel 4: Efficiency en effectieve KPI’s magazijnniveau......................................................... 38 Tabel 5: Procentuele en absolute afstand tot best practice (de grijs gearceerde cellen) en ranking voor de zes magazijnen. .............................................................................................. 39 Tabel 6: Twee maatstaven voor de zes magazijnen, voor elke maatstaf is de cel grijs gearceerd van het beste magazijn. ............................................................................................................ 40 Tabel 7: Inputs en outputs te gebruiken bij een DEA-toepassing. ........................................... 44 Tabel 8: Gegevens van tien fictieve magazijnen voor een DEA toepassing............................ 44 Tabel 9: DEA-scores voor de tien magazijnen......................................................................... 44

Lijst met afkortingen ERP FTE KPI SKU VAL / VAS WMS WAB-tool

Enterprise Resource Planning Full Time Employee Key Performance Indicator, Kritische prestatie-indicator Stock Keeping Unit Value Added Logistics, Value Added Services Warehouse Management System Warehouse performance Assessment and Benchmarking tool

68



Bijlage 1 – Overzicht deelnemende bedrijven – Lijst van bedrijven en instellingen die deelnamen aan de opstartfase van de WAB-tool en een adviserend bijdrage hebben geleverd aan het proces: - Birkart - Flextronics, Venray - Fontys Hogeschool voor Bedrijfskunde en Logistiek, Venlo en het kennisinstituut ILEC - Isala Klinieken, Zwolle - Jan Linders - NCR - Noy Logistics - Océ Technologies, Venlo - Rooswinkel - TDG, Tiel - The Facility Group - Xerox, Venray Lijst van de bedrijven die als testgroep verbonden blijven aan het WAB-tool project tot en met maart 2006. - DHL - Flextronics, Venray - Isala Klinieken, Zwolle - Océ Technologies, Venlo - TDG, Tiel - The Facility Group - Xerox, Venray

69



Bijlage 2 – De Yacht vragenlijst – Karakteristieken uit § 4.2.2: product, omgeving en overig

70



Middelen uit § 4.2.1: Personeel

71



Middelen uit § 4.2.1: Gebouw

72



Middelen uit § 4.2.1: Equipment

73



Middelen uit § 4.2.1: Hardware & Software

74



Resultaten uit § 4.2.3

75



Resultaten – de effectieve KPI’s § 4.2.4

76



Bijlage 3 – DEA resultaten in een Excelfile – Beschrijving van de Excelfile die is verkregen na uitvoeren van DEA op het tweede voorbeeld van 10 magazijnen (DMU’s) met vier inputs en vier outputs. DEA is uitgevoerd met behulp van de DEA Solver software geleverd bij Cooper et al. (2000). De beschrijving is gebaseerd op Cooper et al.(2000, p. 301). 1. Werkblad ‘Summary’ Dit werkblad geeft statistieken van de data en een samenvattende rapportage van de resultaten die verkregen zijn door DEA uit te voeren.

77



2. Werkblad ‘Score’ Dit werkblad bevat de DEA-score voor de magazijnen, de referentiegroep per magazijn, de fracties (lambda) voor elk magazijn. De gegevens van de eerste manier van de DEA methode. Met behulp van de Grafiekfunctie in Excel zijn de staafdiagrammen te maken die in deze rapportage werden gebruikt.

3. Werkblad ‘Projection’ In dit werkblad worden de slacks gegeven ten opzicht van het samengestelde magazijn gecreëerd voor jou (de duale aanpak zie § 6.2.4).

78



79



4. Werkblad ‘Weight’ In dit werkblad worden de oplossingen gegeven van de DEA-toepassing via de primale aanpak. Voor elk magazijn worden de optimale gewichten voor de inputs en outputs gegeven.

5. Werkblad ‘Weighted Data’ In dit werkblad worden de gewaardeerde input en output beschreven of zoals in hoofdstuk 6 uitgelegd: de virtuele input en virtuele output. Met de gegevens uit dit werkblad zijn met behulp van de Grafiekfunctie in Excel de staafdiagrammen in hoofdstuk 5 gemaakt.

80



6. Werkblad ‘Graph 1’ In dit werkblad wordt een staafdiagram gegeven van de DEA-scores van de tien magazijnen.

7. Werkblad ‘Graph 2’ In dit werkblad zijn de DEA-scores geordend van hoog naar laag.

81

Het bepalen en meten van magazijnperformance en hoe deze te benchmarken

Recommend Documents