Datamining voor Industriële databases
Het inzichtelijk maken van bedrijfsprestaties
Een afstudeeronderzoek naar het toepassen van datamining op industriële databases om bedrijfsprestaties inzichtelijk te maken.
Tom Poppema
Technische Bedrijfswetenschappen, Rijksuniversiteit Groningen
Datamining voor Industriële databases
Het inzichtelijk maken van bedrijfsprestaties
“Wie verstandig is wil toenemen in kennis”
Spreuken 18:15, de Bijbel
O.M. Poppema
Begeleiders Rijksuniversiteit Groningen:
Dr. W.M.C. van Wezel Drs. D.J. Schaap
Begeleiders Langhout & Cazemier:
Ir. A. Cazemier Ing. A. Langhout
Rijksuniversiteit Groningen, Technische Bedrijfswetenschappen Groningen, juli 2004
De auteur is verantwoordelijk voor de inhoud van het afstudeerverslag; het auteursrecht van het afstudeerverslag berust bij de auteur.
Voorwoord
De meeste afstudeeropdrachten van de studie TBW bestaan uit het oplossen van problemen op de werkvloer. Een organisatie geeft aan waar zij problemen heeft, vervolgens onderzoekt de student de situatie en draagt uiteindelijk een oplossing aan. Deze oplossing bestaat meestal uit een aantal adviezen aan de organisatie. Veel adviezen belanden helaas onderin een la van de opdrachtgever en het gebeurt niet zelden dat er uiteindelijk niets mee gebeurt.
Gelukkig was mijn opdracht geheel anders. Ik heb het genoegen gehad om aan de ene kant een literatuurstudie te doen, die naar mijn idee een bescheiden bijdrage heeft mogen leveren aan de wetenschap. Aan de andere kant heb ik, in aansluiting op het literatuuronderzoek, een programma ontwikkelt dat daadwerkelijk gebruikt wordt door de opdrachtgever Langhout &
Cazemier.
Een literatuurstudie, dacht ik vorig jaar, is niets voor mij, daar ben ik te praktisch voor ingesteld.
Toch kwam deze studie op mijn pad en ik heb er met veel enthousiasme aan gewerkt. Ik ben wel erg blij dat ik het kon combineren met het praktisch programmeren.
Graag wil ik met name Line, mijn vrouw, van harte bedanken voor de nuttige en praktische bijdrage die ze heeft geleverd (en dat nog altijd doet). Ze is de hele periode mijn ‘mental coach’
geweest. Ook wil ik mijn begeleider Wout van Wezel bedanken voor de adviezen die hij heeft gegeven. Uiteraard wil ik ook Anno Cazemier en August Langhout bedanken voor de nuttige en gezellige tijd die ik heb gehad bij jullie. Ik besef dat er maar weinig studenten zijn die zes maanden in het kantoor van de directie mogen zitten.
Tom Poppema
Groningen, 29 juli 2004
Samenvatting
In dit artikel wordt de vraag behandeld of en hoe industriële databases gebruikt kunnen worden om bedrijfsprestaties weer te geven en te beheersen. Veel productieorganisaties verzamelen gegevens van operaties en processen op de werkvloer. Deze gegevens worden opgeslagen in industriële databases.
Datamining is een geschikte en veel gebruikte techniek om gegevens uit databases om te zetten in kennis, maar wordt nauwelijks toegepast in de industrie. Daarom is onderzocht of datamining ook gebruikt kan worden binnen deze sector. Datamining blijkt een uitermate geschikte techniek om bedrijfsprestaties uit industriële databases te halen.
Bedrijfsprestaties worden doorgaans weergegeven middels prestatie-indicatoren die in de tijd worden uitgezet. Op basis van literatuuronderzoek zijn meer dan 250 prestatie-indicatoren, die geschikt zijn voor de industriële sector, gedefinieerd. Welke prestatie-indicatoren van belang zijn voor een bedrijf, is afhankelijk van haar specifieke bedrijfssituatie. Daarom zal elk bedrijf zelf een selectie moeten maken uit de gevonden prestatie-indicatoren. Om deze selectie te vereenvoudigen is een classificatie gemaakt waarin de prestatie-indicatoren onderverdeeld zijn in het type data waaruit ze bestaan.
Wanneer gegevens uit de database omgezet zijn in prestatie-indicatoren, kunnen deze geanalyseerd worden. Prestatie-indicatoren kunnen daarbij automatisch vergeleken worden met waarden uit voorgaande periodes (beheersing en trends), door gebruik van technieken uit statistical process control. De vergelijking met andere prestatie-indicatoren (correlatie) en met interne- en externe streefwaarden (absolute prestatie) moet door de gebruiker zelf gedaan worden. Het systeem kan daarbij visuele ondersteuning bieden.
Uiteindelijk is op basis van de onderzoeksresultaten een datamining-systeem ontwikkeld dat prestatie-indicatoren uit industriële databases kan halen en analyseren op beheersbaarheid. Dit systeem is vertaald in een werkend programma waarmee het systeem ook in de praktijk getoetst is.
Inhoudsopgave
1 Introductie en context ...6
2 Datamining...8
2.1 Datamining systemen ...8
2.2 Opzetten van een DM-systeem...10
2.3 Toepasbaarheid van DM op ID...10
3 Bedrijfsprestaties ...11
3.1 Overzicht van prestatie-indicatoren ...11
3.2 Classificatie van prestatie-indicatoren ...11
3.3 Beheersing van bedrijfsprestaties...13
3.3.1 Juist gebruik van prestatie-indicatoren...13
3.3.2 Inzichtelijk maken van de beheersing van prestaties...14
4 Het DM-systeem: analyse en weergave van prestatie-indicatoren ...18
4.1 Analyse...18
4.2 Ontwerp...18
4.3 Implementatie...20
5 Conclusie en bevindingen ...21
Tot Slot ...22
Literatuur ...23
1 Introductie en context
Men beweert vaak dat we in het informatietijdperk leven. Er worden enorme bergen gegevens verzameld. Waar we vroeger spraken over kilo- en megabytes aan data, spreken we nu over giga- en terabytes. Elke organisatie verzamelt gegevens; gegevens over klanten, gegevens uit testresultaten in onderzoek, eigenschappen van producten en materialen, ga zo maar door. Productieorganisaties verzamelen daarnaast ook gegevens over het primaire proces, ordergegevens, artikelgegevens, gegevens over doorlooptijden en gegevens over de urenbesteding. Al deze gegevens worden opgeslagen in databases zodat ze gebruikt kunnen worden voor de voor- en nacalculatie, het factureren aan de klant, inkoop, enzovoort. De industriële databases (ID) worden gebruikt om meer inzicht in het productieproces te krijgen en meestal wordt de verkregen informatie als uitgangspunt genomen voor de productieplanning en de voorcalculatie.
Technologieën voor het verzamelen en opslaan van data worden al geruime tijd in hoog tempo ontwikkeld. Op dit moment is er dan ook geen gebrek aan data, maar wel een gebrek aan technieken om data om te zetten in informatie. De laatste jaren is daarom veel onderzoek gedaan naar technieken die data kunnen converteren naar kennis. Het toepassen van deze geavanceerde technieken, zoals knowledge discovery from databases (KDD) en datamining (DM), zou intensiever gebruik van ID mogelijk kunnen maken. DM is een techniek die met behulp van modellen data omzet in informatie. Deze informatie kan gebruikt worden om bepaalde hypotheses te toetsen zodat nuttige kennis ontstaat. Het algemene DM- proces is weergegeven in figuur 1.
DM en KDD worden op dit moment al veelvuldig toegepast in vakgebieden zoals marketing, de financiële wereld en de wetenschap. Lam (2004) heeft DM technieken gebruikt om financiële prestaties te kunnen voorspellen. Databases met marketinggegevens worden vaak geanalyseerd met behulp van DM om informatie over potentiële klanten en markten te vinden. Ook in de productiebesturing is het gebruik van DM en KDD in opkomst. Gertosio en Dussauchoy (2004) hebben KDD toegepast op ID om productiegegevens met betrekking tot kwaliteit en producteigenschappen om te zetten in informatie waarmee processen en producten verbeterd kunnen worden. Op dezelfde wijze zouden ID geanalyseerd kunnen worden om informatie over andere interne processen te vinden. Deze informatie kan als uitgangspunt worden genomen voor prestatiebeheersing en –verbetering.
Veel data wordt verzameld door het gebruik van ERP-pakketten. Dit zijn softwarepakketten die vaak aangeschaft worden door productieorganisaties om hun bedrijfsprestaties te verhogen. De focus ligt daarom tegenwoordig bij het meten en weergeven van deze prestaties. Er is veel onderzoek gedaan naar het opzetten en implementeren van meetsystemen waarbij een groot deel van de aandacht uitgaat naar het vertalen van strategie in doelstellingen en naar het meten in welke mate de doelstellingen zijn behaald. Een bekend voorbeeld hiervan is het boek van Kaplan en Norton (1996): “The balanced scorecard – translating strategy into action”. Vaak wordt er veel aandacht gegeven aan opstellen van de juiste prestatie-indicatoren (PI) en het verzamelen van de gegevens. Het omzetten van die gegevens in prestatie-indicatoren, en het analyseren van deze prestatie-indicatoren krijgt echter een stuk minder aandacht.
Het proces om prestaties weer te geven en te analyseren is weergegeven in figuur 2.
Hierin is ook te zien dat er geen aandacht uitgaat naar het omzetten van de verzamelde gegevens in prestatie-indicatoren. Een ander punt dat onderbelicht lijkt in de literatuur, is de variatie die prestaties kunnen hebben. Het inzichtelijk maken van de variatie van prestatie-indicatoren is volgens Lam (2004) erg belangrijk omdat de variatie de beheersing van prestaties aangeeft.
Er kan nu gesteld worden dat er drie punten zijn waar in de huidige literatuur weinig aandacht voor is:
1. Het toepassen van DM en KDD op ID
2. Het omzetten van productiespecifieke gegevens uit ID in prestatie-indicatoren 3. Het inzichtelijk maken van de variatie in de bedrijfsprestaties
Het doel van deze studie is het zodanig toepassen van DM op ID dat bedrijfsprestaties inzichtelijk weergegeven kunnen worden en deze bedrijfsprestaties beter beheersbaar zijn. Dit doel kan onderverdeeld worden in de drie punten die hierboven zijn geformuleerd. Voor dit artikel wordt aangenomen dat de gebruiker van het DM-systeem verstand heeft van het productieproces, prestatie-indicatoren en van ICT. Verder kent dit onderzoek de beperking
Selecteren Prestatie-indicator
Verzamelen van gegevens
Analyseren van gegevens
Conclusie Figuur 0. Het PI-proces Figuur 0. Het algemene DM-proces
Toepassen van modeltheorieen
Toetsen van hypotheses Database
Verzamelen van gegevens
Datamining
Conclusie
dat alleen díe ID zijn onderzocht die behoren bij het softwareprogramma ElancE® van het bedrijf Langhout &
Cazemier.
In figuur 0 is weergegeven wat deze studie beoogt te behalen: een nieuw DM-systeem waarmee prestatie-indicatoren door middel van DM uit databases gehaald kunnen worden. Bovendien kan dit systeem een analyse uitvoeren dat aangeeft of de bedrijfsprestaties in beheersing zijn.
De toepassing van DM om prestatie-indicatoren te halen uit ID is, voor zover bekend, nog niet eerder onderzocht. Dit zou samen kunnen hangen met de constatering dat technologieën als DM nog relatief nieuw zijn. Een andere reden zou kunnen zijn dat enige kennis van zaken vereist is. Wanneer men DM wil gebruiken om prestatie-indicatoren uit ID te halen, heeft men kennis nodig van het specifieke productieproces, van prestatie-indicatoren en van ICT.
Dit artikel zal eerst het onderwerp DM behandelen zodat duidelijk is wat DM precies is en op welke wijze deze techniek toegepast kan worden voor dit onderzoek. Vervolgens zal dieper worden ingegaan op het weergeven en beheersen van bedrijfsprestaties. Daarna zal de daadwerkelijke toepassing van DM op ID besproken worden.
Figuur 0. Het nieuwe DM-systeem Selecteren Prestatie-indicator
Toetsen van hypotheses Database
Verzamelen van gegevens
Datamining
Conclusie
2 Datamining
DM en KDD zijn ontstaan uit de grote vraag naar informatie die men kan verwerven uit (grote) databases. De focus van DM en KDD ligt op het verkrijgen van informatie die gekarakteriseerd wordt als ‘kennis’ uit data die complex en in grote hoeveelheden aanwezig kan zijn.
De definitie die binnen dit onderzoek gehanteerd zal worden voor DM is:
Datamining is het efficiënt opsporen van niet voor de hand liggende, waardevolle informatie uit een grote verzameling van gegevens.
Het begrip KDD wekt meer verwarring. Volgens Berson en Smith (1997) staat KDD gelijk aan DM. Gertosio en Dussauchoy (2004) zien KDD als een meer overkoepelend systeem waarin datamining technieken worden gebruikt.
In dit onderzoek wordt KDD gelijkgesteld aan DM. Het begrip DM zal breed worden benaderd. Er wordt nu duidelijk gemaakt hoe informatie uit een database met gegevens kan worden gehaald door middel van DM. Allereerst zal besproken worden wat een DM-systeem inhoudt, later zal gekeken worden naar de toepassing van DM op ID.
2.1 Datamining systemen
DM is een techniek die het mogelijk maakt om in grote hoeveelheden gegevens te spitten. Het doel van DM is het omzetten van deze gegevens in (waardevolle) informatie. Zo kan een database met klantgegevens door middel van DM worden geanalyseerd om te onderzoeken waar potentiële klanten zouden kunnen wonen. Op dezelfde manier kan een ID worden geanalyseerd om te onderzoeken wat de prestaties zijn van productieprocessen.
Brachman en Anand (1996) hebben een methode ontwikkeld voor het opzetten en gebruiken van een KDD (of DM) systeem dat weergegeven is in figuur 1.
Database
Verzamelen van gegevens
Doel
Taak omschrijven
Zoek gereedschappen
Filtering van
gegevens Modelontwikkeling Data-analyse Outputgeneratie
Domein-model Rapportage
Actie
Model
Controle- systeem
Statistiek- gereedschappen
Presentatie gereedschappen
Data-transformatie - gereedschappen Visualisatie-
gereedschappen
Proces flow Data flow Gebruik van gereedschap
Figuur 1. De DM-methode (of KDD-methode) van Brachman en Anand (1996)
Aan de hand van dit schema kunnen een aantal dingen opgemerkt worden:
• Voordat men een DM-systeem wil ontwikkelen en gebruiken is het belangrijk vast te stellen welk doel hiermee gediend wordt.
• De lijnen geven het algemene verloop aan, maar de stappen kunnen vele malen herhaald worden; er kunnen veel lussen voorkomen in het proces.
• De kern van deze methode is de data-analyse en de modelontwikkeling. Deze stappen vullen elkaar aan en lopen in elkaar over.
• Na het formuleren van een duidelijk doel, maar vóórdat een model werkelijk wordt ontwikkeld, behoren zowel de data, als het model volledig duidelijk te zijn voor de ontwikkelaar en gebruiker.
• Er is onderscheid gemaakt tussen de ontwerper van een DM-systeem en de gebruiker van een DM-systeem.
Het verzamelen van gegevens en het omschrijven van de arbeidstaak wordt binnen dit onderzoek buiten beschouwing gelaten.
Omdat deze DM-methode algemeen van aard is - zij is niet specifiek voor één vakgebied - zal deze verder worden uitgewerkt. Met name de vier hoofdstappen (filtering van gegevens, modelontwikkeling, data-analyse en outputgeneratie) zullen uitgebreid besproken worden.
Filteren van gegevens
Gegevens kunnen uit databases gefilterd worden door zoekopdrachten. Met bijvoorbeeld de software ‘taal’ SQL (structured query language) kunnen gewenste gegevens uit de database gehaald worden in een formaat waarin ze bewerkt en/of geanalyseerd kunnen worden. Een voorbeeld van een SQL-query is: SELECT Volgnummer FROM Afdelingen WHERE (((Afdelingen.Naam)="Zagen")). Een uitgebreid voorbeeld staat in bijlage B. De ontwerper creëert de omgeving waarmee gefilterd kan worden (het programma) en de gebruiker geeft de opdracht aan het systeem om gegevens te filteren.
Modelontwikkeling
DM kan ook gezien worden als het toepassen van een model op data. Een model geeft een bepaald idee van hoe de gegevens uit de database omgezet moeten worden in kennis. Een model zorgt voor de juiste structuur van het systeem. Een voorbeeld hiervan is het toepassen van het model ‘rule induction’ op een database met gegevens over aandelenkoersen. Dit model heeft de structuur ‘Als…dan…’ en kan leiden tot de volgend conclusie: “Als de koers van aandeel Olie B.V. de laatste vier maanden gestegen is, dan is de kans dat hij de komende twee maanden blijft stijgen 75%.” Het DM-systeem onderzoekt de gegevens en het model zorgt ervoor dat daar betekenis aan gegeven wordt. Het ontwikkelen van een model is een belangrijke stap in het opzetten van een DM-systeem. Een DM-model wordt ontwikkeld door de ontwerper van het systeem. Er zijn een aantal modellen die veel voorkomen bij DM. Deze zullen hieronder besproken worden. Modellen komen zowel zuiver voor, als gemengd. In het laatste geval worden verschillende modellen tegelijk of naast elkaar gebruikt, dit worden hybride systemen genoemd. Hybride systemen nemen bepaalde hoofdgedachten van modellen samen en vormen op deze manier een nieuw soort model.
Beslissingsbomen
Een beslissingsboom is een voorspellend model dat een simpele boomstructuur heeft. Bij elke tak in de boom wordt de data strategisch verdeeld in klassen en subklassen. Zo kan een groep telefoongebruikers verdeeld worden, met behulp van beslissingsbomen, in gebruikers van vaste telefoons en gebruikers van mobiele telefoons. Gebruikers van vaste telefoons kunnen weer opgedeeld worden in gebruikers met ISDN en gebruikers met een gewone aansluiting, enzovoorts. Beslissingsbomen zijn gemakkelijk te begrijpen en te ontwikkelen. Bovendien geven ze de gebruiker een goed overzicht van de gevonden informatie.
Rule induction
Rule induction en beslissingsbomen zijn samen de meest gebruikte modellen voor DM. Rule induction is een model dat gebaseerd is op simpele ‘Als…dan…’ -regels. Een robuust DM-systeem ontwikkelt deze regels zelf door óf te kijken naar specifieke antecedenten (de ‘Als’ kant van de regel) óf naar specifieke consequenties (de ‘Dan’ kant in de regel). Een voorbeeld van een rule induction is deze regel: “Als er stokbrood wordt gekocht, dan wordt in 90% van de gevallen ook kaas gekocht”. Rule induction is een simpel algoritme dat weinig inzicht van de gebruiker vergt.
Toch vereist rule induction wel dat iemand met grote kennis van DM de geformuleerde regels onderzoekt en toetst.
Expert systems en Fuzzy expert systems
Dit is een systeem gebaseerd op regels, feiten of logica. Expert systems vereisen grote kennis van gebruikers omdat er op een zeer specifieke manier in de database wordt gezocht. De regels hebben vaak dezelfde vorm als bij rule induction. Maar bij rule induction worden regels door het systeem geformuleerd terwijl bij expert systems de regels te voren door de gebruiker worden opgesteld. Expert systems ontwikkelen dus niet zelf nieuwe regels. Een voorbeeld van een regel zou kunnen zijn: ‘Als A, dan B. Als B (of D), dan C.’ Vaak worden experts systems als broos beschouwd omdat de regels alleen gelden als ze volledig voldoen aan de gestelde eisen. Fuzzy expert systems is een flexibele variant op expert systems. Regels die kunnen gelden voor fuzzy expert systems hebben bijvoorbeeld de volgende vorm: ‘Als ongeveer A, dan B. Als B (of heel erg D), dan C.’ Dit systeem benadert de werkelijkheid meer dan expert systems en het kan complexere gegevens beter analyseren. Wel wordt veel kennis van de gebruiker vereist van het systeem.
Genetische algoritmen
Deze algoritmen zijn geïnspireerd door de evolutietheorie van Darwin. Genetische algoritmen zijn gebaseerd op biologische mechanismen. Het zijn algoritmen die bepalen hoe populaties van organismen gevormd, geëvalueerd en aangepast moeten worden. Dit wordt met name gebruikt om optimale waarden te vinden. Het basisprincipe is als volgt: er zijn bij de start van het proces een aantal willekeurige regels gevormd die oplossingen voor het probleem zouden kunnen zijn. Door deze toe te passen ontdekt het algoritme meer regels en dit herhaalt zich net zo lang tot
een optimum gevonden is of tot een bepaalde tijd verstreken is. Door middel van een genetisch algoritme zou bijvoorbeeld de kortste route gevonden kunnen worden tussen A en B. Het is een robuust algoritme dat weinig inzicht vergt van de gebruiker. Het is uitermate geschikt in situaties waar optimaliseren gewenst is.
Clustering
De clusteringmethode groepeert datarecords die veel op elkaar lijken. Ze worden daarbij geclassificeerd naar hun overeenkomsten. Een voorbeeld van clustering is het groeperen van het aantal gebruikers van mobiele telefoons per leeftijdscategorie. Deze methode is bijvoorbeeld heel geschikt voor segmenteren. Clustering is snel en verschaft een goed overzicht van de gevonden informatie. Clustering is echter geen nauwkeurig instrument.
Data-analyse
In deze stap wordt het geformuleerde model toegepast op de gegevens uit de database. Brachman en Anand (1996) gaan er van uit dat de gebruiker van te voren een hypothese heeft en die getoetst wordt op de werkelijke data. In dit kader is de DM-methode dus te typeren als een middel om vooronderstellingen te bevestigen. Een voorbeeld van een hypothese is het volgende: “Ik verwacht dat er een relatie is tussen de leeftijd van de consument en het gebruik van computers”. Deze gedachte heeft als uitgangspunt dat een DM-systeem een stuk gereedschap is waarmee gericht gezocht kan worden. De gebruiker dient te voren een idee te hebben over wat hij wil gaan vinden.
Visualisatie
Een aparte plaats neemt visualisatie in. Aan de ene kant kan visualisatie gezien worden als manier om de uitkomsten weer te geven. Aan de andere kant kan visualisatie gebruikt worden om de data te analyseren. Gargano en Raggad (1999) beschouwen visualisatie als een apart soort model die in plaats van andere modellen gebruikt kan worden. Een combinatie tussen visualisatie en modellen op basis van algoritmen bestaan ook en worden hybride systemen genoemd. De volgende uitspraak over visualisatie zegt boekdelen:
“A picture is worth thousands of numbers!”
Sang Jun Lee en Keng Siau (2001)
Visualisatie is een erg belangrijk middel voor de gebruiker van DM-systemen om grip te krijgen op de stof.
Bovendien zijn resultaten gemakkelijk met elkaar te vergelijken en snel door de gebruiker te interpreteren. De belangrijkste middelen voor visualisatie zijn kleuren, vormen, geluiden en virtual reality. Het meest gebruikte soort visualisatie is het weergeven van resultaten in grafieken.
Outputgeneratie
Uiteindelijk worden de bevindingen weergegeven. Er zijn verschillende manieren om dit te doen. Vaak wordt de output in een rapportage weergegeven, maar het is ook mogelijk dat het DM-systeem gekoppeld is aan andere systemen. De uitkomst leidt dan tot een opdracht aan een ander systeem. Ook kan deze opdracht gericht zijn aan de gebruiker (“De prijs van aandeel X is laag, verwacht wordt dat het zal stijgen: koop aandelen X”). Uitkomst van DM kan ook leiden tot het vormen van een nieuw model, of als input voor een nieuw model. Een DM-systeem kan een controlefunctie hebben die reageert wanneer aan bepaalde voorwaarden is voldaan. Dit beheersen en controleren van processen heet ook wel monitoren.
2.2 Opzetten van een DM-systeem
Het opzetten van een DM-systeem gebeurt door de ontwerper. Berson en Smith (1997) maken onderscheidt tussen de bedrijfsanalysefase, de (architecturale) ontwerpfase en de implementatiefase. In de bedrijfsanalysefase wordt met name gekeken naar welke behoeften de organisatie heeft, welk doel het systeem moet hebben. In de (architecturale) ontwerpfase wordt het doel omgezet in een concreet concept. In deze fase worden de stappen datafiltering, modelontwikkeling, data-analyse en outputgeneratie van de DM-methode ontworpen. Het doel behoort gedurende de hele ontwerpfase in gedachten te worden gehouden. De implementatiefase bevat het daadwerkelijke programmeren van het softwareprogramma.
2.3 Toepasbaarheid van DM op ID
DM wordt met name toegepast in andere vakgebieden dan productiebesturing. Maar de DM-modellen en de DM- methode zijn algemeen geformuleerd en niet alleen van toepassing op bepaalde specifieke vakgebieden. In theorie zou het mogelijk zijn om DM toe te passen op alle soorten databases, dus ook op ID. Met het juiste DM-systeem zouden uit de gegevens in een ID óók de prestatie-indicatoren gefilterd kunnen worden. In dit onderzoek is een DM-systeem ontworpen waarbij het filteren van prestatie-indicatoren centraal staat.
3 Bedrijfsprestaties
Uit de introductie is reeds duidelijk geworden dat bedrijfsprestaties doorgaans weergegeven worden in prestatie- indicatoren. Voordat dieper op het onderwerp prestatie-indicatoren ingegaan zal worden, is het belangrijk om een duidelijk beeld te krijgen van wat precies met prestatie-indicatoren bedoeld wordt. In dit onderzoek wordt de definitie van Neeley et al. (1995) gebruikt. Deze definitie luidt als volgt:
Een prestatiemeting is een (metriek) systeem dat gebruikt wordt om de efficiëntie en effectiviteit van een handeling te kwantificeren.
Een prestatie-indicator is een absolute grootheid dat de prestatie van een handeling weergeeft op basis van een prestatiemeting.
Deze begrippen liggen in het verlengde van elkaar, daarom worden in de literatuur prestatiemetingen en prestatie- indicatoren regelmatig door elkaar heen gebruikt. Efficiëntie is een smal begrip en wordt over het algemeen als volgt omschreven: de hoeveelheid middelen die gebruikt worden om een eenheid output te produceren.
Effectiviteit is een breder begrip, maar over het algemeen kan volstaan worden met de volgende definitie: de mate waarin een functie haar doel bereikt. Oftewel: in hoeverre het werkelijke resultaat overeenkomt met het gewenste resultaat.
Er wordt vaak gesteld dat het toepassen van prestatiemetingen de winstgevendheid en de concurrentiepositie van productiebedrijven effectief kan verhogen door verbeteringen in het primaire proces aan te moedigen.
Prestatie-indicatoren krijgen in de literatuur vaak kritiek omdat ze onjuist worden gebruikt. Een bekend voorbeeld is het beoordelen van managers op de prestatie-indicator ‘Return On Investment’. Dit heeft nogal eens geleid tot korte termijnoplossingen waarbij het belang van de organisatie niet werd gediend. Neely et al. (1997) stelt daarom dat zelfs prestatiemetingen die vaak bekritiseerd worden, wel geschikt kunnen zijn in een bepaalde context.
Belangrijk is dan ook om prestatie-indicatoren te nemen die aansluiten bij de context van organisatie. Over het algemeen wordt bij het opstellen van prestatie-indicatoren geadviseerd om de indicatoren SMART te maken:
specifiek, meetbaar, acceptabel, reëel en tijdgebonden (SMART). Voor dit onderzoek is een lijst van prestatie- indicatoren samengesteld die geschikt zijn voor de industriële sector. Vervolgens is een classificatie binnen deze prestatie-indicatoren gemaakt (zie3.2). In 3.3 zal ingegaan worden op het beheersen van prestaties.
3.1 Overzicht van prestatie-indicatoren
Een uitgebreide literatuurstudie heeft een lijst met geschikte prestatie-indicatoren voor de industriële sector opgeleverd. De 250 gevonden prestatie-indicatoren staan in bijlage A vermeld. Binnen dit onderzoek zullen enkele willekeurige prestatie-indicatoren verder worden uitgewerkt. Er is bewust geen keuze gemaakt tussen de prestatie- indicatoren omdat dit onderzoek niet toegespitst is op één enkele organisatie. Voor een juist gebruik van prestatie- indicatoren is het vereist dat ze in hun context bekeken worden. Omdat die context voor elke organisatie verschild zullen ook de prestatie-indicatoren voor elke organisatie verschillen. Het is voor organisaties lastig om met alle gevonden prestatie-indicatoren te werken en daarom zal de organisatie een keuze moeten maken voor de prestatie- indicatoren die zij zullen gebruiken. Maar welke prestatie-indicatoren zijn nu belangrijk voor welke organisatie? In de volgende paragraaf zal een classificatie gemaakt worden zodat een keuze voor bepaalde prestatie-indicatoren gemakkelijker gemaakt kan worden.
3.2 Classificatie van prestatie-indicatoren
Het DM-systeem dat ontworpen is maakt zelf geen keuze voor bepaalde prestatie-indicatoren. Die keuze zal de gebruiker moeten maken en deze behoort toegespitst te zijn op de betreffende organisatie. De gevonden prestatie- indicatoren zullen geclassificeerd worden en deze classificatie kan vervolgens door het systeem gebruikt worden om de keuze tussen prestatie-indicatoren te vergemakkelijken. De literatuur kent vele soorten classificaties. Een aantal hiervan staan in tabel 1.
Tabel 1. Perspectieven voor classificatie van prestatie-indicatoren
Perspectief Focus Databron Intern, extern (58)
Kosten Financieel, niet-financieel (40) Data type Subjectief, objectief (38)
Type Kwantitatief, kwalitatief (2)
Referentie Vergelijken met andere organisaties of intern gericht zijn (38)
Oriëntatie Input, output gericht (38)
Niveau Corporate -, business unit -, bedrijfsproces -, activiteitsniveau (19)
‘Compatitive capability’ Kosten, kwaliteit, flexibiliteit, tijd (40), leverbetrouwbaarheid, snelheid (38), werknemersrelaties (10), financiën en innovatie (5)
Binnen dit onderzoek is het perspectief ‘databron’ erg belangrijk: de informatie zal gehaald moeten worden uit ID.
Om deze reden is dit perspectief verder uitgewerkt.
Allereerst wordt bekeken in welke mate prestatie-indicatoren worden bepaald door de soorten data (componenten).
Daarna wordt ingegaan op deze componenten. Vervolgens wordt onderzocht of deze componenten ook geclassificeerd kunnen worden. Wanneer componenten geclassificeerd zijn kunnen ook prestatie-indicatoren ingedeeld worden. Dit wordt gedaan aan de hand van de volgende vragen:
1. Uit welke componenten bestaan prestatie-indicatoren?
2. Hoe kunnen deze componenten geclassificeerd worden?
3. Hoe kunnen prestatie-indicatoren zelf geclassificeerd worden?
1. Uit welke componenten bestaan prestatie-indicatoren?
Eerder is al een definitie gegeven van prestatie-indicatoren. Hier zal echter wat dieper ingegaan worden op het begrip prestatie-indicator. Een prestatie-indicator geeft de prestatie weer van een handeling. Dit doet zij door verschillende eenheden tegen elkaar af te zetten. Bijvoorbeeld het aantal euro’s per uur. Euro’s worden hier afgezet tegen het aantal uren. Een prestatie-indicator wordt altijd geplaatst in een bepaald tijdsperspectief. Dit omdat prestatie- indicatoren gebaseerd zijn op prestatiemetingen en metingen altijd gebeuren in een bepaald tijdsbestek. De eenheden kunnen van alles zijn: uren, euro’s, stuks, kilo’s, meters, dollars, jaren, liters, m2, maanden, kilometers, m3, enzovoort.
2. Hoe kunnen deze componenten geclassificeerd worden?
De genoemde eenheden kunnen in de volgende groepen gedeeld worden: Tijd, geld, gewicht, afmeting, inhoud, afstand en aantal. Deze groepen bestaan op hun beurt uit delen die iets zeggen over de tijd (uren, jaren, minuten), delen die iets zeggen over financiën (euro’s en dollars) en delen die iets zeggen over fysieke zaken (gewicht, afmeting, inhoud, afstand en aantallen).
De componenten van prestatie-indicatoren kunnen nu geclassificeerd worden naar deze componenten.
• Tijdscomponenten,
• Financiële componenten en
• Fysieke componenten.
3. Hoe kunnen prestatie-indicatoren geclassificeerd worden?
Bij het indelen van prestatie-indicatoren aan de hand van deze classificatie van componenten zal rekening gehouden moeten worden met het feit dat prestatie-indicatoren verschillende soorten componenten kunnen bevatten. Een prestatie-indicator die een prestatie uitdrukt in euro per uur zal ingedeeld moeten worden zowel in de groep tijd als in de groep financiën. Het schema van figuur 2 illustreert deze overlap.
Figuur 2. Classificatie van prestatie-indicatoren
Alle bestaande prestatie-indicatoren vallen binnen deze classificatie. Prestatie-indicatoren die zowel tijdscomponenten als fysieke componenten bevatten vallen in vak 5. Prestatie-indicatoren die alle drie de soorten componenten bevatten vallen in vak 7, enzovoort.
Opgemerkt moet worden dat in de literatuur sommige prestatie-indicatoren op verschillende manieren gemeten en gedefinieerd kunnen worden. Een voorbeeld hiervan is de prestatie-indicator indirecte arbeid. Indirecte arbeid is financieel te meten door bijvoorbeeld ‘activity based costing’, maar ook in tijd door de indirecte uren te meten. Er zijn dus twee soorten metingen met twee soorten data. In dit onderzoek krijgen deze prestatie-indicatoren een andere naam. Indirecte arbeid zou de tijdsaanduiding indirecte arbeidsuren en de financiële aanduiding indirecte arbeidskosten kunnen krijgen. Waarschijnlijk vallen de prestatie-indicatoren die gemeten zouden kunnen worden door het programma ElancE® in de vakken 1, 3 en 5. Dit omdat er nauwelijks financiële gegevens in het systeem gebruikt worden.
3.3 Beheersing van bedrijfsprestaties
Bedrijfsprestaties meten en weergeven is slechts één onderdeel waar dit onderzoek zich op richt. Het analyseren van de prestaties om te controleren of deze in beheersing zijn is een ander onderdeel van dit onderzoek. Er zal nu eerst gekeken worden naar hoe prestatie-indicatoren juist gebruikt kunnen worden. Vervolgens zal statistical process control (SPC) gebruikt worden om het niveau van beheersing van prestaties aan te geven. Het ontworpen DM- systeem heeft een analysefunctie waarmee de beheersing van prestaties bepaald kan worden.
3.3.1 Juist gebruik van prestatie-indicatoren
Volgens de kiemgroep ‘Prestatie-indicatoren’ van de vereniging Logistiek management is een prestatie-indicator “een verhouding tussen twee indicatoren of tussen een indicator en een norm.” Een waarde van een prestatie-indicator zonder referentiekader geeft maar weinig informatie en wordt door deze kiemgroep ook niet als prestatie-indicator gezien, maar als indicator. Een productiviteit van 0,7 kan goed of slecht zijn. De prestatie-indicatoren zullen vergeleken moeten worden met andere waarden: andere indicatoren of een norm. Dit kan van alles zijn, bijvoorbeeld: een streefwaarde, waarden van voorgaande periodes, waarden van prestatie-indicatoren bij concurrenten, de gemiddelde waarden van de huidige meting of waarden van andere capaciteitsgroepen. Ook kan het belangrijk zijn om verschillende prestatie-indicatoren samen te nemen en deze te vergelijken met andere waarden.
Een bekend voorbeeld hiervan is de Overall Equipment Effectiveness. Deze vermenigvuldigt de beschikbaarheidsgraad met de snelheid (of productiviteit) en de kwaliteitsfactor. Een ander voorbeeld is overwerk en bezetting: wanneer er veel overwerk is en de bezettingsgraad hoog is, kan dit betekenen dat er ondercapaciteit is.
Prestatie-indicatoren vergelijken met gemiddelden van de huidige meting
Aan de hand van één enkele uitgebreide meting kunnen gemiddelden van prestatie-indicatoren berekend worden. De prestatie-indicatoren kunnen vervolgens afzonderlijk met deze gemiddelden vergeleken worden. Zo kan het zijn dat een meting over de periode 2004 een gemiddelde productiviteit oplevert van 0,8. Nu kunnen de waarden van de productiviteit per week vergeleken worden met het gemiddelde. Wanneer in een bepaalde week de productiviteit 0,2 is geeft dit aan dat er iets niet in orde was deze week.
Het op deze manier vergelijken van prestatie-indicatoren heeft verschillende voordelen. Het is erg gemakkelijk, het is goed toe te passen wanneer geen andere normwaarden voorhanden zijn en de variatie in waarden kan op deze manier goed afgeleid worden. Als nadeel geldt dat deze methode niet aangeeft wanneer de waarden verschillen ten opzichte van andere perioden en afdelingen.
Prestatie-indicatoren vergelijken met data uit voorgaande perioden
Wanneer gedurende langere tijd gemeten wordt, kunnen prestatie-indicatoren in verschillende perioden naast elkaar gelegd worden ter vergelijking. Dit kan een bepaalde trend aangeven. Aan de hand van deze trend kunnen bepaalde conclusies getrokken worden. Het vergelijken van prestatie-indicatoren in verschillende perioden is met name belangrijk wanneer een productieproces anders gaat presteren dan voorheen. Dit kan zowel positief als negatief zijn.
Wanneer prestatie-indicatoren vergeleken worden met gemiddelden uit deze of voorgaande perioden wordt duidelijk in hoeverre de waarden verschillen van elkaar. De mate van beheersing wordt hierdoor zichtbaar. In 3.3.2 wordt hier dieper op ingegaan.
Prestatie-indicatoren van interne processen vergelijken
Wanneer de prestaties van meerdere interne productieprocessen worden gemeten, kunnen de indicatoren met elkaar vergeleken worden. Dit kan iets zeggen over processen die anders presteren dan de andere processen. Wanneer een proces beduidend minder presteert dan de rest, kan onderzocht worden wat de oorzaak hiervan is. Dit kunnen zowel dezelfde als andere prestatie-indicatoren zijn.
Prestatie-indicatoren vergelijken met een streefwaarde
Met streefwaarde wordt hier bedoeld: de gewenste waarde van de prestatie-indicator. De streefwaarde van de productiviteit kan bijvoorbeeld 0,9 zijn. Zolang de werkelijke waarde van de productiviteit lager is dan 0,9 kan deze capaciteitsgroep nog het voorwerp van verbetering zijn. Deze streefwaarde kan gebaseerd zijn op tal van gegevens en
aannames. Deze waarde kan bijvoorbeeld verkregen zijn uit gegevens over voorgaande periodes en over andere processen. Ook kan de streefwaarde gebaseerd zijn op berekeningen of een ideaal.
Prestatie-indicatoren vergelijken met externe normen
Met externe normen wordt bedoeld: normwaarden gebaseerd op prestatie-indicatoren van vergelijkbare processen bij concurrenten of eisen die de klant stelt aan het proces. Deze vorm kan voor bepaalde prestatie-indicatoren erg verstandig zijn. Met name op strategisch niveau is dit interessant. Een voorbeeld hiervan is het vergelijken van de winst (ook wel return on sales genoemd) van de eigen onderneming met de winst die concurrenten halen. Dergelijke informatie kan bijvoorbeeld bij het Centraal Bureau voor Statistiek (CBS) verkregen worden. Deze vorm is minder belangrijk op operationeel niveau; er zijn geen twee organisaties precies hetzelfde ingericht, zodat afdelingen vaak niet goed met elkaar vergeleken kunnen worden. Ook banken publiceren regelmatig cijfers en trends over het bedrijfsleven. Het vergelijken van prestatie-indicatoren met streefwaarden of externe normen maakt voornamelijk het verschil zichtbaar tussen de absolute waarden.
3.3.2 Inzichtelijk maken van de beheersing van prestaties
Wanneer prestatie-indicatoren over een langere periode bekeken worden, kan men daar veel informatie uit halen:
trends worden zichtbaar, maar ook wordt zichtbaar of er veel variatie in de gemeten performance is. De productiviteit van een capaciteitsgroep kan voor een kwartaal gemiddeld 0,8 zijn, maar misschien verschilt dit nogal van dag tot dag. Terwijl verkleinen van variaties in performance de betrouwbaarheid van deze performance verhoogt.
Vergelijk de beide ‘control charts’ maar eens in figuur 3, de meeste organisaties zouden willen streven naar de situatie in figuur 3-B terwijl de gemiddelde productiviteit voor beide situaties gelijk is. Sterker nog: een kleinere variatie is belangrijker dan een goede gemiddelde waarde, omdat beheersing belangrijker is dan de absolute prestatie.
Capaciteitsgroep met grote vartiatie in productiviteit Capaciteitsgroep met kleine vartiatie in productivitei
A B
Door prestatie-indicatoren te analyseren met SPC kunnen veel problemen zichtbaar worden. Deze problemen zouden niet gezien worden wanneer alleen gekeken werd naar de totale of gemiddelde waarde van prestatie- indicatoren.
Ondanks het feit dat SPC bedoeld is voor processen kan het ook goed worden toegepast op het beheersen van performance. De statistiek binnen SPC maakt het mogelijk om een uitspraak te doen over de hele populatie, terwijl maar enkele objecten daadwerkelijk gemeten worden. Binnen dit onderzoek is deze statistische kant minder belangrijk omdat ID vaak alle gegevens bevatten zodat niet enkele, maar alle objecten gemeten kunnen worden. Een aspect van SPC dat wel belangrijk is voor dit onderzoek is het aangeven wanneer processen ‘out of control’ dreigen te gaan. SPC omvat daarvoor de volgende methode:
1. Bepaal de boven- en ondergrens waarbinnen de waarden (van de prestatie-indicatoren) behoren te liggen;
2. Verdeel het vlak tussen de boven- en ondergrens in zones;
3. Stel regels op voor wanneer geldt dat de performance ‘out of control’ dreigt te gaan of wanneer de performance zich vreemd gedraagt;
Aan de hand van SPC kan dus systematisch en geautomatiseerd worden aangegeven wanneer processen zich vreemd gedragen. Dit aspect sluit goed aan binnen dit onderzoek. Hieronder zullen de vier punten verder uitgewerkt worden.
1. Het bepalen van de boven- en ondergrens
De boven en ondergrens zijn de uiterste waarden die prestatie-indicatoren incidenteel zouden mogen hebben. Er zijn verschillende manieren om deze grenzen te bepalen:
A. Zelf de waarden vaststellen
B. Analyseren van voorgaande perioden om grens te kunnen vaststellen C. Grenzen bepalen aan de hand van het analyseren van de huidige periode
Figuur 3. Verschil in variaties van productiviteit
Alle drie de methoden hebben hun voor- en nadelen. Methode A heeft als voordeel dat dit toegespitst is op de huidige indicator en specifieke situatie. Daarnaast is deze methode erg flexibel. Echter, een nadeel is dat de kans op een ‘human error’ behoorlijk groot is. De boven- en ondergrens zouden te ruim gekozen kunnen worden. Hierdoor kunnen ‘out of control’-situaties over het hoofd worden gezien.
Methode B heeft als voordeel dat het reële waarden oplevert. Wanneer gestreefd wordt naar verbetering van de performance kleeft aan deze methode een nadeel: de grenzen moeten dan juist wat minder ruim gekozen worden.
Ook kan het zo zijn dat de grenzen juist behoorlijk krap zijn omdat er goed is gepresteerd in de voorgaande perioden. Een iets minder constante performance hoeft niet te betekenen dat de performance ‘out of control’ is.
Methode C is een gemakkelijke, geautomatiseerde methode. Deze methode kan overal op toegepast worden. De grens kan bepaald worden door x maal de standaarddeviatie te nemen. Hierdoor is deze methode toegespitst op deze prestatie-indicator. Maar ook deze methode kent een nadeel, dat deze niet erg flexibel is en dat er geen rekening gehouden kan worden met bijzondere situaties.
Het ontworpen DM-systeem geeft de gebruiker de mogelijkheid om grenzen handmatig vast te stellen. Dit systeem past echter standaard de statistische methode toe. De formule voor de standaarddeviatie is als volgt:
de standaarddeviatie
1 )
( 2
−
=
∑
− nX σ X
Waarbij:
X = De gemiddelde waarde van de prestatie-indicatoren X = De waarde van de prestatie-indicator
n = het aantal waarden
Volgens Carter en Williamson (1996) dient n minimaal 100 te zijn om de standaarddeviatie statistisch verantwoord te kiezen.
De grenzen zijn nu als volgt:
UCL = µ + kσ CL = µ LCL = µ + kσ Waarbij:
UCL = ‘Upper control limit’ (de bovengrens)
CL = ‘Center line’ (gemiddelde waarde van de metingen) LCL = ‘Lower control limit’ (de ondergrens)
k = Een gekozen factor waarmee de afstand van de grens naar de CL bepaald wordt, vaak wordt voor k 3 gekozen µ = Het gemiddelde van de gemeten waarden
De variatie kan weergegeven worden door de variatiecoëfficiënt:
Variatiecoëfficiënt VC = σ/ µ 2. Het aangeven van zones
Om de locatie van waarden goed te bepalen kan het gebied tussen de UCL en de LCL onderverdeeld worden in zones. Deze zones worden normaliter gekozen op de afstand van 1 standaarddeviatie van de CL. Wanneer de buitengrenzen op 3σ worden gekozen zijn er in totaal zes zones. De grenzen en de zones zijn aangegeven in figuur 4.
UCL
LCL CL
Zone A
Zone A Zone B Zone C Zone C Zone B
2σ 3σ σ σ 2σ 3σ
Figuur 4. De 'control chart' en de A, B en C zones
3. Regels voor beheersing
Om te kunnen bepalen wanneer de performance buiten beheersing is (‘out of control’), is het nodig om regels op te stellen. Het mag duidelijk zijn dat wanneer metingen buiten de buitengrenzen vallen, er sprake is van slechte beheersing. Maar niet alle vormen van slechte beheersing worden op deze manier duidelijk. Er zijn verschillende situaties die genoemd kunnen worden.
Nicholas (1998) noemt de volgende:
1. Een punt ligt buiten de buitengrenzen
2. Twee of drie opeenvolgende punten vallen in dezelfde A zone 3. Vier van de vijf opeenvolgende punten vallen in dezelfde B zone 4. Acht of meer opeenvolgende punten liggen aan dezelfde zijde van de CL
5. Acht of meer opeenvolgende punten bewegen naar dezelfde richting, zowel neerwaarts als opwaarts Slack et al.(1998) voegt de volgende verdachte situaties daaraan toe:
6. Grotere variatie in waarden
7. Acht of meer opeenvolgende punten in een C zone 8. Groot verschil in niveau
Hopp & Spearman definiëren nog de volgende regels:
• Er is een hoge stabiliteit wanneer de variatiecoëfficiënt kleiner is dan 0,75
• Er is een lage stabiliteit wanneer de variatiecoëfficiënt groter is dan 1,33 De 8 genummerde situaties zijn weergegeven in figuur 5.
UCL
LCL CL
UCL
LCL CL
UCL
LCL CL
UCL
LCL CL
UCL
LCL CL
UCL
LCL CL
1) Een punt boven de UCL 2) Twee punten in dezelfde A zone
3) Vier van de vijf punten in dezelfde B zone 4) Acht punten aan dezelfde kant van CL
5) Stijgende trend 6) Stijging in variatie
UCL
LCL CL
UCL
LCL CL
7) Punten verdacht dicht bij de CL 8) Onverwacht verschil in niveau
Figuur 5. 'Out of control' situaties
Er is nu duidelijk gemaakt hoe gegevens uit ID omgezet kunnen worden in informatie en dat bedrijfsprestaties weergegeven kunnen worden in prestatie-indicatoren. Verder kan de beheersing van bedrijfsprestaties weergegeven worden door technieken uit de SPC-theorie. Hieronder zal geprobeerd worden deze dingen samen te voegen. Er is een DM-systeem ontworpen dat bedrijfsprestaties weergeeft aan de hand van data uit ID.
4 Het DM-systeem: analyse en weergave van prestatie-indicatoren
Er wordt nu onderzocht of een DM-systeem ontwikkeld kan worden om prestatie-indicatoren uit ID te halen en weer te geven. Ook is onderzocht of deze prestatie-indicatoren door dit systeem geanalyseerd kunnen worden om te kijken of deze ook beheersbaar zijn. Voor dit onderzoek is uitgegaan van een willekeurige industriële organisatie met een database die gevuld is met gegevens van de werkvloer. Om het DM-systeem te ontwikkelen zullen de fases doorlopen worden die in 2.2 besproken zijn: analyse, ontwerp en implementatie.
4.1 Analyse
In deze fase wordt onderzocht welk(e) doel(en) het DM-systeem heeft. Berson en Smith gaan uit van een systeem dat voor een enkele organisatie ontworpen wordt. Dit betekent dat er in deze fase specifieke gedetailleerde bedrijfsdoelen geformuleerd worden. In dit onderzoek wordt DM in zijn algemeenheid behandeld wat resulteert in doelen die gelden voor het systeem. Deze doelen kunnen worden afgeleid van het doel van deze studie: het ontwerpen van een systeem waarmee bedrijfsprestaties weergegeven en beheersbaar gemaakt kunnen worden. De doelen voor het DM-systeem zijn dus:
1. het weergeven van bedrijfsprestaties en
2. het analyseren op beheersing van bedrijfsprestaties.
Er is nu bekend dat bedrijfsprestaties weergegeven worden door prestatie-indicatoren. Er zijn acht beheersingsregels opgesteld in 3.3 waaraan de prestatie-indicatoren getoetst kunnen worden.
4.2 Ontwerp
Het ontwerpen van dit DM-systeem zal in de volgende stappen plaatsvinden: eerst zal onderzocht worden welke gegevens uit de database gefilterd dienen te worden. Vervolgens wordt een model ontwikkeld. Daarna wordt gekeken hoe de gegevens geanalyseerd zullen worden. Uiteindelijk zal besproken worden wat de beste manier is voor het genereren van de output. Figuur 6 geeft het proces weer van het filteren en het toepassen van het model op de gegevens.
Database
Filtering van PI specifieke gegevens
Juiste periode Onjuiste periode
Periode-eenheid Niveau Selecteren juiste periode
Clusteren per periode-eenheid
Juist niveau
Onjuist niveau Clusteren per niveau
Selecteren juist niveau
Figuur 6. Het DM-model voor het DM-systeem
Datafiltering
Uit de database zijn gegevens nodig waarop prestatie-indicatoren gebaseerd zullen worden. Ideaal is het wanneer dit generiek kan gebeuren voor elke soort prestatie-indicator. Eerder is gezien dat er zeer veel prestatie-indicatoren zijn en dat deze nogal van elkaar verschillen (zie 3.1)
Op gegevensniveau bestaan prestatie-indicatoren uit verschillende eenheden (zie 3.2). Deze eenheden zijn voor elke prestatie-indicator verschillend. De doorlooptijd bestaat bijvoorbeeld uit de tijd tussen de start van de eerste en het einde van de laatste bewerking (eindtijd – starttijd). Het afkeurpercentage bestaat uit het aantal producten die afgekeurd zijn, vergeleken met het totaal aantal producten die gemaakt zijn. Dit alles maakt het lastig om een
generiek DM-systeem te maken voor alle prestatie-indicatoren. Per prestatie-indicator zal dus vooraf bepaald moeten worden welke gegevens hiervoor nodig zijn. Dit kan tijdens het ontwikkelen van het daadwerkelijke softwareprogramma gebeuren, de gebruiker hoeft dit dus niet te doen. Het daadwerkelijke filteren gebeurt aan de hand van SQL-queries.
Modelontwikkeling
Verscheidene vormen van modellen zijn besproken in 2.1. Een juiste keuze voor een model dient nog wel gemaakt te worden. Bovendien zal het model waarschijnlijk aangepast moeten worden aan deze situatie.
Het systeem heeft twee doelen: 1. Het weergeven van prestatie-indicatoren. 2. Het analyseren van de prestatie- indicatoren naar beheersing. Deze zullen apart behandeld worden.
1e doel: weergeven van prestatie-indicatoren
Voor het eerste doel is het gewenst om geselecteerde prestatie-indicatoren (bijvoorbeeld de doorlooptijd) te zien over een bepaalde periode (bijvoorbeeld 2004), per periode-eenheid (bijvoorbeeld per maand), op een bepaald bedrijfsniveau (bijvoorbeeld afdelingsniveau). Dit zijn vier verschillende niveaus die elk een bepaalde filterbewerking vereisen. De gebruiker moet de mogelijkheid hebben om aan te geven welke prestatie-indicator, in welke periode, per welke periode-eenheid, per welk niveau weergegeven moet worden. In figuur 6 is te zien hoe in het DM-systeem deze filteringbewerkingen door middel van verschillende modellen wordt ondersteund.
Selecteren van de juiste periode
De specifieke gegevens, met betrekking tot de prestatie-indicator, kunnen opgesplitst worden in gegevens van de juiste periode en gegevens die niet bij de juiste periode horen. Het systeem verdeelt de gegevens dus in verschillende klassen. Dit komt overeen met het model voor beslissingsbomen.
Clusteren van de gegevens in de gewenste periode-eenheid
De juiste soort gegevens in de juiste periode worden nu ingedeeld per periode-eenheid. Gegevens worden dus geclusterd op de overeenkomst periode-eenheid, zoals dezelfde maand waarin de meting is gedaan.
Clustering op niveau
De gegevens worden ook geclusterd per niveau (bijvoorbeeld hele bedrijf, afdeling of één persoon/machine).
Selecteren van het juiste niveau
Uiteindelijk worden de gegevens opgesplitst in gewenste en niet gewenste niveaus aan de hand van het beslissingsboom model.
Samengevat betekent dit dat het meest geschikte model voor dit DM-systeem een hybride model is, dat gebruik maakt van ideeën van clustering en beslissingsbomen. Wel wordt er slechts beperkt gebruik gemaakt van deze afzonderlijke modellen. Elk van deze modellen is veel uitgebreider dan de functie die het krijgt in dit hybride systeem. Verder wordt dit hybride model gebruikt als methode om prestatie-indicatoren te selecteren. Het model zou beschouwd kunnen worden als een selectiemodel voor een prestatie-indicator dat bestaat uit technieken van clustering en beslissingsbomen.
2e doel: analyseren van prestatie-indicatoren.
Bij het tweede doel zijn de prestatie-indicatoren een uitgangspunt. Zij zijn reeds geformuleerd en weergegeven en ze worden nu geanalyseerd. Elke prestatie-indicator kan weergegeven worden in een reeks of tabel. Deze reeksen en tabellen kunnen gecontroleerd worden op beheersing. De mogelijkheden wanneer een prestatie-indicator buiten beheersing is, zijn weergegeven in 3.3.2. Het systeem kan elke prestatie-indicator toetsen op elke geformuleerde regel.
Wanneer een regel van toepassing is (de prestaties zijn ‘out of control’) wordt een melding gemaakt. Het systeem voor dit doel zal de volgende structuur hebben: een prestatie-indicator wordt als input genomen. Deze reeks wordt per regel gecontroleerd. Is deze regel van toepassing op de reeks? Dan een melding maken. Zo niet, dan gewoon doorgaan met de volgende regel. Wanneer alle regels zijn gecontroleerd kan de volgende prestatie-indicator gecontroleerd worden. Het model dat genomen wordt voor dit systeem is met name van toepassing op het controleren van de regels en heeft ongeveer de volgende vorm: “Als een punt zich boven de UCL bevindt, dan is regel 1 van toepassing. Als regel 1 van toepassing is, dan melding maken.”
Deze structuur is te herkennen in de expert systems of de rule induction. De regels worden van tevoren vastgelegd en deze worden niet door het systeem ontwikkeld. Rule induction heeft als kenmerk dat zij zelf nieuwe regels aanmaakt tijdens de analyse. Dat is hier niet het geval dus is bij dit systeem gekozen voor het model expert system.
Data-analyse
Er zijn nu twee onderdelen in het systeem die afzonderlijk behandeld worden: 1. Het weergeven van prestatie- indicatoren en 2. De analyse op prestatie-indicatoren. Bij het weergeven van prestatie-indicatoren wordt de data- analyse met name gedaan door de gebruiker zelf. De prestatie-indicatoren worden weergegeven en de gebruiker zal
onderzoeken in welke mate de data interessant is. Brachman en Anand (1996) zijn uitgegaan van het feit dat de gebruiker tevoren een bepaalde hypothese heeft die getoetst kan worden door DM. Zij nemen als uitgangspunt een DM-systeem dat bedoeld is om onbekende relaties op te sporen. Wanneer het DM-systeem gebruikt wordt om verschillende prestatie-indicatoren te vergelijken, is het stellen van een hypothese ook van toepassing. De gebruiker verwacht dan dat er een relatie is tussen de prestatie-indicatoren. Een voorbeeld hiervan is de relatie tussen werklast en overwerk. Wanneer er sprake is van veel overwerk, zal er waarschijnlijk een hoge werklast zijn. Ook kan het voor de gebruiker interessant zijn om prestatie-indicatoren te vergelijken van verschillende afdelingen. De gebruiker kan bijvoorbeeld vermoeden dat de productiviteit van beide afdelingen ongeveer gelijk is.
Bij het analyseren van prestatie-indicatoren naar beheersing doet het systeem zelf de eerste analyse: zij toetst of de data voldoet aan bepaalde regels. Na deze eerste analyse komt de gebruiker zelf in beeld: hij zal de meldingen moeten nagaan of er sprake is van verklaarbaar gedrag, of van een situatie die onbeheerst is. Met verklaarbaar gedrag wordt bedoeld dat er een bekende reden is waarom prestatie-indicatoren onbeheersbaar zijn. Bijvoorbeeld: in een bepaalde week worden erg veel producten afgekeurd omdat blijkt dat een machine niet goed afgesteld stond. Nadat de fout ontdekt was is de machine weer goed afgesteld. In dit geval is het goed mogelijk dat het DM-systeem een melding geeft voor de prestatie-indicator afkeurpercentage. Toch hoeft dit niet een reden voor alarm te zijn: het probleem is gevonden en werd opgelost. De bedrijfsprestatie was ‘out of control’, maar is dit nu niet meer.
Outputgeneratie
De meest logische manier om de output te genereren is het creëren van rapportages. Voor het weergeven van prestatie-indicatoren is het visualiseren van de uitkomsten door grafieken een voor de hand liggende manier. Ook het weergeven in tabellen zou goed kunnen. De uitkomsten van de analyse zouden gerapporteerd kunnen worden in tekst (bijvoorbeeld “Let op: regel 1 is overtreden”), in grafieken (bijvoorbeeld door aan te geven waar de regel overtreden wordt) en in tabellen. Combinaties zijn ook mogelijk.
4.3 Implementatie
Op basis van dit onderzoek en het gekozen model is het programma Performance Control ontwikkeld. Dit programma haalt prestatie-indicatoren uit ID, geeft ze weer en analyseert de prestatie-indicatoren op beheersing. Het toont aan dat de theorie uit dit artikel ook in praktijk gebracht kan worden. Performance Control is getoetst op de database van ElancE® en hieruit blijkt dat prestatie-indicatoren op een snelle nauwkeurige manier weergegeven en geanalyseerd kunnen worden. Figuur 7 geeft een voorbeeld van de weergave van twee prestatie-indicatoren en de uitkomst van een analyse (rechts). Meer informatie over Performance Control staat in bijlage B.
Figuur 7. Outputvoorbeelden van Performance Control
5 Conclusie en bevindingen
Deze studie heeft de vraag behandeld of, en hoe DM toegepast kan worden op ID om meer inzicht te krijgen in de bedrijfsprestaties en om bedrijfsprestaties beter te beheersen. Allereerst is aangetoond dat het goed mogelijk is om DM toe te passen op ID. Bedrijfsprestaties kunnen weergegeven worden in prestatie-indicatoren en de beheersing van prestatie-indicatoren kan aangegeven worden met behulp van technieken uit de SPC-theorie. Een DM-systeem is ontwikkeld en dit heeft geresulteerd in het programma Performance Control. Dit programma heeft laten zien dat het DM-systeem ook in praktijk gebracht kan worden.
Datamining
Het ophalen van gegevens uit ID en deze omzetten naar informatie gebeurt aan de hand van DM. Deze techniek is al een behoorlijke tijd bekend, maar de toepassing van DM in de industriële sfeer is tot nu toe beperkt. Er is echter gebleken dat DM een zeer geschikte techniek is om prestatie-indicatoren uit ID te halen en te analyseren.
Bedrijfsprestaties
Het meten en weergeven van de bedrijfsprestaties gebeurt door prestatiemeting en prestatie-indicatoren. Het prestatie-meetproces voor organisaties bestaat uit het formuleren van prestatie-indicatoren, het registreren van gegevens, het analyseren van de uitkomsten en het bijsturen van het proces. Dit onderzoek heeft met name het analyseren van de prestatie-indicatoren belicht.
Er is gebleken dat er zeer veel prestatie-indicatoren zijn. Met behulp van een literatuurstudie zijn 250 prestatie- indicatoren geïdentificeerd. Elke organisatie bepaalt haar eigen prestatie-indicatoren aan de hand van haar strategie, beleid en doelstellingen. Het is daarom onmogelijk om algemene, waardevolle prestatie-indicatoren te formuleren, die precies aansluiten bij de eisen en wensen van organisatie. Iedere organisatie verschilt immers van andere organisaties.
Er zouden wel enkele prestatie-indicatoren gedefinieerd kunnen worden die belangrijk zijn voor praktisch elke productieorganisatie, maar daar zou voor elke organisatie wel een aantal andere prestatie-indicatoren aan toegevoegd moeten worden.
Het registreren van gegevens kan op veel manieren gebeuren en er is veel onderzoek naar gedaan. Op dit moment is er bij de veel organisaties geen gebrek aan data, maar wel aan manieren om die data om te zetten naar informatie. Het converteren van data naar informatie gebeurt in de analysefase. Prestatie-indicatoren worden geanalyseerd en zo van een bepaalde betekenis voorzien. De beheersing van prestaties kan aan de hand van bepaalde ideeën uit de SPC- theorie bepaald worden. Er zijn acht regels opgesteld waarmee vastgesteld kan worden of, en wanneer bedrijfsprestaties onbeheersbaar zijn.
Performance Control
Dit programma heeft de voorgaande aspecten gecombineerd en maakt het mogelijk om uit een ID de prestatie- indicatoren weer te geven en de beheersing daarvan te analyseren. Er zijn in de praktijk nog enkele andere punten toegevoegd om de bruikbaarheid te verhogen. Er is gebleken dat het wenselijk is om de correlatie tussen twee uitkomsten te kunnen meten. Zo kan beter onderzocht worden wat de reden is voor vreemd gedrag van bedrijfsprestaties (er zou bijvoorbeeld een sterke correlatie kunnen zijn tussen de prestaties van twee afdelingen).
Bovendien is gebleken dat het wenselijk is dat achterliggende data weergegeven kan worden. Zo kan een bepaalde uitschieter in de prestaties liggen aan een bepaalde order. In dat geval is het wenselijk om te weten om welke order het gaat. Het programma Performance Control is een lowbudget programma dat in weinig tijd ontwikkeld is. Het levert informatie op waarmee personen met geruime kennis van het productieproces en van prestatie-indicatoren goed kunnen werken (zoals productiemanagers en adviseurs).
Tot Slot
Veel productieorganisaties beschikken over ERP-pakketten die veel gegevens vastleggen in een database.
Datamining-technieken maken het mogelijk om deze gegevens beter te benutten. Slechts één van de mogelijkheden is in dit artikel uitgewerkt. Industriële databases kunnen gegevens bevatten waarmee de bedrijfsprestaties weergegeven kunnen worden. Alle gegevens die nodig zijn om kennis over prestaties te genereren liggen bij veel organisaties voor het oprapen. DM is een techniek die daadwerkelijk de gegevens omzet in kennis. Deze kennis maakt het vervolgens mogelijk om de bedrijfsprestaties te verbeteren. Dit komt natuurlijk ten goede aan de meest belangrijke prestatie-indicator van allemaal: winst. En, is dat niet wat elke commerciële organisatie wil?
