Optimér performance i jeres automatiske lager
I mange automatiske lagre bliver plukkeperformance dårligere over tid. Performance kan optimeres med op til 50% ved at implementere nogle mere intelligente strategier.
De blå søjler viser hvor dybt kraner faktisk kører, den grønne streg viser en mere optimal strategi..
Flere virksomheder oplever at performance er faldet over tid i deres automatiske pallelager, miniloadlager, lager med shuttlesystemer eller lignende.
På mange lagre kan performance optimeres med op til 50% ved at implementere nogle mere intelligente strategier som f.eks. indlagringstrategier, genopfyldningsstrategier og plukkestrategier.
Især for lagre med ind- og udlagring i den ene ende er indlagringsstrategien vigtig for systemets performance, da performance falder hvis højfrekvente varer indlagres på en uhensigtsmæssig lokation langt fra udgangen.
I matrix-systemer er indlagringsstrategien mindre vigtig, her betyder genopfyldningstrategien og plukkestrategien mere for systemets performance.
Hvorfor falder performance over tid?
At performance falder over tid, kan skyldes flere ting. Det kan for eksempel være parametre som:
- At forretningen og varerne har ændret sig siden det automatiske lager blev indført.
- Der er opstået fejl i stamdata der har negativ indflydelse på performance.
- Den typiske ordresammensætning har ændret sig.
- Der er lavet ændringer i ERP systemet der har haft negativ indflydelse på performance.
- Der er introduceret ordrer til e-handel i det samme lager.
Under indkøring af et nyt automatisk lager går der typisk ret lang tid inden det bliver fyldt op, og derfor er det svært at teste hvordan det vil opføre sig over tid med netop de varer der faktisk bliver ført ind på lageret.
Måske har man fået lavet en simulering inden man byggede lageret. Men det er også ofte svært at lave en retvisende simulering af den forventede lagerbeholdning, ordresammensætning og ordremængde der ligger x antal måneder ud i fremtiden. Derfor vil der ofte være ret stor forskel i en simuleret performance med den faktiske performance.
En dataanalyse kan sige meget om performance
Det er typisk også en kompleks proces at teste de implementerede strategier og at gennemskue hvad en ændring i strategierne vil betyde for performance. Et godt sted at starte er at lave nogle simple dataanalyser af f.eks.:
- Vare/lokationsanalyse (hvilke varer er på hvilke lokationer i forhold til deres faktiske ordrefrekvens)
- Krandybdeanalyse (statistik over hvor dybt kranerne faktisk kører i lageret)
- Relokationsanalyse (statistik over hvor ofte kranerne må lave relokationer)
Billedet viser et eksempel på en krandybdeanalyse hvor dybden vises ud a x-aksen og antal udlagrede kasser på en uge vises op af y-aksen. Ind- og udlagring forgår til venstre på lokation 1.
På de blå søjler ses det at kranerne ofte er dybt i lageret, optimalt set skulle de mest operere tættest på ind- og udgang og kun meget sjældent køre helt i dybden. Det optimale flow kunne ligne den grønne streg, men det vil være meget forskelligt fra den ene virksomhed til den anden, det afhænger af virksomhedens vare- og ordrestruktur.
I dette eksempel er der tillige en høj relokationsfrekvens på ca. 40%. Det betyder at der kan opnås ca. 50% forbedring af performance i dette eksempel ved at finde en mere optimal indlagringsstrategi der kunne ligne den grønne streg, sammenholdt med at sænke relokationsfrekvensen til ca. 20%, hvilket er realistisk.
De optimale algoritmer vil være unikke for hver enkelt virksomheds lager, idet der ikke er to virksomheder der har samme lager-, vare- og ordrestruktur.
Gratis dataanalyse
Logiritmic tilbyder at lave en gratis og helt uforpligtende analyse hvor virksomheden hurtigt vil kunne få et overblik over den nuværende lagerperformance, og dermed nogle idéer til hvordan performance kan forbedres.
Læs om vores gratis dataanalyse på https://logiritmic.com/performanceoptimering.
