Tips voor het onderhouden van de database met reserveonderdelen voor onderhoud

Ik zie vaak groepen echt worstelen met het beheer van hun reserveonderdelengegevens vanwege jaren van verwaarlozing en gebrek aan eigendom. Bij de initiële CMMS-implementatie zijn de gegevens mogelijk correct beschreven met een benadering van zelfstandig naamwoord/kwalificatie/kwalificatie voor de korte tekstbeschrijving. Naarmate de tijd verstrijkt, gaan mensen verder en neemt iemand anders de database over. Ze krijgen mogelijk geen training of begrijpen de naamgevingsconcepten niet. Al snel kunnen de gebruikers van de gegevens de onderdelen in het magazijn niet vinden vanwege de manier waarop items zijn genoemd. De voorraadwaarde van het magazijn stijgt ook, omdat onderdelen worden gedupliceerd omdat niemand het artikel in voorraad kan vinden. Dus, hoe maak je deze puinhoop recht?

Afhankelijk van het aantal items kan het eenvoudiger zijn om te kiezen voor een datascrubbing-oefening door een derde partij. Voordat ik dit proces aan u beschrijf, wil ik u voorbereiden op een beetje stickervoorraad over de kosten. Verwacht ergens tussen $ 3,25 en $ 4,50 per SKU (voorraadeenheid) te betalen, afhankelijk van de verleende diensten. Dus 30.000 SKU's zullen u ongeveer $ 100.000 tot $ 135.000 opleveren. Als je nietsvermoedend was, kun je jezelf nu van de vloer oprapen.

In algemene termen, hier is hoe het data-scrubbingproces werkt. U verstrekt een databaselijst met al uw SKU-informatie - zoals fabrikant, modelnummer en korte tekstbeschrijving - aan de leverancier. De leverancier heeft al een datadictionary die hij in de loop van de tijd heeft gebouwd met alle onderdelen die hij tot nu toe heeft geschrobd. Dit is meestal een vrij uitgebreide lijst; maar als u bijvoorbeeld in de spoorwegsector werkt, is de lijst met gegevenswoordenboeken voor die onderdelen mogelijk niet zo uitgebreid. De leverancier zal doorgaans met u samenwerken om de datadictionary indien nodig aan te passen. De database met SKU's die u heeft opgegeven, wordt vervolgens vergeleken met de datadictionary. Je krijgt dan directe matches, hechte associaties en complete uitzonderingen. De nauwe associaties vereisen een andere pas van een mens om te verifiëren en indien nodig te corrigeren. Ze kunnen veldinspectie vereisen. De uitzonderingen vereisen wel veldinspectie om aan te pakken en correct te beschrijven. Een korte tekstbeschrijving van "Item 2 van tekening 234563-2" is bijvoorbeeld niet voldoende. Kun je me vertellen welk deel dat is; is het een as of een spindel? Voor welk apparaat? Het kan een SKF 6207-2RS1-lager zijn, maar hoe zou u dat op basis van een dergelijke beschrijving weten? Er is dus een on-site component voor het opschonen van gegevens.

Zodra deze inspanning is voltooid, biedt de leverancier u een database die weer in het CMMS wordt geladen. U kunt de leverancier vragen om duplicaten voor u te identificeren. Bovendien kan het, indien nodig, een uitgebreidere voorraadanalyse bieden op basis van (bijvoorbeeld) voorraadniveaus en -omwentelingen.

Nu is de echte prioriteit voor u om processen op te zetten en te controleren om ervoor te zorgen dat u nooit meer in deze situatie terechtkomt. U moet dit doen voordat u de opgeschoonde gegevens laadt. Dat betekent dat je echt een poortwachter of twee nodig hebt die getraind is in het maken van de korte beschrijvende tekst als voorbeeld. U hebt tenslotte net $ 135.000 van het geld van het bedrijf uitgegeven om deze gegevens te scrubben. Maar wacht, je bent nog niet klaar. Nu zou u naar de voorraad van het magazijn moeten kijken om uzelf van de duplicaten te ontdoen, als u dat nog niet hebt gedaan, en de opgeslagen artikelen te optimaliseren. Dit betekent (bijvoorbeeld) bepalen van de voorraadbehoefte, in welke hoeveelheden en op welke bestelpunten.

Over de auteur:
Als managing principal voor mensen en processen helpt Jeff Shiver organisaties bij het implementeren van best practices voor onderhoud en operaties. Voorafgaand aan deze functie was Jeff een beoefenaar die 25 jaar in productie en faciliteiten werkte bij bedrijven zoals Procter and Gamble, IBM en Mars Noord-Amerika, waar Jeff het grootste deel van zijn carrière doorbracht. Zijn ervaring omvat onderhoud en betrouwbaarheid, project- en regeltechniek, informatietechnologie en operaties in productie- en bedrijfsmanagementfuncties. Neem contact op met Jeff via [email protected].