Tarinan valta vs. tieto 

Maailma on täynnä erilaisia väittämiä. Toiset väittämät ovat parempia kuin toiset. Jos sinun on onnistuttava tai selviydyttävä, tietoon perustuva väittämä on useiden henkilöiden mielestä parempi, kuin toivoon tai haluun perustuva väittämä.

Oletan, että emme tykkäisi, jos lentokapteeni toivoisi, että lento onnistuu. Hän tietää, että lentokone, ja koko infra sen ympärillä, noudattaa luonnonlakeja ja henkilöt on koulutettu sekä osaaminen todennettu, ennen kuin lähdetään ilmaan. Lentäminen on muuten maailman turvallisin tapa matkustaa, vaikkei se välttämättä turbulenssissa siltä tunnu.

Tehdäänpä ajatusleikki. Olet paineen alla ja vastuussa palveluprosessin toiminnasta tai kehittämisestä. Saat ympäriltäsi liudan neuvoja samalla, kun on paine saada asiat ”kuntoon”. Lähdetkö tiedon vai toivon perään? Jatketaan tätä kohta. Otetaan väliin pätkä teoriaa.

Teorian pläjäys muistutukseksi

Peruskoulussa opittiin fysiikan oppitunneilla s/v= t eli kuljettava matka (s) jaettuna nopeudella(v) on ajoaika(t). Ei opittu, että ajoaikaa lyhentämällä matka lyhenee tai nopeus kasvaa. Ymmärrämme, että matka-ajan lyhentäminen vaatii toimenpiteitä olosuhteen muuttamiseen. Tämä on tietoa. Tieto tietoteoriassa väittämä, joka on tosi. En ole kuullut, että autokisoissa toivottaisiin ajoajan lyhentämistä vaan lisää nopeutta ja tehoja.

Toiminnan dynamiikkaa kuvaava kaava on Littlen lain mukaan WIP/TH = CT, joka on saman kaltainen kaava, kuin matka jaettuna nopeudella. Tässä kaavassa WIP edustaa työtä ja TH nopeutta, jolla töitä keskimäärin valmistuu. Kaavasta huomataan, että työn keskimääräinen valmistumisaika on seuraus, ei syy. Tämä on sama tilanne kuin peruskoulussa fysiikan oppitunnilla. Ymmärryksemme maailmasta perustuu tutkitun tietoon. Aivan samalla tavalla tiedämme, että jos kotipihalla tiputamme kiven kädestä, se tippuu maahan. Ei kivi jää kellumaan tai nouse ylöspäin.

Littlen lain soveltaminen

Littlen laki on perusmalli, joka antaa useissa tapauksissa ymmärryksen suorituskyvyn kannalta tärkeiden tekijöiden välisistä yhteyksistä, ja vihjeen siitä, mitä kannattaa mitata. Kaavan tunteminen ja soveltaminen auttaa ymmärtämään työtilannetta prosesseissa.

Palataan alun ajatusleikkiin, jossa toimit palveluprosessin vastaavana. Voit soveltaa Littlen lakia. Kun tiedät kaksi kolmesta muuttujasta, tiedät kolmannen. 

Kuvassa 1 on kuvattu tilanne, jossa on työt saapuvat työjonoon (tietokanta), kaksi henkilöä käsittelee töitä ja sitten ne toimitetaan eteenpäin. Pohdit, että onpa tämä yksinkertainen, meillä on paljon monimutkaisempi prosessi. Tämä on tarkoituksella yksinkertaistus, jotta nähdään kaavan edut ja kuvaava vaikutus. Kaavan kuvaama ilmiö on monimutkaisissa tilanteissa paljon tärkeämpi.

Kuva 1. Kuva tilanteesta, jota esitellään ajatusleikissä.

Työjono (WIP) voi olla oikaisupyyntöjä, ostotilauksia, taskejä tms, joiden määrä voidaan usein selvittää. Usein tiedetään, kuinka kauan tapaus menee läpi käsittelyprosessin tai ketjun (valmistumispvm. miinus saapumispvm). Seurattaessa työmäärän tasoa ja käsittelyajan kestoa tiedät, että käsittely määrä päiväkohtaisesti pysyy suunnitelulla tasolla, jos mitattavat asiat pysyvät vakaana.

Jos työmäärä (WIP) jonossa kasvaa, on todennäköistä, että käsittelyaika tulee kasvamaan, jos valmistumisvauhdille (TH) ei tehdä mitään. Itseasiassa tästä generoituu 27 erilaista tilannetta, joita varten voidaan luoda ns. operatiivinen suunnitelma. Ennakkosuunnitelma auttaa prosessista vastaavaa henkilöä tekemään päätökset ja näille skenaarioille voidaan laske hinta ja luoda prioriteetti.

Tietotekniikka auttaa mittaamisessa ja datan keräämisessä, siksi toteutus on luultua helpompaa. Tarvitaan tietoa, ei vain tarinoita. Tarvitaan taito, joka on kertynyt oppimisen ja harjoittelun kautta. Esteeksi saattaa tulla, että lähdetään helposti lähestymään asiaa tarinoiden eikä tosiasioiden kautta, koska tiedon (osaamisen) kerryttäminen voi alussa tuntua työläältä ja hitaalta. 

Mitä bufferia käytettäisiin

Edellä mainitsin 27 tai 9 erilaista skenaariota ja prioriteettilistaa sekä näille hinnan laskemisen. Tarkkaa vastausta tuskin tulee koskaan saamaan, koska ennustaminen on vaikeaa, mutta yleensä laskettu likiarvo on parempi kuin nippu arvauksia.

Selviämme arjessa monissa tapauksissa laskemalla. Palaan yhtälöön s/v=t. Jos tiedät, että sinun on ajettava tuntemattomaan paikkaan 150 km ja sinun pitää päättää mihin aikaan lähdet, uskon, että käytät helppoa laskukaavaa (I know, katsot nykyään karttaohjelmasta). Arvioit keskivauhdin esim. 80 km/h, koska kesä, jaat 150 km 80 km/h. Ajoajaksi saadaan hiukan alle kaksi tuntia. Pohdit haittaa, jos myöhästyt ja mahdollisia matkalla tarvitsevia pysähdyksiä. Päätät ajoajan näillä tiedoilla. Sanotaan, että 2,5 tuntia, koska haluat olla paikalla ajoissa. Tulos ei ole eksakti, mutta usein riittävän tarkka.

Operaatiotiede on oma tieteenala, johon perustuu mm. Tehdasfysiikka. Koska maailmassa tapahtuu yllätyksiä ja erinäisiä muutoksia, kaikkialla on vaihtelua. Operaatiossa yllätyksellisiä tilanteita kuvataan vaihtelulla. Tämän vaihtelun kanssa pitää pystyä elämään.

Yllätyksellisiin tilanteisiin eli vaihteluun varautuminen

Vaihtelua vastaan voidaan varautua kolmella bufferilla, jotka ovat: aikakapasiteetti ja varastot. Bufferin idea on, kun syntyy yllättävä tilanne odotetusta, eli olosuhde muuttuu, joku tai jotkut tekijöistä ottaa muutoksen vastaan. Jos työ loppuu jonossa, resurssi odottaa. Jos taas työtä on paljon jonossa, resurssi toimii koko ajan, mutta työ jonossa tai asiakas odottaa. Bufferi on eräänlainen ylimääräinen resurssi. 

Pysähdytään ensin kapasiteettibufferiin. Kapasiteettibufferi yksinkertaisesti kuvaa käytettävissä olevaa kyvykkyyttä valmistaa tai tuottaa enemmän palveluja tai tuotteita suhteessa kysyntää kyseisellä hetkellä. Kapasitettibufferia on läpimenon TH ja keskimääräisen kysynnän λ erotus, jota kuvataan kirjainyhdistelmällä BC.

Varasto- ja aikabufferi ovat usein hyvin lähellä toisiaan. Ne eivät ole täysin riippumattomat toisistaan. Otetaan aiempi esimerkki. Kun työ odottaa jonossa että se käsitellään, on työ varastobufferissa (BI) (tämä siis mahdollistaa työn tekemisen, vaikka hetkellisesti ei olisi kysyntää), mutta samalla se aiheuttaa asiakkaalle odotusta (aikabufferi, BT), koska asiakkaan tulee odottaa, että aiemmin jonoon tulleet työt tehdään ennen omaa työtä. Jonoihin törmätään kaikkialla: kampaamoissa, sairaaloissa, kauppajonoissa, teillä ruuhka-aikoihin jne.

Intuitiivisesti ymmärretään, jos pysähdytään miettimään tätä asiaa, tilanteessa missä ei tarvitse odottaa, tulisi palvelun tuottajalla olla todella paljon kapasiteettia. Toki usein unohtuu, että kapasiteetti maksaa. Paljonko olisin valmis maksamaan ajastani? Niinpä itseasiassa yksi tärkeimmistä asioista operatiivisen toiminnan johtamisessa on kapasiteetin määrittäminen. Tehdään valinta kapasiteetin ja odotusajan välillä. Kysymys on bufferiportfoliosta päättäminen (joka on muuten strateginen valinta).

Professori Hopp ja tohtori Spearman esittävät erinomaisen kaavan, jolla voidaan luoda kuvaus buffereiden välisestä yhteydestä. Tässä ei käydä asiaa tarkemmin läpi, mutta kuvassa 2 ovat käyrät, jotka on laskettu kolmella vaihteluntasolla ja kuvaavat buffereiden välistä suhdetta.

Suhteen matemaattinen kuvaus on buffereiden välillä on BTI=(σA2P2)/(2*(TH-λ)), missä kapasiteettibufferi BC=(TH-λ), σA2 on kysynnän varianssi ja σP2 = ulostulon varianssi.

Kuva 2. Kuvassa on buffereiden väliset suhteet. B_C on kapasiteetti bufferi. B_TI on aika ja varastobufferin yhdistelmän. Kuvasta huomataan, mitä vähemmän on kapasiteettibufferia, sitä enemmän astuvat voimaan aika- ja varastobufferit. 

Kaavan avulla voidaan luoda kuva tilanteesta, missä erilaisissa tehtävissä työskentelevät ihmiset voivat ymmärtää erilaisten buffereiden vaikusta. Voidaan arvioida kapasiteetin ja siihen muodostuvan kustannuksen suhdetta siihen, kuinka kauan työ ”makaa jonossa tai kuinka kauan asiakas joutuu odottamaan.

Kuvasta huomataan, kun säädetään resurssia (muotia puhua resurssitehokkuudesta), on tällä vaikutus asiakkaan aikaan ja työmäärään systeemissä. Jos halutaan toimia alhaisella kapasiteettibufferilla ja nopealla vasteajalla, jäljellä jää yksi tekijä: vaihtelu. Vaihtelun pienentäminen vaikuttaa yhtä aikaa kaikkiin buffereiden ja mahdollistaa todellisen tuottavuuden parantamisen. Bufferia ei siirretä vaan tapahtuu uuden tason, parannuksen syntyminen.

Lopuksi

Luonnontieteet ovat käyttökelpoinen lähestyminen palveluiden ja valmistuksen johtamisessa, kehittämisessä ja ymmärtämisessä. Vaikka fysiikka ja matematiikka voi askarruttaa, se ei ole pääasia vaan se, että ymmärrämme, kuinka prosessien dynamiikka toimii. Matematiikka kuvaa asioiden välistä suhdetta ja kuvat auttavat ymmärtämään kaavan sisältö ja prosessien käyttäytymistä. 

Vaikka oppiminen voi joskus olla tuskaista, on osaaminen kivaa. Tohtori W. Edwards Deming kirjoitti aikanaan, että kerro minulle yksikin lapsi, joka on surullinen, kun hän oppii kävelemään tai jonkun uuden taidon. Olen onnellisessa asemassa, koska työssäni saan nähdä paljon ihmisiä, kun he oivaltavat miksi asiat menevät niin kuin menee, kun esittää uskottavan teoria, mallin, kaavan tai vastaavan.

Operaatioista, tehdasfysiikasta on suuri apu monissa arjentilanteissa. Tehdasfysiikka antaa kuvauksen toiminnosta ja tiedät kuvainnollisesti ”mihin suuntaa kahvaa tulee kääntää”, jotta pääset haluttuun suuntaan.

Lähteet:

  1. Hopp, J. W. & Spearman, M. L. 2021. The Case for Unifield Science of Operations. Vol 30 No. 3 pp. 802-814. Production and Operations Management. POMS 

Kommentoi artikkelia

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

Tämä lomake on suojattu Google reCAPTCHA:lla. Lue tietosuojaseloste ja käyttöehdot.

Tilaa uutiskirje

Liity postituslistalle ja saat uusimmat artikkelit suoraan sähköpostiisi.