Termelési adatgyűjtés: így lesznek megbízhatóak a gyártási adatai

A havi riport szerint a 3-as gép OEE-je 91%, a műszakvezető szerint viszont „az a gép folyton áll”. A lejelentett darabszámok összege 4 820, a raktárba 4 610 darab érkezett. Az állásidők 60%-a „egyéb” kategóriában van. Melyik számnak higgyen? Ha ezek a helyzetek ismerősek, nem a mutatókkal van baj, hanem az alapjukkal: a termelési adatok minőségével. Ebben a cikkben megmutatjuk, honnan erednek a tipikus adathibák, hogyan mérheti az adatminőséget, és milyen lépésekkel érheti el, hogy a gyártási adataira bátran építhessen döntéseket.

Miért kritikus a termelési adatok minősége?

Minden gyártásirányítási döntés valamilyen adatra épül: mikor ígérhetünk szállítást, melyik gépre kell karbantartás, hol érdemes a selejtet csökkenteni, kell-e új gépet venni. Ha az adatok pontatlanok, a döntések is azok lesznek – csak éppen a pontatlanság nem látszik, mert a riport magabiztos számokat mutat.

A rossz adatminőségnek van egy kevésbé nyilvánvaló következménye is: a bizalom elvesztése. Ha a műszakvezetők egyszer-kétszer azt tapasztalják, hogy a riport nem a valóságot mutatja, onnantól minden számot gyanakvással kezelnek. Ilyenkor a megbeszéléseken arról vitatkoznak, hogy jó-e a szám, nem arról, hogy mit kellene tenni. Ez a legdrágább következmény.

Honnan erednek a tipikus adathibák?

Hiányos lejelentések

A leggyakoribb hiba, hogy egyes műveletek, műszakok vagy állásidők egyszerűen nem kerülnek rögzítésre. Ennek oka lehet időhiány, kényelmetlen rögzítési folyamat, vagy az, hogy a dolgozó nem érti, miért fontos.

Utólagos, emlékezetből történő rögzítés

Ha az állásidőket és mennyiségeket a műszak végén írják be, a rövid leállások kimaradnak, a hosszabbak kerekítve kerülnek be, a darabszámok pedig gyakran a „terv szerinti” értéket mutatják, nem a ténylegest.

Elavult vagy hibás törzsadatok

A normaidők, ideális ciklusidők, műveleti sorrendek és darabjegyzékek sokszor évekkel ezelőtti állapotot tükröznek. Ha a ciklusidő túl lassú, a teljesítmény mutató 100% fölé mehet; ha túl gyors, minden gép „lassúnak” tűnik.

Rosszul megtervezett kategóriák

Ha az állásidő- vagy selejtokok listája túl hosszú, átfedő vagy homályos, a dolgozók az első használhatónak tűnő opciót választják. Ha túl rövid, minden az „egyéb” kategóriába kerül. Mindkét esetben az elemzés értéke elvész.

Kettős vagy ellentmondó adatforrások

Ha ugyanaz az adat két helyen él – például a papíros műveleti lapon és egy Excel-táblában, vagy a MES-ben és egy külön raktári nyilvántartásban –, előbb-utóbb eltérnek egymástól, és senki sem tudja, melyik a helyes.

Az adatminőség javításának 6 lépése

1. lépés: Határozza meg, mely adatok a kritikusak

Nem minden adat egyformán fontos. Kezdje azzal a néhánnyal, amelyre a legfontosabb döntések épülnek. A legtöbb gyártónál ezek:

• a művelet kezdete és vége,
• a jó és a selejt mennyiség,
• az állásidők időtartama és oka,
• a rendelés és a gép azonosítója,
• ahol szükséges, az anyagtétel azonosítója.

Ezekre fókuszáljon először. A „jó, ha van” adatok rögzítését inkább hagyja későbbre, mert minden plusz mező rontja a kritikus adatok minőségét.

2. lépés: Mérje az adatminőséget is

Az adatminőség is mérhető, és amit mér, azon tud javítani. Íme néhány egyszerű mutató:

• Teljesség: a tervezett műveletek hány százalékáról van lejelentés?
• Kategorizáltság: az állásidők hány százaléka kapott konkrét okot (nem „egyéb” vagy üres)?
• Egyezés: mennyire egyezik a lejelentett jó mennyiség a raktárba vett mennyiséggel?
• Időszerűség: a lejelentések hány százaléka történik az esemény idején, és hány utólag?
• Hihetőség: vannak-e irreális értékek (például 100% feletti teljesítmény, negatív idő)?

3. lépés: Rögzítsen a forrásnál, az esemény idején

Az adat ott és akkor kerüljön rögzítésre, ahol és amikor keletkezik: a gép mellett, a művelet indításakor és lezárásakor, az állás kezdetén. Minden közbülső lépés – papírra írás, átadás, begépelés – hibalehetőség. Egy MES-szoftver éppen ebben segít: a lejelentés közvetlenül a műhelyben, egyszer történik.

Ahol lehet, használjon automatikus azonosítást (vonalkód, QR-kód) a rendelés- és cikkszámok begépelése helyett. Egy elírt rendelésszám órákig tartó keresgélést okozhat.

4. lépés: Tisztítsa meg és tartsa karban a törzsadatokat

Jelöljön ki törzsadat-felelőst, aki eldönti, mi a „hivatalos” normaidő, műveleti sorrend és darabjegyzék. Ütemezzen rendszeres felülvizsgálatot: például negyedévente vesse össze a normaidőket a mért tényleges időkkel, és ahol tartós az eltérés, vizsgálja meg az okát.

Fontos, hogy a törzsadatok módosítása kontrollált legyen. Ha bárki átírhatja a normaidőt, mert „ma nem jött ki”, az elemzések gyorsan értelmetlenné válnak.

5. lépés: Tervezze újra a kategóriákat

Nézze át az állásidő- és selejtokokat a következő elvek szerint:

• Legyenek egyértelműek, egymást nem átfedők.
• Kezdetben legyenek kevesen (például hat-nyolc állásidő-ok).
• Legyenek cselekvésre ösztönzők: minden kategóriához tartozzon egy felelős terület (karbantartás, logisztika, minőségügy, tervezés).
• Az „egyéb” kategóriát rendszeresen elemezze, és ahol egy ok gyakran ismétlődik, emelje ki külön kategóriába.

6. lépés: Zárja a kört – használja az adatokat

Az adatminőség javításának legerősebb eszköze az, ha az adatokat láthatóan használják. Ha egy műszak azt látja, hogy az általa rögzített állásidő-okok alapján megváltozott az anyagellátás, a következő héten pontosabban fog rögzíteni. Ha az adatok egy fekete lyukba hullanak, a minőség óhatatlanul romlik.

Szemléltető példa: az „eltűnt” 210 darab nyomában

Térjünk vissza a bevezetőben említett helyzethez: a lejelentések szerint 4 820 darab készült, a raktárba viszont csak 4 610 érkezett. Hogyan lehet egy ilyen eltérés végére járni? Íme egy lehetséges, szemléltető vizsgálat menete.

Először bontsa le az eltérést rendelésekre és műveletekre. Kiderülhet például, hogy az eltérés nagy része két rendeléshez kötődik. Ezután nézze meg, kik és mikor jelentettek le ezeken. Ha az derül ki, hogy egy rendelés utolsó műveletét két műszak is lejelentette – mert a műszakváltáskor nem volt egyértelmű, ki zárja le –, akkor a hiba nem a gyártásban, hanem a lejelentés szabályaiban van.

A másik rendelésnél előfordulhat, hogy a selejtet a gépnél kiválogatták, de nem rögzítették, így a lejelentés jó darabként számolta. Ez már minőségi kérdés is: ha a selejt nem látszik az adatokban, az okát sem fogják vizsgálni.

A tanulságok ebben a példában egyszerű szabályokká alakíthatók:

• műszakváltáskor a futó műveletet az átadó műszak zárja le a saját mennyiségével, az átvevő új szakaszt indít;
• a selejtet a keletkezés helyén, a művelet lezárása előtt kell rögzíteni;
• a műszakvezető a műszak végén ellenőrzi, hogy minden lezárt műveletnél szerepel-e jó és selejt mennyiség.

Az ilyen vizsgálatok elsőre időigényesnek tűnnek, de minden feltárt ok egy újabb hibaforrást szüntet meg véglegesen. Néhány kör után az eltérések jellemzően ritkák és könnyen magyarázhatók lesznek.

Gépi adatgyűjtés vagy kézi lejelentés?

Gyakori kérdés, hogy az adatminőség problémáit nem oldaná-e meg egyszerűen a gépek közvetlen adatkapcsolata. Részben igen: a gépi adatgyűjtés pontosan rögzíti a futási és állási időket, valamint a ciklusokat, és kiküszöböli az emlékezetből történő becslést.

Ugyanakkor a gép nem tudja, miért állt: anyagra vártak, szerszámot cseréltek vagy minőségi probléma miatt állították le. Az okot továbbra is embernek kell rögzítenie. Ráadásul nem minden gép köthető be egyszerűen, főleg egy vegyes, régebbi gépparkkal rendelkező KKV-nál.

Ezért sok üzemben a kézi lejelentéssel érdemes kezdeni, rendbe tenni a folyamatokat és a kategóriákat, majd a kritikus gépeknél fokozatosan bevezetni a gépi adatgyűjtést. Így a gépi adatok egy már működő, tiszta rendszerbe érkeznek.

Tipikus ellenvetések

„Az adataink nagyjából jók, ennyi elég.” A „nagyjából jó” adat elég lehet egy durva becsléshez, de egy beruházási döntéshez vagy egy vevői határidő ígéretéhez kevés. Érdemes legalább egyszer megmérni a teljességet és az egyezést – gyakran meglepő az eredmény.

„Nincs kapacitásunk adattisztításra.” Nem kell mindent egyszerre rendbe tenni. Kezdje a pilot terület kritikus adataival. Néhány nap célzott munka sokkal többet ér, mint hónapokig pontatlan riportokon vitatkozni.

„A dolgozók úgysem fognak pontosan rögzíteni.” Ha a rögzítés egyszerű, az esemény idején történik, és az adatoknak látható következménye van, a tapasztalat szerint a pontosság jelentősen javul. Az emberek nem a pontosság ellen, hanem a felesleges adminisztráció ellen tiltakoznak.

Mérőszámok: honnan tudja, hogy javul az adatminőség?

Rövid táv (1–3 hónap):

• A lejelentések teljessége minden műszakban megbízhatóan magas.
• Az „egyéb” állásidő-ok aránya érezhetően csökken.

Középtáv (3–6 hónap):

• A lejelentett és a raktárba vett mennyiség közötti eltérés minimálisra csökken.
• A normaidők felülvizsgálata megtörtént, a 100% feletti teljesítményértékek eltűntek.

Hosszú táv (6–12 hónap):

• A megbeszéléseken nem a számok helyességéről, hanem a teendőkről folyik a vita.
• Beruházási és kapacitásdöntések rendszeresen a termelési adatokra épülnek.

Összefoglalás: a jó döntés jó adattal kezdődik

A termelési adatok minősége nem informatikai részletkérdés, hanem a gyártásirányítás alapja. Határozza meg a kritikus adatokat, mérje az adatminőséget, rögzítsen a forrásnál, tartsa karban a törzsadatokat, tervezze újra a kategóriákat, és zárja a kört az adatok használatával. Ha ezt következetesen teszi, a riportjai végre azt mutatják majd, ami a műhelyben valóban történik – és ettől kezdve a számok nem vitát, hanem cselekvést indítanak el.

Írta: Cégem360 szakértői csapat | Közzétéve: 2026. szeptember 8.