Caractéristiques et innovations
Fév 2024
5 min.
Caractéristiques et innovations
Rebecca s'est penchée sur cette question. Elle a étudié l'ingénierie économique et a rédigé son mémoire de licence sur ce sujet dans notre entreprise :
Évaluation de l'amélioration de l'efficacité par la mise en œuvre de
Smart Devices, de l'automatisation et de la science des données dans notre logiciel de gestion d'entrepôt (LVS) SuPCIS-L8
lors de la préparation des commandes.
Nous avons encore des informations de fond et des explications à vous fournir avant de passer aux résultats de la thèse de bachelor de juillet 2023.
Pourquoise concentrer sur la préparation de commandes pour améliorer l'efficacité ?
Comme les coûts de préparation de commandes représentent jusqu'à 70% des coûts totaux de stockage et de distribution dans de nombreuses entreprises, on cherche à améliorer l'efficacité dans ce domaine. Dans les processus de préparation de commandes de personne à marchandise, les trajets sont souvent très longs et cela représente 50 à 60 % du temps de préparation. Le temps de trajet représente donc le plus grand potentiel d'optimisation de l'amélioration de l'efficacité. De plus, il y a toujours un manque de personnel qualifié, ce qui peut être compensé par l'augmentation de l'efficacité.
Ces mesures permettent de réduire le temps de trajet :
Définition des indicateurs
Deux grandeurs ont été choisies pour déterminer la productivité. D'une part, la performance de prélèvement, qui indique le nombre de positions prélevées par heure, et d'autre part, la performance de picking, qui indique le nombre de picks par heure.
Methods-Time-Measurement (MTM)
Les indicateurs de performance pour le développement de l'efficacité avec les Smart Devices sont déterminés à l'aide de la méthode MTM. MTM met en relation un flux avec un temps standard et s'occupe de déterminer les temps cibles. La méthode MTM permet d'évaluer un processus de manière quantitative et objective.
En plus de la méthode MTM, une expérience modèle a également été menée avec des appareils intelligents pour la collecte de données. La méthode MTM est toutefois importante pour considérer de manière différenciée la part de temps consacrée aux différentes activités. Cette base permet de simuler des conditions plus réalistes afin de rendre les résultats comparables avec les autres chapitres sur l'automatisation et la science des données.
1. la performance (picks par heure) peut être augmentée de 23 % grâce à l'utilisation de dispositifs intelligents (dans ce cas, un dispositif mobile de collecte de données disponible dans le commerce).
Autres avantages:
Processus en aval
Si les erreurs de préparation de commandes ne sont pas détectées dans les processus en aval, elles atteignent les clients. Cela entraîne des insatisfactions, des retours et des coûts supplémentaires. De même, si les erreurs sont remarquées dans les processus en aval, cela entraîne des retards et du travail supplémentaire, ce qui augmente à nouveau les coûts. La réduction des erreurs est un élément important de l'amélioration de l'efficacité.
2. l'intégration d'un système de stockage automatique, par exemple un AutoStores, pour une préparation de commandes semi-automatisée entraîne, dans le cas d'application étudié, une augmentation de l'efficacité de 97 % par rapport à une préparation de commandes manuelle avec des Smart Devices.
3. l'augmentation du niveau d'automatisation grâce à la robotique pour une préparation de commandes entièrement automatisée représente un gain d'efficacité supplémentaire de près de 140 % par rapport à un processus semi-automatisé.
4. la mise en œuvre d'une application de science des données rend la préparation de commandes plus efficace de 11 % supplémentaires en combinaison avec des appareils intelligents.
Ces quatre technologies, associées à notre logiciel de gestion d'entrepôt, sont des solutions appropriées pour améliorer l'efficacité de la préparation de commandes.
Le graphique à barres se réfère à l'axe des y de gauche et représente la performance de prélèvement absolue de chaque cas d'utilisation en picks par heure. Le graphique linéaire se réfère à l'axe des y de droite et montre l'amélioration relative de l'efficacité obtenue entre les cas d'utilisation.
Conclusion : la mise en œuvre de dispositifs intelligents, l'automatisation et la science des données prouvent une augmentation significative de l'efficacité de la préparation de commandes.
Remarques: L'origine des données et des informations utilisées pour étudier les cas d'utilisation est en partie théorique et en partie pratique. Les études portent également sur des cas d'utilisation différents avec des méthodologies différentes. De ce fait, les résultats ne sont pas exactement comparables entre eux et ne sont pas non plus universellement valables.
En outre, l'efficacité de la préparation de commandes dépend de nombreux facteurs. Par exemple, des caractéristiques du processus, de la topologie de l'entrepôt, de la structure des commandes et de l'interaction entre les technologies. L'efficacité varie donc en fonction de l'application.
Néanmoins, l'approche choisie pour ce travail reste la meilleure pour répondre à la question principale. En effet, il est possible d'analyser les efficacités respectives de la préparation de commandes et de les mettre en relation en tenant compte des différences. Ainsi, les conclusions obtenues sont complètes, valables et plausibles si l'on tient compte du concept global sur lequel elles reposent.
Dans les prochains articles de blog, nous aborderons en détail les cas d'utilisation, leur méthodologie, la partie pratique et les résultats détaillés de l'amélioration de l'efficacité grâce aux appareils intelligents, à l'automatisation et à la science des données.
Perspectives de développements futurs : Amélioration de l'efficacité de l'intralogistique.
