Kundeservice har fået tre klager på en uge.
Salg vil have mere på lager.
Indkøb peger på leverandøren, og leverandøren siger, at I bestilte for sent.
Alle har en forklaring, og OTIF står stadig på 86 %. Alle kender tallet. Ingen ved, hvorfor det ser sådan ud.
Vil du forbedre OTIF, er første skridt hverken at hæve lageret eller at presse leverandøren. Det er at finde ud af, hvor ordrerne faktisk knækker.
Her får du en enkel måde at dele tallet op på, så du kan se, om problemet ligger hos leverandøren, i jeres egen planlægning eller på lageret – og hvad du gør ved det.
OTIF står for On Time In Full. En ordre tæller kun med, hvis den både kommer til den aftalte tid og i den fulde mængde. Kommer den til tiden, men mangler én ordrelinje, er den ikke OTIF. Er den komplet, men en dag for sent, heller ikke.
OTIF (%) = antal ordrer leveret til tiden og fuldt ÷ samlet antal ordrer × 100
Formlen er enkel. Det svære er definitionerne bag den, og før du kan forbedre OTIF som KPI, skal de være på plads.
Hvilken dato måler du imod: den dato, kunden ønskede, eller den dato, I bekræftede? Tæller en dag for tidligt som en fejl? Og måler du på hele ordren eller på hver ordrelinje?
I en produktion, hvor én manglende komponent stopper linjen, kan det give mening at måle på linjeniveau. En grossist kan vælge ordreniveau, fordi det er sådan, kunden oplever leverancen. Begge valg kan forsvares.
Vælg én definition, skriv den ned, og brug den samme hver måned. Ellers diskuterer I tallet i stedet for årsagen. Du kan læse mere om selve begrebet i ordbogen om OTIF.
Fordi ét tal dækker over to forskellige fejl med forskellige ejere.
En ordre, der kommer for sent, kan skyldes plukkekapacitet, transport eller et kundeløfte, der aldrig var realistisk.
En ordre, der ikke er komplet, kan skyldes, at varen ikke var der, da ordren skulle pakkes. Og den manglende vare kan igen skyldes en leverandør, en indkøbsordre der blev lagt for sent, eller en lagersaldo, der viste noget andet, end hylden gjorde.
Ser du kun det samlede tal, ved du, at noget er galt. Du ved ikke, hvem der skal gøre noget ved det.
Tag et konstrueret eksempel. En grossist har 1.200 kundeordrer i et kvartal. 1.032 af dem bliver leveret til tiden og fuldt. OTIF er 86 %. De 168 ordrer, der ikke lever op til kravet, fordeler sig sådan:
Deler du fejlene op på de to krav, ser billedet anderledes ud. 94 % af ordrerne kom til tiden: (1.200 − 41 − 30) ÷ 1.200. Kun 89 % var komplette: (1.200 − 97 − 30) ÷ 1.200. I det her eksempel er det altså "in full", der trækker OTIF ned. 127 af de 168 fejlede ordrer manglede en vare.
Næste spørgsmål er, hvorfor varen manglede. Registrerer I den primære årsag til hver afvigelse, kan de 127 ordrer fx fordele sig sådan:
Graver du videre i de 74, viser det sig, at 52 af dem handler om varer fra kun to leverandører.
Nu har du tre forskellige opgaver i stedet for én. To leverandører skal have en konkret samtale. Disponeringen skal finde ud af, hvorfor indkøbsordrerne bliver lagt for sent i forhold til leverandørens leveringstid. Og lageret skal have styr på saldoen på de varer, hvor tallene ikke passer.
En generel forhøjelse af sikkerhedslageret ville forsøge at løse alle tre problemer med lager. Det kan løfte OTIF. Men du risikerer at binde mere kapital uden at få rettet de 31 sene indkøbsordrer og 22 saldofejl, der også var en del af problemet.
Eksemplet viser også, hvor meget de to leverandører fylder. Var de 52 ordrer ellers gået igennem, ville OTIF i kvartalet have ligget på godt 90 %: (1.032 + 52) ÷ 1.200. Tallene er konstruerede for at vise metoden. Fordelingen i dine egne data kan se helt anderledes ud – og det er netop derfor, du skal dele tallet op.
Når OTIF falder, er leverandøren den nemmeste at pege på. Nogle gange med rette. Leverer en leverandør for sent, delvist eller med fejl, som først bliver opdaget ved varemodtagelsen, rammer det dine egne kundeordrer.
Men leverandørens OTIF afhænger af, hvad du måler den imod. Måler du mod den dato, I bad om, kan leverandøren se dårlig ud på ordrer, I selv lagde for sent. Måler du mod den dato, leverandøren bekræftede, kan leverandøren se fin ud, selvom bekræftelsen lå en uge efter jeres behov.
Begge tal er nyttige, men til hver sin ting. Den bekræftede dato viser, om leverandøren holder, hvad de lover. Den ønskede dato viser, om samarbejdet dækker jeres behov. Er der stor forskel på de to, så undersøg hvorfor. Bestilte I for sent? Står der en forkert leveringstid i systemet? Eller kan leverandøren ganske enkelt ikke levere, når I har brug for det?
Den skelnen skal være på plads, før du forhandler. Ellers risikerer du at kræve forbedringer af en leverandør for fejl, I selv har lavet.
En samlet leverandør-OTIF på 91 % kan se acceptabel ud. Den fortæller bare ikke, hvad de sidste 9 % rammer. Er det varer, der indgår i jeres mest solgte produkter, eller dele i en stykliste, hvor én mangel stopper produktionen, er 91 % et problem. Er det varer, hvor kunden alligevel venter tre uger, er det måske ikke.
Brug derfor leverandørens OTIF sammen med konsekvensen. Hvilke leverandører skaber flest restordrer hos jeres kunder? Hvilke tvinger jer til at holde ekstra sikkerhedslager? Og hvilke svinger så meget i leveringstid, at I aldrig ved, hvornår varen kommer?
Det sidste er værd at måle for sig. Svinger en leverandør mellem 8 og 14 dage, bygger du buffer mod leverandøren, ikke kun mod efterspørgslen.
Når du har tallene pr. leverandør, bliver leverandørstyring mere konkret. En samtale om, hvilke ordrelinjer der kom for sent i kvartalet, og hvad det betød for jeres kunder, er en anden samtale end "jeres leveringsevne skal op". Vil du vurdere leverandørerne samlet, kan du læse guiden til leverandørportefølje-analyse.
Lager er den hurtigste måde at beskytte OTIF på. Er leverandøren ustabil, lægger du lidt ekstra på hylden. Det virker, og nogle gange er det det rigtige valg – fx på en kritisk vare, mens du arbejder med leverandøren.
Men lager hjælper kun på de ordrer, hvor en manglende vare var problemet. I eksemplet ovenfor ville ekstra lager ikke ændre noget for de 41 ordrer, der var komplette, men kom for sent. Og lægger du ekstra på alle varer, binder du kapital i varer, der allerede blev leveret fint.
Spørg derfor ikke kun, hvor meget lager du skal bruge for at holde OTIF. Spørg også, hvorfor du har brug for så meget lager for at levere til tiden og fuldt. Svaret kan pege på en leverandør, en parameter eller en arbejdsgang, der er billigere at rette end at dække med lager.
Det betyder også, at ikke alle varer behøver samme OTIF-mål. En vare, der stopper en kundes produktion, kan fortjene høj leveringssikkerhed. En langsomt omsat vare med lav avance og lang genopfyldningstid kan måske godt have et længere kundeløfte, hvis kunden kender det. Hvordan du finder balancen, kan du læse om i guiden til servicegrad og kapitalbinding.
OTIF kan stige af gode og dårlige grunde. Stiger den, samtidig med at lageret vokser, har du måske bare købt dig til den. Følg den derfor sammen med et par andre tal:
I artiklen om lagernøgletal kan du se, hvordan flere af dem beregnes og læses sammen.
Opdelingen ovenfor er nem at lave for ét kvartal og en håndfuld leverandører. Det svære er at holde den opdateret, når du har hundredvis af leverandører, tusindvis af ordrelinjer og leveringstider, der ændrer sig fra ordre til ordre.
Inacts løsning til leverandørperformance henter indkøbsordrer, varemodtagelser og fakturaer fra jeres ERP-system og beregner OTIF, leveringstider og kvalitet pr. leverandør. Så kan du se, hvor leverancerne knækker, og tage samtalen med leverandøren ud fra et scorecard, I begge kan se.