Combining simple motion measurement, lean analysis technique and historical data review for countering negative labor cost variance: A case study
Notice bibliographique
Résumé
Negative labor cost variance (NLCV) is an important problem in many manufacturing companies today. NLCV refers to the situation that expected or standard costs are less than actual labor costs in production. Management of NLCV, including the identification of causes for NLCV and the elimination or significant reduction of NLCV, is the topic discussed in this paper. The question studied in this paper is thus: what is an effective methodology in the environment of strong privacy protection to identify causes for NLCV and to significantly reduce it? The study presented in this paper proposed a methodology by combining a simple motion measurement (stopwatch), lean analysis techniques, and historical data review to study the NLCV problem. A case study was taken on a particular company called ABC to test the effectiveness of this methodology. Specifically, the result of the study revealed that (1) the employees in ABC waited for one reason or the other for almost 5 h (idle time) in a 16-h daily operation period (2 shifts running at 8 h each), which accounts for 32% of the total productive time, and (2) the elimination of the waiting time or idle time over the years concerned could account for 83% of all identified wastes in ABC. Through this case study, the effectiveness of the proposed methodology was demonstrated and the applicability of the proposed methodology was also implied.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».