Czanieckie Makarony: Poprawa OEE

Poprawa OEE nie zawsze zaczyna się od wymiany maszyny, zwiększenia prędkości albo dołożenia bufora. Case study Czanieckich Makaronów pokazuje, że najpierw warto zrozumieć zmienność całej linii i sprawdzić planowaną inwestycję w cyfrowym bliźniaku. Dopiero wtedy można ocenić, które rozwiązanie rzeczywiście zwiększy zdolność procesu.

Materiał powstał na podstawie wystąpienia Patryka Dybała podczas Lean TWI Summit 2026 we Wrocławiu. Firma zaprezentowała praktyczny przykład wykorzystania danych z systemu MES i modelu symulacyjnego do oceny wariantów rozwoju linii produkcyjnej. Najważniejszy wniosek nie dotyczy samej technologii: wartością cyfrowego bliźniaka jest lepsza decyzja podjęta przed zmianą rzeczywistego procesu.

Poprawa OEE w Czanieckich Makaronach: punkt wyjścia

Czanieckie Makarony to rodzinna firma założona w 1990 roku przez Władysława i Zbigniewa Dybałów. Zgodnie z materiałem konferencyjnym zatrudnia około 250 osób, produkuje około 10 000 ton makaronu rocznie, a w zarządzanie przedsiębiorstwem jest zaangażowane już trzecie pokolenie rodziny. Więcej o standardach jakości i procesie wytwarzania można przeczytać na oficjalnej stronie Czanieckich Makaronów.

Przed firmą stanęło pytanie typowe dla rosnących zakładów FMCG: jak zwiększyć moc istniejącej linii, kiedy ograniczeniem nie jest wyłącznie jej średnia wydajność? Proces był szybki, ale niestabilny. Zmieniał się w czasie pod wpływem zachowania ludzi, przerw, drobnych usterek oraz świadomego dławienia wybranych stanowisk. Statyczne obliczenie mogło wskazać średnią zdolność, lecz nie pokazywało, jak zmienność przechodzi przez cały przepływ.

Pytanie nie brzmiało: „czy bufor działa?”, ale: „w jakiej konfiguracji procesu bufor rzeczywiście zwiększy moc linii?”.

Poprawa OEE wymaga spojrzenia poza średnią

OEE łączy trzy wymiary: dostępność, wykonanie i jakość. W praktyce jeden końcowy procent może ukrywać kilka bardzo różnych mechanizmów. Drobna awaria obniża dostępność. Celowe spowolnienie albo zmienna prędkość wpływają na wykonanie. Braki i poprawki obciążają jakość. Jeżeli zespół widzi tylko wynik końcowy, łatwo dobrać rozwiązanie do objawu zamiast do przyczyny.

W prezentacji Czanieckich Makaronów nie opublikowano danych jakościowych ani wzrostu OEE wyrażonego w punktach procentowych. Dlatego ten artykuł nie przypisuje firmie wyniku, którego materiał źródłowy nie potwierdza. Pokazuje natomiast, jak analiza zmienności, walidacja modelu i porównanie scenariuszy mogą prowadzić do decyzji wspierających Poprawę OEE, zwłaszcza w obszarach dostępności i wykonania.

Cztery źródła niestabilności procesu

Materiał opisuje cztery zjawiska, które utrudniały prostą ocenę inwestycji. Każde z nich może wydawać się niewielkie, ale ich połączenie zmienia zachowanie całej linii.

• Zmienna w czasie wydajność personelu. Średnie tempo nie oddaje różnic pojawiających się w trakcie zmiany ani ich wpływu na kolejne stanowiska.
• Przesuwane przerwy o około 15 minut. Zmiana momentu przerwy wpływa na dostępność zasobów i rozkład obciążenia w przepływie.
• Drobne usterki. Krótkie zdarzenia mogą nie wyglądać poważnie pojedynczo, lecz ich częstotliwość i synchronizacja z innymi stratami mają znaczenie.
• Zamierzone dławienie stanowisk. Sterowanie tempem jednego fragmentu chroni proces lokalnie, ale może ograniczać wynik całej linii.

Takie zjawiska powodują, że dwie zmiany o podobnym średnim wyniku mogą mieć zupełnie inny przebieg. Jedna będzie stabilna, druga pełna krótkich spiętrzeń i okresów oczekiwania. Jeżeli decyzja inwestycyjna bazuje wyłącznie na średnich, nie widzi ani sekwencji zdarzeń, ani wzajemnego wzmacniania się strat.

Od pomysłu inwestycyjnego do pytania o stan docelowy

Pierwotne wyzwanie dotyczyło zwiększenia mocy linii. Jednym z rozważanych rozwiązań był bufor. Statyczne obliczenia nie pozwalały jednak wiarygodnie przewidzieć jego wartości w zmiennych warunkach. Firma stanęła więc przed ryzykiem: wydać środki na rozwiązanie, które wygląda rozsądnie na papierze, ale może nie przynieść oczekiwanego efektu po uruchomieniu.

Stan docelowy nie został zdefiniowany jako „kupujemy bufor”. Celem było stworzenie wiarygodnej podstawy decyzji. Cyfrowy bliźniak miał odpowiedzieć na dwa pytania: czy inwestycja zwiększy moc linii oraz jaki powinien być jej zakres, aby współgrała z pozostałymi elementami procesu.

Poprawa OEE: trzy kroki pracy z cyfrowym bliźniakiem

Zespół uporządkował drogę dojścia w trzech krokach. Kolejność była kluczowa: zanim przetestowano przyszłość, model musiał najpierw odtworzyć rzeczywisty proces i przejść walidację na danych.

1. Odwzorowanie stanu obecnego

Pierwsza wersja cyfrowego bliźniaka została oparta na layoucie linii. Następnie uzupełniono ją o logikę automatyki, w tym dławienie i zmiany kierunków. Model uwzględniał rzeczywistą zmienność wydajności w czasie oraz zmienne obłożenie stanowisk. Dzięki temu nie był elegancką animacją procesu idealnego, lecz próbą odtworzenia jego faktycznego zachowania.

2. Walidacja modelu danymi z MES

Model przeszedł szereg iteracji z wykorzystaniem rzeczywistych danych z systemu MES. Prezentacja raportuje osiągnięcie 99% zgodności modelu z rzeczywistością. Taki poziom walidacji pozwolił traktować symulację jako wiarygodne środowisko do porównywania wariantów, a nie jako luźną wizualizację.

3. Odwzorowanie stanu docelowego

Dopiero po walidacji zamodelowano działający bufor wraz z jego docelową logiką. Zespół wykorzystał dane z wcześniejszych przebiegów, aby sprawdzić kontrfaktyczne pytanie: jak wyglądałyby wyniki tych samych zmian, gdyby bufor już istniał? To pozwoliło porównać scenariusze bez zatrzymywania produkcji i bez ponoszenia kosztu pełnej inwestycji.

Poprawa OEE – 5 warstw wiarygodnego modelu produkcyjnego

Cyfrowy bliźniak jest tak dobry, jak założenia i dane, z których powstał. W przypadku Czanieckich Makaronów model łączył pięć warstw: układ fizyczny, logikę automatyki, zachowanie procesu w czasie, dostępność ludzi oraz iteracyjne dopracowanie. Pominięcie którejkolwiek z nich mogłoby stworzyć pozornie precyzyjną, lecz błędną odpowiedź.

• Layout definiował kolejność i połączenia między stanowiskami.
• Logika automatyki odtwarzała rzeczywiste reguły sterowania, a nie tylko nominalne czasy cyklu.
• Zmienność w czasie pozwalała zobaczyć, jak odchylenia kumulują się i przemieszczają w przepływie.
• Obłożenie stanowisk uwzględniało wpływ dostępności personelu na zachowanie linii.
• Iteracje modelu służyły stopniowemu usuwaniu rozbieżności między symulacją a danymi MES.

W praktyce najbardziej wartościowa część projektu często nie jest widoczna na ekranie. To praca nad definicjami zdarzeń, jakością danych, regułami sterowania i wyjątkami. Model 3D może ułatwiać rozmowę, ale o jego wiarygodności decyduje logika procesu.

Walidacja ujawniła zmianę niewidoczną w samych wynikach

Podczas walidacji pojawił się nieoczekiwany efekt. Model pomógł rozpoznać zmianę w procesie, której nie można było jednoznacznie zidentyfikować, obserwując wyłącznie zagregowane wyniki produkcyjne. Materiał źródłowy anonimizuje dokładną datę zdarzenia, dlatego artykuł jej nie ujawnia.

To ważna lekcja dla analizy OEE. Wskaźnik mówi, że wynik się zmienił, ale nie zawsze wyjaśnia, co dokładnie wydarzyło się w sekwencji procesu. Porównanie modelu z danymi rzeczywistymi może działać jak test spójności: kiedy symulacja i rzeczywistość zaczynają się rozchodzić, warto szukać zmiany standardu, parametrów, obsady albo logiki sterowania.

Poprawa OEE: co pokazały dwa scenariusze

Najważniejszy rezultat symulacji polegał na zmianie oceny inwestycji. Przy utrzymaniu bieżących warunków produkcyjnych sam bufor zwiększał całkowitą wydajność o około 2%. To efekt dodatni, ale znacznie mniejszy, niż można byłoby oczekiwać od inwestycji ocenianej bez uwzględnienia całej zmienności.

Wyraźnie większa wartość bufora pojawiła się dopiero po zwiększeniu liczby stanowisk. W tym scenariuszu całkowita wydajność rosła o ponad 20%, ponieważ bufor mógł kompensować typową zmienność występującą w procesie. Oznacza to, że rozwiązanie nie było samo w sobie dobre albo złe — jego skuteczność zależała od konfiguracji całego systemu.

Scenariusz	Raportowany wynik symulacji	Wniosek decyzyjny
Bufor przy bieżących warunkach	około 2% wzrostu całkowitej wydajności	Sam bufor nie usuwa głównego ograniczenia
Bufor po zwiększeniu liczby stanowisk	ponad 20% wzrostu całkowitej wydajności	Bufor zyskuje wartość, gdy może kompensować zmienność systemu

Co wynik symulacji oznacza — i czego nie potwierdza

Precyzyjne nazwanie poziomu dowodu jest ważne dla wiarygodności case study. W prezentacji potwierdzono 99% zgodności modelu z danymi rzeczywistymi oraz wyniki dwóch scenariuszy symulacyjnych. Nie pokazano natomiast końcowego pomiaru po fizycznym wdrożeniu wszystkich zmian ani wartości OEE przed i po projekcie.

• Potwierdzone w materiale: źródła zmienności, sposób budowy modelu, walidacja na danych MES, 99% zgodności oraz wyniki symulacji około 2% i ponad 20%.
• Wniosek decyzyjny: zakres inwestycji powinien obejmować zależności między buforem a liczbą stanowisk.
• Niepotwierdzone w materiale: końcowy wzrost OEE po wdrożeniu, okres utrzymania efektu, nakład inwestycyjny i czas zwrotu.

Dlatego Poprawa OEE jest tutaj przede wszystkim uporządkowanym kierunkiem doskonalenia i kryterium decyzji. Żeby potwierdzić efekt po inwestycji, firma powinna ponownie zmierzyć dostępność, wykonanie i jakość, a następnie porównać wynik z bazą oraz założeniami modelu.

Poprawa OEE – 6 lekcji dla zakładów FMCG

Case study można przełożyć na sześć praktycznych zasad przydatnych także w innych zakładach produkcji żywności.

1. Najpierw zdefiniuj decyzję. Model powinien odpowiadać na konkretne pytanie biznesowe, a nie powstawać dlatego, że technologia jest dostępna.
2. Nie zamieniaj zmienności na jedną średnią. Zachowaj sekwencję zdarzeń, czas ich trwania i zależności między stanowiskami.
3. Waliduj na okresach reprezentatywnych. „Mocny tydzień” i „słaby tydzień” mogą ujawnić inne ograniczenia niż przeciętny dzień.
4. Sprawdzaj kombinacje zmian. Pojedynczy element może mieć niewielki efekt, ale stać się wartościowy po zmianie innego ograniczenia.
5. Oddziel wynik modelu od rezultatu wdrożenia. Symulacja uzasadnia decyzję; pomiar powdrożeniowy potwierdza, czy organizacja osiągnęła zakładany efekt.
6. Traktuj rozbieżność jak informację. Kiedy model przestaje pasować do rzeczywistości, może to oznaczać zmianę procesu, którą warto zbadać.

Jak prowadzić projekt od danych do decyzji

Praktyczna ścieżka zaczyna się od wyboru problemu i odpowiedzialnego właściciela decyzji. Następnie zespół definiuje granice procesu, źródła danych oraz minimalny poziom dokładności potrzebny do danego zastosowania. Nie każdy model musi być równie szczegółowy — powinien być wystarczająco dobry, aby rozróżnić analizowane scenariusze.

1. Zmierz: ustal definicje zdarzeń i sprawdź jakość danych MES.
2. Zamodeluj: odtwórz przepływ, logikę sterowania, obsadę i zmienność.
3. Zwaliduj: porównaj model z kilkoma okresami rzeczywistej pracy.
4. Symuluj: testuj pojedyncze rozwiązania oraz ich kombinacje.
5. Zdecyduj: wybierz wariant, zakres i warunki brzegowe inwestycji.
6. Monitoruj: po wdrożeniu porównaj realny wynik z prognozą i aktualizuj model.

Jak mierzyć efekt po wdrożeniu

Aby zamknąć pętlę uczenia się, plan pomiaru powinien powstać przed uruchomieniem zmiany. W przeciwnym razie organizacja może osiągnąć większy wolumen, ale nie wiedzieć, czy wynika on z inwestycji, innego miksu produktów, zwiększonej obsady albo nietypowo spokojnego okresu.

Obszar	Przykładowy miernik	Po co go obserwować
Dostępność	czas planowany, awarie i drobne postoje	sprawdzić, czy inwestycja ogranicza utratę czasu pracy
Wykonanie	tempo rzeczywiste wobec standardu	ocenić wpływ dławienia i zmienności stanowisk
Jakość	dobra produkcja za pierwszym razem	upewnić się, że wzrost tempa nie pogarsza jakości
Przepływ	całkowita wydajność, WIP i zajętość bufora	zobaczyć zachowanie całej linii, nie tylko lokalnych maszyn
Ekonomia	koszt inwestycji, oszczędność i czas zwrotu	potwierdzić wartość decyzji biznesowej

Najlepszy plan pomiaru porównuje okresy o podobnym miksie, obsadzie i zapotrzebowaniu. Powinien również uwzględniać czas stabilizacji nowego sposobu pracy. Jednorazowy dobry tydzień jest sygnałem, ale nie dowodem trwałego efektu.

Najczęstsze błędy przy wykorzystaniu cyfrowego bliźniaka

• Model idealnego procesu. Pominięcie awarii, przerw, zmian obsady i wyjątków zawyża przewidywany efekt.
• Walidacja na jednym dniu. Przypadkowo stabilny okres może ukryć różnice występujące w normalnej pracy.
• Zbyt szczegółowy pierwszy model. Zespół długo odwzorowuje elementy, które nie wpływają na decyzję.
• Brak właściciela danych. Różne definicje postoju albo dobrego produktu uniemożliwiają wiarygodne porównanie.
• Testowanie tylko jednego wariantu. Największy efekt może powstać dopiero z połączenia kilku zmian.
• Brak pomiaru po wdrożeniu. Organizacja nie wie, czy rzeczywistość potwierdziła model i czego nauczyć się na przyszłość.

Czego uczy case study Czanieckich Makaronów

Najważniejszą lekcją jest zależność między rozwiązaniem a systemem. Bufor może dać około 2% albo ponad 20% wzrostu całkowitej wydajności — w zależności od tego, jakie inne ograniczenia pozostają w procesie. Ta różnica jest zbyt duża, aby opierać decyzję wyłącznie na statycznym arkuszu i nominalnych czasach cyklu.

Poprawa OEE zaczyna się więc od rzetelnego obrazu pracy. Dane MES pokazują zdarzenia, model porządkuje zależności, walidacja buduje zaufanie, a symulacja pozwala bezpiecznie porównać scenariusze. Technologia nie zastępuje odpowiedzialności menedżerskiej — pomaga ją oprzeć na lepszych przesłankach.

FAQ: Poprawa OEE i cyfrowy bliźniak

Czy cyfrowy bliźniak automatycznie poprawia OEE?

Nie. Model nie zmienia fizycznego procesu. Pomaga znaleźć właściwy wariant działania, oszacować jego wpływ i ograniczyć ryzyko inwestycji. Efekt trzeba następnie osiągnąć przez wdrożenie i potwierdzić rzeczywistym pomiarem.

Dlaczego nie wystarczy średnia wydajność linii?

Średnia usuwa kolejność zdarzeń. Nie pokazuje, czy krótkie postoje występują jednocześnie, jak zmienia się obsada i kiedy jedno stanowisko dusi drugie. W procesie połączonym te zależności często decydują o całkowitej zdolności.

Co oznacza 99% zgodności modelu?

To raportowany w prezentacji poziom dopasowania symulacji do rzeczywistych danych MES. Nie oznacza, że każda przyszła prognoza będzie miała dokładnie 99% trafności. Model trzeba aktualizować, gdy zmienia się proces, miks produktów, obsada lub reguły sterowania.

Czy wzrost ponad 20% został osiągnięty po wdrożeniu?

Prezentacja opisuje wynik scenariusza zamodelowanego dla bufora po zwiększeniu liczby stanowisk. Nie przedstawia końcowego badania powdrożeniowego OEE. Dlatego wartość ponad 20% należy czytać jako wynik wiarygodnej symulacji wspierającej decyzję, a nie jako zadeklarowany rezultat fizycznego wdrożenia.

---

O autorze case study

Patryk Dybał jest Prokurentem i General Managerem w Czanieckich Makaronach. Podczas Lean TWI Summit 2026 przedstawił praktyczne zastosowanie cyfrowego bliźniaka do oceny inwestycji zwiększającej moc linii produkcyjnej. W swoim wystąpieniu pokazał, jak połączenie znajomości procesu, danych MES i symulacji może ograniczać ryzyko decyzji oraz ujawniać zależności niewidoczne w samych zagregowanych wynikach produkcyjnych.

Artykuł powstał na podstawie materiałów zaprezentowanych przez Czanieckie Makarony podczas konferencji Lean TWI Summit 2026 we Wrocławiu. Grafiki są autorskimi, uproszczonymi opracowaniami Leantrix; nie odwzorowują szczegółowego layoutu zakładu ani poufnych parametrów procesu.