17/01/2022
“Eet gezond en gevarieerd, maar... wel met een constante kwaliteit”! Deze zin geeft zowel het nut als de keerzijde van variatie weer. De eerste helft is het credo van de bewuste consument, de tweede helft de uitdaging van de voedingsindustrie. Consumenten verwachten namelijk dat wanneer ze een zuivelproduct kopen, het product exact de ingrediënten bevat zoals het etiket weergeeft. Echter, die levering van constante kwaliteit is van veel zaken afhankelijk. Denk aan de melk die koeien produceren: die kan variëren in samenstelling doordat hun voedsel verandert gedurende de seizoenen. Ook de locaties waar ze grazen en de ondergrond waarop ze zich bevinden zijn van invloed op hun melkproductie. Heb je hier ooit bij stil gedaan tijdens je dagelijkse ontbijt? Als je een producent in de voedingsmiddelenindustrie bent vast wel. Hoe zorg je er nu voor dat je een product maakt met constante kwaliteit en dus aansluit bij de verwachtingen van de consument én de eisen vanuit de regelgeving? Je leest het in deze blog!
Variatie (her)kennen en beheersen
Een mogelijke oplossing voor te veel variatie in de kwaliteit is bijvoorbeeld het samenvoegen van de melk van (veel) verschillende koeien met verschillende locaties en ondergronden. Het verzamelen van melk uit verschillende seizoenen is daarentegen lastiger, want de melk heeft maar een beperkte houdbaarheid. Het zou dus goed zijn om de variatie in het productieproces zo goed mogelijk te kennen en te beheersen. Als je weet waar de variatie optreedt en hoe deze is opgebouwd, kun je kijken hoe je hiermee omgaat en of je er wat aan kunt doen. Wanneer je dit niet (goed) doet kan het namelijk grote gevolgen hebben. Denk naast afgekeurde partijen bijvoorbeeld ook aan imagoschade bij terugroepacties. Bovendien biedt het terugdringen van variatie ook kansen om goedkoper te produceren omdat de onzekerheidsmarge kleiner wordt.
Variatie in de voedingsindustrie is complex
Ondanks dat variatie zo’n belangrijke rol speelt in de productie van voedingsmiddelen, zien we dat processen en producten vaak ontworpen worden op nominale, of juist (te) conservatieve, niveaus. We zien ook dat het beheersen van variatie vaak wordt uitgesteld tot de productiefase, terwijl in de ontwerpfase al veel gewonnen kan worden! Het is vaak een uitdaging om vooraf te overzien hoeveel variatie er is, omdat er veel spreidingsbronnen zijn van heel verschillende aard. Denk bijvoorbeeld aan de meetonzekerheden in de meetsystemen en versterkende of juist dempende effecten op spreiding bij productiestappen, zoals mengen en doseren. Ook kunnen die spreidingsbronnen zich op verschillende aggregatieniveaus uiten, zoals binnen- en tussen batchspreiding, korte termijn en lange termijn spreiding, inhomogeniteit binnen en tussen blikken. Variatie in de voedingsindustrie is dus erg ingewikkeld, doordat je met veel aspecten rekening moet houden.
Variatie (her)kennen met Data Science
Variatie kun je inzichtelijk maken door te meten aan de grondstoffen (op verschillende momenten), op tussenliggende punten in het proces en bij het eindproduct. Op basis van metingen en eventueel gerichte experimenten, verkrijg je kennis over hoe groot de variatie is en hoe de variatie verandert bij bepaalde productiestappen. Op basis van deze kennis kun je een model maken om bijvoorbeeld in te schatten (predictive analytics) hoe groot de variatie (en het risico om niet binnen de specs te vallen) van een eindproduct zal zijn. Met behulp van Data Science kun je dus al heel vroeg (te veel) variatie herkennen en tijdig actie ondernemen. Hierdoor kan je constante kwaliteit leveren!
Variatie beheersen met Data Science
Ook de aanpak voor variatiebeheersing is gebaseerd op deze modellen. In onze aanpak starten we met wat beschikbaar is en bouwen we eerst eenvoudige modellen. Daarna zoomen we in op de spreidingsbronnen die de meeste invloed hebben en komen we stap voor stap naar nauwkeurige modellen.
Met de modellen maken we bijvoorbeeld inzichtelijk wat de kans is dat het eindproduct niet binnen de specs valt. Bovendien maken modellen het mogelijk om te bepalen welke spreiding wel acceptabel zou zijn, bijvoorbeeld op tussenstappen in het proces. Dit kan helpen bij het selecteren of afkeuren van grondstoffen aan de deur. Tot slot kunnen modellen in de ontwerpfase gebruikt worden om processen te optimaliseren en procesinstellingen te krijgen die de minste spreiding zullen geven (Robust Design).
Kortom: de variatie-uitdagingen in de voedingsindustrie zijn complex, maar met goede analyses en de juiste modellen kunnen we ze inzichtelijk én beheersbaar maken. Zodat je altijd consistentie in je producten hebt. En het dus niet uitmaakt waar de koe gegeten heeft; haar melk blijft altijd even lekker en gelijk in smaak!
Ook Data Science in de voedingsindustrie toepassen?
Wil je weten hoe we jou kunnen helpen met onze ruime ervaring in zowel Data Science als de voedingsindustrie? Neem dan contact op met Emy! Wil je daarnaast op de hoogte blijven van het laatste nieuws van CQM, volg ons op LinkedIn of meld je aan voor onze digitale nieuwsbrief.
Fotocredit: Pexels.
