Purpose: Continuous improvement initiatives such as Lean in Higher Education (HE) institutes are an emerging topic for research. Under pressure to do more with less, institutes of HE are increasingly adopting the tools and methods of lean to improve their quality practices. Nevertheless, institutes of HE differ significantly from business organizations. The purpose of this study was to examine the critical success factors (CSFs) of continuous improvement in this homogeneous industry. Two other contextual factors, implementation approach and national culture, are examined. Design/methodology/approach: A mixed methods approach, combining Q-methodology, online surveys and interviews, was used to investigate the CSFs of lean implementation in HE. Participants were recruited from an international network of lean practitioners in HE. Using Q-methodology, three perspectives of CSFs in HE were identified. Findings: Lean implementation at institutes of HE is characterized by a bottom-up approach, involving mostly supporting processes. Contrary to business organizations, the role of management in the implementation of Lean in HE is limited and attention should instead be directed to employee empowerment and customer focus. The findings also showed that, at least for institutes of HE, organizational culture is more influential than national culture. Practical implications: When management involvement is limited, a bottom-up implementation of lean is recommended, centered on improving university-wide supporting processes, promoting cross-departmental cooperation and overcoming the silo mentality. This approach requires an emphasis on a specific set of CSFs, namely, employee empowerment, sharing success stories and training. Originality/value: The study findings enrich conceptually based lean implementation frameworks for HE that advocate a top-down implementation approach.
LINK
Lean Production (LP) can be regarded as a design approach in search of a theoretical foundation. In this paper we show that Lowlands’ Sociotechnical Design Theory (STSL) could function as such a foundation. To reach this goal, we first describe STSL as a system theoretical reformulation of Original Sociotechnical Theory (OSTS). Then, we introduce the Toyota Production System as the origin of LP and the challenge it poses for the academic field of organization design. This academic field should (1) assess LP’s success, (2) generalize it by embedding it in more abstract concepts and theories in order to be able to (3) re-specify it for different manufacturing and non-manufacturing contexts. Next, we give an exposition of STSL as a structural design approach based on developments in system theory. At last, we reformulate lean production in STSL terms and so show that LP is a subcase within the more general theory of STSL. We discuss the merits of both approaches and clarify some misunderstandings of lean both outside and inside the lean community. Embedding LP in the more general language of STSL should enable us to discover similarities and differences, to start a process of mutual learning, to integrate diverse design approaches in a theory of organizational design and to add content to redesign proposals of for example the health care system as proposed by Porter and Teisberg (2006) and Christensen et al. (2009). We quote extensively from the lean literature (to convince our sociotechnical friends) and embed both STSL and LP in the broader literature on organization design. We hope this adds a new perspective to the one given in the Operations Management literature on LP. Again, mutual learning is the goal.
A lecture and seminar about lean marketing proved to be successful to achieve learning outcomes that involved an understanding of the lean startup model. Further, participating students were able to discuss complex marketing issues in an international setting.
LINK
Een geschatte hoeveelheid van tussen de 35 en 140 miljoen kilo zwerfafval wordt jaarlijks in Nederland op straat of in de natuur aangetroffen. Gemeenten zijn verantwoordelijk voor het voorkomen en opruimen van zwerfafval. Daarom heeft bijvoorbeeld gemeente Breda de ambitie uitgesproken om de stad in 2030 zwerfafval vrij te hebben. Deze ambitieuze doelstelling moet bereikt worden door acties zowel op het vlak van preventie, als het opruimen en het hergebruik. Om deze acties kwantitatief te onderbouwen en te monitoren zijn gegevens over ligging, hoeveelheid en samenstelling van het zwerfafval noodzakelijk. Het is momenteel al mogelijk om zwerfafvaldata te verkrijgen om analyses op te verrichten. Deze data is afkomstig van vrijwilligers die middels apps als Litterati zwerfafval verzamelen en classificeren (labelen). Het toekennen van een label is een tijdrovende klus en levert maar een beperkt beeld van de totale hoeveelheid zwerfafval in een gemeente. Dit classificeren kan geautomatiseerd worden door object detectie algoritmen welke zijn getraind op afbeeldingen van zwerfafval. Om een groter gebied te monitoren zijn camerasystemen ontwikkeld die in staat zijn zwerfafval automatisch te detecteren. Technisch gezien zijn er steeds meer oplossingen om automatisch zwerfafval in kaart te brengen en te classificeren, maar een praktijkgerichte oplossing voor bijvoorbeeld beleidsmakers zonder technische kennis ontbreekt nog. In dit toegepast ontwerponderzoek werken we samen met gemeente Breda, gemeente ‘s-Hertogenbosch, stichting GoClean, Natuur- en milieuvereniging Markkant, stichting Nederland Schoon, de Antea Group en betrokken MKB-ers aan het antwoord op de onderzoeksvraag “Hoe kan zwerfafval in de openbare ruimte automatisch gedetecteerd en geclassificeerd worden vanuit verschillende, onafhankelijke bronnen met een zo beperkt mogelijke tijdsinvestering van de mens in dit proces.” De technische componenten die hiervoor nodig zijn worden samengevoegd in een gebruiksvriendelijk dataplatform. Op basis van de uitkomsten kunnen gemeenten (en andere publieke partijen) in Nederland datagedreven interventies ontwikkelen om zwerfafval tegen te gaan.
In de schoonmaakbranche is de werkdruk hoog . Hierdoor worden gebouwen dagelijks niet goed genoeg schoongemaakt. Er heerst krapte op de arbeidsmarkt. Schoonmaakwerk is vooral handmatig werk en is ook zwaar werk. De schoonmaakbranche is dringend op zoek naar technologische oplossingen die het werk in de toekomst kunnen verlichten. Eén van die technologische oplossingen is de introductie van schoonmaakrobots , die op dit moment mondjesmaat op de markt worden gebracht. Schoonmaakorganisaties weten nog niet goed hoe deze robots efficiënt in te zetten, het vergt nog veel tijd om ze te kunnen gebruiken en schoonmaakmedewerkers zijn terughoudend om ermee te werken. Het project Assisted Cleaning Robots (ACR) richt zich op de volgende onderzoeksvraag: “hoe integreer je robottechnologie in het werkproces in de schoonmaakbranche, zodat een robot enerzijds zo optimaal mogelijk het werkproces ondersteunt, en anderzijds zo optimaal mogelijk met de mens samenwerkt.” Wat hierin optimaal is en hoe dit gemeten kan worden, is onderdeel van het onderzoek en is afhankelijk van de technologische mogelijkheden, de mensen die er mee werken, en de werkomgeving. In dit project werken Fontys Hogeschool Engineering, Fontys Hogeschool Techniek & Logistiek en de Haagse Hogeschool samen met schoonmaakorganisaties CSU en Hectas en andere bedrijven (toeleveranciers van schoonmaakrobots als ontwikkelaars), nationaal samenwerkingsverband Holland Robotics en brancheorganisatie Schoonmakend Nederland. Dit project kent een looptijd van twee jaar en gaat van start op 1 november 2021. In dit project worden nieuwe schoonmaakprocessen gedefinieerd en wordt op basis van deze processen technologie ontwikkeld (waar doorgaans eerst een nieuw product wordt ontwikkeld en daarna pas gekeken naar hoe dit product in te zetten). In dit project staat de mens die met de technologie in het proces moet gaan werken centraal. De technologie en het proces worden gevalideerd middels praktijktests met de betrokken schoonmaakorganisaties, op representatieve locaties. Hieruit worden lessen getrokken voor verbeteringen.
The focus of the research is 'Automated Analysis of Human Performance Data'. The three interconnected main components are (i)Human Performance (ii) Monitoring Human Performance and (iii) Automated Data Analysis . Human Performance is both the process and result of the person interacting with context to engage in tasks, whereas the performance range is determined by the interaction between the person and the context. Cheap and reliable wearable sensors allow for gathering large amounts of data, which is very useful for understanding, and possibly predicting, the performance of the user. Given the amount of data generated by such sensors, manual analysis becomes infeasible; tools should be devised for performing automated analysis looking for patterns, features, and anomalies. Such tools can help transform wearable sensors into reliable high resolution devices and help experts analyse wearable sensor data in the context of human performance, and use it for diagnosis and intervention purposes. Shyr and Spisic describe Automated Data Analysis as follows: Automated data analysis provides a systematic process of inspecting, cleaning, transforming, and modelling data with the goal of discovering useful information, suggesting conclusions and supporting decision making for further analysis. Their philosophy is to do the tedious part of the work automatically, and allow experts to focus on performing their research and applying their domain knowledge. However, automated data analysis means that the system has to teach itself to interpret interim results and do iterations. Knuth stated: Science is knowledge which we understand so well that we can teach it to a computer; and if we don't fully understand something, it is an art to deal with it.[Knuth, 1974]. The knowledge on Human Performance and its Monitoring is to be 'taught' to the system. To be able to construct automated analysis systems, an overview of the essential processes and components of these systems is needed.Knuth Since the notion of an algorithm or a computer program provides us with an extremely useful test for the depth of our knowledge about any given subject, the process of going from an art to a science means that we learn how to automate something.
