Produmize

Werk jij al met AI?

Esther Rissewijck — Mon, 07 Sep 2026 07:42:51 +0000

De kans is groot dat je ‘ja’ antwoordt. Je gebruikt AI bijvoorbeeld om snel informatie voor je te vinden, in plaats van op Google rond te kijken. Of om uit te zoeken hoe iets werkt, een lastige tekst samen te vatten, een e-mail op te stellen of mee te denken over een probleem waar je zelf even niet uitkomt.

Je opent een AI-tool, stelt er in gewone taal een vraag, geeft wat het nodig heeft en krijgt direct een antwoord of voorstel. Of je stelt gewoon je vraag in Google. Steeds vaker krijg je dan bovenaan al een door AI gegenereerd antwoord.

AI is in korte tijd onderdeel geworden van het dagelijks leven.

Maar kun je AI ook gebruiken om meer uit je productie te halen?

Wij vinden dat een interessante vraag. Want AI kan veel, maar om er in je productie echt iets aan te hebben, moet je het wel kunnen laten werken met de juiste informatie.

In dit blog kijken we naar de mogelijkheden van AI in je productie en naar de basis die je nodig hebt om die mogelijkheden daadwerkelijk te benutten.

Wist je dat AI in de maakindustrie niet nieuw is?
Ook vóór de opkomst van generatieve AI werden al systemen gebruikt die op basis van data patronen herkennen, afwijkingen signaleren, voorspellingen ondersteunen of processen automatisch aansturen. Daarbij worden bijvoorbeeld technieken als machine learning en computer vision toegepast. Ook voorspellende analyses en slimme automatisering worden al langer gebruikt.

AI: een hulpmiddel in je productie

Dagelijks krijg je vragen over planning, capaciteit, kwaliteit, stilstanden en de voortgang van orders. Bij het beantwoorden van zulke vragen kan AI je helpen om sneller inzicht te krijgen.

Bijvoorbeeld wanneer je anders zelf grote hoeveelheden informatie moet verzamelen en analyseren om patronen te herkennen en verbanden te leggen. Zo zie je sneller waar kansen en problemen in je productie liggen, kun je eerder ingrijpen en bespaar je kostbare tijd.

AI kan je helpen bij een eenmalige analyse, maar kan ook onderdeel worden van een proces.

Het kan je helpen bij het:

toegankelijker maken van kennis en informatie
analyseren van productiedata
herkennen van patronen en leggen van verbanden
ondersteunen bij planning en prioriteiten
signaleren van mogelijke problemen en afwijkingen

De manier waarop je AI inzet, kan verschillen. Soms gebruik je AI om medewerkers te helpen informatie te onderzoeken of gegevens te interpreteren. In andere gevallen draait AI op de achtergrond mee in een geautomatiseerd proces, bijvoorbeeld om een berekening, planning, afwijking of voorspelling te ondersteunen.

Welke AI gebruik je waarvoor?

Niet iedere AI-toepassing werkt op dezelfde manier.

Generatieve AI, zoals ChatGPT en Google Gemini, is vooral geschikt wanneer je op een natuurlijke manier met informatie wilt werken. Denk aan het beantwoorden van vragen, het samenvatten van documenten, het analyseren van beschikbare informatie of het toegankelijk maken van kennis voor medewerkers.

Voor andere toepassingen kan een specifiek machine-learningmodel worden gebruikt dat voor een bepaalde taak wordt getraind. Zo’n model leert op basis van historische gegevens patronen te herkennen en kan vervolgens nieuwe gegevens beoordelen. Dit kan bijvoorbeeld worden gebruikt voor het vroegtijdig signaleren van afwijkingen of het ondersteunen van voorspellingen.

Welk type AI het meest geschikt is, hangt af van wat je ermee wilt bereiken, welke gegevens beschikbaar zijn en hoe je de uitkomst wilt gebruiken. Soms is generatieve AI voldoende, soms is een specifiek machine-learningmodel nodig en soms worden verschillende technieken gecombineerd.

Generatieve AI
Je geeft een opdracht of stelt een vraag → AI verwerkt de beschikbare informatie → je kunt doorvragen, verfijnen en de uitkomst laten aanpassen.

Machine-learningmodel
Je traint het model voor een specifieke taak met historische gegevens → het model leert patronen herkennen → het beoordeelt nieuwe gegevens.

Welke informatie heeft AI nodig?

Met welke informatie je AI moet ‘voeden’, hangt sterk af van de vraag die je aan AI wilt stellen. Dat kan bijvoorbeeld bestaande kennis en documentatie, historische productiegegevens, actuele machinedata, informatie uit je ERP-systeem, kwaliteitsgegevens of onderhoudsgegevens zijn.

Hieronder zie je een aantal voorbeelden uit de productie.

Wil je medewerkers in staat stellen om zelf informatie uit te zoeken of afwijkingen te analyseren? Dan kun je relevante documenten en bestanden beschikbaar maken voor een generatieve AI-tool. Denk aan werkinstructies, onderhoudsrapporten, storingsmeldingen, ploegoverdrachten of andere digitale documentatie. De AI kan deze informatie vervolgens doorzoeken wanneer iemand er een vraag over stelt.

Voor het analyseren van kwaliteitsproblemen en het herkennen van terugkerende patronen heb je informatie nodig over producten en productieorders, machineparameters, kwaliteitsregistraties en afkeur- of afwijkingsgegevens.

Wil je stilstanden over een langere periode analyseren? Dan heb je stilstandregistraties nodig. Een duidelijke reden van stilstand maakt deze informatie nog waardevoller. Deze gegevens kunnen afkomstig zijn uit verschillende bronnen. Ze kunnen handmatig door medewerkers worden geregistreerd of automatisch vanuit een machine worden vastgelegd.

Voor het ondersteunen van je productieplanning en het kunnen bepalen van prioriteiten heb je informatie nodig over openstaande productieorders, gewenste leverdata, benodigde bewerkingen, beschikbare capaciteit en actuele productievoortgang. Deze informatie kan uit verschillende bronnen komen, zoals je ERP-systeem, registraties uit de productie en informatie die automatisch door machines wordt vastgelegd.

En om te kunnen analyseren waar je beschikbare productiecapaciteit wel of niet wordt benut, heb je informatie nodig over machinebeschikbaarheid, productietijden en geplande en gerealiseerde productie.

Predictive maintenance: mogelijke problemen voorspellen

Een voorbeeld waarbij AI nog een stap verder gaat, is predictive maintenance: het voorspellen (predict) van mogelijke problemen aan machines, zodat je onderhoud (maintenance) beter kunt plannen.

Hiervoor heb je gegevens nodig over het gedrag van die machine, zoals draaiuren, machinestatus, stilstanden, storingen, onderhoudshistorie en eventueel sensordata zoals temperatuur, trillingen of energieverbruik.

Voor predictive maintenance wordt doorgaans een specifiek machine-learningmodel getraind op historische gegevens. Het model leert welk machinegedrag normaal is en welke afwijkingen kunnen samenhangen met een verhoogd risico op een storing.

Daarvoor heb je voldoende historische gegevens nodig. Dat vraagt om een langere periode waarin machine- en onderhoudsgegevens worden vastgelegd en aan elkaar gekoppeld.

Het model kan vervolgens actuele machinedata in real-time beoordelen op basis van wat het tijdens de training heeft geleerd.

Wijkt het actuele gedrag af van wat het model als normaal heeft geleerd en vertoont het patronen die eerder aan een probleem voorafgingen? Dan kan het model signaleren dat de kans op een probleem is toegenomen.

Op basis daarvan kun je besluiten om de machine eerder te controleren of onderhoud in te plannen, voordat er daadwerkelijk een storing optreedt. Planbaar onderhoud is beter beheersbaar en kan onverwachte stilstand, spoedreparaties en de bijbehorende kosten helpen voorkomen.

Het model voorspelt niet per definitie exact wanneer een machine kapotgaat. Het geeft een aanwijzing dat de kans op een probleem groter wordt, zodat je tijdig kunt ingrijpen.

Je moet AI duidelijk vertellen wat je wilt dat het doet

Hoe specifieker je vraag, hoe gerichter generatieve AI je kan helpen. Geef duidelijk aan wat je wilt weten, welke informatie AI moet gebruiken en wat je met de uitkomst wilt doen.

Je kunt generatieve AI bijvoorbeeld een rol meegeven en een concrete opdracht formuleren:

‘Jij bent productieanalist. Analyseer de onderstaande productiegegevens en laat mij in een tabel de vijf meest voorkomende oorzaken van stilstand zien.’

Een rol meegeven kan helpen om duidelijk te maken vanuit welke invalshoek AI naar de informatie moet kijken.

Je kunt ook zonder een specifieke rol aan te geven duidelijk maken wat je van AI verwacht. Geef bijvoorbeeld aan waarop AI moet letten. Denk aan een specifieke periode, machine, productgroep of type stilstand.

Ook kun je aangeven hoe je het resultaat wilt ontvangen, bijvoorbeeld als tabel, samenvatting of overzicht van de belangrijkste afwijkingen.

Je hoeft daarbij niet vooraf precies te weten welke informatie in de dataset relevant is. Je kunt generatieve AI eerst naar een bredere dataset laten kijken en vervolgens doorvragen op opvallende patronen, afwijkingen of verbanden. Zo kun je stap voor stap onderzoeken welke informatie relevant is voor je vraag.

Instrueer generatieve AI om aan te geven wanneer er onvoldoende informatie is om de vraag betrouwbaar te beantwoorden. Zo maak je duidelijk dat het model niet zomaar ontbrekende informatie moet invullen.

Bij een specifiek machine-learningmodel werkt dit anders. Zo’n model stuur je niet aan door iedere keer een vraag in gewone taal te formuleren. Je bepaalt vooraf waarvoor het model wordt getraind en welke gegevens het daarvoor gebruikt. Daarna kan het model zelfstandig nieuwe gegevens beoordelen zodra die beschikbaar komen.

Let op welke informatie je met een AI-tool deelt

Productiegegevens, bedrijfsinformatie en interne documentatie kunnen vertrouwelijk zijn. Gebruik daarom niet zomaar publieke AI-tools voor gevoelige informatie, maar controleer welke afspraken en beveiligingsmaatregelen gelden voor de AI-toepassing die je gebruikt.

Controleer het antwoord

AI helpt je bij het vinden en interpreteren van informatie, maar de uitkomst blijft iets om zelf te beoordelen.

Ondanks goede instructies en voldoende informatie kan generatieve AI een onjuist of verzonnen antwoord geven. Het geven van verzonnen of feitelijk onjuiste informatie door AI wordt ook wel ‘hallucineren’ genoemd.

Vraag daarom waarop een conclusie is gebaseerd. Bij gebruik van externe informatie is het goed naar de bronnen te vragen.

Controleer of de uitkomst past bij de beschikbare informatie en je eigen kennis van de productie. Ga in de fabriek kijken of het ook echt zo is.

Bij toepassingen die invloed hebben op je productie, is alleen een goed ogend antwoord niet genoeg. Test of de uitkomsten in de praktijk betrouwbaar zijn en blijven. Zeker bij beslissingen over productie, kwaliteit, veiligheid of onderhoud blijft de kennis van de mensen op de werkvloer onmisbaar.

Ook wanneer AI onderdeel is van een geautomatiseerd proces, moet je regelmatig controleren of de uitkomsten nog betrouwbaar zijn. Veranderingen in je productie, machines of gegevens kunnen er bijvoorbeeld voor zorgen dat een AI-toepassing minder goed gaat presteren.

Digitale data is de basis

Om AI goed te kunnen gebruiken, heb je de juiste informatie nodig. Die informatie moet ook digitaal beschikbaar zijn om AI ermee te kunnen laten werken. Digitale data vormt daarom de basis voor het inzetten van AI in je productie.

Kwaliteit

De kwaliteit van het antwoord dat AI je geeft, valt of staat met de kwaliteit van de informatie waarmee je AI laat werken.

In het algemeen geldt dat gegevens zo veel mogelijk juist, volledig en eenduidig moeten zijn. Voor sommige toepassingen is het daarnaast belangrijk dat de informatie actueel is. Voor een toepassing die de actuele productievoortgang beoordeelt, heb je actuele informatie nodig. Voor een analyse van historische stilstanden is actuele informatie minder belangrijk.

Bij generatieve AI kan informatie rechtstreeks worden aangeleverd. Je kunt bijvoorbeeld een document uploaden, een bestand aan een gesprek toevoegen, tekst invoeren of iets mondeling vertellen.

Bij andere toepassingen wordt AI gekoppeld aan een centrale kennisbron, directory of documentomgeving. De AI kan deze informatie vervolgens doorzoeken wanneer iemand er een vraag over stelt.

Een Excel-bestand waarin medewerkers stilstanden registreren, kan bruikbare informatie bevatten. Maar als de ene medewerker ‘storing’, de andere ‘defect’ en een derde ‘machine kapot’ invult, is het lastiger om deze gegevens rechtstreeks met elkaar te vergelijken.

Op dat moment kun je AI ook inzetten om de verschillende omschrijvingen te laten categoriseren en bij elkaar te brengen. Zo worden de gegevens beter vergelijkbaar en beter bruikbaar voor analyse.

Hoe consistenter de gegevens zijn, hoe makkelijker het wordt om betrouwbare patronen en verbanden te herkennen.

Ook de context van gegevens is belangrijk. Een stilstandregistratie krijgt meer betekenis wanneer duidelijk is op welke machine, order, product of bewerking deze betrekking heeft.

Door informatie uit verschillende bronnen met elkaar te combineren, ontstaat meer context en kun je verbanden leggen die je in één dataset niet ziet.

Van informatie naar digitale data

De informatie die je voor AI nodig hebt, komt meestal uit verschillende bronnen binnen je productiebedrijf.

Denk aan je ERP-systeem voor productieorders en planning, machines voor productiegegevens en machinestatus, kwaliteitsregistraties voor afkeur en afwijkingen en onderhoudsregistraties voor storingen en onderhoudshistorie.

Ook werkinstructies, rapportages en kennis van medewerkers kunnen waardevolle informatie bevatten.

Om AI met informatie te kunnen laten werken, moet die informatie digitaal beschikbaar zijn. Soms is dat al het geval. Denk aan een Excel-bestand met stilstandsregistraties, een digitale werkinstructie of een onderhoudsrapport.

Deze informatie kun je bijvoorbeeld aan een generatieve AI-toepassing aanbieden of beschikbaar maken via een centrale kennisbron.

Andere data is wel digitaal aanwezig, maar niet direct beschikbaar. Dat geldt bijvoorbeeld voor data in machines of gesloten systemen. Deze data moet je eerst ontsluiten (beschikbaar maken), zodat je ermee kunt werken.

Maar soms is de informatie nog niet digitaal beschikbaar.

Denk aan de kennis van ervaren medewerkers, die voor de productie zeer waardevol kan zijn. Zij weten bijvoorbeeld hoe ze een bepaalde storing oplossen of waarom in een bepaalde situatie voor een bepaalde werkwijze wordt gekozen.

Om deze kennis beschikbaar te maken voor andere medewerkers en AI-toepassingen, kun je deze digitaal vastleggen en toegankelijk maken.

Een medewerker kan bijvoorbeeld in eigen woorden uitleggen hoe of waarom iets in de productie wordt aangepakt. Generatieve AI kan vervolgens helpen om deze informatie te structureren, samen te vatten en om te zetten naar een digitale werkinstructie.

Hoe meer relevante informatie digitaal beschikbaar, betrouwbaar en met elkaar verbonden is, hoe meer mogelijkheden er ontstaan om AI gericht in te zetten voor analyses, patroonherkenning en voorspellingen.

Maar je kunt prima beginnen met wat je al hebt. Ook met een Excel-bestand of andere bestaande dataset kun je ervaring opdoen met het analyseren en interpreteren van informatie met AI.

Je ontdekt daarmee tegelijkertijd welke informatie je mist en waar het beter vastleggen of combineren van gegevens meerwaarde kan bieden.

Van data naar inzicht

Productiedata is aanwezig in machines en systemen, maar die data is niet altijd direct beschikbaar en bruikbaar als stuurinformatie.

Door productiedata te ontsluiten en te combineren met relevante informatie uit je productie, zoals orders, planning of registraties op de werkvloer, ontstaat inzicht waarop je kunt sturen.

Dat is waar wij je bij kunnen helpen. We ontsluiten productiedata uit je bestaande machinepark en vertalen deze ruwe data naar overzichtelijke stuurinformatie voor de werkvloer en het management.

Zo krijg je inzicht in wat er in je productie gebeurt. Je kunt de data vervolgens met behulp van AI analyseren om patronen te herkennen en verbanden te leggen.

Daarmee krijg je aanknopingspunten om je productie te verbeteren.

Productiescan – ontdek waar jouw grootste kansen liggen

Wil je weten waar in jouw productie de grootste verbeterkansen liggen? In een Productiescan van 60 minuten kijk je samen met Jelle Koning, specialist in productie-inzicht en machinedata, naar jouw specifieke situatie.

Samen brengen jullie in kaart:

De huidige inrichting: hoe je productieproces is ingericht
De doelen: wat je wilt bereiken en waar je naartoe wilt groeien
De knelpunten: welke uitdagingen de grootste impact hebben
De blinde vlekken: waar inzicht of stuurinformatie ontbreekt

Je krijgt helder waar je nu staat, waar je naartoe wilt en welke kansen de meeste impact hebben op je productie.

De Productiescan is vrijblijvend en bedoeld om jou inzicht te geven in de mogelijkheden om je productie slimmer, stabieler en efficiënter in te richten.

Het bericht Werk jij al met AI? verscheen eerst op Produmize.

acatech Industrie 4.0 Maturity Index vereenvoudigd

Esther Rissewijck — Fri, 04 Sep 2026 13:47:20 +0000

Misschien werk je al met een ERP-systeem, plan je orders digitaal en leg je steeds meer gegevens op de werkvloer vast. Misschien zie je op een dashboard hoeveel er is geproduceerd en waar machines stilstaan. Of misschien registreer je nog veel handmatig en houd je gegevens bij in Excel.

Waar staat jouw productiebedrijf als het gaat om digitalisering?
En wat is een logische volgende stap?

Om bedrijven te helpen bij deze vragen ontwikkelde acatech de Industrie 4.0 Maturity Index. Het model beschrijft zes ontwikkelstadia die laten zien hoe organisaties zich kunnen ontwikkelen van digitale vastlegging en verbonden systemen naar een organisatie die steeds beter kan begrijpen wat er gebeurt, vooruit kan kijken en zich kan aanpassen.

In dit blog gebruiken we die zes ontwikkelstadia om te laten zien waar een MKB-productiebedrijf kan staan in zijn digitale ontwikkeling. We vertalen de stadia naar herkenbare situaties uit de dagelijkse praktijk.

De zes ontwikkelstadia geven een beeld van de digitale ontwikkeling van een organisatie. Ze geven richting aan mogelijke vervolgstappen, maar bepalen niet automatisch welke ontwikkelstap je als volgende moet zetten. Dat hangt af van je eigen processen, doelen, knelpunten en de informatie die al beschikbaar is. Daarom is het belangrijk om eerst goed te begrijpen hoe je productieproces is ingericht en waar de belangrijkste verbeterpunten liggen, voordat je bepaalt waar digitalisering en data kunnen helpen.

Belangrijk: dit is een vereenvoudigde uitleg vanuit het perspectief van productie. De echte acatech Industrie 4.0 Maturity Index is veel uitgebreider (160+ pagina’s). Het model kijkt niet alleen naar technologie en productiedata, maar ook naar informatiesystemen, resources, organisatiestructuur en cultuur. Daarnaast kijkt de Index naar verschillende functionele gebieden binnen een onderneming.

In dit blog vertalen we de zes ontwikkelstadia naar de productiepraktijk en laten we de bredere beoordeling van de acatech Maturity Index bewust buiten beschouwing. Het is dus geen volledige weergave of officiële beoordeling volgens de acatech Maturity Index, maar een praktische vereenvoudiging van de zes ontwikkelstadia naar de productiepraktijk.

De zes ontwikkelstadia van de acatech Maturity Index

De Industrie 4.0 Maturity Index helpt bedrijven om hun ontwikkeling richting Industrie 4.0 in kaart te brengen.

Acatech onderscheidt daarbij zes ontwikkelstadia in de digitale ontwikkeling van een bedrijf.

Computerisation – digitaal vastleggen
Connectivity – verbinden
Visibility – zien
Transparency – begrijpen
Predictive Capacity – vooruitkijken
Adaptability – aanpassen

Acatech beschrijft deze stadia als een stapsgewijze ontwikkeling. Je gaat steeds een stap verder: van digitaal vastleggen en verbinden naar zien, begrijpen, vooruitkijken en aanpassen.

Laten we kijken hoe dat eruitziet.

1. Computerisation – digitale technologie ondersteunt je productie

Bij Computerisation worden verschillende informatietechnologieën binnen het bedrijf los van elkaar gebruikt.

In de productie betekent dit dat je al digitale systemen en machines gebruikt, maar dat deze nog grotendeels los van elkaar werken. Je kunt ze zien als digitale ‘eilandjes’.

In een productieomgeving kan dat er zo uitzien:

2. Connectivity – je systemen gaan informatie uitwisselen

Bij Connectivity wordt het afzonderlijk gebruik van informatietechnologie vervangen door verbonden componenten. Veelgebruikte bedrijfsapplicaties zijn met elkaar verbonden en weerspiegelen de kernprocessen van het bedrijf. Delen van de operationele technologiesystemen (OT) zorgen voor verbinding en interoperabiliteit, maar een volledige integratie van de IT- en OT-laag heeft nog niet plaatsgevonden.

In de productie betekent dit simpel gezegd dat je systemen en machines met elkaar gaan praten. Informatie uit het ene systeem kan daardoor automatisch beschikbaar worden in een ander systeem. Denk aan je ERP- of MES-systeem en aan machines, besturingen en sensoren op de werkvloer. Die kunnen met elkaar worden verbonden, zonder dat alles al volledig met elkaar is geïntegreerd.

Daardoor hoeft informatie niet steeds opnieuw handmatig te worden ingevoerd. De digitale ‘eilandjes’ worden met elkaar verbonden.

3. Visibility – je ziet wat er daadwerkelijk gebeurt

Bij Visibility kunnen gebeurtenissen en toestanden in real-time door de hele onderneming en daarbuiten worden vastgelegd. Daardoor kan voortdurend een actueel digitaal model van de fabriek worden bijgehouden.

Acatech noemt dit de digital shadow: de digitale afspiegeling van wat er op de werkvloer gebeurt.

Seeing - What is happening?

In de productie betekent dit dat je een actueel digitaal beeld hebt van wat er op de werkvloer gebeurt, bijvoorbeeld een dashboard. Je kunt daardoor op ieder moment zien wat de actuele status is van bijvoorbeeld machines, orders en productie.

Wat zie je dan?

Denk aan:

actuele productievoortgang;
machinebezetting;
stilstand;
gerealiseerde productie;
openstaande orders;
productie versus planning;
uitval of afkeur;
doorlooptijden.

4. Transparency – je begrijpt waarom iets gebeurt

Bij Transparency gaat het erom te begrijpen waarom iets gebeurt. Daarvoor worden de gegevens uit de digital shadow geanalyseerd om onderlinge verbanden en oorzaken te identificeren en te interpreteren.

Understanding – Why is it happening?

In de productie betekent dit dat je productiedata niet alleen gebruikt om te zien wat er gebeurt, maar ook om te onderzoeken waarom iets gebeurt. Door verschillende gegevens met elkaar te combineren, kun je ontdekken welke factoren met elkaar samenhangen en waar een probleem vandaan komt.

Met dit soort inzichten kun je gerichter verbeteringen doorvoeren.

5. Predictive Capacity – je kijkt vooruit

Bij Predictive Capacity wordt de digital shadow naar de toekomst geprojecteerd. Zo kunnen verschillende mogelijke toekomstige scenario’s in beeld worden gebracht en kan worden bepaald welke scenario’s waarschijnlijk zijn. Hierdoor kan de organisatie toekomstige ontwikkelingen voorzien en op tijd passende maatregelen nemen.

Being prepared - What will happen?

Je gebruikt beschikbare actuele en historische gegevens om te voorspellen wat er waarschijnlijk gaat gebeuren. Je kijkt dus niet alleen naar wat er gebeurt en waarom, maar ook naar wat er waarschijnlijk daarna gebeurt.

Je kunt daardoor toekomstige problemen eerder zien aankomen en op tijd actie ondernemen. In deze fase worden die acties of maatregelen nog door mensen genomen en uitgevoerd.

De trillingen in het lager van de aandrijfas van een machine nemen toe. Uit historische gegevens blijkt dat een vergelijkbaar trillingspatroon in het verleden vaker voorafging aan een storing. Door de actuele machinegegevens te combineren met historische gegevens, kan worden voorspeld dat de kans op een storing toeneemt. Je weet niet met zekerheid wanneer de machine zal uitvallen. Je weet wel dat er een verhoogd risico is.

Je kunt daardoor vooraf bepalen wat je moet doen. Bijvoorbeeld door het onderhoud eerder in te plannen, in plaats van te wachten tot de machine daadwerkelijk uitvalt. Dit is een voorbeeld van predictive maintenance.

Bij Predictive Capacity helpt de voorspelling dus om voorbereid te zijn. De beslissing en uitvoering liggen nog bij mensen.

Een voorspelling is zo goed als de informatie waarop die voorspelling is gebaseerd.
Ontbreken belangrijke gegevens of zijn ze niet betrouwbaar, dan wordt het ook moeilijker om goede voorspellingen te doen. Predictive Capacity bouwt daarom voort op de informatie en inzichten uit de eerdere stappen.

6. Adaptability – je kunt automatisch aanpassen

Bij Adaptability wordt de informatie uit de digital shadow gebruikt om beslissingen te nemen en de bijbehorende maatregelen automatisch uit te voeren. Daarmee kan een organisatie zich sneller aanpassen aan veranderende omstandigheden.

Self-optimising – How can an autonomous response be achieved?

Predictive Capacity helpt om toekomstige gebeurtenissen te voorzien. Bij Adaptability gaat het nog een stap verder. Het systeem gebruikt die informatie niet alleen om te voorspellen wat er gaat gebeuren, maar neemt op basis daarvan zelf een beslissing en voert die uit.

In de productie betekent dit dat je niet alleen kunt zien wat er gebeurt, begrijpen waarom het gebeurt en voorspellen wat er waarschijnlijk gaat gebeuren, maar dat het systeem op basis daarvan ook zelf kan handelen.

Bij Predictive Capacity bepaalt een persoon nog welke maatregel nodig is en voert die uit. Bij Adaptability kan het systeem dit geheel of gedeeltelijk overnemen.

Een systeem voorspelt dat een machine waarschijnlijk uitvalt. In de vorige stap kreeg een medewerker van de planning hiervoor een waarschuwing en kon die de planning aanpassen. Bij Adaptability kan het systeem dat op basis van dezelfde voorspelling zelf doen. Het kan bijvoorbeeld de volgorde van geplande orders aanpassen. Iemand hoeft die wijziging dan niet handmatig door te voeren. Zo kan vertraging zoveel mogelijk worden voorkomen.

Meer automatisering is daarbij niet automatisch beter.
Acatech benadrukt dat de gewenste mate van automatisering onder andere afhangt van de complexiteit van beslissingen en de verhouding tussen kosten en baten. Het kan daarom verstandig zijn om alleen bepaalde, herhaalbare processen te automatiseren en andere beslissingen bij mensen te laten.

De acatech Industrie 4.0 Maturity Index kijkt breder

Tot nu toe hebben we de zes ontwikkelstadia bekeken vanuit jouw dagelijkse praktijk. Daarmee laten we bewust een deel van de bredere acatech-methodiek buiten beschouwing.

De acatech Industrie 4.0 Maturity Index kijkt namelijk niet alleen naar machines, productiedata en informatiesystemen, maar ook naar andere structurele en functionele aspecten van een organisatie.

Acatech onderscheidt vier structurele gebieden:

Resources
Information systems
Organisational structure
Culture

Daarnaast kijkt de Index naar vijf functionele gebieden binnen een onderneming:

Development
Production
Logistics
Services
Marketing & Sales

In de volledige Maturity Index worden deze structurele en functionele gebieden in samenhang met de zes ontwikkelstadia beoordeeld. Zo ontstaat een beeld van hoe ver een organisatie is in haar ontwikkeling richting Industrie 4.0, zowel als geheel als binnen afzonderlijke onderdelen.

Technologie alleen zegt niet alles

Twee bedrijven met hetzelfde machinepark en dezelfde hoeveelheid productiedata kunnen toch een verschillend volwassenheidsniveau hebben.

Stel:

Bedrijf A heeft machines die data verzamelen en beschikt over uitgebreide dashboards. Maar medewerkers werken nauwelijks met die informatie en de organisatie kan processen moeilijk aanpassen.

Bedrijf B heeft misschien minder geavanceerde technologie, maar medewerkers weten hoe ze de beschikbare informatie en systemen effectief gebruiken, systemen sluiten goed op elkaar aan en de organisatie kan snel inspelen op nieuwe inzichten.

Dan kun je niet simpelweg zeggen dat bedrijf A ‘verder’ is omdat het meer technologie heeft.

Ook binnen één bedrijf kan de digitale volwassenheid per onderdeel verschillen. De productie kan bijvoorbeeld verder zijn met digitalisering dan de logistiek of werkvoorbereiding. Acatech houdt juist rekening met dergelijke verschillen tussen verschillende onderdelen en niveaus binnen een organisatie.

Digitale volwassenheid gaat dus niet alleen over welke technologie je hebt, maar ook over de mogelijkheden van mensen, systemen en organisatie om die technologie en informatie effectief te gebruiken.

Waar sta jij op de digitale productieladder?

De acatech Industrie 4.0 Maturity Index laat zien dat digitalisering een ontwikkeling is. Je begint met het digitaal vastleggen van informatie en kunt je stap voor stap ontwikkelen naar een productieomgeving waarin je informatie gebruikt om vooruit te kijken en processen aan te passen.

Maar waar staat jouw productiebedrijf in die ontwikkeling?

Om daar op een laagdrempelige manier een eerste beeld van te krijgen, hebben wij de gedachte achter de acatech Industrie 4.0 Maturity Index vertaald naar een vereenvoudigde Quickscan voor MKB-productiebedrijven.

In vijf vragen breng je jouw productieomgeving, machinepark, uitdagingen, gebruik van productiedata en verbeterdoelen in kaart.

Op basis van je antwoorden krijg je een eerste indicatie van waar jouw productiebedrijf staat op de digitale productieladder. Het is nadrukkelijk geen officiële acatech-beoordeling en vervangt de volledige Maturity Index niet.

De Quickscan geeft een heldere eerste richting, maar de dynamiek in elke fabriek is uniek. Wil je weten waar in jouw specifieke situatie de grootste ontwikkelkansen liggen? In de Productiescan kijken we naar de huidige inrichting van je productieproces, doelen, knelpunten en mogelijke blinde vlekken. Zo krijg je inzicht in waar je het beste kunt beginnen en welke vervolgstap logisch is.

Het bericht acatech Industrie 4.0 Maturity Index vereenvoudigd verscheen eerst op Produmize.

Voorbeeld: Real-time data via UNS en event-driven updates

Esther Rissewijck — Mon, 09 Mar 2026 18:55:21 +0000

Data wordt waardevol wanneer het real-time beschikbaar is, gecombineerd met andere relevante informatie en actief wordt gebruikt voor betere beslissingen, efficiëntere productie, inzicht in bottlenecks en een beter afgestemde planning.

In eerdere blogs legden we uit wat een Unified Namespace (UNS) en event-driven architectuur zijn en hoe je er stapsgewijs mee start. In dit blog laten we aan de hand van een concreet voorbeeld zien hoe data automatisch beschikbaar komt voor verschillende subscribers: van operator-dashboards en planningtools tot het ERP-systeem.

Elke gebruiker gebruikt zijn eigen tool voor inzicht, maar ze ontvangen allemaal automatisch real-time updates vanuit dezelfde bron van waarheid (Single Source of Truth). Geen losse koppelingen, geen handmatig werk.

We kijken specifiek naar wat er voor een operator zichtbaar is op zijn dashboard en wat er ‘onder de motorkap’ gebeurt in de Unified Namespace (UNS) volgens ISA-95.

Real-time productiegegevens via UNS en event-driven architectuur

Voordat dashboards of andere systemen real-time productiegegevens kunnen tonen, wordt data uit verschillende bronnen gepubliceerd als events in één uniforme naamstructuur: de Unified Namespace (UNS). Je bepaalt zelf hoe je deze structuur inricht, in onze voorbeelden gebruiken wij de internationale ISA-95 standaard als basis.

Hoe ziet een UNS eruit volgens ISA-95?

Volgens de internationale ISA-95 hiërarchie organiseer je de data uit je verschillende systemen als volgt:

[Enterprise] / [Site] / [Area] / [Work Center] / [Work Unit] / [DataProducer] / [DataPoint]

Note: In onze voorbeelden nemen we de [DataProducer] (de bron) op in het pad, zodat je precies ziet waar de data vandaan komt. In een volledig functionele UNS-structuur wordt deze laag vaak weggelaten. Voor de eindgebruiker maakt het technisch namelijk niet uit welk apparaat de data levert, zolang de informatie over de “Work Unit” maar correct is. In de opstartfase helpt het echter om de herkomst van data inzichtelijk te houden.

Enterprise: De organisatie → MyCompany
Site: De locatie of fabriek → Eindhoven
Area: De afdeling of het productiegebied → Packaging
Work Center: De productielijn → Line_01
Work Unit: De machine of het werkstation → Wrapper_01
DataProducer → De bron van de data (machine, MES, ERP)
DataPoint: Het specifieke datapunt → ordernummer, status, snelheid, temperatuur, etc

Voordelen van deze structuur:

Iedereen weet waar data thuishoort
Datapaden worden uniform opgebouwd
Verschillende systemen spreken dezelfde “datataal”

Event-driven architectuur: automatische updates

Om real-time inzicht te krijgen, combineren we deze uniforme naamstructuur met een event-driven werkwijze. Dat betekent:

Dataproducers (machines, ERP, sensoren) publiceren wijzigingen in datapunten naar de broker zodra deze veranderen.
Subscribers (dashboards, planningtools, ERP-systemen) abonneren zich op relevante datapaden en ontvangen automatisch real-time updates via de broker.
Elke wijziging in een datapunt wordt als event verstuurd, met een payload die de actuele waarde bevat en eventueel extra context (bijv. timestamp, statuscode).

Concreet betekent dit:

De UNS bepaalt hoe data logisch en uniform wordt benoemd, zodat iedereen weet waar welke informatie thuishoort.
De event-driven architectuur zorgt dat wijzigingen automatisch en direct naar alle subscribers (geabonneerden) worden gestuurd , zonder dat iemand handmatig gegevens hoeft te verplaatsen. Updates komen direct binnen.

In het geval van ons dashboard betekent dit dat er geen aparte koppeling nodig is met het ERP of de sensoren. Het dashboard abonneert zich simpelweg op de relevante datapaden van één specifieke ‘Cell’ (machine).

Data beschikbaar op de werkvloer; real-time operator-dashboard

De sales binnendienst voert een order in

De sales binnendienst voert een nieuwe order in het ERP-systeem in:

Ordernummer	Product	Aantal	Deadline
456	Widget A	1000	15-02-2026

Ordernummer: 456
Product: Widget A
Aantal: 1000
Deadline: 15-02-2026

Het ERP publiceert deze orderinformatie als event in de UNS, waarna de broker het event automatisch verspreidt naar alle geabonneerde subscribers.

Het event wordt gepubliceerd op een datapad zoals:

MyCompany / Eindhoven / Planning / ERP / PlannedOrders / Order456

Hier staan alle relevante details zoals OrderNumber, ProductID, TargetQuantity en Deadline. De broker verspreidt dit event automatisch naar alle geabonneerde systemen.

Geplande orders op het dashboard

Het dashboard van de operator is geabonneerd op:

MyCompany / Eindhoven / Planning / ERP / PlannedOrders / #

Zo ziet de operator een lijst van beschikbare orders. De operator kan een order selecteren en starten.

Operator start een order en ontvangt real-time updates

Wanneer de operator order 456 selecteert om te draaien op zijn machine ‘Wrapper_01’, publiceert het systeem dit direct in de UNS.

In een event-driven architectuur zorgt dit ene event ervoor dat alle relevante systemen gelijktijdig in actie komen:

Het ERP-systeem: Ontvangt het event en zet de orderstatus automatisch op ‘In productie’. Handmatig starten of overkloppen is niet meer nodig.

De planningtool: Ziet de werkelijke starttijd en herberekent direct de planning voor de rest van de dag.

De historian: Begint direct met het loggen van alle machinedata (snelheid, temperatuur, stops) specifiek gekoppeld aan dit ordernummer.

Het dashboard: Toont de operator direct de actuele status, zodat hij ziet dat de order correct is opgestart.

UNS-structuur achter het dashboard

Het dashboard van de ‘Wrapper_01’ ontvangt alle gegevens van deze order, samen met real-time machinedata en sensorevents. Hieronder zie je hoe de UNS-structuur achter het dashboard eruitziet. We tonen hier bewust de DataProducer-niveaus:

📁 MyCompany (Enterprise)
└── 📁 Eindhoven (Site)
    └── 📁 Line_01 (Work Center)
        └── 📁 Wrapper_01 (Work Unit)
            ├── 📁 ERP (Dataproducer)
                └── 📁 ActiveWorkOrder
                    ├── OrderNumber: “456”
                    ├── ProductID: “Widget A”
                    ├── TargetQuantity: 1000
                    ├── ProducedQuantity: 320
                    ├── Deadline: “15-02-2026”
                    └── WorkOrderCompleted: False
            ├── 📁 Machine (Dataproducer)
                └── 📁 State
                    ├── Status: “Running”
                    ├── Speed: 450
                    └── MachineTemperature: 185
            └── 📁 Sensor (Dataproducer)
                └── 📁 TemperatureMonitor
                    ├── ActualTemperature: 182
                    ├── TemperatureLimit: 200
                    └── TemperatureAlert: False

Note: In dit praktijkvoorbeeld zie je de bronnen (ERP, Machine, Sensor) als tussenlaag. In een puur functionele structuur zou je deze lagen verwijderen, omdat een operator alleen geïnteresseerd is in de status van de “Wrapper_01”, ongeacht welk technisch systeem die status doorgeeft.

Op het dashboard

Het dashboard toont direct:

Welke order actief is
Hoeveel er geproduceerd is
Of de machine draait of stilstaat
Of de temperatuur binnen limieten blijft
Of de order gereed is

Dankzij de event-driven architectuur ontvangt het dashboard automatisch updates zodra een datapunt wijzigt:

Machine stopt → Status = “Stopped”
Temperatuur overschrijdt limiet → TemperatureAlert = True
Werkorder voltooid → WorkOrderCompleted = True
ProducedQuantity loopt op → dashboard update direct

Voordeel voor de operator:

De operator ziet in één oogopslag welke order actief is en hoeveel er al geproduceerd is. Hij krijgt real-time inzicht in de status van de machine en eventuele waarschuwingen, zoals temperatuuroverschrijding of onverwachte stops. Dit voorkomt fouten en vertragingen, omdat alle relevante informatie direct beschikbaar is in één overzicht.

Overal in de fabriek dezelfde waarheid

Voor één enkel operator-dashboard zou een directe koppeling met ERP of machindata technisch nog mogelijk zijn, volgens het request-response principe. Maar zodra meerdere rollen – operators, planners, productiemanagers en customer service – gelijktijdig real-time met dezelfde data willen werken, wordt een netwerk van losse koppelingen snel complex en foutgevoelig. De combinatie van UNS en event-driven architectuur voorkomt dit door één uniforme datastructuur en automatische distributie van updates naar alle subscribers.

Directie – overzicht van meerdere locaties

Wanneer een organisatie meerdere productielocaties heeft, kan een directiedashboard zich abonneren op meerdere Sites van de ‘Enterprise’, bijvoorbeeld:

MyCompany / + / + / + / + / Machine / State / # → alle machine status

MyCompany / + / + / + / + / ERP / ActiveWorkOrder / # → alle ERP-orders

Goed om te weten: De tekens + en # zijn ‘wildcards’. Hiermee verzamel je automatisch data van alle locaties, lijnen of machines tegelijk. In dit voorbeeld gebruiken we een wildcard voor overzicht, maar in de praktijk wordt er vaak selectiever geabonneerd om te voorkomen dat te veel data tegelijk binnenkomt, bijvoorbeeld door alleen relevante machines of datapunten te volgen.

Doordat elke locatie dezelfde UNS-structuur gebruikt, ontstaat automatisch inzicht over meerdere fabrieken zonder extra maatwerkkoppelingen. Dit maakt vergelijking tussen locaties, lijnen of afdelingen eenvoudig en betrouwbaar.

Planner – real-time inzicht in productievoortgang

De planner gebruikt een planningstool die zich abonneert op:

MyCompany / Eindhoven / Packaging / + / + / ERP / ActiveWorkOrder / #

MyCompany / Eindhoven / Packaging / + / + / Machine / State / #

Wat hij ziet en gebruikt:

Hoeveel van een order al geproduceerd is (ProducedQuantity)
De actuele machinestatus (bijv. draaiend of stilstand)
Eventuele productieproblemen, zoals een onverwachte stop

Dankzij real-time updates kan de planner wanneer nodig direct bijsturen, bijvoorbeeld orders herschikken, capaciteit anders verdelen of sneller reageren op verstoringen in de productie.

Productiemanager – overzicht van de productielocatie

De productiemanager gebruikt een dashboard dat meerdere lijnen en cellen laat zien, geabonneerd op:

MyCompany / Eindhoven / #

Wat hij ziet en gebruikt:

Status van alle actieve orders en productielijnen
Alerts van sensoren, zoals temperatuuroverschrijdingen (TemperatureAlert)
Voortgangsstatistieken per lijn of machine

Zo krijgt hij een direct overzicht van bottlenecks, risico’s of vertragingen en kan hij managementbeslissingen onderbouwen met actuele data, zonder dat hij zelf alle systemen hoeft te raadplegen.

Customer Service – actuele klantinformatie

De customer service medewerker gebruikt het ERP-systeem als interface. Ze volgt de relevante orderinformatie, zoals orderstatus en gereedmelding, zodat zij klanten betrouwbare updates kan geven. Het ERP-systeem is geabonneerd op alle relevante orderevents via het UNS-pad:

MyCompany / Eindhoven / + / + / + / ERP / ActiveWorkOrder / #

Zo ontvangt zij alleen de gegevens die relevant zijn voor haar taak. Niet elk machine-event wordt doorgestuurd; alleen relevante informatie zoals orderstatus, hoeveelheid geproduceerd en gereedmelding.

Wat ze ziet en gebruikt:

Welke orders actief zijn en hoeveel er al geproduceerd is (ProducedQuantity)
Of een order gereed is voor verzending (WorkOrderCompleted)
Eventuele wijzigingen in deadlines of orderstatus

Dankzij de event-driven architectuur ontvangt zij direct updates zodra deze relevante gegevens wijzigen.

Samengevat: waarde van real-time data via UNS en event-driven updates

Door ERP-data, machine-data en sensor-events te combineren via de UNS en event-driven architectuur:

Hebben alle betrokkenen – van werkvloer tot kantoor – altijd hetzelfde actuele inzicht.
Kunnen dashboards en andere tools automatisch alle relevante events tonen.
Wordt data uniform en betrouwbaar beschikbaar voor alle subscribers.

Van data naar direct inzicht op de werkvloer

Wil je ontdekken hoe je productiegegevens uit machines, sensoren en ERP samenbrengt in één overzichtelijke datastructuur?

Produmize helpt MKB- productiebedrijven om hun data real-time inzichtelijk en bruikbaar te maken op de werkvloer.

Wil je zelf ervaren hoe een UNS en event-driven architectuur rust en overzicht brengen in jouw productiebedrijf? Neem contact op voor een vrijblijvend gesprek of bekijk ons stappenplan in Starten met een UNS + event-driven architectuur.

Het bericht Voorbeeld: Real-time data via UNS en event-driven updates verscheen eerst op Produmize.

Starten met een UNS + event-driven architectuur

Esther Rissewijck — Mon, 09 Mar 2026 17:22:33 +0000

In dit blog leggen we uit hoe je stap voor stap een UNS implementeert in combinatie met een event-driven architectuur, zodat de juiste data real-time beschikbaar is. Zo krijgt je MKB-productiebedrijf snel overzicht, consistente data en real-time inzichten voor alle subscribers, met behoud van historische data in de historian (een systeem dat events en meetwaarden bewaart).

In Wat is een Unified Namespace (UNS) en event-driven architectuur? leggen we technisch uit wat een UNS en event-driven architectuur zijn. In UNS en event-driven architectuur: de praktijk in jouw fabriek las je over het praktische verschil tussen wél of niet werken met een Unified Namespace (UNS) + event-driven architectuur: overzicht, real-time updates via subscribers en historisch opgeslagen data.

Belangrijk om te weten: een UNS + event-driven architectuur is een technisch sub-project binnen een groter doel, zoals het verhogen van de productiviteit, het verminderen van storingen of het optimaliseren van de planning. In dit blog laten we zien hoe je ermee kunt starten door het in te zetten vanuit een concreet projectdoel, bijvoorbeeld een dashboard voor één productielijn, een analyse van energieverbruik of inzicht in OEE. Later kan een goed opgezet UNS en event-driven architectuur geheel bedrijfsbreed worden uitgerold.

Door klein te beginnen, leer je hoe de UNS-structuur en architectuur werkt en creëer je direct waarde met je data.

Waarom een UNS + event-driven architectuur loont

Met een goed opgezet UNS, gecombineerd met een event-driven architectuur, merk je snel voordelen:

Overzicht: één centrale en actuele bron van waarheid (single source of truth) doordat systemen dezelfde gebeurtenissen gebruiken binnen de afgesproken UNS-datastructuur.
Snelheid: dashboards, MES en analyses gebruiken real-time data als subscribers, via event-driven updates vanuit de broker.
Flexibiliteit: nieuwe machines of software aansluiten gaat eenvoudig, omdat elk systeem één keer op de broker aansluit en de geabonneerde systemen automatisch updates ontvangen.
Betrouwbaarheid: alle historische data (events en meetwaarden) kunnen centraal worden opgeslagen in de historian en blijft beschikbaar, ook bij vervanging van machines of software.

Het organiseren en real-time beschikbaar maken van data is de basis. De echte waarde zit in het gebruiken van die data om processen te verbeteren en betere beslissingen te nemen.

7 stappen om een UNS + event-driven architectuur te implementeren

Het implementeren van een UNS in combinatie met een event-driven architectuur is een project op zich. Je volgt een gestructureerde aanpak: begin met een afgebakende scope, test, leer en breid stap voor stap uit.

In lijn met ons 7-stappenplan voor Smart Industry kun je het zo bekijken:

Stap 1: Bepaal je doel

Het implementeren van een UNS en event-driven architectuur kun je zien als een technisch subproject binnen een groter doel, zoals:

productiviteit verhogen
stilstand verminderen
beter plannen
energieverbruik inzichtelijk maken

Formuleer het grotere doel dat je wilt bereiken en bepaal waar je mee begint, bijvoorbeeld

real-time inzicht in één productielijn
een dashboard voor machineprestaties
inzicht in energieverbruik van machines

Het opzetten van een UNS + event-driven architectuur is een middel om betrouwbare, uniforme en real-time data beschikbaar te maken, zodat je het overkoepelende doel kunt behalen.

Stap 2: Stel je scope scherp

Baken af welke data je écht nodig hebt om je projectdoel te bereiken.

Stel dat je bijvoorbeeld de productiviteit van een productielijn inzichtelijk wilt maken. Dan heb je mogelijk data nodig zoals:

machine-status (running, stopped, storing)
• geproduceerd aantal producten
• cyclustijd of snelheid
• ordernummer of werkorder

Voor een energie-analyse kunnen bijvoorbeeld deze datapunten relevant zijn:

energieverbruik van de machine
• machine-status
• productievolume

Een machine of systeem bevat vaak veel meer data dan nodig is voor je huidige projectdoel. Door alleen de relevante datapunten te selecteren, blijft het project overzichtelijk en voorkom je dat ongebruikte of ongevalideerde data in je analyses terechtkomt.

Eventueel kun je de volledige ruwe data wel opslaan, zodat deze later beschikbaar blijft voor nieuwe analyses of toekomstige projecten.

De exacte naamgeving van de afgebakende data bepaal je later in de UNS-structuur.

Waarom klein beginnen werkt:

Het project blijft overzichtelijk en beheersbaar
Je leert de structuur van een UNS en event-driven communicatie kennen
Je voorkomt dat ongebruikte of ongevalideerde data in je systeem terechtkomt

Daarnaast zie je vaak al snel resultaat in dashboards of analyses, terwijl je tegelijkertijd de basis legt voor verdere uitbreiding.

Stap 3: Inventariseer wat je al hebt

Breng in kaart welke systemen en databronnen relevant zijn voor dit project.

Denk bijvoorbeeld aan:

machines of PLC’s
sensoren
ERP-systemen
MES-systemen
bestaande dashboards of databases

Het doel van deze stap is te bepalen waar de benodigde data vandaan komt en hoe je deze kunt ontsluiten.

Hoewel het nuttig kan zijn om een volledig overzicht van alle machines, sensoren en software te hebben, beperken we ons hier tot de data die nodig is voor dit project en het implementeren van een UNS in combinatie met een event-driven architectuur.

Stap 4: Bouw en implementeer de oplossing

Nu je weet welke tools nodig zijn en deze beschikbaar zijn, richt je de technische basis, de UNS en de event-driven architectuur, in. Dit geeft systemen de mogelijkheid te publiceren en zich te abonneren:

Dataverzamelaars: apparaten en software die data van machines, sensoren en andere databronnen verzamelen en naar de broker sturen.
Broker (messaging-laag): ontvangt gepubliceerde data van dataproducers en verspreidt deze automatisch naar alle subscribers die zich abonneren op de juiste datapaden in de UNS. Zie het als een ‘postkantoor’ voor data.
Historian: slaat real-time events op voor analyse, rapportage en trends achteraf.
Subscribers (data consumers): dashboards, MES, ERP of visualisatietools die zich abonneren op datapaden in de UNS en automatisch updates ontvangen via de broker.

Stap 4.1: Stel je UNS-structuur vast

Zorg dat de naamstructuur uniform is en gebaseerd op een duidelijke hiërarchie (bijvoorbeeld volgens ISA-95). Een consistente UNS-structuur is cruciaal; zonder uniforme naamgeving begrijpen publishers en subscribers elkaar niet en kunnen events niet correct worden verwerkt.

Bijvoorbeeld:

[Enterprise] / [Site] / [Area] / [Work Center] / [Work Unit] / [DataProducer] / [DataPoint]

Enterprise: de organisatie, het bedrijf of de hele fabrieksgroep
Site: een fysieke locatie of fabriek
Area: een productieafdeling of specifiek productiegebied binnen een site
Work Center: een logische groep van machines of werkstations waar werk wordt uitgevoerd (bijvoorbeeld een productielijn)
Work Unit: een onderdeel van een Work Center, bijvoorbeeld een specifieke machine, CNC, assemblagestation of PLC
DataProducer: bron die data publiceert
DataPoint: het specifieke datapunt (bijv. ordernummer, status, temperatuur, energieverbruik)

Wanneer een datapunt verandert, wordt dit als event met payload gepubliceerd. De payload bevat de actuele waarde en metadata (bijv. timestamp, eenheid, status). Zo kunnen subscribers correct reageren, dashboards real-time bijwerken en historische opslag in de historian plaatsvinden.

Bijvoorbeeld: een wijziging in

Machine1 / Machine / Status

verandert van ‘Stopped’ naar ‘Running’. Dit wordt als event gepubliceerd met payload {waarde: ‘Running’, timestamp: ‘2026-03-16T08:00’, bron: ‘Machine1’}. Alle subscribers ontvangen automatisch de update.

In onderstaand schema zie je hoe de datastroom wordt opgebouwd. We gebruiken hier de volgende hiërarchie:

LocatieA / Productie / Lijn1 / Machine1

Let op: Hoewel wij hier de DataProducer in de ‘string’ laten zien om de herkomst te verduidelijken, wordt dit in een volwassen, functionele structuur vaak weggelaten. Het doel van een UNS is immers dat het voor de gebruiker niet uitmaakt welk systeem de data levert, zolang de informatie over ‘Machine1’ maar compleet is.

Stap 4.2: Installeer en configureer de benodigde tools

Dataverzamelaars, broker, historian, dashboards / visualisatietools
Abonneer subscribers zodat zij automatisch event-driven updates ontvangen via de broker
Historian: kan zich ook abonneren op de broker om events en meetwaardes op te slaan voor analyse, rapportage en trends. Historische data wordt via een query of API opgehaald.

Stap 4.3 Test publicatie en consumptie

Controleer:

Dataproducers publiceren correct volgens de afgesproken Unified Namespace (UNS)
Subscribers ontvangen juiste data
Subscribers/visualisaties tonen real-time updates

Valideer de data altijd met de praktijk op de werkvloer: operators of engineers kunnen beoordelen of waarden logisch zijn. Alleen gevalideerde data mag uiteindelijk in de subscribers terechtkomen.

Stap 5: Ga live

Zodra de data correct stroomt, start je met het gebruik van je subscribers. Dit kunnen bijvoorbeeld zijn:

Dashboards voor operators en planners
MES-systemen voor productiecontrole
ERP-systemen voor order- en voorraadbeheer
Analyse- of BI-tools die trends, prestaties of OEE in real-time tonen

Monitor de real-time data en controleer of alles werkt zoals bedoeld. Zorg dat operators, planners en andere stakeholders de juiste informatie ontvangen en kunnen gebruiken om beslissingen te nemen of processen bij te sturen.

Stap 6: Zet inzicht om in actie

Analyseer de verzamelde data en gebruik deze voor beslissingen en procesverbeteringen.

Zelfs als het project beperkt is tot een koppeling tussen ERP en een machine, heeft het nu direct impact. Later kan de data ook door andere subscribers worden gebruikt voor analyses of processturing.

Als je bijvoorbeeld een dashboard met de actuele data ophangt op de werkvloer, stem dan af wie actie onderneemt bij afwijkingen en hoe nieuwe routines geborgd worden.

Stap 7: Bestendig en waarborg

Zorg dat de oplossing structureel wordt beheerd en geïntegreerd in de dagelijkse werkwijze. Evalueer wat goed ging en wat beter kan, zodat het project niet stilvalt zodra de aandacht verschuift.

Door deze gestructureerde aanpak blijft het overzichtelijk en beheersbaar, terwijl je toch direct waarde haalt uit je data. Je start klein en breidt stap voor stap uit.

Tip: gefaseerd uitbreiden

Meer machines en productielijnen toevoegen
Kwaliteitsdata integreren
Onderhouds- en energiegegevens toevoegen
Analyses, rapportages en processturing verbeteren

Zo groeit een klein project uit tot een bedrijfsbrede UNS met alle relevante data beschikbaar voor meerdere geabonneerde systemen.

Valkuilen om te voorkomen

Geen uniforme UNS-structuur
Event-driven architectuur niet correct opgezet
Te groot beginnen
Ongebruikte of ongevalideerde data opnemen
Geen betrokkenheid van werkvloer
Historische data niet goed opslaan

UNS + event-driven architectuur praktisch toepassen in jouw productiebedrijf

Een UNS + event-driven architectuur maakt data uit verschillende systemen gestructureerd en real-time beschikbaar.

Hoewel een UNS uiteindelijk bedrijfsbreed kan worden toegepast, begint de implementatie in de praktijk vaak met een klein project of concrete use case. Dus begin klein, leer, breid uit en zet real-time event-driven ontsluiting centraal. Zo haal je direct waarde uit je data en leg je de basis voor een schaalbare, datagedreven en toekomstbestendige productieorganisatie.

Onze Smart Industry-oplossingen maken dit mogelijk:

Data wordt verzameld uit zowel legacy-machines als moderne machines met open protocollen (bijv. OPC UA) en via IoT-gateways naar ThingsBoard gestuurd.
Vervolgens wordt het via de server en TBMQ broker gestructureerd gepubliceerd volgens de afgesproken UNS-structuur, zodat alle subscribers correct real-time updates ontvangen
Historische data wordt opgeslagen in de historian; dashboards, analyses en rapportages hebben altijd een compleet overzicht
Visualisatie op dashboards, inclusief mogelijkheid tot doorklikken naar historische analyses

Lees de volledige serie over UNS & event-driven architectuur:

Deel 1: Wat is een UNS en hoe werkt een event-driven architectuur?
Deel 2: Waarom deze combinatie de ‘wirwar’ aan koppelingen oplost.
Deel 3: Stappenplan: Zo start je met een UNS + event-driven architectuur. (Huidig)
Deel 4: Praktijkvoorbeeld: Real-time data van ERP tot operator-dashboard.

Het bericht Starten met een UNS + event-driven architectuur verscheen eerst op Produmize.

UNS en event-driven architectuur: de praktijk in jouw fabriek

Esther Rissewijck — Mon, 09 Mar 2026 16:05:35 +0000

Je wilt met real-time data uit je productiebedrijf aan de slag, omdat je weet welke voordelen dat heeft: beter onderbouwde beslissingen, efficiëntere productie, inzicht in bottlenecks en een beter afgestemde planning. Hiermee versterk je jouw concurrentiepositie en maak je je organisatie toekomstbestendig.

Maar zodra je data uit meerdere systemen wilt combineren, merk je dat wat ooit logisch begon, is uitgegroeid tot een ongeremde wirwar van koppelingen. Er bestaat een web van 1-op-1 (point-to-point) verbindingen tussen datagevers (machines, ERP, MES) onderling en visualisatie- en analysetools, waardoor het lastig is om overzicht te houden of écht real-time inzicht te krijgen.

Misschien herken je dit: je wilt een nieuw dashboard bouwen, maar moet eerst uitzoeken waar de juiste data staat, in welk formaat deze beschikbaar is en wie de koppeling moet maken.

Hoe breng je hier structuur in? En wat gebeurt er als je ook nog een nieuwe machine wilt aansluiten, een bestaande vervangt of nieuwe analyses wilt toevoegen?

De oplossing hiervoor is een Unified Namespace (UNS) in combinatie met een event-driven architectuur voor datadistributie. In ons vorige blog legden we deze technieken en begrippen uit. In dit blog leggen we uit hoe dit praktisch werkt in jouw productiebedrijf, zodat je overzicht, real-time updates en schaalbaarheid krijgt.

Groei van je datalandschap

Vaak is het digitale landschap in je fabriek stap voor stap gegroeid. Je begon met een ERP voor orderadministratie, gevolgd door CAD/CAM, een dashboard voor machinedata en een MES voor productie-inzicht.

Het probleem is dat er hierdoor een web van 1-op-1 koppelingen (point-to-point) is ontstaan. Elk systeem werd direct verbonden met elk ander systeem dat data nodig had. Het resultaat is een rigide systeem waarin elke kleine wijziging een keten van handmatige aanpassingen veroorzaakt.

Data is verspreid geraakt, definities verschillen per systeem en real-time inzicht is niet vanzelfsprekend. Bovendien is historische data vaak versnipperd opgeslagen, waardoor trends en analyses moeilijk volledig te volgen zijn.

Wat betekent dit praktisch voor jouw productiebedrijf?

Stel dat je een bestaande machine wilt vervangen, nieuwe software wilt toevoegen of een nieuwe visualisatietool wilt aansluiten. Je moet dan telkens opnieuw uitzoeken welke systemen die data gebruiken en hoe deze daar terechtkomt. Je bouwt niet alleen een nieuwe koppeling, maar je verstoort vaak ook meerdere bestaande verbindingen.

Dashboards of rapportages kunnen tijdelijk niet kloppen of zelfs uitvallen. En hoe meer koppelingen je hebt, hoe groter de kans dat ergens iets niet synchroon loopt.

Kortom: tijdrovend, foutgevoelig en het beperkt het effectieve gebruik van jouw data.

Concreet voorbeeld van point-to-point koppelingen

Wil je data uit je ERP, machinedata en kwaliteitsdata combineren in één dashboard? Dan moet je extra koppelingen en datatransformaties maken om alles samen te voegen. Daarbij kun je tegen het volgende aanlopen:

Data komt soms te laat of in een afwijkend formaat binnen, waardoor dashboards verkeerde of inconsistente waarden tonen.
Statusinformatie kan verschillen per systeem, bijvoorbeeld: het ERP zegt dat een order nog loopt, terwijl de machine op de vloer al aangeeft dat hij gereed is.

Met andere woorden: data kan in één systeem real-time beschikbaar zijn, maar verschijnt niet automatisch consistent in andere tools. Je mist één eenduidige bron van waarheid (Single Source of Truth).

Een oplossing hiervoor is werken met een UNS gecombineerd met een event-driven architectuur. Daarmee organiseer je de structuur en betekenis van data centraal en zorg je dat veranderingen automatisch beschikbaar zijn voor alle, op die data geabonneerde, systemen (subscribers).

UNS en event-driven architectuur in de praktijk

Een Unified Namespace (UNS) is een afgesproken structuur waarin alle informatie logisch en uniform wordt georganiseerd. Je spreekt af hoe data wordt benoemd, waar deze staat en wat het betekent.

Structuur en hiërarchie volgens ISA-95

Vaak wordt hierbij gebruikgemaakt van een hiërarchische opbouw, de internationale ISA-95 standaard:

[Enterprise] / [Site] / [Area] / [Work Center] / [Work Unit] / [DataProducer] / [DataPoint]

Note: In onze voorbeelden nemen we de [DataProducer] (de bron) op in het pad, zodat je precies ziet waar de data vandaan komt. Dit helpt om de herkomst van data inzichtelijk te houden, ook al wordt deze laag in een volledig volwassen UNS vaak weggelaten omdat het de eindgebruiker alleen om de informatie over de “Work Unit” gaat.

Data is hiermee altijd terug te leiden naar een fysieke of organisatorische context. Maar een structuur alleen is niet genoeg. Daarom combineer je een UNS met een event-driven architectuur.

Real-time publicatie en automatische updates

In een traditioneel datalandschap met point-to-point koppelingen wordt data vaak pas verzonden of opgehaald als een systeem erom vraagt of periodiek pollt. In een event-driven architectuur worden wijzigingen (events) automatisch gepubliceerd op het moment dat ze plaatsvinden, zodat alle geabonneerde systemen direct actuele informatie ontvangen.

Wanneer een machine start of stopt, een order van status verandert of een kwaliteitsmeting wordt geregistreerd, wordt die wijziging (het event) direct gepubliceerd binnen de afgesproken datastructuur. Geabonneerde systemen (subscribers), zoals dashboards, MES of ERP ontvangen deze update onmiddellijk.

Je hoeft geen losse koppelingen meer te bouwen; elk systeem abonneert zich op de gedeelde datastructuur en ‘luistert’ simpelweg naar de datastroom die voor hem relevant is.

Hetzelfde dashboard, zonder de wirwar aan koppelingen

Kijk nu eens naar hetzelfde scenario: je wilt ERP-orders, machinedata en kwaliteitsmetingen combineren.

In plaats van een wirwar aan koppelingen, wordt data nu gepubliceerd volgens de afgesproken ‘datataal’ van de UNS. Via de event-driven architectuur abonneert jouw dashboard zich als subscriber op de relevante datapaden en ontvangt automatisch updates wanneer er iets verandert.

Je hoeft:

geen nieuwe koppelingen te bouwen.
geen aparte synchronisatielogica te ontwikkelen.
niet bang te zijn dat verschillende systemen elkaar tegenspreken.

Daarnaast kan historische data (events en meetwaarden) centraal worden opgeslagen in een ‘historian’. Hierdoor blijven trends en analyses mogelijk, ook wanneer je in de toekomst een machine of softwarepakket vervangt.

Vergelijking: Werken met of zonder UNS + event-driven architectuur

Het verschil tussen een traditioneel datalandschap en een architectuur met UNS + event-driven wordt duidelijk wanneer je de belangrijkste aspecten naast elkaar zet:

Conclusie: Rust en real-time data in je productiebedrijf

Werken met een UNS en een event-driven architectuur maakt in jouw productiebedrijf een groot verschil.

Je voorkomt wildgroei aan koppelingen.
Iedereen werkt met dezelfde datadefinities.
Real-time informatie is de standaard, niet de uitzondering.
Je data-historie blijft veilig, wat er ook verandert in je machinepark.

Je maakt jouw datalandschap beheersbaar, schaalbaar en toekomstgericht.

En dat betekent uiteindelijk: minder fouten, sneller inzicht, betere besluitvorming en een productieomgeving die klaar is voor verdere groei.

Wil je praktisch starten met een UNS + event-driven architectuur? Lees het volgende blog voor een concreet stappenplan om hiermee aan de slag te gaan.

Lees de volledige serie over UNS & event-driven architectuur:

Deel 1: Wat is een UNS en hoe werkt een event-driven architectuur?
Deel 2: Waarom deze combinatie de ‘wirwar’ aan koppelingen oplost. (Huidig)
Deel 3: Stappenplan: Zo start je met een UNS + event-driven architectuur.
Deel 4: Praktijkvoorbeeld: Real-time data van ERP tot operator-dashboard.

Het bericht UNS en event-driven architectuur: de praktijk in jouw fabriek verscheen eerst op Produmize.

Wat is een Unified Namespace (UNS) en event-driven architectuur?

Esther Rissewijck — Mon, 09 Mar 2026 14:42:22 +0000

Het digitale landschap in je productiebedrijf groeide waarschijnlijk stap voor stap. Je begon met een financieel pakket voor de administratie en een ERP voor verkoop en productie. Later volgden CAD/CAM voor engineering, een MES voor productie-inzicht en dashboards voor machinedata.

Het resultaat: een complex web van 1-op-1 (point-to-point) koppelingen. Elk systeem is rechtstreeks verbonden met andere systemen die data nodig hebben. Hierdoor worden overzicht, controle en onderhoud steeds moeilijker.

Wil je dit web van koppelingen doorbreken en data uniform én real-time beschikbaar maken voor alle systemen? Dan biedt een Unified Namespace (UNS) in combinatie met een event-driven architectuur de structurele oplossing. Dit vraagt om afspraken over datastructuur en naamgeving, maar voorkomt dat het aantal koppelingen onbeheersbaar groeit en maakt data eenvoudiger bruikbaar voor alle systemen. Er ontstaat één consistente en schaalbare datalaag waarin alle systemen real-time toegang hebben tot dezelfde informatie.

In dit blog leggen we uit wat een UNS is en hoe een event-driven architectuur werkt. Je leest over het verschil tussen werken zonder UNS, met UNS in een request-response-model en met UNS in een event-driven architectuur.

Het traditionele web van koppelingen

Wanneer het digitale landschap in je productiebedrijf stap voor stap groeide, groeide hoogstwaarschijnlijk ook het aantal point-to-point (1-op-1) koppelingen. Elk nieuw systeem voegde extra koppelingen toe met andere systemen die data nodig hebben. Het IT-landschap is complex, foutgevoelig en moeilijk schaalbaar geworden:

Data staat verspreid over meerdere systemen
Definities en betekenis van data verschillen per systeem
Real-time inzicht is niet vanzelfsprekend
Historische data is versnipperd
Elke wijziging of toevoeging vereist vaak meerdere aanpassingen

Het vergt veel kennis van elke koppeling en goed onderhoud om overzicht en controle te behouden. Na verloop van tijd is vaak niet meer precies bekend welke koppelingen er bestaan en gaat kennis verloren bij bijvoorbeeld personeelswisselingen. Én het is lastiger om een consistente operationele werkelijkheid te creëren, waardoor analyses, rapportages en stuurinformatie minder betrouwbaar zijn.

Wat is een Unified Namespace (UNS)?

In een UNS spreek je bedrijfsbreed af hoe je data organiseert en benoemt. Dit zorgt ervoor dat alle systemen in je productiebedrijf dezelfde “datataal” spreken en dezelfde informatie op dezelfde manier interpreteren, zonder dat je de systemen intern hoeft aan te passen.

Belangrijkste kenmerken:

Uniforme structuur: Iedereen weet waar data hoort en hoe deze wordt genoemd.

Genormaliseerde data: Als data dezelfde naam heeft, betekent die naam overal hetzelfde. Bijvoorbeeld: elektrisch energieverbruik wordt overal in kWh uitgedrukt. De betekenis van de data staat eenduidig vast.

Systeemonafhankelijk: Systemen kunnen hun eigen interne taal behouden; de UNS maakt de data voor iedereen begrijpelijk.

Door deze afspraken ontstaan minder interpretatieverschillen en kan data op een consistente manier gebruikt worden. Zo wordt het makkelijker om data bedrijfsbreed te gebruiken, analyses betrouwbaar te maken en processen te volgen.

Structuur van een UNS

Een UNS kan verschillend worden opgebouwd, afhankelijk van jullie processen en gewenste dataniveaus. Binnen je organisatie bepaal je zelf een structuur die logisch is voor jullie productieomgeving en systemen.

Een veelgebruikt en overzichtelijk voorbeeld van zo’n structuur is de internationale ISA-95 hiërarchie. Deze standaard helpt om data tussen kantoor- en productiesystemen op een eenduidige manier te organiseren:

[Enterprise] / [Site] / [Area] / [Work Center] / [Work Unit] / [DataProducer] / [DataPoint]

Enterprise – de organisatie, het bedrijf of de hele fabrieksgroep
Site – een fysieke locatie of fabriek
Area – een productieafdeling of specifiek productiegebied binnen een site
Work Center – een logische groep van machines of werkstations waar werk wordt uitgevoerd (bijvoorbeeld een productielijn)
Work Unit – een onderdeel van een Work Center, bijvoorbeeld een specifieke machine, CNC, assemblagestation of PLC
DataProducer – bronnen die data publiceren, zoals machines, sensoren, ERP-systemen of berekende waarden uit algoritmes (bijvoorbeeld een OEE-berekening).
DataPoint – het specifieke datapunt (bijv. ordernummer, status, temperatuur, energieverbruik)

Een DataPoint kan op elk niveau worden toegevoegd. Zo kun je bijvoorbeeld het energieverbruik van een hele productielijn meten, in plaats van alleen per individuele machine. Dit maakt het eenvoudiger om zowel detailmetingen als geaggregeerde inzichten te gebruiken.

Let op: In onze voorbeelden nemen we de DataProducer op in het pad, zodat duidelijk is waar de data vandaan komt. In een volledig functionele UNS-structuur kan deze laag soms worden weggelaten. Voor de eindgebruiker maakt het niet uit welk apparaat de data levert, zolang de informatie over de Work Unit maar correct is.

Voorbeeld:

ProductiebedrijfX / LocatieA / Area1 / WorkCenter1 / WorkUnit1 / PLC / Status

Hiermee is direct duidelijk waar de data vandaan komt, op welk niveau deze hoort en wat de betekenis is.

Data beschikbaar via een UNS met request-response

Een UNS is dus een uniforme datastructuur. Systemen “weten” hierdoor waar data staat en wat deze betekent. Ze kunnen data uit deze structuur op verschillende manieren gebruiken, bijvoorbeeld via het request-response-principe:

Een systeem vraagt data op (request)
Het andere systeem stuurt de gevraagde data terug (response)

Request–response methoden

Via API’s of queries: Een systeem vraagt informatie op bij een ander systeem wanneer dat nodig is.
Via point-to-point koppelingen: Twee systemen wisselen direct data met elkaar uit via een integratie.
Via integratiesoftware: Een integratieplatform haalt data op uit systemen en stuurt deze door naar andere applicaties.

Nadelen van request-response

Systemen moeten steeds opnieuw data opvragen (pull). Soms gebeurt dit elke paar seconden (polling), zodat het bijna real-time lijkt – maar het net niet is.
Elk systeem moet zelf de data opvragen, dus bij tientallen systemen en honderden datapoints ontstaat veel netwerkverkeer.
Er komt geen automatische notificatie bij wijzigingen, een systeem krijgt alleen iets als het zelf vraagt (pollt). Het ziet dus geen updates als ze spontaan optreden.
Het is lastig te combineren met automatische event-driven processen, bijvoorbeeld voor automatische triggers, meldingen of dashboards die continu moeten updaten

Conclusie: Een UNS voorkomt spraakverwarring en maakt data begrijpelijker en uniformer. Maar voor automatische, real-time updates bij alle relevante systemen en het elimineren van point-to-point koppelingen is een event-driven architectuur nodig.

UNS + event-driven architectuur: real-time datadistributie

Wanneer je een wirwar van koppelingen wilt vermijden en data uit meerdere systemen real-time wilt combineren, volstaat een UNS in een request–response-model niet. Een event-driven architectuur wél.

Met een event-driven architectuur worden wijzigingen automatisch beschikbaar gemaakt voor alle relevante systemen. Je krijgt écht real-time inzicht, het datalandschap blijft overzichtelijk en je kunt nieuwe systemen eenvoudig aansluiten.

Door de combinatie van een Unified Namespace (UNS) en een event-driven distributiemechanisme ontstaat één centrale en actuele bron van waarheid (single source of truth). Alle systemen ontvangen dezelfde events, waardoor er geen losse synchronisaties of afwijkende kopieën meer ontstaan.

Hoe een event-driven architectuur werkt

In een event-driven architectuur publiceren systemen gebeurtenissen (events) zodra data verandert. Andere systemen kunnen zich abonneren op de relevante datapaden en ontvangen automatisch een update.

Voorbeeld:

Een machine meldt dat een job is afgerond.
Het ERP-systeem registreert de order als gereed.
Het voorraadsysteem boekt automatisch het geproduceerde aantal.

Deze aanpak creëert één centrale distributielaag die real-time updates levert aan alle systemen zonder directe point-to-point koppelingen. Updates worden actief ‘gepusht’, zodat er geen polling nodig is. Geabonneerde systemen hebben hierdoor altijd actuele informatie.

Kerncomponenten van event-driven architectuur

Dataproducers: Bronnen die data genereren en bij wijziging een event publiceren, zoals machines, sensoren, ERP-systemen of algoritmes (bijvoorbeeld een OEE-berekening).

Event: Een bericht dat een wijziging of gebeurtenis in een datapunt beschrijft.

Broker (messaging-laag): Ontvangt events van dataproducers en verspreidt deze automatisch naar alle subscribers die zich op de juiste datapaden hebben geabonneerd (bijvoorbeeld via een MQTT-broker).

Subscribers (data consumers): Toepassingen, zoals dashboards, planningtools, MES- of ERP-interfaces, die zich abonneren op UNS-paden en automatisch updates ontvangen wanneer een event wordt gepubliceerd.

Historian: Slaat events of meetwaarden op voor trends en rapportages achteraf. Waar de broker zorgt voor de ‘live’ hartslag, dient de historian als het geheugen van je productiebedrijf. Analyse-tools en BI-dashboards halen hier via een query of API de benodigde historische data op.

Voordelen van een UNS + event-driven architectuur

De UNS zorgt voor structuur en betekenis van data, terwijl de event-driven architectuur ervoor zorgt dat deze data automatisch en real-time beschikbaar komt voor alle gebonneerde systemen.

De belangrijkste voordelen:

Uniforme datadefinities
Data wordt volgens één uniforme structuur gepubliceerd, met eenduidige definities. Hierdoor kunnen systemen dezelfde informatie interpreteren, ook als ze intern verschillende ‘talen’ spreken.

Single source of truth
Door de combinatie van UNS en event-driven architectuur ontstaat een single source of truth: alle systemen ontvangen dezelfde real-time events vanuit één centrale publicatiestroom, waardoor er geen afzonderlijke kopieën of synchronisaties meer nodig zijn.

Real-time beschikbaarheid
Wanneer een datapunt verandert, ontvangt elke subscriber direct een update. Dashboards, MES, ERP en andere systemen kunnen zo actuele informatie tonen.

Historische data beschikbaar voor analyse
Events of meetwaarden kunnen worden opgeslagen in een historian, zodat analyses, rapportages en dashboards ook toegang hebben tot historische informatie, ook wanneer machines of software worden vervangen.

Efficiënt gebruik via subscribers
Het subscriber-model zorgt ervoor dat systemen alleen relevante updates ontvangen, waardoor real-time inzicht efficiënt blijft en resources worden bespaard.

Overzichtelijk digitaal landschap
Geen complex web van point-to-point koppelingen meer. Systemen hoeven alleen met de broker te verbinden om data te publiceren of te ontvangen.

Flexibiliteit en schaalbaarheid
Nieuwe machines, applicaties of dashboards kunnen worden aangesloten zonder bestaande integraties aan te passen.

Historische data en context

Een historian is een gespecialiseerde timeseries-database die meetwaarden en events met een tijdstempel opslaat. Bijvoorbeeld: om 10:32:15 was de temperatuur 85°C. Om 10:32:20 was die 86°C. Dat is ideaal om trends te analyseren en processen te monitoren.

Wat een historian meestal niet automatisch vastlegt, is de volledige context van dat moment, zoals bij welke order de meting hoorde, welke instellingen actief waren of welke grondstoffen werden gebruikt. Voor eenvoudige analyses is dat vaak geen probleem. Voor complexere analyses kan die extra context echter cruciaal zijn.

In een volwassen data-architectuur worden daarom meetwaarden vaak gekoppeld aan metadata of andere contextinformatie, zodat historische data later effectief en betrouwbaar geanalyseerd kan worden. Dit kan bijvoorbeeld betekenen dat ook berekende waarden, procesparameters of businesscontext in de historian worden opgeslagen. Zo kan je later precies reconstrueren wat er in de fabriek gebeurde op een bepaald moment, en kunnen verschillende dashboards of tools gebruikmaken van dezelfde basisdata zonder verborgen berekeningen.

Wat betekent dit onder de streep voor jouw fabriek

Met een UNS en event-driven architectuur hebben verschillende systemen toegang tot betrouwbare real-time en historische data. Het haalt de complexiteit uit je IT-beheer en legt de focus terug op waar het echt om gaat: je productie optimaliseren en beslissingen nemen op basis van feiten. Het biedt overzicht, betrouwbaarheid en flexibiliteit – precies wat moderne, datagedreven productie nodig heeft.

Herken je die ‘wirwar’ van koppelingen in je eigen fabriek en ben je benieuwd waar voor jou de eerste stap ligt? Wij denken graag met je mee over hoe we jouw data weer voor je kunnen laten werken, in plaats van andersom.

Lees de volledige serie over UNS & event-driven architectuur:

Deel 1: Wat is een UNS en hoe werkt een event-driven architectuur? (Huidig)
Deel 2: Waarom deze combinatie de ‘wirwar’ aan koppelingen in je fabriek oplost.
Deel 3: Stappenplan: Zo start je met een UNS + event-driven architectuur.
Deel 4: Praktijkvoorbeeld: Real-time data van ERP tot operator-dashboard.

Het bericht Wat is een Unified Namespace (UNS) en event-driven architectuur? verscheen eerst op Produmize.

Digitaliseren & automatiseren MKB-productie: waar begin je?

Esther Rissewijck — Tue, 13 Jan 2026 14:40:28 +0000

In het blog Digitalisering & automatisering: verschil en verband hebben we uitgelegd wat deze twee begrippen precies betekenen en hoe ze elkaar versterken. Maar in de dagelijkse praktijk gaat het niet om definities, maar om resultaten: minder handmatig werk, minder fouten en meer overzicht. Daar merk je binnen jouw afdeling of organisatie direct het verschil.

Veel MKB-productiebedrijven werken al met een ERP-systeem, dat de basis vormt voor planning, administratie en financiën. Toch komt het regelmatig voor dat informatie nog handmatig, versnipperd of pas achteraf in het ERP wordt vastgelegd. Hierdoor ontstaan vaak vertragingen, extra werk en onnodige fouten doordat afdelingen niet met dezelfde actuele data werken.

In dit blog laten we zien hoe je het beste kunt beginnen met verbeteren, welke processen direct profiteren van digitalisering en automatisering en welke voordelen dit oplevert voor het hele team. Ook de voordelen die je niet direct in cijfers terugziet.

Begin met een proces dat overzichtelijk, meetbaar en dagelijks relevant is

Digitalisering en automatisering werken het best als je start bij een proces dat iedereen herkent en dagelijks gebruikt. Het doel is om de drempel laag te houden en direct resultaat te laten zien op de werkvloer.

Praktische aanpak

Breng globaal in kaart welke processen er zijn binnen productie, administratie, logistiek, inkoop, verkoop, onderhoud en HR
Kijk per proces waar nog handmatig wordt gewerkt, waar informatie wordt overgetypt of waar regelmatig correcties nodig zijn
Gebruik eenvoudige observaties: hoe vaak wordt iemand per dag onderbroken met vragen, waar ontstaat zoekwerk, wanneer loopt de planning vast?
Betrek medewerkers bij deze keuze: zij weten als geen ander waar in de dagelijkse praktijk de meeste tijd verloren gaat en waar fouten kunnen ontstaan.

Kies vervolgens een proces dat:

Dagelijks impact heeft – medewerkers én management merken direct het verschil in hun werkzaamheden.
Overzichtelijk is – een proces met een duidelijk begin en einde, zonder al te veel afhankelijkheden.
Meetbaar is – je ziet eenvoudig verbetering in tijdsbesteding, doorlooptijd of het aantal foutcorrecties.

Welke processen zijn hiervoor het meest geschikt? In veel MKB-productiebedrijven begint de winst bij onderstaande kernprocessen.

Door digitaliseren en automatiseren in jouw MKB-productiebedrijf te starten bij één overzichtelijk proces dat veel impact heeft, houd je het behapbaar. Er ontstaat draagvlak en daarna kun je stap voor stap uitbreiden naar andere processen.

Kernprocessen die het startpunt kunnen zijn

Onderstaande processen komen in veel MKB-productiebedrijven voor. Vaak zijn ze al deels ondersteund door ERP-software, maar ontbreekt actuele en consistente registratie vanaf de werkvloer. Juist daar kan door digitalisering en automatisering veel winst worden behaald.

Bij elk proces zie je welke medewerkers of afdelingen direct voordeel hebben.

1. Materiaal- en goederenstroom

Bij logistiek en voorraadbeheer gaat het niet alleen om transport. Het omvat ook ontvangst, opslag, interne verplaatsingen, uitgifte aan productie, verzending naar klanten en uitbestede bewerkingen bij derden. Wanneer registraties nog deels handmatig of verspreid plaatsvinden, kan actueel overzicht moeilijk zijn.

Door alle goederenbewegingen digitaal vast te leggen en direct te verwerken in het ERP-systeem – van ontvangst tot verzending, inclusief locatie en uitbestede bewerkingen – ontstaat real-time inzicht in voorraad, reserveringen en planning. Zo zie je wat er onderweg is, welke levertijden verwacht worden en wanneer onderdelen weer beschikbaar zijn voor productie, zodat medewerkers sneller kunnen bijsturen.

Magazijn- en logistiek personeel werkt efficiënter en heeft beter overzicht
Planners kunnen realistischer plannen en sneller bijsturen
Productie kan doorwerken zonder onverwachte materiaaltekorten
Klantenservice kan beter inspelen op levertijden en updates geven
Managers hebben actueel inzicht in voorraad, kosten en leverbetrouwbaarheid

2. Productieorders en orderafhandeling

Orders worden soms nog handmatig overgezet tussen verkoop, planning en productie. Dit kost tijd, kan leiden tot fouten doordat gegevens verkeerd worden overgenomen en de informatie is niet direct beschikbaar voor andere betrokken afdelingen.

Door orderinformatie digitaal vast te leggen en de voortgang direct terug te koppelen naar het ERP, ontstaat continu inzicht in de status van onderhanden werk en beschikbare capaciteit. Wijzigingen of vertragingen zijn meteen zichtbaar voor iedereen.

Productie en planners coördineren beter en kunnen sneller bijsturen
Verkoop en klantenservice zien real-time orderstatussen en kunnen klanten beter informeren
Managers volgen voortgang, doorlooptijden en capaciteitsbenutting direct

3. Verkoopproces van offerte tot factuur

Bij klantspecifieke of ordergestuurde productie loopt één order vaak langs meerdere stappen: offerte, calculatie, engineering, werkbon, levering en facturatie.

Wanneer deze informatie digitaal wordt vastgelegd en automatisch wordt doorgezet, werkt iedereen met dezelfde actuele gegevens. Werkbonnen, materiaalreserveringen en facturen sluiten beter op elkaar aan.

Verkoopmedewerkers besparen tijd en maken minder fouten
Engineering en productie werken met actuele informatie
Administratie en finance hoeven niet meer over te typen
Klantenservice kan sneller en betrouwbaarder reageren
Managers houden overzicht over doorlooptijden, orderstatussen en facturen
Projectleiders en managers maken door terugkoppeling van orderinformatie sneller en meer accurate nacalculaties, waardoor toekomstige offertes beter worden en de toekomstige orderplanning realistischer is

4. Tijdregistratie en personeelsadministratie

Papieren urenbriefjes of losse Excel-bestanden zijn foutgevoelig en tijdrovend voor zowel de medewerker als de administratie.

Door uren digitaal vast te leggen en automatisch te koppelen aan salarisadministratie, verlof en order- of projectregistratie, ontstaat actueel inzicht met minder handmatige handelingen.

Medewerkers hebben minder administratief werk en besparen tijd
HR en administratie hoeven minder te corrigeren en kunnen sneller rapporteren
Projectleiders en planners zien uren vrijwel real-time per project/order. Ze kunnen beter bijsturen op planning en krijgen een realistischer nacalculatie
Managers kunnen overuren en verlof snel goed- of afkeuren

5. Inkoop en leveranciersbeheer

Handmatig bijhouden van bestellingen en leveringen kan leiden tot onduidelijkheid op de werkvloer.

Door inkooporders, leveringen en voorraadmutaties digitaal vast te leggen en aan elkaar te koppelen in het ERP, zien medewerkers sneller of materialen op tijd binnenkomen en of er afwijkingen zijn.

Inkoopmedewerkers hebben overzicht en minder administratief werk
Managers houden controle over kosten, leveranciersprestaties en voorraad
Productie krijgt materialen op tijd
Kwaliteitsmedewerkers signaleren afwijkingen sneller

6. Gereedschapsbeheer

Gereedschap dat kwijt is of te laat wordt onderhouden, kan de productie onnodig vertragen.

Door uitgifte, retour en onderhoud digitaal vast te leggen, ontstaat overzicht. Meldingen helpen om onderhoud of keuringen niet te vergeten.

Medewerkers vinden gereedschappen sneller
Productie loopt soepeler
Technische dienst heeft beter overzicht van onderhoud
Managers zien kosten en beschikbaarheid

Praktijkvoorbeeld: digitale tijdregistratie

Een digitaal tijdregistratiesysteem gekoppeld aan HR- en salarissoftware kan veel tijd besparen:

Medewerkers: 5–10 min. per dag (geen papieren urenbriefjes).
Managers: ~10 min. per week (verlof/overuren goed- of afkeuren met één klik).
Administratie: 4–6 uur per maand (minder verzamel- en controlewerk, niet meer overtypen).

Hoe het werkt: In- en uitklokken met een tag bij de terminal of via een app onderweg. Tijdbesteding vastleggen via een QR-scan op de werkbon.

Het resultaat: Actuele, betrouwbare data en meer tijd voor je kernactiviteiten.

De voordelen die je niet direct in de cijfers ziet

Naast tijdwinst en foutreductie levert digitalisering/automatisering ook belangrijke ‘zachte’ voordelen. Voordelen die minder direct meetbaar zijn, maar dagelijks voelbaar:

Meer rust en overzicht voor medewerkers door duidelijke en betrouwbare informatie.
Betere samenwerking, omdat iedereen met dezelfde actuele gegevens werkt.
Betere naleving van afspraken en regels, bijvoorbeeld rond veiligheid, werktijden en toegangsrechten.
Hogere medewerkerstevredenheid, doordat repetitief en frustrerend werk afneemt.

Conclusie

Door te starten met één overzichtelijk en meetbaar proces zie je hoe digitaliseren en automatiseren in een MKB-productiebedrijf zorgt voor meer snelheid, overzicht en betrouwbaarheid. Je ERP-systeem komt beter tot zijn recht, het werk verloopt efficiënter, fouten nemen af en inzicht neemt toe. Dat zorgt niet alleen voor efficiëntie, maar ook voor rust en betere samenwerking in het hele bedrijf.

Wij helpen je graag op weg

Met de scanoplossingen van Modest digitaliseer je registraties zoals werktijd, ordertijd, aanwezigheid, materiaalverbruik, toegangscontrole en gereedschapsbeheer. Alle data wordt direct en foutloos verwerkt in jouw ERP-, projectmanagement-, HR- en salarispakket. Zo werk je altijd met de juiste cijfers. modest.nl

Met de IoT-oplossingen van Produmize maak je de cirkel rond: je krijgt real-time inzicht in machine- en productiedata. Zo zie je niet alleen wat je mensen registreren, maar weet je ook exact wat je machines presteren. produmize.com

Neem gerust contact op voor een adviesgesprek of demonstratie.

Het bericht Digitaliseren & automatiseren MKB-productie: waar begin je? verscheen eerst op Produmize.

Digitalisering & automatisering: verschil en verband

Esther Rissewijck — Tue, 25 Nov 2025 08:34:34 +0000

In het blog Wat is Smart Industry? Heldere uitleg voor MKB-productiebedrijven hebben we uitgelegd wat Smart Industry inhoudt: de Nederlandse vertaling van de vierde industriële revolutie, waarin digitale en fysieke technologie steeds meer samenkomen. Het draait om slimmer, efficiënter en datagedreven werken.

Binnen dit brede onderwerp kom je in gesprekken over procesverbetering al snel twee termen tegen die vaak door elkaar worden gebruikt: digitalisering en automatisering.

Veel bedrijven halen deze begrippen door elkaar. Daarom is het belangrijk het verschil goed te begrijpen, zodat je weet waar je begint, wat prioriteit heeft en hoe je vervolgens verder bouwt op een solide basis.

In dit blog lees je:

wat het verschil is tussen digitaliseren en automatiseren
hoe ze elkaar versterken
hoe dit past binnen Smart Industry
hoe jouw MKB-productiebedrijf praktisch start

Digitalisering - analoge informatie digitaal maken

Digitalisering zet analoge (papieren of mondelinge) informatie om in een digitale vorm.

Handmatige, papieren of losse registraties worden omgezet naar digitale informatie, terwijl het proces zelf vaak hetzelfde blijft.

Kortom, informatie wordt direct digitaal beschikbaar en toegankelijk, waardoor processen overzichtelijker verlopen.

Herkenbare voorbeelden in het MKB

Misschien herken je één of meer van deze analoge situaties:

Werktijden worden op papieren urenbriefjes ingevuld en later overgetypt in het HR-systeem.
Materiaalverbruik wordt in verschillende Excel-bestanden bijgehouden.
Toegangscontrole gebeurt via een sleutelbord of papieren lijst.
Productieaantallen staan op een whiteboard.
Bezoekers melden zich aan in een schrift bij de receptie.
Aanwezigheid van collega’s wordt op een bord met schuifjes bijgehouden.

Wat er misgaat zonder digitalisering

Informatie is vaak niet real-time beschikbaar, fouten sluipen er gemakkelijk in, iedereen werkt met zijn eigen versie van de waarheid en inzicht komt te laat.

Hoe digitalisering het verschil maakt

Wat eerst handmatig en foutgevoelig was, wordt met digitalisering eenvoudig, snel en betrouwbaar vastgelegd, bijvoorbeeld via apps, scanners of centrale systemen. Processen verlopen overzichtelijker en iedereen werkt met dezelfde actuele informatie. Er ontstaat zo één betrouwbare bron van informatie.

Voorbeelden van digitale toepassingen:

Werktijden registeren via een app of tijdregistratiesysteem
Materiaalverbruik vastleggen via scanners of centrale voorraadsoftware
Toegangscontrole via elektronische systemen
Productieaantallen volgen via real-time dashboards
Bezoekersregistratie via een digitale app

Deze toepassingen maken informatie direct digitaal beschikbaar, verminderen fouten en kunnen real-time inzicht geven. Zelfs een kleine digitaliseringsstap maakt direct impact. Zo kun je:

analyseren waar tijd, materiaal of capaciteit verloren gaat
sneller rapporteren
sneller beslissingen nemen
medewerkers ondersteunen met actuele informatie

En misschien wel het belangrijkste: zonder betrouwbare digitale data werkt automatisering niet.

Automatisering - processen automatisch laten verlopen

Automatisering laat processen of handelingen automatisch door systemen of machines verlopen, zonder handmatig werk.

Automatisering gaat een stap verder dan digitalisering. Informatie wordt niet alleen digitaal vastgelegd, maar processen verlopen zelfstandig.

In de praktijk levert dit meerdere voordelen op: minder overtypwerk, minder handmatig werk, minder kans op fouten en snellere processen. Bijvoorbeeld:

Uren van medewerkers rollen automatisch door naar ERP-, HR- of salarissystemen.
Materiaalbewegingen passen direct de voorraad in ERP aan.
Toegangsrechten worden automatisch toegekend op basis van rollen en roosters.
Meldingen komen automatisch binnen bij afwijkingen of tekorten.
Dashboards vullen zichzelf en geven real-time inzicht, zonder handmatige rapportages.

Automatisering verhoogt de efficiëntie en elimineert repetitieve handelingen.

Let op: goede automatisering werkt alleen als de basisdata op orde is. Als je nog papieren bonnen, losse Excel-bestanden of kennis in hoofden van medewerkers gebruikt, dan automatiseer je op basis van onbetrouwbare gegevens. Dat werkt eerder tegen je dan voor je. Leg informatie eerst digitaal vast om een solide basis te creëren of digitaliseer en automatiseer direct in één stap. Beide routes leiden tot betrouwbare processen.

Digitaliseren eerst, automatiseren later - of alles tegelijk

Veel productiebedrijven kiezen voor een stapsgewijze aanpak. Eerst digitaliseren om betrouwbaar data vast te leggen, daarna automatiseren zodat processen automatisch verlopen.

Sommige oplossingen combineren beide stappen in één keer: data wordt direct digitaal vastgelegd én automatisch verwerkt.

Welke route je ook kiest, het doel is hetzelfde: betrouwbare informatie, efficiëntere processen en beter inzicht. Het gaat erom wat het beste past bij jouw organisatie en huidige processen.

De aanpak ziet er doorgaans zo uit:

Stap 1 – Digitaliseren: leg registraties digitaal vast, centraliseer informatie en krijg real-time inzicht.
Stap 2 – Automatiseren: laat gegevens automatisch verwerken, elimineer handmatig werk en laat processen soepel verlopen.
Stap 3 – Optimaliseren: analyseer data, herken verbeterkansen, benchmark en organiseer slimmer.

Kleine stappen, grote impact. Zo werkt Smart Industry in het MKB.

Digitalisering en automatisering samen in Smart Industry

Smart Industry combineert digitalisering, automatisering en samenwerking. Het doel is efficiënter, flexibeler en voorspelbaarder produceren.

Digitalisering en automatisering verbeteren bestaande processen. Data wordt betrouwbaar vastgelegd, processen lopen automatisch en het werk wordt consistenter. Zo ontstaat ruimte om slimmer te plannen, fouten te verminderen en sneller te reageren op veranderingen.

In de praktijk ziet dat er zo uit:

Vandaag leg je informatie vast
Morgen verwerkt een systeem het automatisch
Overmorgen gebruik je die inzichten om slimmer te plannen en te verbeteren

Digitalisering maakt real-time inzicht mogelijk.
Automatisering maakt processen efficiënter.
Samen vormen ze een belangrijke basis voor Smart Industry.

Een voorbeeld dat je vast herkent

Stel, je boekt materiaalverbruik in het magazijn nog handmatig. Een medewerker neemt dozen mee, schrijft het ergens op en iemand anders typt het later in het systeem. Het resultaat? De voorraad klopt niet altijd en tekorten worden soms pas te laat ontdekt.

Digitaliseer je dat proces, bijvoorbeeld door QR-codes op materiaal bij uitgifte te scannen, dan verandert er direct iets: de voorraad beweegt real-time mee, terwijl analyses automatisch verlopen en fouten afnemen. Automatiseer je daarna ook, dan update ERP automatisch, vullen dashboards zichzelf en ontvang je automatisch meldingen bij tekorten.

Je proces wordt zo:

Inzichtelijk
Betrouwbaar
Voorspelbaar

Een praktische stap vooruit.

Een realistische manier om te beginnen

Je hoeft niet alles tegelijk te digitaliseren of een miljoenenproject te starten. Slimme productie begint vaak met één vraag: Waar kost handmatig werk nu het meeste tijd of kwaliteit?

De beste start is met een proces dat klein genoeg is om overzichtelijk te blijven, dagelijks terugkomt, veel tijd of fouten kost en waar verbetering meteen merkbaar is.

Dat kan zijn bij:

tijdregistratie
materiaalbewegingen
orderstart en orderafmelding
bezoekersregistratie
gereedschapsbeheer
toegangscontrole
kwaliteitsregistratie

Als dát lukt, kan je verder bouwen.

Samengevat

Digitalisering en automatisering zijn nauw verbonden, maar niet hetzelfde.

Begin met digitalisering. Leg data betrouwbaar vast en maak informatie digitaal in real-time toegankelijk.
Bouw daarop verder met automatisering. Laat processen automatisch lopen en elimineer handmatig werk.
Verbeter stap voor stap. Analyseer, herken verbeterkansen en organiseer slimmer.

Zo krijg je betrouwbare data, efficiëntere processen en real-time grip op je bedrijf.

Dat is Smart Industry zoals het voor het MKB bedoeld is: geen revolutie, maar evolutie in realistische, haalbare stappen.

Digitaliseer en automatiseer jouw processen met Modest

Wil je handmatig werk verminderen, fouten voorkomen en meer grip krijgen op je processen? Met de oplossingen van Modest digitaliseer en automatiseer je registraties zoals werktijd, ordertijd, aanwezigheid, materiaalverbruik, toegangscontrole en gereedschapsbeheer.

Registraties worden direct verwerkt en kunnen worden gekoppeld aan je ERP-, HR- of salarissysteem. Zo ontstaat betrouwbare informatie en houd je meer grip op je dagelijkse processen.

Het bericht Digitalisering & automatisering: verschil en verband verscheen eerst op Produmize.

Winstlekken in je productie opsporen met machinedata

Esther Rissewijck — Tue, 04 Nov 2025 15:12:10 +0000

In ons vorige blog Stille winstlekken in je productie: 8 oorzaken die je geld kosten bespraken we de acht meest voorkomende oorzaken van winstlekkage in productie. Maar hoe weet je nu écht waar je winst wegvloeit?

Het antwoord: meten is weten!

Veel winstlekken kun je direct achterhalen met machinedata, zoals stilstand, inefficiënt gebruik van capaciteit en energieverspilling. Wil je weten waarom deze verliezen ontstaan? Combineer dan de machinedata met contextinformatie zoals orderinformatie, werkregistratie of magazijngegevens.

Ontdek met machinedata waar de winst weglekt en waar je productieproces aandacht nodig heeft om de lekken te dichten.

Machinedata zijn automatisch geregistreerde gegevens en signalen van machines.

1. Stilstand en microstops

Wat kun je direct meten met machinedata

Draai- en stilstandtijden per machine
Storingen
Productiecycli of gerealiseerde output (indien geregistreerd)

Wat laat de machinedata zien

Machinedata levert, zonder dat iemand handmatig hoeft te registreren, objectief inzicht in draai- en stilstandtijden tot op de (milli)seconde. Je ziet precies wanneer en hoe lang de machine stilstaat en wanneer hij niet wordt benut.

Wat wordt extra zichtbaar met contextdata

Door de machinedata te combineren met orderinformatie en werkregistratie kun je patronen ontdekken. Je ziet niet alleen wanneer machines stilvallen, maar ook waarom. Zo wordt bijvoorbeeld duidelijk dat stilstand vaker voorkomt bij bepaalde (complexe) producten, materialen of moeilijke bewerkingen. Je ziet welke machines mogelijk de grootste knelpunten in de productielijn vormen. Zo zie je waar je het beste kunt beginnen met verbeteren.

Belangrijke KPI’s voor stilstand

Door deze KPI’s te volgen, krijg je een totaalbeeld van stilstand en productieverlies en kun je gerichte verbeteracties plannen.

Beschikbaarheid: percentage van de geplande productietijd dat de machine daadwerkelijk produceert.

OEE: Overall Equipment Efficiency combineert beschikbaarheid, prestatie en kwaliteit en laat zien hoeveel van je geplande tijd echt nuttige productie oplevert.

Volg deze KPI’s om efficiëntie te begrijpen, verbeteringen te prioriteren en acties te sturen.

2. Energieverbruik

Wat kun je direct meten met machinedata

Energieverbruik per machine of productielijn
Wanneer een machine onnodig draait (bijvoorbeeld in stand-by of opwarmen)
Piekbelasting, bijvoorbeeld bij opstarten of zware bewerkingen
Verschillen in energieverbruik tussen machines (bijvoorbeeld oud versus nieuw)

Wat laat de machinedata zien

Machinedata toont wanneer een machine energie verbruikt en hoeveel. Je ziet wanneer de machine draait zonder productie en wanneer piekbelasting optreedt (korte periodes waarin de machine tijdelijk veel meer energie gebruikt dan normaal, bijvoorbeeld bij opstarten of zware bewerkingen). Zelfs als je maar één machine monitort, zie je inefficiënties die anders onopgemerkt blijven en krijg je inzicht in besparingsmogelijkheden.

Wat wordt extra zichtbaar met contextdata

Door het energieverbruik te koppelen aan productie-uren of output, zie je hoeveel energie per product of per uur productieve tijd wordt verbruikt. Zo ontdek je waar energiewinst mogelijk is en bij welke producten, orders of processen de machine relatief inefficiënt draait.

Belangrijke KPI’s voor energie-efficiëntie

Energie per geproduceerde eenheid (kWh/output): toont hoeveel energie een machine of lijn gebruikt voor elke geproduceerde eenheid.

Samenhang met OEE-prestatie: laat zien waar de machine relatief veel energie verbruikt per productieve output, zodat inefficiënties snel zichtbaar zijn en verbeteracties kunnen worden gepland.

Gebruik deze KPI’s om het verbeterpotentieel te prioriteren en direct acties te sturen.

3. Capaciteit en planning

Wat kun je direct meten met machinedata

Bezettingsgraad per machine en van productielijnen
Werkelijke productietijd
Doorlooptijd per machine of productielijn
Stilstand door wachten (tijd dat de machine aanstaat maar niet productief is)

Wat laat de machinedata zien

Uit puur machinedata zie je direct hoe de capaciteit van je machines wordt benut. Je ziet wanneer machines draaien, wanneer ze stilstaan en hoe lang periodes van onderbenutting duren. Zelfs korte stilstandmomenten of microstops, zoals eerder beschreven, worden zichtbaar. Zo krijg je een objectief beeld van de capaciteitsbenutting en ontdek je knelpunten zonder handmatige registratie.

Wat wordt extra zichtbaar met contextdata

Door machinedata te combineren met contextinformatie, zoals geplande productietijd uit de planning, orderinformatie, personeelsinzet en materiaalbeschikbaarheid, zie je ook waarom knelpunten ontstaan. Zo wordt duidelijk of stilstand komt door een specifiek type order, materiaaltekort of onvoldoende operatorcapaciteit. Deze inzichten laten patronen zien en helpen bepalen waar je het best als eerste kunt ingrijpen om de capaciteit optimaal te benutten.

Belangrijke KPI’s voor capaciteitsbenutting

Deze KPI’s helpen je het totaalplaatje te tonen en verbeteracties te meten:

Bezettingsgraad: percentage van beschikbare tijd dat daadwerkelijk productief wordt gebruikt

Prestatie: snelheid van productie ten opzichte van de normtijd per cyclus

Cyclustijdscore: afwijking van normtijd per product of bewerking

Tips om verborgen verliezen te beperken zonder machinedata

Niet alle winstlekken worden zichtbaar met machinedata. Sommige verliezen ontstaan bijvoorbeeld door onduidelijke instructies, inefficiënte logistiek of administratieve processen. Ook bestaande gegevens uit je ERP, planning, werkregistratie of magazijnadministratie kunnen helpen om deze verliezen op te sporen.

Analyseer bestaande administratieve data

Denk aan ERP, planning, werkregistratie en magazijnadministratie. Analyseer bijvoorbeeld onderhoudsfrequenties, doorlooptijdfluctuaties, voorraadmutaties, nacalculaties of gemelde kwaliteitsafwijkingen. Zo ontdek je patronen en afwijkingen die wijzen op verborgen winstlekken en bepaal je waar verder onderzoek nodig is.

Verbeter instructies en kennisoverdracht

Verbeter de overdracht van taken met duidelijke instructies en leg cruciale kennis vast, zodat stilstand, fouten en verlies van knowhow zoveel mogelijk wordt beperkt.

Verhoog kwaliteit en verminder uitval

Controleer producten systematisch volgens de specificaties en bespreek fouten om herhaling en herwerk te voorkomen. Machinedata kan hier, samen met orderdata, extra context geven. Door kwaliteitsinformatie te koppelen aan orderinformatie en aan productie-output en cyclustijden gemeten door de machine, krijg je inzicht in waar en wanneer afwijkingen kunnen zijn ontstaan.

Bijvoorbeeld: je ziet dat product X vaker afwijkingen vertoont wanneer het geproduceerd is op machine Y of tijdens bepaalde productiecycli. Zo ontdek je patronen die helpen je proces aan te passen en verspilling of herwerk te beperken.

Optimaliseer logistiek en interne transportkosten

Optimaliseer de lay-out van de werkvloer en het magazijn en verkort looproutes. Minder verplaatsingen verkorten de doorlooptijd en verlagen interne transportkosten.

Beperk procesinefficiënties en administratieve overhead

Standaardiseer werkwijzen, registreer consequent via een scanoplossing en beperk zo de administratieve last. Dit verhoogt de betrouwbaarheid van data en voorkomt miscommunicatie.

Zo maak je winstlekken zichtbaar met machinedata

Door machine- en productiedata krijg je een objectief beeld van je grootste winstlekken. Direct meetbaar zijn onder andere stilstand, capaciteit, storingen en energieverbruik. Verborgen kosten, zoals materiaalverlies of vertraagde orders, worden meetbaar wanneer je machinedata koppelt aan orderinformatie, werkregistratie of magazijninformatie.

Door KPI’s zoals OEE, beschikbaarheid, cyclustijd, prestatie en bezettingsgraad te volgen, kun je gericht verbeteren en resultaten meten. Lees ons blog 5 KPI’s die je productie sturen – met data uit je machines voor een praktische uitleg van de vijf belangrijkste KPI’s en hoe je die real-time kunt volgen.

Van machinedata naar inzicht

Machinedata laat zien wat er in je productie gebeurt. Door machinedata te combineren met relevante context krijg je inzicht in waar winst verloren gaat en waar je gericht kunt verbeteren.

Wil je weten hoe je data uit je productie kunt vertalen naar inzicht en stuurinformatie op de werkvloer? Bekijk hoe wij productiebedrijven helpen om van live data naar gericht verbeteren te gaan.

Het bericht Winstlekken in je productie opsporen met machinedata verscheen eerst op Produmize.

Stille winstlekken in je productie: 8 oorzaken die je geld kosten

Esther Rissewijck — Thu, 02 Oct 2025 07:04:03 +0000

Het is nooit leuk om te horen, maar ook in jullie productie lekt hoogstwaarschijnlijk ongemerkt winst weg.

Een machine die elk uur vijf minuten stilvalt, een order die vertraagt door ontbrekend materiaal of een materiaalwissel die langer duurt door onduidelijke instructies. Los van elkaar lijken dit kleine issues en op de werkvloer hoor je vaak: “Ach, dat hoort erbij.”

Deze verliezen zie je niet direct terug in de boekhouding, maar ze tasten je winstmarge wél aan. Opgeteld kunnen deze ogenschijnlijk kleine problemen jaarlijks tienduizenden euro’s kosten.

Waar zitten die lekken precies? In dit blog lees je de 8 meest voorkomende oorzaken van winstlekkage in productie.

1. Stilstand en microstops

Elke keer dat een machine stilvalt, verlies je productietijd. Dat kan gaan om zichtbare stilstanden, maar kan ook onopgemerkt gebeuren door microstops van enkele seconden. Op zichzelf lijkt het weinig, maar bij elkaar opgeteld kan het oplopen tot uren productieverlies per week. Samen zorgen stilstand en microstops voor minder output, langere doorlooptijden en extra kosten.

2. Verkeerde instellingen van machines

Een machine die net te snel draait, te veel druk gebruikt of op het verkeerde toerental staat, lijkt misschien goed te produceren. Maar verkeerde instellingen belasten onderdelen onnodig zwaar. Lagers, snijgereedschap en motoren slijten sneller, onderhoud wordt duurder en storingen liggen op de loer. Zelfs kleine afwijkingen in de afstelling kunnen onverwachte kosten veroorzaken en leiden tot kwaliteitsproblemen bij de producten.

3. Verouderde machines

Oudere machines verbruiken vaak meer energie voor dezelfde output en hebben meer onderhoud nodig. Dit verhoogt de kosten voor energie, onderdelen en onderhoudswerkzaamheden en vergroot de kans op onverwachte storingen waardoor productie tijdelijk stil kan komen te liggen. Dat oudere machines soms iets trager zijn, vormt meestal geen probleem zolang ze geen bottleneck zijn in de productie.

4. Kwaliteitsverlies en herwerk

Onderdelen of producten die niet aan de specificaties voldoen, moeten opnieuw worden geproduceerd of nagewerkt. Dit kost extra materiaal, arbeid en tijd en kan de doorlooptijd van orders verlengen en daarmee druk zetten op de planning. Wordt een fout door de klant ontdekt, dan kan dit leiden tot imagoschade en extra kosten voor retouren of correcties.

5. Onderhoud

Te laat of verkeerd uitgevoerd onderhoud kan de levensduur van machines verkorten. Dit kost extra onderdelen en arbeidsuren en vergroot de kans op onverwachte storingen.

Als onderhoud niet of te laat plaatsvindt, kunnen machines uitvallen met verlies van productiecapaciteit. Om nog maar te zwijgen van de kosten van een spoedreparatie.

Ook te vroeg uitgevoerd onderhoud veroorzaakt onnodige kosten. Onderdelen die nog prima functioneren worden vervangen, technici maken extra uren en machines staan stil terwijl ze productief hadden kunnen zijn. Daarnaast ontstaan extra logistieke kosten voor onderdelen en materiaal.

6. Inefficiënte planning en afstemming van capaciteit

Als orders, materiaal, machines en personeel niet goed op elkaar zijn afgestemd, ontstaan vertragingen of zelfs stilstand.

Een operator die wacht op materiaal, een machine die klaarstaat zonder bemanning of een verkeerde werkvolgorde: allemaal voorbeelden van inefficiëntie die direct productiviteit kosten.

Ook lange looproutes of een onlogische werkvloerindeling vertragen de productie. Inefficiënt gebruik van machines, zoals apparaten die onnodig draaien, leidt bovendien tot extra energieverbruik en directe kosten.

7. Onduidelijke instructies

Als instructies niet duidelijk zijn of de overdracht tussen medewerkers ontbreekt, wordt werk misschien onnodig, dubbel of verkeerd gedaan. Denk bijvoorbeeld aan een las die gladgeslepen wordt terwijl hij uiteindelijk onder de grond verdwijnt. Of het per stuk verpakken van een product terwijl het als bundel had gemogen. Onduidelijke instructies kosten extra tijd, vertragen de productie en verhogen de kans op fouten.

8. Afhankelijkheid van ervaren medewerkers

Ervaren collega’s hebben vaak veel kennis over hoe alles precies werkt. Wanneer deze kennis vooral in hun hoofden zit, ontstaat een risico voor de productie. Want als deze medewerkers vertrekken of tijdelijk niet beschikbaar zijn, is die kennis niet zomaar beschikbaar voor de rest van het team. Het team moet het wiel opnieuw uitvinden of extra overleggen. Dit kost tijd, vergroot de kans op fouten en verlengt de doorlooptijd.

Herken de winstlekken in jouw productie

Waarschijnlijk herkende je tijdens het lezen een aantal van deze winstlekken in jullie eigen productie. Dat onderbuikgevoel is waardevol, maar geeft nog geen zekerheid.

Met real-time inzicht in processen en prestaties zie je waar de knelpunten zitten en kun je gericht actie ondernemen. Maar waar begin je?

In de Productiescan kijken we samen naar jouw productie, doelen en uitdagingen. In 60 minuten krijg je inzicht in waar de grootste kansen liggen en welke stappen je kunt zetten.

Het bericht Stille winstlekken in je productie: 8 oorzaken die je geld kosten verscheen eerst op Produmize.