Advanced

Financial and process optimization through statistical identification of batch specific variability

Bernsten, Oscar LU (2018) KLGM15 20181
Food Technology and Nutrition (M.Sc.)
Abstract
McNeil AB produces pharmaceutical chewing gums that contains nicotine. Since this smoking cessation product is a pharmaceutical, the regulatory agencies demand that any gums outside pre-set specifications are discarded. Some batches have more discarded material than others, due to the variability in the manufacturing process. By analysing this variability, the personnel could make choices that lower the variability or prepare them better for problems that can occur downstream.
This master’s thesis work uses Pearson’s rank correlation, linear and multiple regression, and average value determination to statistically analyse the manufacturing of pharmaceutical chewing gum. The resulting correlations can be used to evaluate the risk of time... (More)
McNeil AB produces pharmaceutical chewing gums that contains nicotine. Since this smoking cessation product is a pharmaceutical, the regulatory agencies demand that any gums outside pre-set specifications are discarded. Some batches have more discarded material than others, due to the variability in the manufacturing process. By analysing this variability, the personnel could make choices that lower the variability or prepare them better for problems that can occur downstream.
This master’s thesis work uses Pearson’s rank correlation, linear and multiple regression, and average value determination to statistically analyse the manufacturing of pharmaceutical chewing gum. The resulting correlations can be used to evaluate the risk of time and product waste, for a specific batch. In addition to the statistical analyses, a system to determine the friction of gums, by using a sliding track, found to accurately depict the variation in average value between different storage vessels. The method used in this report can likely help to properly sort batches into different risk categories and thereby utilize the choices that are allowed to minimize the problems of a specific batch.
Furthermore, this thesis work found that condensation is one cause for the appearance of water on the surface of the chewing gums. This water severely affects the efficiency of the packaging line. Additionally, the conducted interviews of the employees at the various manufacturing steps, found discrepancies in the established incentives that limited the communications between different departments. (Less)
Popular Abstract (Swedish)
7 miljoner människor dör varje år på grund av cigarrettrökning. Idag finns det flera olika produkter på marknaden som kan hjälpa personer att sluta denna dåliga vana. Den första var Nicorette® tuggummin. När McNeil AB producerar Nicorette® tuggummin, följer McNeil de strikta kraven på kvalité som de regulatoriska myndigheterna kräver. Dessa krav tvingar McNeil att slänga tonvis av tuggummin varje år på grund av variabiliteten som uppstår i produktionen.

När Nicorette® tillverkas, genereras massvis av data. Denna data har varit så pass svårtillgänglig att vidare analyser tidigare inte har gjorts. Syftet med detta examensarbete var att analysera denna data för att utgöra grunden till en dynamisk beslutsmodell. Modellen ska kunna... (More)
7 miljoner människor dör varje år på grund av cigarrettrökning. Idag finns det flera olika produkter på marknaden som kan hjälpa personer att sluta denna dåliga vana. Den första var Nicorette® tuggummin. När McNeil AB producerar Nicorette® tuggummin, följer McNeil de strikta kraven på kvalité som de regulatoriska myndigheterna kräver. Dessa krav tvingar McNeil att slänga tonvis av tuggummin varje år på grund av variabiliteten som uppstår i produktionen.

När Nicorette® tillverkas, genereras massvis av data. Denna data har varit så pass svårtillgänglig att vidare analyser tidigare inte har gjorts. Syftet med detta examensarbete var att analysera denna data för att utgöra grunden till en dynamisk beslutsmodell. Modellen ska kunna analysera risker på en specifik sats och föreslå beslut som minkar antingen risken eller konsekvenserna av denna risk. Till exempel, ifall man tillverkar 2mg tuggummin brukar det resultera i mer utsortering av för tunna tuggummin. De anställda på tillverkningen kan därför sikta in sig på det övre tillåtna tjockleksintervallet vid tillverkning, och på så sätt minimera denna kassation.

Vidare undersöktes möjligheten att underlätta kommunikationen mellan de olika avdelningarna i produktionen. I dagsläget värderar de ”bra” respektive ”dåliga” satser på olika sätt, beroende på vart i produktionen man befinner sig. En sats kan passera alla kontroller i ett tidigare processteg, för att sedan orsaka stora kassationer och paketeringsproblem i nästa steg. Tanken är att förbereda nästkommande steg genom att beräkna och förmedla flera värden vidare. Dessa värden skulle bland annat kunna vara standardavvikelsen, som används för att kunna avgöra spridningen i satsen, och friktionen av tuggummin innan de når packningen. Genom att förbereda nästkommande steg, har de en chans att påverka satsen genom aktiva val för att underlätta behandlingen av den. Utöver en trevligare arbetsmiljö, kan detta hjälpa logistikavdelningen att bättre planera sina leveranstider och mängder.

Denna undersökning gjordes genom att använda Pearsons rangkorrelation för att identifiera totalt 24 olika variablers påverkan på varandra. De variabler som hade en korrelation analyserades vidare genom att utföra linjära och multipla regressioner. Dessa regressioner uteslöt variabler som inte hade någon statistisk signifikans. Intervjuer av personalen i produktionen gjordes även för att visa behovet och fördelarna av utökad kommunikation mellan de olika processtegen. (Less)
Please use this url to cite or link to this publication:
author
Bernsten, Oscar LU
supervisor
organization
course
KLGM15 20181
year
type
H2 - Master's Degree (Two Years)
subject
keywords
Statistical analyses, Process optimization, Financial optimization, Kinetic friction testing, läkemedelsteknologi, pharmaceutical technology
language
English
id
8962477
date added to LUP
2019-04-11 14:06:56
date last changed
2019-04-11 14:06:56
@misc{8962477,
  abstract     = {McNeil AB produces pharmaceutical chewing gums that contains nicotine. Since this smoking cessation product is a pharmaceutical, the regulatory agencies demand that any gums outside pre-set specifications are discarded. Some batches have more discarded material than others, due to the variability in the manufacturing process. By analysing this variability, the personnel could make choices that lower the variability or prepare them better for problems that can occur downstream. 
This master’s thesis work uses Pearson’s rank correlation, linear and multiple regression, and average value determination to statistically analyse the manufacturing of pharmaceutical chewing gum. The resulting correlations can be used to evaluate the risk of time and product waste, for a specific batch. In addition to the statistical analyses, a system to determine the friction of gums, by using a sliding track, found to accurately depict the variation in average value between different storage vessels. The method used in this report can likely help to properly sort batches into different risk categories and thereby utilize the choices that are allowed to minimize the problems of a specific batch.
Furthermore, this thesis work found that condensation is one cause for the appearance of water on the surface of the chewing gums. This water severely affects the efficiency of the packaging line. Additionally, the conducted interviews of the employees at the various manufacturing steps, found discrepancies in the established incentives that limited the communications between different departments.},
  author       = {Bernsten, Oscar},
  keyword      = {Statistical analyses,Process optimization,Financial optimization,Kinetic friction testing,läkemedelsteknologi,pharmaceutical technology},
  language     = {eng},
  note         = {Student Paper},
  title        = {Financial and process optimization through statistical identification of batch specific variability},
  year         = {2018},
}