Bestandsoptimierung bezieht sich auf die Reduzierung von Überbeständen, die Vermeidung von Umsatzverlusten aufgrund der Nichtverfügbarkeit von Artikeln auf Lager, klar definierte Sicherheitsbestände und Nachbestellpunkte und vieles mehr. In diesem Artikel zeige ich, wie Simulation eingesetzt werden kann, um die Herausforderungen der Bestandsoptimierung zu meistern. Ein kommerzielles Projektbeispiel aus einer pharmazeutischen Lieferkette (Case Study) unterstreicht meine Aussagen und Analysen.

Reale Herausforderungen bei der Bestandsoptimierung

Bedenken Sie Folgendes: Was passiert in den Lagern unserer Kunden?

• „Ich habe zu viel Inventar“
• „Ich verliere Umsatz, weil ich nicht das richtige Inventar habe“
• „Es gibt nicht genug Sicherheitsbestand“
• „Nachbestellpunkte wurden vor langer Zeit definiert“
• „Wir haben immer mit diesen Losgrößen gearbeitet, warum sollten wir sie ändern?“
• „Das Lager hat zu viele veraltete Bestände und verursacht zu viel Verschrottung“
• „Die Lieferzeiten meines Lieferanten sind sehr variabel und beeinflussen meine Planung“

Wenn Sie ein Lager-, Lieferketten- oder Betriebsleiter sind, kommen Ihnen einige dieser Aussagen bekannt vor.

Die Bestandsverwaltung und -planung umfasst eine Vielzahl betrieblicher Komplexitäten, die durch interne Beschränkungen und Besonderheiten eines Unternehmens bestimmt werden. Darüber hinaus wird die Bestandsverwaltung auch von externen Faktoren diktiert, die hauptsächlich durch Schwankungen bei Angebot und Nachfrage in der gesamten Lieferkette verursacht werden. Traditionell wurden Bestandsrichtlinien durch analytische Modelle definiert. Früher waren die Richtlinien starr und auf Prämissen aufgebaut, die sich nicht an die Höhen und Tiefen der heutigen Lieferketten anpassen.

Analytische Modelle und statische Formeln können die Dynamik der Bestandsplanung nicht erfassen. Darüber hinaus ermöglichen sie vor ihrer eigentlichen Implementierung und Bereitstellung keine Validierung von Sicherheitsbeständen oder Bestandsrichtlinien. Ein Trial-and-Error-Ansatz kann jedoch zu Ausfallzeiten führen, bevor eine „ausreichende“ Lösung gefunden wurde.  

Was ist also der richtige Ansatz für dieses Problem?

Die Simulation berücksichtigt dynamische Bestandsentwicklungen

Ein Simulationsmodell beschreibt ein System und die Handlungsregeln, nach denen es arbeitet. Dazu gehören relevante Abhängigkeiten zwischen den verschiedenen Systemelementen sowie die Logik verwandter Geschäftsprozesse. Darüber hinaus ermöglicht ein Simulationsmodell den Planern, in einer risikofreien Umgebung zu testen und zu experimentieren, während alle Details und Komplexitäten einer Lieferkette erfasst werden. Solche Komplexitäten entstehen z. B. durch zufällige oder zeitabhängige Effekte und systemintern wechselwirkende Effekte wie Bedarfsschwankungen, Variabilität von Lieferzeiten, Änderungen von Losgrößen oder Bestellhäufigkeiten. Viele dieser Effekte werden von analytischen Modellen nicht berücksichtigt.

Und es gibt noch weitere Vorteile, die eine dynamische Simulation bietet:

• Leistungsüberwachung im Laufe der Zeit
• Kein Blackbox-Modell
• Spotlight auf relevante Kompromisse

Leistungsüberwachung im Laufe der Zeit

Eine Simulationsstudie modelliert Lagerbestände im Laufe der Zeit. Auf diese Weise können Analysten inkrementelle Änderungen untersuchen und Unterbrechungspunkte in der Planung erkennen. Eine beispielhafte simulierte Bestandsprojektionszeitreihe ist in der folgenden Abbildung zu sehen.

Anforderungen, die den verfügbaren Bestand übersteigen, führen zu einem Rückstand. Die rote Kurve im obigen Diagramm zeigt die Rückstandsentwicklung. Es stellt die Nichtverfügbarkeit des angeforderten Produkts zum gewünschten Versanddatum dar. Dies wirkt sich negativ auf den Umsatz und die Kundenzufriedenheit aus.

Die Bestandssimulation ist keine Blackbox

Ein weiterer Vorteil der Bestandssimulation besteht darin, dass der Benutzer sehen kann, warum die optimale Bestandspolitik ausgewählt wurde. Darüber hinaus hilft die Visualisierung von Bestandssimulationsläufen den Benutzern zu verstehen, wie Bestandsrichtlinien definiert wurden. Im Gegensatz zu analytischen Modellen sind keine Annahmen oder Abstraktionen erforderlich.

Die Bestandssimulation rückt Kompromisse  ins Rampenlicht

Ein Simulationsmodell erleichtert die Visualisierung und Bewertung von  Kompromissen  zwischen Kundendienstniveaus und Bestandskosten und ermöglicht daher die Definition der optimalen Bestandsinvestitionszuordnung. Ich habe dies in der folgenden Abbildung dargestellt.

Das obige Diagramm vergleicht die aktuelle mit verschiedenen optimalen Richtlinien. Alle optimalen Richtlinien sind pareto-optimal. Das heißt, keine Verbesserung einer der beiden Leistungskennzahlen (Out-of-Stock-Quote und Investitionssumme) kann ohne eine Verschlechterung der jeweils anderen Leistungskennzahl erreicht werden. Die Ergebnisse stammen aus Simulationsläufen mit einem Bestandssimulationsmodell .

Die Simulation ermöglicht Szenario- und Constraint-Analysen

Eine Simulationsstudie kann Bestandsoperationen in einer Vielzahl von Szenarien mit sehr unterschiedlichen Einschränkungen (Fläche, Volumen, Gewicht, Betriebskapital, Kapazitätsinvestitionen usw.) testen. Zusätzlich können neue Planungsparameter und stochastische Prozesse durch die Bestandssimulation einbezogen werden. Basierend auf diesen Überlegungen können Geschäftsentscheidungen basierend auf „nahezu“ realen Betriebsbedingungen und Einschränkungen getroffen werden.

Beispielhafte Probleme, die mit Simulation gelöst werden können

Basierend auf meiner Erfahrung liste ich einige Herausforderungen in der Bestandsplanung auf, die mit Simulation gelöst werden können:

• Bestandsrichtlinienoptimierung:  Ich hinterfrage die aktuelle Richtlinie und definiere die besten Planungsparameter für jede SKU mit Managementindikatoren, die spezifisch für Ihre Geschäfts- und Service-Level-Ziele sind. Die neue Richtlinie wird nicht willkürlich sein und Variablen wie Vorlaufzeiten, Losgrößen, Überprüfungszeiträume und Kosten berücksichtigen.
• Definition von Sicherheitsbeständen:  Basierend auf Nachfrageschwankungen, Schwankungen der Lieferzeiten, Betriebsunterbrechungen und branchenspezifischen Risiken kann ich für jedes Produkt Ihres Unternehmens angemessene Sicherheitsbestände definieren.
• Quantifizierung besserer Prognosen:  Robustere Prognosen haben große Auswirkungen auf die gesamte Lieferkette. Verbesserte Prognosen reduzieren die Betriebsunsicherheit und damit den erforderlichen Sicherheitsbestand. Ein simulationsbasierter Ansatz kann die Auswirkung der Prognosegenauigkeit auf Bestandskosten und Servicelevels quantifizieren.

Fallstudie zur kommerziellen Bestandsoptimierung

Eine Apothekenkette in Lateinamerika litt unter Fehlbeständen und Lieferrückständen bei mehreren Produkten sowie großen Lagerbeständen anderer SKUs. Dieses Problem trat in allen Vertriebszentren auf. Bestandsrichtlinien, die weitgehend durch Intuition und stark schwankende Nachfrage definiert wurden, führten zu einer schlechten Betriebsleistung und übermäßigen Kapitalkosten.

Basierend auf diesen Einschränkungen und Herausforderungen haben wir mit dem Unternehmen zusammengearbeitet und eine optimale Bestandspolitik für seine fertigen Produkte definiert. Dadurch konnte die Apothekenkette die angestrebten Out-of-Stock-Levels erreichen und gleichzeitig das Working Capital reduzieren. 

Nachdem wir die MRP des Unternehmens mit seinen Bestandsrichtlinien modelliert und Vertriebsvorgänge mit unterschiedlichen Planungsparametern simuliert hatten, entwickelten wir mehrere Szenarien, die Bestandskosten und Bestandsausfälle reduzierten. Das ausgewählte Szenario führte zu Einsparungen in Höhe von 0,8 Mio. USD bei Lagerinvestitionen und verringerte die Fehlbestandsanzeige um 3,8 %.

Oswaldo Almonacid

Hallo! Mein Name ist Oswaldo Almonacid und ich bin Editor für Lateinamerika.

Ich bin ein Supply-Chain-Berater mit besonderem Interesse an der Anwendung analysegestützter Lösungen und Operations-Research-Methoden. Ich helfe Kunden bei der Erzielung einer Supply-Chain-Performance. Jüngst habe ich als Projektleiter bei Black Andes Analytics an Projekten zur Optimierung des Bestandsmanagements, der Bedarfsprognose und der Betriebstransparenz in der Gesundheits-, Kosmetik-, Öl- und Gas- und CPG-Industrie in den USA und Lateinamerika teilgenommen.

Ich habe einen Master-Abschluss in Supply Chain Management vom Massachusetts Institute of Technology (MIT). Ich absolviere darüber hinaus derzeit einen Masterabschluss in Analytics am Georgia Institute of Technology.