Bestände-Halbe durch algorithmengestützte Big-Data-Analyse

Problemstellung

In der aktuellen Corona-Krise kommen viele Unternehmen in Liquiditätsprobleme. Umsätze brechen weg während die Kosten bestehen bleiben. Hohe Bestände sind ein wesentlicher Grund für die schlechte Aufstellung der Unternehmen in der Krise. Bestände stellen gebundenes Kapital dar und erhöhen das Umlaufvermögen. Häufig kommt es zu Finanzierungsproblemen, wenn Warenumschlag und Verkäufe ausbleiben. Die Reduzierung von Beständen ist daher ein Schlüssel für eine kurzfristige Verbesserung der Liquidität und eine Maßnahme für kapitalarmes Wachstum. Allerdings dürfen Bestände nur soweit abgebaut werden, dass es nicht zu einem Versorgungsrisiko der Produktion und folglich zu mangelnder Lieferfähigkeit zum Kunden kommt. Es handelt sich bei dieser Thematik um ein klassisches Optimierungsproblem, welches durch den Einsatz von künstlicher Intelligenz und erprobten Algorithmen aufgelöst werden kann.

Die Herausforderung: aus den Verbrauchsdaten von tausenden Materialnummern lernen!

Um den Zielkonflikt aus Lieferfähigkeit und Working-Capital bestmöglich aufzulösen, sind Unternehmen gezwungen, drei Datenfelder in die Analye mit einzubeziehen:

• Die Prognose des Absatzes aus Fertigprodukten,
• Die Zuschlüsselung von Komponenten zu Fertigprodukten (Bill-of-Material),
• Sowie die zu berücksichtigenden Wiederbeschaffungszeiten und die Bestelllosgrößen für alle Komponenten aus Einkauf und Produktion.

Für viele Unternehmen bedeutet dies eine Parameteroptimierung für stellenweise mehr als 5000 Materialnummern. Für eine Optimierung müssen dann in den Unternehmen stellenweise mehr als 10 Millionen Transaktionsdatensätze betrachtet werden, wenn alle Bestell-, Entnahme- und Eingangsfrequenzen für alle Materialien berücksichtigt werden müssen.

Die algorithmenbasierte Analyse von Transaktionsdaten liefert die Ansatzpunkte für ein Bestandssenkung

Legt man die in Unternehmen mittlerweile übliche Kanban-Logik zu Grunde, lassen sich über die Definition von Bestellauslösebeständen und Bestelllosgrößen der mittlere Lagerbestand und die Lieferperformance beeinflussen. Zum einen geht es darum, welches Bestandspotenzial entsteht, wenn der Bestellauslösebestand und die Wiederbeschaffungslosgröße bei Artikeln um einen gewissen Prozentsatz gesenkt werden. Zum zweiten steht die Veränderung des Lieferfähigkeitsrisikos im Vordergrund, wenn Bestellauslösebestand und Wiederbeschaffungslosgröße bei gewissen Artikeln verändert werden. Ebenso gilt es zu beantworten, für welche Materialien die Bestände gesenkt werden können, ohne Lieferfähigkeit einzubüßen. Da die Saisonalität der Kundennachfrage bei vielen Unternehmen eine wichtige Rolle spielt, kann das Tool statistische Schwankungen in der Wiederbeschaffungszeit sowie bei den Kundenabrufen erfassen, um Bestellauslösebestände und Bestelllosgrößen dynamisch anpassen zu können. Damit das Tool die gewünschten Ergebnisse liefert, sind die benötigten Input-Daten zu erheben. Zu jedem Fertigwarenartikel werden die historischen Kundenabrufdaten aus den ERP-Systemen extrahiert. Weiterhin erfolgt eine BOM-Zuordnung aller Komponenten zum analysierten Fertigwarenprodukt. Ebenfalls werden die historischen Wiederbeschaffungszeiten für alle Komponenten benötigt. Das Tool verarbeitet diese Informationen und überführt diese in ein Lieferfähigkeits- und Risikomodell. Hier werden drei Dimensionen abgebildet: die prozentuale Wahrscheinlichkeit einer Überschreitung der Nicht-Lieferfähigkeit, die Kosten der Nicht-Lieferfähigkeit in Geldeinheiten sowie die Bestandshöhe in Prozent. Für die analysierten Fertigwarenartikel können nun Profile erzeugt werden, die Aussagen über die optimale Bestandshöhe bei gleichzeitiger Sicherstellung der Lieferfähigkeit zulassen. Auf diese Weise kann innerhalb kürzester Zeit eine hohe Transparenz über die Bestandssituation im Unternehmen geschaffen werden. Durch den Vergleich verschiedener Fertigwarenartikel können Muster im Bestellverhalten abgeleitet werden, die auf systemische oder zufällige Potenzialquellen hinweisen. Die Simulationsmöglichkeiten eröffnen ferner die Chance, Bestandsszenarien für die Zukunft zu skizzieren und optimale Bestellvorschläge auszuarbeiten. Dies dient gleichermaßen als Entscheidungsgrundlage für die im Bestellprozess eingebunden Mitarbeiter. Das Tool erlaubt ferner eine Prognose über künstliche Intelligenz von Wareneingängen und Warenausgängen und damit ein besseres Management der Risikoposition im Bestand.

Ergebnisse und Potenziale

Das TCW Tool erlaubt einerseits die automatisierte Ableitung optimierter Bestellauslösegrenzen und Wiederbeschaffungslosgrößen für alle betrachteten SKUs (Materialnummern) über eine algorithmische Optimierung des mathematischen Bestandsmodells. Zudem umfasst das TCW Tool auch Dashboards und ein Controlling-Cockpit, mit dessen Hilfe in gemeinsamen Workshops mit dem Kunden Ansatzpunkte für ein besseres Lieferantenmanagement und ein besseres Kundenmanagement abgeleitet werden können.

Der Tooleinsatz erlaubt die Identifikation von verborgenen Bestandspotenzialen in sehr schneller Zeit und unter Berücksichtigung der Wahrung von Lieferfähigkeit. Auf diese Weise lassen sich Verschwendung und Blindleistung reduzieren und die Kapitalposition des Unternehmens verbessern. Im Mittel konnten bei den Unternehmen, welche das Tool erfolgreich eingesetzt haben, Fertigwaren- und Umlaufbestände um bis zu 45% eingespart werden. Die Lieferfähigkeit wurde auch bei auftretenden Nachfrageschwankungen stets aufrechterhalten. In allen betrachteten Fällen konnten die Durchlaufzeiten um bis zu 30% reduziert und die Prozessqualität erheblich gesteigert werden.

Beratungsleistungen

• Durchlaufzeitreduzierung
• Bestände-Halbe
• Remote Business Intelligence

Publikationen

• Bestände-Halbe
  Leitfaden zur Senkung und Optimierung des Umlaufvermögens
• Durchlaufzeit-Halbe
  Leitfaden für Wertschöpfungs- und Geschäftsprozesse
• Produktivitätsverbesserung
  Leitfaden zur kurzfristigen und permanenten Produktivitätssteigerung in kleinen und mittleren Unternehmen