Leider Fehlanzeige

Optimierte Bestände im digitalen Zeitalter

Die Annahme, dass die meisten Unternehmen im Rahmen der Digitalen Transformation bereits ihre Läger entsprechend optimiert haben, ist – leider – eine Fehlanzeige.

Digitalisierung der Supply Chain

Der Schein trügt – längst noch nicht alle Unternehmen haben die Digitalisierung ihrer Supply Chain in Angriff genommen.

Wesentliche Aufgaben wie die Bestandsplanung sind in Sachen Digitalisierung aktuell noch im Verzug, da die Transformation ein Prozess ist, der Zeit und Umdenken erfordert. Toolsgroup, ein Anbieter für service-orientierte Supply-Chain-Planungs-Software, identifiziert verschiedene Aspekte, die Einblick in die Bestandsoptimierung im digitalen Zeitalter geben:

Long-Tail-Nachfrage

Die Komplexität der Long-Tail-Nachfrage hat die Bestandsoptimierung völlig verändert. Artikel mit sporadischer, unvorhersehbarer Nachfrage machen mittlerweile für viele Hersteller, Distributoren und Einzelhändler einen wachsenden Teil des Geschäfts aus und erschweren die Nachfrageprognosen und das Bestandsmanagement. Die verstärkte Zusammenarbeit zwischen den Beteiligten führt dazu, dass die Nachfrage in kleinere Ströme zerlegt wird, in denen ein sporadisches Verhalten üblich ist. Traditionelle Supply-Chain-Lösungen wurden nicht für diese hohe Variabilität entwickelt. Bestandsmix und Service-Level geraten dadurch im gesamten Netzwerk aus dem Gleichgewicht und unterstützen nicht mehr die Unternehmensziele. Das Vertrauen in den Planungsprozess bricht zusammen. Wenn jedoch die Planer aufhören, ihren Prognosen zu vertrauen, neigen sie dazu, den Sicherheitsbestand zu steigern, was zu überhöhten Kosten, Verschwendung und Obsoleszenzen führt.

Es ist unmöglich, den Bestand in einer komplexen Umgebung mithilfe von traditionellen ABC-Inventaranalysen und Tabellenkalkulationen zu optimieren. Bis zu 75 Prozent der Unternehmen versuchen immer noch, Tabellenkalkulation und ABC-Klassifikation zur Bestandsoptimierung einzusetzen. Wenn aber Unternehmen Hunderttausende oder sogar Millionen von Artikel-Standort-Kombinationen haben, ist es unmöglich, für jeden einzelnen das Service-Level zu ermitteln. Die ABC-Klassifizierung gestaltet zwar die Berechnung des Sicherheitsbestands übersichtlicher, die Artikelklassifizierung und das aggregierte Service-Level werden jedoch mit einem „Trial-and-Error“-Prozess berechnet.

Dieser Prozess ist angesichts der Komplexität der heutigen mehrstufigen Bestandsnetzwerke nicht in der Lage, den tatsächlichen optimalen Lagerbestand und das entsprechende Service-Level für jede SKU-Standort-Kombination zu ermitteln. Einige traditionelle Bestandsoptimierungs-Tools versuchen, dies zu beheben, indem sie eine 8×8-ABC-Matrix pro Standort bereitstellen – dies ist allerdings sehr aufwendig. Planer, die sich auf solche Lösungen verlassen, haben bei der heutigen Nachfragekomplexität wenig Chancen, sowohl Service-Level als auch finanzielle Ziele nachhaltig zu erreichen.

Eine neue und besser geeignete Methode ist die servicegesteuerte Bestandsoptimierung. Im Gegensatz zur ABC-Klassifizierung konzentriert sich die serviceorientierte Bestandsoptimierung auf Vertrieb, Marketing und Kunden. Die verwendeten Kategorien werden als Serviceklassen bezeichnet. Vertrieb und Marketing können sich leicht auf Klassen wie „Eigenmarken“ oder „kritische Ersatzteile“ beziehen. Durch die Anwendung von „Stock to Service“-Kurven optimiert die Lösung jedes einzelne Service-Level und den Sicherheitsbestand pro SKU-Location. Es können sogar automatisch verschiedene Zielbereiche für jede Leistungsklasse definiert werden. So könnte z.B. das aggregierte Service-Level-Ziel für Zubehör 93 Prozent mit einer Untergrenze von 89 Prozent betragen. Die Bestandsoptimierungs-Tools berechnen dann, wie dieser Bereich so bedient werden kann, dass die Lagerinvestitionen minimiert werden.

Probabilistische Vorhersagen

Die probabilistische Vorhersage identifiziert eine Reihe von Ergebnissen und das Ausmaß der Wahrscheinlichkeit, dass jedes dieser Ergebnisse eintritt. Da die probabilistische Vorhersage auch die Unsicherheit berücksichtigt, unterstützt sie das Risikomanagement. Es geht nicht nur darum, die durchschnittlichen Nachfrageprognosen zu verbessern, sondern auch die gesamte Bandbreite der möglichen Ergebnisse zu bewerten – einschließlich der Volatilität der Nachfrage, die den größten Einfluss auf das Service-Level hat. Aus diesen Informationen werden die optimalen Bestandsziele berechnet. Im Wesentlichen hilft die Methode also, Risiken im Zusammenhang mit der Nachfragevolatilität zu reduzieren, indem der Unsicherheit mit einem intelligenten Bestandsmix begegnet wird.

Dies ist ein Artikel aus unserer Print-Ausgabe 01-02/2020. Bestellen Sie ein kostenfreies Probe-Abo.

Maschinelles Lernen (ML) verbessert die Bestandsoptimierung und erhöht die Leistungsfähigkeit der Planer. Gartner prognostiziert, dass „bis 2020 95 Prozent der SCP-Anbieter überwachtes und unüberwachtes ML irgendwo in ihren Supply-Chain-Planning-Lösungen einsetzen werden“. Die Fähigkeit, Muster in riesigen Datensätzen zu finden und im Laufe der Zeit auch intelligenter zu werden, macht ML zur perfekten Ergänzung für die von Menschen durchgeführte Bestandsplanung. So konnte beispielsweise ein Luxusautohersteller mithilfe von ML die Vielzahl der über Jahrzehnte gesammelten historischen Ersatzteil- und Zubehördaten analysieren und acht völlig neue Verhaltenskategorien identifizieren.

Vertrauen in die neuen Systeme

Es gibt es noch einen weiteren Aspekt: Die größte Herausforderung bei der Bestandsoptimierung besteht heute darin zu lernen, hoch entwickelten Planungssystemen zu vertrauen, die nicht so transparent sind wie einst Tabellenkalkulationen. Wie Seth Lippincot, Analyst bei Nucleus Research, darlegte, „kann es oft schwieriger sein, das Verhalten zu ändern, als die Software zu ändern, und das Vertrauen in die Empfehlungen eines Tools aufzubauen, geschieht nicht über Nacht“. Solange die Führungskräfte hier nicht bereit sind, die Hände vom Lenkrad zu nehmen, werden sich die Produktivität und die finanziellen Vorteile der neuen Technologien nicht voll ausschöpfen lassen.

Bildquelle: Getty Images / iStock / Getty Images Plus

©2020Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok