Deskriptive, prädiktive und präskriptive Datenanalyse steigern die Effizienz und Anpassungsfähigkeit der LVS

24 Aug 2023

Mustafa Çagri Gürbüz, Professor für Lieferkettenmanagement des MIT-Zaragoza

VON MUSTAFA ÇAĞRI GÜRBÜZ
Professor für Lieferkettenmanagement im International Logistics Program des MIT-Zaragoza

Angebot und Nachfrage im Gleichgewicht zu halten ist eine der größten Herausforderungen des Lieferkettenmanagements. Angesichts der Unwägbarkeiten im Lieferprozess - wie dem Zufall geschuldete Leistungen oder Störungen - und der bspw. saisonbedingten Nachfrageschwankungen eine durchaus schwierige Aufgabe. Die Lager üben als Hauptbestandteile der Lieferketten eine wesentliche Funktion aus, da sie als Mittler zwischen den Herstellern und den Kunden fungieren. Auch bei bestandslosen Distributionsverfahren sind die Lager das wichtigste Bindeglied zwischen beiden Lieferkettenenden, wie das Cross-Docking-Verfahren zeigt. Neben der ordnungsgemäßen Bestandsverwaltung wollen Lagerhäuser ihre Kosten (ein- und ausgehende Transportkosten) durch die Konsolidierung von Produkten senken und so Skaleneffekte erzielen.

Die Sicherstellung eines hohen Serviceniveaus ─schnelle Reaktionszeiten und hohe Verfügbarkeit der Bestände─ zu möglichst niedrigen Kosten ist komplizierter als vermutet. Dies ist u. a. auf die kürzeren Lebenszyklen von Produkten, ihre kurze Haltbarkeit oder Verwendungsdauer in vielen Bereichen (elektronische Geräte, Kleidung, frische Lebensmittel usw.), die Zunahme von Artikeln, die Komplexität der Lieferketten und die Nachfrage der Verbraucher zurückzuführen, die stark personalisierte Produkte wünschen. Da die Prozesse von Angebot und Nachfrage großen Einfluss auf die logistischen Abläufe haben, kann jede Störung zu erheblichen Unterbrechungen oder Ineffizienzen im Lagerbetrieb führen.

Unternehmen sehen sich zum Beispiel dazu veranlasst, bei mehreren Lieferanten zu bestellen oder ihre Lagerbestände zu erhöhen, um Risiken zu minimieren, die sich daraus ergeben, dass ihre Hauptlieferanten von Unterbrechungen in der Lieferkette betroffen sind. Solche Entscheidungen können die Komplexität beim Warenannahmeprozess im Lager erhöhen und zu zusätzlichen Investitionen zur Erweiterung der Lagerkapazität führen. Auch geringere Störungen, wie Lieferverzögerungen oder kurzfristige Nachfrageschwankungen können die Synchronisierung der Wareneingangs- und -ausgangsprozesse erschweren und eine unerwartet hohe Arbeitsbelastung zur Folge haben.

Mit Hilfe der prädiktiven Analytik lässt sich der Risikoexpositionsindex der an der Lieferkette beteiligten Akteure sowie des Lagers ermitteln. Sie kann auch sicherstellen, dass die Überlebenszeit (wie lange eine Lieferkette ohne einen bestimmten Knotenpunkt auskommen kann) und die Wiederherstellungszeit —zwei Konzepte, die von MIT-Professor David Simchi-Levi eingeführt wurden— innerhalb akzeptabler Bereiche liegen, damit das Lager den Betrieb wie gewohnt fortführen kann.

Datengestützte Entscheidungen

Für das Supply Chain Management werden zunehmend Modelle basierend auf statistischen Daten verwendet, zumal Entscheidungen nicht mehr allein vom menschlichen Urteilsvermögen abhängen sollten. Der Zugang zu großen strukturierten und unstrukturierten Datenmengen und die umfassenden Datenanalysen ermöglichen eine Identifizierung von Mustern und Korrelationen zwischen verschiedenen Faktoren der Lieferkettenleistung.

Big-Data-Modelle —deskriptive, prädiktive und präskriptive— verwenden statistische Techniken, Data-Mining- und maschinelle Lerntechniken. Laut Kumar können auf Machine Learning basierende Modelle wie der Random-Forest-Algorithmus in Lagern eingesetzt werden, um beispielsweise die Abfallmenge zu minimieren (rund ein Drittel des weltweit produzierten frischen Obstes und Gemüses wird weggeworfen).

Die Entscheidungsfindung innerhalb der Lieferkette erfolgt zunehmend automatisiert und datengesteuert

Ähnliche Modelle können auch zur Planung von Lagerlayouts, zur effizienten Verwaltung von Fördermitteln, zum Management von Arbeitskräften, zur Überwachung von Abläufen (Kommissionierung, Inventur und Lagerung) und zur Optimierung strategischer Entscheidungen bei Störungen oder unerwarteten Ereignissen verwendet werden. DHL hat beispielsweise Big-Data-Analytik-Technologien eingesetzt, um die vorausschauende Netzwerkplanung, das Kundenwert- und Risikomanagement sowie die Vorhersage von Angebot und Nachfrage anzukurbeln.In seiner Forschung über die Anwendung des Machine Learnings in Lagern stellt Tufano fest, dass auf statistischen Daten basierende Algorithmen verwendet werden können, um gleichartige SKUs zu identifizieren und sie nahe beieinander zu platzieren oder um die Arbeitsbelastung bei der Kommissionierung vorherzusagen und entsprechend angepasste Kommissionierzonen und -richtlinien festzulegen.

Anwendungen und Fallbeispiele

LVS mit automatischer Identifikation und Datenerfassung

Eine der wichtigsten Funktionen einer Lagerverwaltungssoftware (LVS) besteht darin, Transparenz zwischen Beschaffungs- und Logistikvorgängen zu schaffen. Aus diesem Grund ist die Präzision der erfassten und weitergegebenen Daten ein entscheidender Faktor. Mit der automatischen Identifikation und Datenerfassung (AIDC) kann auf papierbasierte Prozesse verzichtet werden, was zu einer Minimierung von Eingabefehlern beiträgt.

Digitale Zwillinge in Verbindung mit AIDC und Blockchain sind vielversprechende Lösungen zur Verbesserung der Effizienz von Lagerhaltungsprozessen. Digitale Zwillinge dienen nicht nur der Rückverfolgung und Überwachung, sie werden auch bei der Erstellung von deskriptiven/prädiktiven Modellen zur Ablaufoptimierung verwendet. Der Zugang zum Internet der Dinge (IoT) vereinfacht die Entwicklung solcher Tools.

Mit prädiktiven Leistungsindikatoren (KPP) ─ wie z. B. Nachfrageschwankungen, Verringerung der Lagerbestände, Änderung der Vorlaufzeiten der Lieferanten, Zustand der Flurfördermittel und Arbeitsbelastung ─ lassen sich Szenarien mit hoher Zuverlässigkeit antizipieren. Die Kombination dieser Prognosefähigkeit mit einer LVS und digitalen Zwillingen würde zu einer weiteren Rationalisierung der Lagerabläufe führen: Unnötige Bewegungen (lange Wegstrecken im Lager) würden vermieden, es gäbe einen Produktivitätsanstieg (die Mitarbeiter würden sich bei verspäteten Lieferungen oder Abholungen auf andere Aufgaben konzentrieren) und Engpässe bei Geräten oder Waren würden verhindert (dank vorausschauender Wartung und besserer Personalplanung).

Dr. Mustafa Çagri Gürbüz unterstreicht die Bedeutung der prädiktiven Analytik in der Logistik

Folglich könnte eine mit IoT-Technologien und digitalen Zwillingen optimierte LVS Unternehmen dabei unterstützen, Strategien wie Just-In-Time (JIT), Vendor Managed Inventory (VMI) und Cross-Docking, die einen erheblichen Synchronisations-, Prognose-, Koordinations- und Planungsaufwand erfordern, erfolgreicher umzusetzen. Diese Systeme verfügen auch über das Potenzial, Diskrepanzen schneller zu erkennen und zu beheben. Im Gegensatz zu vierteljährlichen oder jährlichen Audits gibt es verbesserte Überwachungsfunktionen und routinemäßige Datenerfassung. Auf deren Grundlage kann die LVS bspw. sofort feststellen, dass ein Artikel, der bei einer Lieferung an einen Einzelhändler fehlte, tatsächlich im Lagerregal lag, und umgehend auf die Beschwerde des Einzelhändlers reagieren.

IoT-basierte LVS zur Verbesserung von Produktivität und Effizienz

In einer Studie, die im International Journal of Production Research veröffentlicht wurde, beschreibt Lee die Implementierung einer IoT-basierten LVS ─mit integrierten Fuzzy-Cluster-Techniken─ zur Verwaltung der Unternehmensabläufe eines Herstellers von Behältern und Geräten. In diesem speziellen Fall handelt es sich um sehr individuelle Kundenaufträge mit geringen Stückzahlen und hohem Produktmix. Bei diesen Aufträgen erschwert die manuelle Verwaltung der Vorgänge die Reaktionsfähigkeit auf Auftragsänderungen und erhöht sogar die Kosten: sich auf das Gedächtnis und die Erfahrung der Mitarbeiter zu verlassen, kann bis zu 50 % der Gesamtbetriebskosten für Kommissioniervorgänge ausmachen.

In der Fallstudie beantragen die Kunden häufig Änderungen, bspw. bei Eingängen, Ausgängen oder auch Stornierungen. Dies erfordert eine flexible LVS, die in der Lage ist, solche Änderungen zu antizipieren und umgehend darauf zu reagieren, um die Verfügbarkeit der betreffenden Rohstoffe und Halbfertigwaren zu gewährleisten.

Das regelbasierte Fuzzy-Modell sammelt Informationen über die aktuelle Anzahl der Aufträge, die Anzahl der SKUs, die verbleibende Zeit bis zum geplanten Starttermin, den Stellplatz der Artikel, Kundendaten, die benötigte Menge und die Anzahl der verfügbaren Arbeitskräfte. Anhand dieser Daten ist das System in der Lage, den Status der nächsten Periode vorherzusagen und eine Vorgehensweise vorzuschlagen, z. B. die Chargenkommissionierung als optimale Methode anstelle der Einzelkommissionierung.

Die von Lee und den Co-Autoren der Studie vorgeschlagene IoT-basierte LVS mit Fuzzy-Clustering ist in der Lage, Werkstoffe in Echtzeit zu überwachen und sich schnell an Auftragsänderungen anzupassen. Die Forscher belegen damit, dass dieses prädiktive/präskriptive Modell die Produktivität und die Kommissioniergenauigkeit verbessert, die Effizienz steigert und besser auf Auftragsschwankungen reagieren kann. Mit dem vorgeschlagenen Modell lassen sich mehr Aufträge pro Zeiteinheit bearbeiten, Fehler reduzieren, Erfüllungsquoten erhöhen sowie Aufträge und Bestandsaufzeichnungen präziser gestalten. Diese Ergebnisse können sowohl auf die analytischen Fähigkeiten des prädiktiven/präskriptiven Modells als auch auf die IoT-basierte LVS zurückgeführt werden.

Vorausschauende Lagerplanung durch maschinelles Lernen

In der Veröffentlichung Machine learning approach for predictive warehouse design entwarf Tufano ein maschinelles Lernmodell zur Vorhersage mehrerer Aspekte eines Lagersystems auf der Grundlage vorheriger Beobachtungen. Der erste Aspekt betrifft die Lagertechnik, z.B. automatische Lagersysteme mit Regalbediengeräten, Kompaktlagersystemen, Kragarmregalen, Miniload, Paletten- und Kommissionierregalen. Der zweite Aspekt berücksichtigt die Flurfördermittel (Hubgeräte, Gabelstapler, Kommissionierer usw.). Der dritte Aspekt betrifft die Lagerverteilungsstrategie, z. B. ob Auftragswaren und Nachschub zusammen in einer Zone gelagert werden sollen oder ob für jede Bestandsart eine eigene Zone einzurichten ist. Der vierte Aspekt beschreibt die Kommissionierstrategie, je nachdem, ob es sich z.B. um Single-Unit- oder Multi-Unit-Aufträge handelt.

Setzen Unternehmen Big-Data- oder Machine-Learning-Technologien ein, können sie deskriptive, prädiktive und präskriptive Modelle implementieren

Die KPIs des Modells sind SKU-Profiling (Verhalten der einzelnen SKUs), Inventory-Profiling (Ermittlung des idealen Stellplatzes), Workload-Profiling (Feststellung, wo und wie die Arbeitslast verteilt ist) und Layout-Profiling (Platzierung und Organisation von Ressourcen). Mit dem Inventory-Profiling ließe sich bspw. das Risiko von Fehlbeständen vorhersagen, indem der Zeitpunkt kurz vor einem Fehlbestand aufgrund einer erhöhten Nachfrage nach einer bestimmten Artikelgruppe ermittelt wird.

Dieses Modell erfordert die Kenntnis mehrerer Informationen. Dazu gehören Eingangsdaten (Warenstellplatz) und Ausgangsdaten (Kommissionierung), die Koordinaten des Lagerlayouts, die Menge der SKUs und die Detailansicht der Kommissionierliste. Ziel des Modells ist die Antizipation eines Lagerlayouts, das an die SKUs angepasst wird. Für dessen Validierung wurden von 16 Unternehmen u.a. aus der Automobilindustrie, dem verarbeitenden Gewerbe, der Lebensmittel- und Getränkeindustrie, der Kosmetikindustrie und dem Verlagswesen Daten erhoben.

Das Modell hat praktische Auswirkungen auf die Vorgehensweise der Akteure der Lieferkette. Es soll praktikable und flexible ─wenn auch nicht unbedingt optimale─ Lösungen bieten, die an die industrielle Praxis angepasst sind. So ist es für 3PL- Anbieter in der Regel schwierig, Entscheidungen über das Lagerlayout zu treffen, da die schwankende Nachfrage nicht vorhersehbar ist. Außerdem kennen sie möglicherweise nicht die genauen Anforderungen ihrer neuen Kunden, und bestehende Verträge können sich häufig ändern. Ein Beispiel ist die Rotation der Artikel aufgrund des Auslaufens von Kundenverträgen. Laut Tufano und den Mitautoren der Studie könnten Logistikdienstleister von diesem datengesteuerten Prognosemodell profitieren, insbesondere wenn sie über Informationen zu Schlüsselparametern wie Volumen/Gewicht der einzelnen Artikel und die Dynamik der Marktnachfrage (Beliebtheit, Saisonalität) verfügen.

Kurzfristige Arbeitslastprognosen und effektives Personalmanagement

Die Entscheidungsfindung innerhalb der Lieferkette erfolgt zunehmend automatisiert und datengesteuert. Nichtsdestotrotz ist das menschliche Urteilsvermögen bei der Planung von Angebot und Nachfrage weiterhin ein entscheidender Faktor. Zudem sind wichtige Lagerabläufe, wie die Kommissionierung und Verpackung weitgehend arbeitsintensive Prozesse. In den Lagern - vor allem beim Warenausgang - variiert die Arbeitsbelastung. Grund dafür sind vor allem die Unwägbarkeiten bei Angebot und Nachfrage.

Um Nachfragefluktuationen zu bewältigen, müssen sich Unternehmen an verschiedene Faktoren anpassen. Dazu gehören die Saisonabhängigkeit bestimmter Produkte oder Umsatzspitzen am Ende mancher Perioden, z.B. bei Rabatten. Angesichts dieser Herausforderungen und der unwägbaren Arbeitsbelastung, sind Unternehmen bestrebt, neben den fest angestellten Lagermitarbeitern über flexible Arbeitskräftepools zu verfügen. Um das Arbeitsaufkommen zu prognostizieren und den Personalbedarf im Lager zu planen, bedarf es einer detaillierten Analyse. So können Fehler in der Bedarfsplanung erkannt, mögliche Verzerrungen kontrolliert und deren Auswirkungen auf die Arbeitseffizienz abgeschätzt werden.

Die Entscheidungsfindung innerhalb der Lieferkette erfolgt zunehmend automatisiert und datengesteuert

Menschliches Urteilsvermögen kann zu Verzerrungen führen. Ein Manager kann bspw. den Umfang seiner Aufträge über- oder unterschätzen. Dies entsteht durch zu niedrige oder zu hohe Prognosen, die von Entscheidungen über die Beschaffung von Arbeitskräften und von Service Level Agreements abhängen. Eine Studie von Samsung Electronics in einem westeuropäischen Lager für schnelldrehende Produkte ergab, dass sich eine Verzerrung von 30-70 % bei der Kommissionierung und Verladung im Rahmen von 5-10 % auf die Effizienz bei der Auftragsbearbeitung auswirkt, während sie in der arbeitsintensiven Verpackungsphase offenbar keinen Effekt hat. Die Ergebnisse wurden auch durch eine Umfrage in 30 Lagern anderer Unternehmen bestätigt (siehe Kim und weitere).

Das von den Autoren vorgeschlagene Prognosemodell bestätigt, dass die Kontrolle von Verzerrungen die Arbeitseffizienz im Lager verbessern kann. Das Modell analysiert die Verzerrung der Nachfrageprognose (die Differenz zwischen der prognostizierten Nachfrage und dem tatsächlichen Auftragsvolumen) im Verhältnis zur Arbeitsproduktivität. Diese Korrelation wird zur Optimierung der Personaleinsatzplanung genutzt.

Expertenurteile mit historischen Nachfragedaten und die Korrektur von Fehleinschätzungen verbessern die Absatzprognosen und die Zuweisung von Arbeitsressourcen in den verschiedenen Logistikphasen.

Prognosemodelle zur Optimierung der Lagerverwaltung

Unternehmen können mit Big-Data-Plattformen deskriptive, prädiktive und präskriptive Modelle implementieren. Unter der Voraussetzung, dass bestimmte Hindernisse überwunden werden, führt dies zu einer Risikominderung, Effizienzsteigerung und Maximierung der Rentabilität in der Lagerverwaltung. Faktoren wie die Größe des Unternehmens, limitierte technologische Ressourcen und mangelnder Informationsaustausch zwischen den Akteuren der Lieferkette stellen jedoch eine Herausforderung für die Einführung von Big-Data-Analysen in der Lagerverwaltung dar.

Die Untersuchungen von Ghaouta legen nahe, dass der Einsatz von Prognosemodellen nach wie vor begrenzt ist (die meisten Modelle sind deskriptiv). Eine Ausnahme bilden die Routing-Algorithmen und die Bestandskontrolle. Es ist jedoch davon auszugehen, dass die Bedeutung des Risikomanagements in der Lieferkette die Unternehmen dazu veranlassen wird, verstärkt Prognosemodelle in der Lagerverwaltung einzusetzen. Eine verbesserte LVS mit Risikomanagementfähigkeiten könnte die Wahrscheinlichkeit von Störungen innerhalb der Lieferkette, die z. B. bei störungsanfälligen Lieferanten oder Kunden mit unregelmäßigem Bestellverhalten auftreten, ermitteln und bewerten. Darüber hinaus würde diese Technologie Unternehmen dabei unterstützen, reaktive und proaktive Strategien zur Risikominderung zu entwickeln, die auf dem Risikoniveau der einzelnen Lieferanten oder Kunden basieren.

Außerdem muss untersucht werden, wie eine IoT-basierte LVS den Unternehmen den Übergang von einer zentralen zu einer dezentralen Steuerung ermöglichen würde. In solchen Systemen wäre die Verbindung zwischen Mitarbeitern, Flurfördermitteln, Produkten und Sensoren optimal und würde die Koordination und Kommunikation bei der Entscheidungsfindung verbessern.

 

 

Referenzen

 

 

Dr. Mustafa Çağri Gürbüz ist Professor für Lieferkettenmanagement im International Logistics Program des MIT-Zaragoza. Außerdem ist er wissenschaftlicher Mitarbeiter am MIT Center for Transportation and Logistics. Seine Forschungsschwerpunkte erstrecken sich auf das Bestands- und Lieferkettenmanagement, die Optimierung der Vertriebssysteme, Verträge und Modellierung operativer Systeme.