Smartes Bestandsmanagement mit Big Data und Künstlicher Intelligenz

Durch die Optimierung des Bestandsmanagements können Potenziale in zahlreichen Unternehmensbereichen realisiert werden, da Bestände die zentrale Schnittstelle zwischen verschiedenen Unternehmensfunktionen sind. Die Bestandsreduzierung ist ein wesentlicher Stellhebel für die Verbesserung der Liquidität und Produktivität.

Für viele Unternehmen kann ein intelligentes Bestandsmanagement, das niedrige Bestände, konstante Lieferfähigkeit und eine geringe Kapitalbindung in Einklang bringt, einen entscheidenden Wettbewerbsvorteil bedeuten. Hierbei handelt es sich um ein mathematisches Problem, das Unternehmen seit Jahrzenten beschäftigt und jetzt durch neue Möglichkeiten lösbar ist. Der Schlüssel liegt in der Identifikation von statistischen Zusammenhängen und Mustern in den Betriebsdaten durch Machine Learning und Big Data Lösungen. Der TCW Smart Stock Optimization Ansatz zielt auf ein intelligentes, datengesteuertes Bestandsmanagement ab. Durch die Kombination von Data Science und Big Data Analytics Tools können Bedarfsprognosen wesentlich effizienter erstellt werden und Zusammenhänge in den vorhandenen Daten erkannt und erfolgsbringend eingesetzt werden. Das TCW hat mehrere Unternehmen bei der Entwicklung von fortschrittlichen Bestandsmanagementsystemen unterstützt, die Erkenntnisse aus Lieferketten- und Transaktionsdaten ableiten.

Fallbeispiel – Entwicklung eines intelligenten Bestandsmanagements für ein Chemieunternehmen

Ein Chemieunternehmen erzielt mit Machine-Learning-Verfahren und dem Einsatz von Big Data Analytics Tools eine Bestandsreduzierung von 40% bei höherer Liefertreue.

Herausforderung

Ein Unternehmen aus der chemischen Industrie erzielt einen jährlichen Umsatz von über 450 Mio. Euro. Das Unternehmen differenziert sich gegenüber den Wettbewerbern insbesondere über die Produktvielfalt und die im Marktvergleich hohe Lieferzuverlässigkeit. Die Chemiebranche ist durch hochkomplexe Lieferketten gekennzeichnet. Die Produkte werden in mehreren Schritten hergestellt, die alle spezielle Technologien nutzen. In der schnell wachsenden Chemieindustrie ist eine optimale Lagerverwaltung, die speziell für das moderne Betriebsumfeld ausgelegt ist essenziell. Mit zunehmendem Fokus auf Compliance, Konsistenz zwischen den Durchläufen, Sicherheit und Wirksamkeit der Produkte sowie der Forderung nach mehr Anpassbarkeit in den lokalen Märkten wird das Bestandsmanagement immer komplexer. Lange Zeit basierte das Bedarfs- und Bestandsmanagement auf Erfahrungswerten und dem manuellen Setzen von Bestandsparametern. Dem Unternehmen fehlte zudem ein systematischer Controlling-Ansatz zur Bestandsüberwachung über alle Produktionsstandorte hinweg. Im Zeitverlauf hat das Unternehmen Bestände in Höhe von 28 Mio. Euro aufgebaut, die eine erhebliche Kostenwirkung nach sich zogen.

Die gegenwärtige wirtschaftliche Situation hat das Unternehmen dazu gezwungen, Kosten zu senken und den Kapitaleinsatz zu verringern. Die Reduzierung von Beständen war ein Schlüssel für eine kurzfristige Verbesserung der Liquidität und eine Maßnahme für kapitalarmes Wachstum. Allerdings durften die Bestände nur soweit abgebaut werden, dass es nicht zu einem Versorgungsrisiko der Produktion und folglich zu mangelnder Lieferfähigkeit zum Kunden kam. Es handelt sich bei dieser Thematik um ein klassisches Optimierungsproblem, welches durch den Einsatz von Machine Learning und erprobten Algorithmen gelöst werden konnte. Durch eine End-to-End Betrachtung aller Werke und die Einführung eines systematischen Controlling-Ansatzes konnten die Bestände gesenkt werden und gleichzeitig die Liefertreue erhöht werden.

Vorgehensweise

Mit dem TCW Smart Stock Optimization Ansatz in 4 Schritten zu einem erfolgreichen Bestandsmanagement

1. Aufstellen des Data Cube mit dem Ziel volle Transparenz zu schaffen und die Daten für die Analyse vorzubereiten:
   Zunächst erfolgte eine automatisierte und intelligente Integration der im Unternehmen verteilten Daten. Hierbei wurden die vorhandenen Lagerbewegungen, Einkaufs-, Transaktions-, Produkt- und Produktionsdaten mit Hilfe von Big Data Analytics Tools aufbereitet und konsolidiert. Die Data Scientists des TCW standen vor der Herausforderung, die Daten aus unterschiedlichen Standorten und aus verteilten Datenbanken zusammenzuführen und zu standardisieren.



2. Visualisierung der Ist-Situation mit dem Ziel die Werthebel, die Pain-Points und die Grobpotenziale zu identifizieren:
   In enger Zusammenarbeit mit dem Kunden wurde ein Inventory Dashboard (Darstellung der historischen Lagerbewegungen der letzten 5 Jahre) und ein Shipment Dashboard (Darstellung der Ein- und Ausgänge sowie Lieferkosten pro Lieferung der letzten 5 Jahre) erstellt. Es wurde ersichtlich, welchen Einfluss einzelne Kunden, Komponenten und Lieferanten auf die Lagerkomplexität haben. Die Visualisierung der Ist-Situation diente zudem zur Darstellung der Komponenten mit der höchster bzw. geringsten Bestandsvolatilität, der Prognosefähigkeit und der Wiederbeschaffungszeiten. Mit Hilfe der firmeninternen Daten und externen Datenquellen wurden relevante Vorhersageindikatoren identifiziert.



3. Simulation und Optimierung mit dem Ziel das Feinpotenzial und die optimierten Bestandsparameter zu identifizieren und Sensitivitäten aufzudecken:
   Im Anschluss wurde ein Validierungs-Workshop mit dem Projektteam des TCW und Unternehmensexperten zur Validierung und Plausibilisierung der Eingangsdaten durchgeführt. Dieser Workshop diente als Ausgangssituation für die Szenarioanalyse für verschiedene Handlungsoptionen und die algorithmische Optimierung der Bestelllosgrößen durch den Einsatz von Machine Learning Tools und erprobten Algorithmen. Durch den Einsatz von Cluster- und Assoziationsanalysen konnten wertvolle Erkenntnisse gewonnen werden. Mit der produktindividuellen Zuweisung von Zielverfügbarkeiten durch den Optimierungsalgorithmus wurden die benötigten Bestandshöhen errechnet. Dabei wurden alle relevanten dispositiven Merkmale, wie z.B. Wiederbeschaffungszeiten, Mindesthaltbarkeiten und Losgrößen berücksichtigt. Dank der großen Datenmenge konnte durch den Einsatz von maschinellem Lernen und Big Data Analytics Tools zudem der optimale Zeitpunkt für die vorbeugende Wartung von Maschinen errechnet werden. Mithilfe eines Machine Learning Algorithmus konnte zudem die Ersatzteilnachfrage an allen Standorten für die nächsten 12 Monate genauer vorhergesagt werden, als das bisher möglich war.



4. Entwicklung des Maßnahmenplans und organisatorische Verankerung mit dem Ziel ein nachhaltiges und intelligentes Bestandsmanagement zu installieren:
   Anschließend wurden die Bestandsrichtlinien neu definiert und optimierte Bestell- und Bestandsparameter abgeleitet. Diese beinhalten Sicherheits-, Melde- und Höchstbestände sowie die optimalen Bestell- beziehungsweise Chargengrößen. Neben dem durchschnittlichen Verbrauch spielte auch die Stabilität der Wiederbeschaffungszeiten eine entscheidende Rolle. Aus der großen Datenmenge konnte zudem eine optimierte Lieferanten- und Kundenmanagementstrategie entwickelt werden.

Realisierte Potenziale nach Projektende

Optimierung des Lagerbestands und Reduzierung der Bestände bei gleichzeitiger Erhöhung der Lieferfähigkeit

Durch die Einführung eines intelligenten Bestandsmanagements wurde auf vielfältige Weise Wert geschaffen:

Ziel des Projekts war es, ein intelligentes, datengesteuertes Bestandsmanagement im Unternehmen zu verankern. Dieses wurde mit dem Einsatz von neuesten Technologien wie Machine Learning und Data Analytics erreicht. Die automatisierten und voll aufeinander abgestimmten Prozesse in den Bereichen Bedarfs-, Bestands-, und Beschaffungsplanung sorgen für einen optimalen Lagerbestand, bei dem die Kosten für Beschaffung und Logistik deutlich reduziert werden. Durch den TCW Smart Stock Optimization Ansatz konnte eine nachhaltige Bestandssenkung von über 40 % realisiert werden. Zudem konnte die Lieferperformance von 89 % auf über 95 % gesteigert werden, was zu einem erheblichen Differenzierungsvorteil im Markt führte. Der implementierte Machine Learning Algorithmus führte zudem dazu, dass das Risiko der Out-of-Stock-Kosten reduziert werden konnte und der optimale Zeitpunkt für die Wartung der Maschinen errechnet werden konnte. Die erhöhte Vorhersagegenauigkeit führte dazu, dass das Unternehmen seine Lager effizienter managen kann. Durch Mitarbeiterschulungen konnte ein nachhaltiges Bestandsmanagement an allen Standorten verankert werden.