Die Herausforderung
von Rodrigo De la Fuente, Juan Gatica, Raymond L. Smith III
Vorgestellt auf der Wintersimulationskonferenz 2019
Das Kapazitäts- und Personalmanagement in einem Distributionszentrum kann erhebliche Auswirkungen auf die gesamte Lieferkette haben. In diesem Beitrag werden die Auswirkungen von Personalstrategien untersucht, die im Lagerbetrieb eines Getränkevertriebszentrums in der Bio-Bio-Region in Chile eingesetzt werden. Die Mitarbeiter sind für die Entladung und Lagerung eingehender Produktsendungen aus weit entfernten Produktionsstätten sowie für die Abholung und Vorbereitung ausgehender Produktsendungen für die lokale Auslieferung zuständig. Anhand eines Simulationsmodells wurde ermittelt, wie der Lagerbetrieb gemessen an der Ladevorbereitungszeit, den Personalkosten und der maximalen Lagerkapazitätsauslastung verbessert werden kann. Die Ergebnisse empfehlen, die Lagerkapazität für Paletten zu erhöhen, um die Effizienz zu verbessern. Darüber hinaus wurden Szenarien hinsichtlich der Zahlungsbereitschaft des Unternehmens für Verbesserungen in Bezug auf die Personalausstattung und die Ausbildung der Mitarbeiter bewertet. Die Ergebnisse deuten darauf hin, dass Investitionen in das Personal die Vorbereitungszeit für die Ladung des Unternehmens um bis zu 15 % reduzieren können.
Einleitung
Das Management und die Analyse von Lieferketten ist in der aktuellen Literatur ein weit verbreitetes Thema, vor allem aufgrund des dynamischen Umfelds und der durch Kunden und Produkteigenschaften bedingten Komplexität. Innerhalb der Lieferkette spielen die Lagerhaltung und der Vertrieb eine wichtige Rolle bei der Lieferung von Produkten an die Kunden, aber sie tragen auch zur Komplexität des Systems bei. Verbesserungen in diesen komplexen Umgebungen erfordern oft fortschrittliche Methoden wie Simulationsmodellierung, um optimale Kapazitäten, Richtlinien oder Strategien zu ermitteln. Distributionszentren (DC) spielen eine wichtige Rolle in der Lieferkette, da sie die Produktionsanlagen mit dem Vertriebsnetz verbinden. Im täglichen Betrieb der Distributionszentren treten Probleme im Zusammenhang mit dem Bestand und der Lagerung auf, die, wenn sie angemessen verwaltet werden, einen Mehrwert für die Prozesse schaffen und die Reaktionszeiten verkürzen (De Koster et al. 2007).
In dieser Studie wird ein überragender Konflikt zwischen dem Lagerbetrieb und der Verwaltung der Humanressourcen untersucht. Dieser Konflikt hat seinen Ursprung in den geltenden arbeitsrechtlichen Bestimmungen der chilenischen Regierung, die vorschreiben, dass Arbeitnehmer nach der Verlängerung eines auf ein Jahr befristeten Arbeitsvertrags mit einem unbefristeten Arbeitsvertrag eingestellt werden müssen. Infolgedessen entscheiden sich die Unternehmen häufig dafür, Mitarbeiter im elften Monat ihres Vertrages zu entlassen, um zu vermeiden, dass sie den unbefristeten Vertrag und die Kostenverpflichtung übernehmen müssen. Die Entlassung eines erfahrenen Arbeitnehmers und die Einarbeitung eines neuen Mitarbeiters wirken sich somit negativ auf die Kosten und die Produktivität aus. Bei einer strategischeren Herangehensweise sollte die Unternehmensleitung überlegen, wie viele Arbeitnehmer einen unbefristeten Vollzeitarbeitsvertrag behalten sollten, um die Produktivitätsstandards zu erreichen und zu halten. Diese Studie soll das Management bei der Bestimmung der Anzahl der Mitarbeiter, die beibehalten werden sollten, und der angemessenen Größe der Lagerkapazität unterstützen, um den Lagerbetrieb in einem lokalen Vertriebszentrum zu verbessern. Zur Durchführung dieser Studie wurden Simulationsexperimente mit einem ereignisdiskreten Simulationsmodell durchgeführt, das mit der Simulationssoftware Simio entwickelt wurde.
Hintergrund
Lagereinrichtungen können innerhalb eines Lieferkettennetzes mehrere unterschiedliche Funktionen erfüllen. Infolgedessen finden sich in der Literatur mehrere unterschiedliche Klassifizierungsschemata. Nach Ghiani et al. (2004) sollten Lagereinrichtungen einfach entweder als Distributionszentren oder als Produktionslager gruppiert werden. Im Vergleich dazu klassifiziert Frazelle (2001) die Lagereinrichtungen in Bezug auf ihre Funktion im Lieferkettennetzwerk, wie z. B. die Bereitstellung von Rohstoffen, Produkten in Bearbeitung, Fertigerzeugnissen, Vertrieb, Erfüllung, direkte lokale Lager für die Kundennachfrage und Mehrwertdienste. Eine andere Perspektive betrachtet die Prozesse eines Lagers, die in eine von drei Gruppen eingeteilt werden können: (1) Ladeprozesse, (2) Service- oder Lagerprozesse und (3) Ausgangsprozesse, die hauptsächlich die Versandfunktion umfassen. Liong und Loo (2009) untersuchten beispielsweise die Be- und Entladeprozesse in Lagereinrichtungen, indem sie Simulationsexperimente unter verschiedenen Szenarien durchführten, um die Auslastung der Mitarbeiter und die Wartezeitverzögerung zu quantifizieren. Diese Ergebnisse wurden genutzt, um Engpässe zu identifizieren und Verbesserungen im System zu entwickeln. Eine Empfehlung beinhaltete die Erhöhung der manuellen Arbeitskapazität, um den übermäßigen Einsatz von Überstunden und die Wartezeiten für die Kunden zu reduzieren.
Bei der Entwicklung eines Simulationsmodells ist es wichtig, den Ankunftsprozess im Lager zu verstehen, da er die Dynamik der Lagerkapazität stark beeinflusst. Laut Nelson (2013) wird in der Praxis häufig ein nicht-stationärer Poisson-Prozess verwendet, um Ankunftsprozesse zu modellieren, die im Laufe der Zeit variieren; wenn diese nicht berücksichtigt werden, können die Ergebnisse für wichtige Messungen stark beeinträchtigt werden. Im Gegensatz dazu zeigen Gerhardt und Nelson (2009), dass die Ankunftszeiten von realen Prozessen dazu neigen, von der Poissonalität abzuweichen, indem sie einen viel größeren oder kleineren Variationskoeffizienten haben. Ein solcher Fall wird von Brown et al. (2005) beschrieben, in dem die Abläufe in einem kleinen Callcenter einer Bank über einen Zeitraum von einem Jahr analysiert wurden. Mithilfe der Analyse der Warteschlangentheorie wurde der Dienstleistungsprozess in drei grundlegende Komponenten unterteilt: (1) Kundenankünfte, (2) Kundengeduld und (3) Servicedauer. Für jede Komponente wurden statistische Tests durchgeführt, um das Verhalten zu bewerten. Der Ankunftsprozess wurde dann weiter ausgewertet, um festzustellen, ob es sich um einen nicht-homogenen Poisson-Prozess handelt. Dazu wurden die Daten in eine Folge unabhängiger und identisch verteilter (i.i.d.) Zufallsvariablen umgewandelt, die gleichmäßig zwischen [0,1] liegen, und mit dem Kolmogorov-Smirnov-Test (K-S) ausgewertet. Anschließend wurde eine logarithmische Transformation durchgeführt, um zu bewerten, ob der Prozess als nicht homogener Poisson-Prozess (NHPP) zu betrachten ist. Diese Verfahren konditionieren Daten, die ansonsten als unzureichend eingestuft worden wären, für eine zuverlässige Modellierung eines Ankunftsprozesses.
Schließlich müssen bei der Entwicklung eines Simulationsmodells die Methoden zur Bestimmung der Größe der Lagerkapazität, die eine Funktion der Bestandspolitik sind (Ghiani et al. 2004), sorgfältig berücksichtigt werden. Wenn den Produkten feste Lagerpositionen zugewiesen werden, ist der gesamte Platzbedarf im Lager die Summe der maximalen Bestände für jedes Produkt innerhalb des Bewertungszeitraums. Im Falle einer dynamischen oder zufälligen Zuweisung der Produkte zu den Lagerpositionen wird der Gesamtplatzbedarf im Lager einfach auf der Grundlage des im Auswertungszeitraum erreichten Höchstbestands berechnet. Darüber hinaus wurden in der Literatur fortgeschrittenere mathematische Methoden zur Annäherung an die maximale Lagerkapazität vorgeschlagen. Karakis et al. (2015) schlugen beispielsweise ein nichtlineares Modell vor, das auf den Eingangsparametern der Lagerkapazität basiert und die bekannten technischen Spezifikationen der Maschinen und Produktgrößen verwendet, um die Abmessungen einer Lagereinrichtung zu bestimmen.
Die Lösung
Vorgeschlagener Rahmen
Prozessbeschreibung
Abbildung 1 veranschaulicht die Beziehung zwischen dem Produktionswerk, dem Vertriebszentrum und der Vertriebsroute, die zur Lieferung an den Kunden führt. Der Prozess beginnt damit, dass die verschiedenen Lieferwerke die Produktion auf der Grundlage einer monatlichen Prognose einplanen. Nach der Produktion wird die Ware per Lkw zum Distributionszentrum transportiert, wo sie entladen, auf Lager gelegt, später für die Ladevorbereitung abgerufen und auf einen lokalen Lieferwagen verladen wird. Nach der Auslieferung verlässt der Lkw das Verteilzentrum und fährt auf einer geplanten Route zu den Zielorten der Kunden. Die beliefernden Produktionsbetriebe verwalten eine breite Palette von Produkten, darunter Flaschenbehälter aus verschiedenen Materialien, die mit insgesamt 324 Bestandseinheiten (SKUs) eindeutig identifiziert werden. Diese Vielfalt trägt zur Komplexität des Lagerbetriebs bei, da sowohl das Material der Behälter als auch das Verfallsdatum berücksichtigt werden müssen. Darüber hinaus ist die maximale Stapelhöhe aufgrund von Bedenken hinsichtlich der Unversehrtheit der Produktverpackungen begrenzt, was eine Einschränkung der Lagerkapazität zur Folge hat. Gleichzeitig schreibt die Unternehmenspolitik vor, dass Produkte, die an Kunden versandt werden, ein Verfallsdatum von mehr als 30 Tagen haben müssen. Um Engpässe zu vermeiden, die zu Umsatzeinbußen führen würden, muss im Lager ein ausreichender Bestand vorgehalten werden, um nicht nur die Kundennachfrage zu decken, sondern auch um die entdeckten alten Produkte zu ersetzen, die nicht an die Kunden versandt werden können.
Aufgrund der großen Anzahl von SKUs ist es von Vorteil, Produktfamilien zu bilden, in denen die Produkte nach ihren Merkmalen gruppiert werden. Dies verbessert die Rechenleistung des Simulationsmodells und abstrahiert die Komplexität des Problems. Die Gruppierungen wurden auf der Grundlage von Merkmalen entwickelt, die für die Modellierung von Vorgängen interessante Eigenschaften aufweisen. Zum Beispiel: Die Informationen des Lieferanten können verwendet werden, um das Verhalten der im Lager eintreffenden Produkte zu bestimmen; das Behältermaterial liefert Informationen über die für jede SKU benötigte Lagerkapazität; die Produktmenge pro Palette (Informationen, die zur Berechnung der Bestände verwendet werden); und die Geschmacksrichtung des Produkts ermöglicht die Darstellung der Absicht der Kundennachfrage. So werden die Familien nach Lieferant, Behältermaterial, Behältergröße und Produktgeschmack gruppiert. Die Anwendung dieses Gruppierungsansatzes führte zu insgesamt 61 Familien, von denen sechs Produkte in Mehrfachpackungen waren.
Die Produktbestände schwanken aus zahlreichen Gründen. Zu den Faktoren, die zur Schwankung der Lagerbestände insgesamt beitragen, gehören das Angebot (50 % der Aktivitäten), die Nachfrage (41 %), der Versand (6 %), Mehrfachpackungen (2 %) und Verschiedenes (< 1 %). Im Allgemeinen werden Erhöhungen des Lagerbestands größtenteils durch ein erhöhtes Angebot beeinflusst, während Verringerungen des Lagerbestands größtenteils durch Abflüsse an Kunden und den Aufbau von Multipack-Produkten beeinflusst werden. Die Parametrisierung dieser Vorgänge wird in den folgenden Unterabschnitten erörtert.
Die Lagermitarbeiter, die die Produktauslagerung und die Ladungsvorbereitung durchführen, werden mit einer von drei Vertragsarten beschäftigt: (1) unbefristete Vollzeitbeschäftigung, (2) befristete Beschäftigung und (3) ein Gelegenheitsarbeitsverhältnis. Die Verträge für eine unbefristete Vollzeitbeschäftigung sind am teuersten, da sie Rentenbeiträge, Gesundheitsfürsorge, Gehalt und Überstundenvergütung erfordern. Die beiden letztgenannten Vereinbarungen sind durch staatliche Vorschriften auf eine Dauer von maximal elf Monaten beschränkt.
Die Produktivität während der Schichtstunden wird als Summe der einzelnen Produktivitäten berechnet, die direkt vom Wissensstand und der Ermüdung der einzelnen Arbeitnehmer abhängt. Der Kenntnisstand jedes Arbeitnehmers wird durch die Zeit bestimmt, die er im Unternehmen arbeitet, während der Ermüdungsgrad durch die Anzahl der aufeinanderfolgenden Nachtschichten bestimmt wird. Die Vertragsdauer ist ein wesentlicher Faktor, der in der Studie berücksichtigt werden muss, da die Produktivität bei der Auslagerung von Produkten und der Vorbereitung von Ladungen direkt mit der Fluktuation des Personals zusammenhängt. Bei höherer Fluktuation werden mehr befristet beschäftigte Vertragsarbeiter entlassen und durch unerfahrene Mitarbeiter ersetzt, die eine Lernphase benötigen, bevor sie voll produktiv werden.
Modellierungsparameter
Wie von He et al. (2016) erörtert, muss der Poisson-Prozess für die Ankunft folgende Bedingungen erfüllen: N(0) = 0, unabhängige Ankünfte, die Zwischenankunftszeiten müssen an eine Exponentialverteilung angepasst werden, und die Anzahl der Ereignisse in einem Bereich der Länge t ist poissonverteilt mit dem Mittelwert l t für alle s; t 0 (PfN(t+s)N(s) = ng=elt(lt)n=n!), was auch bedeutet, dass ein Poisson-Prozess stationäre Inkremente mit E[N(t)]=lt hat. Daher wurden in dieser Untersuchung die Ankünfte bei den Anbietern als unabhängig betrachtet, da sie verschiedene Familien beliefern, und es wurde für jeden Anbieter ein Verfahren zur Bestimmung der Poissonalität der Ankünfte angewendet. Um zu überprüfen, ob es sich bei den Ankünften um einen Poisson-Prozess handelt, wurde die von Nelson (2013) beschriebene Methodik angewandt, die das Verhältnis zwischen der Varianz der Anzahl der Ankünfte und ihrer erwarteten Anzahl bestimmt. Somit sollten die nicht-stationären Poisson-Prozesse, die das Verhältnis erfüllen, nicht signifikant von eins abweichen. Die beobachteten Werte wichen jedoch erheblich voneinander ab. So wurde zum Beispiel für das Produkt aus der Region Talca ein Verhältnis von 2,23 ermittelt, was darauf hindeutet, dass ein nicht-stationärer Poisson-Prozess ungeeignet ist. Darüber hinaus schwankt die Zahl der Eingänge in das Lagerhaus mit Ursprung in Talca im Laufe des Jahres; allerdings ist vor den Weihnachts- und Neujahrsfeiertagen im Dezember und dem chilenischen Unabhängigkeitstag im September stets ein deutlicher Anstieg zu verzeichnen. Außerdem ist die Produktnachfrage in der Wintersaison traditionell niedrig.
Um die Abweichung von der Poissonschen Regel zu überwinden, wurden die Schwankungen bei den im Distributionszentrum eintreffenden Produktlieferungen im Modell durch wöchentliche Raten erfasst. Die unsachgemäße Rundung der Dezimalwerte der wöchentlichen Raten führte jedoch dazu, dass 74 Lkw-Ankünfte über dem in der Realität beobachteten Wert lagen, was zu einem maximalen Fehler von 74 30 = 2;220 Überlagerungspaletten führte (wobei die größte per Lkw geladene Menge 30 Paletten beträgt). Um eine bessere Schätzung zu erhalten, sind wir dazu übergegangen, die Dezimalzahlen der Raten mit diskreten Verteilungen darzustellen, so dass die erwartete Anzahl jeder wöchentlichen Verteilung gleich der berechneten Durchschnittsrate ist. Wenn zum Beispiel die Rate 5,3 Ankünfte pro Woche beträgt, ist die zugehörige diskrete Verteilung Discrete(5;0:7; 6;1), da 5 0:7+6 0:3 = 5:3. Andererseits ergab das genannte Verfahren eine durchschnittliche Anzahl von Ankünften von 2;085:83 2;086 in einem Lauf von 36 Wiederholungen, was ein Defizit von nur neun Paletten gegenüber dem Beobachteten und einen maximalen Fehler von 930 = 270 Paletten bedeutet. Dieses letzte Verfahren wurde zur Parametrisierung der Anzahl der Lkw-Ankünfte im Distributionszentrum verwendet.
Wenn ein Lkw aus dem Produktionswerk im Verteilzentrum eintrifft, ist es von entscheidender Bedeutung, zu bestimmen, welche Produkte und in welchem Verhältnis sie die Ladung ausmachen. Zu diesem Zweck wurde eine gemeinsame Dichte erstellt, in die drei kritische Variablen einfließen: die Lkw-Größe, die enthaltenen Produkte und die jedem Produkt zugewiesenen Anteile der Lkw-Kapazität. Auf diese Weise lässt sich die Wahrscheinlichkeit bestimmen, dass ein ankommender Lkw eine Kapazität von 28 Paletten hat, wobei 40 % auf die Produktfamilie 2 und 60 % auf die Produktfamilie 7 entfallen (in diesem Fall ist die Mischung 40-60). Auf der Grundlage der historischen Daten werden in Tabelle 1 die am häufigsten vorkommenden Produktmischungen dargestellt. Zusätzlich wurde zur Modellierung der in der Ladung enthaltenen Produkte ein binärer Vektor verwendet, bei dem jede Position die entsprechende Familiennummer darstellt, wobei der Wert Null zugewiesen wird, wenn die Familie nicht enthalten ist, und der Wert Eins im umgekehrten Fall.
Anschließend wird die Kombination der drei Dimensionen der gemeinsamen Dichte dargestellt, die zur Modellierung des Inhalts der ankommenden Lastwagen erstellt wurde. In Abbildung 2 stellt die horizontale Achse die Kapazität des Lkw dar, und die vertikale Achse identifiziert die dreißig häufigsten Produktvektoren, was die Vorherrschaft von Lkw-Ankünften mit einer Kapazität von 30 Paletten und die ersten Produktvektoren einschließt, was sich in einer höheren Eintrittswahrscheinlichkeit niederschlägt. Abbildung 3 zeigt die Kombination Mix-Vektor (die dritte Kombination, Kapazität-Mix, ist aus Gründen der Seitenbeschränkung nicht dargestellt).
Wie bereits erwähnt, wird der Abfluss von Produktbeständen weitgehend von der Kundennachfrage beeinflusst. Um dies zu modellieren, wurden wöchentliche Raten berücksichtigt (di), die durch dj = å6 i=1 di j=6 bestimmt werden, wobei di j der Nachfrage der Woche i entspricht, wobei i 2 1;2; :::;52 die Wochennummer des Jahres darstellt, und der Tag j, wobei j Tage der Woche j 2 1;2; :::; 6.
Ein ähnliches Verfahren wurde für den Versand und die Multipackung durchgeführt. Da beide Vorgänge gelegentlich innerhalb einer Woche auftreten, wurden die Wochensätze auf der Grundlage historischer Daten bestimmt und eine Wahrscheinlichkeit für das tägliche Auftreten festgelegt. Die Beträge für die "sonstigen Vorgänge" wurden empirisch angepasst. Wie bereits erwähnt, hängt die Produktivität der Schicht von der Qualifikation und der Müdigkeit der einzelnen Arbeitnehmer ab. Das Niveau der Fachkenntnisse hängt von den Monaten ab, die der Arbeiter im Unternehmen ist: 0 bis 3 Monate gelten als Anfänger mit einer erwarteten Produktivität von 1.500 Kartons; 4 bis 6 Monate als mittleres Niveau mit einer erwarteten Produktivität von 2.200 Kartons; und mehr als 7 Monate gelten als Expertenniveau mit einer erwarteten Produktivität von 2.700 Kartons. Die Variabilität der Mitarbeiterleistung wurde von Fachleuten festgelegt, die die Variabilität auf 200 Kartons festlegten, die mit Hilfe einer PERT-Verteilung modelliert wurde. Zum Beispiel werden Arbeiter mit einer durchschnittlichen Produktivität als PERT(2.000;2.200;2.400) ausgedrückt. Darüber hinaus wurde für jeden Arbeitnehmer ein prozentualer Abschlag auf der Grundlage der Anzahl der aufeinanderfolgenden Nachtschichten, die er geleistet hatte, festgelegt. Je mehr aufeinanderfolgende Nachtschichten gearbeitet wurden, desto höher ist der prozentuale Abschlag auf die Produktivität. Der Abschlag für Müdigkeit wurde mit 10 %, 20 % oder 30 % angesetzt, je nachdem, ob der Arbeitnehmer eine, zwei oder drei aufeinanderfolgende Nächte gearbeitet hat.
Es wurde eine Terminologie erstellt, um das Personal während der Simulationsexperimente zu erfassen. Die Vertragsarten wurden als unbefristet (P), befristet (F) oder als Gelegenheitsarbeit (C) identifiziert. Die Fachkenntnisse des Personals wurden als Expertenniveau (E), mittleres Niveau (M) oder Anfängerniveau (P) eingestuft. Schließlich wurden die Schichten als Morgenschicht (M), Nachmittagsschicht (T) oder Nachtschicht (N) definiert. Nicht durchführbare Kombinationen wurden ausgeschlossen.
Da die Unternehmensvorschriften die Lagerung von Produkten außerhalb des Lagers verbieten, wurde die maximale Auslastung des Lagers zur Bestimmung der Lagerkapazität herangezogen. Dazu war es erforderlich, den Lagerbestand während des Simulationszeitraums mit Hilfe einer Statistik vom Typ Tally CapBodegaTally.Maximum zu überwachen. Dann wird die Kapazität des Distributionszentrums für einen Zeitpunkt t als max C(t) berechnet, wobei C(t) die Kapazität des Lagers zum Zeitpunkt t ist, definiert als C(t) = åni =1 Si(t)=Amax i . Darüber hinaus ist Si(t) der Bestand der Familie i zum Zeitpunkt t, n ist die Gesamtzahl der Familien, und schließlich ist Amax i der maximal zulässige Stapel für Familie i.
Aufbau des Simulationsmodells und Validierung
Das Simulationsmodell wurde unter Verwendung der Simio-Simulationssoftwareplattform erstellt, wobei die von Law (2008) beschriebenen Verfahrensschritte befolgt wurden. Die unterstützenden Daten wurden aus dem SAP-Unternehmensverwaltungssystem des Unternehmens für einen Zeitraum von einem Jahr, von Oktober 2016 bis September 2017, gewonnen. Es werden die täglichen Produktströme modelliert, die von den verschiedenen Lieferanten der Produktionsstätten ausgehen, durch die Lager des Distributionszentrums verlaufen und mit dem Versand der Produkte an die Kunden abgeschlossen werden. Beim Lagerbetrieb bestimmen die ankommenden Lastwagen und die Produktnachfrage die Dynamik der Produktbewegungen. Der Personalbestand und die Lagerkapazität bestimmen im Allgemeinen die Reaktionsfähigkeit und Effizienz bei der Durchführung der erforderlichen Produktbewegungen. Abbildung 4 veranschaulicht den im Modell dargestellten Produktfluss, und Tabelle 2 enthält eine detaillierte Beschreibung der Simulationsobjekte. Das Modell berücksichtigt die täglichen Materialflüsse, die von den Mitarbeitern zu bewältigen sind, wie z. B. Wareneingang, Verpackung und Auslieferung, die alle von Nachfrageschwankungen beeinflusst werden. Daher modellieren wir die Lagerbestände für jede Produktfamilie täglich, um die Lagerauslastung, die Vorbereitungszeit für die Beladung und folglich den Personalbedarf zu berechnen.
Nehmen wir zum Beispiel an, die Schicht j 2 J hat L Arbeiter, und das durchschnittliche Produktivitätsniveau des Arbeiters l ist definiert als NPl ; zusätzlich wird die Leistung des Arbeiters l durch seine akkumulierte Arbeitslast beeinflusst, die als Müdigkeitl bezeichnet wird. Somit ist die Produktivität der Schicht j gegeben durch PROj = åLl =1NPl (1tardinessl). Dann kann die für die Lageroperationen benötigte Tagesstundenzahl T wie folgt berechnet werden: T = åJj =1 minfhj; Qj PROj hjg, wobei Qj die Gesamtnachfrage ist, die während der Schicht j zu liefern ist, und hj die Gesamtzeit in Stunden ist, die für die Lade- und Packvorgänge während der Schicht j zur Verfügung steht. Jede Schicht kann das Minimum zwischen der zulässigen Gesamtzeit und der zulässigen Gesamtzeit liefern, die durch die Gesamtproduktivität der Schicht unter Berücksichtigung der Müdigkeit der Arbeiter angepasst wird.
Abbildung 5 veranschaulicht den Prozess zur Erstellung des Entitätstyps Produkt, der in den Lagerbetrieb eingeht. Der Prozess verwendet eine strukturierte Schleife, in der Entitäten erstellt und Eigenschaften entsprechend der mit dem ankommenden LKW verbundenen Informationen zugewiesen werden. Wenn ein Lkw im Distributionszentrum eintrifft, wird das Produkt entladen und je nach Bedarf dem Kommissionier- oder Reservebereich zugewiesen.
Die Validierung des Simulationsmodells erfolgte durch den Vergleich der wöchentlich simulierten Ergebnisse der Lagerkapazität mit den tatsächlich beobachteten wöchentlichen Ergebnissen, wie in Abbildung 6 dargestellt. Da keine historischen Aufzeichnungen vorlagen, wurde die Produktionszeit auf der Grundlage von Expertenschätzungen validiert. Ein Student's t-Test zum Vergleich der Unterschiede zwischen den beiden ungepaarten Stichprobenmittelwerten ergab keinen statistisch signifikanten Unterschied bei einem Konfidenzniveau von 95 %, wobei gleiche Varianzen angenommen wurden. Die simulierten Ergebnisse für die Ladungsvorbereitungszeiten betrugen im Durchschnitt 15,11 (0,020) Stunden, was darauf hindeutet, dass die Arbeiten im Kommissionierbereich häufig weit über die festgelegten Fertigstellungsziele hinausgingen. Diese Zeitüberschreitungen führen zu einem verzögerten Start der Auslieferungsrouten. Dieses Ergebnis wurde vom Verwaltungspersonal des Unternehmens für das reale System bestätigt. Die Ergebnisse des Validierungsprozesses lassen den Schluss zu, dass das Simulationsmodell den realen Prozess ausreichend abbildet und für die Durchführung von Experimenten verwendet werden kann.
Die geschäftlichen Auswirkungen
Experimente und Ergebnisse
Es wurden Experimente mit einer Reihe von definierten Szenarien durchgeführt, die im Simulationsmodell konfiguriert wurden, um Näherungswerte für die Ladevorbereitungszeit und die maximale Lagerkapazität zu erhalten. Außerdem wurden drei Nachfrageszenarien mit pessimistischen, erwarteten und optimistischen Werten verwendet, um die Produktnachfrage vorherzusagen.
Bei der Entwicklung der Experimente war es notwendig, das Nachfrageverhalten innerhalb des Auswertungszeitraums zu definieren. Zu diesem Zweck wurden die monatlichen historischen Daten von Januar 2014 bis September 2017 analysiert und entsprechend diesem Zeitraum Prognosen für die monatlichen Verkäufe für einen Zeithorizont von einem Jahr erstellt. Das beste Prognosemodell wurde auf der Grundlage der Ergebnisse des Akaike-Informationskriteriums ermittelt. Die Szenarien für die Produktnachfrage wurden wie folgt definiert: Das optimistische Szenario wurde willkürlich auf 5 % über den prognostizierten Verkäufen festgelegt, und das pessimistische Szenario wurde willkürlich auf 5 % unter den prognostizierten Verkäufen festgelegt. Dies ergab eine Bandbreite der Nachfrageschwankungen.
Tabelle 3 enthält eine kurze Beschreibung für jedes der Experimente. Experiment I wird unabhängig analysiert, da es sich speziell mit der Analyse der Lagerkapazität befasst, während alle anderen Experimente die Personalbesetzung betreffen. Tabelle 4 zeigt die im Simulationsmodell für Experiment I verwendeten Inputs. Tabelle 5 schließlich zeigt die Ergebnisse, die für die während des simulierten Zeitraums verwendete maximale Kapazitätsmetrik, einschließlich der entsprechenden Anzahl von Paletten, für jedes der Nachfrageszenarien erzielt wurden. In allen Szenarien ist die erforderliche Höchstkapazität niedriger als die historischen Daten, was sich durch das Vorhandensein eines negativen Trends in der Zeitreihe der Produktnachfrage erklären lässt.
Die Eingabeparameter für jedes der Szenarien in den verbleibenden Experimenten und die entsprechenden Ergebnisse dieser Experimente sind in Tabelle 5 dargestellt, wobei die Standardabweichung in Klammern angegeben ist. Die gewünschte Fertigstellungszeit beträgt nach den Vorgaben des Lagerbetriebsbereichs insgesamt 15 Stunden, was dazu führt, dass die Ladungsvorbereitung bis 9 Uhr abgeschlossen ist, so dass die Frühschicht genügend Zeit hat, um Verzögerungen bei den Verteilungsvorgängen zu vermeiden und die Reinigung des Lagers abzuschließen. Im Allgemeinen zeigen die Ergebnisse, dass eine Investition in die Personalausstattung das Gesamtproduktivitätsniveau steigert und folglich die Ladungsvorbereitungszeit sinkt.
In Versuch V werden die in allen vorangegangenen Versuchen gefundenen Szenarien zusammengefasst, bei denen die durchschnittliche Ladungsvorbereitungszeit über dem Zielwert von 15 Stunden lag. Die Analyse besteht darin, das Produktivitätsniveau auf 300 Kartons pro Arbeiter zu erhöhen, was durch Schulungen, Produktionsboni oder Änderungen der Arbeitsabläufe erreicht werden kann. Diese Änderungen werden bewertet, um festzustellen, ob die Ladungen mit einer Dauer von weniger als 15 Stunden fertiggestellt werden können.
Die Ergebnisse der Experimente II-V sind in Abbildung 7 visuell zusammengefasst. Die Abbildung veranschaulicht die Auswirkungen auf die durchschnittliche Ladungsvorbereitungszeit in Stunden, die sich aus den jährlichen Nettoinvestitionskosten für die Personalausstattung ergeben, die auch die Schulung der Mitarbeiter umfasst. Die derzeitige Situation wird in der Abbildung durch einen schwarzen Kreis dargestellt, der sich auf die vertikale gestrichelte Linie (rot) für die Höhe der jährlichen Ausgaben für das Personal bezieht, und die horizontale gestrichelte Linie (blau) kennzeichnet die Zielzeit für die Ladevorbereitung, die auf 15 Stunden festgelegt wurde. In der Abbildung sind auch farbige Kreise dargestellt, die die Experimente repräsentieren, wobei Experiment II in grün, Experiment III in rot, Experiment IV in blau und schließlich Experiment V in grau gekennzeichnet ist. Zusätzlich zeigt Abbildung 8 die Sensitivität des Trainingsparameters in Szenarien, in denen die Ladevorbereitungszeit nicht erreicht wurde; die Arbeiter wurden einer zusätzlichen Schulung unterzogen, um ihre Produktivität um 300 Kisten zu erhöhen. Abbildung 8 veranschaulicht die Auswirkungen, die Ausbildung und Zahlungsbereitschaft auf die Gesamtvorbereitungszeit haben werden. Die vertikale Differenz zwischen den Kreismarkierungen zeigt die erwartete Leistungsverbesserung im Laufe der Zeit an, wenn neue Arbeiter Erfahrung sammeln und sich von 0 auf das Ziel von 300 Kisten vorarbeiten.
Abbildung 7 zeigt, dass alle Entscheidungen, die auf der Aufstockung von Arbeitskräften mit kostengünstigen Verträgen ohne Aufstockung des Personalbestands beruhen (Experiment II in rot), geringere Kosten verursachen als die derzeitige Situation. Allerdings liegen alle Szenarien oberhalb der blau gestrichelten Linie, was bedeutet, dass sie das Ziel der Ladungsvorbereitungszeit nicht erreichen. Andererseits führen die Szenarien, in denen die Zahl der "Vollzeitbeschäftigten mit unbefristetem Arbeitsvertrag" erhöht wird, ohne dass der Personalbestand aufgestockt wird (Experiment III in grün), zu einer Verbesserung der Produktivität, aber nur die Szenarien 4 und 5 haben eine Vorbereitungszeit von weniger als 15 Stunden, obwohl sie den höchsten in dieser Studie betrachteten Investitionsniveaus entsprechen.
Hinsichtlich der Entscheidungen über die Einstellung und Entlassung von Arbeitnehmern ist festzustellen, dass eine Verringerung des Personalbestands zu ähnlichen Ergebnissen führt wie die Aufstockung von Arbeitnehmern mit einem kostengünstigen Vertrag (Experiment IV in blau). Eine Aufstockung des Personalbestands führt jedoch zu den besten Ergebnissen, da die Ladevorbereitungszeit bei den geringsten Kosten aller Szenarien erreicht wird. Diese Szenarien liegen zwar rechts von der gestrichelten roten Linie, bedeuten aber einen Anstieg der Kosten.
Die Szenarien der Produktivitätssteigerung durch Ausbildung und/oder Produktionsanreize schließlich zeigen das beste Ergebnis, da die Ladungsvorbereitungszeit bei akzeptablen Jahreskosten erreicht wird. Je nach der Methode, mit der eine Produktivitätssteigerung von 300 Kisten erreicht werden soll, sind damit Kosten verbunden, die zu einer Verschiebung der grauen Kreise nach rechts führen. Szenario 5 des Schulungsexperiments (grauer Kreis mit einem geringeren Investitionsniveau und nahe an der Zielvorgabe für die Vorbereitungszeit) hat beispielsweise den größten Spielraum (18.058 USD), um in ein Programm zur Produktivitätssteigerung zu investieren, damit die derzeit ausgegebenen jährlichen Kosten nicht überschritten werden. Eine solche Verschiebung würde dieses Szenario in die Nähe des Schnittpunkts der beiden gestrichelten Linien rücken, wodurch bei gleichen Kosten eine höhere Produktivität als in der derzeitigen Situation erreicht würde. Es ist zu berücksichtigen, dass diese Ergebnisse auf einem Szenario mit erwarteter Nachfrage beruhen. So würde Szenario 5 im Falle einer höheren erwarteten Nachfrage die Produktionsstandards nicht erfüllen, da das Ziel der Vorbereitungszeit (blaue gestrichelte Linie) nicht erreicht wird. Szenarien mit Produktivitätsprogrammen, die sowohl die Entlassung von "Gelegenheitsarbeitern" als auch die Aufstockung von Kurzzeitverträgen berücksichtigen (Szenarien 4, 6 und 7 von Experiment V), verfügen daher über eine größere Belastbarkeit, um Nachfrageschwankungen aufzufangen, und generieren wiederum einen Überschuss für Investitionen in die Produktivität.
Was die Lagerkapazität betrifft, so weisen Tompkins et al. (2010) darauf hin, dass ein Lager, das zu 80 % ausgelastet ist, ein Zeichen dafür ist, dass ein Bedarf an mehr Platz besteht. Die Ergebnisse zeigen, dass die maximale Kapazität, die von den Produkten genutzt wird, für das erwartete Nachfrageszenario im Durchschnitt 2.171,7 Paletten mit einer Auslastung von 84,27 % erreicht. Bei einer optimistischen Nachfrage erreicht die Auslastung 84,92 % und bei einem pessimistischen Szenario 82,47 %. Diese Ergebnisse zeigen, dass das Lager an Grenzen stößt, an denen es mehr Platz benötigt, da die Auslastung 80 % überschreitet. Die Lagerkapazität sollte 2;224:7=0:8 = 2;714:63 2;715 Paletten betragen. Da nur 2.577 Palettenplätze zur Verfügung stehen, ist eine Erhöhung der Lagerkapazität um 138 Paletten erforderlich. Während die geschätzten Ergebnisse der Lagerkapazität 90 % der Nutzung nicht überschreiten, muss das Distributionszentrum derzeit gelegentlich Produkte außerhalb des Lagers lagern. Dies lässt sich durch den Kapazitätsverlust aufgrund der großen Variabilität des Lagers erklären. Wenn z. B. einer bestimmten Artikelgruppe eine Kapazität von 10 Paletten zugewiesen wurde, aber nur 7 Paletten auf Lager sind, ergibt sich ein Kapazitätsverlust von 107 = 3 Paletten in Bezug auf die freie Kapazität. Um ein genaueres Ergebnis zu erhalten, muss daher das Konzept der Produktzuweisungen einbezogen werden, um die durch diese Art von Beschränkungen verursachte Variabilität zu erfassen.
Schlussfolgerungen
In dieser Studie wurde eine quantitative Analyse durchgeführt, um die Unternehmensleitung bei der Festlegung der Strategie und des Investitionsniveaus zu beraten, die erforderlich sind, um die festgelegten Produktivitätsstandards für den Lagerbetrieb zu erreichen. Im Mittelpunkt dieser Studie stand die Schaffung eines Rahmens, der die Komplexität eines Ankunftsprozesses berücksichtigt, bei dem eingehende Produkte von mehreren weit entfernten Produktionsstätten mit Lastwagen verschiedener Größe, mit unterschiedlichen Produktmischungen und unterschiedlichen Produktanteilen empfangen werden. Um diese Komplexität zu reduzieren, wurden Produktfamiliengruppierungen geschaffen, um eine große Anzahl von Produkten zu repräsentieren, die durch den Lagerbetrieb fließen. Außerdem wurden drei gemeinsame Dichten auf der Grundlage der Familiengruppierungen erstellt, um die ankommende Lkw-Kapazität, den Produktmix und den Kapazitätsmix effizient zu berücksichtigen. Diese Abstraktionen verbesserten die Gesamtrechenleistung der Simulation. Darüber hinaus war der Rahmenentwurf von Vorteil, da er die Verfahren unterstützte, die beschrieben wurden, um den entdeckten Mangel an Poissoness im Ankunftsprozess zu beheben. Das resultierende Simulationsmodell wurde zur Durchführung einer Reihe von Experimenten auf der Grundlage genau definierter Szenarien verwendet, um die Auswirkungen der Lagerkapazität der Anlage und der Personalbesetzungsstrategien auf Produktivität und Kosten zu bewerten.
Die Lagerkapazität der Anlage wurde anhand einer Prognose für die Produktnachfrage untersucht, die auf pessimistischer, erwarteter und optimistischer Ebene angegeben wurde, sowie anhand eines Verfahrens zur Planung der Lagerkapazität. Die Ergebnisse der Analyse sprechen für eine Erweiterung der verfügbaren Lagerkapazität von derzeit 2.577 Palettenstellplätzen auf 2.715 Palettenstellplätze. Bei diesem Kapazitätsniveau liegt die maximale Auslastung des Lagers für das prognostizierte Szenario der erwarteten Produktnachfrage bei etwa 80 % und erfüllt damit die Richtlinien des Verfahrens. Auch wenn dies den Rahmen dieser Studie sprengen würde, sollten künftige Arbeiten unter Verwendung des Simulationsmodells durchgeführt werden, um den Platzverlust bei der Lagerkapazität aufgrund von Zuweisungsvariabilität genau zu untersuchen.
Mit Hilfe des Simulationsmodells wurden in einer Reihe von Experimenten Strategien für die Personalbesetzung untersucht. Im Allgemeinen zeigen die Ergebnisse, dass die Entlassung eines Mitarbeiters, unabhängig von der Art des Arbeitsvertrags, zu jährlichen Einsparungen von bis zu 27.917 USD führt; allerdings verschlechtert diese Entscheidung die Ladevorbereitungszeiten mit Überschreitungen von über 2,5 Stunden. Es wurde festgestellt, dass Szenarien, die den 15-Stunden-Standard für die Ladungsvorbereitung erreichen, die jährlichen Kosten um mindestens 6 % erhöhen. Wenn darüber hinaus Änderungen in der Art der Arbeitsverträge zugelassen werden, wie z. B. der Übergang von "befristeten Arbeitsverhältnissen" oder "Gelegenheitsarbeit" zu "unbefristeten Vollzeitarbeitsverhältnissen", sinkt die Personalfluktuation, und die Ladevorbereitungszeiten erfüllen den festgelegten Standard, wenn auch zu höheren Kosten (22.809 USD). Schließlich hat eine verbesserte Ausbildung ein günstiges Ergebnis, wenn die Vorbereitungszeiten für die Ladung die vorgegebene Norm erfüllen und ein Überschuss von bis zu 18.058 USD erzielt wird.
Die Zahlungsbereitschaft des Unternehmens bzw. die Bereitschaft, Investitionen in die Personalausstattung zu tätigen, ist ein entscheidender Faktor bei der Analyse. Wenn die Zahlungsbereitschaft des Unternehmens minimal oder gleich Null ist, besteht die beste Maßnahme des Unternehmens darin, Arbeitnehmer mit befristeten Arbeitsverträgen vor der Verlängerung zu entlassen und die Einsparungen in ein Schulungsprogramm zu investieren, das die Produktivität der Arbeitnehmer erhöht, sofern die Investition 10.120 USD pro Jahr nicht übersteigt. Infolgedessen wird eine hohe Personalfluktuation auftreten, und es wird eine ständige Schulung der Arbeitnehmer erforderlich sein, um die Produktivität der Arbeitnehmer zu verbessern und die Norm für die Ladevorbereitungszeit zu erreichen.
Wenn das Unternehmen hingegen bereit ist, für die Personalausstattung zu zahlen, wird eine der drei Alternativen empfohlen: (1) Einstellung eines zusätzlichen Mitarbeiters im Rahmen eines "Gelegenheitsarbeitsvertrags" zu jährlichen Kosten von bis zu 8.862 USD, wodurch die durchschnittliche Ladungsvorbereitungszeit auf 14 reduziert wird.586 Stunden; (2) Entwicklung eines Schulungsprogramms zur Verbesserung der Produktivität mit einem jährlichen Investitionshöchstbetrag von 8.862 USD, wodurch die durchschnittliche Ladungsvorbereitungszeit auf 14,135 Stunden gesenkt wird; oder (3) Ermöglichung der Änderung der Vertragsart von "befristeter Beschäftigung" zu "unbefristeter Vollzeitbeschäftigung" in Kombination mit Alternative 2 mit einem jährlichen Investitionshöchstbetrag von 5.415 USD, wodurch die durchschnittliche Ladungsvorbereitungszeit auf 13,944 Stunden gesenkt wird. Infolgedessen wird die Produktivität des Lagers durch die Bereitschaft, für Personal und Ausbildung zu zahlen, erheblich verbessert.
Biografien der Autoren
RODRIGO DE LA FUENTE ist Assistenzprofessor in der Abteilung für Wirtschaftsingenieurwesen an der Universität Concepci'on (Chile). Er hat einen Doktortitel in Wirtschaftsingenieurwesen und Systemtechnik von der North Carolina State University. Seine E-Mail Adresse lautetrodelafuente@udec.cl.
JUAN GATICA hat einen Bachelor-Abschluss in Wirtschaftsingenieurwesen von der Universidad de Concepci'on, Chile. Seine E-Mail-Adresse lautetjuagatica@udec.cl.
RAYMOND L. SMITH III ist Assistenzprofessor in der Abteilung für Ingenieurwesen an der East Carolina University in Greenville, North Carolina. Er hat einen Doktortitel in Industrie- und Systemtechnik von der North Carolina State University. Seine E-Mail Adresse lautetsmithraym17@ecu.edu.
Referenzen
De Koster, R., T. Le-Duc, und K. J. Roodbergen. 2007. "Entwurf und Steuerung der Kommissionierung im Lager: A Literature Review". European Journal of Operational Research 182(2):481-501.
Frazelle, E. 2001. World-Class Warehousing and Material Handling. New York, New York: McGraw-Hill Education.
Gerhardt, I. und B. L. Nelson. 2009. "Transforming Renewal Processes for Simulation of Nonstationary Arrival Processes". INFORMS Journal on Computing 21(4):630-640.
Ghiani, G., G. Laporte, und R. Musmanno. 2004. Einführung in die Planung und Steuerung von Logistiksystemen. Chichester, West Sussex: John Wiley & Sons.
He, B., Y. Liu, andW. Whitt. 2016. "Staffing a Service System with Non-Poisson Non-Stationary Arrivals". Probability in the Engineering and Informational Sciences 30(4):593-621.
Karakis, I., M. Baskak, and M. Tanyas¸. 2015. "Analytical Model for Optimum Warehouse Dimensions". Research in Logistics & Production 5(3):255-269.
Law, A. M. 2008. "How to Build Valid and Credible Simulation Models". In Proceedings of the 2008 Winter Simulation Conference, herausgegeben von M. Rossetti, R. R. Hill, B. Johansson, A. Dunkin, und R. G. Ingalls, 39-47. Piscataway, New Jersey: IEEE.
Liong, C. und C. Loo. 2009. "A Simulation Study of Warehouse Loading and Unloading Systems Using Arena". Zeitschrift für Qualitätsmessung und -analyse 5(2):45-56.
Nelson, B. 2013. Grundlagen und Methoden der stochastischen Simulation: A First Course. New York, New York: Springer Science & Business Media.
Tompkins, J., J. White, Y. Bozerm, und J. M. Tanchoco. 2010. Facilities Planning. Hoboken, New Jersey: John Wiley & Sons.