Optimierung des Last-Mile-Liefernetzwerks eines führenden Getränkeherstellers: Wie ein Supply-Chain-Beratungsunternehmen mit Simio einen Mehrwert von 66 Millionen Dollar erzielte

Die Herausforderung

Einführung

In der heutigen wettbewerbsorientierten Getränkeindustrie sind effiziente Vertriebsnetze entscheidend für die Aufrechterhaltung von Rentabilität und hervorragendem Service. Als ein großer Getränkeabfüller feststellte, dass die Liefervorgänge etwa 70 % seiner Gesamtkosten in der Lieferkette ausmachten, erkannte er ein erhebliches Optimierungspotenzial. Der Abfüller wandte sich an ein führendes Beratungsunternehmen für eine durchgängige Lieferkette, um diese Herausforderung mit Hilfe innovativer Simulationstechniken zu meistern.

Der Abfüller betrieb ein umfangreiches Netzwerk mit 18 Distributionszentren und mehreren Cross-Stock-Einrichtungen, die täglich fast 20.000 aktive Kunden bedienen. Obwohl das Unternehmen die Auftragsabwicklung in seinen Distributionszentren durch Automatisierung und optimierte Prozesse erfolgreich verbessert hatte, stellte die Auslieferung nach wie vor ein erhebliches Kostenproblem dar. Darüber hinaus verzeichnete der Abfüller aufgrund von Expansions- und zusätzlichen Merchandising-Plänen ein ungleichmäßiges Wachstum in den verschiedenen Märkten, was das Optimierungsproblem weiter erschwerte.

In dieser Fallstudie wird untersucht, wie die Supply-Chain-Beratung die Simio-Simulationssoftware nutzte, um ein dynamisches Routing-Tool zu entwickeln, das das Liefernetzwerk des Abfüllers auf der letzten Meile optimierte. Dies führte zu jährlichen Betriebskostensenkungen in Höhe von 12,8 Millionen US-Dollar und einem Kapitalwert von 66 Millionen US-Dollar über einen Zeitraum von zehn Jahren.

Hintergrund des Unternehmens: Die Supply-Chain-Beratung

The Supply Chain Consultancy ist ein Beratungsunternehmen für die gesamte Lieferkette, das als Erweiterung der Teams seiner Kunden fungiert. Mit mehr als 250 Fachleuten, die über Erfahrungen in den verschiedensten Branchen verfügen - von der Lebensmittelindustrie und dem Einzelhandel bis hin zur Fertigung und dem Bauwesen - bringt das Beratungsunternehmen in jedes Projekt eine ganzheitliche Sicht auf die Lieferkettenabläufe ein.

Das Unternehmen definiert End-to-End-Supply-Chain-Beratung als die Abdeckung des gesamten Spektrums an Abläufen: von der Beschaffung über die Fertigung bis hin zu Lagerhaltung und Logistik, einschließlich der gesamten zugehörigen Infrastruktur. Einfacher ausgedrückt: Das Unternehmen hilft Unternehmen bei der Optimierung von Einkauf, Produktion und Lagerung sowie bei der Beförderung von Waren.

Das Beratungsunternehmen wurde in Australien gegründet und hat inzwischen mit Niederlassungen in Neuseeland, Asien, dem Vereinigten Königreich und Nordamerika weltweit expandiert. Das Motto des Unternehmens, "Invent tomorrow. Heute." spiegelt ihr Engagement für Innovation und greifbare Ergebnisse wider. Das Unternehmen kombiniert Branchenkenntnisse mit fortschrittlichen Technologien wie Simulationssoftware, um Lösungen zu testen und sicherzustellen, dass sie messbare Vorteile bringen.

Innerhalb ihres Dienstleistungsportfolios erweitert die Simulationskompetenz des Beratungsunternehmens ihr Angebot für die Lieferkette, indem sie komplexe Herausforderungen angeht, die mit herkömmlichen Methoden nicht effektiv gelöst werden können. Das Simulations-Know-how des Unternehmens umfasst die Optimierung von Netzwerken, die Bewertung der Automatisierung, die Verbesserung der letzten Meile, die Effizienz von Distributionszentren, die Bestandsverwaltung und die Optimierung der Produktion.

Die Lösung

Die Herausforderung: Optimierung eines komplexen Liefernetzwerks

Der Getränkeabfüller wandte sich mit einer bedeutenden geschäftlichen Herausforderung an die Supply-Chain-Beratung: Seine Lieferkosten machten etwa 70 % seiner gesamten Supply-Chain-Kosten aus. Daraus ergab sich ein beträchtliches Optimierungspotenzial, doch mehrere Faktoren machten dieses Vorhaben zu einem komplexen Unterfangen:

• Größe und Komplexität des Netzwerks: Der Abfüller betrieb 18 Vertriebszentren und zahlreiche Cross-Stock-Einrichtungen, die täglich fast 20.000 aktive Kunden bedienen. Bei Cross-Stock-Einrichtungen handelt es sich um Standorte, an denen Produkte durch ein Ende ein- und durch das andere ausfließen, ohne gelagert zu werden, wodurch das Netzwerk noch komplexer wird.
• Ungleichmäßige Wachstumsmuster: Der Abfüller verzeichnete aufgrund von Expansions- und zusätzlichen Merchandising-Plänen ein ungleichmäßiges Wachstum in den verschiedenen Märkten. Dies bedeutete, dass das Volumen im gesamten Netzwerk nicht gleichmäßig anstieg, was zu Ungleichgewichten führte, die behoben werden mussten.
• Geografische Diversität: Das Netz umfasste sowohl regionale Gebiete mit längeren Fahrstrecken aufgrund weniger dichter Routen als auch Metrozonen mit unterschiedlichen Streckenprofilen und Einschränkungen. Diese Vielfalt erforderte einen mehrstufigen Ansatz zur Optimierung.
• Nutzung der Automatisierung: Der Abfüller hatte bereits in die Automatisierung und Rationalisierung der Prozesse zur Auftragsabwicklung in seinen Vertriebszentren investiert. Die bestehende Kunden-DC-Zuordnung war jedoch nicht darauf optimiert, das Volumen durch diese automatisierten Einrichtungen zu leiten, was die Rentabilität dieser Investitionen einschränkte.
• Multi-Meilen-Transport: Das Projekt musste sowohl die mittlere Meile (zwischen den Distributionszentren) als auch die letzte Meile (zu den Endkunden) berücksichtigen, was die Herausforderung der Routenplanung um eine weitere Dimension erweiterte.

Herkömmliche Ansätze für die Transportmodellierung haben oft Schwierigkeiten mit dieser Komplexität, da es zahlreiche Einschränkungen gibt, wie z. B. Lieferfenster, Reisegeschwindigkeiten, Verkehrsmuster und Anlagenkapazitäten. Darüber hinaus wird der Optimierungsprozess durch die Frage des Direkttransports oder des Transports mit mehreren Stopps weiter erschwert.

Der Abfüller benötigte eine Lösung, die ein optimales Gleichgewicht zwischen Vorlaufzeit, Fixkosten und variablen Kosten herstellt, indem sie verschiedene Netzwerkkonfigurationen unter Beibehaltung des Serviceniveaus bewertet.

Lösungsansatz: Dynamische Simulationsmodellierung

Die Supply-Chain-Beratung ging an diese Herausforderung heran, indem sie ein umfassendes Simulationsmodell mit der Software Simio entwickelte. Das Projekt folgte einem strukturierten 12-wöchigen Ansatz, der in drei Hauptphasen unterteilt war:

Phase 1: Strategische Überprüfung (5 Wochen)

Die erste Phase konzentrierte sich auf das Verständnis des aktuellen Liefernetzwerks des Abfüllers durch Datenerfassung und Analyse von Geschäftsregeln wie Betriebsprofilen, Routing-Logik, Bestandsrichtlinien und anderen Beschränkungen. Anhand dieser Informationen wurde ein Basismodell erstellt, das das derzeitige System darstellte.

Das Basismodell diente zwei wichtigen Zwecken:

• Verifizierung: Sicherstellen, dass das Modell wie erwartet funktioniert
• Validierung: Bestätigung, dass das Modell die Leistung des Netzes korrekt wiedergibt

Dieser Schritt war entscheidend, um das Vertrauen der Beteiligten zu gewinnen und die Zustimmung des Kunden sicherzustellen. Sobald das Basismodell validiert und genehmigt war, konnte das Team mit der Gewissheit fortfahren, dass alle vorgeschlagenen Verbesserungen auf einer genauen Darstellung des aktuellen Zustands beruhen würden.

Phase 2: Optimierung des zukünftigen Zustands (5 Wochen)

Die zweite Phase konzentrierte sich auf die Entwicklung einer optimierten Route und DC-Konfiguration für den zukünftigen Zustand. Die Simulationsingenieure des Beratungsunternehmens entwickelten einen dynamischen Routing-Algorithmus innerhalb von Simio, der auf der Grundlage aktiver Standorte automatisch festlegte, welche Routen welchen Distributionszentren zugewiesen werden sollten.

Dieser Algorithmus wurde so konzipiert, dass er die Komplexität von Transportrouten mit mehreren Stopps bewältigt und dabei alle notwendigen Einschränkungen berücksichtigt. Die dynamische Natur des Modells stellte einen erheblichen Mehrwert dar, da es verschiedene Datensätze aufnehmen und zeigen konnte, wie das Netzwerk reagieren würde - eine Fähigkeit, die weit über das hinausgeht, was mit statischen Tabellenkalkulationsmodellen erreicht werden kann.

Phase 3: Nutzwertanalyse (2 Wochen)

Die letzte Phase konzentrierte sich auf die Quantifizierung der betrieblichen, finanziellen und strategischen Vorteile, die der Abfüller erzielen würde. Das Team skizzierte optimale Routen für jedes Szenario, lieferte ein klares Verständnis der erforderlichen Investitionen, entwickelte einen umfassenden Business Case und gab strategische Empfehlungen für die Umsetzung.

Einzelheiten der Implementierung: Der dynamische Routing-Algorithmus

Das Herzstück der Lösung des Beratungsunternehmens war eine ausgeklügelte dynamische Logik für die Zuweisung von Fahrzeugen, die von den Simulationsingenieuren entwickelt wurde. Dieser Algorithmus ermittelte anhand der aktiven Standorte automatisch, welche Routen welchen Verteilzentren zugewiesen werden sollten. Der Prozess erfolgte in vier Hauptschritten:

Schritt 1: Kunden-DC-Zuweisung

Das Modell ermittelte zunächst, welchem Vertriebszentrum jeder Kunde zugewiesen werden sollte:

• Jeder aktive Kunde wurde dem nächstgelegenen Distributionszentrum zugewiesen.
• Kunden mit eingeschränkten DC-Optionen (z. B. solche am Rande des Netzes) wurden priorisiert
• Kunden mit festen Zuweisungen (z. B. auf Inseln) wurden an ihr zugewiesenes DC gebunden.

Schritt 2: Kapazitätsüberprüfung

Der Algorithmus prüfte dann, ob jedes Verteilzentrum das ihm zugewiesene Volumen bewältigen konnte:

• Das Modell berechnete, wie viele Paletten von jedem Distributionszentrum versandt werden mussten.
• Wenn das Volumen die Kapazität eines Verteilzentrums überstieg, wurden die Kunden neu zugewiesen, um sicherzustellen, dass kein Verteilzentrum überlastet war.
• Kunden, die näher an Cross-Stock-Einrichtungen liegen, wurden gegebenenfalls dorthin umgeleitet.

Dieser Prozess wurde durch mehrere Regeln für die Zuweisung von Verteilzentren gesteuert:

• Bei neuen Anlagen wurde davon ausgegangen, dass sie unendlich viel Kapazität haben, da sie in der erforderlichen Größe gebaut werden konnten.
• Automatisierte Anlagen wurden nach Priorität geordnet, um die Auslastung dieser Investitionen zu maximieren.
• Die DC-Kapazität basierte auf den aktuellen Profilen und Betriebsstunden

Schritt 3: Routenerstellung

Der Algorithmus erstellte für jedes Verteilzentrum Lieferrouten:

• Aufträge, die groß genug sind, um einen ganzen LKW zu füllen, wurden Single-Stop-Routen zugewiesen.
• Für die verbleibenden Kunden wurden Multistopp-Routen erstellt, beginnend mit denen, die dem Verteilerzentrum am nächsten liegen.
• Das Modell stellte sicher, dass alle Kunden, die einem Distributionszentrum zugeordnet waren, in die Routen einbezogen wurden.

Schritt 4: Optimierung der Routen

Der Algorithmus ermittelte die optimale Reihenfolge der Kundenbesuche:

• Für jede Route ermittelte das Modell den nächstgelegenen Kunden
• Die Fahrzeiten wurden mit Hilfe von API-Daten berechnet, die das Verkehrsverhalten berücksichtigen.
• Der Algorithmus stellte sicher, dass die Gesamtfahrzeit die gesetzlichen Grenzwerte für Fahrer nicht überschreitet.
• Das Modell stellte sicher, dass alle Bestellungen auf den Lkw passten.

Zusätzliche Routing-Regeln beinhalteten:

• Teilpaletten wurden zur Platzberechnung auf volle Paletten aufgerundet
• Die Anzahl der Routen, die ein Distributionszentrum fahren konnte, war durch seine Fahrzeugkapazität begrenzt.
• Verkehrsmuster wurden berücksichtigt, um die realen Bedingungen widerzuspiegeln.

Anstatt eine mathematische Optimierung anzustreben, die sehr rechenintensiv wäre, akzeptierte der Algorithmus Routen innerhalb einer akzeptablen Toleranz. Dieser Ansatz lieferte realistische und umsetzbare Transportpläne, auf die sich die Kunden verlassen konnten.

Das Modell berücksichtigte reale Einschränkungen wie die Ermüdungsgrenze der Fahrer, die Fahrzeugkapazität, die Betriebszeiten der Anlagen und die Verkehrsmuster. Durch die Integration dieser Faktoren schuf die Simulation eine realistische Darstellung des Netzes, die zur Bewertung verschiedener Szenarien verwendet werden konnte.

Die Auswirkungen auf das Geschäft

Ergebnisse und geschäftliche Auswirkungen

Die Supply-Chain-Beratung führte 12 verschiedene Szenarien durch, um die optimale Netzwerkkonfiguration für den Getränkeabfüller zu ermitteln. Jedes Szenario wurde auf der Grundlage der Fixkosten und der variablen Kosten sowohl für die Verteilzentren als auch für die Lieferungen bewertet, wobei die Gesamtbetriebskosten mit den vorherigen Konfigurationen verglichen wurden.

Die Simulationsergebnisse zeigten, dass durch eine strategische Neukonfiguration des Netzwerks, eine bessere Nutzung der Automatisierung und eine Konsolidierung der Abläufe erhebliche Einsparungen erzielt werden können. Im Einzelnen ergab die Analyse, dass der Abfüller folgende Einsparungen erzielen könnte

• 12,8 Millionen Dollar an jährlichen Betriebskostensenkungen
• 66 Millionen Dollar Kapitalwert (NPV) über zehn Jahre

Auf der Grundlage der Analyse empfahl das Beratungsunternehmen vier Schlüsselszenarien für die Umsetzung:

Szenario: Dynamisches tägliches Routing

Bei diesem Szenario wurden die gleichen Kunden-DC- und lagerübergreifenden Standorte beibehalten, jedoch wurde eine dynamische tägliche Routenplanung eingesetzt, um effizientere Routen zu generieren. Dieser Ansatz ermöglichte unmittelbare Effizienzgewinne, ohne dass strukturelle Änderungen am Netzwerk erforderlich waren.

Szenario: Konsolidierung der Einrichtungen

Dieses Szenario untersuchte die Vorteile einer Konsolidierung der Abläufe zwischen zwei Standorten (in der Präsentation anonymisiert als "Stratford" und "Goodwill"). Durch die Abschaffung des Transfers zwischen den Standorten und die Reduzierung der doppelten Handhabung von Produkten wurden die Prozesse rationalisiert und die Kosten gesenkt.

Szenario: Strategische Anlagenbewertung

In diesem Szenario wurde untersucht, ob die potenziellen Fixkosteneinsparungen aufgrund von Standortänderungen die längeren Transportwege und die daraus resultierenden Lieferkosten aufwiegen würden. Obwohl dieses Szenario finanzielle Vorteile brachte, stellte das Team fest, dass der Kompromiss zwischen Flexibilität und Kapazität sorgfältig abgewogen werden muss.

Szenario: Cross-Stock-Umwandlung

In diesem Szenario wurde vorgeschlagen, ein komplettes Vertriebszentrum (anonymisiert als "Spearman") in einen Cross-Stock-Standort umzuwandeln. Durch diese Änderung würde die Kundenfreundlichkeit erhalten bleiben, während die Auftragsabwicklung an eine automatisierte Einrichtung (anonymisiert als "Goodwill") verlagert würde. Der unmittelbare finanzielle Nutzen war zwar bescheiden, sollte aber im Laufe der Zeit wachsen, wenn die Vorteile der Automatisierung zunehmen.

Das Simulationsmodell lieferte wertvolle Erkenntnisse, da es ein schnelles Testen verschiedener Szenarien ermöglichte und veranschaulichte, wie das Netzwerk auf Änderungen reagieren würde. Dieser Ansatz ermöglichte es dem Team, die minimalen Netzwerkkosten unter Beibehaltung des Serviceniveaus zu ermitteln, selbst wenn die Schließung von Einrichtungen in Betracht gezogen wurde, falls die Einsparungen die zusätzlichen Lieferkosten überwogen.

Vorteile der Simulation gegenüber der traditionellen Optimierung

Während des gesamten Projekts stellte das Supply-Chain-Beratungsunternehmen fest, dass die Simulation gegenüber herkömmlichen Optimierungsansätzen mehrere entscheidende Vorteile bietet:

Widerstandsfähigkeit der Lösung

Mit der Simulation konnte das Team testen, wie das Modell unter verschiedenen Bedingungen und Unsicherheiten funktionieren würde. Angesichts der unvorhersehbaren Natur des heutigen Geschäftsumfelds - das von Faktoren wie Pandemien, Handelskriegen und dem Klimawandel beeinflusst wird - war dieses Testen der Belastbarkeit entscheidend für die Entwicklung einer robusten Lösung.

Transparenz

Im Gegensatz zur "Black Box" vieler Optimierungstools bot die Simulation volle Transparenz in die Abläufe des Modells. Diese Transparenz schuf Vertrauen bei den Beteiligten und ermöglichte es dem Team, genau zu erkennen, wie und wo Verbesserungen erzielt wurden.

Sicheres Experimentieren

Die Simulation schuf eine sichere Umgebung, in der verschiedene Ideen und Hypothesen getestet werden konnten, ohne dass es zu einer Unterbrechung des tatsächlichen Betriebs kam. Diese "Kristallkugel"-Funktion ermöglichte es dem Kunden, verschiedene Szenarien zu erforschen und ihre möglichen Auswirkungen zu sehen, bevor er Änderungen an seinem Netzwerk vornahm.

Dynamische Eingaben

Während Optimierungssoftware in der Regel am besten mit statischen Eingaben und Beschränkungen arbeitet, konnte die Simulation die dynamische Natur des realen Betriebs bewältigen. Das Modell berücksichtigte wechselnde Faktoren wie Verkehrsmuster, Verfügbarkeit von Arbeitskräften und Fahrzeugkapazitäten, um realistischere Szenarien zu erstellen.

Visuelles Verstehen

Die visuelle Natur von Simulationsmodellen machte komplexe Konzepte für Beteiligte, die keine Supply-Chain-Experten sind, leichter zugänglich. Diese visuelle Darstellung trug dazu bei, Vertrauen in das Modell zu schaffen, und erleichterte die Kommunikation der Ergebnisse.

Management von Datenlücken

Viele Unternehmen haben Lücken in ihren Daten, die durch Annahmen gefüllt werden müssen. Die Simulation ermöglichte es dem Team, diese Annahmen zu testen und ihre Auswirkungen auf die Ergebnisse zu verstehen, wodurch das Vertrauen in die Ergebnisse des Modells gestärkt wurde.

Schlussfolgerung und künftige Ausrichtung

Das Projekt des Supply-Chain-Beratungsunternehmens für den Getränkeabfüller demonstriert die Leistungsfähigkeit der Simulation bei der Optimierung komplexer Liefernetzwerke auf der letzten Meile. Durch die Entwicklung eines dynamischen Routing-Algorithmus in Simio war das Team in der Lage, verschiedene Netzwerkkonfigurationen zu modellieren und Möglichkeiten für signifikante Kosteneinsparungen bei gleichbleibendem Servicelevel zu identifizieren.

Auf der Grundlage der Simulationsergebnisse gab das Beratungsunternehmen unter anderem folgende strategische Empfehlungen:

• Konsolidierung von zwei Einrichtungen zur Rationalisierung des Betriebs
• Umwandlung von zwei Vertriebszentren in Cross-Stock-Standorte
• Optimierung der Automatisierungsprozesse in einer wichtigen Anlage
• Neubewertung des Geschäftsliefermodells

Das Projekt verdeutlicht, wie die Simulationstechnologie in komplexen Vertriebsnetzen ein effektives Gleichgewicht zwischen Serviceniveau und Kosteneffizienz herstellen kann. Der dynamische Charakter des Modells ermöglichte eine schnelle Prüfung von Szenarien und lieferte Erkenntnisse, die mit herkömmlichen Optimierungsmethoden nur schwer oder gar nicht zu gewinnen gewesen wären.

Für die Zukunft arbeitet das Beratungsunternehmen an der Entwicklung einer Geschäftsschnittstelle, die den Kunden einen ständigen Zugang zu diesem virtuellen Asset ermöglicht. Diese Schnittstelle würde es ihnen ermöglichen, jederzeit neue Daten durch das Modell laufen zu lassen und so im Grunde eine "zweite Meinung" zu den Routen zu erhalten, ohne die Einstellungen in ihrem Transportmanagementsystem ändern zu müssen.

Dieser Ansatz der Netzoptimierung durch Simulation kann in verschiedenen Branchen, die mit ähnlichen Herausforderungen bei der Zustellung auf der letzten Meile konfrontiert sind, breit angewendet werden. Durch die Kombination von Branchenkenntnissen und fortschrittlichen Simulationsfunktionen können Unternehmen erhebliche Kosteneinsparungen erzielen und gleichzeitig das Serviceniveau in ihren Vertriebsnetzen aufrechterhalten oder verbessern.