Vorhersage der Lieferkettenleistung bei schnellen, ungeplanten Nachfrageschwankungen

Die Herausforderung

Zusammenfassung

Aufgrund von COVID19 erlebt ein multinationaler Hersteller von Verbrauchsgütern (Consumer Packaged Goods, CPG) erheblich veränderte Produktnachfrageprofile, wobei die Nachfrage nach einigen Produkten sprunghaft ansteigt und bei anderen deutlich zurückgeht. Die erforderlichen Produktions- und Bestandsmengen sind unbekannt, was zu Kostenunsicherheiten führt. Eine simulationsbasierte Analysefunktion wurde schnell entwickelt und eingesetzt, um die zur Deckung dieser dynamischen Nachfrage erforderlichen Produktions- und Bestandsmengen abzuschätzen, wobei die bestehende Struktur des Lieferkettennetzwerks, die Produktionsbeschränkungen, der aktuelle Bestandsstatus und die Bestandsauffüllungsstrategien berücksichtigt wurden. Dieses datengesteuerte Modell generiert Ergebnisse wie Produktionsvolumen, Lagerbestände und Kosten nach Region und Produktkategorie, die in ein Analyse-Dashboard für die kurzfristige Planung und Überwachung integriert werden. Das Modell und das Dashboard ermöglichten es dem Unternehmen, Produkte und Produktionsanlagen zu identifizieren, bei denen das Risiko einer Überproduktion besteht, einschließlich der geschätzten Kostenauswirkungen und der prognostizierten erforderlichen Produktionsraten und Lagerbestände, die zur Deckung der dynamischen Nachfrage auf wöchentlicher Basis erforderlich sind.

1. Einführung

Das kundeneigene Unternehmen erlebte aufgrund der Auswirkungen der COVID19-Pandemie erhebliche ungeplante Verschiebungen in der weltweiten Nachfrage nach seinen über 32.000 Produkten. Das Unternehmen verfügte über Produktionskostenschätzungen, die auf der Planung vor der Pandemie basierten, sowie über angepasste Nachfrageprognosen auf der Grundlage der jüngsten Nachfrageverschiebungen. Es fehlte jedoch die Fähigkeit, die kurzfristigen wöchentlichen Auswirkungen der veränderten Nachfrage auf die geplanten Produktionsraten und Lagerbestände abzuschätzen. Genpact entwickelte und lieferte während eines dreiwöchigen Einsatzes eine analytische Fähigkeit mit einem diskreten Ereignissimulationsmodell als Kernstück.

Bei dem analysierten System handelt es sich um die Lieferkette für Fertigwaren, die hauptsächlich aus Produktionsstätten und Distributionszentren (DCs) besteht. Die Produkte werden produziert und durch das Lieferkettennetz von den Werken zu den Verteilzentren (und von Verteilzentrum zu Verteilzentrum) geleitet, um die externe Nachfrage zu befriedigen. Das Hauptziel des Simulationsmodells ist die Vorhersage der erforderlichen Produktionsmengen und der Lagerbestände im gesamten System, um den Entscheidungsträgern die genaue Festlegung geeigneter Produktionsmengenzuweisungen zu ermöglichen, insbesondere angesichts einer sich schnell ändernden Nachfrage.

Die Lösung

2. Herangehensweise und Modellrahmen

Die analytischen Fähigkeiten wurden mit Alteryx für die Datenverarbeitung, Simio für die Simulation und Tableau für die Visualisierung der Ergebnisse entwickelt. Aufgrund der Schnelligkeit des Projekts und des Wunsches des Kunden, das Dashboard

Dashboard mit wöchentlichen Daten zu aktualisieren, wurde ein skalierbarer, wiederholbarer datengesteuerter Workflow benötigt. Historische Daten wurden verarbeitet, um Produktlisten, Standortlisten (Vertriebs- und Produktionszentren), Bestandslisten und Beschaffungslisten (Abbildung eines bestimmten Produktflusses von Standort zu Standort) zu erstellen. Die wöchentlichen Nachfragedaten wurden vom Kunden auf SKU- und Standortebene bereitgestellt. Für einen typischen vierwöchigen Simulationszeitraum umfassten die verarbeiteten Eingabedaten von Graunke und Urbina mehr als 32.000 Produkte, mehr als 1000 Standorte, mehr als 36.000 Bestände, mehr als 27.000 Netzwerkverbindungen und mehr als 27.000 Nachfrageereignisse.

Das modellierte System enthielt mehrere wichtige Geschäftsregeln, Einschränkungen und Annahmen:

1. Bei der modellierten Nachfrage handelt es sich ausschließlich um externe Nachfrage, die nur in den Distributionszentren realisiert wird. Die Werke können die externe Nachfrage nicht direkt erfüllen.
   1. Die Nachfragedaten umfassen nur die externe Nachfrage. Die DC-DC-Nachfrage wird von der Modelllogik nach Bedarf generiert und ist nicht als direkter Input enthalten.
2. Das Produkt wird in jedem Werk auf Bestellung hergestellt, und in den Werken wird kein Bestand gelagert. Das produzierte Produkt wird sofort an das anfragende DC versandt.
3. Werkskapazität und Volumen werden auf Werksebene erfasst. Je nach Datenverfügbarkeit werden Produktionsvorlaufzeiten und Transportzeiten für den Versand berücksichtigt.
4. Die Bestände in den Verteilzentren werden von den Werken oder anderen Verteilzentren, die dem Lieferkettennetz unterliegen, aufgefüllt.
   1. Ein Nachschubauftrag wird ausgelöst, wenn ein Lagerbestand unter dem Mindestbestandswert liegt.
   2. Die Meldebestandsmenge ist definiert als die Menge, die erforderlich ist, um den Bestand auf den Mindestbestandswert zu bringen

Die Beschaffung sucht zunächst nach Werken mit freier Kapazität, dann nach Werken ohne Einschränkungen (z. B. Werke außerhalb der Region, Lieferantenwerke) und schließlich nach Verteilzentren.

Die Auswirkungen auf das Geschäft

3. Ergebnisse und Auswirkungen

Das Modell wurde verwendet, um Ergebnisse für ein rollierendes Vier-Wochen-Fenster zu generieren. Jede Woche aktualisiert der Kunde das Modell mit aktuellen Nachfragedaten und führt das Modell aus. Die primären Modellergebnisse sind die Produktionsvolumina auf Werksebene, die zur Deckung der Nachfrage und zur Einhaltung der Bestandsauffüllungsrichtlinien erforderlich sind. Die Rohdaten der Simulation bestehen aus allen Produktionsaktivitäten (einschließlich der Woche, des Werks, des Bestimmungsortes und der produzierten Menge) und der wöchentlichen Bestandsentwicklung (einschließlich der vorhandenen und rückständigen Bestände sowie der kumulierten Gesamtwerte der nachgefragten und verbrauchten Menge). Diese Ergebnisse werden in ein vom Kunden gehostetes Tableau-Dashboard geladen, das die Daten aggregiert und zusammenfasst (Abbildung 1). Der Kunde konnte diese Daten nutzen, um das Produktionsniveau in der gesamten Lieferkette an die Nachfrage anzupassen, und er konnte die entsprechende Kostenentwicklung abschätzen.

Abbildung 1: Übersichts-Dashboard und Detail-Dashboard für Produktionsanlagen.