Produktionsplanung in großem Maßstab ist schwierig. Für einen globalen Hersteller von Snacks, der mehrere kontinuierliche Produktionslinien für ein vielfältiges Produktportfolio betreibt, bedeutete dies stundenlange manuelle Excel-Bearbeitung, in Copy-Paste-Workflows eingebranntes Stammeswissen und einen einzigen Szenario-Lauf, bevor der Tag zu Ende war.
Ein führender Hersteller von Snacks hatte mit kritischen betrieblichen Ineffizienzen in seinen Produktionsplanungsprozessen zu kämpfen. Das Unternehmen betrieb zwei primäre Fertigungslinien mit ca. 30 Verpackungseinheiten in einem vollständig kontinuierlichen Prozess ohne Zwischenlagerung. Dies erforderte eine präzise Synchronisierung im gesamten System, wobei kleine Planungsentscheidungen erhebliche Auswirkungen auf das gesamte Produktionsnetzwerk hatten.
Die Planer verbrachten in der Regel mehr als zwei Stunden mit der Erstellung eines einzigen Produktionsplans, was eine Datenkonsolidierung aus mehreren Systemen, einen manuellen Abgleich der Informationen und eine umfangreiche Kommunikation der Änderungen zwischen den Teams erforderte. Dieser manuelle und zeitaufwändige Prozess schränkte die Fähigkeit des Unternehmens, dynamisch auf Marktanforderungen und Betriebsstörungen zu reagieren, stark ein.
Die Produktionsumgebung war zusätzlich durch strenge betriebliche Auflagen kompliziert, wie z. B. Anforderungen an die Kontaminationsvermeidung, die jeweils nur ein Produkt zuließen, Überlegungen zur Sequenzabhängigkeit sowie Mindest- und Höchstlaufgrenzen. Diese Einschränkungen führten zu einer hochsensiblen Planungsumgebung, in der die Optimierung ausgefeilte analytische Fähigkeiten erforderte, die über herkömmliche, auf Tabellenkalkulationen basierende Ansätze hinausgingen.
Accenture arbeitete mit dem Hersteller zusammen, um eine simulationsgesteuerte Planungsplattform auf der Basis von Simio zu entwickeln - beginnend mit einer Python ETL, die in ein lokales Simio-Modell eingebettet war, bis hin zu einer vollständig cloud-nativen Bereitstellung auf Simio Portal, unterstützt durch Azure Blob Storage, ereignisgesteuerte Automatisierung und Power BI Reporting.
Die Lösung wurde um drei Hauptimplementierungsblöcke herum strukturiert, um die Komplexität der kontinuierlichen Fertigungsprozesse zu bewältigen:
Das Team erfasste die bestehende Planungslogik und übersetzte das Wissen der Planer in standardisierte Regeln, die im gesamten Unternehmen systematisch angewendet werden konnten. Dieser Ansatz stellte sicher, dass Stammeswissen und Expertenwissen erhalten blieben und gleichzeitig Inkonsistenzen in manuellen Entscheidungsprozessen beseitigt wurden.
Accenture erstellte ein umfassendes Simio-Modell, das die Planung mit Hilfe einer vergleichenden Logik durchführte, die Nachfrageanforderungen bewertete, die Produktionsdauer schätzte und optimierte Chargen bei gleichzeitiger Minimierung der Umstellungsanforderungen generierte. Das Modell funktionierte auf der Ebene der Verpackungseinheit, wo die tatsächlichen Planungsentscheidungen getroffen werden, und ermöglichte einen detaillierten Einblick in die betriebliche Leistung und das Management von Beschränkungen.
Die Lösung verknüpfte die Modellergebnisse mit Power BI-Dashboards zur Analyse der wichtigsten Leistungsindikatoren, einschließlich Bedarfsdeckung, Anlagenauslastung und Metriken zur Reduzierung von Umrüstungen. Diese Integration verschaffte Planern und dem Management einen Echtzeiteinblick in die betriebliche Leistung und ermöglichte eine datengesteuerte Entscheidungsfindung im gesamten Unternehmen.
Ein entscheidender Fortschritt war die Integration von Python ETL-Funktionen direkt in die Simio-Modellarchitektur. Diese Innovation reduzierte externe Abhängigkeiten, verbesserte die Robustheit des Systems und die Wartungsfreundlichkeit, während gleichzeitig der Bedarf an separaten Datenverarbeitungssystemen entfiel. Der ETL-Importer nutzte die Datenkonnektorfunktionalität von Simio und erstellte temporäre Ordner, die automatisch von der Plattform verwaltet wurden und in denen die verarbeiteten Dateien für den Simulationsverbrauch vorbereitet wurden.
Das eingebettete Python-Skript fungierte als Brücke zwischen dem Modell und den ETL-Prozessen, indem es die Modellparameter als Konfigurationseingaben nutzte und den Bedarf an separaten Konfigurationsmanagementsystemen eliminierte. Dieser Ansatz ermöglichte es dem Team, unabhängig von externen Integrationsteams zu arbeiten und gleichzeitig die volle Kontrolle über die Datenverarbeitung und die Modellausführung zu behalten.
Phase 1: Manuelle Datenvalidierung - Nutzung vollständig manueller Datenprozesse mit Standard-Python-ETL-Funktionen zur schnellen Validierung der Planungslogik und zur Erstellung eines funktionierenden Prototyps, der den potenziellen Wert demonstriert.
Phase 2: Strukturierte Datenintegration - Einführung strukturierterer Prozesse mit regelmäßigen Datenbankverbindungen zur Stabilisierung des Planungsprozesses bei gleichzeitiger Reduzierung manueller Abhängigkeiten.
Phase 3: Eingebettete ETL-Integration - Integration von Python ETL-Funktionen direkt in die Simio-Modellarchitektur, wodurch externe Abhängigkeiten eliminiert und die Systemstabilität verbessert werden.
Phase 4: Cloud-Native Enterprise Deployment - Erzielung einer vollständig cloudbasierten Architektur mit Daten, die in Azure Blob Storage gespeichert sind, und Power BI, das mit zentralen Datenquellen verbunden ist, wodurch lokale Abhängigkeiten beseitigt und eine vollständige Automatisierung ermöglicht wird.
Die Simio-basierte Plattform für die Produktionsplanung führte zu dramatischen operativen Verbesserungen in mehreren Bereichen:
Die Planungszeit wurde von über 2 Stunden auf 1 Minute reduziert - eine Reduzierung der manuellen Planungszeit um über 99 %. Durch die automatisierte Ausführung wurden Routineaufgaben zur Datenmanipulation überflüssig, so dass sich die Planer auf strategische Analysen und wertschöpfende Aktivitäten konzentrieren können, anstatt Daten abzugleichen.
Die verbesserte Einhaltung der Nachfrage durch eine standardisierte Planungslogik beseitigte die Inkonsistenzen der manuellen Planung. Die Lösung maximierte die Durchsatzraten in der komplexen kontinuierlichen Fertigungsumgebung und reduzierte gleichzeitig die Voreingenommenheit der Planer durch die konsistente Anwendung globaler Planungsrichtlinien. Die ausgefeilte Handhabung von Randbedingungen verbesserte die Umstellungsoptimierung und wirkte sich direkt auf die Produktionseffizienz aus.
Mit der Echtzeit-Szenarioanalyse können Planer jetzt schnell die Auswirkungen von Nachfrageänderungen, Wartungsanforderungen für Anlagen oder Unterbrechungen in der Lieferkette bewerten, ohne dass die gesamten Produktionspläne manuell neu berechnet werden müssen. Der automatische Abgleich mit den neuesten betrieblichen Informationen reduziert Planungskonflikte und verbessert die Koordination zwischen den Fertigungsteams. Unternehmensweite Transparenz durch Power BI-Dashboards ermöglicht eine proaktive Entscheidungsfindung, während risikobasierte Planungsfunktionen realistische Ansichten der erwarteten Leistungsergebnisse liefern.
Die modulare, KI-erweiterbare Architektur unterstützt kontinuierliche Innovationen, ohne dass umfangreiche Systemänderungen erforderlich sind. Die Cloud-native Bereitstellung erleichtert die Expansion über mehrere Produktionsstätten und Produktlinien hinweg und ermöglicht die Standardisierung von Planungsprozessen unter Berücksichtigung lokaler betrieblicher Anforderungen. Der eingebettete ETL-Ansatz ermöglicht die schnelle Integration zusätzlicher Datenquellen und schafft so die Grundlage für vorausschauende Wartung, Bedarfsprognosen und automatische Optimierungsverbesserungen.
Diese Implementierung bestätigt eine wichtige Frage, die sich Betriebsleiter heute stellen müssen: "Können wir das im Unternehmensmaßstab umsetzen?" Die Antwort ist ein klares Ja. Die Partnerschaft zwischen Accenture und diesem globalen Hersteller von Konsumgütern zeigt, wie die Simulationstechnologie herkömmliche Fertigungsabläufe durch einen gezielten, schrittweisen Ansatz, der bei jedem Schritt seinen Wert unter Beweis stellt, verändern kann.
Das Team entwickelte eine modulare, durch KI erweiterbare ETL-Architektur, die sowohl taktische als auch operative Planungsmodi unterstützt. Durch den bewussten Einsatz eines lokalen CSV-basierten Prototyps, um die Logik zu testen, bevor sie in die Cloud verlagert wurde, konnte das Team Vertrauen in das Unternehmen aufbauen und gleichzeitig das Risiko minimieren. Eine Azure-Funktion, die nach Abschluss des Laufs ausgelöst wird, überbrückt die Lücke zwischen der Simulationsausgabe und umsetzbaren Geschäfts-Dashboards - und das alles ohne Middleware oder manuelle Eingriffe.
Für Simulationsingenieure bietet diese Fallstudie eine replizierbare Architektur, die für verschiedene Branchen und Fertigungsumgebungen angepasst werden kann. Für Betriebsleiter zeigt sie den greifbaren ROI von Investitionen in moderne Simulationsplattformen, die sich nahtlos in bestehende Unternehmenssysteme integrieren lassen und gleichzeitig eine schnelle Szenarioanalyse und datengesteuerte Entscheidungsfindung ermöglichen.
Die erfolgreiche Entwicklung von der chaotischen Tabellenkalkulation zur automatisierten, cloudbasierten Planung ist mehr als nur eine Technologieimplementierung - es ist ein grundlegender Wandel in der betrieblichen Leistungsfähigkeit, der Herstellern einen nachhaltigen Wettbewerbsvorteil in einem zunehmend dynamischen Marktumfeld verschafft. Wenn Planer Produktionspläne innerhalb von Minuten statt Stunden erstellen und analysieren können, erhalten Unternehmen die Flexibilität, die sie brauchen, um in der modernen Fertigung erfolgreich zu sein.