SlideShare une entreprise Scribd logo
1  sur  43
Supply Chain Management Sicherheit durch Lagerhaltung Minimierung der Bestände Maximierung des Servicelevels Transparenz in der Planung
Lagerhaltung muss verschiedene Aspekte berücksichtigen ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Warum Bestände? ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Reaktionszeit, Order Cycle Time und Lieferzeit Händler Zulieferer Kunde Bedarf vereinbarte Reaktionszeit: lt v Bearbeitungs-zeit: t b Bearbeitungs-zeit: t b Lieferzeit: t l Auftragsbearbeitungszeit (Order Cycle Time – OCT)  Reaktionszeit lt = OCT - lt v lt v Reaktionszeit :  Zeit, für die man sich absichern muss. Garantiert z. B. der eigene Zulieferer eine OCT von 6 Tagen und ist dem Kunden eine Reaktionszeit von 2 Tagen zugesichert worden, so muss die Differenz von vier Tagen (z.B. über Bestände) abgesichert werden. Beergame :  Wie lange mussten Sie auf die Bestellung warten?
Bestände entkoppeln Produktions- und Distributionsprozess Erwartete (tolerierte) Lieferzeit:  2d Bestände, Kapazitäten und Wartezeiten entkoppeln die Prozesse: PROD CUSTOMER 10d PROD DISTR 10d CUSTOMER 1d Zeitliche Entkopplung Entkopplung der Mengen
Die Nachfrage determiniert die Lagerhaltungspolitik ,[object Object],[object Object],[object Object],[object Object],[object Object]
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Das Losgrößenmodell nach Harris bestimmt  die „Economic Order Quantity (EOQ)“ (I)
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Das Losgrößenmodell nach Harris bestimmt die „Economic Order Quantity (EOQ)“ (II)
Die optimale Losgröße wird aus den (bestell-) fixen und variablen (Lagerhaltungs-) Kosten ermittelt
Die Gesamtkosten sind relativ insensitiv gegen Q Bei der optimalen Bestellmenge Q sind die Kosten für Lagerhaltung  und Rüsten/Bestellen gleich: Gesamtkosten sind (relativ) insensitiv gegen Q: Lager- haltung (variabel) Rüsten/ Bestellen (fix)
Q ist stark sensitiv gegen die bestellfixen Kosten Prozesskosten pro Bestellung: Früher bis zu 120.- DM Einsparpotenziale in Höhe von bis zu 80% höhere Bestellkosten 0,44 0,2
Q ist stark sensitiv gegen die variablen Kosten Reduktion Lagerhaltungskosten durch Outsourcing, etc. 1,41
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Die Auswirkungen der Änderung der Bestellmenge  EOQ müssen berücksichtigt werden
Bestände sichern die Lieferfähigkeit ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Knut Alicke: Nach Abschätzung Backlog und lost sales fragen    Wie Daten zur Abschätzung beschaffen?
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Die Bestände werden anhand mehrerer Parameter bestimmt Knut Alicke: Beispiel für alpha und beta-SL geben
Im Falle Reaktionszeit lt = 1 (deterministisch) ist die Berechnung des notwendigen Lagerbestandes einfach 95% 99% Vorzuhaltender Bestand, um bei 99% aller möglichen Bestellungen lieferfähig zu sein F(d) Einseitiges    Konfidenzintervall =NORMSINV(0.9) in Excel Knut Alicke: An der Tafel ausführlicher herleiten Hier auch nochmal auf Unterschied alpha und beta eingehen. Bedarf d F(d) Bedarf Standardabweichung Sicherheitsfaktor
Im Falle von (stochastischen) Reaktionszeiten > 1 wird die Berechnung komplizierter + + =  ? Faltungsoperator zur Addition von  normalverteilten Zufallsvariablen X 1 , X 2 : E(X 1 +X 2 ) = E(X 1 )+E(X 2 ) VAR(X 1 +X 2 ) = VAR(X 1 )+VAR(X 2 )  Bedarf stochastisch: Reaktionszeit u. Bedarf sind stochastisch:
Beispiel: Bestandsverlauf, konstante Reaktionszeit Zeit Menge S s Bestellung Eintreffen leadtime Bedarf d
Beispiel: Bestandsverlauf, stochastische Reaktionszeit Zeit Menge S s Bestellung Eintreffen lt 1 lt 2 lt 3 lt 1  > lt 2  > lt 3 Bedarf d Lieferzeit lt 1 lt 2 lt 3
[object Object],Bestellpunktverfahren (s,S) - Politik Technisch vorgegebene Transportlosgrößen Optimales Ausnutzen von teurem Lagerraum I Zeit s q 0 q 2 q 1 t 0 t 1 t 2 S I Zeit s q q q t 0 t 1 t 2
[object Object],Zyklische Bestellverfahren (t,S) - Politik Bei vorgegebenen Touren und vorgegebener  Transportlosgröße Für Produkte mit hoher Umschlagshäufigkeit I Zeit q q q t t t I Zeit q 0 q 2 q 1 t t t S
[object Object],Zyklische Bestellverfahren, II (t,s,S) - Politik Fixe Bestellmengen Variable Bestellmengen I Zeit q q t t t s I Zeit q 1 q 2 t t t s S q 3
Es ergeben sich je nach Anwendungsfall unterschiedliche Lagerhaltungsstrategien Bestelltermine Bestellmenge / Losgröße Meldebestand Politik / Regel / Verfahren fix (t) var. var. (S) (s) fix (q)                 (t,q)-Politik (Bestellrhythmus-optimale Bestellmenge-Politik) (t,S)-Politik (Bestellrhythmus-Lagerniveau-Politik) (t,q,s)-Politik (Bestellrhythmus-Bestellpunkt-optimale Bestellmenge-Politik) (t,s,S)-Politik (Bestellrhythmus-Bestellpunkt-Lagerniveau-Politik) (s,q)-Politik (Bestellpunkt-optimale Bestellmenge-Politik) (s,S)-Politik (Bestellpunkt-Lagerniveau-Politik)
Grund für den Bullwhip-Effekt: Lokale Planung,  Beispiel: Nutzen von Prognosen in Lagerhaltung ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Eine hysterische Bestellpolitik – kurzer Vorgriff  20 20 10 10 20 10 FC t,t+n = 0,2 * d t  + 0,8 * FC t-1,t-1+n q t  = TI t  + 3 * FC t,t+n  – Pipe t  – Inv t TI t  = 2 * FC t,t+n Prognose Sicherheitsbestand Bestellmenge 15 20 20 11 22 15 10 10 20 10 20 20 Achtung bei rückgekoppelten Systemen! t-2 heute t+1 t-1 t-3 q TI FC Pipe Inv d 20 20 10 10 20 10 20 20 10 10 20 10
Zusammenfassung Lagerhaltung ,[object Object],[object Object],[object Object]
Supply Chain Management Datenanalyse Welche Produkte mit welchen Verfahren planen?
Der Bedarfsverlauf eines Produktes determiniert die Prognostizierbarkeit X - Stabiler Bedarf, einfache Prognose Y - Bedarf weist Trends/Saison auf Z - Sehr schwer prognostizierbar S - Ersatzteilgeschäft, seltene Bestellungen Beispiele  geben
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Der Bedarfsverlauf läßt sich durch drei Kennzahlen beschreiben
[object Object],Der Variationskoeffizient bestimmt die XYZS-Klassifizierung Klasse   Bereich X   0  < v(d) <=0,2 Y   0,2 < v(d) <= 0,5 Z   0,5 < v(d)
[object Object],[object Object],Produktprogramme folgen oft dem Pareto-Prinzip $$$ $$ $ 50 20 10 [%] [Artikel] 95 100 80 50 C B A AA
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],ABC-Analysen können auf verschiedene Kennzahlen bezogen werden Analysieren Planen Messen C B A AA
Das Design der SC richtet sich nach der  ABC-XYZ-Klassifikation Auf welche Produkte würden Sie  sich konzentrieren? X Z Y A B C Sicherheitsbestand steigt Planer Computer Computer JiT, JiS(equence),  kein (minimaler) Sicherheitsbestand, Integration Zulieferer, Überwachung/Eingriff durch Planer JiT, JiS,  Verbessern der Prognosequalität, Integration Zulieferer, Flexibilisierung Prozesse ,[object Object],[object Object],[object Object],[object Object],[object Object],Sicherheitsbestand steigt C B A
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Die Lagerhaltung von A-Artikeln ist teuer
[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],Billige C-Artikel dürfen die Lieferfähigkeit  nicht beeinträchtigen
Zusammenfassung: Datenanalyse
Übung Lagerhaltung ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]
Lagerbilanzgleichung ,[object Object],[object Object],[object Object],[object Object],Noch zu bedienender Rück-stand aus der Vorperiode in t (möglicherweise)  aufgebauter Backlog ,[object Object],[object Object],[object Object],Eingehende Ströme Ausgehende Ströme ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],es gilt: ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],   0 >   0 = 0 =   0  
Analysefunktionen von Excel Analyse funktionen Solver Wenn noch nicht installiert
 
 
 
Erkenntnisse aus der Übung ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Contenu connexe

Similaire à 03 inventory control

06 inventory control_special
06 inventory control_special06 inventory control_special
06 inventory control_specialgkara02
 
BLTM1-GLOG10-020-Bestände.pdf
BLTM1-GLOG10-020-Bestände.pdfBLTM1-GLOG10-020-Bestände.pdf
BLTM1-GLOG10-020-Bestände.pdfNikolaJevtic14
 
02 bullwhip effect
02 bullwhip effect02 bullwhip effect
02 bullwhip effectgkara02
 
Bernhard Lascy (Warelite)
Bernhard Lascy (Warelite)Bernhard Lascy (Warelite)
Bernhard Lascy (Warelite)Praxistage
 
05 logistikgerechte konzeption
05 logistikgerechte konzeption05 logistikgerechte konzeption
05 logistikgerechte konzeptiongkara02
 

Similaire à 03 inventory control (6)

06 inventory control_special
06 inventory control_special06 inventory control_special
06 inventory control_special
 
04 mrp
04 mrp04 mrp
04 mrp
 
BLTM1-GLOG10-020-Bestände.pdf
BLTM1-GLOG10-020-Bestände.pdfBLTM1-GLOG10-020-Bestände.pdf
BLTM1-GLOG10-020-Bestände.pdf
 
02 bullwhip effect
02 bullwhip effect02 bullwhip effect
02 bullwhip effect
 
Bernhard Lascy (Warelite)
Bernhard Lascy (Warelite)Bernhard Lascy (Warelite)
Bernhard Lascy (Warelite)
 
05 logistikgerechte konzeption
05 logistikgerechte konzeption05 logistikgerechte konzeption
05 logistikgerechte konzeption
 

03 inventory control

  • 1. Supply Chain Management Sicherheit durch Lagerhaltung Minimierung der Bestände Maximierung des Servicelevels Transparenz in der Planung
  • 2.
  • 3.
  • 4. Reaktionszeit, Order Cycle Time und Lieferzeit Händler Zulieferer Kunde Bedarf vereinbarte Reaktionszeit: lt v Bearbeitungs-zeit: t b Bearbeitungs-zeit: t b Lieferzeit: t l Auftragsbearbeitungszeit (Order Cycle Time – OCT) Reaktionszeit lt = OCT - lt v lt v Reaktionszeit : Zeit, für die man sich absichern muss. Garantiert z. B. der eigene Zulieferer eine OCT von 6 Tagen und ist dem Kunden eine Reaktionszeit von 2 Tagen zugesichert worden, so muss die Differenz von vier Tagen (z.B. über Bestände) abgesichert werden. Beergame : Wie lange mussten Sie auf die Bestellung warten?
  • 5. Bestände entkoppeln Produktions- und Distributionsprozess Erwartete (tolerierte) Lieferzeit: 2d Bestände, Kapazitäten und Wartezeiten entkoppeln die Prozesse: PROD CUSTOMER 10d PROD DISTR 10d CUSTOMER 1d Zeitliche Entkopplung Entkopplung der Mengen
  • 6.
  • 7.
  • 8.
  • 9. Die optimale Losgröße wird aus den (bestell-) fixen und variablen (Lagerhaltungs-) Kosten ermittelt
  • 10. Die Gesamtkosten sind relativ insensitiv gegen Q Bei der optimalen Bestellmenge Q sind die Kosten für Lagerhaltung und Rüsten/Bestellen gleich: Gesamtkosten sind (relativ) insensitiv gegen Q: Lager- haltung (variabel) Rüsten/ Bestellen (fix)
  • 11. Q ist stark sensitiv gegen die bestellfixen Kosten Prozesskosten pro Bestellung: Früher bis zu 120.- DM Einsparpotenziale in Höhe von bis zu 80% höhere Bestellkosten 0,44 0,2
  • 12. Q ist stark sensitiv gegen die variablen Kosten Reduktion Lagerhaltungskosten durch Outsourcing, etc. 1,41
  • 13.
  • 14.
  • 15.
  • 16. Im Falle Reaktionszeit lt = 1 (deterministisch) ist die Berechnung des notwendigen Lagerbestandes einfach 95% 99% Vorzuhaltender Bestand, um bei 99% aller möglichen Bestellungen lieferfähig zu sein F(d) Einseitiges Konfidenzintervall =NORMSINV(0.9) in Excel Knut Alicke: An der Tafel ausführlicher herleiten Hier auch nochmal auf Unterschied alpha und beta eingehen. Bedarf d F(d) Bedarf Standardabweichung Sicherheitsfaktor
  • 17. Im Falle von (stochastischen) Reaktionszeiten > 1 wird die Berechnung komplizierter + + = ? Faltungsoperator zur Addition von normalverteilten Zufallsvariablen X 1 , X 2 : E(X 1 +X 2 ) = E(X 1 )+E(X 2 ) VAR(X 1 +X 2 ) = VAR(X 1 )+VAR(X 2 ) Bedarf stochastisch: Reaktionszeit u. Bedarf sind stochastisch:
  • 18. Beispiel: Bestandsverlauf, konstante Reaktionszeit Zeit Menge S s Bestellung Eintreffen leadtime Bedarf d
  • 19. Beispiel: Bestandsverlauf, stochastische Reaktionszeit Zeit Menge S s Bestellung Eintreffen lt 1 lt 2 lt 3 lt 1 > lt 2 > lt 3 Bedarf d Lieferzeit lt 1 lt 2 lt 3
  • 20.
  • 21.
  • 22.
  • 23. Es ergeben sich je nach Anwendungsfall unterschiedliche Lagerhaltungsstrategien Bestelltermine Bestellmenge / Losgröße Meldebestand Politik / Regel / Verfahren fix (t) var. var. (S) (s) fix (q)                 (t,q)-Politik (Bestellrhythmus-optimale Bestellmenge-Politik) (t,S)-Politik (Bestellrhythmus-Lagerniveau-Politik) (t,q,s)-Politik (Bestellrhythmus-Bestellpunkt-optimale Bestellmenge-Politik) (t,s,S)-Politik (Bestellrhythmus-Bestellpunkt-Lagerniveau-Politik) (s,q)-Politik (Bestellpunkt-optimale Bestellmenge-Politik) (s,S)-Politik (Bestellpunkt-Lagerniveau-Politik)
  • 24.
  • 25. Eine hysterische Bestellpolitik – kurzer Vorgriff 20 20 10 10 20 10 FC t,t+n = 0,2 * d t + 0,8 * FC t-1,t-1+n q t = TI t + 3 * FC t,t+n – Pipe t – Inv t TI t = 2 * FC t,t+n Prognose Sicherheitsbestand Bestellmenge 15 20 20 11 22 15 10 10 20 10 20 20 Achtung bei rückgekoppelten Systemen! t-2 heute t+1 t-1 t-3 q TI FC Pipe Inv d 20 20 10 10 20 10 20 20 10 10 20 10
  • 26.
  • 27. Supply Chain Management Datenanalyse Welche Produkte mit welchen Verfahren planen?
  • 28. Der Bedarfsverlauf eines Produktes determiniert die Prognostizierbarkeit X - Stabiler Bedarf, einfache Prognose Y - Bedarf weist Trends/Saison auf Z - Sehr schwer prognostizierbar S - Ersatzteilgeschäft, seltene Bestellungen Beispiele geben
  • 29.
  • 30.
  • 31.
  • 32.
  • 33.
  • 34.
  • 35.
  • 37.
  • 38.
  • 39. Analysefunktionen von Excel Analyse funktionen Solver Wenn noch nicht installiert
  • 40.  
  • 41.  
  • 42.  
  • 43.

Notes de l'éditeur

  1. Klar herausstellen, was bestellt wird und wann es ankommt. Theoretische Hintergünde (kontinuierliche Überwachung) und praktische Realisierung darstellen.
  2. Knut : In der Realität sind eigentlich keine kontinuierlichen Bestellpolitiken möglich, d.h. hier wird bereits auf Tagesebene aggregiert. Beispiel: Durchlagerung in Lagerverwaltungssystemen, Eilaufträge, die direkt bearbeitet werden.
  3. Prognose besser erläutern. Für welche Periode ist die Prognose.
  4. Kappa Beispiel anführen – Geringer Wert der Produkte, somit als C-Produkt klassifiziert, aber hohes Volumen – spricht für Klassifikation als A-Produkt. Also höherer Bestand als A-Produkte, aber möglichst wenig.