Strategien zur Optimierung der Logistikqualität unter Budgetrestriktion

INHALTSVERZEICHNIS

ABBILDUNGSVERZEICHNIS

TABELLENVERZEICHNIS

SYMBOL- UND ABKÜRZUNGSVERZEICHNIS

1. Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Vorgehensweise bei der Durchführung einer Simulation
1.3 Aufbau der Arbeit

2. Überlegungen zum Supply Chain Management und zur Simulation
2.1 Grundlegendes zum Supply Chain Management
2.1.1 Begriffe und Abgrenzung
2.1.2 Voraussetzungen und Ziele des Supply Chain Managements
2.2 Supply Chain Operations Reference-Modell
2.3 Grundlegendes zur Simulation
2.3.1 Begriffe und Abgrenzung
2.3.2 Simulationsarten
2.3.3 Vor- und Nachteile von Simulationen

3. Modellierung und Simulation einer Supply Chain mithilfe des Supply Chain Analyzers
3.1 Die Simulationsumgebung „Supply Chain Analyzer“
3.1.1 Allgemeines
3.1.2 Aktivitätsknoten
3.1.3 Entitäten
3.1.4 Attribute und Ausdrücke
3.1.5 Funktionen
3.2 Entwicklung des Basismodells
3.2.1 Modelldaten
3.2.1.1 Hierarchische Stücklisten
3.2.1.2 Produktion
3.2.1.3 Unternehmen und Standorte
3.2.1.4 Kunden und Großhändler
3.2.1.5 Transportwege
3.2.1.6 Klassendiagramm
3.2.2 Die Topologie des Supply Chain Modells
3.2.2.1 Basismodell auf höchster Abstraktionsebene
3.2.2.2 Aktivitätsknoten der Computer AG Nürnberg
3.3 Fazit

4. Sensitivitätsanalysen und Auswertungen
4.1 Einführung
4.2 Basismodell
4.2.1 Beschreibung des Basismodell
4.2.2 Parameter im Basismodell
4.2.3 Bewertung des Basisszenarios
4.2.3.1 Durchlaufzeiten
4.2.3.2 Kostenbetrachtung
4.2.3.3 Sensitivitätsanalyse
4.3 Dynamische Szenarien
4.3.1 Störungen bei der Nachfrage
4.3.1.1 Modelldaten
4.3.1.2 Sensitivitätsanalyse
4.3.2 Störungen bei der Produktion
4.3.2.1 Modelldaten
4.3.2.2 Sensitivitätsanalyse
4.3.3 Störungen bei der Lieferung
4.3.3.1 Modelldaten
4.3.3.2 Sensitivitätsanalyse
4.3.4 Kombination aller operativen Störungen
4.3.4.1 Sensitivitätsanalyse
4.3.4.2 Durchlaufzeiten
4.3.4.3 Kosten- und Gewinnbetrachtung
4.3.5 Zusammenfassung und Rückschluss
4.4 Strukturelle Änderungen des Basismodells
4.4.1 Modelldaten
4.4.2 Sensitivitätsanalyse des statischen Szenarios
4.4.3 Sensitivitätsanalyse des dynamischen Szenarios
4.4.4 Detaillierte Betrachtung für das dynamische Szenario
4.4.4.1 Durchlaufzeiten
4.4.4.2 Kosten- und Gewinnbetrachtung
4.4.5 Zusammenfassung und Rückschluss
4.5 Belastbarkeitstest
4.5.1 Erhöhung der Variationskoeffizienten der Produktionszeiten
4.5.2 Erhöhung der Mittelwerte der Produktionszeiten
4.6 Fazit

5. Schlussbetrachtung

Anhang

A1 Bullwhip-Effekt

A2 Die vier Ebenen des SCOR-Modells

A3 Modellübergreifende Daten

A3.1 Produktdaten

A3.2 Transportzeiten

A4 Stückgewinne der einzelnen Knoten im Basisszenario BS mit BTO-Strategie

A5 Auszug aus einem MODSIM III Script

Literaturverzeichnis

ABBILDUNGSVERZEICHNIS

Abbildung 1-1 Zielsystem für die Optimierung der Logistikqualität

Abbildung 1-2 Design of Experiments

Abbildung 1-3 Aufbau der Arbeit

Abbildung 2-1 Ebene 1 des SCOR-Modells

Abbildung 2-2 Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1

Abbildung 2-3 Schritte bei der Erstellung eines Simulationsmodells

Abbildung 2-4 Simulationsarten, unterschieden nach ihren Zustandsänderungen

Abbildung 2-5 Zustandsänderungen bei zeitlichen Abläufen

Abbildung 3-1 Zusammensetzung des Computermodells A und B

Abbildung 3-2 Modelldaten in der Form eines Klassendiagramms

Abbildung 3-3 Topologie des Basismodells

Abbildung 3-4 Topologie des Knotens Nürnberg

Abbildung 4-1 Arten von Störungen

Abbildung 4-2 Modellierung des statischen und dynamischen Modells mit Störungen auf der operativen und der strategisch organisatorischen Ebene

Abbildung 4-3 Durchlaufzeiten der Auftragspositionen des Kunden aus München im Szenario BS

Abbildung 4-4 Zeitverzögerungen im Szenario BS

Abbildung 4-5 Gewinnsituation der Unternehmen im Szenario BS

Abbildung 4-6 Variation der Bestellgrenzen und -mengen im Szenario BS

Abbildung 4-7 Sensitivitätsanalyse für das Minimalbudget im Szenario BS

Abbildung 4-8 Dreiecksverteilung für die Transportzeit von Nürnberg nach Bremen

Abbildung 4-9 Wahrscheinlichkeitsdichte der periodischen Nachfrage nach Modell A

Abbildung 4-10 Kumulierte Wahrscheinlichkeitsdichte der periodischen Nachfrage nach Modell A

Abbildung 4-11 Variation der Bestellgrenzen und -mengen im Szenario SN

Abbildung 4-12 Sensitivitätsanalyse für das Minimalbudget im Szenario SN

Abbildung 4-13 Wahrscheinlichkeitsdichte der Produktionszeit des Computermodells A

Abbildung 4-14 Variation der Bestellgrenzen und -mengen im Szenario SP

Abbildung 4-15 Sensitivitätsanalyse für das Minimalbudget im Szenario SP

Abbildung 4-16 Variation der Bestellgrenzen und -mengen im Szenario SL

Abbildung 4-17 Sensitivitätsanalyse für das Minimalbudget im Szenario SL

Abbildung 4-18 Variation der Bestellgrenzen und -mengen im Szenario SK

Abbildung 4-19 Sensitivitätsanalyse für das Minimalbudget im Szenario SK

Abbildung 4-20 Durchlaufzeiten der Auftragspositionen im Szenario SK

Abbildung 4-21 Gewinnsituation aller SC-Mitglieder im Szenario SK

Abbildung 4-22 Topologie des Modells mit struktureller Änderung

Abbildung 4-23 Variation der Bestellmengen und -grenzen im Szenario BSF

Abbildung 4-24 Sensitivitätsanalyse für das Minimalbudget im Szenario BSF

Abbildung 4-25 Vergleich der Lager- und Transportkosten der Szenarien BS und BSF

Abbildung 4-26 Variation der Bestellmengen und -grenzen im Szenario SKF

Abbildung 4-27 Sensitivitätsanalyse für das Minimalbudget im Szenario SKF

Abbildung 4-28 Vergleich der Lager- und Transportkosten der Szenarien SK und SKF

Abbildung 4-29 Durchlaufzeiten der Auftragspositionen für den Kunden aus München im Szenario SKF

Abbildung 4-30 Gegenüberstellung der Lager- und Transportkosten einzelner Produkte für die Szenarien SK und SKF

Abbildung 4-31 Variation der Bestellgrenzen und -mengen bei Erhöhung der Varianzen der Produktionszeiten auf 50%

Abbildung 4-32 Sensitivitätsanalyse für das Minimalbudget bei der Erhöhung der Varianzen der Produktionszeiten auf 50%

Abbildung 4-33 Variation der Bestellgrenzen und -mengen bei Erhöhung der Varianzen der Produktionszeiten auf 60%

Abbildung 4-34 Durchlaufzeiten der Auftragspositionen für den Kunden aus München bei Erhöhung der Mittelwerte

Abbildung A 1 Bullwhip-Effekt

Abbildung A 2 Ebenen des SCOR-Modells

TABELLENVERZEICHNIS

Tabelle 3-1 SCA spezifische Aktivitätsknoten 18

Tabelle 3-2 SCA spezifische Entitäten 19

Tabelle 3-3 SCA spezifische Funktionen 20

Tabelle 3-4 Kapazitäten der Herstellbetriebe 23

Tabelle 3-5 Standort-, Produkt- und Verkaufspreisverteilung 23

Tabelle 3-6 Verkaufspreise der Grossisten aus Bremen und aus Erlangen 24

Tabelle 4-1 Modellierte Störungen auf der operativen Ebene für alle Szenarien 25

Tabelle 4-2 Gesamtnachfrage der Kunden bei den Grossisten 25

Tabelle 4-3 Bestellmengen, gemessen an der Gesamtnachfrage 25

Tabelle 4-4 Bestellgrenzen, gemessen an der Gesamtnachfrage 25

Tabelle 4-5 Nachfrageschwankungen der Kunden 25

Tabelle 4-6 Kapazitäten der Herstellbetriebe bei Produktionsstörungen 25

Tabelle 4-7 Monatliches Minimalbudget bei Störungen auf der operativen Ebene (Bestellgrenze 5%) 25

Tabelle 4-8 Kosten- und Gewinnbetrachtung des Grossisten aus Erlangen im Szenario SK 25

Tabelle 4-9 Kosten- und Gewinnbetrachtung des Grossisten aus Bremen im Szenario SK 25

Tabelle 4-10 Kosten- und Gewinnbetrachtung des Herstellbetriebs aus Nürnberg im Szenario SK 25

Tabelle 4-11 Kosten- und Gewinnbetrachtung der übrigen Produzenten von Endprodukten im Szenario SK 25

Tabelle 4-12 Kosten- und Gewinnbetrachtung der Zulieferer im Szenario SK 25

Tabelle 4-13 Monatliches Minimalbudget bei Störungen auf der operativen Ebene 25

Tabelle 4-14 Kosten- und Gewinnbetrachtung für das fusionierte Unternehmen im Szenario SK 25

Tabelle 4-15 Auszug aus der Kosten- und Gewinnbetrachtung für die Unternehmen Erlangen und Nürnberg im Szenario SK 25

Tabelle 4-16 Monatliches Minimalbudget bei Störungen auf der strategischen Ebene 25

Tabelle 4-17 Erhöhung der Variationskoeffizienten der Produktionszeiten auf 50% 25

Tabelle 4-18 Monatliches Minimalbudget für alle Szenarien

Tabelle A 1 Produktdaten

Tabelle A 2 Transportzeiten aller definierten Kanten der SC

Tabelle A 3 Kosten- und Gewinnbetrachtung beim Großhändler aus Erlangen im Szenario BS mit BTO-Strategie

Tabelle A 4 Kosten- und Gewinnbetrachtung beim Großhändler aus Bremen im Szenario BS mit BTO-Strategie

Tabelle A 5 Kosten- und Gewinnbetrachtung der Computer AG aus Nürnberg im Szenario BS mit BTO-Strategie

Tabelle A 6 Kosten- und Gewinnbetrachtung der übrigen Produzenten von Endprodukten im Szenario BS mit BTO-Strategie

Tabelle A 7 Kosten- und Gewinnbetrachtung der Zulieferer im Szenario BS mit BTO-Strategie

SYMBOL- UND ABKÜRZUNGSVERZEICHNIS

Abbildung in dieser Leseprobe nicht enthalten

1. Einleitung

1.1 Problemstellung und Zielsetzung

Im Rahmen einer Zusammenarbeit mit dem IBM Forschungs­laboratorium in Rüsch­likon / Schweiz wird auf der Basis der Simulationsumgebung Supply Chain Analyzer (SCA) von IBM ein Supply Chain-Modell entwickelt. Mithilfe von Simulations- und Modellierungstechniken können innerhalb des Planungs- und Ent­schei­dungs­pro­zes­ses die Komplexität, Intransparenz und Dynamik einer Supply Chain (SC) untersucht werden, um so frühzeitig potenzielle Fehlentschei­dungen zu entdecken, bevor diese in die Realität umgesetzt werden.

Das in vorliegender Arbeit vorgestellte Modell einer Supply Chain wird hinsichtlich der erzielbaren Logistikqualität unter vorgegebenen Budgetrestriktionen untersucht. Es werden verschiedene Einflussgrößen und Störungen in unterschied­lichen Szena­rien modelliert und evaluiert. Die dabei eingesetzte Evalu­ierungs­methode ist die Simulation. Unter Logistikqualität wird eine hohe Termin­treue bei kurzen Durchlauf- bzw. Lieferzeiten verstanden. Dies ist zum Beispiel mit kurzen Transport-, Produk­tions- und Lager­zeiten zu erreichen. Einfluss­größen sind die Lagergröße und der Lagerbestand, die Transport­mittel und deren Kosten sowie die Anzahl an Mitar­beitern etc. Diese Faktoren sind so zu variieren, dass innerhalb der SC ein optimales Verhältnis zwischen Kosten und angestrebtem Ziel erreicht wird. Hierbei kommen vor allem Sensitivitätsanalysen zum Einsatz.

Ein Hauptproblem ist, strategische Planungen und taktische Entschei­dungen zu evaluieren und deren Auswirkungen und Implika­tionen zu analysieren und möglichst genau abzuschätzen. Dabei ist von ent­schei­dender Bedeutung heraus­zufinden, welchen Einfluss Restriktionen hinsichtlich des Gesamt­budgets auf die Leistungs­fähigkeit der SC haben. Die Budgetrestriktion ist eine monetäre Grenze entlang der gesamten SC, unterhalb der alle anfallenden Kosten liegen müssen. Dabei gilt das ökonomische Prinzip, den gegebenen Servicegrad mit minimalem Aufwand zu erreichen. Es stellt sich die Frage, ob es eine strukturelle Budget­untergrenze gibt, unter­halb derer die Qualität der SC drastisch leidet, und inwieweit Störungen wie Nachfrage- oder Produktions­schwan­kungen diese Unter­grenze verändern oder ver­schie­ben. Das Ziel besteht darin, den Servicegrad bei gleichzeitiger Einhaltung der Budget­restriktion zu maxi­mieren.

Abbildung 1-1 Zielsystem für die Optimierung der Logistikqualität

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [Gehr98, S. 6]

Es werden Szenarien entworfen, denen jeweils der gleiche Servicegrad von 95% zugrunde liegt. Der Servicegrad lässt sich aus dem Verhältnis der Anzahl der termingerecht eingetroffenen Aufträge zu der Anzahl aller Aufträge errechnen.^[1] Durch Variation der Inputfaktoren sollen nicht nur so genannte „Flaschenhälse“ aufgedeckt, sondern auch Maßnahmen aufge­zeigt werden, mit denen sich diese Engpässe beheben oder zumindest entschärfen lassen. Neben der Einfluss­größen­variation, die für jedes Szenario jeweils fixiert wird, werden während der Simula­tions­läufe Störungen berücksichtigt. Diese werden über statistische Ver­tei­­lungen model­liert. Der Begriff Störung ist dabei sehr weit zu fassen. Nicht nur verlängerte Transportzeiten oder Maschinen­ausfälle, sondern auch strukturelle Ände­run­gen des Modells, wie eine Fusion, werden darunter gefasst.

1.2 Vorgehensweise bei der Durchführung einer Simu­la­tion

In der Richtlinie 3633 untergliedert der Verein Deutscher Ingenieure (VDI) die Vorge­­hens­weise zur Durchführung einer Simulation (Design of Experiments, DoE) in die Phasen Vorbereitung, Durchführung und Auswertung [VDI93, Richtlinie 3633, Blatt 1]. Diese Phasen lassen sich noch weiter unterteilen (vgl. Abbildung 1-2).

Abbildung 1-2 Design of Experiments^[2]

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [Gehr98, S. 5] und [VDI93, Richt­linie 3633, Blatt 1]

Die Aufgaben- und Problemstellung für diese Arbeit beinhaltet die Modellierung einer SC, in der Produzenten, Lieferanten, Händler, Kunden sowie Transport­unter­nehmen auftreten. Ziel ist es, wie oben erwähnt, die Logistikqualität dieser SC – unter dem Aspekt der Budgetrestriktion – anhand von Simulationsläufen zu unter­suchen. Die notwen­digen Daten für das Modell sind rein fiktiv, allerdings durchaus realistisch ausgewählt. Anhand dieser Daten wird ein Basismodell entworfen, das als Bezugsobjekt für die Ergebnisse der Simulations­läufe dient. Durch Variation der Inputparameter lassen sich unterschiedliche Simulations­szenarien erstellen, deren Ergebnisse analysiert werden. Die Auswertung erfolgt mithilfe von Sensitivitäts­ana­lysen. Sofern Rückschlüsse auf reale SCs mög­lich sind, werden diese angesprochen.

1.3 Aufbau der Arbeit

Die Arbeit gliedert sich in fünf Abschnitte. In Kapitel 2 werden Begrifflichkeiten zum Supply Chain Management (SCM) und zum Supply Chain Operations Reference-Modell (SCOR), das als Grundlage für die Modellierung einzelner Knoten verwendet wird, eingeführt. Begriffe zur Simulation und eine Abgrenzung des SCAs schließen dieses Kapitel ab. Nach einer kurzen Einführung in den Aufbau des SCAs wird das Basismodell schrittweise dargestellt und entwickelt. Mit der Beschreibung der Topologie des Basismodells endet Kapitel 3. Im Abschnitt 4 folgen Analysen und Auswertungen. Dabei wird zunächst das Basisszenario näher untersucht und ausge­wertet. Eine Sensitivitätsanalyse zeigt die Auswirkungen einer Änderung des Lager­bestands auf das Minimalbudget bei einem rein statischen Szenario ohne Störungen. Der Lagerbestand kann mithilfe einer Variation der Bestell­mengen und -grenzen beein­flusst werden. An­schließend werden Störungen auf der operativen Ebene betrach­tet, um Dynamik im Modell darzustellen. Mithilfe von Sensitivitäts­analysen werden wiederum optimale Minimalbudgets ermittelt, mit denen der geforderte Service­­­grad erreichbar ist. Mit einer strukturellen Änderung des Modells, einer Fusion zweier Unternehmen, werden Störungen auf der strategisch organi­sa­torischen Ebene modelliert. Neben dem statischen Basisszenario sind zudem noch Störungen auf der operativen Ebene zu untersuchen. Für diese beiden Szenarien (mit und ohne Störungen auf der strategisch organisatorischen Ebene), die mit der Kombination aus allen Störungen auf der operativen Ebene den geforderten Servicegrad erfüllen, werden die Durchlaufzeiten und Kosten detailliert betrachtet. Nach einem Belastbar­keitstest bezüglich der Produktionszeiten werden in einem Fazit die Ergebnisse der Simula­tions­­läufe zusammengefasst. Kapitel 5 schließt die Arbeit mit einer Schluss­betrachtung ab. Abbildung 1-3 gibt einen Überblick über den Aufbau der Arbeit.

Abbildung 1-3 Aufbau der Arbeit

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung

2. Überlegungen zum Supply Chain Manage­ment und zur Simulation

2.1 Grundlegendes zum Supply Chain Management

2.1.1 Begriffe und Abgrenzung

Aufgrund verschärfter Wettbewerbsbedingungen und gestiegener Anforderungen reichen Optimierungen innerhalb der einzelnen Unternehmen nicht mehr aus, um am Markt bestehen zu können. Daher lässt sich seit einigen Jahren ein Trend von der firmeninternen Optimierung der Logistik hin zur Firmen übergreifenden Optimie­rung, der so genannten Supply Chains oder Supply Networks, beobachten. Der Auf­bau und das Handling solcher integrierter Logistik­ketten und -netzwerke über den gesam­ten Wertschöpfungsprozess, idealerweise ausgehend von der Rohstoffgewin­nung bis hin zum Endverbraucher, wird als Supply Chain Management bezeichnet [Kuhn02, S. 185]. Im Unter­schied zum Begriff Logistik beschreibt SCM die Gestal­tung aller Prozesse, d. h. neben den physischen Aktivitäten auch die Abwicklungen der Aufträge und Geld­flüsse sowie in zunehmenden Maße auch die Informations­flüsse [Gabler00, S. 2990].

Unter den zahlreich vorhandenen Definitionen von „Supply-Chain-Management“ wird die von Schönsleben als Arbeitsdefinition gewählt:

Definition 1 Supply Chain Management

„Supply Chain Management ist die Koordination einer strategischen und langfristigen Zusammenarbeit von Ko-Herstellern im gesamten Logistik­netzwerk zur Entwicklung und Herstellung von Produkten – sowohl in Pro­duktion und Beschaffung als auch in Produkt- und Prozessinnovation. Jeder Ko-Hersteller ist dabei auf seinen Kernkompetenzen tätig. Die Auswahl der Ko-Hersteller erfolgt über ihr Potential (sic!) zur Reali­sie­rung von kurzen Durchlaufzeiten“ [Schönsleben00, S. 53].

Agiert jedes einzelne Unternehmen für sich, so entstehen vom Informations­stand­punkt aus gesehen viele unverbundene Logistikketten. Auch wenn diese für sich genommen optimal operieren mögen, kommt es global betrachtet in der Regel zu suboptimalen Ergebnissen, da beispielsweise Informationsasymmetrien zwischen den Betrieben herrschen. Dies tritt etwa dann ein, wenn einem Vertrags­partner Informa­tionen über Abverkaufsprognosen des anderen Partners fehlen, um die eigenen Progno­­sen der zukünftigen Nachfrage in ausreichender Genauigkeit erstellen zu können [Gabler00, S. 1518]. Die Nachfrageschwankungen führen zum so genann­ten Bullwhip-Effekt.^[3] Die Kundennachfrage schaukelt sich über die einzelnen Mit­glie­der der SC auf, sodass es zu Ineffizienzen in Form von erhöhten Bestän­den, verlängerten Durchlauf­zeiten und einer stark schwankenden Produktion kommt. Der Effekt erhöhter Lagerbestände lässt sich anhand von Simulationen nachweisen (vgl. Abschnitt 4.3).

Erfolgt die Planung in gegenseitiger Abstimmung aller beteiligten SC Partner, so verliert der Einzelne eventuell sein eigenes Optimum, jedoch erhöht sich die Planungs­­sicherheit wesentlich. Durch die frühzeitige Weitergabe von Informationen werden große Nutzen­potenziale für alle beteiligten Unternehmen erzielt. Diese Potenziale äußern sich in Einsparungen in der Lagerhaltung, einem hohen Grad an Flexibilität, hoher Termintreue und Lieferfähigkeit, verkürzten Durchlauf- und Reaktionszeiten, Kosteneinsparungen etc.

2.1.2 Voraussetzungen und Ziele des Supply Chain Manage­ments

Damit eine SC flexibel und reibungslos funktioniert, bedarf es drei wichtiger Voraus­setzungen:

- Erstens müssen die beteiligten Partner der SC ihre Informations­verarbeitung inte­grieren, um Transparenz hinsichtlich des Informations­austausches zu schaf­fen,
- zweitens setzt diese Art unternehmerischen Handelns ein hohes Maß an Vertrauen zwischen den SC-Partnern voraus [Gabler00, S. 2990] und
- drittens sind gemeinsame Ziele der SC-Partner zu definieren und eine Auf­teilung der erzielten Gewinnsteigerungen aufgrund der gemeinsamen Opti­mie­rungs­an­streng­ungen vertraglich festzulegen.

Genau hier liegen zugleich auch die Problemfelder bei der Realisierung einer SC, weil die vorhandenen Produktionssteuerungs- und Planungssysteme (PPS-Systeme) nicht oder zu wenig auf die gesamte Wertschöpfungskette ausgerichtet sind [Kreisler02].

Die mit einer SC verbundenen Ziele sind vielfältig. Grundsätzlich geht es darum, die Aktivitäten des eigenen Unternehmens mit anderen Partnern abzustimmen. Im Wesentlichen versuchen die Unternehmen die Lagerhaltungs- und Transportkosten zu reduzieren, die Termintreue zu verbessern und zwischenbetriebliche Informa­tionen über Störungen in der Logistikkette besser auszutauschen [Gabler00, S. 2990]. Die Gesamtoptimierung des Material-, Waren-, Informations- und Wertflusses entlang der gesamten Wertschöpfungskette geschieht mithilfe

- einer Verbesserung der Kundenorientierung und -zufriedenheit,
- einer Synchronisierung des Bedarfs mit der Versorgung,
- einem Bestandsabbau entlang der Wertschöpfungskette,
- einer Bedarfs- und umweltgerechten Produktion,
- höherer Flexibilität bei Beschaffung und Absatz
- und damit einhergehend einer Verbesserung der Termintreue und des Lieferservices [Kreisler02].

2.2 Supply Chain Operations Reference-Modell

Das SCOR-Modell ist ein weit verbreitetes branchen­unabhängiges Referenzmodell für die Gestaltung, Optimierung und Bewertung einer SC. Dieses Modell wurde 1996 vom Supply Chain Council (SCC)^[4] entwickelt, um Standardprozesse für das SCM zu definieren und Kennzahlen für die Leistungsmessung und -beurteilung festzulegen [Marbacher01, S. 314]. Das SCM-Standardprozessreferenzmodell ist hierarchisch strukturiert und gliedert sich in vier Ebenen auf. Gegenstand des SCOR-Modells sind die ersten drei Ebenen.

Abbildung 2-1 Ebene 1 des SCOR-Modells

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: [Kreisler02]

Abbildung 2-1 zeigt die SCOR Ebene 1 einer SC. Auf dieser Ebene legt ein Unter­nehmen seine SC-Prioritäten, Wettbewerbsziele und die gesamte Produktions- und Logistikstruktur fest [Lawrence01, S. 124]. Mit der Ebene 1 lassen sich somit der Umfang der zu betrachtenden SC, die beteiligten Unternehmen einer durchgängig inte­grierten SC und die Verknüpfung der einzelnen Prozesse und Standorte beschrei­ben.

In Abbildung 2-2 werden die Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1 genauer betrachtet. Die ersten vier Schritte der Auftrags­abwicklung stellen den auftragsbezogenen Informationsfluss dar. Der Kunde erteilt einen Auftrag. Daraus kann ein Produktionsauftrag entstehen, der in einen Material­bereitstellungsauftrag und den tatsächlichen Bestellvorgang an den Lieferanten übergehen kann. Der Material­fluss läuft in den Schritten fünf bis acht genau in entge­gen­gesetzter Rich­tung. Die Materiallieferung des Lieferanten und die Teilelieferung an die Produk­tionsstätte schließen den Ausführungsprozess „Beschaffen“ ab. Im SCOR-Prozess „Herstellen“ werden die Produkte gefertigt. Anschließend erfolgt im Prozess „Liefern“ die Kommissionierung und der Versand zum Kunden [Lawrence01, S. 124].^[5] In der modellierten SC wird dieser Ansatz verwendet, um die Aktivitäten der einzelnen Akteure abzubilden. Exemplarisch wird dies später am Knoten Nürnberg durch­geführt (vgl. Abschnitt 3.2.2.2).

Abbildung 2-2 Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [Lawrence01, S. 125]

In der Literatur werden zur Messung und Bewertung einer SC neben dem SCOR-Modell noch Methoden des Beziehungscontrollings, die unternehmensübergreifende Prozess­­kosten­rechnung, Konzepte der selektiven Kennzahlen und Balanced Score­cards genannt [Weber02, S. 203 f.].^[6]

2.3 Grundlegendes zur Simulation

2.3.1 Begriffe und Abgrenzung

Bei der Untersuchung von komplexen Systemen bieten Simulationen im Vergleich zu anderen Verfahren (z. B. analytisch, heuristisch) keine eigentliche Lösung des Problems, sondern sie dienen als Hilfsmittel zur Bewertung und Beurteilung vorge­schlagener Lösungen. Der VDI definiert den Begriff Simulation folgendermaßen:

Definition 2 Simulation

„Simulation ist das Nachbilden eines Systems mit seinen dynamischen Prozessen in einem experimentier­fähigen Modell, um zu Erkenntnissen zu gelangen, die auf die Wirklichkeit übertragbar sind“ [VDI93, 3633, Blatt 1, S. 3] .

Mithilfe des SCA wird eine SC simuliert, deren Logistikqualität suboptimale Ergeb­nisse aufweist. Anhand von Experimenten und Simulationsläufen soll die Logistik­qua­lität entlang der gesamten SC optimiert werden. Die daraus gewonnenen Resul­tate haben weitgehend globalen Aussagecharakter und lassen zumeist Rückschlüsse auf die Realität zu.

Definition 3 Modell

„Ein Modell ist eine vereinfachte Nachbildung eines geplanten oder real existierenden Originalsystems mit seinen Prozessen in einem anderen begrifflichen oder gegenständlichen System. Es unterscheidet sich hin­sichtlich der untersuchungsrelevanten Eigenschaften nur innerhalb eines vom Untersuchungsziel abhängigen Toleranzrahmens vom Vorbild“ [VDI93, 3633, Blatt 1, S. 3].

Bei der Modell­bildung ist der Detaillierungs­grad von hoher Bedeutung. Ist er zu gering, so sind die Ergebnisse trivial und kaum verwertbar. Im anderen Fall wird das Modell zu komplex, sodass die Resultate unanschaulich und nicht mehr nachvoll­ziehbar werden.

Während bei einem Modell alle (Modell-)Parameter noch variabel sind, werden sie bei einem Szenario festgelegt. Ein Szenario ist demnach ein Modell mit fixierten Para­metern. Als Arbeits­definition wird folgende Begriffserklärung verwendet:

Definition 4 Szenario

„Ein Szenario ist eine hypothetische Aufeinanderfolge von Ereignissen, die zur Betrachtung kausaler Zusammenhänge konstruiert wird“ [Dietrich02]

Unter dem Begriff Simulationslauf wird die tatsächliche Durchführung eines Szenarios verstanden. Durch Variation von Parametern (z. B. der Nachfrage) können eine Vielzahl von Simulationsszenarien entworfen, Messgrößen ermittelt und die einzelnen Modelle direkt miteinander verglichen werden. Als Messgröße dient sowohl im Basismodell als auch im dynamischen Modell mit Störungen die Termintreue bei Einhaltung der vorgegebenen Budgetrestriktion.

Definition 5 Simulationslauf

„Ein Simulationslauf ist die Nachbildung des Verhaltens eines Systems mit einem spezifizierten ablauffähigen Modell über einen bestimmten (Modell-) Zeitraum, auch Simulationszeit genannt, wobei gleichzeitig die Werte untersuchungsrelevanter Zustands­größen erfasst und ggf. statistisch ausgewertet werden“ [VDI93, 3633, Blatt 1, S. 3].

Die Mehrzahl der Simulationswerkzeuge verfolgt wie der SCA den ereignis­orien­tierten Ansatz, d. h., dass ein Ereignis (z. B. Auftragseingang) eine oder mehrere Akti­vitäten auslöst, um die Dynamik im Modell nachzubilden. Im Gegensatz zu mathe­matischen Lösungsansätzen versucht die Simulation, eine Lösung des Opti­mierungs­­problems nicht analytisch zu bestimmen, sondern sich einer solchen durch zielge­richtete Experimente anzunähern. Unter dem Begriff Experiment werden mehrere Simulationsläufe subsumiert.

Definition 6 Experiment

„Ein Experiment ist die gezielte empirische Untersuchung des Verhaltens eines Modells durch wiederholte Simulationsläufe mit systematischer Para­metervariation“ [VDI93, 3633, Blatt 1, S. 3].

Die aus einem Experiment gewonnenen Messergebnisse können nicht ohne weiteres auf das reale System übertragen werden, da sowohl die Genauigkeit der Ein­gangs­daten als auch diverse Unsicher­hei­ten wie etwa Zufallsgrößen berücksichtigt werden müssen [Kuhn98, S.103]. Jedoch liefern Experimente Anhaltspunkte für das reale System bei Änderung von Para­metern.

Abbildung 2-3 fasst alle Schritte von der Abstraktion eines realen Systems über das Simulationsmodell bis hin zur Interpretation und Übertragung der formalen Ergeb­nisse zusammen.

Abbildung 2-3 Schritte bei der Erstellung eines Simulationsmodells

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [ASIM] und [Breyer01, S. 5]

2.3.2 Simulationsarten

Bei der Simulation wird zunächst zwischen statischer und dynamischer Simulation unterschieden. Der erstere Fall beschreibt ein Modell zu einem bestimmten Zeitpunkt oder die Zeit hat keinen Einfluss auf das System. Im zweiten Fall ändern sich die Zustände in Abhängigkeit von der Zeit. Die dynamische Simulation lässt sich weiter zwischen kontinuierlichen und diskreten Zustands- und Zeitwerten unterscheiden. Bei konti­nu­ierlichen Simula­tionen können die Größen „Zustand" und „Zeit" beliebige reelle oder komplexe Werte annehmen. Dieser Simulationstyp wird beispiels­weise bei chemischen Prozessen eingesetzt. Ist eine Simulation diskret, so nehmen „Zustand" und „Zeit" nur Werte aus einer vorgegebenen endlichen Menge an. Die ereignis­orientierte Simulation, zu deren Gruppe der SCA gehört, ist eine Sonderform der diskreten Simulation. Hierbei werden die Systemzustände durch eintreffende Ereignisse ausgelöst. Bei konstanten Simulationen werden Zustands­än­derungen in festen Zeitintervallen herbeigeführt [Gehr98, S. 3; Pohlmann, S. 20 f.]. Abbildung 2-4 fasst alle Simulationsarten zusammen.

Abbildung 2-4 Simulationsarten, unterschieden nach ihren Zustandsänderungen^[7]

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [Pohlmann00, S. 21]

Ereignisorientierte Simulationen sind weit verbreitet, da sie diese besonders gut analysieren lassen [Gehr98, S 3].

In Abbildung 2-5 sind die Zustandsänderungen für diskrete, kontinuierliche oder kombinierte Zeitabläufe zu sehen. Die abhängige Variable könnte beispielsweise der Lagerbestand im Zeitablauf sein. Während bei der diskreten Simulation der Lagerbe­stand nur zu bestimmten Zeitpunkten überprüft werden würde, geschieht dies bei der kontinuierlichen Simulation permanent. Bei der ereignisbasierten Simulation wird das Lager bei Auftreten eines Ereignisses wieder aufgefüllt. Bei der Modellum­setzung mit dem SCA wird eine Bestellung bei Unterschreiten einer bestimmten Bestellgrenze ausgelöst.

Abbildung 2-5 Zustandsänderungen bei zeitlichen Abläufen

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [ASIM]

2.3.3 Vor- und Nachteile von Simulationen

Anhand von Simulationen lassen sich zeitliche Abläufe in einem komplexen System wie einer SC untersuchen, wo andere Verfahren nicht mehr anwendbar sind. Simula­tionen sind immer dann sinnvoll, wenn das Experimentieren am realen System nicht möglich bzw. zu kostenintensiv ist oder die komplexen Wirkungs­zusammenhänge die menschliche Vorstellungskraft überfordern. Die Simulation des zeitlichen Ablauf­verhaltens einer Anlage, z. B. die Herstellung in einer Produktionsstätte, liefert Ergebnisse oder Erkenntnisse im Zeitraffer und somit viel schneller als in der realen Welt. Wenn der Detaillierungsgrad nicht zu hoch ist, können Ergebnisse leicht nachvollziehbar und verständlich gemacht werden. Ein weiterer Vorteil von Simulationen ist die Wiederverwendbarkeit valider Modelle. Diese Eigenschaft wird benutzt, um das Basismodell schrittweise zu erweitern. Es können Strategien, Prozesse und Methoden verändert oder hinzugefügt und in weiteren Experimenten getestet werden. Ist ein Engpass („Flaschenhals") gefunden worden, so ermöglicht eine Simulation dessen genauere Untersuchung. Daneben können Engpässe und Störungen bewusst modelliert werden (vgl. Abschnitt 4.2), um die Belastbarkeit einer SC zu testen [Banks98, S. 10 f.].

Allerdings ist die Modellbildung zeit- und kosten­intensiv. Zudem sind die Ergebnisse von Experimenten nicht immer leicht zu interpre­tie­ren und auf das reale System übertragbar. Beim Auftreten von Störungen können allerdings deren Auswirkungen und Implikationen analysiert werden, die Rückschlüsse auf die Realität erlauben.

3. Modellierung und Simulation einer Supply Chain mithilfe des Supply Chain Analyzers

3.1 Die Simulationsumgebung „Supply Chain Analyzer“

3.1.1 Allgemeines

Die Simulationsumgebung Supply Chain Analyzer gehört zur Gruppe der ereignis­basierten Simulationen. Er wurde von IBM – basierend auf der Simulationsumge­bung SIMPROCESS^[8] – entwickelt und wird speziell für die Modellierung und Analyse von SCs verwendet. Wegen seiner hierarchischen Struktur und integrierter Prozesse eignet sich der SCA insbesondere für das Business Process Reengineering und zur Optimierung der Logistikqualität (z. B. Termin­treue) entlang der gesam­ten SC. Die Daten können sehr detailliert eingegeben werden, sodass realitäts­nahe Modelle entstehen. Animationen während eines Simulationslaufs veran­schau­lichen die Datenflüsse innerhalb von Unternehmen bzw. zwischen ihnen. Somit lassen sich sowohl Produkte als auch Aufträge zwischen den Händlern und Herstellern verfolgen und analysieren. Logistikdienstleister (Transport), Produzenten (Herstellung), Händ­ler und Kunden werden im SCA durch Aktivitätsknoten dargestellt. Während einer Simulation repräsentieren Entitäten die Aufträge, Produkte und Datenflüsse. Mithilfe von Funktionen und einer umfang­reichen Datenstruktur können die Simulations­ergebnisse in den vordefinierten Standard­berichten analysiert werden.

3.1.2 Aktivitätsknoten

Neben den in SIMPROCESS eigenen Strukturen (Prozesse, Ressourcen und Enti­tä­ten) gibt es beim SCA noch sieben weitere spezifische Aktivitätsknoten für das Model­­lieren von SCs (vgl. Tabelle 3-1).

Tabelle 3-1 SCA spezifische Aktivitätsknoten

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 10], [IBM99b, S. 5] und [IBM99c, S. 12]

Eine besondere Stellung beim SCA nimmt der Inventory Optimizer (IO) und der Supply Planning Optimizer (SPO) ein. Ersterer optimiert die Wiederbeschaffungs­zeit­­punkte und die Anfangsbestände. Für diese Berechnung ist allerdings wichtig, dass für die Kunden Bedarfsprognosen angelegt wurden. Das zweite Optimierungs­werkzeug des SCAs erstellt und erneuert während der Simulation Supply Pläne, die fortlaufend an die entsprechenden Händler und Hersteller geschickt werden. Diese Pläne beinhalten Informationen über die Produktion und Wiederbeschaffungsgrenzen der Hersteller und Händler.

3.1.3 Entitäten

Entitäten repräsentieren Waren- und Informationsflüsse innerhalb eines Wertschöp­fungs­netzwerkes. Es gibt insgesamt fünf verschiedene Entitäten (vgl. Tabelle 3-2).

Tabelle 3-2 SCA spezifische Entitäten

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 11], [IBM99b, S. 9] und [IBM99c, S. 8]

3.1.4 Attribute und Ausdrücke

Die Möglichkeit, Attribute und Ausdrücke („Expressions“) zu verwenden, erweitert die Funktionalität des SCAs. Attribute sind entweder benutzerdefinierte oder system­eigene Variablen, die direkten Einfluss auf einen Simulationslauf haben und sich während eines solchen ändern können. Soll beispielsweise ein Transportmittel erst mit einem bestimmten Mindestgewicht an Ladung losfahren, so lassen sich in einer benutzerdefinierten Variable die Gewichte der eingehenden fertig gestellten Produkte solange aufaddieren, bis sie diesen Wert erreicht haben. Mithilfe von Ausdrücken können Attributwerte verändert werden. Für komplexere Ausdrücke (z. B. Schleifen) bietet der SCA die Programmier­sprache MODSIM.^[9]

3.1.5 Funktionen

Im SCA gibt es vier Funktionstypen (vgl. Tabelle 3-3).

Tabelle 3-3 SCA spezifische Funktionen

Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 11], [IBM99b, S. 168] und [IBM99c, S. 192]

3.2 Entwicklung des Basismodells

Die in der vorliegenden Arbeit verwendete SC besteht aus sechs Herstellbetrieben, drei Zulieferer, zwei Händlern und fünf Kunden. Zwei der Hauptprodukte – Compu­termodell A und B – setzen sich aus Halbfabrikaten zusammen, die an unterschied­lichen Standorten hergestellt und zwischen den einzelnen Unternehmen transportiert werden. Neben den Computern werden noch Drucker und Monitore gefertigt. Festplatten und Grafik­karten dienen zum einen als Halbfabrikate, können zum anderen aber auch direkt von den Kunden geordert werden. Die Kunden – mit Händlern wie Saturn oder MediaMarkt vergleichbar – bestellen bei den Grossisten (vergleichbar mit Metro). Diese beziehen die Produkte direkt von den Herstellern und veräußern sie an die Kunden weiter.

Unter Budgetrestriktion wird die minimale monetäre Grenze verstanden, die notwen­dig ist, um den geforderten Servicegrad zu erreichen. Das Budget beinhaltet die Lager­aufwendungen und die Transportkosten entlang der gesamten SC. Die Produk­tions- und Materialkosten werden nicht in das Budget miteinbezogen, da sie für alle Modelle nahezu konstant sind. Sie werden lediglich für die detaillierte Betrachtung der Kosten im Basismodell und im Abschnitt 4.4 für das dynamische Modell mit allen Störungen verwendet. Ein Servicegrad s von s = 100% wird er­reicht, wenn alle Aufträge binnen 36 [h] erfüllt werden. Ansonsten errechnet sich der Servicegrad aus dem prozentualen Anteil der termin­gerech­ten Aufträge gemessen an allen Aufträgen.

3.2.1 Modelldaten

3.2.1.1 Hierarchische Stücklisten

Die Hauptprodukte der SC sind neben den beiden Computermodellen A und B Drucker und Monitore. Als Halbfabrikate für die Produktion der Computer dienen zwei Arten von Motherboards (A und B), Grafikkarten, Festplatten und Gehäuse. Die Motherboards wiederum bestehen aus RAM, Soundkarten und Chips. In Abbildung 3-1 ist die Zusammensetzung („Bill Of Material“, BOM) der beiden Computer­mo­del­le zu sehen.^[10]

Abbildung 3-1 Zusammensetzung des Computermodells A und B

Abbildung in dieser Leseprobe nicht enthalten Abbildung in dieser Leseprobe nicht enthalten

QUELLE: Eigene Darstellung

Das Modell A setzt sich aus einer Festplatte, einem Gehäuse, einer Grafikkarte und dem Motherboard A zusammen. Das Motherboard besitzt eine Soundkarte, zwei Einheiten RAM und die beiden Chips A und B. Für das Modell B ändert sich lediglich die Verwendung des Motherboards B, das nur ein Element RAM und die beiden Chips B und C hat.

3.2.1.2 Produktion

Für die Herstellung der Produkte sind neben den Halbfabrikaten noch Ressourcen (Mensch und Maschine) notwendig. Modell A benötigt Fachkraft „Mensch A“ und „Maschine A“. Von beiden stehen jeweils 15 Einheiten zur Verfügung, die parallel produzieren können. Mit einer Herstelldauer von 8 [h] ergibt sich eine tägliche Kapazität für Modell A von 45 Stück.^[11]

Die Produktion von Modell B benötigt Ressource „Mensch B“ und „Maschine B“, von denen jeweils zwölf Einheiten vorhanden sind. Mit einer Herstelldauer von 6 [h] resultiert daraus eine Kapazität von 48 Stück pro Tag.

Sowohl Maschine A als auch B kosten das Unternehmen 15 €/h an Maschinen­ressour­cen. Für die Human­ressourcen fallen Kosten in Höhe von 10 €/h an. Für die Herstel­lung eines Modells vom Typ A ergeben sich somit täglich 200 € und 150 € für das Modell B an Kosten.^[12]

Die Kosten für eine Ressource „Produktion“ aller anderen Hersteller liegt bei 10 €/h. Bei den Standorten Hamburg und Dortmund muss beachtet werden, dass die Ressourcen sowohl für die Produktion von Gehäusen und Festplatten als auch für die Herstellung von Motherboards A und B verwendet werden können. Die Kapazitäten errechnen sich wie für den Knoten „Nürnberg“. Tabelle 3-4 fasst alle Daten zusam­men.

[...]

^[1]

^[2] Weitere Informationen bei [Law00, S. 10] und [Banks98, S. 16].

^[3] Eine genauere Erläuterung befindet sich im Anhang A1.

^[4] Das Supply Chain Council ist eine unabhängige, nicht gewinnorientierte Vereinigung, die es sich zur Aufgabe gemacht hat, SCOR weiter zu entwickeln, zu fördern und zu unter­stützen [Lawrence01, S. 104].

^[5] Ein vollständiger Überblick über alle SCOR-Ebenen befindet sich im Anhang A2.

^[6] Weitere Informationen sind unter anderem bei [Weber02. S. 187 ff.] zu finden.

^[7] Weiterführende Informationen sind unter anderem bei [Law00, S. 3 ff.] und [Bellinger98] zu finden.

^[8] SIMPROCESS ist ein registriertes Markenprodukt der Firma CACI. Weitere Informationen sind unter anderem bei [CACI96] und [CACI02] zu finden.

^[9] Im Anhang A5 befindet sich ein Auszug eines Scripts.

^[10] Detaillierte Produktdaten befinden sich im Anhang A3.1.

^[11].

^[12] Herstelldauer × (Preis für Ressource Mensch + Preis für Ressource Maschine) = 8 h × (10 €/h + 15 €/h) = 200 €.