Planungs- und Bestandsoptimierung des Vertriebsnetzwerks durch Simulation

Problem:




Diageo ist ein britisches, multinationales Unternehmen, das alkoholische Getränke vertreibt. Diageo Russland gehört zu den Top fünf der Großhändler von alkoholischen Getränken, welches traditionell ein margenschwaches Geschäft ist und bei dem der Reingewinn empfindlich auf den Grad der Kundenbetreuung und hohe Logistikkosten reagiert. Als Diageo ein höheres Umsatzvolumen erzielte, jedoch aufgrund der Logistikkosten pro Einheit keine größeren Gewinne realisieren konnte, ersuchte Diageo um Unterstützung seitens des Beratungsunternehmens Amalgama, LLC. Für zunehmende Verunsicherung sorgten das Ausmaß und die Kosten der Kundenbetreuung für verkaufte Waren, zusammen mit einem erhöhten Bestand und zukünftigen Plänen für Weiterentwicklung, insbesondere eines neuen Lagers in Russland und einer Expansion zum Ural und Sibirien. Die Berater wurden auch damit beauftragt, Diageos umfangreiche Daten mit einem Entscheidungshilfesystem zu verwalten, um so Wege aufzuzeigen und zu belegen, wie die Logistikkosten gesenkt werden können. Zudem sollte eine Logistikkonfiguration für das expandierte Kundennetz gewählt werden.


LÖSUNG:




Das Modell der Lieferkette beinhaltet drei bestehende und eine zukünftige Fabrik, drei Grenzübergänge, drei bestehende und fünf zukünftige Lagerhallen, zwei Zollstellen und bis zu 300 Bedarfsstellen, die in 45 Service-Gruppen unterteilt sind. Zusätzlich zur Lieferkette beinhaltet das Modell einen Nachschubalgorithmus, Algorithmen für die Aggregation von Aufträgen und für die Tragfähigkeit, sowie für Verzögerungen an Grenzübergängen. Weitere Elemente des Modells waren Prognosegenauigkeit für Nachfrage und Umsatz für alle 280 Diageo-Produkte, in 6 Typen von Lagerhallen.


Die Logik des Simulationsmodells beinhaltete einen Nachschubalgorithmus, bezogen auf ein Segment der Lieferkette, das am Sammellager beginnt, mit fünf Tagen Lieferzeit zum zentralen Auslieferungszentrum und fünf Tagen Lieferzeit zum ursprünglichen Auslieferungszentrum, bedingt durch die Ausdehnung Russlands, sowie durch die relativ langsamen Transportkapazitäten. Der Nachschubalgorithmus berücksichtigt ein Bedarfsdiagramm (Diagramm über den Planumsatz), den aktuellen Bestand, die Lieferzeit sowie die minimale Auftragsgröße, und erzeugt dann den Bedarf an Nachschub, erkennt Versorgungslücken (Zeitspannen, in denen der Bestand unter dem niedrigsten Schwellwert liegt), und ergreift Maßnahmen, um jegliche Versorgungslücken zu vermeiden.

Struktur einer Lieferkette in einem Simulationsmodell


Elemente einer Lieferkette im Simulationsmodell


Eine Validierung des Modells war zwingend erforderlich und begann damit, dass Daten aus dem SAP ERP-System des Vorjahres verglichen wurden, mit Ergebnissen die weniger als 5% Differenz ergaben.

Ergebnisse des Simulationsmodells Lieferkette

Größe des Zielbestands bei unterschiedlicher Prognosegenauigkeit

ERGEBNIS:




Diageos Anfangswert berücksichtigte einen Umsatzanstieg mit einer Prognosegenauigkeit von 60%-80%, mit einer Amortisationsdauer von weniger als 2 Jahren. Durch diesen Anstieg wird Diageo den Zielbestand um 40% senken können, was wiederum die Logistikkosten pro Einheit um 7% reduziert, selbst bei geplantem Umsatzwachstum. Die Forschung verneinte auch die Notwendigkeit von zusätzlichem Lagerraum, da der Lagerbestand, der zum Aufrechterhalten des angestrebten Service-Levels erforderlich war, unangemessen hoch war.


Nach dem Simulationslauf erstellt das Modell eine Prognose zum Bestandslevel jedes Produktes (15 Tage im Voraus), sowie zu den Gesamtkosten jeder einzelnen Produkteinheit, und zeigt dem Kunden auf, welchen Zielstatus die Lieferkette haben sollte.


Hier sehen Sie die gesamte Präsentation von Andrey A. Malykhanov anlässlich der AnyLogic-Konferenz 2013:


More Case Studies

  • Simulation eines Tunnelbaus mit Hilfe einer Tunnelbohrmaschine
    Die Kosten des Ausfalls einer Tunnelbohrmaschine für eine Stunde sind üblicherweise hoch und Projektmanager müssen ihr Bestes tun, um unnötige Verzögerungen im Bau zu verhindern. Das Ziel des Simulationsprojektes, welches durch die Ruhr-Universität Bochum in Deutschland durchgeführt wurde, war es, ein Simulationsmodell zu entwickeln, das fähig ist die Engstellen im Tunnelbauprozess zu bestimmen, um finanzielle Verluste zu minimieren.
  • Peitscheneffekt in der Lieferkette von Halbleitern
    Das Supply Chain Management bei Infineon, ein sehr großer Hersteller von Halbleitern, wollte den Peitscheneffekt, auch Bullwhip-Effekt genannt, in ihrem Markt untersuchen, um Ausgaben zu senken und das Marktverhalten besser vorhersagen zu können. Sie haben AnyLogic-Software eingesetzt, um das Modell einer Lieferkette zu entwickeln - vom Rohmaterial bis zum Verkauf.
  • Simulation der internen Schienenlogistik für den Hafen von Le Havre
    Der Hafen von Le Havre in Frankreich benötigte Unterstützung für den Bau eines neuen multimodalen Terminals. Kernpunkt der Simulation war es, den Transfer der Container zwischen Schienenzügen / Frachtkähnen und anderen bestehenden Terminals zu fördern, die diese Container zum bzw. vom Seetransport überführen.
  • Optimierung der Französischen Bahn
    Der Betreiber eines Eisenbahnnetzes des Landes wollte wissen, ob der Schienengüterverkehr mit LKW-Transporten konkurrieren kann. Der Transport LKW-Bahn-LKW sollte effektiver werden.
  • Tragfähigkeitsmodell eines Bahnhofs
    Aurizon ist eines von Australiens größten Bahnfrachtunternehmen mit mehr als 700 Lokomotiven und mehr als 16.000 Wagons. Aurizon ist stark im Kohlen-, Eisenerz- und Mineraltransport vertreten. Um die Effizienz der Betriebsabläufe zu erhöhen, hat das Unternehmen entschieden, einen ihrer Bahnhöfe in eine andere Stadt zu verlegen. Dieser Bahnhof war vor allem für die Wagon- und Lokomotiven-Wartung, sowie für die Vorbereitung der Lok zuständig.
  • Die beste Lagerhaltungsstrategie mit Gojii auswählen
    Das bestehende Tool für Lieferkette und S&OP (Absatz- und Vertriebsplanung) sind hervorragend für das Lieferungsmanagement geeignet, um einer gewählten "Prognose" zu entsprechen. Es gibt jedoch keine einzige "korrekte Prognose" des künftigen Bedarfs, und bestehende Tools sind nicht dafür konzipiert, das beste Bedarfslevel für das Unternehmen auszuwählen.
  • Die Nettoeinnahmen der Schubbootflotte maximieren
    InterBarge, ein erstklassiger Wasserstraßenbetreiber und eine Tochtergesellschaft der SCF Marine, ein Teil der Seacor Holding Group, betreibt entsprechend eines Beförderungsvertrages Frachtdienste entlang der Wasserstraße des HPP Waterway (Hidrovia Parana Paraguay, mit Sitz in Argentinien, Paraguay, Brasilien, und Uruguay).
  • Modellierung eines kundenzentrierten Verkehrsnetzes
    Ein öffentliches Verkehrsunternehmen wandte sich an PwC Australien, um eine Lösung zu entwickeln, die eine kundenzentrierte Sicht ihrer Bahninfrastruktur bot und dem Unternehmen dabei half, die aktuellen Störfolgen für den Betrieb des Eisenbahnnetzes zu verstehen, und die Situation zu verbessern. Die PwC Berater entschieden sich, das Modell eines Verkehrsnetzes zu erstellen, das Zugbewegungen, Zwischenfälle und Kunden in Bahnhöfen und Zügen simulierte.
  • CSX löst die Herausforderungen des Bahnbetriebs mit der AnyLogic Rail Library
    CSX ist eine US-Eisenbahngesellschaft, mit einem Streckennetz von über 21.000 Meilen (34.000 km). AnyLogic bietet den Nutzern der Eisenbahngesellschaft die Möglichkeit, Probleme bezüglich des Streckenverlaufs, des Terminals und des Bahnhofs zu simulieren. Die folgenden drei Projekte, die 2014 von CSX abgewickelt wurden, deckten eine Vielzahl von Aufgaben ab, die durch die AnyLogic-Software gelöst wurden.
  • Simulation Modeling of Offshore Offloading System for Arctic Oil and Gas Condensate Field
    The Novoportovskoye oil and gas condensate field is located in the Yamal peninsula and owned by Gazprom Neft, the fourth largest oil producer in Russia. Oil from the field is transferred via 100km pipeline to the sea terminal at Cape Kamenny, where it is loaded into arctic cargo tanks for further transportation. The main issues in planning tanker transportation in an arctic region are the harsh ice environment and difficult sea conditions.