Planungs- und Bestandsoptimierung des Vertriebsnetzwerks durch Simulation

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.

Struktur einer Lieferkette in einem Simulationsmodell

Elemente einer Lieferkette im Simulationsmodell

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.

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:

Ähnliche Fallstudien

Mehr Fallstudien