Problemstellung:
Eines der größten Rohstoffunternehmen der Welt mit einem Umsatz von über 80 Milliarden USD entschied sich für den Eintritt in einen neuen Markt. Es war der Bau einer neuen Kali-Mine geplant mit einem Exportanteil von 90 Prozent der Produktion. Es sollte eine zuverlässige Lieferkette mit superschnellem Nachschub und der Fähigkeit entworfen werden, sich von natürlichen und menschengemachten Katastrophen zu erholen oder sogar von ihnen zu profitieren. Amalgama und Goldratt wurden unter Vertrag genommen, die Betriebsabläufe der Kali-Mine und eine vollständige Lieferkette für die Distributionslogistik zu entwerfen.
Bevor das Projekt begonnen wurde, war es wichtig, die Engpässe zu verstehen, die sich aus dem aktuellen Simulationssystem ergaben, das von einer anderen Firma entwickelt worden war. Das alte System hatte einige Vorteile. Jedoch verhielt sich das Modell wie eine Black Box und produzierte Ergebnisse ohne Begründung, die nicht hinterfragt werden konnten. Das neue Projekt sollte — mit Simulationsmodellierung — die Lieferkettenprozesse visualisieren und Vertrauen in die Ergebnisse herstellen, um bei folgenden Punkten zu helfen:
- Entwurf einer Lieferkette mit hohem Serviceniveau zu geringen Kosten und mit einer geringen Kapitalinvestition.
- Auswahl der optimalen Lagerverwaltungsstrategie — Push, Hybrid oder Pull.
- Lagerkapazitäten in Minen, Häfen und Knotenpunkten ausfindig machen.
- Bestimmung der benötigten Anzahl an Eisenbahnwagen.
Falsche Entscheidungen könnten zu hunderten Millionen Dollar entgangenem Gewinn über eine Periode von 20 Jahren führen.
Lösung:
Das Modell musste Folgendes leisten :
- Einfach anpassbare Knoten und Verbindungen mit konfigurierbaren Performanzparametern aufweisen.
- Zufälligkeit und Variabilität in Angebot und Nachfrage sowie Störungen einbeziehen.
- Abhängigkeiten und Performanzvariationen mit dynamischer Animation erfassen.
- Finanz- und Betriebsperformanzmetriken darstellen.
- Einzelne Experimentdurchläufe, Vergleiche von Szenarien und Sensitivitätsanalyse durchführen.
Die AnyLogic Simulationssoftware erfüllte diese Anforderungen. Sie erlaubte den Ingenieuren die Erstellung eines Lieferkettenmodells, das so flexibel und konfigurierbar war wie benötigt. AnyLogic Modellierung verdeutlichte die Prozesse innerhalb der Standorte (Häfen, Knotenpunkte, usw.) und zeigte, wie die unterschiedlichen Elemente arbeiten und zusammenspielen.
Der Minenlogistikprozess beginnt bei der Fabrik und den Lagereinrichtungen der Mine. Nachdem die Produkte abgebaut und für den Transfer vorbereitet sind, wird eine Entscheidung getroffen, ob das Produkt zu einem Exportkanal versandt wird oder ob es im heimischen Markt verbleibt. Die Produkte kommen mit dem Zug entweder zu einem Knotenpunkt oder einem Hafen und werden dann ins Ausland versandt oder kommen in die lokale Distribution.
In dem agentenbasierten Modell handelten Seehäfen, Züge und Schiffe als alleinstehende Agenten, die sich gegenseitig beeinflussen. Das Modell enthielt ebenfalls mehrere Quellen von Zufälligkeit, z. B. Streikaktionen, Verzögerungen aufgrund des Wetters, Produktionsstörungen, Variabilität der Kundennachfrage, usw. Die Graphen im Modell zeigen Statistiken für den Ausstoß der Lieferkette und ihrer Komponenten.

Mit Hilfe des Modells wurde eine Sensitivitätsanalyse durchgeführt, um die beste Strategie für die Lieferkette zu definieren – Push, Hybrid oder Pull. Die Analyse berücksichtigte zum System hinzugefügte Eisenbahnwagen (von 2500 bis zu 5500 Eisenbahnwagen), Änderungen der Speicherkapazität in Minen und Häfen (von 150 tausend bis zu 500 tausend Tonnen) und veränderte Serviceniveaus. Das Weltklasse-Serviceniveau wurde als 98 Prozent grün vorgegeben, niedrigere Serviceniveaus wurden mit rot und gelb markiert.
Der Graph zeigte, dass das Push Szenario keine hochwertigeren Ergebnisse erzielte. Das hybride Szenario stellte das erforderliche Performanzniveau zur Verfügung, jedoch wird dieses besser mit der Pull Strategie erreicht, die 3500 Eisenbahnwagen mit einer Kapazität von 300 Kilotonnen oder 4500 Eisenbahnwagen mit einer Kapazität von 250 Kilotonnen verwendet. Das System stellte sich in Bezug auf die Lagerkapazität als sehr sensitiv heraus.

Nachdem die optimale Strategie definiert war, wurden Komplexitäts- und Volatilitätsfaktoren zum Modell hinzugefügt, um die Auswirkungen auf das Serviceniveau zu analysieren. Die Push Strategie wurde durch das Hinzufügen neuer Produkte negativ beeinflusst, währenddessen mit der Pull Strategie hohe Serviceniveaus unabhängig von irgendwelchen Faktoren beibehalten werden konnten.
Für jede Strategie wurde getestet, wie sich die Kosten per Tonne bei einer steigenden Variabilität ändern. Der Kosten pro Tonne Index war für Push fast immer am höchsten. Der Graph zeigte jedoch, dass mit steigender Volatilität und Komplexität die Kosten pro Tonne für Pull mit der Zeit ebenfalls anstiegen.
Schließlich wurden die Ergebnisse miteinander mit Hilfe verschiedener Parameter (Serviceniveau, Umlaufkapital, Warenbestand in den Knotenpunkten und Häfen, usw.) verglichen und die Strategien eingestuft.
Ergebnis:
Die AnyLogic Simulationsmodellierung stellte die Lieferkettenprozesse visuell dar und bewies, dass die Pull Strategie optimal ist. Die Strategie stellte ein höheres Serviceniveau bei niedrigeren Kosten pro Tonne zur Verfügung bei gleichzeitig niedrigerem Umlaufkapital und Investitionsanforderungen. Es zeigte ebenfalls, wie hilfreich zusätzliche Speicherkapazitäten sein würden. Andere Hauptvorteile der Pull Strategie sind:
- Sie kann ein Weltklasse-Serviceniveau beibehalten.
- Sie ist widerstandsfähiger gegenüber Änderungen der Marktnachfrage und des Produktmixes.
- Sie bietet eine automatische Priorisierung. Lagerbestände sind niedrig.
- Sie hält einen niedrigeren Hafen-Lagerbestand aufrecht, was eine Schlangenbildung von Zügen vermeidet.

Die Push Strategie, die durch die Firma zuvor angewendet wurde, stellte ein niedriges Serviceniveau zu Verfügung, weil sie nicht die Variabilität der Nachfrage berücksichtigte. Die Firma verwendete eine Mehrproduktlieferkette und wenn Kunden begannen, ein Produkt nachzufragen, konnte es aufgrund fehlenden freien Speicherplatzes ausbleiben. Der Pull Algorithmus arbeitet auf andere Weise. Er entscheidet – abhängig vom Bedarf – wann es sicher ist, den Lagerbestand zu reduzieren oder zu erhöhen, ohne einen Nachteil zu erleiden.
Zu den Fähigkeiten des Modells gehören:
- Sensitivitätsanalyse — es kann gezeigt werden, wie sensitiv sich Performanzmetriken der Lieferkette in Bezug auf die Anzahl der Eisenbahnwagen und der Speicherkapazität in einem Hafen verhalten.
- Vergleich von Szenarien — Test von verschiedener Lagermanagementstrategien sowie finanzielle und betriebliche Ergebnisse.
Letztere stellte detaillierte Ergebnisse für verschiedene Modellparameter zur Verfügung. Zum Beispiel war der Unterschied der Deltakosten pro verkaufter Tonne für die Push und Pull Strategien drei Dollar pro Tonne. Bei 13 Millionen Tonnen pro Jahr bedeutete dies ein entgangener Gewinn von 39 Millionen Dollar, wenn die falsche Strategie ausgewählt worden wäre. Beim Tonnen Verkauft Parameter gab es einen Unterschied von 4,1 Millionen Tonnen zwischen den Ergebnisse für die Push und Pull Strategien, wenn die gleichen Kapazitäten und Volatilitäten verwendet wurden. Multipliziert mit 300 Dollar pro Tonne, ergäbe sich ein entgangener Umsatz von 1,2 Milliarden Dollar bei Auswahl der falschen Strategie.
Wenn die Analyse auf der Ebene der Führungskräfte präsentiert wurde, wurde die Pull Strategie für die Geschäftsentwicklung ausgewählt.
Projektpräsentation durch Dr. Alan Barnard und Dr. Andrey Malykhanov
