Selbstregelnde Mechanismen für passgenauen Lagerbestand
Um Liefer- und Materialengpässe zu vermeiden, kommt es bei Unternehmen vielfach zu einer Überbevorratung, die eine hohe Kapitalbindung mit sich zieht. Enterprise Resource Planning-Systeme bieten für die Bestandsverwaltung von Artikeln zwar viele Einstelloptionen. Doch diese manuell festzulegen und regelmäßig zu überprüfen, erfordert teils hohen Aufwand. Abhilfe verspricht der Einsatz selbstregelnder Mechanismen.
Wer die Bestände in seinem Lager optimal führen will, muss im führenden Enterprise Resource Planning-System in der Regel zahlreiche Einstellungen überwachen. Es gilt, Parameter korrekt festzulegen und regelmäßig zu überprüfen. Schon bei geringer Artikelzahl kann das erheblichen administrativen Aufwand beduten. Außerdem fehlen vielfach belastbare Grunddaten, um Einstellungen für die Zukunft vorzunehmen. Mit einem Modul, das den Einsatz selbestregelnder Mechanismen (SRM) unterstützt, lässt sich dazu ein Regelkreis zwischen dem ERP-System und einer Kontrollinstanz aufbauen. Die neunte Ausgabe von Rockwell Automations „State of Smart Manufacturing“ Report liefert Einblicke in Trends und Herausforderungen für Hersteller. Dazu wurden über 1.500 Fertigungsunternehmen befragt, knapp 100 der befragten Unternehmen kommen aus Deutschland. ‣ weiterlesen
KI in Fertigungsbranche vorn
Ein selbstregulierender Mechanismus nutzt Lagerdaten aus der ERP-Lösung, klassifiziert sie nach Wert und Gängigkeit, erstellt eine Prognose und liefert optimierte Parameter an das Unternehmenssystem zurück. Dieser Regelkreis wird periodisch automatisch durchlaufen. Dabei fließen die früheren Reaktionen der ERP-Software ebenso wie geänderte Rahmenbedingungen in die verfeinerten Parameter ein. Neben dieser Einstellung von Systemparametern bieten leistungsfähige SRM-Lösungen auch Analysewerkzeuge an, die Gründe für Störungen in den einzelnen Prozessen aufzeigen. So wird ein bestmöglicher Lagerbestand bezüglich Kapitalbindung, Beschaffungskosten und Lieferfähigkeit unterstützt.
Zuverlässige Prognose als Basis
Die Basis für SRM ist eine zuverlässige Prognose. Sie erstellt eine Vorschau auf die zukünftigen Verbrauchsverläufe im Unternehmen. Dazu wertet das System historische Daten aus und fertigt über statistische Methoden eine Prognose. Daraus werden Lagerparameter wie Bestellpunkte und Mindestbestände für jeden einzelnen Artikel vorgeschlagen und in der Software eingestellt. Die periodische Wiederholung wirkt als Regelkreis. Schwankungen im Auftragseingang wirken sich auf die Prognose und damit auf die vorhersehbaren Verbrauchsmengen aus. Dementsprechend werden Lager- und Bestellmengen automatisch angepasst, unabhängig davon, ob im Lager 100 oder 100.000 Artikel zu bevorraten sind. Jeder Artikel wird analysiert und jeder Parameter wird bestmöglich eingestellt.
ABCXYZ-Analyse bewertet Artikel
Über eine ABC-Analyse wird dabei die tatsächliche Kapitalbindung durch die einzelnen Artikel analysiert; die Kategorisierung erfolgt von ‚A‘ für hohe Kapitalbindung bis ‚C‘ für niedrige Kapitalbindung. Die XYZ-Kategorien stellen zudem dar, wie regelmäßig die Artikel im Unternehmen verbraucht werden. Die Bewertung reicht von ‚X‘ für häufig benötigte Artikel bis ‚Z‘ für selten gebrauchte Güter. Aus der Kombination der Analysen können Bevorratungsstrategien für die einzelnen Artikel abgeleitet werden. Ein Artikel mit geringer Kapitalbindung und regelmäßigem Verbrauch wird eher auf Menge bevorratet als ein Artikel mit hoher Kapitalbindung und unregelmäßigem Verbrauch. Im ERP-System werden diese Strategien beispielsweise durch die Einstellung der Artikel auf Bestellpunktverfahren für die Bevorratung im Lager oder Solleindeckung, also eine Bestellung nur mit Auftragsbezug, abgebildet. So können sukzessive falsch bevorratete Artikel abgebaut und dadurch Lagerkosten eingespart werden. Weiterhin ermöglichen die aussagefähigen Darstellungen der ABCXYZ-Analyse Schlussfolgerungen für die Produkt- und Beschaffungsstrategie des Unternehmens. Der Thin[gk]athon, veranstaltet vom Smart Systems Hub, vereint kollaborative Intelligenz und Industrie-Expertise, um in einem dreitägigen Hackathon innovative Lösungsansätze für komplexe Fragestellungen zu generieren. ‣ weiterlesen
Innovationstreiber Thin[gk]athon: Kollaborative Intelligenz trifft auf Industrie-Expertise
Zielgerichtetes Zusammenspiel
Die Einhaltung von Lieferterminen ist ein entscheidender Faktor für hohe Kundenzufriedenheit. SRM unterstützen hier auf zwei Arten: Die Fehlteilanalyse ermittelt Artikel, die in der Vergangenheit zu einer Beschaffungsstörung führten. Zusätzlich werden die Gründe des Fehlens aufgezeigt. Zudem wird die Liefertermintreue aus der Differenz zwischen dem zugesagten und dem realisierten Liefertermin errechnet. Das Ergebnis zeigt an, wie gut der Liefertermin vorhergesagt wurde. Die Liefertermintreue kann so als Unternehmenskennzahl verwendet werden. Der Lieferantenforecast ermittelt die Netto-Bedarfe anhand der in der SRM-Prognose erstellten Voraussage für zukünftige Brutto-Bedarfe. Das heißt, dass alle bereits fest geplanten Zugänge aus erfolgten Bestellungen sowie vorhandene Bestände im Lager berücksichtigt werden. Der sich ergebende, zukünftige Bestellbedarf kann dem Lieferanten mitgeteilt werden. Dieser hat dann die Möglichkeit, seine Produktion auf die zu erwartenden Bestellungen anzupassen. Zur weiteren Steigerung der Aussagekraft besteht die Möglichkeit, die geplanten Liefermengen an Ausnahmesituationen wie Sonderaktionen oder Betriebsruhe anzupassen.
Optimale Bevorratung im Fokus
Auch in der Variantenfertigung können Unternehmen von SRM im Lager profitieren. Hier werden Basisbauteile produziert, die in verschiedene Produkte eingehen. Mit einem SRM-Modul können diese Bauteile automatisch identifiziert und für eine optimale Bevorratung vorgeschlagen werden. Über die Bevorratung dieser Baugruppen wird eine Entkopplung verschiedener Produktionsabschnitte erreicht. SRM sind also keineswegs auf Lager und Logistik beschränkt. Ob Fehlteilanalyse, Ermittlung von Bevorratungsebenen, Containeroptimierung bei Beschaffung aus Übersee oder Lieferantenforecast: Der Einsatz von SRM ermöglicht belastbare Aussagen, die sich an geänderte Rahmenbedingungen dynamisch anpassen.
