Supply Chain Management

Transkript

1 Supply Chain Management Demand Planning Collaboration Reading: M. Fisher et al.: Den Absatz planen in einem sehr launischen Markt. Harvard Business Manager: 16 (1994), Nr. 4, S A B C Das Design der SC richtet sich nach der ABC-XYZ XYZ-Klassifikation (Wdh( Wdh) X 1,6 1,4 1,2 1, Z S ICON GmbH, Germany ICON GmbH, Germany ICON GmbH, Germany A Planer B Computer C Computer JiT, JiS(equence), kein (minimaler) Sicherheitsbestand, Integration Zulieferer, Planer überwacht/kontrolliert JiT, JiS, Verbessern der Prognosequalität, Integration Zulieferer, Flexibilisierung Prozesse Sicherheitsbestand abhängig von Zuverlässigkeit Zulieferer Schwankung der Nachfrage Eigenschaften des Produktes Bestandsführung automatisch Reaktionszeit bestimmt MTS, MTO, ATO, zentral/dezentral Flexibilisierung Zulieferer Sicherheitsbestand: Reaktionszeiten Planbarkeit (Wartung, Ausfall Maschine) Sicherheitsbestand steigt Sicherheitsbestand steigt

2 2 Prognoseverfahren bauen auf gefilterten Daten auf (Wdh( Wdh) Filtern von bekannten externen Faktoren Anwendung Prognoseverfahren: Gleitender Durchschnitt, Exponentielle Glättung erster Ordnung Exponentielle Glättung zweiter Ordnung (Winters) Exponentielle Glättung dritter Ordnung (Holt) Box/Jenkins Beachtung externer Faktoren Anlauf/Auslauf, Lebenszyklus, Substitution Bestimmung Sicherheitsbestand basierend auf Prognosefehler s = lt d + z σ (ε ) lt Grundlage: Saison ist ca. 2 Monate, Extremer Einfluß von externen Faktoren Kollektion wird jedes Jahr komplett neu entworfen Produkte sind klassifiziert als Z und A, Preisdruck bewirkt komplexe Lieferkette, lange lt Vorlaufzeit Bestellung bei Zulieferer: 1 Jahr Schlechte Prognosequalität Innovative Produkte Case: : Obermeyer

3 3 Case: : Obermeyer Maßnahmen zur Steigerung Flexibilität: Bestellbearbeitung mit Rechner Vorfinanzierter Sicherheitsbestand im Herstellerland (China), somit kann schnell reagiert werden Reduktion der Lieferzeit durch Luftfracht (sinnvoll?) Trotzdem: Fehlbestände bei Rennern, Überbestände sonst Ansatz: Accurate Response Team macht getrennte Prognose, Einteilung Produkte nach Abweichung der Prognosen Übereinstimmung: ok, Produkte sind gut prognostizierbar und werden früh produziert (Auslastung Kapazitäten) realisierter Absatz Case: Obermeyer - Demand Planning - Collaborative Planning Bei schlechter Übereinstimmung - Unsicherheit der Prognose Produktion nur 2% der erwarteten Stückzahlen Kopplung POS mit Prognosewerkzeug Nach Anlauf wird die Prognosequalität um 8% verbessert Ausrichten der Supply Chain auf Prognose (Flexibilisierung) Übergang von Z --> X, bzw. Y Produkt prognostizierter Absatz realisierter Absatz prognostizierter Absatz (nach 2 Prozent Absatz)

4 4 Demand Planning soll ganzheitlich erfolgen Daten liegen disaggregiert vor Unterschiedliche Abteilungen, Bereiche, etc. haben untersch. Sichten auf die Daten Unterteilung nach date region part value GERMANY DJ FRANCE DJ UK CDW-6X UK DJ US-WEST SVR GERMANY SVR Produkt (Kunde) Zeit Region Prognosen richten sich nach unterschiedlichen Kennzahlen Logistik: Tonnage, Marketing: Produktgruppe, Vertrieb: key account, Produktion: Produkt-Standort, Finanzen: Umsatz, Gewinn Ziel SCM: Prozessorientiert, ganzheitliche Prognose Ein Prognosemodell wird auf gefilterte und aggregierte Daten angewendet Vorhandene Zeitreihe Filtern von externen Faktoren Aggregation Anwendung Prognosemodell Aufaddierung externer Faktoren Disaggregation Aufbereitung, evtl. Überarbeitung Disaggregation: größter gemeinsamer Teiler Kontingentierungsansätze

5 Demand Planning erfordert intensive Abstimmungsprozesse Ansatz: Collaborative Planning Sehr komplex, da über Bereichsgrenzen hinweg geplant wird (es menschelt) Unterstützung durch Workflow-System, Automatisierung der Abstimmungsprozesse (weltweite Planung!) Mechanismen zur Kontrolle bei Engpasspoker: Kontingentierung, Definieren von Kanälen, Zieldefinitionen Szenarien-Analyse: Verteilung für Vertrieb, wenn die Prognose der Produktion verwendet wird? Featurelist Demand Planning Bereitstellen unterschiedlicher Prognoseverfahren Bestimmung Prognosefehler, Rückkopplung Bestandspolitik Berücksichtigung externer Faktoren bei Datenanalyse Promotionplanung Lebenszyklusplanung: Phase-in, Phase-out, Übergang, LIKE- Modellierung bei Neuanlauf/Auslauf, Collaborative Forecasting (CPFR) ermöglichen Workflowunterstützung Spezielle Funktionen für Ersatzteilgeschäft OLAP - Funktionalität (Online Analytical Processing) für Auswertungen

6 Durch Devaluieren von Prognosen wird Bedarf erzeugt (I) Prognose liegt monatlich vor Bedarf muss täglich erzeugt werden Aufteilen nach Patterns Monat -> Wochen Wochen -> Tage Gegen reale Aufträge rechnen Prognose Jan Prognose Feb Prognose Jan Prognose Feb Bedarf für Poduktionsplanung w1 w2 w3 w4 w1 w2 t [Wochen] Durch Devaluieren von Prognosen wird Bedarf erzeugt (II) Prognose liegt aggregiert vor, z.b. auf Produktgruppenebene Aufteilen auf Bereiche/Standorte des Netzwerkes Beispiel: Depot Split (7/3) D1 Total 7% 1% D %