1 3 7 9 11 13 1 17 19 21 23 2 27 29 1 3 7 9 11 13 1 17 19 21 23 2 27 1 3 7 9 11 13 1 17 19 21 23 2 27 29 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. 62-71 A B C Das Design der SC richtet sich nach der ABC-XYZ XYZ-Klassifikation (Wdh( Wdh) 4 3 2 1 X 1,6 1,4 1,2 1, 8 6 4 2 Z 3 2 1 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 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 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 4 3 2 1 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 2 4 6 8 1 12 14 16 prognostizierter Absatz realisierter Absatz 18 16 14 12 1 8 6 4 2 2 4 6 8 1 12 14 16 prognostizierter Absatz (nach 2 Prozent Absatz)
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 12-4-2 GERMANY DJ-9 178 12-4-2 FRANCE DJ-9 92 12-11-2 UK CDW-6X 234 12-11-2 UK DJ-12 12 12-11-2 US-WEST SVR-12 6 12-18-2 GERMANY SVR-12 13... 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
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
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% 1 2 3 4 6 7 D2 1 2 3 4 6 7 3% 1 2 3 4 6 7 6