Potenziale eines simulationsgestützten Controllings im Supply Chain Management


Ausarbeitung, 2003
88 Seiten, Note: 2,0

Leseprobe

Inhaltsverzeichnis

1 Einleitung

2 Simulation einer Supply Chain mit GoldSim
2.1 GoldSim
2.2 Modellannahmen der Supply Chain
2.2.1 Nachfrage und Marktbeeinflussung
2.2.2 Produktion
2.2.3 Lieferanten
2.3 Bullwhip Effekt
2.4 Störungen der Supply Chain
2.5 Collaborative Planning, Forecasting and Replenishment

3 Controlling der Supply Chain
3.1 Ziele und Aufgaben des Supply Chain Controllings
3.2 Realisierung des Simulationsleitstands
3.2.1 Systemarchitektur
3.2.2 Parametrisierung von GoldSim
3.2.3 Export der Daten in GoldSim
3.2.4 Import der Simulationsergebnisse
3.2.5 Chart-Komponente
3.2.6 Komponente zur Berechnung der Kennzahlen

4 Simulierte Szenarios
4.1 Ausgangsszenario
4.1.1 Simulationseinstellungen
4.1.2 Simulationsdurchlauf
4.1.3 Simulationsergebnisse
4.2 Collaborative Planning
4.2.1 Simulationseinstellungen
4.2.2 Simulationslauf
4.2.3 Simulationsergebnisse
4.3 Marktnachfragebeeinflussung
4.3.1 Simulationseinstellungen
4.3.2 Simulationslauf
4.3.3 Simulationsergebnisse
4.4 Streik
4.4.1 Simulationseinstellungen
4.4.2 Simulationslauf
4.4.3 Simulationsergebnisse

5 Zusammenfassung und Ausblick
5.1 Zusammenfassung
5.2 Ausblick

Literaturverzeichnis

Anhang
A Matrix der Simulationsergebnisse
B Excel Quellcode
B.1 Berechnung des Calculation-Tabellenblatts
B.2 Diagrammerstellung
B.3 Import
B.4 Kontextmenü

1 Einleitung

Die verstärkte Verbreitung von Supply-Chain-Management (SCM) -Konzepten wirft die Frage auf, wie die daraus entstehenden unternehmensübergreifenden Wertschöpfungsketten effizient gesteuert und kontrolliert werden können, um dem Ziel der Wertbeitragsmaximierung der gesamten Kette Folge zu leisten. Zu den Hauptaufgaben des dafür eingesetzten Supply Chain Controlling (SCC) zählt die Bereitstellung von finanz- und materialbezogenen Informationen [KaGe01], sowohl beim Aufbau der Supply Chain als auch bei deren Betrieb. Es wird somit in strategisches (Aufbau) und operatives (Betrieb) Controlling unterschieden [HoSc01]. Des Weiteren muss das SCC in diesem Kontext koordinations- und durchführungsorientiert verstanden werden.

Das über Unternehmensgrenzen hinweg ausgerichtete Controlling verlangt nach einer Erweiterung der klassischen Controlling-Instrumente [ScJe99]. Ein gemeinsames und einheitliches Prozessverständnis der beteiligten Unternehmen und die Weiterentwicklung der traditionellen Kennzahlensysteme [RiSZ02] hin zu unternehmensübergreifenden Kennzahlensysteme für die gesamte Wertschöpfungskette, zählen zu den Herausforderungen bei der Einführung des SCC [WeBG01].

Um die Auswirkungen des SCC in den komplexen logistischen Wertschöpfungsketten identifizieren zu können, bietet sich die Simulationstechnik an. Die Simulation ermöglicht die Nachbildung der Dynamik des Netzes und eine Verwendung von stochastischen Einflussgrößen, welche sich beispielsweise bei der Modellierung von Störungen in innerbetrieblichen Produktions- bzw. Lagerprozessen entlang der Kette ergeben. Die Literatur weist auf eine Etablierung der Simulation zur Analyse und Optimierung logistischer Systeme [LaKe00] und als geeignetstes Hilfsmittel zur Analyse von Supply Chains [ScPl00] hin.

In den vergangenen Jahren wurde eine Vielzahl von kommerziellen Simulationswerkzeugen entwickelt, in dieser Arbeit wurde das Werkzeug GoldSim von Golder Associates verwendet.

Das hier zugrunde liegende Controlling-Verständnis orientiert sich im Unterschied zur angloamerikanischen Literatur an der Philosophie von Horvárth. [Horv01, 153] schreibt: „Controlling ist – funktional gesehen – dasjenige Subsystem der Führung, das Planung und Kontrolle sowie Informationsversorgung systembildend und systemkoppelnd ergebniszielorientiert koordiniert und so die Adaption und Koordination des Gesamtsystems unterstützt.“

Die vorliegende Arbeit wurde dem Simulationskreislauf folgend erstellt. Ausgangspunkt ist eine Fernsehproduktion in der Unterhaltungselektronikbranche. Dieses reale System wird mittels Abstraktion vereinfacht und durch das in Abschnitt 2 vorgestellten Modell repräsentiert. Dabei ist dieser Entwurf so flexibel gestaltet, dass es in einzelnen Modulen oder als Gesamtmodell auch auf andere Branchen übertragen werden kann. Abschnitt 3 beschreibt den mit Excel und Visual Basic for Applications (VBA) entwickelten Simulationsleitstand, welcher zur Steuerung der Simulation und zur Auswertung der Ergebnisse verwendet wird. Anschließend werden die simulierten Szenarios in Kapitel 4 detailliert beschrieben sowie deren Ergebnisse diskutiert und die Kosteneinsparungspotenziale durch den Einsatz des SCC belegt. Die Übertragung der durch die Simulation gewonnenen Erkenntnisse in das reale System würde den Simulationskreislauf an dieser Stelle schließen. Abschließend werden im Ausblick Vorschläge und Ideen zur Erweiterung des Modells aufgezeigt.

2 Simulation einer Supply Chain mit GoldSim

Unternehmensnetzwerke sind durch die Kooperation von mindestens zwei autonom handelnden Organisationen charakterisiert, die ohne gemeinsame hierarchische Strukturen in einer zeitlich begrenzten Beziehung zueinander stehen. Ziel dieser Organisationsform ist die Realisierung von Wettbewerbsvorteilen [Sydo92]. Bei der Kooperation der Unternehmen werden horizontale und vertikale Netzwerke unterschieden. In horizontalen Netzwerken findet eine Zusammenarbeit von sich normalerweise direkt konkurrierenden Unternehmen derselben Wertschöpfungsstufe statt. Meist beschränken sich diese Kooperationen auf bestimmte Bereiche, beispielsweise gemeinsame Tätigkeiten in Forschung und Entwicklung. Bei vertikalen Unternehmensnetzwerken handelt es sich um einen Zusammenschluss von Unternehmen, die auf nacheinander folgenden Wertschöpfungsstufen agieren, typischerweise Beziehungen zwischen Zulieferer und Abnehmer. Weiter kann in strategische und dynamische Netzwerke differenziert werden [SnMC92]. In strategischen Netzwerken wird das Netz von so genannten fokalen Unternehmen geführt, z. B. in der Automobilindustrie, in dynamischen Netzwerken sind die beteiligten Unternehmen von ähnlicher Größe, es existiert kein dominierendes Unternehmen. In dieser Arbeit wurde eine Supply Chain, ein vertikales Unternehmensnetzwerk, bestehend aus sechs Unternehmen, darunter drei Produktionsbetriebe mit jeweils einem Zulieferer, modelliert, wobei das Netzwerk von keinem Unternehmen geführt oder dominiert wird.

2.1 GoldSim

GoldSim ist ein universell einsetzbares Simulationswerkzeug für verschiedene Unternehmenssparten, Systeme der Natur- und Ingenieurwissenschaften und findet seinen Ursprung in der Entwicklung einer Simulationssoftware für das U.S. Departement of Energy im Jahre 1990. GoldSim ermöglicht die dynamische und wahrscheinlichkeitstheoretische Ausführung von Simulationen und stützt sich dabei auf seinem grafischen, objektorientierten und hierarchischen Aufbau [Gold03].

In einer Vielzahl von Modellen müssen sowohl Material- als auch Informationsflüsse abgebildet werden. So werden in dem Supply Chain Modell dieser Arbeit beispielsweise die Produktion und der Transport von Material wie auch die Erstellung, Verarbeitung und Weitergabe von Information betrachtet [MiGr01]. Eine identische Handhabung von Material- und Informationsflüssen würde jedoch zu konzeptionellen wie auch mathematischen Fehlern führen. Die Simulationssoftware differenziert deshalb nach Material und Information und stellt unterschiedliche Modellierungselemente zur Verfügung. Eine Validierung der Elemente auf Material- oder Informationsfluss ist in der aktuellen Version 7.51.2 aber noch nicht integriert.

Eine weitere hervorzuhebende Funktion von GoldSim ist die Versionierung die in verteilten Projekten mit mehreren Mitarbeitern unerlässlich wird. Es besteht die Möglichkeit Haupt- und Unterversionen anzulegen, diese mit Entwicklernamen und Beschreibungen zu versehen, und als Referenzversion festzulegen. Die Versionsunterschiede werden dann im Modellbrowser rot angezeigt, und ein Auswertungsbericht im Textformat kann erstellt werden.

2.2 Modellannahmen der Supply Chain

Die grundlegende Funktion eines Modells ist die Abbildung eines realen Systems. Bei dem Prozess der Modellierung findet eine Abstraktion statt, die versucht, die relevanten Merkmale des Originals abzubilden. Der Vorteil der Abstraktion liegt dabei bei der Reduzierung der Komplexität des Originals. Die Auswahl der relevanten Merkmale zählt zu den Herausforderungen bei der Nachbildung [JCWE01] und kann einerseits von den Zielsetzungen der Simulation als auch vom aktuellen Erkenntnisstand determiniert werden. Diese Arbeit untersucht das unternehmensübergreifende Controlling in der Supply Chain. Aus diesem Grund wurde der Nachbildung von Details bei der Produktion innerhalb der einzelnen Unternehmen eine untergeordnete Rolle zugewiesen. Stattdessen wurden die Interaktionen der Unternehmen fokussiert.

2.2.1 Nachfrage und Marktbeeinflussung

Die Funktionen der prognostizierten Marktnachfrage (Sales_Trend) sind in der Excel Datei Funktion.xls hinterlegt. Für den Datenaustausch mit Excel stellt GoldSim das Tabellen (Spreadsheet) Element zur Verfügung, der Datenfluss kann sowohl von GoldSim nach Excel, als auch umgekehrt erfolgen. Der aktuelle Simulationszeitpunkt wird an Excel übergeben, die zugehörige Funktion berechnet den dazugehörigen Wert und gibt diesen an das Simulationswerkzeug zurück. Drei verschiedene Nachfragekurven wurden modelliert, eine der Sinusfunktion folgende Nachfrage, eine konstant steigende Nachfrage mit anschließendem Einbruch und eine Nachfrage mit temporärem Nachfragerückgang. Die Auswahl der Nachfragefunktion erfolgt über einen Schalter in der Steuerungskomponente des Leitstands. Die große Ausdrucksmächtigkeit von Excel erlaubt die Darstellung hoch komplexer Nachfragekurven.

Die prognostizierte Marktnachfrage wird mit einem nicht vorhersehbaren stochastischen (Stochastic) Element, der sich tägliche ändernden Zufallsvariable (Daily_Random), multipliziert. Es handelt sich dabei um eine Normalverteilung, die mit sich selbst korreliert ist, d. h. der aktuelle Wert ist auch von dem vorrausgegangenen Wert des Elements abhängig. Das Resultat ist die tatsächliche Marktnachfrage (Sales_Rate), welche als Eingangsgröße für die Produktion der Unternehmen dient.

Alternativ zur variablen Nachfrage kann der Schalter Switch_variable_Demand die Nachfrage auf einen konstanten Wert fixieren.

Wird die tatsächliche Marktnachfrage von der Produktion der Unternehmen nicht befriedigt, so hat dies zwei Auswirkungen. Für dieses Modell wird die Annahme getroffen, dass der Kaufwunsch der Kunden bei einer Unterdeckung in den folgenden Perioden zu 80 Prozent weiterhin besteht. Abbildung 2-1 gruppiert die Elemente welche zur Modellierung der Nachfragekumulation nötig sind.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-1: Modellierung der Nachfragekumulation

Das für die Berechnung von Funktionen bereitgestellte Expression Element production_excess prüft die Existenz eines Nachfrageüberhangs und berechnet diesen. Ist die Marktnachfrage größer als die Anzahl der von den Unternehmen produzierten und im Warenausgangslager (distribution_storage) zwischengelagerten Produkte, so werden 80 Prozent der nichtgedeckten Nachfrage in dem Speicher (Reservoir) sales_collector gesammelt und können in den folgenden Perioden bedient werden. Mit dem Reservoir Element stellt GoldSim eine Art dynamisches Modellierungskonstrukt zur Verfügung. Diese dienen zur Sammlung vergangener Ereignisse, ermöglichen den Aufbau von Systemen mit Trägheit und Gedächtnis, und sind somit für die Generierung der systeminternen Dynamik verantwortlich [Gold03]. Die Funktion der tatsächliche Verkäufe (actual_sales) errechnet die maximal abzusetzende Menge und entnimmt diese sowohl aus dem sales_collector als auch aus dem Vertriebslager distribution_storage der Unternehmen.

Die zweite Auswirkung, die ein Nachfrageüberhang auslöst, wirkt sich direkt auf den prognostizierten Sales_Trend und somit auf die Nachfrage der folgenden Periode aus. Die Länge des Betrachtungszeitraums zur Feststellung eines Rückgangs der maximal abzusetzenden Menge beträgt konstant 30 Tage. Kann in mehr als der Hälfte des Zeitabschnitts (15 Tage) die Marktnachfrage nicht bedient werden, so sinkt diese in der nachfolgenden Periode um 20 Prozentpunkte. Um bei einer längerfristigen Unterdeckung, wie sie z. B. bei der Einführung neuer Produkte entsteht, ein Absinken der Nachfrage gegen Null zu vermeiden, wird eine Erholung des Markts am Periodenende angenommen. Die Elemente, die zur Modellierung dieser Auswirkung benötigt werden, sind in dem Container demand_movement gruppiert und in Abbildung 2-2 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-2: Modellierung des Nachfragerückgangs

Die Funktion comparison_demand_storage vergleicht die verfügbare Lieferkapazität des Endprodukts mit der aktuellen Marktnachfrage. Das Discrete_Change Element raise_counter_on_shortage löst diesen Vergleich täglich aus und erhöht bei einer errechneten Unterdeckung den Zähler (counter) um den Wert 1. Der in diesem Container befindliche Auslösemechanismus (Triggered Event) Periodenende (end_of_period) wird bei jedem Monatswechsel aktiviert. Eine Periode im Modell entspricht somit einem Kalendermonat im realen System. Bei der Aktivierung des end_of_period Ereignisses wird in dem Statusobjekt Nachfrageabwanderung (movement_demand) überprüft, ob der Zähler größer als 15 ist. Dies würde bedeuten, dass in mehr als der Hälfte des Monats die Marktnachfrage nicht gedeckt werden konnte. Ist dies der Fall, so wird die Boolesche Variable movement_demand vom Initialwert False auf True gesetzt. Der Wert dieses Elements am Ende der Periode wird nun durch das Ereignisverzögerungsobjekt (Event Delay) delay_for_movement um 29 Tage verzögert. 29 Tage deshalb, da die Monate in der Simulation 30 und 31 Tage haben, und die verwendete Variable für die Länge eines Monats nur in „Triggern“ und nicht in anderen Funktionen (z. B. Event Delay) verwendet werden kann. Absolut exakte Nachbildung würde eine Oszillierung zwischen 29 und 30 Tagen fordern. Die Verzögerung ist notwendig, da die Marktnachfrage für die gesamte folgende Periode um 20 Prozent sinken soll. Wäre diese nicht enthalten, so würde die Funktion Nachfrage in Prozent (demand_in_percent) die nachgefragte Menge nur am Vergleichstag reduzieren, am nächsten aber schon wieder auf den normalen Wert zurücksetzen. Die Verzögerung für das Erniedrigen des Zählers (delay_for_reset) ist ein Hilfskonstrukt. Die Auswertungsreihenfolge der „Trigger“ und Elemente kann in GoldSim nicht spezifiziert werden. Deshalb muss sichergestellt werden, dass zuerst der Wert des Zählobjekts abgelesen, und anschließend auf Null zurückgesetzt wird. Ohne dieses Hilfskonstrukt wäre die Ausführungsreihenfolge nicht deterministisch. Für das erwähnte Reduzieren des Zählers ist reset_counter_on_period_end verantwortlich. Der Ergebniswert der demand_in_percent Funktion wird an Excel übergeben und in die Nachfragefunktion einbezogen.

Neben dem Nachfragerückgang, der aus einem Produktionsengpass resultiert, besteht für die Unternehmen im Simulationsmodell auch die Möglichkeit, eine Erhöhung der Marktnachfrage zu erzielen. Grundsätzlich stehen hierzu Marketinginstrumente zur Auswahl, die den Preis, das Produkt, die Promotion und/oder die Platzierung des Produkts am Markt betreffen. Für diese Arbeit wurde eine Marktnachfragebeeinflussung über den Preis ausgewählt, diese wird im Simulationsmodell durch Preissenkungen realisiert. Dabei ist zu beachten, dass eine Preissenkung für das Produkt immer vom aktuellen Lagerbestand der Fertigprodukte abhängt. Somit ist als Nebeneffekt der Nachfrageerhöhung auch eine Reduzierung der Lagerbestände möglich, wie es beispielsweise in den letzten Phasen eines Produktlebenszyklus oder bei gestiegenen Lagerhaltungskosten wünschenswert wäre.

Die Einstellungen für die Preisänderung und der damit verbundenen Marktbeeinflussung werden im Simulationssteuerungsmodul des Leitstands im Unterpunkt Product Price getroffen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-3: Berechnung der prognostizierten Nachfragefunktion

Die Formel aus Abbildung 2-3 bindet die Preisänderung in die Nachfrage, welche in der Datei Funktion.xls definiert ist, ein. Dabei wird die Sinusfunktion der prognostizierten Marktnachfrage mit dem Quotient aus dem Produktpreis (standard_price) und dem aktuellen Preis (actual_price) multipliziert. Der Produktpreis ist während eines Simulationslaufs konstant. Der aktuelle Preis kann ebenfalls mit dem Produktpreis übereinstimmen, sodass der Quotient 1 zum Ergebnis hat und die Sinuskurve nicht verändert wird. Übersteigen die Lagerbestände den im Leitstand spezifizierten Wert für den Beginn einer Preissenkung, so entspricht der aktuelle Preis dem definierten Promotionspreis aus der Steuerungskomponente. Dieser ist gewöhnlich niedriger als der Ausgangspreis, sodass der Quotient größer als 1 wird. Die Sinusfunktion der Nachfrage ist im gesamten Wertebereich positiv, deshalb wird die aus der Multiplikation resultierende Nachfragefunktion erhöht.

Der hier aufgezeigte Einfluss auf das Kaufverhalten des Markts durch preispolitische Maßnahmen der Unternehmen und deren Auswirkungen sind stark vereinfacht abgebildet. In einer Weiterentwicklung des Modells könnten diese Zusammenhänge ausführlicher eingearbeitet werden. Die Berechnung der Nachfragefunktion in Excel würde die Darstellung der aus der betriebswirtschaftlichen Theorie bekannten Preis-Absatz-Funktion zur Berechnung des Verhältnisses zwischen dem Preis und der abzusetzende Menge ermöglichen.

2.2.2 Produktion

Die modellierte Supply Chain besteht aus drei Abnehmerunternehmen die in diesem Modell als Produktionsunternehmen fungieren, und mit Company 1, 2 und 3 benannt sind. Die Modellierungselemente jedes dieser produzierenden Unternehmen sind zur besseren Übersichtlichkeit des Gesamtmodells in einem Container gruppiert. Die Unternehmen 2 und 3 enthalten der Produktion vorgelagerte Zwischenlager, intermediate_storage_1 und intermediate_storage_2. In diesen Speicherelementen werden jeweils die Endprodukte der Unternehmung der vorausgegangenen Wertschöpfungsstufe gelagert. In Unternehmen 2 und 3 werden diese Halbfertigprodukte mit Rohstoffen aus den Zulieferbetrieben verarbeitet. In die Produktion von Unternehmung 1 fließen keine Halbfertigprodukte ein, vielmehr werden die vom Lieferanten gelieferten Rohstoffe weiterverarbeitet. Die letzte Produktionsstätte der Wertschöpfungskette besitzt zusätzlich das mit distribution_storage benannte Vertriebslager aus dem die Marktnachfrage bedient wird. Die Eingangsgröße für die zu produzierende Menge für das Unternehmen 1 und somit auch für 2 und 3 ist die verzögerte Marktnachfrage. Das Modell dieser Arbeit setzt voraus, dass dem ersten Unternehmen der Wertschöpfungskette die aktuelle Marktenwicklung bekannt ist. Die Nachbildung beinhaltet ferner Verzögerungen bei der Weitergabe der Informationen vom Markt hin zum produzierenden Gewerbe. Das Informationsverzögerungs (Information Delay) -Element Delay_Demand_Company drückt diese in Tagen aus. Die Festlegung der Anzahl der Verzögerungstage erfolgt im Simulationsleitstand in Excel.

Abbildung 2-4 zeigt exemplarisch für die drei Produktionsunternehmen den Inhalt des Containers Stufe 1 (Tier_1). Die eigentliche Produktion wird mit einer Materialverzögerung (Material Delay) abgebildet.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-4: Modellierung der Produktionsunternehmen

Die Durchlaufzeit für das Produktionselement 1 (production_tier_1) wird mit cycle_time_var_prod_tier_1 vorgegeben. Vorteil dieser Lösung ist eine stochastische Modellierung der Durchlaufzeit. So wird in diesem Modell die Durchlaufzeit des Unternehmens 1 durch eine linkssteile logarithmische Normalverteilung bestimmt, das geometrische Mittel beträgt 1,3 Tage. Das Rohstofflager 1 (raw_material_warehouse_1) stellt die zur Produktion benötigten und vom Rohstofflieferanten gelieferten Produktionsmittel bereit. Die Funktion Produktionsmenge Stufe 1 (quantity_tier_1) stellt die maximal zu produzierende Menge fest. Diese errechnet sich aus dem Minimum der verzögerten Marktnachfrage (es sollte nicht mehr produziert werden als abgesetzt werden kann) und dem Inhalt des Rohstofflagers.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-5: Berechnung der Funktion quantity_tier_1

Die in Kapitel 2.5 diskutierte Collaborative Planning, Forecasting and Replenishment (CPFR)-Komponente wird in dieser Formel ebenfalls berücksichtigt. Die CPFR-Variable Lageranpassungsrate (inventory_adjustment_rate) kann sowohl positive als auch negative Werte annehmen. Die Maximumfunktion in der Abbildung 2-5 stellt sicher, dass die Produktionsmenge nicht kleiner als Null wird.

Das Modell berücksichtigt zudem, dass es in den einzelnen Unternehmen Restriktionen gibt die es zu beachten gilt. Dabei wird hier nicht so sehr an zeitliche Beschränkungen gedacht, sondern an Maschinenbegrenzungen. Aus diesem Grund kann eine maximale Stückzahl pro Tag im Produktionsleitstand (vgl. Kapitel 3) für jede der Produktionsstufen angegeben werden. Durch Änderung dieser höchsten Produktionsmenge kann man z. B. einen Ausfall oder Zukauf einer Maschine simulieren. Bei der Anschaffung einer neuen Produktionseinheit fallen aber auch höhere fixe Kosten an, die auf der Controllingseite berücksichtigt werden müssen. Weiterhin gibt es noch Restriktionen auf Ausgangsproduktseite sowie auf Rohstoffseite zu bedenken. Tritt beispielsweise eine Störung (vgl. Kapitel 2.4) in einer Komponente einer Supply Chain auf, setzt sich diese bis zu deren Ende fort, falls nicht genügend Produkte des in der Kette vorgelagerten Unternehmens auf Lager liegen. Dies gilt ebenfalls für die zur Weiterverarbeitung benötigten Rohstoffe. Für den Fall, dass zu wenig bei einem Zulieferer bestellt wird, oder es zu einer Störung der Lieferung kommt, kann ebenso nicht produziert werden.

Abbildung 2-6 zeigt die Umsetzung der angesprochenen Beschränkungen im GoldSim Modell anhand Produktionsstufe 2 (Company 2).

Hier sammelt sich im Reservoir Element adjustment_max_inflow_tier_2 die Differenz der Bezugsmenge aus dem Zwischenlager (quantity_tier_2) und der maximal produzierbaren Menge aufgrund des Maschienengpasses, für den Fall, das diese positiv ist. Das Element Max_inflow_compute_2 berechnet dabei die maximal produzierbare Menge ohne Berücksichtigung der Restriktionen von Seiten des Rohstofflagers.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-6: Produktionsstufe 2

Max_inflow_compute_2 enthält die Bedingung wie in Abbildung 2-7 zu sehen.

If (adjustment_max_inflow_tier_2 > 0, if (Input_Max_Cap2.Output1 1/day > lot_size_tier_2, if (adjustment_max_inflow_tier_2 >= Input_Max_Cap2.Output1, Input_Max_Cap2.Output1 1/day, lot_size_tier_2), Input_Max_Cap2.Output1 1/day), 0 1/day)

Abbildung 2-7: Max_inflow_compute_2

Zuerst wird dabei sichergestellt, dass das Reservoir Element adjustment_max_inflow_tier_2 nicht leer ist, also Ausgangsprodukte vorliegen. Falls dem nicht so ist, wird auch nicht produziert (in der Formel durch die 0 am Ende von Abbildung 2-7 verdeutlicht). In der zweiten if-Bedingung wird ausgewertet, ob die Kapazitätsgrenze größer ist als der Ausgangsprodukteingang aus Zwischenlager 1 (intermediate_storage_1). Ist dies nicht der Fall, so kann maximal produziert werden. Ansonsten wird in der dritten if-Bedingung geklärt, ob das Lager (adjustment_max_inflow_tier_2) mehr Zwischenprodukte enthält als man höchstens benutzen könnte. Wenn nicht, kann nur produziert werden was dem intermediate_storage_1 entnommen wird. Sollten sich im Reservoir aber mehr Teile befinden als man maximal pro Tag benötigt, kann die Maschine/können die Maschinen auf Volllast gefahren werden.

Nachdem Abbildung 2-7 ausgewertet wurde ergibt sich eine neue mögliche Produktionskurve. Diese muss nun noch mit dem Rohstofflager abgeglichen werden. Dies geschieht über Max_inflow_allowed_2.

If (raw_materials_warehouse_2 1/day > Max_inflow_compute_2, Max_inflow_compute_2, raw_materials_warehouse_2 1/day)

Abbildung 2-8: Max_inflow_allowed_2

Die Bedingung aus Abbildung 2-8 prüft, ob das Rohstofflager 2 (raw_material_warehouse_2) mehr Rohmaterialien enthält als Erzeugnisse produziert werden sollen. Für diesen Fall kann die vorher in Max_inflow_compute_2 berechnete Zahl an Produkten an diesem Tag hergestellt werden. Dagegen kann nur soviel angefertigt werden, wie sich Rohmaterial im Lager befinden, wenn die if-Bedingung nicht zutrifft. Das Ergebnis von Max_inflow_tier_2 ist ebenfalls eine Produktionskurve. Diese beinhalten dann alle Restriktionen, die berücksichtigt werden müssen und wird in Produktionsstufe 2 (production_tier_2) realisiert.

2.2.3 Lieferanten

Für jedes, der in Abschnitt 2.2.2, erwähnte Unternehmen existiert in diesem Modell genau ein Zulieferunternehmen, das die zur Produktion benötigten Rohstoffe liefert. In der Fernsehgeräteherstellung wäre dies jeweils ein Zulieferer für die Bildröhre (picture_tube_supplier), die Hauptplatine (mother_board­_supplier) und das Gehäuse (chasis_supplier). Die Elemente zur Nachbildung der Zulieferunternehmen sind wiederum zu Containern zusammengefasst. Als Eingangsgrößen für die Rohstofflieferanten dienen die Produktionsmengen der vorgelagerten produzierenden Unternehmen, da jedes auf der vorausgegangenen Stufe entstandene Halbfertigprodukt auf der nachfolgenden mit einem Rohstoffprodukt verarbeitet wird. Als Bestellmenge für den ersten Zulieferer der Wertschöpfungskette dient die verzögerte prognostizierte Marktnachfrage.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-9: Modellierung der Zulieferunternehmen

Abbildung 2-9 stellt die zur Modellierung der Lieferanten benötigten Elemente dar. Die Abbildung der Wiederbeschaffungszeit der Rohstoffe im Modell erfolgt auf Seite der Zulieferer mit dem Information Delay Modellelement order_delayed_mboard_amount. Die Wiederbeschaffungszeit für Bildröhren und Gehäuse betragen drei bzw. zwei Tage. Die Hauptplatinen werden von einem Lieferanten aus Süd-Ost Asien bezogen, daher beträgt die Wiederbeschaffungszeit für diesen Rohstoff zwei Monate. Die Bestellungen werden in dem Integrator mother_board_amount gesammelt. Das Integrator Element wird in GoldSim zum Integrieren von Informationen verwendet, und steht damit im Gegensatz zu dem bereits erwähnten Reservoir Element, welches zur Zusammenfassung von Material oder Waren dient. Dieses Modell trifft die Annahme, dass die Bestellmenge bis zum Zeitpunkt der Lieferung geändert werden kann. Die Anliefertage der Rohstoffe werden in mb_delivery_days festgelegt. Dieses Triggered Event stößt den Auslieferungsprozess der Rohstoffe zu den Produktionsunternehmen an. Dabei werden die Rohstoffe aus einem unendlichen Vorrat (mother_board_supply) entnommen und in der in mother_board_amount spezifizierten Menge mit dem Discrete Change Objekt Hauptplatinenlieferung (mother_board_delivery) ausgeliefert. Die verbleibenden Modellierungselemente delay_discrete_change_2 und reduce_mb_integrated_amount sind Hilfskonstrukte zum Zurücksetzen der Bestellung bei Auslieferung.

2.3 Bullwhip Effekt

Der Bullwhip-Effekt wird unter anderem von Hau M. Lee näher erläutert. Lee beschreibt das Phänomen, das Procter & Gamble (P&G) bei der Betrachtung des Produkts Pampers beobachtete. Obwohl der Verbrauch annähernd konstant war, variierten die Ordergrößen von P&G an die Zulieferer. Der Effekt, der in anderen Quellen auch Peitscheneffekt [Mert01, 296] genannt wird, ist dadurch gekennzeichnet, dass die Varianz der Aufträge zu den Zulieferern tendenziell größer ist, als die Varianz der Verkäufe an die Kunden [LePa97]. Diese Betrachtung ist aber nicht neu. Zu den Ersten, die sich mit diesem Thema auseinandersetzten und den Bullwhip-Effekt im Rahmen von Fallstudien illustrierten und analysierten, gehörte Forrester im Jahre 1961 [Mett97].

Lee nennt als die vier wichtigsten Gründe für den Effekt das Aktualisieren der Nachfrageprognose, das Sammeln von Aufträgen, auftretende Preisfluktuationen und das Spekulieren mit Produktengpässen [Lee97]. In anderen Quellen werden noch zeitverzögerte Bestellvorgänge und große Distanzen zwischen den einzelnen Stufen der Supply Chain als Gründe genannt [BrFi03].

Aus dem Bullwhip-Effekt resultieren verschiedene Auswirkungen, die die Versorgungskette beeinträchtigen. Diese sind eine Intransparenz hinsichtlich der tatsächlichen Nachfrage der Endkunden, hohe Bestände an Halb- und Fertigerzeugnissen in der Supply Chain, überdimensionierte Produktionskapazitäten und schließlich temporäre Lieferschwierigkeiten (Out-of-Stock-Situation) [BaKa01].

Ein Ansatz, den Effekt zu beseitigen oder zumindest zu mildern, ist CPFR auf das in Kapitel 2.5 näher eingegangen wird.

Aufgrund der Informationsverzögerung in der Supply Chain des Modells tritt besagter Effekt auch dort auf.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-10: Bullwhip-Effekt im Modell

Abbildung 2-10 zeigt die Produktionsmengen der Produktionsstufen 1 (schwarze Linie), 2 (rote Linie) und 3 (graue Linie).Dabei ist an der X Achse die Produktionsmenge und an der Y Achse die Zeit angetragen. Die Wertschöpfungsstufen arbeiten dabei ohne Kapazitätsbeschränkung um den Effekt deutlicher herausstellen zu können. Es ist deutlich zu erkennen, dass die Varianz der Produktionsstufe 3 am größten ist. Dies ist durch die größte Informationsverzögerung zu erklären. Je größer diese ist, desto höher ist die Amplitude der einzelnen Stufe. Eine detaillierte Ansicht gibt dabei Abbildung 2-11. Es ist ein Ausschnitt des Zeitintervalls der Tage [60, 80] des Diagramms aus Abbildung 2-10 zu sehen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-11: Bullwhip-Effekt im Modell (Ausschnitt)

Da die erste Produktionsstufe die geringste Verzögerung besitzt, ist die Varianz im Vergleich zu den Stufen 2 und 3 schwächer. Die Reaktion auf die Nachfrage erfolgt stets mit Verzögerung, aus diesem Grund ziehen sich die Amplituden über den gesamten Beobachtungszeitraum.

2.4 Störungen der Supply Chain

Störungen in einer Supply Chain sind ein großes Problem dem unbedingt Beachtung geschenkt werden muss. Eine Möglichkeit darauf zu reagieren bietet das Supply Chain Event Management (SCEM). Es hat das Ziel, Ausnahmesituationen im Idealfall erst gar nicht erst aufkommen zu lassen. Wenn doch Störungen auftreten, soll die richtige Information, zur richtigen Zeit, in der richtigen Qualität, an die richtige Stelle gebracht werden [Lang03].

Es gibt eine Vielzahl von Störungen, die ein SCEM nötig werden lassen.

Mögliche Störungen sind [Supp02]:

- Naturkatastrophen (z. B. die Flutkatastrophe in den neuen Bundesländern im August 2002),
- Terroranschläge (z. B. der Flugzeuganschlag in New York vom 11ten September 2001),
- Streiks (z. B. der Streik der IG Metall in den neuen Bundesländern im Juni 2003),
- Unfälle (z. B. Feuer),
- Operationale Schwierigkeiten (Schwierigkeiten bei einem Glied der Supply Chain betreffen meistens auch andere Unternehmen der Kette).

Um die Auswirkungen einer Behinderung auf die Wertschöpfungskette nachvollziehen und analysieren zu können, wurde die Störung strike im GoldSim Modell verwirklicht.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-12: Modellauszug Streik

Abbildung 2-12 zeigt die einzelnen Komponenten der Störung. Switch_Production_Strike dient dazu, die Auswirkungen der Behinderung in das Modell zu integrieren oder auszuschließen. Das Feld beinhaltet entweder den Wert True oder False. In strike_frequency kann ein Integer-Wert hinterlegt werden, der die Streikwahrscheinlichkeit pro Jahr festlegt. Strike_propability beinhaltet den gerade gültigen Wert für die Wahrscheinlichkeit eines Streiks pro Jahr. Dabei sind die Werte Null und strike_frequency möglich. Length_of_strike wählt zufällig die Dauer des Streiks aus einer angegebenen stochastischen Verteilung (Abbildung 2-13) aus.

Als statistisches Mittel wurde 60 Tage gewählt, die Standardabweichung wird auf 15 Tage festgesetzt. Das Zufallselement strike_event ist für das Auslösen der Störung verantwortlich. Wenn ein Streik stattfindet, setzt begin_of_strike die strike_propability auf Null, damit kein weiterer Streik begonnen werden kann. Nach Ende der Streikdauer löst das Verzögerungselement on_strike das Ereignis end_of_strike aus. Damit wird die strike_propability wieder auf den Ausgangswert zurückgesetzt. Das Statusfeld workers_on_strike ist für den Fall eines Streiks gleich 1, ansonsten 0. Ein Streik kann sich, je nach Modelleinstellung, auf einzelne, mehrere oder alle Produktionsstufen auswirken.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-13: stochastische Verteilung der Streikdauer

Das Modell verzichtet auf eine detailliertere Streikdarstellung. Dienst nach Vorschrift oder Warnstreiks mit kurzer Arbeitsunterbrechung sind noch denkbar, wurden aber nicht realisiert.

Die weitreichenden Auswirkungen eines Streiks wurden im Juni 2003 sichtbar. Die Mitglieder der IG Metall in Ostdeutschland bestreikten die Automobilbetriebe um die 35 Stunden Woche durchzusetzen. Dabei konnte der Zulieferer ZF Getriebe nicht mehr liefern [Fina03a]. Daraus resultierte ein Produktionsstopp bei BMW. Der Umsatzausfall für das Unternehmen lag bei 38 Mio. € pro Tag, der Gewinnausfall bei 4 Mio pro Tag. Von den Produktionsbeschränkungen waren 10.000 Mitarbeiter betroffen [Fina03b].

Aus einer rein theoretischen Überlegung heraus ist es aber auch denkbar, dass ein Streik sogar Vorteile für den Arbeitgeber haben könnte. Unter der Annahme, dass das Vertriebslager überfüllt sei, wäre ein Streik möglicherweise vorteilhaft. Der Arbeitgeber muss die Gehälter nicht zahlen, da diese aus der Gewerkschaftskasse bezahlt werden und kann trotzdem weiterhin liefern. Ein Engpass tritt erst auf, wenn das Vertriebslager nicht mehr die Produkte enthält, um weiterhin Lieferverträge erfüllen zu können. Diese Möglichkeit wurde im erstellten Modell berücksichtigt.

2.5 Collaborative Planning, Forecasting and Replenishment

Um dem Bullwhip-Effekt aus Kapitel 2.3 zu begegnen, wurde 1995/96 CPFR entwickelt. Zu diesem Zeitpunkt schlossen sich Wal-Mart und Warner-Lambert mit SAP und Benchmarking Capital zusammen, um für ein Produkt gemeinsame Prognosen (Forecasts) zu erstellen, und das Wiederauffüllen der Warenbestände (Replenishment) zu planen. Das Resultat war, dass die Lieferzeit des Produkts von 21 auf 11 Tage reduziert werden konnte. Dieser Erfolg bewog die Voluntary Inter industry Commerce Standards (VICS) Gesellschaft Richtlinien für die Synchronisierung von Geschäftsprozessen, Prognosen und das Auffüllen von Warenbeständen, kurz CFR, später CPFR genannt, zu erstellen [Demi03].

Zusammenarbeit (Collaboration) steht hier für eine auf lange Zeit ausgerichtete Interaktion der einzelnen Mitglieder der Supply Chain im Bezug auf Kommunikation und Datenaustausch. Es muss sowohl in der Strategieerarbeitung als auch in der Ausführung zusammengearbeitet werden, um Umsatz und Gewinn zu steigern.

Das Planen (Planning) wurde in der Ausgangstudie von Wal-Mart und Warner Lambert 1995 noch nicht bedacht, aufgrund der großen Vorteile für die ganze Supply Chain aber später noch von der VICS Gruppe aufgenommen.

Es ist gleichgültig, ob alle Beteiligten unterschiedliche oder eine gemeinsame Prognose (Forecast) erstellen, es muss sich jedoch zuletzt auf eine Prognose geeinigt werden. Dabei können sich auch mehrere Vorhersagen zu einer ergänzen. Für Teile der Prognose hat möglicherweise der Lieferant die besseren Daten, für andere der Händler. Falls die Voraussagen verbessert werden können, zahlt sich das in einem effizienteren Lagerbestand und in der Regel höheren Verkaufszahlen aus. Die Ausgaben und Lieferkosten können gesenkt werden.

Schließlich darf auch das Wiederauffüllen des Lagers (Replenishment) nicht unberücksichtigt bleiben. Die prognostizierten Verkaufsdaten müssen in Aufträge an die Zulieferer umgewandelt werden. Dabei ist auf Einschränkungen bei der Zulieferung, die Durchlaufzeiten der Aufträge und minimale Bestellgrößen zu achten. VICS empfiehlt auch bei der Planung des Transports zu kooperiern [Pete03]. In diesem Zusammenhang stellt das Collaborative Transport Management (CTM) eine Erweiterung des CPFR dar. Nach der Generierung von Aufträgen werden diese zu Transportaufträgen gebündelt [MeGr02, 134]. Dies führt zur Reduzierung der Transportkosten.

Unternehmen, die CPFR einsetzen, versprechen sich dadurch eine Reihe von Vorteilen. Diese sind [Seif02, 121]:

- Verbesserungen bei der Prognosegenauigkeit für die Handelspartner,
- Abbau von Beständen und Sicherheitsbeständen,
- Verringerung von Fehlbeständen und bessere Lieferfähigkeit,
- Umsatzsteigerungen.

Im erstellten Modell wurde das Thema CPFR berücksichtigt. Hierbei ist der Schwerpunkt auf die Planungskomponente gelegt worden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-14: Modell CPFR

Abbildung 2-14 zeigt die einzelnen Elemente des Containers “Vertriebslagerplanung“. Falls der Schalter switch_adaption_rate auf True gesetzt wird, wird hier ausgehend vom Vertriebslager die Produktionsmenge von Produktionsstufe 1 verändert. Der Lagerinhalt des Vetriebslagers wird dabei mit einem gewünschten Lagerbestand (desired_inventory) verglichen. Bei Abweichungen, sowohl positiver als auch negativer Art, wird über die Funktion inventory_adjustment_rate die Produktionsmenge direkt angepasst.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-15: inventory_adjustment_rate

Die Formel in Abbildung 2-15 zeigt die in der inventory_adjustment_rate enthaltene Bedingung. Falls die swich_adaption_rate auf True gesetzt wird, wird die Bedingung nach dem ersten Komma ausgewertet. Dabei kann die Differrenz zwischen desired_inventory und distribution_storage sowohl positive als auch negative Werte annehmen. Das Ergebnis wird zur Produktionsmenge der Produktionsstufe 1 addiert. Die Auswirkungen dieser Einflussnahme werden erst nach Ablauf der distribution_stor_adaptiontime sichtbar. Diese setzt sich aus der Summe der Durchlaufzeiten aller Produktionsstufen zusammen. Die beschriebene Einflussnahme ist durchaus im Bereich des Collaborative Planning anzusiedeln. Hier arbeiten einzelne Produktionsunternehmen kettenübergreifend zusammen, um Abweichungen von einem gewünschten Lagerbestand zu minimieren. Informationen über den Lagerbestand des Vertriebslagers der Produktionsstufe 3 werden genutzt, um die Produktionsmenge der Produktionsstufe 1 zu beeinflussen.

Im Zusammenhang mit CPFR könnten noch weitere Komponenten, wie in Kapitel 5.2 angeführt, in das Modell integriert werden.

[...]

Ende der Leseprobe aus 88 Seiten

Details

Titel
Potenziale eines simulationsgestützten Controllings im Supply Chain Management
Hochschule
Friedrich-Alexander-Universität Erlangen-Nürnberg  (WISO)
Note
2,0
Autoren
Jahr
2003
Seiten
88
Katalognummer
V29123
ISBN (eBook)
9783638307277
ISBN (Buch)
9783656925026
Dateigröße
2253 KB
Sprache
Deutsch
Anmerkungen
Die vorliegende Arbeit behandelt anhand einer in Goldsim erstellten Supply Chain die Auswirkung verschiedener Einflüßfaktoren auf verschiedene ausgewählte Kennzahlen. Dabei wird ebenfalls darauf eingegangen, wie durch Controlling Einflüße frühzeitig erkannt und dementsprechende Gegenmaßnahmen ergriffen werden können.
Schlagworte
Potenziale, Controllings, Supply, Chain, Management
Arbeit zitieren
Michael Plendl (Autor)Oliver Ströbel (Autor)Markus Mederer (Autor), 2003, Potenziale eines simulationsgestützten Controllings im Supply Chain Management, München, GRIN Verlag, https://www.grin.com/document/29123

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Potenziale eines simulationsgestützten Controllings im Supply Chain Management


Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden