Fraunhofer-Institut für Materialfluss und Logistik IML
KI und dynamische Bestandsdisposition zur Beherrschung der Unsicherheiten
Die Produktion und Distribution von Gütern erfolgt zu einem großen Teil in weltweiten Supply Chains, welche aus vielen Produktionswerken und Lagerstandorten bestehen. Die produzierten Artikel werden dabei oft über mehrere Stufen von den Werken zu den Kundenstandorten distribuiert. Ein Betreiber eines solchen Distributionsnetzes muss im Rahmen des Bestandsmanagements für jeden Artikel und jeden Lagerstandort festlegen, ob und in welcher Höhe Bestände vorzuhalten sind. In diesem Zusammenhang gilt es außerdem, geeignete Dispositionsverfahren auszuwählen und zu parametrieren. Hierbei werden unter anderem Bestellrhythmus, Bestellmenge, Sicherheitsbestände Meldebestände und Zielbestände festgelegt.
In der Unternehmenspraxis werden Dispositionsverfahren und deren Parameter oft nur in großen Zeitabständen angepasst - beispielsweise im Rahmen der Einführung einer neuen ERP-Software. Für die heutigen Supply Chains ist diese Vorgehensweise jedoch wenig geeignet, da die Marktanforderungen der Kunden deutlich gewachsen sind. Somit ist es für die Wettbewerbsfähigkeit eines Unternehmens essenziell, Änderungen im Nachfrageverhalten und kürzer werdende Produktlebenszyklen zu berücksichtigen und Dispositionsparameter kurzzyklisch anzupassen.
Unser Ansatz der dynamischen Bestandsdisposition geht aus diesem Grund einen Schritt weiter: Mithilfe eines Simulationswerkzeuges, das im Rahmen der taktisch-operativen Planung betriebsbegleitend zum Einsatz kommt, können die Auswirkungen verschiedener Zukunftsszenarien auf relevante Kosten- und Leistungsgrößen bewertet werden. Darüber hinaus besteht die Möglichkeit, unterschiedliche Bestandsstrategien und Dispositionsverfahren hinsichtlich ihrer Auswirkungen auf Bestände und Service-Level simulationsgestützt zu bewerten.
Zusätzlich können einzelne Bestandsparameter wie z.B. die Wiederbeschaffungszeit oder das Nachfragemuster mithilfe von Modellen der künstlichen Intelligenz bestimmt werden, um in komplexen Wirkzusammenhängen eine solide Datenbasis für die Simulation und die Bestandskalkulation zur ermöglichen.
Auf diese Weise schaffen wir die Voraussetzungen für ein zeitgerechtes und robustes Service-Level-Management in logistischen Netzwerken.
