Veröffentlichen auch Sie Ihre Arbeiten - es ist ganz einfach!
Mehr InfosDiplomarbeit, 2003, 110 Seiten
Diplomarbeit
1,7
ABBILDUNGSVERZEICHNIS
TABELLENVERZEICHNIS
SYMBOL- UND ABKÜRZUNGSVERZEICHNIS
1. Einleitung
1.1 Problemstellung und Zielsetzung
1.2 Vorgehensweise bei der Durchführung einer Simulation
1.3 Aufbau der Arbeit
2. Überlegungen zum Supply Chain Management und zur Simulation
2.1 Grundlegendes zum Supply Chain Management
2.1.1 Begriffe und Abgrenzung
2.1.2 Voraussetzungen und Ziele des Supply Chain Managements
2.2 Supply Chain Operations Reference-Modell
2.3 Grundlegendes zur Simulation
2.3.1 Begriffe und Abgrenzung
2.3.2 Simulationsarten
2.3.3 Vor- und Nachteile von Simulationen
3. Modellierung und Simulation einer Supply Chain mithilfe des Supply Chain Analyzers
3.1 Die Simulationsumgebung „Supply Chain Analyzer“
3.1.1 Allgemeines
3.1.2 Aktivitätsknoten
3.1.3 Entitäten
3.1.4 Attribute und Ausdrücke
3.1.5 Funktionen
3.2 Entwicklung des Basismodells
3.2.1 Modelldaten
3.2.1.1 Hierarchische Stücklisten
3.2.1.2 Produktion
3.2.1.3 Unternehmen und Standorte
3.2.1.4 Kunden und Großhändler
3.2.1.5 Transportwege
3.2.1.6 Klassendiagramm
3.2.2 Die Topologie des Supply Chain Modells
3.2.2.1 Basismodell auf höchster Abstraktionsebene
3.2.2.2 Aktivitätsknoten der Computer AG Nürnberg
3.3 Fazit
4. Sensitivitätsanalysen und Auswertungen
4.1 Einführung
4.2 Basismodell
4.2.1 Beschreibung des Basismodell
4.2.2 Parameter im Basismodell
4.2.3 Bewertung des Basisszenarios
4.2.3.1 Durchlaufzeiten
4.2.3.2 Kostenbetrachtung
4.2.3.3 Sensitivitätsanalyse
4.3 Dynamische Szenarien
4.3.1 Störungen bei der Nachfrage
4.3.1.1 Modelldaten
4.3.1.2 Sensitivitätsanalyse
4.3.2 Störungen bei der Produktion
4.3.2.1 Modelldaten
4.3.2.2 Sensitivitätsanalyse
4.3.3 Störungen bei der Lieferung
4.3.3.1 Modelldaten
4.3.3.2 Sensitivitätsanalyse
4.3.4 Kombination aller operativen Störungen
4.3.4.1 Sensitivitätsanalyse
4.3.4.2 Durchlaufzeiten
4.3.4.3 Kosten- und Gewinnbetrachtung
4.3.5 Zusammenfassung und Rückschluss
4.4 Strukturelle Änderungen des Basismodells
4.4.1 Modelldaten
4.4.2 Sensitivitätsanalyse des statischen Szenarios
4.4.3 Sensitivitätsanalyse des dynamischen Szenarios
4.4.4 Detaillierte Betrachtung für das dynamische Szenario
4.4.4.1 Durchlaufzeiten
4.4.4.2 Kosten- und Gewinnbetrachtung
4.4.5 Zusammenfassung und Rückschluss
4.5 Belastbarkeitstest
4.5.1 Erhöhung der Variationskoeffizienten der Produktionszeiten
4.5.2 Erhöhung der Mittelwerte der Produktionszeiten
4.6 Fazit
5. Schlussbetrachtung
Anhang
A1 Bullwhip-Effekt
A2 Die vier Ebenen des SCOR-Modells
A3 Modellübergreifende Daten
A3.1 Produktdaten
A3.2 Transportzeiten
A4 Stückgewinne der einzelnen Knoten im Basisszenario BS mit BTO-Strategie
A5 Auszug aus einem MODSIM III Script
Literaturverzeichnis
Abbildung 1-1 Zielsystem für die Optimierung der Logistikqualität
Abbildung 1-2 Design of Experiments
Abbildung 1-3 Aufbau der Arbeit
Abbildung 2-1 Ebene 1 des SCOR-Modells
Abbildung 2-2 Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1
Abbildung 2-3 Schritte bei der Erstellung eines Simulationsmodells
Abbildung 2-4 Simulationsarten, unterschieden nach ihren Zustandsänderungen
Abbildung 2-5 Zustandsänderungen bei zeitlichen Abläufen
Abbildung 3-1 Zusammensetzung des Computermodells A und B
Abbildung 3-2 Modelldaten in der Form eines Klassendiagramms
Abbildung 3-3 Topologie des Basismodells
Abbildung 3-4 Topologie des Knotens Nürnberg
Abbildung 4-1 Arten von Störungen
Abbildung 4-2 Modellierung des statischen und dynamischen Modells mit Störungen auf der operativen und der strategisch organisatorischen Ebene
Abbildung 4-3 Durchlaufzeiten der Auftragspositionen des Kunden aus München im Szenario BS
Abbildung 4-4 Zeitverzögerungen im Szenario BS
Abbildung 4-5 Gewinnsituation der Unternehmen im Szenario BS
Abbildung 4-6 Variation der Bestellgrenzen und -mengen im Szenario BS
Abbildung 4-7 Sensitivitätsanalyse für das Minimalbudget im Szenario BS
Abbildung 4-8 Dreiecksverteilung für die Transportzeit von Nürnberg nach Bremen
Abbildung 4-9 Wahrscheinlichkeitsdichte der periodischen Nachfrage nach Modell A
Abbildung 4-10 Kumulierte Wahrscheinlichkeitsdichte der periodischen Nachfrage nach Modell A
Abbildung 4-11 Variation der Bestellgrenzen und -mengen im Szenario SN
Abbildung 4-12 Sensitivitätsanalyse für das Minimalbudget im Szenario SN
Abbildung 4-13 Wahrscheinlichkeitsdichte der Produktionszeit des Computermodells A
Abbildung 4-14 Variation der Bestellgrenzen und -mengen im Szenario SP
Abbildung 4-15 Sensitivitätsanalyse für das Minimalbudget im Szenario SP
Abbildung 4-16 Variation der Bestellgrenzen und -mengen im Szenario SL
Abbildung 4-17 Sensitivitätsanalyse für das Minimalbudget im Szenario SL
Abbildung 4-18 Variation der Bestellgrenzen und -mengen im Szenario SK
Abbildung 4-19 Sensitivitätsanalyse für das Minimalbudget im Szenario SK
Abbildung 4-20 Durchlaufzeiten der Auftragspositionen im Szenario SK
Abbildung 4-21 Gewinnsituation aller SC-Mitglieder im Szenario SK
Abbildung 4-22 Topologie des Modells mit struktureller Änderung
Abbildung 4-23 Variation der Bestellmengen und -grenzen im Szenario BSF
Abbildung 4-24 Sensitivitätsanalyse für das Minimalbudget im Szenario BSF
Abbildung 4-25 Vergleich der Lager- und Transportkosten der Szenarien BS und BSF
Abbildung 4-26 Variation der Bestellmengen und -grenzen im Szenario SKF
Abbildung 4-27 Sensitivitätsanalyse für das Minimalbudget im Szenario SKF
Abbildung 4-28 Vergleich der Lager- und Transportkosten der Szenarien SK und SKF
Abbildung 4-29 Durchlaufzeiten der Auftragspositionen für den Kunden aus München im Szenario SKF
Abbildung 4-30 Gegenüberstellung der Lager- und Transportkosten einzelner Produkte für die Szenarien SK und SKF
Abbildung 4-31 Variation der Bestellgrenzen und -mengen bei Erhöhung der Varianzen der Produktionszeiten auf 50%
Abbildung 4-32 Sensitivitätsanalyse für das Minimalbudget bei der Erhöhung der Varianzen der Produktionszeiten auf 50%
Abbildung 4-33 Variation der Bestellgrenzen und -mengen bei Erhöhung der Varianzen der Produktionszeiten auf 60%
Abbildung 4-34 Durchlaufzeiten der Auftragspositionen für den Kunden aus München bei Erhöhung der Mittelwerte
Abbildung A 1 Bullwhip-Effekt
Abbildung A 2 Ebenen des SCOR-Modells
Tabelle 3-1 SCA spezifische Aktivitätsknoten 18
Tabelle 3-2 SCA spezifische Entitäten 19
Tabelle 3-3 SCA spezifische Funktionen 20
Tabelle 3-4 Kapazitäten der Herstellbetriebe 23
Tabelle 3-5 Standort-, Produkt- und Verkaufspreisverteilung 23
Tabelle 3-6 Verkaufspreise der Grossisten aus Bremen und aus Erlangen 24
Tabelle 4-1 Modellierte Störungen auf der operativen Ebene für alle Szenarien 25
Tabelle 4-2 Gesamtnachfrage der Kunden bei den Grossisten 25
Tabelle 4-3 Bestellmengen, gemessen an der Gesamtnachfrage 25
Tabelle 4-4 Bestellgrenzen, gemessen an der Gesamtnachfrage 25
Tabelle 4-5 Nachfrageschwankungen der Kunden 25
Tabelle 4-6 Kapazitäten der Herstellbetriebe bei Produktionsstörungen 25
Tabelle 4-7 Monatliches Minimalbudget bei Störungen auf der operativen Ebene (Bestellgrenze 5%) 25
Tabelle 4-8 Kosten- und Gewinnbetrachtung des Grossisten aus Erlangen im Szenario SK 25
Tabelle 4-9 Kosten- und Gewinnbetrachtung des Grossisten aus Bremen im Szenario SK 25
Tabelle 4-10 Kosten- und Gewinnbetrachtung des Herstellbetriebs aus Nürnberg im Szenario SK 25
Tabelle 4-11 Kosten- und Gewinnbetrachtung der übrigen Produzenten von Endprodukten im Szenario SK 25
Tabelle 4-12 Kosten- und Gewinnbetrachtung der Zulieferer im Szenario SK 25
Tabelle 4-13 Monatliches Minimalbudget bei Störungen auf der operativen Ebene 25
Tabelle 4-14 Kosten- und Gewinnbetrachtung für das fusionierte Unternehmen im Szenario SK 25
Tabelle 4-15 Auszug aus der Kosten- und Gewinnbetrachtung für die Unternehmen Erlangen und Nürnberg im Szenario SK 25
Tabelle 4-16 Monatliches Minimalbudget bei Störungen auf der strategischen Ebene 25
Tabelle 4-17 Erhöhung der Variationskoeffizienten der Produktionszeiten auf 50% 25
Tabelle 4-18 Monatliches Minimalbudget für alle Szenarien
Tabelle A 1 Produktdaten
Tabelle A 2 Transportzeiten aller definierten Kanten der SC
Tabelle A 3 Kosten- und Gewinnbetrachtung beim Großhändler aus Erlangen im Szenario BS mit BTO-Strategie
Tabelle A 4 Kosten- und Gewinnbetrachtung beim Großhändler aus Bremen im Szenario BS mit BTO-Strategie
Tabelle A 5 Kosten- und Gewinnbetrachtung der Computer AG aus Nürnberg im Szenario BS mit BTO-Strategie
Tabelle A 6 Kosten- und Gewinnbetrachtung der übrigen Produzenten von Endprodukten im Szenario BS mit BTO-Strategie
Tabelle A 7 Kosten- und Gewinnbetrachtung der Zulieferer im Szenario BS mit BTO-Strategie
Abbildung in dieser Leseprobe nicht enthalten
Im Rahmen einer Zusammenarbeit mit dem IBM Forschungslaboratorium in Rüschlikon / Schweiz wird auf der Basis der Simulationsumgebung Supply Chain Analyzer (SCA) von IBM ein Supply Chain-Modell entwickelt. Mithilfe von Simulations- und Modellierungstechniken können innerhalb des Planungs- und Entscheidungsprozesses die Komplexität, Intransparenz und Dynamik einer Supply Chain (SC) untersucht werden, um so frühzeitig potenzielle Fehlentscheidungen zu entdecken, bevor diese in die Realität umgesetzt werden.
Das in vorliegender Arbeit vorgestellte Modell einer Supply Chain wird hinsichtlich der erzielbaren Logistikqualität unter vorgegebenen Budgetrestriktionen untersucht. Es werden verschiedene Einflussgrößen und Störungen in unterschiedlichen Szenarien modelliert und evaluiert. Die dabei eingesetzte Evaluierungsmethode ist die Simulation. Unter Logistikqualität wird eine hohe Termintreue bei kurzen Durchlauf- bzw. Lieferzeiten verstanden. Dies ist zum Beispiel mit kurzen Transport-, Produktions- und Lagerzeiten zu erreichen. Einflussgrößen sind die Lagergröße und der Lagerbestand, die Transportmittel und deren Kosten sowie die Anzahl an Mitarbeitern etc. Diese Faktoren sind so zu variieren, dass innerhalb der SC ein optimales Verhältnis zwischen Kosten und angestrebtem Ziel erreicht wird. Hierbei kommen vor allem Sensitivitätsanalysen zum Einsatz.
Ein Hauptproblem ist, strategische Planungen und taktische Entscheidungen zu evaluieren und deren Auswirkungen und Implikationen zu analysieren und möglichst genau abzuschätzen. Dabei ist von entscheidender Bedeutung herauszufinden, welchen Einfluss Restriktionen hinsichtlich des Gesamtbudgets auf die Leistungsfähigkeit der SC haben. Die Budgetrestriktion ist eine monetäre Grenze entlang der gesamten SC, unterhalb der alle anfallenden Kosten liegen müssen. Dabei gilt das ökonomische Prinzip, den gegebenen Servicegrad mit minimalem Aufwand zu erreichen. Es stellt sich die Frage, ob es eine strukturelle Budgetuntergrenze gibt, unterhalb derer die Qualität der SC drastisch leidet, und inwieweit Störungen wie Nachfrage- oder Produktionsschwankungen diese Untergrenze verändern oder verschieben. Das Ziel besteht darin, den Servicegrad bei gleichzeitiger Einhaltung der Budgetrestriktion zu maximieren.
Abbildung 1-1 Zielsystem für die Optimierung der Logistikqualität
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [Gehr98, S. 6]
Es werden Szenarien entworfen, denen jeweils der gleiche Servicegrad von 95% zugrunde liegt. Der Servicegrad lässt sich aus dem Verhältnis der Anzahl der termingerecht eingetroffenen Aufträge zu der Anzahl aller Aufträge errechnen.[1] Durch Variation der Inputfaktoren sollen nicht nur so genannte „Flaschenhälse“ aufgedeckt, sondern auch Maßnahmen aufgezeigt werden, mit denen sich diese Engpässe beheben oder zumindest entschärfen lassen. Neben der Einflussgrößenvariation, die für jedes Szenario jeweils fixiert wird, werden während der Simulationsläufe Störungen berücksichtigt. Diese werden über statistische Verteilungen modelliert. Der Begriff Störung ist dabei sehr weit zu fassen. Nicht nur verlängerte Transportzeiten oder Maschinenausfälle, sondern auch strukturelle Änderungen des Modells, wie eine Fusion, werden darunter gefasst.
In der Richtlinie 3633 untergliedert der Verein Deutscher Ingenieure (VDI) die Vorgehensweise zur Durchführung einer Simulation (Design of Experiments, DoE) in die Phasen Vorbereitung, Durchführung und Auswertung [VDI93, Richtlinie 3633, Blatt 1]. Diese Phasen lassen sich noch weiter unterteilen (vgl. Abbildung 1-2).
Abbildung 1-2 Design of Experiments[2]
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [Gehr98, S. 5] und [VDI93, Richtlinie 3633, Blatt 1]
Die Aufgaben- und Problemstellung für diese Arbeit beinhaltet die Modellierung einer SC, in der Produzenten, Lieferanten, Händler, Kunden sowie Transportunternehmen auftreten. Ziel ist es, wie oben erwähnt, die Logistikqualität dieser SC – unter dem Aspekt der Budgetrestriktion – anhand von Simulationsläufen zu untersuchen. Die notwendigen Daten für das Modell sind rein fiktiv, allerdings durchaus realistisch ausgewählt. Anhand dieser Daten wird ein Basismodell entworfen, das als Bezugsobjekt für die Ergebnisse der Simulationsläufe dient. Durch Variation der Inputparameter lassen sich unterschiedliche Simulationsszenarien erstellen, deren Ergebnisse analysiert werden. Die Auswertung erfolgt mithilfe von Sensitivitätsanalysen. Sofern Rückschlüsse auf reale SCs möglich sind, werden diese angesprochen.
Die Arbeit gliedert sich in fünf Abschnitte. In Kapitel 2 werden Begrifflichkeiten zum Supply Chain Management (SCM) und zum Supply Chain Operations Reference-Modell (SCOR), das als Grundlage für die Modellierung einzelner Knoten verwendet wird, eingeführt. Begriffe zur Simulation und eine Abgrenzung des SCAs schließen dieses Kapitel ab. Nach einer kurzen Einführung in den Aufbau des SCAs wird das Basismodell schrittweise dargestellt und entwickelt. Mit der Beschreibung der Topologie des Basismodells endet Kapitel 3. Im Abschnitt 4 folgen Analysen und Auswertungen. Dabei wird zunächst das Basisszenario näher untersucht und ausgewertet. Eine Sensitivitätsanalyse zeigt die Auswirkungen einer Änderung des Lagerbestands auf das Minimalbudget bei einem rein statischen Szenario ohne Störungen. Der Lagerbestand kann mithilfe einer Variation der Bestellmengen und -grenzen beeinflusst werden. Anschließend werden Störungen auf der operativen Ebene betrachtet, um Dynamik im Modell darzustellen. Mithilfe von Sensitivitätsanalysen werden wiederum optimale Minimalbudgets ermittelt, mit denen der geforderte Servicegrad erreichbar ist. Mit einer strukturellen Änderung des Modells, einer Fusion zweier Unternehmen, werden Störungen auf der strategisch organisatorischen Ebene modelliert. Neben dem statischen Basisszenario sind zudem noch Störungen auf der operativen Ebene zu untersuchen. Für diese beiden Szenarien (mit und ohne Störungen auf der strategisch organisatorischen Ebene), die mit der Kombination aus allen Störungen auf der operativen Ebene den geforderten Servicegrad erfüllen, werden die Durchlaufzeiten und Kosten detailliert betrachtet. Nach einem Belastbarkeitstest bezüglich der Produktionszeiten werden in einem Fazit die Ergebnisse der Simulationsläufe zusammengefasst. Kapitel 5 schließt die Arbeit mit einer Schlussbetrachtung ab. Abbildung 1-3 gibt einen Überblick über den Aufbau der Arbeit.
Abbildung 1-3 Aufbau der Arbeit
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung
Aufgrund verschärfter Wettbewerbsbedingungen und gestiegener Anforderungen reichen Optimierungen innerhalb der einzelnen Unternehmen nicht mehr aus, um am Markt bestehen zu können. Daher lässt sich seit einigen Jahren ein Trend von der firmeninternen Optimierung der Logistik hin zur Firmen übergreifenden Optimierung, der so genannten Supply Chains oder Supply Networks, beobachten. Der Aufbau und das Handling solcher integrierter Logistikketten und -netzwerke über den gesamten Wertschöpfungsprozess, idealerweise ausgehend von der Rohstoffgewinnung bis hin zum Endverbraucher, wird als Supply Chain Management bezeichnet [Kuhn02, S. 185]. Im Unterschied zum Begriff Logistik beschreibt SCM die Gestaltung aller Prozesse, d. h. neben den physischen Aktivitäten auch die Abwicklungen der Aufträge und Geldflüsse sowie in zunehmenden Maße auch die Informationsflüsse [Gabler00, S. 2990].
Unter den zahlreich vorhandenen Definitionen von „Supply-Chain-Management“ wird die von Schönsleben als Arbeitsdefinition gewählt:
Definition 1 Supply Chain Management
„Supply Chain Management ist die Koordination einer strategischen und langfristigen Zusammenarbeit von Ko-Herstellern im gesamten Logistiknetzwerk zur Entwicklung und Herstellung von Produkten – sowohl in Produktion und Beschaffung als auch in Produkt- und Prozessinnovation. Jeder Ko-Hersteller ist dabei auf seinen Kernkompetenzen tätig. Die Auswahl der Ko-Hersteller erfolgt über ihr Potential (sic!) zur Realisierung von kurzen Durchlaufzeiten“ [Schönsleben00, S. 53].
Agiert jedes einzelne Unternehmen für sich, so entstehen vom Informationsstandpunkt aus gesehen viele unverbundene Logistikketten. Auch wenn diese für sich genommen optimal operieren mögen, kommt es global betrachtet in der Regel zu suboptimalen Ergebnissen, da beispielsweise Informationsasymmetrien zwischen den Betrieben herrschen. Dies tritt etwa dann ein, wenn einem Vertragspartner Informationen über Abverkaufsprognosen des anderen Partners fehlen, um die eigenen Prognosen der zukünftigen Nachfrage in ausreichender Genauigkeit erstellen zu können [Gabler00, S. 1518]. Die Nachfrageschwankungen führen zum so genannten Bullwhip-Effekt.[3] Die Kundennachfrage schaukelt sich über die einzelnen Mitglieder der SC auf, sodass es zu Ineffizienzen in Form von erhöhten Beständen, verlängerten Durchlaufzeiten und einer stark schwankenden Produktion kommt. Der Effekt erhöhter Lagerbestände lässt sich anhand von Simulationen nachweisen (vgl. Abschnitt 4.3).
Erfolgt die Planung in gegenseitiger Abstimmung aller beteiligten SC Partner, so verliert der Einzelne eventuell sein eigenes Optimum, jedoch erhöht sich die Planungssicherheit wesentlich. Durch die frühzeitige Weitergabe von Informationen werden große Nutzenpotenziale für alle beteiligten Unternehmen erzielt. Diese Potenziale äußern sich in Einsparungen in der Lagerhaltung, einem hohen Grad an Flexibilität, hoher Termintreue und Lieferfähigkeit, verkürzten Durchlauf- und Reaktionszeiten, Kosteneinsparungen etc.
Damit eine SC flexibel und reibungslos funktioniert, bedarf es drei wichtiger Voraussetzungen:
- Erstens müssen die beteiligten Partner der SC ihre Informationsverarbeitung integrieren, um Transparenz hinsichtlich des Informationsaustausches zu schaffen,
- zweitens setzt diese Art unternehmerischen Handelns ein hohes Maß an Vertrauen zwischen den SC-Partnern voraus [Gabler00, S. 2990] und
- drittens sind gemeinsame Ziele der SC-Partner zu definieren und eine Aufteilung der erzielten Gewinnsteigerungen aufgrund der gemeinsamen Optimierungsanstrengungen vertraglich festzulegen.
Genau hier liegen zugleich auch die Problemfelder bei der Realisierung einer SC, weil die vorhandenen Produktionssteuerungs- und Planungssysteme (PPS-Systeme) nicht oder zu wenig auf die gesamte Wertschöpfungskette ausgerichtet sind [Kreisler02].
Die mit einer SC verbundenen Ziele sind vielfältig. Grundsätzlich geht es darum, die Aktivitäten des eigenen Unternehmens mit anderen Partnern abzustimmen. Im Wesentlichen versuchen die Unternehmen die Lagerhaltungs- und Transportkosten zu reduzieren, die Termintreue zu verbessern und zwischenbetriebliche Informationen über Störungen in der Logistikkette besser auszutauschen [Gabler00, S. 2990]. Die Gesamtoptimierung des Material-, Waren-, Informations- und Wertflusses entlang der gesamten Wertschöpfungskette geschieht mithilfe
- einer Verbesserung der Kundenorientierung und -zufriedenheit,
- einer Synchronisierung des Bedarfs mit der Versorgung,
- einem Bestandsabbau entlang der Wertschöpfungskette,
- einer Bedarfs- und umweltgerechten Produktion,
- höherer Flexibilität bei Beschaffung und Absatz
- und damit einhergehend einer Verbesserung der Termintreue und des Lieferservices [Kreisler02].
Das SCOR-Modell ist ein weit verbreitetes branchenunabhängiges Referenzmodell für die Gestaltung, Optimierung und Bewertung einer SC. Dieses Modell wurde 1996 vom Supply Chain Council (SCC)[4] entwickelt, um Standardprozesse für das SCM zu definieren und Kennzahlen für die Leistungsmessung und -beurteilung festzulegen [Marbacher01, S. 314]. Das SCM-Standardprozessreferenzmodell ist hierarchisch strukturiert und gliedert sich in vier Ebenen auf. Gegenstand des SCOR-Modells sind die ersten drei Ebenen.
Abbildung 2-1 Ebene 1 des SCOR-Modells
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: [Kreisler02]
Abbildung 2-1 zeigt die SCOR Ebene 1 einer SC. Auf dieser Ebene legt ein Unternehmen seine SC-Prioritäten, Wettbewerbsziele und die gesamte Produktions- und Logistikstruktur fest [Lawrence01, S. 124]. Mit der Ebene 1 lassen sich somit der Umfang der zu betrachtenden SC, die beteiligten Unternehmen einer durchgängig integrierten SC und die Verknüpfung der einzelnen Prozesse und Standorte beschreiben.
In Abbildung 2-2 werden die Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1 genauer betrachtet. Die ersten vier Schritte der Auftragsabwicklung stellen den auftragsbezogenen Informationsfluss dar. Der Kunde erteilt einen Auftrag. Daraus kann ein Produktionsauftrag entstehen, der in einen Materialbereitstellungsauftrag und den tatsächlichen Bestellvorgang an den Lieferanten übergehen kann. Der Materialfluss läuft in den Schritten fünf bis acht genau in entgegengesetzter Richtung. Die Materiallieferung des Lieferanten und die Teilelieferung an die Produktionsstätte schließen den Ausführungsprozess „Beschaffen“ ab. Im SCOR-Prozess „Herstellen“ werden die Produkte gefertigt. Anschließend erfolgt im Prozess „Liefern“ die Kommissionierung und der Versand zum Kunden [Lawrence01, S. 124].[5] In der modellierten SC wird dieser Ansatz verwendet, um die Aktivitäten der einzelnen Akteure abzubilden. Exemplarisch wird dies später am Knoten Nürnberg durchgeführt (vgl. Abschnitt 3.2.2.2).
Abbildung 2-2 Ausführungsprozesse Beschaffen, Herstellen und Liefern der SCOR-Ebene 1
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [Lawrence01, S. 125]
In der Literatur werden zur Messung und Bewertung einer SC neben dem SCOR-Modell noch Methoden des Beziehungscontrollings, die unternehmensübergreifende Prozesskostenrechnung, Konzepte der selektiven Kennzahlen und Balanced Scorecards genannt [Weber02, S. 203 f.].[6]
Bei der Untersuchung von komplexen Systemen bieten Simulationen im Vergleich zu anderen Verfahren (z. B. analytisch, heuristisch) keine eigentliche Lösung des Problems, sondern sie dienen als Hilfsmittel zur Bewertung und Beurteilung vorgeschlagener Lösungen. Der VDI definiert den Begriff Simulation folgendermaßen:
Definition 2 Simulation
„Simulation ist das Nachbilden eines Systems mit seinen dynamischen Prozessen in einem experimentierfähigen Modell, um zu Erkenntnissen zu gelangen, die auf die Wirklichkeit übertragbar sind“ [VDI93, 3633, Blatt 1, S. 3] .
Mithilfe des SCA wird eine SC simuliert, deren Logistikqualität suboptimale Ergebnisse aufweist. Anhand von Experimenten und Simulationsläufen soll die Logistikqualität entlang der gesamten SC optimiert werden. Die daraus gewonnenen Resultate haben weitgehend globalen Aussagecharakter und lassen zumeist Rückschlüsse auf die Realität zu.
Definition 3 Modell
„Ein Modell ist eine vereinfachte Nachbildung eines geplanten oder real existierenden Originalsystems mit seinen Prozessen in einem anderen begrifflichen oder gegenständlichen System. Es unterscheidet sich hinsichtlich der untersuchungsrelevanten Eigenschaften nur innerhalb eines vom Untersuchungsziel abhängigen Toleranzrahmens vom Vorbild“ [VDI93, 3633, Blatt 1, S. 3].
Bei der Modellbildung ist der Detaillierungsgrad von hoher Bedeutung. Ist er zu gering, so sind die Ergebnisse trivial und kaum verwertbar. Im anderen Fall wird das Modell zu komplex, sodass die Resultate unanschaulich und nicht mehr nachvollziehbar werden.
Während bei einem Modell alle (Modell-)Parameter noch variabel sind, werden sie bei einem Szenario festgelegt. Ein Szenario ist demnach ein Modell mit fixierten Parametern. Als Arbeitsdefinition wird folgende Begriffserklärung verwendet:
Definition 4 Szenario
„Ein Szenario ist eine hypothetische Aufeinanderfolge von Ereignissen, die zur Betrachtung kausaler Zusammenhänge konstruiert wird“ [Dietrich02]
Unter dem Begriff Simulationslauf wird die tatsächliche Durchführung eines Szenarios verstanden. Durch Variation von Parametern (z. B. der Nachfrage) können eine Vielzahl von Simulationsszenarien entworfen, Messgrößen ermittelt und die einzelnen Modelle direkt miteinander verglichen werden. Als Messgröße dient sowohl im Basismodell als auch im dynamischen Modell mit Störungen die Termintreue bei Einhaltung der vorgegebenen Budgetrestriktion.
Definition 5 Simulationslauf
„Ein Simulationslauf ist die Nachbildung des Verhaltens eines Systems mit einem spezifizierten ablauffähigen Modell über einen bestimmten (Modell-) Zeitraum, auch Simulationszeit genannt, wobei gleichzeitig die Werte untersuchungsrelevanter Zustandsgrößen erfasst und ggf. statistisch ausgewertet werden“ [VDI93, 3633, Blatt 1, S. 3].
Die Mehrzahl der Simulationswerkzeuge verfolgt wie der SCA den ereignisorientierten Ansatz, d. h., dass ein Ereignis (z. B. Auftragseingang) eine oder mehrere Aktivitäten auslöst, um die Dynamik im Modell nachzubilden. Im Gegensatz zu mathematischen Lösungsansätzen versucht die Simulation, eine Lösung des Optimierungsproblems nicht analytisch zu bestimmen, sondern sich einer solchen durch zielgerichtete Experimente anzunähern. Unter dem Begriff Experiment werden mehrere Simulationsläufe subsumiert.
Definition 6 Experiment
„Ein Experiment ist die gezielte empirische Untersuchung des Verhaltens eines Modells durch wiederholte Simulationsläufe mit systematischer Parametervariation“ [VDI93, 3633, Blatt 1, S. 3].
Die aus einem Experiment gewonnenen Messergebnisse können nicht ohne weiteres auf das reale System übertragen werden, da sowohl die Genauigkeit der Eingangsdaten als auch diverse Unsicherheiten wie etwa Zufallsgrößen berücksichtigt werden müssen [Kuhn98, S.103]. Jedoch liefern Experimente Anhaltspunkte für das reale System bei Änderung von Parametern.
Abbildung 2-3 fasst alle Schritte von der Abstraktion eines realen Systems über das Simulationsmodell bis hin zur Interpretation und Übertragung der formalen Ergebnisse zusammen.
Abbildung 2-3 Schritte bei der Erstellung eines Simulationsmodells
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [ASIM] und [Breyer01, S. 5]
Bei der Simulation wird zunächst zwischen statischer und dynamischer Simulation unterschieden. Der erstere Fall beschreibt ein Modell zu einem bestimmten Zeitpunkt oder die Zeit hat keinen Einfluss auf das System. Im zweiten Fall ändern sich die Zustände in Abhängigkeit von der Zeit. Die dynamische Simulation lässt sich weiter zwischen kontinuierlichen und diskreten Zustands- und Zeitwerten unterscheiden. Bei kontinuierlichen Simulationen können die Größen „Zustand" und „Zeit" beliebige reelle oder komplexe Werte annehmen. Dieser Simulationstyp wird beispielsweise bei chemischen Prozessen eingesetzt. Ist eine Simulation diskret, so nehmen „Zustand" und „Zeit" nur Werte aus einer vorgegebenen endlichen Menge an. Die ereignisorientierte Simulation, zu deren Gruppe der SCA gehört, ist eine Sonderform der diskreten Simulation. Hierbei werden die Systemzustände durch eintreffende Ereignisse ausgelöst. Bei konstanten Simulationen werden Zustandsänderungen in festen Zeitintervallen herbeigeführt [Gehr98, S. 3; Pohlmann, S. 20 f.]. Abbildung 2-4 fasst alle Simulationsarten zusammen.
Abbildung 2-4 Simulationsarten, unterschieden nach ihren Zustandsänderungen[7]
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [Pohlmann00, S. 21]
Ereignisorientierte Simulationen sind weit verbreitet, da sie diese besonders gut analysieren lassen [Gehr98, S 3].
In Abbildung 2-5 sind die Zustandsänderungen für diskrete, kontinuierliche oder kombinierte Zeitabläufe zu sehen. Die abhängige Variable könnte beispielsweise der Lagerbestand im Zeitablauf sein. Während bei der diskreten Simulation der Lagerbestand nur zu bestimmten Zeitpunkten überprüft werden würde, geschieht dies bei der kontinuierlichen Simulation permanent. Bei der ereignisbasierten Simulation wird das Lager bei Auftreten eines Ereignisses wieder aufgefüllt. Bei der Modellumsetzung mit dem SCA wird eine Bestellung bei Unterschreiten einer bestimmten Bestellgrenze ausgelöst.
Abbildung 2-5 Zustandsänderungen bei zeitlichen Abläufen
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [ASIM]
Anhand von Simulationen lassen sich zeitliche Abläufe in einem komplexen System wie einer SC untersuchen, wo andere Verfahren nicht mehr anwendbar sind. Simulationen sind immer dann sinnvoll, wenn das Experimentieren am realen System nicht möglich bzw. zu kostenintensiv ist oder die komplexen Wirkungszusammenhänge die menschliche Vorstellungskraft überfordern. Die Simulation des zeitlichen Ablaufverhaltens einer Anlage, z. B. die Herstellung in einer Produktionsstätte, liefert Ergebnisse oder Erkenntnisse im Zeitraffer und somit viel schneller als in der realen Welt. Wenn der Detaillierungsgrad nicht zu hoch ist, können Ergebnisse leicht nachvollziehbar und verständlich gemacht werden. Ein weiterer Vorteil von Simulationen ist die Wiederverwendbarkeit valider Modelle. Diese Eigenschaft wird benutzt, um das Basismodell schrittweise zu erweitern. Es können Strategien, Prozesse und Methoden verändert oder hinzugefügt und in weiteren Experimenten getestet werden. Ist ein Engpass („Flaschenhals") gefunden worden, so ermöglicht eine Simulation dessen genauere Untersuchung. Daneben können Engpässe und Störungen bewusst modelliert werden (vgl. Abschnitt 4.2), um die Belastbarkeit einer SC zu testen [Banks98, S. 10 f.].
Allerdings ist die Modellbildung zeit- und kostenintensiv. Zudem sind die Ergebnisse von Experimenten nicht immer leicht zu interpretieren und auf das reale System übertragbar. Beim Auftreten von Störungen können allerdings deren Auswirkungen und Implikationen analysiert werden, die Rückschlüsse auf die Realität erlauben.
Die Simulationsumgebung Supply Chain Analyzer gehört zur Gruppe der ereignisbasierten Simulationen. Er wurde von IBM – basierend auf der Simulationsumgebung SIMPROCESS[8] – entwickelt und wird speziell für die Modellierung und Analyse von SCs verwendet. Wegen seiner hierarchischen Struktur und integrierter Prozesse eignet sich der SCA insbesondere für das Business Process Reengineering und zur Optimierung der Logistikqualität (z. B. Termintreue) entlang der gesamten SC. Die Daten können sehr detailliert eingegeben werden, sodass realitätsnahe Modelle entstehen. Animationen während eines Simulationslaufs veranschaulichen die Datenflüsse innerhalb von Unternehmen bzw. zwischen ihnen. Somit lassen sich sowohl Produkte als auch Aufträge zwischen den Händlern und Herstellern verfolgen und analysieren. Logistikdienstleister (Transport), Produzenten (Herstellung), Händler und Kunden werden im SCA durch Aktivitätsknoten dargestellt. Während einer Simulation repräsentieren Entitäten die Aufträge, Produkte und Datenflüsse. Mithilfe von Funktionen und einer umfangreichen Datenstruktur können die Simulationsergebnisse in den vordefinierten Standardberichten analysiert werden.
Neben den in SIMPROCESS eigenen Strukturen (Prozesse, Ressourcen und Entitäten) gibt es beim SCA noch sieben weitere spezifische Aktivitätsknoten für das Modellieren von SCs (vgl. Tabelle 3-1).
Tabelle 3-1 SCA spezifische Aktivitätsknoten
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 10], [IBM99b, S. 5] und [IBM99c, S. 12]
Eine besondere Stellung beim SCA nimmt der Inventory Optimizer (IO) und der Supply Planning Optimizer (SPO) ein. Ersterer optimiert die Wiederbeschaffungszeitpunkte und die Anfangsbestände. Für diese Berechnung ist allerdings wichtig, dass für die Kunden Bedarfsprognosen angelegt wurden. Das zweite Optimierungswerkzeug des SCAs erstellt und erneuert während der Simulation Supply Pläne, die fortlaufend an die entsprechenden Händler und Hersteller geschickt werden. Diese Pläne beinhalten Informationen über die Produktion und Wiederbeschaffungsgrenzen der Hersteller und Händler.
Entitäten repräsentieren Waren- und Informationsflüsse innerhalb eines Wertschöpfungsnetzwerkes. Es gibt insgesamt fünf verschiedene Entitäten (vgl. Tabelle 3-2).
Tabelle 3-2 SCA spezifische Entitäten
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 11], [IBM99b, S. 9] und [IBM99c, S. 8]
Die Möglichkeit, Attribute und Ausdrücke („Expressions“) zu verwenden, erweitert die Funktionalität des SCAs. Attribute sind entweder benutzerdefinierte oder systemeigene Variablen, die direkten Einfluss auf einen Simulationslauf haben und sich während eines solchen ändern können. Soll beispielsweise ein Transportmittel erst mit einem bestimmten Mindestgewicht an Ladung losfahren, so lassen sich in einer benutzerdefinierten Variable die Gewichte der eingehenden fertig gestellten Produkte solange aufaddieren, bis sie diesen Wert erreicht haben. Mithilfe von Ausdrücken können Attributwerte verändert werden. Für komplexere Ausdrücke (z. B. Schleifen) bietet der SCA die Programmiersprache MODSIM.[9]
Im SCA gibt es vier Funktionstypen (vgl. Tabelle 3-3).
Tabelle 3-3 SCA spezifische Funktionen
Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung in Anlehnung an [IBM99a, S. 11], [IBM99b, S. 168] und [IBM99c, S. 192]
Die in der vorliegenden Arbeit verwendete SC besteht aus sechs Herstellbetrieben, drei Zulieferer, zwei Händlern und fünf Kunden. Zwei der Hauptprodukte – Computermodell A und B – setzen sich aus Halbfabrikaten zusammen, die an unterschiedlichen Standorten hergestellt und zwischen den einzelnen Unternehmen transportiert werden. Neben den Computern werden noch Drucker und Monitore gefertigt. Festplatten und Grafikkarten dienen zum einen als Halbfabrikate, können zum anderen aber auch direkt von den Kunden geordert werden. Die Kunden – mit Händlern wie Saturn oder MediaMarkt vergleichbar – bestellen bei den Grossisten (vergleichbar mit Metro). Diese beziehen die Produkte direkt von den Herstellern und veräußern sie an die Kunden weiter.
Unter Budgetrestriktion wird die minimale monetäre Grenze verstanden, die notwendig ist, um den geforderten Servicegrad zu erreichen. Das Budget beinhaltet die Lageraufwendungen und die Transportkosten entlang der gesamten SC. Die Produktions- und Materialkosten werden nicht in das Budget miteinbezogen, da sie für alle Modelle nahezu konstant sind. Sie werden lediglich für die detaillierte Betrachtung der Kosten im Basismodell und im Abschnitt 4.4 für das dynamische Modell mit allen Störungen verwendet. Ein Servicegrad s von s = 100% wird erreicht, wenn alle Aufträge binnen 36 [h] erfüllt werden. Ansonsten errechnet sich der Servicegrad aus dem prozentualen Anteil der termingerechten Aufträge gemessen an allen Aufträgen.
Die Hauptprodukte der SC sind neben den beiden Computermodellen A und B Drucker und Monitore. Als Halbfabrikate für die Produktion der Computer dienen zwei Arten von Motherboards (A und B), Grafikkarten, Festplatten und Gehäuse. Die Motherboards wiederum bestehen aus RAM, Soundkarten und Chips. In Abbildung 3-1 ist die Zusammensetzung („Bill Of Material“, BOM) der beiden Computermodelle zu sehen.[10]
Abbildung 3-1 Zusammensetzung des Computermodells A und B
Abbildung in dieser Leseprobe nicht enthalten Abbildung in dieser Leseprobe nicht enthalten
QUELLE: Eigene Darstellung
Das Modell A setzt sich aus einer Festplatte, einem Gehäuse, einer Grafikkarte und dem Motherboard A zusammen. Das Motherboard besitzt eine Soundkarte, zwei Einheiten RAM und die beiden Chips A und B. Für das Modell B ändert sich lediglich die Verwendung des Motherboards B, das nur ein Element RAM und die beiden Chips B und C hat.
Für die Herstellung der Produkte sind neben den Halbfabrikaten noch Ressourcen (Mensch und Maschine) notwendig. Modell A benötigt Fachkraft „Mensch A“ und „Maschine A“. Von beiden stehen jeweils 15 Einheiten zur Verfügung, die parallel produzieren können. Mit einer Herstelldauer von 8 [h] ergibt sich eine tägliche Kapazität für Modell A von 45 Stück.[11]
Die Produktion von Modell B benötigt Ressource „Mensch B“ und „Maschine B“, von denen jeweils zwölf Einheiten vorhanden sind. Mit einer Herstelldauer von 6 [h] resultiert daraus eine Kapazität von 48 Stück pro Tag.
Sowohl Maschine A als auch B kosten das Unternehmen 15 €/h an Maschinenressourcen. Für die Humanressourcen fallen Kosten in Höhe von 10 €/h an. Für die Herstellung eines Modells vom Typ A ergeben sich somit täglich 200 € und 150 € für das Modell B an Kosten.[12]
Die Kosten für eine Ressource „Produktion“ aller anderen Hersteller liegt bei 10 €/h. Bei den Standorten Hamburg und Dortmund muss beachtet werden, dass die Ressourcen sowohl für die Produktion von Gehäusen und Festplatten als auch für die Herstellung von Motherboards A und B verwendet werden können. Die Kapazitäten errechnen sich wie für den Knoten „Nürnberg“. Tabelle 3-4 fasst alle Daten zusammen.
[...]
[1]
[2] Weitere Informationen bei [Law00, S. 10] und [Banks98, S. 16].
[3] Eine genauere Erläuterung befindet sich im Anhang A1.
[4] Das Supply Chain Council ist eine unabhängige, nicht gewinnorientierte Vereinigung, die es sich zur Aufgabe gemacht hat, SCOR weiter zu entwickeln, zu fördern und zu unterstützen [Lawrence01, S. 104].
[5] Ein vollständiger Überblick über alle SCOR-Ebenen befindet sich im Anhang A2.
[6] Weitere Informationen sind unter anderem bei [Weber02. S. 187 ff.] zu finden.
[7] Weiterführende Informationen sind unter anderem bei [Law00, S. 3 ff.] und [Bellinger98] zu finden.
[8] SIMPROCESS ist ein registriertes Markenprodukt der Firma CACI. Weitere Informationen sind unter anderem bei [CACI96] und [CACI02] zu finden.
[9] Im Anhang A5 befindet sich ein Auszug eines Scripts.
[10] Detaillierte Produktdaten befinden sich im Anhang A3.1.
[11].
[12] Herstelldauer × (Preis für Ressource Mensch + Preis für Ressource Maschine) = 8 h × (10 €/h + 15 €/h) = 200 €.
Kommentare