Mit optimalen Losgrößen Produktions- und Lagerkosten senken

Wie viel sollten Sie von einem bestimmten Produkt in einem Los fertigen? Wie hoch darf der Lagerbestand sein? Ist es sinnvoll, die Maschinenkapazität zu erhöhen? Derartig anspruchsvolle Fragestellungen lassen sich nur über eine intelligente Datennutzung sicher beantworten. Klassische Modelle der Losgrößenoptimierung (wie die Formeln von Harris und Andler) liefern zwar erste Anhaltspunkte, doch eine umfassende Optimierung unter Berücksichtigung aller relevanten Artikel, Kosten und Restriktionen ist damit nicht möglich. Dafür sind die Prozesse schlicht zu komplex.

Die Wahl der richtigen Losgröße ist für Fertigungsbetriebe eine wichtige Entscheidung. Bei kleinen Losgrößen sinken etwa die Lagerkosten, doch dafür steigen die Rüstkosten. Eine wichtige Voraussetzung für optimale Ergebnisse sind Modelle, die den Beschaffungs-, Produktions- und Lagerprozess in seiner vollen Komplexität abbilden. Ziel kann es etwa sein, die Gesamtkosten aus Einkaufs-, Produktions-, Rüst- und Lagerhaltungskosten über alle Artikel hinweg zu minimieren. Die mathematischen Modellformulierungen berücksichtigen dabei auch Nebenbedingungen – wie Maschinenkapazitäten, Bedarfe oder spezielle Richtlinien.

Parameter wie Rüst-, Einkaufs-, Produktions- oder Lagerkosten pro Standort oder die verschiedenen Bedarfe lassen sich in den Optimierungsmodellen variieren. Um die Werte zu ermitteln, kommen je nach Datenbasis erprobte, innovative Prognose- und Mustererkennungsverfahren aus Bereichen wie Data Science oder Künstliche Intelligenz zum Einsatz, zum Beispiel Machine Learning.

Bei Bedarf kann man Simulationen auch auf Basis veränderter Parameter durchführen und die Ergebnisse mit denen klassischer Entscheidungen vergleichen. Dies ist nicht nur bei der Losgrößenoptimierung, sondern auch bei strategischen Fragen sinnvoll. Wenn es etwa darum geht, neuen Maschinen anzuschaffen oder die Lagerkapazität zu erweitern.

Das Zusammenspiel von Machine Learning und gemischt-ganzzahliger Optimierung ebnet den Weg für eine intelligente Entscheidungsfindung. Kurze Laufzeiten der Algorithmen von wenigen Minuten erlauben es, schnell auf Veränderungen zu reagieren und verschiedene Szenarien – zum Beispiel unterschiedlich hohe Lagerkapazitäten – zu simulieren.

In Zeiten von Industrie 4.0 und Big Data gewinnen mathematische Modelle und Algorithmen mittlerweile auch bei der Supply Chain-Optimierung an Bedeutung. Bei der Modellentwicklung ist zwischen

• Informationen, die aus Daten abgeleitet werden (hierzu gehört etwa Bedarfsprognosen, ermittelt mit klassischen Verfahren und Mustererkennung auf Basis von Künstlicher Intelligenz) und
• Informationen, die von außen vorgegeben sind (zum Beispiel harte Restriktionen, um Maschinenkapazitäten und Lagerkapazitäten einzuhalten) zu unterscheiden.

Auch wenn sich Künstliche Intelligenz in den letzten Jahren weiterentwickelt hat und inzwischen komplexe Muster und Zusammenhänge erkennt, spielen Praxisexperten eine zentrale Rolle. Sie sind es, die für die Modelle relevanten Restriktionen und Richtlinien entwickeln und validieren. Schließlich hängt der betriebliche Nutzwert der Technologie vor allem von der Datenqualität, von der Verfahrenswahl und davon ab, inwieweit es gelingt, Expertenwissen in mathematische Modelle zu überführen.

Je nach Datenbeschaffenheit und Komplexität des Modells kommen dabei verschiedene Lösungsverfahren zum Einsatz. Mitunter ist eine mehrstufige Grob- und Feinplanung für die Optimierung erforderlich. Dabei unterscheiden sich die eingesetzten Verfahren zur Bedarfsschätzung für Einzelfertigung in aller Regel von jenen für die Serien- oder Variantenfertigung.

Das optimale Zusammenspiel von Modellen und Algorithmen ist Voraussetzung, um die jeweils beste Lösung zu finden. Geeignete Softwarepartner und Berater sollten daher in der Lage sein:

• die Qualität der erfassten Daten zu prüfen
• das Data Pre-processing zu übernehmen
• die Daten in Modelle zu überführen
• das Datenmodell zu optimieren und
• aus den Ergebnissen konkrete Entscheidungsvorschläge abzuleiten.

Die Losgrößenoptimierung kann ein erster Schritt sein, um durch intelligente Datennutzung Sparpotenziale zu identifizieren und auszuschöpfen. Da Produktionsprozesse oft in komplexe Supply Chains eingebunden sind, sollte die Lieferkette ganzheitlich betrachtet werden. Gegebenenfalls sind zusätzlich Transport- und Distributionskosten im Rahmen einer Netzwerkoptimierung zu berücksichtigen, um die Gesamtkosten zu minimieren und ökologisch nachhaltig zu wirtschaften. Losgrößen- und Netzwerkoptimierung haben wir bereits erfolgreich in Kundenprojekten umgesetzt.

Der Wettbewerbsdruck durch Digitalisierung und Industrie 4.0 wird sich in den nächsten Jahren weiter beschleunigen. Die COSMO CONSULT Data Science tut alles dafür, damit Ihr Unternehmen am Ende auf der Gewinnerseite steht.

Rufen Sie uns an oder schreiben Sie uns eine E-Mail. Laden Sie sich das Whitepaper mit tiefergehenden Informationen herunter.

Wir begleiten Sie auf den Weg zu vollständig digitalisierten und optimierten Produktionsprozessen.