Bestandsmanagement unter der Einschränkung von Multi-Referenz-Mindestbestellmengen

Joannes Vermorel

Mindestbestellmengen (MOQs) sind im supply chain allgegenwärtig. Jedes Unternehmen, das kein reiner Einzelhandelsspezialist ist, wird höchstwahrscheinlich auf alles, was es vertreibt, eine MOQ auferlegen. Auch die Einzelhändler selbst müssen sich mit MOQs auseinandersetzen, da diese von ihren Lieferanten auferlegt werden. Angesichts der Verbreitung von MOQs und der Tatsache, dass in supply chain-bezogenen Bereichen in den letzten 100 Jahren etwa 1 Million Fachartikel veröffentlicht wurden (alias Operations Research, Bestandsmanagement, Planung usw.), könnte man erwarten, dass Tausende von Artikeln¹ verfügbar wären, die sich mit einem so grundlegenden Problem befassen. Man täte sich irren.

Vor einigen Jahren begann Gaetan Delétoille an Lokad eine Promotion, die sich genau mit diesem Thema befasst, und zu unserer größten Überraschung mussten wir feststellen, wie extrem dürftig die wissenschaftliche Literatur zu diesem Thema ist. In den vergangenen 100 Jahren fanden sich nicht nur kaum ein paar Dutzend Artikel, die sich mit MOQs² beschäftigten, sondern viele von ihnen lieferten auch weder reproduzierbare noch bessere Ergebnisse als triviale Heuristiken bei der Behandlung von MOQs.

Ähnlich wie die Forschungen von Benoit Petra und Matthieu Durut, ist diese wissenschaftliche Arbeit ein längst überfälliger Zugewinn für Lokads Website.

Autor: Gaetan Delétoille

Datum: Juni 2022

Zusammenfassung:

Diese PhD³-Forschung befasst sich mit dem Multi-Item-Mindestbestellmengen (MOQ) Bestandskontrollproblem, dem sich viele supply chain optimization-Kunden gegenübersahen. Das MOQ-Problem ist sowohl entscheidend als auch schwierig zu lösen, bedingt durch seine stochastische Natur und die geteilte Mindestbestellmenge zwischen mehreren Artikeln. Bestehende Methoden, wie dynamische Programmierung und Reinforcement-Learning-Algorithmen, scheitern an der Skalierung für komplexe Probleme oder werden in der Praxis selten angewendet. Diese Dissertation führt die w-Policy ein, einen neuartigen Ansatz, der das mehrperiodige MOQ-Problem vereinfacht, indem er die Priorisierung von Artikeln beim Aufbau der bestmöglichen Bestellung vornimmt. Umfangreiche numerische Experimente validieren die nahezu optimale Leistung und Robustheit der w-Policy. Darüber hinaus untersucht die Studie das Potenzial von Reinforcement Learning bei der Lösung des MOQ-Problems, indem sie die Hybrid-Policy vorstellt – einen Ansatz, der den Allokierungsmechanismus der w-Policy mit einem Deep-Q-Network kombiniert. Obwohl die Hybrid-Policy vielversprechende Ergebnisse zeigt, bedarf sie noch weiterer Robustheit für den realen Einsatz. Die w-Policy wurde erfolgreich implementiert und in Lokads Lösung für die tägliche Bestandskontrolle decision-making integriert. Die Forschungsergebnisse tragen wesentlich dazu bei, komplexe, groß angelegte Bestandskontrollprobleme unter uncertainty zu lösen, mit praktischen Implikationen für die supply chain optimization.

Jury:

Laden Sie die Dissertation (PDF) herunter