Lieferzeit

Eine Lieferzeit ist die Verzögerung zwischen dem Beginn und der Fertigstellung eines Prozesses. In Lieferketten sind Lieferzeiten, die in der Regel in Tagen gemessen werden, immer dann beteiligt, wenn Waren gekauft, umgewandelt oder gewartet werden. Aus planerischer Sicht sind Lieferzeiten wichtig, da sie bedeuten, dass die meisten Routineentscheidungen im Voraus getroffen werden müssen, um die beabsichtigte Wirkung zu erzielen, wie z.B. die Aufrechterhaltung der Servicequalität. Die Notwendigkeit einer Nachfrageprognose ergibt sich in der Regel auch aus dem Vorhandensein von Lieferzeiten, da die Angemessenheit einer Entscheidung - wie z.B. einer Lagerauffüllung - von unbekannten zukünftigen Ereignissen abhängt, die die Lieferkette für die Dauer der Lieferzeit beeinflussen werden.

Ursachen und Folgen von Lieferzeiten

Lieferzeiten prägen maßgeblich die Funktionsweise der Lieferkette und die meisten ihrer finanziellen Elemente, wie z.B. das erforderliche Betriebskapital und die Kapitalrendite (ROCE). Tatsächlich bedeuten längere Lieferzeiten, dass es länger dauert, einen Bestandszyklus abzuschließen, bei dem Materialien oder Produkte gekauft, möglicherweise umgewandelt und wieder verkauft werden.

Längere Lieferzeiten bedeuten mechanisch höhere Bestandsverpflichtungen, auch wenn die Lagerbestände scheinbar niedrig bleiben. Wenn zum Beispiel ein Unternehmen in Europa Waren aus Asien bestellt, die per Container geliefert werden sollen, ist das Unternehmen ab dem Zeitpunkt, an dem der Kaufauftrag erteilt wird, verpflichtet, die Waren zu verkaufen oder zu verbrauchen. In dieser Situation dauert es jedoch in der Regel über 6 Wochen, bis sich die Lagerbestände in Europa auf diese Verpflichtung auswirken.

Darüber hinaus erhöhen längere Lieferzeiten die Abhängigkeit von Prognosen. Wenn man das obige Beispiel betrachtet, kann das Unternehmen es sich nicht leisten, einfach einen Kaufauftrag auf der Grundlage seiner aktuellen Bedürfnisse zu erteilen; bis zur Lieferung der Bestellung wird sich die Situation weiterentwickelt haben. Die aktuellen Lagerbestände werden aufgrund des laufenden Verbrauchs weiter gesunken sein und die Nachfrage wird sich höchstwahrscheinlich geändert haben, wenn auch nur aufgrund der Saisonalität.

Lieferzeiten stellen eine untere Grenze für die maximale Agilität dar, die ein Unternehmen erreichen kann. Als Faustregel gilt, dass ein Unternehmen bei plötzlichen Veränderungen der Marktbedingungen für etwa die Dauer der Lieferzeiten an seinen früheren Entscheidungen festhält. Es gibt verschiedene Möglichkeiten, diese Auswirkungen abzumildern, beginnend mit vertraglichen Vereinbarungen mit Lieferanten. Die zugrunde liegenden Risiken können jedoch selten vollständig beseitigt werden und werden lediglich innerhalb der Lieferkette verlagert.

Angesichts aller negativen Auswirkungen längerer Lieferzeiten stellt sich die Frage, warum Unternehmen häufig für das optieren, was subjektiv betrachtet lange Lieferzeiten zu sein scheinen. Es stellt sich heraus, dass es mehrere wirtschaftliche Faktoren gibt, die die Waage zugunsten längerer Lieferzeiten neigen lassen.

Spezialisierung führt zu längeren Lieferzeiten: Einige Länder haben recht einzigartige Branchen¹, die schwer oder teuer lokal zu replizieren sind. Solche konzentrierten Branchen sind historisch gesehen hauptsächlich aufgrund von hochwertigen Materialien entstanden, die leicht zu transportieren waren. Auch wenn Flugzeuge heute jeden Punkt der Erde in weniger als 24 Stunden erreichen können, erhöhen Zoll und Prozesse die tatsächlichen Lieferzeiten erheblich, wenn man Überseelieferanten berücksichtigt.

Skaleneffekte tendieren ebenfalls zu längeren Lieferzeiten. Durch Erhöhung der Losgrößen (häufig als Mindestbestellmengen realisiert) können Hersteller oder Transportunternehmen ihre Kosten senken. Wenn jedoch die Losgrößen größer werden, verringert sich auch die Anzahl der Chargen und somit die Häufigkeit - unter der Voraussetzung, dass alle anderen Faktoren gleich bleiben, insbesondere die Nachfrage. Dennoch sind nicht alle Branchen gleichermaßen anfällig für Skaleneffekte, die je nach anwendbarer Technologie zu einem Plateau führen können.

Senkung der hohen Quantile

Obwohl eine Lieferzeit durch Verringerung ihrer durchschnittlichen Dauer verbessert werden kann, sind es in der Regel die Verbesserungen in Bezug auf die schlechtesten Fälle - d.h. die längsten Situationen -, die am wichtigsten sind. In Lieferketten konzentrieren sich die größten Probleme - gemessen in Dollar-Auswirkungen - auf den Schwanz: Es sind die unerwartet langen Lieferzeiten, die zu Bestandsausfällen oder Produktionsunterbrechungen führen, nicht die kleinen Unebenheiten.

Eine der einfachsten Möglichkeiten, diese Worst-Case-Szenarien zu bewerten, besteht darin, Quantil-Messungen zu verwenden. Wenn beispielsweise ein Lieferant eine Lieferzeit von 7 Tagen für das 95%-Quantil angibt, bedeutet dies, dass 95% der Bestellungen, die an diesen Lieferanten übergeben werden, in weniger als 7 Tagen geliefert werden. Diese “hohen” Quantile, d.h. nahe 100%, können erheblich von der durchschnittlichen Lieferzeit abweichen. Derselbe Lieferant könnte im Durchschnitt in 2 Tagen liefern, was weniger als ein Drittel seiner Schätzung des hohen Quantils für dieselbe Lieferzeit ist.

Um diese Probleme mit der Servicequalität zu vermeiden, neigen alle Bestandsbuffer innerhalb der Lieferkette - unabhängig von der verwendeten Methodik - dazu, sich linear zu vergrößern, nicht mit dem Durchschnitt der Lieferzeit, sondern mit einem hohen Quantil der Lieferzeit. Bestandsbuffer dienen genau dazu, Variationen der Bedingungen in der Lieferkette aufzufangen. Die beiden Hauptfaktoren hinter den unerwarteten Variationen, die die Lieferkette beeinflussen, sind in der Regel die schwankende Nachfrage und die schwankende Lieferzeit.

Vielfalt der Lieferzeiten

Die Gesamtlieferzeit von den ursprünglichen Bestellungen bei den Lieferanten bis zur Auslieferung an den Kunden kann in der Regel in viele, möglicherweise Dutzende, Zwischenschritte unterteilt werden. Um entweder den Wert der Lieferzeit oder ihre Variabilität zu reduzieren, ist es in der Regel effektiv, diese Gesamtlieferzeit in ihre bemerkenswerten Teilkomponenten zu zerlegen, die einfacher zu analysieren und zu verbessern sind.

Ein Großhändler, der Waren von Überseelieferanten vertreibt, kann beispielsweise folgende Lieferzeiten haben:

• Eine Bestelllieferzeit, verursacht durch den wöchentlichen Beschaffungsprozess des Großhändlers selbst.
• Eine Gelegenheitslieferzeit, verursacht durch die von den Lieferanten auferlegten Mindestbestellmengen.
• Eine Fertigungszeit, die von den Lieferanten zur Erfüllung der Bestellung benötigt wird.
• Eine Transportlieferzeit, die von der Spedition benötigt wird.
• Eine administrative Lieferzeit, um den Zoll zu passieren.
• Eine Empfangszeit, um die Bestände zu inventarisieren und vonseiten des Großhändlers eine Qualitätskontrolle durchzuführen.
• Eine Versandlieferzeit, die vom Distributionszentrum benötigt wird, um Kundenaufträge zu erfüllen.
• Eine Lieferzeit für die letzte Meile, die von einem Transportunternehmen benötigt wird, um die Kundenlieferung durchzuführen.

Bei jeder Operation ist es in der Regel interessant, sowohl die durchschnittliche Verzögerung als auch die Varianz der Verzögerung zu verringern.

Die Verfolgung all dieser Operationen erfordert viel Büroarbeit, die durch moderne IT-Systeme massiv erleichtert werden kann, entweder durch Barcodes und/oder RFIDs. Elektronische Aufzeichnungen werden in der Regel in den IT-Systemen des/der beteiligten Unternehmens(e) gespeichert. Die Vorteile gehen weit über die Optimierung der Lieferzeiten hinaus, da diese Systeme die Rückverfolgbarkeit der Waren gewährleisten und in gewissem Maße den Bestandsverlust verhindern.

Bis Ende der 1990er Jahre erforderte die Speicherung und Verarbeitung all dieser Aufzeichnungen teure Rechenressourcen, weshalb es nicht immer wirtschaftlich sinnvoll war, alle durch den Fluss physischer Güter in einer Lieferkette erzeugten minutengenauen Aufzeichnungen zu erwerben und noch weniger zu erhalten. Seit Anfang der 2010er Jahre sind die Kosten für die Datenspeicherung und -verarbeitung jedoch weit unter den Punkt gefallen, an dem rohe Rechenressourcen kaum noch eine Rolle spielen, wenn physische Flüsse beteiligt sind. Dennoch können IT-Kosten, insbesondere Systemintegrationen, den Erwerb dieser elektronischen Aufzeichnungen verhindern.

Um die Lieferzeiten zu verbessern und damit in der Regel ihre hohen Quantile zu reduzieren, sind Messungen erforderlich. Feingranulare Lieferzeitmessungen sind sehr nützlich, wenn es um die Ursachenanalyse geht. Tatsächlich variieren die Art der Verbesserungen, die gebracht werden, stark von einem Schritt zum nächsten, da sich die Operationen stark unterscheiden.

Bestelllieferzeit

Die Bestelllieferzeit bezieht sich in der Regel auf die Zeit, die zwischen der Kundenbestellung und der Lieferung der Waren vergeht. Diese Dauer ist bemerkenswert, weil sie die “Art” der Lieferzeit ist, mit der die breite Öffentlichkeit - im Gegensatz zu Supply Chain-Spezialisten - am vertrautesten ist. In vielen Branchen jenseits des B2C-E-Commerce hängt die Bestelllieferzeit eng mit der Servicequalität zusammen. Insbesondere Lagerbestände neigen dazu, der dominierende Faktor für abnorm lange Bestelllieferzeiten zu sein.

Ein Teil der Herausforderung bei der Verbesserung der Bestelllieferzeiten besteht nicht darin, die Lieferzeiten selbst zu verkürzen, sondern die richtigen Erwartungen der Kunden hinsichtlich des Lieferdatums zu setzen. Insbesondere haben mehrere große E-Commerce-Unternehmen seit über einem Jahrzehnt die Vorgehensweise übernommen, eine Schätzung des Quantils der Bestelllieferzeit zu teilen, die als wahrscheinliche obere Grenze für die Verzögerung dient. Die Verzerrung in der Verzögerungsschätzung wird absichtlich eingeführt, um die Häufigkeit von Situationen zu minimieren, in denen die Waren nicht rechtzeitig geliefert werden.

Prognostizieren von Lieferzeiten

Die richtige Vorhersage zukünftiger Lieferzeiten ist eine wesentliche Voraussetzung für die Optimierung einer Lieferkette. Ähnlich wie bei der Nachfrage können auch Lieferzeiten vorhergesagt werden und sollten es auch, wobei in der Regel die vorhandenen historischen Daten genutzt werden.

Obwohl die Vorhersage von Lieferzeiten noch keine verbreitete Praxis unter den “Nachfrage”-Planungsteams ist, muss beachtet werden, dass die meisten Zyklen, die auf die Nachfrage zutreffen, auch auf Lieferzeiten zutreffen. Zum Beispiel weisen Lieferzeiten saisonale, Tages- und Wochentagseffekte auf. Lieferzeiten ändern sich im Laufe der Zeit. Ein Lieferant kann beispielsweise seine eigenen Prozesse überarbeiten, um die Lieferzeiten zu verkürzen oder zu erhöhen, um seine Kosten zu senken. Auch quasi-saisonale Ereignisse wie das chinesische Neujahr spielen eine Rolle, bei dem die Lieferzeiten periodisch ansteigen, da viele Fabriken in Asien während dieser Zeit geschlossen sind.

Probabilistische Vorhersagen sollten für Lieferzeiten bevorzugt werden, da, wie oben erwähnt, die wirtschaftlichen Auswirkungen der Lieferzeiten durch die hohen Quantile bestimmt werden. Die Kosten und Probleme konzentrieren sich am Ende der Verteilung. Es sollte jedoch sofort darauf hingewiesen werden, dass Normalverteilungen (Gaußsche Verteilungen) nicht für Lieferzeiten verwendet werden sollten. Als Faustregel sind Lieferzeiten niemals normalverteilt, und die Verwendung eines solchen Modells führt zu einer erheblichen Unterschätzung der hohen Quantile, was wiederum zu einer fortlaufenden Reihe von Serviceproblemen führt.

Lieferzeiten können besser als multimodale Verteilungen modelliert werden, die das zugrunde liegende physikalische System widerspiegeln. Wenn beispielsweise eine Produktionslinie ausgelöst wird, sind die Produktionslieferzeiten in der Regel sehr vorhersehbar, es sei denn, es fehlt eines der Rohmaterialien, in diesem Fall kann die Fertigungszeit erheblich länger dauern. Die praktische Modellierung der Wahrscheinlichkeitsverteilung beinhaltet in der Regel eine Mischung aus diskreten und parametrischen Verteilungen.

Die probabilistische Vorhersage der Lieferzeit soll für jede innere Phase eine diskrete Zufallsvariable erzeugen. Es ist häufig vernünftig anzunehmen, dass diese inneren Phasen statistisch unabhängig voneinander sind (z.B. ist die Verzögerung, die durch den Zoll verursacht wird, strikt unabhängig von der Fertigungsverzögerung). In solchen Fällen können die Zufallsvariablen kanonisch summiert werden, was technisch gesehen eine Faltung ist, die über die zugrunde liegenden Verteilungen durchgeführt wird.

Kontrollierte Modalitäten

Während das geeignete probabilistische Modell zur Vorhersage von Lieferzeiten in der Regel multimodal ist, gibt es bestimmte Modalitäten, die eine spezifische Behandlung erfordern, wenn eine gewisse Kontrolle im Gegensatz zu passiven Beobachtungen vorhanden ist. Wenn es beispielsweise möglich ist, von einem Lieferanten eine Luft- oder Seefracht anzufordern, sollten die beiden Transportarten aus Sicht der Vorhersage nicht zusammengefasst werden. Es gibt eine gewisse Kontrolle. Jede Transportart hat ihre eigene Variabilität, und daher sind zwei separate Vorhersagen erforderlich.

Nachfragekopplung

Da die Produktionskapazitäten bei steigender Nachfrage begrenzt sind, nimmt auch die Fertigungszeit zu. Diese Kopplung zwischen Nachfrage und Lieferzeit wirkt sich negativ auf die Servicequalität aus, da sie die Fähigkeit des Unternehmens verringert, einen Nachfrageanstieg durch zusätzliche Einkaufs- oder Fertigungsaufträge abzufedern, genau aufgrund der zusätzlichen Lieferzeit. Daher kann es relevant sein, ein gemeinsames Vorhersagemodell sowohl für die Nachfrage als auch für die Lieferzeit zu haben, da die erforderlichen Bestandsbuffer von beiden Faktoren abhängen.

Wenn jedoch Fertigungseinheiten betrachtet werden, die genügend Flexibilität haben, um ihre Job-Warteschlangen (neu) zu organisieren, hängen die beobachteten Lieferzeiten stark von der Priorisierung jedes einzelnen Jobs ab. Daher sollte die geeignete Vorhersagemodellierung der Lieferzeit den Warteschlangenaspekt des Problems berücksichtigen, da sich die Lieferzeiten je nach willkürlichen Priorisierungsentscheidungen dramatisch ändern können. Dieser zusätzliche Grad an Kontrolle kann genutzt werden, um die Auswirkungen eines Nachfrageanstiegs abzumildern.

Leitnachfrage

Die Leitnachfrage gibt die Menge der zu bedienenden Artikel über die Dauer der Lieferzeit an. Dieser Wert ist besonders interessant, da der Gesamtbestand (Summe des Lagerbestands und des Bestands in Auftrag) zu jeder Zeit über der Leitnachfrage bleiben muss, um Lagerbestandsausfälle zu vermeiden. Wenn der Gesamtbestand unter die Lieferzeit fällt, ist ein Lagerbestandsausfall garantiert.

Unter der Annahme, dass probabilistische Prognosen sowohl für die zukünftige Nachfrage als auch für die zukünftige Lieferzeit erstellt werden können, ist es möglich, (hohe) Quantilschätzungen der Leitnachfrage zu berechnen, wie folgt definiert:

Wo:

• $${0≤τ≤1}$$ ist das Ziel der Quantilschätzung
• $${y}$$ ist die Nachfrage, die sich im Laufe der Zeit ändert
• $${L}$$ ist die Lieferzeit
• $${Qτ[..]}$$ ist das Quantil der inneren reellwertigen Funktion
• $${Ω}$$ ist die Menge der möglichen Ergebnisse
• $${t}$$ ist die Zeit, wobei 1 den ersten zukünftigen Zeitraum darstellt
• $${y_ω}$$ ist die Nachfrage, die dem Ergebnis $${ω}$$ zugeordnet ist
• $${L_ω}$$ ist die Lieferzeit, die dem Ergebnis $${ω}$$ zugeordnet ist

Diese Quantilschätzung der Leitnachfrage ist interessant, wenn versucht wird, ein bestimmtes Service-Level aufrechtzuerhalten. Unter der Annahme eines einfachen Einzel-SKU-Einzel-Lieferanten-Kein-MOQ-Inventarmodells kann dann die Menge, die zu einem bestimmten Zeitpunkt aufgefüllt werden muss, durch die Formel definiert werden:

Wo:

• $${Lagerbestand}$$ ist der Lagerbestand
• $${Bestellung}$$ ist der Bestand in Auftrag

Diese Formel geht implizit davon aus, dass keine Nachfrage verloren geht, wenn es zu Lagerbestandsausfällen kommt. Diese Annahme ist in vielen Situationen nicht vernünftig, z.B. im Einzelhandel, wo Kunden in der Regel entweder verzichten, sich für einen Ersatz entscheiden oder sich für einen Konkurrenten entscheiden, anstatt ihren Konsum nur zu verschieben. Um diese Annahme aufzuheben, muss der Einfluss der verlorenen Nachfrage explizit modelliert werden. Dies ist besonders wichtig, wenn die Nachfrage stark saisonal ist, da die Waren, die nach dem saisonalen Höhepunkt verfügbar werden, möglicherweise lange Zeit unverkauft oder ungenutzt bleiben.

Rückkopplungsschleifen durch Lieferzeit

Die Lieferzeit kann als Eingabefaktor betrachtet werden, um die Auffüllung zu berechnen, wie im vorherigen Abschnitt detailliert beschrieben. Die Lieferzeit selbst hängt jedoch vom Bestellungs- (oder Produktions-)plan ab. Darüber hinaus ist der Plan in der Regel darauf ausgelegt, die erwarteten Skaleneffekte zu erzielen, indem die gewünschte EOQ (economic order quantity), MOQ (minimal order quantity) oder die nominale Produktionschargengröße erreicht wird.

Daher sehen sich Supply-Chain-Praktiker häufig mit einer Rückkopplungsschleife zwischen der Entscheidung konfrontiert, die heute getroffen werden muss (Auffüllung und Bestellung), und dem Zeitpunkt, zu dem diese Entscheidung in Zukunft erneut getroffen werden soll. Mit einfacheren Worten ausgedrückt hängt die heute zu bestellende Menge vom Datum der nächsten Nachbestellung ab: Eine spätere Nachbestellung bedeutet, dass eine größere Menge erforderlich ist. Das Datum der nächsten Nachbestellung wird jedoch auch von der aktuellen Nachbestellung beeinflusst: Eine größere unmittelbare Nachbestellung bedeutet ein späteres Datum für die nächste Nachbestellung.

Da die explizite Modellierung und numerische Optimierung dieser Rückkopplungsschleife nicht trivial sind, etablieren Supply-Chain-Praktiker häufig einen groben Zeitplan (z.B. eine Bestellung pro Woche, pro Monat), der in etwa den Zielmengen entspricht, um die gewünschte Bestellgröße zu erreichen (d.h. die EOQ, MOQ oder Chargengröße). Dieser Zeitplan wird dann als starr angesehen, wobei die Nachbestellmengen bei Bedarf variieren. Die starre Zeitplanmethode führt jedoch ineffizienterweise zu Ineffizienzen, da die Supply Chain nicht alle ihre Freiheitsgrade nutzt.

Bessere numerische Lösungen können entwickelt werden, um diesen Rückkopplungsschleifenaspekt nativ anzugehen. Die in diesen Lösungen verwendeten Algorithmen fallen typischerweise unter das Dach des verstärkenden Lernens. Die detaillierte Beschreibung dieser Algorithmen geht jedoch über den Rahmen dieses Dokuments hinaus.

Spezifische Probleme in vertikalen Märkten

Die Lieferzeiten variieren und die angemessene Perspektive variiert in der Regel je nach betrachtetem Marktsegment. Im folgenden Abschnitt werden einige Marktsegmente überprüft, die bemerkenswerte spezifische Herausforderungen in Bezug auf die Lieferzeiten darstellen.

Haltbarkeit von frischen Lebensmitteln

Frische Lebensmittel sind sehr verderblich, und daher haben die Produkte eine kurze Haltbarkeit. Die Verkürzung der Lieferzeiten ist in der Regel entscheidend, um den Marktwert der Produkte, die aufgestellt werden sollen, so weit wie möglich zu erhalten. Wenn also Optionen (Verpackung, Transport) abgewogen werden, die die Lieferzeiten beeinflussen, beeinflussen diese Optionen nicht nur die Servicequalität, sondern häufig auch den erwarteten Umsatz und den erwarteten Abfall, der von der gesamten Supply Chain erzeugt wird.

Außerdem stehen Marken oder Händler in der Regel vor mehreren Beschaffungsoptionen mit unterschiedlichen Abwägungen zwischen Lieferzeit und Haltbarkeit. Zum Beispiel kann eine Marke direkt vom Hersteller kaufen, was eine lange Lieferzeit mit sich bringt, aber bei Erhalt der Produkte eine hohe Haltbarkeit aufweist; oder die Marke kann von einem Großhändler kaufen, was eine kurze Lieferzeit mit sich bringt, aber die Erhaltung von Produkten mit kurzer Haltbarkeit bedeutet. In solchen Situationen balanciert eine geeignete Supply-Chain-Optimierung die beiden Optionen aus, was wiederum eine vorausschauende Analyse der jeweiligen Lieferzeiten und Haltbarkeiten erfordert.

Durchlaufzeit (TAT) für MROs

MROs (Maintenance Repair & Overhaul) verwalten reparierbare Komponenten. Damit ein Komponentenwechsel stattfinden kann, muss eine betriebsbereite Komponente sofort verfügbar sein, während die demontierte Komponente nicht betriebsbereit ist, bis sie repariert ist. Die Gesamtverzögerung vom Antrag auf den Komponentenwechsel bis zur erneuten Verfügbarkeit der betriebsbereiten Einheit wird als Durchlaufzeit bezeichnet.

Der Bestand an Komponenten, den das MRO führt, hängt direkt von der Durchlaufzeit ab. Wenn das MRO die (theoretische) Kapazität hätte, eine nicht betriebsbereite Komponente sofort zu reparieren, gäbe es keinen Bedarf an Bestand. Daher sind die Vorhersage und Optimierung der Lieferzeit für MROs noch kritischer als die Nachfrageprognose.

Der Schwerpunkt der TAT-Analyse (im Vergleich zur Nachfrageanalyse) wird in der Regel durch die Art der nicht geplanten Reparaturen verstärkt, die genau auf Ausfälle zurückzuführen sind, die einen gewissen Grad an irreduzibler Unsicherheit bei der Durchführung der zugrunde liegenden physikalischen Prozesse mit sich bringen - d.h. wenn es eine Möglichkeit gäbe, das Problem proaktiv anzugehen, würden Diagnosen diese Operationen in geplante Reparaturen umwandeln.

Reverse Logistik für E-Commerce

Die meisten Verbraucher-E-Commerce-Unternehmen in den meisten Ländern bieten heutzutage die Möglichkeit, die Waren zurückzugeben, wenn dem Verbraucher das Erhaltene nicht gefällt. Die Rücksendequote variiert jedoch stark von Land zu Land, hauptsächlich aus kulturellen Gründen. Zum Beispiel weisen deutsche Verbraucher im Bereich Fast-Fashion-E-Commerce in der Regel Rücksendequoten von über 50% auf. Diese hohen Quoten werden teilweise durch die Gewohnheit, mehrere Größen zu bestellen und alle außer einer zurückzusenden, verursacht.

Wenn die Rücksendequoten hoch sind, muss der Online-Händler damit rechnen, dass ein beträchtlicher Teil des Bestands tatsächlich zurückfließt. Andernfalls besteht die Gefahr, dass der Händler systematisch mit Überbeständen endet, wenn die Artikel nach der Auftragsauffüllung zurückfließen. Es gibt jedoch drei Unsicherheiten in Bezug auf die zukünftigen Rücksendungen: Erstens, ob die Artikel zurückgesendet werden oder nicht, zweitens, ob die Artikel nach Erhalt die Qualitätskontrolle bestehen, und drittens, wie viel Zeit vergangen ist, bis die Artikel wieder verkauft werden können.

Diese Prognoseprobleme lassen sich recht gut durch hochspezifische strukturierte Analysen lösen. Die maximale Anzahl der Artikel, die zu einem bestimmten Zeitpunkt zurückgegeben werden können, ist durch das Volumen der jüngsten Lieferungen begrenzt. Das Begrenzen von Extremereignissen ist aus Sicht der Supply Chain von größtem Interesse. Auch bei der Situation “3 Größen ausgewählt, 2 Größen zurückgegeben” ist es möglich, mit großer Sicherheit den Anteil der Verbraucherbestellungen vorherzusagen, die zurückgesendet werden.

Leasingunternehmen

Leasingunternehmen, wie z.B. Auto-Leasingunternehmen oder Büromöbel-Leasingunternehmen, stehen vor Situationen, die teilweise den MRO-Situationen ähneln, aber nicht ganz. Der angemessene Bestand hängt tatsächlich von der zukünftigen Nachfrage ab, aber auch von den zukünftigen Rückhalteraten, da der Bestand am Ende des Leasingvertrags an das Leasingunternehmen zurückfließt. Da das Leasingunternehmen keine volle Kontrolle über die Leasingdauer hat, müssen diese Dauern prognostiziert werden, um den Bestand zu optimieren. Die Dauer dieser Rückhaltezeiten und deren Auswirkungen auf den Bestand können durch die Betrachtung der regulären Lieferzeiten analysiert und prognostiziert werden.

Die meisten Leasingunternehmen haben jedoch einen gewissen Einfluss auf die Rückhaltezeit durch ihre Preisgestaltung und die Sonderangebote, die sie ihren Kunden gewähren können. Ähnlich wie ein Einzelhändler, der die Nachfrage nach einem Produkt steigern kann, indem er es in Aktion setzt, kann ein Leasingunternehmen seine Rückhaltezeit durch günstigere Konditionen verlängern. Daher ist die Preisgestaltungsanalyse in Leasing-Situationen in hohem Maße mit der Lieferzeitanalyse verflochten.

Lieferzeit-Antipatterns

Der Begriff “Antipatterns” bezieht sich auf Praktiken, Prozesse oder Werkzeuge, die als Lösungen gedacht sind, aber die erwarteten Ergebnisse nicht liefern. In Supply Chains sind Lieferzeiten anfällig für eine Reihe von Antipatterns, die wir in diesem Abschnitt überprüfen.

Nichtwertschätzung

Lieferzeiten sind einer der Hauptgründe, warum Planung und Prognose aus Sicht des Supply Chain Managements überhaupt wichtig sind. Dennoch erhalten Lieferzeiten - als Phänomen, das modelliert und geformt werden soll - in der Regel nur einen winzigen Bruchteil der Aufmerksamkeit, die anderen konkurrierenden Phänomenen wie der Nachfrage zuteil wird. Es gibt mehrere Institute, die sich der Nachfrageprognose widmen, aber keines, das sich der Lieferzeitprognose widmet. Dieses große Ungleichgewicht in Bezug auf die Aufteilung der Anstrengungen führt häufig zu Situationen, in denen quantitative Analysen auf der Nachfrageseite bis aufs Gramm genau durchgeführt werden, um sie später auf der Lieferzeitseite auf die nächste Tonne zu runden. Die meisten Branchen erfordern, dass Lieferzeiten als Bürger erster Klasse der Supply Chain-Optimierung behandelt werden - gleichberechtigt mit der Nachfrage -, sowohl in Bezug auf den Prozess als auch auf die Werkzeuge.

Übernutzung

In den meisten Supply Chains verbringt der Großteil des Bestands - einschließlich Rohstoffen und Halbfertigprodukten - die meiste Zeit unbeweglich und wartet auf die nächste Operation. An jedem einzelnen Schritt der Supply Chain bilden sich Verarbeitungswarteschlangen, und jede Warteschlange geht mit einer eigenen Wartezeit einher. Wenn jedoch die Auslastung eines Vermögenswerts nahezu 100% erreicht, nähert sich die Wartezeit in der Warteschlange unendlich an. Die Auslastungsrate des Vermögenswerts ist daher ein Kompromiss zwischen der Amortisation des Vermögenswerts selbst und den damit verbundenen Lieferzeiten. Dieser Kompromiss besteht darin, die abnehmenden Erträge der höheren Auslastungsraten gegen die exponentiell wachsenden Wartezeiten auszugleichen.

Blindflug

Die Verbesserung der Lieferzeit beginnt in der Regel damit, die spezifische Phase des Prozesses zu identifizieren, die die größte vermeidbare Verzögerung verursacht. Die Lieferzeitmessungen selbst können jedoch irreführend sein. Wenn beispielsweise bei der Messung einer Lieferzeit des Lieferanten die gelieferten Paletten häufig unverarbeitet auf einem Dock liegen, während sie auf ihre elektronische Erfassung warten, kann die Messung die Lieferzeit des Lieferanten stark aufblähen, während der fehlerhafte Prozess die Erfassung selbst ist. Diese Probleme können in der Regel nicht durch Datenanalyse gelöst werden, sondern erfordern Vor-Ort-Beobachtungen, um zu verstehen, ob der Datenerfassungsprozess vertrauenswürdig ist oder nicht. Auch die Erfassung von elektronischen “Tops” selbst kann die Gesamtlieferzeit erhöhen, da dies eine zusätzliche Arbeitsbelastung für das Personal darstellt - was dem ursprünglichen Ziel zuwiderläuft.

Emergentes LIFO

Das Verarbeiten von Aufträgen oder Jobs in einer FIFO (First-In-First-Out) Reihenfolge ist fast immer eine Voraussetzung, um eine vernünftige Servicequalität sicherzustellen. Verstöße gegen das FIFO-Prinzip erzeugen jedoch unregelmäßig übermäßig lange Lieferzeiten. Auf physischer Ebene tendiert jedoch die LIFO (Last-In-First-Out) Reihenfolge in vielen Situationen dazu, natürlich aufzutreten, und es bedarf spezifischer Anstrengungen, um diese emergenten LIFO-Situationen zu verhindern. Zum Beispiel:

• Jeder eingehende Auftrag (Kommissionierung, Produktion, Reparatur usw.) wird automatisch als “Jobblatt” gedruckt. Alle eingehenden Jobblätter werden in einer Box gedruckt. Aufgrund der Art des Druckprozesses liegen die neuesten eingehenden Aufträge oben auf dem Stapel und lenken die Bediener in Richtung LIFO.
• Wenn ein Förderband zu kurz ist, neigen die Waren dazu, das Förderband zu überlaufen und können am Anfang des Förderbands auf den Boden gelegt werden. Schnell bildet sich ein Haufen von Waren, und die Waren, die am längsten vorhanden sind, befinden sich am unteren Ende des Stapels. Das Abladen der Waren erfolgt in der LIFO-Reihenfolge.
• Wenn Boxen oder Paletten über einen Fluss von Transportern auf einem Dock entladen werden, neigen die frisch eingetroffenen Waren dazu, vorne oder oben auf den vorherigen Waren platziert zu werden, was später zu LIFO führt, wenn die Waren verarbeitet werden.

Anmerkungen