Prädiktive Optimierung für den Automotive Aftermarket
Da Fahrzeuge heutzutage länger halten als je zuvor, haben Kunden zunehmend hohe Erwartungen, dass ihre Fahrzeuge jederzeit straßentauglich bleiben. Verzögerungen, bei denen man auf ein Teil warten muss, während das Fahrzeug wegen einer routinemäßigen Wartung stillgelegt ist, gelten nicht mehr als akzeptabel. Dennoch gibt es Softwarelösungen zur Optimierung von Ersatzteilen seit Jahrzehnten, aber Lokad erzielte einen Durchbruch, indem eine einfache Erkenntnis in umsetzbare Bestandsentscheidungen verwandelt wurde: Im Automotive Aftermarket ist der Endverbraucher nicht die Person, die das Teil kauft, sondern das Fahrzeug, das es benötigt. Unsere Technologie ermöglicht es, die Teileauswahl, die Preise und die Bestände von OEM-Produktionsstätten bis zu den Werkstätten zu optimieren, wobei jede einzelne Zwischenschicht berücksichtigt wird.
Die Tokić Group ist der weltweit größte Händler von Automobil-Ersatzteilen mit mehr als 300 international anerkannten Automobilmarken und zusätzlicher Ausrüstung für die Automobilindustrie. Über ein Vertriebsnetz von mehr als 140 Filialen in Kroatien und Slowenien bietet Tokić mehr als 300.000 verschiedene Teile an.
Im Bereich Beschaffung, Nachschub und Bestandsmanagement hat sich unser Partner Lokad als revolutionär erwiesen. Dank ihres hochqualifizierten Teams von Data Scientists und ihrer leistungsstarken, auf Machine Learning basierenden prädiktiven Software haben wir ein bisher unerreichtes Maß an operativer Effizienz erzielt. Die Tokić Group verringerte ihre Bestandsinvestitionen, während sie den Umsatz steigerte und die Servicequalität verbesserte. Nur solche technologischen Fortschritte können Unternehmen dabei helfen, nachhaltig zu wachsen, indem sie Hindernisse in Chancen verwandeln.
Ivan Šantorić, CEO, tokic Group
Case study
Mister Auto ist ein E-Commerce-Unternehmen, das sich auf Autoteile spezialisiert hat. Gegründet im Jahr 2007 und seit 2015 Teil der PSA Group, verfügt es über einen Katalog mit über 200.000 Referenzen und ist in 20 Ländern tätig. Heute ist Mister Auto der N°1 Autoteilehändler in Europa.
Wir nutzen Lokad seit über 2 Jahren täglich, um unsere Verkaufspreise zu berechnen. Es ist wirklich eine maßgeschneiderte Lösung, zumal unsere kombinierten Kataloge die 20 Länder berücksichtigen, in denen wir tätig sind. Diese technologische Entscheidung hat uns dabei geholfen, unser Potenzial zur Wertschöpfung durch unsere Preisgestaltung auf ein ganz neues Niveau zu heben, dank Lokads algorithmischer Modelle, die auf Big Data basieren. Neben der enormen Leistungsfähigkeit bietet uns Lokads Lösung auch Geschwindigkeit und Reaktionsfähigkeit – zwei Elemente, die im E-Commerce unverzichtbar geworden sind.
Mathieu Pajot, Commercial and Pricing Director, Mister Auto
Ausfallstundenreduzierung pro Dollar
Aus operativer Sicht ist das Ziel des Automotive Aftermarket, die Ausfallstunden pro investiertem Dollar oder Euro in seine supply chain so weit wie möglich zu reduzieren. Dieses Ziel ist zwar einfach, steht aber weitgehend im Widerspruch zu der Art und Weise, wie klassische Unternehmenssoftware konzipiert ist.
Service Levels, Sicherheitsbestände oder ABC-Analysen – abgesehen davon, dass sie veraltete supply chain Ansätze darstellen – verfehlen schlicht das Wesentliche.
Lokads prädiktive Optimierungstechnologie geht jede einzelne Entscheidung entlang der gesamten chain an, von den OEM-Produktionsstätten bis zu dem Ort, an dem das Teil am Fahrzeug montiert wird, wobei sie sich quantitativ auf dieses Endspiel konzentriert.
Die Optimierung beginnt auf OEM-Ebene. Der OEM entscheidet täglich, welche Rohmaterialien oder Unterteile eingekauft werden müssen. Außerdem legt er die zu produzierenden Mengen auf Basis der verfügbaren Bestände fest. Die Produktion muss verschiedene Kanäle bedienen, wozu die Herstellung von Neuwagen, aber auch die Wartung älterer Fahrzeuge gehört.
Die Optimierung setzt sich auf der Ebene des Distributors bzw. Großhändlers fort. Die Teile müssen effizient auf zahlreiche geografische Standorte verteilt werden. Diese Bestandsallokation muss nicht nur die höchstmögliche Servicequalität erreichen, sondern auch die Betriebskosten minimieren, wozu beispielsweise MOQs (Mindestbestellmengen) gehören können.
Schließlich müssen auf Einzelhandelsebene die Teile sofort verfügbar sein, um die Fahrzeuge bedienen zu können. Da ein Ausfall möglicherweise mehrere Teile erfordert, sollte die Verfügbarkeit der Teile nicht mit der Behebung eines Ausfalls verwechselt werden. Umgekehrt muss ein fehlendes Teil kein Problem darstellen, wenn ein kompatibler Ersatz verfügbar ist.
Die Teile-Fahrzeug-Kompatibilitätsmatrix
Für jedes Fahrzeug, das einen Ausfall erleidet, gibt es typischerweise Dutzende von Teilen, die mechanisch kompatibel sind und somit zur Problemlösung eingesetzt werden können.
Dieser Aspekt ist im Automotive Aftermarket von grundlegender Bedeutung und aus diesem Grund hat Lokad seine supply chain Technologie so entwickelt, dass diese Erkenntnis in den Mittelpunkt rückt, indem die numerische Optimierung, die wir liefern, diese Perspektive berücksichtigt, anstatt sie zu vernachlässigen.
Der europäische Automobilmarkt umfasst über 100.000 verschiedene Fahrzeuge und mehr als 1.000.000 unterschiedliche Teile. Der nordamerikanische Automobilmarkt weist eine ähnlich große Komplexität auf. Mehrere Unternehmen vermarkten umfassende Datenbanken, die alle mechanischen (In-)Kompatibilitäten zwischen diesen Fahrzeugen und Teilen erfassen. Diese Informationen sind essenziell, um die feine Struktur der Nachfrage zu verstehen, die nicht durch das historische Verkaufsvolumen eines bestimmten Teils abgebildet wird. Dennoch sind diese Datenbanken sehr umfangreich – etwa 100 Millionen Zeilen – und unhandlich. Die Datenbanken eignen sich nicht für klassische Zeitreihenanalysen.
Lokad hat mehrere graphenorientierte Modelle entwickelt – die Teile-Fahrzeug-Kompatibilitätsmatrix kann auch als bipartiter Graph betrachtet werden – die eine überlegene prädiktive Modellierung der Nachfrage liefern, die sich auf die Einheit des Bedarfs konzentriert, anstatt die jeweils verfügbare spezifische Teilenummer zu überbetonen.
Im Gegenzug führt der Einsatz dieser Modelle zu überlegenen Entscheidungen in Bezug auf Einkaufs-, Produktions-, Bestandsallokations- oder Preisentscheidungen.
Bridgestone ist das weltweit größte Reifen- und Gummiunternehmen. Das Unternehmen betreibt eine hochkomplexe, länderübergreifende multi-echelon supply chain, die Hunderte von Standorten umfasst.
Bevor wir mit dem Projekt begannen, noch bevor ich dazukam, war man der Überzeugung, dass man die maximal mögliche Menge an Lagerbestand so nah wie möglich am Markt haben müsse, quasi nahe am Kunden, wie man es nennt. Doch sobald man diese [Lokad] multi-echelon Optimierung startet, stellt man fest, dass das eigentlich nicht stimmt – man muss einen größeren Anteil des Bestands in den Produktionsstätten haben [...] denn wenn ein Markt etwas zusätzliche Zeit benötigt, wird es dennoch Reifen geben.
Nicolas Vandeput, Supply chain expert supporting Bridgestone
Das Trilemma: Kapital, Preis und Service
Lokad liefert eine durchgängige, prädiktive supply chain Optimierung, die alle relevanten wirtschaftlichen Faktoren berücksichtigt. Einige dieser Faktoren sind relativ unkompliziert, wie beispielsweise die Lagerhaltungskosten, während andere subtiler sind, wie das Risiko, einen Kunden aufgrund wiederholt schlechter Serviceleistungen vollständig an einen Wettbewerber zu verlieren.
Zudem gibt es zahlreiche nichtlineare Einschränkungen zu berücksichtigen: den maximalen täglichen Produktionsdurchsatz, Mindestbestellmengen (MOQs), die maximale Lagerkapazität eines Standorts, die maximale Transportkapazität einer einzelnen LKW-Ladung, die Verpackungsformate (Kisten, Paletten etc.) …
Die Technologie von Lokad wurde so entwickelt, dass sie in der Lage ist, verschiedene nichtlineare Einschränkungen durchzusetzen, um sicherzustellen, dass die optimierten Entscheidungen ohne weitere Anpassungen umgesetzt werden können. Im Gegensatz zu klassischen Softwarelösungen erwarten wir nicht, dass supply chain Praktiker jede von uns produzierte Zahl manuell nachbearbeiten.
AUTODOC ist Europas führender Online-Händler für Autoteile. Als das wachstumsstärkste Unternehmen in diesem Bereich, mit einem Umsatzwachstum von 37,6 % im Geschäftsjahr 2020 auf etwa 842 Millionen Euro (von 612 Millionen Euro im Jahr 2019), will AUTODOC seine Position weiter ausbauen. Dank der erfolgreichen Expansion ist AUTODOC inzwischen in 26 weiteren europäischen Ländern neben Deutschland tätig.
Lokad hat sich seit Beginn unserer Zusammenarbeit im Jahr 2018 als zuverlässiger Partner für Autodoc erwiesen. Lokad's Supply Chain Scientists nehmen unsere besondere supply chain Komplexität mit einer Vielzahl unterschiedlicher, maßgeschneiderter Optimierungen in Angriff. Autodoc ist erheblich gewachsen, hat sich als führender Akteur im europäischen Online-Autoteile-Aftermarket etabliert und wir freuen uns, auf Partner zählen zu können, die bereit sind, sich mit uns weiterzuentwickeln.
Stefan Micklich, Vizepräsident Beschaffung
Autodoc AGKomplexe mehrstufige Netzwerke
Die Automobilindustrie wird typischerweise als die Industrie der Industrien betrachtet. Es gibt keine andere Industrie, die in schierer industrieller Größenordnung mit der Automobilindustrie konkurriert. Infolgedessen beinhalten die meisten Aftermarket-Situationen mehrere Ebenen – d.h. Netzwerkschichten von Produktion, Lagerung oder Vertrieb.
Once multiple echelons are involved, assessing the final outcome of a given decision that happens to be in the “middle” of the supply chain network becomes very difficult. Lokad has engineered a technology to assess the far-reaching economic outcome of any supply chain decision. For example, moving one part to a location in the network means losing the opportunity to move the same part somewhere else. Each decision has some opportunity cost compared to alternative and conflicting decisions.
Diese Technologie gewährleistet, dass die supply chain Leistung des gesamten Netzwerks maximiert wird.
Im Gegensatz dazu verfolgen die meisten klassischen supply chain Softwarelösungen eine lokale Perspektive, die sich auf den Servicegrad oder die Pufferung jedes einzelnen SKU konzentriert, während der Rest des Gesamtbildes völlig vernachlässigt wird. Unsere Erfahrung zeigt, dass diese simplen Ansätze, obwohl sie aus softwaretechnischer Sicht leicht umzusetzen sind, hinsichtlich der supply chain Leistung nicht zufriedenstellend sind. Tatsächlich verlagern diese Lösungen die Probleme, anstatt sie zu beheben. Die Behebung des Problems erfordert, dass man den mehrstufigen Aspekt des Problems direkt angeht.