Priorisierte Bestandsauffüllung in Excel mit probabilistischen Prognosen

Unsicherheit ist ein unvermeidlicher Aspekt der Prognose. Dennoch entstand im 20. Jahrhundert die statistische Prognose mit der Hoffnung, dass Unsicherheit durch angemessene mathematische Modelle beseitigt werden könnte. Als Folge davon wurden in frühen Supply-Chain-Theorien Unsicherheiten heruntergespielt oder ignoriert, da erwartet wurde, dass neuere oder bessere Prognosetechniken diese beseitigen oder, falls dies nicht möglich ist, sie unerheblich machen würden. Obwohl gut gemeint, waren diese Ansätze fehlerhaft, da Unsicherheit nach einem Jahrhundert statistischer Modellierung hartnäckig unvermeidbar bleibt. Im Jahr 2012 hat Lokad eine alternative Supply-Chain-Perspektive entwickelt, die Unsicherheit umarmt und quantifiziert. Dieser Ansatz nutzt probabilistische Prognosen anstelle der klassischen Zeitreihen-Prognosen. In diesem Leitfaden und der begleitenden Microsoft Excel-Tabelle wenden wir probabilistische Prognosen auf das Problem der Bestandsauffüllung an. Dieser Ansatz führt zu einer priorisierten Bestandsauffüllungsstrategie, die hier in Excel demonstriert wird. Unser Ziel ist zweifach: Erstens möchten wir diesen Ansatz einem Publikum bekannt machen, das möglicherweise nicht mit fortgeschritteneren Software-Tools vertraut ist, und zweitens möchten wir zeigen, dass die Akzeptanz von Unsicherheit eher eine bestimmte Denkweise als ausgefeilte Werkzeuge erfordert.

Download: probabilistic-inventory-replenishment.xlsx

1. Das Problem der Bestandsauffüllung

Das Problem der Bestandsauffüllung konzentriert sich darauf, die beste Einkaufsliste zu identifizieren - eine, die die finanziellen Kernbeschränkungen und Ziele des Unternehmens berücksichtigt. Die Methode zur Erstellung einer solchen Liste sollte unabhängig von Budgetbeschränkungen gleichermaßen gut funktionieren, da versucht wird, den Return on Investment für jeden ausgegebenen Dollar zu maximieren. Das Problem besteht darin, dass alle SKUs um dieselben Dollar konkurrieren, sodass der finanzielle Ertrag der Lagerhaltung einer bestimmten Einheit eines SKUs quantifiziert und im Kontext aller zusätzlichen Einheiten jedes SKUs eingestuft werden muss.

1.1 Die priorisierte Bestandsauffüllungslösung

Der Prozess der Rangfolge des Bestands, wie oben beschrieben, erfordert eine mikroskopische Perspektive. Um den Ertrag aus dem Hinzufügen einer bestimmten Einheit eines SKUs zu einer Einkaufsliste zu vergleichen, müssen mehrere Faktoren berücksichtigt werden. Insbesondere die Wahrscheinlichkeit des Verkaufs gemäß einer probabilistischen Nachfrageprognose und die wirtschaftlichen Treiber - z. B. Bruttogewinnspanne und Einkaufspreis. Jede betrachtete Menge muss wiederum im Hinblick auf interne und externe Beschränkungen (wie begrenzte Lagerkapazität, Losmultiplikatoren und MOQs/MOVs usw.) ausgeglichen werden. Randfälle, wie wenn zwei (oder mehr) Einheiten eine gleiche erwartete Rentabilität haben, müssen in eine Bestandsauffüllungspolitik durch die Bewertung der relativen Bedeutung jedes Produkts einbezogen werden. SKUs sollten nicht isoliert betrachtet werden, sondern in Körben. Einige SKUs, obwohl sie isoliert geringere Gewinnspannen haben (wie Milch), sind wichtiger, da sie den Verkauf von Produkten mit hoher Gewinnspanne ermöglichen. Der finanzielle Anreiz für die Aufrechterhaltung von Service Levels eines Produkts mit geringerer Gewinnspanne - das den Verkauf anderer Produkte ermöglicht - stellt einen weiteren Treiber dar (“Lagerabdeckung bei Nichtverfügbarkeit”)¹. Ein priorisierter Ansatz zur Bestandsauffüllung (PIR), der probabilistische Prognosen als Eingabe verwendet, berücksichtigt alle oben beschriebenen Faktoren.

Kurz gesagt, die PIR-Lösung kann in drei Schritten zusammengefasst werden: 

1. Erstellen Sie eine probabilistische Nachfrageprognose.

2. Listen Sie alle möglichen Einkaufsmengen auf.

3. Rangieren Sie alle möglichen Einkaufsmengen nach wirtschaftlichen Treibern.

1.2 Priorisierte Bestandsauffüllung in Excel

Mit Hilfe von Finanzdaten für einen fiktiven Laden, einschließlich der oben aufgeführten wirtschaftlichen Treiber, modelliert diese Excel-Tabelle die Bestandsauffüllungspolitik für drei SKUs (Stifte, Tastaturen und Bücherregale)². Die finanziellen Auswirkungen jeder zusätzlichen Einheit eines SKUs (falls bestellt) und die Wahrscheinlichkeit, sie zu verkaufen, werden auf dem Blatt Charts dargestellt (siehe Abbildung 1). Die Diagramme und Charts werden je nach den Eingaben und den Modellannahmen (z. B. Anfangsbestände, Kauf- und Verkaufspreise usw.) im Blatt Control Tower aktualisiert (Abbildung 2). Eine detaillierte Liste der möglichen Entscheidungsoptionen wird auf dem Blatt Micro purchasing decisions generiert (Abbildung 3) basierend auf den wichtigsten Eingaben. Diese Eingaben sind die probabilistischen Nachfrageprognosen aus dem Blatt Distribution generators (Abbildung 4) und den Eingaben aus dem Blatt Control Tower. Schließlich wird eine Tabelle mit priorisierten Bestandsauffüllungsentscheidungen erstellt und nach erwarteter Rendite sortiert (siehe Blatt Ranked purchasing decisions in Abbildung 5).

2. Probabilistische Nachfrageprognose

In diesem Zusammenhang ist eine probabilistische Prognose eine Reihe aller wahrscheinlichen zukünftigen Nachfragewerte und ihrer jeweiligen Wahrscheinlichkeiten. Sie umfasst die inhärente Unsicherheit zukünftiger Nachfrage und kann über einen beliebigen Zeitraum erstellt werden. Wie bei einer traditionellen Zeitreihenprognose gibt es einen einzelnen, wahrscheinlichsten Nachfragewert (die weißen Punkte in Abbildung 6) und eine Trendlinie (die graue Linie, die die weißen Punkte verbindet). Eine probabilistische Prognose integriert jedoch Unsicherheit durch die Hinzufügung aller möglichen (wenn auch nicht gleichermaßen wahrscheinlichen) Nachfragewerte. Dieser Ansatz ist in Abbildung 6 zu sehen, wo verschiedene Konfidenzintervalle Nachfragewerte mit unterschiedlichen Wahrscheinlichkeiten darstellen.

Die weißen Punkte in Abbildung 6 repräsentieren die wahrscheinlichsten Nachfragewerte zu festen zukünftigen Intervallen. Es gibt ein begleitendes Farbband, das einem Bereich von alternativen zukünftigen Nachfragewerten entspricht - eine farbige Wahrscheinlichkeitsverteilung. Diese Farbe verblasst entlang der vertikalen Achse, je weiter man sich vom weißen Punkt entfernt, was eine größere Unsicherheit und eine geringere Wahrscheinlichkeit darstellt. Insgesamt verblassen die Farbbänder mit fortschreitender Zeit (entlang der horizontalen Achse), da sich die Unsicherheit mit der Zeit verstärkt. Unabhängig von der Unsicherheit gibt es jedoch immer mindestens einen Wert, der am wahrscheinlichsten ist, und dies wird zu jeder Zeit durch die weißen Punkte dargestellt. Ein Beispiel für eine Wahrscheinlichkeitsverteilung für einen Zeitpunkt wird in Abbildung 7 veranschaulicht.

Abbildung 7 stellt die hervorgehobenen Daten aus Abbildung 6 als ein Wahrscheinlichkeitshistogramm dar, mit expliziten numerischen Werten, die die Wahrscheinlichkeit verschiedener Nachfragewerte anzeigen. Die Farbcodierung wird zur besseren Verständlichkeit beibehalten (denken Sie daran, blassere Farben sind weniger wahrscheinlich; dichtere Farben sind wahrscheinlicher). In diesem Beispiel ist der wahrscheinlichste Nachfragewert 167 Einheiten (+/-), weshalb der weiße Punkt im beschnittenen Wertebereich aus Abbildung 6 direkt über der höchsten Säule im Histogramm positioniert ist. Wir weisen jedoch auch Nachfragewahrscheinlichkeiten extrem niedriger und hoher Nachfragewerte zu (ungefähr 80 bzw. 260 Einheiten, beide sehr schwach orange). Dies zeigt die potenzielle Datenfülle einer probabilistischen Prognose, und ähnliche Histogramme sind in der Excel-Tabelle enthalten - eines für jede unserer SKUs (siehe Abbildung 4). Mit Hilfe dieser Histogramme (wie in Abbildung 7 oben) können Nachfragewerte (in Einheiten) mit einer Wahrscheinlichkeit von Null identifiziert und in die PIR einbezogen werden.

2.1 Der Aufbau einer probabilistischen Prognose

Obwohl es möglich ist, eine echte probabilistische Prognose mit historischen Daten in Excel zu erstellen, ist es argwöhnisch das am wenigsten geeignete Werkzeug für diesen Zweck. Insgesamt liegen die Details zum Aufbau einer probabilistischen Prognose für die Produktion außerhalb des Rahmens dieses Dokuments, daher wurden synthetische probabilistische Prognosen zur Vereinfachung ausgewählt. Die Parameter dieser synthetischen Prognosen können in Verteilungsgeneratoren manipuliert werden (siehe Abbildung 4). Es wird jedoch empfohlen, zuerst die Standardeinstellungen zu studieren, bevor Anpassungen vorgenommen werden.

In der gängigen Praxis der Supply Chain wird die Nachfrage in der Regel als normalverteilt betrachtet, obwohl dies selten der Fall ist. In realen Supply Chains weichen die meisten SKUs von normalen Verteilungsmustern ab. Angesichts dieser Realität haben wir bewusst drei verschiedene Verteilungsmuster ausgewählt: normal (für Tastaturen), negativ binomial (für Stifte) und bimodal (für Bücherregale - eine Mischung aus zwei negativ binomialen Mustern). Die folgenden Begründungen sollen diese Annahme rechtfertigen.

Zum Beispiel nehmen wir an, dass Bücherregale sowohl von Privatpersonen als auch von Unternehmen (z. B. Schulen) gekauft werden, daher verwenden wir eine bimodale Verteilung. In den Standardeinstellungen für Bücherregale gibt es häufige Nachfrage von Privatpersonen, wobei ein oder zwei Einheiten pro Kunde gekauft werden. Dies stellt den ersten Modus der Verteilung dar (siehe Abbildung 4). Unternehmen hingegen stellen weniger häufige Nachfragequellen dar, bestellen jedoch größere Mengen (größer als Privatpersonen tendenziell). Wenn dies geschieht, wird ihre Nachfrage zur von Privatpersonen generierten Nachfrage hinzugefügt und der zweite Modus der Verteilung erscheint. Dieser zweite Modus ist nach rechts verschoben (was hohe Nachfragewerte repräsentiert) und ist deutlich kleiner als der erste Modus, was darauf hinweist, dass er weniger häufig auftritt (Abbildung 4). Unser Modell geht auch davon aus, dass Stifte von Einzelpersonen mit selten hoher Nachfrage gekauft werden (z. B. Studenten, die vor Schulprüfungsterminen kaufen). Schließlich folgen Tastaturverkäufe einem normalen Verteilungsmuster, um die Tatsache widerzuspiegeln, dass eine normale Verteilung gelegentlich auftritt.

In Verteilungsgeneratoren (Abbildung 4) können Nachfrageverteilungen bearbeitet werden, indem die Parameter in den manipulierbaren Zellen geändert werden. Wenn zum Beispiel der Durchschnitt für Tastaturen (siehe “NORM-Parameter” in Abbildung 4) von 40 auf 50 erhöht wird, verschiebt sich die Verteilung um 10 Einheiten nach rechts. Als Ergebnis dieser Erhöhung der durchschnittlichen Nachfrage wird der erwartete ROI für alle Tastatureinheiten steigen. Ähnlich können Änderungen an den Parametern der negativ binomialen (Stifte) und bimodalen (Bücherregale) Verteilungen vorgenommen werden.

Da Excel nicht die Ausdruckskraft für diese Art von Berechnung hat, beschränkt sich diese Demonstration auf Änderungen von 100 Einheiten pro Produkt. Wenn zum Beispiel der Durchschnitt für Tastaturen auf 99 gesetzt wird, werden fast 50% der Nachfrageeinheiten nicht in der Tabelle Micro purchasing decisions berechnet.

2.2 Auswahl eines Horizonts für eine probabilistische Nachfrageprognose

Prognosen werden in der Regel in tägliche/wöchentliche/monatliche Intervalle unterteilt, obwohl diese diskreten Zeiträume aus Sicht der Wiederbeschaffung von begrenztem Nutzen und Wert sind. Die Nachfrage über die nächste Lieferzeit kann nicht durch heute getroffene Einkaufsentscheidungen abgedeckt werden, es sei denn, es sind rückständige Aufträge zulässig, da die gekauften Einheiten nach einer Zeit, die der Lieferzeit entspricht, eintreffen werden. Daher sollte die Nachfrage mit dem vorhandenen Lagerbestand und dem bestellten Lagerbestand abgedeckt werden (siehe Abbildung 8), vorausgesetzt, dass die bestellten Einheiten vor der Nachfrage eintreffen. Die probabilistische Prognose befasst sich daher mit der Nachfrage zwischen den Nachbestellpunkten oder mit anderen Worten mit der Nachfrage während des Nachbestellzeitraums 1 (siehe Abbildung 9). Die Nachfrage in weiter entfernter Zukunft wird mit zukünftigen Bestellungen abgedeckt (siehe Nachbestellzeitraum 2 in Abbildung 9).

In der Theorie sollte die probabilistische Nachfrageprognose über den Zeitraum von Nachbestellungszeitraum 1 erstellt werden - dieser Zeitraum wird als Verantwortungsfenster A bezeichnet (siehe Abbildung 9). Um dies zu tun, müssten wir zukünftige Prognosen für den Lagerbestand und den bestellten Lagerbestand am Ende der Lieferzeit erstellen. Die Nachfrage über die Lieferzeit - für die wir bereits Entscheidungen während des vorherigen Bestellzeitraums getroffen haben - ist jedoch auch probabilistisch, und dies würde zu Lagerbeständen führen, die selbst Wahrscheinlichkeitsverteilungen sind³. Durch die Zulassung von rückständigen Aufträgen (eine gängige Praxis in einigen Branchen) kann eine probabilistische Prognose über einen gemeinsamen Zeitraum (Lieferzeit plus Nachbestellungszeitraum 1, wie in Abbildung 9, auch bekannt als Verantwortungsfenster B) erstellt werden.

Es kann angenommen werden, dass die aktuellen Bestände an Lagerbestand und bestelltem Lagerbestand die Nachfrage während des Lieferzeitraums decken werden. Bei einem Fehlbestand wird die anschließende Nachfrage mit rückständigen Aufträgen abgedeckt. Diese rückständigen Aufträge werden durch die heute getroffenen Mikro-Einkaufsentscheidungen bedient. Dadurch können wir Lagerbestand und bestellten Lagerbestand als diskrete Werte behandeln (anstatt als zufällige)⁴.

3. Identifizierung machbarer Auffüllungsentscheidungsoptionen

In einem realen Szenario zur Bestandsauffüllung müssten alle machbaren Entscheidungsoptionen aufgeführt werden, da es keinen direkten Weg von einer probabilistischen Prognose zur besten einzelnen Entscheidung (Bestellmenge in diesem Fall) für jedes Produkt gibt. Anstelle einer einzigen “perfekten” Wahl präsentiert ein probabilistischer Ansatz eine Reihe möglicher Entscheidungen, die in Bezug auf Machbarkeit berücksichtigt werden müssen.

Machbarkeit bedeutet hier, dass eine Entscheidung sofort umsetzbar ist; sie kann “so wie sie ist” ohne weitere Berechnungen oder Überprüfungen ausgeführt werden. Eine Entscheidung ist beispielsweise “machbar”, wenn sie profitabel ist und alle unsere Einschränkungen erfüllt (z. B. Mindestbestellmengen, optimale Bestellmengen (EOQs), Losgrößen, volle Containerlieferungen und alle anderen Einschränkungen, die in unserer Supply Chain vorhanden sein können)⁵.

Bei jeder Zeile des Blatts Micro purchasing decisions (Abbildungen 3 und 10) müssen wir erwägen, eine weitere Einheit des Lagerbestands zu unserer Bestellung für ein bestimmtes Produkt hinzuzufügen⁶. Unser “heutiger” Tag (oder Tag 1 dieses Experiments) beginnt in Zeile 29, die den aktuellen Lagerbestand zeigt. Dieser wird als Summe von Lagerbestand und bestelltem Lagerbestand berechnet. Wenn wir uns entscheiden, eine Einheit zur Bestellung hinzuzufügen, wird die Gesamtbestellmenge in Spalte L als Summe aller bisher für den Einkauf in Betracht gezogenen Einheiten berechnet (siehe Anmerkungen in Abbildung 10).

Sobald diese realisierbaren Bestandsentscheidungen identifiziert wurden, berechnen und bewerten wir die wirtschaftliche Belohnung für jeden möglichen Einkauf. Beachten Sie, dass wir die Belohnung für Einheiten, die sich derzeit entweder im Lagerbestand oder in der Bestellung befinden (Spalten F und G in Abbildung 10), nicht bewerten. Da wir diese Einheiten bereits gekauft haben, wurde die theoretische wirtschaftliche Belohnung zu einem früheren Zeitpunkt ermittelt (und bewertet). Wenn wir uns zum Beispiel die Tastaturdaten in Abbildung 10 ansehen, befinden sich derzeit 26 Einheiten im Lagerbestand. Daher beginnen wir die Berechnungen in Zeile 29 und überlegen, ob wir unsere erste Einheit zusätzlichen Lagerbestands bestellen sollten (was die Lagerbestände von 26 auf 27 Einheiten erhöhen würde).

3.1 Bewertung realisierbarer Einkaufsentscheidungen

Um die beste Bestellmenge für jedes Produkt auszuwählen, ist es notwendig, den erwarteten monetären Ertrag auf Einheitenebene für jede realisierbare Menge für jedes Produkt zu berechnen (unter Berücksichtigung der unsicheren Zukunft, die durch die probabilistische Prognose dargestellt wird). Dies ist ein Konzept des erwarteten Werts, das auf der granularsten Ebene der Bestandsentscheidungen angepasst wurde Entscheidungsfindung.

In der Realität sollten bei dem Versuch, den erwarteten Ertrag für jede realisierbare Entscheidung zu berechnen, alle Arten von wirtschaftlichen Treibern berücksichtigt werden⁷. Für diese Demonstration werden folgende Faktoren berücksichtigt:

• Verkaufspreis: Wie viel wir den Kunden für das Produkt berechnen.
• Lager-/Aufbewahrungskosten: Wie viel es uns kostet, das Produkt zu lagern.
• Einkaufspreis: Wie viel es uns kostet, das Produkt von unserem Lieferanten/Großhändler zu kaufen.
• Lagerabdeckung: Wird unten detailliert erläutert, da es ein weniger bekannter, aber dennoch wichtiger Treiber ist⁸.

Lagerabdeckung stellt einen finanziellen Anreiz dar, eine Einheit eines Produkts auf Lager zu halten, jedoch nicht mit dem ausdrücklichen Ziel, es zu verkaufen. Dieser wirtschaftliche Treiber wird verwendet, um die relative Bedeutung eines Produkts im Vergleich zu anderen zu modellieren. Er fördert das Vermeiden eines Lagerbestandsausfalls für Produkte, die aufgrund ihres direkten Margenbeitrags als weniger wichtig angesehen werden könnten, da diese Produkte auf indirekte Weise erheblich zum Gewinn beitragen können. Daher ähnelt er eher einem Belohnungstreiber⁹. Obwohl dieser Treiber unscharf ist, ist es wichtig, alle kritischen Produkte zu identifizieren (auch solche, die keine direkten Margentreiber sind).

3.2 Berechnung der Punktzahl für jede realisierbare Entscheidung

Die Gesamtwirtschaftliche Konsequenz (oder Kaufanreiz) einer Entscheidung zur Wiederauffüllung des Lagerbestands ist die Summe aller wirtschaftlichen Treiber, einschließlich erwarteter Marge, erwarteter Lagerhaltungskosten und Lagerabdeckung (im Folgenden detailliert definiert). Lagerkosten werden in diesen Berechnungen als negativer Treiber einbezogen, um unsere Entscheidungen zur Wiederauffüllung des Lagerbestands auszugleichen.

Im Folgenden finden Sie eine Analyse der wirtschaftlichen Auswirkungen der Formeln in jeder Spalte unter Verwendung von Zeile 29 des Blatts Mikro-Einkaufsentscheidungen als Beispiel (siehe Abbildung 12).

Um die erwartete Belohnung für jede Entscheidung zu berechnen, benötigen wir die folgenden Treiber:

Bruttomarge (Spalte E) = Verkaufspreis - Einkaufspreis.

Verkaufswahrscheinlichkeit (Spalte Q) = Formel im Blatt überprüfen¹⁰.

Nicht-Verkaufswahrscheinlichkeit (keine Spalte) = 100% - Verkaufswahrscheinlichkeit

Erwartete Marge (Spalte R) = Bruttomarge * Verkaufswahrscheinlichkeit/100.

Aggressivitätsfaktor (Spalte S) = Bereich von 0 bis 1. 0,8 für dieses Tool ausgewählt.

Lagerabdeckung (Spalte T) = Verkaufspreis * Aggressivitätsfaktor * Verkaufswahrscheinlichkeit

Lagerkosten (Spalte U)

Erwartete Lagerhaltungskosten (Spalte V) = Lagerkosten * Nicht-Verkaufswahrscheinlichkeit¹¹.

Unter Verwendung der oben genannten Daten wird die Kaufanreiz für jede mikroebene Lagerentscheidung (jede Einheit jedes Produkts) wie folgt berechnet:

Kaufanreiz (Spalte W) = Erwartete Marge + Lagerabdeckung + Erwartete Lagerhaltungskosten.

Sobald wir die Schätzung des Kaufanreizes haben, können wir die endgültige Punktzahl berechnen, die wir später verwenden werden, um alle betrachteten Entscheidungen zu bewerten.

Punktzahl (Spalte Y) = Kaufanreiz / Investition (Spalte X)¹².

Da die Lagerabdeckung ein unscharfer Treiber ist, der sowohl direkte als auch indirekte Erträge berücksichtigt, spiegelt der Kaufanreiz nicht streng die erwartete Rendite einer Lagerentscheidung isoliert betrachtet wider. Wenn man diese Art von Rendite berechnen möchte, würde man die Lagerabdeckung aus dieser Formel ausschließen¹³.

4. Rangfolge der realisierbaren Lagerauffüllungsentscheidungen

Sobald wir die Punktzahl für jede realisierbare Lagerkaufentscheidung (für jedes Produkt) haben, wird eine Liste generiert und in absteigender Reihenfolge (höchste zu niedrigste) in Rangliste der Kaufentscheidungen sortiert (siehe Abbildung 13). Jede realisierbare Lagerentscheidung wird in Bezug auf die positive ROI % sortiert. Jeder Entscheidung wird auch eine ordinal Rangfolge (1., 2., 3., usw.) zugewiesen (siehe Spalte A in derselben Abbildung).

Rangliste der Kaufentscheidungen enthält farbcodierte Zeilen für jedes Produkt (Tastaturen, Stifte und Bücherregale), die hier verwendet werden, um zu demonstrieren, wie sich die Entscheidung, eine einzige zusätzliche Einheit eines beliebigen Produkts hinzuzufügen, mit jeder anderen zusätzlichen Einheit jedes anderen Produkts interagiert. Jede dieser Lagerentscheidungen beeinflusst gemeinsam die ROI. Schließlich wird ein kumulativer Investitionswert berechnet (Spalte AA, Abbildung 13). Dies kann verwendet werden, um anzuzeigen, wo man Kaufentscheidungen im Hinblick auf die Budgetbeschränkungen beenden sollte - obwohl dies nur ein mögliches Beendigungskriterium ist¹⁴.

5. Bestimmung der Beendigungskriterien

Bei der Auswahl eines Beendigungspunkts (sowohl in der Rangliste der Kaufentscheidungen als auch in der Realität) variieren die Kriterien je nach einer Vielzahl von Variablen. Zum Beispiel könnte man ein bescheidenes Budget haben und daher die Maximierung der ROI angesichts besonders enger Margen problematisch sein. Alternativ ist es möglich, dass man ein Gesamtziel für den Servicestandard hat und dieses Ziel mit dem Streben nach Maximierung der Gewinnmargen in Einklang bringen muss.

Um noch genauer zu werden, könnten die Beendigungskriterien eine Streben nach maximierter ROI mit unterschiedlichen Servicestandardzielen für jedes Produkt oder jede Kategorie umfassen. Die Beendigungskriterien sind somit eine strategische Entscheidung, die nach einer offenen Reflexion über die übergeordneten Geschäftsziele eines Unternehmens getroffen werden sollte. Priorisierte Lagerauffüllung (PIR) ist in dieser Hinsicht bemerkenswert flexibel; die Beendigungskriterien für jeden Einkaufszyklus können unter Verwendung des gleichen Gesamtrangierungsverfahrens angepasst werden.

Für explizite Visualisierungen unserer möglichen Lagerauffüllungsentscheidungen gibt es für jedes Produkt in der Charts Übersicht (Blatt 3) drei Diagramme (siehe Abbildung 14). Von besonderem Interesse ist “Treiber_Produktname” (im Beispiel in Abbildung 14 wird die Tastatur verwendet), das die Entwicklung der ROI bei verschiedenen Kaufmengen auf der Einheitsebene zeigt.

Wie im Diagramm ersichtlich ist, gibt es einen Punkt, an dem eine erhöhte Kaufmenge zu einer negativen ROI führen wird. Dies liegt daran, dass es ab einem bestimmten Niveau keinen Sinn mehr macht, mehr Einheiten zu kaufen, da unsere erwarteten Margen durch erhöhte erwartete Lagerkosten kritisch reduziert werden.

Sobald die Abbruchkriterien festgelegt sind, werden die priorisierten Lagerauffüllungsentscheidungen pro SKU aggregiert, was wiederum die Menge, Investition und erwartete Füllrate in der Output-Kaufempfehlung für jedes SKU aktualisiert (siehe Abbildung 15). Man kann die Budgetbeschränkungen ($0 bis $1450) ändern, was wiederum die empfohlene Einkaufsliste aktualisiert. Für die Bequemlichkeit bietet der Kontrollturm zwei zusätzliche Blöcke: Basisfall - gedruckte Version und Änderungen am Basisszenario. Ersteres ist statisch und zeigt die Standardeinstellungen für die Demonstration, wie sie von Lokad entworfen wurden. Letzteres zeigt den Unterschied zwischen den vorgenommenen Änderungen und den Standardeinstellungen von Lokad.

Die Einkaufsempfehlungsliste im Kontrollturm stellt das Ziel dieser Demonstration dar (siehe Abbildung 15).

6. Fazit

Traditionelle Zeitreihenprognosen sind einfach nicht in der Lage, die erforderliche Granularität zu erfassen, um Lagerauffüllungsentscheidungen zu treffen, die die zukünftige Unsicherheit und den vollen Umfang der Einschränkungen und Treiber widerspiegeln. Dies liegt daran, dass ihnen eine explizite Unsicherheitsdimension fehlt, die durch Wahrscheinlichkeitswerte für erwartete zukünftige Ergebnisse dargestellt wird. Da eine traditionelle Zeitreihe effektiv blind für diese Art von Daten ist, ist eine klassische Bewältigungsmethode wie der Sicherheitsbestand reine Spekulation. Ist er zu niedrig, gehen profitable Verkäufe mit positiver erwarteter ROI verloren. Ist er zu hoch, reduziert man seinen ROI, indem man Einheiten bevorratet, die (wie in der Tabelle gezeigt) eine negative erwartete ROI haben.

Priorisierte Lagerauffüllung unter Verwendung von probabilistischen Prognosen ist unsere Lösung für dieses Problem. Ein solcher Ansatz betrachtet Lagerauffüllungsentscheidungen in Kombination, anstatt sie isoliert zu betrachten. Dadurch kann die erwartete finanzielle Belohnung unserer Lagerauffüllungsentscheidungen vollständig quantifiziert und offengelegt werden. Die Grundlage eines solchen Ansatzes besteht darin, Unsicherheit anzunehmen und probabilistische Prognoseeingaben zu nutzen. Dadurch kann man auch ein besseres Verständnis dafür gewinnen, welche Servicelevel (pro SKU) sinnvolle finanzielle Belohnungen bringen, anstatt willkürliche Ziele festzulegen.

Der in diesem Dokument gezeigte PIR-Ansatz wurde mit synthetischen Daten und engen Parametern erstellt. Diese Entscheidungen wurden getroffen, um ein gängiges Werkzeug (Excel) für einen ungewöhnlichen Zweck (PIR) anzupassen. Unter anderem wurden SKUs und Einheiten begrenzt (jeweils auf 3 bzw. 100), um die Verarbeitungszeit zu reduzieren, da die Verarbeitung aller Daten eines gesamten Katalogs (geschweige denn mehrerer Geschäfte) zu aufwändig wäre. Darüber hinaus wurden keine Lieferkettenbeschränkungen hinzugefügt. Excel ist entscheidend nicht dafür ausgelegt, Zufallsvariablen zu verarbeiten - ein wichtiger Schritt bei der Erzeugung probabilistischer Prognosen und PIR-Richtlinien. Diese Einschränkungen gelten nicht für eine PIR-Lösung in Produktionsqualität.

Supply-Chain-Praktiker, deren Unternehmen Excel entwachsen sind, können gerne eine E-Mail an contact@lokad.com senden, um eine Demonstration einer PIR-Lösung in Produktionsqualität zu vereinbaren.

7. Übersicht über die Tabelle

7.1 Read Me

Diese Tabelle dient als Startseite für den Benutzer. Es gibt einen Link zu einem Online-Tutorial (das, welches Sie gerade lesen).

7.2 Mikro-Einkaufsentscheidungen

Dies ist die zweite Tabelle und widmet sich der fein granularen finanziellen Analyse aller möglichen Auffüllungsentscheidungsoptionen. Bitte beachten Sie, dass hier keine manuelle Datenmanipulation durchgeführt wird. Diese Tabelle zeigt nur die Ergebnisse von Berechnungen basierend auf Eingaben aus den Tabellen Control Tower und Distribution Generators an.

Hauptmerkmale:

• Zeilen mit bedingter Formatierung sind “vergangene Entscheidungen” und können nicht geändert werden. Wir empfehlen die Verwendung einer Desktop-App, da die browserbasierte Version von Excel manchmal unzuverlässig in Bezug auf die Formatierung ist.
• Wenn Sie mit der Maus über jeden Spaltenkopf fahren, wird eine hilfreiche Definition/Notiz angezeigt.

7.3 Diagramme

Dies ist die dritte Tabelle und dient der Visualisierung der Haupttreiber bei den Entscheidungen zur Bestandsauffüllung. Bitte beachten Sie, dass hier keine manuelle Datenmanipulation durchgeführt wird. Diese Tabelle soll dem Praktiker helfen, den Ablauf des PIR-Prozesses besser zu visualisieren und zu verstehen.

Hauptmerkmale:

• Drei Diagramme pro SKU (Tastatur, Stift und Bücherregal).
• Das Diagramm “treibende Kräfte” visualisiert die Haupttreiber für jede Entscheidung auf Einheitenebene (für jede SKU). Aus diesem Grund enthält die x-Achse nur Einheiten einer SKU, die noch nicht bestellt wurden.
• Zwei weitere Diagramme (“Zunahmen der Füllrate” und “probabilistische Nachfrageprognose”) enthalten alle Einheiten des Bestands - Bestand vor Ort und die Einheiten, die bestellt werden können.

7.4 Rangliste der Einkaufsentscheidungen

Dies ist die vierte Tabelle und dient der Auflistung aller möglichen Auffüllungsentscheidungen, sortiert nach ROI/Punktzahl in absteigender Reihenfolge. Diese Liste wird automatisch aus den Daten der Tabelle 2 (Mikro-Einkaufsentscheidungen) sortiert. Machbare Entscheidungen werden in Bezug zueinander angezeigt (siehe “Hauptmerkmale” unten). Bitte beachten Sie, dass hier keine manuelle Datenmanipulation durchgeführt wird. Je nach Änderungen in den Eingaben in den Tabellen 5 und 6 ändert sich diese Liste.

Hauptmerkmale:

• Machbare Bestandsauffüllungsentscheidungen werden in absteigender Reihenfolge (höchste zu niedrigste) nach ROI/Punktzahl sortiert.
• Die kumulative Investition wird für die sortierten Entscheidungen berechnet (siehe Spalte AA in Tabelle 4).
• Wenn Sie mit der Maus über jeden Spaltenkopf fahren, wird eine hilfreiche Definition/Notiz angezeigt.

7.5 Control Tower-Mini-Optimizer

Dies ist die fünfte Tabelle und fasst die Modellannahmen (Eingaben) und die empfohlenen Entscheidungen (Ausgaben) zusammen. Daten in bearbeitbaren Zellen können geändert werden, um die Modellannahmen und somit die Ausgabe des Modells zu ändern.

Hauptmerkmale:

• Drei Blöcke zur Unterstützung der Demonstration: “Control Tower” zur manuellen Manipulation der Eingaben; “Base Case - Hard Copy” zur Anzeige der Standardwerte; und “Änderungen am Basisszenario” zur Anzeige des Unterschieds zwischen den aktualisierten und den Standardwerten (siehe Tabelle 5).
• Ein vierter Block (“Modellannahmen”), der sich unter “Control Tower” befindet, ist der Manipulation der anfänglichen Bestandsannahmen gewidmet (siehe Tabelle 5).
• Nur Daten in bearbeitbaren Zellen können geändert werden.

7.6 Verteilungsgeneratoren

Dies ist die sechste Tabelle und ist der Generierung probabilistischer Nachfrageprognosen gewidmet. Parameter in bearbeitbaren Zellen können geändert werden, was zur Aktualisierung der Verteilungen und Anzeige neuer Wahrscheinlichkeitsnachfragewerte führt.

Hauptmerkmale:

• Ein Verteilungsdiagramm pro SKU.
• Jedes SKU hat ein unterschiedliches Verteilungsmuster (Begründung in Abschnitt 2.1 erläutert).
• Es gibt eine Tabelle links von den Verteilungsdiagrammen, die der Manipulation der Parameter der Verteilungen gewidmet ist.
• Nur Parameter in bearbeitbaren Zellen können geändert werden.
• Wenn Sie über relevante Spaltenüberschriften (in der Tabelle) fahren, wird eine hilfreiche Definition/Notiz angezeigt.

Anmerkungen