SCM - Bestandsverwaltung

Wie aus den Hauptzielen der Lieferkette hervorgeht, besteht eines der Hauptziele von SCM darin, sicherzustellen, dass alle Aktivitäten und Funktionen innerhalb und innerhalb des Unternehmens effizient verwaltet werden.

Es gibt Fälle, in denen die Effizienz in der Lieferkette durch Effizienzsteigerungen im Lagerbestand sichergestellt werden kann, genauer gesagt durch Aufrechterhaltung der Effizienz bei der Bestandsreduzierung. Obwohl Inventar als Verpflichtung für ein effizientes Lieferkettenmanagement angesehen wird, erkennen Supply Chain Manager die Notwendigkeit von Inventar an. Die ungeschriebene Regel lautet jedoch, das Inventar auf ein Minimum zu beschränken.

Viele Strategien werden mit dem Ziel entwickelt, die Lagerbestände über die Lieferkette hinaus zu rationalisieren und die Lagerbestandsinvestitionen so gering wie möglich zu halten. Die Supply Chain Manager neigen dazu, die Lagerbestände aufgrund von Lagerinvestitionen so niedrig wie möglich zu halten. Die mit dem Besitz von Lagerbeständen verbundenen Kosten oder Investitionen können hoch sein. Diese Kosten umfassen die für den Kauf des Inventars erforderlichen Barausgaben, die Kosten für den Erwerb der Inventare (die Kosten für die Investition in Inventare anstatt in etwas anderes zu investieren) und die Kosten für die Verwaltung des Inventars.

Rolle des Inventars

Bevor wir die Rolle des Inventars in der Lieferkette verstehen, müssen wir die herzliche Beziehung zwischen dem Hersteller und dem Kunden verstehen. Der Umgang mit Kunden, die Bewältigung ihrer Anforderungen und der Aufbau von Beziehungen zum Hersteller sind wichtige Aspekte bei der Verwaltung von Lieferketten.

Es gibt viele Fälle, in denen das Konzept der Zusammenarbeit als das Wesen des Lieferkettenmanagements bezeichnet wird. Eine eingehendere Analyse der Lieferkettenbeziehungen, insbesondere derjenigen, einschließlich der Produktflüsse, zeigt jedoch, dass das Herzstück dieser Beziehungen die Bestandsbewegung und -lagerung ist.

Mehr als die Hälfte davon hängt vom Kauf, der Übertragung oder der Verwaltung des Inventars ab. Wie wir wissen, spielt das Inventar in Lieferketten eine sehr wichtige Rolle und ist ein herausragendes Merkmal.

Die grundlegendsten Funktionen des Inventars in Lieferketten sind:

  • Angebot und Unterstützung des Gleichgewichts von Angebot und Nachfrage.
  • Effektive Bewältigung der Vorwärts- und Rückwärtsflüsse in der Lieferkette.

Unternehmen müssen den vorgelagerten Lieferantenaustausch und die nachgelagerten Kundenanforderungen verwalten. In dieser Situation tritt das Unternehmen in einen Zustand ein, in dem es ein Gleichgewicht zwischen der Erfüllung der Kundenanforderungen, die meist nur schwer präzise oder genau vorherzusagen ist, und der Aufrechterhaltung einer angemessenen Versorgung mit Materialien und Waren halten muss. Dieser Saldo kann durch Inventar erhalten werden.

Optimierungsmodelle

Optimierungsmodelle der Lieferkette sind solche Modelle, die die praktischen oder realen Probleme in mathematische Modelle umwandeln. Das Hauptziel bei der Erstellung dieses mathematischen Modells besteht darin, eine Zielfunktion zu maximieren oder zu minimieren. Darüber hinaus werden diesen Problemen einige Einschränkungen hinzugefügt, um die realisierbare Region zu definieren. Wir versuchen, einen effizienten Algorithmus zu generieren, der alle möglichen Lösungen untersucht und am Ende die beste Lösung zurückgibt. Verschiedene Modelle zur Optimierung der Lieferkette sind wie folgt:

Mixed Integer Linear Programming

Die Mixed Integer Linear Programming (MILP) ist ein mathematischer Modellierungsansatz, mit dem mit einigen Einschränkungen das beste Ergebnis eines Systems erzielt wird. Dieses Modell wird häufig in vielen Optimierungsbereichen wie Produktionsplanung, Transport, Netzwerkdesign usw. verwendet.

MILP umfasst eine lineare Zielfunktion zusammen mit einigen Begrenzungsbeschränkungen, die durch kontinuierliche und ganzzahlige Variablen konstruiert werden. Das Hauptziel dieses Modells ist es, eine optimale Lösung der Zielfunktion zu erhalten. Dies kann der Maximal- oder Minimalwert sein, sollte jedoch erreicht werden, ohne die auferlegten Einschränkungen zu verletzen.

Wir können sagen, dass MILP ein Sonderfall der linearen Programmierung ist, bei dem binäre Variablen verwendet werden. Im Vergleich zu normalen linearen Programmiermodellen sind sie etwas schwer zu lösen. Grundsätzlich werden die MILP-Modelle von kommerziellen und nichtkommerziellen Lösern gelöst, zum Beispiel: Fico Xpress oder SCIP.

Stochastische Modellierung

Die stochastische Modellierung ist ein mathematischer Ansatz zur Darstellung von Daten oder zur Vorhersage von Ergebnissen in Situationen, in denen bis zu einem gewissen Grad Zufälligkeit oder Unvorhersehbarkeit besteht.

Beispielsweise weist in einer Produktionseinheit der Herstellungsprozess im Allgemeinen einige unbekannte Parameter auf, wie z. B. die Qualität der Eingangsmaterialien, die Zuverlässigkeit der Maschinen und die Kompetenz der Mitarbeiter. Diese Parameter wirken sich auf das Ergebnis des Herstellungsprozesses aus, können jedoch nicht mit absoluten Werten gemessen werden.

In solchen Fällen, in denen wir einen absoluten Wert für unbekannte Parameter finden müssen, der nicht genau gemessen werden kann, verwenden wir den stochastischen Modellierungsansatz. Diese Modellierungsstrategie hilft bei der Vorhersage des Ergebnisses dieses Prozesses mit einer definierten Fehlerrate, indem die Unvorhersehbarkeit dieser Faktoren berücksichtigt wird.

Unsicherheitsmodellierung

Bei Verwendung eines realistischen Modellierungsansatzes muss das System Unsicherheiten berücksichtigen. Die Unsicherheit wird auf ein Niveau bewertet, bei dem die unsicheren Eigenschaften des Systems mit probabilistischer Natur modelliert werden.

Wir verwenden die Unsicherheitsmodellierung zur Charakterisierung der unsicheren Parameter mit Wahrscheinlichkeitsverteilungen. Abhängigkeiten werden ebenso wie die Markov-Kette leicht als Eingabe berücksichtigt oder können die Warteschlangentheorie zur Modellierung der Systeme verwenden, bei denen das Warten eine wesentliche Rolle spielt. Dies sind gängige Methoden zur Modellierung von Unsicherheiten.

Zwei-Ebenen-Optimierung

Ein Problem auf zwei Ebenen tritt in realen Situationen immer dann auf, wenn eine dezentrale oder hierarchische Entscheidung getroffen werden muss. In solchen Situationen treffen mehrere Parteien nacheinander Entscheidungen, was ihren jeweiligen Gewinn beeinflusst.

Bisher besteht die einzige Lösung zur Lösung von Problemen auf zwei Ebenen in heuristischen Methoden für realistische Größen. Es werden jedoch Versuche unternommen, diese optimalen Methoden zu verbessern, um auch für reale Probleme eine optimale Lösung zu berechnen.