Produktionsplanung
Mehr Spaß mit Wiederbeschaffungszeiten
Unternehmen wollen realistisch ermittelte Wiederbeschaffungszeiten als Grundlage für die Optimierung der Produktionsplanung. Das gelingt mit einer speziellen Machine Learning Anwendung!
Unsicherheit ist ein wesentlicher Kostentreiber in der Bedarfsdeckung: bestätigte und tatsächliche Liefertermine von Bestellungen liegen oft weit auseinander. Ware wird zu früh oder spät geliefert und die in den Stammdaten hinterlegten Liefer- und Wiederbeschaffungszeiten sind unzuverlässig. Vor allem aber sind sie statisch und kaum gepflegt. Auf diese Weise lassen Unternehmen viel Optimierungspotenzial ungenutzt.
______
"Machine Learning reduziert Fehler bei der Schätzung von Wiederbeschaffungszeiten um bis zu 42 Prozent!"
Zuverlässige Prognosen erhöhen die Planungssicherheit
Unternehmen pflegen ihre Wiederbeschaffungsdaten in der Regel nur sehr unregelmäßig. “Meistens setzen die Verantwortlichen hierzu studentische Hilfskräfte ein. Und die machen dann aus einer 17 eine 12”, erklärt Markus Günther, Vertriebschef Produktion bei INFORM. Das grundsätzliche Problem jedoch bleibe bestehen. “Es handelt sich immer um einen statischen Wert”, so Günther weiter. “Dabei ist klar: Wenn ich im September eine Bestellung aufgebe und die Lieferzeit zehn Tage beträgt, dann ist die Chance, dass das Produkt auch Ende September kommt, hoch. Aber wenn ich das gleiche Produkt Mitte Dezember bestelle, dann kommt das nicht vor Mitte Januar, wenn alle aus dem Urlaub wieder da sind!” Besser wäre es, mittels zuverlässiger Prognosen von Wiederbeschaffungszeiten sowohl die Planungssicherheit als auch die Reaktionsfähigkeit zu erhöhen.
Machine Learning nutzt Daten aus dem ERP-System
Die Idee von Günther und seinem Team: Das ERP-System als Datenquelle nutzen und Machine Learning anwenden. „Jeder Maschinenbauer hat ein ERP. Wir haben sogar eine Historie von Bestellungen. Jede Bestellung hat Informationen zum Datum der Bestellung, zur Bestätigung durch den Lieferanten und zum Lieferdatum. Viele vergessen die Daten einfach, wenn die Bestellung da ist“, erklärt Günther. Aber diese Daten seien sehr gut gepflegt. Die INFORM-Entwickler haben sich diese Daten vorgenommen und drei Jahre in die Vergangenheit geschaut. Daraufhin haben sie mittels Machine Learning zuerst das Lieferantenverhalten analysiert und dann ein Prognosemodell entwickelt. Die Datenmenge: Bis zu 50.000 Bestellungen pro Jahr auf drei Jahre.
"Solange Wiederbeschaffungszeiten nur ein statischer Wert sind, lassen Unternehmen viel Optimierungspotenzial ungenutzt!"
Entscheidend ist es, die relevanten Daten herauszufiltern
Das klingt einfach. „Der Aufwand für die Daten war gering. Aber wir mussten herausrausfinden, welche Daten für die Bestellung relevant sind“, blickt Günther zurück. "Welche Daten haben Einfluss auf die Bestellungen? Wann wurde zuletzt bestellt? Im Herbst oder im Winter? Wie wertvoll war die Bestellung? Welcher Einkäufer war verantwortlich?"
Die Experten nutzten einen Random Forest Ansatz für die Auswertung. Ein Random Forest ist ein Klassifikations- und Regressionsverfahren, das aus mehreren unkorrelierten Entscheidungsbäumen besteht. Alle Entscheidungsbäume sind unter einer bestimmten Art von Randomisierung während des Lernprozesses gewachsen. „Wir wollten ja die breite Masse verbessern und nicht nur eine Bestellung“, begründet Günther den Einsatz des Entscheidungsbaums.
______
"Die starken Abweichungen zwischen kalkulierten und realen Zeiten führen zu einer niedrigen Maschinenauslastung. Und auch der Einkauf ist gezwungen, deutlich höhere Bestände aufzubauen. Diese und weitere Effekte lassen sich mit präziseren Prognosen deutlich verringern. So machen Wiederbeschaffungszeiten richtig viel Spaß!"
Mithilfe der neu entwickelten Lösung lassen sich Fehler in der Schätzung von Wiederbeschaffungszeiten um bis zu 42 Prozent reduzieren. „Unternehmen, die unser Machine Learning Tool nutzen, verfügen jetzt über aktuelle Prognosetermine”, so Günther. Damit können sie Abweichungen schneller analysieren. Zudem müssen nicht zehntausende Materialien überprüft werden. Es entstehen die Top-Ten der Verzugslieferanten. Günther und sein Team konnten Lieferanten sogar dank der Daten zusagen, dass die angegebenen Liefertermine nicht eingehalten werden. „Manche lassen das automatisiert in die Standardlieferzeiten reinlaufen.“
Bessere Lieferdaten bedeuten bessere Produktionsplanung
Noch ergiebiger wird es für Unternehmen, wenn sie die Prognosedaten mit einem Produktionsplanungstool kombinieren. „Ich brauche ja Kapazitäten sowie Material und erstelle einen Ablaufplan. Wenn ich mich jetzt auf die Lieferdaten verlassen kann, dann wird auch meine Produktionsplanung besser“, versichert Günther. Keine Unruhe in der Fertigung, keine Feuerwehreinsätze mehr und keine Gefahr, selbst mit Lieferungen beim Kunden in Verzug zu kommen. „Der Einkauf kann sich früher um die Problemfälle kümmern.“ Dazu kommt: Die starken Abweichungen zwischen kalkulierten und realen Zeiten führen auch zu einer niedrigen Maschinenauslastung, da die Materialien regelmäßig nicht zum erwarteten Termin eintreffen. Darüber hinaus ist auch der Einkauf gezwungen, deutlich höhere Bestände aufzubauen als es mit zuverlässigen Wiederbeschaffungszeiten nötig wäre. Diese und weitere Effekte lassen sich mit präziseren Prognosen deutlich verringern. “Auf diese Weise machen Wiederbeschaffungszeiten richtig viel Spaß!”, so Günther.
______
"Noch ergiebiger ist es, die Prognosedaten mit einem Produktionsplanungstool zu kombinieren!"
Er und sein Team schauen sich bereits weitere Use Cases an. Aktuell arbeiten sie daran, Vorhersagen über Montagedauern oder Fehlererkennung in der Galvanik mithilfe von Machine Learning zu präziseren, um Kunden dabei zu unterstützen, ihre Planung langfristig realistisch abbilden und optimal planen zu können.