Aus validen Materialstammdaten Handlungsempfehlungen ableiten

Insbesondere in der Lagerlogistik lässt sich diese virtualisierte Alchemie – das Vergolden von Daten zu Informationen – ausgezeichnet beobachten. Ein Lagerplatzsucher funktioniert zum Beispiel nur dann verlässlich, wenn der Algorithmus über den entsprechenden Lager(zu)stand ausreichend genau und aktuell Bescheid weiß. Informationen wie Füllgrad oder Anzahl der einzulagernden bzw. angeforderten Gebinde aus einer Gasse oder Shuttle-Ebene sind natürlich auch für eine Analyse der Lager-Performance-Werte von großer Bedeutung. Noch viel essenzieller werden diese Informationen be- und genutzt, wenn es darum geht, bei jedem einzelnen Schritt in der Abfolge einer Gebinde-Einlagerung ein Ergebnis für den weiteren Weg zu erzielen – und das in Echtzeit. Dadurch läuft das gesamte Lagersystem im Idealfall stabil weiter, statt in einem bestimmten Bereich eine Überlast zu provozieren.

Es liegt auf der Hand, dass eine Gebindeauswahl für die Erfüllung eines Auftrags in einem automatisierten Lager nur dann funktionieren kann, wenn folgende Informationen konsistent, aktuell und verlässlich vorliegen: momentaner Lagerplatz, Inhalt und Menge sowie eventuelle Restriktionen (Reservierungen oder Blockade durch ein anderes Gebinde). Das ist etwas, das als gegebene Selbstverständlichkeit gesehen und als Grundfunktionalität eines WMS-Systems vorausgesetzt wird, ohne in einem Lieferumfang auch nur erwähnt zu werden.

Präzise Lagerführung führt zu verlässlichen Daten

Ein perfekt abgestimmtes Lagermanagement setzt eine umfassende, vollständige und aktuelle Datenbasis voraus. Valide Prozesse, die präzise Lagerverwaltung durch das Lagerpersonal und das Heranziehen relevanter Daten ermöglichen erst, dass ein WMS-System seine volle Funktionalität entfalten kann.

Performance Einbußen durch nicht analysierte Daten

Fehlende oder nicht analysierte Daten führen unweigerlich zu Performance-Einbußen im Lager. So können zum Beispiel Aufträge aus dem Lager nicht in einer mit dem Mitbewerb vergleichbaren Geschwindigkeit erledigt werden. Zusätzlich sinken Lager-Reichweiten einzelner Produkte auf wenige Stunden, da die inkonsistenten und veralteten parametrierten Werte für das Bestandsmanagement nicht mehr mit den aktuellen Bedarfen übereinstimmen. Und trotzdem ist das Lager bei visueller Inspektion immer voll, weil die falschen Produkte in enormen Mengen (und mit entsprechender Kapitalbindung) auf den Regalflächen sehr viel Platz belegen, der eigentlich dringend benötigt wird.

Bestandsmanagement an Auftragsstrukturen anpassen

Das sind die unerfreulichen Auswirkungen des nicht mit den tatsächlichen Auftragsstrukturen abgestimmten Bestandsmanagements. Sie haben mehrere Ursachen:

• Für die optimale Bestandsführung wurde das falsche Modell ausgewählt.
• Das einmal ausgewählte Modell wurde nie erweitert oder angepasst.
• Die dem Bestandsmanagement zugrundeliegenden Daten wurden nie aktualisiert.

Insbesondere in Zeiten von E-Commerce und Online-Shops sowie der globalen Vernetzung der Kunden über Social-Media-Kanäle besitzen die klassischen, in der Literatur gut dokumentierten Modelle für optimales Bestandsmanagement immer weniger Gültigkeit. Diese klassischen Modelle gehen von zufallsbehafteten Käufen aus. Doch ist es heutzutage noch Zufall, wenn mehrere Kunden gleichzeitig dasselbe Produkt (unerwartet) bestellen? Oder ist es mittlerweile vorhersehbar, wenn die entsprechenden Social-Media-Plattformen inklusive ihrer dort aktiven Influencer als Datenquelle genau mit beobachtet werden?

Datenpflege und Metadatenmanagement – eine Investition in die Zukunft

Um dies herauszufinden, bedarf es einer intensiven Beschäftigung mit den Auftragsdaten. Nur sie können über folgende Entscheidungen Aufschluss geben:

• Das richtige Logistikkonzept
• Das passende und korrekte Bestandsmanagement-Modell
• Die (zum Zeitpunkt der Betrachtung) optimale Parametrierung
• Die Indikatoren aus dem Markt, die bei Über-/Unterschreiten eine Neubetrachtung des Modells und/oder zumindest der Parameter auslösen sollten

Dazu eine „Was wäre, wenn“-Betrachtung der jüngeren Vergangenheit hinsichtlich folgender Frage: Was wäre, wenn ich schon vor mehreren Monaten mein Modell/meine Parameter nachjustiert oder die empfohlene Änderung bei der Artikelzuordnung vorgenommen hätte? Anhand der betrachteten Auftragsdaten lässt sich ein recht aussagekräftiger Eindruck für das unerschlossene Effizienz- und Performance-Potenzial generieren. Angesichts der zunehmenden Marktdynamik werden die Zeiträume für Neubetrachtungen immer kürzer. Erst bei Erkennen des strukturellen Problems damit zu beginnen, ist im Allgemeinen viel zu spät. Vor allem bei Standort(neu)planungen stehen fehlende Daten im eklatanten Widerspruch zu einem optimalen Planungsergebnis in Hinblick auf das Konzept und die Zukunftsfähigkeit des neuen Lagerstandorts.

Effizienz steigern und Logistikkosten reduzieren

Eine Zukunft ohne weitere Schritte in Richtung Digitalisierung ist kaum mehr vorstellbar. Moderne Algorithmen lassen neben den in früheren Blogbeiträgen schon skizzierten Strategien noch viel komplexere Ansätze zu. Und die in diesen Blogbeiträgen erwähnten Möglichkeiten der Effizienzsteigerung reduzieren den Logistikkosten-Anteil erheblich.

Schon jetzt gibt es viele beispielhafte Firmen, die frühzeitig auf die aktive Nutzung ihrer Daten und das Generieren von Fakten durch datengetriebene, automatisierte Entscheidungsmechanismen gesetzt haben. Und das mit Erfolg. Denn sie können dadurch nicht nur günstiger und rascher auf Veränderungen reagieren. Sondern sie können mittlerweile auch die durch die Daten transparent gewordene Marktdynamik zu ihrem Vorteil nutzen.

Diese Vorgehensweise ist aus Sicht von SSI Schäfer auf jeden Fall zu empfehlen, denn mit einer aktiven Nutzung der Kundendaten durch die oben angesprochenen automatisierten Entscheidungsmechanismen kann die Leistung der Kundenlager auf ein völlig neues Level gehoben werden. Bei Interesse steht SSI Schäfer jederzeit als Partner zur Verfügung.

Über den Autor:

Markus Klug absolvierte das Studium der Technischen Mathematik an der TU Wien, forschte in Glasgow an Kernel-Methoden zum Zweck des Einsatzes in ereignisdiskreten Simulationsmodellen und leitete nationale und internationale Forschungsprojekte mit Schwerpunkten in den Bereichen Transportlogistik, Standortlogistik und weltweite Supply Chains am Forschungszentrum Seibersdorf.

Seit 2013 ist Markus Klug bei SSI Schäfer für den Einsatz von Datenanalyse und Simulation zuständig sowie erweitert um die Themen Data Science und Künstliche Intelligenz / Maschinelles Lernen.