Projektergebnisse Wiki
Reiter
Nutzung von Data-Analytics-Methoden im Supply-Chain-Management
Seitenübersicht
[Ausblenden]Ergebnisse aus dem Konsortialprojekt Optimierung und Digitalisierung im Supply-Chain-Management der Fecken-Kirfel GmbH & Co. KG
1 Anwendungsbereich:
Branche:
Maschinen- und Anlagenbau
Einsatzfeld:
Supply-Chain-Management, Einkauf, Lager
Entwickelte / eingesetzte Technologie:
Data Analytics, Forecast-Modelle, Software für Dashboards (Power BI)
Arbeitswissenschaftliche Gestaltungsaspekte:
Prognosemöglichkeiten und Unterstützung sowohl bei operativen Tätigkeiten (Bestellungen) als auch bei strategischen Entscheidungen im Einkauf
2 Inhaltliche Kurzbeschreibung:
Optimierung im Supply-Chain-Management
Ausgangsituation:
Ungewissheiten in Bezug auf Lieferzeiten und Lieferantenzuverlässigkeit treten auf, was wiederum zu übermäßig hohen Lagerbeständen und nicht optimal terminierten Bestellungen führt.
Das Beschaffungswesen kann hier oft nur auf Erfahrungswissen zurückgreifen.
- Volatiler Lieferantenmarkt
- Reaktive, kurzfristige und ungenaue Entscheidungen im Bereich der Beschaffung
- Hohe Lagerbestände
Lösungen:
Um die Effizienz unseres Einkaufs- und Logistikmanagements zu steigern, wurden verschiedene Maßnahmen ergriffen:
- Identifizierung der kritischen Teile und Vorabausschreibung und -bestellung dieser Teile als kurzfristige Maßnahme: Ein Schwerpunkt wird auch in Zukunft darauf liegen, die kritischen Teile zu identifizieren und sie bereits im Voraus auszuschreiben und zu bestellen, um Engpässe zu vermeiden.
- Datenanalyse im Bereich der Lagerlogistik und des Supply-Chain-Managements zur Optimierung der Bestellungen und Lagerbestände: Durch umfangreiche Datenanalysen werden Verbesserungspotenziale in der Lagerlogistik und im Supply-Chain-Management identifiziert. Dies ermöglichte es, Bestellzyklen und Lagerbestände zu optimieren und gleichzeitig Kosten zu senken.
- Entwicklung von Analyse- und Prognosemodellen zur Unterstützung von strategischen Entscheidungen und frühzeitigen Maßnahmeneinleitung im Einkauf: Mithilfe fortschrittlicher Analyse- und Prognosemodelle wurden Strategien entwickelt, um frühzeitig auf Veränderungen im Markt zu reagieren. Dies erleichterte die Initiierung von Maßnahmen im Einkauf, um beispielsweise Engpässe vorzubeugen oder auf Nachfrageschwankungen zu reagieren.
Diese Maßnahmen tragen dazu bei, unsere Beschaffungs- und Logistikprozesse kontinuierlich zu verbessern und die Resilienz unseres Unternehmens gegenüber externen Einflüssen zu stärken.
Herausforderungen:
- Klare Formulierung von Erwartungen und Zielen
- Identifizierung der notwendigen Daten
- Datenzugänglichkeit, Umgang mit sensiblen Unternehmensdaten
- Datenqualität in den verschiedenen Bereichen
- Modellbildung und Prognoseableitungen mit Mitarbeitern bewerten
Vorteile:
- Durch die entwickelten Analyse- und Prognosemodelle können strategische Entscheidungen, wie die Lieferantenauswahl, im Einkauf unterstützt werden
- Lagerbestände können durch die Datenanalyse optimiert werden
3 Was ist besonders zu beachten, wenn ein Unternehmen das Thema neu angehen möchte?
Bevor ein Projekt im Bereich Data Analytics initiiert und gestartet wird, sollte man schon im Vorfeld die Erwartungen und das Ziel, welches man mit der Datenanalyse verfolgt, gut und klar definieren. Zudem sollte man für den definierten Use-Case die Menge und die Qualität der Daten gleich zu Beginn des Datenverständnisses analysieren und somit die Umsetzbarkeit prüfen.
Die Vorgehensweise nach dem CRISP-DM Modell bietet hier eine sehr gute Grundlage, um so ein Projekt systematisch zu bearbeiten.
- Interne Kompetenzen im Bereich Data Analytics prüfen und bewerten
- Einen Bereich identifizieren, in welchem bereits eine hohe Datenmenge vorliegt und die Qualität dieser Daten schnellstmöglich prüfen
- Das Projektverständnis, Sinnhaftigkeit, Erwartungen und Ziele, von Beginn an gut definieren
Zuletzt geändert: 10. Apr 2024, 15:12, [Joschua]