Innovatives Bestandsmanagement in der Supply Chain. Analyse bestehender sowie zukünftiger Konzepte

Inhaltsverzeichnis

1 EINLEITUNG

1.1 PROBLEMSTELLUNG

1.2 FORSCHUNGSFRAGEN

1.3 METHODISCHE VORGEHENSWEISE UND ZIELSETZUNG

2 BESTANDSMANAGEMENT ALLGEMEIN

2.1 DEFINITION UND AUFGABEN

2.2 BESTANDSMANAGEMENT FÜR DEN LOGISTIKERFOLG

2.3 ENTWICKLUNGEN DES BESTANDSMANAGEMENT

2.3.1 Computer Systeme und RFID

2.3.2 „Application Programing Interface“ (API)

2.3.3 Auswirkungen der Digitalisierung

2.3.4 Digitale Fertigungsplattformen

2.3.5 Revenue Managements bei MTO

2.3.6 Einfluss digitaler Startup-Technologien im Operations Management

2.4 ROLLE DES BESTANDSMANAGEMENT

2.4.1 Volatilität Bestandskomponenten - ihre Beziehung zu den Erträgen

2.4.2 Data Envelopment Analysis (DEA)

3 METHODEN IM BESTANDSMANAGEMENT

3.1 VERFAHREN DER MATERIALKLASSIFIZIERUNG

3.1.1 ABC-Analyse

3.1.2 Gesunder Bestand

3.1.3 XYZ-Analyse

3.2 FORECAST-METHODEN

3.2.1 Lagerbezogene Leistungskriterien

3.2.2 Produktbezogene Leistungskriterien

3.2.2.1 Exponentielle Glättung 1. - Exponential smoothing

3.2.2.2 Exponentielle Glättung 2. - Holts’s exponential smoothing

3.2.2.3 Exponentielle Glättung 3. - Holt-Winter’s exponential smoothing

3.2.2.4 -Servicegrad

3.2.2.5 -Servicegrad

3.2.2.6 -Servicegrad

3.2.3 Korrelationen und Regressionsanalyse

3.2.3.1 Einfache lineare Regression

3.2.3.2 Multiple Regression

3.3 BESTANDSCONTROLLING

3.3.1 Bestandsführung

3.3.2 Bestandsrechnung

3.3.3 Bestandsanalyse

3.3.4 Bestandsanpassungsmaßnahmen

3.3.5 Lagerreichweite

3.3.6 Vorratsintensität

3.3.7 Bestandsstruktur

3.3.8 Durchschnittlicher Lagerbestand

3.3.9 Durchschnittliche Lagerdauer

3.3.10 Umschlagshäufigkeit im Lager

3.3.11 Servicegrad - Lieferbereitschaft

3.3.12 Action-Value Methode

4 SUPPLY CHAIN PRODUKTION/PLANUNG/STEUERUNG/KONTROLLE

4.1 PRODUKTIONSPLANUNG UND STEUERUNG

4.2 PRODUCTION & DEMAND RATIOS – ORDER DECOUPLING POINT (CODP)

4.2.1 Gesamte logistische Durchlaufzeit (P-time)

4.2.2 Bedarfszeit (D-time)

4.3 AUSWIRKUNGEN WENN P-TIME IST LÄNGER ALS D-TIME

4.4 MANUFACTURING, PLANNING AND CONTROL SYSTEM (MPC)

4.5 JUST IN TIME POLITIK

4.5.1 Zentrales Bestandsmanagement Modell

4.5.2 Dezentrales Bestandsmanagement Modell

5 MODELLE IM BESTANDSMANAGEMENT

5.1 MAKE TO STOCK (MTS) - LAGERPRODUKTION

5.2 MAKE TO ORDER (MTO) - KUNDENAUFTRAGSPRODUKTION

5.3 VERGLEICH MTS & MTO

5.4 ASSEMBLE TO ORDER (ATO)

5.5 SAFETY STOCK

5.6 SUPPLY CHAIN OPERATIONS REFERENCE-MODELL (SCOR-MODELL)

5.6.1 Kernprozesse

5.6.2 Prozesskategorien

5.6.3 Prozesselemente und Implementierung

5.7 KURZFRISTIGES KAPAZITÄTSMANAGEMENTPROBLEM MTO

5.8 AUFTRAGSANNAHME- UND TERMINISIERUNGSPROBLEM (OAS) MTO

5.8.1 Mathematisches Modell

5.8.2 VDPSO-MGT Algorithmus

5.8.2.1 VDPSO Algorithmus

5.9 NEWSVENDOR-MODELL

5.9.1.1 Newsvendor-Modell ohne bestellfixe Kosten

5.9.1.2 Newsvendor-Modell mit bestellfixen Kosten (s,S)-Politik

5.10 BULLWHIP EFFEKT

6 BIG DATA

6.1 SERVICE AND MANUFACTURING SUPPLY CHAIN MANAGEMENT (SM-SCM)

6.2 HERAUSFORDERUNGEN, MÖGLICHKEITEN UND PROGNOSEN

7 CASE STUDY

7.1 FORECAST-METHODEN

7.1.1 Forecast-Methoden 4 Artikelgruppen aggregiert

7.1.1.1 Exponentielle Glättung 1. Ordnung 4 Warengruppen

7.1.1.2 Exponentielle Glättung 2. Ordnung 4 Warengruppen

7.1.1.3 Exponentielle Glättung 3. Ordnung 4 Warengruppen

7.1.1.4 Summenvergleich aggregierte Forecast-Methoden

7.1.2 Forecast Evaluierung aggregierte MAD und MAPE

7.1.2.1 MAPE & MAD aggregierter Forecast Beispiel 3. Ordnung

7.1.2.2 Conclusion MAD & MAPE aggregiert

7.1.3 Forecast-Methoden Detailartikelebene

7.1.3.1 Exponentielle Glättung 1. Ordnung pro Artikel

7.1.3.2 Exponentielle Glättung 2. Ordnung pro Artikel

7.1.3.3 Exponentielle Glättung 3. Ordnung pro Artikel

7.1.3.4 Summenvergleich Forecast-Methoden Detailartikelebene

7.1.4 Forecast Evaluierung Detailartikelebene MAD und MAPE

7.1.4.1 MAPE & MAD Detailartikelebene Forecast Beispiel 3. Ordnung

7.1.4.2 Conclusion MAD & MAPE Detailartikelebene

7.2 CONCLUSIO FORECAST-METHODEN

7.3 PRAKTISCHE ANWENDUNG SAFETY STOCK

7.3.1 Conclusion Safety Stock

7.4 REGRESSIONSANALYSE

7.4.1 Einfache Regressionsanalyse

7.4.2 Multiple Regressionsanalyse

7.4.3 Conclusio Regressionsanalyse

8 CONCLUSIO CASE STUDY

8.1 BEANTWORTUNG DER FORSCHUNGSFRAGEN

8.2 EINSCHRÄNKUNGEN DER ARBEIT

8.3 AUSBLICK FÜR WEITERE FORSCHUNGSMÖGLICHKEITEN

Zielsetzung & Themen

Das Hauptziel der Arbeit ist es, die zukünftige Entwicklung des Bestandsmanagements in der Supply Chain zu definieren und neue Möglichkeiten für Unternehmensstrategien von Klein- und Mittelunternehmen (KMU) abzuleiten. Dabei wird untersucht, ob der Einsatz moderner, datengestützter Prognoseverfahren gegenüber klassischen Modellen rentabler ist, und wie KMU trotz Herausforderungen bei der Datenverfügbarkeit Wettbewerbsvorteile erzielen können.

• Analyse und Optimierung bestehender Bestandsmanagementkonzepte.
• Evaluation moderner Prognosemethoden (u.a. exponentielle Glättung, Regressionsanalysen).
• Einfluss von Digitalisierung und Big Data auf das Supply Chain Management.
• Praktische Untersuchung anhand einer Case Study mit Unternehmensdaten.
• Bewältigung des Auftragsannahme- und Terminisierungsproblems (OAS).
• Strategien für KMU zur Verbesserung der Bestandsgenauigkeit und Lieferbereitschaft.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 EINLEITUNG: Dieses Kapitel führt in die Problematik des modernen Bestandsmanagements ein, definiert die Forschungsfragen und erläutert die methodische Vorgehensweise der Arbeit.

2 BESTANDSMANAGEMENT ALLGEMEIN: Hier werden grundlegende Definitionen, die Rolle des Bestandsmanagements sowie technologische Entwicklungen wie Digitalisierung, API und RFID im Kontext der Supply Chain behandelt.

3 METHODEN IM BESTANDSMANAGEMENT: Dieses Kapitel stellt verschiedene Verfahren zur Materialklassifizierung (ABC-/XYZ-Analyse) sowie diverse Forecast-Methoden und Controlling-Kennzahlen detailliert vor.

4 SUPPLY CHAIN PRODUKTION/PLANUNG/STEUERUNG/KONTROLLE: Das Kapitel fokussiert auf die Schnittstellen von Produktionsplanung und -steuerung sowie auf den „Order Decoupling Point“ und das Just-in-Time-Prinzip.

5 MODELLE IM BESTANDSMANAGEMENT: Hier werden gängige Fertigungsmodelle wie MTS, MTO und ATO sowie spezifische mathematische Modelle zur Auftragsannahme und Bestandsoptimierung (z.B. Newsvendor-Modell) erläutert.

6 BIG DATA: Dieses Kapitel untersucht die Bedeutung großer Datenmengen und deren Einfluss auf das Service und Manufacturing Supply Chain Management unter den „5Vs“.

7 CASE STUDY: Ein praktischer Teil, der anhand eines Unternehmens Datensätze analysiert, Prognosemodelle anwendet, Sicherheitsbestände berechnet und eine Regressionsanalyse durchführt.

8 CONCLUSIO CASE STUDY: Dieses abschließende Kapitel beantwortet die Forschungsfragen, diskutiert Einschränkungen der Arbeit und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten.

Schlüsselwörter

Bestandsmanagement, Supply Chain, KMU, Prognosemodelle, Exponentielle Glättung, Digitalisierung, Big Data, Sicherheitsbestand, Lagerhaltung, Materialklassifizierung, Regressionsanalyse, Produktionsplanung, Lieferbereitschaft, MTO, MTS.

Häufig gestellte Fragen

Worum geht es in dieser Bachelorarbeit grundsätzlich?

Die Arbeit befasst sich mit der Analyse und Weiterentwicklung von Bestandsmanagementstrategien für kleine und mittlere Unternehmen (KMU) in der modernen Supply Chain.

Welche zentralen Themenfelder werden abgedeckt?

Die zentralen Felder umfassen Methoden der Materialklassifizierung, verschiedene Forecast-Modelle, Produktionsplanung und -steuerung sowie den Einsatz von Big Data und Data-Science-Ansätzen.

Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?

Das Hauptziel ist es, Strategien für KMU zu identifizieren, um kurz- bis mittelfristige Nachfrageschwankungen zu minimieren und die Rentabilität durch den Einsatz optimierter Prognoseverfahren zu steigern.

Welche wissenschaftlichen Methoden werden verwendet?

Die Autorin nutzt eine qualitative Literaturanalyse, mathematische Prognosemodelle (wie die exponentielle Glättung verschiedener Ordnungen), Sicherheitsbestandsberechnungen mittels z-Formel sowie Regressionsanalysen in einer praktischen Case Study.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen (Allgemeines, Methoden, Planung, Modelle) und einen praxisorientierten Teil (Case Study), in dem konkrete Unternehmensdaten auf ihre Eignung für moderne Prognoseverfahren untersucht werden.

Welche Schlüsselwörter charakterisieren die Arbeit am besten?

Bestandsmanagement, Supply Chain, Prognosemodelle, KMU, Big Data, Lagerhaltung, Produktionsplanung und Regressionsanalyse.

Welche Rolle spielt die „Case Study“ für die Gesamtaussage?

Die Case Study dient als empirische Überprüfung der theoretischen Modelle. Sie zeigt auf, dass KMU aufgrund limitierter Datenqualität und -verfügbarkeit vor großen Herausforderungen bei der Implementierung hochkomplexer Prognosemethoden stehen.

Warum ist das Ergebnis der Regressionsanalyse im Praxisteil nicht immer signifikant?

Aufgrund der hohen Datenkonzentration in einer spezifischen Warengruppe (Warengruppe eins) kommt es zu Verzerrungen, die die Aussagekraft des multiplen Regressionsmodells für andere Warengruppen einschränken.

Wie beeinflusst der „Bullwhip Effekt“ die Strategieentwicklung?

Der Bullwhip Effekt führt zu unnötig hohen Lagerbeständen durch Informationsfilterung. Die Arbeit verdeutlicht, dass eine höhere Transparenz der Endkundennachfrage diesen Effekt signifikant reduzieren kann.