Liquidität durch Bestandsoptimierung
Die Situation
Bei einem Hersteller von Maschinen, maschinellen Anlagen und Teilen waren die Lagerbestände an Roh-, Hilfs- und Betriebsstoffen im Laufe der Zeit auf ein immer höheres Niveau angestiegen, wodurch immer mehr liquide Mittel gebunden wurden. In einem Umfeld steigender Zinsen wurden dadurch darüber hinaus erhöhte Kapitalkosten verursacht. Gleichzeitig war aber auch die Zahl der unfertigen Erzeugnisse in der Produktion (WIP) gestiegen, während sich die Lieferfähigkeit immer weiter verschlechtert hatte.
Vorgehen
Ausgangspunkt war eine schnelle Analyse aktueller Lagerbestandsdaten, die Identifikation kritischer Artikel und daraus abgeleitete Sofortmaßnahmen. Im weiteren Verlauf wurden dann die Analysen unter Einbeziehung auch historischer ERP-Daten immer weiter detailliert. Dabei kamen sowohl konventionelle, d.h. Excel-basierte, als auch mit KI-gestützte Methoden unter Verwendung der proprietären Starcode Detect Toolbox zum Einsatz.
Ergänzt wurde dies durch eine Analyse der Beschaffungsprozesse einschließlich Deep-Dives für konkrete Beispiele, bei denen Fehlbestände zu Produktionsstaus und Lieferverzögerungen führten.
Schnelle Erfolge: Die anfängliche Analyse identifizierte schnell Langsamdreher und unkritische Bestände im Lager, was zu sofortigen Maßnahmen zur Verringerung der Bestände und zu einer Reduzierung der Bestände um 16 % innerhalb von 6 Monaten führte.
Nachhaltige Verankerung: Für weitere, kontinuierliche und anhaltende Verbesserungen ist Transparenz der Schlüssel. Die Bestandsanalyse muss automatisiert werden, d.h. in das IT-System implementiert und für den Beschaffungsprozess in Echtzeit zur Verfügung gestellt werden. Die Geschäftsprozesse in der Beschaffung müssen optimiert, im IT-System implementiert und wo immer möglich durch Technologien wie RPA oder Meta-Code automatisiert werden, was zu einer umfassenden, effizienten und zuverlässigen Materialressourcenplanung (MRP) führt. Diese Maßnahmen führen zu einer Bestandsreduzierung von 30 % bei gleichzeitiger Steigerung der OTIF-Lieferleistung (On-Time-In-Full) auf über 90 %.
Perspektiven mit KI: Die nächste Stufe ist dann die vorausschauende Bedarfsplanung unter Verwendung von maschinellem Lernen und KI zur Identifizierung von Bedarfsmustern und deren Kombination mit Artikelkategorien auf der Grundlage von Kritikalität, Auftragsvorlaufzeit, Lieferantenrisiko und Kosten pro Artikel. Dies ermöglicht es dann selbst bei tausenden Artikeln eine für jeden Artikel optimierte Beschaffungsstrategie zu definieren und im System zu implementieren und ggf. zu automatisieren.