Blog : Was hindert Unternehmen am Digitalisieren ihrer Materialdisposition?

Das Lager ist zwar voll, und der Lagerwert steigt kontinuierlich an. Aber wenn der Kunde anruft und ein bestimmtes Produkt haben will, dann ist genau dieses Produkt oder sind die für dieses Produkt notwendigen Baugruppen und Einzelteile nicht lagernd – es gibt kaum ein Unternehmen, dem das nicht schon passiert wäre.

Grund dafür ist nicht einfach nur Pech oder das berühmte „Murphy’s Law“, sondern die Tatsache, dass die Materialdisposition eine hochkomplexe Angelegenheit ist – vor allem im Hinblick auf eine immer größer werdende Variantenvielfalt. Ein einzelner Disponent muss mitunter hunderte oder gar tausende Artikel mit möglicherweise völlig unterschiedlichen Absatzkurven im Auge behalten. Es handelt sich um eine Aufgabe, die das menschliche Analysevermögen weit übersteigt und die trotzdem immer noch von Menschen bewältigt werden muss.

Was liegt in so einem Fall näher als eine Entscheidungsunterstützung durch einen Algorithmus, der mit der Schnelligkeit eines Computers in der Lage ist, auch große Datenmengen – nämlich den bisherigen Verlauf sämtlicher Buchungen – auszuwerten und zu analysieren? Dieser würde sofort erkennen, wie sich der zukünftige Bedarf entwickeln wird, in welchen kostenoptimalen Losgrößen eingekauft werden muss und wo die Gefahr von Unterdeckung und somit von Lieferverzug entsteht.

So könnte der Algorithmus dem Disponenten eine Empfehlung geben. Mit so einem Algorithmus wäre dann schlussendlich auch die Materialdisposition in der Industrie 4.0 angekommen, und damit im Zeitalter der effizienten, automatisierten und kostengünstigen Abläufe. Wir hätten dann eine digitalisierte Disposition 4.0. In meinem aktuellen Forschungsprojekt bei Fraunhofer Austria, das vom Bundesministerium über die Forschungsförderungsgesellschaft FFG gefördert wird, beschäftige ich mich genau mit diesem Thema.

Als erstes frage ich mich natürlich: Woran scheitert es in der Praxis? Warum haben die Unternehmen nicht längst die Chance genutzt? Studien schätzen, dass eine Digitalisierung der Materialdisposition ein Einsparungspotenzial von etwa 40% im Einkauf bringen könnte. An Motivation sollte es also nicht fehlen, aber ist das Bewusstsein dafür vorhanden?

Spätestens, wenn ein erfahrender Disponent in Pension geht oder das Unternehmen aus anderen Gründen verlässt, offenbart sich, wie hilflos das Unternehmen ohne dessen langjährige Erfahrung und ohne das „Bauchgefühl“ für die richtige Entscheidung dasteht. Dann herrscht Ratlosigkeit, was in welchen Losgrößen und zu den richtigen Zeitpunkten eingekauft werden muss und wo zu Gewährleistung der Lieferfähigkeit Sicherheitsreserven eingeplant werden müssen – eine Situation, in der sich kein Unternehmen gerne wiederfinden möchte. Das Risiko, das für das Unternehmen dabei entsteht, ist vielen erst bewusst, wenn es zu spät ist.

Ein etwas seltenerer, aber dafür umso dramatischerer Vorteil des digitalisierten operativen Einkaufs zeigt sich im Krisenfall: Bricht ein ganzer Absatzmarkt weg, zum Beispiel durch politische Entscheidungen wie ein Handelsembargo, oder brechen Zulieferer und einzelne Absatzmärkte weg, wie es im Fall der Corona-Krise vielfach passiert ist, kann nur ein Computer schnell genug alle Bestellungen korrigieren, bevor ein wirtschaftlicher Schaden entsteht.

Was wir stattdessen beobachtet haben, war, dass einzelne Menschen Tag und Nacht versucht haben, tausende Artikel händisch zu evaluieren und Bestellungen anzupassen, abzusagen, Mengen anzupassen und neue Lieferzeiten zu hinterlegen. Bis sie fertig waren, war der Schaden schon da.

Das größte Hindernis in der Automatisierung oder auch schon in der Standardisierung der Abläufe ist die Vielzahl der zur Verfügung stehenden Methoden. Wann gilt es die klassische Bestellung anzuwenden, einen Mengenkontrakt zu hinterlegen, einen Lieferplan einzurichten oder gar eine Kanban-Steuerung zu nutzen? Wie lassen sich kostenoptimale Bestelllosgrößen ermitteln?

Die traditionelle Losgrößenformel nach Andler aus dem Jahr 1929 funktioniert nur in den wenigsten praktischen Anwendungsfällen. Prognosemethoden wie das Holt-Winters Verfahren benötigen für jeden Artikel eigene Input-Parameter, doch um diese Parameter zu bestimmen, ist oft das nötige Know-how nicht da. In der Nachfrageprognose hat sich der arithmetische Mittelwert in der Praxis etabliert, aber auch dieser ist nur in den wenigsten Fällen die richtige Wahl. Als Alternativen gäbe es den gleitenden Mittelwert, den gewichteten Mittelwert, exponentielle Glättung 1. Ordnung oder exponentielle Glättung 2. Ordnung, und so fort.

Es ist kaum verwunderlich, dass Unternehmen davor zurückschrecken, sich im Methoden-Dschungel auf die Suche nach der richtigen Lösung zu machen. Ich habe für meine Dissertation alle bestehenden Methoden erhoben und zusammengefasst, und mir ist klar: Wenn das schon für einen Wissenschaftler ein großer Zeitaufwand ist, sich selbstständig mit allen Möglichkeiten vertraut zu machen, dann ist das im Unternehmensalltag ohne Hilfe von außen unmöglich.

Ironischerweise ist in vielen Unternehmen theoretisch die Möglichkeit vorhanden, diese Methoden mit wenigen Mausklicks anzuwenden, denn ERP-Systeme wie beispielsweise SAP, Microsoft Dynamics, Oracle, Infor etc. bieten diese Möglichkeiten standardmäßig an.

Das Problem liegt aber darin, dass oft unbekannt ist, welche dieser Möglichkeiten für den konkreten Artikel die richtige ist. Oft wissen weder der Einkauf noch die IT Bescheid, wie das Tool korrekt anzuwenden wäre. Die Antwort kann aber in der Kooperation mit Expertinnen und Experten in einem Forschungsprojekt erhoben werden.

Um Disponenten dahingehend weiterzubilden, habe ich begonnen, beim ÖPWZ (Österreichisches Zentrum für Wirtschaftlichkeit und Produktivität) Schulungen abzuhalten. Gleichzeitig arbeiten wir bei Fraunhofer Austria mit Partnern aus der Industrie zusammen, um die Schritte Standardisierung, Digitalisierung und Automatisierung nach und nach umzusetzen.

Bei unserem Projekt mit dem Traktorenwerk Lindner ist es unserem Team von Fraunhofer Austria beispielsweise schon sehr gut gelungen, den Absatz vieler Artikel treffgenau vorherzusagen sowie relevante, artikelspezifische Dispositionsparameter wie Sicherheitsbestände, Meldebestände Planlieferzeiten zu korrigieren und zu optimieren.

Ob das von früheren Studien prophezeite Einsparungspotenzial im Ausmaß von 40 Prozent wirklich in der Praxis erzielt werden kann, ist die Frage, die wir im Rahmen unseres Forschungsprojektes mit innovativen Vorreitern aus der Industrie klären wollen. Langsam kristallisiert sich inzwischen schon heraus, dass dies möglich sein könnte, denn die Anwendung der richtigen Algorithmen in der Disposition kann kostspielige Fehlentscheidungen verhindern. Man darf gespannt sein!