Die Lieferfrist ist ein äußerst wichtiger Parameter im Lieferkettenmanagement. Unternehmen müssen wissen, wie lange es dauert, bis ein Produkt die Pipeline von der Bestellung bis zur Auslieferung durchlaufen hat – unabhängig davon, ob Waren und Material gekauft, verkauft oder intern bewegt werden.
Kunden sind immer mehr daran gewohnt, ihre Bestellungen am nächsten oder sogar am selben Tag zu erhalten. Daher steht die Lieferphase für Lieferketten immer mehr im Fokus. Zumindest, wenn die Lieferkette weiter optimal funktionieren soll.
Wir können eine erfolgreiche Lieferung so definieren, dass Ihre Kunden zuverlässig und beständig das, was sie brauchen, in der richtigen Menge zur richtigen Zeit erhalten. Die Lieferung wird heute als die wichtigste Anforderung jedes Herstellungs- oder Distributionsprozesses betrachtet. Mit der Macht der Datenanalyse kann Minitab Unternehmen dabei unterstützen, ihre Lieferungen zu optimieren, eine effiziente Lieferkette aufzubauen und die Kundenzufriedenheit zu steigern.
Liefergeschwindigkeit messen
Die Zeit bis zur Auslieferung eines Endprodukts an den Endkunden ist eine wichtige Kennzahl für Lieferkettenexperten. Im Beispiel unten wurden ein Beispieldatensatz und einfache Verfahren der deskriptiven Statistik verwendet, um zu zeigen, dass der Durchschnitt (Mittelwert) für die Lieferzeit zwischen 54 und 55 Stunden liegt. Die Daten zeigen auch, dass die Mindestdauer 40 Stunden und die Höchstdauer 75 Stunden beträgt. Dies liefert den Bereich zwischen der kürzesten und längsten Dauer, was zum Definieren der Ziele benötigt wird.
Ziel festlegen und Brainstorming zu möglichen Faktoren mit Auswirkungen auf die Lieferung durchführen
Verzögerte Lieferungen können für ein Unternehmen nicht nur im Hinblick auf die Kundenerfahrung teuer sein, sondern sich auch direkt auf den Umsatz auswirken. Wenn ein Unternehmen sein Versprechen einer schnellen Lieferung nicht einhalten kann, werden die Kunden künftig deutlich weniger wahrscheinlich zurückkehren. Legen Sie als strategisches Unternehmensziel fest, Waren innerhalb eines bestimmten Zeitraums zu liefern. Lassen Sie uns in diesem Beispiel ein realistisches Ziel von 50 definieren, was eine Verbesserung der Lieferzeit um ca. 10 % bedeutet.
Ermitteln Sie dann in einem Brainstorming mögliche Variablen, die sich auf die Lieferzeit auswirken könnten. Dabei kann es sich um verschiedenste Faktoren handeln, von der Paketgröße über das Alter des Fahrzeugs und Wetterbedingungen bis hin zu dem Fahrer, der die Bestellung ausliefert. Das Diagramm unten zeigt ein Beispiel für eine CT-Struktur, eines der vielen beliebten Werkzeuge für das Brainstorming und die strukturierte Problemlösung im Workspace.
Möchten Sie Herausforderungen visuell darstellen und mit Brainstormings Lösungen finden?
Auswirkungen mit Hilfe von prädiktiver Modellierung quantifizieren …
Allgemein sind prädiktive Modelle hilfreich, um Prognosen zu treffen und die Faktoren zu verstehen, die sich auf die Antwortvariable auswirken. Mit dem Werkzeug für das automatisierte maschinelle Lernen in Minitab können wir nicht nur das beste Modell ermitteln (in diesem Fall Random Forests®), sondern sehen auch die Ergebnisse der anderen Modelle.
In diesem Fall schneidet die häufig eingesetzte herkömmliche Regression nicht nur am schlechtesten ab, sondern ist auch sehr ungenau. Das CART®-Modell, ideal zum Visualisieren von Beziehungen, funktioniert hingegen relativ gut.
Verbesserungen umsetzen …
Bei der Betrachtung des CART-Entscheidungsbaums unten wird klar, dass Lieferungen bei gutem Wetter mit einem neueren Fahrzeug schneller gehen, während sie bei Schnee und mit alten Fahrzeugen am längsten dauern. Dies zeigt die erste Verbesserungsmöglichkeit. Die Wetterbedingungen lassen sich nicht kontrollieren, aber eine Flotte mit möglichst neuen Fahrzeugen könnte zu einer unmittelbaren Verbesserung führen. Darüber hinaus könnte die Berücksichtigung der Wettervorhersage für eine bestimmte Kundenregion mehr Genauigkeit ermöglichen, wenn die Lieferzeiten berechnet und kommuniziert werden.
… und das Modell operationalisieren, um die genaue Lieferzeit zu prognostizieren
Mit dieser Analyse können nicht nur Verbesserungsmöglichkeiten aufgedeckt werden, sie kann auch bei der Kommunikation mit den Kunden helfen. Indem wir diese Faktoren betrachten und das genaueste Random Forests-Modell verwenden (das vom automatisierten maschinellen Lernen bestimmt wurde), können wir das Modell operationalisieren, um automatisch mit den Kunden zu kommunizieren. Mit Lösungen wie Minitab Model Ops kann das Modell, während die Datenpunkte erfasst werden, eine geschätzte Lieferzeit berechnen und die Prognose automatisch dem Kunden mitteilen. Damit wird sichergestellt, dass Ihre Kunden rechtzeitig informiert werden und nicht raten müssen, wann ihr Paket ankommt. Mit dieser Leistungssteigerung können Sie nicht nur die Erwartungen Ihrer Kunden übertreffen, sondern auch das prädiktive Modell weiter präzisieren, um den Kunden in Zukunft noch genauere Zeitangaben nennen zu können.
Möchten Sie noch weitere Herausforderungen im Zusammenhang mit Lieferketten in Angriff nehmen?