post cover

Vorausschauende Ersatzteiloptimierung für einen globalen Maschinenhersteller

Stefan Gaubatz
Stefan Gaubatz

21 Aug 2021

Schwankende Nachfrage, geringe Bestellhäufigkeit, hohe Preisschwankungen, veraltete Stücklisten und viele lagerhaltende Einheiten sind alles Gründe, warum die Ersatzteilplanung eine sehr schwierige Aufgabe ist. Ein hohes Serviceniveau zur Vermeidung von Maschinenstillständen geht einher mit hohen Lagerbeständen oder Verschrottungsquoten. Diese Kosten der Lieferkette müssen mit den anspruchsvollen Kundenanforderungen in Einklang gebracht werden, insbesondere im Bereich der industriellen Aftermarket-Dienstleistungen, ist eine sehr schwierige Aufgabe, die mit Standard-Supply-Chain-Software kaum zu lösen ist.

numi arbeitet mit einem globalen OEM von komplexen Spezialtiefbaumaschinen zusammen, um diese Herausforderungen zu bewältigen. Wir haben in einem Pilotprojekt bewiesen, dass ein Ersatzteilplanungsansatz, der Transaktionsdaten aus verschiedenen Quellsystemen und Maschinenbetriebsdaten einbezieht, bedeutende Vorteile bietet:

  • Verringerung der Lagerbestände im Netzwerk durch vorausschauende Ersatzteilplanung
  • Weniger Überbestände durch Rebalancing und optimale Beschaffungsentscheidungen
  • Neue Serviceumsatzpotenziale durch proaktive Planung

Nach diesem ersten Proof-of-Value wird das Pilotprojekt auf alle Lagerstandorte, verteilt über die ganze Welt, ausgedehnt.

Wie funktioniert die vorausschauende Ersatzteilplanung von numi?

Neben unseren sofort einsetzbaren Algorithmen für Prognosen, Bestandsoptimierung und Vorhersage der erwarteten Lieferzeiten, wurden drei Erfolgsfaktoren ermittelt und in einer ersten Pilotregion umgesetzt.

Nutzung von IoT-Daten zur Vorhersage von Ersatzteilausfällen

Die meisten Maschinen der installierten Basis senden Maschinennutzungsdaten wie Kraftstoffverbrauch, Betriebsstunden oder ihren Standort. Durch die Verknüpfung dieser Maschinendaten mit den Daten über den tatsächlichen Ersatzteilverbrauch, können Bedarfsmuster und Ausfallraten bestimmter Ersatzteile erkannt werden. Der Algorithmus für maschinelles Lernen von numi zur Vorhersage von Ersatzteilen wird in die regelmäßigen Nachschubentscheidungen integriert, was zu einer Reduzierung des Lagerbestands um 15 % während des Simulationszeitraums führte.

Einige ältere Ersatzteile können nicht mit Maschinendaten vorhergesagt werden, da diese Maschinen nicht mit einem IoT-Gerät ausgestattet sind. Für diese Maschinen passt numi die tatsächliche Verteilung des Artikelbedarfs an, anstatt eine Normalverteilung zu verwenden wie es viele andere Software-Anbieter tun würden. Das für Ersatzteile spezifische Nachfragemuster folgt in der Regel nicht einer Normalverteilung, was entweder zu hohen Lagerbeständen mit Überbeständen oder zu schlechtem Kundenservice führen würde.

Nutzung des Netzwerk-Inventars bei täglichen Bestandsentscheidungen

Eine weitere Auswirkung auf die Verringerung der Bestände war die Einbeziehung von Optionen zum Netzwerkausgleich in die Wiederbeschaffungsentscheidungen. In einem Setup, in dem lokale Lager von einigen wenigen zentralen Hubs oder von anderen lokalen Lagern aus aufgefüllt werden, können automatisierte und kostenoptimierte Beschaffungsempfehlungen dazu beitragen, lange Vorlaufzeiten oder unnötige Bestände aufzubauen. Die Multi-Echelon-Inventory-Optimierung und die optimalen Bestandsparameter helfen, die Gesamtbestände im Netzwerk zu reduzieren.

Mensch-Maschine-Zusammenarbeit bei der Einrichtung von Maschinen- und Ersatzteildaten

Qualitativ hochwertige Ersatzteilstücklisten und Maschinenbetriebsdaten sind Voraussetzung für unseren Ansatz, aber die Pflege von Stücklisten für Maschinen mit einer Produktlebensdauer von mehr als 15 Jahren kann sehr schwierig und fehleranfällig sein. Auch die Beschaffungsrisiken sind im Aftermarket-Geschäft viel höher als zum Zeitpunkt der Maschinenproduktion. Die Kritikalität von Teilen für den Betrieb einer Maschine ist eine weitere Dimension, die berücksichtigt werden muss.

All diese Herausforderungen machen es nahezu unmöglich, sich bei der Entscheidung über eine kostspielige Ersatzteilbevorratung ausschließlich auf fortschrittliche Algorithmen zu verlassen wenn es darum geht, Entscheidungen zur Ersatzteilbevorratung zu treffen. numi verfolgt einen kollaborativen Ansatz, bei dem das Expertenwissen über die Kritikalität von Teilen und das Beschaffungsrisiko durch vorausschauende Erkenntnisse wie proaktive Ausfallraten angereichert wird. Die relevanten Daten für die Ersatzteilplanung können vom Anwender mit den Workflows von numi und einer ansprechenden Benutzeroberfläche gepflegt und durch Ersatzteilausfälle angereichert werden.

Dieser proaktive Ersatzteilplanungsansatz hat neben der globalen Bestandsreduzierung noch viele andere Nebeneffekte:

  • Die Daten können für neue Serviceeinnahmenpotenziale genutzt werden, wie Garantieverträge oder Servicevereinbarungen mit proaktiven Serviceplänen.
  • Entscheidungen zur Preisgestaltung für Ersatzteile, um das volle Potenzial der Ersatzteilmarge für kritische Teile und Teile mit hohem Beschaffungsrisiko auszuschöpfen.
  • Eine hohe Transparenz der installierten Basis und ihrer KPIs kann hergestellt werden.
Fragen Sie jetzt eine Demo an, um mit uns zu diskutieren, wie numi Sie bei der Verbesserung Ihrer Ersatzteilplanung unterstützen kann.

Ersatzteile
Supply Chain
Bestandsoptimierung
Volatile Nachfrage
IoT

Enabling integrated and
intelligent Supply Chain
Decisions

Folgen Sie uns auf

© 2022. Alle Rechte vorbehalten