Optimierung der Lagerbewirtschaftung mit Methoden der Decision Intelligence
Ein Optimierungsmodell unterstützt Zweifel Chips & Snacks bei der Planung von Lagerbewegungen und berücksichtigt Kapazitäten, Produktion, Anlieferungen und Kundenbedarfe über sieben Tage.
Zweifel Chips & Snacks AG, Spreitenbach
Ausgangslage
Die Zweifel Chips & Snacks AG (ZCS) betreibt ein stark ausgelastetes Hochregallager. Um genügend Kapazität für die Produktion und die Erfüllung der Kundennachfrage sicherzustellen, werden zusätzlich externe Lager genutzt. Ist das eigene Hochregallager zu stark ausgelastet, kann produzierte Ware nicht eingelagert werden und die Produktion muss gestoppt werden. Da Kundenlieferungen grösstenteils ausschliesslich ab dem eigenen Hochregallager erfolgen, müssen täglich Paletten zwischen den Lagern bewegt werden. Das Logistikteam plant diese Bewegungen unter Berücksichtigung der Lagerauslastung, der Produktionsplanung, der Kundenbestellungen und der erwarteten Anlieferungen. Die gegenseitigen Abhängigkeiten dieser Entscheidungen machen die Planung anspruchsvoll.
Zielsetzung
Ziel der Bachelor-Thesis war die Entwicklung einer Softwarelösung auf Basis der ganzzahligen linearen Optimierung (Integer Linear Programming, ILP). Das Modell bildet die Lagerumgebung von ZCS ab und schlägt Lagerbewegungen für einen Planungshorizont von sieben Tagen vor. Dabei minimiert es modellierte Gesamtkosten und berücksichtigt unter anderem Lagerkapazitäten und Durchsätze, Produktionsmengen, Anlieferungen, Kundenbestellungen, Prognosen sowie Anforderungen an das Mindesthaltbarkeitsdatum. Die Lösung wurde in einem Rolling-Horizon-Vergleich mit historischen Planungsdaten evaluiert. Zusätzlich wurden die Skalierbarkeit des Modells und drei Heuristiken zum schnelleren Finden zulässiger Lösungen untersucht.
Lagerfluss
Der Lagerfluss beschreibt den Übergang zweier Bestandszeitpunkte. Der Lagerbestand nimmt durch Produktion, Anlieferung und eingehende Lagerbewegungen zu und durch ausgehende Bewegungen sowie Lieferungen ab.
Lagerumgebung
Die Lagerumgebung umfasst ein Produktionswerk, ein Hauptlager sowie ein Aussenlager, in das Auslagerungen getätigt werden und ein Fuhrenlager, das für Aktionslieferungen eingesetzt wird.
Produktion
Ein Ziel des Modells ist es, die Lagerkapazität für eingehende Produktion sicherzustellen. Ist dies nicht möglich, kommt es zu sogenannten Produktionsstopps. Das Diagramm zeigt die Verteilung von Produktionsstopps über den Planungshorizont.
Ergebnisse
Im Rolling-Horizon-Vergleich über fünf aufeinanderfolgende Planungstage erreicht das ILP-Modell im Durchschnitt einen um 37.02 % niedrigeren Zielfunktionswert als das Vergleichsszenario mit den durch ZCS geplanten Lagerbewegungen. Die Differenz entsteht hauptsächlich durch die geringere Anzahl modellierter Produktionsstopps.
- Planungshorizont: Lagerbewegungen werden über sieben Tage geplant.
- Bedarfserfüllung: 95.79 % im ILP-Szenario gegenüber 97.09 % im ZCS-Szenario.
- Skalierung: Bis zum Faktor 4.0 wurde innerhalb von zehn Minuten eine zulässige Lösung gefunden.
- Modellminimierungsheuristik: beste untersuchte Heuristik mit einer Optimalitätslücke von 12.95 % nach zehn Minuten.
Die Evaluation zeigt zugleich einen Zielkonflikt. Um Produktionsstopps zu vermeiden, nimmt das Modell teilweise eine geringere Bestellungserfüllung und eine stärkere Nutzung des Aussenlagers in Kauf. Die Resultate hängen deshalb wesentlich von den verwendeten Kostenparametern und Modellannahmen ab. Der niedrigere Zielfunktionswert ist nicht als nachgewiesene reale Kosteneinsparung zu verstehen.
Skalierbarkeit und Heuristiken
Mit zunehmender Problemgrösse steigt die Rechenzeit deutlich. Das unskalierte Modell erreicht innerhalb des zehnminütigen Zeitlimits eine Optimalitätslücke von 0.1 %. Bei den Skalierungsfaktoren 3.0 und 4.0 werden weiterhin zulässige Lösungen gefunden, allerdings mit grösseren Lücken von 10.30 % beziehungsweise 14.07 %. Beim Faktor 5.0 konnte innerhalb des Zeitlimits keine zulässige Lösung mehr gefunden werden. Für eine erweiterte Modellvariante wurden eine Modellminimierungs-, eine Horizon-Expansion- und eine Penalty-based-Heuristik untersucht. Die Modellminimierung erzielte die beste Lösungsqualität. Die beiden anderen Ansätze erreichten innerhalb desselben Zeitlimits keine vergleichbar guten Resultate.
Fazit
Das entwickelte Modell kann alternative Lagerbewegungsstrategien finden und deren Auswirkungen über mehrere Tage transparent machen. Es dient als Grundlage für eine Entscheidungsunterstützung und ergänzt die Erfahrung des Logistikteams, ersetzt sie jedoch nicht.
Weiterführende Arbeiten
Vor einem produktiven Einsatz sollten insbesondere die Kostenparameter gemeinsam mit ZCS weiter validiert und kalibriert werden. Die Evaluation sollte ausserdem mit realen anstelle von perfekten Prognosedaten wiederholt werden. Sobald zusätzliche Bestandsdaten verfügbar sind, kann die Lagerumgebung erweitert evaluiert werden. Für eine spätere Erweiterung um zusätzliche Warenbewegungen bietet insbesondere die Modellminimierungsheuristik einen möglichen Ausgangspunkt.
Technische Schlüsselbegriffe
- ILPInteger Linear Programming
- Optimierungkostenbasierte Planung von Lagerbewegungen
- Rolling-Horizonwiederholte Planung über einen gleitenden Zeithorizont
- HeuristikenUnterstützung beim Finden zulässiger Lösungen
Kunde
Zweifel Chips & Snacks AG
Zweifelstrasse 5
8957 Spreitenbach
www.zweifel.ch
Team
Robin Asprion
Christoph Möri
Betreuerin
Simon Felix