Die Anforderungen an Produktionsunternehmen steigen: Kundenspezifische Produkte und volatile Märkte erfordern eine effiziente Logistikleistung. Doch wie lassen sich die komplexen Ursache-Wirkungs-Zusammenhänge in der Produktionslogistik bewältigen?
Ein innovatives Framework kombiniert modellbasierte Analysen mit datengetriebener Ursachenforschung. Dabei werden traditionelle logistische Modelle durch Methoden der Datenanalyse (DA) und des maschinellen Lernens (ML) ergänzt. So können spezifische Ursachen für logistische Unterleistungen identifiziert und zielgerichtete Maßnahmen abgeleitet werden.
Fallstudie: Verzögerte Materialverfügbarkeit
Eine Fallstudie zeigt, wie dieses Framework in einem Unternehmen für elektrische Maschinen angewendet wurde. Die Analyse kombinierte modellbasierte Ansätze mit DA/ML-Methoden und identifizierte Lieferantenzuverlässigkeit und unrealistische Planungswerte als Hauptursachen. Maßnahmen wie die Einführung von Sicherheitspuffern und die Anpassung der Planungswerte verbesserten die Logistikleistung signifikant.
Weitere Details zum Framework und zur Fallstudie finden Sie im Artikel: „Production Monitoring and Control Framework for Data-Driven Improvement of Logistics Performance” von Kira Welzel et al., veröffentlicht in Procedia CIRP 130 (2024).
