Entwicklung des Inventory Planning 2.0-System zwischen ClearOps und der TUM München

Inventory Planning auf dem nächsten Level

ClearOps hat in Zusammenarbeit mit der Technischen Universität München (TUM) die Inventory Planning 2.0 eingeführt, einen neuen Algorithmus, der die Zuverlässigkeit, Stabilität und Nachvollziehbarkeit im Ersatzteilbestandsmanagement verbessert. Das neue System hilft Händlern, die Verfügbarkeit von Teilen sicherzustellen, Lagerbestände zu optimieren und gleichzeitig Kosten zu senken.

‍

Projektumfang und Ziel

Ziel des Projekts war die Entwicklung und Implementierung eines innovativen Inventory Planning-Algorithmus, der Genauigkeit, Stabilität und Nachvollziehbarkeit verbessert:

• Verbesserung der Genauigkeit und Stabilität der Bestandsplanungsergebnisse
• Bereitstellung nachvollziehbarer Empfehlungen für Nachbestellungen und Bestellmengen
• Optimierung der Bestände über mehrere Produkte hinweg unter Erreichung der Ziel-Füllraten auf Einzel- und Segmentebene

‍

Erzielte Ergebnisse

🔶 Veröffentlichung eines vollständig überarbeiteten Algorithmus zur Bestandsplanung

🔶 Erreichung einer durchschnittlich um 10% höheren Cluster-Füllrate

🔶 Steigerung der Erfolgsquote der Cluster-Füllratenziele um 27%

🔶 Verbesserung der Verständlichkeit von Bestandsempfehlungen für operative Teams

Wie Inventory Planning 2.0 funktioniert

Der Algorithmus nutzt historische Nachfragedaten sowie wichtige Eingabeparameter, darunter Füllraten-Ziele auf SKU- und Cluster-Ebene, Bestellkosten und Lagerhaltungskosten, um optimale ReorderPoints (ROP) und Order Quantities (OQ) zu berechnen. Er arbeitet in einem Periodic-Review-System, bei dem die Bestände in regelmäßigen Intervallen überprüft werden. Wichtige Funktionen sind:

• Ein Teil wird zur Nachbestellung vorgeschlagen, sobald seine Bestandsposition den berechneten ROP erreicht oder unterschreitet.
• OQs werden so berechnet, dass die Gesamtkosten minimiert werden, unter Einhaltung von Einschränkungen wie Sicherheitsbestand, maximalem Lager oder Budgetgrenzen.
• ROPs und OQs werden gemeinsam für jedes Produkt sowie für das gesamte Segment optimiert, um die besten Ergebnisse zu erzielen.
• Unterstützung sowohl auf Artikel- als auch auf Cluster-Ebene, um gewichtete Füllraten-Ziele zu erreichen.

• Modelliert die typische periodischen Nachfrage von Ersatzteilen, wobei die Wahrscheinlichkeit der Nachfrage mit der Zeit seit der letzten Bestellung steigt.

‍

Der neue Algorithmus ermöglicht es OEMs und Händlern, höhere Servicelevels aufrechtzuerhalten, Fehlbestände zu reduzieren und die Bestandskosten zu optimieren, während gleichzeitig volle Transparenz über die Planungsentscheidungen gewährleistet wird.

Wer war beteiligt

Die Entwicklung von Inventory Planning 2.0 vereinte Experten aus Wissenschaft und Praxis, wodurch tiefgehendes Forschungs-Know-how mit praktischer Erfahrung in der operativen Umsetzung kombiniert wurde.

• Technische Universität München (TUM): Prof. Dr. Stefan Minner und der Doktorand Patrick Helm brachten ihre Forschungsexpertise in den Bereichen Supply Chain, Bestandsoptimierung und Operations Management ein.
• ClearOps: Dan Touchette, German Kochnev, Olga Kir, Matthieu Cretier und Kivanc Dogruyol steuerten praktische Erfahrung in den Bereichen OEM-Aftersales, Bestandsmanagement und SaaS-Produktentwicklung bei.

Diese Zusammenarbeit verband wissenschaftliche Strenge mit praxisnaher Anwendbarkeit und führte zu einer innovativen Lösung, die die Herausforderungen der modernen Ersatzteilbestandsplanung adressiert.

‍

Ein großes Dankeschön an unsere Partner an der TUM, unser fantastisches ClearOps-Team und alle Kunden, die ihr Feedback geteilt haben. Ihre Einblicke und Unterstützung haben Inventory Planning 2.0 erst möglich gemacht.