Woche 11 | Session 2: SC Digital Twin - Green Field Analysis (GFA) mit Excel & AnyLogistix

Kurs: Supply Chain Digitalisierung - Modul 4: Digitale Infrastruktur

Session-Agenda

1. Was ist Green Field Analysis (GFA)?

Diese Session baut einen kleinen SC-Digital-Twin zur Durchführung von GFA:

Excel + Solver für kleine Probleme (Mechanik verstehen).
AnyLogistix-Software für große, reale Probleme.

2. Fallstudie - Pharmaunternehmen: DC-Standort für Westindien

Ein Pharmaunternehmen möchte 1 Distributionszentrum für die westliche Region Indiens einrichten.

Ziel: DC-Standort (Breitengrad, Längengrad) finden, der die Gesamttransportkosten minimiert.

Marktdaten

Markt	Index	Jahresbedarf (Einheiten)	Breitengrad (xᵢ)	Längengrad (yᵢ)
Pune	1	1,57,680	18.52	73.85
Mumbai	2	1,79,580	19.09	72.87
Ahmedabad	3	1,55,490	23.02	72.57
Surat	4	43,800	21.18	72.83

Kostennahnahme: 1 $ pro km pro Einheit transportierter Nachfrage.

3. Problemstellung - Warum Intuition unzureichend ist

DC nahe…	Problem
Mumbai (höchste Nachfrage)	Kosten nach Ahmedabad und Surat steigen stark
Pune	Kosten nach Mumbai, Ahmedabad, Surat steigen alle
Ahmedabad	Kosten nach Mumbai, Pune, Surat steigen alle

Fazit: Es gibt einen Trade-off - ein Optimierungsmodell wird benötigt. Unendlich viele mögliche DC-Standorte existieren; manuell nicht auswertbar.

4. Optimierungsmodell - Formulierung

Haversine-Distanz (Großkreis)

a = sin²(Δlat/2) + cos(lat₁)·cos(lat₂)·sin²(Δlon/2)
c = 2·atan2(√a, √(1−a))
distance = R·c  (R = Erdradius = 6371 km)

In unserem Kontext

Δlat = x_DC − xᵢ  ·  Δlon = y_DC − yᵢ
distance((xᵢ, yᵢ), (x_DC, y_DC)) = R·c

Die Haversine-Formel liefert die tatsächliche Entfernung über die Erdoberfläche zwischen zwei Breiten-/Längengrad-Punkten - hier zur Messung der Entfernung jedes Marktes von einem möglichen DC-Standort.

Entscheidungsvariablen:

xDC = Breitengrad des neuen DCs (unbekannt)
yDC = Längengrad des neuen DCs (unbekannt)

Ziel: Minimiere Z

Z = Σ(i=1 bis 4) [ Nachfrage_i × d(xᵢ,yᵢ → xDC,yDC) × Kosten pro km pro Einheit ]

Komponente	Detail
Distanzformel	Haversine / Sphärisch - berücksichtigt die Erdkrümmung → genaue km-Distanz
Lösungsmethode	GRG Nichtlinear - weil die sphärische Distanzformel nichtlinear ist
Nebenbedingungen	Keine - DC kann an beliebigen (xDC, yDC) Koordinaten platziert werden

5. Distanzformeln - Drei Methoden

Methode	Genauigkeit
Direktlinie (Euklidisch)	Niedrig - gerade Linie, unrealistisch
Eck/Manhattan	Mittel - berücksichtigt Kurven, nur flaches Gitter
Sphärisch (Haversine)	Hoch ✓ - in diesem Fall verwendet

Warum die sphärische Formel? Die Erdoberfläche ist nicht flach - Breiten-/Längengrade sind Koordinaten auf einer gekrümmten Oberfläche. Die sphärische Formel macht die Zielfunktion nichtlinear → GRG-Nichtlinear-Solver erforderlich (nicht Simplex LP).

6. Lösung in Excel - Schritt für Schritt

Marktdaten eingeben: Nachfrage, Breitengrad, Längengrad für alle 4 Märkte eingeben.
Ersten DC-Standort setzen: xDC = 20, yDC = 72 - zufällige Startwerte; noch nicht die Antwort.
Distanzen berechnen: Sphärische Distanzformel von jedem DC-Standort zu jedem Markt anwenden → 4 Distanzwerte.
Einzelkosten berechnen: Kosten_i = Nachfrage_i × Distanz_i × 1$.
Gesamtkosten Z berechnen: Z = Summe aller 4 Einzelkosten. Bei (20, 72): Z = 12,44,89,119.
Solver ausführen: Ziel = Gesamtkosten minimieren. Änderbare Variablen = Breiten- und Längengradfelder. Methode = GRG Nichtlinear. Lösen.
Optimale Lösung ablesen: Optimales xDC = 19.09, yDC = 72.87. Gesamtkosten = 9,73,92,135. Standort = Mumbai.

Optimale Lösung vom Solver

Excel-Aufbau - mit einem Probe-DC bei (20,00, 72,00) die Haversine-Distanz zu jedem Markt und die entfernungsgewichteten Gesamtkosten:

Markt	Kosten/km·Einheit	Nachfrage (Einheiten)	Breitengrad	Längengrad	Distanz (km)
Pune	1	157.680	18,52	73,85	254,54
Mumbai	1	179.580	19,09	72,87	136,20
Ahmedabad	1	155.490	23,02	72,57	340,95
Surat	1	43.800	21,18	72,83	157,10
Probe-DC (20,00, 72,00)					Kosten = 124.489.119

Parameter	Wert
Optimaler DC Breitengrad (xDC)	19.09
Optimaler DC Längengrad (yDC)	72.87
Optimaler Standort	Mumbai
Minimierte Gesamtkosten Z	9,73,92,135
Kosteneinsparung durch Optimierung	~₹2,7 Crore / Jahr

7. Digital Twin Visualisierung - Was sie hinzufügt

Das Excel-Modell liefert die Koordinaten - aber keine visuelle Karte der SC. DT-Visualisierung fügt hinzu:

Genaue geografische Position jedes Marktes auf Karte.
DC-Standort bei optimierten Koordinaten eingezeichnet.
Routen vom DC zu jedem Markt - visuelle Bestätigung des Netzwerks.

Genau das bieten Tools wie AnyLogistix - kartenbasierte Visualisierung + Optimierung kombiniert.

8. Skalierung - AnyLogistix-Software für große Probleme

Attribut	Excel Solver	AnyLogistix (DT-Software)
Skalierung	Klein (4 Märkte - manuell handhabbar)	Groß (tausende von Märkten - landesweit / global)
Breiten-/Längengradingabe	Muss für jeden Standort manuell eingegeben werden	Stadtname eingeben → Koordinaten werden automatisch abgerufen
Visualisierung	Grundlegend - keine eingebaute Kartendarstellung	Alle Knoten werden nach Eingabe automatisch auf Karte eingetragen
Algorithmus	Nichtlinearer Solver (GRG) - Benutzer richtet ihn ein	Eingebauter Optimierungsalgorithmus läuft automatisch
Typische Nutzung	Lehre, kleines Verständnis	Reale SC-Netzwerkgestaltung und DT-Entwicklung

AnyLogistix-Ergebnis bestätigt: GFA optimaler DC = Breitengrad 19.09, Längengrad 72.87 = Mumbai - stimmt exakt mit Excel-Solver überein.

Zusammenfassung der Session

GFA: optimalen Standort für ein NEUES DC mittels Optimierung finden - präskriptive Analytik-Anwendung.
Fallstudie: 4 westindische Märkte, Gesamttransportkosten minimieren. Modell: Minimiere Z = Σ(Nachfrage_i × Distanz_i × Kosten/km/Einheit).
3 Distanzformeln: Direklinie (gering) → Eck/Manhattan (mittel) → Sphärisch/Haversine (hoch - hier verwendet).
Sphärische Formel = nichtlinear → GRG Nichtlinear-Solver erforderlich (nicht Simplex LP).
Ergebnis: optimaler DC = Mumbai (19.09, 72.87). Kosten ₹9.73 Crore vs ₹12.44 Crore.