Woche 11 | Session 2: SC Digital Twin — Green Field Analysis (GFA) mit Excel & AnyLogistix
Kurs: Supply Chain Digitalisierung — Modul 4: Digitale Infrastruktur
Session-Agenda
Abschnitt betitelt „Session-Agenda“1. Was ist Green Field Analysis (GFA)?
Abschnitt betitelt „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
Abschnitt betitelt „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
Abschnitt betitelt „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
Abschnitt betitelt „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
Abschnitt betitelt „4. Optimierungsmodell — Formulierung“
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
Abschnitt betitelt „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
Abschnitt betitelt „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
Abschnitt betitelt „Optimale Lösung vom Solver“
| 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
Abschnitt betitelt „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
Abschnitt betitelt „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
Abschnitt betitelt „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.