Woche 2 | Sitzung 5: Bestandssegmentierung — Methoden, Fortgeschrittene Ansätze und AHP-Fallstudie
Kurs: Supply-Chain-Digitalisierung
Rückblick und Sitzungskontext
Abschnitt betitelt „Rückblick und Sitzungskontext“Was ist Bestandssegmentierung?
Abschnitt betitelt „Was ist Bestandssegmentierung?“Hauptvorteile:
| Vorteil | Beschreibung |
|---|---|
| Kostenoptimierung | SC-Ressourcen genau dort zuweisen, wo sie den größten Wert generieren |
| Verbesserte Serviceniveaus | Das richtige Serviceniveau je SKU-Kategorie festlegen und aufrechterhalten |
| Richtiges Lagersystem | Geeignete Lagerinfrastruktur je Bestandstyp zuweisen |
| Bessere Kommissionierstrategie | Lager- und Verteilzentrumsprozesse basierend auf Bewegungshäufigkeit und Artikelmerkmalen gestalten |
| Operative Leistung | Gesamtverbesserung bei Erfüllung, Nachschub und Bestandsgenauigkeit |
Beliebte Bestandssegmentierungsmethoden — 4 Traditionelle Ansätze
Abschnitt betitelt „Beliebte Bestandssegmentierungsmethoden — 4 Traditionelle Ansätze“1. ABC-Analyse — Umsatzbasiert
Abschnitt betitelt „1. ABC-Analyse — Umsatzbasiert“Klassifikation basierend auf dem Umsatzbeitrag jedes Bestandsartikels — das Pareto-Prinzip angewendet auf den Bestand.
| Segment | Anteil der Produkte | Anteil am Umsatz | Managementpriorität |
|---|---|---|---|
| A | ~20 % | ~80 % | Höchste — eng überwacht, häufige Überprüfung |
| B | ~30 % | ~15 % | Mittel — regelmäßige Überprüfung |
| C | ~50 % | ~5 % | Niedrigste — vereinfachtes, automatisiertes Management |
2. FSN-Analyse — Bewegungsbasiert
Abschnitt betitelt „2. FSN-Analyse — Bewegungsbasiert“Klassifikation basierend auf der Verbrauchsrate und Bewegungsgeschwindigkeit durch das Lager.
| Segment | Anteil der Artikel | Bewegungsverhalten | Durchschn. kumulativer Verbleib |
|---|---|---|---|
| F — Schnelldrehend | ~10 % | Sehr kurzer Verbleib im Lager; schnell verbraucht | Weniger als 10 % des durchschn. kumulativen Verbleibs |
| S — Langsamdrehend | ~30 % | Moderate Bewegung; verbleibt länger im Lager | ~20 % des durchschn. kumulativen Verbleibs |
| N — Nicht-bewegend | ~50 % | Stagnierender Bestand — kein Verbrauch für längere Zeit; Lagerumschlagsquotient < 1 | Hoher kumulativer Verbleib |
3. VED-Analyse — Kritizitätsbasiert
Abschnitt betitelt „3. VED-Analyse — Kritizitätsbasiert“Klassifikation basierend auf der Kritizität jedes Artikels für den Geschäftsbetrieb — nicht seinem Wert oder seiner Bewegungsgeschwindigkeit.
| Segment | Bedeutung | Beschreibung |
|---|---|---|
| V — Vital | Kann ohne ihn nicht betrieben werden | Absolut entscheidend — Geschäft stoppt bei Nichtverfügbarkeit |
| E — Wesentlich | Sehr wichtig | Hohe Priorität nach Vital; erhebliche Störung bei Nichtverfügbarkeit |
| D — Erwünscht | Nicht unbedingt erforderlich | Betrieb kann ohne ihn fortfahren, aber Qualität oder Effizienz leidet |
4. XYZ-Analyse — Nachfragevariabilitätsbasiert
Abschnitt betitelt „4. XYZ-Analyse — Nachfragevariabilitätsbasiert“Klassifikation basierend auf der Vorhersagbarkeit der Nachfrage über die Zeit — ergänzend zur ABC-Analyse.
| Segment | Nachfrageverhalten | Managementansatz |
|---|---|---|
| X | Geringe oder keine Variation — hochgradig vorhersagbar | Schlanker Bestand; enge Nachschubzyklen |
| Y | Ungleichmäßige Nachfrage — aber zu einem gewissen Grad vorhersagbar | Moderater Sicherheitsbestand; regelmäßige Überprüfung |
| Z | Sehr hohe Variation — kein erkennbarer Trend oder kausale Faktoren | Hoher Sicherheitsbestand; häufige Überwachung; am schwierigsten zu managen |
Schnellreferenz — 4 Traditionelle Methoden
Abschnitt betitelt „Schnellreferenz — 4 Traditionelle Methoden“| Methode | Klassifikationskriterium | Segmente |
|---|---|---|
| ABC | Umsatzbeitrag | A (hoch) / B (mittel) / C (niedrig) |
| FSN | Bewegungsgeschwindigkeit / Verbrauchsrate | F (schnell) / S (langsam) / N (nicht-bewegend) |
| VED | Kritizität für den Betrieb | V (vital) / E (wesentlich) / D (erwünscht) |
| XYZ | Nachfragevoraussagbarkeit / -variabilität | X (stabil) / Y (variabel) / Z (unvorhersagbar) |
Fortgeschrittene Bestandssegmentierungsansätze
Abschnitt betitelt „Fortgeschrittene Bestandssegmentierungsansätze“1. Mathematische Programmierung
Abschnitt betitelt „1. Mathematische Programmierung“- Lineare Programmierung (LP) oder Nichtlineare Programmierung (NLP)
- Formuliert das Segmentierungsproblem als mathematisches Optimierungsmodell, das mehrere Kriterien gleichzeitig integriert
2. Metaheuristiken
Abschnitt betitelt „2. Metaheuristiken“Verwendet, wenn das Problem zu komplex für exakte mathematische Programmierung ist:
| Algorithmus | Typ |
|---|---|
| Genetischer Algorithmus (GA) | Evolutionäre Optimierung |
| Partikelschwarm-Optimierung (PSO) | Schwarm-Intelligenz |
| Simulated Annealing | Probabilistische lokale Suche |
3. KI / Machine Learning
Abschnitt betitelt „3. KI / Machine Learning“Stark datengetrieben — gut geeignet für die heutige datenreiche SC-Umgebung:
| Algorithmus | Typ |
|---|---|
| Künstliche Neuronale Netze (KNN) | Deep Learning |
| Support Vector Machines (SVM) | Überwachte Klassifikation |
| Rückpropagierungsnetze | Neuronales Netzwerktraining |
| K-Nächste-Nachbarn (KNN) | Instanzbasiertes Lernen |
| Regressionsmodelle | Prädiktive Modellierung |
4. Mehrkriterien-Entscheidungsfindung (MCDM)
Abschnitt betitelt „4. Mehrkriterien-Entscheidungsfindung (MCDM)“Integriert Expertenmeinung zur Gewichtung mehrerer Faktoren:
| Methode | Beschreibung |
|---|---|
| AHP — Analytischer Hierarchieprozess | Paarweiser Vergleich von Kriterien zur Ableitung von Prioritätsgewichten |
| Fuzzy AHP | AHP mit Fuzzy-Logik zur Handhabung von Unsicherheit im Expertenurteil |
| ANP — Analytischer Netzwerkprozess | Erweiterung des AHP, die Abhängigkeiten zwischen Kriterien zulässt |
5. Hybride Ansätze
Abschnitt betitelt „5. Hybride Ansätze“Kombinationen der obigen — z.B. AHP + ML, GA + LP — verwendet wenn keine einzelne Methode allein ausreicht.
AHP — Analytischer Hierarchieprozess
Abschnitt betitelt „AHP — Analytischer Hierarchieprozess“Kernidee
Abschnitt betitelt „Kernidee“AHP organisiert eine komplexe, multifaktorielle Entscheidung in eine hierarchische Struktur, führt paarweise Vergleiche aller Faktoren durch, um ihre relative Wichtigkeit zu bestimmen, und gibt quantitative, konsistente Prioritätsgewichte für jeden Faktor aus.
AHP-Hierarchiestruktur
Abschnitt betitelt „AHP-Hierarchiestruktur“
Saaty-Skala (1–9)
Abschnitt betitelt „Saaty-Skala (1–9)“AHP-Schritte
Abschnitt betitelt „AHP-Schritte“- Problem definieren — Ziel klar formulieren
- Hierarchisches Rahmen entwickeln — alle Kriterien auflisten und ihre Beziehungen abbilden
- Paarweise Vergleichsmatrix erstellen für jede Ebene mit der Saaty-Skala (1–9)
- Matrix normalisieren — Kriteriengewichte berechnen (der Prioritätsvektor)
- Konsistenzquotienten (CR) berechnen mit:
CR = CI / RIwobei CI = Konsistenzindex und RI = Zufallsindex (Standardtabellenwert basierend auf Matrixgröße) - CR prüfen: Wenn CR < 0,1 → konsistent, fortfahren. Wenn CR ≥ 0,1 → inkonsistent, zu Schritt 3 zurückgehen und paarweisen Vergleich wiederholen
Fallstudie — AHP-basierte Bestandssegmentierung: XYZ E-tailer
Abschnitt betitelt „Fallstudie — AHP-basierte Bestandssegmentierung: XYZ E-tailer“Fallaufbau
Abschnitt betitelt „Fallaufbau“| Parameter | Detail |
|---|---|
| Unternehmen | XYZ E-tail — ein E-Commerce-Händler |
| Einschränkung | Fester Lagerraum unter einem 3-Jahres-Vertrag |
| Listungsrichtlinie | Ein Produkt wird nur als ‘verfügbar’ gelistet, wenn es physisch im Lager vorhanden ist |
| Herausforderung | Management möchte das Produktportfolio erweitern, aber der Lagerraum ist begrenzt |
| Frühere Richtlinie | 95 % Serviceniveau einheitlich für alle SKUs |
| Neuer Plan | 25 SKUs in 3 Gruppen mit differenzierten Serviceniveaus klassifizieren |
| Tool | AHP — zur Klassifizierung von 25 SKUs in Klasse A / B / C |
Ziel-Serviceniveaus unter der neuen Klassifikation:
| Klasse | Serviceniveau |
|---|---|
| A | 95 % |
| B | 90 % |
| C | 85 % |
SKU-Daten — 25 SKUs über 6 Kriterien
Abschnitt betitelt „SKU-Daten — 25 SKUs über 6 Kriterien“
6 Bewertungskriterien
Abschnitt betitelt „6 Bewertungskriterien“
Die sechs verwendeten Kriterien mit ihrer Präferenzrichtung:
| # | Kriterium | Einheit | Richtung |
|---|---|---|---|
| 1 | Monatliche Nachfrage | Einheiten/Monat | Höher = Besser |
| 2 | Priorität der Produktkategorie | Wert 1–10 | Höher = Besser |
| 3 | Lieferantenuverlässigkeit | % perfekte Bestellungen | Höher = Besser |
| 4 | Gewinnmarge | % | Höher = Besser |
| 5 | Vorlaufzeit | Stunden | Niedriger = Besser |
| 6 | Rückgabewahrscheinlichkeit | % | Niedriger = Besser |
Schritt 1 — Paarweise Vergleichsmatrix
Abschnitt betitelt „Schritt 1 — Paarweise Vergleichsmatrix“
Beispiellesart: Monatliche Nachfrage vs. Priorität der Produktkategorie → Monatliche Nachfrage bewertet 3× wichtiger (Saaty-Skala = 3).
Schritt 2 — Normalisierte Matrix und Kriteriengewichte
Abschnitt betitelt „Schritt 2 — Normalisierte Matrix und Kriteriengewichte“
Schritt 3 — Konsistenzprüfung
Abschnitt betitelt „Schritt 3 — Konsistenzprüfung“Kriteriengewichte-Ergebnis
Abschnitt betitelt „Kriteriengewichte-Ergebnis“
Normalisierung der SKU-Daten
Abschnitt betitelt „Normalisierung der SKU-Daten“Problem: Alle sechs Kriterien haben verschiedene Einheiten — sie können nicht direkt verglichen oder multipliziert werden.
Lösung: Alle Kriterien auf eine 0–1-Skala normalisieren, bevor die Bewertung erfolgt.
Berechnung des SKU-Scores
Abschnitt betitelt „Berechnung des SKU-Scores“ABC-Klassifikation aus SKU-Scores
Abschnitt betitelt „ABC-Klassifikation aus SKU-Scores“- Sortieren alle 25 SKUs nach kombiniertem SKU-Score in absteigender Reihenfolge (höchster → wichtigster)
- Kumulativen Score berechnen und den kumulativen % des Gesamtscores für jede SKU
- Schwellenwerte anwenden um Klassen zuzuweisen:
- Klasse A → Top-SKUs bis ~60 % des kumulativen Scores → 7 von 25 Artikeln → 95 % Serviceniveau
- Klasse B → nächste ~25 % des kumulativen Scores → 8 von 25 Artikeln → 90 % Serviceniveau
- Klasse C → verbleibende ~15 % → 10 von 25 Artikeln → 85 % Serviceniveau
Endgültige Klassifikationsergebnisse
Abschnitt betitelt „Endgültige Klassifikationsergebnisse“
Modul-2-Zusammenfassung — Supply-Chain-Segmentierung (Alle 5 Sitzungen)
Abschnitt betitelt „Modul-2-Zusammenfassung — Supply-Chain-Segmentierung (Alle 5 Sitzungen)“| Sitzung | Behandeltes Thema |
|---|---|
| Sitzung 1 | SC-Herausforderungen — Begründung, warum Segmentierung notwendig ist |
| Sitzung 2 | 8 Gründe für Segmentierung + 7 Segmentierungstypen |
| Sitzung 3 | Funktionale vs. Innovative Produkte → Effiziente vs. Reaktionsfähige SC → Push / Pull / Hybrid → Push-Pull-Grenze |
| Sitzung 4 | Analytische Produktsegmentierung (VK-Quadrant) + Kraljic-Matrix |
| Sitzung 5 | Bestandssegmentierung — ABC / FSN / VED / XYZ + Fortgeschrittene Methoden + AHP-Mehrkriterien-Klassifikations-Fallstudie |