Transport deadlines and common demand batches in regional generator spare stock allocation

Wenn ein massiver Generator an einem abgelegenen Ort ausfällt, entscheidet oft ein einziges Ersatzteil, das in einem Lager liegt, über den Unterschied zwischen wenigen Stunden Ausfallzeit und einem katastrophalen Stillstand. Die Herausforderung für Ingenieure besteht darin, zu entscheiden, wo sie diese Teile aufbewahren sollen. Soll ein Unternehmen ein riesiges, zentrales Lager mit einem enormen Vorrat vorhalten, in der Hoffnung, im Falle eines Unglücks ein Teil an jeden Ort liefern zu können? Oder sollte es kleinere Bestände in verschiedenen Regionen verteilen und die Teile näher an den Maschinen halten, die sie benötigen? Diese Frage steht im Zentrum des Bestandsmanagements, einem Bereich, der versucht, die Kosten für das Vorhalten zusätzlicher Artikel gegen das Risiko abzuwägen, leer auszugehen, wenn sie am dringendsten benötigt werden. Eine wesentliche Komplikation besteht darin, dass Maschinen nicht immer einzeln ausfallen. Manchmal kann ein einzelnes Ereignis – ein Sturm, eine Überspannung oder eine koordinierte Wartungsprüfung – dazu führen, dass mehrere Generatoren exakt zum gleichen Zeitpunkt ausfallen, was eine plötzliche, gleichzeitige Nachfrage nach Teilen an verschiedenen Orten erzeugt. Zu verstehen, wie diese „Batch“-Nachfragen mit der Zeit interagieren, die für den Transport eines Teils benötigt wird, ist entscheidend, um das Licht an der Wand zu halten.

Eine aktuelle Studie von Mahmoud Abdelfattah Abbas Mahmoud befasst sich mit diesem Problem, indem sie ein präzises mathematisches Modell erstellt, um diese beiden Strategien zu vergleichen: einen zentralen Pool gegenüber drei separaten regionalen Beständen. Der Forscher verwendete keine realen Daten eines spezifischen Unternehmens, sondern konstruierte stattdessen ein hypothetisches Szenario mit drei unterschiedlichen Regionen, die jeweils ihre eigene Rate an zufälligen Einzelausfällen aufweisen. Entscheidend war, dass das Modell auch einen separaten Strom von „gemeinsamen Ereignissen“ beinhaltete, bei denen ein einzelner Vorfall eine Anforderung für ein Teil in jeder Region gleichzeitig auslösen würde. Die Studie ging davon aus, dass immer dann, wenn ein Teil benötigt wird, sofort eine Bestellung beim Lieferanten aufgegeben wird und dass dieses neue Teil genau sieben Tage später ankommt, ungeachtet dessen. Das Ziel war es zu sehen, wie gut jedes System eine strikte Frist für die Lieferung des Teils an den Einsatzort einhalten kann, die von acht Stunden bis zu achtundvierzig Stunden reicht.

Die Studie ergab, dass die Antwort vollständig davon abhängt, wie viel Zeit für die Lieferung zur Verfügung steht. Wenn die Frist eng gesetzt ist, wie etwa acht Stunden, gewinnt die regionale Strategie deutlich. In dem spezifisch getesteten Szenario mit insgesamt neun Ersatzteilen konnte die regionale Einrichtung etwa 91 Prozent der Anfragen innerhalb der Frist erfüllen. Das zentrale Lager hingegen bewältigte nur etwa 21 Prozent. Dies lag nicht daran, dass das zentrale Lager nicht genügend Teile hatte, sondern weil die Zeit, die für den Versand eines Teils vom Zentrum zu den am weitesten entfernten Regionen benötigt wurde, schlicht die Acht-Stunden-Grenze überschritt. Selbst wenn das zentrale Lager über einen unendlichen Vorrat verfügt hätte, hätte es die physische Reisezeit zu den am weitesten entfernten Standorten nicht überwinden können. Als die Frist auf vierundzwanzig Stunden verlängert wurde, verbesserte sich die Leistung des zentralen Lagers erheblich und erreichte etwa 51 Prozent. Als die Frist schließlich auf achtundvierzig Stunden anwuchs, wurde das zentrale Lager zur überlegenen Option und erfüllte fast 98 Prozent der Anfragen, während die regionalen Bestände auf ihrem vorherigen Niveau blieben.

Die Forschung deckte auch einen subtilen, aber wichtigen Fehler auf, den einige Unternehmen bei der Schätzung ihres Bedarfs begehen könnten. Ein gängiger Ansatz in der Bestandsplanung besteht darin, alle Nachfragen so zu behandeln, als wären sie unabhängige, zufällige Ereignisse, wobei ignoriert wird, dass sie manchmal in Gruppen auftreten. Die Studie zeigte, dass man, wenn man diese vereinfachte „Durchschnittsmethode“ zur Planung für ein hohes Servierziel verwendet, den tatsächlichen Bedarf an Teilen unterschätzt. In einem Beispiel, bei dem das Ziel darin bestand, ein Teil zu 98 Prozent der Zeit bereit zu haben, legte die vereinfachte Methode nahe, dass sechzehn Teile ausreichen würden. Die exakte Berechnung, die die gleichzeitigen Drei-Teile-Nachfragen berücksichtigte, zeigte jedoch, dass tatsächlich achtzehn Teile erforderlich waren. Sich auf die einfachere Mathematik zu verlassen, hätte das System um zwei Einheiten zu kurz kommen lassen und es dadurch in die Lage versetzt, sein Ziel zu verfehlen.

Die Studie ging noch einen Schritt weiter und untersuchte, was passiert, wenn ein Teil nicht sofort verfügbar ist. In der realen Welt wartet eine Anfrage in einer Schlange, bis eine neue Lieferung eintrifft, falls ein Teil nicht vorrätig ist. Der Forscher berechnete die Gesamtzeit vom Moment des Maschinenausfalls bis zum Moment der Lieferung des Teils, einschließlich dieser Wartezeit. Als diese Wartezeit einbezogen wurde, verbesserte sich die Leistung beider Systeme, wobei das zentrale Lager den größten Gewinn erzielte. Bei einer achtundvierzig-Stunden-Frist sprang die Erfolgsquote des zentralen Systems von etwa 98 Prozent auf über 99 Prozent, während das regionale System auf etwa 95 Prozent anstieg. Dies deutet darauf hin, dass regionale Bestände zwar schneller für unmittelbare Bedürfnisse sind, ein zentrales Lager jedoch überraschend effektiv darin ist, den Rückstand aufzuholen und Teile rechtzeitig zu liefern, selbst wenn sie zuerst auf eine neue Lieferung warten müssen.

Letztendlich bietet die Arbeit einen klaren, exakten Vergleich dieser beiden Architekturen und zeigt auf, dass keine universell besser ist. Die Wahl hängt von den spezifischen Rahmenbedingungen des Betriebs ab: wie weit die Teile transportiert werden müssen, wie lange die Lieferkette für die Wiederauffüllung benötigt und wie häufig Ausfälle in Gruppen auftreten. Die Studie betont, dass die Mathematik zwar die Wahrscheinlichkeit vorhersagen kann, dass ein Teil rechtzeitig ankommt, dies jedoch nicht garantiert, dass die Maschine repariert wird, da dies von vielen anderen Faktoren wie Diagnose und Installation abhängt. Indem sie jedoch die Logistik des Teiltransports von der Mechanik der Maschinenreparatur trennt, bietet diese Arbeit ein präzises Werkzeug für Manager, um zu entscheiden, wo sie ihren Bestand platzieren. Sie verdeutlicht, dass die praktische Anwendung kalibrierte Daten zu Bedarf, Auffüllung und Transport erfordert, und dass die Ergebnisse aufzeigen, welche Arten von Daten notwendig sind, um zu entscheiden, ob ein zentrales Lager, ein regionaler Bestand oder eine gemischte Architektur eine detailliertere Analyse verdient.