Agilent Technologies – Bedarfsplanung auf Unternehmensebene
Durch die Implementierung von GIB Forecast konnte die Pathologieabteilung von Agilent Prozesse, die auf E-Mails und Kalkulationstabellen basieren, durch eine automatisierte, zukunftssichere Lösung ersetzen.
Agilent Technologies produziert Analysegeräte, Software und Verbrauchsmaterialien, die u. a. in biowissenschaftlichen Laboren zum Einsatz kommen. In den vergangenen Jahren ist das Unternehmen in neuen und bereits vorhandenen Regionen stark gewachsen. Neben dem organischen Wachstum hat Agilent eine Reihe von Unternehmen übernommen, um sein analytisches Portfolio zu erweitern.
Dieses Wachstum hat insbesondere in der Pathologieabteilung von Agilent zu einer raschen Umsatzsteigerung geführt. Es zeigte sich aber auch, dass die Praktiken der Bedarfsplanung der Abteilung nicht mehr angemessen sind, denn sie erfolgten weitgehend manuell und basierten auf Desktop-Produktivitätssoftware statt auf einer echten Unternehmenslösung.
Um die wachsende Nachfrage besser unterstützen zu können, entschied sich der Geschäftsbereich für eine Lösung mit größerer Skalierbarkeit und flexiblerer statistischer Modellierung. Agilent versuchte, durch eine effizientere und ausgefeiltere Bedarfsplanung und Prognose die Bestände, die Lieferbereitschaft und die Kapazitätsplanung zu optimieren.
Die Anforderungen einer intelligenteren
Lieferkette erschließen
Die auf Kalkulationstabellen basierende Methode der Abteilung umfasste viele manuelle Schritte mit nur geringem Mehrwert, die aber erhebliche Ressourcen verbrauchten und die betriebliche Effizienz beeinträchtigten.
Die Analysten führten Abfragen in SAP ERP Central Component (ECC) durch und luden Daten in Datenbanken von Microsoft Access herunter, die sie dann neu formatierten und in Kalkulationstabellen übertrugen, um sie mit Formeln und Makros zu analysieren. Je größer die Abfragen wurden, desto langsamer konnten die Daten heruntergeladen werden und die Access-Datenbanken stürzten immer häufiger ab. Die Analyse selbst beschränkte sich auf relativ einfache Operationen wie die Berechnung numerischer Durchschnittswerte. Ausgefeiltere algorithmische Methoden und Faktoren wie Saisonabhängigkeit und Trends ließen sich praktisch nicht in eine Kalkulationstabelle einbauen.
Die Unterscheidung zwischen einmaligen Ereignissen und langfristigen Trends wurde als eine der wichtigsten Prognosefähigkeiten identifiziert, die verbessert werden muss. Die COVID-19-Pandemie etwa hat den Weltmarkt im Handumdrehen in noch nie dagewesener Weise umgestaltet und die langfristigen Auswirkungen sind ungewiss. Wie viele andere weltweite Unternehmen erlebte auch Agilent gegen Ende des ersten Quartals 2020 im Zuge der Reaktion der Volkswirtschaften einen dramatischen Umsatzrückgang.
Dieses außergewöhnliche Ereignis war eher eine Ausnahmeerscheinung und kein Anzeichen für eine langfristige Veränderung der Nachfrage. Die Abteilung musste sicherstellen, dass ihre Prognosemodelle diese dramatischen Ereignisse nicht falsch gewichteten, etwa als saisonale Veränderung oder dauerhaften Wendepunkt. Fasco glaubt, dass das alte Prognosemodell zu kurz gegriffen hätte: „Wir hätten diese Ausreißer erkannt, aber nur im Zuge eines sehr langsamen, manuellen Prozesses. Die Rückgänge im März und April wären erkannt worden und man hätte sagen können: ‘Ich werde so planen, dass ihr im März und April 2021 weniger verkauft.’ Aber das ist nicht korrekt. Es könnte ein pandemiebedingter Rückgang gewesen sein.”
Das Unternehmen wollte seine Produktions- und Vertriebsabläufe durch die Verbesserung der statistischen Methoden zur Erstellung von Prognosen optimieren, um möglichst proaktiv und effizient zu sein. Im Mittelpunkt dieser Anforderungen stehen eine bessere Vorhersehbarkeit der in die Bedarfsplanung einfließenden statistischen Berechnungen und eine bessere Kontrolle darüber.
Solche Fehler können mithilfe der mathematischen Ansätze und Korrekturen der Datenwissenschaft vermieden werden, aber Kalkulationstabellen sind für eine derart tiefgreifende Analyse einfach nicht geschaffen. Fasco weist darauf hin, dass eine wichtige Funktion des Bedarfsplaners darin besteht, die Genauigkeit und den Nutzen der Prognosen durch seine detaillierten Kenntnisse der Produkte und Märkte zu verbessern. Diesbezüglich „gibt es eine ganze Reihe von Dingen, die man tun kann, um die Vorhersage wirklich genau abzustimmen”, sagt er.
Analysten können Einfluss darauf nehmen, welche Vergangenheitsdaten verwendet werden, Anpassungen vornehmen, um auf aktuelle Marktbedingungen zu reagieren, oder eine breite Palette anderer Faktoren kontrollieren. Dadurch werden die Berechnungen durchaus komplexer, aber effiziente Standardmethoden zur Beeinflussung der statistischen Modelle sind immer noch eine wichtige Ressource im Werkzeugkasten eines Analysten. Für das Team von Agilent ist die Möglichkeit einer umfassenden Nutzung solcher statistischen Methoden entscheidend für den Erfolg seiner Prognoselösung.
Zusammenführung des
Geschäfts- und Technologieszenarios
Das Unternehmen nutzt eine einzige globale SAP ECC-Instanz an rund 25 Produktionsstandorten und in 15 Vertriebszentren sowie an weithin dezentralisierten Lagerstandorten und Servicedepots. Das SAP-Lieferkettenprofil von Agilent umfasst auch die Beschaffungssoftware SAP Ariba, SAP Manufacturing Execution, SAP Advanced Planner and Optimizer und weitere Betriebslösungen für das Beschaffungswesen und die Bedarfs- und Produktionsplanung.
Für die Umsetzung und Pflege einer bestmöglichen Bedarfsplanung zur Unterstützung der auf Übernahmen basierenden Wachstumsstrategie des Unternehmens und ihre Folgen für die Pathologiesparte benötigte Agilent das, was Fasco so beschreibt: „Ein professionelles Tool zur fakten- und analysebasierten Aktualisierung von Prognosen.”
Agilent hatte bereits mehrere GIB-Module in seine SAP-Umgebung integriert, um die Lieferketteninformationen und deren Kontrolle weiter zu verbessern. Das GIB Operations spielt vor allem in der Materialbedarfsplanung (MRP) eine wichtige Rolle und gewährleistet einen reibungslosen Ablauf des Tagesgeschäfts. „Das GIB Operations verwenden wir für MRP-Ausnahmen und die operative Beschaffung. Im Wesentlichen handelt es sich um ein Cockpit, mit dem Disponenten das Angebot und die Nachfrage in mehreren Logistikzentren und Produktionsstätten überwachen können. An einem Standort nutzt das Unternehmen zurzeit GIB Inventory Optimization, um das tägliche Angebot und den täglichen Lagerbestand zu prüfen. Der GIB-Alarmmonitor verbindet alle GIB-Komponenten miteinander. Der Disponent erhält so bessere einen umfassenden Überblick und geordnete Informationen über mögliche Verzögerungen und Fehlmengen.”
Durch die bereits getätigten GIB-Investitionen von Agilent hatte die Pathologiesparte ein überzeugendes Technologie- und Geschäftsszenario und konnte bei der Bedarfsplanung für die Einführung von GIB Forecast plädieren. Das Team von Agilent erkannte, dass die einfache Integration einen überzeugenden Vorteil bietet, da keine spezielle Hardware oder ungewohnten Programmierschnittstellen (API) erforderlich sind. Zudem wird GIB Forecast direkt in SAP ECC geladen, man muss keine separate Schnittstelle einführen. Aus Sicht der Nutzer des Unternehmens ist GIB also einfach Teil der vertrauten SAP-Umgebung, mit der sie bereits täglich arbeiten.
Rationalisierung und Vertiefung
des Bedarfsplanungsprozesses
Nach einer etwa sechsmonatigen Implementierung nahm die Pathologiesparte von Agilent GIB Forecasting in Betrieb. Schon früh war zu erkennen, dass die Nutzer der Unternehmenssparte nicht mehr manuell Daten aus umfangreichen Kalkulationstabellen aufbereiten und miteinander abgleichen mussten – ein ressourcenintensiver Prozess, der sich nur schlecht skalieren lässt.
Da die Teammitglieder von diesen monotonen Tätigkeiten entlastet werden, können sie sich stärker auf nützlichere Arbeit konzentrieren. Bevor Menschen tätig werden, laden automatisierte Prozesse die Daten und erstellen dann Prognosemodelle und Ausreißeranalysen. Fasco sagt: „Ihre Arbeit beginnt gleich damit, Aufgaben mit Mehrwert zu erledigen und die Daten richtig einzuordnen.”
Da die Datenaufbereitung und die vorläufige Analyse bereits erledigt sind, können sich die Teammitglieder darauf konzentrieren, das Modell zu verfeinern, um bestmögliche Ergebnisse zu erzielen. Unternehmensanalysten können die Prognoseverfahren anpassen oder Parameter beeinflussen, um das Modellverhalten zu steuern. Statt auf die Datenaufbereitung können sich die Mitarbeiter der Pathologiesparte so stärker auf die Datenmodellierung konzentrieren, wodurch das Unternehmen insgesamt stärker profitiert.
Die Prognoseimplementierung der Sparte ermöglicht auch eine Modalität, bei der sich Superuser des Unternehmens selbst bedienen können. Diese Nutzer können die Konfiguration direkt im Produktionssystem ändern und so die Prognoseverfahren modifizieren, ohne die IT-Abteilung hinzuzuziehen. Dieser Ansatz stärkt die Geschäftsbereiche, aber er sorgt auch dafür, dass Änderungen schneller umgesetzt werden. Je nach den Umständen kann die Sparte unter der Leitung derjenigen, welche die Daten am besten kennen, schnell ihre Bedarfsplanung anpassen.
Die GIB-Implementierung hat dafür gesorgt, dass die Nutzer des Unternehmens den Prozess besser kontrollieren können und die Pathologiesparte von Agilent einen bedeutenden Vorteil hat, da sie einen umfassenden und lückenlosen Überblick über den Prognoselebenszyklus erhält. Alle Personen mit einer entsprechenden Berechtigung können eine Prognose prüfen und sehen, welches Modell und welche Daten für die Erstellung verwendet wurden. Zudem können sie Daten zu relevanten Ereignissen wie Messen oder Werbeaktionen hinzufügen. Fasco zufolge ist es so jetzt etwa „völlig transparent, was der Bedarfsplaner mit den Daten macht und was der eigentliche Planer – zum Beispiel ein Produktionsplaner – tut, um diesen Plan auszuführen”.
Agilent bezeichnet diese Integration als „natürliche Umsetzung” von der Planung bis zur Ausführung. In der Praxis hat sich der Ansatz vor allem bei der Pflege und Anpassung der monatlichen Prognosen der Sparte bewährt. Mit dem GIB-Alarmmonitor können Nutzer des Unternehmens benutzerdefinierte Warnungen erstellen, die sie darüber informieren, wenn sich tatsächliche Ergebnisse außerhalb der festgelegten Bereiche der Prognose bewegen. Agilent nutzt diese Warnungen, um Prognosen dynamisch anzupassen und die Produktion genau und kosteneffizient abzustimmen.
Fazit
In der Pathologiesparte haben genauere Prognosen und transparentere Prozesse dafür gesorgt, dass Geschäftsbereiche zusammenarbeiten, sich abstimmen und gemeinsam in die Zukunft blicken. Die modernisierte Bedarfsplanung hat Prozesse verbessert und Nutzern mehr Möglichkeiten verschafft. Analysten können Prognosen einfach durch reale Daten verbessern und Nutzer mit verschiedenen Funktionen können Eingangsgrößen aus allen Geschäftsbereichen berücksichtigen.
So erhält man durch effizientere Prognosen eine bessere Gesamtsicht auf das Unternehmen und kann differenzierter und präziser in die Zukunft blicken.
