Selbststeuernde Inbound Supply Chain

Die aktuelle Lieferüberwachung steht vor Herausforderungen, die in der Regel zu einer reaktiven Engpasssteuerung führen. Diese Herausforderungen umfassen:

1. Manuelle Reichweitenermittlung: Die manuelle Berechnung der Reichweiten für Transportmittel und Standorte führt zu Zeitverzögerungen und potenziellen Fehlern, wodurch Engpässe erst spät erkannt werden.

2. Manuelle Einstellung der Systemparameter: Die manuelle Anpassung der Systemparameter zur Steuerung der Lieferkette erfordert komplexe Fachkenntnisse. Aufgrund des Fachkräftemangels können diese Einstellungen nicht immer optimal vorgenommen werden, was zu suboptimalen Ergebnissen führt.

3. Unzureichende Berücksichtigung von Organisations- und Netzwerkrisiken: Potenzielle Risiken entlang der Lieferkette werden nicht ausreichend erkannt und bewertet, was zu unvorhergesehenen Engpässen führen kann.

4. Fehlendes direktes Zusammenspiel von Systemparametern und Materialabrufen: Eine ineffiziente Verbindung zwischen den Systemparametern und den Materialabrufen erschwert eine optimale Ressourcennutzung und führt zu Engpässen oder unrentablen Lagerbeständen.

5. Fachkräftemangel: Der Mangel an Fachkräften für die komplexe manuelle Einstellung der Systemparameter und die Lieferüberwachung erschwert eine effektive Engpasssteuerung.

Zusammenfassend bedingen diese Faktoren, dass die Lieferüberwachung in der aktuellen Praxis oft reaktiv ausgerichtet ist und Engpässe erst erkannt und behandelt werden, wenn sie bereits aufgetreten sind.

Das Projekt zielt darauf ab, folgende Ziele zu erreichen:

1. Echtzeittransparenz durch digitale Echtzeit-Materialfluss- und Transportdaten.
2. Automatisierte Entscheidungsunterstützung durch ein zentrales Logistiksystem.
3. Entwicklung eines selbstlernenden Systems, das durch Erfahrungen und Daten kontinuierlich optimiert wird.

Durch diese Maßnahmen soll die Lieferüberwachung und -steuerung verbessert werden, der manuelle Aufwand reduziert und robuste Lieferketten geschaffen werden.

Das Forschungsprojekt wird im Rahmen der Kooperation der MAN Truck & Bus SE und der Technischen Universität München (MAN.TUM) durchgeführt.