Littlefield Lab

Wir begannen unsere Analyse mit der Suche nach Engpässen, die im aktuellen System bestanden. Es
wurde leicht erkannt, dass wichtige Probleme im Bestellprozess bestanden. Ohne Berechnungen
konnten Sie feststellen, dass der Nachbestellungspunkt zu niedrig war, da die historischen Diagramme
zwei oder mehr Tage lang Lagerbestände bei Null anzeigten. Die Anzahl der Aufträge in
Kundenaufträgen zeigte korrelierende Spitzen zur gleichen Zeit der Bestandsausfälle. Wir haben die
Auslastung und die Warteschlangen der anderen Stationen im System überprüft, zögerten jedoch,
sofortige Änderungen vorzunehmen, da wir uns nicht ganz sicher waren, welche Auswirkungen die
Korrektur der Bestandsrichtlinie haben würde.

Um die Bestandsrichtlinie zu korrigieren, wollen wir anhand der Berechnung EOQ= die optimale

Bestellmenge finden
√2 DS . Die Nachfrage wurde berechnet, indem die durchschnittliche Anzahl der
❑

H
Kundenbestellungen pro Tag in den ersten 50 Tagen ermittelt wurde. Wir kamen auf eine Zahl von fast
12,24 Bestellungen pro Tag, die wir für die gesamte Simulation mit 268 Tagen multiplizierten. Die
Einrichtungskosten beliefen sich für uns auf 1.000 USD pro Bestellung und die Haltekosten wurden
durch Multiplikation der Kosten pro Einheit mit dem Zinssatz generiert, der uns eine Rendite von 60
ergab. Basierend auf diesen Informationen betrug die EOQ nach Rundung 331 Einheiten. Aus der
Geschichte war dies die zweite Änderung, die wir an der Bestandsrichtlinie vorgenommen haben,
gegenüber 299. Dies war das Ergebnis einer Nachfragediskussion, bei der wir den Bedarf auf der
Grundlage von 218 Tagen für die Simulation anstelle der 268 Tage der tatsächlichen Simulation
berechnet hatten. Als Nächstes wollten wir den Nachbestellungspunkt beheben, um Bestandsengpässe
zu beseitigen, und entschieden, dass wir dies unter Beibehaltung eines Service-Levels von 95 % tun
möchten. Da R=Mean DDLT+z*std. dev. of DDLT, mussten wir Mean DDLT, z & std. deviation of demand
berechnen. Für das mittlere DDLT verwendeten wir die Vorlaufzeit von 12,24 * 4 Tagen, was uns einen
gerundeten Wert von 49 ergab. Excel wurde verwendet, um z=1,64 für das Service-Level von 95% zu
berechnen. Wir fanden die Standardabweichung von DDLT, indem wir die Quadratration der Vorlaufzeit
mit der Standardabweichung der Nachfrage multiplizierten, die uns einen gerundeten Wert von 61
ergab.

Nachdem wir die Probleme mit der Bestandsrichtlinie behoben hatten, beschlossen wir abzuwarten, wie
sich die Beseitigung dieses bestimmten Engpasses auf das System auswirken würde. Die Daten zur
Auslastung und Zeit für ein Muster, um es durch eine Station zu schaffen, waren aufgrund der häufigen
großen Anzahl von Kundenaufträgen, die nach dem Eintreffen des Inventars freigegeben wurden,
schwierig.

FRANK'S PARAGRAPH

An Station zwei haben wir beschlossen, die Bestellrichtlinien von FIFO nicht zu ändern. Bei der Erstellung
einer Fallanalyse zur Lektüre der Manzana-Versicherung haben wir an die erheblichen Probleme und
Engpässe erinnert, die durch die Priorisierung einer Art von Police gegenüber der anderen verursacht
wurden. Unser Hauptanliegen war es, die Gesamtdurchlaufzeit des Systems zu verkürzen, und die
Priorisierung von Station zwei oder vier gegenüber der anderen sollte die Zeit an dieser Station erhöhen,
was zu geringeren Wirkungsgraden führte. Während die Auslastung der Maschinen hoch wäre, wäre die
Zeit bis zur Bearbeitung der Einheiten letztendlich höher und die Auswirkungen würden sich in der
gesamten Vorlaufzeit zeigen.

Hinsichtlich der Auswahl der Verträge blieben wir zunächst bei Vertrag eins. Die Vorlaufzeiten waren zu
diesem Zeitpunkt noch viel zu hoch, um zu den anderen Verträgen zu wechseln, und wir würden
wahrscheinlich keine Einnahmen erzielen, da das derzeitige System keine Vorlaufzeit von weniger als
vier Tagen aufwies und die maximal zulässige Frist für Vertrag zwei drei Tage betrug. Als Verbesserungen
am System vorgenommen wurden, sank die Vorlaufzeit innerhalb kürzester Zeit drastisch. Als wir uns
einer Vorlaufzeit von fast einem Tag näherten, wechselten wir zu Vertrag zwei. Die Änderung wurde
nicht vorgenommen, da wir uns einer Vorlaufzeit von drei Tagen näherten, da die Strafen über den
Zeitraum von ein bis zwei Tagen so extrem waren, dass unsere Einnahmen weit unter unserer Leistung
unter Vertrag drei gelegen hätten. Dieselbe Logik wurde beim Übergang von Vertrag zwei zu Vertrag drei
angewendet, der aufgrund der extremen Verbesserungen, die unsere Maschinenänderung am System
vorgenommen hatte, nur sieben Tage auseinander lag.

Da das Labor an Tag 268 geschlossen wird, wollten wir unsere letzte Bestellung ändern, um so wenig
Inventar wie möglich zu hinterlassen und dennoch die Nachfrage zu befriedigen. Wir haben die
durchschnittliche Ankunftsrate über die gesamte Simulation auf ca. 11,8 Bestellungen pro Tag
umgerechnet, die wir für einen kleinen Puffer auf 12 aufgerundet haben. Basierend auf diesem täglichen
Verbrauch fanden wir heraus, an welchem Tag der nächste Nachbestellpunkt sein würde, nämlich an
Tag 222. Wir wollten die Nachfrage für die letzten 46 Tage ermitteln. Durchschnittlich kamen 12
Bestellungen pro Tag auf eine Zahl von 552 Einheiten, die benötigt wurden, um die Nachfrage in den
letzten 46 Tagen zu decken. Da wir zum Zeitpunkt der Bestellung bereits 61 Einheiten hatten,
subtrahierten wir diese Zahl von der 552 und kamen auf einen endgültigen Bestellwert von 491. Dieser
Wert sollte es uns ermöglichen, am Ende der Simulation einen niedrigen Lagerbestand zu haben. Um
dies zu erreichen, mussten wir den Nachbestellpunkt auf Null ändern. Diese Strategien hängen stark
davon ab, dass das Labor nach Tag 268 nicht existiert. Wenn dies nicht der Fall wäre, würden wir diesen
Plan nicht empfehlen.

Wie treffen wir unsere optimalen Entscheidungen und wie sieht die Betriebsstatistik nach der
Optimierung aus?

1
) Grobe Annäherung der Maschinenservicerate μ anhand der Statistiken der ersten 5 Tage:
Station 1 2 3
Ankunftsrate = Th = λ (Jobs pro Tag) 12.24 12.24 12.24
Maschinen 3 1 1
Auslastung der Station 90% 94% 70%
 Maschinen-Service-Rate μ = λ/(m*Auslastung)
(Aufträge pro Tag) 4.533 13.021 17.486

2 Ungefähre Durchlaufzeitverbesserungen im optimierten Plan (über niedrigste M-Erhöhung für maximale

) Lq-Verbesserung)
Ursprünglicher Plan Optimierter Plan
Station 1 2 3 1 2 3
Ankunftsrate = Th = λ (Jobs pro Tag) 12.24 12.24 12.24 12.24 12.24 12.24
Maschinenservicerate μ (Aufträge pro Tag), ab
Schritt 1 4.533 13.021 17.486 4.533 13.021 17.486
Maschinen 3 1 1 5 2 2
Lq (gemäß Cheat-Cheat-Tabelle) 7.354 18.050 1.630 0.198 0.277 0.098
λ/μ 2.700 0.940 0.700 2.700 0.940 0.700
Wartezeit = Wq = Lq/λ (Tage) 0.601 1.475 0.133 0.016 0.023 0.008
Servicezeit = 1/μ (Tage pro Auftrag) 0.221 0.077 0.057 0.221 0.077 0.057
Ws = Wq + 1/μ (Tage) 0.821 1.551 0.190 0.237 0.099 0.065
Vorlaufzeit = Gesamt-Ws = Ws1 +2* Ws2+Ws3
(Tage) 4.115 0.501

3 Verifizierung der Vorlaufzeit für unsere optimalen Konfigurationen zur Vertragserfüllung nach der
) Änderung 3
Station 1 2 3
Ankunftsrate = Th = λ (Jobs pro Tag) 12.24 12.24 12.24
Maschinen 5 2 2
Auslastung der Station 50% 45% 45%
Maschinen-Service-Rate μ = λ/(m*Auslastung)
(Aufträge pro Tag) 4.896 13.600 13.600
λ/μ 2.500 0.900 0.900
Lq (gemäß Cheat-Cheat-Tabelle) 0.130 0.229 0.229
Wartezeit = Wq = Lq/λ (Tage) 0.011 0.019 0.019
Servicezeit = 1/μ (Tage pro Auftrag) 0.204 0.074 0.074
Ws = Wq + 1/μ (Tage) 0.215 0.092 0.092
Vorlaufzeit = Gesamt-Ws = Ws1 +2* Ws2+Ws3
(Tage) 0.492