3.2.3. Festlegung der Strukturen für die Absatzplanung

Zu Beginn wurden mit den Beteiligten die Erwartungshaltungen an einen Forecast abgestimmt. Aufbauend auf diese Auswertung wurden die Detailwünsche auf der horizontalen Achse mit der Zeitperiode und auf der vertikalen Achse mit dem Detaillierungsgrad aufgebracht. Nachdem alle Anforderungen identifiziert worden sind hatten wir ein erstes Bild, welche Wünsche die Abteilungen an einen Forecast stellen. Der Wunsch der Planungsabteilung war, einen Forecast auf SKU Ebene für einen Zeitraum von drei bis vier Monaten zu erhalten. Der Verkauf möchte die Details für das Produkt, das Segment und den Servicegrad bekommen. Die Finanzabteilung wollte Produkt- und Segmentinformationen erhalten. Nun mussten in Gruppendiskussionen die Vor- und Nachteile der einzelnen Granularität und Ebene des Forecasts diskutiert werden.

Ziel dabei war es, die Verifikationsebenen zu hinterfragen und die bestmögliche Variante auszuwählen. Die Abbildung 19 zeigt die verschiedenen Verifikationsebenen. Unter Endkunden Konzern ist der Kunde BMW gemeint. Der Kunde ist keinem Sub-Sub-Segment und Sub-Segment zugeteilt, allerdings dem Segment Automobil. Der Kunde BMW wird von den produzierenden Gesellschaften VAS, SSC und VAAN, mit dem Hauptprodukt feuerverzinkt (FVZ), dem Produkt feuerverzinkt Galvannealed (FVZ-ZF) beliefert. Die von der VAS gelieferten Coils werden an den Aggregaten der Tochterfirmen längsgeteilt (LGT). Im Gegensatz dazu wird unter Endkunden Konzern der Kunde Magna geführt. Dieser kann vom SSC Linz oder der VAAN beliefert werden. Er ist keinem Sub-Sub-Segment zugeteilt, jedoch sehr wohl im Gegensatz zu BMW, dem Sub-Segment Automobilzulieferer und dem Segment Automobil. Für den Kunden Magna werden das Hauptprodukt FVZ, und das Produkt FVZ-ZF an den Aggregaten der Tochterunternehmen LGT.

Abb. 19: Verifikationsebenen¹⁵⁷

Mit Hilfe eines Leitfadeninterviews wurden die Verifikationsebenen abgefragt und wertvolle Inputs für die Gruppendiskussion zur Verfügung gestellt. In den stattfindenden Gruppendiskussionen wurde für die voestalpine Steel Division die richtige Verifikationsebene definiert. Nachdem die Wünsche der beteiligten Abteilungen intensiv diskutiert wurden, bestand die Möglichkeit zwischen den von der Produktion und der Planungsabteilung gewünschten Forecasts auf Ebene SKU und der von Verkauf gewünschten Produktebene zu entscheiden. Die Argumente wurden diskutiert und schlussendlich die Entscheidung getroffen, dass wir auf der Ebene Produktgruppen den Forecast generieren. Die Genauigkeitswerte der Ebene Produktgruppen waren dabei nur geringfügig schlechter als die Ebene auf SKU. Die Festlegung der Produkt-Dimension auf Produktgruppen, weist eine hohe Parallelität auf, die in der Literatur erwähnt werden. (siehe Kapitel 2.2.4) Für den Verkauf hat es den Vorteil, dass der Forecast auf sechs Segmente, mit sechs Hauptprodukten und sechs Produkten monatlich zu erstellen ist. Der Aufwand zur Erstellung auf der Ebene Produktgruppen ist für den Verkauf somit gering. (siehe Abbildung 20)

Abb. 20: Empfehlung Verifikationsebenen¹⁵⁸

Da der Bedarf immer bei den Kunden entsteht, wurde mit dem Verkauf vereinbart, den Forecast für die fünf größten Kunden pro Segment, Hauptprodukt und Produkt zu erstellen. Die restlichen Kunden können in eine Gruppe zusammengefasst werden. Mit der definierten Ebene, ist es nun möglich die Kapazitäten auf Segmentebene mit dem Hauptprodukt und Produkt zu planen. Die Vorteile sind hier, dass man die Kapazitäten innerhalb der voestalpine Steel Division gut planen und die Produktion mit entsprechenden Personalressourcen ausstatten kann. Gleichzeitig soll die Rohstoffbeschaffung auf Basis der monatlichen Forecasts durchgeführt werden. Die Nachteile sind, dass alle Beteiligten einen zusätzlichen Aufwand haben, und erzielte Ergebnis zu Diskussionen führen können.

Auf Basis der Verifikationsebenen wurde eine Hierarchie von Daten definiert, die wir für die Prognose-Tests verwenden können. Bei der Bewertung der Datenlogik mussten wir feststellen, dass die Qualität über die letzten drei Jahre nicht zufriedenstellend war. Die Gründe waren beispielsweise, dass der Endkunden Konzern Audi sowohl unter den Firmen Audi KG, Audi Hungaria und Audi Ingolstadt im System vorhanden war. Es musste nun ein Prozess der Datenbereinigung gestartet werden, um die historischen Daten für die Periode der letzten 36 Monate zu verwenden. In mehreren Gruppendiskussionen (Zeitraum Dezember 2013 bis März 2014) wurde eine Vorgangsweise erarbeitet, die eine Zuordnung zu den nunmehr definierten Endkunden Konzern ermöglicht und die Daten für das Testsystem zur Verfügung stellt. Es wurde eine Zuordnungslogik gemeinsam mit allen Beteiligten definiert. Diese setzt sich aus dem Rechnungsempfänger und dem Warenempfänger zusammen, der den Endkunden Konzern ergibt. Auch für den Verkaufsbereich Automobil wurden unterschiedliche Regeln aufgestellt. In diesem Verkaufsbereich gibt es große Endkunden Konzerne, sodass zu beachten ist, dass jeder Endkunden Konzern mehrere Lieferstandorte haben kann. Beispiel dafür ist: Daimler AG als Endkunden Konzern für Daimler Sindelfingen, Daimler Bremen, Daimler Hamburg, Daimler Kecskemét sowie Daimler Resale. (Resale sind diverse Zulieferanten für Daimler) Nach intensiven Diskussionen mit dem Verkauf, Planung und der IT Abteilung konnte eine Datenbereinigung für 90 % der historischen Daten erreicht werden. Diese Datensätze wurden in ein Prognosemodul geladen, um die Qualität, die durch eine statistische Prognose auf verschiedenen Ebenen erreicht werden kann, zu überprüfen. Es stellte sich dabei heraus, dass die beste statistische Forecast Ebene, mit einer Forecast Genauigkeit von 78 % (MAPE), auf die Produktgruppen von Hauptprodukt und Produkt, sowie die Kunden nach Gesellschaft Segment und beliefernde Gesellschaft zu erzielen ist. (siehe Abbildung 21)

Abb. 21: MAPE-Ergebnisse der Forecast-Ebenen¹⁵⁹

¹⁵⁷ Quelle: Verfasser
¹⁵⁸ Quelle: Verfasser
¹⁵⁹ Quelle: Verfasser