Arbeitskräfteeffizienz maximieren, um Kundennachfrage zu erfüllen

Kürzlich veröffentlichte SupplyChainBrain einen Blog: „Gibt es eine Lösung für den Arbeitskräftemangel in der Lieferkette?“ Der Artikel beleuchtet, warum die Belegschaft dieses Jahr schrumpft. Theoretisch erwarteten viele Arbeitgeber, dass Menschen wieder nach Jobs suchen, sobald die bundesweiten Arbeitslosenhilfen im September ausliefen. Das geschah nicht.

Weitere Gründe für den Arbeitskräftemangel: Pandemie-Folgen lassen Menschen die Rückkehr an den Arbeitsplatz fürchten. Da Arbeiter zu Hause blieben – freiwillig oder zwangsweise –, kauften sie vermehrt online, was Transport und Lager massiv belastete.

Der Bestellanstieg schafft Bedarf an mehr Personal. Carrier finden kaum Lkw-Fahrer. Lagerbetreiber erhöhen Stundenlöhne, bieten Zusatzleistungen, modernisieren Pausenräume – doch der Arbeitsmarkt bietet nicht genug Bewerber.

Manche Unternehmen setzen auf Automatisierung in Lager und Distribution, um Fulfillment zu beschleunigen und Personalbedarf zu senken. Softwareanbieter versprechen Effizienzsteigerungen durch: Warehouse Management Systems (WMS), Yard Management Systems, Data Replicas, Digital Twins, Augmented Reality, KI, Robotic Automation, Blockchain.

Viele Organisationen investieren bereits in solche Anwendungen, um Operations effizienter zu machen und den Kundenservice zu verbessern. Doch jede Technologie bringt eigene Komplexitäten mit sich.

WMS als Fundament

Ein WMS liefert die Basis für nahezu jedes andere innovative System und generiert kritische Daten im gesamten Lager. Viele Unternehmen setzen auf die neue Technologie der „Data Replica“: eine leicht zugängliche Datenbank, die Echtzeit-WMS-Daten für Abfragen, Visualisierungen und Alerts zusammenzieht.

Daten müssen zum Verständnis des zukünftigen Zustands des Distributionszentrums beitragen. Oft „What-if-Planung“ genannt, nutzt dies Digital-Twin-Technologie. Ein Digital Twin ist ein mathematisches Modell des Lagers, das alle zukunftsgerichteten Aktivitäten analysiert, um wahrscheinliche Entwicklungen vorherzusagen. Ein exzellenter Digital Twin berücksichtigt Personal, Sendungen, Bestandsverfügbarkeit, Aufgaben, Flächen und weitere Ressourcen.

KI-basierte Constraint-Optimierung kann verschiedene Aktivitätssysteme optimieren. Gepaart mit einem Digital Twin verschreibt diese Technologie eine Ereignissequenz, erstellt einen machbaren Zeitplan und minimiert Touches und Personalaufwand.

Automatisierung als Endstufe

Der letzte Schritt im Technologie-Fahrplan: viele menschliche Prozesse im Lager automatisieren. Die Herausforderung bei Robotik: teure Geräte, langwierige, schwierige Rollouts.

Viele Organisationen werfen Automatisierung in ihre Lieferketten, ohne die umliegenden Lager-Mikro-Flows zu beachten. Ein Konsumgüterversender nutzt vielleicht einen automatisierten Gabelstapler, um eine Palette fürs Staging zu holen – doch diese liegt dann 12 Stunden im Staging-Bereich, bevor sie verladen wird. Die Palette blockiert wertvolle Staging-Fläche und kostet die Chance, einen anderen Auftrag pünktlich und vollständig auszuliefern.

Bestandsarbeit optimieren ohne Kundenverluste

Lager stehen vor der Aufgabe, vorhandenes Personal optimal einzusetzen, ohne die Kundenbelieferung zu gefährden. Was passiert, wenn jemand nicht zur Arbeit erscheint? Wenn der Plan nicht aufgeht? Oder wenn Stellen unbesetzt bleiben und unklar ist, wie die vorhandene Kapazität optimal genutzt wird?

Ein neuer Ansatz: der „WMS Accelerator“. Er passt Aktivitäten alle paar Minuten an das an, was im Lager tatsächlich passiert. Diese Systeme ziehen Daten aus WMS, Yard Management, Order Management, Visibility- und Produktionssystemen zusammen – ein einheitlicher Operations-Blick. Mit Digital-Twin-Technologie wird die Zukunft auf Basis bekannter Constraints (Personal, Bestand, Aufgabenzeiten) simuliert.

Beispiel: In einem einzelnen Procter & Gamble Distributionszentrum reduzierte ein WMS Accelerator die tägliche Planungszeit um 97 % – von 8 Stunden auf 15 Minuten. Andere Nutzer machen ungeplante temporäre Personalkürzungen permanent, ohne Produktivitätsverlust. Ein Mitarbeiter weniger pro Schicht spart über 100.000 $ jährlich. Bei großen Standorten summiert sich das schnell.

Keith Moore ist Chief Product Officer bei AutoScheduler.AI.