Sicherheitsbestand-Simulator

Was ist Monte-Carlo-Sicherheitsbestandssimulation?

Monte-Carlo-Simulation modelliert Unsicherheit in Sicherheitsbestandsberechnungen durch Tausende zufaelliger Bedarfs- und Lieferzeitszenarien. Im Gegensatz zur analytischen Formel kann die Simulation nicht-normale Verteilungen, korrelierte Variablen und komplexe Lieferkettendynamik beruecksichtigen.

Die Simulation erzeugt DDLT-Stichproben (Bedarf waehrend Lieferzeit) durch Ziehen von Tagesbedarf aus einer spezifizierten Verteilung ueber eine zufaellige Lieferzeit. Nach Tausenden von Iterationen zeigt die DDLT-Verteilung den benoetigten Sicherheitsbestand fuer jeden Ziel-Servicegrad.

Der Vergleich analytischer und simulierter Ergebnisse validiert Annahmen. Wenn die Simulation deutlich anderen Sicherheitsbestand ergibt, deutet dies auf Abweichungen von der Normalverteilung hin.

Formula: Für jede Iteration i = 1..N: DDLT_i = Σ(j=1..LT_i) D_j Sicherheitsbestand = Perzentil(DDLT, SL%) − Mittelwert(DDLT) Meldebestand = Perzentil(DDLT, SL%)

Berechnungsbeispiel

μ_d = 30/Tag, σ_d = 8, μ_LT = 5 Tage, σ_LT = 1,5, 95% SG, 10.000 Iterationen: Analytischer SB = 79. Simulierter SB = 83. 5% Differenz zeigt leichte Nicht-Normalitaet.

Wann Sie diesen Rechner verwenden sollten

• Ein Bestandsanalyst validiert analytische Sicherheitsbestandsformeln mittels Simulation für langsam oder intermittierend nachgefragte Artikel
• Ein Supply-Chain-Planer testet den Einfluss von Lieferzeitvariabilitätsreduzierung auf den erforderlichen Sicherheitsbestand
• Ein Data Scientist untersucht nicht-normale Nachfrageverteilungen, um festzustellen, ob die Standardformel über- oder unterschätzt
• Ein Logistikteam führt What-if-Szenarien durch, um Sicherheitsbestandseinsparungen durch verbesserte Lieferantenkonsistenz zu quantifizieren

Häufige Fehler, die vermieden werden sollten

• Zu wenige Iterationen für extreme Servicegrade — 1.000 Iterationen mögen ausreichen, aber Tail-Perzentile bei 99%+ benötigen mindestens 10.000; 50.000 für 99,5%+
• Annahme, dass Nachfrage immer normalverteilt ist — viele reale Artikel haben Poisson-, Gamma- oder intermittierende Nachfrage
• Unterschied zwischen Simulations- und analytischen Ergebnissen ignorieren — divergieren sie signifikant, ist die Verteilungsannahme falsch
• Simulation ohne Verständnis des zugrundeliegenden Modells verwenden — Simulation ist nur so gut wie ihre Eingabeverteilungen

Wie die Ergebnisse zu interpretieren sind

• Ist der simulierte Sicherheitsbestand höher als der analytische, hat die wahre Verteilung schwerere Ränder als die Normalannahme
• Ist der simulierte Sicherheitsbestand niedriger, ist die Formel konservativ und Sie halten möglicherweise zu viel Bestand
• Die DDLT-Histogramm-Form zeigt das wahre Nachfragemuster: Glockenform bestätigt Normalität, Rechtsschief deutet auf Poisson oder Gamma, bimodal auf gemischte Muster

Verwandte Standards & Referenzen

• Monte-Carlo-Simulation — zieht wiederholt Stichproben von Bedarf und Wiederbeschaffungszeit, um die empirische Verteilung des Bedarfs während der Wiederbeschaffungszeit (DDLT) aufzubauen, statt Normalverteilung anzunehmen
• Law, Simulation Modeling and Analysis — methodische Referenz für Replikationsanzahl und Konfidenzintervallanalyse stochastischer Bestandssimulationen
• APICS/ASCM-Sicherheitsbestands-Framework — liefert die analytische Basislinie (Normalformel), mit der die Simulation verglichen wird, um Verteilungsschiefe aufzudecken

Häufig gestellte Fragen

Wie viele Iterationen sind fuer genaue Ergebnisse noetig?

10.000 Iterationen liefern stabile Ergebnisse (±1-2%) fuer die meisten Szenarien. Fuer extreme Servicegrade (99,5%+) verwenden Sie 50.000-100.000.

Wann sollte ich Poisson statt Normalverteilung verwenden?

Poisson fuer langsam drehende Artikel (mittlerer Bedarf < 10/Tag). Normalverteilung fuer schnell drehende Artikel (> 20/Tag). Fuer intermittierenden Bedarf erwaegen Sie Croston-Methode.