Methoden zur Bewertung von Flexibilität in der Produktion

Unternehmen sehen sich am Weltmarkt mit einer stetig steigenden Anzahl von Produkten und Varianten, einer verstärkten Individualisierung der Kundenwünsche und immer kürzeren Produktlebenszyklen konfrontiert. Dieses so genannte turbulente Umfeld ist vor allem durch seine hohe Komplexität und Dynamik [1] gekennzeichnet. Zudem fordern hohe Unsicherheiten am Markt und ein stetig wachsender Kostendruck eine höhere Reaktionsfähigkeit der Unternehmen.

Bild 1: Gleichgewicht zwischen Unsicherheit und Flexibilität mit Puffern.

Aus dieser von starkem Wettbewerb geprägten Situation heraus resultiert die Forderung nach einer korrekten Bewertung von Flexibilität in der Produktion während eines Produktlebenszyklus. Flexibilität kann zunächst als die Fähigkeit eines Produktionssystems definiert werden, sich veränderten internen oder externen Rahmenbedingungen anzupassen. Folglich ist Flexibilität der Schlüssel zu einer profitablen Produktion in einem turbulenten Umfeld. Die meisten Unternehmen haben daher eindeutig einen Bedarf für flexible Produktionssysteme identifiziert. Die Bestimmung des optimalen Maßes an Flexibilität ist jedoch eine komplexe Herausforderung. Entscheidungsträger wollen bei Investitionsentscheidung oft zusätzliche Ausgaben für Flexibilität vermeiden oder verfolgen eine Flexibilitätsstrategie, die das nötige Maß an Flexibilität nicht hinterfragt [2, 3]. Das lässt sich dadurch erklären, dass eine zusätzliche Investition für Flexibilität leicht zu quantifizieren ist, wohingegen ein wirtschaftlicher Erfolg aufgrund eines erhöhten Maßes an Flexibilität nur schwer ermittelbar ist.

Um dieses Problem lösen zu können, muss zum einen die unsichere Zukunft mit ihren unterschiedlichen Umwelteinflüssen modelliert und zum anderen das Verhalten des Produktionssystems in diesem Umfeld abgebildet werden. Die schnelle und effiziente Durchführung dieser beiden Aufgaben ist nur mit einer entsprechenden Softwareunterstützung möglich. Diese soll helfen, die anfallenden Kosten im Lebenszyklus zu bestimmen, das Verhalten des Produktionssystems zu modellieren, die Durchführung konkreter Bewertungsprojekte zu strukturieren und so den Aufwand für eine flexibilitätsorientierte Bewertung wesentlich zu reduzieren.

Bild 2: Gegenüberstellung von Unsicherheiten und Flexibilitäten.

In einem gemeinsamen Forschungsprojekt der Siemens Corporate Technology, Production Processes (CT PP3) und dem Institut für Werkzeugmaschinen und Betriebswissenschaften wurde eine Methode und Software zum Aufbau von Bewertungsmodellen auf der Basis standardisierter Bewertungsmodule entwickelt.

Flexibilität in der Produktion

In der Literatur gibt es eine Vielzahl von Definitionen von Flexibilität [4, 5]. Slack definiert Flexibilität als ein Maß erreichbarer Zustände unter der Berücksichtigung von Zeit und Kosten, die für den Wechsel von einem Zustand in den anderen nötig sind [6]. Zeit und Kosten erzeugen in diesem Zusammenhang so genannte Reibungsverluste. Des Weiteren gibt es eine Vielzahl von Klassifikationen der Flexibilität. Die folgenden Ausführungen beziehen sich auf die Einteilung nach Browne [7], der Prozess-, Durchlauf-, Pro-dukt-, Volumen- und Expansionsflexibilität unterscheidet.

Die Messung und Bewertung von Flexibilität kann auf viele unterschiedliche Arten und Weisen erfolgen. Oft werden hierzu Kennzahlen verwendet, welche sich direkt auf eine Flexibilitätsart beziehen. Beispielsweise wird die Umrüstzeit verwendet, um die Produktflexibilität eines Produktionssystems zu quantifizieren [7]. Jedoch geben diese Kennzahlen keinen Aufschluss darüber, ob das gewählte Maß an Flexibilität das wirtschaftliche Optimum darstellt. Um zu hohe Investitionen in Flexibilität und entgangene Einnahmen durch zu wenig Flexibilität zu vermeiden, ist es daher essentiell, die positiven und negativen ökonomischen Effekte eines flexiblen Produktionssystems monetär zu quantifizieren. Interpretiert man Flexibilität als Versicherung gegen unsichere Entwicklungen des Umfelds, kann sie auch als Mittel zur Risikoreduktion verstanden werden. Manche Unternehmen erkaufen sich diese Sicherheit jedoch durch eine Erhöhung der Kapazität, der Bestände oder der Durchlaufzeit und puffern so die Auswirkungen eventueller Unsicherheiten (Bild 1). Die Reduktion dieser Faktoren ist ein ganz wesentlicher wirtschaftlicher Vorteil einer flexiblen Produktion.

Bild 3: Primäre und sekundäre Unsicherheiten.

Unter der Berücksichtigung der Eigenschaften flexibler Produktionssysteme muss eine Bewertungsmethode für Flexibilität in der Produktion folgende zwei Funktionalitäten aufweisen. Das benötigte Maß an Flexibilität ist ganz wesentlich von der mit Unsicherheit behafteten Entwicklung in der Zukunft abhängig. Daher ist eine Methode notwendig, mit der eine Abbildung aller stochastisch möglichen Zustände in der Zukunft möglich ist. Der zweite Punkt betrifft die Anpassung eines flexiblen Produktionssystems an eine neue Umweltsituation. Hierfür wird ein Werkzeug benötigt, mit dem es möglich ist, das Verhalten eines Produktionssystems abzubilden. Dies beinhaltet die Berechnung der Kosten in unterschiedlichen Betriebszuständen und die Bestimmung der Aufwendungen, um von einem in den anderen Betriebszustand zu wechseln.

Bestehende Forschungsarbeiten, die diese Anforderungen berücksichtigen, beziehen sich bisher auf einzelne Branchen und sehr spezielle Einsatzgebiete [8, 9]. Dagegen wird die Software PLANTCALC™ bei der Siemens AG in verschiedenen Bereichen eingesetzt, in denen jeweils unterschiedliche Anforderungen berücksichtigt werden müssen. Aus diesem Grunde wurde die Software PLANTCALC™ primär als Plattform gestaltet, um die flexible Konfiguration von Projekten aus standardisierten Bewertungsmodulen zu ermöglichen.

Bewertungsmethode

Die Methode zur lebenszyklusorientierten Bewertung von Flexibilität kann in den folgenden drei Schritten durchgeführt werden.

Zunächst sind die Flexibilitäten in der Produktion zu identifizieren, die sinnvollerweise bei der Bewertung berücksichtigt werden. Hierzu ist zu untersuchen, welche Flexibilitäten vorhanden sind. Indem die Unsicherheiten Flexibilitäten gegenübergestellt werden (Bild 2), kann man identifizieren, in welchen Bereichen durch technisch-organisatorische Fähigkeiten Risikominderung vorgenommen werden kann. Gleichzeitig wird aufgeführt, welche schwankenden Umwelteinflüsse nur durch entsprechende Puffer beherrscht werden. Die Unsicherheiten werden aus Sicht der Wertschöpfungskette in Zuliefer-, Prozess -, und Nachfrageunsicherheiten eingeteilt und nach ihrer Bedeutung auf einer Skala von 0 (keine Unsicherheit/keine Bedeutung) – 5 (hohe Unsicherheit/hohe Bedeutung) bewertet. Auf dieser Basis und den entsprechenden Zuordnungen kann nun abgeschätzt werden, welches die wichtigen, bei der Bewertung zu berücksichtigenden Flexibilitäten sind.

Im zweiten Schritt wird die Zukunft mit ihren Unsicherheiten modelliert. Hierbei ist es wichtig, sowohl die wahrscheinlich erwarteten Umweltzustände zu berücksichtigen, als auch Extremwerte, welche aufgrund der stochastischen Verteilung unwahrscheinlicher sind. Diskrete und stetige Werte können mithilfe von stochastischen Funktionen modelliert oder in einem Zustandsbaum abgebildet werden. Letzterer ist eine diskrete Näherung des (kontinuierlichen) stochastischen Verhaltens und besonders dann geeignet, wenn das Eintreten einer Unsicherheit X_it zu einem Zeitpunkt t sich auf den Wert in der vorhergegangenen Periode X_it-1 bezieht. Die Genauigkeit der Näherung durch den Zustandsbaum lässt sich durch die Anzahl der Schritte pro Zeiteinheit festlegen. Die größten Vorteile dieses Verfahrens sind die intuitive Modellierung und die deutliche Visualisierung von Abhängigkeiten in der Entwicklung. Durch die Bestimmung der momentanen Situation, d.h. der relativen Position eines Zustandsknotens im Baum, kann die Zukunft auf eine eingeschränkte Zahl von möglichen Zuständen reduziert werden. So lässt sich abbilden, dass im Lebenszyklus zusätzliche Informationen verfügbar werden, die man bei Entscheidungen berücksichtigen kann.

Grundsätzlich ist es nur sinnvoll den Zustandsbaum zu verwenden, wenn die Informationen über die relative Position eines Knotens genutzt werden, um auch tatsächlich Entscheidungen über die Anpassung oder Veränderung des Produktionssystems zu treffen. Beispielsweise kann eine positive Nachfrageentwicklung eine Entscheidung zur Vergrößerung der Produktionskapazität auslösen. Eine solche Unsicherheit wird primäre Unsicherheit genannt [10]. Sekundäre Unsicherheiten lösen nicht direkt Entscheidungen aus, haben aber Einfluss auf den Wert des gesamten Projekts. Diese Unsicherheiten können einfach durch eine Monte Carlo Simulation modelliert werden (Bild 3). Da in der Regel nur zwei bis drei Faktoren den Großteil der Schwankung des Projektwerts ausmachen, ist es nicht sinnvoll, jede Unsicherheit detailliert zu modellieren.

Der dritte Schritt der Methode besteht in der Wahl des Betriebsmodus in Abhängigkeit des jeweiligen Umweltzustands. Die Anzahl der möglichen Betriebsmodi ist beschränkt durch die verfügbare Flexibilität in der Produktion. Der wirtschaftlichste Betriebsmodus kann durch die Berechnung der Produktionskosten und der Kosten für den Wechsel von einem in den anderen Betriebsmodus bestimmt werden.

Aufgrund der spezifischen Einsatzbedingungen der Vorgehensweise in den verschiedenen Bereichen der Siemens AG lassen sich keine generellen Berechnungsvorschriften oder Kostenarten definieren, welche bei der Berechnung zu berücksichtigen sind. Diese variieren je nach Industrie, Planungs- und Bewertungsaufgabe oder dem Detaillierungsgrad. Grundsätzlich müssen aber immer die Kosten der Faktoren Bestände, Kapazität und Durchlaufzeit und eventuelle Kosten durch Reibungsverluste bei der Umstellung in andere Betriebsmodi berücksichtigt werden.

Aufbau der Software PLANTCALC™

Zur Durchführung der vorgestellten Vorgehensweise in der Praxis wurde die Software PLANTCALC™ entwickelt. Diese reduziert die Komplexität bei der Modellerstellung und erleichtert die Konfiguration von Bewertungsprojekten. Eine komplexe Bewertungsaufgabe wird durch PLANTCALC™ in Teilaufgaben aufgeteilt, die softwareseitig in Modulen gekapselt sind. Jedes dieser Module enthält Daten und eine Berechnungslogik, die logisch-thematisch zusammengehören, d.h. einer Teilbewertungsaufgabe (z.B. Berechnung der Arbeitskosten, Definition von Unsicherheiten oder Kenngrößen) entsprechen und die denselben Detaillierungsgrad besitzen (Bild 4). Alle Module wurden in MS Excel® und Visual Basic implementiert.

Die Module sind hierarchisch organisiert und die Genauigkeit der Berechnung lässt sich stufenweise verfeinern. So kann in einem Bewertungsprojekt mit einer groben Analyse begonnen und dann erst später entschieden werden, welche Teile detaillierter zu modellieren sind. Alle Kosten-, Unsicherheits- und Investitions-, Analyse- und Einnahmenmodule können miteinander kombiniert und auch nachträglich der Berechnung hinzugefügt werden. 

Neben den reinen Berechnungsmodulen beinhaltet PLANTCALC™ eine zusätzliche Steuerungsebene. Auf dieser können umfangreiche Modulbibliotheken erstellt, geändert und verwaltet werden. Die wichtigste Aufgabe der Steuerungsebene besteht jedoch in der Projektkonfiguration. Durch Drag & Drop lassen sich Bewertungsprojekte aus einzelnen Modulen zusammenstellen, wobei die Einhaltung definierter Regeln überprüft wird. Denkbar ist die regelbasierte Formulierung für Module, die sich gegenseitig bedingen. Beispielsweise kann ein spezielles Modul „Rüstkosten“ nur mit einem Modul „Losgröße“ arbeiten. Darüber hinaus werden grundlegende Parameter des Projekts, wie beispielsweise die Projektdauer oder eine Währung, eingestellt und gespeichert.

Bild 4: Modulorganisation.

Eine weitere Aufgabe der Steuerungsebene ist es, den eigentlichen Bewertungsprozess, d.h. Dateneingabe und Auswertung, zu unterstützen. Hierzu können zentral einzelne Module zur Bearbeitung geöffnet und geschlossen werden. Beim Öffnen eines Moduls werden alle anderen Module, die mit diesem verlinkt sind, ebenfalls geöffnet. Hierdurch wird dem Benutzer die Durchführung der Bewertungsaufgabe wesentlich vereinfacht. Durch das Festhalten des Bearbeitungsstatus der jeweiligen Module wird die Übersichtlichkeit komplexer Bewertungsprojekte erhöht.

Zusammenfassung und Ausblick

Im vorliegenden Beitrag wurde eine Methode zur Bewertung und Bestimmung des optimalen Maßes an Flexibilität in der Produktion sowie die unterstützende Software PLANTCALC™ vorgestellt. In Zukunft soll diese weiter entwickelt werden und eine Integration des Realoptionsansatzes erfolgen.

Schlüsselwörter:

Literatur:

[1] Chakravarthy, B.: A New Strategy Framework for Coping with Turbulence. In: Sloan Management Review 38 (1997) 2, S. 69-82.
[2] Schuh, G., Wemhöner, N., Friedrich, C.: Lifecycle oriented evaluation of automotive body shop flexibility. In: Zäh, M.F. u.a. (Hrsg.): CARV 2005. München 2005, S. 433-439.
[3] Hill, T., Chambers, S.: Flexibility - A Manufacturing Conundrum. In: International Journal of Operations and Production Management 11 (1991) 2, S. 5-13.
[4] Sethi, A.K., Sethi, S.P.: Flexibility in Manufacturing: A Survey. In: The International Journal of Flexible Manufacturing Systems 2 (1990) 4, S. 289-328.
[5] De Toni, A., Tonchia, S.: Manufacturing flexibility: a literature review. In: International Journal of Production Research, 36 (1998) 6, S. 1587-1617.
[6] Slack, N.: Flexibility as a Manufacturing Objective. In: International Journal of Operations and Production Management 3 (1983) 3, S. 4-13.
[7] Browne, J., Dubois, D., Rathmill, K., Sethi, S.P., Stecke, K.E.: Classification of flexible manufacturing systems. In: The FMS magazine 2 (1984) 2, S. 116-117.
[8] Bürkner, S., Roscher, J., Schmitt, M., Friese, M.: Methods for flexibility evaluation in the automotive industry. In: Zäh, M.F. u.a. (Hrsg.): CARV 2005. München 2005, S. 446-451.
[9] Urbani, A., Avai, A., Colombo, C., Beccaris, M.: Changeability as a key for lifecycle oriented investment evaluation. In: Zäh, M.F. u.a. (Hrsg.): CARV 2005. München 2005, S. 459-466.
[10] Zäh, M.F., Möller, N., Sudhoff, W.: A framework for the valuation of Changeable Manufacturing Systems. In: Proceeedings of CIRP 3rd International Conference on Reconfigurable Manufacturing Systems. Ann Arbor 2005.