The planning of an Aftermarket Supply Chain is a very complex task. This is due to an unpredictable demand which is driven by the need for maintenance and repair. This drive translates to a high variety of lead times, a large number of stock-keeping units (SKUs) and the capacity to deliver spare parts during its full lifecycle. With all these complexities in place, optimizing and parametrizing the planning process is a difficult and time-consuming task. Moreover, the current optimization tool focuses only on one node (each warehouse individually) of the whole Supply Chain, without considering the information such as inventory levels of the other nodes. Hence, the Supply Chain is not completely connected, making it difficult to get a better understanding of the system performance to identify cost draining areas. This leads to capital being tied up in the upper stream of the Supply Chain and later adding unnecessary costs like high inventory costs, rush freight costs, return or scrapping cost. In this study, Discrete Event Simulation (DES) is explored as an additional optimization tool that could analyse and improve the performance of the whole Supply Chain. To do that, the functioning of a node is modelled by replicating the logics behind the flow of material, which includes analysing some manual workflows which are currently present. In Addition, all the information needed from the orders, order lines and parts are mapped. The later part of the study aims to connect all the nodes to form a whole overview of the Supply Chain and further perform optimizations globally. As an outcome, Multi-Echelon Inventory Optimization has been performed on the whole Supply Chain after connecting all the nodes and thus getting an overview. Furthermore, the impact of different parameters has been studied on the whole model to understand the sensitivity of parameters such as variations in lead time and demand. Finally, different what-if scenarios such as COVID and problems with delay in suppliers were studied, which could help understand the impact of unforeseen situations. / Planeringen av en eftermarknadskedja är en mycket komplex uppgift. Detta beror på en oförutsägbar efterfrågan som drivs av behovet av underhåll och reparation. Enheten översätter till många olika ledtider, ett stort antal lagerhållningsenheter (SKU) och kapacitet att leverera reservdelar under hela dess livscykel. Med alla dessa komplexiteter på plats är optimering och parametrering av planeringsprocessen en svår och tidskrävande uppgift. Dessutom fokuserar det nuvarande optimeringsverktyget bara på en nod (varje lager separat) i hela leveranskedjan utan att beakta informationen som lagernivåerna för de andra noderna. Därför är försörjningskedjan inte helt ansluten, vilket gör det svårt att få en bättre förståelse för systemets prestanda för att identifiera kostnadsavtappningsområden. Detta leder till att kapital binds i den övre strömmen i försörjningskedjan och senare lägger till onödiga kostnader som höga lagerkostnader, snabba fraktkostnader, retur- eller skrotningskostnader. I denna studie undersöks Discrete Event Simulation (DES) som ett ytterligare optimeringsverktyg som kan analysera och förbättra prestanda för hela försörjningskedjan. För att göra det modelleras en nods funktion genom att replikera logiken bakom materialflödet, vilket inkluderar analys av några manuella arbetsflöden som för närvarande finns. Dessutom kartläggs all information som behövs från beställningar, orderrader och delar. Den senare delen av studien syftar till att ansluta alla noder för att bilda en hel översikt över försörjningskedjan och ytterligare utföra optimeringar globalt. Som ett resultat har Multi-Echelon Lageroptimering utförts i hela försörjningskedjan efter att alla noder har anslutits och därmed fått en översikt. Dessutom har effekterna av olika parametrar studerats på hela modellen för att förstå känsligheten hos parametrar som variationer i ledtid och efterfrågan. Slutligen studerades olika tänkbara scenarier som COVID och problem med förseningar hos leverantörer, vilket kan hjälpa till att förstå effekterna av oförutsedda situationer.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-280678 |
Date | January 2020 |
Creators | Albors Marques, Laura, Jayakumar, Jagathishvar |
Publisher | KTH, Skolan för industriell teknik och management (ITM) |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-ITM-EX ; 2020:499 |
Page generated in 0.0027 seconds