Diskrete Ereignissimulation gibt es schon lange. Wachsende Rechenleistung hat in den letzten Jahren die Anwendung der diskreten Ereignissimulation unterstützt. Dies gilt insbesondere im Hinblick auf die Visualisierung und Animation der Modelle selbst. Die Methode, die zugehörigen Verfahren, der Prozess und die Software im Zusammenhang mit der ereignisdiskreten Simulation wurden jedoch auch vor 20 Jahren angewendet. Seitdem haben viele Simulationsprojekte Unternehmen dabei geholfen, ihre Layouts und Prozesse zu verbessern und ihre Gewinne und Kundenzufriedenheit zu steigern. Aber viele Projekte scheiterten. Im heutigen Blogbeitrag kommentiere ich das Scheitern kommerzieller Simulationsprojekte.

Ausfallraten von diskreten Simulationsprojekten

Es ist schwierig, eine Verallgemeinerung über die Fehlerrate von Projekten zur diskreten Ereignissimulation zu treffen. Dennoch wurden verschiedene Studien zu diesem Thema veröffentlicht. Ihre geschätzten Projekterfolgsraten liegen zwischen 40 % und 75 %. Es wird allgemein angenommen, dass etwa die Hälfte aller kommerziellen Simulationsprojekte im Bereich Supply Chain Management und Produktionsplanung die grundlegenden Erwartungen relevanter Interessengruppen nicht erfüllen. Diese Erfolgsquote liegt nach allgemeiner Einschätzung deutlich unter der durchschnittlichen Erfolgsquote von Analytics-Projekten im Supply Chain Management und in der Produktionsplanung.

Herkömmliche Analyseprojekte beinhalten im Allgemeinen den Einsatz statistischer und Datenanalysetechniken, um Erkenntnisse zu gewinnen und datengesteuerte Entscheidungen zu treffen. Operations-Research-Projekte hingegen nutzen darüber hinaus mathematische Modelle und Konzepte, die hauptsächlich für die Betriebsverbesserung entwickelt wurden. Dies umfasst zB gemischt-ganzzahlige Programmierung und Optimierung, Constraint-Programmierung, nichtlineare Optimierung, Heuristik, genetische Optimierung und ereignisdiskrete Simulation.

Während herkömmliche Analyse- und Operations-Research-Projekte komplex sein können, umfassen sie oft relativ statische Datensätze und können mit analytischen Tools und Techniken abgeschlossen werden. Daher kann die Erfolgsquote von Analytics-Projekten relativ hoch sein, insbesondere im Vergleich zu DES- Projekten. DES- Projekte hingegen erfordern ein tiefes Verständnis komplexer Systeme und Prozesse sowie die Fähigkeit, genaue und effektive Simulationsmodelle zu entwickeln . Diese Projekte beinhalten dynamische Daten und erfordern fortgeschrittenere Modellierungs- und Simulationstechniken . Diese hohe Komplexität kann einer der Hauptgründe dafür sein, warum Simulationsprojekte eine höhere Fehlerrate aufweisen als herkömmliche Analysen.

Grundursachen für das Scheitern von Simulationsprojekten

Effektive Projektmanagementpraktiken, einschließlich gründlicher Planung, Einbeziehung der Interessengruppen und effektiver Kommunikation, beeinflussen die Erfolgsrate kommerzieller Simulationsprojekte erheblich.

Simulationsprojekte können aus verschiedenen Gründen scheitern, aber einige der häufigsten Ursachen für das Scheitern von Simulationsprojekten sind:

1. Mangel an klaren Projektzielen
2. Schlechte Datenqualität
3. Mangel an Fachwissen
4. Unzureichendes Testen, Verifizieren und Validieren
5. Unzureichende Einbeziehung der Interessengruppen
6. Schlechte Kommunikation
7. Umfang kriechen
8. Unrealistische Annahmen
9. Unrealistische Erwartungen
10. Mangel an Ressourcen

Indem sie diese Grundursachen angehen, können Simulationsprojektteams ihre Erfolgschancen verbessern. Simulationsteams und Ingenieure müssen daher ihre Projektmanagement- und Kommunikationsfähigkeiten, ihre technischen Fähigkeiten und ihr Stakeholder-Management kontinuierlich verbessern.

Wichtige Fähigkeiten, um das Scheitern von Simulationsprojekten zu vermeiden

Abteilungen für Discrete-Event-Simulation ( DES ) in einem Supply-Chain-Management- oder Produktionsplanungsumfeld benötigen eine Reihe von technischen und nicht-technischen Fähigkeiten, um erfolgreich zu sein. Einige wichtige Fähigkeiten sind:

• Technische Kompetenz
• Datenanalyse
• Prozessabbildung
• Kommunikation
• Projektmanagement
• Probleme lösen
• Zusammenarbeit

Am technischen Ende des Spektrums sollten die folgenden Fähigkeiten gefordert und verbessert werden:

• Systemkenntnisse, dh Verständnis der Produktions- und Logistikprozesse sowie der damit verbundenen relevanten Anlagen und Systeme
• Statistische Analyse, dh die Zuverlässigkeit der aus der Simulation abgeleiteten Ergebnisse beurteilen zu können und die Fähigkeit, verallgemeinerbare Erkenntnisse aus den Simulationsergebnissen abzuleiten
• Data Analytics – Daten gewinnen, verarbeiten und visualisieren
• Systemdenken, dh die Fähigkeit, ein komplexes System konzeptionell zu modellieren
• Objekt orientierte Programmierung
• Software-Engineering-Fähigkeiten

Verwandte Inhalte

Sie können mehr über die diskrete Ereignissimulation und ihre Anwendungen auf SCDA erfahren:

• Link : Finanz-KPI-Simulation von Visual Components
• Link : Tagebausimulation zur besseren Planung
• Link : Fertigungssimulation für die Anlagenplanung
• Link : Discrete-Event-Simulation (DES) Anwendungsfälle
• Link : Liste der Simulationssoftware für diskrete Ereignisse
• Link : Fertigungssimulation

Linnart Felkl

Wirtschaftsingenieur mit Interesse an Optimierung, Simulation und mathematischer Modellierung in R, SQL, VBA und Python