Performance Evaluation of Material Flow Systems in Discrete Time

Im folgenden Beitrag werden zeitdiskrete analytische Methoden vorgestellt, mit Hilfe derer Informations- und Materialflüsse in logistischen Systemen analysiert und bewertet werden können. Bestehende zeitdiskrete Verfahren sind jedoch auf die Bearbeitung und Weitergabe in immer gleichen Mengen („One Piece Flow“) beschränkt. Vor allem in Materialflusssystemen kommt es, bedingt durch die Zusammenfassung von Aufträgen, durch Transporte und durch Sortiervorgänge, zur Bildung von Batches. Daher wurden analytische Methoden entwickelt, die es ermöglichen, verschiedene Sammelprozesse, Batchankünfte an Ressourcen, Batchbearbeitung und Sortieren von Batches analytisch abzubilden und Leistungskenngrößen zu deren Bewertung zu bestimmen. Die im Rahmen der Entwicklungsarbeiten entstandene Software-Lösung „Logistic Analyzer“ ermöglicht eine einfache Modellierung und Analyse von praktischen Problemen. Der Beitrag schließt mit einem numerischen Beispiel.

Comparison of performance measurement-systems used for order-picking

In consequence of rapidly changing market demands companies are permanently encouraged to review their own processes and structures and to modify them. Being one of these developments, order-picking is involved as part of an intra-logistics system. But to take appropriate actions, system performance and system costs have to be measured permanently. Concerning this the use of performance measurement-systems as further development of traditional systems of key figures is suitable. In this paper various performance measurement-systems are compared and their suitability for an implementation in order-picking systems is estimated. On the basis of the result of the evaluation a first concept of a performance measurement-system for order-picking will be developed by using typical key figures that are mentioned in academic literature. Finally, hints for a necessary detailed implementation and evaluation in practice will be given.

Vergleich von Performance Measurement-Systemen zum Einsatz für die Kommissionierung

Aufgrund sich schnell verändernder Anforderungen des Marktes sind Unternehmen ständig dazu aufgefordert, ihre eigenen Prozesse und Strukturen zu überdenken und ggf. anzupassen. Von diesen Entwicklungen ist auch die Kommissionierung als Teil eines Intralogistiksystems betroffen. Um allerdings geeignete Maßnahmen ergreifen zu können, müssen Systemleistungen und –kosten permanent gemessen werden. Hierzu eignet sich der Einsatz von Performance Measurement-Systemen als Weiterentwicklung traditioneller Kennzahlensysteme. In diesem Beitrag werden verschiedene Performance Measurement-Systeme gegenüber gestellt und hinsichtlich ihrer Eignung für den Einsatz in Kommissioniersystemen bewertet. Auf Basis der Ergebnisse der Bewertung erfolgt eine erste Konzeption eines Performance Measurement-Systems für die Kommissionierung unter Verwendung typischer Kennzahlen, die in der Literatur genannt werden. Abschließend werden Hinweise zur noch notwendigen detaillierten Umsetzung und Evaluation in der Praxis gegeben.

Learning Curves of Temporary Workers in Manual Order Picking Activities

Person-to-stock order picking is highly flexible and requires minimal investment costs in comparison to automated picking solutions. For these reasons, tradi-tional picking is widespread in distribution and production logistics. Due to its typically large proportion of manual activities, picking causes the highest operative personnel costs of all intralogistics process. The required personnel capacity in picking varies short- and mid-term due to capacity requirement fluctuations. These dynamics are often balanced by employing minimal permanent staff and using seasonal help when needed. The resulting high personnel fluctuation necessitates the frequent training of new pickers, which, in combination with in-creasingly complex work contents, highlights the im-portance of learning processes in picking. In industrial settings, learning is often quantified based on diminishing processing time and cost requirements with increasing experience. The best-known industrial learning curve models include those from Wright, de Jong, Baloff and Crossman, which are typically applied to the learning effects of an entire work crew rather than of individuals. These models have been validated in largely static work environments with homogeneous work contents. Little is known of learning effects in picking systems. Here, work contents are heterogeneous and individual work strategies vary among employees. A mix of temporary and steady employees with varying degrees of experience necessitates the observation of individual learning curves. In this paper, the individual picking performance development of temporary employees is analyzed and compared to that of steady employees in the same working environment.