Snekanth Babu | Optimierung komplexer Systeme Snekanth Babu | Optimizing Complex Systems

1. Einleitung 1. Introduction

Kleine und mittlere Lagerhäuser stützen sich häufig auf manuelle Planung, erfahrungsbasierte Entscheidungen und Tabellenkalkulation zur Steuerung ihrer operativen Aktivitäten. Obwohl solche Ansätze in kleineren Umgebungen funktionieren, führen sie oft zu betrieblichen Ineffizienzen, wenn Bestellmengen schwanken oder die Verfügbarkeit der Arbeitskräfte sich ändert. Small and medium-sized warehouses frequently rely on manual planning, experience-based decisions, and spreadsheet tracking to manage operational activities. While such approaches work in smaller environments, they often lead to operational inefficiencies when order volumes fluctuate or workforce availability changes.

Häufige Herausforderungen sind: Common challenges include:

• Ungleichmäßige Arbeitsbelastung unter den Mitarbeiternworkload imbalance among employees
• Ineffiziente Personalzuweisunginefficient workforce allocation
• Schwierigkeiten beim Überstundenmanagementovertime management difficulties
• Mangelnde operative Transparenzlack of operational visibility
• Begrenzte digitale Entscheidungsunterstützunglimited digital decision support

Diese Herausforderungen sind besonders relevant in Lagerhäusern, die Werkstudenten mit begrenzten Wochenstunden beschäftigen, wo Einsatzplanung und Aufgabenverteilung sorgfältig gesteuert werden müssen. These challenges are particularly relevant in warehouses employing working students with limited weekly hours, where scheduling and task allocation must be carefully managed.

Diese Arbeit zielt darauf ab zu untersuchen, wie datengesteuerte Entscheidungsunterstützungssysteme die operative Effizienz und Personalplanung in KMU-Lagerumgebungen verbessern können. Die Studie wird Prozessanalyse, operative Datenanalyse und Entscheidungsunterstützungsmodellierung kombinieren, um ein praktisches Rahmenwerk zu entwickeln, das Manager bei besseren operativen Entscheidungen unterstützt. This thesis aims to investigate how data-driven decision support systems can improve operational efficiency and workforce planning in SME warehouse environments. The study will combine process analysis, operational data analytics, and decision-support modelling to design a practical framework that assists managers in making better operational decisions.

2. Forschungsproblem 2. Research Problem

Viele KMU-Lagerhäuser arbeiten ohne strukturierte Analysesysteme zur Unterstützung der Personalzuweisung und operativen Planung. Many SME warehouses operate without structured analytical systems to support workforce allocation and operational planning.

Manager verlassen sich typischerweise auf: Managers typically rely on:

• Manuelle Kommunikation (E-Mails oder Nachrichten)manual communication (emails or messages)
• Persönliche Erfahrungpersonal experience
• Statische Excel-Verfolgungstatic Excel tracking

Bei steigenden oder schwankenden Bestellmengen können diese Ansätze zu folgenden Problemen führen: As order volumes increase or fluctuate, these approaches can lead to:

• Verzögerungen bei der Auftragsbearbeitungdelays in order processing
• Ineffiziente Personalzuweisunginefficient staffing allocation
• Erhöhte Überstundenincreased overtime
• Operative Engpässeoperational bottlenecks

Das Fehlen integrierter analytischer Werkzeuge schränkt die Fähigkeit der Manager ein, datengesteuerte operative Entscheidungen zu treffen. The lack of integrated analytical tools limits the ability of managers to make data-driven operational decisions.

3. Forschungsziel 3. Research Objective

Das Ziel dieser Forschung ist die Entwicklung eines datengesteuerten Entscheidungsunterstützungsrahmens, der die Personalzuweisung und operative Effizienz in Lagerumgebungen verbessert. The objective of this research is to develop a data-driven decision support framework that improves workforce allocation and operational efficiency in warehouse environments.

Konkret zielt die Studie darauf ab: Specifically, the study aims to:

1. Bestehende operative Lagerprozesse zu analysieren.Analyse existing warehouse operational processes.
2. Ineffizienzen und Engpässe in Arbeitsabläufen und Personalzuweisung zu identifizieren.Identify inefficiencies and bottlenecks in workflow and workforce allocation.
3. Operative Leistungsindikatoren für das Lagermanagement zu entwickeln.Develop operational performance indicators for warehouse management.
4. Einen Prototyp eines Entscheidungsunterstützungssystems zu entwerfen, das Manager bei der effizienten Zuweisung von Arbeitskräften zu Aufträgen unterstützt.Design a prototype decision support system to assist managers in allocating workers to orders efficiently.
5. Empfehlungen für die digitale Transformation in KMU-Lagerbetrieben auszusprechen.Provide recommendations for digital transformation in SME warehouse operations.

4. Forschungsfragen 4. Research Questions

Die Arbeit behandelt folgende Forschungsfragen: The thesis will address the following research questions:

5. Methodik 5. Methodology

Diese Forschung folgt einem angewandten Fallstudienansatz unter Verwendung realer operativer Daten aus einer Lagerumgebung. Die Methodik besteht aus vier Hauptphasen. This research follows an applied case study approach using real operational data from a warehouse environment. The methodology consists of four main phases.

6. Erwartete Beiträge 6. Expected Contributions

7. Erwartete Ergebnisse 7. Expected Outcomes

1. Eine detaillierte Analyse operativer Lagerprozesse.A detailed analysis of warehouse operational processes.
2. Ein Satz von Leistungsindikatoren für das Lagermanagement.A set of performance indicators for warehouse management.
3. Ein operatives Analyse-Dashboard zur Visualisierung der Lagereffizienz.An operational analytics dashboard visualizing warehouse efficiency.
4. Ein Prototyp eines Entscheidungsunterstützungsmodells für die Personalzuweisung.A prototype decision-support model for workforce allocation.
5. Strategische Empfehlungen für die digitale Transformation in KMU-Lagern.Strategic recommendations for digital transformation in SME warehouses.

8. Bedeutung für die Industrie 8. Significance for Industry

Da die Nachfrage im E-Commerce und in der Logistik weiter wächst, müssen Lagerhäuser steigende Bestellmengen bewältigen und gleichzeitig die Effizienz aufrechterhalten. Viele KMU-Lagerhäuser verlassen sich jedoch weiterhin auf manuelle Planungssysteme. As e-commerce and logistics demand continue to grow, warehouses must manage increasing order volumes while maintaining efficiency. However, many SME warehouses still rely on manual planning systems.

Diese Forschung zeigt, wie Datenanalyse und Entscheidungsunterstützungstools Managern helfen können, von erfahrungsbasierter Planung zu evidenzbasiertem operativem Management überzugehen. Solche Ansätze können die Produktivität, Personalauslastung und operative Transparenz erheblich verbessern. This research demonstrates how data analytics and decision support tools can help managers transition from experience-based planning to evidence-based operational management. Such approaches can significantly enhance productivity, workforce utilization, and operational transparency.

9. Fazit 9. Conclusion

Diese Arbeit schlägt einen datengesteuerten Ansatz zur Verbesserung des Lagerpersonalmanagements und der operativen Effizienz vor. Durch die Kombination von Prozessanalyse, operativer Datenanalyse und Entscheidungsunterstützungsmodellierung zielt die Studie darauf ab, ein praktisches Rahmenwerk zu entwickeln, das die Managemententscheidungen in Lagerumgebungen unterstützt. This thesis proposes a data-driven approach to improving warehouse workforce management and operational efficiency. By combining process analysis, operational data analytics, and decision-support modelling, the study aims to develop a practical framework that supports managerial decision making in warehouse environments.

Das Projekt überbrückt die Lücke zwischen Operations-Management-Theorie und realer Lagerpraxis und liefert wertvolle Erkenntnisse sowohl für die Wissenschaft als auch für die Industrie. The project bridges the gap between operations management theory and real-world warehouse practices, providing valuable insights for both academia and industry.