Ihre Lagermanagement Datenvorlage

Dieses Attribut erfasst die einzelnen Schritte oder Meilensteine innerhalb des Lagermanagement-Prozesses. Beispiele sind 'Waren aus Lager entnommen', 'Verpackung initiiert' und 'Sendung versandt'. Jede Aktivität stellt eine spezifische Aktion dar, die am Lagerauftrag durchgeführt wurde.

Dies ist ein kritisches Attribut für Process Mining, da es die Knoten in der Prozesskarte definiert. Die Analyse der Reihenfolge, Häufigkeit und Dauer dieser Aktivitäten ermöglicht die Visualisierung von Prozessflüssen, die Identifizierung von Abweichungen vom Standardverfahren und die Lokalisierung von Engpässen, an denen die Arbeit verzögert wird.

Es definiert die Prozessschritte, bildet die Grundlage der Prozesslandkarte und ermöglicht die Analyse des operativen Ablaufs und von Abweichungen.

Abgeleitet aus Transaktionscodes, Event Logs oder Statusaktualisierungstabellen innerhalb von Manhattan SCALE, die den Fortschritt von Lageraufträgen verfolgen.

Dieses Attribut liefert das genaue Datum und die Uhrzeit für jede im Prozess erfasste Aktivität. Es ist das chronologische Rückgrat des Event Logs und legt die Reihenfolge und den Zeitpunkt aller Lageroperationen für einen bestimmten Auftrag fest.

Die Event Time ist für alle zeitbasierten Process Mining Analysen unerlässlich. Sie wird verwendet, um Zykluszeiten zwischen Aktivitäten zu berechnen, die Gesamtdauer eines Prozesses zu messen, Verzögerungen zu identifizieren und die Prozessleistung über verschiedene Zeiträume zu analysieren. Genaue Timestamps sind entscheidend für den Aufbau einer zuverlässigen Prozesskarte und die Ableitung aussagekräftiger Leistungsmetriken.

Dieser Timestamp ist entscheidend für die korrekte Reihenfolge der Events und die Berechnung aller dauerbasierten Metriken, wie z.B. Zykluszeiten und Durchlaufzeiten.

In Event Log-Tabellen oder Transaktionsdatensätzen neben den Aktivitätsinformationen in Manhattan SCALE zu finden. Felder werden oft 'created_ts', 'event_timestamp' oder 'status_change_date' genannt.

Der Warehouse Order dient als primärer Case-Identifikator, der alle zusammenhängenden Aktivitäten für einen einzigen logistischen Prozess von Anfang bis Ende gruppiert. Dies ermöglicht die durchgängige Verfolgung des Lebenszyklus eines Auftrags innerhalb des Lagers, sei es beim Wareneingang, bei der Einlagerung, Kommissionierung, Verpackung oder dem Versand.

In der Process Mining Analyse ist dieses Attribut grundlegend für die Rekonstruktion des Weges jedes Auftrags. Durch die Verknüpfung aller Events mit einem spezifischen Warehouse Order können Analysten Prozessflüsse visualisieren, Zykluszeiten für einzelne Aufträge messen und Variationen oder Bottlenecks identifizieren, die die Effizienz der Auftragsabwicklung beeinträchtigen.

Sie ist der wesentliche Schlüssel zur Verknüpfung aller zusammengehörigen Lageraktivitäten zu einer einzigen, kohärenten Prozessinstanz, die eine End-to-End-Analyse ermöglicht.

Dieser Identifikator findet sich typischerweise in den zentralen Auftragsverwaltungstabellen innerhalb von Manhattan SCALE, wie z.B. der Auftrags-Header-Tabelle.

Dieses Attribut gibt Datum und Uhrzeit der letzten Datenextraktion aus Manhattan SCALE und des Ladens in das Process Mining Tool an. Es spiegelt die Aktualität der analysierten Daten wider.

Diese Information ist für Benutzer entscheidend, um die Aktualität der Analyse zu verstehen. Sie hilft ihnen zu wissen, ob sie Echtzeitdaten oder einen Snapshot von einem bestimmten Zeitpunkt betrachten, was für fundierte operative Entscheidungen und Berichtszwecke unerlässlich ist.

Es informiert Benutzer über die Aktualität der Daten und stellt sicher, dass sie den durch die Analyse und Berichte abgedeckten Zeitraum verstehen.

Dieser Timestamp wird typischerweise vom ETL-Tool oder der Datenpipeline während des Datenladeprozesses generiert und gespeichert.

Dieses Attribut identifiziert die Quellanwendung, in der die Event-Daten generiert wurden. Für diesen Prozess wäre der Wert typischerweise 'Manhattan SCALE'.

In einer Umgebung mit mehreren integrierten Systemen hilft dieses Feld, Datenquellen zu unterscheiden. Es bietet Kontext für den Ursprung der Daten, was für Daten-Governance, Fehlerbehebung und das Verständnis potenzieller Variationen in den Datenerfassungsprozessen über verschiedene Plattformen hinweg wichtig sein kann.

Es bietet wesentlichen Kontext zur Herkunft der Daten, was entscheidend für Data Governance, Validierung und Integrationsbemühungen in komplexen IT-Landschaften ist.

Dies ist oft ein statischer Wert, der während des Data Extraction, Transformation, and Loading (ETL) Process hinzugefügt wird, um den Dataset zu labeln.

Dieses Attribut repräsentiert das Service Level Agreement (SLA) oder das Zieldatum für einen ausgehenden Lagerauftrag. Es ist die Frist, anhand derer die Lageroperationen auf Pünktlichkeit gemessen werden.

Dieses Datum ist ein kritischer Referenzpunkt für die Leistungsbewertung. Es wird im 'Shipment On-Time Performance' Dashboard und dem KPI 'On-Time Shipment Rate' verwendet, um festzustellen, ob ein Auftrag pünktlich erfüllt wurde. Die Analyse von Aufträgen, die dieses Datum verpassen, hilft, systemische Ursachen für Verzögerungen zu identifizieren und die Kundenzufriedenheit zu verbessern.

Sie dient als primäre Benchmark zur Messung der pünktlichen Lieferleistung und der Einhaltung von Kunden-Service-Level-Agreements.

Typischerweise in der Auftrags-Header-Tabelle in Manhattan SCALE gespeichert, oft aus einem vorgelagerten ERP- oder Auftragsverwaltungssystem befüllt.

Der Order Type definiert den Gesamtzweck des Lagerauftrags. Gängige Typen sind Kundensendungen (Ausgang), Lieferantenlieferungen (Eingang), Umlagerungen zwischen Standorten (intern) oder Retouren.

Dieses Attribut ermöglicht die Segmentierung der Prozessanalyse. Durch Filtern nach Order Type kann die Leistung verschiedener Prozesse verglichen werden, z.B. der Wareneingangsprozess versus der Versandprozess. Dies ist entscheidend, da deren Schritte, Ressourcen und Leistungsziele oft sehr unterschiedlich sind und eine gemeinsame Analyse irreführend sein kann.

Es ermöglicht die Trennung und den Vergleich unterschiedlicher Prozesse, wie z.B. Wareneingang vs. Warenausgang, die unterschiedliche Abläufe und Leistungsanforderungen haben.

In den Auftrags-Header-Daten in Manhattan SCALE zu finden. Das Feld kann 'order_type', 'transaction_type' oder ähnlich benannt sein.

Dieses Attribut erfasst die ID des Benutzers, der für die Ausführung einer bestimmten Lageraufgabe verantwortlich ist, wie z.B. Kommissionierung, Verpackung oder Einlagerung. Es verknüpft Prozessaktivitäten mit den beteiligten Humanressourcen.

Die Analyse der Leistung nach Benutzer-/Bediener-ID ist entscheidend für das Verständnis der Ressourcenauslastung und der individuellen oder Teameffizienz. Sie hilft, Spitzenkräfte, Schulungsbedarfe und die Arbeitslastverteilung zu identifizieren. Diese Daten sind entscheidend für das 'Resource Utilization by Operator' Dashboard und verwandte KPIs, die es Managern ermöglichen, die Personalplanung und Aufgabenverteilung zu optimieren.

Es verknüpft die Prozessleistung mit spezifischen Personen oder Teams und ermöglicht die Analyse von Arbeitslast, Produktivität und Ressourcenallokation.

Diese Informationen werden typischerweise in den Transaktionsprotokollen in Manhattan SCALE erfasst, oft in Feldern wie 'user_id', 'operator' oder 'executed_by'.

Die End Time markiert den Abschluss einer Aktivität. In Verbindung mit einer Start Time (Event Time) ermöglicht sie die präzise Berechnung der Bearbeitungszeit für einzelne Aufgaben. Nicht alle Events haben eine eindeutige End Time, aber für diejenigen, die eine haben, wie 'Picking' oder 'Packing', sind diese Daten äußerst wertvoll.

In der Analyse wird die End Time zur Berechnung der Metrik 'Processing Time' verwendet, die für das Verständnis der Ressourceneffizienz und Aufgabendauer entscheidend ist. Dies hilft zu identifizieren, welche spezifischen Aktivitäten am längsten dauern und zur Gesamtzykluszeit sowie potenziellen Verzögerungen beitragen.

Es ermöglicht die präzise Berechnung der Bearbeitungszeit für einzelne Aktivitäten und hilft dabei, zu identifizieren, welche Aufgaben die meiste Zeit und Ressourcen verbrauchen.

Dies kann in denselben Transaktionsprotokollen wie die Startzeit verfügbar sein, in einem separaten Feld wie 'completed_ts' oder 'end_time'. Wenn nicht direkt verfügbar, kann es manchmal aus der Startzeit der nachfolgenden Aktivität abgeleitet werden.

Dieses Attribut, oft als SKU (Stock Keeping Unit) bekannt, identifiziert den spezifischen Artikel, der an einer Lageraktivität beteiligt ist. Ein einzelner Lagerauftrag kann mehrere Materialien enthalten, die jeweils in separaten Positionen oder Aufgaben bearbeitet werden.

Die Analyse des Prozesses nach Material-ID kann produktspezifische Probleme aufdecken. Zum Beispiel könnten bestimmte Artikel anfälliger für Qualitätsprüfungsausfälle, Kommissionierfehler oder längere Bearbeitungszeiten aufgrund ihrer Größe, ihres Gewichts oder ihrer Lageranforderungen sein. Dies hilft bei der Optimierung von Lagerstrategien und Handhabungsverfahren für verschiedene Produkttypen.

Es ermöglicht eine Analyse auf Produktebene, um festzustellen, ob bestimmte Artikel mit Prozessverzögerungen, Fehlern oder Nacharbeit verbunden sind.

In den Auftragszeilen-Tabellen in Manhattan SCALE zu finden, verknüpft mit dem Hauptlagerauftrag.

Dieses Attribut erfasst die gemessene Menge an Waren an einem wichtigen Kontrollpunkt, wie dem Wareneingang oder der Kommissionierung. Es repräsentiert, was physisch gehandhabt wurde, was von dem Geplanten abweichen kann.

Der Vergleich der tatsächlichen Menge mit der geplanten Menge ist entscheidend für die Identifizierung von Diskrepanzen. Dies ist die Grundlage für das Dashboard 'Order Quantity Discrepancy Trends' und den zugehörigen KPI. Die Verfolgung dieser Unterschiede hilft, Probleme bei der Lieferantengenauigkeit, Bestandsaufzeichnungen oder Kommissionierfehlern zu lokalisieren, die für die Wahrung der Bestandsintegrität entscheidend sind.

Sie ist entscheidend für die Identifizierung von Diskrepanzen zwischen geplanten und ausgeführten Mengen und hebt potenzielle Probleme bei der Bestandsgenauigkeit oder operative Fehler hervor.

In den Transaktionsdetaildatensätzen für Aktivitäten wie Empfang, Zählung oder Kommissionierung in Manhattan SCALE zu finden.

Diese Metrik berechnet die Gesamtdauer für jeden Lagerauftrag, vom Event 'Warehouse Order Created' bis zum Event 'Warehouse Order Completed'. Sie ist ein Schlüsselindikator, der die End-to-End-Effizienz des gesamten Lagerabwicklungsprozesses misst.

In Dashboards und Analysen bietet dieses Attribut einen Überblick über die Gesamtleistung. Es wird verwendet, um Trends zu verfolgen, Ausreißer (verlängerte Zykluszeiten) zu identifizieren und die Leistung über die Zeit zu benchmarken. Es unterstützt direkt das Dashboard 'Overall Order Fulfillment Cycle Time' und den entsprechenden KPI.

Dies ist ein kritischer KPI, der die durchgängige Geschwindigkeit und Effizienz des Lagers misst und sich direkt auf die Kundenzufriedenheit und die Betriebskosten auswirkt.

Dies ist ein berechnetes Feld, das durch die Differenz zwischen den Timestamps des ersten und letzten Events für jeden Warehouse Order abgeleitet wird.

Dieses Attribut gibt die Menge eines Artikels an, die gemäß dem ursprünglichen Lagerauftrag oder der Aufgabenanweisung erwartet wurde. Es ist die Basis, an der die tatsächliche Operation gemessen wird.

Dieser Wert wird in Verbindung mit der 'Actual Quantity' verwendet, um Diskrepanzen zu berechnen. Häufige Unterschiede zwischen geplanten und tatsächlichen Mengen können auf Probleme mit Lieferantensendungen, Bestandsgenauigkeit oder Kommissionierprozessen hinweisen, was dieses Attribut zu einem Schlüssel für die Qualitäts- und Genauigkeitsanalyse macht.

Sie dient als Basis für die Messung der Mengen-Genauigkeit und hilft, Diskrepanzen zu identifizieren, die sich auf den Bestand und die Auftragsabwicklung auswirken.

In Auftragszeilen- oder Aufgaben-Detailtabellen innerhalb von Manhattan SCALE zu finden.

Dieses boolesche Attribut identifiziert Fälle von Nacharbeit, z.B. wenn eine Aktivität wie 'Waren aus Lager entnommen' mehr als einmal für dasselbe Material innerhalb eines einzigen Auftrags durchgeführt wird. Es wird durch die Analyse von Mustern im Prozessfluss abgeleitet.

Das Kennzeichnen von Nacharbeit ist entscheidend für die Identifizierung von Prozesseffizienz und Fehlern. Es hilft, den KPI 'Picking Rework Rate' zu quantifizieren und ermöglicht Analysten, Fälle mit wiederholten Schritten zu isolieren und zu untersuchen. Das Verständnis der Ursachen von Nacharbeit ist der Schlüssel zur Reduzierung von Betriebskosten und zur Verbesserung der Prozessqualität.

Es kennzeichnet ineffiziente Schleifen und wiederholte Arbeit innerhalb des Prozesses, die oft versteckte Quellen von Verzögerungen und erhöhten Betriebskosten sind.

Dies ist ein berechnetes Attribut, das typischerweise innerhalb des Process Mining Tools abgeleitet wird, indem Regeln definiert werden, die spezifische wiederholte Aktivitätsmuster (z.B. Selbst-Loops oder kurze Loops) erkennen.

Dieses boolesche Attribut wird durch den Vergleich des 'Actual Completion Date' mit dem 'Requested Completion Date' abgeleitet. Es ist wahr, wenn die Bestellung pünktlich abgeschlossen wurde, und falsch, wenn sie verspätet war.

Dieses Attribut vereinfacht die Performance-Analyse, indem es ein einfaches Filtern und Aggregieren ermöglicht. Es ist die Grundlage für die Berechnung des KPIs 'On-Time Shipment Rate' und speist Dashboards, die die Einhaltung von Kunden-SLAs verfolgen. Es trennt schnell konforme von nicht-konformen Bestellungen und ermöglicht eine Ursachenanalyse bei verspäteten Bestellungen.

Es vereinfacht die Leistungsberichterstattung, indem es Datumsvergleiche in ein einfaches Wahr/Falsch-Kennzeichen umwandelt, was die Berechnung der pünktlichen Versandrate erleichtert.

Berechnet durch den Vergleich 'ActualCompletionDate' <= 'RequestedCompletionDate'. Diese Logik wird im Process Mining Tool angewendet.

Dieses Attribut identifiziert den physischen Standort (z.B. Gang 5, Fach 3, Ebene C), der an einer Lager- oder Entnahmeaktivität beteiligt ist. Es bietet einen räumlichen Kontext für den Lagerprozess.

Die Analyse von Aktivitäten nach Lagerort ist entscheidend für die Optimierung des Lagerlayouts und des Materialflusses. Sie kann helfen, häufig aufgerufene Standorte, ineffiziente Reisewege während der Kommissionierung oder zu Stau neigende Bereiche zu identifizieren. Diese Daten unterstützen die Analyse der Einlagerungs- und Kommissioniereffizienz und zeigen Möglichkeiten zur Verbesserung von Lagerstrategien auf.

Es bietet räumlichen Kontext zu Lagerbewegungen und ermöglicht die Analyse der Layout-Effizienz, der Fahrzeiten und der Optimierung von Kommissionierwegen.

Enthalten in den Aufgaben-Level-Daten für Einlagerungs- und Kommissionieraktivitäten in Manhattan SCALE, in Feldern wie 'location_id', 'bin_code' oder 'source_location'.

Diese Metrik wird als 'Actual Quantity' minus 'Planned Quantity' berechnet. Ein Wert ungleich Null weist auf eine Diskrepanz zwischen der tatsächlich gehandhabten Menge und der erwarteten Menge hin. Der Wert kann positiv (Überbestand) oder negativ (Fehlbestand) sein.

Dieses Attribut ist die Grundlage des KPIs 'Order Quantity Discrepancy Rate'. Es quantifiziert das Ausmaß von Fehlern beim Wareneingang oder bei der Kommissionierung und bietet eine klare Metrik für Dashboards, die die Bestandsgenauigkeit verfolgen. Die Analyse der Trends und Ursachen dieser Diskrepanzen ist entscheidend für die Verbesserung der operativen Präzision.

Sie quantifiziert direkt Inventur- und Auftragserfüllungsfehler und liefert eine klare Metrik zur Verfolgung der Genauigkeit und der finanziellen Auswirkungen von Diskrepanzen.

Dies ist ein berechnetes Feld, das im Process Mining Tool durch die Formel: ActualQuantity - PlannedQuantity abgeleitet wird.

Dieses Attribut erfasst das Ergebnis der Aktivität 'Qualitätsprüfung durchgeführt'. Es zeigt an, ob die erhaltenen Waren die erforderlichen Qualitätsstandards erfüllten oder ob weitere Maßnahmen erforderlich sind.

Dies ist ein kritisches Attribut für die Qualitätsmanagementanalyse. Es hilft bei der Verfolgung der 'Quality Control Compliance Rate' nicht nur in Bezug auf die Einhaltung, sondern auch auf die Ergebnisse. Die Analyse von Ausfallraten nach Lieferant oder Material kann dazu beitragen, Beschaffungsentscheidungen zu verbessern und die nachgelagerten Kosten, die mit minderwertigen Waren verbunden sind, zu reduzieren.

Es liefert das Ergebnis von Qualitätsprüfungen und ermöglicht die Analyse der Lieferantenqualität, Produktprobleme und die Effektivität des Inspektionsprozesses.

Konsultieren Sie die Manhattan SCALE-Dokumentation. Dies würde wahrscheinlich in Tabellen gespeichert, die mit Qualitätsmanagement oder Wareneingangsaufgaben zusammenhängen.

Die Shipment ID ist ein übergeordneter Identifikator, der einen oder mehrere Lageraufträge konsolidiert, die zusammen auf demselben Fahrzeug oder als Teil derselben Sendung transportiert werden. Sie verknüpft einzelne Aufträge mit einem spezifischen Transport-Event.

In der Analyse ermöglicht die Shipment ID eine breitere Sicht auf Logistikoperationen. Sie kann verwendet werden, um die Effizienz des Konsolidierungsprozesses in den Bereitstellungs- und Ladephasen zu analysieren, die pünktliche Leistung auf Sendungsebene zu messen und zu verstehen, wie die Auftragskonsolidierung die Gesamtlieferzeiten beeinflusst.

Es gruppiert mehrere Aufträge zu einem einzigen Versandereignis und ermöglicht die Analyse der Konsolidierungs-, Staging- und Verladungsprozesse.

In den Transport- oder Sendungsmanagement-Tabellen innerhalb von Manhattan SCALE zu finden. Diese ID verknüpft typischerweise mit mehreren Lageraufträgen.

Dieses Attribut identifiziert den Logistikpartner oder Spediteur (z.B. FedEx, UPS, DHL), der einer ausgehenden Sendung zugewiesen ist. Es verknüpft den Lagerprozess mit dem nachgelagerten Transportabschnitt.

Die Leistungsanalyse nach Spediteur kann wichtige Einblicke in die Lieferkette geben. Sie hilft festzustellen, ob bestimmte Spediteure mit längeren Bereitstellungszeiten, häufigen Verzögerungen oder spezifischen Handhabungsanforderungen verbunden sind. Diese Informationen können zur Bewertung der Spediteurleistung und zur Optimierung von Logistikpartnerschaften genutzt werden.

Es verbindet Lagerabläufe mit Logistikpartnern und ermöglicht eine Leistungsanalyse nach Spediteur, um potenzielle transportbedingte Engpässe zu identifizieren.

In den Versand- oder Transportplanungstabellen innerhalb von Manhattan SCALE zu finden, oft mit dem Auftrags-Header verknüpft.

Dieses Attribut ist der Timestamp, der den letzten Schritt des Lagerprozesses für einen Auftrag kennzeichnet, wie z.B. 'Shipment Dispatched'. Es repräsentiert die tatsächliche Abschlusszeit des Fulfillment-Prozesses.

Dieses Datum wird direkt mit dem 'Requested Completion Date' verglichen, um die pünktliche Versandleistung zu berechnen. Es ist der faktische Datenpunkt, der bestätigt, wann die Verantwortung des Lagers für den Auftrag endete. Die Analyse dieses Attributs hilft bei der genauen Messung der Fulfillment-Zykluszeiten und der Leistung gegenüber SLAs.

Sie liefert den faktischen Timestamp des Auftragsabschlusses, der zur Berechnung der tatsächlichen Durchlaufzeiten und zur Messung der Leistung im Vergleich zu den angeforderten Terminen verwendet wird.

Dies entspricht dem Timestamp der letzten Aktivität im Prozess, wie 'Sendung versandt' oder 'Lagerauftrag abgeschlossen'.

Dieses Attribut spezifiziert das Material Handling Equipment (MHE) oder die Technologie, die zur Durchführung einer Lageraufgabe verwendet wird. Dies kann spezifische Gabelstapler-IDs, Palettenhubwagen-Nummern oder Handheld-RF-Scanner-IDs umfassen.

Diese Daten sind wertvoll für die Ressourcen-Nutzungsanalyse über menschliche Bediener hinaus. Sie helfen, Nutzungsmuster teurer Ausrüstung zu verstehen, Wartungsarbeiten zu planen und sicherzustellen, dass die richtigen Werkzeuge bei Bedarf verfügbar sind. Es unterstützt direkt KPIs wie 'Resource Utilization (Picking)', indem es eine weitere Dimension für die Analyse bietet.

Es ermöglicht die Analyse der Gerätenutzung und deren Einfluss auf die Prozesseffizienz, was bei der Verwaltung von Wartungsplänen und Investitionen in MHE hilft.

Konsultieren Sie die Manhattan SCALE-Dokumentation oder Systemprotokolle. Dies könnte in Aufgaben-Ausführungsdatensätzen erfasst werden, wenn das System dafür konfiguriert ist.

Diese berechnete Metrik misst die Dauer eines kritischen Teils des Wareneingangsprozesses: die Zeit zwischen der Aktivität 'Waren erhalten und gezählt' und der Aktivität 'Waren eingelagert'. Sie quantifiziert die Effizienz des Wareneingangsdocks und der Einlagerungsvorgänge.

Diese Dauer ist eine Schlüsselinformation für das 'Goods Receipt to Putaway Cycle' Dashboard und den entsprechenden KPI. Hohe Werte für diese Metrik können auf Engpässe an der Warenannahme, Verzögerungen bei der Erstellung von Einlagerungsaufgaben oder ineffiziente Wege hinweisen, die alle die Bestandsverfügbarkeit verzögern.

Es isoliert und misst die Effizienz eines kritischen Wareneingangsprozessschritts und hebt Engpässe hervor, die die Bestandsverfügbarkeit verzögern.

Dies ist ein berechnetes Feld, das durch die Ermittlung der Zeitdifferenz zwischen den Events 'Waren erhalten und gezählt' und 'Waren eingelagert' für einen bestimmten Case abgeleitet wird.