Supply Chain Management (SCM)

KI in der Supply Chain

von - 05.07.2019
Treiber der Supply-Chain-Digitalisierung
Strategen voran: In den meisten Unternehmen sind die eigenen Fachabteilungen Treiber der Digitalisierung.
(Quelle: BME "Digitalisierung in Supply Chains", n = 251 )
Intelligente Prognosesysteme, die eine inte­grierte Planung und Steuerung der gesamten Supply Chain ermöglichen, gehören zum Me­tier von Inform. Das Unternehmen entwickelt Software zur Optimierung von Geschäftsprozessen mittels Digital Decision Making auf Basis von Künstlicher Intelligenz.
Laut Peter Frerichs, Leiter des Geschäftsbereichs Inventory & Supply Chain bei Inform, beantwortet sein Unternehmen die wichtigsten Fragestellungen der internen und externen Logistik, etwa zur Absatzplanung (Welchen Bedarf haben die Kunden? Welche Budgets?), zur Lagerhaltung, zu den Formen der Distribution sowie zur Produktions- und Einkaufsplanung, um die verschiedenen Prozesse ganzheitlich aufeinander abzustimmen.
Inform nutzt Algorithmen und mathematische Verfahren wie Machine Learing und Deep Learning schon sehr lange für Prognosen, um die Supply Chain von Unternehmen zu optimieren. „Lieferketten werden komplexer. Die wachsende Datenmenge lässt sich nur noch mit intelligenter Software sinnvoll nutzen, um bessere Kenntnis über Kunden oder Branchenentwicklungen zu erlangen“, betont Peter Frerichs. „KI-gestützte Systeme haben im Gegensatz zum Menschen eine praktisch unbegrenzte Aufnahmefähigkeit. Für Berechnungen, die heute sekundenschnell passieren, waren vor einigen Jahren noch Monate nötig. Außerdem sind diese Systeme lernfähig und können teilweise selbstständig auf unerwartete Störungen reagieren und Gegenmaßnahmen veranlassen.“
Peter Frerichs
Peter Frerichs
Leiter des Geschäftsbereichs Inventory & Supply Chain bei Inform
www.inform-software.de
Foto: Inform
„Lieferketten werden komplexer. Die wachsende Datenmenge lässt sich nur noch mit intelligenter Software sinnvoll ­nutzen, um bessere Kenntnis über Kunden oder Branchenentwicklungen zu erlangen.“
Eine Herausforderung sei dabei immer die Heterogenität der vorliegenden Informationen, Datentöpfe und IT-Systeme. „Wir haben daher eine Middleware gebaut, um die Daten aus den unterschiedlichen Datenquellen zusammenzufassen und eine einheitliche Datenbasis zu schaffen“, erklärt Frerichs.

Verfügbarkeit prognostizieren

Ein wichtiges Anwendungsgebiet für maschinelles Lernen sieht Peter Frerichs bei Problemen mit der Verfügbarkeit von Bauteilen. Wenn die Rohwaren oder Zukaufteile für die Produkte nicht rechtzeitig zum geplanten Termin angeliefert werden, müssen Firmen schnell reagieren und entscheiden, um einen Stillstand in der Fertigung zu vermeiden. Gibt es Ersatzlieferanten? Kann ein anderes Produktionslos vorgezogen werden, bis Nachschub angeliefert wird? „Die nötigen Analysen für Alternativen und ihre Konsequenzen können Stunden und Tage dauern. Wenn Firmen unter solchem Druck umplanen müssen, sollten sie auf selbstlernende und mit Algorithmen arbeitende Systeme setzen“, rät Frerichs. „Damit lassen sich innerhalb kürzester Zeit die Auswirkungen von Störungen auf die Prozesse der Supply Chain berechnen. Planer können dann auch bei unerwarteten Vorkommnissen souverän agieren und die bestmögliche Entscheidung treffen.“
So lässt sich mit Hilfe von maschinellem Lernen beispielsweise berechnen, wie sich Phasen der Hochkonjunktur mit einem hohen Auftrags- und Transportaufkommen auf Liefer- oder Versandzeiten auswirken. Ähnliche Situationen ergeben sich auch in saisonal geprägten Verkaufsspitzen, etwa vor Weihnachten. Firmen können Algorithmen zudem einsetzen, um Änderungen in letzter Minute zu verwalten. Dazu gehören die Auswahl eines alternativen Hafens, wenn der ursprünglich geplante Hafen nicht erreichbar oder blockiert ist, oder die Vorhersage der Ankunftszeit. Ein weiteres Szenario für KI: Algorithmen stellen sicher, dass Firmen ihre Lieferanten nach qualitativen sowie quantitativen Leistungskennzahlen auswählen. Durch neue Entscheidungsmodelle können sie ihren Einkauf dadurch strategischer ausrichten.
Beim Feststellen der Bestellmenge werden Absatzprognosen zukünftig eine noch höhere Bedeutung erhalten, um die Lieferkette zu optimieren. Ein Beispiel für Big Data und KI ist das von Amazon als Patent eingereichte Prinzip „Anticipatory Shipping“, über das der Konzern Warenströme zeitlich und räumlich genau vorhersagen kann. Das Unternehmen analysiert dazu das Surf- und Bestellverhalten sowie die Wunschlisten und Persönlichkeitsmerkmale seiner Kunden und prognostiziert, an welchem Ort welche Produkte zu welchem Zeitpunkt bestellt werden. Die vermutlich bald bestellten Waren werden dann an das entsprechende Verteilzentrum geschickt, um die Lieferzeiten bei der tatsächlichen Bestellung zu verkürzen. Optimierung der Supply Chain at its best.
Verwandte Themen