How might the use of Blockchain technology affect supply chain risks and their management?

https://decisionsciences.org/annual-conferences/national-dsi/

Transparency in the supply chain is essential to maintain efficient supply chain risk management (SCRM). Blockchain technology can be applied to improve visibility in supply chains. But with increased transparency, SCRM is faced with new challenges. In our new article, the application of blockchain technologies’ effects on supply chain risks are analyzed. For this purpose, a fictitious case is created in which blockchain technology is applied to a manufacturer of medical technology products‘ supply chain. The findings of the paper include (1) the effects on supply chain risks (2) recommendations for the implementation of future SCRM in blockchain.

Today, I will present our research results at 2020 DSI Annual Conference – Decision Sciences in the Age of Connectivity https://decisionsciences.org/annual-conferences/national-dsi/

If your are interested in our research, just contact us.

Einsatz von Künstlicher Intelligenz (KI) zur Reduktion von Lieferrisiken

Bild: ©iStock.com/GoodLifeStudio

(English version below)

Der Einsatz von Künstlicher Intelligenz, insb. des Maschinellen Lernens (ML), biete große Vorteile, um Lieferrisiken frühzeitig aufzuspüren.

Die Suche und das Kontaktieren passgenauer Lieferanten sowie das Warten auf die Antwort nimmt häufig viel Arbeitszeit in Anspruch, wobei oft nur eine geringe Trefferquote erreicht wird. Mit dem Einsatz von Maschinellem Lernen können Lieferrisken proaktiv reduziert bzw. ganz ausgeschlossen werden (Cavalcante 2019; Hamdi et al. 2018). Durch die Auswertung historischer Daten, können zudem Empfehlungen für die Lieferanteneffizienz und -performance gemacht werden, indem neben Preis, Produktqualität, Produktmenge und dem Service auch Risikofaktoren für Unsicherheit, Verwundbarkeit und mögliche Versorgungsstörungen hinzugezogen werden. Nicht-qualifizierte Lieferanten können somit z.B. vorab von der Angebotseinholung ausgeschlossen und der Prozess somit deutlich effizienter abgewickelt werden.

Ist das Unternehmen zudem in der Lage ist, noch vor seinen Wettbewerber den Ausfall eines Lieferanten vorherzusehen, stellt der Einsatz von ML einen Wettbewerbsvorteil dar. Denn das Unternehmen kann auf Basis der frühzeitigen Information einen alternativen Lieferanten suchen, noch bevor die Konkurrenz aktiv wird.

„Wenn ich Ihnen erzähle, dass wir jetzt schon KI nutzen, dann löse ich doch eine Lawine aus und verliere meine Wettbewerbsvorteile.“ (Deloitte 2020, S. 18)

Es ist somit nicht verwunderlich, dass in der Literatur bislang nur wenige Beispiele zum Einsatz von ML im Lieferantenmanagement zu finden sind. Nachfolgend seien drei Beispiele genannt:

  • Volkswagen hat einen Bieterlistengenerator entwickelt, der mittels Maschinellem Lernen passgenau mögliche Anbieter ermittelt
  • Um die Zuverlässigkeit der Lieferungen vorhersagen zu können, hat der Automobilzulieferer Hella GmbH & Co. KGaA den Einsatz von ML-Techniken getestet. Hierbei wurden die Wareneingangshistorie, Einkaufs- und Lieferdaten, Lieferanten- und Materialstammdaten, etc. im ML verwendet, um die Liefermengenzuverlässigkeit für einen definierten Zeitraum von 30 Tagen prognostizieren zu können. (Huang 2020)
  • Auch die LEAR Corporation, ein weltweit tätiger Hersteller von Autositzen und elektrischen Verteilsystemen, setzt ML bereits in fünf LEAR-Werken ein, um Ausfälle frühzeitig vorhersehen zu können. Zur Erkennung der Volumenabweichungen bei der Transportanmeldung fließen mehr als 30 Einflussfaktoren in die Analyse ein. Alle bekannten Transportaufträge werden für die Folgewoche durch das System geprüft. Stellt der Algorithmus ein Risiko fest, werden die betroffenen Personen automatisch informiert, um entsprechende Maßnahmen einleiten zu können (Logistik heute 12/2019)

Die aktuelle Studie von Deloitte (2020) macht jedoch einmal mehr deutlich, dass sich der Einsatz von ML im Lieferantenmanagement noch in den Kinderschuhen befindet (S. 17).

 

The Use of AI to Reduce Delivery Risks

The use of artificial intelligence, especially machine learning (ML), offers significant advantages for detecting delivery risks at an early stage.

The search for and contacting of suitable suppliers, as well as the time spent waiting on their respective answers, often consumes substantial working time and ultimately receives a low response rate. The use of machine learning can proactively reduce or avoid certain delivery risks (Cavalcante 2019; Hamdi et al. 2018). By analyzing historical data, recommendations for supplier efficiency and performance can be made, taking into account not only price, product quality, product quantity, and service but also the risk factors of uncertainty, vulnerability and possible supply disruptions. Non-qualified suppliers can thus be excluded in advance from bid solicitation and the process can be handled much more efficiently.

If the company is also able to foresee the failure of a supplier before its competitors do, the use of ML represents a competitive advantage. This is because the company can use the early information to look for an alternative supplier even before the competition becomes actively aware of the need to.

„If I tell you that we are already using AI, then I am triggering an avalanche and losing my competitive advantages.” (Deloitte 2020, p. 18)

It is therefore not surprising that only a few examples of the use of ML in supplier management can be found in the literature. Three examples are given below:

  • Volkswagen has developed a bidder-list-generator that uses machine learning to precisely determine possible suppliers
  • To be able to predict the reliability of deliveries, the automotive supplier Hella GmbH & Co. KGaA tested the use of ML techniques. Here, the receipt history of goods, purchasing and delivery data, supplier and material master data, etc. were used in ML in order to be able to predict the reliability of delivery quantities for a defined period of 30 days. (Huang 2020)
  • The LEAR Corporation, a globally active manufacturer of car seats and electrical distribution systems, also uses ML in five LEAR plants in order to be able to anticipate failures at an early stage. More than 30 influencing factors are included in the analysis to detect volume deviations during transport registration. All known transport orders are checked by the system for the following week. If the algorithm detects a risk, the persons concerned are automatically informed so that appropriate measures can be taken (Logistik heute 12/2019)

However, the current study by Deloitte (2020) once again makes it clear that the use of ML in supplier management is still in its infancy (p. 17).

Auf dem Weg zum Supply Chain Risikomanagement 4.0 (SCRM 4.0)

Foto: Pixabay (CC0)

(English version below)

An unserem Institut für Logistik und Unternehmensführung (TU Hamburg) beschäftigen wir uns mit der Frage, welchen Einfluss neue Technologien auf das SCRM, insbesondere auf die einzelnen Phasen der Risikoidentifikation, der -analyse und -bewertung, dem Management sowie der Risikokontrolle, ausüben. Im Fokus der Analyse stehen die Anwendung von künstlicher Intelligenz, insb. dem Maschinellem Lernen, ebenso wie Cloud Technologien, Sensorik und Robotik.

Wir subsumieren das Themenfeld unter dem Begriff „Supply Chain Risikomanagement 4.0 (SCRM 4.0)“. SCRM 4.0. kann dabei definiert werden als der Baustein des Supply Chain Managements, der alle Strategien, Prozesse und damit verbundenen Maßnahmen umfasst, die durch IoT (Internet der Dinge) dazu geeignet sind, Risiken innerhalb einer Supply Chain zu reduzieren und Resilienz zu fördern. Bei Interesse an unserer Forschung, kontaktieren Sie uns gerne.

Towards Supply Chain Risk Management 4.0 (SCRM 4.0)

What influence do the new technologies have on SCRM?
At our Institute for Logistics and Corporate Management (TU Hamburg), we are dealing with the question of what influences new technologies exert on SCRM, and specifically on the individual phases of the SCRM process: risk identification, analysis and assessment, management and risk control. The focus of the analysis is the application of artificial intelligence, in particular machine learning, as well as cloud technologies, sensors, and robotics. We categorize this topic as „Supply Chain Risk Management 4.0 (SCRM 4.0)“.

SCRM 4.0. can be defined as a building block of supply chain management which includes all strategies, processes, and related measures that are supported by IoT (Internet of things) and are both suitable for the reduction of risks within a supply chain and increase overall resilience.
If you are interested in our research, please contact us.

Erfolgsfaktoren bei der Einführung eines SCRM

Foto von eberhard grossgasteiger von Pexels

(English version below)

Im Rahmen der Forschungsprojekte wurde eine Reihe von Erfolgsfaktoren identifiziert, die auf der anderen Seite auch eine hinderliche Wirkung haben können, wenn diese nicht umgesetzt werden.

Erfolgsfaktoren Beschreibung
Interdisziplinarität Interdisziplinäre Abstimmung zur Einbeziehung spezifischen Wissens und Verteilung der Aufgaben
Datenverfügbarkeit Ausnutzung existierender interner Daten und Akquise von externen Informationen
Direkter Kontakt zur Geschäftsleitung Unterstützung des Implementierungsprozesses durch die Geschäftsleitung und kurze Eskalationswege zur Entscheidungsfindung
Handhabbarkeit Beherrschbarkeit des zu implementierenden SCRM
IT-Unterstützung (Teil-)Automatisierung von Aufgaben zur effizienten Bearbeitung
Klare Verantwortlichkeiten und Prozesse Definierter Projektmanager und standardisierte Abbildung der Prozesse zur klaren Koordination der Aufgaben und Abstimmung der Ziele
Mitarbeitermotivation Frühzeitige Involvierung der betroffenen Mitarbeiter und Etablierung einer SCRM-Kultur; Einbindung der operativen Ebene
Ressourcenverfügbarkeit Finanzielle und personelle Ausstattung
Zusammenarbeit mit Supply Chain Partnern Frühzeitige und intensive Zusammenarbeit mit Supply Chain Partnern; Austausch von relevanten Informationen und Abstimmung über Maßnahmen
Als ein wichtiger Erfolgsfaktor ist die interdisziplinäre Zusammenarbeit innerhalb eines Unternehmens zu nennen. Die Abstimmung einzelner Abteilungen, die an unterschiedlichen Stellen der Wertschöpfung tätig sind, ist für ein ganzheitliches SCRM unerlässlich. Darüber hinaus stellt die Zusammenarbeit mit Supply Chain Partnern nicht nur eine Herausforderung dar, sondern auch ein großes Potential zur Beherrschung von Supply Chain Risiken. Insbesondere der Austausch von Informationen und die enge Abstimmung von Maßnahmen spielt hier eine entscheidende Rolle. Zur Bearbeitung der einzelnen SCRM-Phasen, ist eine ausreichende personelle und finanzielle Ausstattung erforderlich. Die involvierten Mitarbeiter spielen für den Erfolg des SCRM eine herausragende Rolle und müssen entsprechend eingebunden und motiviert sein. Aus Sicht des Projektmanagements, ist ein designierter Projektmanager erforderlich, der für das gesamte Projekt die Verantwortung übernimmt und über entspreche Befugnisse verfügt. Zur Abstimmung aller beteiligten und zur dauerhaften Umsetzung ist eine klare Festlegung der Prozesse erforderlich. Im Idealfall werden diese in verwendeten IT-Systemen entsprechend abgebildet. Diese können erheblich zur Automatisierung beitragen, wenn entsprechende Daten zur Verfügung stehen. Das Gesamtprojekt muss von Anfang an realistisch geplant und von der Geschäftsführung unterstützt werden. Dabei darf die Beherrschbarkeit nicht aus den Augen verloren werden.

 

Auszug aus dem Abschlussbericht des von der AiF-Forschungsvereinigung und Bundesvereinigung Logistik e.V. geförderten Projektes „Situationsadäquate Implementierung eines Supply Chain Risk Management.“

SCRM lead Success Factors

A number of success factors have been identified in the research projects, which, if they are not implemented, can also have an obstructive effect.

Success factorsDescription
Degree of InterdisciplinaryInterdisciplinary coordination to include specific knowledge and distribution of tasks
Data availabilityExploitation of existing internal data and acquisition of external information
Direct contact to the managementSupport of the implementation process by the management and short escalation paths for decision making
UsabilityControllability of the SCRM to be implemented
IT support(Partial) automation of tasks for efficient processing
Clear responsibilities and processesDefined project management and standardized mapping of processes for clear coordination of tasks and alignment of objectives
Employee motivationEarly involvement of affected employees and establishment of a SCRM culture; involvement at an operational level
Availability of resourcesFinancial and human resources
Cooperation with supply chain partnersEarly and intensive cooperation with supply chain partners; exchange of relevant information and coordination of measures

An important success factor is the company’s internal, interdisciplinary cooperation. Coordination between individual departments involved in different points of the value chain is essential for holistic SCRM. In addition, cooperation with supply chain partners offers significant potential for controlling supply chain risks; the fluid exchange of information and the close coordination of implemented measures will play a decisive role here.

Adequate human and financial resources are required to process the individual SCRM phases. The employees involved play a significant role in the success of SCRM and must be appropriately involved and motivated. From the point of view of project management, a designated project manager, who takes responsibility for the entire project and has appropriate authority, is required. A clear definition of the processes is necessary to coordinate all parties involved and to ensure that they are implemented on a permanent basis. Ideally, these are mapped according to the IT systems used. These can make a significant contribution to automation, if corresponding data is available. The overall project must be realistically planned from the beginning and supported by management. At the same time, the realistic manageability of the project must remain always in view.

Excerpt from the final report of the project „Situational Adequate Implementation of a Supply Chain Risk Management.

Hindernisse bei der Einführung eines SCRM

Foto von Andrea Piacquadio von Pexels

(English version below)

Im Rahmen unsere Forschungsprojekte haben wir uns intensiv mit den Hindernissen beschäftigt, die bei der Einführung eines SCRM auftreten können. Die nachfolgende Tabelle gibt einen Überblick über die bei der SCRM-Implementierung potenziell auftretenden Hindernisse, die in den untersuchten Unternehmen identifziert wurden.

Hindernisse Beschreibung
Fehlende Automatisierung Manuelle Bearbeitung von wiederkehrenden Aufgaben führt zu einer hohen Ressourcenauslastung
Geringe Informationsdichte Unzureichende Informationen (Häufigkeit und Qualität) beeinträchtigen die Durchführung eines SCRM
Hohe Komplexität Die organisatorische Komplexität wird als Hindernis gesehen, da eine hohe Anzahl von Abteilungen und Mitarbeiter involviert werden müssen
Geringe Machtposition Eine geringe Machtposition in der Supply Chain behindert die SCRM-Implementierung
Mangelhafte IT Inkompatible IT-Systeme
Fehlende Priorisierung Fehlende Erkenntnis über die Notwendigkeit eines SCRM führt zu einer niedrigen Priorisierung desselben
Fehlende Quantifizierung Die monetäre Quantifizierung von Supply Chain Risiken stellt eine Herausforderung dar
Mangelnde Transparenz Mangelnde Transparenz in der Supply Chain erschwert die SCRM-Implementierung
Unzureichendes Wissen Geringes oder fehlendes Wissen über Methoden des SCRM erschweren die Implementierung
Mangelndes Vertrauen Beschränkter Austausch von Informationen aufgrund von Vertraulichkeiten stellt ein Problem dar
Hindernisse bei der Einführung eines SCRM

Die betrachteten Unternehmen sind mit einer Reihe von SCRM-spezifischen Problemen konfrontiert. Die regelmäßige Durchführung der SCRM-Phasen erfordert zur effizienten Bearbeitung einen hohen Grad an Automatisierung. Insbesondere ist es erforderlich, eine große Anzahl von Daten zu verarbeiten, um aktuelle Entwicklungen frühzeitig erkennen zu können. Die Unterstützung durch IT-Systeme ist hierbei von großer Bedeutung. Allerdings erschweren häufig Kompatibilitätsprobleme den effizienten IT-Einsatz. Weiterhin kann es in der Praxis beim Austausch von Daten zwischen Supply Chain Partnern zu Problemen kommen. Vertraulichkeiten, aber auch eine geringe Machtposition sind hier von Relevanz. Die Zusammenarbeit mit Supply Chain Partnern kann durch eine mangelnde Transparenz innerhalb der Wertschöpfungskette behindert werden. Aus organisatorischer Sicht stellt die fehlende Priorisierung des SCRM ein großes Hindernis dar. Verstärkt wird diese fehlende Notwendigkeit der Einführung durch eine vorhandene Komplexität des Themas. Eine hohe Anzahl von unterschiedlichen Abteilungen und Personen muss im Idealfall in ein SCRM involviert werden. Zur Kosten-Nutzen-Schätzung wäre hierfür eine exakte monetäre Bewertung vorteilhaft, die allerdings häufig nicht möglich ist. Dafür sind weitreichende Methodenkenntnisse erforderlich.

Auszug aus dem Abschlussbericht des von der AiF-Forschungsvereinigung und Bundesvereinigung Logistik e.V. geförderten Projektes „Situationsadäquate Implementierung eines Supply Chain Risk Management.“

Obstacles to the introduction of a SCRM

Within the framework of our research projects, we have intensively dealt with obstacles that can arise when introducing SCRM. The following table provides an overview of the potential obstacles to SCRM implementation that were identified in the companies investigated.

ObstaclesDescription
Lack of automationManual processing of recurring tasks leads to high resource utilization
Low information density Insufficient information (frequency and quality) affects the implementation of SCRM
High complexity Organizational complexity is seen as an obstacle, as a large number of departments and employees must be involved
Low position of power A low power position in the supply chain hinders SCRm implementation
Defective IT Incompatible IT-Systems
Lack of prioritizationLack of awareness of the need for a SCRM leading to low prioritization of SCRM
Lack of quantificationThe monetary quantification of supply chain risks poses a challenge
Lack of transparencyLack of transparency in the supply chain makes SCRM implementation difficult
Insufficient knowledgeLittle or no knowledge of SCRM methods complicates implementation
Lack of confidenceLimited exchange of information due to confidentiality is a problem
Obstacles that can arise when introducing SCRM

The companies under consideration are confronted with a number of SCRM-specific problems. The regular execution of the SCRM phases requires a high degree of automation for efficient processing. In particular, it is necessary to process a large amount of data in order to identify current developments at an early stage. The support provided by IT systems is of great importance here. However, compatibility problems often hamper the efficient use of IT.

Furthermore, problems can arise in practice when exchanging data between supply chain partners. Confidentiality and a low power position are relevant here. Cooperation with supply chain partners can be hindered by a lack of transparency within the value chain. From an organizational perspective, the lack of prioritization of SCRM is a major obstacle. This lack of need for implementation is reinforced by the existing complexity of the topic. Ideally, a large number of different departments and people must be involved in an SCRM. For a cost-benefit estimate, an exact monetary evaluation would be advantageous for this purpose, but this is often not possible. This requires extensive methodological knowledge.

Excerpt from the final report of the project, „Situational Adequate Implementation of a Supply Chain Risk Management.

Wandel des Risikomanagements durch Big Data

Foto: Pixabay (CC0)

(English version below)

Die sinnvolle und nutzenbringende Auswertung großer Mengen an unstrukturierten Daten stellt das bislang in der Praxis etablierte Risikomanagement vor eine Reihe von neuen Herausforderungen, die im Folgenden kurze zusammengefasst werden (Rogers 2017):

  • Die Einbindung von Big Data in den Risikomanagementprozess wird in Zukunft noch weiter ausgebaut werden. Somit kommt sowohl der Zugänglichkeit und Validierung der Daten als auch der Verwendung entsprechender Analyse- und Auswertungstools eine zentrale Rolle zu.
  • Im Rahmen der Risikoidentifikation sollten daher zunächst Vorüberlegungen angestellt werden, die sich mit Fragen, wie z.B. „Wer speist die Daten ein?“, „Wie kann die Aktualität, Vollständigkeit und Kompatibilität der Daten sichergestellt werden?“, „Wie kann die Datenqualität garantiert werden?“ beschäftigen.
  • Auch müssen ggf. gewohnte Vorgehensweisen angepasst werden, um kostbare Ressourcen sparsam einzusetzen: so ist es ratsam, zunächst das Ziel der Datenanalyse festzulegen (z.B. Vorhersage des Ebola Infektionsrisikos), anstatt zu versuchen, möglichst viele Auswertungsmöglichkeiten aus einem verfügbaren Datensatz zu ziehen, die ggf. nicht alle zielführend sind.
  • Für eine bessere, umfangreichere Datenverfügbarkeit muss das Risikomanagement zukünftig noch stärker auf die interdisziplinäre Zusammenarbeit in den Unternehmen ausgerichtet werden. Gleichzeitig können wie zuvor aufgezeigt, ggf. mehrere Bereiche von den Auswertungsergebnissen profitieren.
  • Für die Datenverarbeitung sind zudem die richtigen, neuen IT Tools einzusetzen (z.B. Amazon Elastic MapReduce, Microsoft Azure Cortana Analytics Suite), die auf effiziente Art und Weise die benötigten Informationen identifizieren, beispielweise durch Anwendung von maschinellem Lernen und Künstlicher Intelligenz.
  • Die kontinuierliche Auswertung von unstrukturierten Datenmengen kann jedoch nicht allein nur durch den Einsatz von IT Tools gemeistert werden. Es wird auch die Unterstützung von Experten, sog. Data Scientists, benötigt, welche die Datenanalyse technisch durchführen und Entscheidungshilfen herbeiführen. Hierzu gehören u.a. die manuelle Bereinigung von Rohdaten zur Steigerung der Datenqualität und das Programmieren von Algorithmen zur automatischen Nutzung von Echtzeitdaten.
  • Die stärkere Gewichtung der Datenanalyse im Risikomanagement wird somit zu einer Teilung der Verantwortlichkeiten zwischen Data Scientists und Risikomanagern führen.
  • Die Ergebnisse der Datenanalyse als Prognosehilfe in den Entscheidungen des Managements zu berücksichtigen, wird zukünftig zu den Kernaufgaben des Risikomanagers gehören.
  • Der Aufgabenfokus wird sich folglich hin zur stärkeren Entscheidungsfindung nach Datenlage, d.h. die richtigen Rückschlüsse aus den Daten zu ziehen, entwickeln. Somit ändern sich auch die Anforderungen an die Qualifikationen des Risikomanagers.
  • Die automatisierte Recherche und Auswertung von Echtzeitinformationen führt zu einer Reduzierung der manuellen Tätigkeiten des Risikomanagers. Somit bleibt mehr Zeit für analytische und strategische Aufgaben, d.h. es können mittel- und längerfristige Lösungen auf Basis der Ergebnisse von Big Data Science entwickelt werden (Al-Khazrage 2018, S. 58).

Es bleibt festzuhalten, dass der Einsatz von Big Data im Rahmen des Risikomanagements mit unterschiedlichen Auswirkungen verbunden ist. Zur Vorbereitung auf diese Veränderungen sollten die Unternehmen – je nach Ausstattung ihrer Ressourcen – frühzeitig entsprechende Maßnahmen anstoßen.

Auszug aus Schröder et al. 2019, Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (Hrsg.) Logistik im Wandel der Zeit, Springer: Wiesbaden, S. 121-136.

Changes in Risk Management via Big Data

The meaningful and beneficial evaluation of large amounts of unstructured data is the next important step for effective risk management as a whole to take. This challenge, along with several other new, pertinent challenges, will be briefly summarised below (Rogers 2017): 

  • The integration of Big Data into the risk management process will be further expanded in the future. Thus, both the accessibility and validation of the data and the use of corresponding analysis and evaluation tools will play a central role. 
  • Within the scope of risk identification, preliminary considerations should therefore be made to address questions such as „Who feeds the data?“, „How can the timeliness, completeness and compatibility of the data be ensured?“, and „How can data quality be guaranteed? 
  • It may also be necessary to adapt customized procedures in order to use limited resources sparingly: for example, it is advisable to first define the goal of data analysis (e.g. predicting the risk of Ebola infection) instead of trying to draw as many evaluation options as possible from an available data set without a specified goal in mind.
  • For better, more extensive data availability in the future, risk management must be geared more strongly towards interdisciplinary cooperation within companies. At the same time, as shown above, a multitude of departments may benefit from the evaluation of the results. 
  • For data processing, the correct IT tools–Amazon Elastic MapReduce, Microsoft Azure Cortana Analytics Suite–must be used to efficiently identify the required information (e.g., implementing machine learning and artificial intelligence).
  • However, the continuous analysis of unstructured data cannot be mastered by IT tools alone; the support of experts, i.e. data scientists, who perform technical data analysis and provide decision assistance is also necessary. This includes, among other things, a manual cleansing of raw data to increase data quality and the programming of algorithms for the automatic use of real-time data.
  • The increased emphasis on data analysis in risk management will thus lead to a division of responsibilities between data scientists and risk managers.
  • In the future, one of the risk manager’s core tasks will be to consider the results of data analysis as a forecasting aid in management decisions. 
  • The primary tasks will consequently become more data-driven, and, as a result, the demands on the qualifications of risk managers will also change.
  • The automated research and evaluation of real-time information will lead to a reduction in the manual activities of the risk manager. This leaves more time for analytical and strategic tasks, i.e. medium and long-term solutions can be developed based on the results of Big Data Science (Al-Khazrage 2018, p. 58). 

It should be noted that the use of Big Data in risk management is associated with various outcomes. In order to prepare for these outcomes, companies should–depending on their resources–initiate appropriate measures at an early stage. 

Excerpt from Schröder et al. 2019, Neue Anwendungsmöglichkeiten für Risikomanagement durch die Einsatz von Big Data – Zwei Fallbeipspiele, in: Schröder, Meike; Wegner, Kirsten (eds.) Logistik im Wandel der Zeit, Springer: Wiesbaden, pp. 121-136.

 

MBP 16/16 Maßnahmen und Best Practices zu „Risikobericht und Berichterstattung“

Foto von Lukas von Pexels
Foto von Lukas von Pexels

(English version below)

„Diese Berichterstattung ist Bestandteil bestehender Quartalsberichte.“ (Interview  – Corporate Risk Manager, Pharmaindustrie)

Die Dokumentation stellt einen weitere Erfolgsfaktoren für das SCRM dar. Demnach sollte auch dem Risikobericht und der Berichterstattung Bedeutung beigemessen werden.

In zahlreichen Experteninterviews und Fokusgruppendiskussionen mit Unternehmensvertretern und Wissenschaftlern wurden bei der Entwicklung des Reifegradmodells folgende, aufeinander aufbauende Maßnahmen identifiziert:

  • Stellen Sie eine Berichterstattung in regelmäßigen Abständen sicher.
  • Legen Sie die Addressaten und den Umfang der Berichterstattung fest. Neben der Geschäftsführung sollte der Risikobericht sämtliche relevante Abteilungsleitungen als Addressaten umfasssen, die mit dem Thema SCRM zu tun haben.
  • Definieren Sie einen Prozess, um Zwischenberichte, z.B. über getroffene SCRM-Maßnahmen zu nicht vorhergesehenen Supply Chain-Risiken, welche durch ein hohes Schadensausmaß gekennzeichnet sind, zu distribuieren.
  • Versuchen Sie die Datenzusammenführung für die Berichterstattung zu großen Teilen zu automatisieren.
  • Binden Sie die Berichterstattung möglichst in das bestehende Berichtssystem ein (z.B. Quartalsberichte).
  • Der Bericht sollte neben Abbildungen kurze Erläuterungen und Handlungsempfehlungen umfassen.
  • Nehmen Sie neben der Entwicklung der Risikokennzahlen Handlungsempfehlungen verbunden mit einer Trendanalyse in den Bericht auf.

Auszug aus Schröder, M. (2019): Strukturierte Verbesserung des Supply Chain Risikomanagement. In: Supply Chain Management – Beiträge zu Beschaffung und Logistik, Reihen-Hrsg.: Eßig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

 

MBP 16/16 Measures and Best Practices on „Risk Reporting and Reporting”

„This reporting is a single component of the existing quarterly reports.“ (Interview – Corporate Risk Manager, pharmaceutical industry)

Documentation is another success factor for SCRM. As such, risk reports and reporting have a significant importance.

In the numerous expert interviews and focus groups with company representatives and scientists for the development of the maturation model, the following measures were identified:

  • Ensure reporting at regular intervals.
  • Define the future recipients as well as the scope of the reporting. In addition to mid-level management, the risk report should also be sent to all relevant department heads who are involved in SCRM.
  •  
  • Define a process for distributing interim reports: for example, which SCRM measures should be taken for unforeseen supply chain risks that are characterized by a high degree of potential damage.
  • To a large extent try to automate data aggregation for reporting.
  • If possible, integrate reporting into the existing reporting system (e.g., quarterly reports).
  • The report should include illustrations, brief explanations, and recommendations for action.
  • In addition to the development of the key risk figures, include recommendations for action together with a trend analysis in the report.

Extract from Schröder, M. (2019): Structured improvement of supply chain risk management. In: Supply Chain Management – Contributions to Procurement and Logistics, Series-Editors: Essig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

MBP 15/16 Maßnahmen und Best Practices zu „Kommunikation“

Bild: ©iStock.com/anyaberkut

(English version below)

„Die Reporter standen mit Mikrophon und Kamera vor unseren Türen. Inzwischen sind wir hier ein Stück weit geschult, dass wir dies intern mit der Kernmessage „Bitte den Mund halten“ regeln. […] Was ist, wenn z.B. einer der ganz Oberen mit dem Flugzeug abstürzt – das ist hier sehr konkret geregelt.“ (Interview – Geschäftsführer Lebensmittel und Handel)

Die Ausgestaltung der Kommunikation stellt einen weiteren Erfolgsfaktor für das SCRM dar. Neben dem Risikobericht und der Berichterstattung kann auch die hiermit verbundene interne sowie externe Kommunikation den Erfolg des SCRM beeinflussen.

In zahlreichen Experteninterviews und Fokusgruppendiskussionen mit Unternehmensvertretern und Wissenschaftlern wurden bei der Entwicklung des Reifegradmodells folgende, aufeinander aufbauende Maßnahmen identifiziert:

  • Legen Sie Vorgehensweisen zur Häufigkeit und zum Umfang der SCRM-bezogenen Kommunikation fest.
  • Erstellen Sie formell Gesprächsprotokolle, um wichtige Aspekte festzuhalten.
  • Stellen Sie sicher, dass den Mitarbeiter der Ablauf der internen Kommunikation  zu großen Teilen bekannt ist.
  • Geben Sie die interne Kommunikation innerhalb der Abteilung vor und verknüpfen Sie diese mit Aspekten des internen Meldewesens.
  • Stellen Sie sicher, dass der Ablauf der Kommunikation sowohl bottom-up als auch top-down erfolgt.
  • Setzen Sie ein Risikomanagement-Informationssystem ein, um die Abwicklung der Kommunikation sowie die Dokumentation des SCRM zu erleichtern.
  • Regeln Sie neben der internen Kommunikation auch formell den Ablauf der externen Kommunikation (z.B. mit den Supply Chain-Partnern, Behörden, etc.) und stellen Sie sicher, dass dieser allen relevanten Mitarbeitern bekannt ist.

Auszug aus Schröder, M. (2019): Strukturierte Verbesserung des Supply Chain Risikomanagement. In: Supply Chain Management – Beiträge zu Beschaffung und Logistik, Reihen-Hrsg.: Eßig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden

 

MBP 15/16 Measures and Best Practices for „Communication”

„The reporters stood outside our doors with microphones and cameras. By this point we had learned, to a certain extent, how to handle this internally–by having everyone „Please keep their mouths shut“. […] What if, for example, one of the very top corporate officers dies in a plane crash? Such an event is very specifically regulated here.“ (Interview – Managing Director Food and Retail)

The design of communication is another factor in the success of SCRM. In addition to risk reports and reporting, associated internal and external communication can also influence the success of SCRM.

In the numerous expert interviews and focus groups with company representatives and scientists for the development of the maturation model, the following measures were identified:

  • Define procedures for the frequency and scope of SCRM-related communication. 
  • Formally establish meeting minutes to record relevant details.
  • Ensure that employees are largely aware of the internal communication process.
  • Outline the expectations of internal communication within the department and link this with aspects of the internal reporting process.
  • Ensure that the communication process is both bottom-up and top-down.
  • Use a risk management information system to facilitate communication as well as the documentation of SCRM.
  • In addition to internal communication, also formally regulate the process of external communication (for example, with supply chain partners, authorities, etc.) and ensure that this system is understood by all relevant employees.

Extract from Schröder, M. (2019): Structured improvement of supply chain risk management. In: Supply Chain Management – Contributions to Procurement and Logistics, Reihen-Hrsg.: Essig, M.; Stölzle, W., Kersten, W., Springer Gabler: Wiesbaden