Studie zum Einsatz von Machine Learning im SCRM

(English version below)

In Kooperation mit dem Unternehmen riskmethods haben wir eine Studie zum Einsatz von Maschinellem Lernen im Supply Chain Risikomanagement durchgeführt. Die Ergebnisse wurden erstmalig auf dem 56. BME-Symposium Einkauf und Logistik DIGITAL im Rahmen der Session „Neue Wege im Supply Chain Risiko Management: Keine Angst vor künstlicher Intelligenz! Von der analogen zur selbstlernenden Risikoüberwachung in der Supply Chain“ vorgestellt. Wir haben gezeigt, wie ein automatisiertes SCRM-System dem Unternehmen hilft, Transparenz in Liefernetzwerken zu schaffen und welche Potenziale und Erfolgsfaktoren es für den Einsatz von künstlicher Intelligenz im SCRM gibt. Abschließend habe ich die Studienergebnisse vorgestellt.

Zwar haben viele Unternehmen in den vergangenen Monaten gelernt und können durch gute Vorbereitung und umfangreiche Informationsversorgung schneller auf Lieferkettenstörungen reagieren. Die Ergebnisse der Studie zum Einsatz von Maschinellem Lernen im Supply Chain Risikomanagement zeigen jedoch, dass noch immer 50% der Befragten unvorbereitet von einem Risikoereignis getroffen werden, was neben Verzögerungen zu finanziellen und Reputationsschäden führen kann. Auch wissen 42% der Befragten nicht, wie hoch die finanziellen Auswirkungen eines Schadenseintritts sein können. Diese Unternehmen sind folglich einem hohen Risiko ausgesetzt, da Schäden in Millionenhöhe nicht unüblich sind.

Nur ungefähr die Hälfte der Unternehmen verfügt über einen sehr hohen oder hohen Grad an Risikotransparenz bei eigenen Produktionsstätten und direkten Lieferanten (Tier-1). Die Sub-Lieferanten (Tier-2 bzw. Tier-n) werden nur in wenigen Fällen überwacht, so dass das SCRM lediglich einen geringen Teil der Lieferkette abdeckt. Das erhöht das Risiko von Produktionsausfällen, steigenden Transportkosten oder der kostspieligen Erschließung alternativer Beschaffungsquellen. Eine Erkenntnis der Umfrage: Der Blick auf die direkten Zulieferer reicht nicht mehr aus, um kritische Knotenpunkte in der Lieferkette rechtzeitig zu erkennen und Maßnahmen einzuleiten.

Folglich sehen die Befragten in ihrem Risikomanagement noch viel Verbesserungspotenzial, vor allem was die Lieferketten-Transparenz und die Methoden zur Risikoidentifikation betrifft. Für über 80% der Befragten ist die frühzeitige Erkennung von Risiken ein Mehrwert, der hilft, aufgrund der verlängerten Reaktionszeit rechtzeitig Gegenmaßnahmen einzuleiten und Störungen in der Lieferkette zu vermeiden. Dieser Zeitvorsprung kann in vielen Fällen durch eine Automatisierung der Risikoidentifikation (Alerting) erreicht werden, die aus Liefernetzwerken auswertbare Echtzeitdaten generiert. Hier können selbstlernende Systeme einen wichtigen Beitrag leisten.

Die Studie kann hier heruntergeladen werden.



Diesen Blogbeitrag zitieren
Meike Schröder (2021, 1. Dezember). Studie zum Einsatz von Machine Learning im SCRM. Supply Chain Risikomanagement. Abgerufen am 21. Juni 2024, von https://doi.org/10.58079/tx2q

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search