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.

Study on the use of machine learning in supply chain risk management

In cooperation with the company riskmethods, we have conducted a study on the use of machine learning in supply chain risk management. The results have been resented for the first time at the 56th BME Symposium on DIGITAL Purchasing and Logistics during the session “New ways in supply chain risk management: don’t be afraid of artificial intelligence! From analog to selflearning risk monitoring in the supply chain”.

We have shown how an automated SCRM system helps the company to create transparency in supply networks, and which potential success factors are compatible with the use of artificial intelligence in SCRM. Finally, I presented the study results.

In recent months, many companies have learned and adapted, and now can react faster to supply chain disruptions via preparation and extensive information provision. However, the results of the study on the use of machine learning in supply chain risk management show that 50% of respondents are still caught unprepared by a risk event, which can lead to financial and reputational damage as well as delays. 42% of respondents do not know the financial impact of a damaging event. Consequently, these companies are at high risk, as losses in the millions of dollars are not uncommon.

Only about half of the companies have a high or very high degree of risk
transparency for their own production facilities and direct suppliers (Tier-1). Subsuppliers (tier-2 or tier-n) are only monitored in a handful of cases, and, as such, SCRM only covers a small part of the supply chain. This increases the risk of production downtime, rising transportation costs, and the costly development of alternative procurement sources. One finding of the survey: looking at direct suppliers is no longer sufficient to identify critical nodes in the supply chain early enough to effectively implement preventative measures.

Consequently, the respondents see significant potential for improvement in their risk management, especially with regard to supply chain transparency and risk identification methods. For more than 80% of respondents, the early identification of risks is an added value which helps to initiate countermeasures in time and thus avoid disruptions in the supply chain. In many cases, this preventative time advantage can be achieved by automating risk identification (alerting), which generates analyzable real-time data from supply networks. Here, self-learning systems can offer significant contributions.

The study (in German language only) can be downloaded here.

A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management

Our article on “A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management” was published. The main objective of the paper is to analyze and synthesize existing scientific literature related to supply chain areas where machine learning (ML) has already been implemented within the supply chain risk management (SCRM) field, both in theory and in practice. Furthermore, we analyzed which risks were addressed in the use cases as well as how ML might shape SCRM. For this purpose, we conducted a systematic literature review. The results showed that the applied examples relate primarily to the early identification of production, transport, and supply risks in order to counteract potential supply chain problems quickly. Through the analyzed case studies, we were able to identify the added value that ML integration can bring to the SCRM (e.g., the integration of new data sources such as social media or weather data). From the systematic literature analysis results, we developed four propositions, which can be used as motivation for further research.

Schroeder, M. & Lodemann, S. (2021): A Systematic Investigation of the Integration of Machine Learning into Supply Chain Risk Management, in: Logistics 2021, 5(3), 62; https://doi.org/10.3390/logistics5030062

Studie zum Thema Maschinelles Lernen im SCRM

Unser Institut für Logistik und Unternehmensführung an der TU Hamburg führt zusammen mit Riskmethods eine Studie zum Thema maschinelles Lernen im Supply Chain Risikomanagement durch. 

Ich möchte Sie einladen, an dieser Umfrage teilzunehmen und damit unsere Forschung zu unterstützen. Die Beantwortung der Fragen dauert ca. 10-15 Minuten. Mit Ihren Antworten tragen Sie dazu bei, ein klares Bild über den aktuellen Umsetzungsstand, die zukünftigen Entwicklungen und deren Auswirkungen zu ermöglichen.
Der Fragebogen kann auf deutsch oder englisch ausgefüllt werden:

Deutsch: https://q.logu.tuhh.de/642276?lang=de

Englisch: https://q.logu.tuhh.de/642276?lang=en

Die Untersuchung wird für wissenschaftliche Zwecke verwendet und die Veröffentlichung der Ergebnisse erfolgt ausschließlich in aggregierter Form, die keinerlei Rückschlüsse auf die Befragten erlaubt. Als Dankeschön erhalten Sie eine Kurzzusammenfassung der Ergebnisse nach Abschluss des Befragungszeitraums. Die gesamte Studie wird im Herbst 2021 veröffentlicht.

Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data

Bild: ©iStock.com/metamorworks

Die zunehmende Digitalisierung, verbunden mit der Generierung großer Datenmengen – auch umschrieben mit dem Schlagwort Big Data – stellt das bislang implementierte, traditionelle Risikomanagement einerseits vor neue Herausforderungen, andererseits eröffnen sich mit ihr aber auch Potentiale für eine breitere praktische Anwendung, insbesondere im Hinblick auf die Risikoidentifikation und -bewertung, welche in diesem Ausmaß bislang nicht möglich waren. 

In Prozessen, wie dem Maschinellen Lernen – einem Teilbereich der Künstlichen Intelligenz – entwickeln IT-Systeme auf Basis dieser vorhandenen Datenbestände und mit Hilfe von Algorithmen Muster und Gesetzmäßigkeiten für Risiken und treffen entsprechende Prognosen, die fortlaufend angepasst werden (Beierle & Kern-Isberne 2003, S. 99f.). Dies ermöglicht es, umfangreichere Frühwarnsysteme zu implementieren und folglich den proaktiven Umgang mit Risiken zu fördern. Hierbei nimmt neben der Zugänglichkeit auch die Validierung der Daten eine entscheidende Rolle ein (Barga et al. 2015, S. 4 ff.; Dorschel et al. 2015, S. 56; Gadatsch und Landrock 2017, S. 4).

Darüber hinaus geht mit der höheren Datenverfügbarkeit eine verbesserte Transparenz einher, welche neue Potentiale der Visualisierung (auch Mapping genannt) eröffnet. Somit ist es durch entsprechende Datensätze möglich, z.B. Bewegungen von Personen oder Objekten zu visualisieren und zukünftige Änderungen im Ablauf durch eintretende Risiken zu prognostizieren.

Die Verbesserung der Risikoidentifikation hat zugleich die Entwicklung von automatisierten Analyse- und Bewertungsverfahren zur Folge. Die großen Datenmengen sowie die Vielzahl an Bezugsquellen erfordern zur Handhabbarkeit den Einsatz von Algorithmen und komplexen Auswertungsverfahren, um einerseits Aussagen über die zukünftige Entwicklung von Risiken machen zu können (Predictive Analytics) und um andererseits optimale Reaktionen des Unternehmens auf zukünftige Risiken prognostizieren zu können (Prescriptive Analytics) (Krause & Pellens 2018, S. 51). Folglich können Strategien zum Umgang mit Risiken frühzeitiger beschlossen und präventiv passgenaue Maßnahmen initiiert werden. Auch lässt sich für einzelne Maßnahmen eine bessere Kosten-Nutzen-Abschätzung, z.B. durch eine bessere Quantifizierung von Ressourcen, vornehmen.

In unserem Beitrag Neue Anwendungsmöglichkeiten für das Risikomanagement durch den Einsatz von Big Data – Zwei Fallbeispiele, in Logistik im Wandel der Zeit, Von der Produktionssteuerung zu vernetzten Supply Chains beschreiben wir zwei Praxisbeispiele zum Einsatz von Big Data im Risikomanagement: zum einen, die Eindämmung von Epidemien durch Risikoanalysen unter Einsatz von Big Data, zum anderen, die Reduktion des Verschmutzungsrisikos von Schiffsrümpfen durch die Auswertung von Satellitendaten zu den weltweiten Seezuständen, sowie Datensätzen über Meerestemperaturen, Wolkenbedeckung, biologische Faktoren, Salzgehalt, Säuregehalt und andere Mineralien.

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.

New applications for risk management through the use of Big Data

The increasing digitalization, combined with the generation of extensive amounts of data – also referred to as Big Data. Big Data presents new challenges to the traditional risk management implemented so far on the one hand, but on the other hand it also opens up potential for a broader practical application, especially with regard to risk identification and assessment, which has not been possible to this extent so far.

In processes such as machine learning – a subdomain of artificial intelligence – IT systems develop patterns and regularities for risks on the basis of these existing data sets and with the aid of algorithms, and make corresponding forecasts which are continuously adjusted (Beierle & Kern-Isberne 2003, p. 99f.). This enables more comprehensive early warning systems to be implemented and thus promotes the proactive handling of risks. In addition to accessibility, the validation of data plays a decisive role in this context.

Furthermore, the higher data availability is accompanied by improved transparency, which opens up new potentials for visualization (also called mapping). Thus, it is possible to visualize e.g. movements of persons or objects and to predict future changes in the process due to occurring risks by means of corresponding data sets.

The improvement in risk identification has also resulted in the development of automated analysis and evaluation procedures. The large volumes of data and the large number of sources of data supply require the use of algorithms and complex evaluation procedures in order to draw conclusions about the future development of risks (predictive analytics) and to be able to forecast the company’s optimum response to future risks (prescriptive analytics) (Krause & Pellens 2018, p. 51). As a result, strategies for dealing with risks can be decided at an earlier stage and precautionary measures can be initiated that are tailored to the specific situation. In addition, a better cost-benefit assessment can be made for individual measures, e.g. through better quantification of resources.

In our paper about New Applications for Risk Management through the Use of Big Data – Two Case Studies, we describe two practical examples of the use of Big Data in risk management. Firstly, the containment of epidemics through risk analysis using Big Data. Secondly, the reduction of the risk of pollution from ship hulls through the evaluation of satellite data on global sea conditions, as well as data sets on sea temperatures, cloud cover, biological factors, salinity, acidity and other minerals.

Extract from 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, pp. 121-136.

 

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search