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.
Im Rahmen des Mittelstand 4.0 – Kompetenzzentrum Hamburg bieten wir ein Webinar an, wie Sie mit künstlicher Intelligenz und Supply Chain Risikomanagement in Zeiten von Corona Ihre Lieferketten besser absichern:
Ist Ihre Supply Chain auf eine mögliche, nächste „Corona-Welle“ vorbereitet?
Wie können Sie Lieferkettenunterbrechungen und Verzögerungen in der Supply Chain besser vorhersehen oder gar vermeiden?
In unserem Webinar stellen wir Ihnen neben einem ganzheitlichen Supply Chain Risikomanagement (SCRM)-Ansatz Maßnahmen und Best Practices vor, wie Sie Ihr SCRM sukzessiv verbessern können. Gleichzeitig möchten wir mit Ihnen diskutieren, welchen Mehrwert Künstliche Intelligenz für Ihr SCRM bringen kann.
Datum: Do, 10. September 2020, 16.30-17.30 Uhr
Vor dem Event werden Ihnen die Einwahldaten zur Verfügung gestelt.
ab 16:35 Uhr Vortrag mit Diskussionsrunde zu den aktuellen Herausforderungen des SCRM in Zeiten von Corona (PD Dr. habil. Meike Schröder & M.Sc. Sebastian Lodemann, Institut für Logistik und Unternehmensführung an der TU Hamburg)
Aufbau und Ablauf eines ganzheitlichen SCRM
Ermittlung des aktuellen Status quo mit Hilfe des SCRM-Reifegradmodells
Ausblick – welchen Mehrwert Künstliche Intelligenz für das SCRM bietet
Zielgruppe:
Die Veranstaltung ist offen für alle Interessenten und richtet sich insbesondere an Mitarbeiter aus den Bereichen Logistik, Supply Chain Management, Einkauf/Beschaffung und Risikomanagement.
Kenntnisstand:
Inhalte sowohl für Einsteiger als auch Fortgeschrittene. Grundlegende Kenntnisse über mögliche Risiken in Lieferketten sind hilfreich.
Sie benötigen: Internetverbindung, Lautsprecher/Kopfhörer und optional ein Mikrofon.
Wir freuen uns, Sie in diesem kostenfreien Webinar begrüßen zu dürfen.
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.
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.