Instrumente der Supply Chain Risiko-Identifikation

In einem ersten Prozessschritt erfolgt die Identifizierung der Supply Chain-Risiken. Werden die Supply Chain-Risiken nicht umfänglich erfasst, so kann nur mit Einschränkungen steuernd eingegriffen werden. Bei der Risikoidentifikation lassen sich verschiedene Instrumente anführen, mit deren Hilfe Supply Chain-Risiken erhoben werden können:

Kollektions- und Suchmethoden zur Risikoidentifikation (Auszug)

Allgemein ist zwischen Kollektions- und analytischen Suchmethoden zu differenzieren. Während sich Kollektionsmethoden vorwiegend für die Identifikation bestehender Risiken eignen, zielen analytische Suchverfahren auf die Identifikation zukünftiger und bisher unbekannter Risiken ab (Romeike 2004a, S. 157; Romeike 2004b, S. 174). Bei den Kollektionsmethoden werden in der Praxis häufig Checklisten verwendet, mit deren Hilfe die Risikoquellen identifiziert werden können. Problematisch hierbei ist neben dem hohen Aggregationsgrad die mangelnde Vollständigkeit der identifizierten Risiken (Ziegenbein 2007, S. 60; Schorcht 2004, S. 115). Des Weiteren lassen sich z.B. die 5-‘whys’-Methode, Interviews oder Befragungen anführen, anhand deren eine Risikoidentifikation erfolgen kann (Jüttner 2005, S. 128; Burger & Buchhart 2002, S. 69; Schubert 2004, S. 164, Romeike 2004c, S. 185).

Bei den analytischen Suchverfahren ist zusätzlich zwischen analytischen Methoden und Kreativitätsmethoden zu unterscheiden (Burger & Buchhart 2002, S. 68). Einige analytische Suchverfahren, wie z.B. die FMEA (Failure Mode and Effect Analysis), wurden ursprünglich für das Qualitätsmanagement entwickelt (Bergener 2006, S. 274; Brühwiler 2003, S. 182; Ziegenbein 2007, S. 54). Da das Risikomanagement ähnliche Prozessstrukturen wie das Qualitätsmanagement vorweist, liegt es nahe, etablierte Methoden zu übertragen (Romeike 2004b, S. 176). Die analytischen Methoden geben im Vergleich zur Kreativitätsmethode einen Bezugsrahmen vor und sind durch eine systematische Vorgehensweise gekennzeichnet. Kreativitätsmethoden hingegen basieren auf kreativen Prozessen, die durch divergentes Denken charakterisiert sind (Romeike 2004b, S. 177). Hier lassen sich z.B. Brainstorming oder Brainwriting als bekannte Methoden anführen
(Schorcht 2004, S. 187; Ziegenbein 2007, S. 60).

Darüber hinaus ist bei der Risikoidentifikation zu entscheiden, ob Einzelrisiken oder aggregierte (zusammengefasste) Risiken erfasst werden sollen (Romeike 2004c, S. 183; Singer 2012, S. 65; Winkler & Kaluza 2015, S. 311). Auch die Reichweite der zu erfassenden Risikolandschaft spielt eine wichtige Rolle. So können z.B. nur Risiken innerhalb des eigenen Unternehmens identifiziert werden oder aber Risiken, die innerhalb der gesamten Supply Chain eintreten können (Kajüter 2003, S. 123). Demnach ist vor der Auswahl der geeigneten Instrumente auch darüber zu entscheiden, ob und wie viele Supply Chain-Partner in den Prozessschritt der Risikoidentifikation einbezogen werden sollen (Kersten et al. 2013, S. 31). Hierbei können direkte Zulieferer bzw. Kunden (Tier 1) in den Prozess der Risikoidentifikation integriert, oder sogar eine Ausweitung bis hin zum Erstzulieferer oder Endkunden (Tier 2 bis n) vorgenommen werden (Eberle 2005, S. 48ff.).

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

Wie kann man das SCRM auditieren? Durchführung der Auditierung (6/9): Fragenkatalog (Abschnitt a)

Bild: ©iStock.com/Olivier Le Moal

(English verion below)

Nachfolgend finden Sie einen Fragenkatalog, der zur Auditierung des SCRM herangezogen werden kann zu den Themen Transparenz von Supply Chain-Strukturen und Prozessen, Informationen und Abhängigkeiten von Lieferanten und Identifikation.

Transparenz von Supply Chain-Strukturen und Prozessen Sind die wichtigsten, wertschöpfenden Unternehmensprozesse definiert (z.B. von der Entwicklung über die Produktion bis hin zum Vertrieb des Produktes)?
  Besteht eine Zurechenbarkeit von Verantwortlichkeit in diesen operativen Prozessen, d.h. mögliche Risiken und ihre Auswirkungen auf andere Abteilungen sind überwiegend bekannt?

Informationen und Abhängigkeiten von Lieferanten

Existiert eine Auflistung sämtlicher direkt vorgelagerter Lieferanten?
  Sind die wichtigsten Unternehmensdaten (Firmensitz, Produktionsstandorte, Ansprechpartner vor Ort, Handynummern) der direkt vorgelagerten Lieferanten dokumentiert?
  Sind die Ansprechpartner mit Entscheidungsbefugnis auf Seiten der Lieferanten bekannt?
  Sind die Wertschöpfungsprozesse der direkt vorgelagerten Lieferanten vollständig bekannt?
  Sind Abhängigkeiten zwischen den vorgelagerten Lieferanten erkannt?
  Werden regelmäßig Informationen über die Lieferanten eingeholt?
  Sind die kritischsten Lieferanten bekannt (Kritische Lieferanten zeichnen sich z.B. durch einen hohen Umsatzanteil aus oder sie liefern Material für eine Vielzahl an Produkten, welches nicht ohne Weiteres ausgetauscht werden kann.)?
  Sind bei einem Ausfall des kritischsten Lieferanten die (finanziellen) Folgen bekannt?
  Wird im operativen Geschäft regelmäßig überprüft, ob bestimmte Fristen auslaufen?
  Wird regelmäßig überprüft, ob Lieferverträge ggf. auf einen neuen Unternehmensstandard überführt werden müssen?
  Werden die Informationen über die Lieferanten regelmäßig mit anderen Abteilungen ausgetauscht?
  Findet alle drei bis fünf Jahre ein Vor-Ort-Besuch der kritischsten Lieferanten statt?
  Existieren strukturierte Vorgaben zur Kommunikation mit den Lieferanten?

Identifikation

Werden operative Supply Chain-Risiken in regelmäßigen Abständen systematisch identifiziert?
  Werden strategische Supply Chain-Risiken in regelmäßigen Abständen systematisch identifiziert?
  Ist ein systematischer Katalog zur Identifikation von Supply Chain-Risiken vorhanden?
  Werden bei der Risikoidentifikation neben unternehmensinternen Risiken auch externe Risiken berücksichtigt?
  Werden die Schnittstellen zu Supply Chain-Akteuren bei der Risikoidentifikation berücksichtigt?
  Besteht die Möglichkeit, neu identifizierte Supply Chain -Risiken kontinuierlich in den Katalog aufzunehmen?
  Werden die Ergebnisse der Supply Chain-Risikoidentifikation am einzelnen Arbeitsplatz schriftlich festgehalten?
  Werden die Ergebnisse der Supply Chain-Risikoidentifikation aus der gesamten Abteilung schriftlich festgehalten?
  Werden Risiken von Supply Chain-Partnern, die negative Auswirkungen für das Unternehmen haben können, bei der Identifikation berücksichtigt?
  Wird die Aktualität der identifizierten Supply Chain-Risiken sichergestellt?
 

Wird die Vollständigkeit der operativen Supply Chain-Risiken sichergestellt?

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

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.

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.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search