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).

 

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.

Webinar zur Digitalisierung im Supply Chain Risikomanagement

Bild: ©iStock.com/metamorworks

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.

Ablauf:

16:30 Uhr           Vorstellung Mittelstand 4.0 – Kompetenzzentrum Hamburg

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. 

Anmeldung unter:

https://kompetenzzentrum-hamburg.digital/termine/event/show/301

 

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.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search