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.

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.

MLE-Days 2021 @tuhh: Workshop zur Identifikation von Anwendungsfeldern für Maschinelles Lernen im SCRM

MLE Days 2021 – Die Konferenz für Maschinelles Lernen im Ingenieurswesen

Maschinelles Lernen ist zu einem zentralen Treiber wirtschaftlicher Innovation und Entwicklung geworden. Das Anwendungspotenzial in den Ingenieurswissenschaften ist aber vergleichsweise wenig bekannt und ausgeschöpft.

Deshalb richtet die Technische Universität Hamburg am 1. und 2. Juli 2021 die zweitägige Online-Konferenz “MLE-Days 2021” aus. Sie gibt Teilnehmerinnen und Teilnehmern einen breiten und fundierten Einblick in ingenieurswissenschaftliche und betriebliche Anwendungsfelder des Maschinellen Lernens.

An den zwei Tagen wartet ein Angebot von insgesamt 25 Online-Workshops mit ca. 50 Referentinnen und Referenten auf Sie, aus denen Sie ein individuelles Programm zusammenstellen können. Das Workshop-Angebot wird umrahmt durch ein kostenfreies Programm aus Keynotes, Networking-Sessions und der Einladung zu einer langfristigen Zusammenarbeit.

Die “MLE-Days 2021” werden organisiert von der Forschungsinitiative “Machine Learning in Engineering (MLE@TUHH)”, welche die Kompetenzen unserer Universität im Feld des Maschinellen Lernens bündelt und als Plattform für den Austausch mit der Praxis fungiert.

Unser Institut für Logistik und Unternehmensführung richtet einen Workshop zum Thema “Identifikation von Anwendungsfeldern für Maschinelles Lernen im SCRM”

In unserem Workshop zeigen wir, wie mithilfe eines strukturierten Vorgehensmodells Anwendungsfälle aus dem Bereich des Maschinellen Lernens für Risikomanagement in der Lieferkette identifiziert werden können und wie Unternehmen bei der anschließenden Konzeptionierung und Umsetzung vorgehen müssen.

Unser Workshopangebot wird abgerundet durch eine Auswahl an Best Practice Beispielen aus unterschiedlichen Branchen und Industriezweigen.

Weitere Informationen finden Sie unter: https://www.mle-days.hamburg/workshop-f4-t1-i.html

 

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.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search