Trends, wie die Umsetzung schlanker Produktionslinien, Outsourcing, Just-in-time-Strategien in Verbindung mit dem Abbau von Lagerbeständen oder single sourcing führen heute dazu, dass die Lieferketten für unterschiedlichste Risiken anfällig sind. Die folgende Abbildung gibt einen komprimierten Überblick über durch die Corona-Krise bedingten Auswirkungen auf das Supply Chain (Risiko) Management.
Die Lieferkettenunterbrechungen, die z.B. aus einer gestörten Vorproduktion in Asien oder aus einer Verzögerung der Abwicklung an internationalen Seehäfen resultiert, lassen sowohl Beschaffungs- als auch innerbetriebliche Prozess- und Kontrollrisiken drastisch ansteigen. Gleichzeitig bringt der Rückgang der gesamtwirtschaftlichen Nachfrage die Supply Chains in wanken. Umfeldrisiken, wie z.B. Ausfuhrbeschränkungen, verstärken zusätzlich den Effekt.
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.