(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).