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).

 

The Use of AI to Reduce Delivery Risks

The use of artificial intelligence, especially machine learning (ML), offers significant advantages for detecting delivery risks at an early stage.

The search for and contacting of suitable suppliers, as well as the time spent waiting on their respective answers, often consumes substantial working time and ultimately receives a low response rate. The use of machine learning can proactively reduce or avoid certain delivery risks (Cavalcante 2019; Hamdi et al. 2018). By analyzing historical data, recommendations for supplier efficiency and performance can be made, taking into account not only price, product quality, product quantity, and service but also the risk factors of uncertainty, vulnerability and possible supply disruptions. Non-qualified suppliers can thus be excluded in advance from bid solicitation and the process can be handled much more efficiently.

If the company is also able to foresee the failure of a supplier before its competitors do, the use of ML represents a competitive advantage. This is because the company can use the early information to look for an alternative supplier even before the competition becomes actively aware of the need to.

“If I tell you that we are already using AI, then I am triggering an avalanche and losing my competitive advantages.” (Deloitte 2020, p. 18)

It is therefore not surprising that only a few examples of the use of ML in supplier management can be found in the literature. Three examples are given below:

  • Volkswagen has developed a bidder-list-generator that uses machine learning to precisely determine possible suppliers
  • To be able to predict the reliability of deliveries, the automotive supplier Hella GmbH & Co. KGaA tested the use of ML techniques. Here, the receipt history of goods, purchasing and delivery data, supplier and material master data, etc. were used in ML in order to be able to predict the reliability of delivery quantities for a defined period of 30 days. (Huang 2020)
  • The LEAR Corporation, a globally active manufacturer of car seats and electrical distribution systems, also uses ML in five LEAR plants in order to be able to anticipate failures at an early stage. More than 30 influencing factors are included in the analysis to detect volume deviations during transport registration. All known transport orders are checked by the system for the following week. If the algorithm detects a risk, the persons concerned are automatically informed so that appropriate measures can be taken (Logistik heute 12/2019)

However, the current study by Deloitte (2020) once again makes it clear that the use of ML in supplier management is still in its infancy (p. 17).

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search