Supply-Chain Optimierung

Als Anbieter von Einkaufsberatung & Supply Chain Consulting haben wir festgestellt, dass die Digitalisierung der Supply-Chain die einzige Möglichkeit ist, heute die notwendige Leistungsfähigkeit der Lieferkette zu erreichen und zu erhalten. Insbesondere der Einsatz von Künstlicher Intelligenz (KI) in der Supply-Chain bietet so gut wie jedem Unternehmen enorme Wettbewerbsvorteile.

Beispiel Maschinenbau

Im Rahmen des Emarticon® Supply-Management-Survey 2022 sagten über 66% der Geschäftsführerinnen und Geschäftsführer im deutschen Maschinenbau, Teileverfügbarkeit sei unter den Top 3 Geschäftsrisiken. Über alle Branchen hinweg lag Verfügbarkeit von Waren und Dienstleistungen bei über 50% der Manager:innen innerhalb der Top 3 Geschäftsrisiken.

Versorgungsausfälle führen zu Umsatzverlust oder müssen zu hohen Kosten verhindert werden.

Im Maschinenbau ist Teileverfügbarkeit ein Top-Risiko für die Fertigung.

Beispiel E-Commerce

Ausverkaufsfälle bilden ein hohes Risiko im E-Commerce.

Business people holding tablet and graph chart statics growing

Unser 2022-Survey hat zudem gezeigt, dass im E-Commerce über 20% aller Ausverkaufsfälle, sog. „Out-of-Stock-Situations“ (OOS), für mehr als 3 Tage andauern. In Deutschland existiert Studien zufolge im Einzelhandel eine OOS-Rate von über 6%-8%. Das klingt zunächst wenig. Jedoch ist zu bedenken, dass ca. 50% der Kunden dann zur Konkurrenz abwandern und nicht abwarten, bis die Situation gelöst ist.

Über die Zeit entsteht durch OOS daher vor allem langfristiger Umsatzverlust.

Erfahren Sie, welche Möglichkeiten der Markt bietet. Vermeiden Sie typische Fehler und nutzen Sie unsere Tipps, um durch KI-basiertes SCM Ihre Versorgungsrisiken zu beseitigen, Ihren Umsatz zu erhöhen und Ihre Kosten zu senken.

Wichtig ist zunächst zu verstehen, welche Möglichkeiten im Supply-Chain-Management (SCM) durch KI für Ihr Unternehmen bzw. Ihre Kunden bestehen.

Die Arbeitsfelder von künstlicher Intelligenz in der Supply-Chain

Im Wesentlichen lassen sich beim Einsatz von KI für Supply-Chain-Management die folgenden drei Bereiche unterscheiden:

Predictive Demand (inkl. Predictive Maintenance)
Supply Market Modelling (inkl. Risk Analysis & Risk Management)
Stock Management – vor allem durch verbesserte Bestellentscheidungen

Der Basisansatz ist, KI zu nutzen, um Muster aufzudecken, die durch klassische Ansätze, wie einfache gleitende Durchschnitte, unentdeckt und daher bei der Entscheidungsfindung ungenutzt bleiben. Nachfolgend finden Sie Erfolgsfaktoren beim Vorgehen, bei der Auswahl von Anbietern und Methodik sowie bei der Implementierung.

Kontaktieren Sie mich

Möchten Sie KI zu Ihrem Vorteil nutzen?

Kontaktieren Sie mich. Gerne biete ich Ihnen an, mit mir im Rahmen eines Strategie-Gesprächs Ihre spezielle Situation zu erörtern.

Kontaktieren Sie mich

Vorgehen für die Nutzung von KI bei SCM-Lösungen

Beim Aufbau einer Supply-Chain, die sich KI zunutze macht, ist der herausragende Erfolgsfaktor, die erforderlichen Schritte in der richtigen Reihenfolge zu tun.

Starten Sie zunächst damit, das Ziel zu definieren. Geht es um eine verbesserte Planung von Kundenbedarfen? Geht es um die Senkung von Risiken im Beschaffungsmarkt? – um lediglich zwei mögliche Ziele zu nennen.

Der zweite Schritt ist, die Güte und Verfügbarkeit von erforderlichen Daten zu analysieren und zu verstehen. Erst wenn diese beiden Schritte abgeschlossen sind, lohnt es sich, über Methodik und etwaige Lösungsanbieter nachzudenken. Bei diesem dritten Schritt ist es dann wichtig zu verstehen, inwiefern die Auswahl der Methodik einen direkten Einfluss darauf hat, welche Lösungsanbieter überhaupt in Frage kommen.

Möchten Sie unseren Leitfaden Erfolgsrezept KI kostenfrei herunterladen?

Kostenfreie Anmeldung Leitfaden Erfolgsrezept KI

Methodik

Viele Firmen arbeiten daran, Einkauf und Supply-Chain weiter zu digitalisieren.

Wired brain illustration – next step to artificial intelligence

Kern jeder AI-basierten Anwendung in der Supply-Chain ist die Vorhersagemethodik – unabhängig davon, ob es um Bedarf oder Versorgung, d.h. Schwankungen des Bedarfs oder der Verfügbarkeit geht. Die Entscheidung, welche Methodik gewählt wird, ist dabei umso schwieriger, desto weniger systemische Vorgaben bestehen. Die Frage nach der besten Methode stellt sich also insbesondere bei der Nutzung flexibler Plug-ins oder proprietärer Lösungen.

Viele große ERP-Anbieter bieten eigene SCM-Lösungen an, bei denen Algorithmen entweder in einer Blackbox liegen oder zumindest die Einflussnahme und insbesondere Beratung bei der Optimierung begrenzt ist. Andererseits sind Erarbeitung und Pflege von proprietären Lösungen aufwendig.

In der Praxis zeigt sich somit, dass keine „one-size-fits-all“-Methode existiert: Die Wahl der adäquaten Lösung, d.h. der Vorhersagemethodik, hängt von den Randbedingungen ab. Zweitens zeigt unsere Erfahrung, dass der Einsatz von KI nicht immer sinnvoll ist. KI unterstützt zwar einerseits sehr gute Vorhersagen. Andererseits wird ein Systemverständnis nicht unbedingt gefördert bzw. teils für den Nutzer erschwert bis unmöglich gemacht.

Es ist wichtig zu verstehen, in welchem Bereich unbedingt Transparenz bestehen sollte und wo ein KI-Blackbox-Ansatz effizienter ist.

Worauf kommt es beim KI-basierten SCM an? Wo liegen die Fallstricke?

Viele Unternehmen haben wenig Erfahrung im Einsatz von KI-basierten Supply-Chain Lösungen. Wichtig ist daher, Erfahrung und Tipps von neutraler Seite zu nutzen, um Fehler zu vermeiden.

Key Success Factors

Die oben aufgeführten Einsatzgebiete zeigen einerseits, wie groß die Möglichkeiten sind, bereits heute durch KI-basiertes SCM Wettbewerbsvorteile zu erlangen. Andererseits sehen wir bei Emarticon in unserer Projektpraxis aber auch, dass eine nicht gut ausgearbeitete Basisstrategie oder falsch geplante Implementierungsprojekte oft nicht nur enttäuschend sind, sondern im Einzelfall tatsächlich kontraproduktiv sein können. Prozesse werden dann ineffizienter und intransparenter sowie Risiken und Kosten höher. Grund dafür ist die aufgezeigte Komplexität beim Vorgehen sowie die Intransparenz der Vorhersage-Methodik, die entstehen kann.

KI beinhaltet beides: Wettbewerbsvorteile und auch Gefahren...

Aus unserer Beraterpraxis kennen wir typische Fehler bei der Einführung von KI in der Supply-Chain.

Unsere Tipps

1. Nehmen Sie sich ausreichend Zeit, den Markt und die Möglichkeiten KI-basierter Software zu verstehen.
2. Sorgen Sie für einen guten Abgleich des KI-Projekts mit der Strategie des Gesamtunternehmens. So lässt sich der Nutzen klar aufzeigen, in vielen Fällen sogar der Return-on-Invest des Projekts abschätzen.
3. Wählen Sie „das richtige Problem“, d.h. das für Ihr Unternehmen am besten geeignete Einsatzgebiet für KI.
4. Stimmen Sie Randbedingungen und Vorgehen mit allen Stakeholdern im Vorfeld ab.
5. Achten Sie darauf, dass sowohl Ihre Unternehmensprozesse als auch Ihre Datenqualität ausreichend gut sind, um KI erfolgreich bei der Beschaffung einzusetzen. Folgen Sie dabei dem Motto: „Prozesse bis zum Ende durchdenken!“

6. Sorgen Sie nicht nur für ausreichende Datenqualität, sondern auch für die entsprechende Datenverfügbarkeit möglichst in Echtzeit. Liegen Daten nicht in Echtzeit vor, so muss die Geschwindigkeit, die Daten mit ausreichender Qualität zu erhalten, genau mit Software und Entscheidungspunkten im Prozess synchronisiert sein.
7. Unterschätzen Sie nicht die Hürden bei der Nutzung von Legacy-Systemen und entsprechende Migrationskosten.
8. Peilen Sie lieber rasche Ergebnisse in mehreren kleinen Schritten an als einen großen Schritt mit riesigem Hub, der zu lange auf sich warten lässt.
9. Gehen Sie grundsätzlich davon aus, dass sich das System über die Zeit stark verändern wird. Das schließt nicht nur die Veränderung von Zielen ein, sondern auch ständig neue Datenquellen und Verarbeitungsalgorithmen in einem lernenden System.

In welchen Schritten gelingt die Umsetzung in der Praxis?

Wie die vorherigen Abschnitte zeigen: Jedes Unternehmen hat seine besondere Situation. Dennoch führen unabhängig von der Situation klar definierte Schritte zum Ziel, effizientes KI-basiertes Supply-Chain-Management zu erreichen.

Wesentlich sind insbesondere:

Ein gutes Verständnis von Stärken und Schwächen des aktuellen Supply-Chain-Managements
Auswählen genau der SCM-Probleme, bei denen KI deutlich bessere Ergebnisse liefern wird unter Berücksichtigung von Datenverfügbarkeit
Erarbeiten des Business Case für entsprechende Investment-Entscheidungen
Auffinden geeigneter Software-Hersteller und IT-Entwicklungspartner für Umsetzungsprojekte
Verhandeln von Projektverträgen zur Implementierung der KI-Strategie
Entwickeln eines ersten Entwurfs für die Vorhersagemethodik, detailliert genug für den Start und gleichzeitig mit ausreichend Potenzial für Weiterentwicklung
Erarbeiten notwendiger Prozessveränderungen und Customizing / Anpassen der Lösung gemeinsam mit allen Stakeholdern
Rasches Aufzeigen der Leistungsfähigkeit durch ein gut geführtes Umsetzungsprojekt.