Supply-Chain-Planung: Mit Künstlicher Intelligenz eine echte Veränderung bewirken

Eines der populärsten Wörter der letzten Jahre war Künstliche Intelligenz (KI). KI ist zu einem Mainstream-Thema und Schlagwort geworden. KI wird als Lösung für komplexe Probleme gesehen. Ihre Verfügbarkeit und die vielen positiven Beispiele haben zu diesem Hype beigetragen. Die Frage, der in diesem Artikel nachgegangen wird, lautet jedoch: Wie kann KI in der Supply-Chain-Umgebung funktionieren und einen Mehrwert schaffen?

Betrachtet man die verschiedenen Anwendungsfälle für KI, so scheint die Supply-Chain-Planung auf den ersten Blick ein perfektes Spielfeld für KI zu sein, da die Supply-Chain-Planung in der Regel ein breites Spektrum sehr komplexer Probleme umfasst. Der Status quo ist, dass viele Supply-Chain- und Operations-Planer heute viel Zeit damit verbringen, manuell für die Zukunft zu planen. Dies geschieht immer noch auf der Grundlage einfacher Statistiken und zeitaufwändiger Excel-Listen, die versuchen, ein Optimum zwischen konkurrierenden Zielen zu finden. Bei solchen Aufgaben entfaltet die KI ihr volles Potenzial, da sie die Genauigkeit und Effizienz verbessert und gleichzeitig die Gewinnmargen maximiert.

Das größte Potenzial für KI entlang der Supply Chain wird in der Nachfrageplanung gesehen

Eine der vielversprechendsten Anwendungen von KI ist die Bedarfsplanung. Gehen wir einmal den Nachfrage-Planungsprozess eines Lebensmittel-/Getränkeherstellers durch. Das Ziel des Herstellers ist es, die richtigen Produkte zur richtigen Zeit am richtigen Ort zu haben. Für den Kunden entsteht so der optische Eindruck, dass ein breites Produktportfolio verfügbar ist. Die Betriebs- und Lieferkettenplanungsprozesse für Lebensmittel- und Getränkehersteller sind komplexer, da sie sich oft mit der Haltbarkeit auseinandersetzen müssen. Die Haltbarkeitsdauer macht den Planungsprozess komplexer, da die Herausforderung darin besteht, über die richtige Bestandsmenge zu verfügen. Eine Überproduktion würde bei frischen Produkten wie Obst und Gemüse zu Verlusten führen, d. h. eine schlechte Nachfrageplanung führt zu großen Mengen an “Waste”.

Daher trägt eine genaue Nachfrageplanung dazu bei, die Verfügbarkeit und den Absatz zu steigern und gleichzeitig die Lebensmittelverschwendung zu verringern. Kundennachfrage und Kaufverhalten sind von vielen Faktoren abhängig, wie z. B. dem Wetter, Werbeaktionen, Sonderveranstaltungen oder Feiertagen. Diese externen Faktoren werden oft nicht richtig berücksichtigt, insbesondere mit einfachen statistischen Methoden in Excel. Wenn wir uns die täglichen Aufgaben einer Bedarfsplanungsmaschine für Lebensmittel- und Getränkehersteller ansehen, können wir feststellen, dass sie historische Verkaufsdaten zur Vorhersage der künftigen Nachfrage verwenden. Nehmen wir zum Beispiel einen frischen Smoothie. Hier ist die Haltbarkeitsdauer für die verschiedenen Vertriebskanäle begrenzt und die Kundennachfrage wird stark vom Wetter und von Werbeaktionen beeinflusst. Eine Bedarfsplanung, die nur auf historischen Verkaufsdaten beruht, wäre daher irreführend. In der Praxis wird diese Situation häufig dadurch gehandhabt, dass die vorgeschlagenen Aufträge auf der Grundlage der Erfahrungen des Betriebsleiters manuell geändert werden. Dies ist zeitaufwendig, fehleranfällig und nicht skalierbar. Und was macht das Unternehmen, wenn dieser wichtige Mitarbeiter seinen Job kündigt?

Excel ist keine ausgefeilte Nachfrageplanungssoftware!

Stellen Sie sich eine Technologie vor, die die Erfahrungen des Betriebsleiters nutzen kann – eine Technologie, die die wichtigsten Faktoren herausfiltert, die die Nachfrage beeinflussen. Künstliche Intelligenz ist die Antwort. Neuronale Netze (NN) zum Beispiel können das Verbraucherverhalten im Laufe der Zeit erlernen. Bevor eine solche Technologie in der Produktion eingesetzt wird, wird das System mit großen Datensätzen aus den vergangenen Wochen, Monaten und Jahren trainiert. Je mehr, desto besser. Die Technologie kann eine beobachtete Korrelation von Inputfaktoren nutzen, um eine Nachfrageprognose für die kommenden Tage und Wochen zu erstellen. Um auf unser Smoothie-Beispiel zurückzukommen: Ein NN würde verstehen, dass Smoothies an sonnigen Tagen, an Feiertagen und bei Sportveranstaltungen gekauft werden. Die Verwendung dieser Daten kann also die Vorhersagegenauigkeit erhöhen und die Nachschubentscheidungen für dieses Produkt optimieren.

Eine Nachfrageplanungssoftware hilft dabei, die richtige Menge nachzubestellen und gleichzeitig die Lagerbestände zu reduzieren

Wenn es um das Nachbestellen von Gütern/Produkten geht, gibt es weitere Möglichkeiten, bei denen KI eine entscheidende Rolle spielen kann. Der erste Punkt betrifft die Sicherheitsbestände. Wenn es um Sicherheitsniveaus geht, ist der Status quo, dass ein Nachbestellungsauftrag ausgelöst wird, wenn die Lagerbestände des Unternehmens ein vordefiniertes Sicherheitsniveau erreichen. Aber wer stellt sicher, dass dieses vordefinierte Sicherheitsniveau oder die Nachbestellungspolitik die optimale Entscheidung ist? Wäre es nicht besser, ein sich dynamisch anpassendes Sicherheitsniveau zu haben, das auf den genauen Nachfrageprognosen beruht?

Das zweite Problem ist die lead time. Derzeit variieren die lead times von Zeit zu Zeit, wenn ein Auftrag von der Herstellerfirma erteilt wird. In den seltensten Fällen stimmt die von den Herstellern versprochene lead time mit der tatsächlichen überein. Warum ist dies der Fall? Weil externe Faktoren wie das Wetter, Engpässe bei den globalen Ressourcen, die Zuverlässigkeit der Händler und viele andere Faktoren eine Rolle spielen. Um wettbewerbsfähig zu bleiben, ist eine zuverlässige Vorhersage der voraussichtlichen Ankunftszeit für eine effiziente Produktion von entscheidender Bedeutung. KI kann dabei helfen, komplexe logistische Umgebungen zu erlernen, z. B. auf der Grundlage früherer Sendungen, der Zuverlässigkeit des Reeders, der Wetterbedingungen und vieler anderer Faktoren. Diese Informationen können dann in einem integrierten Planungssystem verwendet werden, um alternative Streckenführungen zu bewerten. Die Grundlage dafür ist die Qualität der Stammdaten. Stammdaten werden oft jahrelang nicht aktualisiert, während die Zulieferer ihre Prozesse geändert oder verbessert haben, wodurch sich die Vorlaufzeit für die Neubeschaffung verkürzt. Die richtigen Stammdaten sind das wichtigste Element, um genau planen zu können. Dies macht in der Regel 90 % der Arbeit von KI-Projekten aus.

Anforderungen an eine erfolgreiche Logistik-und Supply-Chain Abteilung

Um eine erfolgreiche KI-gesteuerte Supply-Chain-Abteilung zu betreiben, sind einige Schlüsselrollen oder Schlüsselpersonen erforderlich. Die erste Person ist ein Marktexperte, der über fundierte Kenntnisse des Lieferkettenmanagements und des Marktes, in dem das Unternehmen tätig ist, verfügt. Seine oder ihre Rolle besteht darin, alle markt- und kundenbezogenen Inputs zu liefern, wie z. B. die Auswirkungen von Werbeaktionen und neuen Verkaufsstellen, die dann in den Nachfrageplanungsprozess integriert werden.

Die zweite Schlüsselrolle nimmt ein Data Scientist für die Nachfrageplanung ein. Er oder sie kombiniert internen und externen Dateninput und wertet ihn mithilfe von KI aus. Zu den für diese Rolle erforderlichen Fähigkeiten gehören fundierte Kenntnisse verschiedener Techniken des maschinellen Lernens und gute Kenntnisse der Programmierung in statistischen Computersprachen sowie Kenntnisse in der Abfrage von Datenbanken.

Schließlich sollte das Team durch einen Nachfrageplanungsmanager vervollständigt werden, der die Segmentierung der Nachfrageplanung festlegt und sich um Ausnahmen kümmert, in denen menschliche Eingaben und Validierungen erforderlich sind, z. B. wenn ein neues Produkt auf den Markt gebracht wird oder das Ende der Lebensdauer erreicht. Ein solches hybrides Team, in dem Menschen ihre Stärken mit denen der Künstlichen Intelligenz kombinieren, wird zu einer enormen Leistungssteigerung führen und den Grundstein für eine erfolgreiche KI-gesteuerte Nachfrageplanung legen.

Die Anforderungen an eine erfolgreiche Tätigkeit in der Lieferkette werden sich grundlegend ändern. Ein Wandel in der Belegschaft ist erforderlich, da die Arbeitnehmer neue Fähigkeiten benötigen und ständig lernen und sich an die sich entwickelnden Branchen anpassen müssen. Die Schlüsselfrage in Bezug auf die Fähigkeiten ist, ob man sie intern aufbauen, einstellen oder die KI-Fähigkeiten der Zukunft einstellen/extern vergeben soll. Wir sind der Meinung, dass KI-spezifische Fähigkeiten eine Kernkompetenz für die Lieferkette der Zukunft sind und nicht erfolgreich externalisiert werden können. Unternehmen müssen zunächst die Qualifikationslücken zwischen dem aktuellen und dem zukünftigen Zustand quantifizieren und dann ein Portfolio von Initiativen zum Aufbau der Zielfähigkeiten entwerfen, wie z. B. Einstellung, Umschulung, Auftragsvergabe und Operationalisierung der Initiativen, sowie eine Roadmap und Governance erstellen, um mit dem schnellen Aufbau der Zielfähigkeiten zu beginnen. Darüber hinaus ist es von entscheidender Bedeutung, den richtigen Anwendungsfall für KI im durchgängigen Planungsprozess zu identifizieren. Für die Supply-Chain-Planung muss dies auf die Kern-KPIs für Kosten, Service und Kapital abgestimmt werden, mit einer klaren Begründung dafür, wo der KI-Anwendungsfall einen Mehrwert für das Unternehmen bringt und wie er unternehmensweit skaliert werden kann. KI hat einen enormen Einfluss auf die Verbesserung von Out-of-Stock-Situationen (und damit auf den Umsatz), die Bestandsoptimierung und die Steigerung der Auslastung gezeigt.

Warum Predictwiser.Cloud die richtige Nachfrageplanungssoftware für Ihr Unternehmen ist

Was aber macht unsere Software Predictwiser.Cloud in dem eben beschriebenen Kontext so besonders und unterscheidet uns von anderen Softwareanbietern? Während andere Anbieter die Operations-Teams von Unternehmen bei ihren Planungstätigkeiten unterstützen, verfolgt Optiwiser A.I. Solutions den Ansatz, alle Planungsaufgaben eines Operations-Management-Teams in Bezug auf die Nachfrageprognose komplett zu ersetzen und automatisch auszuführen. Wir ermöglichen es unseren Kunden, sich auf ihr Tagesgeschäft zu konzentrieren, während unsere Software automatisch alle verfügbaren Daten verarbeitet und den idealen Bedarf und Bestand prognostiziert. Unsere Kunden treffen immer die richtige Entscheidung darüber, wie viel sie zu welchem Zeitpunkt bestellen müssen, wodurch Stock-Out-Situationen vermieden und Verschwendung minimiert werden. Dies wirkt sich positiv auf die gesamte Lieferkette unserer Kunden aus und hilft ihren Lieferanten, besser zu planen und ihren Kunden ein insgesamt besseres Erlebnis zu bieten. Wir digitalisieren nicht nur das Betriebsteam unserer Kunden, sondern ermöglichen auch die vollständige Automatisierung aller Nachfrageplanungsprozesse. Darüber hinaus benötigen Sie keine Erfahrung in den Bereichen Data Science, Künstliche Intelligenz und Supply Chain Planning, alles wird von unserem Tool abgedeckt und somit sparen Sie auch enorme Kosten, die Sie sonst für erfahrene Spezialisten in diesem Bereich ausgeben müssten, um Ihre Nachfrage genau zu planen.