Datengestützte Lieferantenauswahl in der Industrie 4.0 |
Auf dem Weg zu einer industriellen Plattform für Auswahl und Konfiguration
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 42. Jahrgang, 2026, Ausgabe 4, Seite 50-61 |
| Open Access | https://doi.org/10.30844/I4SD.26.4.6 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Industrielle Lieferketten sind häufigen Störungen und dynamischen Randbedingungen wie Nachfrageschwankungen, Transportschwankungen und Störungen auf Lieferantenseite ausgesetzt [1-3]. Diese Bedingungen zwingen Beschaffungsorganisationen dazu, ihre Beschaffungsentscheidungen innerhalb kürzerer Entscheidungsfenster zu überdenken [4, 5].
Gleichzeitig sind die Informationen, die zur Durchführung und Begründung solcher Anpassungen benötigt werden, oft über Lieferantendokumente, Online-Portale und proprietäre Informationssysteme verstreut [6, 7]. Beschreibungen von Leistungsfähigkeiten unterscheiden sich in Wortwahl, Struktur und Detaillierungsgrad, was den Vergleich von Lieferanten erschwert und das Risiko erhöht, dass Entscheidungen weder reproduzierbar sind noch bei veränderten Bedingungen leicht aktualisiert werden können [8] .
Die Forschung liefert mehrere Modelle zur Lieferantenauswahl, zur Gestaltung von Lieferketten sowie zur simulationsbasierten Bewertung von Beschaffungsalternativen [9, 10]. Parallel dazu erläutert die Literatur zu Informationssystemen anhaltende Interoperabilitätsprobleme: Lieferantendaten werden in heterogenen Formaten gespeichert, mit unterschiedlichen Terminologien beschrieben und über ERP-Systeme, Lieferantenportale, Tabellenkalkulationen und Konstruktionswerkzeuge verteilt verwaltet [11, 12].
In der industriellen Beschaffung wird die Lieferantenauswahl zudem durch die Fähigkeit eines Lieferanten beeinflusst, sich nahtlos in die digitale Engineering-Toolchain des Kunden (z. B. PLM/PDM–CAD–CAE) zu integrieren. Der effiziente Austausch von 3D-Modellen, PMI/MBD-Informationen und ein koordiniertes Änderungsmanagement über Organisationsgrenzen hinweg sind essenziell für Co-Engineering und die Produktionsanlaufphase, werden jedoch häufig über manuelle Dateiübertragungen und nicht standardisierte Schnittstellen abgewickelt.
Diese Trennung führt zu zwei technischen Problemen. Zum einen erhöht sie den Integrationsaufwand, da Modelle strukturierte und vergleichbare Eingabedaten voraussetzen, die in dieser Form selten vorliegen [13, 14]. Zum anderen beeinträchtigt sie die Nachvollziehbarkeit von Entscheidungen: Die Verbindung zwischen einer ursprünglichen Anforderung (z. B. einer Prozessfähigkeit oder einem Nachhaltigkeitsschwellenwert), der Lieferantenauswahl, den Leistungsbewertungen und der endgültigen Konfigurationsentscheidung bleibt nicht in einer einheitlichen Darstellung erhalten [15].
Diese Herausforderung tritt besonders deutlich zutage, wenn die Beschaffung mehrkriterielle Anforderungen durchsetzen muss, beispielsweise CO2-Emissionsgrenzen neben Kosten, Vorlaufzeit und Zuverlässigkeit. Inkonsistente Datensemantiken erschweren dabei die Nachvollziehbarkeit, wie diese Anforderungen operationalisiert wurden und ob sie über alle Entscheidungsphasen hinweg konsistent angewendet wurden [16, 17]. Diese Probleme motivieren die zentrale Forschungsfrage dieser Arbeit:
Wie kann eine Beschaffungsplattform die semantische Lieferantensuche, die quantitative Leistungsbewertung und Konfigurationsentscheidungen in einen einzigen, kohärenten Workflow integrieren?
Um diese Frage zu beantworten, entwickeln wir ein Rahmenkonzept für eine datengesteuerte Industrieplattform, die die folgenden drei Elemente miteinander verbindet:
- Lieferanteninformationen werden durch maschinenlesbare Profile auf Basis der Asset Administration Shell (AAS) dargestellt [18] .
- Eine Actor-Service-Ontologie trennt organisatorische Identität und vertraglichen Kontext von technischen Fähigkeiten und betrieblichen Einschränkungen und strukturiert so die Lieferantendaten in einer Weise, die sowohl Vergleiche als auch Analysen ermöglicht.
- Vordefinierte KPIs setzen Bewertungsergebnisse systematisch in Konfigurationsziele und -beschränkungen um.
Zunächst wird die Forschung zur Lieferantenauswahl und Konfiguration von Lieferketten untersucht, um Darstellungs- und Workflow-Lücken zu identifizieren, die entstehen, wenn diese Modelle in Plattformumgebungen eingebettet werden. Anschließend wird die vorgeschlagene Architektur vorgestellt und erläutert, wie interoperable Lieferantenprofile, simulationsbasierte Bewertungen und KPI-basierte Konfigurationsmechanismen dazu beitragen, diese Lücken schließen.
Aktueller Stand der Technik
Unter Lieferkettenkonfiguration versteht man die strukturelle Gestaltung oder Anpassung eines Liefernetzwerks. Sie legt fest, welche Akteure einbezogen werden, wie diese miteinander verbunden sind und wie Produkte und Dienstleistungen auf die verschiedenen Ebenen und Transportwege verteilt werden [19] .
In beschaffungsorientierten Kontexten werden Konfigurationsentscheidungen weitgehend durch die Lieferantenauswahl bestimmt. Unternehmen müssen entscheiden, welche Lieferanten für eine bestimmte Gruppe von Artikeln oder Dienstleistungen in Frage kommen und wie sich Beschaffungsstrategien, wie Einzel-, Doppel- oder Mehrfachbeschaffung, auf Redundanz, Abhängigkeiten und Risikoexposition in der resultierenden Netzwerkstruktur auswirken [20, 21].
In der Literatur wird die Lieferantenauswahl als kombinatorisches Optimierungsproblem formalisiert [22-24]. Um die Unsicherheiten realer Entscheidungssituationen abzubilden, werden diese Modelle häufig durch stochastische Optimierungsansätze, szenariobasierte Formulierungen und probabilistische Nebenbedingungen erweitert [16, 21].
Bei der beschaffungsorientierten Konfiguration der Lieferkette orientieren sich Entscheidungen in der Regel an einer Reihe wiederkehrender Leistungsdimensionen: Wirtschaftlichkeit, Reaktionsfähigkeit, Zuverlässigkeit, Machbarkeit und Nachhaltigkeit. Diese Dimensionen müssen in messbare Indikatoren übersetzt werden, die während der Bewertung berechnet und anschließend als Ziele oder Nebenbedingungen in Konfigurationsproblemen verwendet werden können [25-27].
In Bild 1 legen wir die in dieser Arbeit verwendeten KPIs fest und erläutern deren Rolle bei der Verknüpfung von Bewertungsergebnissen mit Entscheidungen zur Lieferantenauswahl und Netzwerkkonfiguration.
Systemarchitektur
Die industrielle Beschaffung steht bei der Neukonfiguration von Lieferketten vor drei miteinander verbundenen Herausforderungen:
- Informationen zur Lieferantenfähigkeit liegen in fragmentierten, nicht standardisierten Formaten vor.
- Detaillierte Betriebsdaten, die für die Leistungsbewertung erforderlich sind, liegen selten in strukturierter Form vor.
3. Zwischen Simulationsergebnissen und Konfigurationsentscheidungen besteht in der Regel keine durchgängige und nachvollziehbare Verknüpfung.
Die vorgeschlagene Architektur begegnet diesen Herausforderungen durch ein integriertes System aus drei Modulen (Bild 2). Modul 1 wandelt heterogene Lieferantenbeschreibungen in standardisierte, maschinenlesbare Profile um, die einen Abgleich der Fähigkeiten ermöglichen. Modul 2 wandelt strukturierte Lieferantendaten in diskrete Ereignissimulationsmodelle zur Leistungsbewertung um. Modul 3 nutzt eine einheitliche KPI-Schnittstelle, um Probleme der Lieferantenauswahl mithilfe mathematischer Optimierungs- oder metaheuristischer Algorithmen zu formulieren und zu lösen.
Modul 1: Semantische Lieferantensuche
Herkömmliche Ansätze zur Lieferantensuche basieren auf dem manuellen Durchsuchen von Lieferantenverzeichnissen, Datenbanken oder Unternehmenswebsites, wobei Einkäufer potenzielle Kandidaten anhand einfacher Stichwortübereinstimmungen bei Firmennamen, Standorten oder Leistungsbeschreibungen filtern [35].
Dieser Ansatz stößt in komplexen industriellen Beschaffungskontexten auf mehrere Einschränkungen. Die Terminologie variiert erheblich zwischen Unternehmen und Teilbranchen: Während ein Lieferant seine Kompetenz möglicherweise als „Präzisionsbearbeitung“ beschreibt, verwendet ein anderer für dieselbe Dienstleistung den Begriff „Fertigung mit engen Toleranzen“. Darüber hinaus können Stichwortsuchen keine semantischen Zusammenhänge erfassen. Bei der Suche nach „CNC-Fräsen“ werden Lieferanten übersehen, die „5-Achs-Bearbeitung“ angeben, obwohl dies eine spezifischere Kompetenz darstellt.
Modul 1 ersetzt die stichwortbasierte Suche durch einen ontologiegestützten Ansatz, der Lieferanten anhand der Bedeutung ihrer Kompetenzen abgleicht und nicht lediglich anhand der zur Beschreibung verwendeten Begriffe. Die Architektur nutzt den Asset Administration Shell (AAS)-Standard [36] als Grundlage für die digitale Darstellung von Lieferanten. Obwohl die AAS ursprünglich zur Digitalisierung von Fertigungsressourcen im Kontext von Industrie 4.0 entwickelt wurde [37], basiert ihr Einsatz in diesem Ansatz auf drei zentralen Eigenschaften, die eine semantische Suche ermöglichen:
- Vordefinierte Teilmodelle für technische Spezifikationen und organisatorische Informationen entsprechen den Anforderungen moderner Lieferantenprofile.
- Semantische Identifikatoren (IRDIs/IRIs) ermöglichen eine eindeutige, maschinenlesbare Beschreibung der Leistungsfähigkeit.
- Lieferanten, die ihre Produktionsanlagen bereits digitalisiert haben, können relevante Informationen mit minimalem Mehraufwand in Lieferantenprofile exportieren [38].
Über die semantische Suche hinaus können AAS-basierte Lieferantenprofile als stabile Integrationsschicht für Toolchains von Kunden dienen, indem sie standardisierte Schnittstellen und unterstützte Austauschformate (z. B. neutrale CAD-/3D-Formate und zugehörige Metadaten) bereitstellen. Dadurch wird die interoperable Übergabe von Engineering-Artefakten ermöglicht und der Aufwand bei der Integration neuer Lieferanten sowie in Co-Engineering-Prozessen reduziert [39-41].
Das ontologische „Actor-Service“-Framework
Die Plattform gliedert die Lieferantenprofildaten in zwei ontologische Domänen: „Akteur“ und „Dienstleistung“ [42]. Die Klasse „Akteur“ erfasst stabile organisatorische Merkmale – Unternehmensidentität, rechtliche Bezeichnung, geografischer Standort, Branchenklassifikationen (z. B. NACE-Codes) und geschäftlicher Kontext. Diese bilden die Grundlage für die Bewertung der Zuverlässigkeit, der räumlichen Nähe und der strategischen Eignung eines Lieferanten.
Die Klasse „Service“ definiert dynamische technische Fähigkeiten und betriebliche Parameter – Prozessklassifikationen (z. B. ECLASS-Codes), Präzisionsspezifikationen, Materialverträglichkeit, Produktionsmengenbeschränkungen, Vorlauf Zeiträume und Umweltkennzahlen wie den CO₂-Fußabdruck. Diese können sich weiterentwickeln, wenn Lieferanten Anlagen hinzufügen oder Prozesse anpassen.
Zusammen tragen beide Bereiche zu einem zusammengesetzten Ähnlichkeitswert bei, der potenzielle Lieferanten gemäß den vom Einkäufer definierten Prioritäten einstuft. Die Trennung der beiden bereiche unterstützt darüber hinaus die nachgelagerten Module: Die Aktor-Daten liefern Informationen für die Modelierung der Netzwerkstruktur und standortbezogene Restriktionen in Modul 3, während Dienstleistungsdaten die technischen Parameter bereitstellen, die für die Erstellung von Simulationsmodellen in Modul 2 erforderlich sind.
Die zwei Ebenen der Lieferantensuche
Innerhalb des „Actor-Service“-Rahmenwerks implementiert die Plattform eine zweistufige Datenstruktur, die einem grundlegenden Spannungsfeld bei der Lieferantensuche Rechnung trägt: Käufer benötigen detaillierte Informationen, um fundierte Entscheidungen treffen zu können, doch Lieferanten zögern, betriebliche Details offenzulegen, da diese Wettbewerbsvorteile preisgeben oder von Konkurrenten ausgenutzt werden könnten. Der Begriff „Stufe“ bezieht sich hier auf Datenzugriffsebenen: Ebene 1 ist öffentlich zugänglich, während Ebene 2 auf authentifizierte Käufer beschränkt ist.
Ebene 1 liefert die für eine initiale Lieferantenfilterung erforderlichen Informationen auf der Basis von standardisierten, nicht sensiblen Daten. Diese werden von Lieferanten in der Regel öffentlich bereitgestellt. Jedes Datenelement in Ebene 1 wird standardisierten semantischen Identifikatoren (IRDIs/IRIs) aus industriellen Klassifizierungssystemen wie ECLASS oder IEC CDD zugeordnet, wodurch terminologische Mehrdeutigkeiten zwischen verschiedenen Sprachen und unternehmensspezifischen Beschreibungen beseitigt werden.
Beispielsweise ist der ECLASS-Identifikator „0173-1#02-ABG776#003“ ein standardisierter Code, der einem bestimmten Bearbeitungsprozess innerhalb der ECLASS-Klassifizierungshierarchie zugewiesen ist. Jedes Lieferantenprofil, das auf diesen Identifikator verweist – unabhängig davon, ob der Prozess auf Englisch, Deutsch oder Französisch beschrieben wird –, wird durch dieselbe Abfrage abgerufen, wodurch Sprach- und Terminologiebarrieren beseitigt werden. Bild 3 zeigt die Struktur der Tier-1-Profile im Detail.
Zusammenfassend lässt sich sagen, dass die Tier-1-Filterung in zwei Dimensionen erfolgt. Branchenklassifikationen und Prozesstypen werden anhand taxonomiebasierter Ähnlichkeit bewertet, wodurch semantische Zusammenhänge zwischen verwandten Fähigkeiten erfasst werden. Technische Merkmale wie Materialverträglichkeit, Oberflächenrauheit, Toleranzen und CO₂-Fußabdruck werden anhand einer merkmalsbasierten Ähnlichkeitsbewertung verglichen. Für Oberflächenrauheit, Toleranzen und CO₂-Fußabdruck gelten dabei feste numerische Grenzwerte, sodass Lieferanten, die diese Anforderungen nicht erfüllen, unmittelbar ausgeschlossen werden. Durch die Kombination dieser Mechanismen wird ein potenziell großer Lieferantenpool auf eine qualifizierte Auswahlliste reduziert, die anschließend einer detaillierten Bewertung unterzogen wird.
Tier 2 legt die detaillierten Berechnungsparameter dar, die für eine automatisierte Erstellung von Simulationsmodellen (Modul 2) erforderlich sind. Der Zugriff ist nur authentifizierten Einkäufern vorbehalten, die bereits das Tier-1-Screening bestanden haben. Die Tier-2-Daten werden mithilfe spezialisierter AAS-Submodelle strukturiert: „Hierarchische Strukturen“ (02011) bildet die Topologie der Produktionsstätte sowie die Vernetzung der Produktionsstationen ab. „Produktionskalender“ (02067) erfasst zeitliche Betriebsbeschränkungen wie Schichtpläne und Wartungsfenster. „Bestellung“ (02050) beschreibt kommerzielle Randbedingungen einschließlich Preisstrukturen und Lieferzeiten. Darüber hinaus umfasst Tier 2 Layoutdaten der Fertigungsstätte, welche Informationen zu Maschinenfähigkeiten, Bearbeitungszeiten und Pufferkapazitäten enthalten. Bild 4 fasst die Struktur von Tier 2 zusammen.
Tier-2-Parameter wandeln statische Leistungsbeschreibungen in dynamische Modelle um, mit denen sich die Lieferantenleistung unter verschiedenen Szenarien vorhersagen lässt. Während Tier 1 angibt, ob ein Lieferant über eine erforderliche Leistungsfähigkeit verfügt, zeigt Tier 2, wie sich diese Leistungsfähigkeit in der Praxis auswirkt – ob sie durch Produktionsengpässe eingeschränkt oder durch Schichtpläne begrenzt ist. Diese Unterscheidung ist entscheidend für genaue Vorlaufzeitprognosen und Abschätzung der Liefertreue.
Sobald die semantische Filterung den Kandidatenpool auf eine qualifizierte Auswahlliste eingegrenzt hat, erstellt das System eine Rangliste der Lieferanten, indem es für jeden Lieferanten einen globalen Ähnlichkeitswert Sim(Q, SP) berechnet. Dies entspricht einer einzelnen Zahl zwischen 0 und 1, die angibt, wie gut ein Lieferant den Anforderungen des Einkäufers entspricht. Dieser Wert ist eine Kombination aus der Übereinstimmung des Lieferanten in den Bereichen „Actor“ und „Dienstleistung“ [43]:
Dabei ist Q die Anfrage des Einkäufers, SP das Lieferantenprofil und wactor sowie wservice vom Einkäufer festgelegte Gewichtungen, die widerspiegeln, ob organisatorische Eignung oder technische Kompetenz priorisiert wird.
Die Ähnlichkeit innerhalb jedes Bereichs wird je nach Art der Daten unterschiedlich berechnet. Für hierarchisch strukturierte Klassifikationen wie Branchencodes und Prozesstypen aus ECLASS wird die taxonomiebasierte Ähnlichkeit herangezogen. Anstatt eine exakte Übereinstimmung zu suchen, misst das System, wie eng zwei Konzepte innerhalb der Taxonomie miteinander verwandt sind, indem es ihren „Lowest Common Ancestor“ (LCA) ermittelt – das spezifischste Konzept, das beide umfasst. Ein Einkäufer, der nach „Automobil-Stanztechnik“ sucht, erhält dennoch Treffer für einen Lieferanten, der „Blechumformung“ anbietet, da beide in der ECLASS-Hierarchie einen nahen gemeinsamen Vorfahren haben. Die Ähnlichkeit wird anhand des Lin-Similaritätsmaßes quantifiziert [43]:
Dabei IC(C) = – log P(C), P(C) misst die Spezifität eines Konzepts anhand seiner Häufigkeit innerhalb aller registrierten Lieferantenprofile [44]. Konzepte, die im Lieferantenpool selten vorkommen, weisen einen hohen Informationsgehalt auf, was bedeutet, dass zwei Lieferanten, die eine seltene, spezialisierte Fähigkeit teilen, einen höheren Ähnlichkeitswert erhalten als zwei Lieferanten, die eine breite, allgemeine Fähigkeit teilen.
Die merkmalsbasierte Ähnlichkeit wird für technische Kompetenzsätze wie Materialverträglichkeit und angebotene Fertigungsprozesse verwendet. Das System vergleicht die vom Einkäufer geforderten Kompetenzen mit den vom Lieferanten angebotenen Fähigkeiten unter Verwendung des Jaccard-Index [45]:
Ein Lieferant, der genau die angeforderte Menge an Materialien oderProzessen anbietet, erhält den Wert 1,0, während ein Lieferant mit teilweiser Überschneidung proportional weniger Punkte erhält.
Bei numerischen Spezifikationen wie erreichbaren Toleranzen, Oberflächenrauheit und CO₂-Fußabdruck wird zusätzlich ein Verfahren der harten Restriktionsprüfung eingesetzt. Liegt der Wert eines Lieferanten außerhalb des vom Käufer geforderten Schwellenwerts, wird diese Komponente auf null gesetzt, wodurch der Lieferant unabhängig von seiner Leistung in anderen Kriterien aus der Auswahlliste ausgeschlossen wird.
Die abschließende „Sim(Q, SP)“-Bewertung kombiniert sämtliche Bewertungen aus beiden Bereichen zu einem Gesamtranking. Die Lieferanten mit den höchsten Punktzahlen werden anschließend an Modul 2 zur detaillierten simulationsbasierten Bewertung weitergeleitet.
Modul 2: Automatische Generierung von Simulationsmodellen (ASMG)
Statische Fähigkeitsbeschreibungen aus Tier-1-Profilen geben zwar Aufschluss darüber, ob Lieferanten über die erforderlichen Fähigkeiten verfügen, können jedoch die tatsächliche Betriebsleistung unter realistischen Bedingungen nicht vorhersagen. Engpässe, Schichtpläne, Ausfallzeiten von Anlagen und Kapazitätsengpässe beeinflussen die erreichbaren Durchlaufzeiten und die Liefertreue erheblich.
Modul 2 behebt diese Einschränkung durch die Generierung ausführbarer diskreter Ereignissimulationsmodelle, die quantifizieren, wie sich lieferantenspezifische Betriebsmerkmale auf die Leistung in der Praxis auswirken. Das Modul nutzt hochpräzise Tier-2-Daten aus AAS-Profilen und visuelle Anlagenlayouts, um dynamische Prognosen zur Lieferantenleistung zu erstellen, wodurch Einkäufer das Verhalten auf Anlagenebene bewerten können, ohne dass spezielle Simulationskenntnisse erforderlich sind.
Den technischen Kern von Modul 2 bildet eine hybride Multi-Agenten-Architektur, die 2D-Anlagenpläne semantisch analysiert, indem sie Large Language Modules (LLMs) mit deterministischer Bildverarbeitung integriert, um räumliche Beziehungen und Materialflussrichtungen zu interpretieren. Die Pipeline gliedert die visuelle Interpretation in vier Phasen, wie in Bild 5 dargestellt.
Das Simulationsmodell wird durch die direkte Einbindung von knotenspezifischen Parametern aus dem AAS-Tier-2-Profil des Lieferanten erweitert, die über semantische Identifikatoren zugeordnet werden, um die manuelle Eingabe von Parametern oder LLM-basierte Schätzungen zu vermeiden. Konkret definiert das Attribut „Zykluszeit“ aus dem Submodell „Hierarchische Strukturen“ deterministische Bearbeitungsdauern für jede Produktionsstation, während Parameter zur Pufferkapazität Warteschlangengrenzen und Durchsatzbeschränkungen festlegen.
Das Submodell „Produktionskalender“ (AAS 02067) liefert zeitliche Betriebsbeschränkungen, darunter Schichtpläne, geplante Pausen und Wartungsfenster, und ermöglicht so eine genaue Modellierung der effektiven Kapazität auf der Grundlage der tatsächlichen Arbeitszeiten anstelle eines theoretischen 24/7-Betriebs. Lieferzeitattribute aus dem Submodell „Bestellung“ (AAS 02050) liefern zusätzlich zeitliche Randbedingungen für die Bewertung der Termintreue.
Ein Proof-of-Concept-Prototyp des ASMG-Moduls wurde auf einem repräsentativen U-förmigen Fertigungslayout mit parallelen Bearbeitungsstationen und multidirektionalen Rückführungsschleifen implementiert und validiert. Die hybride Multi-Agenten-Pipeline erzielte eine Erfolgsquote von 90 über 30 wiederholte Durchläufe und erzeugte vollständig funktionsfähige, mit Parametern angereicherte diskrete Ereignissimulationsmodelle in Siemens Plant Simulation.
Der automatisierte Ansatz reduzierte die Modellgenerierungszeit von etwa 60 Minuten (manuelle Erstellung durch Experten) auf etwa 5 Minuten und die Kosten von 50 € auf 0,23 € pro Modell, was einer Zeitersparnis von 92 % und einer Kostensenkung von 99 % entspricht. Bei 6,7 % der Durchläufe traten geringfügige Fehler in der Verbindungslogik auf, die innerhalb weniger Minuten manuell behoben werden konnten; nur 3,3 % der Durchläufe führten zu kritischen Fehlern. Diese Ergebnisse deuten auf eine Zuverlässigkeit hin, die für den praktischen industriellen Einsatz geeignet ist [46].
Modul 3: Konfiguration und Optimierung der Lieferkette
Modul 1 identifiziert technisch qualifizierte Lieferanten und Modul 2 quantifiziert deren individuelle operative Leistung. Bei Beschaffungsentscheidungen müssen allerding Lieferantenkombinationen bewertet werden anstelle einer isolierten Betrachtung einzelner Lieferanten. Unterschiedliche Beschaffungsstrategien – wie beispielsweise die Einzelbeschaffung bei einem Lieferanten im Vergleich zur Doppelbeschaffung bei zwei geografisch verteilten Lieferanten – führen zu grundlegend unterschiedlichen Lieferkettenstrukturen mit unterschiedlichen Kompromissen zwischen Risiko, Kosten und Geschwindigkeit. Modul 3 adressiert diese Herausforderung der Konfiguration auf Systemebene, indem es bewertet, wie sich verschiedene Lieferantenkombinationen unter Berücksichtigung mehrerer Ziele und Einschränkungen verhalten.
Der Optimierungsprozess kombiniert knotenspezifische Leistungsparameter aus Modul 2 mit den Anforderungen des Einkäufers, darunter Stücklistenabhängigkeiten, Logistikparameter (Transportarten, Vorlaufzeiten, Incoterms), geografische Distanzen mit Einfluss auf Kosten und Umweltwirkungen sowie zeitlichen Einschränkungen wie Lieferfristen.
Die Berechnungslogik nutzt iterative Simulationen oder mathematische Optimierungsverfahren, häufig unter Einsatz von MILP oder genetischen Algorithmen, um den Materialfluss durch ausgewählte Knoten unter Berücksichtigung interner Ressourcenbeschränkungen und externer Lieferzeitvariabilitäten abzubilden. Die Plattform bewertet und priorisiert vorgeschlagene Konfigurationen anhand der drei in Abbildung 1 eingeführten KPIs – Gesamtkosten der Lieferkette, Gesamtlieferzeit sowie Servicelevel/verspätete Aufträge – die jeweils aus den in Modul 2 bereitgestellten knotenspezifischen Parametern berechnet werden.
Durch die gleichzeitige Analyse dieser KPIs löst das System Zielkonflikte – etwa die Wahl zwischen einem kostengünstigen Lieferanten mit langen Lieferzeiten und einer schnelleren, aber teureren Alternative – und gibt eine priorisierte Liste von Lieferkettenkonfigurationen als Entscheidungsgrundlage für Beschaffungsentscheidungen aus.
Anwendungsszenarien und Einschränkungen
Das vorgeschlagene Rahmenwerk befasst sich mit vielfältigen Herausforderungen bei der Konfiguration von Lieferketten.
- Bei der Beschaffung in der Präzisionsfertigung automatisiert es die Suche nach qualifizierten Lieferanten für technische Komponenten mit strengen Toleranz- und Oberflächenanforderungen und optimiert die Auswahl auf der Grundlage von Kosten, Vorlaufzeit, Zuverlässigkeit und Umweltbeschränkungen.
- Bei der Neukonfiguration mehrstufiger Netzwerke ermöglicht es eine schnelle Bewertung alternativer Lieferantenkombinationen bei Störungen und quantifiziert dabei die Unterschiede in der Widerstandsfähigkeit zwischen Single-Sourcing- und Multi-Sourcing-Strategien durch Simulation auf Knotenebene.
- Bei der nachhaltigkeitsorientierten Beschaffung setzt es bei der Suche Schwellenwerte für den CO₂-Fußabdruck durch und quantifiziert die mit kohlenstoffarmen Beschaffungsoptionen verbundenen Kostenaufschläge.
- In Zeiten von Marktvolatilität verkürzt es die Entscheidungszeiten von Wochen auf Tage; die Prototyp-Validierung des Simulationsmoduls zeigt, dass die Modellerstellung in weniger als sechs Minuten und zu Kosten von unter 0,25 € pro Modell erfolgt, was eine schnelle Szenariobewertung ohne spezielles Fachwissen ermöglicht.
Das hier vorgestellte Rahmenwerk ist eine konzeptionelle Architektur. Die durchgängige Integration aller drei Module mit realen Lieferantendaten und Beschaffungsentscheidungen bleibt eine Aufgabe für die Zukunft.
Der praktische Einsatz steht vor mehreren zusätzlichen Herausforderungen. Die Akzeptanz von AAS ist nach wie vor begrenzt, insbesondere bei kleinen und mittleren Unternehmen, denen es an digitaler Infrastruktur mangelt, was eine breite Beteiligung der Lieferanten ungewiss macht. Lieferanten könnten sich aus Wettbewerbsgründen weigern, operative Daten der zweiten Ebene offenzulegen, was Vertrauensmechanismen wie sichere Governance-Protokolle und abgestufte Zugriffskontrollen erfordert. Darüber hinaus setzt das Rahmenwerk eine genaue Selbstauskunft voraus, sodass eine Überprüfung mithilfe von Audits durch Dritte oder eine Leistungsüberwachung erforderlich ist, um so die Glaubwürdigkeit der Daten zu gewährleisten. Großskalige Optimierungsprobleme, die viele Lieferanten über mehrere Komponenten hinweg umfassen, erfordern Algorithmen, die akzeptable Rechenzeiten gewährleisten.
Eine weitere Einschränkung besteht im fehlenden Nachweis der Lieferqualitätsdaten auf Sendungsebene: Der Ansatz modelliert bzw. verarbeitet derzeit keine serialisierten Prüfberichte (CTQ-Parameter) und Materialzertifikate pro Lieferung (Los-/Seriennummer). Da diese Datensätze häufig heterogen und teilweise unstrukturiert vorliegen, werden automatisierte Wareneingangsprüfungen sowie eine durchgängige End-to-End-Rückverfolgbarkeit bislang nur eingeschränkt unterstützt. Schließlich erfordert der Übergang von einer beziehungsbasierten hin zu einer datengetriebenen Lieferantenauswahl einen kulturellen Wandel sowie eine schrittweise Integration in bestehende Beschaffungsprozesse.
Eine sich noch in der Entwicklung befindliche datengesteuerte Industrieplattform
Dieser Beitrag stellte eine datengetriebene industrielle Plattform vor, die semantische Lieferantensuche, automatisierte Generierung von Simulationsmodellen sowie die Konfiguration der Lieferkette in einem einheitlichen, nachvollziehbaren Entscheidungsunterstützungs-Workflow integriert. Lieferantenfähigkeiten und -einschränkungen werden in AAS-basierten Profilen abgebildet, die durch eine Actor-Service-Ontologie strukturiert sind. Dadurch werden eine konsistente Anforderungsformulierung, ein interoperabler Datenaustausch sowie eine ähnlichkeitsbasierte Vorauswahl über reine Schlüsselwortsuche hinaus ermöglicht.
Diese Profile speisen anschließend Modul 2, das automatisch lieferantenspezifische diskrete Ereignissimulationsmodelle aus Tier-2-Daten und Anlagenlayouts generiert und dabei operative Parameter in Evidenz für Durchlaufzeiten und Kapazitäten überführt. Schließlich werden Konfigurationsalternativen anhand einer festen KPI-Schnittstelle verglichen, sodass Ergebnisse der Lieferantensuche und Simulationsnachweise direkt in eine optimierungsbasierte Auswahl einfließen.
Die Architektur unterstützt wiederholte Neukonfigurationen unter dynamischen Bedingungen und gewährleistet dabei die Kontinuität von den Anforderungen bis zur endgültigen Auswahl. Zukünftige Arbeiten sollten sich mit Hindernissen bei der Einführung von AAS, Vertrauensmechanismen für den Datenaustausch und der Integration in Unternehmenssysteme befassen sowie den durchgängigen Workflow mit realen industriellen Datensätzen validieren. Darüber hinaus bietet die ontologische Actor-Service-Struktur, die Modul 1 zugrunde liegt, eine natürliche Grundlage für Wissensgraph-Darstellungen, die zusätzliche relationale Abfragen ermöglichen und weitere Forschungsrichtungen in der Analyse von Lieferantennetzwerken eröffnen könnten.
Die Autoren nutzten ChatGPT (OpenAI; GPT-5.2) als KI-gestütztes Tool zur Bearbeitung und Inhaltsunterstützung, um Rechtschreibung, Grammatik, Klarheit und Lesbarkeit zu verbessern sowie die Ausarbeitung und Strukturierung des Textes zu unterstützen. Alle KI-gestützten Ergebnisse wurden von den Autoren überprüft und überarbeitet, die die volle Verantwortung für den Inhalt dieser Veröffentlichung übernehmen.
Literatur
[1] Kleindorfer, P. R.; Saad, G. H.: Managing Disruption Risks in Supply Chains. In: Production and Operations Management 14 (2005) 1, pp. 53–68. DOI: 10.1111/j.1937-5956.2005.tb00009.x.[2] Zhao, K.; Zuo, Z.; Blackhurst, J. V.: Modelling supply chain adaptation for disruptions: An empirically grounded complex adaptive systems approach. In: J of Ops Management 65 (2019) 2, pp. 190–212. DOI: 10.1002/joom.1009.
[3] Pochard, S.: Managing Risks of Supply-Chain Disruptions: Dual Sourcing as a Real Option. Massachusetts Institute of Technology 2003. URL: dspace.mit.edu/handle/1721.1/30036, accessed 17.06.2026.
[4] Polyviou, M.; Rungtusanatham, M. J.; Reczek, R. W.; Knemeyer, A. M.: Supplier non-retention post disruption: What role does anger play? In: J of Ops Management 61 (2018) 1, pp. 1–14. DOI: 10.1016/j.jom.2018.07.001.
[5] Bode, C.; Wagner, S. M.: Structural drivers of upstream supply chain complexity and the frequency of supply chain disruptions. In: J of Ops Management 36 (2015) 1, pp. 215–228. DOI: 10.1016/j.jom.2014.12.004.
[6] Dias, C.: Corporate portals: a literature review of a new concept in Information Management. In: International Journal of Information Management 21 (2001) 4, pp. 269–287. DOI: 10.1016/s0268-4012(01)00021-4.
[7] Williamson, E. A.; Harrison, D. K.; Jordan, M.: Information systems development within supply chain management. In: International Journal of Information Management 24 (2004) 5, pp. 375–385. DOI: 10.1016/j.ijinfomgt.2004.06.002.
[8] Cowan, R.: Expert systems: aspects of and limitations to the codifiability of knowledge. In: Research Policy 30 (2001) 9, pp. 1355–1372. DOI: 10.1016/s0048-7333(01)00156-1.
[9] Choi, T. Y.; Hartley, J. L.: An exploration of supplier selection practices across the supply chain. In: J of Ops Management 14 (1996) 4, pp. 333–343. DOI: 10.1016/S0272-6963(96)00091-5.
[10] Lee, Y. H.; Cho, M. K.; Kim, S. J.; Kim, Y. B.: Supply chain simulation with discrete–continuous combined modeling. In: Computers & Industrial Engineering 43 (2002) 1–2, pp. 375–392. DOI: 10.1016/S0360-8352(02)00080-3.
[11] Schemm, J.; Legner, C.: Toward the Inter-organizational Product Information Supply Chain – Evidence from the Retail and Consumer Goods Industries. In: JAIS 9 (2008) 4, pp. 119–150. DOI: 10.17705/1jais.00156.
[12] Schubert, P.; Legner, C.: B2B integration in global supply chains: An identification of technical integration scenarios. In: The Journal of Strategic Information Systems 20 (2011) 3, pp. 250–267. DOI: 10.1016/j.jsis.2011.04.001.
[13] Lorenz, R.; Kraus, M.; Wolf, H.; Feuerriegel, S.; Netland, T. H.: Selecting advanced analytics in manufacturing: a decision support model. In: Production Planning & Control 35 (2024) 7, pp. 711–724. DOI: 10.1080/09537287.2022.2126951.
[14] Sapel, P.; Gannouni, A.; Abdelrazeq, A.; Hopmann, C.; Schmitt, R. H.: Purposeful decision-support with Digital Shadows: a model catalog architecture and its implementation for production scheduling in the injection molding domain. In: International Journal of Production Research (2025), pp. 1–25. DOI: 10.1080/00207543.2025.2573194.
[15] Durugbo, C.: Integrated product-service analysis using SysML requirement diagrams. In: Systems Engineering 16 (2013) 1, pp. 111–123. DOI: 10.1002/sys.21229.
[16] Moheb-Alizadeh, H.; Handfield, R.: An integrated chance-constrained stochastic model for efficient and sustainable supplier selection and order allocation. In: International Journal of Production Research 56 (2018) 21, pp. 6890–6916. DOI: 10.1080/00207543.2017.1413258.
[17] Benjaafar, S.; Li, Y.; Daskin, M.: Carbon Footprint and the Management of Supply Chains: Insights From Simple Models. In: IEEE Trans. Automat. Sci. Eng. 10 (2013) 1, pp. 99–116. DOI: 10.1109/TASE.2012.2203304.
[18] Tantik, E.; Anderl, R.: Integrated Data Model and Structure for the Asset Administration Shell in Industrie 4.0. In: Procedia CIRP 60 (2017), pp. 86–91. DOI: 10.1016/j.procir.2017.01.048.
[19] Lee, J.-H.; Moon, I.-K.; Park, J.-H.: Multi-level supply chain network design with routing. In: International Journal of Production Research 48 (2010) 13, pp. 3957–3976. DOI: 10.1080/00207540902922851.
[20] Choi, T. Y.; Krause, D. R.: The supply base and its complexity: Implications for transaction costs, risks, responsiveness, and innovation. In: J of Ops Management 24 (2006) 5, pp. 637–652. DOI: 10.1016/j.jom.2005.07.002.
[21] Tomlin, B.: On the Value of Mitigation and Contingency Strategies for Managing Supply Chain Disruption Risks. In: Management Science 52 (2006) 5, pp. 639–657. DOI: 10.1287/mnsc.1060.0515.
[22] Aouadni, S.; Aouadni, I.; Rebaï, A.: A systematic review on supplier selection and order allocation problems. In: J Ind Eng Int 15 (2019) S1, pp. 267–289. DOI: 10.1007/s40092-019-00334-y.
[23] Ware, N. R.; Singh, S. P.; Banwet, D. K.: A mixed-integer non-linear program to model dynamic supplier selection problem. In: Expert Systems with Applications 41 (2014) 2, pp. 671–678. DOI: 10.1016/j.eswa.2013.07.092.
[24] Luan, J.; Yao, Z.; Zhao, F.; Song, X.: A novel method to solve supplier selection problem: Hybrid algorithm of genetic algorithm and ant colony optimization. In: Mathematics and Computers in Simulation 156 (2019), pp. 294–309. DOI: 10.1016/j.matcom.2018.08.011.
[25] Parmigiani, A.; Klassen, R. D.; Russo, M. V.: Efficiency meets accountability: Performance implications of supply chain configuration, control, and capabilities⋆,” J of Ops Management 29 (2011) 3, pp. 212–223. DOI: 10.1016/j.jom.2011.01.001.
[26] Shin, H.; Collier, D. A.; Wilson, D. D.: Supply management orientation and supplier/buyer performance. In: J of Ops Management 18 (2000) 3, pp. 317–333. DOI: 10.1016/S0272-6963(99)00031-5.
[27] Vachon, S.; Halley, A.; Beaulieu, M.: Aligning competitive priorities in the supply chain: the role of interactions with suppliers. In: International Journal of Operations & Production Management 29 (2009) 4, pp. 322–340. DOI: 10.1108/01443570910945800.
[28] Ghodsypour, S.; O’Brien, C.: The total cost of logistics in supplier selection, under conditions of multiple sourcing, multiple criteria and capacity constraint. In: International Journal of Production Economics 73 (2001) 1, pp. 15–27. DOI: 10.1016/S0925-5273(01)00093-7.
[29] Guiffrida, A. L.; Nagi, R.: Cost characterizations of supply chain delivery performance. In: International Journal of Production Economics 102 (2006) 1, pp. 22–36. DOI: 10.1016/j.ijpe.2005.01.015.
[30] Larsen, C.; Thorstenson, A.: The order and volume fill rates in inventory control systems. In: International Journal of Production Economics 147 (2014), pp. 13–19. DOI: 10.1016/j.ijpe.2012.07.021.
[31] Kuo, T. C.; Chen, G. Y.-H.; Wang, M. L.; Ho, M. W.: Carbon footprint inventory route planning and selection of hot spot suppliers. In: International Journal of Production Economics 150 (2014), pp. 125–139. DOI: 10.1016/j.ijpe.2013.12.005.
[32] de Ron, A. J.; Rooda, J. E.: OEE and equipment effectiveness: an evaluation. In: International Journal of Production Research 44 (2006) 23, pp. 4987–5003. DOI: 10.1080/00207540600573402.
[33] Little, J. D. C.: A Proof for the Queuing Formula: L = λ W. In: Operations Research 9 (1961) 3, pp. 383–387. DOI: 10.1287/opre.9.3.383.
[34] Enginarlar, E.; Li, J.; Meerkov, S. M.; Zhang, R. Q.: Buffer capacity for accommodating machine downtime in serial production lines. In: International Journal of Production Research 40 (2002) 3, pp. 601–624. DOI: 10.1080/00207540110091703.
[35] Kohi, K.: Utilizing digital tools in the new supplier discovery process. URL: aaltodoc.aalto.fi/handle/123456789/127853, accessed 17.06.2026.
[36] Asset administration shell for industrial applications — Part 1: Asset administration shell structure (IEC 2023).
[38] Weber, H.; Glück, R.; Krebs, F.: Leveraging semantic interoperability in Industry 4.0: an opportunity for automated task planning for discrete manufacturing processes. Augsburg, Deutschland 2025.
[39] Hedberg, T.; Lubell, J.; Fischer, L.; Maggiano, L.; Feeney, A. B.: Testing the Digital Thread in Support of Model-Based Manufacturing and Inspection. In: Journal of computing and information science in engineering 16 (2016) 2. DOI: 10.1115/1.4032697.
[40] Tang, D.; Qian, X.: Product lifecycle management for automotive development focusing on supplier integration. In: Computers in Industry 59 (2008) 2–3, pp. 288–295. DOI: 10.1016/j.compind.2007.07.002.
[41] Srinivasan, V.: An integration framework for product lifecycle management. In: Computer-Aided Design 43 (2011) 5, pp. 464–478. DOI: 10.1016/j.cad.2008.12.001.
[42] Ameri, F.; Patil, L.: Digital manufacturing market: a semantic web-based framework for agile supply chain deployment. In: Journal of Intelligent Manufacturing 23 (2012) 5, pp. 1817–1832. DOI: 10.1007/s10845-010-0495-z.
[43] Ameri, F.; McArthur, C.: A multi-agent system for autonomous supply chain configuration. In: The International Journal of Advanced Manufacturing Technology 66 (2013) 5, pp. 1097–1112. DOI: 10.1007/s00170-012-4392-9.
[44] Resnik, P.: Semantic similarity in a taxonomy: An information-based measure and its application to problems of ambiguity in natural language. In: Journal of Artificial Intelligence Research 11 (1999), pp. 95–130.
[45] Tversky, A.: Features of similarity. In: Psychological Review 84 (1977) 4, pp. 327–352.
[46] Ganesh, P.; Kute, S.; Lang, S.: Semantic Parsing of Manufacturing Layouts via Hybrid AI Agents for Automated Simulation Model Generation. In: IFAC-PapersOnLine, forthcoming.
Lösungen: Logistik Logistik, Technologien
Das könnte Sie auch interessieren
