Supply Chain Management

Prädiktive Analytik eröffnet zahlreiche Möglichkeiten zur Verbesserung der Entscheidungsfindung in vielfältigen Bereichen, wie z. B. dem Supply Chain Management (SCM). Die vollständige Ausschöpfung des Potenzials ist jedoch an eine optimale Vorabidentifikation der entsprechenden Anforderungen gebunden. Der vorliegende Beitrag beschreibt ein strukturiertes Konzept, das durch das komplexe und interdisziplinäre Unterfangen der Bedarfsanalyse für Prädiktive Analytik im SCM leitet. Aufgrund des generischen Charakters des entwickelten Ansatzes kann dieser für nahezu jeden Anwendungsfall in der Praxis eingesetzt werden und bietet die Möglichkeit bei Bedarf erweitert bzw. angepasst zu werden.

Die Logistik steht am Beginn einer neuen Ära. Klimawandel und eine unsichere Geopolitik verschieben die Anforderungen in Richtung Resilienz und Nachhaltigkeit. Der Begriff der intelligenten Logistik gewinnt an Bedeutung. Doch was macht Logistik intelligent, und wie kann sie Wirtschaft und Gesellschaft helfen? Ansätze wie Predictive Analytics und Machine Learning zeigen, weshalb sie mehr ist als ein bloßer Trend.

Ladungsträger sind in Fertigungsunternehmen unverzichtbar für den Transport produzierter Teile. Meist sind diese trotz ihrer „Einfachheit“ teuer in der Anschaffung, da sie passgenau für den Zweck hergestellt werden. Zur Vermeidung des Verlusts der Ladungsträger können Trackingverfahren wie GPS-Tracking eingesetzt werden, was jedoch mit Überwachungsaufwand einhergeht und den Datenschutz herausfordert, sobald die Arbeitsleistungen der Mitarbeiter in der Intralogistik überwacht werden. Die Zuordnung von Ladungsträgern zu sogenannten Clustern und ihre gemeinsame Kontrolle bietet hierbei eine Lösung – ohne die Möglichkeit von Rückschlüssen auf die Leistung der Mitarbeiter. Und nicht nur das: Künstliche Intelligenz kann diesen Ansatz optimieren und gleichzeitig vor einem Diebstahl der Ladungsträger abschrecken.

Um die wachsenden Kundenanforderungen und die damit verbundene Komplexitätssteigerung zu bewältigen, öffnen Unternehmen ihre Wertschöpfungsketten, reduzieren ihre Fertigungstiefe und gehen zunehmend Kooperationen ein. Der unternehmensübergreifende Datenaustausch entlang der Supply Chain wird damit zu einer Schlüsselkomponente für die Wettbewerbsfähigkeit und die Realisierung kundenspezifischer Lösungen. Aus diesem Grund hat die Europäische Union das Projekt GAIA-X ins Leben gerufen, dessen Ziel es ist, die nächste Generation der Dateninfrastruktur für Europa und seine Unternehmen zu schaffen. Das GAIA-X-Reifegradmodell bietet einen Ansatz zur Einordnung von Unternehmen in verschiedene Entwicklungsstufen und liefert konkrete Anforderungen für die Weiterentwicklung entlang eines vorgegebenen Entwicklungspfades hin zu einem vollwertigen Teilnehmer an der föderierten GAIA-X-Dateninfrastruktur.

Noch immer spielt Resilienz bei der Gestaltung industrieller Produktionssysteme eine untergeordnete Rolle. Im Zuge globaler Herausforderungen wird ihre Relevanz jedoch zunehmen – genauso wie die Relevanz innovativer, modularer Softwarekomponenten mit offenen Schnittstellen. Viele dieser Eigenschaften sind fest im Konzept von Industrie 4.0 verankert oder lassen sich in Zukunft leichter damit umsetzen.

Zusammen mit Professor Krallmann von der TU Berlin haben Sie 1984 die Fachzeitschrift CIM Management gegründet. Was war damals der Grund für diese Initiative? CIM, also Computer Integrated Manufacturing oder auf deutsch die Rechnerintegrierte Produktion, war in den 1980er Jahren das alles beherrschende Thema für die produzierende Industrie, die Software-Hersteller aber auch für die Hardware-Lieferanten. Es ging um die Durchgängigkeit der rechnergestützten Systeme ohne Medienbrüche von der Konstruktion (CAD Computer Aided Design) über die Arbeitsplanung (CAP Computer Aided Process Planning) bis zur Maschinensteuerung (CAM Computer Aided Manufacturing) und der quer dazu liegenden Produktionsplanung und -steuerung (PPS). Bis dahin waren diese Systeme nicht miteinander verknüpft und wesentliche Rationalisierungseffekte waren deshalb nicht gegeben. Auf allen großen Messen und vielen Kongressen wurde CIM von den Hard- und Softwareherstellern massiv propagiert und der ...

Der Trend zur Digitalisierung bietet erhebliche Potenziale; dies gilt in besonderem Maße im Supply Chain Management (SCM). Doch nicht jede Technologie ist für jedes Unternehmen und seine Prozesse geeignet. Der vorliegende Beitrag stellt einen strukturierten Ansatz dar, der Unternehmen im Auswahlprozess unterstützt. Der Ansatz besteht aus mehreren Phasen: Beginnend mit der Identifizierung der Unternehmensziele und endend mit der Auswahl derjenigen Technologien, die am vielversprechendsten erscheinen. Seine Anwendbarkeit wurde in einem Forschungsprojekt bei einem Logistikdienstleister getestet. Er ist problemlos auf eine konkrete Entscheidungssituation übertragbar.

Mit zunehmender Datenverfügbarkeit wird der Einsatz Maschinellen Lernens zur Steuerung und Optimierung von Supply Chains attraktiver, da die Qualität der Datenauswertung erhöht und gleichzeitig der Aufwand gesenkt werden kann. Anhand des SCOR-Modells werden exemplarische Ansätze als Orientierungshilfe eingeordnet und dazu passende Verfahren des Maschinellen Lernens vorgestellt.