Kommeatar von Venkata Seshu Gulibhi, Infosys Herausforderungen der Lieferkette mit Data Analytics adressieren

Autor / Redakteur: Venkata Seshu Gulibhi / Nico Litzel

Liefernetzwerke werden immer komplexer – mithilfe von Data Analytics können Unternehmen nicht nur effektiver und effizienter arbeiten, sondern sich auch vom Wettbewerb differenzieren und zukunftssicher aufstellen.

Firmen zum Thema

Der Autor: Venkata Seshu Gulibhi ist Delivery Head, Infosys Data Analytics
Der Autor: Venkata Seshu Gulibhi ist Delivery Head, Infosys Data Analytics
(Bild: Infosys)

Organisationen sehen sich zusehends mit Wettbewerb und steigenden Kundenanforderungen konfrontiert – aus diesem Grund investieren sie vermehrt in die Digitalisierung der Lieferkette. Die Lieferkette eines Unternehmens umfasst zahlreiche Bereiche wie etwa Planung, Beschaffung, Fertigung, Lieferung und After-Sales. Abhängig von der Anzahl der Produktkategorien, der geografischen Verteilung des Betriebs und der Fertigung können Lieferketten sehr komplex sein. Jede Änderung in der Nachfrage oder im Angebot – wie es aufgrund von COVID-19 auftrat – erfordert Transparenz über verschiedene Funktionen hinweg, um die Auswirkungen zu bewerten und agil zu reagieren. Das bietet Unternehmen die Möglichkeit, herkömmliche Lieferkettensysteme und -prozesse mit Daten, Analysen, Machine Learning (ML) und künstlicher Intelligenz (KI) zu transformieren – das wiederum führt zu einem größeren Mehrwert sowohl für Kunden als auch für Firmen.

In den folgenden Bereichen können Daten und Analytics besonders wertvoll sein:

Bedarfsplanung:

Für Branchen wie Consumer Product Goods (CPG) oder die Produktion ist es eine kritische Herausforderung, die Nachfrage so präzise wie möglich zu prognostizieren, insbesondere in Bereichen wie:

  • Forecasts während Disruptionen: Die Fähigkeit, Forecasts während Disruptionen wie der aktuellen COVID-19-Pandemie durchzuführen, bei der historische Verkaufsdaten nicht hilfreich sind
  • Mittelfristige Forecasts: Einige Unternehmen können zwar kurzfristige Prognosen erstellen, sind aber nicht in der Lage, mittelfristige Bedarfsprognosen zu nutzen, die oft für Investitionen oder Produktionsplanung benötigt werden.
  • Forecast-Erwartungen: Produkte, die sich eines stabilen Marktes erfreuen, benötigen nicht zwingenderweise ausgefeilten Prognosemodelle; Waren mit instabiler Nachfrage erfordern allerdings Modelle, die große Abweichungen vom Normalwert vorhersagen können.
  • Neue Produkteinführungen: Fähigkeit zur Nachfrage-Prognose bei neuen Produkten, neuen Varianten bestehender Waren oder neuen Märkten für bestehende Produkte.

Diese Bereiche erfordern Ansätze, die die Betrachtung externer Daten, wirtschaftlicher Faktoren und die Nutzung von Machine-Learning-Modellen zur Problemlösung erfordern. Beispielsweise stehen Einzelhändler und CPG-Unternehmen bei der Vorhersage von Disruptionen oftmals vor der Herausforderung, einen massiven Anstieg der Nachfrage nach bestimmten Produktkategorien zu bedienen und zu riskieren, in eine Out-of-Stock-Situation zu geraten. In solchen Fällen lassen sich kurzfristige Prognosen erstellen: Dabei werden die nahezu in Echtzeit generierten Verkaufsdaten vom täglichen Point of Sale (POS) berücksichtigt, um wichtige Nachfragesignale zu analysieren und notwendige Anpassungen vorzunehmen – und damit die Lieferkette effektiv zu verwalten.

Ein deutscher Online-Großhändler verbesserte die Genauigkeit der Nachfrageprognose auf Store-Week-SKU-Ebene um zehn bis 15 Prozent mithilfe von Machine Learning. In ähnlicher Weise führt ein führender Haushaltsgerätehersteller in den USA derzeit ein Programm zur Umgestaltung der Lieferkette durch, bei dem bestehende Prognosemechanismen durch auf ML-basierende Methoden für sein umfangreiches Portfolio an SKUs ersetzt werden. Dies erreicht das Unternehmen, indem es neben der Verkaufshistorie auch Faktoren wie ökonometrische Indikatoren und Wetterindizes berücksichtigt.

Transparenz der Lieferkette:

Unternehmen haben oftmals keinen Einblick in die Lieferketten jenseits der Tier2-Lieferanten, dem Ursprungsland der Lieferung – dies kann unerwartete Herausforderungen mit sich bringen. Denn wann immer es eine Disruption im Ursprungsland gibt, wirkt sich dies auf die gesamte Lieferkette aus. Ein Beispiel: Die Mehrzahl der Hersteller von Elektronikprodukten (von Komponenten bis hin zu Endprodukten) ist in Ostasien ansässig. Jede Störung in dieser Region wirkt sich wahrscheinlich auf mehrere Elektronik-OEMs aus. Analytics und KI-basierte Lösungen können unstrukturierte Daten auswerten und für Transparenz und Frühwarnung in der Lieferkette sorgen, sodass Unternehmen die Auswirkungen erkennen und rechtzeitig Entscheidungen treffen.

Ein Pharmahersteller setzt beispielsweise auf ein Frühwarnsystem, das Daten wie Nachfrageänderungen, Lieferantenleistung und Informationen zu externen Ereignissen (z. B. extremes Wetter und Betriebsstörungen) nutzt, um Engpässe in den Distributionszentren vorherzusagen. Dies ermöglicht es dem Hersteller, vorausschauende Maßnahmen zu ergreifen und den Stock-Out zu verhindern.

Autonome Lieferkette:

Kundenerwartungen entwickeln sich täglich weiter, gefördert durch die zunehmende Nutzung digitaler Handelskanäle aufgrund der COVID-19-Pandemie, d.h. Kunden fordern die sofortige Bereitstellung eines Produkts sowie herausragende Anwendererlebnisse. Dies stellt eine Herausforderung für die Lieferkette dar: Lieferketten sind komplex und erfordern eine Planung unter Einbeziehung verschiedener Zeitzonen und mehrerer Stakeholder, was die Reaktionszeit erhöht. ML und KI können durch Automatisierung und Datenanalyse schnellere Entscheidungen ermöglichen.

Fazit

Data Analytics und KI bieten Organisationen eine neue Chance für die Transformation der Lieferkette. Die Kombination aus Big Data, verfügbarer Rechenleistung und Open-Source-KI-Algorithmen ermöglicht es Firmen, traditionelle Probleme auf neue Weise zu lösen und unterschiedliche Herausforderungen mit Agilität und Innovation zu bewältigen. KI bietet darüber hinaus einzigartige Möglichkeiten für eine verbesserte Entscheidungsfindung und Automatisierung. Somit stellt dies eine neue Grenze dar, die es Organisationen ermöglicht, von einem Paradigma der postfaktischen Reaktivität zu antizipativem Handeln überzugehen.

(ID:47111160)