Der Knoten in der smarten Perlenkette - Factory Innovation
Logistik

Der Knoten in der smarten Perlenkette

Fünf Irrtümer in der Anwendung von KI im Supply Chain Management

Lesedauer: 11 Minuten

22. Juli 2022 von Horst Wildemann

Der Knoten in der smarten Perlenkette
© lassedesignen – stock.adobe.com

Ikea, Schneider Electric und Merck agieren zwar in völlig unterschiedlichen Branchen, aber alle haben nicht nur den Wert der Künstlichen Intelligenz für die Supply Chain frühzeitig erkannt, sondern nutzen intelligente Algorithmen zur Reduktion der Bestände, zur Verbesserung der Liefertreue und für ein effektiveres und effizienteres Supply Chain Management.
Erfahren Sie, wie auch Ihnen das gelingt!

Ein wichtiges Schlüsselerlebnis für Ikea war im Jahr 2013: Tschechische Kontrolleure fanden damals Pferdefleischspuren in den Hackbällchen, von denen das Unternehmen jährlich rund eine Milliarde Stück an die Kunden der eigenen Einrichtungshäuser ausgibt. Das Ziel damals: mehr Transparenz für das mittlerweile mehrere Milliarden US-Dollar schwere Kantinengeschäft, das fünf Prozent zum Gesamtumsatz beiträgt, um Kosten zu senken, Verschwendung zu reduzieren und vor allem Risiken zu vermeiden. Im Ergebnis entwickelte das Unternehmen eine eigene digitale Plattform, um für das ganze Kantinennetz rückverfolgen zu können, welche Produkte zu welcher Zeit in welcher Menge verkauft werden.

Schneider Electric verfolgt das Ziel, die Kosten in den bestehenden Lieferketten für 240 Produktionsstätten sowie 110 Vertriebszentren weltweit zu senken und auch potenzielle Möglichkeiten zur Aufnahme neuer, gerade erworbener Geschäftseinheiten zu analysieren und hat eine sogenannte Product Flow Map auf KI-Basis entwickelt, welche eine Simulation und Optimierung von Logistikstrategien zulässt. Die mehr als 150 Logistikszenarien mit insgesamt 200 000 Transportpunkten und den 130 000 Transportweg-Beschränkungen lassen sich in 24 Stunden durchrechnen.

Bild 1: KI in Unternehmen – Quelle: VDE Tec Report 2019, Statista
Bild 1: KI in Unternehmen – Quelle: VDE Tec Report 2019, Statista 

Das Ergebnis: Acht Millionen Euro jährliche Einsparungen im Transportbereich sagt LLamasoft, das Unternehmen, welches bei der Technologieeinführung unterstützte. Der Chemie- und Pharmariese Merck engagierte das KI Startup Aera Technology, um einen Teil der Supply-Chain-Entscheidungen wie etwa die Zuteilung von Materialien und den Vertrieb zu automatisieren, um damit schnellere Planungsentscheidungen treffen zu können. Nach Aussagen von Aera werden dafür eine Reihe von Sensoren in Verbindung mit einer prädiktiven Analysesoftware für maschinelles Lernen eingesetzt, um seine Bestands- und Vertriebseffizienz zu verbessern.

In der Breite der Industrie ist die Technologie jedoch noch nicht angekommen – mehr noch: Digitalisierungsexperten attestieren dem Einsatz von Künstlicher Intelligenz in den Unternehmen ein handfestes Umsetzungsproblem.

Nur jedes siebte Unternehmen plant KI-Investitionen

Trotz der technischen Möglichkeiten stockt die Umsetzung. Das zeigen auch die Erhebungen der Industrie- und Digitalverbände. Nur zwölf Prozent der 555 Befragten in deutschen Industrieunternehmen gaben 2019 an, selbst KI im eigenen Unternehmen zu nutzen. Auch im internationalen Vergleich belegen wir in Europa eher die letzten Ränge.

Bild 2: Jährliches Wachstum von KI-Investitionen – Quelle: Tractica 2018, Statista
Bild 2: Jährliches Wachstum von KI-Investitionen – Quelle: Tractica 2018, Statista

Laut einer Befragung von 2019, die in Unternehmen und Hochschulen durchgeführt wurde, sieht nur ein Prozent der Befragten Deutschland als Vorreiter in Sachen KI-Kompetenz. Es scheint zuallererst am mangelnden Know-how zu liegen und eher nicht an technischen Hürden. Bei der Künstlichen Intelligenz handelt es sich nicht um ein Erkenntnis-, sondern eher um ein Umsetzungsproblem. Es gibt einen breiten Konsens hinsichtlich der hohen Bedeutung der Technologie für die Zukunftsfähigkeit der gesamten Wirtschaft. Die Erfahrung aus der Praxis zeigt aber auch: Vorurteile und die Angst vor den ungewissen Konsequenzen führen dazu, dass viele ManagerInnen zögern.

Lektionen in der Anwendung von KI im Supply Chain Management

Irrtümer und Vorurteile prägen die Wahrnehmung und hemmen die Umsetzung von KI-Projekten. Die Erfahrungen aus erfolgreichen Implementierungsprojekten zeigen, dass einige Irrtümer geklärt werden müssen, um die Akzeptanz zu stimulieren.

Irrtum #1: KI macht alle vorherigen Tools obsolet

KI ist innovativ, bedeutet aber keine Abkehr von alten Konzepten, sondern ist der Katalysator für bereits erfolgreiche Tools und stellt ein Schwungrad für Konzepte und Methoden dar, welche wir seit vielen Jahren in den Unternehmen anwenden, etwa für strategische Entscheidungen im Einkauf. Einkaufsentscheidungen sind nämlich immer dann wertstiftend, wenn der Blickwinkel ganzheitlich ist, also etwa neben den Preisen auch Liefer- und Ausfallrisiken betrachtet oder die vielen verschiedenen Aspekte der Produktqualität unterschiedlicher Lieferanten in die Analyse mit einbezogen werden.

Linear Performance Pricing nutzen Einkäufer seit Jahren, um Unvergleichbares doch vergleichbar zu machen. Mit Künstlicher Intelligenz lässt sich dieser Ansatz weiter verbessern. Es können viele verschiedene Entscheidungsfaktoren bei der Analyse von Sourcing-Strategien berücksichtigt werden.

Irrtum #2: Die Technologie ist noch nicht marktreif und nur etwas für digitale Pioniere

Begriffsanalogien wie Big Data sind schon länger fester Bestandteil von Papieren, welche das neue Datenzeitalter ankündigen. Der große Unterschied heute: Maschinelles Lernen mit Big Data ist kein visionärer Wunsch mehr, denn die Algorithmen sind erprobt und die technischen Tools soweit gediehen, dass Künstliche Intelligenz heute mehr denn je ein anwendbares Werkzeug ist. Intelligentes Bestandsmanagement etwa kann heute von jedem Unternehmen angewendet werden. Das Problem lässt sich mathematisch fassen, denn Bestandsmanagement bedeutet, den Trade-off aus Lieferfähigkeit und Bestandshöhe zu beeinflussen, und dies ist am Ende des Tages ein analytisches Problem.

Bild 3: Gründe für den Verzicht auf KI – Quelle: VDE Tec Report 2019, Statista 
Bild 3: Gründe für den Verzicht auf KI – Quelle: VDE Tec Report 2019, Statista 

Irrtum #3: Die Datenbasis ist unzureichend

Sicher gibt es überall Lücken, aber jedes Unternehmen erzeugt heute ausreichend Daten, um zumindest einige wertstiftende Anwendungsfälle auszumachen. Sei es die Analyse von Warenbewegungen zur Prognose eines optimalen Lagermanagements, das Erkennen von Qualitätsproblemen durch das Auswerten von Bildern in der Qualitätskontrolle in der Automobilindustrie oder die Prognose von Ersatzteilbedarfen durch intelligente Prognosen auf der Basis eines trainierten Überwachungsmodells. Allen SkeptikerInnen, die an der Qualität der eigenen Daten zweifeln, kann gesagt werden: Auch hierfür gibt es mittlerweile mächtige Werkzeuge. Denn das Sammeln, Verknüpfen und selbst die Bereinigung fehlerhafter Daten gehen mittlerweile Toolbasiert mit den richtigen Werkzeugen deutlich leichter von der Hand. Auch hier wirkt die Mustererkennung, denn unplausible Stammdatensätze in ERP-Systemen aufgrund von Mess- oder systematischen Eingabefehlern können leichter identifiziert werden.

Irrtum #4: Es hat nicht funktioniert

Viele verwechseln KI mit einer magischen Blackbox, die auf Knopfdruck kluge Managemententscheidungen ausspuckt. Dass es Potenziale gibt, steht außer Frage, es gibt genug Erfolgsgeschichten – aber es ist eben keine Zauberei, sondern ein Instrument und muss wie jede Produktionsanlage auch erst hochgefahren wer-den. Künstliche Intelligenz heißt nämlich: Modelle entwickeln, Modelle verwerfen, Modelle verbessern. Daten nutzen und Muster erkennen oder Prognosen erstellen und dann mit dem Erfahrungswissen des Menschen die Ergebnisse interpretieren und konkrete Maßnahmen ableiten. Auch die Zusammenführung verteilter Daten ist bereits ein Gewinn: Durch die Mustererkennung in Vertriebsdaten lassen sich beispielsweise versteckte Preisspielräume identifizieren oder Cross-Selling-Möglichkeiten aufdecken.

Irrtum #5: Wir haben keine IT-Kapazität dafür

KI-Projekte werden in der Regel nicht von der IT getrieben. Unternehmen sollten bei der Besetzung von Teams deswegen nicht nur auf datenaffine IT-SpezialistInnen setzen. Eine wichtige Fähigkeit wird häufig unterschätzt: Bei der Modellentwicklung muss auch das nötige Domain-Knowledge der Unternehmensfunktion am Tisch sitzen, für das Antworten gesucht werden. Wichtig ist ein interdisziplinäres Team aus IngenieurInnen, MarktexpertInnen oder LogistikexpertInnen, denn diese haben die Fähigkeit, die Muster aus den Daten zu interpretieren und Entscheidungen zu treffen. Es gilt, das Domänen-Wissen in das Projekt-Team zu integrieren, um zu wissen, welche Faktoren im Supply Chain Management wichtig sind.

Potenziale und Anwendungsfälle

Es gibt sinnvolle KI-Einstiegsprojekte wie das Bestandsmanagement oder die Instandhaltung, wo es schnell einsetzbare Tools gibt, auch deswegen, weil die Daten für Warenbewegungen in den meisten Unternehmen digitalisiert vorliegen oder weil automatisierte Produktionsanlagen in der Regel ein Abgreifen von Maschinenparametern ermöglichen - und falls nicht: Sensoren lassen sich nachrüsten!

FI 3-22 Wildemann Bild 5
Bild 5: Einführungskomplexität von KI

Durch Künstliche Intelligenz ist es möglich, Prozesskosten zu senken. Die Logik ist einleuchtend: Nicht alle Geschäftsprozesse erfordern komplexe Entscheidungsmuster. Vieles lässt sich durch regelbasierte Entscheidungskaskaden abdecken.

Anwendungsfälle hierzu werden Robotic Process Automation (RPA) bezeichnet. Noch immer klicken sich in vielen Unternehmen die MitarbeiterInnen in operativen Einkaufsabteilungen durch die Materialbedarfsanfragen der produzierenden Bereiche, die dann entweder freigegeben werden oder zur Änderung an den Auslöser zurückgehen. Dabei drängt sich hier die Mustererkennung praktisch auf, denn es zeigt sich: Ob eine Materialbestellung durchgeht oder nicht, lässt sich an signifikanten Korrelationsanalysen ablesen.

Robotic Process Automation (RPA)
Dieses Konzept umfasst die Automatisierung von einfachen, hochvolumigen oder repetitiven Aufgaben in Abwicklungsprozessen im Unternehmen, die daraus resultierende Freisetzung von Zeit und kognitiven Fähigkeiten der Mitarbeiter sind entlang der gesamten Abwicklungskette nutzbar, wie etwa im Einkauf.

Wenn die Anzahl der Entscheidungsvariablen exponentiell zunimmt, können Logikentscheidungen ineffizient sein. Das zeigt sich im Vertrieb etwa im Key Account Management. Welches Cross-Selling-Potenzial einzelne Kunden haben und auf welche Kundenbereiche man die Vertriebsressourcen setzen sollte, das lässt sich mit Logik theoretisch herausfinden, aber es sind eben enorme Kundendatenmengen zu analysieren. Händisch ist das nicht möglich, aber Algorithmen sind genau darauf programmiert.

Die statistische Auswertung funktioniert sehr gut in der Versicherungsbranche. Die Komplexität von Leistungsbestandteilen in individuellen Versicherungspolicen bei allen KundInnen kann kein Vertriebsmitarbeiter überblicken. Algorithmisch lassen sich aber Auffälligkeiten feststellen: Wo gibt es KundInnen, die ein Bündel an Versicherungsleistungen nutzen, in denen aber eine Lücke besteht oder deren bestehende Kombination wenig sinnvoll ist? Hier kauft der Kunde in der Lücke entweder von der Konkurrenz oder es besteht ein dem Kunden gegenüber rational argumentierbares Upselling-Potenzial.

Faktoren der erfolgreichen Implementierung

Bei näherer Betrachtung zeigt sich: Erfolgreiche Unternehmen schaffen den Spagat zwischen ergebnisoffenen Experimenten und der Ausrichtung am betriebswirtschaftlichen Mehrwert durch eine systematische Vorgehensweise. Die Implementierung des Lernens aus den eigenen Kunden-, Maschinen-, oder Prozessdaten verläuft zwar in klar abgrenzbaren Umsetzungsphasen, kann aber in der Regel nicht wasserfallartig geplant werden.

KI-Projekte profitieren in der Regel von einem agilen Projektmanagement, denn zu Beginn ist das Ergebnis nicht immer erkennbar und Iterationsschleifen sind auch nicht auszuschließen. Auch können im Rahmen der Pilotierung plötzlich ungeplante Arbeitspakete in die Roadmap drängen, wenn die Ergebnisvalidierung etwa zur Erkenntnis führt, dass stellenweise neue Sensorik nachgerüstet wird. Feedback-Schleifen mit einer Bewertung von Zwischenergebnissen aus Nutzersicht sind kritisch für den Projekterfolg und nicht nur gewünscht, sondern unbedingt erforderlich.

FI 3-22 Wildemann Bild 4
Bild 4: Zusammenhang von Künstlicher Intelligenz, Machine Learning und Deep Learning 

Das richtige Erwartungsmanagement ist bei KI-Projekten eine Stolperfalle gleich zu Beginn. Sicher mag die Fantasie, den digitalen Zwilling für das eigene Unternehmen zu kreieren, begeistern, birgt aber auch die Gefahr, das Thema KI für lange Zeiten zu verbrennen, wenn die Umsetzung stockt. Schnelle Erfolge, messbarer Fortschritt und kontrollierbares Risiko, ohne das Unternehmen zu lähmen, sind die Erfolgszutaten für die digitale Transformation. Bei der Implementierung sind die Hürden und Erfolgsaussichten genau zu untersuchen:

  • Inwieweit lassen sich Tools an das bestehende ERP-System andocken?
  • Kann das Projekt von einem Fachbereich getrieben werden oder ist eine übergreifende Kooperation notwendig?
  • Ist der analysierte Fachbereich aus GuV- oder Bilanzsicht auch ein echter Werthebel?
  • Habe ich die internen Kapazitäten und Kompetenzen?
  • Existieren funktionierende Plug-and-Play-Tools?

In einer Welt, die immer komplexer und dynamischer wird, ist es ein Wert an sich, Handlungsvorräte aufzubauen und auf schwache Signale reagieren zu können. Engpässen und kritischen Schnittstellen in Lieferketten kann so das Überraschungsmoment genommen werden. Möglich wird das durch Simulation und smarte Ursache-Wirkungs-Analysen hin zur besonnenen Entwicklung von Präventivstrategien. Dies versetzt Manager in die Lage, bessere Entscheidungen zu treffen und sich auf das zu konzentrieren, was gute Supply Chain Manager ausmacht: verschiedene Zielgrößen gegeneinander abwägen, sich für oder gegen Risiken entscheiden, Analyseergebnisse plausibilieren, neue Geschäftsmodelle ersinnen und vor allem Menschen führen.

Bild 6: Schritte zur Anwendung von KI im Supply Chain Management
Bild 6: Schritte zur Anwendung von KI im Supply Chain Management

Dies versetzt Manager in die Lage, bessere Entscheidungen zu treffen und sich auf das zu konzentrieren, was gute Supply Chain ManagerInnen ausmacht: Verschiedene Zielgrößen gegeneinander abwägen, sich für oder gegen Risiken entscheiden, Analyseergebnisse plausibilieren, neue Geschäftsmodelle ersinnen und vor allem Menschen führen.

Künstliche IntelligenzLinear Performance PricingLogistikMachine LearningRobotic Process AutomationSupply Chain Management





Das könnte Sie auch interessieren

Anbieterportal

Premium

GUS ERP GmbH

50933 Köln
Potsdam Consulting Advisory GmbH
Premium

Potsdam Consulting Advisory GmbH

Leistungen

Services

Beratung

14057 Berlin
Abels&Kemmner
Premium

Abels&Kemmner

52134 Herzogenrath
Premium

GFOS mbH

45141 Essen

alle Anbieter
Sharer Icon: facebookSharer Icon: TwitterSharer Icon: LindekInSharer Icon: XingSharer Icon: EnvelopeSharer Icon: Print

Wir verwenden Cookies, um die Nutzererfahrung stetig zu verbessern. Mehr Erfahren.

We use cookies to constantly improve our users’ experience. Learn more.

Essentielle Cookies

Essential Cookies

Cookie Settings
Speichert Einstellungen, die hier getroffen werden. (1 Jahr)

Cookie Settings
Saves selected settings. (1 Year)

Statistik

Statistics

Google Analytics | Google LLC | Datenschutz
Cookie von Google für Website-Analysen. Erzeugt statistische Daten darüber, wie der Besucher die Website nutzt. Alle Informationen werden anonymisiert gespeichert. (2 Jahre)

Google Analytics | Google LLC | Privacy Notice
Cookie used by Google for web site analysis. Collects statistical data on how visitors use the website. This data does not contain personal information. (2 years)