ROI Logistik

Predictive SCM setzt eine verlässliche Datenbasis voraus: Wie das gelingt und warum bisher nur wenige Unternehmen vorbereitet sind. - (Bild: Adobe Stock/kamonrat)

Zwar wünschen sich viele Unternehmen eine höhere Transparenz in der Lieferkette. Oft ist jedoch selbst der Weg dorthin unklar, denn in der Regel gibt es viele Beteiligte mit unterschiedlichen Interessen. Auch für die technologische Umsetzung ist eine sinnvolle Roadmap nötig.

„Der Schlüsselfaktor ist eine Single Source of Truth: Dafür müssen jedoch sämtliche benötigten Daten in einer zentralen Quelle integriert werden“, sagt Christian Kraus, Consultant bei ROI Management Consulting. Gerade durch IoT-Technologien fließen viele neue Daten aus Sensoren und mobilen Endgeräten ins Unternehmen, die wiederum in diese eine, verlässliche Quelle integriert werden müssen.

Dazu gehören zum Beispiel auch Zustandsdaten, die während des Transports erhoben werden. So lässt sich anhand von Vibrationssensoren zum Beispiel vor Empfang ausschließen, dass Ware beschädigt ist. Temperatursensoren können dokumentieren, ob Materialien durch zu hohe oder zu niedrige Temperaturen in Mitleidenschaft gezogen wurden. Über solche Informationen möglichst frühzeitig zu verfügen, ist wichtig:

Schließlich kann sich jede Abweichung in der Lieferkette auf  die Produktions- und Kapazitätsplanung auswirken. Zugleich ist in der anderen Richtung eine gute Vorhersage für das Bestellverhalten der Kunden wichtig, um eine bessere Auslastung der Produktion zu planen.

Wie kann man Middleware SCM-Daten besser vernetzen?

Zwar nutzten in der Praxis viele Unternehmen schon eine SCM-Plattform (SCM = Supply Chain Management) wie JBA oder SAP im Einsatz, berichtet Kraus. Allerdings dächten die Hersteller eher in ihren eigenen Lösungen und weniger in der übergreifenden Integration. Deshalb lohnt es sich aus Sicht des Experten in der Regel, selbst eine Plattform on-Premise oder in der Cloud von Anbietern wie Amazon, Microsoft oder Google aufzubauen. Für eine solche Middleware lassen sich gut Standardprodukte einsetzen.

„Daten aus den bestehenden Systemen zum Beispiel im SAP-Umfeld werden als Grundlage genutzt, zugleich entsteht aber ein Daten-Layer, der deutlich integrativer ist“, meint Kraus. Schließlich gelte es, eine Vielzahl an Daten zu verknüpfen, darunter Informationen zu Bestellungen, zum Produktionsstatus, von Logistikdienstleistern, Container Tracking und Tracing, aber auch Daten aus IoT-Geräten und dem Manufacturing Execution System oder Spezialsystemen wie dem Labormanagement.

Diese Integration stellt die Unternehmen jedoch vor einige Hürden. „Eine der größten Herausforderungen besteht darin, dass die Daten in Silos liegen, häufig in verschiedenen Systemen dupliziert sind und vielfach unstrukturiert sind“, so Kraus. Die Daten müssen zunächst homogenisiert werden, denn zum Beispiel sorgen zwei  Datensätze mit ähnlicher Bedeutung für Probleme. Dafür muss klar definiert werden, welche Struktur benötigt wird. Insgesamt ein erheblicher Aufwand, der sich aber lohnt, meint Christian Kraus.

Christian Kraus ROI

Christian Kraus

Consultant & Projektleiter Industrie 4.0 Award

Kontakt: I4.0@roi.de

KI und Machine Learning machen Predictive SCM genauer

Die Datenintegration und die nötigen Hausaufgaben mit Blick auf die Qualität sind kein Hexenwerk. Erste Piloten lassen sich innerhalb von zwei Wochen aufsetzen, um einen Eindruck vom Nutzen zu bekommen. Eine komplett standardisierte Architektur kann rund sechs Monate in Anspruch nehmen. Fast immer findet man bei Projektbeginn eine schlechte Datenqualität vor, berichtet der ROI-Berater. Rund 75 Prozents des Zeitaufwands fließe in die Datenqualität. Wichtig ist das richtige Personal, das aufgrund des Fachkräftemangels nicht immer leicht zu bekommen ist, unter anderem Data Engineers.

„Perspektivisch können Machine Learning und KI dabei helfen, große Datenmengen aus einer Vielzahl von Quellen einigermaßen automatisiert zu analysieren, aber auch hier sind Qualität und Quantität der Daten wichtig“, stellt der Experte fest. Nicht immer allerdings übertreffen Machine-Learning-Strategien die Methoden, die bereits im Einsatz sind, zum Beispiel klassische Methoden der Absatzanalysen und Forecasts.

„Mit KI hat man jetzt noch einige Tools in der Tasche, um die Genauigkeit weiter zu verbessern. Die Methoden lassen sich gut kombinieren“, so Kraus. So könnten zum Beispiel weitere Faktoren einbezogen werden, die das Bestellverhalten von Kunden beeinflussen, wie Wetter, laufende Aktionen oder Rabatte. Vor allem können Vorhersagen länger im Voraus getroffen werden. Basierend auf historischen Daten sorgen die Algorithmen für recht exakte Vorhersagen, zum Beispiel dafür, wie lange ein Weg durch die Zollabfertigung dauert. Auch die Einbindung von Wetterdaten und Verkehrsinformationen erhöht die Genauigkeit der geschätzten Ankunftszeit von Lieferungen (Estimated Time of Arrival).

Ziel: Probleme in Lieferkette früh erkennen

Es sei generell im SCM interessant, Probleme in der Lieferkette möglichst frühzeitig zu erkennen und zu lösen, meint der Experte. „Wenn die Bestandsentwicklung auf Basis der erwarteten Nachfrage und Kapazitätssituation mit Planungsverfahren modelliert wird, lassen sich schwerwiegende Folgen vermeiden, zum Beispiel Ausgaben für Sonderschichten in der Produktion“, so Kraus. Idealerweise sollten dafür alle Daten der Kette, selbst von Suppliern der eigenen Lieferanten bis zu den Kunden der Kunden für die höchste Vorhersagequalität vorhanden sein.

Doch das sei derzeit illusorisch, stellt Kraus fest. „Es wird immer Black Boxes geben. Doch hier kann man sich behelfen, indem diese Lücken modelliert und Annahmen dazu getroffen werden. Ein Unternehmen kommt selbst dann weit, wenn es alleine seine Hausaufgaben macht“, weiß der Berater. Selbst Unternehmen, die ihre Prozesse bereits mit Lean Management und klassischen Methoden optimiert haben, könnten mit der digitalisierten Supply Chain ihre Effizienz und Liefertreue noch weiter erhöhen. Da die einzelnen Partner in den Supply Chains ihre Daten oft nicht herausgeben wollen, eignen sich hier Konzepte wie das der International Data Spaces Association.

Dabei werden die Daten nicht nur sicher übertragen und geschützt gelagert, sondern deren Besitzer behalten die Souveränität und können selbst entscheiden, auf welche ihrer Daten sie wem und wann Zugriff gewähren. „Für umfassende Lösungen liegt der Schlüssel zum Erfolg darin, allen Beteiligten etwas zur Verfügung zu stellen, das ihnen Nutzen bietet. So motiviert man die Supply-Chain-Partner am besten, diesen Schritt in Richtung digitale Supply Chain und Predictive SCM zu gehen“, weiß Kraus. Nur in Ausnahmen seien von Predictive SCM sensible Daten betroffen. Wichtig sei deshalb, dass sich alle Partner klar machen, dass die Gefahr des Datenmissbrauchs überschaubar ist.

Industrie 4.0: Award von ROI-Efeso und der Zeitschrift PRODUKTION

Digitale Assistenzsysteme, Data Analytics, künstliche Intelligenz oder Machine Learning verändern die Wertschöpfungsprozesse der produzierenden Industrie in rasanter Geschwindigkeit. Unternehmen, die es schaffen, diese Digitalisierungs-Technologien, -Werkzeuge und -Systeme erfolgreich in ihre Wertschöpfungsprozesse zu integrieren, gehören zu den Taktgebern der Industrie 4.0. Sie zeichnet ROI-Efeso gemeinsam mit der Fachzeitung PRODUKTION seit 2013 mit dem Industry 4.0 Award aus – einem der wichtigsten Benchmarks für Digitalisierungs-Projekte und Industrie-4.0-Best-Cases.

 

Mehr zum Award erfahren Sie hier.

Sie möchten gerne weiterlesen?

Dieser Beitrag wird präsentiert von: