IOT, Big Data und künstliche Intelligenz verändern mittlerweile fast alle Aspekte unseres Lebens. Daten werden in Echtzeit verarbeitet und entscheidende Prognosen auf Basis von AI kontinuierlich angepasst und erweitert. Dies lässt die Erwartungen an die Supply Chain in Bezug auf Effizienz und Servicelevel ansteigen. Die Herausforderung des Unternehmers besteht darin, langfristig mithalten zu können, aber ebenso schnell auf bereits erprobte Methoden zurückzugreifen.
Internet der Dinge (IoT), Big Data und künstliche Intelligenz (KI) bewirken eine Transformation nahezu aller Lebensbereiche. Datenflüsse werden in Echtzeit analysiert, während KI-gestützte Vorhersagen fortlaufend aktualisiert und verfeinert werden. Dies erhöht die Anforderungen an die Leistungsfähigkeit und den Servicegrad der Lieferketten. Für Unternehmer ergibt sich daraus die Doppelaufgabe, einerseits langfristig wettbewerbsfähig zu bleiben und andererseits auf bewährte Methoden schnell reagieren zu können.
Treffen Sie Entscheidungen auf Basis aller verfügbaren Fakten. Bewerten Sie Ihre Daten mit modernsten statistischen Methoden und treffen Sie bewusst Entscheidungen. Haben Sie ein klares Bild über alle Chancen und Risiken. Erkennen Sie Schwachpunkte und Faktoren, die Ihre Strategie erfolgversprechender machen.
Supply Chain Analytics unterstützt Ihr Unternehmen auf mehreren Ebenen
Ihre Vorteile
Durchgängiges Datenkonzept für den übergreifenden Planungsprozess
Datenanalyse zur Definition einer passenden Forecast-Strategie
Tool-unabhängige Beratung zur Definition des Zielbildes
Umsetzungsbegleitung in Form von Projektmarketing und Change Management
State-of-the-Art-Ansätze im Bereich AI, Machine Learning, Forecasting, Clustering, Mustererkennung, Supply-Chain-Simulationen
Rasche Umsetzung aufgrund Best Practice Templates und Expertenwissen
Hohe Benutzerfreundlichkeit durch unterschiedliche Tools
Modularer Aufbau ermöglicht eine schrittweise Optimierung der Supply Chain
Unser Ansatz
Wir nehmen für uns in Anspruch, Insellösungen in einem geschlossenen, effizienten Setup miteinander zu verbinden.
Wir wägen ab, ob es sinnvoller ist, in Einzelbereichen die neuesten und manchmal schwierigen Methoden einzusetzen oder in einem integrierten Ansatz bewährte und industriell einfach zu implementierende Methoden zu verknüpfen.
In Summe kommt es darauf an, dass die Leistung von Anfang bis Ende stimmt und Ergebnisse effizient und an der richtigen Stelle eingesetzt werden.
Wir legen Wert darauf, dass unsere Expert*Innen nicht nur im Bereich Data Science zu den Besten gehören, sondern auch eine fundierte Erfahrung im Bereich Supply Chan Management vorweisen können.
Nur wer in einer agilen Projektumsetzung interdisziplinäre Ansätze und Denkmethoden lebt, kann eine komplexe Wertstromkette digitalisieren.
Die Nutzung Künstlicher Intelligenz (KI) im Bereich Supply Chain Analytics
Artificial Intelligence (AI) oder Künstliche Intelligenz (KI) ist inzwischen ein schnell wachsendes Gebiet, das im Bereich Supply Chain Analytics die verschiedensten Anwendungen findet.
Wir wollen daher mit einem Überblick starten, um die wichtigsten AI-Methoden spezifischen Anwendungen in der Supply Chain zuzuordnen. In machen Fällen gibt es keine 1:1 Zuordnung, da gerade die erfolgreichsten Methoden verschiedene Einsatzbereiche haben.
Vorhersagemethoden:
Diese Methoden dienen der Vorhersage einer bestimmten Kenngröße in der Supply Chain. Dies kann der Forecast sein oder wie beim Demand Sensing das kurzfristige Bestellverhalten des Kunden. Zum Einsatz kommen hier neuronale Netze, Entscheidungsbäume (Gradient Boosting of decision trees), aber auch klassische Forecast-Methoden wie ARIMA, exponentielle Glättung oder Modelle wie die lineare Regression.
Klassifizierungsmethoden:
Im Gegensatz zu Vorhersagemethoden trifft man hier die Aussage, ob dem Datensatz eine bestimmte Eigenschaft zugeordnet werden kann. Ein typisches Beispiel ist die Objekterkennung, bei der die Objekte auf einem Bild bestimmt werden. Eine zweite Anwendung in der Supply Chain ist die Zuordnung von Produkten in bestimmte Familien aufgrund ihrer charakteristischen Eigenschaften. Des Weiteren können Eigenschaften in Zeitreihen erkannt werden, beispielsweise die Saisonalität oder einen linearen Trend. Auch die Analyse von Texten ist hier ein wichtiger Anwendungsfall, der die Suche nach Vorgänger- und Nachfolgerbeziehungen erleichtert.
Mustererkennung:
Diese Methode dient dazu, Gemeinsamkeiten aus einer Vielzahl von Produkten zu erkennen. Im Gegensatz zur Klassifizierung liegen die Eigenschaften der Klasse hier nicht vor. Es ist die Aufgabe des Algorithmus, die verschiedenen Gruppen zu definieren. Einige Methoden sind zusätzlich in der Lage, die Produktcluster in eine hierarchische Abfolge zu bringen und die jeweiligen Datensätze diesen Gruppen zuzuordnen. Eine der gängigsten Clustermethoden ist der k-Means-Algorithmus.
Optimierung:
Dies ist ein vollständig eigenständiges Feld, dem auch Simulationen zuzuordnen sind. Der Algorithmus hat das Ziel, Lösungen auf Basis vordefinierter Randbedingungen zu finden. Dies können beispielsweise Lieferzeiten und Fertigungskapazitäten sein, um einen Fertigungsplan zu optimieren, aber auch LKW-Routen dienen dazu, einen optimalen Auslieferplan zu bestimmen. Der Algorithmus berechnet dann eine Vielzahl von Lösungen und versucht, die beste Lösung zu priorisieren.
Eine Vielzahl der genannten AI Methoden kommt im Rahmen einer Supply Chain Analytics Beratung zum Einsatz. Wir können Methoden und Modelle, die sich im Pilotprojekt bewährt haben, im Rahmen einer Cloud Anwendung schnell in den produktiven Bereich transferieren und skalieren.
AI-Methoden im Bereich Supply Chain Analytics
Eine Grundeigenschaft der meisten AI-Methoden ist, dass ihr ein mathematisches Modell zugrunde liegt, das sich parametrisieren lässt. Parameter sind zum Beispiel die Aktivierungsfaktoren in einem neuronalen Netzwerk, aber auch die Parameter des statistischen Forecast (z. B. alpha und beta in der exponentiellen Glättung zweiter Ordnung). Eine weitere Grundvoraussetzung aller AI-Methoden ist auch, dass sich die Güte der Parameter anhand einer Fehlerfunktion bewerten lässt. Auf Basis dieser beiden Bedingungen lässt sich das Modell optimieren. Dies kann durch Training erfolgen, aber auch im einfachsten Fall durch einen analytischen Ansatz (die Lösung einer Gleichung).
Klar ist: AI ist immer nur so gut wie die Daten, die ihr zugrunde liegen. Dies gilt nicht nur für die Qualität der Daten, sondern auch auf die ganzheitliche Auswahl der Datensätze. Nur wenn die richtigen Datensätze herangezogen werden, kann das Model richtig optimiert werden.
Unsere Webinare zum Thema Supply Chain Analytics
Webinar on demand
Supply Chain Analytics Teil 1 – Grundlagen
Im ersten Teil unseres Webinars Supply Chain Analytics gehen wir umfassend auf Supply-Chain-Analytics-Themen ein, die sich im unternehmerischen Umfeld ergeben. Wir zeigen Ihnen, welche statistischen Methoden Sie einsetzen können, um die Qualität im Bereich der Absatzplanung und Lagerstrategie zu steigern.
Supply Chain Analytics Teil 1 – Grundlagen
Webinar on demand
Supply Chain Analytics Teil 2 – im Detail
In diesem Webinar im Bereich Supply Chain Analytics geben wir einen tieferen Einblick in die valantic Toolchain und präsentieren dedizierte Supply-Chain-Analysen anhand von Live-Demos. Dieses Webinar richtet sich sowohl an Experten als auch an Teilnehmer, die sehen möchten, wie Supply-Chain-Analysen konkret angegangen werden.
Supply Chain Analytics Teil 2 – im Detail