Maschinelles Lernen eröffnet neue Potenziale im Supply-Chain-Risikomanagement

Aktuelle Studie zeigt: Die digitale Transformation von Lieferketten und Implementierung von selbstlernenden Systemen erleichtert Unternehmen den Wandel vom reaktiven zum proaktiven Risikomanagement.

08.11.2021

München/Hamburg, 08.11.2021 - Corona-Pandemie, Rohstoffengpässe, Materialverknappung: Die weltweiten Lieferketten sind zum Zerreißen gespannt. Wer nur auf Störungen reagiert, riskiert hohe Lieferanten- und Umsatzausfälle sowie Notfallkosten. Automatisiertes Supply-Chain-Risikomanagement (SCRM), das selbstlernende Systeme zur Auswertung von Risikodaten einschließt, eröffnet dagegen neue Potenziale für eine vorausschauende Risikoüberwachung. Das verlängert die Reaktionszeit und stärkt die Widerstandsfähigkeit der Lieferketten. Zu diesem Schluss kommt eine aktuelle Befragung des Instituts für Logistik und Unternehmensführung (LogU) an der Technischen Universität Hamburg (TUHH) in Kooperation mit dem SCRM-Spezialisten riskmethods zum Einsatz von Maschinellem Lernen (ML) im Supply-Chain-Risikomanagement.

Zwar haben viele Unternehmen in den vergangenen Monaten gelernt und können durch gute Vorbereitung und umfangreiche Informationsversorgung schneller auf Lieferkettenstörungen reagieren. Die Ergebnisse der Umfrage zeigen jedoch, dass noch immer 50% der Befragten unvorbereitet von einem Risikoereignis getroffen werden, was neben Verzögerungen zu finanziellen und Reputationsschäden führen kann. Auch wissen 42% der Befragten nicht, wie hoch die finanziellen Auswirkungen eines Schadenseintritts sein können. Diese Unternehmen sind folglich einem hohen Risiko ausgesetzt, da Schäden in Millionenhöhe nicht unüblich sind.

Fehlende Lieferketten-Transparenz

Nur ungefähr die Hälfte der Unternehmen verfügt über einen sehr hohen oder hohen Grad an Risikotransparenz bei eigenen Produktionsstätten und direkten Lieferanten (Tier-1). Die Sub-Lieferanten (Tier-2 bzw. Tier-n) werden nur in wenigen Fällen überwacht, so dass das SCRM lediglich einen geringen Teil der Lieferkette abdeckt. Das erhöht das Risiko von Produktionsausfällen, steigenden Transportkosten oder der kostspieligen Erschließung alternativer Beschaffungsquellen. Eine Erkenntnis der Umfrage: Der Blick auf die direkten Zulieferer reicht nicht mehr aus, um kritische Knotenpunkte in der Lieferkette rechtzeitig zu erkennen und Maßnahmen einzuleiten.

Folglich sehen die Befragten in ihrem Risikomanagement noch viel Verbesserungspotenzial, vor allem was die Lieferketten-Transparenz und die Methoden zur Risikoidentifikation betrifft. Für über 80% der Befragten ist die frühzeitige Erkennung von Risiken ein Mehrwert, der hilft, aufgrund der verlängerten Reaktionszeit rechtzeitig Gegenmaßnahmen einzuleiten und Störungen in der Lieferkette zu vermeiden. Dieser Zeitvorsprung kann in vielen Fällen durch eine Automatisierung der Risikoidentifikation (Alerting) erreicht werden, die aus Liefernetzwerken auswertbare Echtzeitdaten generiert. Hier können selbstlernende Systeme einen wichtigen Beitrag leisten.

Maschinelles Lernen: Potenzial erkannt, aber nicht ausgeschöpft

Häufige Auslöser für den Einsatz von Maschinellem Lernen im Lieferantenmanagement ist laut der Umfrage neben dem nicht mehr ausreichenden reaktivem Risikomanagement auch die Erkenntnis, dass sich spezifische Probleme nur mit ML lösen lassen. Unternehmen versprechen sich davon laut der Befragung in erster Linie Zeit- und Kostenersparnisse, zum Beispiel durch eine verbesserte Reaktionsfähigkeit, eine bessere Ressourcennutzung oder eine erhöhte Supply-Chain-Resilienz. Großes Potenzial sehen sie in der Supply-Chain-Planung und der Beschaffung, insbesondere beim Managen von Risiken in den Bereichen Lieferantenscouting, -bewertung und -auswahl.

Als technologische Erfolgsfaktoren sehen die Befragten für die Implementierung von ML im SCRM vor allem eine angemessene Datenbasis (Datenmenge, -verfügbarkeit, -qualität, -vielfalt, -granularität und -zuverlässigkeit) sowie die Qualität der Ergebnisse (Zuverlässigkeit und Genauigkeit, Nachvollziehbarkeit, Transparenz). Daneben spielen die Gestaltung der Algorithmen (Auswahl, Training und Weiterentwicklung der Algorithmen), eine geeignete IT-Infrastruktur (wie Server, Cloud-Lösungen und Programmiersprachen) sowie die Integration der maschinellen Lernalgorithmen in die bestehende IT-Infrastruktur (in Bezug auf Schnittstellen und Komptabilität) eine wichtige Rolle. „Die Ergebnisse zeigen, dass das Potenzial von Maschinellem Lernen zwar erkannt, aber aktuell noch nicht ausreichend ausgeschöpft wird. Häufige Gründe, warum auf die Einbindung neuer Technologien in das SCRM verzichtet wird, sind fehlendes internes Know-how sowie Probleme bei der Verfügbarkeit und Aufbereitung von Daten im Unternehmen“, erklärt PD Dr. habil. Meike Schröder, Oberingenieurin am Institut für Logistik und Unternehmensführung der TU Hamburg.

Vorausschauende SCRM-Software macht den Unterschied

Die Ergebnisse der Befragung zeigen, wie wichtig ein funktionsfähiges, ganzheitliches SCRM ist. Es wird deutlich, dass viele Unternehmen einen Wandel – weg vom rein reaktiven („Firefighting“) hin zum proaktiven Risikomanagement – anstreben, um großen Schaden für das Unternehmen frühzeitig abwenden zu können. Durch eine proaktive Ausrichtung wird der Ernstfall möglicherweise erst gar nicht eintreten oder das Unternehmen ist auf den Ernstfall vorbereitet und kann folglich schneller entsprechende Maßnahmen ergreifen. „Proaktives SCRM setzt eine digitale Transformation und die Integration von KI-gestützter Risikoanalytik im gesamten Beschaffungsprozess voraus, um Echtzeitwarnungen zu Risiken entlang der gesamten Lieferkette zu erhalten. Unternehmen, die dafür intern keine Kompetenzen aufbauen möchten oder können, haben die Möglichkeit, auf schlüsselfertigen Lösungen zurückzugreifen, die flexibel an die Anforderungen im Unternehmen angepasst werden können“, sagt Heiko Schwarz, CEO und Gründer von riskmethods, der die Studie unterstützt hat.

Einen Link zur Studie finden Sie hier.

 

Über riskmethods

riskmethods bietet Unternehmen eine Risikomanagement-Lösung, um alle Arten von Risiken im Liefernetzwerk zu identifizieren, zu bewerten und zu reduzieren. Mithilfe von künstlicher Intelligenz werden Gefahren automatisiert und schnellstmöglich erkannt, um risikobewusster zu handeln, schneller zu reagieren und Risiken proaktiver zu begegnen als je zuvor. So können Unternehmen Wettbewerbsvorteile erzielen, indem sie ihre Versorgung sichern, Kundenanforderungen erfüllen, ihr Unternehmensimage schützen und Risikokosten senken.

Über das Institut für Logistik und Unternehmensführung an der Technischen Universität Hamburg (TUHH):

Das Institut für Logistik und Unternehmensführung (LogU) an der Technischen Universität Hamburg (TUHH) betrachtet unter der Leitung von Professor Dr. Dr. h. c. Wolfgang Kersten aktuelle Fragestellungen aus den Bereichen Logistik und Supply Chain Management, Supply Chain Risk Management, Technologie- und Prozessinnovation in der Logistik, Supply Chain Security, Varianten- und Komplexitätsmanagement sowie angewandte Managementmethoden. Hierbei kooperieret das Institut mit nationalen und internationalen Unternehmen sowie Forschungseinrichtungen.

www.tuhh.de/logu

Nach oben