Supply-Chain-Analytics

Die Digitalisierung ihrer industriellen Prozesse stellt Unternehmen heute vor große und vielfältige Herausforderungen. Neben den vielen technischen Fragestellungen der Datenerfassung (Sensorik), Datenübertragung (Internet der Dinge), Datenspeicherung (Big Data), Datenanalyse (Künstliche Intelligenz) und Prozessintegration (IT-Anwendungssysteme) müssen auch wichtige Fragestellung des Managements geklärt werden. So gilt es, die Implementierung datengetriebener Prozesse mit Geschäftsstrategien und/oder neuen Geschäftsmodellen zu verknüpfen und notwendige Anpassungen an der Ablauforganisation vorzunehmen. Diese verschiedenen Aspekte einer Digitalisierungsinitiative sind als komplementär zu betrachten. Nur die Lösung aller Fragestellungen schafft die Grundlage für die erfolgreiche Realisierung datengetriebener Geschäftsprozesse im Unternehmen. Von entscheidender Bedeutung und Ausgangspunkt für eine Implementierung ist dabei die Ausarbeitung bzw. Auswahl relevanter Analytics-Anwendungsfälle. Erst anhand konkreter Analytics-Anwendungsfälle können Aufwand und Nutzen für das Unternehmen bewertet werden und deren Umsetzung erfolgen.

Typische Anwendungsfälle für Supply-Chain-Analytics

Supply-Chain-Analytics umfasst methodisch drei Bereiche, die in ihrem Reifegrad stufig aufeinander aufbauen: Descriptive Analytics, Predictive Analytics und Prescriptive Analyitcs.

Bei Descriptive Analytics werden Vergangenheits- oder Statuswerte aufgenommen und anschließend von Menschen interpretiert. Ein großer Anwendungsbereich ist hier die Verfolgung von Materialbewegungen oder die Erhebung von Logistikkennzahlen. Diese geben Aufschluss über den aktuellen Zustand, mögliche Störungen und den Grad der Zielerreichung. Die Bewertung der Informationen erfolgt durch den Menschen. Die Anwendungsfälle haben große Ähnlichkeit mit Business-Intelligence-Anwendungen. Ein wesentlicher Unterschied liegt aber in dem Anspruch, alle Daten in Echtzeit zur Verfügung zu stellen und so Transparenz in der Lieferkette herzustellen. Diese Analytics-Methode kann beispielsweise bei der Verfolgung von Gütern, bei der Lokalisierung von Logistikressourcen, der Identifikation von Verspätungen oder Störungen oder für den Soll-Ist-Vergleich eingesetzt werden.

Die nächste Reifestufe von Supply-Chain-Analytics ermöglicht mit Predictive Analytics eine automatisierte Bewertung aktueller Abläufe und Ereignisse in der Lieferkette. Dazu werden historische Logistikdaten nach Mustern durchsucht, Modelle abgeleitet und auf aktuelle Daten in der Lieferkette angewandt, um Abläufe zu klassifizieren, Probleme anzuzeigen oder Bedarfe vorherzusagen. Die Ableitung und Initiierung notwendiger Maßnahmen erfolgt durch den Menschen. So können kritische Situationen und Ereignisse früher identifiziert oder Kunden – und Ressourcenbedarfe, vorhergesagt werden.

Aufbauend auf Predictive Analytics, die automatisiert die aktuelle Situation bewerten, können mit Hilfe von Prescriptive Analytics Vorgaben für die zukünftige Planung und Steuerung der Supply Chain abgeleitet werden. Dazu werden Modelle zur Bewertung zukünftiger oder alternativer Szenarien benötigt und mit aktuellen Daten aus der Supply Chain bespielt. Eine Alternative zu den Modellen stellt die Entwicklung von Maßnahmenkatalogen dar. Je nach Problemfall können so geeignete Maßnahmen zugeordnet werden, beispielsweise um Transportrouten oder Dispositionsparameter vorzugeben.

SCS-Bibliothek zur Identifikation von Analytics-Anwendungsfällen

Für die Identifikation und Auswahl relevanter Anwendungsfälle eignen sich zwei Herangehensweisen. Zum einen kann ausgehend von vorhandenen Daten die Frage gestellt werden, welche Erkenntnisse bzw. Nutzen daraus für Geschäftsprozesse gezogen werden können. Der andere Ansatz fokussiert einzelne Geschäftsprozesse und identifiziert mögliche unterstützende Analytics-Anwendungsfälle. Beide Herangehensweisen werden durch die vom Fraunhofer SCS entwickelte Bibliothek für Analytics-Anwendungsfälle unterstützt. Grundlage für diese Bibliothek bildet eine umfassende Studie in wissenschaftlichen Datenbanken und Fachmagazinen sowie die Entwicklung eines Klassifikationsschemas. Diese Bibliothek kann von Unternehmen genutzt werden, um Ideen für Analytics-Anwendungen zu generieren, diese auf die eigenen Geschäftsprozesse zu übertragen, zu bewerten und erste Analytics-Projekte zu initialisieren.

Ein Beispiel: Vorhersage des Transportaufkommens

In einem konkreten Kundenprojekt mit einem Transportdienstleister wurden historische Transportdaten (z. B. Datum, Relation, Artikelklasse, Menge, Gewicht etc.) mit externen Faktoren (z. B. Wetter) mit Hilfe von Predictive-Analytics untersucht.  Ziel war es, Muster und Beziehungen in den Daten zu identifizieren, die eine Vorhersage des Transportvolumens ermöglichen. In dem Projekt wurden verschiedene statische Modelle (z. B. Regression, Clustering, Entscheidungsbäume etc.) erstellt, deren Vorhersagequalität bewertet und die wichtigsten Eingangsgrößen für die Vorhersage identifiziert. Für diesen konkreten Anwendungsfall lieferten Entscheidungsbäume die besten Ergebnisse. Diese sind zudem leicht durch den Menschen zu interpretieren und in IT-Anwendungssystemen zu implementieren.