AI : Lieferketten-Daten preisgeben: und die Supply Chain profitiert
Auf fast allen Veranstaltungen zum Thema Künstliche Intelligenz ist von den Daten als Problem die Rede. Und zwar nicht der Mangel an Daten, sondern vor allem die Weitergabe dieser. „Das Problem der Supply Chain ist also die Informationslage“, so Eric Weisz, Gründer und CEO des Start-ups Circly. Derzeit promoviert Weisz am Institut Transportwirtschaft und Logistik der WU Wien.
Die Tatsache, dass die meisten Unternehmen kein Vertrauen haben und nicht bereit sind, Informationen weiterzugeben, führt unter anderem zu verschiedenen Prognosemethoden innerhalb der Lieferkette, die entweder durch die Verwendung falscher Daten oder unvollkommener Prognosetechniken einen Bullwhip-Effekt verursachen können. Die weiteren Folgen sind etwa ein etwaiger Anstieg der Lager- oder Herstellkosten, der Wiederbeschaffungszeiten oder der Transportkosten.
Durch die kooperative Denkweise aller an der Supply Chain Beteiligter, die freiwillig und effizient Daten austauschen, könnte dem Bullwhip-Effekt Einhalt geboten werden.
Weisz hat im Gespräch mit Dispo auch ein Paradebeispiel zur Hand: „Procter & Gamble und Walmart, beide wichtige Akteure in ihren Branchen, haben einen Weg gefunden die Informationstechnologie zu nutzen, indem sie Daten über ihre gemeinsamen Lieferketten austauschen. Dadurch sind die Aktivitäten entlang der Supply Chain besser koordiniert und es besteht ein geringerer Bedarf an Lagerbeständen, aber ein höherer Ertrag durch den Fokus auf den Bedarf der Endkundschaft.“
Kann künstliche Intelligenz den Bullwhip-Effekt vermeiden?
Künstliche Intelligenz lässt die Akteure der Supply Chain in die Zukunft blicken, indem sie datengestützt und emotionslos Trends erkennt und so die schlechte oder teilweise fehlende Kommunikation zwischen den einzelnen Teilnehmenden der Supply Chain umgeht.
Ein Anwendungsbeispiel ist etwa das Timeseries Forecasting. Hier werden historische Daten in Form eines Zeitstrahls miteinander kombiniert, die Technologie erkennt die Abhängigkeiten zwischen den Daten. Dadurch, dass die Information zu verschiedenen Faktoren, wie etwa Saisonalitäten, Wetter, Events und ähnlichem im Voraus bekannt sind, erkennt die KI-gestützte Software die Kombination dieser Faktoren und ermittelt den tatsächlichen Bedarf. Wie gut die Ergebnisse der KI sind, bestimmt die Eingangsdatenlage. Um zu starten werden rund drei Jahre an historischen Daten benötigt.
Dadurch ist der Produzent nicht mehr auf die Prognose der Einzelhändler angewiesen, sondern kann durch den Einsatz von KI präzise planen. Damit wird nicht auf der Basis einfacher Statistik und menschlicher Erfahrung, sondern aufgrund vieler unterschiedlicher Faktoren.
Mehr Anwendungsbeispiele und darüber, wie das "Bierspiel" Supply Chains resilienter gestaltet – im ungekürzten Originalartikel unseres Schwester-Magazins dispo!