KI/ML zum Aufbau intelligenter Lieferketten

Ein Intelligente Lieferkette integriert Daten, Automatisierung und fortschrittliche Analysetechnologien, um Effizienz und Kostensenkung in verschiedenen Teilen der Lieferkette zu erzielen. Es kann einem Unternehmen einen strategischen Vorteil verschaffen, indem es das Kundenerlebnis verbessert. Es wird typischerweise durch eine Kombination aus Optimierungs- und KI/ML-Technologien unterstützt. Wir untersuchen fünf Anwendungsfälle, die sie fünf Elementen des Lieferkettenmanagements zuordnen: Plan → Quelle → Erstellen → Liefern → Logistik umkehren.

1. Kurzfristige Bedarfserfassung (Plan): Die Bestandsverwaltung ist eine entscheidende Aktivität in der Lieferkette. Betriebskapital- und Lagerkosten sind an die Lagerbestände gebunden, die wiederum unter anderem von einer genauen Prognose der Nachfrage abhängen. Ein hohes Maß an Prognosegenauigkeit trägt dazu bei, Lagerkosten und Fehlbestände zu reduzieren, indem die Herstellung der richtigen Produktmenge am richtigen Ort zur richtigen Zeit vorangetrieben wird. Dies trägt dazu bei, den Lagerbestand in Lagern zu optimieren, Sicherheitsbestände zu reduzieren und dadurch Kosten zu senken, während gleichzeitig Fehlbestände vermieden werden, die zu langfristigen Geschäfts- und Umsatzverlusten führen können. Eine KI-gestützte Anwendung kann Muster in Kundenbestellungen erkennen und bestimmte Frühindikatoren mit der kurzfristigen Nachfrage korrelieren, um genauer zu sein als mit herkömmlichen Methoden. Mit Bestellinformationen in Echtzeit können wir Bedarfsprognosen für den aktuellen und nächsten Monat automatisieren, die regelmäßig aktualisiert werden.

2. Lieferantensegmentierung (Quelle): Große Unternehmen haben möglicherweise Hunderte oder Tausende von Lieferanten, die einen integralen Bestandteil ihrer Lieferkette bilden. Von Lieferanten werden unterschiedliche Rohstoffe in unterschiedlichen Mengen bezogen. Um die Beschaffungskosten zu senken und gleichzeitig die Lieferzuverlässigkeit zu erhöhen, wäre es hilfreich, unterschiedliche Strategien auf verschiedene Lieferanten anzuwenden. Angesichts der großen Anzahl von Lieferanten wäre es in diesem Zusammenhang von Vorteil, Lieferanten in wenige Schlüsselgruppen zusammenzufassen. Diese Art der Segmentierung ermöglicht gezielte Vertragsverhandlungen über Rohstoffpreise, -mengen und Liefertermine, um die Ausgaben zu optimieren. Eine KI-fähige Anwendung kann Lieferanten anhand von Merkmalen wie Volumen, Preis, strategischer Beziehung und Zuverlässigkeit segmentieren, um Beschaffungsspezialisten die Einführung ähnlicher Beschaffungsstrategien für Lieferanten innerhalb eines Clusters zu ermöglichen. Diese Segmentierung kann monatlich oder vierteljährlich aktualisiert werden, um Lieferantenänderungen zu berücksichtigen.

3. Vorhersagen von Geräteausfällen (Make): Ungeplante Ausfallzeiten aufgrund von Zuverlässigkeitsausfällen kommen in Fertigungsbetrieben häufig vor. Diese führen tendenziell zu einer Belastung der Produktbestände und können zu Verzögerungen bei der Kundenabwicklung führen. Die Vorhersage, wann solche Ausfallzeiten auftreten könnten, kann einer Einrichtung dabei helfen, entweder Maßnahmen zu ergreifen, um das Risiko eines Geräteausfalls zu mindern, oder sich im Voraus vorzubereiten, indem sie einen Bestand anlegt, um die Ausfallzeiten zu berücksichtigen. Diese Vorhersagen und die daraus resultierenden Abhilfemaßnahmen können dazu beitragen, Lagerbestände und Umsatzeinbußen zu vermeiden und Investitionen in vorbeugende Wartungsoptionen anzukurbeln, um kostspielige Reparaturen zu vermeiden. Eine KI-fähige Anwendung kann Geräteausfälle mit wichtigen Messungen (wie Durchsatz, Druck, Temperatur usw.) über Tage oder Wochen hinweg korrelieren, die zu einem ungeplanten Geräteausfall führen, und Erkenntnisse über den Zeitpunkt von Ausfällen liefern. Abhängig von der Granularität der Messungen kann die Anwendung jeden Tag oder alle paar Tage ausgeführt werden, um das Risiko von Ausfällen einzuschätzen.

4. Vorhersage der Lieferzeit (Lieferung): Die pünktliche Lieferung an Kunden ist eine wichtige Kennzahl zur Messung der Leistung von Lieferketten, die sich direkt auf das Kundenerlebnis auswirkt. Unternehmen messen diese Kennzahl und versuchen aktiv, sie auf der Grundlage historischer Verzögerungstrends zu verbessern. Die genaue Vorhersage von Lieferzeiten kann dazu beitragen, dass das Produkt zum gewünschten Zeitpunkt beim Kunden ankommt, wodurch ein schlechtes Kundenerlebnis und daraus resultierende Geschäftseinbußen sowie Strafen und andere Kosten aufgrund verspäteter Lieferungen vermieden werden. Eine KI-fähige Anwendung kann verwendet werden, um Lieferzeiten basierend auf Starttag und -zeit, Saison, Spediteur, Quelle und Ziel und anderen Attributen vorherzusagen. Eine solche Vorhersage für jede Sendung ermöglicht es, den Kunden auf dem Laufenden zu halten und das Kundenerlebnis und die Kundenbindung zu verbessern. Darüber hinaus bietet dies die Möglichkeit, die Routen zu optimieren und die leistungsstärkeren Fluggesellschaften auszuwählen.

5. Prognose für Kundenrückgaben (Reverse Logistics): Ein Prozentsatz der Verkäufe wird von Kunden aus verschiedenen Gründen zurückgegeben, einschließlich der Nichterfüllung von Qualitätsspezifikationen oder Verzögerungen beim Versand. Um sich auf Rücksendungen, Lagerung und Verarbeitung vorzubereiten, müssen Unternehmen eine genaue Schätzung der Menge der zurückkommenden Produkte haben. Dies wird dazu beitragen, die Lager- und Verarbeitungskosten zu senken. Eine KI-fähige Anwendung kann ein aggregiertes Retourenvolumen als Funktion der Kundenlieferungen der vergangenen Wochen liefern. Diese Vorhersage kann wöchentlich aktualisiert werden.