Künstliche Intelligenz diffundiert in alle Bereiche von Unternehmen und das wesentlich rascher als die meisten Verantwortlichen denken. Die Supply Chain, die operative Bedarfsplanung bzw. das Forecasting und das Beschaffungsmanagement sind da keine Ausnahme.

KI gestützte Supply Chain Strategie stellt die Weichen für höhere Effizienz

Die Supply Chain Strategie umfasst zwei wesentliche Teilbereiche. Zum ersten ist dies, abgeleitet aus der Unternehmensstrategie und der Marktpositionierung, die Segmentierung der Kunden in Vertriebskanäle und die Festlegung der Servicelevels in puncto Lieferzeiten, Verfügbarkeiten und Customer Support je Vertriebskanal. Und zum zweiten kann daraus die Architektur des Logistik Netzes und die der unterstützenden Technologien abgeleitet werden. Damit legt die Supply Chain Strategie die Kostenstruktur der Wertschöpfungskette fest.

KI Tools werden in Zukunft wesentliche Hilfestellungen bei der Segmentierung und Identifizierung homogener Kundencluster im Hinblick auf Kaufverhalten und Service Level leisten können. Die pureclarity KI integriert zum Beispiel eine breite Palette von Kundendaten aus zahlreichen digitalen und physischen Quellen und segmentiert die Kundenbasis, sodass eine individuelle und personifizierte Kundenansprache möglich ist.

Umgelegt auf den Zuschnitt der Vertriebskanäle und der Service Levels bedeutet dies, dass in Zukunft mit Hilfe KI gestützter Datenanalysen wesentlich homogenere Cluster im Hinblick auf Kundenbedürfnisse und Kundenerwartungen gebildet werden können.

Sind die Vertriebskanäle und Service Levels definiert, dann ist es Aufgabe der Supply Chain Strategie die optimale Architektur des Netzwerkes festzulegen.

Ein Beispiel aus dem Retail Sektor zeigt, was mit KI gestützten Methoden schon möglich ist: Das amerikanische Startup SiteZeus hat eine KI entwickelt, die anhand multipler Datenquellen die optimalen Standorte für Händler ermittelt. Was im Retail funktioniert, geht auch für Logistiknetzwerke. Big Data Quellen sind hier die Lieferungen, kundenspezifischen Informationen, demografische und geografische Datenquellen. Mit einem intelligenten Prozesskostenmodell das Kosten und Laufzeiten modelliert, kann die KI über ein bestärkendes Lernverfahren die Anzahl und Lage der Standorte variieren und so sukzessive die optimale Netzarchitektur für die vorgegebenen Service Level und Kosten finden.

Operative Bedarfsplanung und Forecasting in Echtzeit und punktgenau

In puncto Bedarfsplanung und Forecasting können KI gestützte Algorithmen zur Höchstform auflaufen. Es liegt geradezu in der DNA der KIs Korrelationen, Trends und feinste Muster zu erkennen. Ein paar Beispiele was aktuell Stand der Technik ist:

Oft zitiert ist die Geschichte eines sechzehnjährigen Mädchens, das von der amerikanischen Supermarktkette Target plötzlich Werbung für Babykleidung zugeschickt bekam. Das war 2012. Der aufgebrachte Vater beschwerte sich lautstark beim Filialleiter, der von nichts wusste und das Marketing dafür verantwortlich machte. Er versprach der Sache nachzugehen. Als er zwei Tage später den Vater des Mädchens kontaktierte, musste der zerknirscht zugeben, dass seine Tochter wirklich schwanger war.

Ebenso veranschaulicht Amazons 2012 eingereichtes Patent Anticipatory Shipping wie Big Data erfolgreich in Kundennutzen umgesetzt werden kann: Auf Basis der Analyse von internen Daten (Surf- und Bestellverhalten, persönliche Wunschlisten, persönliche Kundendaten, persönliche Internet Infos, demografische Daten, Retail Umgebung des Bestellers, etc.) wird prognostiziert, an welchem Ort welche Produkte zu welchem Zeitpunkt bestellt werden. Mit dieser Methode kann Amazon die Lieferzeiten auf bis zu zwei Stunden reduzieren. Der Prozess verläuft dann zweistufig: In der ersten Stufe werden die vorhergesagten Bestellungen an das Ziel Verteilzentrum gesendet. In einem zweiten Schritt werden die Bestellungen, idealerweise noch im Transportfahrzeug der tatsächlichen Adresse und Bestellung zugeordnet.

Anticipatory Shipping sagt nicht einzelne Bestellungen voraus, sondern ermöglicht es Warenströme zeitlich und räumlich beliebig genau vorher-zusagen. Es ist natürlich klar, dass diese Methode bei Schnelldrehern in dicht besiedelten Gebieten am erfolgreichsten ist.

Mit Demand Guru hat das amerikanische Softwarehaus LLamasoft eine KI gestützte Forecasting Software entwickelt, die flexibel auch externe Datenquellen integrieren kann, Szenarien durchspielen und aufgrund des Prognosefehlers die Modell Parameter kontinuierlich adaptiert und verbessert.

Das 2008 gegründete Unternehmen Blue Yonder hat sich auf KI gestützte Supply Chain Lösungen für Demand Forecast & Replenishment für den Handel spezialisiert. Die KI-Lösung liefert Wahrscheinlichkeitsprognosen, die Hunderte verschiedener Variablen berücksichtigen, darunter das Wetter, Verkaufs-aktionen, Feiertage und Schulferien. Sie übersetzt die Geschäftsstrategie in Millionen von täglichen automatisierten Dispositionsentscheidungen. Demand Forecast & Replenishment ermittelt täglich die optimalen Bestellmengen für jedes Produkt und jede Filiale, während die Zahl der manuellen Eingriffe auf ein Minimum reduziert wird. Gemäß Blue Yonder führt der Einsatz der KI zu 80 % weniger Out of Stock Situationen, eine zehnfach bessere Warenverfügbarkeit und eine 50 fach geringere Rate manueller Eingriffe.

In Zukunft wird Bedarfsplanung und Forecasting kein Hexenwerk mehr sein. Lernende KIs werden immer zutreffendere Prognosen machen und so eine viel zielgerichtetere Allokation von Produktions- und Kapitalressourcen möglich machen. Überbestände und Out of Stock Situationen werden der Vergangenheit angehören. In Bereichen mit erratischen Bedarfsmustern, wie z.B. im Ersatzteilmanagement werden vermehrt 3D Drucker zur Anwendung kommen, die die selten benötigten Teile bei Bedarf drucken.

Bot gestütztes Beschaffungsmanagement

In der Beschaffung hat die KI mittlerweile ebenso Einzug gehalten: Das 2005 gegründete Nürnberger Unternehmen Orpheus entwickelt KI gestützte Software für das Beschaffungsmanagement. Mit den KI-gestützten BOTs lassen sich Routine-Aufgaben der strategischen Einkäufer automatisieren und Potentiale bzw. Daten-Auffälligkeiten von der Software automatisiert vorschlagen.

So setzen KI-BOTs Kapazitäten bei den strategischen Einkäufern frei, um sich auf ihre Kernaufgaben zu fokussieren und zusätzliche Potentiale adressieren zu können.

Die Leistungspakete umfassen die Klassifikation, Clusterung und Bereinigung von Daten als auch optionale KI-Methoden, wie die Simulation des Beschaffungsvolumens unter Berücksichtigung von Rohstoffpreisänderungen und Wechselkursfluktuationen oder den Consistency and Compliance Check bei dem retrograd alle (unterschiedlichen) Preisausprägungen in den Belegen eines Prozesses untersucht und alle Preisabweichungen und Mehrzahlungen aufgedeckt werden.

Fazit: KI wird erheblichen Einfluss auf alle existierenden, und aktuell möglicherweise auch gut funktionierenden, Business Modelle haben. Um weiterhin erfolgreich am Markt auftreten zu können ist ein rechtzeitiges Auf- und Vorbereiten der anstehenden Entwicklungen unerlässlich.