Die selbstfahrende Lieferkette: Revolution in Logistik und Risikomanagement

Das Zeitalter selbstfahrender Autos und Lkw steht kurz bevor. Was ist mit selbstfahrenden Lieferketten?

In den letzten Jahrzehnten hat sich Technologie in jeden Aspekt des Supply-Chain-Managements eingeschlichen. Bisher war jedoch die Präsenz eines Menschen erforderlich, um Schlüsselentscheidungen über Produktion und Verteilung zu treffen.

Das gilt besonders für das Risikomanagement, eine Disziplin, die für das Überleben moderner globaler Organisationen unerlässlich geworden ist. Supply-Chain-Manager müssen die Wahrscheinlichkeit zahlreicher potenzieller Störungen abwägen – ob Naturkatastrophen wie Überschwemmungen, Tsunamis und Vulkanausbrüche oder menschengemachte Ereignisse wie Arbeitskämpfe und Terroranschläge – und angemessen handeln. Eine solche Bestimmung wurde als außerhalb der Fähigkeiten von Maschinen angesehen.

Bis jetzt. Künstliche Intelligenz mit ihrer Fähigkeit, riesige Datenmengen zu sichten und Muster zu erkennen, die dem menschlichen Auge verborgen bleiben, spielt eine immer größere Rolle bei Prognose und Risikomanagement. Der Tag könnte bald kommen, an dem Maschinen bessere Einsichten in die Zukunft haben als die Menschen, die sie gebaut haben.

Die vielversprechendsten KI-Innovationen finden heute in Pharmazeutika und verpackten Konsumgütern statt, so Fred Laluyaux, CEO von Aera Technology Inc. Sie stehen unter dem größten Druck von Amazon, die Art und Weise, wie sie Kunden bedienen, radikal zu transformieren.

„Ein Kunde beschrieb es mir auf eloquente Weise“, erinnert sich Laluyaux. „Er sagte: ‚Wir sind die Nächsten, die verschwinden, wenn wir uns nicht ändern.‘“

Für traditionelle Händler liegt die Herausforderung darin, ihre Marken zu schützen, zu einer Zeit, in der Verbraucher mehr an Preis, Bequemlichkeit und Geschwindigkeit interessiert sind. Dank Amazon, so Laluyaux, wird der Gang in einen Laden „irrelevant“. Um den Fähigkeiten des E-Commerce-Riesen gerecht zu werden, müssen Verkäufer die Effizienz in jeder Phase ihrer Lieferketten steigern. Und das beinhaltet, Risikomanagement besser zu machen.

Viele der KI-Fortschritte erfolgen im Bereich der prädiktiven Analytik. Hersteller sind gezwungen, den Prozess der Produktbereitstellung für Käufer zu beschleunigen. Gleichzeitig überflutet die Verfügbarkeit von „Big Data“, während sie ein weit umfassenderes Marktbild liefert, Planer mit Informationen. Ohne die Hilfe automatisierter Systeme zur Interpretation dieser Eingaben können sie „Signal“ nicht von „Rauschen“ unterscheiden.

Unternehmen können nicht mehr mit jährlichen Werbeplänen und halbjährlichen Sales-and-Operations-Planning (S&OP)-Zyklen auskommen. Die Marktbedingungen – insbesondere die Launen wankelmütiger Verbraucher – ändern sich zu schnell dafür. „Man muss auf die nächste Leistungsstufe kommen“, sagt Laluyaux. „Dieser [Grad an] Automatisierung bringt Sie dorthin, wo Menschen nicht mehr folgen können.“

Das ultimative, wenn auch schwer fassbare Ziel ist ein System, das in Echtzeit auf Marktbedingungen reagiert. Demand Sensing ist kaum eine neue Disziplin, wurde aber lange durch Legacy-Tools und -Prozesse behindert, die notwendige Maßnahmen verzögerten. In seiner heutigen Form reicht die Fähigkeit weit über den Zugriff auf Verkaufszahlen hinaus und umfasst Elemente wie „intelligente“ Verpackung.

Eingänge bestehen aus allem: Point-of-Sale (POS)-Daten, Wettervorhersagen, Nielsen-Ratings, Social-Media-Posts und Competitive Intelligence. In der Pharmawelt kommen Updates zur behördlichen Zulassung neuer Medikamente hinzu.

„Das Netz wird immer weiter und das Korn immer feiner“, sagt Laluyaux.

Als eigenständiges System ist KI von geringem Wert. Um effektiv zu sein, muss sie disparate Datenströme kombinieren und sich über mehrere Funktionen der Lieferkette erstrecken. Angenommen, ein Händler verzeichnet einen 2-Prozent-Anstieg der Verkäufe für einen bestimmten Artikel. Um die unerwartete Nachfrage zu decken, muss er in der Lage sein, die optimale Quelle für die Produktionssteigerung zu identifizieren, Fertigungskapazitäten zu bewerten, die Stückliste zu überarbeiten und Lagerbestände entsprechend anzupassen. Wenn Transaktionssysteme nicht miteinander „sprechen“, kann dieser Prozess Tage dauern – zu spät für den Händler, um von einem flüchtigen Trend zu profitieren.

Was mehr ist: Das KI-System muss seinen Datenschatz mit menschlichen Experten verbinden, die weiterhin für endgültige Entscheidungen darüber verantwortlich sind, wann und wohin Produkte versendet werden sollen.

Laluyaux beschreibt das Konzept der „kognitiven Werkbank“, bei der KI die Daten interpretiert und Empfehlungen ausspricht, die dann (größtenteils) von menschlichen Experten ausgeführt werden. Doch das ist nur eine Übergangsphase in der Weiterentwicklung der KI. Die Natur des maschinellen Lernens ist, dass das System mit Erfahrung besser darin wird, die angemessenen Aktionen zu finden. Letztlich sollte es viele dieser Schlüsselentscheidungen ohne menschliches Eingreifen treffen können. An diesem Punkt wird aus „prädiktiver“ Analytik „präskriptive“.

Wir sind weit vom Punkt entfernt, an dem Automatisierung vollständig von menschlichen Managern übernimmt. Wenn die Entwicklung von prädiktiv zu präskriptiv zu vollautonom verläuft, stecken viele Unternehmen noch zwischen Stufe eins und zwei fest, sagt Laluyaux. Die Aussichten für eine „selbstfahrende“ Lieferkette sind vernünftig gut; nur der Zeitplan ist fraglich. Für jetzt ist es zu früh, dass Menschen die Hände vom Lenkrad nehmen.