Drei entscheidende Tech-Fähigkeiten für nachhaltigen Wettbewerbsvorteil im New Normal

Digitalisierung als Überlebensfrage

Während Unternehmen ihren Marsch in Richtung Digitalisierung fortsetzen, müssen sie Strategien einsetzen, die das richtige Fundament für den Wettbewerb bieten. Eine Schlüsselkomponente für den Erfolg als wahrer Digital Champion ist die Fähigkeit, höchste Kundenservice-Level bei geringsten Landekosten zu liefern. Dafür sind vollständige und präzise Lieferketten-Daten essenziell. Daten sind zur Währung geworden, die an Wert gewinnt, je näher sie an Echtzeit heranreichen und je mehr sie unter Handelspartnern geteilt werden können.

Daten: Einmal existent, in Echtzeit

Offenbar geworden ist: Daten sollten in Echtzeit vorliegen und nur einmal existieren. Mit einem föderierten Master Data Management (MDM)-Ansatz können Informationen aktuell und konsistent sein, anstatt in mehreren Formaten und Silos dupliziert zu werden, wo sie veralten und latent werden – egal ob Data Lake/Warehouse genutzt wird oder nicht. Moderne Technologieansätze schaffen eine vertrauenswürdige Repräsentation jeder Ebene (Item/Unit) und können diese Fidelität in eine gesamte Echtzeit-Netzwerk-Lösung einrollen, die Planung und Ausführung über alle Partner hinweg mittels agentenbasierter präskriptiver Analytik optimiert. Diese Netzwerke unterstützen Multi-Partei-Kollaboration, Planung und Transaktionsausführung in Echtzeit und helfen allen Teilnehmern, im „Next Normal“ zu agieren – vorausgesetzt, sie berücksichtigen drei kritische Fähigkeiten.

1. Echtzeit-Transaktionen durch Netzwerkarchitektur ermöglichen

Wir haben bereits gesehen, wie ein netzwerkbasiertes Kundenservice- und Asset-Hebel-Modell in angrenzenden Branchen angewendet wurde. Uber, Facebook, Airbnb und Alibaba haben alle netzwerkbasierte Architekturen eingesetzt, die Multi-Partei-Fähigkeiten bieten. Handel findet über alle Parteien in einem Netzwerk statt. Und da Produktherkunft und -lieferung mehrere Parteien im Netzwerk umfassen, müssen Planung und Ausführung in Echtzeit und multi-parteienfähig sein, um maximalen Asset-Hebel, geringste Landekosten und höchste Kundenservice-Level zu bieten.

Diese Kollaborationsebene kombiniert mit Control-Tower-Transparenz, Analytik, Planung und Ausführung ist der Kern zukünftiger Wettbewerbsfähigkeit. Nicht überraschend, da selbst die einfachste Transaktion mehrere Parteien involviert: Kunde, Markenmanager, Co-Packer, Lieferant, Carrier, 3PL, Distributor.

Das Problem: Hub-and-Spoke-Architekturen

Leider wurden viele unternehmenszentrische Technologie-Deployments in Hub-and-Spoke-Manier designed: Sie fungieren als Zentrum des Universums für ihren Netzwerkknoten und behandeln Prozesse und Daten entsprechend. Diese Hub-Technologie sammelt Daten Punkt-zu-Punkt/Spoke-zu-Hub. Dann entscheidet sie basierend auf Hub-Variablen isoliert über Nachfrage-, Kapazitäts- oder Angebotsänderungen und teilt danach einige veraltete oder latente Daten post-processing mit einigen Spokes – sowohl inbound als auch outbound. Resultat: In einem typischen Handelsnetzwerk entstehen über 20 Store-and-Forward-Verarbeitungsschritte über Handelspartner hinweg, upstream und downstream – Zeit, Personal und Assets werden verschwendet. Schlimmstenfalls leidet der Kundenservice, weil Parteien nicht als koordiniertes Netzwerk für den Endverbraucher agieren.

2. Ein einzelner, vertrauenswürdiger Blick etablieren

Wenn Daten Ihre Währung sind, dann sind mehrere ERP-Instanzen ähnlich einer Föderation von Entitäten, wo jede Quelle wie ihr eigenes, einzigartiges Zahlungsmittel agiert. Daten werden in Ihren ERP-Silo-Instanzen gefangen und dann typischerweise in Hub-and-Spoke-Manier in Eins-zu-Eins-Handelsbeziehungen mit Netzwerkpartnern geteilt. Selbst wenn Sie Daten in ein Data Warehouse oder Data Lake exportieren, erzeugen Sie Latenz und Veraltung – die Währung wird für Entscheidungen über Netzwerkpartner entwertet.

Daher adoptieren Organisationen Lösungen mit föderiertem Master Data Management. Damit können Netzwerk-Handelspartner in das Netzwerk eintreten und sowohl ihre Master- als auch Betriebsdaten mit anderen Partnern teilen. Basierend auf einem sicheren Berechtigungsrahmenwerk über das Netzwerk hinweg existiert Daten nur einmal und wird föderiert an Handelspartner basierend auf gewährten Berechtigungen weitergegeben. Da Daten nicht zwischen Ebenen, Stufen oder Knoten kopiert oder dupliziert werden, sind sie per Definition Echtzeit und verfügbar, um Asset-Hebel, Kundenservice und Landekosten zu optimieren.

3. Handlungsorientierte, autonome präskriptive Analytik unterstützen

Angesichts der Multi-Partei-Natur netzwerkbasierter Handelsbeziehungen ist das letzte Kriterium die Fähigkeit, das gesamte End-to-End-Lieferketten-Netzwerk zu modellieren, um Probleme und Chancen korrekt zu analysieren und Maßnahmen zu ergreifen. Da sich Probleme oder Chancen in strategischen, taktischen oder operativen Zeithorizonten manifestieren können, muss das Fundament nahtlos über diese Horizonte hinweg sein. Es muss auch Services, Algorithmen und Analysen bieten, die in Echtzeit über die Netzwerk-Repräsentation laufen – ob für Probleme, die in sechs Monaten vorhergesagt werden, oder für eine Lieferung heute Nachmittag. Die gute Nachricht: Wenn Ihr Ansatz Kriterium eins und zwei umfasst, ist dieses Fundament bereits vorhanden.

End-to-End Echtzeit-Liefernetzwerk-Plattform

Die Plattform ermöglicht: neue Supply-Chain-Policies testen, Netzwerk-Resilienz prüfen, Machbarkeit strategischer/taktischer Pläne bewerten, alternative Teile/Lieferanten aktivieren, Transportmodi ändern, zusätzliche Schichten im Werk hinzufügen.

Da es viele Wege gibt, Probleme in Bezug auf Nachfrage, Angebot, Logistik und Fulfillment im Netzwerk zu lösen, ist es wichtig, dass Analytics-Workbenches Echtzeit-Zugriff auf jede materielle Variable haben. Traditionelle Systeme geben meist nur einen Lösungsweg wegen statischer Lieferzeiten und veralteter Daten. Im Gegensatz dazu ist eine KI-basierte analytische Workbench eine präskriptive Umgebung, wo Organisationen die Top-3-oder-4-Lösungen präsentiert bekommen, die ihre Ziele am besten treffen. Sie kann auch Machine Learning unterstützen – eine bessere Art, Outcomes vorherzusagen und extrem wertvoll für präskriptive Empfehlungen. Nicht nur das: Machine Learning verbessert seine Vorhersagen über Zeit, je mehr Daten Sie liefern.

Fazit: Plattform für die Zukunft

Diese Fähigkeiten liefern die Plattform und Architektur, um dieses Fundament zu ermöglichen und die nötigen Fähigkeiten für den zukünftigen Wettbewerb bereitzustellen.

Joe Bellini ist Chief Operating Officer bei One Network Enterprises, Anbieter von KI-Business-Network-Software.