Die Lösung von Lieferkettenunterbrechungen hängt von der Mathematik ab

Logistisches Chaos ist kein neues Phänomen in der Lieferkettenwelt, aber das Ausmaß der durch COVID-19 verursachten Umwälzungen ist etwas, das die Interessengruppen noch nie zuvor gesehen haben:94 % der Fortune-1000-Unternehmen erlebten laut Accenture Störungen durch die Pandemie.

Glücklicherweise verfügen Unternehmen heute über eine Reihe von Technologien der künstlichen Intelligenz, wie beispielsweise mathematische Optimierung, um Störungen in der Lieferkette zu bekämpfen und zu überwinden.

Mathematische Optimierung hat sich seit langem als Technologie der Wahl für Supply-Chain-Planung und -Betrieb etabliert. Seit den 1980er Jahren haben Unternehmen in der gesamten Geschäftswelt auf eine breite Palette von Standard- und maßgeschneiderten Planungsanwendungen zurückgegriffen, um nicht nur mehr Effizienz und Rentabilität zu steigern, sondern auch um Störungen zu bewältigen und zu mindern. Solche Technologien waren im Laufe der Jahre ein entscheidendes Instrument zur Förderung der Agilität und Belastbarkeit der Lieferkette.

Die mathematische Optimierung erleichtert Planern und anderen wichtigen Interessengruppen zwei Arten der Entscheidungsfindung:

• Reaktiv. Sie können Störungen in Echtzeit erkennen und schnell und effektiv darauf reagieren, indem sie die Grundursachen identifizieren und Ressourcen dynamisch neu zuordnen, wodurch die Zeit bis zur Wiederherstellung verkürzt wird.
• Proaktiv. Sie können Lieferkettenrisiken analysieren und potenzielle Störungen vorhersehen.

So kann die mathematische Optimierung eine optimale reaktive und proaktive Entscheidungsfindung fördern und Unterbrechungen der Lieferkette angehen.

Ein dreiteiliges Modell

Jede mathematische Optimierungsanwendung besteht im Wesentlichen aus zwei Elementen:einem Solver (einer algorithmusbasierten Problemlösungsmaschine) und einem Modell (einer Repräsentation oder einem digitalen Zwilling der realen Betriebsumgebung mit all ihrer Komplexität und Herausforderungen).

Das Modell kann bestimmte Elemente der Lieferkette (wie Lieferanten, Produktion, Logistik und Lagerbetrieb) kapseln oder das gesamte End-to-End-Netzwerk umfassen.

Jedes Modell besteht aus drei Teilen:

• Entscheidungsvariablen. Entscheidungen, die an verschiedenen Punkten der Lieferkette getroffen werden;
• Einschränkungen. Geschäftsregeln, die befolgt werden müssen;
• Geschäftsziele. Zahlreiche (und oft widersprüchliche) Geschäftsziele, wie die Minimierung von Kosten und Lagerbeständen oder die Maximierung der Ressourcenauslastung, pünktliche Lieferleistung und Kundenzufriedenheit.

Wenn eine Störung auftritt, können Benutzer mit mathematischen Optimierungsanwendungen, da sie auf Modellen aufbauen, die das Verhalten einer tatsächlichen Lieferkette verstehen und verkörpern, Folgendes erreichen:

• Sichtbarkeit. Identifizieren Sie sofort die Ursachen der Störung, wie Kapazitätsengpässe und plötzliche Schwankungen bei Angebot und Nachfrage;
• Flexibilität. Modifizieren Sie das Modell, indem Sie Anpassungen vornehmen und sogar neue Einschränkungen, Entscheidungsvariablen und Geschäftsziele hinzufügen, um die aktuellen Betriebsbedingungen in der gesamten Lieferkette widerzuspiegeln;
• Agilität. Optimieren Sie Pläne und Zeitpläne dynamisch und automatisch und bestimmen Sie die beste Vorgehensweise, um die Störung so schnell und effektiv wie möglich zu beheben.

Mit einer mathematischen Optimierungsanwendung können Unternehmen die Echtzeit-Transparenz und -Kontrolle über das End-to-End-Netzwerk aufrechterhalten, sodass sie bei Störungen die Ursachen leicht lokalisieren und schnell die notwendigen Schritte einleiten können, um sie zu beheben und die Geschäftskontinuität zu wahren. .

'Kontinuierliche Intelligenz'

Maschinelles Lernen, der wohl bekannteste Aspekt der KI, basiert auf historischen Daten. Im Gegensatz dazu greift die mathematische Optimierung auf die neuesten verfügbaren Daten zurück, um präskriptive Analysen in Echtzeit oder, wie Gartner es nennt, „kontinuierliche Intelligenz“ im gesamten Lieferkettennetzwerk bereitzustellen.

Wenn eine schwerwiegende Unterbrechung der Lieferkette eintritt, wie es während der COVID-19-Pandemie der Fall war, können sich Unternehmen nicht auf Daten aus der Vergangenheit verlassen, um die beispiellosen finanziellen und betrieblichen Herausforderungen zu bewältigen.

Da sie die neuesten verfügbaren Daten und Modelle verwenden, die aktuelle Bedingungen in einem Betriebsnetzwerk erfassen, sind Anwendungen zur mathematischen Optimierung in der Lage, automatisch die besten Lösungen für aktuelle Lieferkettenprobleme zu generieren und eine kontinuierliche Intelligenz und optimale Entscheidungsfindung zu ermöglichen.

Risiko erkunden

Ein wichtiger Teil des Umgangs mit Störungen der Lieferkette ist die Risikobewertung sowie die Planung und Vorbereitung auf die Zukunft. Mit der Szenarioanalysefähigkeit der mathematischen Optimierung können Unternehmen:

• Erkunden verschiedene Angebots-, Nachfrage-, Bestands-, Kapazitäts-, makroökonomische, geopolitische und andere Was-wäre-wenn-Szenarien und bewerten deren potenzielle Auswirkungen auf das Geschäft.
• Entdecken versteckte Risiken und schätzen Sie die Risikoexposition und die Zeit zur Wiederherstellung im Falle einer Störung wie einer Naturkatastrophe oder eines Produktions- oder Transportausfalls ein.
• Entsperren Möglichkeiten, Risiken zu mindern und die Widerstandsfähigkeit der Lieferkette zu verbessern, indem Ressourcen neu zugewiesen oder die Lieferkette neu konfiguriert werden.

Die Szenarioanalysefunktionalität der mathematischen Optimierung ermöglicht es Unternehmen, ihre Lieferketten gegen die Auswirkungen zukünftiger Störungen zu isolieren, indem proaktive, strategische Entscheidungen in mehreren Bereichen ermöglicht werden, einschließlich Kapitalinvestitionen, Lieferantenauswahl, Kapazitäts- und Bestandsplanung sowie Standort von Produktions- und Lagereinrichtungen.

Während der COVID-19-Pandemie haben wir eine beispiellose Welle von Unterbrechungen der Lieferkette erlebt, die ein erhebliches und anhaltendes Chaos in der Weltwirtschaft verursacht und die Fachkräfte der Lieferkette vor große Herausforderungen gestellt hat. Die mathematische Optimierung hat sich als wirksame Waffe im Kampf gegen solche Störungen erwiesen und gleichzeitig die Effizienz und Rentabilität der Lieferkette gesteigert. Diese KI Technologie wird auch weiterhin ein unverzichtbares Werkzeug für führende Lieferketten sein, wenn sie sich in der sich ständig ändernden Geschäftslandschaft bewegen.

Ed Rothberg ist Mitbegründer und CEO von Gurobi.