Mathematische Optimierung: Der Schlüssel zu resilienten Lieferketten

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

Glücklicherweise verfügen Unternehmen heute über eine Reihe von KI-Technologien wie mathematische Optimierung, um Lieferkettenstörungen zu bekämpfen und zu überwinden.

Mathematische Optimierung ist seit langem als die Go-to-Technologie für Supply-Chain-Planung und -Operationen etabliert. Seit den 1980er Jahren haben Unternehmen in der Geschäftswelt auf eine breite Palette von Off-the-Shelf- und maßgeschneiderten Planungsanwendungen zurückgegriffen, nicht nur, um größere Effizienz und Rentabilität zu erzielen, sondern auch, um Störungen zu managen und zu mindern. Solche Technologien waren über die Jahre ein entscheidendes Werkzeug für die Förderung von Supply-Chain-Agilität und Resilienz.

Mathematische Optimierung erleichtert zwei Arten der Entscheidungsfindung für Planer und andere wichtige Stakeholder:

• Reaktiv. Sie können Störungen in Echtzeit wahrnehmen und schnell und effektiv darauf reagieren, indem sie Ursachen identifizieren und Ressourcen dynamisch neu zuweisen, wodurch die Time-to-Recovery reduziert wird.
• Proaktiv. Sie können Supply-Chain-Risiken analysieren und potenzielle Störungen antizipieren.

Hier ist, wie mathematische Optimierung optimale reaktive und proaktive Entscheidungsfindung vorantreiben und Lieferkettenstörungen adressieren kann.

Ein Drei-Teile-Modell

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

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

Jedes Modell besteht aus drei Teilen:

• Entscheidungsvariablen. Entscheidungen, die an verschiedenen Punkten entlang der Lieferkette getroffen werden;
• Constraints (Restriktionen). Geschäftsregeln, die befolgt werden müssen;
• Geschäftsziele. Zahlreiche (und oft konfliktäre) Geschäftsziele, wie Kosten- und Bestandsminimierung oder Maximierung der Ressourcennutzung, On-Time-Delivery-Performance und Kundenzufriedenheit.

Wenn eine Störung auftritt, ermöglichen mathematische Optimierungsanwendungen – weil sie auf Modellen basieren, die verstehen und verkörpern, wie sich eine tatsächliche Lieferkette verhält – den Benutzern, Folgendes zu erreichen:

• Transparenz (Visibility). Quellen der Störung sofort identifizieren, wie Kapazitätsengpässe und plötzliche Schwankungen in Angebot und Nachfrage;
• Flexibilität. Das Modell durch Anpassungen und sogar Hinzufügen neuer Constraints, Entscheidungsvariablen und Geschäftsziele modifizieren, um aktuelle Betriebsbedingungen entlang der Lieferkette widerzuspiegeln;
• Agilität. Pläne und Zeitpläne dynamisch und automatisch re-optimieren und den besten Aktionsverlauf bestimmen, um die Störung so schnell und effektiv wie möglich zu lösen.

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

'Continuous Intelligence'

Machine Learning, wahrscheinlich der bekannteste Aspekt von KI, verlässt sich auf historische Daten. Im Gegensatz dazu zieht mathematische Optimierung die neuesten verfügbaren Daten heran, um Echtzeit-prädiktive Analytik zu liefern, oder, wie Gartner es nennt, "Continuous Intelligence" über das Lieferketten-Netzwerk.

Wenn eine schwere Lieferkettenstörung zuschlägt, 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 operativen Herausforderungen zu bewältigen.

Weil sie die neuesten verfügbaren Daten und Modelle nutzen, die aktuelle Bedingungen über ein operatives Netzwerk erfassen, sind mathematische Optimierungsanwendungen in der Lage, automatisch die besten Lösungen für heutige Lieferkettenprobleme zu generieren und Continuous Intelligence und optimale Entscheidungsfindung zu ermöglichen.

Risiko erforschen

Ein wichtiger Teil der Bewältigung von Lieferkettenstörungen ist die Risikobewertung und das Planen und Vorbereiten für die Zukunft. Mit der Szenarioanalyse-Fähigkeit der mathematischen Optimierung können Unternehmen:

• Erforschen verschiedene Angebots-, Nachfrage-, Bestands-, Kapazitäts-, makroökonomische, geopolitische und andere Was-wäre-wenn-Szenarien und deren potenzielle Auswirkungen auf das Geschäft bewerten.
• Aufdecken verborgene Risiken und Risikoexposition sowie Time-to-Recovery im Falle einer Störung wie Naturkatastrophe, Produktions- oder Transportausfall einschätzen.
• Freisetzen Chancen zur Risikominderung und Verbesserung der Lieferkettenresilienz durch Ressourcenumverteilung oder Neukonfiguration der Lieferkette.

Die Szenarioanalyse-Funktionalität der mathematischen Optimierung ermöglicht es Unternehmen, ihre Lieferketten gegen die Auswirkungen zukünftiger Störungen zu isolieren, indem sie proaktive, strategische Entscheidungen in mehreren Bereichen ermöglicht, einschließlich Kapitaleinsatz, Lieferantenauswahl, Kapazitäts- und Bestandsplanung sowie Standortplanung für Produktions- und Lagerstätten.

Während der COVID-19-Pandemie haben wir eine beispiellose Welle von Lieferkettenstörungen erlebt, die erhebliches und anhaltendes Chaos in der globalen Wirtschaft verursacht und enorme Herausforderungen für Supply-Chain-Profis gestellt hat. Mathematische Optimierung hat sich als potente Waffe im Kampf gegen solche Störungen erwiesen, während sie Supply-Chain-Effizienz und -Rentabilität steigert. Diese KI-Technologie wird weiterhin ein unverzichtbares Werkzeug für Supply-Chain-Führungskräfte sein, während sie die sich ständig wandelnde Geschäftslandschaft navigieren.

Ed Rothberg ist Mitgründer und Chief Executive Officer von Gurobi.