Wie KI „schmutzige“ Datenprobleme in Supply Chains löst

Reduzierung operativer Risiken ist das Ziel in der Supply Chain. Um einen zuverlässigen, aber schlanken Ansatz zu erreichen, müssen Supply Chains gleichzeitig agil und resilient sein. Doch beide Eigenschaften hingen historisch von „sauberen“ Daten ab. Und viele Organisationen waren nicht vorbereitet, als der Bedarf an persönlicher Schutzausrüstung (PSA) und Toilettenpapier zu Beginn der globalen COVID-19-Pandemie im vergangenen Frühjahr in die Höhe schnellte. Geschäftsführer konnten nicht Monate auf eine ordnungsgemäße Datenbereinigung warten, um die Menge an Anfragen für sofortige Lieferung zu bewältigen. Die Daten mussten sowohl verfügbar als auch umsetzbar sein. Die Effizienz der Supply Chain wurde imperativ, da Hersteller Schwierigkeiten hatten, die sich verschiebende Nachfrage zu bedienen.

In traditionellen Situationen wäre eine Datenbereinigung angesagt gewesen, aber diese manuell durchzuführen ist zeitaufwändig. Schon vor COVID-19 behinderte der Prozess die Supply-Chain-Effizienz, aber einmal in vollem Gange war „langsam“ keine Option mehr. Traditionelle Datenbereinigung hat ihre Nützlichkeit überlebt, und die Zeit ist gekommen, weiterzugehen. Es ist an der Zeit, künstliche Intelligenz und maschinelles Lernen das Rauschen von Big Data durchdringen zu lassen.

Das gesamte Geschäft verstehen

Treten Sie einen Schritt zurück und betrachten Sie den gesamten Geschäftsbetrieb. Während es vielleicht einen weitgehend genauen Blick auf die Vorräte der aktuellen Anlage gibt, wie steht es um die Transparenz in andere verbundene Anlagen? Was ist über die Bestände anderer Lieferanten bekannt und wie schnell sie Produktionsbedarfe erfüllen können?

Vielleicht hat die IT-Abteilung ein Tool, das Einblicke in Schwesterwerke an anderen Standorten gibt, aber es gibt kaum Möglichkeit zu wissen, was Ihre Lieferanten gleichzeitig vorrätig haben. Der einzige Ausweg war bisher, Materialbestände zu erhöhen, um bereit zu sein, auch wenn sie nicht genau das sind, was jetzt gebraucht wird. Dieser Ansatz führt jedoch oft dazu, dass man zu viel von einer Art von Inventar und zu wenig von einer anderen hat. Es fehlen Echtzeit-Informationen, um sinnvolle Beschaffungsanpassungen zur Deckung des Produktionsbedarfs vorzunehmen.

Der langjährige Rückgriff, um all diese Informationen zu sammeln, ist die Datenbereinigung.

Algorithmen entscheiden lassen

Organisationen überall wurden von projektbasierten Datenbereinigungen gefesselt. Sie sind teuer, zeitaufwändig und schaden dem langfristigen ROI. Es ist keine nachhaltige Strategie, und der Prozess muss typischerweise alle paar Jahre wiederholt werden.

Schon vor der Pandemie verlangsamte Datenbereinigung den Supply-Chain-Prozess und verschlechterte den Geschäftsbetrieb. Eine halbe Million Dollar für eine Datenbereinigung auszugeben, die bis zu einem Jahr dauern soll, bringt der Organisation wenig Nutzen. Selbst mit bester Technologie werden dieselben schlechten Prozesse wiederholt.

Hier kommen KI und maschinelles Lernen ins Spiel. Kosteneffiziente, schnelle und einfache Experimente sind der Schlüssel zu innovativen Geschäftsprozessen. In diesem Fall bedeutet es, die alte Datenbereinigung durch Algorithmen des maschinellen Lernens zu ersetzen, wodurch der jahrelange Prozess auf nur wenige Wochen verkürzt wird.

KI wird mit vorhandenen Daten implementiert, um sofort bessere Entscheidungen zu treffen und Intelligenz zu schaffen – ohne den Datenbereinigungsprozess. Der KI-Prozess holt Daten aus dem Silo, sodass die Organisation von Eins-zu-Eins-Beziehungen zu einem Gesamtüberblick des gesamten Supply-Chain-Netzwerks übergeht. Die durch maschinelles Lernen generierten Algorithmen bieten ein neues Maß an Transparenz und öffnen die Türen für andere im Supply-Chain-Netzwerk, wertvolle Daten zu teilen.

Der Einsatz von KI und maschinellem Lernen eröffnet mehrere neue Möglichkeiten für eine bessere Datennutzung. Eine ist die Fähigkeit, mehrere Aufgaben gleichzeitig mit den Daten zu erledigen. Wenn ein Manager sagt, es sei Zeit, den Bestand zu reduzieren, zögert man normalerweise, weil das Risiko besteht, das Inventar nicht zu haben, wenn es gebraucht wird. In diesem neuen Modell ist das kein Problem mehr, weil Sie das in Inventar gebundene Working Capital besser optimieren können – nicht nur in Ihrer Anlage, sondern über Organisationen in Ihrem Netzwerk hinweg. Dies reduziert das Risiko, weil Sie nun die Intelligenz und das Vertrauen haben, dass Sie das haben, was Sie brauchen, wann und wo Sie es brauchen.

Dieses Paradigma ermöglicht einen sanfteren Übergang zu Industry-4.0-Prozessen. Wenn es ein Sensorproblem an einer Maschine gibt, wird der Lieferant alarmiert und liefert das Teil. Die Echtzeit-Datennutzung eliminiert lange Ausfallzeiten.

Schmutzige und redundante Daten sollten Supply-Chain-Operationen nicht mehr verlangsamen. Mit maschinellem Lernen generierte Algorithmen lassen Sie bessere Entscheidungen mit Ihren Daten treffen, um die Supply Chain auf allen Ebenen funktionsfähig zu halten.

Paul Noble ist Gründer und Chief Executive Officer von Verusen.