Wie wäre es, wenn Sie Anomalien in der Lieferkette automatisch erkennen oder vorhersagen könnten? Wenn Sie also die Chance bekämen, rechtzeitig Korrekturmaßnahmen zu ergreifen und so Umsatz, Margen und Kundenzufriedenheit zu steigern?
Die Planung einer Supply Chain kann sehr komplex sein. Von der Planung und Beschaffung über die Fertigung bis hin zum Vertrieb können sehr viele Unwägbarkeiten entstehen.
Die Lösung komplexer Probleme ist für Supply-Chain-Experten also nichts Neues. Analytics spielt im Supply-Chain-Umfeld seit jeher eine wichtige Rolle. Was sich geändert hat, ist die Verfügbarkeit von komplexen statistischen Analysen im Supply-Chain-Bereich und die Entwicklung von Analyseplattformen, die ein beispielloses Arsenal an analytischen Fähigkeiten bieten. Heutzutage ist es nicht ungewöhnlich, dass große Unternehmen in integrierte Analyseplattformen investieren und parallel große ERP-Installationen betreiben.
Gleichzeitig führt die digitale Transformation von Fertigung und Lieferkette zu mehr IoT-Daten in der Lieferkette. Die Verbreitung von Sensordaten über die gesamte Lieferkette hinweg verbessert die Sichtbarkeit der Lieferkette erheblich und eröffnet Möglichkeiten für eine verbesserte Planung, Ausführung und Reaktivität der Lieferkette. Analytics ist der Motor, der aus diesen Daten einen Mehrwert schafft. Die heutigen Analyseplattformen haben einen Paradigmenwechsel hin zu einer „vernetzten" und datengesteuerten Lieferkette eingeleitet.
In dieser Welt einer analytischen „Supply Chain der Dinge“ ist eine effektive Strategie für das Umsetzen von Use Cases entscheidend für den Erfolg. Die folgenden sechs Anwendungsfälle sind im Kontext der „Supply Chain der Dinge“ besonders häufig von unseren Kunden identifiziert worden:
1. Sichtbarkeit und Frühwarnung
Edge Analytics und Sensordaten können KPI-Dashboards und Kontrolltürme in ihrer Lieferkette nahezu in Echtzeit „befüttern“, um den Status von Produktionsmaschinen, Bestellungen und Sendungen anzuzeigen und prädiktiv Alarme auslösen, sobald Probleme vorhersehbar sind, und eine anschließende Neuplanung/Optimierung in die Wege leiten.
2. Demand Management
Maschinelles Lernen wird von vielen unserer Kunden in der Absatzprognose für neue Produkte angewendet, um automatisch Vergleichsartikel für Neuprodukte zu ermitteln und damit die Prognosegenauigkeit für Produkteinführungen zu verbessern. Im Anschluss wird künstliche Intelligenz im Rahmen des S&OP-Prozesses verwendet. Sie unterstützt Planer dabei zu erkennen, welche Produkte sie idealerweise in welcher Menge anpassen, um genauere Planungsergebnisse zu erzielen.
3. Planungsprozess
S&OP- und IBP können heutzutage noch effizienter gesteuert werden, wenn Informationen entlang der Funktionseinheiten der Supply Chain effektiver weitergegeben werden.
4. Produktionsqualität und vorausschauende Instandhaltung
Mithilfe von Sensordaten können Anlagen überwacht werden, um bevorstehende Anlagenausfälle vorherzusagen. Gleichzeitig werden abstellende Maßnahmen eingeleitet, um kostspielige Produktionsfehler zu vermeiden, Instandhaltung proaktiv durchzuführen und die Verfügbarkeit kritischer Anlagen zu maximieren.
5. Wahrgenommene Qualität beim Endverbraucher
IoT-Daten und vor allem Social-Media-Daten können genutzt werden, um frühzeitig Kundenreaktionen nach der Einführung von neuen Produkten zu analysieren. So können rechtzeitig Korrekturen vorgenommen werden, um die Rentabilität und den Marktanteil zu maximieren und die wahrgenommene Qualität beim Kunden zu erhöhen.
6. Aftermarket und Service Parts
Die Kombination aus verbesserter Prognosegenauigkeit und der Verwendung von modernsten Methoden der Bestandsoptimierung kann dazu verwendet werden, Ersatzteillager und Bestände zu optimieren und gleichzeitig Service-Level-Ziele zu erreichen. Wichtig dafür sind Zusatzinformationen und technische Zuverlässigkeitsdaten wie Weibull-Kurven, Einsatzalter, Betriebsstunden oder Umgebungsfaktoren (Windstärke, Temperatur, Feuchtigkeit usw.), die heute im Rahmen der Absatzprognose genutzt werden. Diese Daten beeinflussen die Nachfrage und die Haltbarkeit von Ersatzteilen zum Teil sehr deutlich.
Das digitale Zeitalter der Fertigung bringt bereits heute bahnbrechende Technologien mit sich, die unsere Fertigungs- und Lieferketten für immer verändern. Das Internet der Dinge wird dazu beitragen, die Vorteile von Analysefähigkeiten in der Lieferkette deutlich wirkungsvoller zu gestalten. Jedes produzierende Unternehmen sollte sich fragen, welcher Use Case einen starken Wertbeitrag in seiner „Supply Chain der Dinge“ liefert. Genau diese Use Cases sollten vorrangig angegangen werden. Klar ist aber auch: Die Lieferkette ist zu komplex, als dass man eine komplette Supply Chain innerhalb kürzester Zeit digitalisieren könnte. Unsere Empfehlung deshalb: besser mit einem kleinen Projekt starten und aus diesem schrittweise lernen.
