Definitionen durchsuchen :
Definition

Supply Chain Analytics

Supply Chain Analytics bezieht sich auf die Prozesse, mit denen Unternehmen Einblicke gewinnen und Wert aus den großen Datenmengen ziehen, die mit der Beschaffung, Verarbeitung und Verteilung von Waren verbunden sind. Supply Chain Analytics ist ein wesentliches Element des Supply Chain Management (SCM).

Fortsetzung des Inhalts unten

Supply Chain Analytics gibt es seit über 100 Jahren. Die mathematischen Modelle jedoch, die Dateninfrastruktur und die Anwendungen, die diesen Analysen zugrunde liegen, haben sich erheblich weiterentwickelt. Die mathematischen Modelle haben sich durch statistische Techniken, Predictive Modeling und Machine Learning verbessert. Die Dateninfrastruktur hat sich durch Cloud-Infrastruktur, komplexe Ereignisverarbeitung (Complex Event Processing, CEP) und das Internet der Dinge verändert. Die Anwendungen sind gewachsen, um Einblicke über traditionelle Anwendungssilos wie Enterprise Resource Planning (ERP), Lagerverwaltung, Logistik und Enterprise Asset Management (EAM) hinweg zu ermöglichen.

Ein wichtiges Ziel bei der Auswahl von Supply-Chain-Analytics-Software ist es, Prognosen und Effizienz zu verbessern und besser auf Kundenbedürfnisse reagieren zu können. So kann zum Beispiel die prädiktive Analyse von Point-of-Sale-Terminal-Daten, die in einem entsprechenden Repository gespeichert sind, einem Unternehmen helfen, die Verbrauchernachfrage zu antizipieren, was wiederum zu kostensparenden Bestandsanpassungen und schnellerer Lieferung führen kann.

Um durchgängige Supply Chain Analytics zu erreichen, müssen Informationen über die Beschaffung von Rohstoffen zusammengeführt werden und sich über die Produktion, den Vertrieb und den Aftermarket-Service erstrecken. Dies hängt von einer effektiven Integration zwischen den verschiedenen SCM- und Supply-Chain-Execution-Plattformen ab, aus denen die Lieferkette eines typischen Unternehmens besteht. Das Ziel einer solchen Integration ist die Supply-Chain-Transparenz: die Möglichkeit, Daten über Waren auf jeder Stufe der Lieferkette einzusehen.

Supply Chain Analytics
Abbildung 1: Arten von Supply Chain Analytics.

Software für Supply Chain Analytics

Supply-Chain-Analysesoftware ist im Allgemeinen in zwei Formen erhältlich: eingebettet in eine Supply-Chain-Suite oder ein separates, dediziertes Business Intelligence und Analyse-Tool, das Zugriff auf Supply-Chain-Daten hat. Die meisten ERP-Anbieter stellen Supply-Chain-Analysefunktionen bereit, ebenso wie Anbieter von spezialisierten SCM-Anwendungen. Einige IT-Beratungsunternehmen entwickeln Softwaremodelle, die angepasst und in die Geschäftsprozesse eines Unternehmens integriert werden können.

Einige ERP- und SCM-Anbieter haben damit begonnen, komplexe Ereignisverarbeitung (CEP) auf ihre Plattformen anzuwenden, um die Lieferkette in Echtzeit zu analysieren. Die meisten ERP- und SCM-Anbieter haben Eins-zu-eins-Integrationen, aber es gibt keinen Standard. Das Supply Chain Operations Reference (SCOR) -Modell bietet jedoch Standardmetriken für den Vergleich der Lieferkettenleistung mit Branchen-Benchmarks.

Idealerweise lässt sich die Supply-Chain-Analysesoftware auf die gesamte Lieferkette anwenden, doch in der Praxis konzentriert sie sich auf wichtige operative Teilkomponenten, wie zum Beispiel Bedarfsplanung, Produktion, Bestandsmanagement oder Transportmanagement. Zum Beispiel kann die Finanzanalyse der Lieferkette dabei helfen, erhöhte Kapitalkosten oder Möglichkeiten zur Steigerung des Betriebskapitals zu identifizieren; die Procure-to-Pay-Analyse kann dabei helfen, die besten Lieferanten zu identifizieren und eine Frühwarnung vor Budgetüberschreitungen in bestimmten Ausgabenkategorien zu geben; und die Transportanalysesoftware kann die Auswirkungen des Wetters auf die Lieferungen vorhersagen.

Wie Supply Chain Analytics funktioniert

Supply Chain Analytics führt Daten aus verschiedenen Anwendungen, Infrastrukturen, Drittquellen und neuen Technologien wie das Internet der Dinge zusammen, um die Entscheidungsfindung in den strategischen, taktischen und operativen Prozessen zu verbessern, die das Supply Chain Management ausmachen. Supply Chain Analytics hilft bei der Synchronisierung von Supply-Chain-Planung und -Ausführung, indem es die Echtzeit-Transparenz dieser Prozesse und deren Auswirkungen auf Kunden und das Endergebnis verbessert. Eine erhöhte Transparenz kann auch die Flexibilität im Supply-Chain-Netzwerk erhöhen, indem sie den Entscheidungsträgern hilft, Kompromisse zwischen Kosten und Kundenservice besser zu bewerten.

Supply Chain Management
Abbildung 1: Software hilft, die Komplexität der modernen Lieferketten zu managen.

Der Prozess der Erstellung von Supply Chain Analytics beginnt in der Regel mit Data Scientists, die einen bestimmten Aspekt des Geschäfts verstehen, wie zum Beispiel die Faktoren, die sich auf Cashflow, Bestände, Abfall und Servicelevel beziehen. Diese Experten suchen nach potenziellen Korrelationen zwischen verschiedenen Datenelementen, um ein Vorhersagemodell zu erstellen, das den Output der Lieferkette optimiert. Sie testen Variationen aus, bis sie ein robustes Modell haben.

Supply-Chain-Analytics-Modelle, die eine bestimmte Erfolgsschwelle erreichen, werden von Dateningenieuren mit Blick auf Skalierbarkeit und Leistung in die Produktion überführt. Datenwissenschaftler, Dateningenieure und Geschäftsanwender arbeiten zusammen, um die Art und Weise zu verfeinern, wie diese Datenanalysen in der Praxis dargestellt und operationalisiert werden. Die Supply-Chain-Modelle werden im Laufe der Zeit verbessert, indem die Leistung der Datenanalysemodelle in der Produktion mit dem Geschäftswert korreliert wird, den sie liefern.

Merkmale von Supply Chain Analytics

Supply-Chain-Analytics-Software umfasst in der Regel folgende Funktionen:

  • Datenvisualisierung. Die Möglichkeit, Daten aus verschiedenen Blickwinkeln zu betrachten, um den Einblick und das Verständnis zu verbessern.
  • Stream-Verarbeitung. Ableitung von Erkenntnissen aus mehreren Datenströmen, die zum Beispiel durch das Internet der Dinge, Anwendungen, Wetterberichte und Daten von Drittanbietern generiert werden.
  • Integration sozialer Medien. Nutzung von Stimmungsdaten aus sozialen Feeds zur Verbesserung der Bedarfsplanung.
  • Natural Language Processing (NLP). Extrahieren und Organisieren unstrukturierter Daten, die in Dokumenten, Nachrichtenquellen und Daten-Feeds verborgen sind.
  • Ortsbezogene Intelligenz. Ableitung von Erkenntnissen aus Standortdaten, um den Vertrieb zu verstehen und zu optimieren.
  • Digitaler Zwilling der Lieferkette. Organisieren von Daten in einem umfassenden Modell der Lieferkette, das von verschiedenen Nutzertypen gemeinsam genutzt wird, um prädiktive und präskriptive Analysen zu verbessern.
  • Graphdatenbanken. Organisation von Informationen in verknüpften Elementen, die es einfacher machen, Verbindungen zu finden, Muster zu erkennen und die Rückverfolgbarkeit von Produkten, Lieferanten und Anlagen zu verbessern.

Arten von Supply Chain Analytics

Eine gängige Sichtweise zur Abgrenzung der Haupttypen von Supply Chain Analytics basiert auf dem Gartner Analytics-Modell, welches vier Fähigkeiten umfasst: Descriptive Analytics, Diagnostic Analytics, Predictive Analytics und Prescriptive Analytics.

  • Descriptive Analytics verwendet Dashboards und Berichte, um zu interpretieren, was passiert ist. Dabei wird oft eine Vielzahl von statistischen Methoden verwendet, um Informationen über die Vorgänge in der Lieferkette zu durchsuchen, zusammenzufassen und zu organisieren. Dies kann bei der Beantwortung von Fragen wie „Wie haben sich die Lagerbestände im letzten Monat verändert?“ oder „Wie hoch ist die Rendite auf das investierte Kapital?“ hilfreich sein.
  • Diagnostic Analytics wird verwendet, um herauszufinden, warum etwas passiert ist oder nicht so gut funktioniert, wie es sollte. Zum Beispiel: „Warum verzögern sich Sendungen oder gehen verloren?“ oder „Warum erreicht unser Unternehmen nicht die gleiche Anzahl an Lagerumschlägen wie ein Wettbewerber?“
  • Predictive Analytics hilft dabei, auf Basis aktueller Daten vorauszusehen, was in der Zukunft wahrscheinlich passieren wird. Zum Beispiel: „Wie werden sich neue Handelsbestimmungen oder eine Pandemieabschaltung auf die Verfügbarkeit und die Kosten von Rohstoffen oder Waren auswirken?“
  • Prescriptive Analytics hilft dabei, die beste Vorgehensweise durch Optimierung oder eingebettete Entscheidungslogik vorzuschreiben oder zu automatisieren. Dies kann helfen, Entscheidungen darüber zu verbessern, wann ein Produkt auf den Markt gebracht werden soll, ob eine Fabrik gebaut werden soll oder nicht, oder welche Versandstrategie für die einzelnen Einzelhandelsstandorte am besten ist.

Eine weitere Möglichkeit, die Arten von Supply Chain Analytics zu unterteilen, ist ihre Form und Funktion. Das Beratungsunternehmen Supply Chain Insights beispielsweise unterteilt die Arten von Supply Chain Analytics in folgende Funktionen:

  • Workflow
  • Entscheidungsunterstützung
  • Collaboration
  • Unstrukturierte Textanalyse
  • Strukturierte Datenverwaltung

In diesem Modell greifen die verschiedenen Analysetypen ineinander als Teil eines durchgängigen, fortlaufenden Prozesses zur Verbesserung des Lieferkettenmanagements.

So kann ein Unternehmen beispielsweise Text Mining für unstrukturierte Daten nutzen, um Rohdaten aus Verträgen, Social Media Feeds und Nachrichtenberichten in strukturierte Daten umzuwandeln, die für die Lieferkette relevant sind. Diese verbesserten, strukturierteren Daten könnten dann helfen, Arbeitsabläufe zu automatisieren und zu verbessern, wie zum Beispiel Procure-to-Pay-Prozesse.

Die Daten in digitalisierten Workflows sind viel einfacher zu erfassen als Daten aus manuellen Workflows, wodurch die für Entscheidungsunterstützungssysteme verfügbaren Daten erhöht werden. Eine bessere Entscheidungsunterstützung kann wiederum die Zusammenarbeit zwischen verschiedenen Abteilungen wie Beschaffung und Lagerverwaltung oder zwischen den Partnern der Lieferkette verbessern.

Es gibt weitere Technologien, die die Vorhersagemodelle verbessern. Zum Beispiel beginnen Unternehmen damit, Process Mining einzusetzen, um zu analysieren, wie sie Geschäftsprozesse ausführen. Diese Art der Prozessanalyse kann verwendet werden, um einen digitalen Zwilling des Unternehmens zu erstellen, der dabei hilft, Möglichkeiten zur Automatisierung der Lieferkette in den Bereichen Beschaffung, Produktion, Logistik und Finanzen zu identifizieren.

Augmented Analytics kann Geschäftsanwendern helfen, Fragen über das Unternehmen in einfacher Sprache zu stellen, wobei die Antworten in kurzen Zusammenfassungen geliefert werden. Graphanalysen können die Beziehungen zwischen den Einheiten in der Lieferkette beleuchten, zum Beispiel wie sich Änderungen bei einem Tier-3-Lieferanten auf Tier-1-Lieferanten auswirken.

Supply Chain Analytics verwenden

Die Vertriebs- und Betriebsplanung nutzt Supply Chain Analytics, um das Angebot eines Herstellers mit der Nachfrage abzustimmen, indem Pläne erstellt werden, die den täglichen Betrieb mit der Unternehmensstrategie in Einklang bringen. Supply Chain Analytics wird auch eingesetzt, um:

  • das Risikomanagement zu verbessern, indem bekannte Risiken identifiziert und zukünftige Risiken auf Basis von Mustern und Trends in der gesamten Lieferkette vorhergesagt werden;
  • die Planungsgenauigkeit zu erhöhen, indem Kundendaten analysiert werden, um Faktoren zu identifizieren, die die Nachfrage erhöhen oder verringern;
  • das Auftragsmanagement zu verbessern, indem Datenquellen konsolidiert werden, um Lagerbestände zu bewerten, die Nachfrage vorherzusagen und Probleme bei der Auftragsabwicklung zu erkennen;
  • die Beschaffung durch abteilungsübergreifende Organisation und Analyse der Ausgaben zu rationalisieren, Vertragsverhandlungen zu verbessern und Möglichkeiten für Preisnachlässe oder alternative Bezugsquellen zu identifizieren; und
  • das Betriebskapital durch die Verbesserung von Modellen zur Bestimmung der Lagerbestände zu erhöhen, die erforderlich sind, um Serviceziele mit minimalen Kapitalinvestitionen zu gewährleisten.

Geschichte von Supply Chain Analytic

Supply Chain Analytics hat ihre Wurzeln in der Arbeit von Frederick Taylor, dessen 1911 erschienene Publikation The Principles of Scientific Management den Grundstein für die modernen Bereiche Industrial Engineering und Supply Chain Management legte. Henry Ford übernahm Taylors Techniken bei der Schaffung des modernen Fließbands und einer Lieferkette, die effizientere Produktionsmittel unterstützte.

Mit dem Aufkommen von Großrechnern begann die Arbeit des IBM-Forschers Hans Peter Luhn an der Datenverarbeitung, dem es zu verdanken ist, dass der Begriff Business Intelligence in seinem 1958 veröffentlichten Werk A Business Intelligence System geprägt wurde. Seine Arbeit trug dazu bei, die Grundlage für die verschiedenen Arten der Datenanalyse zu schaffen, die in der Supply-Chain-Analyse verwendet werden.

1963 schlug Bud Lalonde, ein Professor an der Ohio State University, vor, das physische Distributionsmanagement mit der Materialwirtschaft, der Beschaffung und der Fertigung zu kombinieren, was er als Business Logistics bezeichnete. Zu dieser Zeit begannen der Unternehmensberater Stafford Beer und andere mit der Erforschung neuer Ideen, wie zum Beispiel dem Modell der funktionsfähigen Systeme zur Organisation von Geschäftsinformationen in einer strukturierten Hierarchie, um die Geschäftsplanung und -ausführung zu verbessern. In den frühen 1980er Jahren war das aufkeimende Feld als Supply Chain Management bekannt.

Als sich das Internet in den 1990er Jahren durchsetzte, untersuchte man, wie es im Supply Chain Management eingesetzt werden kann. Ein Pionier auf diesem Gebiet war der britische Technologe Kevin Ashton. Als junger Produktmanager, der das Problem lösen sollte, einen beliebten Lippenstift in den Regalen zu halten, stieß Ashton auf RFID-Sensoren (Radio Frequency Identification) als eine Möglichkeit, automatisch Daten über die Bewegung von Produkten in der Lieferkette zu erfassen. Ashton, der später das Auto-ID Center des Massachusetts Institute of Technology mitbegründete, welches die RFID-Technologie und -Sensoren perfektionierte, prägte den Begriff Internet der Dinge, um diese revolutionäre neue Funktion des Supply Chain Management zu erklären.

In den 1990er Jahren wurde CEP von Forschern wie David Luckham von der Stanford University und anderen entwickelt. Die Fähigkeit von CEP, eingehende Daten von Echtzeit-Ereignissen zu erfassen, half Supply Chain Managern, Low-Level-Daten in Bezug auf den Fabrikbetrieb, die physischen Bewegungen von Produkten und das Wetter zu Ereignissen zu korrelieren, die dann von Supply-Chain-Analyse-Tools analysiert werden. So lassen sich zum Beispiel Daten über Produktionsprozesse in die Fabrikleistung abstrahieren, die wiederum in Geschäftsereignisse im Zusammenhang mit Dingen wie Lagerbeständen abstrahiert werden.

Ein weiterer Wendepunkt im Bereich Supply Chain Analytics war das Aufkommen von Cloud Computing, einem neuen Vehikel für die Bereitstellung von IT-Infrastruktur, Software und Plattformen als Service. Durch die Bereitstellung einer Grundlage für die Orchestrierung von Daten aus verschiedenen Quellen hat die Cloud zu Verbesserungen bei vielen Arten von Analysen geführt, einschließlich Supply Chain Analytics.

Das Aufkommen von Data Lakes wie Hadoop ermöglichte es Unternehmen, Daten aus verschiedenen Quellen auf einer gemeinsamen Plattform zu erfassen und so Supply Chain Analytics zu verfeinern, indem sie mehr Datentypen korrelieren konnten. Data Lakes erleichterten auch die Implementierung fortschrittlicher Analysen, die mit einer Vielzahl von strukturierten und unstrukturierten Daten aus verschiedenen Anwendungen, Ereignisströmen und dem IoT arbeiteten.

In den letzten Jahren hat sich die robotergestützte Prozessautomatisierung (Robotic Process Automation, RPA) – Software, die routinemäßige Computeraufgaben automatisiert, die zuvor von Menschen ausgeführt wurden – zu einem leistungsstarken Werkzeug zur Verbesserung der Geschäftsautomatisierung und der Fähigkeit, Daten in Analysen zu integrieren, entwickelt.

Darüber hinaus wird künstliche Intelligenz und Deep Learning zunehmend zur Verbesserung von Supply Chain Analytics eingesetzt. Deep-Learning-Techniken treiben Fortschritte in der maschinellen Bildverarbeitung (zur Verbesserung der Bestandsverfolgung), im Verständnis natürlicher Sprache (zur Automatisierung des Vertragsmanagements) und in der Verbesserung von Routing-Modellen voran.

Zukünftige Trends bei Supply Chain Analytics

Supply Chain Analytics wird sich im Gleichschritt mit der Entwicklung von Analysemodellen, Datenstrukturen und -infrastrukturen sowie der Fähigkeit, Daten über Anwendungssilos hinweg zu integrieren, weiterentwickeln. Langfristig wird Advanced Analytic zu autonomeren Lieferketten führen, die Veränderungen verwalten und darauf reagieren können, ähnlich wie selbstfahrende Autos es heute schon können.

Darüber hinaus werden Verbesserungen in den Bereichen IoT, CEP und Streaming-Architekturen Unternehmen in die Lage versetzen, schneller Erkenntnisse aus einer größeren Vielfalt von Datenquellen zu gewinnen. KI-Techniken werden die Fähigkeit der Menschen verbessern, genauere und nützlichere prädiktive Erkenntnisse zu generieren, die sich in Workloads einbetten lassen.

Andere Technologien, von denen erwartet wird, dass sie eine große Rolle bei der Analyse und dem Management von Lieferketten spielen werden, sind unter anderem:

  • Blockchain. Die Blockchain-Infrastruktur und -Technologien versprechen, die Transparenz und Rückverfolgbarkeit über mehrere Ebenen der Lieferkette hinweg zu verbessern. Dieselben Bausteine kann Unternehmen dazu veranlassen, Smart Contracts zu nutzen, um Transaktionen zu automatisieren, zu kontrollieren und auszuführen.
  • Graph-Analytics. Es wird prognostiziert, dass innerhalb eines Jahrzehnts mehr als die Hälfte aller Unternehmensanwendungen mit Graphanalysen betrieben werden, die Supply Chain Managern helfen, die Verbindungen zwischen verschiedenen Einheiten in der Lieferkette besser zu analysieren.
  • Hyperautomatisierung. Die Technologien, die der Hyperautomatisierung zugrunde liegen, werden die Automatisierung der Lieferkette beschleunigen, indem sie Process-Mining-Analysen nutzen, um Automatisierungskandidaten zu identifizieren, die Automatisierungen zu generieren und diese automatisierten Prozesse zu verwalten.
Diese Definition wurde zuletzt im Dezember 2020 aktualisiert

ComputerWeekly.de

Close