Wissenschaftliche Hausarbeit zum Thema Predictive Analytics: Wie künstliche Intelligenz die Nachfragevorhersage im Supply Chain Management optimieren kann.
Das Ziel dieser Arbeit besteht darin, das Optimierungspotenzial der Nachfragevorhersage in Supply Chain durch Predictive Analytics-Methoden in Verbindung mit KI zu untersuchen.
Hierfür werden im Rahmen der theoretischen Grundlagen zunächst die Bereiche der KI und des Supply Chain Managements betrachtet und neben Definitionen ein grundlegender Überblick gegeben. Darauf aufbauend wird die Relevanz der Nachfragevorhersage in Supply Chains erläutert um darauf aufbauend die Rolle von Predictive Analytics in diesem Zusammenhang zu erörtern.
Im nächsten Schritt werden klassische Methoden der Nachfragevorhersage im Supply Chain Management dargestellt, welche anschließend um technologiebasierte Methoden in Verbindung mit KI ergänzt werden.
Auf Basis der dargestellten Möglichkeiten des Einsatzes von KI im Predictive Analytics werden die sich daraus ergebenen Stärken und Schwächen sowie Chancen und Risiken in der SWOT-Analyse betrachtet.
Abschließend erfolgt die Schlussbetrachtung, in welcher die Ergebnisse dieser Arbeit in einem Fazit zusammengeführt und um einen Ausblick ergänzt werden.
c_1
3. Methoden und Systeme in der Nachfragevorhersage
4. SWOT-Analyse Künstlicher Intelligenz-Anwendungen in der Nachfragevorhersage
5. Schlussbetrachtung
Literaturverzeichnis
Abbildungsverzeichnis
Abbildung 1: Bullwhip-Effekt
Abbildung 2: SWOT-Analyse & TOWS Matrix
Abbildung 3: Ergebnisdarstellung der SWOT-Analyse
Abkürzungsverzeichnis
KI Künstliche Intelligenz
SCM Supply Chain Management
1. Einleitung
1.1 Problemstellung
Der Erfolg von Unternehmen hängt maßgeblich von deren Fähigkeit ab, die Bedürfnisse der Kunden frühzeitig zu erkennen und zu befriedigen. Im Rahmen der betrieblichen Leistungserstellung hinsichtlich dieser Bedürfnisbefriedigung wirken eine Vielzahl an Einflussfaktoren auf dessen Erfolg ein.[1] Für produzierende und handelnde Unternehmen ist es dabei essenziell, ihre Produkte unter der Erfüllung der Faktoren Zeit, Ort, Menge, Qualität, Preis und Kunde bereitstellen zu können.[2]
Insbesondere in dynamischen und volatilen Marktumfeldern kann diese Fähigkeit durch Unsicherheiten und Störungen in der Supply Chain bzw. Lieferkette beeinträchtigt werden, welche durch exogene Schocks hervorgerufen oder verstärkt werden können. Beispielhafte Schocks bestanden in der Weltfinanzkrise 2007-2008 und der Covid-19 Pandemie ab 2020, welche sich jeweils durch ihren globalen Einfluss und erhebliche Beeinträchtigungen globaler Supply Chains auszeichneten. Bedingt war dies durch die Globalisierung des Handels und die damit einhergehenden reziproken Beziehungen zwischen Regionen, Nationen und Unternehmen.[3]
Infolge der negativen Auswirkungen von Störungen entlang der Supply Chain legen Unternehmen zunehmend einen Fokus auf deren Resilienz (Widerstandsfähigkeit) um ihre Wettbewerbsfähigkeit erhalten zu können. Neben klassischen Methoden können neue Technologien zur Erreichung dieses Ziels herangezogen werden, um dabei möglichst automatisiert und kostensparend zu agieren.[4]
Im Rahmen dieser Arbeit wird die Nachfrageseite von Supply Chain betrachtet, indem bestehende Methoden aus dem Bereich Predictive Analytics mit der Technologie der künstlichen Intelligenz (KI) in Verbindung gebracht werden. Davon abgeleitet ergibt sich die Leitfrage: Wie kann Predictive Analytics durch die Nutzung künstlicher Intelligenz die Nachfragevorhersage in Supply Chains optimieren?
1.2 Zielsetzung & Gang der Untersuchung
Das Ziel dieser Arbeit besteht darin, das Optimierungspotenzial der Nachfragevorhersage in Supply Chain durch Predictive Analytics-Methoden in Verbindung mit KI zu untersuchen.
Hierfür werden im Rahmen der theoretischen Grundlagen zunächst die Bereiche der KI und des Supply Chain Managements betrachtet und neben Definitionen ein grundlegender Überblick gegeben. Darauf aufbauend wird die Relevanz der Nachfragevorhersage in Supply Chains erläutert um darauf aufbauend die Rolle von Predictive Analytics in diesem Zusammenhang zu erörtern.
Im nächsten Schritt werden klassische Methoden der Nachfragevorhersage im Supply Chain Management dargestellt, welche anschließend um technologiebasierte Methoden in Verbindung mit KI ergänzt werden.
Auf Basis der dargestellten Möglichkeiten des Einsatzes von KI im Predictive Analytics werden die sich daraus ergebenen Stärken und Schwächen sowie Chancen und Risiken in der SWOT-Analyse betrachtet.
Abschließend erfolgt die Schlussbetrachtung, in welcher die Ergebnisse dieser Arbeit in einem Fazit zusammengeführt und um einen Ausblick ergänzt werden.
2. Theoretische Grundlagen
2.1 Definition von Künstlicher Intelligenz
Der Ursprung von KI im technischen Sinne geht auf das „Summer Research Project on Artificial Intelligence“ aus dem Jahr 1956 zurück, welches erstmals Überlegungen zu der Nutzung von einer KI teilte. Die darauffolgende Entwicklung wurde maßgeblich durch die steigende Leistungsfähigkeit von Computern bedingt.[5]
Die technische Grundlage für KI besteht in neuronalen Netzen, welche die Grundstruktur biologischer Gehirne nachbilden und dabei ein Netz aus künstlichen Neuronen kreieren, welche in Schichten angeordnet und miteinander verbunden sind. Das übergeordnete Ziel hierbei besteht darin, spezifische Situationen zu identifizieren, die vorhanden Handlungsoptionen abzuwägen darauf basierend Schlussfolgerungen zu ziehen.[6] Diese neuronalen Netze werden insbesondere für das maschinelle Lernen als Teilbereich der KI genutzt, wobei das System Zusammenhänge in vorhandenen Daten erkennt und auf dieser Basis Vorhersagen trifft. Es existieren drei Arten des maschinellen Lernens: Bei dem Supervised Learning werden einem Algorithmus ausgewertete Daten zur Verfügung gestellt, wodurch dieser zukünftige Auswertungen abgleichen und verbessern kann. Im Gegensatz dazu muss der Algorithmus beim Unsupervised Learning Datensätze analysieren und kategorisieren, welche vorab jedoch nicht ausgewertet wurden und somit nicht abgeglichen werden können. Bei dem Verfahren des Reinforcement Learning soll der Algorithmus eine optimale Strategie für ein vorab definiertes Problem herausarbeiten, wobei ein Anreizsystem die Maximierung des Erfolges sicherstellt. Für drei alle Arten des maschinellen Lernens ist eine möglichst große Datenbasis elementar, um Erfolge erzielen zu können.[7]
KI-Anwendungen können grundsätzlich in die zwei Systemgruppen der schwachen und starken KI eingeteilt werden. Schwache KI-Anwendungen werden für einen speziellen Anwendungsfall wie Sprachassistenz oder Gesichtserkennung programmiert, entwickeln sich jedoch nicht selbstständig in ein anderes Aufgabengebiet weiter. Eine starke KI hingegen könnte menschliche Intelligenz imitieren, eine individuelle Persönlichkeit entwickeln und selbstständig lernen. Zum aktuellen Stand existiert eine solche KI-Anwendung nicht und es gibt keine Ansätze dafür, sodass dessen Umsetzbarkeit in der Forschung noch infrage steht.[8] Diese beiden Systemgruppen weisen jeweils zwei Phasen der Entwicklung auf: Die erste Stufe der schwachen KI ist eine reaktive KI, welche keinen Zugriff auf vergangene Daten hat und lediglich auf Eingaben reagiert. Die zweite Stufe besteht in KI-Anwendungen mit einem begrenzten Speicher für vergangene Datensätze, welcher für eine kontinuierliche Entwicklung der Prognosefähigkeit sorgen kann. Die dritte Stufe der Theorie des Geistes gilt als starke KI und könnte die Gedanken und Gefühle von Lebewesen verstehen. Daran anknüpfend wäre die vierte Stufe, das Selbstbewusstsein, die finale Entwicklung einer KI und könnte zukünftig ein eigenes Bewusstsein in Hinblick auf die eigene Existenz aufweisen.[9]
2.2 Überblick über Supply Chain Management
Der Begriff Supply Chain im engeren bzw. logistischen Sinne umfasst den physischen Warenstrom innerhalb eines Unternehmens sowie mit dessen Umwelt. In der Betrachtung der Supply Chain im weiteren bzw. ganzheitlichen Sinne wird der physische Warenstrom um Informations- und Geldflüsse ergänzt. Dies ist darin begründet, dass ohne Informationen und Geld keine Leistungserstellung erfolgen könnte.[10]
Das sich daraus ergebende ganzheitliche Verständnis des Supply Chain Management (SCM) beschreibt grundlegend „die integrierte prozessorientierte Planung und Steuerung der Waren-, Informations- und Geldflüsse entlang der gesamten Wertschöpfungskette vom Kunden bis zum Rohstofflieferanten“.[11]
Neben dieser grundlegenden Definition bestehet eine Vielzahl an weiteren Ausprägungen, welche sich jeweils auf bestimmte Kernaspekte des SCM fokussieren:
Simchi-Levi et al. sehen das SCM als „a set of approaches used to efficiently integrate suppliers, manufacturers, warehouses, and stores so that merchandise is produced and distributed at the right quantities, to the right locations, and at the right time in order to minimize systemwide costs while satisfying service-level requirements.“[12]
In dem Verständnis von Wildemann umfasst das SCM die „prozessorientierte Planung, Gestaltung und Lenkung der unternehmensübergreifenden und unternehmensinternen Material- und Informationsprozesse.“ Supply Chain Management kann somit als eine Organisations- und Managementphilosophie beschrieben werden, die durch eine prozessoptimierende Integration von Aktivitäten der am Wertschöpfungssystem beteiligten Unternehmen und auf eine unternehmensübergreifende Koordination und Synchronisierung der Informations- und Materialflüsse zur Kosten-, Zeit- und Qualitätsoptimierung zielt. Der Betrachtungsgegenstand ist dabei die Prozesskette von der Rohmaterialgewinnung bis hin zur Entsorgung.“[13]
Aus den aufgeführten Definitionen können die folgenden Ziele des SCM abgeleitet werden: Koordination zwischen Unternehmen, Schaffung eines Nutzens für Endkunden, Steuerung der Prozesse innerhalb eines Unternehmens mit dem Ziel des maximalen Geschäftserfolgs sowie einer möglichst effizienten Integration von Finanz-, Güter- und Informationsflüssen.[14]
Für die Erreichung dieser Ziele stehen dem SCM die verallgemeinerbaren Kernfunktionen des Planens, Beschaffens, Produzierens, Auslieferns, Rückführens und Ermöglichens zur Verfügung. Diese ergeben sich aus der idealtypischen Supply Chain des Supply Chain Operations Reference-Modells (Version 12.0), indem sich das Beschaffen, Produzieren, Ausliefern und Rückführen auf den physischen Warenstrom bezieht, während das Ermöglichen für das generelle Management im SCM steht und das Planen als übergeordnete Aktivität alle anderen beeinflusst.[15]
Das SCM als Netzwerkfunktion innerhalb eines Unternehmens hat grundlegend Schnittstellen mit sämtlichen Funktionsbereichen und agiert als Bindeglied zwischen diesen mit einem signifikanten Einfluss auf das Geschäftsergebnis.[16]
2.3 Relevanz der Nachfragevorhersage in Supply Chains
Die Effizienz einer Supply Chain hat einen direkten Einfluss auf die Wettbewerbsfähigkeit und das Geschäftsergebnis eines Unternehmens. Insbesondere die Nachfrage hat einen hohen Einfluss auf das SCM, da diese ein starker Einflussfaktor auf die gesamten Aktivitäten in der Supply Chain ist. Auf Basis der Nachfrage werden in der Regel unter anderem die Produktionsplanung, das Bestandsmanagement, die Lieferantenauswahl und die Kostenplanung vorgenommen.[17]
Der größte negative Einflussfaktor auf die Nachfragevorhersage in der Supply Chain besteht in Unsicherheiten, welche einerseits durch unzureichende Systeme bzw. Informationen und andererseits durch volatile Marktbedingungen entstehen können.[18] Die sich daraus ergebenden Folgen bestehen unter anderem in dem Bullwhip-Effekt und out-of-stock-Situationen.
Der Bullwhip-Effekt bezeichnet grundsätzlich eine Veränderung in der tatsächlichen Nachfrage auf Seiten der Kunden, welche mit zunehmendem Abstand vom Kunden bis zum ersten Schritt der Supply Chain verstärkt wird.[19] Der Grund für diesen Effekt liegt primär in der Vorhaltung eines Sicherheits-Lagerbestandes, welcher aufgrund von Unsicherheiten in der Supply Chain entlang der Lieferkette vorgehalten wird. Aufgrund der Verzögerung durch Lieferzeiten kann eine Nachfrageveränderung seitens der Endkunden, welche kurzzeitig anhält, für ein überproportionales Nachbestellen des letzten Verkäufers sorgen, welche sich in der Folge mit jedem weiteren Schritt innerhalb der Supply Chain potenziert:[20]
Abbildung 1: Bullwhip-Effekt
Quelle: Beer, A., Bullwhip-Effekt, 2014, S. 25.
Aus diesem Zusammenhang lässt sich ableiten, dass der Bullwhip-Effekt positiv mit der Länge der Supply Chain korreliert und im hohen Maße von der zugrundeliegenden Informationsqualität bedingt ist. Durch einen eintretenden Bullwhip-Effekt können insbesondere Probleme wie Überproduktion, erhöhter Lagerbestand, zusätzlicher Transportaufwand und Sonderschichten entstehen. Zur Vermeidung bzw. Verminderung des Bullwhip-Effektes benötigen Unternehmen möglichst genaue Nachfrageprognosen, damit eine überproportionale Nachbestellung nicht nötig ist, um out-of-stock-Situationen zu vermeiden.[21]
Out-of-stock-Situationen beschreiben eine Situation, in welcher Unternehmen ein nachgefragtes Gut nicht mehr liefern können bzw. vorrätig haben. Die negativen Folgen einer out-of-stock-Situation auf Konsumentenseite bestehen in Artikelwechseln, Markenwechseln, Geschäftswechseln, Kaufverschiebung und Kaufabbrüchen. Aus allen genannten Folgen können sowohl Kundenunzufriedenheit als auch entgangene Verkäufe (lost sales) entstehen, welche wiederrum negative Auswirkungen auf den Umsatz und die Wahrnehmung der Marke mit sich ziehen und damit konkurrierende Anbieter stärken. Diese Folgen entstehen insbesondere im Fast Moving Consumer Goods-Bereich und weniger bei Luxusartikeln oder individualisierten Produkten.[22]
Eine Gegenmaßnahme zur Vermeidung von out-of-stock-Situationen ist eine verstärkte Lagerhaltung von Produkten. Diese geht jedoch mit einer langfristigeren Kapitalbindung sowie höheren Lagerkosten einher und kann bei unzureichenden Absatzprognosen dazu führen, dass das Unternehmen nicht alle eingelagerten Produkte verkaufen kann. Der Einsatz von Technologien wie automatisierten Bestellsystemen oder RFID-Chips sowie die Implementierung von Cross-Docking-Strategien innerhalb der Supply Chain konnten die gemessenen out-of-stock Situationen im Fast Moving Consumer Goods-Bereich jedoch nicht signifikant reduzieren, da simultan die Komplexität der Supply Chains angestiegen ist und dadurch das Risiko von Lieferschwierigkeiten erhöht wurde.[23]
Im Rahmen der Vermeidung bzw. Verminderung des Bullwhip-Effektes und out-of-stock-Situationen zeigen sich zuverlässige Nachfrageprognosen als effektivste Maßnahme, um das Ziel einer resilienten Supply Chain bei zeitgleich geringstmöglicher Lagerhaltung erreichen zu können.[24]
2.4 Einordnung von Predictive Analytics im Supply Chain Management
Die in dieser Arbeit herausgestellten Ziele des SCM sind in hohem Maße von effizienten Informations-, Geld- und Warenflüssen abhängig, welche wiederrum in dem Großteil der Absatzmärkte von den Kunden final per Pull-Steuerung ausgelöst werden. Um die notwendige Planbarkeit im SCM herzustellen, versuchen Unternehmen jedoch den größtmöglichen Teil des Angebotes per Push-Steuerung herzustellen, um bspw. die Produktionsplanung vorzunehmen und effizient gestalten zu können. Diese Planungen basieren in der Regel auf Prognosen und sind daher im hohen Maße von deren Qualität abhängig.[25]
Zur Lösung der beschriebenen Probleme des SCM kann unter anderem die Methode des Predictive Analytics eingesetzt werden, welche qualitative und quantitative Methoden aus dem Bereich der Datenanalyse umfasst, die im Rahmen des SCM dessen Probleme lösen und auf Grundlage der vorhandenen Daten Vorhersagen treffen sollen.[26] Diese Vorhersagen beziehen sich beispielsweise auf Materialflüsse, Lagerbestände, Kosten, Laufzeiten und Nachfragen und werden auf Grundlage von Daten aus der Vergangenheit getroffen, welche um aktuelle Entwicklungen ergänzt werden. Ausgehend von den Ergebnissen der Prognosen kann anschließend ein größtmöglicher Anteil an Push-Produktionen vorgenommen werden.[27]
Aussagefähige Prognosen hinsichtlich zukünftiger Entwicklungen können daher die Effizienz und Agilität einer Supply Chain erhöhen und als Folge dessen sowohl zu geringeren Kosten als auch einem verminderten Ausfallrisiko (out-of-stock) führen.[28] Zudem kann die Wahrscheinlichkeit eines potenziellen Bullwhip-Effektes reduziert werden, wenn die reale Nachfrage möglichst nah an dem prognostizierten Absatz liegt.[29] Grundlegend werden durch belastbare Prognosen die Planung und Steuerung des SCM erleichtert, wodurch wiederrum das Risikomanagement und die Kosteneffizienz verbessert werden. Insbesondere in den Bereichen der möglichen Lieferantenausfälle und der Maschinenbelegungsplanung können aussagefähige Prognosen zu positiven Effekten führen. Es muss jedoch angemerkt werden, dass der Einsatz von Predictive Analytics im SCM insbesondere den Limitierungen der Kosten, Datenqualität und Datenschutzbedenken unterliegt. Die Voraussetzungen für den effektiven Einsatz von Predictive Analytics-Systemen bestehen in qualifizierten Mitarbeitern und großen Mengen an qualitativ hochwertigen Daten. Zudem unterliegt die Beschaffung und Nutzung dieser Daten rechtlichen und ethischen Rahmenbedingungen, welche wiederrum für eine erhöhte Komplexität sorgen können.[30]
- Quote paper
- Anonym (Author), 2024, Predictive Analytics. Wie künstliche Intelligenz die Nachfragevorhersage im Supply Chain Management optimieren kann, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/1609342
