Machine Learning spart Beschaffungskosten in Millionenhöhe

Die Corona-Pandemie hat die Schwächen globaler Lieferketten offengelegt. Wer seine Supply-Chain-Strategie an die neuen Herausforderungen anpassen will, zieht häufig eine Reduzierung der Beschaffung aus Asien oder den Aufbau teurer Sicherheitsbestände in Betracht. Ein neuer Machine-Learning-Algorithmus von INFORM bietet eine effizientere Alternative: Der Algorithmus ist in der Lage, durch die präzise Prognose von Lieferterminen und Wiederbeschaffungszeiten mehr Sicherheit in die Beschaffung und Produktion zu bringen.

Lieferzusagen häufig unzuverlässig

Die Diskrepanz zwischen dem vom Lieferanten zugesicherten und dem tatsächlichen Anlieferungstermin ist in vielen Branchen außerordentlich groß. „Wir haben die Datenhistorie vieler Unternehmen analysiert. In zwei Drittel der Fälle wurde der Termin nicht eingehalten“, berichtet Dr. Marco Schmitz, der im Team „New Solutions“ bei INFORM an der ML-Lösung mitwirkt.

In ersten Studien konnte der Algorithmus die Abweichung des Liefertermins von 25 Tagen auf zwölf Tage reduzieren. „Das schmälert die Unsicherheit und das Risiko so stark, dass deutlich weniger Kurzfristbestellungen nötig sind“, sagt Schmitz. Solche Kurzfristbestellungen bei Plan-B-Lieferanten oder Konkurrenzunternehmen kosten nicht selten mehrere Millionen Euro und schmälern vor allem in Handelsunternehmen die Margen. Sinkt die Unsicherheit, reduzieren sich gleichzeitig auch diese Kosten.

In der Produktion führen starke Abweichungen der Wiederbeschaffungszeiten zu einer schlechten Maschinenauslastung, weil es häufig an Material fehlt. Die daraus resultierenden Verspätungen wirken sich negativ auf die Termintreue aus, so dass sich die produzierenden Unternehmen oft zu eiligen Zukäufen gezwungen sehen. Die neuen ML-Algorithmen versprechen hier Abhilfe. An ein beliebiges ERP-System angeschlossen, beziehen sie aus diesem relevante Plandaten und prognostizieren dann, wie lange die Lieferung eines benötigten Bauteils tatsächlich dauern wird.

Lieber zu früh oder zu spät?

„Die Summe an Gründen für mögliche Verspätungen macht eine Optimierung für die Einkäufer beinahe zur unmöglichen Aufgabe. Für schnelle Ergebnisse braucht es ML“, erklärt Schmitz. Mangelnde Transparenz ist eines der Kernprobleme in der globalen Beschaffung. Ob der Lieferant einen Großabnehmer bevorzugt oder Bestellungen zusammenfasst, wodurch zeitliche Verzögerungen entstehen, ist unklar. Auch die strategische Abhängigkeit von Lieferanten kann zu Engpässen führen.

Gleichermaßen ungünstig wird es, wenn Waren zu früh eintreffen. Dann entstehen Überbestände im Lager, die Fläche und Kapital binden. Es gilt daher, Ausreißer in beide Richtungen zu vermeiden. Darüber hinaus haben erste Untersuchungen von INFORM von ergeben, dass für einen einzukaufenden Artikel, der regelmäßig eine Woche früher oder später ankommt als vom Lieferanten angegeben und geplant, Unternehmen einen 5,5 mal größeren Sicherheitsbestand vorhalten mussten als für einen Artikel, dessen Wiederbeschaffungszeit sicher bekannt ist.

Daten für den ML-Algorithmus

Je ungenauer die Datenlage, umso größer ist der Mehrwert verbesserter Prognosen. Auch für unbestätigte Liefertermine kann eine Prognose berechnet werden. Mit dem Ergebnis stabilisiert sich der gesamte Warenfluss. Dafür greift der ML-Algorithmus auf Daten vergangener Bestellungen und Liefertermine zurück. Die Wunschverfügbarkeit, eingegangene Terminbestätigungen oder Informationen über offene Bestellwerte, Mengen Preise verbessern das Ergebnis zusätzlich.

>> Mehr Details finden Sie im kostenfreien Whitepaper „Unsicherheit als Kostentreiber in der Bedarfsdeckung“.