sponsored

Machine Learning spart Beschaffungskosten in Millionenhöhe

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
sponsored

Machine Learning spart Beschaffungskosten in Millionenhöhe

Share on facebook
Share on twitter
Share on linkedin
Share on xing
Share on whatsapp
Share on email
Share on print
Durch den cleveren Einsatz neuer Machine-Learning-Algorithmen von INFORM lassen sich Liefertermine prognostizieren, die zuverlässiger sind als die Aussagen des Lieferanten selbst. Produktionsplaner können mithilfe der ML-Algorithmen Maschinen besser auslasten und die Fertigung flexibler planen.
Machine Learning

Quelle: ©1933bkk / GettyImages.com

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.

Inform KI
Bild: INFORM GmbH

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“.

Share on facebook
Facebook
Share on twitter
Twitter
Share on linkedin
LinkedIn
Share on xing
XING
Share on whatsapp
WhatsApp
Share on email
E-Mail
Share on print
Drucken

Andere Leser haben sich auch für die folgenden Artikel interessiert

Die Betrugsversuche im Darknet steigen schnell an – ebenso die Preise und die Produktvielfalt. Die Forscher von Check Point Research hatten schon im Dezember 2020 vor Betrug im Darknet rund um Impfstoffe gewarnt. Dahinter versteckten sich gefälschte Medikamente, Angebote und Malware.
Unter den 28 EU-Mitgliedsstaaten liegt Deutschland bei der Nutzung öffentlicher Internet-Services („E-Government“) auf Rang 26. Gleichzeitig zeigen Studien, dass Behörden und halbstaatliche Organisationen wie Kliniken oder Energieversorger nicht ausreichend auf aktuelle Cyber-Bedrohungen eingestellt sind. Besteht da ein Zusammenhang?

Redaktionsbrief

Tragen Sie sich zu unserem Redaktionsbrief ein, um auf dem Laufenden zu bleiben.

Aktuelle Ausgabe

Topthema: Communication & Collaboration

Wie der produktive Sprung in die neue Arbeitswelt gelingt

Mehr erfahren

Wir wollen immer besser werden!

Deshalb fragen wir SIE, was Sie wollen!

Nehmen Sie an unserer Umfrage teil, und helfen Sie uns noch besser zu werden!

zur Umfrage

Entdecken Sie weitere Magazine

Schön, dass Sie sich auch für weitere Fachmagazine unseres Verlages interessieren.

Unsere Fachtitel beleuchten viele Aspekte der Digitalen Transformation entlang der Wertschöpfungskette und sprechen damit unterschiedliche Leserzielgruppen an.