Die Unbestimmtheit des KI-Diskurses macht die Implementierung von KI und die Messung ihres Erfolgs zu einem entmutigenden Ziel für Unternehmensleiter. Wie können sie abstrakten Schlagwörtern und Hype entkommen, um funktionale, ROI-steigernde Anwendungen von KI in der Supply-Chain zu identifizieren?
In der Praxis bedeutet dies Diversifizierung der KI – strategische Investitionen in verschiedene KI-Fähigkeiten, die unterschiedliche Funktionen erfüllen und gleichzeitig zusammenarbeiten. KI-Diversifizierung beinhaltet den Aufbau eines Portfolios von Fähigkeiten, das sich ständig weiterentwickelt und wächst, um Risiken zu mindern, Entscheidungen zu optimieren und Werte zu maximieren.
Wie man AI in der Supply-Chain einsetzt
Viele Menschen haben eine Vorstellung davon, was KI für die Planung von Supply-Chains und Einzelhändlern leisten kann. Sie kann die Nachfrage prognostizieren, den Bestand optimieren, die Disposition verbessern – die Liste geht weiter.
Aber was ist das, und wie wird all das erreicht?
Amy Webb von der NYU klassifiziert KI als “einen Computer Dinge tun lassen, die normalerweise menschliche Intelligenz erfordern”. Diese Definition gibt uns einen breiten Rahmen, um zu berücksichtigen, wie KI-Algorithmen konkrete Geschäftsprobleme lösen können. Im Bereich der Supply-Chain-Planung lassen sich diese Algorithmen in vier Hauptkategorien einteilen.
- Heuristik
- Optimieren
- Maschinelles Lernen (ML)
- Gen AI
In den obigen Klassifizierungen gibt es Nuancen und Unterverzweigungen. Zum Beispiel ist Gen-KI technisch gesehen eine Teilmenge des Machine-Learning. Angesichts des Interesses, das sie in letzter Zeit hervorgerufen hat, und in Anspielung auf ihren Schwerpunkt auf natürlicher Sprache und logischem Denken unterscheide ich gen AI jedoch von “spezialisierter AI”, den in den ersten drei Aufzählungspunkten aufgeführten rechenorientierten Algorithmen.
Ich höre oft Diskussionen darüber, welcher dieser Algorithmen besser ist oder ob die Einführung eines Algorithmus einen anderen überflüssig macht. Solche Argumente verwirren und lenken Unternehmensleiter ab. Stellen Sie sich jeden dieser Algorithmen als ein Werkzeug in einem Werkzeugkasten vor. Sie sind wie Schraubenschlüssel, Hammer, Schraubenzieher und Zange. Das eine ist kein Substitut für das andere. Ich könnte einen schweren Schraubenschlüssel als Hammer benutzen, um einen Nagel in die Wand zu schlagen, aber das ist nicht die beste Verwendung für den Schraubenschlüssel. Ebenso wichtig ist es, den Kontext zu kennen, in dem Sie jeden Typ von AI anwenden, damit Sie das richtige Werkzeug für den richtigen Auftrag verwenden können.
Lassen Sie uns jeden Typ einzeln ansprechen.
1. Heuristik
Heuristiken sind regelbasierte Maschinen, die richtungsweisende, korrekte Antworten auf Geschäftsprobleme liefern. Sie beantworten eine Reihe von Fragen sequenziell und vereinfachen die Planung, indem sie Optionen aussondern, die nicht bestimmten Zielen oder Prioritäten dienen. Es liegt in der Natur der Sache, dass Heuristiken schnell ausgeführt werden. Dementsprechend eignen sie sich für Situationen, die weniger eingeschränkt sind oder nur eine richtungsweisende, korrekte Antwort erfordern.
Ein RELEX-Instanz-Kunde mit Sitz in den USA hat beispielsweise 30 verschiedene Verteilzentren. Jedes Objekt durchläuft vom Lieferanten aus einen vorbestimmten Pfad von Distributionszentren, d. h. das Unternehmen muss nicht entscheiden, wohin der Bestand gesendet werden soll. Dadurch werden Beschränkungen minimiert, so dass das Unternehmen problemlos Heuristiken einsetzen kann, um schnelle und genaue Planungsentscheidungen zu treffen, die Lieferzeiten und Losgrößen ausgleichen.
Lassen Sie uns ein anderes Beispiel nehmen. Nehmen wir an, ich bin ein Vertriebsunternehmen, das automatisch den Lkw als primäre Transportart wählt und das Flugzeug als sekundäre Option einsetzt. Ich kann jedoch eine Regel erstellen, die auf den Lufttransport umschaltet, wenn die Zeit, die das Produkt per Lkw auf den Markt kommt, länger ist, als der Kunde erwartet.
Heuristiken eignen sich auch hervorragend zum Erstellen von Grobplänen. Indem sie die wichtigsten Beschränkungen berücksichtigen, vereinfachen und beschleunigen sie den Planungsprozess und bieten gute Ausgangspunkte für Pläne, die später durch Optimierungsfunktionen verfeinert werden können.
2. Optimieren
Die mathematische Optimierung ist ein Teilgebiet der angewandten Mathematik, das sich mit der Suche nach der bestmöglichen Lösung aus einer Reihe verfügbarer Alternativen befasst, so deepai.org. Die Supply-Chain-Planung in stark eingeschränkten Umgebungen, wie z. B. in der Fertigung, erfordert komplexe Kompromisse, was sie zu einem idealen Kandidaten für die Optimierung macht.
Nehmen wir an, Sie produzieren tiefgekühlte Pommes frites mittlerer und hoher Qualität und verkaufen sie an Schnellrestaurants. Sie haben zwei Kunden.
Kunde A akzeptiert nur hochwertige Pommes frites. Kunde B entscheidet sich für die preiswerteren Pommes frites mittlerer Qualität, akzeptiert aber die hochwertige Option, wenn sie keine zusätzlichen Kosten verursacht.
Wenn die Bestellung des Kunden eingeht, haben Sie keine Pommes frites mittlerer Qualität mehr, aber Sie können Ihre hochwertigen Pommes frites dem Kunden B immer noch zum gleichen Preis anbieten. Auf diese Weise können Sie die Einnahmen auf Kosten der Marge realisieren.
Sie haben jedoch immer noch die hochwertige Bestellung von Kunde A zu erfüllen. Daher müssen die Vorteile des Tauschs von Kunde B gegen höherwertige Pommes frites gegen die erwartete Nachfrage von Kunde A abgewogen werden.
Dies ist ein sehr einfaches Beispiel für die Art von Kompromissen, die die Optimierung hervorragend ausgleichen kann.
Das reale Geschäft beinhaltet jedoch weitaus komplexere Entscheidungen in Bezug auf eine Vielzahl von Beschränkungen – Rohstoffe, Kapazität, Kundenpriorität usw. Diese Typen von Fällen eignen sich sehr gut für die Optimierung, die diese Beschränkungen analysiert, Geschäftsziele berücksichtigt (z. B. Maximierung des Umsatzes oder Minimierung der Kosten) und verfügbare Daten schnell verarbeitet, um optimale Empfehlungen für Kompromisse zu finden.
Tipp: Es gibt einige Ähnlichkeiten zwischen den Typen von Problemen, auf die Heuristik und Optimierung angewendet werden können. Gelegentlich höre ich Debatten darüber, welcher Ansatz besser ist, aber es sollte keine “entweder/oder”-Debatte sein. Es sollte eine “Sowohl-als-auch”-Antwort sein, d. h. das beste Werkzeug für die jeweiligen Umstände auswählen oder eine Kombination aus beiden verwenden.
3. Maschinelles Lernen (ML)
Machine-Learning ist “die Verwendung und Entwicklung von Computersystemen, die in der Lage sind, zu lernen und sich anzupassen, ohne explizite Anweisungen zu befolgen, indem sie Algorithmen und statistische Modelle verwenden, um Muster in Daten zu analysieren und daraus Schlüsse zu ziehen”, wie es in Oxford Languages heißt. Diese Methode eignet sich am besten, um Korrelationen zwischen verschiedenen Datenströmen herzustellen und Vorhersagen zu treffen.
In der Praxis enthält das Erkennen von Nachfrageschwankungen oder die Durchführung von Ursachenanalysen.
Bei der Nachfrageplanung zum Beispiel helfen Machine-Learning-Algorithmen Planern in allen Branchen, die schiere Menge an Informationen zu bewältigen, die globale Supply-Chains generieren. Im Gegensatz zu unhandlichen Tabellenkalkulationen analysieren und destillieren ML-basierte Prognoselösungen große Datenbestände in handhabbare Erkenntnisse für genauere Prognosen und datengesteuerte Entscheidungen. Darüber hinaus lernen Machine-Learning-Algorithmen aus den Ergebnissen und verfeinern sie im Laufe der Zeit; je länger sie eingesetzt werden, desto besser werden ihre Ergebnisse.
Demand Sensing hebt diese analytischen Fähigkeiten auf die nächste Ebene und nutzt Machine-Learning, um aktuelle Daten aus der gesamten Supply-Chain (einschließlich der POS-Systeme des Einzelhandels) zu integrieren. Damit eignet sich die Lösung perfekt für Einzelhändler und FMCG-Unternehmen (Fast Moving Consumer Goods) , die mit schnell wechselnden Markttrends oder plötzlichen Wetter-Events Schritt halten müssen. In dem Fall, dass zum Beispiel ein großes Sportereignis stattfindet, kann die Nachfrage nach Softdrinks und alkoholischen Getränken steigen. Wenn es die ganze nächste Woche regnet, kann die Nachfrage nach Sonnenschutzmitteln zurückgehen, während der Verkauf von Regenschirmen in die Höhe schnellt. Mithilfe von Machine-Learning können Unternehmen vorhersagen, ob sie mehr oder weniger von einem Produkt verkaufen werden. ML-basierte Vorhersagen bilden die Grundlage für die Optimierungsfunktionen, die bestimmen, wie viel von einem Produkt an jedem Standort nachgefüllt werden soll.
In hilft Machine-Learning auch bei der Ursachenanalyse der Lücken zwischen Planung und Ausführung. In der realen Welt werden Planungsempfehlungen – z. B. wie viel produziert, beschafft und geliefert werden soll – oft nicht korrekt umgesetzt. Dies kann auf Abweichungen zwischen den Planungsannahmen und dem tatsächlichen Status von Faktoren wie Lieferzeiten, Kosten oder Transportverfügbarkeit zurückzuführen sein. Planungsparameter müssen ständig angepasst werden, indem sie mit realen Daten abgeglichen werden. ML-Algorithmen sind von Natur aus in der Lage, verschiedene interne und externe Datenströme anzuzapfen und zu korrelieren, wodurch sie sich eindeutig für Situationen eignen, die diese Art von Analyse erfordern.
Freak-Alarm! Ich werde oft gefragt, ob das Optimieren als Technik mit der wachsenden Bedeutung von ML obsolet wird. Nein, im Gegenteil, die Optimierung wird überleben und gedeihen; es gibt kein Machine-Learning ohne Optimierung. Das liegt daran, dass ein ML-Modell verfeinert wird, indem eine “Verlustfunktion” berechnet und eine Optimierung ausgeführt wird, um diesen Verlust zu minimieren. (Eine Verlustfunktion quantifiziert die Differenz zwischen den Vorhersagen des Modells und der tatsächlichen Ausgabe und liefert so ein Feedback über die Genauigkeit des Modells, so dass es angepasst und verbessert werden kann.) Die besten Planungslösungen der Klasse nutzen Machine-Learning zur Vorhersage und zur Optimierung zur Entscheidungsfindung.
4. Gen AI
Das neue Kind im Block ist gen AI. Coursera definiert gen AI als einen algorithmischen Ansatz, der auf vorhandenen Daten trainiert wird und “es Benutzern ermöglicht, eine Reihe von Eingabeaufforderungen einzugeben, um neue Inhalte zu generieren.” Die Prinzipien gibt es zwar schon länger, aber Fortschritte bei High-End-Chips und der Aufstieg des Cloud-Computing machen die Technik für praktische Anwendungen zugänglich.
Bei all der Aufregung ist es wichtig, realistisch zu bleiben was KI leisten kann und was nicht. So sind beispielsweise große Sprachmodelle (LLMs ) der häufigste Fall von KI. Sie sind schlecht darin, Berechnungen durchzuführen, aber sie sind sehr gut darin, eine Zeichenkette von Wörtern zu betrachten und vorherzusagen, was das nächste Wort sein wird (wie viele mit ChatGPT und Gemini erfahren haben).
Supply-Chain-Systeme sind von Natur aus komplex. Heuristiken, Optimierung und Machine-Learning helfen bei den Berechnungen, aber Kontext und Zusammenarbeit sind bei der Entscheidungsfindung in der Supply-Chain ebenso wichtig. Hier kommt die KI ins Spiel.
In In beginnen wir, den Einsatz von LLM-gesteuerten Chatbots als KI-Assistenten zu sehen, die erhebliche Fortschritte bei der Produktivität und der Befähigung der Benutzer einleiten. Ein Supply-Chain-Assistent sollte auf eine etablierte Wissensbasis von branchen- und lösungsspezifischen Best Practices zurückgreifen und Erkenntnisse aus den Daten im Kontext ziehen. Wenn diese Informationen leicht zugänglich und verständlich sind, beschleunigt dies das Onboarding der Mitarbeiter, erleichtert die täglichen Abläufe und bietet mehr Möglichkeiten für kontinuierliches Lernen und Prozessverbesserungen.
In Zukunft werden sich diese Systeme zu vollwertigen KI-Copiloten weiterentwickeln, die unternehmensspezifische Empfehlungen geben und Planer proaktiv dabei unterstützen, Marktstörungen und -verschiebungen zu antizipieren und ihnen entgegenzuwirken.
Wie die Diversifizierung von AI den Supply-Chains zugute kommt
Durchdachte KI-Implementierungen sind mehr als nur check eine Box. Sie schaffen Effizienz- und Produktivitätsgewinne für Benutzer, die ihre Entscheidungsfindung verbessern und beschleunigen können. Durch diese Entscheidungen werden Bestandsziele im richtigen Verhältnis zur Nachfrage festgelegt, um die Bedürfnisse der Kunden zu erfüllen und gleichzeitig die Bestände unter Kontrolle zu halten. Durch die Vermeidung überschüssiger Bestände begrenzt der strategische Einsatz von KI die Häufigkeit und die Auswirkungen von Problemen wie Veralterung und Verderb, was nachhaltige Supply-Chain-Praktiken unterstützt und Arbeitskapital für bessere Margen freisetzt.
Unternehmensleiter sollten KI als eine Sammlung von Algorithmen betrachten und die Techniken praktisch auf spezifische Probleme anwenden, anstatt KI nur um der KI willen zu betreiben. Glücklicherweise gibt es zahlreiche bewährte Anwendungen, die ihre Wirksamkeit durch die Kapitalrendite belegen.
