Suchen

Von der Optimierungsstrategie bis zum Sammeln und Organisieren von Daten Automatisierung der Supply Chain: Tipps für den Erfolg

Autor / Redakteur: Anil Köse* / Ulrike Ostler

Die heutigen Supply Chains entwickeln sich durch die zunehmende Komplexität des Welthandels rasch weiter. Denn in diesem stark wettbewerbsorientierten und wachsenden volatilen Umfeld verändern sich auch die Anforderungen der Kunden. Ein Universalkonzept wäre ineffizient und im schlimmsten Fall verwirrend.

Firmen zum Thema

Es gibt kein ultimatives Rezept für eine Supply Chain, aber „Modern Middleware“, die zu einem effizienten Lieferkettenmanagement verhelfen kann.
Es gibt kein ultimatives Rezept für eine Supply Chain, aber „Modern Middleware“, die zu einem effizienten Lieferkettenmanagement verhelfen kann.
(Bild: © ZinetroN - AdobeStock)

Viele Unternehmen besitzen eine Menge Daten, die richtig genutzt das Potenzial haben, ein vollautomatisches und effizientes Lieferkettenmodell anzutreiben. Eine kürzlich durchgeführte Umfrage von Gartner („Supply Chain Analytics – Build a stronger supply chain analytics strategy competence“) ergab, dass Führungskräfte die Entwicklungen in der Analytik als zweitwichtigste neue Technologie einstufen.

Es ist nicht überraschend, dass die Datenanalyse im Supply Chain Management besonders wichtig ist. Die Annäherung von allgegenwärtiger Konnektivität und Rechenkapazität führt zu einem exponentiellen Wachstum von miteinander verbundenen Geräten und Sensoren. Dadurch können unglaubliche Datenmengen generiert werden, die neue Arten von transformativen Anwendungen und Geschäftsmodellen sowohl bei verschiedenen Unternehmen als auch innerhalb der Lieferkette ermöglichen.

Daten werden aus vielen Gründen an der Edge erfasst, verschlüsselt, verarbeitet und analysiert. Es gibt aber auch Anwendungsfälle, bei denen das Speichern dieser zusätzlichen Daten sinnvoll ist. Zusätzlich zur lokalen Erfassung dieser Daten als Primär- oder Backup-Speicher maximieren Edge-Speicher und Rechengeräte die Netzwerkeffizienz. Zudem ermöglichen sie die Analyse der Daten und die Reaktion auf ihre Ergebnisse in Echtzeit.

Die wesentlichen Schritte

Mit ein paar einfachen Schritten können Unternehmen maschinelles Lernen und fortschrittliche Analysetechniken dazu verwenden, vollautomatische Vorhersagemodelle zu entwerfen und so wesentlich effizientere und kundenorientierte Lieferkettenprozesse zu schaffen.

Das Erstellen einer Optimierungsstrategie

Vor dem Hintergrund der Geschäftsziele und den Bedürfnissen des Unternehmens muss eine Strategie zur Optimierung der Lieferkette entwickelt werden. Das Fundament sollte auf vier Säulen stehen:

Das Grundgerüst: Etablieren von verbundenen Unternehmenssystemen, einer Big Data-Infrastruktur und Data Governance.

Die Netzwerklandschaft: Verbesserung des ökologischen Fußabdrucks des Unternehmens sowie Rationalisierung der Grundträger und Optimierung des Netzmodells.

Die Teamorganisation: Erschaffen von Kontrollmechanismen zur Unterstützung des Change-Managements sowie der Talent- und Kulturförderung.

Digitale Lösungen: Implementierung intelligenter Transportlösungen, „smarter“ Lagerhäuser und kontinuierliche Verbesserung und Weiterentwicklung der Technologien.

Bei der Umsetzung dieser Grundpfeiler ist ein ausgewogener, bimodaler Ansatz wichtig. Es müssen kontinuierlich Möglichkeiten zur Verbesserung dieser Prozesse erkannt und genutzt werden. Der Lerneffekt wird mit dem Einsatz von hochanpassungsfähigen Verfahren erhöht, da die gleichen Fehler in einem kürzeren Zeitraum passieren. Diese Methoden zur anhaltenden Verbesserung und Innovation ermöglichen es dem Unternehmen, Technologien schnell, effizient und kostengünstig weiterzuentwickeln.

Das Sammeln von Daten

Große Unternehmen liefern pro Woche hohe Anzahlen an Sendungen an Kunden, Vertriebspartner oder ähnliche aus. Daraus entsteht eine Menge an Daten, die verarbeitet werden möchte. Für Unternehmen ist es wichtig, die Datenstrategie für das gesamte Edge-to-Core-Ökosystem zu verwalten und die einzigartigen Herausforderungen in diesen Umgebungen zu meistern. Es gibt einige Überlegungen, um sicherzustellen, dass die Daten in diesen Umgebungen erfolgreich an der Edge erfasst werden können.

Mit der Datenerfassung an der Edge ist gemeint, dass sich Sensoren und Speicher dezentral in den Elementen des Datenzentrums befinden. So können Daten über einen langen Zeitraum unter Extrembedingungen, wie hohen oder niedrigen Temperaturen, erfasst werden. Diese Umstände stellen eine wesentlich größere Herausforderung als bei herkömmlichen Mobil-, Kunden- oder Rechenzentrumsumgebungen dar.

Darüber hinaus ist für viele große Unternehmen eine zentrale Datenbank die einzige Lösung, die eine solche Informationsflut verarbeiten kann und als zuverlässige Datenquelle dient. Um dieses Verzeichnis aufzubauen, sollten Daten aus den integrierten Systemen aufgenommen werden – vom Transportmanagement über das Workload-Management bis hin zu den Speditionen.

Die Datenbank wird direkt in die Struktur und die Analyseplattform eingespeist. Von hier aus kann die Plattform genutzt werden, um Erkenntnisse wie beispielsweise die effizientesten Versandwege und die besten Versandtage abzuleiten. Mit diesen Informationen können Anpassungen innerhalb des Transportmanagementsystems vorgenommen werden, um die Zuverlässigkeit zu verbessern, die Transitzeit für den Bestand zu beschleunigen und die Konsolidierung von Sendungen zu erhöhen.

Die Zukunft der Supply Chain

Unternehmen können von der einfachen Verwaltung und Verbindung von Supply-Chain-Operationen zur Verwendung von voraussagender Analytik mit maschinellem Lernen übergehen, indem Erkenntnisse aus der der Zusammenarbeit mit anderen Abteilungen gewonnen werden oder ein Ansatz der frühen Fehlererkennung angewendet wird. Dadurch wird die Lieferkette deutlich anpassungsfähiger an die sich ändernden Kundenanforderungen.

Die Möglichkeit, zukunftsorientierte Modelle zu entwickeln und einzusetzen, ermöglicht das Vergleichen verschiedener Szenarien, das Verstehen von potenziellen Ergebnissen und das Erkennen der effektivsten Alternativen für die Produktion. Damit wird das Unternehmen in die Lage versetzt, Transitzeiten, Routen und Versandpläne bis auf die Ebene der Lieferadresse herunterzufahren und eine viel zuverlässigere sowie effizientere Lieferkette aufzubauen.

Ob nun die Erfassung und Verarbeitung von Daten in Echtzeit an der Edge oder die Anwendung von maschinellem Lernen auf größere Datensätze im Core – die neuen Möglichkeiten maximieren branchenübergreifend den Wert von IoT-Daten. Der Schlüssel dazu ist eine effektive Datenspeicherung und Datenanalyse. Unternehmen können so reichhaltige Daten zur Steuerung der Strategie nutzen und die von IoT-fähigen Geräten gesammelten Daten zur Erfassung von Lieferkettendaten über Sendungen im Transport zu verwenden.

*Die Autorin: Anil Köse hat diesen Beitrag im Auftrag von Western Digital verfasst.

(ID:46975040)