Künstliche Intelligenz für verlässlichere Liefertermine: Das Potenzial ist groß

von Dr. Marco Schmitz
Künstliche Intelligenz für verlässlichere Liefertermine: Das Potenzial ist groß
© prachanart | GettyImages

Künstliche Intelligenz (KI) zur Optimierung von Prozessen gehört zu den diesjährigen Top-Themen der Branche. Im Supply Chain Management werden KI-Algorithmen häufig dazu genutzt, die zukünftige Nachfrage für bestimmte Produkte oder Produktgruppen zu prognostizieren. Im Gegensatz zu herkömmlichen Verfahren ist KI in der Lage, auch über die Unternehmensgrenzen hinaus zu blicken und externe Einflussfaktoren, wie Markt- oder Wettbewerbsinformationen, in die Schätzung der Verkäufe einfließen zu lassen.

Mit einer guten Vorhersage des zukünftigen Bedarfs hat man eine solide Grundlage für die Beschaffungs- oder Produktionsplanung geschaffen. Kann man gut abschätzen, welche Artikel oder Waren im nächsten Betrachtungszeitraum benötigt werden, so lassen sich Bestellmengen optimieren, gute Bestellzeitpunkte bestimmen und die Lagerbestände insgesamt reduzieren, ohne dass die Lieferfähigkeit darunter leidet. Das ist ein entscheidender Aspekt, denn vor allem im Großhandel und dort speziell im technischen Handel sind die Ansprüche an die Lieferfähigkeit hoch.

Warum ist die Lieferfähigkeit trotz bester Bedarfsprognosen manchmal gefährdet?

In vielen Prozess-Analysen und Diskussionen mit Supply-Chain-Verantwortlichen zeigt sich aber, dass es trotz sehr guter Bedarfsprognosen und Bestellempfehlungen immer wieder zu drohenden Stock-Out-Situationen kommt, die teuer abgewendet werden müssen. Woran liegt das? Die Antwort: An der meist unsicheren und ungenauen Widerbeschaffungszeit. Die Wiederbeschaffungszeit ist die Zeit, die es braucht, bis die bestellte Ware tatsächlich verfügbar ist. In vielen Unternehmen – vorrangig denen, die Waren aus Fernost beziehen - ist die Wiederbeschaffungszeit nicht nur sehr lang, sondern auch sehr unzuverlässig. Ob die bestellte Ware auch zu dem Termin verfügbar ist, die der Lieferant zugesagt und bestätigt hat, ist häufig mehr als ungewiss. Dies kann folgende Gründe haben: Eine ungenaue Produktionsplanung des Lieferanten, Probleme beim Transport der Ware oder zu ambitionierte Lieferterminwünsche - kurz gesagt gibt es so einige Unwägbarkeiten, bis die Ware für den Verkauf bereitsteht.

Dabei ist die Lieferzeit neben dem Preis doch ein Top-Auswahlkriterium in Angeboten! Was liegt also näher, als KI auf die Vorhersage der Verfügbarkeitstermine „loszulassen“ und so deren großes Potenzial für den operativen Einkauf zu nutzen?

Unsicherheit ist ein Kostentreiber

Um dieses Potenzial zu erkennen, schauen wir uns am besten einmal an, welche Auswirkungen es hat, wenn Lieferungen nicht zu dem Zeitpunkt ankommen, zu dem wir sie erwarten.

1. Lieferungen treffen zu spät ein

Dass lange Lieferzeiten zu einer Erhöhung des notwendigen Sicherheitsbestands führen, ist durchaus bekannt und verständlich. Aber auch die Unsicherheit in den Lieferzeiten hat einen sehr großen Einfluss auf die Kosten zur Aufrechterhaltung der Lieferfähigkeit. Kommen Lieferungen später als geplant und vom Lieferanten bestätigt, entstehen potenzielle Stock-Out-Situationen. Um diese abzuwenden ist es in vielen Branchen üblich, kostenintensive Zukäufe aus schnell verfügbaren Quellen zu tätigen. Lassen sich diese Zukäufe reduzieren, können Einsparungen in Millionenhöhe entstehen, wie Simulationsstudien bei INFORM zeigen.

Kommen Lieferungen regelmäßig zu spät, können Unternehmen bereits im Vorfeld gezielt durch eine Erhöhung des Sicherheitsbestands darauf reagieren, um die Lieferfähigkeit zum Kunden hin zu gewährleisten.

Der Sicherheitsbestand kann jedoch bei gleichbleibender Lieferfähigkeit deutlich reduziert werden, wenn sich die Verfügbarkeitstermine offener Bestellungen besser einschätzen lassen. Das gelingt durch den Einsatz von KI.

2. Lieferungen treffen zu früh ein

Aber auch Lieferungen, die (viel) früher als geplant eintreffen, haben einen direkten, negativen Einfluss auf den Unternehmenserfolg. Sie erhöhen den Bestand unnötig, binden zusätzliches Kapital, was den Free-Cash-Flow reduziert, und verlängern den Cash-Conversion-Cycle. Auch in diesem Fall hilft es in der Bestands- und Liquiditätsplanung deutlich, wenn Planer rechtzeitig vom früheren Eintreffen der Bestellungen wissen. Ohnehin können sie bei frühzeitiger Kenntnis über eine Abweichung zwischen bestätigtem und tatsächlichem Liefertermin mit den Lieferanten ins Gespräch gehen und vielleicht auf diesem Weg teure Planänderungen vermeiden.

Der Mehrwert von KI in der Praxis

Egal, ob die Lieferung zu früh oder zu spät ankommt: Die Konsequenzen schlagen sich vor allem in unnötigen Kosten nieder. KI kann dieses Problem lösen, indem es den Liefertermin mit einer deutlich verbesserten Genauigkeit vorhersagen kann. Dazu werden Machine-Learning-Algorithmen eingesetzt, die unter Berücksichtigung exogener Einflussfaktoren und dem Verhalten des Lieferanten in der Vergangenheit Rückschlüsse auf dessen zukünftige Lieferperformance erlauben. So lassen sich Bestände abbauen und sich Kosten für teure Zukäufe reduzieren. Darüber hinaus können Unternehmen den Cash-Conversion-Cycle verkürzen und so unnötig gebundene Finanzmittel frei machen.

Nicht zuletzt: Mehr Nachhaltigkeit

Bleibt noch ein weiterer Aspekt zu betrachten, der über Medien und Politik in letzter Zeit die Aufmerksamkeit bekommt, die er verdient: Nachhaltigkeit. Eine einfache Rechnung zeigt: Eine kurze und dafür unzuverlässige Lieferzeit erfordert den gleichen Sicherheitsbestand (bei gleicher Lieferfähigkeit) wie eine sehr lange und dafür zuverlässige Lieferzeit. Ich kann meinen Lieferanten also eine lange Lieferzeit zugestehen und muss diese nicht unnötig unter Druck setzen, ohne dafür höhere Bestände in Kauf nehmen zu müssen. Dies eröffnet meinen Lieferanten die Möglichkeit, nachhaltiger zu handeln und zum Beispiel umweltfreundlichere Transportmittel zu wählen. Alles sehr gute Gründe für den Einsatz von KI zur Vorhersage tatsächlicher Verfügbarkeitstermine.

Welche Erfahrungen haben Sie mit unzuverlässigen Lieferanten und unsicheren Lieferzeiten?



Diese Beiträge könnten Sie auch interessieren

Routineaufgaben in der Logistik automatisieren, Jobs aufwerten

Lesen

Künstliche Intelligenz für die Absatz- und Beschaffungsplanung: Welche Faktoren erfolgsentscheidend sind

Lesen

Das virtuelle Zentrallager als Teil des Risiko-Managements

Lesen

Über den Autor

  • Dr. Marco Schmitz konzipiert und entwickelt bei INFORM im Team New Solutions Software-Anwendungen, die Unternehmen helfen, in ihren erfolgsrelevanten Supply-Chain-Prozessen die richtigen Entscheidungen zu treffen. Dabei nutzt ihm seine langjährige Erfahrung in der auf Daten und Algorithmen basierenden Prozess-Optimierung. Die praktikable Umsetzung von Verfahren der sog. hybriden KI ist aktuell einer seiner Interessenschwerpunkte.

    Alle Beiträge dieses Autors

Unsere Autoren

Finden Sie alle unsere Autoren auf einen Blick!

Alle Autoren

Nach oben