Im Bereich Einkauf und Supply Chain Management ist das spannende, dass den Machine Learning Anwendungen unzählige Datenquellen und Anknüpfungspunkte zur Verfügung stehen. Denn die Logistik ist sehr komplex und umfangreich, weshalb Machine Learning im Supply Chain Management große Potenziale hat.
Aktuell: Die aufwendige Supply Chain einer Impfung
Eine der größten Verteilungs- und Logistik Herausforderungen erleben wir aktuell weltweit: Die Impfung der Weltbevölkerung gegen Covid-19. Die Probleme sind folgende: 1. Wie viel Impfstoff wann und wohin geliefert werden soll, 2. Die Überwachung von Engpässen, 3. Die Qualität muss von Produktion über Lieferung bis hin zur Impfung gesichert werden und 4. Die Beobachtung der Nebenwirkungen. Es gibt bereits Machine Learning Software, die den Standort der Impfstoffampulle in Echtzeit verfolgen kann. Entwickelt man dies weiter, könnte die Software Verteilungsengpässe vorhersagen und Alternativen vorschlagen. Das mag auf den ersten Blick wie die perfekte Lösung klingen, jedoch ist das Problem, dass unzählige Akteure beteiligt sind. Dazu gehören der Hersteller, die Transportunternehmen, Krankenhäuser und Ärzte sowie die Regierung, welche unterschiedliche Software nutzen und zudem Datenschutzbestimmungen beachten müssen. Trotzdem gibt die aktuelle Lage einen Anstoß an zukünftige Lösungen und Strategien mit Artificial Intelligence, um neue Standards zu setzen.
Lösung: Machine Learning & Deep Learning
Vieles was mit herkömmlichen Lösungen nicht möglich war, bezüglich der Effizienz von Prozessen, wird durch Machine Learning erst möglich gemacht. Selbstfahrende Schiffe oder LKWs und selbstfliegende Drohnen sind nur ein Teil der zukunftsweisenden Beispiele. Supply Chain Management ist im Allgemeinen eine fragile, komplexe, unvorhersehbare und wenig transparente Angelegenheit. Deshalb hat Machine Learning hier großes Potential. Stellen wir uns nun vor, ein Unternehmen hat Probleme mit häufigen Fehleinschätzungen und kommt daher nicht mit seinen Bestellungen und Aufträgen hinterher, was Prozesse unheimlich verlangsamt und zu Kundenverlusten führt. Ein anderes, international agierendes, Unternehmen hat häufig mit Maschinenausfällen zu kämpfen, was viel Geld kostet. Eine kleinere Firma am Land hat hingegen Probleme damit, dass es ihnen an Mitarbeitern und Ressourcen mangelt, diese deshalb optimal eingeplant werden müssen, um keine Zeit zu verlieren. In all diesen drei Beispielen kann Machine Learning die Lösung sein – schauen wir uns an inwiefern.
Schlaue Vorhersagen treffen
Predictive Analytics und Predictive Maintenance sind zwei besonders gefragte Lösungen. Einerseits um Ausfälle vorherzusagen und Nachfrage sowie Kapazitäten, Lagerbestände, Bedarf usw. zu planen. Andererseits auch, um andere Ergebnisse vorherzusagen. Unzählige Sensordaten werden verarbeitet und mit Sollwerten verglichen, um Abweichungen festzustellen. Das steigert die Produktivität und senkt Kosten – zwei der großen Vorteile im Einsatz von Machine Learning. Außerdem verlängert dies die Lebensdauer von Maschinen, Lagereinrichtungen und sonstigen Anlagen, was zudem nachhaltiger im Hinblick auf die Umwelt ist. Machine Learning bzw. Künstliche Intelligenz bringen wir oft auch mit Bilderkennung in Verbindung. So ist dies entlang der Supply Chain ein klassischer Anwendungsfall, da Produktionsfehler erkannt werden können. Das maschinelle Lernen erweist sich als sehr effektiv, wenn es darum geht, Faktoren zu berücksichtigen, die mit herkömmlichen Methoden nicht erfasst oder erst im Laufe der Zeit berechnet werden können.
Bis 2023 werden mindestens 50 % der großen globalen Unternehmen KI, fortschrittliche Analysen und IoT in der Wertschöpfungskette einsetzen.
Betrüger und andere Risiken
Auch ein Thema, an das wir in erste Linie vielleicht nicht denken: Intelligente Algorithmen werden dazu eingesetzt, Betrüger zu entlarven. Das ist in heutiger Zeit besonders wichtig und durch Machine Learning einfacher umsetzbar. Big Data spielt hier ebenfalls eine Rolle. Denn in der globalisierten und vernetzten Welt kommen schnell große Mengen an Daten zusammen, mit deren Analyse sich die Maschine wesentlich leichter tut, als wir Menschen. Das trifft beispielsweise im Falle von Risikomanagement zu, da hier viele Faktoren mit einbezogen werden müssen. Beispielsweise kann die Maschine Nachrichten mit in Ihre Analyse aufnehmen, um Risiken in bestimmten Bereichen zu erkennen, welche für den Einkauf relevant sein können.
Fazit
Durch Machine Learning kann der Entwickler es dem Roboter ermöglichen, selber zu lernen, wie er Gegenstände greift oder sich bewegt, wodurch die Programmierung einerseits einfacher wird und andererseits der Roboter nach einiger Zeit des Lernens effizienter arbeiten würde, so wie wir Menschen. Nicht nur hier zählt also “Zeit ist Geld”. Auch Fehler, Fehlkalkulationen oder sonstige Abweichungen verzögern Prozesse und kosten deshalb Geld. Durch die digitale Transformation und den Einzug von Machine Learning ist es aber möglich, solche Fehler und Abweichungen eher zu vermeiden und Prozesse gar zu beschleunigen. Denn Künstliche Intelligenz kann schneller auf Probleme reagieren. Und wie bei allen Vorhaben mit Artificial Intelligence ist die Grundlage, die Bereinigung und Vollständigkeit von Daten. Ist dies gegeben, beschleunigt oder gar automatisiert Machine Learning Prozesse im Unternehmen, weshalb mehr Zeit für z.B. strategische Aufgaben oder Innovationen bleibt.