Unternehmen sind gegenwärtig mit einer Häufung von Risikoereignissen konfrontiert, die unmittelbaren oder mittelbaren Einfluss auf Beschaffung, Produktion und Liefersicherheit haben. Die meisten dieser Vorkommnisse entziehen sich der direkten Einflussnahme – dennoch gibt es Wege, Risiken zu identifizieren, Prozesse anzupassen und Systeme zu optimieren. Die Grundlage dafür bilden Supply Chain Analytics: die gezielte Auswertung des Datenstroms, der die Waren entlang der Lieferkette begleitet.
Lieferkettenanalyse: Daten als Basis der Transparenz
Tracking-Systeme, Steuerungssoftware, ERP-Silos, die Cloud, Enterprise Asset Management (EAM) und zunehmend auch neue Technologien wie das Internet der Dinge: All diese Quellen liefern von der Order über die Herstellung bis zur Auslieferung eines Produkts eine Vielzahl an strukturiertem und unstrukturiertem Datenmaterial – dank künstlicher Intelligenz mittlerweile in Echtzeit und über die gesamte Lieferkette hinweg.
Aber erst die gezielte Analyse verknüpft die konsolidierten Daten zu transparenten Informationen, die Rückschlüsse zulassen und Ableitungen für die Zukunft ermöglichen. Auf Grundlage der Analyseergebnisse können Kennzahlen und Ereignisse in der Lieferkette vorausgesagt und Supply Chain-Prozesse vorausschauender geplant und gesteuert werden.
Anwendung und Nutzen von Supply Chain Analytics
Die Ergebnisse ermöglichen zum Beispiel eine datenbasierte Bestandsplanung durch den genaueren Forecast künftiger Bestellmengen. Auch Risiken wie Lieferengpässe werden rechtzeitig sichtbar und lassen sich durch unverzügliches Ausweichen auf alternative Supplyer gezielt aussteuern. Eine bedeutende Funktion ist zudem die Identifikation von Cyber Security-Lücken. Wie das 16. Hermes-Barometer zeigt, bewertet die Mehrheit der Logistikverantwortlichen deutscher Unternehmen die Gefahren unausgereifter IT- und Datensicherheit als sehr hoch. Bei neuen Anforderungen wie dem CO2-Tracking der gesamten Supply Chain schaffen präzise Analysen und kontinuierliches Monitoring eine solide Grundlage für messbare Optimierung.
Supply Chain Analytics liefern die zuverlässigsten Ergebnisse, wenn alle Akteure der physischen Lieferkette über smarte Tools und die IT-Infrastruktur eng miteinander verknüpft sind. Je umfangreicher und qualitativ hochwertiger das Datenmaterial, desto präziser sind die darauf basierenden Analysen. Durch konstruktive Kollaboration lassen sich Risiken gemeinschaftlich senken, so dass jedes Unternehmen in der Lieferkette profitiert. Das gilt für Lieferengpässe genauso wie für die neuen Anforderungen des Lieferkettensorgfaltspflichtengesetzes, das künftig nicht nur Großunternehmen, sondern indirekt auch kleineren Zulieferern erhöhte Transparenz abverlangen wird.
Welche Arten von Supply Chain Analytics gibt es?
Die theoretische Grundlage von Supply Chain Analytics liefert das Gartner Analytics-Modell. Es beschreibt vier Arten der Analyse, die aufeinander aufbauen und die Bewertung vergangener Ergebnisse zur Optimierung zukünftiger Prozesse nutzen:
- Descriptive Analytics: Die beschreibende Analyse basiert auf der Auswertung „historischer“ Daten. Sie sorgt für ein grundlegendes Verständnis der bisherigen Vorgänge und Prozesse.
- Predictive Analytics: Die Vorhersageanalyse prognostiziert und antizipiert zukünftige Verläufe auf Grundlage historischer und aktueller Daten. Auf diese Art können Risiken rechtzeitig erkannt werden.
- Diagnostic Analytics: Die diagnostische Analyse hat ein tiefgehendes Verständnis von Aus- und Wechselwirkungen innerhalb eines Systems zum Ziel. Sie identifiziert Muster und deren Folgen – zum Beispiel die Ursachen für wieder auftretende Engpässe im Bestandsmanagement.
- Prescriptive Analytics: Die „ableitende“ Analyse simuliert Prozesse und deren Ergebnisse, zum Beispiel mit einem „Digitalen Zwilling“. Aus den Ergebnissen des digitalen Modells können Optimierungspotenziale für die physische Lieferkette abgeleitet und Prozesse automatisiert werden. Möglich wird das durch modernste Technologien wie Machine Learning oder Deep Learning.
Lieferkettenmonitoring anhand von Datenanalysen: Methoden und Technologien
Professionelle Technologien zur Auswertung komplexer Vorgänge in der Supply Chain bündeln verschiedene Arten der Analyse: Sie führen die Daten bereits abgeschlossener Prozesse zusammen, diagnostizieren Ereignisse und leiten daraus Vorhersagen über potenzielle Verläufe in der Zukunft ab.
Aktuell existieren auf dem Markt verschiedene Supply-Chain-Analyse-Technologien: So stellen bereits die meisten ERP-Anbieter Analysefunktionen für das Lieferkettenmanagement bereit. Auch die Hersteller spezialisierter SCM-Anwendungen integrieren oft standartmäßig Funktionen für gezieltes Lieferkettenmonitoring. Die Analysesoftware wird zum Beispiel in eine Supply Chain-Suite oder ein Business Intelligence-Tool eingebettet, das auf die Daten aus der Lieferkette zugreift. Zusätzlich existieren auf dem Markt adaptive Softwaremodelle, welche an die individuellen Bedarfe des Unternehmens angepasst und in die Geschäftsprozesse integriert werden können.
Welche Technologien und Methoden geeignet sind, hängt stark von den bereits bestehenden IT-Strukturen, den Zielen der Analyse und des Monitorings sowie dem Kooperationsgrad im Liefernetzwerk ab. Die zielgenaue Verknüpfung der Datenquellen ist bei der Implementierung entscheidend.
Oftmals profitieren besonders kleine und mittelständische Unternehmen (KMU) von der Kooperation mit einem erfahrenen Logistikdienstleister, der bereits Monitoring- und Risk Management-Lösungen in sein Angebot integriert hat und im Idealfall Risiko- und Transportdaten miteinander verknüpfen kann. Je nach vereinbartem Leistungsumfang und Transportvertrag gewährt der Logistikdienstleister zum Beispiel Zugriff auf eine SCM Plattform, mithilfe derer KMUs die eigene Lieferkette überwachen können. Eine zusätzliche Verbindung mit Reporting Tools und Risk Management-Software gewährt umfassende Transparenz und vielfältige Steuerungsmöglichkeiten. Für KMU sind dabei besonders Cloud-Lösungen komfortable, sichere und kosteneffiziente Modelle.
Supply Chain Analytics Technologien umfassen z.B. folgende Funktionen:
- Datenvisualisierung: Die Visualisierung von Informationen und Daten, zum Beispiel anhand von Diagrammen
- Stream-Verarbeitung: Ableitung von Erkenntnissen aus konsolidierten Datenströmen, die aus verschiedenen Anwendungen und Quellen zusammenfließen
- Process Mining: Rekonstruktion und Analyse von Prozessen anhand von Daten
- Graphdatenbanken: Darstellung und Speicherung stark vernetzter Informationen anhand von Graphen
- Natural Language Processing (NLP)/ Text Mining: Identifizieren, Organisieren und Bewerten unstrukturierter Daten aus Dokumenten, Nachrichtenquellen und (sozialen) Medien anhand KI-gesteuerter Textanalyse
Lieferkettenanalyse als wirksame Methode im Risikomanagement
Die Grundlage eines effizienten und wirksamen Risikomanagements sind präzise Analysen. Supply Chain Risk Management Software setzt dabei auf die Auswertung vorhandener Daten, Vorhersage, Diagnose und Ableitungen für die Zukunft. Dabei kommen zum Beispiel Machine Learning und Text Mining-Verfahren zum Einsatz: Künstliche Intelligenz filtert und bewertet in Echtzeit Informationen aus tausenden Informationsquellen und gibt Alerts aus, sobald im Umfeld des eigenen Geschäftsfeldes oder bei Zulieferern Störungen identifiziert werden. So sind im Falle von Risikoereignissen – von Unwettern über politische Unruhen bis zu Compliance-Verstößen – zeitnahe Reaktionen möglich. Supply Chain Analytics, integriert in entsprechende digitale Tools, kann so innerhalb des Risikomanagements einen wertvollen Beitrag zur Gefahrenabwehr leisten sowie Unternehmen und ihre Lieferketten vor Schaden bewahren.
Sie möchten mehr zum Supply Chain Risk Management auf Basis von Datenanalyse und Monitoring erfahren? Hier geht es zu unserem Webinar.