Bestandsmanagement Mit Machine Learning Millionen sparen

Autor / Redakteur: Alexander Jatscha / Gary Huck

Welche Konsequenzen es nach sich ziehen kann, wenn Warenströme unberechenbar werden, haben wir in der Coronakrise oft gesehen. Transparenz ist hier das Stichwort. Da Supply Chains komplex und vielschichtig sind, kann der Mensch alleine diese Transparenz nicht garantieren. Lernende Maschinen sind dafür besser geeignet.

Firmen zum Thema

Wenn der Datenfluss zu groß ist, um vom Menschen bewältigt zu werden, kann die KI helfen.
Wenn der Datenfluss zu groß ist, um vom Menschen bewältigt zu werden, kann die KI helfen.
(Bild: ©Feodora - stock.adobe.com)

Das sogenannte „Emergency Buying“ beschreibt den Prozess, bei dem der Einkauf kurzfristig Ware teuer zukaufen muss, um drohende Lieferunfähigkeit zu vermeiden, zum Beispiel weil die beim Lieferanten bestellte Ware nicht pünktlich geliefert wurde. Da Verfügbarkeit in vielen Branchen oberstes Gebot ist, lassen sich Unternehmen für solche Notbestellungen nicht selten auf jährliche Zusatzkosten in Millionenhöhe ein. Der Aachener Optimierungsspezialist Inform will mit Machine Learning (ML), implementiert in seine Software, diese Kosten in Unternehmen um bis zu 50 Prozent reduzieren.

„Wir haben die Datenhistorie vieler Unternehmen analysiert und den bestätigten Liefertermin vom Lieferanten mit dem tatsächlichen Anlieferdatum verglichen. Das Ergebnis ist ernüchternd“, berichtet Dr. Marco Schmitz, der im Team „News Solutions“ bei Inform an der Entwicklung innovativer Softwarelösungen mitwirkt. Laut Schmitz wurde der Termin in zwei Dritteln der Fälle nicht eingehalten. Gründe gebe es viele: Einige Verzögerungen entstünden bereits in der Produktionsplanung beim Lieferanten.

Weil die KI Liefertermine teilweise präziser vorhersagen kann als der Lieferant, sind weniger Zukäufe nötig, um den Bestand sicherzustellen.
Weil die KI Liefertermine teilweise präziser vorhersagen kann als der Lieferant, sind weniger Zukäufe nötig, um den Bestand sicherzustellen.
(Bild: Inform)

Erstaunlich ist das Ergebnis erster Hochrechnungen. Sie zeigen, dass ein Artikel mit einer Wiederbeschaffungszeit (WBZ) von zehn Wochen und einer Streuung von plus/minus einer Woche den gleichen Sicherheitsbestand benötigt, wie eine absolut sichere WBZ mit einer Länge von 55 Wochen. Die Verringerung der Streuung hat also großen Einfluss auf Planungssicherheit, Lieferverfügbarkeit und Gesamtkosten – ein häufig unterschätzter Faktor.

Ein Algorithmus reduziert die Unsicherheit

Hoffnung auf Abhilfe liefert nun ein neues Verfahren. In ersten Studien konnte ein neuer ML-Algorithmus die Abweichung des Liefertermins von 25 Tagen auf 12 Tage reduzieren. „Das schmälert die Unsicherheit und das Risiko so stark, dass deutlich weniger Kurzfristbestellungen nötig sind“, sagt Schmitz. Auch in konservativeren Rechnungen wird das enorme Einsparpotenzial deutlich: „Nehmen wir an, der Algorithmus reduziert in einem Unternehmen die Kosten für Zukäufe, die jährlich bei 10 Millionen Euro liegen, nur um 20 Prozent. Unter der Annahme, dass Zukäufe doppelt so teuer sind wie die normale Beschaffung, entspricht die Einsparung durch ML dann bereits 1 Millionen Euro jedes Jahr.“

Der Algorithmus analysiert bei diesem Verfahren historische Daten wie das Bestelldatum und den Wareneingang. Oder saisonale Daten, zum Beispiel kurzfristige Lieferungen vor Weihnachten. Außerdem fließen Eigenschaften des Lieferanten, wie die Unternehmensgröße und die Anzahl der Kraftfahrzeuge, sowie auftragsbezogene Daten, etwa die Bestellmenge und -frequenz, in die Analyse ein. Bestellt der Händler beispielsweise mehrere kleine Mengen verschiedener Produkte, könnte eine Verzögerung dadurch entstehen, dass der Lieferant die Bestellpositionen zusammenfasst, um Transportkapazitäten bestmöglich auszuschöpfen. „Die Summe an möglichen Gründen für Verspätungen macht eine Optimierung für den Einkäufer zur beinahe unmöglichen Aufgabe. Für schnelle Ergebnisse braucht es die Unterstützung durch Machine Learning“, erklärt Schmitz.

Neben der Kostenersparnis ergeben sich durch das Prognoseverfahren weitere Vorteile:

  • mehr Planungsgenauigkeit durch verlässliche Information;
  • schnellere Reaktionsfähigkeit;
  • weniger Sicherheits- und Überbestände durch die Vermeidung von zu späten oder zu frühen Lieferungen und Zukäufen;
  • Erhöhung des Free-Cashflows durch Bestandsreduzierung;
  • bessere Verfügbarkeit, da Stock-outs reduziert werden.

Darüber hinaus könne der Algorithmus auch beim Ausschreibungsverfahren genutzt werden, berichtet Schmitz: „Werden Angebote verschiedener Lieferanten eingeholt, kann die ML-Prognose aufdecken, wie verlässlich die Angaben des Lieferanten zum Liefertermin im Angebot auf Basis seiner vergangenen Leistung ist. So lässt sich die Anbieterauswahl verbessern.“

Transparenz hat durch Coronakrise an Relevanz gewonnen

Durch die Coronakrise ist die Relevanz transparenter Lieferketten für 47 Prozent der Logistikentscheider gestiegen. Das ergab eine Umfrage mit 200 Teilnehmern in der 13. Ausgabe des Hermes-Logistikbarometers.

Lieferverzögerungen können überall auftreten. Zum Beispiel beim Be- und Entladen. Je mehr mögliche Problembereiche mit in die Lieferzeitprognose einfließen, desto besser.
Lieferverzögerungen können überall auftreten. Zum Beispiel beim Be- und Entladen. Je mehr mögliche Problembereiche mit in die Lieferzeitprognose einfließen, desto besser.
(Bild: GettyImages)

Doch globale Vernetzung fällt laut Schmitz oft schwer. Vor allem wenn eine Beschaffung in Asien stattfinde, fehle meist eine gute technische Vernetzung. Aber auch kulturelle Verschiedenheiten, die Zeitzonen und der wirtschaftliche Leistungsdruck in vielen asiatischen Ländern erschweren eine zuverlässige und gut planbare Kette. „Wer schnell bessere Ergebnisse erzielen will, sollte sich nicht nur auf mündliche Zusagen oder Erfahrungswerte verlassen, sondern intelligente Software zurate ziehen“, meint Schmitz. ■

* Alexander Jatscha ist Corporate Communications Manager bei Inform in 52076 Aachen, Tel. (01 51) 17 15 95 05, alexander.jatscha@inform-software.com

(ID:46999300)