Optimierung des Supply Chain Managements mittels Künstlicher Intelligenz (KI) und Machine Learning (ML)

Welche Anwendungsfelder für ML-Verfahren gibt es innerhalb des Supply Chain Managements? 

Die Einsatzmöglichkeiten von ML-Verfahren innerhalb des Supply Chain Managements sind facettenreich. In nahezu allen Aufgabenbereichen des SCM lassen sich Anwendungsfälle finden: Beginnend bei der Absatzprognose und dem Hinzuziehen von Umfeldinformationen ist ML ein wichtiger Bestandteil künftigen Arbeitens. Weitere Anwendungsfelder erstrecken sich von der Beschaffung, bspw. über ein ML-basiertes Bestands- und Servicelevelmanagement mit dynamischer Bestandsdisposition, über die Produktion mit Themen wie bspw. der Smart Maintenance, bis in die Distribution von Waren und Gütern, bspw. mit Einsatz in der Tourenplanung.

Die Güte der Bedarfsprognose hat einen maßgeblichen Einfluss auf die Qualität der nachfolgenden Planungsprozesse. Da sowohl interne Daten als auch die möglichen bedarfsbeeinflussenden Faktoren identifiziert und über die Verwendung externer Daten geeignet berücksichtigt werden können, liegt hier ein enormes Potential zur Verbesserung Ihrer Supply Chain gegenüber dem Status Quo mithilfe ML-basierter Verfahren.

Zur möglichst genauen Vorhersage der zukünftigen Bedarfszahlen werden sowohl verschiedene Daten in unterschiedlichen Formen und Strukturen als auch die eigentlichen Prognoseverfahren benötigt. Eben diese bilden das Herzstück der ML-Anwendung und müssen – wie auch die Daten – anwendungsfallspezifisch bestimmt werden. Dabei kann es auch möglich sein, dass in bestimmten Use-Cases konventionelle, statistische und somit nicht-lernende Algorithmen besser geeignet sein können als ML-Verfahren. Es gilt, die individuellen Anforderungen je Anwendungsfall zu prüfen  – es gibt keine Allzweckwaffe!

Die unterschiedlichen Auswirkungen, sei es bei der Verwendung von mehr oder weniger Daten oder beim Einsatz eines ML-Verfahren beziehungsweise eines statistischen Verfahrens, wird im nebenstehenden ML-Demonstrator dargestellt. Wir helfen Ihnen, Ihre Prognosegüte mit State-of-the-Art-Technologien zu verbessern!

Verständnisschaffung für den ML-Einsatz im Unternehmen

• Festlegung individueller Ziele und Anforderungen

Datensichtung

• Sichtung der zur Verfügung stehenden Daten
• Ermittlung möglicher Probleme mit Datenqualität
• Empfehlungen zur Hinzunahme weiterer relevanter Datenquellen

Datenvorbereitung

• Umgang mit fehlenden oder fehlerhaften Daten, Datenkuration
  
• Datenreduktion und Transformation
• Konstruktion des finalen Datensatzes für die Modellierung

Modellierung

• Analyse der Auswirkungen bei Einsatz eines bestimmten Verfahrens
• Auswahl des besten Machine Learning - Verfahrens / Statistik-Verfahrens
• Ermittlung mehrerer Modelle

Evaluation

• Auswahl des für den Anwendungsfall besten Modells

Bereitstellung

• Aufbereitung und Präsentation der Ergebnisse
• Vorschlag zum weiteren Vorgehen

Training/ Schulung

• Training von Mitarbeitenden in der Erfassung und Aufbereitung von Daten sowie der Anwendung von ML-basierten Toolsets für die Bedarfsplanung

Unser ML-Demonstrator

Die prototypische Umsetzung unseres Machine Learning Demonstrators zeigt zum einen die Machbarkeit, zum anderen demonstriert sie die Potentiale und die Notwendigkeit der Datenaufbereitung sowie eine Analyse der bedarfsbeeinflussenden Faktoren. Im folgenden Video können Sie den aktuellen Stand unseres ML-Demonstrators begutachten und Informationen bzgl. unterschiedlicher multivariater Prognoseverfahren sowie ML-Algorithmen und deren Gegenüberstellung anhand realer Daten erhalten.

Unsere Veröffentlichungen

• Konferenzbeitrag: A literature review on machine learning in supply chain management (HICL 2019)
• Konferenzbeitrag: Machine learning in demand planning: cross-industry overview (HICL 2019)
• Konferenzbeitrag: Machine learning and statistics: A study for assessing innovative demand forecasting models. DET 2020 (eingereicht)
• Dissertation: Systematik zur Generierung einer Datengrundlage für den Einsatz von Machine Learning Verfahren im Bereich der Absatzprognose (in Arbeit)
• Masterarbeit: Analyse und Gegenüberstellung konventioneller Prognoseverfahren und Ansätze des maschinellen Lernens zur Beherrschung moderner Marktanforderungen in der Bedarfsplanung (in Arbeit)

Ein Transferprojekt für das Unternehmen Industriereifen Mirgeler GmbH

Der Schwerpunkt des Transferprojektes KI-basierte Assistenz für die Prognose von Handels- und Serviceaufträgen – (KIrA) liegt in der Entwicklung eines Konzepts sowie prototypischen Umsetzung einer ML-basierten Bedarfsprognose von Handels- und Serviceaufträgen beim Unternehmen Industriereifen Mirgeler GmbH. Im Projekt erfolgt eine methodische und technologische Weiterentwicklung der Prognoseprozesse sowie die Demonstration der Anwendbarkeit der Machine Learning-basierten Methodik in Form eines prototpyischen KI-basierten Systems zur Verbesserung der Bedarfsprognose.

Hierzu werden erforderliche Informationen aus den bestehenden IT-Systemen über halbautomatische Schnittstellen an das KI-Modell transferiert sowie Oberflächen zur Definition der Prognoseumfänge und Reports zur Analyse der Berechnungsergebnisse geschaffen. Im System werden ML-Ansätzen aus der Kategorie des Supervised Learnings (Support-Vector-Regression, Neuronale Netze) eine Bedarfsprognose erstellen, welche klassischen Verfahren der Zeitreihenprognose gegenübergestellt werden. Es entsteht eine digitale Entscheidungsassistenz auf Basis neuester technologischer Ansätze.

Das Expertenteam der Abteilung Supply Chain Engineering unter der Leitung von Nikolas Moroff unterstützt Industriereifen Mirgeler GmbH von der Konzeptentwicklung bis zur Operationalisierung und finalen Ablösung des aktuellen Prognoseprozesses.

1.Bauen Sie sich Ihre ML-Experten auf!

Wie bei konventionellen statistischen Verfahren der Bedarfsplanung erfordert die Kalibrierung der ML-Verfahren methodisches Knowhow und ist ein kontinuierlicher Optimierungsprozess. 

2. Prüfen und optimieren Sie Ihre Datenlage!

Damit ein Algorithmus aus Daten valide Erkenntnisse ziehen kann, muss eine kritische Menge an Daten in der richtigen Qualität verfügbar sein. Lassen Sie eine Potentialbewertung durchführen, um zu klären, wie gut Sie diesbezüglich aufgestellt sind. 

3. Entwickeln Sie ein umfassendes Datenverständnis!

Nur wer den Inhalt seiner Daten kennt und versteht, kann dem ML-Algorithmus sinnvolle und vollständige Datensätze bereitstellen - eine zentrale Voraussetzung für den Erfolg dieser Verfahren. 

4. Berücksichtigen Sie die individuellen Anforderungen!

Es gibt keine Allzweck-Methode. Vielmehr muss ein ML-Algorithmus anhand des Anwendungsfalls sinnvoll ausgewählt werden. Zu berücksichtigende Rahmenbedingungen sind hier z.B. das Bedarfsmuster, der erforderliche Prognosehorizont, die verfügbare Datenbasis und der akzeptierte Berechnungsaufwand. 

5. Berücksichtigen Sie den Aufwand der Datenaufbereitung!

Um ML-Ansätze trainieren zu können, müssen die Daten in Bezug auf den Anwendungsfall mit hohem Zeitaufwand aufbereitet werden. Die Erfahrung zeigt, dass deutlich mehr als die Hälfte des Gesamtaufwands in die Datensammlung, Datenbereinigung und -strukturierung, die Bildung von Trainingsdatensets usw. fließt. 

6. Bringen Sie Domänenwissen mit ein!

Um eine ML-basierte Prognose erfolgreich in die Anwendung zu bringen, müssen Fach- und Methodenspezialisten in engem Austausch stehen. Bilden Sie ein ML-Team, um das Wissen Ihrer Vertriebs- und ML-Expertinnen und -Experten zusammenzuführen.

7. Halten Sie Ihr ML-Team auf dem Laufenden!

Um die Leistung der ML-Algorithmen zu verbessern, ist ein intensives Feature Engineering erforderlich. Hierbei werden die Daten so aufbereitet, dass der Algorithmus mögliche Korrelationen zwischen einer Einflussgröße (bspw. Marketingaktion) und der Ergebnisgröße (bspw. Absatzmenge) überhaupt erst erkennen kann. Sorgen Sie daher dafür, dass neue Entwicklungen aus dem Tagesgeschäft in Ihrem ML-Team ankommen! 

8. Trainieren Sie!

Je länger ein Modell trainiert wird, desto genauer kann es die Charakteristika des Datensatzes berücksichtigen. 

9. Nutzen Sie die neuen Möglichkeiten!

Insbesondere für die Bedarfsprognose existieren inzwischen vielfältige ML-basierte Verfahren und Erfahrungswerte. Tauschen Sie sich mit anderen Unternehmen über Ihre Erfahrungen in diesem Bereich aus und binden Sie externe Expertinnen und Experten mit ein. 

10. ML ist kein Selbstzweck: Nutzen Sie das beste Verfahren!

Unternehmen, Kunden und Produkte sind verschieden. Daher ist immer zu analysieren, mit welchen Verfahren sich die besten Prognosegüten erzielen lassen. Manchmal liefern konventionelle statistische Verfahren die besten Lösungen, manchmal Verfahren basierend auf Maschinellem Lernen.