Wie erreicht man Lieferketten-Transparenz?

Durch die Pandemie, Kriegszustände und festsitzende Containerschiffe wird deutlich, wie fragil unsere Lieferketten durch vielzählige Abhängigkeiten geworden sind. Der Weg von der rein menschlichen Intelligenz zu plattformgestützten, intelligenten Systemen zeigt den Weg zu transparenten und gesamtheitlichen Lieferketten auf.

Lieferkette - Modewort oder wertvolles Asset?

In Zeiten von Manufacturing on Demand sind es bereits kleine Schwankungen im Material- und Güterfluss die intransparente Lieferketten ins Wanken bringen. Wie beim Butterfly Effect kann bereits das Fehlen einzelner Montagematerialien, wie Schrauben und Nieten, die Produktion und damit die Lieferkette als Ganzes zum Stillstand bringen. Das Gegensteuern mit Lagerbeständen bringt weitere Kosten und logistische Herausforderungen mit sich.

"Agieren statt reagieren"

Um präventiv agieren zu können und die Lieferketten zu härten, müssen die Informationsflüsse zwischen den Unternehmen nicht nur verbessert, sondern umfangreich neu aufgebaut werden. Denn um die Verfügbarkeit von Vorprodukten, Produkten und Dienstleistungen einschätzen zu können, fehlt es an übergreifender Transparenz. Bestehende Systeme und Ihre Ökosysteme können mit den vorhandenen Mitteln nicht ausreichend integriert werden, um Erkenntnisse aus dem Markt unternehmensübergreifend abzuleiten.

Im Gespräch mit Martin Rieger von der Festo SE & Co. KG aus dem Bereich Global Online Business Development im Herbst 2021, unterstrich dieser: „Es wäre für uns bereits ein Erfolg, Fehler und Unterbrechungen in der Lieferkette vor uns frühzeitig abstrakt ermitteln zu können“.

Organisationen werden zum limitierenden Faktor

Neben den üblichen Projektlaufzeiten von meist mehreren Monaten und den technischen Herausforderungen der notwendigen Schnittstellen kommt eine nicht zu bewältigende organisatorische Herausforderung auf die Unternehmen zu. Notwendige Informationen zu Verzögerungen und Lagerbeständen liegen nicht nur in einem, sondern in mehreren Systemen und nicht nur im eigenen Unternehmen, sondern auf teils mehrere Geschäftsbeziehungen entfernte Unternehmen verteilt, vor. Diese Unternehmen sind gegebenenfalls auch über Staaten und Einflussgebiete verteilt und liegen damit außerhalb des eigenen geschäftlichen Netzwerks und des eigenen Einflussgebiets. Gängige Wege, Daten, auch in großem Umfang (Big Data), zu sammeln, in Data Lakes und Data Warehouses zu organisieren und analytisch auszuwerten, setzen deshalb zu spät an.

Beispiel

Ein Blick auf den ausgelösten Kaskadeneffekt anhand eines Fahrzeugherstellers:

Dieser arbeitet mit ca. 10.000 aktiven Lieferanten aus dem Mittelstand, welche wiederum von 100 Lieferanten und diese jeweils von 10 Lieferanten von Vorprodukten und Materialien beliefert werden. Damit müsste der Konzern die Daten von 10 Millionen Lieferanten einbinden, um die vernetzten Lieferketten im Blick zu haben.
Ein weiteres aktuelles Beispiel ist die stagnierende Chipproduktion, die massive Auswirkungen bei vielen Zulieferern und damit in der gesamten Automobilproduktion hat.

Eine Plattform statt Peer2Peer-Schnittstellen

Die Lösung für ein solches Unterfangen zeichnet sich in Plattformen ab, auf denen solche Informationen über einen koordinierten Datenaustausch fließen und von den Beteiligten Organisationen aktiv und mit wenig Aufwand beigesteuert werden. Die Vorteile gegenüber einzelnen direkten Schnittstellen (Peer to Peer) liegen auf der Hand. Die Anzahl der notwendigen Implementierungen ist schlicht bedeutend geringer. Intelligente Mechanismen erkennen dann Entsprechungen, Muster und Relationen, um die Zusammenhänge sichtbar und auswertbar zu machen.

Die Maschentopologie wird damit zu einer Sterntopologie und die Anzahl der notwendigen Integrationen für die beteiligten Unternehmen massiv gesenkt:

Die Herausforderung beim Aufbau dieses Netzwerks

Im fortschreitenden Cloud-Zeitalter findet ein Umdenken bei der Nutzung von Daten statt. Das Sicherheitsbewusstsein für personenbezogene Daten wächst und gleichzeitig nimmt die Bereitschaft zur gemeinsamen Nutzung betrieblich relevanter Daten zu. Damit wäre die organisatorische Bereitschaft zum Beisteuern der Daten in den Unternehmen durchaus vorhanden.

Für die Auswertung strukturierter Daten existieren Mechanismen auf dem Markt, jedoch treiben Spezifika und Varianz der Daten den Kostenfaktor in die Höhe. Um die Informationen aller Beteiligten auszuwerten wäre in gängigen Systemen ein manuelles Eingreifen und Interpretieren der Daten vonnöten.

Beispiel

Ein bestimmter Kunde hat bei Bestellungen an den stets gleichen Stellen Fehler in den Daten, bestellt z.B. bestellt das System stets einen „Zylinder “ statt eines „Normzylinders“. An dieser Stelle setzt meist die Sachbearbeitung an, korrigiert diese Daten und sorgt damit manuell für einen funktionierenden Ablauf.

Der Mensch übernimmt also die Informations-Transformation (Daten-Transformation) in diesem Prozess. Mit der wachsenden Anzahl von Produkten und dem starken Druck eines komplexen Marktes ist der Mensch ein limitierender Faktor in mehrerlei Hinsicht: Die Tätigkeit ist vor allem für die junge Generationen nicht interessant, manuelle Tätigkeit ist fehleranfällig und die Skalierbarkeit ist sehr eingeschränkt. Um also diese Daten und Datenverwerfungen effizient auswerten zu können, muss eine maschinelle Intelligenz diese automatisiert erfassen, semantisch interpretieren, Muster erkennen und auszulegen wissen.

Ziel ist es, nicht nur die Informationsverarbeitung weiter kontinuierlich zu automatisieren, sondern ähnlich einer Wettervorhersage den Interpretationsgehalt und das semantische Verständnis zu steigern. Auch diese Interpretationen können durch vorbereitete Mechanismen bereits als Ableitungen ermittelt werden und auf dieser Basis Datenroutings, Zusammenhänge und auch vollständige Konfigurationen zur Anreicherung der Daten ermittelt werden. Zum Einsatz kommen hier Elemente aus der Ontologie und des Machine Learning.

Wunsch ist es, von einer reaktiven zu einer präventiven Handlungsfähigkeit überzugehen, sodass frühzeitig auf dynamische Veränderung eingegangen werden kann.

Vom Mensch zur Maschine

Um die Erkenntnisse der beschriebenen Vorgehensweise zusammenzufassen:

  1. Die Integration vieler Geschäftspartner wird abgelöst durch die Integration in eine zentrale und unabhängige Plattform
  2. Der organisatorische Aufwand zur Abstimmung mit allen Geschäftspartnern einer Lieferkette entfällt
  3. Der Mensch als Korrekturinstanz entfällt und wird bei der Interpretation der Daten maximal unterstützt.

Dieser Übergang vom Menschen zur Maschine lässt sich in 5 Stufen, bzw. Reifegrade unterteilen:

Klassische EDI-Anbieter und andere Integratoren bauen Ihre Lösungen programmatisch und üblicherweise teilautomatisiert auf. Ganz im Sinne des kurzfristigen Erfolgs werden Schnittstellen fix verdrahtet und in manchen Fällen sogar per RPA (Robotic Process Automation) Prozessausführungen ausgelöst und abgebildet. Diese Schnittstellen werden von Menschen überwacht, administriert und programmiert. Auch bei der kleinsten Änderung der Mappings, der Strukturen oder der Daten müssen die Schnittstellen wegen der statischen Implementierung angepasst werden.

Solch dynamische Veränderungen werden in Stufe 3 durch das System gelöst und nur beim Erreichen der Leistungsgrenze werden Mitarbeiter aktiv benachrichtigt, um Korrekturen vorzunehmen. Dynamiken im Informationsfluss werden damit abgefangen und die Skalierbarkeit wird massiv erhöht. So wird die Voraussetzung geschaffen, die Lieferketten übergreifend zu interpretieren und Abhängigkeiten abzuleiten. In Stufe 4 und 5 fällt der Faktor Mensch komplett weg und das System agiert voll-automatisch und zuletzt autonom.

Revolution statt Evolution

Die Schallmauer wird durchbrochen, wenn Systeme Daten semantisch zu interpretieren wissen, die Informationen intelligent korrigieren und ergänzen und damit manuelle Aufwände in Sachbearbeitung und interner IT-Abteilung erst reduziert und mit der Zeit eliminiert werden.

Die größten Herausforderungen sind dabei die Varianzen in den Dateninhalten und Strukturen.

Die Erkenntnis ist, dass wir die die Situation auf den Weltmärkten nicht beeinflussen können und mit der aktuellen Zeitenwende ein Zustand der neuen Normalität von chaotischen Lieferketten eingeleitet wurde. Vielmehr ist es unsere Aufgabe die Lieferketten widerstandsfähig zu machen. Der erste, wichtige Schritt dazu ist die Transparenz über alle Zustände und Informationen entlang der Lieferkette.

NEUGIERIG GEWORDEN? Erfahren Sie mehr im persönlichen Austausch mit Philipp Futterknecht zur Lieferketten-Transparenz und den heutigen Möglichkeiten des Transformers. Sprechen Sie uns hierzu gerne an.

#nextlevelEDI #hftransformer #lieferkette #butterflyeffect #supplychain

Aus datenschutzrechlichen Gründen benötigt YouTube Ihre Einwilligung um geladen zu werden. Mehr Informationen finden Sie unter Datenschutzerklärung.
Akzeptieren

Ist Lieferkette nur ein Modewort? Ist Manufacturing on Demand noch sinnvoll?

Das sind Fragen, die sich stellen, wenn man den Artikel zum Butterfly Effect in Lieferketten liest. CEO Tobias Hertfelder zeigt in diesem Video in einer kurzen Q&A Session seine Sicht der Dinge.

Autor

Philipp Futterknecht

Philipp Futterknecht ist Mitgründer und CTO der H&F Solutions. Über die Jahre konnte er weitreichendes Wissen und Erfahrung zu Themen wie Vernetzungstechnologien für Industrieunternehmen, AI und unternehmensübergreifenden Belegaustausch sammeln.