Würden Sie Ihre Inventarentscheidungen von einer AI treffen lassen?

Man schätzt, dass wir jeden Tag 35.000 Entscheidungen treffen¹. Einige dieser Entscheidungen sind bereits automatisiert, z. B. das Ablegen verdächtiger E-Mails in Ihrem Spam-Postfach oder das Auslösen von Rauchmeldern bei Bränden; bei anderen, wie selbstfahrenden Autos, könnte es noch einige Jahre dauern, bis wir ihnen vollständig vertrauen.

Auch in der Lieferkette stellt sich die brennende Frage, inwieweit man der Technologie vertrauen kann, wenn es um die "letzte Meile" geht, also die letzte Entscheidung, die durch künstliche Intelligenz vollständig automatisiert wird. Maschinelles Lernen, ein Teilbereich der KI, ist heute ein weit verbreitetes Feld im Supply Chain Management. Typische Anwendungsfälle sind die Vorhersage der zukünftigen Nachfrage, die Kundensegmentierung oder die Erkennung von Anomalien. Diese Probleme werden in der Regel mit Regressions- oder Klassifizierungsalgorithmen gelöst, bei denen zum Beispiel Gradient-Boosting-Algorithmen glänzen².

Aber wie sieht es aus, wenn Sie sequenzielle Entscheidungen in der Lieferkette automatisieren wollen? Es gibt viele großartige Beispiele für automatisierte Entscheidungen, bei denen die KI den Menschen übertrifft, z. B. beim Schachspielen, bei der Bilderkennung oder beim Lippenlesen. Aber im Supply Chain Management hat das menschliche Urteilsvermögen oft Vorrang vor systemgenerierten Empfehlungen. Ein Mangel an sauberen und großen Daten, fehlende funktionsübergreifende Abhängigkeiten im Modellaufbau und geringes Vertrauen in Black-Box-Algorithmen sind nur einige Gründe dafür³.

Die meisten Entscheidungen in der Lieferkette sind geschäftskritische Entscheidungen. Daher ist es entscheidend, den richtigen Ansatz für digitalisierte Entscheidungen zu finden, der zur Unternehmenskultur, zu den Daten und zum Entscheidungsprozess passt.

Finden Sie das richtige Maß an Technologie für Ihre Entscheidungen

Entscheidungssysteme können von der Entscheidungsunterstützung bis hin zu vollautomatischen Entscheidungssystemen reichen. Gartner hat kürzlich eine nützliche Klassifizierung vorgeschlagen, in dem KI und Analytik im Entscheidungsprozess eingesetzt werden, und drei Typen definiert. Decision Support, Decision Augmentation und Decision Automation.

• Decision Automation, also die Automatisierung der Entscheidung. Das System trifft die Entscheidung mit Hilfe von präskriptiver oder prädiktiver Analytik. Zu den Vorteilen gehören Schnelligkeit, Skalierbarkeit und Konsistenz der Entscheidungen.
• Decision Augmentation, also die Entscheidungserweiterung. Das System empfiehlt den menschlichen Akteuren eine Entscheidung oder mehrere Entscheidungsalternativen unter Verwendung präskriptiver oder prädiktiver Analysen. Die Vorteile liegen in der Synergie zwischen menschlichem Wissen und der Fähigkeit der KI, große Datenmengen schnell zu analysieren und mit Komplexität umzugehen.
• Decision Support, also die Entscheidungsunterstützung. Menschliche Mitarbeiter treffen Entscheidungen, die durch deskriptive, diagnostische oder prädiktive Analysen unterstützt werden. Der Hauptnutzen liegt in der kombinierten Anwendung von datengesteuerten Erkenntnissen und menschlichem Wissen, Fachkenntnissen und gesundem Menschenverstand, einschließlich "Bauchgefühl" und Emotionen.
  
  

Ein Beispiel für eine automatisierte Supply-Chain-Entscheidung kann die intelligente Priorisierung von Kundenaufträgen in Zuordnungssituationen sein.

Ein Beispiel für eine Entscheidungserweiterung kann die Erstellung von Lieferkettenplänen sein, einschließlich Szenario-Simulationen.

Ein Beispiel für die Entscheidungsunterstützung im Supply Chain Management ist die Identifizierung hoher Ausfallraten bei Ersatzteilen in einer Stückliste, für die Expertenwissen in Bezug auf die Lieferfähigkeit und das Ausfallrisiko erforderlich ist.

Bewertung von Entscheidungen in der Lieferkette

Um auszuwählen, welche Entscheidungen in der Lieferkette unterstützt, ergänzt oder automatisiert werden sollen, können typische Entscheidungen in der Lieferkette anhand von zwei Kriterien bewertet werden: Häufigkeit und Komplexität der Entscheidung.

Die Häufigkeit ist definiert als das Zeitintervall zwischen zwei Entscheidungen - je höher die Häufigkeit, desto dringlicher ist die Automatisierung des Prozesses. Ein gutes Beispiel hierfür ist die Erkennung von Datenanomalien bei täglichen Datenimporten. Auf der anderen Seite ist die Budgetierung der Lieferkette eine jährliche oder maximal vierteljährliche Aufgabe, bei der sich intensive Automatisierungsbemühungen möglicherweise nicht lohnen.

Die Komplexität kann mit dem Cynefin-Rahmen definiert werden. Wir könnten die Entscheidungen klassifizieren als:

• Einfach, d. h. sie lassen sich auf eine klare Ursache-Wirkungs-Beziehung zurückführen, mit begrenztem Lösungsraum, Einschränkungen und Ursachen und Wirkungen
• Komplizierte Entscheidungen, die Fachwissen oder Analysen erfordern, um Ursache und Wirkung zu ermitteln,
• komplex, d.h. mit vielfältigen Beziehungen und Abhängigkeiten,
• Chaotisch, mit unbekannten Ursachen und Wirkungen, mit unklaren oder dynamischen Abhängigkeiten.
  
  

Einige Entscheidungsprozesse in der Lieferkette sind in der nachstehenden Grafik dargestellt.

Andere Aspekte wie Datenqualität und -verfügbarkeit, Zeit für die Entscheidungsfindung und Auswirkungen auf das Geschäft müssen bei der Bewertung ebenfalls eine Rolle spielen. Diese Überlegungen sollten untersucht werden, bevor Initiativen zur Digitalisierung der Lieferkette gestartet werden.

Kommen wir nun zu den konkreten Entscheidungen und zurück zu unserer Ausgangsfrage: Würden Sie KI Ihre Nachschubentscheidungen treffen lassen?

KI für Nachschubentscheidungen

Die Bestellung der richtigen Menge an Rohstoffen oder Produkten zur richtigen Zeit und am richtigen Ort hat eine lange Geschichte in der Welt der Supply-Chain-Software. Die ersten Materialbedarfspläne wurden bereits in den 1960er Jahren von Computern unterstützt. Sie haben sich im Laufe der Zeit weiterentwickelt, und es sind neue Konzepte wie MRP2, Advanced-Planning-Systeme und Demand Driven MRP entstanden. Es gibt also schon lange Systeme zur Entscheidungsunterstützung bei Bestandsentscheidungen. Um jedoch den Nachschub von Rohstoffen oder Fertigerzeugnissen vollständig zu automatisieren, müssen viele Beschränkungen, Vorhersagen und Ziele berücksichtigt werden.

• Randbedingungen wie die Haltbarkeit eines Produkts, die aktuellen Rohstoffpreise oder die Lagerkapazitäten.
• Zukunftsszenarien wie die Produktprognose, die erwarteten Vorlaufzeiten der Lieferanten oder die künftigen Verkaufspreise müssen in den Entscheidungsprozess einbezogen werden.
• Auch die Unternehmensziele können je nach Produkt variieren - Optimierung der Produktverfügbarkeit, Senkung der Lagerhaltungs- und Logistikkosten, Reduzierung der CO2-Emissionen pro Bestellung oder alle Ziele zusammen mit einem Total-Cost-of-Ownership-Ansatz.
  
  

Aus diesem Grund sind klassische ERP-Systeme oder APS nicht in der Lage, diese Bestandsentscheidungen durch intelligente Empfehlungen zu ergänzen und manuelle Analysen sind erforderlich, um die Bestandsziele zu erreichen. Auch sogenannte Supervised (überwachte) Machine-Learning-Modelle haben einige Nachteile, wenn es um sequenzielle Entscheidungen geht. Sie verletzen die Kausalität und benötigen eine Menge sauberer Daten als Ausgangspunkt oder können in Szenarien mit längerem Planungshorizont keine Vorhersagen und Entscheidungen für mehrere Zeitperioden treffen.

Auf der anderen Seite hat Reinforcement Learning diese Hindernisse überwunden und vielversprechende Ergebnisse bei der Automatisierung menschlicher Entscheidungen im großen Maßstab in anderen Bereichen gezeigt. Zum Beispiel Robo-Advisors für Investitionsentscheidungen, Chatbots oder Nachrichtenempfehlungen. RL hält nun auch Einzug in den Bereich der Optimierung und Automatisierung von Lieferketten.

Reinforcement Learning ist ein Bereich des maschinellen Lernens, der sich auf sequenzielle Entscheidungen konzentriert. Es bestimmt, wie Aktionen in einer Umgebung ausgeführt werden müssen, um eine bestimmte Belohnung zu maximieren. Bei der Bestandsoptimierung kann eine einfache Aktion die Bestellung bis zu einem bestimmten Lagerbestand sein, aber auch die Einleitung von Sales-Aktionen zur Verringerung des Lagerbestands oder zur Beschleunigung des Wareneingangs kann eine vordefinierte Aktion sein. Mit anderen Worten, die RL-Algorithmen sagen Ihnen, was zu tun ist (z. B. Produkte bestellen), um Ihre Geschäftsziele (z. B. Umsatzverluste verringern) in einer bestimmten Situation zu optimieren. Die Situation wird durch Zustände Ihrer Umgebung (z. B. Lager oder Produkt) und Sensoren (z. B. zukünftige Nachfrage, zukünftige Lagerbestände oder Wiederbeschaffungszeiten) definiert.

Bei der Erstellung eines RL-Modells müssen Branchen- oder sogar Unternehmensspezifika berücksichtigt werden, wie z. B. Einschränkungen der Haltbarkeitsdauer in der Lebensmittel- und Getränkeindustrie oder Schwankungen der Rohstoffpreise im Metallhandel. Daher ist bei der Umsetzung ein hohes Maß an Fachwissen erforderlich. Ein weiterer Aspekt ist die Validierung der Ergebnisse. Auffüllungsentscheidungen werden wöchentlich oder sogar täglich getroffen. Daher ist die Einrichtung einer Simulationsumgebung von entscheidender Bedeutung, um die Entscheidungspolitik regelmäßig in einer geschlossenen Simulationsumgebung zu validieren und langwierige und teure Validierungszyklen mit realen Daten zu vermeiden.

Der Ansatz von numi für geschäftskritische Supply-Chain-Entscheidungen, wie z. B. die Nachschubentscheidung, besteht darin, dass Supply Chains am besten funktionieren, wenn Mensch und Technologie sich gegenseitig ergänzen. Daher empfiehlt numi eine bestimmte Aktion, welche von einem Experten überprüft werden muss, bevor die Entscheidung in die Ausführungssysteme übertragen wird. Daher stellen wir alle relevanten Erkenntnisse und Simulationen zur Verfügung, welche durch das Expertenwissen der Anwender angereichter wird, um fundierte Entscheidungen zu treffen.

Wenn Sie mehr über unsere Lösung erfahren möchten, vereinbaren Sie gerne eine Demo.

Quellen:

1. http://science.unctv.org/content/reportersblog/choices
2. https://www.kaggle.com/kashnitsky/topic-10-gradient-boosting
3. https://www.supplychainbrain.com/blogs/1-think-tank/post/30051-six-barriers-to-getting-results-with-ai-in-supply-chain-management
4. https://www.gartner.com/smarterwithgartner/would-you-let-artificial-intelligence-make-your-pay-decisions