Newsletter 4/2021: Data Analytics in der Supply Chain

Mit Hilfe von Data Analytics können immer mehr Anwendungen in der Supply Chain optimiert werden, beispielsweise im Netzwerkmanagement, bei der Kennzahlenermittlung, der Vorhersage von Kundenbedarfen, notwendigen Lagerbeständen oder kritischen Ereignissen, wie z. B. Verspätungen. Gerade in der Prognose stecken große Potenziale; vor allem, wenn die richtigen Verfahren intelligent kombiniert werden.

Die Analytics-Expertinnen und -Experten unserer Arbeitsgruppe für Supply Chain Services des Fraunhofer IIS forschen in unterschiedlichen Projekten an der bestmöglichen Verknüpfung von Prognose- und Optimierungsmethoden, sodass z. B. Tourenplanungen, logistische Prozesse und Ersatzteilbedarfe besser vorhergesagt werden können und somit effiziente Entscheidungen getroffen werden können. Eine Auswahl unseres umfangreichen Spektrums an Leistungen und Forschungsarbeiten in diesem Kontext stellen wir Ihnen im Folgenden vor. Vielleicht finden Sie mögliche Ansätze für Ihre Fragestellungen und Bedarfe?

Dann melden Sie sich bei uns – in diesem Sinne wünschen wir Ihnen eine erkenntnisreiche Lektüre!

Das Forschungsgebiet Data Analytics im Supply Chain Management erfährt eine wachsende Aufmerksamkeit. In den letzten Jahren erfassen die Unternehmen in diesen Lieferketten immer durchgängiger die relevanten Prozessdaten, und der verfügbaren Rechenleistung sind kaum noch Grenzen gesetzt. Eine Vision wird also langsam Wirklichkeit: Immer mehr Entscheidungen entlang der Lieferkette können (teil-) automatisiert auf Basis von Daten solide getroffen werden. Dabei helfen Analytics-Methoden. Unser neues White Paper gibt eine Übersicht über die gängigen Methoden und betrachtet ihre Anwendungsfälle im Supply Chain Management. In Beispielen aus der Praxis wird der Stand der Technik erläutert und ein Ausblick auf künftige Forschungs- und Entwicklungsfelder entlang der Wertschöpfungsketten gegeben. Bei den Methoden und ihrer Anwendungen im Supply Chain Management wird unter Machine Learning und mathematischer Optimierung unterschieden. Die Publikation steht Ihnen zum kostenfreien Download zur Verfügung.

Einige der im White Paper aufgeführten Praxisbeispiele und Forschungsprojekte stellen wir Ihnen zudem im Folgenden näher vor.

Die BSH Hausgeräte GmbH in Fürth ist einer der größten Hausgerätehersteller in Europa. Durch die Zusammenarbeit mit Experten und Expertinnen unserer Arbeitsgruppe für Supply Chain Services und des ADA Lovelace Centers for Analytics, Data and Applications in Nürnberg wollte BSH Kosten reduzieren, die durch die Lagerung von Ersatzteilen entstehen. Dafür wurde auf Basis von Methoden des Maschinellen Lernens ein Langzeitprognose-Tool für den Allzeitbedarf der Ersatzteile entwickelt. Dank der KI-Methode kann das Unternehmen heute Lagerräume besser nutzen, Über- und Unterdeckung reduzieren und Verschrottungskosten minimieren. Das entwickelte Tool wird nun zur Unterstützung von Disponenten weltweit eingesetzt.

Zum Projekt

Unsere umfangreiche Expertise im Kontext der genaueren Bedarfsplanung für die Langzeitbevorratung von Ersatzteilen mit Maschinellem Lernen können auch Sie nutzen. Die Methodik sowie den unternehmerischen Aufwand und vor allem Nutzen stellen wir Ihnen hier vor.  Kommen Sie auf uns zu, falls Sie Fragen oder Interesse an unserer Unterstützung haben.

Zur Leistung

Prof. Dr.-Ing. Philipp Gölzer, Geschäftsfeldkoordinator »Digitalisierte Produktion« bei unserer Arbeitsgruppe, beschäftigt sich in seinem Knowledge Snack mit Anwendungsszenarien für datengetriebene Entscheidungsprozesse in der Ersatzteillogistik. Neben einer kurzen Einführung in das Thema und die Beschreibung der besonderen Anforderungen werden anhand konkreter Anwendungsszenarien entlang einer Wertschöpfungskette mögliche Potenziale für die Ersatzteillogistik aufgezeigt und Ansätze vertieft. In seinem Vortrag gibt Prof. Gölzer Antworten auf folgende Fragen: Welchen Mehrwert können datengetriebene Prozesse in der Ersatzteillogistik schaffen? Welche Fragestellungen entlang der Prozesskette können durch datengetriebene Lösungen unterstützt werden? Welche Handlungsfelder und auch Herausforderungen ergeben sich bei der Umsetzung? Sie können den Knowledge Snack jederzeit online anschauen.

In den vergangenen Jahrzehnten haben sich unterschiedliche datengetriebene Methoden zur Vorhersage von Bedarfen etabliert. Dabei waren lange statistische Verfahren bezüglich ihrer Prognosegenauigkeit allen anderen Vorgehen überlegen. Nun wurde aber die Entwicklung in Sachen Software, Hardware, Algorithmik und kombinierter Verfahren so weit vorangetrieben, dass seit kurzem Prognoseverfahren auf Basis von Machine Learning (ML) die Lösungen statistischer Benchmarks signifikant übertreffen. Insbesondere an der Schnittstelle zwischen Prognose und Optimierung ist noch einiges an Forschungs- und Anpassungsleistung zu erbringen, vor allem wenn es darum geht, die theoretischen Modelle tatsächlich – wie in unserem Forschungsfeld gewünscht –  in konkrete Anwendungen zu überführen. Deshalb arbeitet bei uns ein interdisziplinäres Team aus den Bereichen Mathematik, Statistik und Ingenieurswesen an ML-basierten Bedarfsprognosen für die Logistik, den Handel und die Produktion mit Fokus auf drei Anwendungsbereiche:

• Ersatzteilprognosen zur Endeinlagerung
• Bedarfsprognosen zum Inventory Management im Großhandel
• Frachtvolumenprognosen zur Entscheidungsunterstützung im Straßengüterverkehr
  

Zum Forschungsfeld »KI-basierte Bedarfsprognose«

Nachhaltig zu wirtschaften ist nicht nur ökonomisch, sondern auch ökologisch und sozial sinnvoll. Auch hier ist die Bereitstellung und der richtige Umgang mit Daten ein Schlüsselfaktor für den Erfolg. Unternehmensprozesse und -systeme können dann unter anderem mit Hilfe von Mathematik und Analytics so optimiert werden, dass nachhaltige Beschaffungs-, Produktions- und Distributionsprozesse etabliert werden, die tatsächlichen wirtschaftlich und gesellschaftlich Nutzen bringen. In unserem Forschungsfeld Nachhaltigkeit in der digitalisierten Supply Chain bringen wir die Kompetenzen und Themen unserer Arbeitsgruppe zusammen: Wir forschen an einer möglichst akkuraten Vorhersage des Strom- und Wärmebedarfs, an Steuerungsmöglichkeiten von Energiequellen im industriellen Betrieb, an der Reduktion von Leerfahrten im Transport und Verlagerungsmöglichkeiten von Gütern auf die Schiene, an Metriken zur Nachhaltigkeitsbewertung, an Methoden für eine soziale Organisationsentwicklung und an Methoden und Geschäftsmodelle zur Umsetzung einer datengetriebenen Circular Economy.

Zum Forschungsfeld »Nachhaltigkeit in der digitalisierten Supply Chain«

Dr.-Ing. Paulina Sierak

Neue Gruppenleiterin im Interview

Dr.-Ing. Paulina Sierak ist seit 01.09.2021 neue Leiterin unserer Gruppe Data Efficient and Automated Learning (DEAL), die in München sitzt und zu unserer Abteilung Analytics gehört. Im Interview stellen wir Paulina Sierak vor und befragen sie zur Forschungsausrichtung ihrer Gruppe.

Zum Profil der Expertin

Zum Interview

Forschungsprojekt der Gruppe DEAL Automatisiertes Maschinelles Lernen (AutoML) für Anwendungen in der Industrie

Die Gruppe Data Efficient and Automated Learning (DEAL) forscht u. a. zu Automatisiertem Maschinellen Lernen (AutoML) für Anwendungen in der Industrie. Erfahren Sie mehr zu AutoML und wie es die praktische Anwendung von Künstlicher Intelligenz (KI) im Allgemeinen und Maschinellem Lernen (ML) im Speziellen vereinfachen kann.

Zum Projekt

Benedikt Sonnleitner  

Nachhaltigkeit in der Transportlogistik & KI-Prognosen in der Produktion

Benedikt Sonnleitner ist Wissenschaftlicher Mitarbeiter bei der Gruppe Data Science, die zu unserer Abteilung Analytics gehört. Seine Forschungsschwerpunkte sind Bedarfsprognosen für die Logistik sowie Entscheidungsunterstützung mithilfe von Software und Daten. Er ist Forschungsfeldverantwortlicher und damit Treiber unserer Forschung zu KI-basierten Bedarfsprognosen für Logistik, Handel und Transport. Und er ist ein gefragter Interviewpartner zu den von ihm verantworteten Projekten und Themen:

Wie das Projekt »KITE« für mehr Nachhaltigkeit in der Transportlogistik sorgt, lesen Sie im Artikel »Die große Leere«.

Der Artikel »Durchblick im Umschlagszentrum« ist ebenfalls im Online-Magazin »Fraunhofer InnoVisions« erschienen. Vorgestellt wird das Projekt »PRODAB«, in dem KI-Prognosen erforscht und eingesetzt werden, um Liefer- und Produktionsverzögerungen frühzeitig« zu erkennen.

Zum Profil des Experten