Seitenpfad:

KI-gestützte Risikoanalyse in digitalen Wertschöpfungsnetzen

 

Mit Daten Lieferengpässe navigieren

Wertschöpfungsnetze basierend auf sicheren, verlässlichen und stabilen Lieferbeziehungen. Die Fragilität dieser Lieferbeziehungen wurde in den globalen Krisen der COVID-19 Pandemie und der Ukraine-Krise bzw. dem Ukrainekrieg überdeutlich. Der Ausfall von Lieferanten führt zu Versorgungsengpässen in Produktion und Handel. Produktionsstopps und leere Regale sind die Folge.

Viele dieser Ausfälle können prognostiziert werden. So gewinnt man Zeit für Beschaffungsalternativen oder logistische Umplanungen.

Um frühzeitig mögliche Engpässe in der Versorgung festzustellen und vermeiden zu können, soll eine sogenannte "360° Data Usability" entwickelt werden.

Unternehmen können hierbei unter Berücksichtigung ihrer internen Daten (unter anderem aus dem ERP-System), Daten ihrer Netzwerkpartner (third-party data), öffentlich zugänglichen Datenportalen sowie Datenbörsen Entscheidungentreffen um Lieferengpässe zu navigieren

In einer letzten Ausbaustufe sollen Entscheidungsvorschläge mittels eines Machine-Learning-Verfahrens an die Materialbeschaffung unterbreitet werden. 

KI gestützte Risikoanalyse in digitalen Wertschöpfungsnetzen
Digitale Wertschöpfungsketten
Quelle: Colourbox
 
 
 

Davon profitieren Unternehmen

  • Analyse von Risikokategorien
  • Analyse verfügbarer Daten bezogen auf die Risikokategorien
  • Analyse der Bedeutung von Kennzahlen für die betriebliche Praxis basierend auch auf Erfahrungswerten aus den aktuellen Krisen
  • Bewertung der Kennzahlen basierend auf Bedeutung und „Messbarkeit“
  • Entwicklung einer Bewertungsform und Darstellung
  • Integration der Risikobewertung in Lieferantenbewertungsmethodik
  • Aufbau einer Datenarchitektur zur Analyse und Auswertung relevanter Datensätze bezogen auf die Risikokennzahlen
  • Aufbau eines Risk Management Dashboards als Entscheidungshilfe für die Materialbeschaffung
  • Bezogen auf geeignete Risikokennzahlen können Entscheidungshilfen mittels eines Machine-Learning-Verfahrens automatisiert nutzbar gemacht werden

Ihr Kontakt

 
Prof. Dr. Michael Krupp
 
Prof. Dr. Björn Steven Häckel