Supply Chain Wissenschaft und Technik
Software Frankensteinisierung in supply chain
Das Management von supply chains und deren Optimierung ist insbesondere aus softwaretechnischer Sicht äußerst herausfordernd. Die 'Software Frankensteinisierung' bezieht sich auf den technologischen Verfall, der die Unternehmenssoftware heimsucht, wenn sie im Laufe mehrerer Jahrzehnte ihrer eigenen Evolution gegenübersteht.
Probabilistische Prognosen für Supply Chains
Die Optimierung von Supply Chains beruht darauf, Einblicke in die Zukunft zu gewinnen. Klassische Vorhersagen ignorieren Unsicherheiten vollständig und nehmen an, dass die Prognose perfekt bekannt ist. Im Gegensatz dazu umfassen probabilistische Prognosen die Unsicherheit und spiegeln wider, dass die Optimierung von Supply Chains robust gegenüber unerwarteten Ereignissen bleiben sollte.
Internet der Dinge für Supply Chains
Damit eine supply chain management-Praxis leistungsfähig ist, müssen Manager Zugriff auf den Standort jedes einzelnen Assets haben. Im Gegensatz zur klassischen elektronischen Lagerverwaltung bietet das Internet der Dinge (IoT) die Möglichkeit, alle Assets – Fahrzeuge eingeschlossen – in Echtzeit zu überwachen.
Datenvorbereitung in supply chain
Eine ordnungsgemäße Datenaufbereitung ist eine Voraussetzung, um Erfolg bei jeder datengetriebenen Initiative zu erzielen. Wenn man die Herausforderungen im supply chain berücksichtigt, ist die Datenaufbereitung schwierig, da sie komplexe Unternehmenssysteme umfasst, die nicht mit Blick auf Data Science entwickelt wurden.
Künstliche Intelligenz und Supply Chains
In dieser Episode sprechen wir über dieses große Schlagwort und seine Anwendung auf Supply Chains.
Promotionen vorhersagen
Die Prognose der durch Promotionen erzeugten Nachfrage ist notwendig, um die korrekte Menge an Lagerbestand zuzuweisen. Allerdings eignen sich Zeitreihen-Prognosemodelle in der Regel nicht gut, um preisbezogene Nachfragemuster zu adressieren. Komplexere Prognosemodelle mit maschinellem Lernen sind erforderlich, um vergangene Promotionen angemessen zu berücksichtigen und den bevorstehenden Einfluss geplanter Aktionen abzubilden.
Das Paradoxon der Benutzererfahrung
Supply Chain Management (SCM)-Systeme verfügen über komplexe Benutzeroberflächen. Darunter sind auch Unterbereiche der Bedarfsprognose nicht nur komplex, sondern auch kompliziert. Bessere Benutzeroberflächen werden benötigt, um diese Komplexität zu bewältigen.
Silos und Entscheidungen in der Supply Chain
Moderne Supply Chains sind komplex, und die direkteste Antwort auf Komplexität ist eine 'Arbeitsteilung'. Leider führt dieser Ansatz zu 'Silos', die darin versagen, Entscheidungen zu liefern, die den Ertrag für das Unternehmen maximieren.
Der Datenwissenschaftler in der Supply Chain
Supply-Chain-Herausforderungen sind häufig quantitativ und datengetrieben. Das macht sie zu einer guten Grundlage für eine Data-Science-Praxis. Allerdings wird das Verständnis des Geschäfts häufig als Aspekt der Data-Science-Praxis in der Supply Chain übersehen.
Blockchain und Bitcoins
Blockchains und Bitcoin haben Anwendungen für supply chains, jedoch nicht die, die von Softwareanbietern am markantesten hervorgehoben werden.
Künstliche Intelligenz für supply chain
Künstliche Intelligenz (KI) ist ein Sammelbegriff für viele hochdimensionale statistische Methoden wie Deep Learning oder Differentiable Programming. Diese Methoden können auf vielfältige Weise genutzt werden, um die operative Leistung von supply chains zu verbessern. Allerdings unterscheiden sich sowohl die Probleme als auch die Lösungen deutlich von Mainstream-KI-Problemen wie Natural Language Processing (NLP).
Genauigkeit der Nachfrageprognose
Eine äußerst präzise Nachfrageprognose zu erreichen gilt klassischerweise als erster Schritt zur Optimierung einer Supply Chain. Genauere Prognosen sollen dazu beitragen, Lagerbestände zu reduzieren und Servicegrade zu verbessern.