Supply Chain Wissenschaft und Technik
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.