Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
ADVERTORIAL www materialfluss de materialfluss 6 2021 7 Die Corona-Pandemie hat die Schwächen globaler Lieferketten offengelegt Wer seine Supply-ChainStrategie an die neuen Herausforderungen anpassen will zieht häufig eine Reduzierung der Beschaffung aus Asien oder den Aufbau teurer Sicherheitsbestände in Betracht Ein neuer Machine-LearningAlgorithmus von INFORM bietet eine effizientere Alternative Er ist in der Lage durch die präzise Prognose von Lieferterminen und Wiederbeschaffungszeiten mehr Sicherheit in die Beschaffung zu bringen Lieferzusagen häufig unzuverlässig Die Diskrepanz zwischen dem vom Lieferanten zugesicherten und dem tatsächlichen Anlieferungstermin ist in vielen Branchen außerordentlich groß Wir haben die Datenhistorie vieler Unternehmen analysiert In zwei Drittel der Fälle wurde der Termin nicht eingehalten berichtet Dr Marco Schmitz der im Team New Solutions bei INFORM an der ML-Lösung mitwirkt In ersten Studien konnte der Algorithmus die Abweichung des Liefertermins von 25 Tagen auf 12 Tage reduzieren Das schmälert die Unsicherheit und das Risiko so stark dass deutlich weniger Kurzfristbestellungen nötig sind sagt Schmitz Solche Kurzfristbestellungen bei Plan-B-Lieferanten oder Konkurrenzunternehmen kosten nicht selten mehrere Millionen Euro und schmälern vor allem in Handelsunternehmen die Margen Sinkt die Unsicherheit reduzieren sich gleichzeitig auch diese Kosten Lieber zu früh oder zu spät? Die Summe an Gründen für mögliche Verspätungen macht eine Optimierung für die Einkäufer beinahe zur unmöglichen Aufgabe Für schnelle Ergebnisse braucht es ML erklärt Schmitz Mangelnde Transparenz ist eines der Kernprobleme in der globalen Beschaffung Ob der Lieferant einen Großabnehmer bevorzugt oder Bestellungen zusammenfasst wodurch Zeitverzögerungen entstehen ist unklar Auch die strategische Abhängigkeit von Lieferanten kann zu Engpässen führen Allerdings verursacht nicht nur eine verzögerte Lieferung Probleme Gleichermaßen ungünstig wird es wenn Waren zu früh Beschaffungskosten in Millionenhöhe gespart eintreffen Dann entstehen Überbestände im Lager die Fläche und Kapital binden Es gilt daher Ausreißer in beide Richtungen zu vermeiden Daten für den ML-Algorithmus Je ungenauer die Datenlage umso größer ist der Mehrwert verbesserter Prognosen Auch für unbestätigte Liefertermine kann eine Prognose berechnet werden Mit dem Ergebnis stabilisiert sich der gesamte Warenfluss Dafür greift der ML-Algorithmus auf Daten vergangener Bestellungen und Liefertermine zurück Die Wunschverfügbarkeit eingegangene Terminbestätigungen oder Informationen über offene Bestellwerte Mengen Preise verbessern das Ergebnis zusätzlich Mehr Details lesen Sie im kostenfreien White Paper Unsicherheit als Kostentreiber in der Bedarfsdeckung unter www informsoftware de wiederbeschaffungszeiten Durch den cleveren Einsatz neuer Machine-Learning ML -Algorithmen lassen sich Liefertermine prognostizieren die zuverlässiger sind als die Aussagen des Lieferanten selbst Das führt in Unternehmen zu mehr Planungssicherheit Termintreue und Kosteneinsparungen in Millionenhöhe Hier das White Paper anfordern! © petinovs I GettyImages © 1933bkk I GettyImages