Da sich Unternehmen mit der Komplexität der globalen Logistik auseinandersetzen, ist der Einsatz von KI in der Lieferkette zu einem Dreh- und Angelpunkt für diejenigen geworden, die der Konkurrenz einen Schritt voraus sein wollen. In diesem Artikel unterstreichen wir die Bedeutung von KI in der Lieferkette und geben Einblicke in eine Erfolgsgeschichte, die die konkreten Vorteile von KI bei der Optimierung des Lieferkettenmanagements anschaulich veranschaulicht. Eine Lieferkette ist das gesamte Netzwerk von Einzelpersonen und Organisationen, die ein Produkt oder eine Dienstleistung herstellen und an den Endverbraucher liefern. Es umfasst jeden Schritt, von der Beschaffung der Rohstoffe über die Herstellung und Montage des Produkts bis hin zum Transport, der Lagerung und schließlich dem Erreichen der Hände des Kunden. 49 % der Befragten aus dem Supply-Chain-Bereich gaben an, dass Störungen zu Planungsschwierigkeiten führten. 44 % nannten Herausforderungen aufgrund des Fußabdrucks in der Lieferkette, der sie dazu zwang, im Laufe des Jahres Änderungen vorzunehmen. McKinsey Heutzutage ist dieses vielschichtige Netzwerk vielen Störungen ausgesetzt, etwa geopolitischen Spannungen, wirtschaftlichen Schwankungen, dem Klimawandel und sich weiterentwickelnden Vorschriften. Gleichzeitig überschreiten gemeinsame Ziele branchenübergreifend, einschließlich Kundenzufriedenheit, Kostenoptimierung, Resilienz und Anpassung. Sowohl Herausforderungen als auch Ziele erfordern innovative Lösungen, wobei sich die Optimierung der Lieferkette als entscheidender Faktor für die Gewährleistung der Effizienz herausstellt. Kurzer Überblick über die Optimierung der Lieferkette Supply Chain Optimization (SCO) ist ein komplexer Bereich, der sich der möglichst effizienten und kosteneffektiven Steuerung des Waren- und Dienstleistungsflusses vom Rohstoff bis zum Endkunden widmet. SCO ist die Anpassung der Abläufe einer Lieferkette, die sicherstellt, dass sie den Höhepunkt der möglichen Effizienz erreicht. Die fünf größten Herausforderungen bei der Optimierung der Lieferkette: Die genaue Vorhersage der Kundennachfrage ist entscheidend für die Optimierung von Lagerbeständen, Transportmöglichkeiten und Produktionsplänen. Bedarfsprognose: Ausgleich der Lagerhaltungskosten mit dem Risiko von Fehlbeständen. Bestandsverwaltung: Auswahl der effizientesten und kostengünstigsten Routen für den Gütertransport, insbesondere unter Berücksichtigung von Faktoren wie Verkehrsstaus und Kraftstoffpreisen. Transportoptimierung: Suche nach zuverlässigen Lieferanten, die wettbewerbsfähige Preise und Qualität bieten. Lieferantenauswahl und -management: Effiziente Zusammenarbeit aller Akteure in der Lieferkette. Zusammenarbeit und Kommunikation: Um diese Herausforderungen zu bewältigen, setzt SCO Datenanalyse, mathematische Modellierung, Optimierungsalgorithmen, künstliche Intelligenz (KI) und maschinelles Lernen (ML) ein. Zusammengenommen ermöglichen diese Tools Unternehmen, sich präzise in der dynamischen Landschaft globaler Lieferketten zurechtzufinden. Insbesondere KI und ML erweisen sich als starke Verbündete im Streben nach Effizienz in der Lieferkette. Die Nutzung von und maschinellen Lerndiensten trägt dazu bei, Aufgaben zu automatisieren, die Prognosegenauigkeit zu verbessern und Entscheidungen in Echtzeit zu ermöglichen, sodass Unternehmen angesichts sich ändernder Umstände agil und reaktionsfähig bleiben können. KI-Entwicklungs- Optimierung des Supply Chain Managements durch KI-Integration KI spielt eine wichtige Rolle bei der Verbesserung der Lieferketteneffizienz. Es kann in verschiedenen Bereichen des Supply Chain Managements eingesetzt werden. Verbesserung der Sichtbarkeit und Transparenz: Datenerfassung und -analyse in Echtzeit – Bereitstellung von Echtzeiteinblicken in Lagerbestände, Versandorte und potenzielle Störungen. Prädiktive Analysen – KI kann historische Daten und externe Faktoren wie Wettervorhersagen oder Wirtschaftstrends, potenzielle Störungen und Wartungsbedarf analysieren. Optimierung von Abläufen und Entscheidungen: Bestandsverwaltung – KI kann die Lagerbestände optimieren, indem sie die Nachfrage prognostiziert, Lieferzeiten und Saisonalitätsmuster berücksichtigt und die mit Über- oder Unterbeständen verbundenen Kosten minimiert. Routenoptimierung – KI-Algorithmen können die effizientesten und kostengünstigsten Transportrouten ermitteln und dabei Faktoren wie Verkehrsbedingungen, Kraftstoffverbrauch und Zeitpläne berücksichtigen, um ein Gleichgewicht zwischen Transport- und Lagerkosten zu finden. Lagerautomatisierung – KI-gestützte Roboter können Aufgaben wie Kommissionierung, Verpackung und Sortierung automatisieren und so die Geschwindigkeit, Genauigkeit und Effizienz in Lagern verbessern. Resilienz und Risikomanagement: Risikoerkennung – KI kann Daten analysieren, um potenzielle Störungen oder Schwachstellen in der Lieferkette zu identifizieren, sodass Unternehmen vorbeugende Maßnahmen ergreifen können, um deren Auswirkungen zu minimieren. Szenarioplanung – KI kann verschiedene Szenarien wie Naturkatastrophen oder Wirtschaftsabschwünge simulieren und Unternehmen dabei helfen, Notfallpläne zu entwickeln, um die Geschäftskontinuität sicherzustellen. Betrugserkennung und -prävention – KI kann Anomalien in Bestelldaten und Finanztransaktionen erkennen, potenzielle Betrugsversuche identifizieren und Unternehmen vor finanziellen Verlusten schützen. Nachhaltigkeit und Kundenerlebnis: Verbesserte Nachhaltigkeit – KI kann Prozesse optimieren, um Abfall zu reduzieren, den Energieverbrauch zu minimieren und den Kraftstoffverbrauch zu optimieren und so zu einer nachhaltigeren Lieferkette beizutragen. Personalisierung und Individualisierung – KI kann das Kundenerlebnis personalisieren, indem sie Produktempfehlungen und -angebote auf der Grundlage individueller Vorlieben und Kaufhistorie zuschneidet. Lassen Sie uns anhand eines realen Anwendungsfalls untersuchen, wie insbesondere KI eine transformative Rolle bei der Neugestaltung der Lieferkette im Einzelhandel spielt. Entwicklung eines intelligenten Versorgungsoptimierungssystems Unser Kunde, ein Hersteller von Sanitärwerkzeugen und -geräten mit Vertriebsstandorten in den gesamten Vereinigten Staaten, benötigte Hilfe bei der Optimierung seines Lieferprozesses. Der größte Konflikt resultierte aus den hohen Erfahrungen beim Transport von Waren von Fabriken in China zu Vertriebszentren in den USA. Der Kunde unterhielt zahlreiche Lagerhäuser und Verkaufsstellen in nahezu allen Bundesstaaten. Daher war die Bestimmung des optimalen Routings eine nicht triviale Aufgabe. Darüber hinaus war es entscheidend, die bevorzugte Transportkette zu berücksichtigen. Jedes Produkt beginnt seine Reise in einem Schiffscontainer von einem chinesischen Seehafen und reist über den Pazifischen Ozean zu einem Hafen in den Vereinigten Staaten, von wo aus es seine Reise in einem LKW zum vorgesehenen Lager fortsetzt. Anschließend wartet das Produkt auf die Zustellung auf der letzten Meile zum Zielverteilungspunkt. Der Kunde wünschte sich folgende Funktionalität: Geben Sie die verfügbaren Lager an. Identifizieren Sie Verteilungspunkte, wobei einige automatisch aus historischen Daten abgeleitet werden und andere vom Benutzer manuell ausgewählt werden. Erstellen Sie eine Artikelliste mit den jeweiligen Mengen. eine Liste von Seehäfen haben. Schließlich äußerte der Kunde den Wunsch, verschiedene Methoden zum Verpacken von Waren in Versandbehältern mit oder ohne Paletten vergleichen zu können. Das Ergebnis des Optimierungsproblems sollte den optimalen Transportplan und die damit verbundenen Kostenstatistiken ergeben. Bevor wir uns jedoch mit den Details des Anwendungsfalls befassen, werden wir kurz ein grundlegendes mathematisches Konzept skizzieren, das in der intelligenten Lösung verwendet wird. Ganzzahlige Programmierung für die Effizienz der Lieferkette Ganzzahlige (lineare) Programmierung (IP) ist eine mathematische Optimierungstechnik, die verwendet wird, um die beste Lösung für ein Problem mit linearen Beziehungen zu finden und dabei zu berücksichtigen, dass entweder einige oder alle Variablen ganzzahlige Werte (ganzzahlige Werte) annehmen müssen. Die allgemeine Form eines IP-Problems besteht darin, eine lineare Zielfunktion zu maximieren (oder zu minimieren), die einer Reihe linearer Einschränkungen unterliegt, wobei einige oder alle Entscheidungsvariablen ganze Zahlen sein müssen. Die Zielfunktion ist eine lineare Kombination von Entscheidungsvariablen, und die Einschränkungen sind lineare Ungleichungen oder Gleichheiten, die die Variablen erfüllen müssen. Die mathematische Formulierung eines IP-Problems kann wie folgt ausgedrückt werden: Die Werte x₁, x₂, ..., xₙ sind die Entscheidungsvariablen, c₁, c₂, ..., cₙ sind Koeffizienten in der Zielfunktion, aᵢⱼ sind Koeffizienten in den Randbedingungsgleichungen und bᵢ sind Konstanten. Um ein IP-Problem zu lösen, müssen die Werte der Entscheidungsvariablen ermittelt werden, die die Zielfunktion optimieren und gleichzeitig die linearen Einschränkungen sowie die zusätzliche Anforderung erfüllen, dass die Variablen ganze Zahlen sein müssen. IP-Probleme werden häufig in verschiedenen Bereichen eingesetzt, darunter Operations Research, Logistik, Fertigung, Finanzen und Telekommunikation, wo Entscheidungsvariablen oft Mengen darstellen, die ganze Zahlen sein müssen. Die Ganzzahlprogrammierung ist ein wertvolles Werkzeug zur Lösung von Problemen bei der Optimierung der Lieferkette, da sie komplexe Entscheidungsprozesse mit diskreten (ganzzahligen) Variablen modellieren kann. Die Möglichkeiten, wie geistiges Eigentum im Zusammenhang mit der Optimierung der Lieferkette eingesetzt werden kann: IP kann dabei helfen, optimale Lagerbestände für verschiedene Produkte in verschiedenen Phasen der Lieferkette zu ermitteln. Durch die Berücksichtigung von Einschränkungen wie Lagerkapazität, Nachfrageschwankungen und Bestellmengen können IP-Modelle das beste Gleichgewicht zwischen Lagerkosten und Fehlbeständen finden. Bestandsverwaltung: IP kann Produktionspläne optimieren, indem es Faktoren wie Produktionskapazitäten, Rohstoffverfügbarkeit und Nachfrageprognosen berücksichtigt. Das Modell kann dabei helfen, die optimalen Produktionsmengen für jedes Produkt zu bestimmen, um die Nachfrage zu decken und gleichzeitig die Kosten zu minimieren. Produktionsplanung: IP-Modelle können angewendet werden, um die Gesamtstruktur des Supply-Chain-Netzwerks zu optimieren. Routing und Scheduling: IP-Modelle können angewendet werden, um die Gesamtstruktur des Lieferkettennetzwerks zu optimieren. Optimierung des Lieferkettennetzwerks: IP-Modelle können Nachfrageprognosedaten integrieren, um Produktions- und Vertriebsentscheidungen zu optimieren und gleichzeitig die Abläufe in der Lieferkette an der erwarteten Kundennachfrage auszurichten, wodurch das Risiko von Überbeständen oder Fehlbeständen verringert wird. Bedarfsplanung: Verbesserung der Lieferkettenlogistik – Lösungsübersicht von ELEKS Um den Anforderungen unseres Kunden gerecht zu werden, haben wir ein System entwickelt, das die Vorteile der Integer-Programming-Technik nutzt und Lieferpläne, Routen und Lagerbestände für fünf Arten von Artikeln optimiert: Keramikwaschbecken, Toiletten, Bidets, Gasventile und Badewannenmischer ( entsprechende HS-Codes sind 6910.10.0030, 6910.10.0010, 6910.10.0025, 8414.90.1080, 7323.93.0080). Das System besteht aus drei Hauptteilen (oder Seiten): Konfiguration, Simulation und Analyse. Jeder von ihnen wird in den folgenden Absätzen erläutert. Um die Vertraulichkeit von Daten und Anwendungsdetails zu gewährleisten, haben wir Namen und reale Standorte anonymisiert und einen Prototyp für eine einfache Demoanwendung erstellt, die die Wirksamkeit von KI bei der Bewältigung von Optimierungsherausforderungen veranschaulicht. Konfigurationsseite Der Benutzer kann verfügbare Lager, Vertriebspunkte und gewünschte Seehäfen auswählen, um an der endgültigen optimierten Routenplanung teilzunehmen. Außerdem kann der Kunde gewünschte Waren und deren jeweilige Menge angeben, die zu seinen Kunden transportiert werden soll. Das Letzte ist die Datumsauswahl, falls eine Lieferung geplant ist. Das System berechnet den Restbestand zum Liefertermin basierend auf der prognostizierten Nachfrage und weist geplante Lieferungen entsprechend den Lagerresten zu. Ein Klick auf die Schaltfläche „Optimieren“ bewirkt die ganze Magie! Es stellt Optimierungsaufgaben und startet seine Lösung. Nach einigen Sekunden sind Ergebnisse auf den verbleibenden zwei Seiten zu beobachten. Simulationsseite (Karte). Diese Seite bietet dem Kunden die Möglichkeit, eine genaue Simulation der vorgeschlagenen Modelllösung anzusehen. In vorherigen Gesprächen haben wir uns über die für unseren Kunden geeigneten INCOTERMS beraten und einen Konsens über CFR erzielt. Der Kunde kann die Anzahl der Stunden für jeden Schritt angeben und auf die entsprechende Schaltfläche klicken, um den Zustand der Lieferkette in dieser Zeitspanne anzuzeigen. Zunächst einmal gibt es fünf Arten von Punkten: zwei für Transportfahrzeuge (Schiff und LKW) und drei für Seehäfen (orange), Lagerhäuser (lila) und Verteilungspunkte (grün). Die Karte ist interaktiv, d. h. der Benutzer kann mit der Maus über einen beliebigen Punkt oder eine beliebige Verbindung fahren und die Informationen zu diesem Objekt anzeigen. Beispielsweise zeigen blaue Linien, die Lager und Verteilungspunkte verbinden, den Lieferplan für die letzte Meile und enthalten Informationen darüber, wie viel jede Ware täglich geliefert wird. Wenn der Benutzer mit der Maus über das Schiff fährt, werden Informationen zu seiner Kapazität, den Containertypen, der geladenen Menge der einzelnen Güter und der Route angezeigt. Analytics-Seite Auf dieser Seite finden Sie alle Daten und Statistiken zur vorgeschlagenen Lösung des Modells. Der Benutzer kann den Lieferplan einsehen, wo sich jedes Schiff und jeder LKW befindet, seine voraussichtliche Ankunftszeit, Route und Füllung. Es gibt auch eine Reihe von Diagrammen, angefangen beim Kreisdiagramm mit den Gesamtkosten bis hin zu Heatmaps der Lieferkosten zwischen verschiedenen Seehäfen, Lagern und Vertriebspunkten. Darüber hinaus kann der Kunde ein Preisdiagramm pro Ware für verschiedene Vertriebspunkte beobachten und auf Basis dieser Daten entsprechende Geschäftsentscheidungen treffen. Leistungskennzahlen: ELEKS-Lösung im Vergleich zum Legacy-System des Kunden Die nächste Herausforderung bestand darin, unsere Lösung in realen Szenarien zu testen und sie mit dem Ansatz des Kunden zu vergleichen. Hierzu hat der Auftraggeber einen Zeitraum von 1 Monat berücksichtigt. Die Hauptbedingungen der Aufgabe (z. B. verfügbare Seehäfen, Standort und Anzahl der Lager und Cluster) werden in den Abbildungen in den vorherigen Absätzen betrachtet. Infolgedessen war die Lösung unseres Modells effektiver in Bezug auf Betriebskosten, durchschnittliche Lieferzeit auf der letzten Meile und kürzere Leerlaufzeiten der Lager. Der Kunde erzielte durchschnittliche monatliche Kosteneinsparungen von 5,76 % und eine Verkürzung der Lieferzeit um 50 % für einige Cluster. ELEKS Data Science-Team Die Daten zeigen, dass sich die Nutzung unserer Lösung für den Kunden als vorteilhafter erwies, was zu einer Reduzierung des Artikelpreises führte. Dieses Ergebnis kann auf verschiedene Faktoren zurückgeführt werden, die wichtigsten sind die folgenden: Intelligentere Warenverteilung Optimaleres Liefernetzwerk Effizienteres Routing und Lagerhaltung Unsere Lösung umfasste beispielsweise einige Cluster, für die das Modell eine Zustellung auf der letzten Meile für verschiedene Waren aus unterschiedlichen Lagern vorschlägt (die Erklärung liegt tief im Liefernetzwerk, und unser Modell hat diese Optimierungsmöglichkeit erkannt). Die Warenverteilung zwischen den Lagerhäusern war unterschiedlich (hauptsächlich zwischen Lagerhäusern in Washington und New York). Auf den ersten Blick sind die Unterschiede nicht so groß, aber das Ergebnis spricht für sich. Schlussfolgerungen Die Integration künstlicher Intelligenz (KI) in das Lieferkettenmanagement erweist sich als entscheidende Komponente für Unternehmen, die die Komplexität der globalen Logistik effektiv bewältigen möchten. Die Vielschichtigkeit moderner Lieferketten, gepaart mit Herausforderungen wie Störungen, geopolitischen Spannungen und wirtschaftlichen Schwankungen, erfordert innovative Lösungen zur Erzielung von Effizienz und Widerstandsfähigkeit. Die vorgestellte Lösung unterstreicht die transformative Rolle von KI bei der Rationalisierung der Verantwortlichkeiten von Lieferkettenmanagern und demonstriert die konkreten Vorteile von KI und IP in der Lieferkettenlogistik. Sie zeigt eine durchschnittliche monatliche Kosteneinsparung von 5,76 % und eine Verkürzung der Lieferzeit um 50 % für einige Cluster. Seine Anpassungsfähigkeit ermöglicht nahtlose Anpassungen und bietet Benutzern Zugriff auf ein Simulationsstudio, in dem sie verschiedene Szenarien mit unterschiedlichen Artikeln und Mengen ausführen können, was eine vergleichende Analyse erleichtert, um optimale Strategien für verschiedene Situationen zu ermitteln. Um eine Demo dieser transformativen Lösung aus erster Hand zu vereinbaren und ihre Möglichkeiten weiter zu erkunden, . wenden Sie sich an uns

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Zu lang; Lesen

Developers: Build Less. Deliver More. [Learn how]	

Eine Fallstudie aus der Praxis zur Freisetzung des KI-Potenzials: KI in der Lieferkette

Zu lang; Lesen

ELEKS

About Author

Hängeetiketten

Languages

DIESER ARTIKEL WURDE VORGESTELLT IN...

Eine Fallstudie aus der Praxis zur Freisetzung des KI-Potenzials: KI in der Lieferkette

Zu lang; Lesen

ELEKS

About Author

Hängeetiketten

Languages

DIESER ARTIKEL WURDE VORGESTELLT IN...

ÄHNLICHE BEITRÄGE