Virtual Reality

Supply Chain im Wandel – das passiert bis 2020

Ein hohes Servicelevel hat für den Aftermarket bereits oberste Priorität. Egal, ob Automotive, Industrie oder Elektronikbranche – alle schaffen aktuell die Voraussetzungen für eine optimierte und automatisierte Service Supply Chain. Vor kurzem berichteten wir bereits über die Logistik Trends 2017. Doch in einem speziellen Teilbereich tut sich, gerade aufgrund der rasant fortschreitenden Entwicklungen in den Bereichen VR, Augmented Reality, autonome Fahrzeuge und Predictive Analytics / Big Data, eine ganze Menge – die Supply Chain wird sich bis 2020 grundlegend verändern. Das Unternehmen Syncron, welches sich mit intelligenten und zeitgemäßen Lösungen im Bereich Bestandsmanagement für Ersatzteile engagiert, wirft einen Blick auf die Trends einer effektiven Lieferkette bis 2020, die sich vor allem rund um autonome Fahrzeuge, Wearables und cloudbasierte Lösungen für den Aftermarket-Service drehen. Das sind die aktuellen Service Supply Chain Trends im Überblick:

Predictive Analytics

Predictive Analytics ist ein Thema für sich und für viele Unternehmen ist die Einführung neuer Big Data Infrastrukturen noch zu kostspielig und unsicher. Predictive Analytics dreht sich rund um den sogenannten Prädikator, eine beliebige Variable, die für Personen und Einheiten bestimmt werden kann, um zukünftiges Verhalten zu prognostizieren. Jeder muss dabei automatisch an den Film Minority Report denken, in dem Tom Cruise Straftäter nur aufgrund einer Vorhersage verhaftete, die also noch gar nicht straffällig geworden sind. Später geriet er selber dann ins Visier der Fahnder, denn kein System ist fehlerfrei. Aber ein Hollywood-Streifen sollte kein Gegenargument für eine sehr zukunftsweisende und effiziente Herangehensweise an die Datenauswertung der Zukunft sein.Das sieht übrigens nicht nur die Logistikbranche, sondern auch die Polizei so. Predictive Policing ist bereits mitten in der Entwicklung und ein Teil der Predictive Analyics. Es geht darum, auf Basis von Datenmodellen Voraussagen darüber zu treffen, wie sich eine Situation in Zukunft entwickeln wird oder kann. Polizisten geben beispielsweise alle bisher verfügbaren Daten über Wohnungseinbrüche in ein System ein, inklusive Tatzeit, Tatort, Täter (wenn möglich) und Beute. Auf Basis dieser Daten berechnet das System nun Wahrscheinlichkeiten für Wohnungseinbrüche, Datumsangaben und Tatzeiten in der Zukunft. Die Polizei kann die Streifen bereits im Vorfeld entsprechend einteilen, weil das System auf Grund des großen Big Data Schatzes sehr genaue Prognosen und Wahrscheinlichkeiten erstellen und berechnen kann. Und die Vorhersage komplexer (wirtschaftlicher) Zusammenhänge ist natürlich auch für die Wirtschaft interessant, speziell für die Logistik, die Industrie und ihre Supply Chains. Gerne wird hier auch gesagt, dass Smart Data Big Data schlägt – aber ohne Big Data wird es Smart Data nie geben.Predictive Business Analytics ist ein Verwandter der Begriffe wie Business Intelligence, Business Analytics und Data Mining. Weitere Schlagwörter wie Descriptive oder Prescriptive Analytics sorgen zusätzlich für Verunsicherung. Was soll das alles sein?Kein Mensch kann in die Zukunft schauen und das kann auch kein Programm. Aber mittlerweile werden intelligente Infrastrukturen und Programme immer talentierter darin, auf Basis umfassender Datenmengen aus der Vergangenheit, sehr zuverlässige Prognosen für die Zukunft zu erstellen. Das ist zentrales Ziel und Hauptaufgabe von Predictive Analytics.Es ist nicht so neu, wie einige nun vielleicht denken mögen. Aber es entwickelt sich momentan rasant weiter. Viele Unternehmen nutzen im Vertrieb bereits sog. Forecasting-Systems, beispielsweise Funnel-Management, um die vorhandenen Leads monetär nach vermutlichem Volumen, nach voraussichtlicher Dauer bis zum Abschluss und mit einer Wahrscheinlichkeit des erfolgreichen Abschlusses zu bewerten. Diese Unternehmen nutzen also bereits Predictive Analytics, ohne das vielleicht selbst zu wissen.Im Prinzip ist auch die berühmte „Diese Artikel könnten Sie auch interessieren.“ oder „Kunden, die dieses Produkt kauften, kauften auch..“ eine, wenn auch altbackene, Form von Predictive Analytics. Auf Basis bereits vergangener Kaufentscheidungen und getrackter CJ-Funnels (Customer Journey), trifft das System Vorhersagen für einen neuen Kunden. Das gleiche gilt auch für Marketing-Tools, die einem empfehlen, auf welcher Seite eines Mediums die Werbeanzeige nun am besten platziert wäre. Predictive Analytics der Zukunft kann man nun als Etwas verstehen, dass all‘ diese Dinge kombiniert und auch autonom anwendet, ohne den Menschen noch als Instanz miteinzubeziehen. Wenn, dann nur als sporadische Kontrollinstanz. Das ist das Ziel.Zusammenfassung: Predictive Business Analytics beschreibt die Anwendung von Analytik zum Berechnen von Wahrscheinlichkeiten des Eintretens von Ereignissen wie

  • dem Abschluss eines Vertrages,
  • des Annehmens von Kaufempfehlungen,
  • des Eintretens von Störungen in der Produktion durch Maschinenfehler (Regressionsanalysen)
  • der Chance und des Risikos des Treffens von Maßnahmen etc.

Es ist eng verwandt mit dem Data Discovery, eine Form der Analytik, die dabei hilft, Zusammenhänge in großen Datenmengen zu identifizieren. Gemeinsam mit der Datenvisualisierung sind sie alle verschiedene Konzepte der Analytik, welche wiederum zu den Konzepten des Performance Managements und deren Umsetzungsformen gehören. Und diese bilden gemeinsam den Oberbegriff Business Intelligence.

Predictive Business Analytics in der Supply Chain

Die denkbaren Möglichkeiten scheinen unbegrenzt. So könnte Predictive Business Analytics in der Service Supply Chain die Wahrscheinlichkeit von Rückläufern berechnen, und zwar individuell, von Kunde zu Kunde. Ersatzteile könnten in den richtigen Mengen rechtzeitig geordert und, Dank autonomer Fahrzeuge und Robotern in der Intralogistik, automatisch ausgeliefert und am Zielort wieder eingelagert werden. Verkehrsstaus und Probleme der Infrastruktur könnten provisorisch erkannt und somit gebannt werden.Im Zuge der Digitalisierung der Welt wird Predictive Analytics immer essentieller. Es dient nämlich nicht nur dazu, die Spuren der Kunden im Big Data Labyrinth quer über alle Kanäle und Kontaktpunkte zu entdecken, zu analysieren und auf ihrer Basis zukünftiges Kundenverhalten und Kundeneigenschaften vorherzusagen. Nein, es dient, ganz unabhängig von Branche oder Verwendungszweck, allgemein dazu, aus der Datenvielfalt und dem Datenvolumen aus mannigfaltigen Datenquellen gleichzeitig die Quintessenz herauszufiltern und Lösungen vorzuschlagen. Smart Customer Data lautet das Stichwort. Das ermöglicht sowohl Herstellern, Händlern als auch Zulieferern neue Einsichten in Kunden und Markt und bietet die Basis für bessere Entscheidungen, Aktionen und Maßnahmen. So hat Predictive Analytics die Chance, bis 2020 zum maßgeblichen Impulsgeber für Innovation in einem Unternehmen zu werden.Weitere Bestandteile von Predictive AnalyticsEs basiert im Wesentlichen auf Data Mining, also dem Erkennen von Mustern in großen Datenmengen, was Regressionsanalyse, Klassifizierung (Clustering), neuronale Netze sowie Assoziationsanalysen miteinschließt. Weiterhin nutzt man für Predictive Analytics auch statistische Berechnungen, maschinelles Lernen, Elemente der Spieltheorie und Methoden des Operations Research, wie Optimierungsrechnung und Simulationsverfahren. Insgesamt also jede Menge Mathematik und Statistik, und mittlerweile auch noch Linguistik, falls Textanalysen auf nicht strukturierten Daten wie Texten, Blogs und Tweets angewendet werden sollen. HP nutzt das beispielsweise, um sämtliche Tweets mit dem Hashtag des Unternehmens auszuwerten und an entsprechende Serviceabteilungen weiterzuleiten. All‘ diese Dinge fasst man also heutzutage unter Predictive Analytics zusammen, während Descriptive Analytics und Prescriptive Analytics gleichberechtigt neben dieser Form der Datenverarbeitung stehen. Aber was ist nun was?

  • Descriptive Analytics beschäftigt sich mit der Vergangenheit. Auf Basis von Bestelldaten, Adressdaten und demographischen Daten aus der Vergangenheit eines Kunden(kontos) versuchen Unternehmen, Beziehungen zwischen Kunden und Produkten zu verstehen und ihnen entsprechend zu handeln. Ziel ist es, von der Vergangenheit zu lernen, um mittels dieses Wissens in der Zukunft besser entscheiden zu können. In der Logistik weit verbreitete und bekannte Beispiele sind OLAP-Analysen. Diese eher altmodische Form der Descriptive Analytics hat aber einen entscheidenden Nachteil. So kann man zwar Korrelationen aufdecken, aber diese hergestellten Verbindungen könnten auch rein zufällig sein und daher nicht ausreichen, um Ursache-Wirkungs-Zusammenhänge zu identifizieren. Descriptive Analytics ist aber ein erster wichtiger Schritt, um neue, unbekannte und nicht-triviale Einsichten in Daten zu bekommen.
  • Prescriptive Analytics liefert Vorschläge basierend auf Predictive Analytics. Dies ist sozusagen das Fazit der Predictive Analytics. Jene Kunst, für die man bisher auf die Intuition und das Know-How des Managements setzen musste, kann nun mehr und mehr auf Basis von smarten Big Data Auswertungen praktiziert werden – und zwar unabhängig vom Menschen. Komplett automatisch. Diese Methode setzt auf Predictive Analytics auf und geht noch einen Schritt weiter. Sie erklärt nicht nur, dass eine Maschine in den nächsten zwei Wochen wahrscheinlich kaputt gehen und somit den Produktionsprozess lahmlegen wird, sondern auch warum. So kann man nicht nur den einmaligen Ausfall vorzeitig verhindern, sondern auch alle anderen Maschinen präventiv warten und einem Ausfall gezielt vorbeugen. Auch hierzu liefert Prescriptive Analytics direkt Empfehlungen zum Umgang mit den jeweils prognostizierten Situationen und Ereginissen. Nehmen wir einmal das allseits bekannte Kredit-Scoring (SCHUFA) als Beispiel: In diesem Falle würde man also zusätzlich zum Scoring noch Informationen dazu erhalten, warum der Kunde nicht zahlen können wird, und welches die beste Entscheidung sei, den Kredit zu vergeben oder nicht

Fazit: In der Logistik wird sich Predictive Analytics vor allem auf Predictive Maintenance spezialisieren, also die Auswertung von Verkehrsdaten und Kennzahlen zu Nutzung, Verschleiss und Zustand einer Anlage oder eines Transportmittels, um frühzeitig Komponenten austauschen und Ausfälle verhindern zu können. Das gleiche gilt für die Auswertung des Verkehrsnetzes und des Fahrverhaltens der Fahrer und später der autonom fahrenden Fahrzeuge.

Autonome Fahrzeuge

Grafik: supply Chain
Bild: Fotolia #126687575 | Urheber: Mimi Potter

Syncron prognostiziert bis 2010 etwa 10 Millionen selbstfahrende Fahrzeuge. Und hierbei steht vor allem das autonome Fahren von Transportfahrzeugen im Fokus, was Supply Chain Experten freuen dürfte. Es gibt bereits erste Experimente mit autonom fahrenden LKW-Kolonnen. Erst im Juli 2017 testete Schenker den LKW der Zukunft. Laut einer Studie von DHL Customer Solutions & Innovation lassen sich mit Fahrzeugen in der Logistik-Kolonne pro gefahrenen Kilometer Kosten um bis zu 40 Prozent reduzieren. Gleichzeitig werden wichtige Daten zu Funktionen des Fahrzeugs sowie über Auslieferungsprozess bereitgestellt, um Lieferungen noch schneller und zuverlässiger von A nach B zu bringen.

Drohnen

Bereits jetzt geht man von einem Mehrumsatz durch Drohnen in Höhe von 127 Mrd. Dollar für 2020 aus. Amazons Drohnen machen bereits vor, wie es gehen könnte und DHL zieht nach. Was macht die Quadrocopter so beliebt? Zum einen, dass sie eben nicht nur Güter transportieren, sondern auch mit Sensoren und Hi-End-Kameras ausgestattet werden können, um Anlagen, Fabriken und andere Standorte zu überwachen. Die gesammelten Daten können dann wiederum u.a. in die Predictive Analytics Auswertungen einfliessen. Ebenso können autonom fahrende Logistik-Kolonnen überwacht werden. Dabei übermitteln sie Echtzeitdaten und unterstützen die Außendienstmitarbeiter. In Lagerhallen und Hochregallagern leisten die Fluggeräte wichtige Dienste bei der Inventur oder der Lagerbestandsaufnahme und ermöglichen die Umstellung auf automatisierte Prozesse. 

Wearables

Mit Wearables sind Dinge wie Virtual-Reality Brillen, Smartwatches und weitere tragbare High-Tech-Geräte gemeint, die sich vor allem zunehmend im B2B Bereich etablieren. Virutal Reality ermöglicht zum Beispiel sehr genaue Ferndiagnosen für Techniker, während wichtige Infos, die in der Zukunft auf dem Big Data Schatz der Unternehmen basieren werden, zu jeder Zeit auf einer Smartwatch angezeigt werden können. Das kann bei simplen Dingen wie der Arbeitszeit anfangen und sich bis hin zu einer Echtzeit-Auswertung der aktuellen Lagerkapazitäten, oder einer Art Navi, für den kürzesten und effizientesten Weg zum nächsten Produkt, entwickeln. Auch hier ist Syncron bei seinen Schätzungen alles andere als bescheiden: Bis zum Jahr 2020 sollen 75 Mio. „tragbare“ Geräte in die Arbeitswelt einziehen – auch in die Service Supply Chain. Vor allem im mobilen Einsatz bieten sie echten Mehrwert für Service-Mitarbeiter und Kunden: Im Außendienst stellen sie in Echtzeit Informationen zur Verfügung und erlauben effizientere Work-Flows. So lassen sich beispielsweise Reparaturen durchführen, Checklisten abgleichen und die Verfügbarkeit von Ersatzteilen abfragen.

BildnachweiseTitelbild: Fotolia #174430654 | Urheber: Syda Productions