Startseite » Management » Einkauf »

Machine Learning senkt Beschaffungskosten

Machine Learning macht Lieferzeiten zuverlässig
Inform Software berechnet Wiederbeschaffungszeiten

Die exakte Voraussage von Lieferterminen kann die eigenen Beschaffungs- und Logistikkosten senken: Bis zu 40 Prozent können damit zum Beispiel bei der Lagerhaltung eingespart werden. Eine intelligente Software-Lösung von Inform berechnet Wiederbeschaffungszeiten jetzt zuverlässig auf Basis von Machine-Learning-Algorithmen.

» Michael Grupp, Journalist, Stuttgart

Manchmal verfügen Lieferanten über so starke Alleinstellungsmerkmale, dass ihre Kunden Verspätungen und Unzuverlässigkeit in Kauf nehmen (müssen). Aktuell ist dies zum Beispiel bei Speicherchips, Containern und ausgesuchten Rohstoffen der Fall. In anderen Fällen lassen sich Lieferanten auf unrealistische Lieferzeiten ein, um einen Auftrag überhaupt erst einmal zu gewinnen. Beidseitiges böses Erwachen ist garantiert. Meist aber sind nur unabgestimmte Prozesse oder mangelnde Kommunikation im Spiel.

Bis zu zwei Drittel aller B2B-Liefertermine werden nicht pünktlich eingehalten. Wirklich verlässlich ist oft nur der Avis-Termin, wenn sich die bestellte Lieferung tatsächlich bereits auf dem Weg befindet. Erreicht diese nicht pünktlich den Wareneingang, droht der Worst Case: Hektische Deckungskäufe bei alternativen Lieferquellen, damit nachgelagerte Prozesse und damit die eigene Lieferfähigkeit nicht gefährdet werden. Solche Deckungskäufe sind aber erfahrungsgemäß mit weiteren Nachteilen verbunden – etwa höhere Kosten sowie ungewisse Qualitäten.

Sicherheitshalber früher bestellen ist auch keine wirtschaftliche Lösung. Denn das führt zwangsläufig zu Überbeständen im Lager und bindet Fläche und Kapital. Und nicht zuletzt: Ein Lieferausfall kann sich auch auf die Termintreue gegenüber eigenen Kunden auswirken, was zu Strafzahlungen und Reputationsverlust führen kann.

Eine Ungewissheit von plus/minus einer Woche führt rein rechnerisch zu einem notwendigen fünffach erhöhten Sicherheitsbestand. Diese Mehrkosten können sich in einem mittelständischen Unternehmen zu sechsstelligen Summen addieren.

Diese Berechnungen verdeutlichen die Bedeutung der Wiederbeschaffungszeiten als KPI. Wenn überhaupt, ist dieser Indikator aber meist nur als persönliche Schätzung in den Stammdaten hinterlegt. Dabei können moderne Systeme für das Machine Learning (ML) die Wiederbeschaffungszeiten ziemlich genau berechnen und damit Geld, Zeit und Nerven sparen. Die ML-Lösung der Aachener Inform berechnet die Wiederbeschaffungszeiten auf Basis intelligenter Algorithmen. Die Resultate sind um 70 % präziser als vergleichbare Erfahrungswerte. Damit kann die durchschnittliche Abweichung von Lieferterminen beispielsweise von 25 auf 12 Tage reduziert werden.

Mehr noch: Die Lösung analysiert bereits vor der Bestellung die prognostizierten Lieferzeiten aller in Frage kommenden Anbieter und warnt vor unrealistischen Angeboten. Sie berechnet zudem den optimalen Bestellzeitpunkt und warnt im Laufe des Beschaffungsprozesses proaktiv vor drohenden Lieferausfällen. Damit kommt künftig nicht mehr der vermeintlich billigste oder schnellste Lieferant zum Zuge, sondern der wirtschaftlichste und der zuverlässigste. Die ML-Lösung von ist maßgeschneidert für produzierende und Handelsunternehmen erhältlich.

Voraussetzung für den Einsatz ist ein beliebiges ERP-System, in dem die Lieferdauer für abgeschlossene Bestellungen bekannt ist oder berechnet werden kann. Vor dem Einsatz wird das System auf Basis der vorhandenen Daten maßgeschneidert auf das jeweilige Unternehmen ausgerichtet und trainiert. Dazu zählt die Analyse historischer Daten wie Bestelldaten und der Wareneingang bisheriger Lieferungen. Dazu kommen saisonale Daten, etwa kurzfristige Lieferungen vor Weihnachten. Wichtig sind auch Daten zur Wunschverfügbarkeit, zu eingegangenen Terminbestätigungen sowie Avis-Daten. Außerdem sollten möglichst viele Details zum Lieferanten selbst sowie zu den gehandelten Produkten in den Lernprozess einfließen. Dazu gehören auch die Unternehmensgröße, der Standort, der offene Bestellwert am Bestelltag, die Anzahl offener Positionen, Bestellfrequenz sowie Größe, Menge und Preis der Artikel.

Nach der Trainingsphase reicht für spätere Berechnungen die Eingabe des jeweiligen Wunschtermins. Die Prognose erfolgt auf Ebene der Artikel-Lieferanten-Kombination. Die Ergebnisse können von Add-on-Systemen, etwa zur intelligenten Bestands- oder Produktionsoptimierung, genutzt werden, die Daten aus ERP-Systemen beziehen. Die kontinuierliche Pflege der Wiederbeschaffungszeiten im SAP-Materialstamm oder einem anderen ERP-System lässt sich (teil-)automatisieren.

Inform GmbH

Pascalstr. 35

52076 Aachen

Tel.: +492408 9456–4177

alexander.jatscha@inform-software.com

www.inform-software.com


Was ist Machine Learning?

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz. Es beschreibt IT-Systeme, die in bestehenden Datenbeständen Muster erkennen und damit Antworten auf bestimmte Fragestellungen geben können. So entsteht quasi neues (nicht programmiertes) Wissen aus alten Erfahrungen. Voraussetzung dafür sind zwei Prozesse: erstens die Programmierung entsprechender Algorithmen. Zweitens eine Trainingsphase, in welcher das System lernt, Daten zunehmend besser zu analysieren und immer intelligenter zu verbinden. Vielversprechende Einsatzgebiete sind beispielsweise die medizinische Diagnostik, die industrielle Qualitätssicherung sowie nicht zuletzt die Analyse von Wiederbeschaffungszeiten.


Beispielrechnung: 40 % Einsparpotenzial

Ausgangslage: eine Wiederbeschaffungszeit von zehn Wochen mit einer Streuung von plus/minus zwei Wochen. Vorgabe für die Lieferfähigkeit: 95 %. Der durchschnittliche Bedarf beträgt 200 Stück pro Woche, der Preis des Zukaufteils 75 Euro pro Stück.

Status quo: Damit ergibt sich ein benötigter SB von 677 Stück sowie eine Kapitalbindung von 50.714,47 Euro. Einschließlich eines Lagerkostensatzes von 16 % pro Jahr (für Kapitalkosten, Versicherung, Lagerhaltung etc.) belaufen sich die jährlichen Kosten auf 8.114,31 Euro.

Einsparpotenzial: Lässt sich die Streuung mittels ML auf plus/minus eine Woche halbieren, würde sich der SB auf 365 Stück, die Kapitalbindung auf 27.307,79 Euro und der Anteil der Kosten auf 4.369,25 Euro pro Jahr (53,85 %) reduzieren – bei einem einzigen Artikel! Auf den Gesamtbestand aller auf Lager gehaltenen Artikel hochgerechnet ergibt sich ein Einsparpotenzial in Millionenhöhe.

Industrieanzeiger
Titelbild Industrieanzeiger 19
Ausgabe
19.2021
LESEN
ABO
Newsletter

Jetzt unseren Newsletter abonnieren

Tipps der Redaktion

Unsere Technik-Empfehlungen für Sie

Webinare & Webcasts

Technisches Wissen aus erster Hand

Whitepaper

Aktuelle Whitepaper aus der Industrie

Unsere Partner

Starke Zeitschrift – starke Partner


Industrie.de Infoservice
Vielen Dank für Ihre Bestellung!
Sie erhalten in Kürze eine Bestätigung per E-Mail.
Von Ihnen ausgesucht:
Weitere Informationen gewünscht?
Einfach neue Dokumente auswählen
und zuletzt Adresse eingeben.
Wie funktioniert der Industrie.de Infoservice?
Zur Hilfeseite »
Ihre Adresse:














Die Konradin Verlag Robert Kohlhammer GmbH erhebt, verarbeitet und nutzt die Daten, die der Nutzer bei der Registrierung zum Industrie.de Infoservice freiwillig zur Verfügung stellt, zum Zwecke der Erfüllung dieses Nutzungsverhältnisses. Der Nutzer erhält damit Zugang zu den Dokumenten des Industrie.de Infoservice.
AGB
datenschutz-online@konradin.de