Machine Learning: Weg vom reaktiven Risikomanagement

Unternehmen sehen im Machine Learning laut einer Umfrage der TU Hamburg und von Riskmethods zwar Potenziale, setzen es aber noch selten ein.

Selbstlernende Systeme können einen wesentlichen Beitrag zu resilienteren Lieferketten leisten, so eine Umfrage von der TU Hamburg und Riskmethods. (Symbolbild: ktsdesign / AdobeStock)
Selbstlernende Systeme können einen wesentlichen Beitrag zu resilienteren Lieferketten leisten, so eine Umfrage von der TU Hamburg und Riskmethods. (Symbolbild: ktsdesign / AdobeStock)
Therese Meitinger

Automatisiertes Supply-Chain-Risikomanagement (SCRM), das selbstlernende Systeme zur Auswertung von Risikodaten einschließt, eröffnet neue Potenziale für eine vorausschauende Risikoüberwachung. Das verlängert die Reaktionszeit und stärkt die Widerstandsfähigkeit der Lieferketten. Zu diesem Schluss kommt eine am 8. November veröffentlichte Befragung des Instituts für Logistik und Unternehmensführung (LogU) an der Technischen Universität Hamburg (TUHH) in Kooperation mit dem auf SCRM spezialisierten IT-Anbieter Riskmethods zum Einsatz von maschinellem Lernen (ML) im Supply-Chain-Risikomanagement.

Die Befragung fand im Zeitraum Juni bis August 2021 statt. 353 Personen unterschiedlicher Managementebenen aus den Bereichen Einkauf (53 Prozent) nahmen teil, gefolgt von den Bereichen Informations- und Datenverarbeitung (13 Prozent) sowie Logistik (zehn Prozent), Unternehmensleitung (zehn Prozent). Der Branchenschwerpunkt lag auf dem verarbeitenden Gewerbe.

50 Prozent werden noch unvorbereitet getroffen

Zwar hätten viele Unternehmen in den vergangenen Monaten gelernt und könnten durch gute Vorbereitung und umfangreiche Informationsversorgung schneller auf Lieferkettenstörungen reagieren, so die Kooperationspartner in einer Pressemitteilung. Die Ergebnisse der Umfrage zeigten jedoch, dass noch immer 50 Prozent der Befragten unvorbereitet von einem Risikoereignis getroffen werden, was neben Verzögerungen zu finanziellen und Reputationsschäden führen kann. Auch wissen laut der Erhebung 42 Prozent der Befragten nicht, wie hoch die finanziellen Auswirkungen eines Schadenseintritts sein können. Diese Unternehmen sind folglich einem hohen Risiko ausgesetzt, da Schäden in Millionenhöhe nicht unüblich sind.

Nur ungefähr die Hälfte der Unternehmen verfügt nach Studienangaben über einen sehr hohen oder hohen Grad an Risikotransparenz bei eigenen Produktionsstätten und direkten Lieferanten (Tier-1). Die Sublieferanten (Tier-2 beziehungsweise Tier-n) werden nur in wenigen Fällen überwacht, sodass das SCRM lediglich einen geringen Teil der Lieferkette abdeckt. Das erhöhe das Risiko von Produktionsausfällen, steigenden Transportkosten oder der kostspieligen Erschließung alternativer Beschaffungsquellen, so die Mitteilung. Als Erkenntnis der Umfrage nennt Riskmethods, dass der Blick auf die direkten Zulieferer nicht mehr ausreiche, um kritische Knotenpunkte in der Lieferkette rechtzeitig zu erkennen und Maßnahmen einzuleiten.

Vor allem Risikoidentifikation gefragt

Die Befragten sehen in ihrem Risikomanagement noch viel Verbesserungspotenzial, vor allem was die Lieferkettentransparenz und die Methoden zur Risikoidentifikation betrifft: Für über 80 Prozent der Befragten ist die frühzeitige Erkennung von Risiken ein Mehrwert, der hilft, aufgrund der verlängerten Reaktionszeit rechtzeitig Gegenmaßnahmen einzuleiten und Störungen in der Lieferkette zu vermeiden. Dieser Zeitvorsprung kann den Studienautoren zufolge in vielen Fällen durch eine Automatisierung der Risikoidentifikation (Alerting) erreicht werden, die aus Liefernetzwerken auswertbare Echtzeitdaten generiert. Hier könnten selbstlernende Systeme einen wichtigen Beitrag leisten, heißt es.

Häufige Auslöser für den Einsatz von maschinellem Lernen im Lieferantenmanagement ist laut der Umfrage auch die Erkenntnis, dass sich spezifische Probleme nur mit ML lösen lassen. Unternehmen versprechen sich davon laut der Befragung in erster Linie Zeit- und Kostenersparnisse, zum Beispiel durch eine verbesserte Reaktionsfähigkeit, eine bessere Ressourcennutzung oder eine erhöhte Supply-Chain-Resilienz. Großes Potenzial sehen sie in der Supply-Chain-Planung und der Beschaffung, insbesondere beim Managen von Risiken in den Bereichen Lieferantenscouting, -bewertung und -auswahl.

Als technologische Erfolgsfaktoren sehen die Befragten für die Implementierung von ML im SCRM vor allem eine angemessene Datenbasis (Datenmenge, -verfügbarkeit, -qualität, -vielfalt, -granularität und -zuverlässigkeit) sowie die Qualität der Ergebnisse (Zuverlässigkeit und Genauigkeit, Nachvollziehbarkeit, Transparenz). Daneben spielen die Gestaltung der Algorithmen (Auswahl, Training und Weiterentwicklung der Algorithmen), eine geeignete IT-Infrastruktur (wie Server, Cloud-Lösungen und Programmiersprachen) sowie die Integration der maschinellen Lernalgorithmen in die bestehende IT-Infrastruktur (in Bezug auf Schnittstellen und Kompatibilität) eine wichtige Rolle.

„Die Ergebnisse zeigen, dass das Potenzial von maschinellem Lernen zwar erkannt, aber aktuell noch nicht ausreichend ausgeschöpft wird. Häufige Gründe, warum auf die Einbindung neuer Technologien in das SCRM verzichtet wird, sind fehlendes internes Know-how sowie Probleme bei der Verfügbarkeit und Aufbereitung von Daten im Unternehmen“, erklärt PD Dr. habil. Meike Schröder, Oberingenieurin am Institut für Logistik und Unternehmensführung der TU Hamburg.

Printer Friendly, PDF & Email