Welche Rolle können Big Data und Data Analytics für die Widerstandsfähigkeit der Lieferkette spielen?

Nach der kurzen Tour d'horizon von letzter Woche, in der ich gezeigt habe, wie Technologien die Widerstandsfähigkeit von Lieferketten unterstützen können, erhielt ich einige Folgefragen dazu, wie dies speziell für Big Data und Data Analytics aussieht.

Hier sind also einige Beispiele für Bereiche, in denen Resilienz und Robustheit durch Datentechnologien unterstützt werden können:

Störungen frühzeitig erkennen

Früher war es normal, dass man z. B. am Freitagnachmittag einen Anruf erhielt, dass ein LKW an der Grenze feststeckt und das Lager nicht rechtzeitig vor dem Wochenende erreicht. Heute hingegen ist es möglich, kontinuierlich Daten aus verschiedenen Quellen wie Lieferanten, Produktionsstätten, Transport- und Vertriebszentren zu sammeln und zu analysieren. So können potenzielle Störungen frühzeitig erkannt und entsprechende Massnahmen ergriffen werden - in diesem konkreten Fall könnte dies eine alternative Route für den Lkw oder ein geplanter und gesicherter Zwischenstopp sein, oder eine Vereinbarung mit dem Lager, dass es länger geöffnet bleibt.

Umgang mit Nachfrageschwankungen

Eine der größten Herausforderungen in meiner Zeit in der Pharmaindustrie war immer die Nachfrageprognose. Einige Gesellschaften stellten bewusst niedrige Prognosen auf, weil höhere Verkäufe im Vergleich zur Prognose zu einer besseren Leistungsbewertung führten. Infolgedessen kam es regelmässig zu Lieferengpässen, die dann natürlich der Lieferfabrik angelastet wurden. Big Data und Data Analytics ermöglichen es Unternehmen, Muster und Trends in der Nachfrage zu erkennen. Durch die Analyse historischer Daten und saisonaler Schwankungen können Unternehmen Prognosemodelle erstellen, um die künftige Nachfrage genauer vorherzusagen. Dies ermöglicht eine effizientere Planung und Ressourcenzuweisung entlang der Lieferkette, um besser auf Nachfrageschwankungen reagieren zu können.

Lieferantenbewertung

Früher hatten wir in der Beschaffung einfache Statistiken mit Liefertreue und einem Qualitäts-KPI für alle Lieferanten. Detailliertere Analysen oder Risikobewertungen waren nur mit grossem Mehraufwand möglich. Mit Data Analytics können Unternehmen die Leistung ihrer Lieferanten differenzierter überwachen und bewerten. Anhand von Daten wie Liefertreue, Qualität oder Kosten können Unternehmen die besten Lieferanten (z.B. auch nach Produktgruppen) auswählen und ggf. alternative Lieferanten identifizieren. Dies hilft, Risiken im Lieferantenmanagement zu reduzieren und stärkt die Widerstandsfähigkeit der gesamten Lieferkette.

Risikomanagement

Datenanalytik analysiert große Datenmengen aus verschiedenen Quellen wie Wetterdaten, politischen Ereignissen und anderen Faktoren, die die Lieferkette beeinflussen können, sowie die unternehmenseigenen Lieferketteninformationen (IoT). Es werden Muster erkannt, um potenzielle Risiken im Voraus zu erkennen und geeignete Massnahmen zu ergreifen, um diese Risiken zu minimieren oder zu vermeiden.

Ich sehe viele Möglichkeiten in der Nutzung von Datenanalysen. Aber Vorsicht: Es gewinnt nicht derjenige, der die meisten Daten hat und die meisten Analysen durchführt, sondern derjenige, der die Analysemöglichkeiten mit Sinn, Verstand und Augenmass zu nutzen weiss.

---

Foto von rishi auf Unsplash