Künstliche Intelligenz zur Minderung des Bullwhip-Effekts in der Beschaffung - am Beispiel der Corona-Krise
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
1
Künstliche Intelligenz zur Minderung des
Bullwhip-Effekts in der Beschaffung –
am Beispiel der Corona-Krise
M.Sc. Artizana Hasi, Dr.-Ing. Alexander Goudz
Universität Duisburg-Essen
Fakultät für Ingenieurwissenschaften
Lehrstuhl Transportsysteme und -logistik
Schwankungen innerhalb der Lieferkette und in den Lagerbe-
Abstract - Damit Lieferketten globalisierter Unternehmen effizien- ständen werden immer intensiver je weiter man vom Kunden
ter und flexibler agieren können, müssen sie ihre durch den Bull- entfernt ist. Daher wurde der Effekt nach der Art und Weise
whip-Effekt ausgelösten Ineffizienzen nachvollziehen und verbes- benannt, wie sich die Amplitude einer Peitsche mit zunehmen-
sern. Angesichts des zunehmenden Leistungs- und Kostendrucks
ist daher der Einsatz neuer digitaler Werkzeuge, wie beispiels-
der Länge vergrößert. Je weiter vom Ursprungssignal entfernt,
weise die Künstliche Intelligenz notwendig, um gestiegenen Anfor- desto größer ist die Verzerrung des Wellenmusters. [1] Seither
derungen an die Leistungsfähigkeit der Lieferketten gerecht zu wurden viele Forschungsarbeiten und Studien publiziert, die
werden. Die Notwendigkeit widerstandsfähiger Lieferketten zeigt sich mit der Reduzierung des Bullwhip-Effekts auseinander-
die aktuelle Virus-Erkrankung COVID-19 eindrücklich. Auf- setzten. Darunter sind auch Inhalte zu subsumieren, die die Nut-
grund der globalen Ausbreitung der Krankheit kommt es weltweit zung von Techniken Künstlicher Intelligenz zur Reduktion des
zu Versorgungsengpässen in diversen Produktbereichen und zu ei-
Bullwhip-Effekts vorschlagen. [2] Mit der Reduktion des Bull-
nem veränderten Konsumverhalten in der Bevölkerung. Mithilfe
einer Analyse des Bullwhip-Effekts in der COVID-19-Krise wurde whip-Effekts können Unternehmen ihre Kostenanteile in einer
anhand ausgewählter Produktbereiche die Verbrauchernachfrage Lieferkette senken und damit ihren Wettbewerbsvorteil durch
in der Bundesrepublik Deutschland überprüft und evaluiert. Die präzisere Nachfragekenntnis ausbauen. [3]
Ergebnisse hiervon indizieren, dass man nach aktuellem Stand Im Zusammenhang mit der aktuellen COVID19-Pandemie
von einem einzigartigen Bullwhip-Effekt ausgehen kann, der so- entsteht aufgrund eines neuen Lebensstils ein verändertes
wohl die Nachfrage- als auch die Angebotsseite betrifft. Auslöser
hierfür sind nicht nur die pandemiebedingten gesamtwirtschaftli-
Nachfragemuster in der Bevölkerung, welches von überhöhten
chen Restriktionen, sondern vielmehr schwache globale Lieferket- Einkaufsmengen bestimmter Produktkategorien im Einzelhan-
ten. Eine Übersicht der erforschten Techniken Künstlicher Intel- del geprägt ist. In der Folge entstehen Versorgungsengpässe
ligenz zur Minimierung des Bullwhip-Effekts belegen die Wert- und lange Lieferzeiten. Darüber hinaus wirken sich pandemie-
schaffung von KI-Techniken zur Erstellung von präzisen Progno- bedingte Restriktionen negativ auf globale Wertschöpfungsket-
sen in Unternehmen. Die Arbeit zeigt auf, dass Methoden künstli- ten und ihre Lieferfähigkeit aus.
cher Intelligenz mithilfe einer vollständigen Datenbasis über Pan-
demie-Verläufe, marktrelevante externe Faktoren und historische
Im weiteren Verlauf wird der Bullwhip-Effekt anhand der ak-
Nachfragedaten zu treffenderen Prognosen kommen als klassische tuellen Corona-Krise aufgezeigt. Darüber hinaus werden Me-
Prognoseverfahren. thoden der künstlichen Intelligenz aufgeführt, um diesen Effekt
Schlagwörter – langfristig einzudämmen. Hierbei erfolgte zunächst eine Unter-
Bullwhip-Effekt, Corona, Supply Chain Management suchung des Bullwhip-Effekts in der Corona-Krise. Ziel ist es,
nicht nur die Existenz eines Bullwhip-Effekts darzulegen, son-
1 EINLEITUNG dern auch die Ursachen für dessen Entstehung auszumachen.
Bereits in den 50er Jahren beschäftigte sich der Professor des Darüber hinaus wird aufgezeigt, inwieweit die globalen Versor-
Massachusetts Institute of Technology (MIT) Jay Forrester mit gungsengpässe während der Corona-Krise auf den Bullwhip-
der Dynamik von Lieferketten. Er wies den heute im Supply Effekt zurückzuführen sind. Weiterhin soll anhand einer Lite-
Chain Management bekannten Bullwhip-Effekt nach. Dieser raturrecherche die Eignung von Techniken der Künstlichen In-
Effekt bezeichnet das Phänomen von Bestellschwankungen, die telligenz zur präzisen Nachfrageprognose aufgezeigt werden.
sich entlang der Wertschöpfungskette vom Kunden bis zum Letztlich wurden Handlungsempfehlungen für Unternehmen
Rohmaterial-Lieferanten stromaufwärts verstärken. Diese abgeleitet, die den Ausbau der eigenen Leistungsfähigkeit und
Flexibilität im Supply Chain Management unterstützen sollen.2
2 KÜNSTLICHE INTELLIGENZ künstlich erzeugte Mensch, wird auch als Homunculus referen-
ziert. [10] In diesem Zusammenhang taucht auch der Begriff
Auf eine der ersten akademischen Konferenzen zum Thema
der Singularität auf, welche der starken KI zugeschrieben wird.
Künstliche Intelligenz (KI) im Englischen als Artificial Intellli-
Eine KI, welche Menschen imitieren kann und sich dabei paral-
gence (AI) bekannt, dem Dartmouth Workshop in den USA im
lel selbst verbessert, könnte den Menschen rasch überholen.
Jahre 1956, wurde der Begriff durch den Informatiker John
Anzumerken ist hierbei, inwiefern eine solche Singularität
McCarthy etabliert. Das Seminar sollte dazu dienen gemeinsam
wünschenswert ist, da das Ziel von KI darin liegt, den Men-
mit Experten aus verschiedenen Fachgebieten herauszufinden,
schen im Alltag und Beruf zu unterstützen. Durch sie sollen
wie Intelligenz, die präzise beschrieben wird auch durch Ma-
spezielle Aufgabengebiete dem Menschen abgenommen wer-
schinen simuliert werden kann. Das wiederum zielte darauf ab,
den, damit dieser seinen Fokus in mehrwertbringendere Tätig-
herauszufinden Maschinen Probleme lösen zu lassen, die dem
keiten setzen kann. [11]
Menschen zu diesem Zeitpunkt Probleme bereiteten. [4] Die
Frage, ob Maschinen im Stande sind zu denken und somit das
Wissen von Menschen erweitern können, wurde bereits früher 2.1 Komponenten Künstlicher Intelligenz
von Vannevar Bush in seinem Werk „As We May Think“ 1945
aufgegriffen. Mit seinem Konzept des „Memex“ zeigte er das Die Künstlichen Intelligenz wird oft im Zusammenhang mit der
Konzept einer Art Bibliothek als kollektiven Wissenspool auf, Digitalisierung genannt. Unter Digitalisierung versteht man
welche in einer Maschinerie eingebettet ist und in Form eines einerseits den Informationstransfer von einem analogen in
normalen Schreibtisches erscheint. Noch früher als Bush be- einen digitalen Zustand. Auf der anderen Seite umfasst der
schrieb der Brite Alan Mathison Turing im Jahre 1935 eine Re- Begriff den Prozess, durch den die Einführung digitaler
chenmaschine, welche aus einem unbegrenzten Speicher und Technologien bzw. darauf aufbauender Anwendungssysteme
Scanner bestand, der das Gespeicherte las und auf dieser Basis hervorgerufen wird. Zu diesen digitalen Technologien zählt
weiterschrieb. Die Maschine sollte somit auf ihrem eigenen unter anderem die KI.[12] Weiterhin besteht ein
Programm arbeiten und dieses parallel verbessern. Diese soge- Digitalisierungstrend dahingehend, eindeutig identifizierbare
nannte „Turing-Maschine“ beschreibt heutzutage moderne physische Objekte mit dem Internet bzw. vergleichbarer
Computer. [5] [6] Die Leitgedanken zur KI wurden bereits vor virtueller Strukturen zu verknüpfen. Dies wird als Internet of
knapp einem Jahrhundert gelegt. Eine einheitliche Definition Things (zu Deutsch: Internet der Dinge) betitelt.[13][14]
von Künstlicher Intelligenz gibt es bis heute nicht. McCarthy Weitere Schlagworte verknüpft mit KI sind das Maschinelle
definiert Künstliche Intelligenz beispielsweise wie folgt: Lernen und das sogenannte Deep Learning. Beim Maschinellen
Lernen (ML) handelt es sich um Statistikmethoden, in Form
„Es (Künstliche Intelligenz) ist die Wissenschaft und Technik von Computer-Algorithmen, die zur Lösung von bestimmten
der Erstellung von intelligenten Maschinen, insbesondere intel- Problemen zum Einsatz kommen. Das ML versucht die
ligenter Computerprogramme. Sie hängt mit der ähnlichen Auf- menschliche Denkweise nachzuahmen, indem dieses bei-
gabe zusammen, Computer zu benutzen, um die menschliche spielsweise nach bestimmten Einkaufsmustern sucht, wenn
Intelligenz zu verstehen, jedoch muss die KI sich nicht auf Me- man als Nutzer online nach Büchern recherchiert. Diese
thoden beschränken, die biologisch beobachtbar sind“. [7] Sucheingaben und Kaufhistorien bringt das ML daraufhin in
Diese recht freie Definition zeigt, dass es bei KI, um das Adap- eine Clusterform, um später auf dieser Basis Buchvorschläge zu
tieren menschenähnlicher, intelligenter Verhaltensweisen in ei- generieren. Nichtsdestotrotz fehlt zur völligen menschlichen
nem IT-System geht. Der Prozess des ständigen Verbesserns Imitation die Fähigkeit Sprach- oder Schrifteingaben zu
von Erlerntem soll, mithilfe von Verknüpfungen zwischen vor- verstehen. Daher wird ML als Methode gesehen KI
herrschendem Wissen und Verständnis und dem neuen Input umzusetzen. Das Deep Learning (DL) kann als ML mit
erfolgen. Dieses intelligente Verhalten basiert auf den Kernfä- neuronalen Netzen definiert werden. Bei der Spracherkennung
higkeiten: Wahrnehmen, Verstehen, Handeln und Lernen. Klas- von Produkten, wie Siri (Apple) und Alexa (Amazon) wird
sische EDV-Systeme hingegen stützen sich auf den Prinzipien: dieses verstärkt eingesetzt. Die Algorithmen hinter dem DL
1. Eingabe, 2. Verarbeitung, 3. Ausgabe. Der Faktor Lernen und verwendet man zur natürlichen Sprachverarbeitung. Es findet
Verstehen soll bei KI-Anwendungen vor allem im Prinzip eine Transkription des Gesprochenen statt mit darauffolgender
„Verarbeitung“ mehr Gehalt finden. Dadurch werden die Sys- Entschlüsselung der Botschaft. Solche Prozesse sind mit
teme sukzessive trainiert und liefern immer bessere Ergebnisse erheblichen Mengen an Input-Daten trainiert.[15] Diesen Input
als vergleichbare starre Programme mit fixen Regelsätzen. [8] liefern Massen an Daten, welche im Sprachgebrauch rund um
[9] Des Weiteren lässt sich die KI in die schwache und starke KI, auch als Big Data bekannt sind. Hinter Big Data verbergen
KI unterteilen. Viele Technologien, die als Systeme künstlicher sich Daten, welche sich durch ihr Datenvolumen, ihre
Intelligenz vermarktet werden, sind es nicht. Beispielsweise Geschwindigkeit, mit der sie entstehen und durch die Vielfalt
kann die Sprachsteuerung und die Diktierfunktion am Handy ihrer Datentypen bzw. -quellen auszeichnen. Diese Daten zielen
nicht als KI aufgefasst werden, da es dem System hierfür an auf die Erzeugung eines wirtschaftlichen Nutzens ab.[16] All
Sprachverständnis fehlt. Diese Form der schwachen KI kann diese Begriffe sind Methoden der KI, welche dem System
auch als Mensch-Maschine-Kollaboration definiert werden, jedoch nicht die Eigenschaft geben menschenähnliche und
denn die Maschine hilft dem Menschen bei der Zielerreichung. intelligente Verhaltensweisen zu besitzen. Solche Eigenschaf-
Bei der starken KI handelt es sich um eine Zukunftsvision, wo- ten sind für eine Künstlichen Intelligenz jedoch
bei ein System den Menschen nachahmen kann. Ein solcher ausschlaggebend.[17]3
2.2 Potenziale KI für die Nachfrageprognose Bullwhip-Effekt so effektiv wie möglich einzudämmen, nutzen
Unternehmen, ob sie nun im Business-to-Consumer-Bereich
Durch Optimierung der Nachfrageprognose lassen sich in Un-
oder im Business-to-Business-Bereich agieren, quantitative
ternehmen Kosteneinsparpotenziale generieren. Das geschieht
und/oder qualitative Methoden. Qualitative Prognoseverfahren
vor allem in den Bereichen der Finanz- und Kapazitätsplanung,
verwenden qualitative Daten, wie z.B. Experteninterviews und
in der Lager- und Bestandshaltung und in der Risikobewertung.
Umfragen. Wobei hier offen ist, ob man die Vergangenheit mit-
Durch die Algorithmik des maschinellen Lernens lassen sich
berücksichtigt oder nicht. Wie der Begriff „qualitativ“ bereits
Prognosen präzisieren und erhebliche Kosten bei Lagerleerlauf
suggeriert, finden menschliche Urteile und Bewertungssche-
bzw. erhöhtem Lagerbestand vermeiden. Laut dem Unterneh-
mata hier Anwendung, um qualitative Informationen in greif-
mensberatungsunternehmen McKinsey & Company, Inc. ist
bare quantitative Schätzungen zu transformieren. [24]
eine Reduktion von Prognosefehlern durch Nutzung von künst-
Kausalmodelle nutzen spezifische Informationen über Bezie-
licher Intelligenz um 20 bis 50% realisierbar. Darüber hinaus
hungen zwischen Elementen eines Systems und berücksichti-
könnten sowohl Umsatzeinbuße durch Waren, die nicht auf La-
gen ebenfalls detaillierte Informationen über Ereignisse und
ger sind, um 65% sinken, als auch Bestände und somit Kapital-
Vergangenheitswerte. [25] Bei dieser Modellart müssen Ver-
bindungskosten um 20 bis 50% zurückgehen.[18] Transport-
gangenheitswerte vorliegen und es sollten Beziehungen zwi-
und Lagerhaltungskosten sollen durch den Einfluss von KI eine
schen Variablen und dem zu prognostizierenden Wert vorherr-
Senkung von 5-10% erleben und in der Verwaltung der Supply
schen. Auf diese Weise erhält man bereits ein grobes Bild über
Chain sollen quantitative Reduktionen zwischen 25 und 40%
Ursache-Wirkung-Beziehungen seines Produkts bzw. seiner
umsetzbar sein.[19] Insbesondere bei bedarfssynchroner Pro-
Dienstleistung mit diversen anderen Faktoren. Darüber hinaus
duktion (Just-in-Time), ist eine genaue Bedarfs- und Lagerstra-
kann das Modell bei fehlenden Variablen mit Annahmen er-
tegie unabdingbar, da dies letztlich auch den Wettbewerbsvor-
gänzt werden, die dann im Nachhinein kontrolliert und gegebe-
teil darstellt. Häufig sind solche Produktionslinien an Standard-
nenfalls aktualisiert bzw. verworfen werden. Somit wächst das
bedingungen adaptiert worden. Solche Bedingungen werden
Kausalmodell mit dem Ausbau der Markt- bzw. Prognos-
aber relativ selten eintreten, da Produktbedarfe von vielen ex-
ekenntnisse. Die Regressionsanalyse gehört zu den Kausalmo-
ternen und internen Faktoren abhängen. Eines dieser Kausalitä-
dellen. [26] Bei Zeitreihenmodellen konzentriert man sich auf
ten ist beispielsweise die häufig erwähnte Saisonalität. Zudem
Muster und Änderungen innerhalb dieser Muster. Somit werden
funktioniert in Produktionen die Effizienz aufgrund mangeln-
ausschließlich historische Daten in Betracht gezogen. Bekannte
der Berücksichtigung der Flexibilität nicht mehr. Effiziente
Zeitreihenmodelle sind der Gleitende Durchschnitt und das
Prozesse verlangen, die präzise Einteilung von Ressourcen, um
ARIMA-Modell. Jeder Punkt des gleitenden Durchschnitts in
gewinnmaximierend zu wirtschaften, während Flexibilität da-
einer Zeitreihe ist das gewichtete Mittel einer Anzahl aufeinan-
rauf basiert, Reserven an Ressourcen einzuhalten, um in jeder
derfolgender Punkte in der Reihe. Hierbei findet die Auswahl
möglichen Situation, die durch Einflüsse der Außenwelt eintre-
der Anzahl der Datenpunkte so statt, dass die Auswirkungen
ten könnten, flexibel und agil reagieren zu können. Unterneh-
von Saisonschwankungen und/oder Unregelmäßigkeiten mini-
men sollten Bemühungen in beide Richtungen anstreben und
mal bzw. eliminiert werden. Der Durchschnitt bzw. Mittelwert
ihre Strategien so auslegen, dass man auf den Eintritt jeder be-
wird als gleitend beschrieben, da sich mit jeder neuen Folgepe-
liebigen Situation vorbereitet ist. [20][21] Um eine flexiblere
riode in der Prognose das Ergebnis verändert. [27]
Marktposition in einem immer dynamischeren Geschäftsum-
ARIMA stellt eine Erweiterung des gleitenden Durchschnitts
feld aufrechterhalten zu können, benötigen Unternehmen, als
dar. Das ARIMA-Modell kombiniert die Auto Regression mit
Akteure in einer Lieferkette gute Prognosetechniken. Solche
dem gleitenden Durchschnitt. Diese Methode kommt meistens
Prognosen müssen in der Lage sein, sich an ständig wechselnde
bei Zeitreihen zum Einsatz, in denen der Mittelwert der Prog-
Umweltbedingungen anpassen zu können, um eine verlässliche
nosewerte nicht konstant ist bzw. die Varianz nicht gleichmäßig
Nachfrageprognose erstellen zu können. Auf Basis einer sol-
ist. Eine solche Zeitreihe gilt folglich als nicht stationär. Das
chen Prognose werden letztlich auch die Geschäftsprozesse an-
kommt bei der Mehrheit der Zeitreihen vor, da Verkaufszahlen
gepasst. Somit stellt eine flexible, verlässliche und möglichst
von saisonalen Produkten beispielsweise stark je nach Ver-
genaue Prognose einen Wettbewerbsvorteil dar. Letztlich kön-
kaufsmonat variieren. ARIMA sorgt dafür, dass man diese Ver-
nen genauere Prognosen, sprich die maximale Annäherung der
läufe von Prognosewerten durch Differenzierung integriert und
Vorhersage an der realen Nachfrage, Peitscheneffekte entlang
zunächst stationär macht, damit man die Zeitreihe korrekt wei-
der Lieferkette effektiv minimieren. Mit Unterstützung von
terverarbeiten kann. Auf diese Weise werden saisonale Fakto-
Künstlicher Intelligenz kann die Realisierung eines solchen
ren in der Vorhersage mitberücksichtigt, wodurch man eine hö-
Konzepts funktionieren. Speziell im Bereich der Nachfrage-
here Genauigkeit im Ergebnis erzielt. Das ARIMA-Modell ist
prognose ist die KI befähigt, v.a. aufgrund umfangreicher Da-
kein einzelnes Modell, sondern eine Sammlung von verschie-
tenberücksichtigung, treffendere sowie präzisere Ergebnisse zu
denen Modellen, die der Nachbildung von unterschiedlichen
erzielen. [22]
Prozessen dienen. [28]
Ähnlich dem gleitenden Durchschnitt wird bei der Methode der
exponentiellen Glättung mit dem Durchschnitt mehrerer Nach-
2.3 Klassische Prognoseverfahren frageperioden gearbeitet mit dem Unterschied, dass man den
An Prognosen richten sich die Absatzplanung und das Control- Wert am Ende der vergangenen Periode und den Wert der ak-
ling, die Produktionsplanung und die Ausrichtung interner Ge- tuellen Prognoseperiode mitberücksichtigt, um die zukünftige
schäftsprozesse eines Unternehmens. [23] Damit man die Kun- Prognoseperiode vorherzusagen. [29]
dennachfrage möglichst detailliert einschätzen kann, um den4
Jede dieser Prognosemethoden hat ihren speziellen Nutzen im Umsatzverlaufes der vergangenen Jahre, zeigen die prognosti-
Hinblick auf den Kontext ihrer Anwendung. Wichtig ist, dass zierten Verläufe durch KNN einen ähnlichen Verlauf ähnlich
der Anwender die Auswahl an Techniken kennt und versteht, der realen Umsatzkurve. Bei dem Experiment wird aber darauf
um die richtige Technik für seinen spezifischen Applikations- hingewiesen, dass die Datenbasis mit der das KNN arbeitet,
bereich auswählen zu können. Die Auswahl der richtigen Me- Verbesserungspotenzial bietet. So sollen externe Einflüsse (Fe-
thode benötigt die Berücksichtigung von einigen Kriterien. Da- rien, Saisonabschnitte, etc.) und interne Firmendaten mitbe-
runter beispielsweise die Verfügbarkeit von historischen Daten rücksichtigt werden, sowie Datenredundanzen vermieden wer-
und deren Relevanz für die Prognose, die gewünschte Progno- den. Hinzu kommt die firmenspezifische Empfehlung, auf-
segenauigkeit, der vorherzusagende Zeitraum, die Kosten bzw. grund des breiten Produktportfolios, die umsatzschwächsten
der Nutzen der Prognose für das Unternehmen und der verfüg- und solche mit niedriger Kundennachfrage zu filtern. Produkte,
bare Zeitrahmen für die Durchführung der Analyse. Generell die weniger umsatzstark sind, können die Prognose unnötig ver-
sollte der Anwender diejenige Prognosemethode auswählen, zerren und dadurch falsche Interpretationen erleichtern.[37]
die seine verfügbaren Daten und Informationen am besten bzw. Die Ergebnisse der Studie von Prakash und Pandey zeigen,
maximal nutzt. Gerade bei Nachfrageprognosen für Produkte dass KNN nötig ist, um die Nachfrageprognose zu optimieren
sollte zusätzlich der Produktlebenszyklus beachtet werden. Je und somit den BWE zu reduzieren. Maßnahmen, die auf Kolla-
nach Stufe des Produktlebenszyklus, in dem sich ein Produkt boration entlang der Lieferkette beruhen, erfordern eine Ge-
befindet, kann die Prognose immens variieren. Produktneuein- samtintegration der Lieferkette, was in Realität aufgrund von
führungen erleben mehrheitlich einen starken Nachfragean- Zieldiskrepanzen kaum umsetzbar ist. Das benutzte KNN er-
stieg, wohingegen Produkte, die bereits länger auf dem Markt hielt die vergangenen sechs Nachfrageänderungen als Eingabe-
sind, sich einer stagnierenden Nachfrage konfrontiert sehen. werte, um den darauffolgenden Monat vorherzusagen. Im Ver-
Zudem sollte klar sein, zu welchem Zwecke die Prognose dient. gleich zu den klassischen Prognosemethoden, wie beispiels-
Die Planung eines Projektbudgets erfordert konsequenterweise weise der exponentiellen Glättung und dem gleitenden Durch-
eine sehr genaue Vorhersage der zukünftigen Nachfrage.[30] schnitt schnitt auch hier das KNN am besten ab, da es den ge-
ringsten Fehlerwert lieferte. [38]
Efendigil et al. appellieren darauf, die Nachfrage als einen wett-
3. LITERATURRECHERCHE: KI-PROGNOSEMETHODEN bewerbsentscheidenden Aspekt innerhalb einer Lieferkette zu
sehen und daher die Zielsetzung auf eine möglichst genaue
Es wurden acht Studien in Bezug auf die Reduzierung des BWE
Prognose zu legen. In der Studie werden Prognosewerte über
herausgesucht und die Ergebnisse zusammengefasst. Lee et al.
die KNN und ANFIS-Technik in einer mehrstufigen Lieferkette
(1997) sehen die Ursachen des Bullwhip Effekts in vier Fel-
für ein Gebrauchsgüterunternehmen modelliert. Durch die
dern: 1. Nachfrageprognose, 2. Auftragsbündelung, 3. Preis-
ANFIS Methode sollen unvollständige und vage Datensätze
schwankungen und 4. Engpasspoker. Sie sehen Bestellschwan- besser verarbeitet werden, da diese hier argumentativ gelöst
kungen als ungünstige Konzipierung des Prozessrahmens und werden. Das Resultat der Studie ergab letztlich präzisere Prog-
der Organisation, in der der Manager Entscheidungen fällen
nosewerte bei ANFIS als bei KNN. [39]
muss. Darüber hinaus ging man hier von der Rationalität des
In einer theoretischen Aushandlung von Aggarwal und Davè
Entscheidungsträgers aus.[31] Sie schlagen Maßnahmen zur
sollen künstliche neuronale Netze die Nachfrageprognose do-
Reduzierung des Peitschen-Effekts vor, die eher management-
minieren, indem entlang einer mehrstufigen Lieferkette Infor-
gestützt sind und heutzutage weitestgehend gängig in der unter- mationsinput und -output, die auf jeder Ebene vorkommen, an
nehmerischen Praxis sind. Hauptsächlich basieren diese auf der die vor- und nachgelagerte Ebene weitergeleitet werden. Auf
Informationsbereitstellung auf jeder Lieferkettenebene. Aus
diese Weise sollen den Akteuren tagesaktuelle Daten vorliegen,
den anderen Quellen ging deutlich hervor, dass die Nachfrage-
mit denen sie ihre Prognosen erstellen können. Weiterer Aspekt
prognose als eine der größten Hürden in der Planung und Orga-
ihrer Studie ist der Produktlebenszyklus eines Produktes, wel-
nisation einer Lieferkette zu sehen ist. Dieses Problemfeld ist in chen man treffender bestimmen könnte, wenn KNN für Prog-
den darauffolgenden Studien aufgenommen worden, um durch nosezwecke genutzt wird. Das Wissen über den jeweiligen Le-
KI-Techniken die Differenz zwischen Prognose-Nachfrage und
benszyklus ist ein wichtiger Einflussfaktor für die zu erwarten-
realer Prognose zu minimieren. Letztlich sollten neue Progno-
den Nachfragezahlen. Die Autoren beschreiben das KNN als
semethoden durch den KI-Einsatz konzipiert und an Datenbei-
Empfänger von historischen Informationen und vorhergehen-
spielen getestet werden. Da einstimmig aus den Studien hervor-
den Rechercheinformationen, welches daraufhin eine ge-
ging, dass traditionelle Prognosetechniken, wie Multiple Re- wünschte Ausgabe bzw. Nachfrage prognostiziert. [40]
gression, ARIMA, Exponentielle Glättung usw. nicht-lineare Singh und Challa zeigen in ihrer Studie, dass die vorbereitende
Nachfrageverläufe nicht in der Lage sind optimal darzustellen,
Bearbeitung von Daten mit der Diskreten Wavelet-Transforma-
rückten künstliche neuronale Netze (KNN) an deren Stelle
tion, mit nachfolgender Eingabe ins KNN und ANFIS bessere
[32][33][34][35][36]
Ergebnisse im Vergleich zur simplen Eingabe ohne vorherige
Kiefer und Ulmer stellten in ihrer Studie anhand der monatli- Datenbearbeitung erzielt. DWT sorgt dafür, dass nicht-lineare,
chen Bestands- und Bestelldaten eines deutschen Unterneh- historische Nachfragedaten in Muster zerlegt werden, die durch
mens die Vorteilhaftigkeit künstlicher neuronaler Netze für die die KI-Methoden effizienter verarbeitet werden können. In der
Nachfrageprognose gegenüber traditionellen Techniken, wie li- Studie werden keine externen Einflussfaktoren berücksichtigt,
neare Regression und SARIMA dar. Das KNN liefert akkura- da man davon ausgeht, dass solche bereits in den historischen
tere Prognosewerte und auch in der grafischen Darstellung des Daten enthalten sind. Um zu beweisen, dass bessere Prognosen
zu einer Verringerung des BWE und der Bestandsverstärkung5
führen, wurden die beiden Werte mathematisch berechnet. In die stärksten Nachfrageschwankungen erlebt, während der
beiden Fällen haben die hybriden Modelle bessere Ergebnisse OEM diese weitaus geringer wahrnimmt, da er näher zum Ab-
als die reinen KI-Techniken erbracht. Vor allem das DWT- nehmer steht.[45]
ANN Modell lag in allen Werten vorne. [41]
In der Studie von Jaipuria und Mahapatra wurde der BWE op-
timiert und die Bestandsverstärkung reduziert, indem die Nach- 4.1 Ursachen für die Entstehung des Bullwhip Effekts
frage mit diskreter Wavelet-Transformationen analysiert und in 1. Die Aktualisierung der Nachfrageprognose bezieht sich auf
ein KNN integriert wurde. Die hybride Modellvorhersage er- die Nachfrageverarbeitung auf jeder Lieferkettenebene. Die
zielte eine genauere Prognose als das ARIMA-Modell [42] In Akteure verarbeiten die Bestelleingänge ihres direkten Kunden
einem Versuch durch verteilte Intelligenz in Form eines MAGS und richten diese als zukünftig langfristige Prognose ein. Neue
eine mehrstufige Lieferkette zu repräsentieren, erzielten Ponte Bestellmengen in darauffolgenden Perioden werden eventuell
et al. zufriedenstellende Ergebnisse. Die Interaktion der einzel- höher oder niedriger sein und erneut als langfristiges Signal ver-
nen Subsysteme im globales Multiagentensystem erwies sich arbeitet. Die vorgelagerten Ebenen des „falsch“ verarbeitenden
als ein adäquates Prognosemittel, welches mit einfachen Me- Akteurs werden selbst auch ihre Produktionen und Bestellmen-
thoden arbeitete. Darunter fielen naive Prognose (Prognosewert gen an der verzerrten Information ihres direkten Kunden rich-
ist letzter Absatzwert), gleitender Durchschnitt, exponentielle ten. Somit entsteht durch lokale Prognose eines Auftrags am
Glättung und ARIMA. Verglichen mit den traditionellen Me- Lieferkettenende ein Bestell-Aufschaukeln, welches sich bis
thoden resultierten aus dem MAGS optimalere Werte für den zur Spitze der Lieferkette zieht und sich auf diese Weise ver-
Peitscheneffekt.[43] stärkt.[46]
Den Ausführungen ist entnehmbar, dass die Techniken Künst-
licher Intelligenz für die Prognose von Messgrößen einer 2. Dauer der Bereitstellung von Informationen und Gütern: Die
Supply Chain gegenüber den traditionellen Methoden zu favo- Verzögerung in der Bereitstellung von Informationen und die
risieren sind. In allen Experimenten schnitten KI-Techniken Lieferzeit von Produkten entlang der Lieferkette verstärken den
besser ab als die klassischen Techniken. Somit sollten KI- BWE. Informationen über eine Änderung in der Nachfrage des
gestützte Prognoseverfahren mehr Einzug in deutsche Unter- Endabnehmers benötigen eine gewisse Zeit bis alle Akteure der
nehmen erhalten. Eine vorhergehende Datenbereinigung zur Si- Lieferkette sie erhalten. Zusätzlich brauchen die Akteure Zeit,
cherstellung konsistenter und vollständiger Daten sehen die Au- um die erhaltenen Informationen zu verarbeiten und beispiels-
toren als ersten Schritt an, um die KI-Technik maximal zu ver- weise Aktionen einzuleiten. Diese können sich unter anderem
wenden und eine bestmögliche Prognose zu erhalten. auf die Kapazitätsanpassung und Lieferzeiten beziehen. Eine
schnelle Reaktion der Akteure durch rasche Informationsbereit-
stellung minimiert die Folgen des BWE, während eine verzö-
4. BULLWHIP EFFEKT DEFINITION gerte Informationsverfügbarkeit auf Nachfrageänderungen ext-
remere Maßnahmen erfordert und den BWE verstärkt. [47]
Das Konzept des Bullwhip-Effekts, zu Deutsch auch als Peit-
scheneffekt bekannt wurde vom Amerikaner Jay Wright For- 3.Preisschwankungen: Unternehmen nutzen häufig Rabatte,
rester im Jahre 1961 definiert. In Gesprächen mit den damali- Preisprämien oder Aktionspreise, um den Verkauf bestimmter
gen Firmenmanagern des US-amerikanischen Konzerns Gene- Produkte bzw. Produktgruppen anzukurbeln. Dies führt dazu,
ral Electric Corporation wurde klar, dass entgegen aller Bemü- dass Kunden oder Großhändler bei niedrigen Preisen mehr
hungen des Managements es immer wieder zu Schwankungen Stückzahlen abnehmen, weil sie steigende Preise befürchten.
entlang der Lieferkette (Supply-Chain) kam. Dies äußerte sich Diese plötzlichen Nachfrageschwankungen beim Endkunden
werden in der vorgelagerten Lieferkette durch den BWE um ein
in Schwankungen in der Produktion, im Lagerbestand und Ge-
Vielfaches verstärkt. [48]
winn. Forrester beobachtete hierbei den Führungsstil der Abtei-
lungsleitungen und die Reaktion derer auf Veränderungen in 4. Auftragsbündelung: Hier sammeln sich Bestellungen, um da-
der lokalen Umgebung. Statt externe Einflüsse, wie beispiels- raufhin einen periodischen Abruf beim Lieferanten zu generie-
weise Konjunkturschwankungen als Anlass für firmeninterne ren, meist über sogenannte Materialbedarfssysteme (MRP)
Schwankungen zu sehen, sah er die Produktion und den Ver- nach festgelegten Zeiträumen. Diese periodischen Abrufe sol-
trieb als ein System an, dessen Einheiten miteinander interagie- len insbesondere Kosten reduzieren, die durch die Auftragsver-
ren. [44] Diese einzelnen Glieder der sogenannten Lieferkette arbeitung, Bestellung und Lieferung entstehen und bei Produk-
reagierten auf die ihnen fachspezifisch bereitgestellten Infor- ten, die wenig abgefragt werden die Lagerkosten minimieren.
mationen und Anreize. Daraus entstanden Unebenheiten, wel- Auftragsbündelungen initiieren Nachfrageschübe, welche ver-
che man versucht durch Bestelländerungen beim Lieferanten einzelt im zeitlichen Verlauf auftauchen, gefolgt von wenig bis
gar keiner Nachfrage. Letztlich führt dies zu einer Nachfrage-
auszugleichen. Diese Rückkopplung von Informationen in der
schwankung stromaufwärts entlang der Lieferkette. [49]
Lieferkette führte zu anhaltenden zyklischen Schwankungen.
Dabei sind diese „Schläge der Peitsche“ höher je weiter die Un- 5. Engpasspoker: Übersteigt die Nachfrage das Angebot teilen
ternehmen in Bezug auf die Lieferzeit vom Endkunden entfernt Unternehmen häufig ihre Produkte ein. Dies kann in der Form
sind. Betrachtet man einen Originalausrüstungshersteller passieren, dass nur eine Lieferung nach einem gewissen Pro-
zentanteil der nachgefragten Menge erfolgt. Meist erhöhen
(OEM), der in der Zulieferpyramide an oberster Spitze steht
Käufer dann ihre Bestellmengen, weil sie von einem Liefereng-
und unter sich noch weitere Tier-1, Tier-2 und Tier-3 Lieferan-
pass des Produkts bzw. der Produkte ausgehen. Solche Bestel-
ten hat, so ist schnell klar, dass der Lieferant in dritter Ebene lerhöhungen sind meist höher als die tatsächlich benötigte6
Menge. Nach Überwindung der Lieferengpässe, treten viele BürgerInnen rapide. Menschen verweilen mehr in ihren häus-
von den Aufträgen zurück bzw. stornieren ihre Bestellungen lichen Umgebungen, arbeiten vielfach im Homeoffice und/o-
wieder, da sie diese nicht mehr benötigen. Hersteller stehen vor der betreuen zuhause ihre Kinder, da diese lange Zeit keine
einem stark verzerrten Abbild der Verbrauchernachfrage, was Schulen bzw. Kindergärten besuchen konnten. Dadurch fallen
den Peitscheneffekt zusätzlich verstärkt. [50] ebenfalls viele freizeitliche Aktivitäten aus, wie beispielweise
auswärts essen. Um das Risiko der Ansteckung so gering wie
6. Planungs- und Verhaltensaspekte: Die Reaktion auf Nachfra- möglich zu halten, werden auswärtige Tätigkeiten lokal und
geschwankungen beim Kunden bleibt letztlich Menschen über- global auf ein Minimum reduziert. Das bezieht auch Lebens-
lassen. Das Verhalten in solchen Situationen kann stark variie- mitteleinkäufe mit ein: statt der wöchentlichen Einkäufe in ge-
ren: entweder man erhöht seine Abrufmenge beim Lieferanten ringeren Mengen, wurden in den Monaten nach Ausbruch der
aus Angst nicht lieferfähig zu sein oder man bedient den Kun- Pandemie Lebensmittel in haushaltsunüblichen Mengen nach-
den zunächst solange weiter, wie es der Lagerbestand erlaubt. gefragt, was dazu führte, dass man im Einzelhandel vor leeren
Diese zwei Handlungsalternativen getrieben durch irrationale Regalen stand oder sich zügig bemühen musste seine Produkte
Motive verstärken das meist ohnehin verzerrte Nachfragebild auf der Einkaufsliste im Laden zu erhalten.[55] Diese Nach-
noch mehr. [51][52] fragespitzen haben sich in der Bevölkerung unter anderem bei
den folgenden Produkten ergeben: Teigwaren, Mehl, Zucker,
Reis, Desinfektionsmittel, Schutzmasken und Toilettenpapier
4.2 Bullwhip Effekt am Beispiel der Corona-Krise
ergeben.[56]
Ende des Jahres 2019 brach in der Stadt Wuhan der Volksre-
Bereits im Februar dieses Jahres berichteten die Medien, dass
publik China der Erreger SARS-CoV-2 aus, welcher zu den
Lieferabrisse aufgrund der Schüsselposition Chinas in der glo-
Corona-Viren gehört, der die Krankheit COVID-19 auslöst.
balisierten Wirtschaft unabwendbar seien. In China sitzen viele
Seither breitet sich der Virus rasch weltweit aus, da der Über-
Produktionsstandorte deutscher Unternehmen, die aufgrund der
tragungsweg meist über Tröpfcheninfektion funktioniert. Die
lokalen Maßnahmen ihre Arbeit in den Fabriken nur sehr ein-
Krankheit führt zu grippeähnlichen Symptomen und kann bei
geschränkt aufnehmen konnten. Auch die Überseefahrten sind
schweren Verläufen bis hin zur Lungenentzündung gehen. Vor
eingeschränkt und es kommt daher zu längeren Umlaufzeiten
allem die älteren Bevölkerungsschichten, sowie vorerkrankte
und Lieferengpässen, aufgrund begrenzter Schiffskapazitäten.
Menschen sind die Risikogruppen von COVID-19.[53]
Der MIT Professor Yossi Sheffi teilte mit einem Nachrichten-
sender in den USA die Sorge, dass es zu Bestell-Aufschauke-
lungen entlang der Lieferkette kommen kann. Da Unternehmen
durch den Engpass an Produkten die Befürchtung haben, nicht
lieferfähig für ihre nachgeschalteten Kunden zu sein, könnten
Aufträge an ihre Lieferanten höher angegeben werden als real
nötig. Der hier beschriebene Peitscheneffekt verstärkt sich mit
steigender Ebene in der Lieferkette und kann dazu führen, dass
den Unternehmen letzten Endes Produkte vorliegen, für die es
keine Nachfrage mehr gibt. [57]
Abbildung 1: Absatzentwicklung Desinfektionsmittel. DESTATIS Sta-
tistisches Bundesamt (2020)
Um genau diese Risikogruppen zu schützen und die Kapazitä- 4.2.1 Produkt: Desinfektionsmittel
ten von Krankenhäusern, Kliniken und dem Ärzte- und Pflege- Der Absatz von Desinfektionsmittel unterliegt im Vergleich zu
personal nicht zu überlasten, hat die Bundesrepublik Deutsch- anderen Produkten des täglichen Lebens, wie bspw. Mehl und
land Maßnahmen zur Eindämmung der Ausbreitung der Reis extremeren Schwankungen. Hier wurden Anfang Februar
Krankheit eingeführt. Neben Hygieneregeln, an die sich die 2020 ca. 700% mehr Produkte nachgefragt als im Zeitraum Au-
Bevölkerung halten soll, verhängte man weiterhin Quarantä- gust 2019 bis Januar 2020. Dieser Absatz ging um ca. 500% in
neregelungen für Einreisende aus dem Ausland und vor allem der nachfolgenden Woche (KW11) zurück und so-gar ins Ne-
aus Corona-Risikogebieten. Die Kontaktbeschränkungen und gative. Letzterer Umstand lässt sich durch den breiten Ausver-
der erste Lockdown (sinngemäß Massenquarantäne) im Früh- kauf des Produktes begründen. Hersteller waren bemüht den
jahr 2020 haben in Deutschland dazu geführt, dass auch die Nachfrageüberhang einzuholen und alle Kapazitäten hochzu-
Wirtschaft stagnierte und dies aktuell zu einer globalen Wirt- fahren. In erlebte man in der KW 13 einen erneuten Absatzan-
schaftskrise führt. Grund dafür ist der Fokus der Länder alle stieg. Der Nachfrageverlauf bleibt in Deutschland nach wie vor
notwendigen Ressourcen für das Gesundheitssystem des Lan- überdurchschnittlich.[58] Der hohen Nachfrage nach Desinfek-
des zu mobilisieren und bereitzustellen, da dort letztlich die tionsmittel wurde durch die Regelung nachgekommen, indem
Pandemie bekämpft wird. Dabei sind 85% der Unternehmen es auch Apotheken gestattet war das Produkt selbst herzustellen
negativ von den Auswirkungen der Corona-Krise auf ihre Lie- und zu verkaufen.[59] Diese Regelung ist für Produkte, die die
ferketten betroffen. Die Lieferketten der Firmen leiden vor al- Hygiene sicherstellen, wie es bei Desinfektionsmittel der Fall
lem unter der plötzlichen und starken Nachfrage nach einzel- ist, notwendig gewesen, um sowohl im privaten Gebrauch die
nen Produktgruppen. [54] Aufgrund der aktuell weltweiten Ausbreitung des Virus einzudämmen als auch zur Sicherstel-
Ausnahmesituation wandelte sich das Konsumverhalten der lung der Verfügbarkeit in Krankenhäusern und anderen Kran-
ken- und Pflegeeinrichtungen.[60]7
4.2.2 Produkt: Persönliche Schutzausrüstung (PSA) ten: [62] a.) Mindestangebotsmenge von 15.000 Stück pro Pro-
Unter PSA fallen im Zusammenhang mit der Corona-Krise duktgruppe; b.) Anlieferungsort bei Erfurt; c.) Preisvorgabe für
Mund-Nase-Schutzmasken in den verschiedenen Schutzkate- FFP2-Masken: 4,50€/Stück; OP-Masken: 0,60€/Stück.
gorien, Handschuhe, Schutzbrillen als auch Ganzkörperschutz- Innerhalb des Zeitraums von Ende März bis zum 08.04.2020
anzüge, die in klinischen Einrichtungen Anwendung finden. konnten auf einer zentralen Plattform die Verkaufsangebote ab-
Der weltweite Andrang hat dafür gesorgt, dass die Produkte gegeben werden. Durch dieses Verfahren wurde der Bundesre-
knapp wurden und die Preise stark angestiegen sind. Zusätzlich publik die Verfügbarkeit von summa summarum 233 Mio.
versuchten unseriöse Unternehmen aus der Krisensituation Pro- FFP2 Masken und 63 Mio. OP-Masken sichergestellt. Produkte
fit zu schlagen, indem sie mit mangelhaften Ressourcen Pro- aus China werden zentral bei Logistikpartnern in Deutschland
dukte herstellten und diese zu ungerechtfertigten preislichen entgegengenommen und zentral gelagert. Hierfür wurden Rah-
Konditionen verkaufen wollten. Der Engpass an Schutzklei- menverträge mit Logistikunternehmen geschlossen, wie bei-
dung war Ende März so gravierend, dass Krankenhäuser began- spielsweise mit der Firma FIEGE. Mit Freigaben des Ministe-
nen Atemschutzmasken in Eigenregie zu nähen, da man sonst riums bestellen die Logistikunternehmen ebenfalls Schutzmas-
ken und verteilen diese von ihren Niederlassungen in Deutsch-
land aus. Zur Sicherstellung der Überseetransporte wurde die
Absatzzahlen Schutzmasken
Lufthansa beauftragt Flugzeuge für Flüge nach Shanghai in
erster erste
300.000 Maskenpflicht
China und zurück bereitzustellen, um die Ware abzuholen. Der
Infektionsfall
Absatzzahlen in Stk.
Import stellt weiterhin eine wichtige Bezugsquelle für die es-
200.000
senziellen Hygieneprodukte dar. Für die mittelfristige Zukunft
100.000 soll aber die inländische Produktion für die Bereitstellung der
0 Produkte ausgereizt werden. Über das sogenannte Tenderver-
4 5 6 7 8 9 1011121314151617 fahren wird die Maskenproduktion in Deutschland ab Juni 2020
bis Ende des nächsten Jahres ausreichend Masken und Schutz-
Absatzzahlen kleidung bereitstellen (3,2 Mrd. Masken und 14 Mio. Schutz-
kittel). Bei Tenderverfahren werden über Ausschreibungen
Kalenderwochen (20.01.2020 - 20.04.2020) (engl. Tender) Angebote eingeholt, vergleichbar mit einer Auk-
Abbildung 2: Absatz von Schutzmasken über PZN in BRD. Eigene Dar- tion, bei der die Zuteilung des Auftrags an den Höchstbietenden
stellung. (INSIGHT Health 2020) geht. In diesem Fall werden je nach Angebotsumfang die Auf-
träge erteilt. [63][64]
Patienten nicht hätte versorgen können. PSA unterliegt strengen Ausgehend von diesen getroffenen Maßnahmen und Verord-
Qualitätsstandards und kann daher nicht ohne das nötige nungen sind bis zum 29. Juni 2020 ca. 964 Mio. Masken ver-
Knowhow von jedem Unternehmen hergestellt werden. Auf- schiedener Typen nach Deutschland gelangt (via Import & Ten-
grund der massiven Betrugsfälle auf dem Markt der Schutzklei- derverfahren). Vertraglich abgesichert ist bis Ende des Jahres
dung wurde auch von staatlicher Seite eingegriffen. Ein weite- 2021 noch die Lieferung weiterer 5,8 Mrd. Masken jeder Pro-
rer Nachteil in der Versorgungslage war, dass der größte Pro- duktkategorie. [65]
duzent für PSA China ist. Dort wurden zunächst aufgrund der Fazit zum Open-House Verfahren ist, dass die Maßnahme dazu
Corona-Krise alle Produktionen heruntergefahren und das öf- beigetragen hat den PSA-Markt zu beruhigen, indem statt vieler
fentliche Leben unter strenger Kontrolle auf ein Minimum re- kleiner Nachfrager ein großer Abnehmer für die Produkte auf
duziert. Und auch nach dem Anlauf und Hochfahren aller Pro- den Markt getreten ist und so eine bessere Preis- und Verhand-
duktionskapazitäten konnte die weltweite Nachfrage nicht so- lungsposition ausnutzen konnte. Darüber hinaus hätte die Alter-
fort gesättigt werden. Zudem war es in der Transportlogistik zu native mit mehreren kleineren Nachfragern einen stärkeren
einem Einbruch gekommen. Der Transportkostenanteil ist ein Peitscheneffekt bewirken können, da die Knappheit auf dem
weiterer Faktor für die erhöhten Preise bei Atemschutzmasken. Markt ohnehin prekär war und dadurch einen größeren Preisan-
Die sogenannten FFP2-Masken (Masken mit erhöhter Schutz- stieg generiert hätte. Ein weiterer positiver Aspekt des Beschaf-
klasse), die bei der Behandlung von COVID-19 Patienten emp- fungsverfahrens war, dass Anbieter ohne nötige Qualifikation
fohlen werden, waren bis Mitte Februar noch zu einem Stück- in der Branche aussortiert wurden, da die fixen Angebotsbedin-
preis von 0,45€ zu erwerben. Dieser Preis stieg innerhalb von gungen des BMG solche Produzenten aussortiert hat. Der As-
weniger als zwei Wochen auf 13,52€ an, was einer Erhöhung pekt, dass man eine Mindeststückzahl von 15.000 anbieten
von 3000% entspricht. Von Seiten der Bundesregierung wurde sollte hat Anreize für branchenfremde deutsche Unternehmen
daher als Gegenmaßnahme für die unübersichtliche Marktlage gesetzt ihre eigenen Produktionslinien zu modifizieren, um
und die Mangelversorgung das Open-House-Verfahren einge- PSA herzustellen. Auf diese Weise wurden laut Krankenhaus-
führt, um der Gesundheitsbranche unter die Arme zu greifen. Beschaffungsexperten Wilfried von Eiff „globale Lieferketten
[61] nach Deutschland rückverlagert“.[66] In einer Studie des Cent-
Wie bereits erwähnt hat man Masken und Schutzkleidungen an- rums für Krankenhaus-Management der Universität Münster
lässlich der Mangelversorgung gesundheitlicher Einrichtungen und der Wegweiser-Unternehmensgruppe griff man das Thema
und der Unübersichtlichkeit auf dem Markt, zentral über das der Verfügbarkeit von PSA auf und druckte es in Zahlen aus.
BMG beschafft. Schutzkleidungshersteller können hier unter fi- Laut Studie mussten 92% der Nutzer (z.B. Krankenhäuser) auf-
xen Bedingungen Angebote abgeben. Diese Bedingungen lau- grund der schlechten Versorgungslage Anfang des Jahres neue
Lieferwege für PSA finden. 90% der Befragten haben dabei
Angebote von nicht vertrauenswürdigen Herstellern erhalten,8
deren Preise unverhältnismäßig hoch waren. Bei 95% wurden 5 KI ZUR MINIMIERUNG DES BULLWHIP-EFFEKTS IN
Waren mit mangelhafter Qualität geliefert, von denen 15-25% DER CORONA KRISE
sogar schädlich zu sein schienen. Obwohl die Produkte nach
Im Verlauf der COVID-19-Pandemie haben sich global die Lie-
Angaben der Befragten schädlich waren, sahen sich 32% der
ferketten an die veränderten Konsum- und Arbeitsumstände an-
Nutzer aufgrund der heiklen Lage verpflichtet sie trotzdem zu
passen müssen. Aufgrund des neuen Konsumverhaltens der
verwenden. Durch das Open-House-Verfahren des BMG gaben
Menschen haben sich Nachfragespitzen für spezielle Produkt-
83% der Nutzer an, dass dies ihren Bedarf an PSA vorüberge-
gruppen gebildet.[71] Die Lieferketten, die insbesondere im Le-
hend deckte und 36% deklarieren ihr Versorgungsengpass sei
bensmitteleinzelhandel mit geringen Gewinnmargen und einem
sogar überwunden. [66]
starken Kostendruck operieren, haben das große Kaufinteresse
nicht sofort decken können. Prozesse, die diese Problematik
verstärkten, waren die Just-in-Time-Anlieferung, die Lebens-
4.2.3 Toilettenpapier
mittelhändler nutzen, um nicht zuletzt ihre Kosten durch gerin-
Der Absatz von Toilettenpapier ist ab Mitte Februar dieses Jah-
gere Lagerbestände zu minimieren. Obwohl Nachfrageüber-
res von ca. 100% auf über 300% in der Kalenderwoche 12 ge-
hänge für die Händler ein bekanntes Phänomen sind, wie bei-
stiegen. Daraufhin erholte sich die Nachfrage rapide und er-
spielsweise vor Weihnachten, war man auf den Nachfrageboom
reichte Anfang April einen Tiefpunkt mit lediglich 40 bis 50%
in der Corona-Krise nicht ausreichend vorbereitet. Zusätzlich
der Nachfrage. Seither ist der Verlauf wieder auf 100% ange-
betrifft die Nachfrage mehr Produktkategorien und ist über
stiegen und verläuft konstant. [68]
weite Regionen und Länder verteilt. Die Einzelhändler konnten
ihre Läger nicht rechtzeitig auffüllen, um einen Großteil der
Produktnachfrage sofort zu decken. Darüber hinaus haben ein-
schränkende Maßnahmen der Politik, die die Krankheitsaus-
breitung verhindern sollten, dazu geführt, dass das Lieferketten-
management nicht schnell reagieren konnte. Durch Wegfall ei-
nes Anteils der Arbeitskräfte in Lager, Disposition und Distri-
bution von Waren wurde der Versorgungsengpass erhöht. Als
Maßnahmen gegen diesen pandemie-bedingten Nach-frage-
überhang entschieden viele Einzelhändler ihre Verkaufsmen-
Abbildung 3: Absatzzahlen Toilettenpapier und Desinfektionsmittel in gen in den Läden zu begrenzen. Der Kunde sollte Waren nur in
%. Eigene Darstellung in Anlehnung an (DESTATIS Statistisches Bun- haushaltsüblichen Mengen erwerben mit dem Ziel die Versor-
desamt 2020) gung für eine breitere Kundenmasse zu gewährleisten und die
Lieferketten nicht zu überlasten.[72] Diese mengenmäßige Ver-
Dieses Kaufverhalten im Gleichklang mit Herstellern und Ein- kaufsrationierung ist auch im Oktober und November 2020 in
zelhändlern hat dazu geführt, dass es Engpässe in den Lieferun- Deutschland zu beobachten.[73]
gen der Ware gab. Dabei ist ein Anstieg der Kaufmengen von
Konsumenten eine Schlussfolgerung der Tatsache, dass man Anlässlich dieser genannten Faktoren ist eine Prognose der
während einer Pandemie längere Zeit zuhause verbringt und Nachfrage mit KI-Methoden, wie sie in den vorherigen Kapi-
folglich einen vermeintlich höheren Verbrauch verzeichnet. teln beschrieben wurden zunächst schwierig. In den vorherge-
Diese Art von Einkäufen wird als „Hamsterkauf“ bezeichnet. henden Studien wurden KI-Methoden für die Reduktion des
Der Begriff suggeriert durch das Wort „hamstern“, dass der BWE entlang der Lieferkette behandelt. Hierfür standen häufig
Mensch sich aufgrund der ungewohnten Situation in der er sich Zeitreihendaten aus einer Nachfragehistorie von Perioden über
aktuell befindet, eine Verknappung bzw. einen Preisanstieg von mehrere Jahre zur Verfügung. Aus diesen vielen Zeitreihenda-
Produkten befürchtet und sich daher sicherheitshalber einen ten konnten die Systeme wie KNN und ANFIS mit und ohne
größeren Vorrat an Produkten anlegt, als für gewöhnlich benö- vorherige Datenvorbearbeitung, Einkaufs- bzw. Absatzmuster
tigt. [69] Das Produkt Toilettenpapier wurde in der Vergangen- erkennen. Auf Basis dieser Muster wurden Vorhersagewerte für
heit stets konstant nachgefragt. Somit sahen sich die Hersteller die nächsten Nachfrageperioden erstellt, von kurzfristig bis
zuvor nicht mit stark schwankenden Absatzzahlen konfrontiert langfristig. Eine gute Datenbasis erleichterte dabei die Arbeit
und haben ihre Produktion mit einer äußerst hohen Kapazitäts- der KI-Techniken und sicherte ein qualitativ hohes Prognosere-
auslastung effizient ausgelegt. Eine plötzliche Nachfragespitze sultat ab. Darüber hinaus sind externe Faktoren, die bis dato in
wie Mitte März 2020 hat die Hersteller daher zunächst in einen die Prognose miteingeflossen sind, wie beispielsweise Ferien,
Produktionsrückstand gebracht, den man nicht schnell einholen Lebenszyklusphasen, Saisonalitäten etc. allgemein bekannt ge-
konnte, da die Kapazitäten bereits ausgereizt waren. Mit nicht wesen. So haben Unternehmen sich rechtzeitig auf Nachfrage-
gesättigter Nachfrage am Kundenende, stiegen die geforderten rückgänge oder -anstiege vorbereiten können, indem man die
Stückzahlen erneut an, da nun auch der Kunde merkte, dass für Information entlang der Lieferkette geteilt hat oder sie schon in
dieses spezielle Produkt ein Lieferengpass vorherrscht. Dies den Zeitreihendaten für die Erstellung der Prognosen enthalten
führte letztlich zu einer größeren Lücke zwischen Angebot und waren. [74]
Nachfrage. Eine Effektverstärkung der Wahrnehmung eines Für die Prognose des coronabedingten Absatzanstiegs in eini-
Lieferengpasses wurde ebenfalls durch die mediale Berichter- gen Produktbereichen lag keine breite Datenbasis vor. Darüber
stattung von leergeräumten Lebensmittelregalen in den Ge- hinaus herrschen keine großen Erfahrungswerte über Pande-
schäften herbeigeführt. [70] mieentwicklungen in den Unternehmen. Die Verkäufe während9 der ersten Infektionswelle waren nicht lange im Voraus abseh- in Wechselwirkung mit vielen Faktoren steht. Dies legt nahe, bar und konnten daher ausschließlich über kurzfristige Progno- dass keine langfristige Prognose der Nachfrage möglich ist, da sen erahnt werden. In diese Art der Prognose, die während der der Verlauf der Infektionszahlen nicht auf lange Sicht vorher- aktuellen Phase nötig ist, fließt als Haupteinflusskomponente sehbar ist. Stattdessen soll man die Infektionen regelmäßig neu der Infektionsverlauf von COVID-19 eines Landes und die da- kalkulieren und dabei verschiedene Prognosemethoden anwen- mit politisch auferlegten Kontaktbeschränkungen mit ein. Die den. Dieser dynamische Ansatz für kurzfristige Prognosen, wie Panikkäufe, die von breiten Teilen der Bevölkerung praktiziert hier dargelegt, gewährleistet die richtige Auswahl der Technik werden, resultieren nicht zuletzt aus der Angst vor einem Lock- und somit das verlässlichere Ergebnis des Nachfrageüberhangs. down und drohender Versorgungsengpässe. Somit müssen zur [81] Bestimmung des Konsumverhaltens eines Landes die Infekti- Langfristige Prognosen werden nötig, wenn Konsumschwan- onszahlen vorhergesagt werden. Zu diesem Thema erschien im kungen, im Zuge eines konjunkturellen Abschwungs durch die August dieses Jahres eine aktuell noch unveröffentlichte Studie, Corona-Krise auftreten. Dies wirkt sich auf die Einkommen der in der die Nachfrage nach verschiedenen Produktgruppen auf Konsumenten aus, die dadurch sinken. Da man in Deutschland der Grundlage des prognostizierten Verlaufs der Corona-Infek- aktuell die zweite Infektionswelle nach der ersten im Frühjahr tionszahlen berechnet wird. Der Nachfrageüberhang wird als erlebt, ist noch nicht absehbar wann sich der Alltag und die unmittelbar abhängig von dieser Determinante gesehen. Die Wirtschaft wieder normalisieren werden. Eine geringere Kauf- Corona-Infektionszahlen wurden mithilfe von Echtzeit-Daten kraft der Verbraucher kann dazu führen, dass sich nicht nur in vorhergesagt. [75] Deutschland, sondern auch weltweit, das Konsumverhalten än- Die tägliche (prozentuale) Wachstumsrate der Infektionszahlen dert. Geringere Einkommen äußern sich im Kauf von Produkten wurde für fünf Länder kalkuliert darunter auch Deutschland. aus dem Niedrigpreissegment. Die Folge davon ist, dass be- Mithilfe vorhandener Infektionszahlen aus dem Zeitraum vom stimmte Warengruppen nicht mehr in der gewohnten Menge 22.01.2020 bis zum 15.04.2020 wurde die Datenbasis gebildet. nachgefragt werden und wiederum andere besonders stark ge- Für die Prognose wurden ebenfalls länderspezifische Variablen kauft werden. Ein solche Nachfrageverschiebung ist ebenfalls eingefügt, wie beispielsweise das Durchschnittsalter der Bevöl- für eingespielte Lieferketten problematisch, da Lieferanten aus kerung, Datum der Reisebeschränkungen, Anteil Lungenkran- dem teuren Segment wegfallen und dafür mehr Druck auf die ker in der Bevölkerung usw. Zur Prognostizierung wurde die Anbieter günstiger Artikel auferlegt wird. Mit erhöhtem Preis- Technik „Partial Curve Nearest Neighbor Forecasting“ heran- bewusstsein der Bevölkerung und steigenden Kaufmengen gezogen gemeinsam mit maschinell lernenden Clustering-Me- steigt letztlich auch der Preisdruck im Supply Chain Manage- thoden. Diese Prognose ist eine Modifizierung des „Nearest ment. [82] Neighbor“ Ansatzes. [76] Dieser Ansatz dient zur Prognose Daher kann es langfristig gesehen durch den Einfluss der Pan- nicht-stationärer Zeitreihendaten.[77] Dadurch wird die Klassi- demie dazu kommen, dass die beliebten Warengruppen Mehl, fikation der Daten über die Distanz dieser im Merkmalsraum Reis, Nudeln und Hefe auch in Zukunft stärker angefragt wer- ausgeführt.[78] Im Anschluss wurde in der Studie der Nachfra- den als im Vorkrisenjahr. Die ohnehin schon ausgelasteten Lie- geüberhang für einige Produktgruppen kalkuliert. Die Basis der ferketten erhielten so Probleme mit der Befriedigung der Nach- Berechnung waren: a.) die zuvor vorhergesagte Infektionsrate frage. [83] Für die Phase unmittelbar nach der Bewältigung der mit einer Verzögerung, b.) ein Faktor, der den Einfluss von der Pandemie und der Rückkehr in die „Normalität“ ist es daher Rate auf den Nachfrageüberschuss ausdrückt und c.) ein Sum- ausschlaggebend KI-Prognose-Techniken einzusetzen, die auf mand, der hinzuaddiert wurde, wenn ein Tag nach der Dekla- Basis der historischen Pandemie-Daten und Nachfragedaten rierung eines Lockdowns oder einer Reisebeschränkung in ei- den Absatzverlauf erlernen und die bevorstehende Nachfrage nem Land vergangen ist. [79] vorhersagen können. Auch wird wie bereits erwähnt eine regel- Die betrachteten Produktgruppen waren Lebensmittel, Elektro- mäßige Evaluierung der Prognosemethode nötig sein, um zu nische Geräte, Modeartikel und Autos. Die Nachfragedaten überprüfen, ob die Parameter korrekt sind oder man eventuell hierfür wurden aus den Google Suchtrends für den Zeitraum eine neue Prognosemethode mit relevanteren Variablen benö- von Anfang Februar bis Ende April entnommen und tageweise tigt. [84] aufgestellt. In der Simulation wurde ebenfalls die Variable des Lockdown-Beginns verschoben, um den Einfluss davon auf die Nachfrage zu ermitteln. Die Ergebnisse belegen, dass ein Nach- 4. HANDLUNGSEMPFEHLUNG frageüberschuss für Lebensmittel und elektronische Artikel vorhanden war und Produktgruppen wie Bekleidung und Fahr- Das Einrichten von KI-Prognosemethoden ist ein elementarer zeuge absatztechnisch stagnierten. Darüber hinaus wurde prog- Bestandteil, um nachhaltig am Markt erfolgreich zu sein. Die nostiziert, dass spätere Lockdowns, die um jeweils eine Woche, Corona-Krise zeigt einmal mehr, dass externe Faktoren einen zwei Wochen bzw. drei Wochen verschoben worden wären ei- erheblichen Einfluss auf das Wirtschaftsleben eines Landes ha- nen geringeren Nachfrageübergang bei Lebensmitteln erzeugt ben können. Durch die Nutzung von künstlichen neuronalen hätten. [80] Netzen oder Multiagenten-Systemen können Wettbewerbsvor- Auch hier fanden KI-Methoden zur Prognose der COVID-19- teile durch höhere Prognosegüte erzielt werden. Die Ausrich- Zahlen und des Nachfrageüberhangs Anwendung. Die externen tung der Lieferkette an einer guten Prognose sorgt für die lang- Daten wie Lockdown-Datum, gesellschaftliche Kennzahlen in fristige Generierung von Einsparpotenzialen. Diese werden den Bereichen Gesundheit und Demographie haben in die Vor- durch das Abwenden von entgangenen Absatzchancen und Ver- hersage Einzug gefunden. Aus der Studie ging deutlich hervor, hindern eines Nachfrageüberhangs erzeugt. [85] dass die Pandemie ein mehrdimensionales Konstrukt ist, dass
Sie können auch lesen
