Studie: Machine Learning im Supply Chain Risk Management - Martin Brylowski Meike Schröder Wolfgang Kersten - TUHH
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Studie:
Machine Learning im Supply
Chain Risk Management
Martin Brylowski
Meike Schröder
Wolfgang Kersten
https://doi.org/10.15480/882.3875
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Management Summary
Aktuelle Ereignisse, wie die Ausbreitung der Corona-Pandemie, die ganze Lieferketten zum Erliegen
gebracht hat, zeigen einmal mehr, wie wichtig ein Supply Chain Risikomanagement (SCRM) ist. Eine
der größten Herausforderungen beim SCRM besteht darin, frühestmöglich Informationen über
Abweichungen vom geplanten Prozess zu erhalten, um die Pünktlichkeit der logistischen Prozesse
innerhalb der Lieferkette zu gewährleisten. So können z. B. Lieferanten- und Umsatzausfälle
sowie Notfallkosten vermieden werden. Des Weiteren bietet ein gutes SCRM die Möglichkeit,
Reputationsschäden abzuwenden und schneller als der Wettbewerb auf externe Störungen in der
Supply Chain reagieren zu können.
Die zunehmende digitale Transformation Hinsichtlich des Betrachtungsschwerpunktes des
in Unternehmen und Lieferketten und die SCRM gab nur ungefähr die Hälfte der Befragten
damit verbundene größere Verfügbarkeit von an, einen sehr hohen oder hohen Grad an
auswertbaren Echtzeitdaten eröffnen durch SCRM bezogen auf die eigenen Stätten und
die Einbindung von Maschinellem Lernen in direkten Lieferanten (Tier-1) vorzuweisen. Die
das SCRM neue Potenziale für eine proaktive Sub-Lieferanten (Tier-2 bzw. Tier-n) werden nur in
Ausrichtung. Vor diesem Hintergrund führte das wenigen Fällen in die Betrachtung eingeschlossen,
Institut für Logistik und Unternehmensführung so dass das SCRM lediglich einen geringen Teil
(LogU) an der Technischen Universität Hamburg der Lieferkette abdeckt. Verstärkt rücken auch
(TUHH) in Kooperation mit riskmethods im logistische Knotenpunkte (Häfen, Flughäfen,
Sommer 2021 eine Befragung durch, in welcher Lager, etc.) in den Vordergrund der SCRM-
der Einsatz von Maschinellem Lernen im Supply Betrachtung. Ohne ein funktionierendes SCRM
Chain Risikomanagement näher untersucht wurde. sind Unternehmen in ihrer Reaktionszeit, bei
An der Befragung nahmen 353 Personen aus Störungen in der Supply Chain, eingeschränkt.
unterschiedlichen Branchen teil, von denen 114
den Fragebogen vollständig ausfüllten.
In der Mehrzahl der befragten Unternehmen
ist der Unternehmensbereich Einkauf und
Lieferantenmanagement hauptverantwortlich für
die Umsetzung des SCRM. Auch der Bereich Logistik
und Supply Chain Management trägt sowohl
Hauptverantwortung bzw. weist Schnittstellen
zum SCRM vor. Gleichzeitig zeigen die Ergebnisse,
dass das SCRM eine Querschnittsfunktion
im Unternehmen einnimmt und folglich
eine abteilungs- und bereichsübergreifende
Zusammenarbeit erfordert.
2
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Dies führt u.a. zu steigenden Risiken bezogen Supply Chain-Ebene als Hauptverursacher
auf Produktionsausfälle oder sogar -stillstände. identifiziert, so dass Störungen auf allen Ebenen
Aber auch steigenden Transportkosten und der Lieferkette (Tier-n) stattfinden können.
alternative Beschaffungsquellen, die einen Trotzdem überwachen die meisten Organisationen
höheren Markpreis mit sich bringen, können aus nur ihre direkten Lieferanten und eigenen
versäumten Investitionen in ein SCRM resultieren. Produktionsstätten.
Der Informationsstand über die Lieferanten hat sich Das Wissen über die direkten Lieferanten ist bei
im Vergleich zu vorangegangenen Untersuchungen den Befragten höher als das Wissen über die Sub-
des Instituts verbessert. So können 79% der Lieferanten. Zudem ist die Anzahl an direkten
befragten Unternehmen die für ihr Unternehmen Lieferanten sehr unterschiedlich hoch: von 10
kritischsten Lieferanten benennen. Von diesen oder weniger bis hin zu mehr als 20.000 direkte
Unternehmen wissen 56% welche finanziellen Lieferanten. Bei der überwiegenden Mehrheit der
Auswirkungen der Ausfall dieser kritischen Befragten ist die Anzahl der Lieferanten so hoch,
Lieferanten für ihr Unternehmen haben kann dass ein manuelles, nicht-automatisiertes SCRM
und in 50% der Unternehmen liegt zudem nicht mehr effizient dargestellt werden kann.
ein funktionsfähiger „Notfallplan“ bei einer
Lieferkettenunterbrechung (Business Continuity Insgesamt sehen die Befragten in ihrem SCRM
Plan) vor. noch viel Verbesserungspotenzial. Besonders
hervorzuheben ist hier die Supply Chain
Die Störungen der Lieferketten gingen in Transparenz sowie die angewandten Methoden
den letzten 12 Monaten von Akteuren auf zur Risikoidentifikation. Nicht zuletzt die
unterschiedlichen Supply Chain-Ebenen aus, d.h. Auswirkungen der Corona-Pandemie haben das
von der eigenen Produktionsstätte bis hin zu Sub- Thema SCRM verstärkt in das Bewusstsein von
Lieferanten bzw. von logistischen Knotenpunkten Vorständen und Chief Procurement Officers
(Häfen, Flughäfen, etc.). Es wurde somit keine (CPO) gerückt.
FINANZIELLEN AUSWIRKUNGEN
BEI AUSFALL DER LIEFERKETTEN
79% der befragten Unternehmen, die für
ihr Unternehmen kritischsten Lieferanten
benennen können. Von diesen Unternehmen
wissen 56% welche finanziellen Auswirkungen
der Ausfall dieser kritischen Lieferanten für ihr
Unternehmen haben kann und in 50% der
Unternehmen liegt zudem ein funktionsfähiger WISSEN ÜBER LIEFERANTEN
„Notfallplan“ bei einer Lieferketten- Das Wissen über die direkten Lieferanten ist bei
unterbrechung (Business Continuity Plan) vor. den Befragten höher als das Wissen über die
Sub-Lieferanten. Zudem ist die Anzahl an
direkten Lieferanten sehr unterschiedlich hoch:
von 10 oder weniger bis hin zu mehr als 20.000
STÖRUNGEN DER LIEFERKETTEN direkte Lieferanten.
Die Störungen der Lieferketten gingen in den
letzten 12 Monaten von Akteuren auf
unterschiedlichen Supply Chain-Ebenen aus,
d.h. von der eigenen Produktionsstätte bis
hin zu Sub-Lieferanten bzw. von logistischen
Knotenpunkten (Häfen, Flughäfen, etc.).
3
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Wenn es um die Einbindung des Maschinellen Lernens (ML) und den Einsatz
selbst lernender Systeme in das SCRM geht, wird den Bereichen Planung und
Beschaffung sowie Lieferung großes Potenzial zugeschrieben, insbesondere
den Bereichen Lieferantenscouting, -bewertung und -auswahl. Wobei die
Ergebnisse gleichzeitig zeigen, dass der Einsatz in den Branchen der Befragten
noch ausbaufähig ist.
Um den Einsatz einer auf Maschinellem Lernen basierenden SCRM
Lösung gegenüber ihrer Geschäftsführung zu rechtfertigen, müssten
die Befragten mehrere Tage (bis hin zu drei Wochen) früher von der
Lieferkettenunterbrechung in Kenntnis gesetzt werden bzw. für fast die
Hälfte der Teilnehmer (46%) würde der Einsatz einer ML-Lösung bereits ab
einer Schadenshöhe unter 1 Million Euro jährlich gerechtfertigt sein.
Häufige Auslöser für den Einsatz von Maschinellem Lernen im
Lieferantenmanagement sind neben dem nicht mehr ausreichenden reaktivem
Risikomanagement z.B. die Erkenntnis, dass mit dem Einsatz von ML neue
Potenziale verbunden sind und sich spezifische Probleme nur mit ML lösen
lassen. Es wird deutlich, dass viele Unternehmen einen Wandel – weg vom rein
reaktiven („Firefighting“) hin zum proaktiven Risikomanagement – anstreben,
um großen Schaden für das Unternehmen frühzeitig abwenden zu können.
Die Unternehmen setzen Maschinelles Lernen vordergründig ein, um
Zeit- und Kostenersparnisse zu generieren. Diese äußern sich z.B. in einer
Verbesserung der Reaktionsfähigkeit, in einer besseren Ressourcennutzung,
$
indem wiederholende Tätigkeiten vermieden werden, oder in einer
Verbesserung der Supply Chain Resilienz.
Als personenbezogene Erfolgsfaktoren für den Einsatz von ML im
Lieferantenrisikomanagement sehen die Befragten vor allem eine
hohe Relevanz in den vorliegenden Kompetenzen. Diese beziehen sich
auf die fachlichen sowie ML-bezogenen Fähigkeiten, aber auch auf die
Implementierung an sich. Als technologische Erfolgsfaktoren sehen die
Befragten vor allem eine angemessene Datenbasis sowie die Qualität der
Ergebnisse (hinsichtlich Zuverlässigkeit und Genauigkeit, Nachvollziehbarkeit,
Transparenz), aber auch die Gestaltung der Algorithmen (Auswahl, Training
und Weiterentwicklung der Algorithmen) und eine geeignete IT-Infrastruktur.
Organisatorische Erfolgsfaktoren stellen vor allem eine realistische und
realisierbare Zielsetzung sowie eine klare Problemstellung dar.
Die Studienergebnisse haben gezeigt, dass Maschinelles Lernen zahlreiche Potenziale mit
sich bringt, denn die frühzeitige Information über mögliche Abweichungen vom geplanten
Prozess entscheiden langfristig über die Wettbewerbsfähigkeit ganzer Supply Chains. Eine
proaktive Risikoüberwachung wird daher in absehbarer Zukunft unverzichtbar sein.
4
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Inhaltsverzeichnis
Inhalt
Management Summary 2
Inhaltsverzeichnis 5
Einleitung 6
Forschungsmethode und Erhebungsdesign 7
Status quo des Supply Chain Risikomanagements 9
Ausgangssituation Maschinelles Lernen im Lieferantenrisikomanagement 15
Einflussfaktoren von Maschinellem Lernen im Lieferantenrisikomanagement 19
Erfolgsfaktoren für Maschinelles Lernen im Lieferantenrisikomanagement 21
Zusammenfassung 28
Literaturverzeichnis 31
Die Autoren 32
5
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Einleitung
Verschiedene Ereignisse der letzten Jahre haben gezeigt, wie anfällig Lieferketten sein können. Aufgrund
des Dominoeffekts sind oft nicht nur einzelne Akteure in der Lieferkette von einer Unterbrechung
betroffen, sondern das gesamte Netzwerk. Die aktuelle COVID-19-Pandemie ist ein gutes Beispiel dafür,
wie zahlreiche Netzwerke und sogar ganze Branchen von den negativen Auswirkungen bestimmter
Ereignisse betroffen sein können (Schröder et al., 2021; Manuj & Mentzer, 2008).
Um Störungen proaktiv zu begegnen, vorhersagen und in der Vergangenheit
sollten Unternehmen Supply Chain aufgetretene Unterbrechungen analysieren, um
Risikomanagement (SCRM) anwenden. Supply finanzielle Verluste und Prozessausfälle in der
Chain Risikomanagement ist "ein Teilbereich des gesamten Lieferkette zu minimieren. Hier kann
Supply Chain Managements, der alle Strategien das Maschinelle Lernen (ML) helfen, Risiken
und Maßnahmen, alles Wissen, alle Institutionen, frühzeitig zu erkennen (Baryannis et al., 2019;
alle Prozesse und alle Technologien umfasst, die Hassan, 2019).
auf technischer, personeller und organisatorischer
Ebene zur Reduzierung von Supply Chain Risiken Generell hat die zunehmende Verfügbarkeit
eingesetzt werden können" (Kersten et al. 2011, von Daten in den letzten Jahren die Anwendung
S. 157). Ziel des SCRM ist es, die Transparenz von ML begünstigt. Lieferkettennetzwerke
und Robustheit der Wertschöpfungsprozesse generieren jeden Monat über 1,6 Milliarden neue
zu erhöhen, um Unterbrechungen in der Datenpunkte, die eine Reihe von Datenströmen
Lieferkette entgegenzuwirken oder sie sogar liefern, welche als Input für ein ML-System verwendet
ganz zu vermeiden. werden können (Fan et al., 2015). Die zunehmende
digitale Transformation in Unternehmen und
Eine der größten Herausforderungen beim Lieferketten und die damit verbundene größere
SCRM besteht darin, frühzeitig Informationen Verfügbarkeit an auswertbaren Echtzeitdaten
über Abweichungen vom geplanten Prozess eröffnen neue Potenziale für ein proaktives
zu erhalten, um die Pünktlichkeit der SCRM. Dennoch wurde dieses Thema bisher kaum
logistischen Prozesse innerhalb der Lieferkette wissenschaftlich erforscht (Kersten et al., 2022;
zu gewährleisten. Die frühzeitige Erkennung Brylowski et al, 2021). So beschäftigen sich erst
verschiedener Risiken in der Lieferkette ist wenige Veröffentlichungen mit der Integration von
entscheidend für die rechtzeitige Einleitung ML in das SCRM, wie z.B. Schröder & Lodemann
von Gegenmaßnahmen, um Störungen in der (2021), die in ihrem Beitrag verschiedene
Lieferkette zu vermeiden. SCRM muss potenzielle Anwendungsbeispiele beschreiben und
Ursachen für diese Prozessunterbrechungen Handlungsempfehlungen für das SCRM aufzeigen.
Um diese Forschungslücke weiter zu schließen, hat das Institut für Logistik und Unternehmensführung (LogU)
an der Technischen Universität Hamburg (TUHH) in Kooperation mit riskmethods im Sommer 2021 eine
wissenschaftlich-fundierte Befragung durchgeführt, in der der Einsatz von Maschinellem Lernen im Supply
Chain Risikomanagement näher untersucht wurde. Im Folgenden werden die Ergebnisse im Detail vorgestellt.
6
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Forschungsmethode und Erhebungsdesign
Die Befragung fand im Zeitraum Juni bis August 2021 statt. Um eine möglichst große Zielgruppe zu erreichen,
wurden neben persönlicher Ansprache auch Social Media-Kanäle, wie XING und LinkedIn, genutzt. Die
Adressaten wurden gebeten, den Fragebogen auszufüllen bzw. ihn an eine(n) SCRM-Verantwortliche(n) in
ihrem Unternehmen weiterzuleiten. Insgesamt nahmen 353 Personen an der Befragung teil, von denen 114
den Fragebogen vollständig ausfüllten.
Nachfolgend soll anhand der wichtigsten allgemeinen Unternehmensdaten und deren Ausprägungen in der
Erhebung eine kurze Beschreibung der Stichprobe erfolgen.
FUNKTIONSBEREICH IM UNTERNEHMEN POSITION IM UNTERNEHMEN
53% Einkauf 27% Angestellte mit Berufserfahrung
13% Informations- und Datenverarbeitung 24% Mittleres Management
10% Logistik 23% Oberes Management
10% Unternehmensleitung 14% Teamleitung
15% Andere 12% Andere
Abbildung 1: Funktionsbereiche und Positionen im Unternehmen
Zunächst wurde erhoben, in welchem Zudem hatten die Befragten die Möglichkeit,
Unternehmensbereich die Befragten tätig sind. ihre Position im Unternehmen anzugeben.
Am häufigsten nahmen Vertreter aus Die Antworten wurden hierbei den Kategorien
den Bereichen Einkauf (53%) teil, gefolgt Angestellte mit Berufserfahrung, oberes, mittleres
von den Bereichen Informations- und Management und Teamleitung zugeordnet.
Datenverarbeitung (13%) sowie Logistik (10%),
Unternehmensleitung (10%) und andere (z.B. 27% der Teilnehmenden sind berufserfahrene
Administration, Forschung und Entwicklung, Angestellte, 24% sind dem mittleren Management
Produktion, Vertrieb und Finanzen) (15%). und 23% dem oberen Management zuzuordnen.
Weitere Vertreter haben Positionen, wie z.B.
Teamleitung (14%) oder andere (12%) inne. 7
Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Weiterhin wurde die Unternehmensgröße erhoben. Zur Klassifizierung der Unternehmensgröße wurde
die Mitarbeiteranzahl herangezogen. Abbildung 2 zeigt, dass die Befragten Unternehmen verschiedenster
Größe angehören.
MITARBEITERZAHL IM UNTERNEHMEN BRANCHENZUGEHÖRIGKEIT
11% 1 bis 250 56% Verarbeitendes Gewerbe
7% 251 bis 500 10% Logistik, Verkehr und Lagerei
22% 501 bis 3.000 9% Information und Kommunikation
15% 3.001 bis 10.000 7% Unternehmensberatung
18% 10.001 bis 20.000 7% Handel
28% mehr als 20.000 11% Andere
Abbildung 2: Unternehmensgröße und Branchenzugehörigkeit
Ein Großteil der Befragten entstammt aus Weiterhin wurde die Branchenzugehörigkeit
Unternehmen mit 501 bis 3.000 Mitarbeitern der Unternehmen erhoben und anschließend
(22%). Der Anteil der Unternehmen mit einer ausgewertet. Die Mehrheit der Befragten
Mitarbeiterzahl von 3.001 bis 10.000 betrug stammte aus dem verarbeitenden Gewerbe
in der vorliegenden Stichprobe 15%. Die großen (56%), gefolgt von der Branche Logistik,
Unternehmen mit einer Unternehmensgröße Verkehr und Lagerei (10%) sowie Information
von 10.001 bis 20.000 war mit 18% vertreten und Kommunikation (9%). Weiterhin waren
sowie Unternehmen mit mehr als 20.000 die Unternehmen in der Beratung (7%), im
Mitarbeiter mit 28%. 11% der Befragten Handel (7%) und anderen Branchen, wie
entstammen aus Unternehmen mit 1 bis 250 z.B. im Bauwesen, der Landwirtschaft oder
Mitarbeitern. 7% gaben eine Unternehmens- der Energieversorgung (11%) tätig.
größe zwischen 251 und 500 an.
8Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Status quo des Supply Chain Risikomanagements
Neben allgemeinen Angaben zum Unternehmen wurden die Befragten gebeten, Angaben zu ihrem
SCRM zu machen. Hierbei sollten sie zunächst angeben, welcher Bereich in ihrem Unternehmen
für das SCRM hauptverantwortlich ist und welche Bereiche Schnittstellen hierzu bzw. keine
Berührungspunkte aufweisen.
UNTERNEHMENSBEREICHE MIT ORGANISATORISCHEM BEZUG ZUM SCRM
Abteilungen/Funktionen der Organisationen, die primär für das Supply Chain Risikomanagement verantwortlich sind
E I N K A U F / L I E F EE R
I NAKNATUEFN/-
69% 24% 2% 5%
L I E F E R A N TM
E NAM
NAAN GAEGMEEMN…T
LOGISTIK / SUPPLY CHAIN
47% 44% 4% 5%
MANAGEMENT
RISIKOMANAGEMENT 20% 40% 14% 25%
FINANZABTEILUNG /
11% 54% 25% 11%
CONTROLLING / REVISION
COMPLIANCE 9% 48% 20% 23%
QUALITÄTSMANAGEMENT 9% 65% 14% 12%
PRODUKTION 6% 50% 26% 18%
VERSICHERUNG 4% 32% 31% 34%
VERTRIEB / MARKETING 2% 32% 46% 20%
Hauptverantwortlich Schnittstelle zum SCRM vorhanden Keine Berührungspunkte weiß nicht / keine Angabe
Abbildung 3: Unternehmensbereiche mit organisatorischem Bezug zum SCRM
In der Mehrzahl der befragten Unternehmen im Qualitätsmanagement, in der Produktion, der
ist der Unternehmensbereich Einkauf und Versicherung und im Vertrieb/Marketing.
Lieferantenmanagement hauptverantwortlich
für die Umsetzung des SCRM. Auch der Bereich
Es wird daher deutlich, dass das SCRM eine
Logistik und Supply Chain Management trägt
Querschnittsfunktion im Unternehmen
sowohl Hauptverantwortung bzw. weist
einnimmt und folglich eine abteilungs- und
Schnittstellen zum SCRM vor.
bereichsübergreifende Zusammenarbeit
erfordert. Viele Unternehmensbereiche
Wie Abbildung 3 zeigt, liegen zudem zahlreiche sind davon betroffen, wenn die Lieferkette
Schnittstellen zu weiteren Abteilungen vor, hierunter unterbricht. Durch die abteilungsübergreifende
vor allem zum Risikomanagement. Idealerweise Zusammenarbeit, verbunden mit dem intensiven
ist es zusammen mit dem Risikomanagement Teil Austausch relevanter Informationen, können
des Enterprise Risk Management (ERM). Weitere anstehende Lieferengpässe ggf. vermieden bzw.
Anknüpfungspunkte sind in den Bereichen die Folgen abgeschwächt werden.
Finanzen und Compliance vorzufinden, wie auch
9Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Neben der organisatorischen Einbindung fokussierte der Fragebogen auf die inhaltliche Ausgestaltung
des SCRM. Die Befragten sollten daher den Betrachtungsschwerpunkt ihres SCRM eingrenzen.
Die Ergebnisse zeigen, dass nur ungefähr die Hälfte der Befragten einen sehr hohen oder hohen Grad
an SCRM bezogen auf die eigenen Stätten und direkten Lieferanten (Tier-1) vorweist. Die Sub-Lieferanten
(Tier-2 bzw. Tier-n) werden nur in wenigen Fällen in die Betrachtung eingeschlossen, so dass das SCRM
lediglich einen geringen Teil der Lieferkette abdeckt. Verstärkt rücken auch logistische Knotenpunkte
(Häfen, Flughäfen, Lager, etc.) in den Vordergrund der SCRM-Betrachtung.
BETRACHTUNGSSCHWERPUNKT DES SCRM
Bewertung des Umfangs für Bestandteile und Akteure der Lieferkette derzeit
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
EIGENE WERKE BZW. PRODUKTIONSSTÄTTEN 19% 34% 13% 18% 6% 10%
DIREKTE LIEFERANTEN (TIER-1) 21% 31% 27% 10% 4% 8%
S U B -L I E F E R A N T E N ( T I E R - 2 ) 12% 21% 27% 25% 15%
S U B-L I E F E R A N T E N ( T I E R - N ) 4% 15% 22% 40% 19%
LOGISTISCHE KNOTENPUNKTE 3% 26% 20% 21% 15% 15%
Abbildung 4: Betrachtungsschwerpunkt des SCRM
Wie wichtig eine umfassende Betrachtung der Lieferkette ist, haben die zahlreichen durch die
Ausbreitung der Corona-Pandemie verursachten Lieferkettenunterbrechungen gezeigt, die ganze
Branchen zum Erliegen brachten (Deutsche Industrie- und Handelskammer, 2020).
Es ist ein erster, wichtiger Schritt, neben den eigenen Werken und Produktionsstätten die direkten
Lieferanten in das SCRM einzubinden. Hierbei ist zu beachten, dass dabei nicht nur die Lieferanten mit dem
höchsten Einkaufvolumen in die Betrachtung einbezogen werden. Oft resultieren extreme Schäden aus der
Nicht-Verfügbarkeit von C-Artikeln. C-Artikel, Komponenten, die einen geringen Wert haben, aber z.B. nur
von einem Lieferanten bezogen werden (Single Source), können beim Ausfall kritisch sein und dazu führen,
dass die Produktion angehalten werden muss (Hong et al., 2018). Neben dem Einkaufsvolumen sollten
daher weitere Kriterien, wie z.B. die Umsatzrelevanz, in die Bewertung einfließen.
10Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Darüber hinaus wurde der Informationsstand hinsichtlich der Lieferanten abgefragt. Wie in Abbildung 5
dargestellt, können 79% der befragten Unternehmen vor diesem Hintergrund die für ihr Unternehmen
kritischsten Lieferanten benennen. Von diesen Unternehmen wissen 58% welche finanziellen Auswirkungen
der Ausfall dieser kritischen Lieferanten für ihr Unternehmen haben kann. In 50% der Unternehmen liegt
zudem ein funktionsfähiger „Notfallplan“ bei einer Lieferkettenunterbrechung (Business Continuity Plan) vor.
Hier zeigt sich eine deutliche Verbesserung im Vergleich zu vorangegangenen Untersuchungen des
Instituts, in denen nur 61 % der befragten Unternehmen die kritischsten Lieferanten benennen konnten,
47% wussten, welche finanziellen Auswirkungen der Ausfall dieser kritischen Lieferanten für ihr
Unternehmen haben kann und in nur 34% der Unternehmen ein funktionsfähiger „Notfallplan“ bei einer
Lieferkettenunterbrechung vorlag (Schröder 2019, S. 117ff.).
INFORMATIONEN ÜBER DIE LIEFERANTEN
JaJa Neinweiß nicht
Nein weiß nicht
/ keine / keine Angabe
Angabe
N N E N SK IE
Ö NDNIEEN FSÜ I ERD IIEHFRÜ RUI N
H RT U
ENRTN
EREN
HEM HM EENN
K R I T I S C H SKT
REI TN
I S CLHISETFEENRLAI EN
F ETRE
ANN TS
ENTEST
T EST S 79%
79% 79% 15% 6% 15% 6%
15% 6%
BENENN B EENN
EN ?N E N ?
K E N N E N SKIEEN N DEINE SFI EI N
D IA ENF IZNIAENLZLI EELNLEN
W I R K UANUGSW ENI R KFUÜNR G EINHFR Ü RUIN H RT EUR
NT NEE RNHEMHMEN
EN 58%
58%58% 28% 28%
28%
14% 14%
14%
E I N E M BAEU
I ESIF
NA EM L LA UDSIFEASL LE R
D I ELSIEERFLEI R
E FA NATNETN
ER E N??
HAT IHR U HA NTTIE HRRN UNET HEM R NEENH MEEINNEEI N
NEN
N K T I O N FSUFNÄKHT IIO
GNESN FÄ„ HN
I GOE NT „FNAOLTLF P
A LLLA
PNL A“N B EEI I
“ B 50% 50%
50% 39% 39%
11%
39% 11%
11%
N E R L I E FEEI N
REKRELTI ETFEE N
R KU
E TNT T
ENEU RNBTREREBCRH ECUHN UG
NG ??
Abbildung 5: Informationen über die Lieferanten
Diese positive Entwicklung lässt sich mit neben Verzögerungen zu finanziellen und
dem Verlauf der Corona-Pandemie begründen, Reputationsschäden führen kann. Auch wissen
welche Unternehmen nahezu dazu gezwungen 42% der Befragten nicht, wie hoch die finanziellen
hat, sich stärker mit der Kritikalität der Lieferanten Auswirkungen eines Schadenseintritts sein können.
auseinanderzusetzen. Viele Unternehmen haben Diese Unternehmen sind folglich einem hohen
aus ihren Fehlern gelernt und wechseln vom rein Risiko ausgesetzt, da Schäden in Millionenhöhe
reaktiven SCRM zu einer proaktiven Vorgehensweise. nicht unüblich sind.
Denn Lieferkettenunterbrechungen lassen sich
zwar nicht in Gänze vermeiden, aber durch eine
gute Vorbereitung und umfangreiche Informations-
Wenn diese nicht abgesichert sind, kann die
versorgung ist eine schnelle Reaktion sichergestellt.
Existenz des Unternehmens in Gefahr sein. Ein
Hier hilft auch der Notfallplan, so dass Unternehmen
proaktives Risikomanagement schließt ein, dass
im Ernstfall wissen, wie sie reagieren sollen.
Unternehmen diese finanziellen Risiken kennen,
bewerten und daraufhin die Risikostrategie
Die Ergebnisse zeigen jedoch, dass noch auswählen, d.h. entscheiden, wie viel Risiko
immer 50% der Befragten unvorbereitet von eingegangen werden soll.
einem Risikoereignis getroffen werden, was
11Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Wie wichtig eine umfangreiche Betrachtung des SCRM ist, zeigen die Ergebnisse der nächsten Frage.
Hier wurden die Teilnehmer gebeten, Angaben darüber zu machen, von wem die Störungen in der
Lieferkette in den letzten 12 Monaten ausgingen.
AUSGANGSPUNKT FÜR STÖRUNGEN IN DER LIEFERKETTE
Umfang, in welchem von den folgenden Bestandteilen und Akteure der Lieferkette Störungen ausgingen
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
EIGENE WERKE BZW. PRODUKTIONSSTÄTTEN 7% 21% 25% 23% 11% 14%
DIREKTE LIEFERANTEN (TIER-1) 16% 30% 31% 10% 4% 11%
S U B -L I E F E R A N T E N ( T I E R - 2 ) 9% 30% 17% 14% 5% 25%
S U B-L I E F E R A N T E N ( T I E R - N ) 6% 22% 12% 13% 8% 39%
LOGISTISCHE KNOTENPUNKTE 8% 30% 21% 11% 6% 25%
Abbildung 6: Ausgangspunkt für Störungen in der Lieferkette
Die Antworten zeigen, dass die Störungen der Lieferketten in
den letzten 12 Monaten von Akteuren auf unterschiedlichen
Supply Chain-Ebenen ausgingen, d.h. von der eigenen
Produktionsstätte bis hin zu Sub-Lieferanten bzw. von
logistischen Knotenpunkten (Häfen, Flughäfen, etc.). Es
wurde somit keine Supply Chain-Ebene als Hauptverursacher
identifiziert, so dass Störungen auf allen Ebenen der Lieferkette
(Tier-n) stattfinden können. Trotzdem überwachen die meisten
Organisationen nur ihre direkten Lieferanten und eigenen
Produktionsstätten.
12Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Weiterhin wurden die Teilnehmer in der Befragung gebeten, Angaben zur Anzahl ihrer Lieferanten und
Sub-Lieferanten zu machen.
ANZAHL AN (SUB-) LIEFERANTEN
80%
70%
60%
50%
40%
30%
20%
10%
0%
10 ODER 11 BIS 50 51 BIS 250 251 BIS 500 501 BIS 3.000 3.001 BIS 10.000 10.0001 BIS MEHR ALS WEISS NICHT /
WENIGER 20.000 20.000 EINE ANGABE
Direkte Lieferanten Sub-Lieferanten
Abbildung 7: Anzahl an (Sub-) Lieferanten
Die Ergebnisse zeigen, dass das Wissen über die
direkten Lieferanten höher ist als das Wissen
über die Sub-Lieferanten. Zudem ist die Anzahl an
direkten Lieferanten sehr unterschiedlich hoch:
von 10 oder weniger bis hin zu mehr als 20.000
direkte Lieferanten.
Bei der überwiegenden Mehrheit der Befragten Die Ergebnisse spiegeln die Komplexität und die
ist die Anzahl der Lieferanten so hoch, dass ein damit einhergehende Intransparenz der heutigen
manuelles, nicht-automatisiertes SCRM nicht mehr Supply Chains wider. Durch neue Gesetze, wie
effizient dargestellt werden kann. Sub-Lieferanten das Lieferkettengesetz in Deutschland und
sind jedoch ein wichtiger Bestandteil der Lieferkette andere europäische und internationale Initiativen,
und auch für einen Teil des Risikos verantwortlich. werden Unternehmen jedoch zeitnah genau
diesen Einblick aufweisen müssen, um die
Gesetzesvorgaben erfüllen zu können.
Hier besteht daher großer Handlungsbedarf
für Unternehmen.
13Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Eine weitere Frage der Studie widmete sich dem Verbesserungsbedarf des SCRM
im eigenen Unternehmen.
VERBESSERUNGSBEDARF ZUM SCRM IM EIGENEN UNTERNEHMEN
Ja Nein weiß nicht / keine Angabe
TRANSPARENZ DER SUPPLY CHAIN 75% 18% 8%
EWANDTE METHODEN ZUR SUPPLY CHAIN RISIKOIDENTIFIKATION 75% 16% 10%
SENSIBILITÄT DER MITARBEITER/INNEN
SENSIBILITÄT DER MITARBEITER FÜR SUPPLY CHAIN RISIKEN
FÜR SUPPLY CHAIN RISIKOBEWERTUNG 74% 17% 10%
ANGEWANDTE METHODEN ZUR QUANTITATIVEN SUPPLY CHAIN
RISIKOBEWERTUNG 72% 16% 12%
ANGEWANDTE METHODEN ZUR QUALITATIVEN SUPPLY CHAIN
RISIKOBEWERTUNG 68% 21% 11%
ATION DES SUPPLY CHAIN RISIKOMANAGEMENTS IN BESTEHENDE
MANAGEMENTANSÄTZE 62% 23% 15%
N DES SUPPLY CHAIN RISIKOMANAGEMENTS IN DIE STRATEGISCHE
UNTERNEHMENSPLANUNG 63% 23% 14%
ETABLIERTES SUPPLY CHAIN RISIKOBERICHTSWESEN 61% 28% 11%
INGESETZTE SOFTWARE ZUR UNTERSTÜTZUNG DES SUPPLY CHAIN
RISIKOMANAGEMENTS 61% 25% 14%
SUPPLY CHAIN RISIKOORGANISATION 56% 29% 15%
Abbildung 8: Verbesserungsbedarf zum SCRM im eigenen Unternehmen
Insgesamt sehen die Befragten in ihrem SCRM
noch viel Verbesserungspotenzial. Besonders
hervorzuheben ist hier die Supply Chain Die Ergebnisse zeigen auch, dass sich die
Transparenz sowie die angewandten Methoden Unternehmen mittlerweile über die fehlenden
zur Risikoidentifikation. Auch das Sensibilisieren Elemente bewusst sind. Dies wird durch den
von Mitarbeitern für Supply Chain Risiken sowie die geringen Anteil an Enthaltungen sichtbar.
angewandten Methoden zur quantitativen sowie Unternehmen sehen den Verbesserungsbedarf,
qualitativen Bewertung von Risiken können noch haben diesen aber bislang noch nicht gedeckt.
verbessert werden. Ein Wandel des Bewusstseins ist hier ersichtlich.
Voraussetzung für den Wandel sind entsprechende
Nicht zuletzt unter dem Einfluss der Corona- personelle und finanzielle Ressourcen, um die
Pandemie war das Jahr 2020 weltweit von aktuellen Schwachstellen zu adressieren. Oftmals
Störungen in den Supply Chains gekennzeichnet lohnt sich ein Blick auf den SCRM Anbietermarkt.
– Auswirkungen der Corona-Pandemie sind noch Unter Berücksichtigung der Unternehmensstrategie
weiterhin deutlich zu spüren, z.B. durch Rohstoff- und der Kernkompetenzen können interne
Engpässe – Halbleiter oder Plastik – oder Container- Kompetenzen aufgebaut oder externe SCRM-
Engpässe – Hafen-Schließungen – (Pander et al., Softwareanbieter herangezogen werden, um das
2021; Dierig, 2021; Wurzel 2021). Das Thema SCRM zu verbessern.
Lieferketten-Resilienz ist daher wieder verstärkt
in das Bewusstsein von Vorständen und Chief
Procurement Officers (CPO) gerückt. 14Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Ausgangssituation Maschinelles Lernen
im Lieferantenrisikomanagement
Der zweite Abschnitt der Befragung fokussierte auf die Einbindung des Maschinellen Lernens in
das SCRM. Zunächst wurden die Befragten gebeten, die Potenziale von selbst lernenden Systemen
(Maschinelles Lernen) zum Managen von Risiken in den einzelnen Bereichen einer Supply Chain
einzuschätzen. Darüber hinaus sollten die Befragten eine Einschätzung vornehmen, wie sie den
Entwicklungsstand dieser selbst lernenden Systeme in Ihrer Branche bewerten.
POTENZIALE VON SELBST LERNENDEN SYSTEMEN (MASCHINELLES
LERNEN) IN DEN EINZELNEN BEREICHEN DER SUPPLY CHAIN
Potenziale um Risiken
Potenziale zu managen
um Risiken zu managen
PLANUNG PLANUNG 28% 28% 39% 39% 20% 20% 5% 4% 4%5% 4% 4%
B E S C H A F F U NBGE S C H A F F U N G 29% 29% 39% 39% 20% 4%
20% 5% 4%4% 5% 4%
H E R S T E L L U NHGE R S T E L L U13%
NG 13% 38% 38% 24% 24% 12% 4% 12% 10% 4% 10%
L I E F E R U N G L I E F E R U N G 18% 18% 44% 44% 19% 19% 8% 4% 7%
8% 4% 7%
RÜCKLIEFERU
RNÜGC K L I E F 7%
ERUNG 7% 24% 24% 22% 22% 23% 23% 6% 6%18% 18%
sehr hoch hochhoch mittelhoch gering
sehr mittel sehrgering
gering weißgering
sehr nicht / keine Angabe
weiß nicht / keine Angabe
Entwicklungsstand in Ihrer in
Entwicklungsstand Branche
Ihrer Branche
PLANUNG P L6%
ANUNG 12%
6% 12% 28% 28% 25% 25% 16% 16% 12% 12%
B E S C H A F F U NBGE S C H 5%
A F F U N G7% 5% 7% 31% 31% 31% 31% 14% 14% 12% 12%
H E R S T E L L U NHG E R S3%
T E L L U N G 13%3% 13% 23% 23% 24% 24% 18% 18% 19% 19%
L I E F E R U N G L I E4%
F E R U N5%
G 4% 5% 32% 32% 25% 25% 14% 14% 20% 20%
RÜCKLIEFERU
RNÜGC K L 2%
I E F E4%
RUNG 17% 27% 18% 32%
2% 4% 17% 27% 18% 32%
sehr hoch hochhoch mittelhoch gering
sehr mittel sehrgering
gering weißgering
sehr nicht / keine Angabe
weiß nicht / keine Angabe
Abbildung 9: Potenziale von selbst lernenden Systemen (Maschinelles Lernen) in den einzelnen Bereichen der Supply Chain
Großes Potenzial beim Einsatz selbst lernender Systeme (Maschinelles Lernen) wird
den Bereichen Planung und Beschaffung sowie Lieferung zugeschrieben. Wobei die
Ergebnisse zeigen, dass der Einsatz in den Branchen der Befragten noch ausbaufähig
ist. Es ist offensichtlich, dass das Potenzial von ML erkannt wird, aber aktuell noch nicht
umgesetzt bzw. ausreichend ausgeschöpft wird.
15Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Weiterhin wurden die Potenziale von selbst lernenden Systemen (Maschinelles Lernen) zum Managen
von Risiken in den einzelnen Phasen des Lieferantenmanagements erhoben.
POTENZIALE VON SELBST LERNENDEN SYSTEMEN (MASCHINELLES
LERNEN) IN DEN EINZELNEN PHASEN DES LIEFERANTENMANAGEMENTS
Potenziale Risiken
Potenzial zu managen
um Risiken zu managen
LIEFERANTENSUCHE 20% 33% 18% 17% 5% 6%
LIEFERANTENBEWERTUNG 25% 36% 24% 8% 3% 5%
LIEFERANTENAUSWAHL 17% 39% 22% 13% 4% 5%
LIEFERANTENCONTROLLING 18% 39% 25% 7% 4% 6%
LIEFERANTENENTWICKLUNG 13% 28% 32% 16% 5% 5%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
Entwicklungsstand in Ihrer Branche
LIEFERANTENSUCHE 2% 8% 25% 25% 21% 19%
LIEFERANTENBEWERTUNG 4% 9% 25% 26% 19% 18%
LIEFERANTENAUSWAHL 4% 5% 24% 32% 18% 18%
LIEFERANTENCONTROLLING 4% 6% 25% 32% 15% 19%
LIEFERANTENENTWICKLUNG 4% 5% 21% 30% 20% 20%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
Abbildung 10: Potenziale von selbst lernenden Systemen (Maschinelles Lernen) in den einzelnen Phasen des Lieferantenmanagements
Die Ergebnisse zeigen, dass den Bereichen Lieferantensuche, Lieferantenbewertung und
Lieferantenauswahl großes Potenzial beim Einsatz selbst lernender Systeme (Maschinelles Lernen)
zugeschrieben wird. Auch verdeutlichen die Antworten, dass der Einsatz in den Branchen der Befragten
noch ausbaufähig ist. Es werden zwar die Vorteile erkannt, aber noch nicht aktiv in den Unternehmen
genutzt. Häufig werden das fehlende interne Know-how sowie die Verfügbarkeit und Aufbereitung von
unternehmensinternen Daten als Gründe genannt, warum auf die Einbindung neuer Technologien
in das SCRM verzichtet wird. Externe Kompetenzträger und das Nutzen von externen und öffentlich
zugänglichen Daten können Abhilfe schaffen und die Anwendung von maschinellen Lernalgorithmen
für das SCRM ermöglichen.
16Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
In einer weiteren Frage wurden die Teilnehmer daher gebeten anzugeben, wie viel früher sie von
Lieferkettenunterbrechungen in Kenntnis gesetzt werden müssten, um den Einsatz einer auf
Maschinellem Lernen basierenden SCRM Lösung zu rechtfertigen.
RECHTFERTIGUNG DES EINSATZES EINER ML BASIERTEN
SCRM-LÖSUNG (ZEITPUNKT)
25%
20%
15%
10%
5%
0%
5 S TUNDEN
11 S TUNDEN
23 S TUNDEN
A NGABE
2 A RBEITSWOCHEN
3 A RBEITSWOCHEN
3 A RBEITSWOCHEN
3 A RBEITSTAGE
5 A RBEITSTAGE
KEINE
BIS
BIS
BIS
/
BIS
BIS WENIGER ALS
1
WEIS NICHT
12
6
BIS
BIS
ALS
3 ALS
1
2
M EHR
M EHR
1
Abbildung 11: Rechtfertigung des Einsatzes einer ML basierten SCRM-Lösung in Abhängigkeit zur früheren Kenntnis über den Zeitpunkt der Lieferkettenunterbrechung
Die Antworten zeigen, dass die Befragten mehrere Tage (bis
hin zu drei Wochen) früher von der Lieferkettenunterbrechung
in Kenntnis gesetzt werden müssten, um den Einsatz einer auf
Maschinellem Lernen basierenden SCRM-Lösung gegenüber
ihrer Geschäftsführung zu rechtfertigen.
Über 80% der Befragten sehen in dem frühzeitigen Gewinnen
von Informationen einen Mehrwert, welcher hilft, das Risiko
aufgrund der verlängerten Reaktionszeit besser zu managen.
Dabei ist die Zeitspanne unterschiedlich groß. Bei einigen
Befragten sind weniger als 24h bereits ausreichend, bei anderen
müssen es Tage oder Wochen sein. Dieser Zeitvorsprung kann in
vielen Fällen durch eine Automatisierung der Risikoidentifikation
(Alerting) erzeugt werden.
17Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
RECHTFERTIGUNG DES EINSATZES EINER ML BASIERTEN
SCRM-LÖSUNG (ABHÄNGIGKEIT ZUR SCHADENSHÖHE)
35%
30%
25%
20%
15%
10%
5%
0%
100.000€
100.001 BIS 250.000€
100.000.000€
100.000.000€
1.000.000€
5.000.000€
ANGABE
10.000.000€
50.000.000€
KEINE
BIS
BIS
BIS
BIS
BIS
25.000
/
ALS
BIS
250.001
1.000.001
WEIS NICHT
5.000.001
10.000.001
50.000.001
M EHR
Abbildung 12: Rechtfertigung des Einsatzes einer ML basierten SCRM-Lösung in Abhängigkeit zur Schadenshöhe
Neben der Dauer des Informationsvorsprungs wurde zur
Rechtfertigung des Einsatzes von ML-Lösungen auch ein Blick
auf die jährliche Schadenshöhe geworfen.
Nur ca. 30% der Befragten können diese Einschätzung nicht
beziffern. Die Mehrheit weiß hingegen, welche Schadenshöhe
eine Implementierung rechtfertigen würde. Für fast die Hälfte
der Teilnehmer (46%) würde der Einsatz einer ML basierten
SCRM-Lösung bereits ab einer Schadenshöhe unter 1 Million
Euro jährlich gerechtfertigt sein.
18Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Einflussfaktoren von Maschinellem Lernen
im Lieferantenrisikomanagement
Der dritte Abschnitt der Befragung widmete sich den Einflussfaktoren von Maschinellem Lernen im
Lieferantenrisikomanagement. Hier wurde zunächst abgefragt, wie stark ausgewählte Auslöser den
Einsatz von Maschinellem Lernen für das Lieferantenrisikomanagement treiben.
AUSLÖSER FÜR DEN EINSATZ VON ML IM LIEFERANTENRISIKOMANAGEMENT
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
R I S I K O M A N AR
GE AK
EM T ITVNE ISC H
EN R TI SM
I KE H
O RMAAUNSARG
E IECM
HE ND
EN T 20% 39% 18% 14% 4% 5%
NICHT MEHR AUSREICHEND
ERKENNEN DER MÖGLICHKEITEN
N DER MÖGLICHKEITEN VON MACHINE LEARNING 17% 42% 25% 11% 4% 1%
VON MACHINELLEM LERNEN
N U R M SI TPHEIZLIFFEI SVCOHNE MPARCOHBI N
L EE M
LEE AN
RUNR
I NM
G ILTÖHSIBLAF R
E 16% 33% 26% 15% 6% 4%
VON MACHINELLEM LERNEN LÖSBAR
UNGENUTZTE DATEN LIEGEN VOR 15% 32% 24% 20% 7% 3%
TECHNOLOGISCHER DRUCK VON EXTERN 11% 36% 22% 21% 6% 4%
T R A T E G I S C HNEE A
UUES SRTI CRHATTUEN
GGI SD
CEHSE UANUT SE R
RNI CEH
HTMUEN
NGS 8% 36% 30% 21% 3% 3%
DES UNTERNEHMENS
A K T U E L L K E I N R I S I K O M A NAAKGTEU
MEELNLT KVEOI R
NHR
A INSD
IK O
EN 7% 15% 25% 24% 16% 14%
MANAGEMENT VORHANDEN
KULTURELLER WANDEL IM UNTERNEHMEN 4% 28% 39% 22% 4% 4%
POLITISCHE REGULIERUNGEN 4% 22% 27% 28% 14% 4%
Abbildung 13: Auslöser für den Einsatz von ML im Lieferantenrisikomanagement
Häufige Auslöser für den Einsatz von Maschinellem Lernen im Lieferantenmanagement sind neben dem
nicht mehr ausreichenden reaktivem Risikomanagement z.B. die Erkenntnis, dass mit dem Einsatz von
ML neue Potenziale verbunden sind und sich spezifische Probleme nur mit ML lösen lassen. Auch sind
sich die Befragten der ungenutzten Daten bewusst, die durch die zunehmende Digitalisierung der Supply
Chain geschaffen werden. Einen weiteren Auslöser stellt der technologische Druck von Externen, wie z.B.
anderer Supply Chain Akteure, dar. Passt sich das Unternehmen nicht den neu gesetzten Standards an, so
läuft es Gefahr, seine Wettbewerbsposition einzubüßen. Kultureller Wandel oder politische Regulierungen
werden hingegen seltener als Auslöser gesehen.
Hier wird deutlich, dass viele Unternehmen einen Wandel – weg vom rein reaktiven („Firefighting“) hin zum
proaktiven Risikomanagement – anstreben, um großen Schaden für das Unternehmen frühzeitig abwenden
zu können. Durch eine proaktive Ausrichtung wird der Ernstfall möglicherweise erst gar nicht eintreten
oder das Unternehmen ist auf den Ernstfall vorbereitet und kann folglich schneller entsprechende
Maßnahmen ergreifen. 19Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Des Weiteren wurden die Befragten gebeten, Angaben zu den Zielen zu machen, die beim Einsatz von
maschinellen Lernalgorithmen für das Lieferantenrisikomanagement verfolgt werden.
VERFOLGTE ZIELE BEIM EINSATZ VON ML
IM LIEFERANTENRISIKOMANAGEMENT
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
VERBESSERUNG DER REAKTIONSFÄHIGKEIT 29% 46% 14% 7% 2% 3% 2% 3%
VERMEIDUNG REPETITIVER TÄTIGKEITEN 27% 33% 23% 11% 2% 4% 2%
VERBESSERUNG DER REAKTIONSZEIT 26% 43% 18% 9% 1% 3% 1% 3%
KOSTENREDUZIERUNG 24% 40% 17% 13% 4% 3% 3%
VERBESSERUNGEN IM BEREICH
VERBESSERUNGEN IM BEREICH SUPPLY CHAIN RESILIENZ 21% 41% 21% 11% 2% 4% 2%
SUPPLY CHAIN RESILIENZ
VERMEIDUNG VON FEHLERN 18% 35% 31% 9% 1% 6% 1%
SCHAFFEN NEUER ERKENNTNISSE 17% 36% 26% 17% 1% 4% 1%
VERBESSERUNGEN IM BEREICH
SSERUNGEN IM BEREICH SUPPLY CHAIN SUSTAINABILITY 16% 39% 23% 16% 3% 4%
SUPPLY CHAIN SUSTAINABILITY
AUSFÜHRUNG KOMPLEXER TÄTIGKEITEN 15% 34% 30% 16% 2% 4% 2%
SCHUTZ DER UNTERNEHMENSREPUTATION 11% 39% 28% 16% 2% 5% 2%
SCHAFFEN VON KOOPERATIONEN
FEN VON KOOPERATIONEN ENTLANG DER SUPPLY CHAIN 11% 31% 29% 25% 2% 4% 2%
ENTLANG DER SUPPLY CHAIN
E N V O N I N N O V A T I O N ESNC H
IMA FLFI EEFNE RVAONNT EIN
NMNA
ONVAAGTEI M
OENNE TN 10% 29% 30% 25% 2% 5% 2%
IM LIEFERANTENMANAGEMENT
ENTWICKLUNG NEUER GESCHÄFTSMODELLE 6% 20% 30% 31% 5% 8%
REPUTATIONSSTEIGERUNG DES
U T A T I O N S S T E I G E R U N G D ELSI EL FI EEFREARN
ANT ET N
ENMMAANNAAGGEEM
MEEN
NTTS
S 4% 32% 32% 18% 8% 4%
Abbildung 14: Verfolgte Ziele beim Einsatz von ML im Lieferantenrisikomanagement
Die Unternehmen setzen Maschinelles Lernen vordergründig ein, um Zeit- und Kostenersparnisse
zu generieren. Diese äußern sich z.B. in einer Verbesserung der Reaktionsfähigkeit, in einer besseren
Ressourcennutzung, indem wiederholende Tätigkeiten vermieden werden, oder in einer Verbesserung der
Supply Chain Resilienz.
Der Entwicklung neuer Geschäftsmodelle sowie der Reputationssteigerung des Lieferantenmanagements
räumen die Befragten eine vergleichbar geringere Bedeutung ein.
20Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Erfolgsfaktoren für Maschinelles Lernen
im Lieferantenrisikomanagement
Dieser Abschnitt der Befragung thematisiert die Relevanz von Erfolgsfaktoren, die bei der
Implementierung von maschinellen Lernalgorithmen im Lieferantenrisikomanagement berücksichtigt
werden müssen und stellt diese dem branchenbezogenen Entwicklungsstand der Erfolgsfaktoren
gegenüber. Bei der Befragung wurde zwischen personenbezogenen, technologischen und
organisatorischen Erfolgsfaktoren unterschieden.
PERSONENBEZOGENE ERFOLGSFAKTOREN
Relevanz bei der Implementierung
GANZHEITLICHE SUPPLY CHAIN
GANZHEITLICHE SC RISIKOMANAGEMENTSTRATEGIE 18% 46% 19% 10% 3% 4% 3% 4%
RISIKOMANAGEMENTSTRATEGIE
EINFACH MAL MACHEN MENTALITÄT 14% 40% 27% 14% 3% 2% 3% 2%
RISIKOBEREITSCHAFT UND
RISIKOBEREITSCHAFT UND DURCHHALTEVERMÖGEN 17% 44% 27% 8% 1%4% 1% 4%
DURCHHALTEVERMÖGEN
KULTURELLER WANDEL 20% 33% 33% 7% 4% 2% 4% 2%
ANPASSUNG DER AUFGABEN- UND
15% 46% 28% 6% 2% 3% 4% 3%
TÄTIGKEITSBEREICHE
IMPLEMENTIERUNGSKOMPETENZEN 22% 51% 15% 9% 1% 3% 1% 3%
K O M P E T E N Z E NK O
AUMSP D
ET E NBZEERNE IA
EM CUH SMDAES M
C HBINEERLELI ECSH
27% 45% 16% 10% 0% 3% 3%
M A S C H I N E L L E S LLEERRNNEENN
FACHLICHE KOMPETENZEN 30% 49% 17% 2% 2% 2% 1% 2%
1%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
Entwicklungsstand in Ihrer Branche
GANZHEITLICHE SUPPLY CHAIN
G A N Z H E I T L I C H E S C R I S I K O M A N A G E M E N T S T R A T E G I E 0% 10% 35% 27% 11% 17%
RISIKOMANAGEMENTSTRATEGIE
EINFACH MAL MACHEN MENTALITÄT 6% 11% 27% 28% 11% 16%
RISIKOBEREITSCHAFT UND
R I S I K O B E R E I T S C H A F T U N DD U
DURR
CCHH
HHAALLTTEEVVEERRM
MÖÖG
GEEN
N 1% 13%
1% 29% 28% 13% 16%
KULTURELLER WANDEL 2% 11%
2% 37% 22% 13% 15%
ANPASSUNG DER AUFGABEN- UND
2% 11%
2% 30% 29% 12% 17%
TÄTIGKEITSBEREICHE
IMPLEMENTIERUNGSKOMPETENZEN 2% 2% 19% 26% 26% 12% 14%
K O M P E T E N Z E NK O
AUMSP D
ET E NBZEERNE IA
EM CUH SMDAES M
C HBINEERLELI ECSH
M A S C H I N E L L E S LLEERRNNEENN 4% 11%
4% 23% 31% 17% 16%
FACHLICHE KOMPETENZEN 3% 3% 31% 27% 18% 7% 15%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
21
Abbildung 15: Personenbezogene Erfolgsfaktoren von Maschinellem Lernen im LieferantenrisikomanagementMachine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Als personenbezogene Erfolgsfaktoren sehen Unternehmen, die intern keine Kompetenzen
die Befragten für die Implementierung im Bereich Maschinelles Lernen aufbauen
von Maschinellem Lernen für das möchten oder können, haben die Möglichkeit,
Lieferantenrisikomanagement vor allem auf externe Anbieter zurückzugreifen. Es sind
eine hohe Relevanz in den vorliegenden etablierte Systeme von Drittanbietern verfügbar,
Kompetenzen. Diese beziehen sich auf die welche aufgrund jahrelanger Aufbauarbeit
fachlichen sowie ML-bezogenen Fähigkeiten, schlüsselfertige Lösungen bereitstellen (SaaS-
aber auch auf die Implementierung an sich. Konzept), die flexibel an die Anforderungen im
Die Ergebnisse zeigen gleichzeitig, dass der Unternehmen angepasst werden können. Hier
Entwicklungstand dieser Erfolgsfaktoren in den gibt es etablierte Implementierungsprozesse,
Branchen der Befragten noch nicht ausgereift die eine Systemverfügbarkeit innerhalb weniger
ist. Hier besteht deutlicher Handlungsbedarf. Wochen oder sogar Tage ermöglichen. In diesem
Eine Aus- und Weiterbildungsstrategie in diesem Fall sind unternehmensinterne, umfassende
Bereich kann Unternehmen dabei unterstützen, Aus- und Weiterbildungsmaßnahmen nicht
die notwendigen Kompetenzen intern aufzubauen zwingend erforderlich. Voraussetzend sind jedoch
und die erfolgreiche Implementierung von das Festlegen von Zuständigkeiten innerhalb
maschinellen Lernalgorithmen zu unterstützen. des Unternehmens und die Unterstützung
des Implementierungsprojekts seitens der
Geschäftsführung, um SCRM in die tägliche
Arbeit der beteiligten Unternehmensbereiche
integrieren zu können.
Bei der Implementierung von Maschinellem Lernen in das
Lieferantenrisikomanagement haben personenbezogene
Erfolgsfaktoren eine hohe Relevanz.
22Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Des Weiteren sollten externe Kompetenzen Zudem erfordert Maschinelles Lernen ein
gewonnen werden, die vor allem bei der hohes Maß an Vertrauen und Akzeptanz
Implementierung unterstützen können. auf Mitarbeiter- und Managementebene.
Dies wird durch die Befragungsergebnisse zum Die Relevanz von Risikobereitschaft und
Erfolgsfaktors „Anpassung der Aufgaben- und Durchhaltevermögen werden von den
Tätigkeitsbereiche“ verdeutlicht. Veränderungen Befragten neben der „Einfach mal machen
von Unternehmensprozessen und der Einsatz Mentalität“ als notwendige Erfolgsfaktoren
innovativer Technologien bedürfen einer wahrgenommen. Allerdings hinkt der
Anpassung der Aufgabenbereiche, die aktuell Entwicklungsstand deutlich hinterher. In Bezug
noch nicht ausreichend stattgefunden hat und auf die personenbezogenen Erfolgsfaktoren kann
daher die Implementierung sowie den Einsatz abschließend die ganzheitliche Supply Chain
von Maschinellem Lernen im Lieferantenrisiko- Risikomanagementstrategie genannt werden.
management erschwert. Neben den Kompetenzen Neben dem Lieferantenmanagement und der
und Aufgabenbereichen sollte aus Sicht der Beschaffung sollten alle weiteren Bestandteile
Befragten ein Umdenken in Form eines der Supply Chain die Implementierung von
kulturellen Wandels stattfinden, denn alte und maschinellen Lernalgorithmen unterstützen und
konservative Unternehmensstrukturen können vorantreiben. Die Ergebnisse zeigen deutlich,
den Einsatz von Maschinellem Lernen bremsen dass auch hier ein Umdenken der Beteiligten
oder sogar blockieren. Vergleicht man die stattfinden muss, um den Entwicklungsstand
Relevanz dieses Erfolgsfaktors mit dem aktuellen und somit den erfolgreichen Einsatz von ML im
Entwicklungsstand, so wird deutlich, dass hier ein Lieferantenrisikomanagement und der gesamten
Umdenken der Unternehmen stattfinden muss. Supply Chain zu verbessern bzw. überhaupt zu
ermöglichen.
Maschinelles Lernen erfordert ein hohes Maß an
Vertrauen und Akzeptanz auf Mitarbeiter- und
Managementebene.
23Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
TECHNOLOGISCHE ERFOLGSFAKTOREN
R e l Re
e vleva
a n znzd bei
e r Ide
mp l e mle
r Imp e me
n t intie
e r urung
ng
Relevanz bei der Implementierung
KOMBINATION MIT 17%
18% 45% 46% 23%19% 9%
10% 3%7% 4%
K O M B I N A T I O N M I TWWEEI ITTEERREEN
N T
TEEC
CHHN
NOOLLOOGGI E
I ENN 17%
18%
45%
46%
23% 9% 0% 7%
19% 10% 3% 4%
14% 36% 40% 42% 27% 11% 14% 6% 5%2% 2%
3%
IT-COMPLIANCE UND DATENSICHERHEIT 14%
36% 40%
42% 11%27% 6% 0% 5% 14% 3% 2%
17% 32% 44% 43% 27% 13% 6%
8% 1%5%
4%
GEEIGNETE DATENSTRATEGIE 17% 32% 44% 43% 13% 6%27%
0% 5% 8% 1% 4%
INTEGRATION IN DIE BESTEHENDE 20% 31% 33% 46% 33% 15% 7% 4% 1%
4% 4%
2%
EGRATION IN DIE BESTEHENDE IT-INFRASTRUKTUR 20%31% 33% 46% 15% 33% 4%1% 4% 7% 4% 2%
IT-INFRASTRUKTUR
42% 37% 13% 6%4% 2% 4%
GEEIGNETE IT-INFRASTRUKTUR 15%
15% 42%
46%
46% 37% 13%
28%
4% 28%
0% 4% 6%
3%
2% 3%
31% 44% 15%14% 9% 1%
4% 6%3%
GESTALTUNG DER ALGORITHMEN 22%
31%
22% 44%
51%
51% 14% 4% 1% 6% 15% 9%
1%
1% 3%
39% 47%
QUALITÄT DER ERGEBNISSE 27%
39%
27%
45%
47%
45% 7% 16%
4% 0% 4%
16%
7% 10%4%
10%
4%
3%
3%
2% 1% 1%
GEEIGNETE DATENBASIS 30%
30% 61% 61% 49%
49% 28% 28%
10% 1% 1% 17%
17%
10% 1% 2%
0%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
E n t w i Entwicklungstand
c k l u n g sin
Entwicklungsstand t aIhrer
n d i nBranche
I hIhrer
in rer B ranche
Branche
KOMBINATION MIT 10%
12% 27%
35%
25%
27%
12%
11%
23% 17%
17%
KOMBINATION MIT WEITEREN TECHNOLOGIEN 0% 12%
10%
27%
35%
25% 12%
27%
23%
11%
WEITEREN TECHNOLOGIEN
6% 11% 27% 28% 11% 16%
6%8% 24% 27% 14% 9% 18%
IT-COMPLIANCE UND DATENSICHERHEIT 8%
11%
24%
27%
27% 14%
28%
9% 18%
11% 16%
1% 13% 29% 28% 13% 16%
GEEIGNETE DATENSTRATEGIE 1%
1%
1% 11%13%
11%
27%
27% 29%
32%
32%28%
11% 18%
11%
13% 18%
16%
INTEGRATION IN DIE BESTEHENDE 2% 11% 37% 22% 13% 15%
EGRATION IN DIE BESTEHENDE IT-INFRASTRUKTUR 2%4%
4% 11% 11%
11% 31% 31%
37% 25% 25%
11%
22% 18% 11%
13% 18%
15%
IT-INFRASTRUKTUR
2% 11% 30% 29% 12% 17%
GEEIGNETE IT-INFRASTRUKTUR 2%4%
4% 11% 19% 19% 27%
30% 27% 25% 29% 25%
9% 17% 12% 9% 17%
17%
2% 19% 26% 26% 12% 14%
GESTALTUNG DER ALGORITHMEN 2%
2% 6%
2% 6% 19% 29% 29% 26% 25% 25%
15% 26% 15%
24% 12% 24% 14%
QUALITÄT DER ERGEBNISSE 4%
4%
4%
4% 12%
11%
11%
12%
23%
34%
23% 34% 24%
31%
31% 24%
9% 18%
17%
17% 9%
16%
18%
16%
GEEIGNETE DATENBASIS 3%
4%
3%4% 17% 17% 31%
31% 28% 28% 27%
24%
27% 11%
24% 18%
18% 17% 11% 7%
7%
15%
17%
15%
sehr hoch hoch mittel gering sehr gering weiß nicht / keine Angabe
sehr hoch
sehr hochhoch mittel
hoch gering sehr
mittel gering weiß
gering nicht / keine Angabe
sehr gering weiß nicht / keine Angabe
Abbildung 16: Technologische Erfolgsfaktoren von Maschinellem Lernen im Lieferantenrisikomanagement
Als technologische Erfolgsfaktoren sehen Herausfiltern von irrelevanten Daten, welches
die Befragten für die Implementierung von zu einer hohen Datenqualität führt, nennt man
Maschinellem Lernen für das Lieferanten- Noise Cancellation. Neben der Datenbasis
risikomanagement vor allem eine angemessene und der Qualität der Ergebnisse spielen die
Datenbasis (Datenmenge, -verfügbarkeit, -qualität, Gestaltung der Algorithmen (Auswahl, Training
-vielfalt, -granularität und -zuverlässigkeit) und Weiterentwicklung der Algorithmen),
sowie die Qualität der Ergebnisse (hinsichtlich eine geeignete IT-Infrastruktur (wie Server,
Zuverlässigkeit und Genauigkeit, Nachvollzieh- Cloudlösungen und Programmiersprachen) sowie
barkeit, Transparenz). Die Qualität der die Integration der maschinellen Lernalgorithmen
Ergebnisse bezieht sich im ML-Kontext im in die bestehende IT-Infrastruktur (in Bezug auf
Lieferantenrisikomanagement z.B. auf die Qualität Schnittstellen und Komptabilität) eine wichtige
des Risikoüberwachungssystems (Alerting). Es ist Rolle bei der Implementierung von ML im
wichtig, dass nur relevante Informationen bzw. Lieferantenrisikomanagement.
Daten bearbeitet und ausgewertet werden. Das
24Machine Learning im Supply Chain Risk Management www.tuhh.de/logu www.riskmethods.net
Auch hier zeigen die Ergebnisse, dass diese Erfolgsfaktoren in den teilnehmenden Branchen noch
großes EntwicklungspotenZial aufweisen. Besonders die Gestaltung der Algorithmen fällt den befragten
Unternehmen schwer. Daher werden mit dieser Arbeit häufig Drittanbieter beauftragt, die profunde
Expertise in diesem Bereich aufweisen. In Bezug auf die Datenbasis ist zu erwähnen, dass Unternehmen
festlegen, welche Daten sie selbst verwalten und welche Daten Sie von Drittanbietern erhalten können.
Diese Aussage führt zu dem nächsten technologischen Erfolgsfaktor, der Datenstrategie. Neben den zuvor
genanntem Erfolgsfaktoren hat sich herausgestellt, dass eine geeignete Datenstrategie als relevanter
Erfolgsfaktor bei der Implementierung gesehen werden kann. Die Datenstrategie meint die Erfassung,
Speicherung, Aufbereitung, Analyse, Visualisierung und das Monitoring der Datenbasis. Die befragten
Unternehmensvertreter bewerten den Entwicklungsstand dieses Erfolgsfaktors in ihren Branchen eher
gering oder können keine Aussage dazu treffen.
Zudem wurde hinsichtlich der Relevanz von technologischen Erfolgsfaktoren bei der Implementierung
von ML im Lieferantenrisikomanagement der kombinierte Einsatz mit weiteren Technologien
abgefragt, der aus Sicht der Befragten nicht so ausschlaggebend, wie die anderen Erfolgsfaktoren,
ist. Die letzte Erkenntnis zu den technologischen Erfolgsfaktoren bezieht sich auf die Relevanz und
den Entwicklungstand von IT-Compliance und Datensicherheit. Die Relevanz dieses Erfolgsfaktors
wird ebenfalls als hoch bzw. sehr hoch bewertet. Im Vergleich zu den anderen Erfolgsfaktoren ist der
Entwicklungstand hier deutlich höher. Aktuell gewinnt besonders das Thema Datensicherheit zunehmend
an Relevanz. Hier können auch externe Anbieter umfangreich unterstützen, deren Lösungen bereits hohe
Sicherheitsstandards erfüllen.
ORGANISATORISCHE ERFOLGSFAKTOREN
Relevanz
Relevanz bei
bei der
der Implementierung
Implementierung
Relevanz bei der Implementierung
AUFKLÄRUNG ZU DEN
28% 28% 44% 44% 22% 2% 2% 3% 22% 2% 2% 3%
MÖGLICHKEITEN UND GRENZEN
EINBINDUNG UND BETEILIGUNG
35% 35% 45% 11%
45% 6% 0% 4% 11% 6% 4%
ALLER STAKEHOLDER
AUFBAU UND NUTZEN EINES
20%20% 50% 50% 20% 5% 2% 3% 20% 5% 2% 3%
WISSENSMANAGEMENTS
KONTINUIERLICHE
25% 25% 53% 53% 20% 1% 1% 1% 20% 1% 1% 1%
VERBESSERUNG UND…
AGILE UND FLEXIBLE
16%
16% 49% 49% 26% 5% 2% 2% 26% 2% 1% 2%
RAHMENBEDINGUNGEN
REALISTISCHE UND
31% 31% 54% 54% 13% 1%1% 0% 13% 1% 1%
REALISIERBARE ZIELSETZUNG
KLARE PROBLEMSTELLUNG 30% 30% 54% 54% 14% 0% 1% 1% 14% 1% 1%
DEFINITION EINER
19%19% 46% 46% 24% 7% 2% 3% 24% 7% 2% 3%
ÜBERGREIFENDEN KI-STRATEGIE
sehr hoch
sehr hochhoch mittel
hoch gering sehr gering
mittel weiß nicht / keine
gering Angabe
sehr gering weiß nicht / keine Angabe
Abbildung 17: Organisatorische Erfolgsfaktoren von Maschinellem Lernen im Lieferantenrisikomanagement
25Sie können auch lesen
