Dynamische Nachfrageprognosen Das Ende von Just-in-Time ist die Zukunft der modernen Lieferkette

Ein Gastbeitrag von Richard Timperlake*

Die Corona-Pandemie machte wie ein Brennglas die Verwundbarkeit globaler Lieferketten offensichtlich. Wie dynamische Prognosen und Datenanalysen die Logistik widerstandsfähiger machen können.

Firma zum Thema

Das Just-in-Time-Prinzip hat seine Schwächen zuletzt in der Corona-Pandemie offenbart – ein Big-Data-basierter Ansatz ist eine attraktive Alternative.
Das Just-in-Time-Prinzip hat seine Schwächen zuletzt in der Corona-Pandemie offenbart – ein Big-Data-basierter Ansatz ist eine attraktive Alternative.
(Bild: gemeinfrei / Pixabay )

Bislang war das Just-in-Time-Prinzip äußerst effektiv und deshalb auch weit verbreitet. Da Verkaufsdaten für Nachfrageprognosen herangezogen wurden, trug es dazu bei, dass die Lagerbestände und demnach auch die benötigte Lagerfläche auf ein absolutes Minimum reduziert werden konnten. Doch dann kam die Pandemie und deckte mit aller Härte die Kernfehler des Modells auf, deren Folgen noch heute in den globalen und regionalen Lieferketten zu spüren sind.

Vom Holzmangel bis zur Halbleiterknappheit herrscht aktuell ein enormer Wettbewerb – nicht nur bei der Beschaffung der für die Herstellung von Produkten benötigten Rohstoffe, sondern auch bei der Frage, wie die Lagerbestände nach der Herstellung tatsächlich verteilt werden können. Um langanhaltende Ausfälle wie diese in Zukunft vermeiden zu können, muss nun dringend an der Resilienz von Lieferketten gearbeitet werden. Doch wie können Unternehmen dies umsetzen und welche Rolle spielen dabei dynamische Prognosen und Datenanalysen?

Proaktive Vorbereitung für Störungsfälle

Früher kamen häufig manuelle Prognosestrategien zum Einsatz, bei denen beispielsweise die Nachfrage der letzten zwölf Monate analysiert wurde, um den zukünftigen Bedarf zu berechnen. Für lang- und mittelfristige Planungen kann das nach wie vor funktionieren, schließlich finden Weihnachten oder die Sommerferien jedes Jahr im gleichen Zeitraum statt. Um kurzfristige Entscheidungen treffen zu können, sind diese traditionellen Strategien jedoch nicht ausreichend – vor allem dann nicht, wenn es zu unerwarteten Störungen kommt. Unternehmen können es sich heute nicht mehr leisten, die Entwicklung von potenziellen Risiken abzuwarten – das hat die Pandemie deutlich gezeigt. Wer auch angesichts einer unsicheren Zukunft erfolgreich sein will, muss sich also bereits im Vorfeld entsprechend vorbereiten, um im Ernstfall gewappnet zu sein und schnellstmöglich Gegenmaßnahmen einzuleiten.

Damit solche Notfallpläne erstellt werden können, sind Datenanalysen essenziell. Sie helfen dabei, Schwachstellen innerhalb der Lieferkette zu erkennen und zu prognostizieren, wie sich die Nachfrage nach bestimmten Produkten oder Rohstoffen ändern wird, wenn beispielsweise Umweltkatastrophen eintreten. So können die Risikobelastung der Lieferkette besser nachvollzogen und auch im Notfall die wichtigsten Prozesse aufrechterhalten werden. Damit das in der Praxis funktionieren kann, muss jedoch zunächst eine absolute Datentransparenz geschaffen werden – und zwar über alle Abteilungen des Unternehmens hinweg.

Das ist zwar mit einem gewissen Aufwand verbunden, doch diese Vorarbeit lohnt sich: Mit einer datengesteuerten Lieferkette, die prädiktive Analysen zur dynamischen Nachfrageprognose nutzt, lassen sich Knappheiten einzelner Rohstoffe und Produkte oder kurzfristige Kauftrends modellieren, noch bevor sie auftreten. Das bedeutet, das Unternehmen kann verschiedene potenziell mögliche Szenarien – wie den aktuell herrschenden Holzmangel – durchspielen, bevor er in Wirklichkeit eintritt und so besser planen und verfügbare Ressourcen nachhaltiger verwalten. Da sich diese fiktiven Szenarien vergleichen lassen, können außerdem bereits im Vorfeld wertvolle, datengestützte Erkenntnisse generiert und etwaige Risiken abgemildert werden.

Agilität dank Künstlicher Intelligenz

Im Rahmen dynamischer Nachfrageprognosen kommt künstliche Intelligenz zum Einsatz, um zahllose Szenarien zu planen, langfristige Produkttrends und Kaufmuster auf Grundlage historischer Daten zu modellieren und die Erkennung von Anomalien für eine Vielzahl von Zwecken zu nutzen. Um aussagekräftige Ergebnisse zu erzielen, ist es jedoch ratsam, hierfür nicht nur die intern verfügbaren Daten heranzuziehen. Auch externe Informationen wie Wetterdaten, Verkehr oder Ereignisse wie zum Beispiel eine Fußballmeisterschaft oder das Oktoberfest spielen eine Schlüsselrolle. Werden damit zusammenhängende Daten nicht in die Analysen miteinbezogen, fehlt eine wichtige Dimension, die das Gewinnen wirklich smarter Erkenntnisse erst möglich macht.

Mit ihrer Hilfe kann beispielsweise ein Einzelhändler feste Faktoren wie Feiertage, Wochenenden oder Jahreszeiten modellieren und diese mit variablen Faktoren kombinieren, um Nachfrageprognosen über einen Zeitraum von 14 Tagen zu erstellen, die auf ungeplanten Trends oder Engpässen basieren. Das ermöglicht ihm unter anderem, den bekannten Verkaufszahlen des Wochenendes weitere Faktoren wie der angesagten Schlechtwetterfront hinzuzufügen und dadurch Änderungen der Verkaufszahlen im gesamten Filialnetz zu prognostizieren.
Auf diese Weise könnte ein Bekleidungshändler mithilfe der dynamischen Nachfrageprognose entscheiden, ob er einen geplanten Abverkauf der Winterware einige Tage vor einer großen Kältefront verschieben sollte oder nicht. Die Technologie kann auch dazu beitragen, einen Lagermangel vor einem Feiertag mit warmem Wetter zu verhindern, indem sie eine zusätzliche Mittagslieferung an wichtige Freizeitorte empfiehlt – und so das Risiko vermeidet, dass während der Hochsaison im Sommer die Badeanzüge ausgehen.

Schlanke Prozesse wie das Just-in-Time-Prinzip sind zwar echte Spitzenreiter, wenn es darum geht, Kosten weitestgehend zu senken, doch eine länger anhaltende Störung kann die hierdurch erzielten Einsparungen schnell zunichtemachen, wenn das Unternehmen über keinen passenden Plan B verfügt. Das bedeutet, im Fall einer Krise oder einer kurzfristigen Änderung der Nachfrage muss ein Unternehmen rechtzeitig gerüstet sein.
Anstatt sich auf den Lieferanten mit den günstigsten Preisen zu verlassen, ergibt es also Sinn, bereits im Vorfeld mit verschiedenen Kooperationspartnern ins Gespräch zu kommen – auch wenn das mehr Zeit und damit auch Geld in Anspruch nimmt. Sollte einer der Lieferanten jedoch einen unerwarteten Engpass melden, kann das jeweilige Unternehmen auf seine Liste potenzieller Alternativen zurückgreifen und sich dadurch schnell anpassen.

Vor allem die Abhängigkeit von Produktionsstätten in anderen, weit entfernten Ländern wie China oder Südkorea kann schnell zum Problem werden. Muss ein Spielwarenhersteller seine Fabriken hier schließen, ist es notwendig, schnell herauszufinden, wie viel Ware sich wo befindet und ob die Produktion an anderen Standorten kurzfristig erhöht werden kann, um die Störung auszugleichen – vor allem dann, wenn saisonale Peaks wie die Weihnachtszeit vor der Tür stehen.

Mithilfe der Analyse großer Datenmengen ist es hier möglich, Produkte von der Herstellung bis zum Endverbraucher zu untersuchen und länderspezifische Variablen wie die für die Zollabfertigung benötigte Zeit zu berücksichtigen. Auf diese Weise ist es dem Unternehmen möglich, eine realistische Nachfrageprognose zu erstellen und gleichzeitig die Auswirkungen auf die Produktion und die Vertriebszeit zu bewerten.

Entschärfung einer tickenden Zeitbombe

Es ist für Unternehmen an der Zeit, das bisher genutzte, günstige Just-in-Time-Prinzip zu überdenken. Sinnvoller ist es, stattdessen damit zu beginnen, sich die Vorteile von Big Data zunutze zu machen.

Mithilfe großer Datenmengen ist es endlich möglich, präzise automatisierte Analysen und dynamische Nachfrageprognosen zu etablieren und vorbereitet zu sein, wenn der nächste große Engpass eintritt. Damit das in der Praxis funktionieren kann, ist es jedoch zunächst notwendig, absolute Transparenz innerhalb der Lieferkette zu entwickeln. Mit den hier generierten Daten können präzise und automatisierte Analysetechnologien zum Einsatz kommen, die smarte und datenbasierte Erkenntnisse ermöglichen. Durch sie können Beschaffungsmanager viel Zeit sparen, die sie früher mit der manuellen Datenverwaltung und -analyse vergeudet haben und sich stattdessen auf innovative Aufgaben konzentrieren.

* Richard Timperlake arbeitet als Senior Vice President der EMEA-Region bei Alteryx.

(ID:47854407)