Data Analytics und Foresight

Reduktion der Entscheidungsunsicherheit im SCM mit Machine Learning und Mustererkennung

Schwer vorhersehbarer Kundenbedarf, unzuverlässige Lieferpfade und Lieferanten, hoher Kostendruck durch verschärften Wettbewerb und strengere Auflagen zum Beispiel im Kontext Lieferkettengesetz führen zu einem enormen Ausmaß an Unsicherheit im Supply Chain Management. Entscheidungen werden oftmals basierend auf impliziten Erfahrungswissen und eher reaktiv denn proaktiv getroffen – dies führt zu kostenintensiven Eilaufträgen, nicht erfülltem Kundenbedarf und erschwert nachhaltiges Wirtschaften. Die zielgerichtete Analyse von Daten bietet enormes Potential zur Reduktion der Entscheidungsunsicherheit im SCM. 

Im Kompetenzbereich „Data Analytics & Foresight“ beforscht ein international besetztes Team den Einsatz von KI und Machine Learning-Verfahren im SCM. Im Zentrum steht die Frage, wie Daten im Unternehmen und in Unternehmensnetzwerken genutzt werden können, um prädiktive Aussagen zum Verhalten des Wertschöpfungsnetzwerkes zu treffen. Ein Schwerpunkt liegt auf der nachhaltigen Integration von Data Analytics in der Unternehmenspraxis und der Entwicklung innovativer Grundlagen an der Schnittstelle von Machine Learning und Supply Chain Management.

DATA unterstütz seine Unternehmenspartner bei der Identifikation und Implementierung konkreter KI- und Machine Learning Use Cases im SCM und adressiert unter anderem die Fragestellung, i) wie Zielsetzungen und Fragestellungen in SCM-Data Analytics Projekten definiert werden können, ii) welche Machine Learning Verfahren aus welchen Datenbeständen welche prädiktiven Insights generieren können, und iii) wie Machine Learning in Entscheidungsstrukturen und IT-Systeme integriert und Analyseergebnisse für Entscheider verständlich aufbereitet werden können. Exemplarische Projekte des Bereichs DATA umfassen folgende Themenstellungen:

- Vorhersage der Lieferzuverlässigkeit in globalen Supply Chains
- Optimierung der Demand Prediction im Lebensmitteleinzelhandel
- Vorhersage von Wartungsterminen und Materialbedarf in Service-Netzwerken
- Automatisierte Bestellvorschläge im Hygiene-Bereich
- KI-basierte Steuerung des Rampenbelegungs-Prozesses in der Möbel-Branche

Die Herausforderungen unserer Projektpartner drehen sich oftmals um vier zentrale Fragestellungen: i) wie kann das Unternehmen durch Mustererkennung aus Daten vergangener Transaktionen und Abläufen im Wertschöpfungsnetzwerk lernen, ii) wie können daraus in relevanten Entscheidungssituationen prädiktive und zuverlässige Vorhersagen zum zukünftigen Netzwerkverhalten getroffen werden, iii) wie können die Ergebnisse zur Unsicherheitsreduktion in bestehende Abläufe und (IT-)Systeme integriert und für den bzw. die Entscheiderin verständlich aufbereitet werden, und iv) – und das ist der Einstiegspunkt in vielen unserer Projekte - wie erkennt das Unternehmen überhaupt, wie die richtigen, der Zielsetzung des Unternehmens entsprechenden Fragestellungen an die Daten definiert werden.

Ziel des Kompetenzfeldes ist es, Datenkompetenz bzw. Data Literacy im Supply Chain Management unserer Unternehmenspartner zu etablieren. Aufbauend auf gemeinsam definierten Zielen und Fragestellung der Unternehmenspartner werden die richtigen Supply Chain Kennzahlen und die sich daraus ergebenden, notwendigen Datenpunkte für das spezifische Wertschöpfungsnetz der Partnerunternehmen abgeleitet. Die verfügbaren Daten werden evaluiert, explorativ analysiert und in weiterer Folge für die Analysephase bereinigt und aufbereitet. Erst dann wird mit der eigentlichen Datenanalyse begonnen. Auf diese Art wird sichergestellt, dass die richtigen Ergebnisse basierend auf den richtigen Daten generiert werden. Im Zuge der Ergebnisevaluierung werden die Ergebnisse in Hinblick auf ihre Vorhersagegenauigkeit und die definierten Zielsetzungen evaluiert. Zu guter Letzt werden die Ergebnisse und die angewandten Analyseverfahren in bestehende Abläufe und Systeme integriert. Entsprechend den individuellen Entscheidungsabläufen und Prozessen der Unternehmenspartner wird dadurch Data Analytics im Wertschöpfungsnetzwerk ins Wirken gebracht.

Für mehr Informationen bitte kontaktieren Sie: 

FH-Prof. Dr. Patrick Brandtner
Wehrgrabengasse 1-3, 4400 Steyr/Austria
+43 5 0804 33450
patrick.brandtner@fh-steyr.at

Advanced Industrial Analytics

Advanced Industrial Analytics

Ziel des Forschungsbereichs „Advanced Industrial Analytics“ ist es, zu beforschen, wie komplexe Technologien wie künstliche Intelligenz, maschinelles Lernen und Big Data für industrielle SCM-Use Cases eingesetzt, optimiert und skaliert werden können.
Advanced Retail Analytics

Advanced Retail Analytics

Das Ziel des Forschungsbereichs Advanced Retail Analytics ist die Beforschung und der Entscheidungs-unterstützende Einsatz von Methoden aus dem Bereich künstliche Intelligenz und Machine Learning in Anwendungsfeldern im Handel.
Robust Supply Chain Optimization

Robust Supply Chain Optimization

Das Ziel des Forschungsbereichs „Robust Supply Chain Optimization“ ist die Anwendung innovativer Verfahren robuster Optimierung im Supply Chain Management. Robuste Optimierung ist ein fortschrittlicher mathematischer Ansatz, der darauf abzielt, Entscheidungen zu treffen, die trotz Unsicherheiten und Störungen im System zu stabilen Ergebnissen führen.