Der Bereich der Informationssysteme kann in den vergangenen Jahren große Fortschritte bei der Anwendung fortgeschrittener statistischer Modellierungstechniken verzeichnen.[1] Predictive Analytics ermöglicht es, Modelle zu entwickeln, die Vorhersagen treffen und Vorhersagewahrscheinlichkeiten beurteilen können. Predictive Analytics kann helfen, in ungewohnten Umgebungen neue Muster und Verhaltensweisen zu erkennen und potentielle, kausale Zusammenhänge aufzudecken. Diese Datenzusammenhänge können wiederum zu neuen theoretischen Modellen führen. Auch im Supply Chain Management gewinnt Predictive Analytics immer mehr an Bedeutung. Predictive Analytics kann das Supply Chain Management dahingehend unterstützen, Prozesse zwischen den beteiligten Akteuren akkurater, zuverlässiger und kostengünstiger zu gestalten. Gerade global agierende Unternehmen, die in einem international verzweigten Wertschöpfungsnetz operieren, haben mit ihren Bedarfen und Kapazitäten große Herausforderungen zu meistern. Zusätzlich sind sie meist eigenständige Organisationen, die von anderen Unternehmen entkoppelte Planungs- und Datenspeicherungssysteme haben und ihre Daten nicht übergreifend offenlegen.
Supply Chain Management und Predictive Analytics
Supply Chain Management (SCM) wird als Management von Geschäftsprozessen im gesamten Netzwerk von Organisationen, die die Supply Chain umfassen, bezeichnet.[2] Die Supply Chain Geschäftsprozesse sind mit funktionalen Einheiten und Managementkomponenten integriert, die über alle Supply Chains hinweg gemeinsame Elemente sind und bestimmen, wie sie verwaltet und strukturiert werden. Dabei gibt es Raum für sowohl Back-End als auch Front-End Lösungen, die einen Informationsaustausch vom Lieferanten über den Produzenten bis zum Endkunden ermöglichen. Nach dem Council of Supply Chain Management (CSCMP) ist unter Supply Chain Management zusammengefasst das Folgende zu verstehen: Supply Chain Management umfasst die Planung und Steuerung aller Aktivitäten rund um die Beschaffung, Disposition und Logistikmanagement. Wichtig zu erwähnen ist hier die Kombination und Zusammenarbeit mit anderen Supply Chain Partnern, d. h. Lieferanten, Zwischenhändlern, Drittanbietern und Kunden.[3] Analytics im Allgemeinen bezieht sich auf verschiedene Technologien, Anwendungen und Fähigkeiten, die gebraucht werden, um Einblicke in Daten zu gewinnen und daraus Wissen für weitere Geschäftsprozesse zu generieren.[4] Abbildung 6 zeigt eine Aufteilung der wichtigsten Teilbereiche von. Der größte Unterschied zwischen Business Intelligence (BI) und Advanced Analytics, unter den auch Predictive Analytics fällt dieser Teilbereiche ist, dass sich BI mit vergangenheitsbezogenen Daten beschäftigt und reaktive Steuerelemente bereitstellt. Dahingegen ist Advanced Analytics auf zukunftsorientierte Analysen fokussiert und stellt proaktive Maßnahmen zur Verfügung. Um Predictive Analytics im Rahmen von Supply Chain einzusetzen, müssen bestimmte Anforderungen an die Infrastruktur gegeben sein. In diesem Zusammenhang ist es interessant zu sehen, welche Infrastruktur bereits von Unternehmen verwendet wird. Wie die TDWI Studie zeigt[5], verwenden viele Unternehmen die BI-Anwendungen und Dashboards (85%) in Verbindung mit ihrem bestehenden Data Warehouse (83%). Der Einsatz weiterer Datenstrukturen und Tools zur Unterstützung großer Datenmengen und Predictive Analytics nimmt sichtlich zu. Beispielsweise planten Unternehmen den Einsatz von Advanced Analytics und Echtzeit-Analysen in den nächsten Jahren zu verdoppeln.
Predictive Analytics für die zeitliche Vorhersage von LKW-Ankunftszeiten
Nach Navickas und Gružauskas[6] lassen sich aus einer Supply Chain vier Bereiche ableiten, die Big Data generieren und auch Potential für den Einsatz von Predictive Analytics Methoden bieten. Diese Bereiche sind Beschaffung, Lagerwesen, Transport und Nachfragekette.
Logistikzentren sind die Punkte einer Supply Chain, in denen sich verschiedene Transportströme treffen und verbunden werden können. Um eine präzise Planung zum Ablauf einzelner Vorgänge in einem Logistikzentrum machen zu können, ist es wichtig, zuverlässige Ankunftszeitpunkte der noch erwarteten LKWs zu ermitteln, damit die Abläufe nicht gestört werden und keine Verzögerungen entstehen.[7] In ihrem Paper erforschen van der Spoel et.al die Frage: „Wie kann ein Modell erstellt werden, das die Ankunftszeit von LKWs in Logistikzentren beschreibt und vorhersagt?”. Um das Vorhersagemodell zu modellieren, verwenden sie den von Shmueli und Koppius entwickelten Ansatz. Dieser Ansatz ist darauf ausgerichtet, in einem achtstufigen Verfahren („Goal Definition“, „Data Collection & Study Design“, „Data Preparation“, „Exploratory Data Analysis“, „Choice of Variables“, „Choice of Potential Methods“, „Evaluation, Validation and Model Selection“, „Model Use & Reporting“) die Modellierung eines Vorhersagemodells im Bereich des Information Science Research zu ermöglichen und steht damit besonders im Gegensatz zu Ansätzen, die zur Modellierung von erklärenden statistischen Modellen in diesem Fachbereich genutzt werden können.
Mithilfe der Literaturanalyse und der Befragung von LKW-Fahrern haben die Autoren Faktoren bestimmt, die besonders wichtig für die zu erwartende Ankunftszeit eines LKWs am Logistikzentrum sind. Die berücksichtigten Faktoren sind: Verkehrsaufkommen, Wetter, zurückzulegenden Stecke bzw. Zielort, generelle Frachtinformation und der LKW-Typ.[8] Bei der Auswahl der Daten, die für die Vorhersage zur Verfügung stehen, gab es leider einige Einschränkungen, die die Qualität des Vorhersagemodells negativ beeinflussen können. Ein Problem ist, dass die Daten ex ante zur Verfügung stehen müssen, dies aber nicht für alle garantiert ist. Sehr viel wichtiger ist das Problem, dass, zum Zeitpunkt der Fallstudie, keine genauen Informationen über die aktuellen Aufenthaltspunkte der zu erwarteten LKW zur Verfügung standen, daher müssen die ermittelten Daten auf eine geschätzte Aufenthaltszone interpoliert werden, was die Datenqualität negativ beeinflusst.[9] Für diese Interpolation wurden LKW, die in weniger als einer Stunde ankommen sollen, in Zone 1 (0 – 80 km Distanz), die in ein bis zu zwei Stunden ankommen sollen, in Zone 2 (81 – 160 km Distanz) und alle restlichen in Zone 3 (160+ km Distanz) eingeteilt. Für die Umsetzung des Modells haben die Autoren nach der Auswahl der Daten die oben vorgestellten fünf Methoden ausgewählt und die erzielten Ergebnisse miteinander verglichen. Die Ergebnismatrix zeigt den Anteil der Schätzungen an, die sich innerhalb der auf 3 Kategorien definierten Distanz (entspricht 1,5 – 2h) zwischen echter Ergebniskategorie und geschätzter Ergebniskategorie befinden. Diese Einteilung der Performance der Methoden ermöglicht es den Autoren besser einzuschätzen, wie gut ein Modell ist, als es mit dem Anteil der komplett richtigen Schätzungen möglich wäre. Insgesamt ergibt sich als Ergebnis, dass, mit den untersuchten Methoden, im besten Fall 72% der Schätzungen richtig (also im Bereich von Stunden) sind. Das trotzdem mehr als ein Viertel der Ankünfte nicht richtig eingeschätzt werden können, liegt nach van der Spoel u. a., an anderen Faktoren, die nicht im Modell berücksichtig werden können. Hierbei ist vor allem ein Problem, dass es für LKW-Fahrer vorteilhafter ist zu spät zu kommen, da sie dann vermutlich schnell abgefertigt werden können. Weiterhin ist es ein entscheidender Faktor, dass die Ankunftszeit nicht nur von der Fahrzeit, sondern vor allem auch von der Abfahrzeit beeinflusst wird. Diese ist aber von menschlichen und organisatorischen Faktoren abhängig, auf die nur bedingt Einfluss genommen werden kann.
Nachfolgend soll kurz beschrieben werden, wie Predictive Analytics und Supply Chain Management in Unternehmen eingebettet sind. Die unterste Ebene bildet eine vereinfachte Supply Chain. Alle beteiligten Akteure erzeugen in Geschäftstransaktionen Daten, die in verschiedenen Systemen gespeichert werden. Diese Daten werden u. a. in Enterprise Resource Planning (ERP) Systemen, Datenbanken, lokalen Dateien oder Web Services gespeichert. In einem ersten Schritt werden Daten aus diesen unterschiedlichen Quellen extrahiert, bereinigt und transformiert. Dieses Verfahren wird auch herkömmlich als Extraktion – Transformation – Lade (ETL)-Prozess bezeichnet. Dieser Schritt ist wichtig, um multidimensionale Datenanalysen zu ermöglichen, Key Performance Indicators (KPI) zu berechnen und Data-Mining-Ansätze zu realisieren. Im nächsten Schritt wird ein Online Analytical Processing (OLAP) Würfel aus den bereinigten Daten gebaut. Das OLAP-Schema ermöglicht multidimensionale Datenanalysen und bildet die Grundlage für das Design von Supply Chain-KPIs, die den Fortschritt vordefinierter Ziele messen. Haben sich Unternehmen vorab auf SCM-KPIs geeinigt, die sie erfassen, so können sie anhand dieser ihre SCM-Geschäftsprozesse bewerten. Anhand von Dashboards können sie die KPIs auch visuell darstellen und weiter analysieren. Das Data Mining stellt einen erforderlichen Schritt in Richtung Predictive Analytics dar. Basierend auf einer großen, bereinigten Datenmenge kann ein Modell trainiert werden, dass bestimmte Trends und Muster in den Daten aufdeckt. Mittels KPIs, Scorecards und Dashboards, die auf historischen Leistungsdaten basieren, kann Predictive Analytics dazu genutzt werden, um Vorhersagen über die zukünftige Unternehmensleistung zu treffen. Der letzte Schritt besteht darin, Maßnahmen zu ergreifen, um eventuell aufgetretene Probleme zu lösen und Anpassungen an der Strategie vorzunehmen. Diese Maßnahmen können wieder durch weitere Datenanalysen, Berichte, Simulationen und Data Mining unterstützt werden. Für eine Kollaboration eignet sich ein BI-Web Portal.
Verbesserung der Supply Chain Performance
Performance Management stellt verschiedene Initiativen zur Unternehmensverbesserung bereit. Das Ziel von Supply Chain Performance Management ist die Optimierung von Geschäftsprozessen durch die Überwachung und Analyse von Leistungskennzahlen.[10] Mittels Leistungskennzahlen lassen sich strategische Ziele steuern, sowie deren Umsetzung überwachen.[11] Durch die Überwachung von Kennzahlen, anhand vordefinierter Ziele, können Unternehmen einen Mehrwert generieren und rechtzeitig Maßnahmen ergreifen. Eine zeitnahe und präzise Bewertung der gesamten Supply Chain und einzelner Unternehmensbereiche ist Voraussetzung für ein erfolgreiches Funktionieren.[12] Demnach ist das Performance Management für das gesamte Management von Supply Chains von großer Bedeutung. Die Vorhersage von Supply Chain Performance ist eine wichtige inhaltliche Komponente des Supply Chain Managements.[13] Die Ermittlung von Performance Kennzahlen ermöglicht es im SCM Prozesse und Aktivitäten an strategische Ziele auszurichten.[14] Zur Steigerung der Supply-Chain-Performance eines Unternehmens müssen einzelne Funktionen, wie z. B. Einkauf, Produktion, Transport und Disposition optimiert werden.[15] Nach Ganga und Carpinetti[16] lassen sich für Supply Chain die folgenden Bereiche mit Kennzahlen identifizieren: Zuverlässigkeit, Verantwortlichkeit, Agilität, Kosten-reduzierung sowie eine effizientere Anlagenverwaltung.
[1] Shmueli, G. und Koppius, O. (2010) „Predictive Analytics in Information Systems Research“, SSRN Electronic Journal, 35(3), S. 553–572. doi: 10.2139/ssrn.1606674 
.
[2] Croxton, K. L. u. a. (2001) The Supply Chain Management Process, S. 13.
[3] Council of Supply Chain Management Professionals (CSCMP) (2018) CSCMP Supply Chain Management Definitions and Glossary. Verfügbar unter: http://cscmp.org/CSCMP/Educate/SCM_Definitions_and_Glossary_of_Terms/CSCMP/Educate/SCM_Definitions_and_Glossary_of_Terms.aspx?hkey=60879588-f65f-4ab5-8c4b-6878815ef921 (Zugegriffen: 9. Februar 2018).
[4] RapidMiner (2014) „RapidMiner – An Introduction Advanced Analytics“, S. 1.
[5] Halper, F. (2014) „Predictive Analytics for Business Advantage“, TDWI Best Practice Report, S. 23.
[6] Navickas, V. und Gružauskas, V. (2016) „Big data concept in the food supply chain: Small markets case“, Scientific Annals of Economics and Business, 63(1), S. 15–28. doi: 10.1515/aicue-2016-0002 .
[7] van der Spoel, S., Amrit, C. und van Hillegersberg, J. (2017) „Predictive analytics for truck arrival time estimation: a field study at a European distribution centre“, International Journal of Production Research. Taylor & Francis, 55(17), S. 5062–5078. doi: 10.1080/00207543.2015.1064183, S. 5062.
[8] van der Spoel, S., Amrit, C. und van Hillegersberg, J. (2017) „Predictive analytics for truck arrival time estimation: a field study at a European distribution centre“, International Journal of Production Research. Taylor & Francis, 55(17), S. 5062–5078. doi: 10.1080/00207543.2015.1064183, S. 5070.
[9] van der Spoel, S., Amrit, C. und van Hillegersberg, J. (2017) „Predictive analytics for truck arrival time estimation: a field study at a European distribution centre“, International Journal of Production Research. Taylor & Francis, 55(17), S. 5062–5078. doi: 10.1080/00207543.2015.1064183, S. 5069.
[10] Stefanovic, N. (2014) „Proactive Supply Chain Performance Management with Predictive Analytics“, The Scientific World Journal. Hindawi Publishing Corporation, 2014, S. 1–17. doi: 10.1155/2014/528917, S. 3.
[11] Stefanovic, N. (2014) „Proactive Supply Chain Performance Management with Predictive Analytics“, The Scientific World Journal. Hindawi Publishing Corporation, 2014, S. 1–17. doi: 10.1155/2014/528917, S. 2f.
[12] Stefanovic, N. (2014) „Proactive Supply Chain Performance Management with Predictive Analytics“, The Scientific World Journal. Hindawi Publishing Corporation, 2014, S. 1–17. doi: 10.1155/2014/528917, S. 3.
[13] Dong, H. und Shi, C. (2011) „Comprehensive prediction model of supply chain performance“, 2nd International Conference on Artificial Intelligence, Management Science and Electronic Commerce (AIMSEC), S. 257.
[14] Stefanovic, N. (2014) „Proactive Supply Chain Performance Management with Predictive Analytics“, The Scientific World Journal. Hindawi Publishing Corporation, 2014, S. 1–17. doi: 10.1155/2014/528917, S. 2.
[15] Dossou, P. E. und Nachidi, M. (2017) „Modeling Supply Chain Performance“, Procedia Manufacturing. Elsevier, 11, S. 838–845. doi: 10.1016/J.PROMFG.2017.07.186 .
[16] Ganga, G. M. D. und Carpinetti, L. C. R. (2011) „A fuzzy logic approach to supply chain performance management“, International Journal of Production Economics. Elsevier, 134(1), S. 177–187. doi: 10.1016/J.IJPE.2011.06.011, S. 182.
