Künstliche Intelligenz für die Supply Chain

Die ElringKlinger AG ist im freien Ersatzteilmarkt für KFZ-Dichtungen unter der Marke »Elring – das Original« tätig. Grundsätzlich kann das Portfolio in Dichtungssätze, welche aus einer Kombination mehrerer Artikel in einer Verpackung bestehen, und Einzelartikel unterschieden werden. 

Die Abbildung veranschaulicht die gesamte Supply Chain des ElringKlinger Ersatzteilgeschäftes. Optimiert man die einzelnen Elemente der Lieferkette, so kann eine bessere Prognose des (Jahres-)Absatzforecast erzielt werden. Dies ist die zentrale Herausforderung des Förderprojektes.

Die Lieferkette kann dafür in einzelne Optimierungs- und Schätzprobleme zerlegt werden, welche jeweils einer Teiloptimierung bedürfen. Die Abbildung zeigt außerdem in den roten Kästchen die einzelnen kritischen Größen auf, welche es entweder zu optimieren oder als Restriktion zu beachten gibt. Gegenüber den Kunden ist es zum Beispiel essenziell die Artikelverfügbarkeit zu maximieren, da dies ein entscheidender Wettbewerbsfaktor ist.

Diese Supply Chain Darstellung ist auf einer sehr abstrakten Ebene und hat im Detail weitere Komplikationen, welche, unter anderem durch den Einsatz von Künstlicher Intelligenz (KI), optimiert werden können. Die dunkelblauen Kästchen zeigen dafür die möglichen Optimierungsansätze. Der (Jahres-) Absatzforecast ist der zentrale Baustein - alle weiter links liegenden Ebenen bauen auf einem optimierten Forecast auf.

Anhand der dargestellten Datenbasis (Box links), sollen (nach Datenbereinigung und diversen Vorarbeiten) verschiedene Modelle des Maschinellen Lernens erprobt und optimiert werden, um den beschriebenen Use Case (Box rechts) möglichst gut lösen zu können. Dabei sollen besagte Modelle schon früh in den testweisen Echtdatenbetrieb aufgenommen werden, um eine Praktizierbarkeit auch außerhalb von »Laborbedingungen« zu gewährleisten.

Die Genauigkeit des Absatzforecasts auf Teileebene wird durch den Einsatz von ML signifikant verbessert. Auf dem Weg zu diesem Ziel werden zusätzliche Teilproblematiken gelöst, wie die Identifikation weiterer relevanter Datenquellen, die Quantifizierung von Erfolgskriterien an sich sowie Expertise-getriebene Erstellung neuer, informativer Datenfelder aus schon bestehenden Daten. Ergebnisse des Projekts können anschließend für die Optimierung weiterer, tieferliegender Ebenen der Supply Chain genutzt werden. Ebenfalls sollen Berührungsängste genommen und Expertise in der KI-Nutzung aufgebaut werden, um eine langfristige Entwicklung von KI im Unternehmen zu ebnen.