Die Ausgangssituation

Wertschöpfungsnetze basieren auf sicheren, verlässlichen und stabilen Lieferbeziehungen. Die Fragilität dieser Lieferbeziehungen wurde in den globalen Krisen der COVID-19 Pandemie und der Ukraine-Krise bzw. dem Ukrainekrieg überdeutlich. Der Ausfall von Lieferanten führt zu Versorgungsengpässen in Produktion und Handel. Produktionsstopps und leere Regale sind die Folge.

Die Forschungsziele

Viele Lieferausfälle können prognostiziert werden. So lässt sich Zeit für Beschaffungsalternativen oder logistische Umplanungen gewinnen. Um frühzeitig mögliche Engpässe in der Versorgung festzustellen und vermeiden zu können, soll eine sogenannte „360° Data Usability” entwickelt werden.

Unternehmen können hierbei unterschiedliche Datenquellen sinnvoll nutzen. Sowohl ihre internen Daten (unter anderem aus dem ERP-System), als auch Daten ihrer Netzwerkpartner (third-party data), öffentlich zugängliche Datenportale sowie Datenbörsen. Auf dieser Datenbasis lassen sich Entscheidungen treffen, um Lieferengpässe zu „navigieren” bzw. erfolgreich zu steuern. 

In einer letzten Ausbaustufe sollen Entscheidungsvorschläge mittels eines Machine-Learning-Verfahrens an die Materialbeschaffung unterbreitet werden.

Das sind unsere Forschungsthemen

• Analyse von Risikokategorien
• Analyse von Risikoindikatoren bezüglich ihrer Eintritts- und Entdeckungswahrscheinlichkeit sowie deren Impakt
• Analyse verfügbarer Daten bezogen auf die Risikokategorien
• Analyse der Bedeutung von Kennzahlen für die betriebliche Praxis basierend auch auf Erfahrungswerten aus den aktuellen Krisen
• Bewertung der Kennzahlen basierend auf Bedeutung und „Messbarkeit“
• Entwicklung einer Bewertungsform und Darstellung
• Integration der Risikobewertung in Lieferantenbewertungsmethodik
• Aufbau einer Datenarchitektur zur Analyse und Auswertung relevanter Datensätze bezogen auf die Risikokennzahlen
• Aufbau eines Risk Management Dashboards als Entscheidungshilfe für die Materialbeschaffung
• Bezogen auf geeignete Risikokennzahlen können Entscheidungshilfen mittels eines Machine-Learning-Verfahrens automatisiert nutzbar gemacht werden