Warum die Kernschmelze der Lieferkette in Shanghai eine Chance für KI ist

Unternehmen auf der ganzen Welt bereiten sich auf einen weiteren Schock in der Lieferkette aufgrund von Covid-Lockdowns in China vor.

Seit März sind die Verweilzeiten von Containern sprunghaft angestiegen, und Frachtlieferungen zum und vom Hafen von Shanghai – unter anderem – wurden verlangsamt oder storniert. Die Zahl der Containerschiffe, die heute vor chinesischen Häfen warten, ist 195 % höher als im Februar.

Das Hafensystem von Shanghai wickelt etwa ein Fünftel der Exportcontainer Chinas ab. Das Transportvolumen zum und vom Hafen ist um bis zu 85 % zurückgegangen. Der Engpass bedeutet, dass Unternehmen auf der ganzen Welt mit erheblichen Verzögerungen bei der Lieferung von Waren konfrontiert sind. Die Wartezeiten für Fracht an den Seeterminals in Shanghai sind seit Beginn der Sperrung um fast 75 % gestiegen. Verzögerungen am Terminal in Shanghai haben Schiffe zu benachbarten Häfen in Ningbo und Yangshan geschickt, aber auch diese werden überlastet.

Die Störung wird diesen Sommer und bis in den Herbst hinein erhebliche Auswirkungen auf die weltweiten Versandpläne haben. Unternehmen, die auf ein hohes Frachtvolumen angewiesen sind, stehen unter Druck, die Buchung von Lieferkettenrouten zu beschleunigen, bevor sich die Überlastung in den kommenden Wochen verschlimmert. Unternehmen wappnen sich auch für inflationäre Bedingungen aufgrund von Produktknappheit in einer Zeit, in der die Inflation in den USA ansteigt.

Es ist klar, dass Störungen wie die Hafenschließung in Shanghai immer wieder aufflammen werden. Leider sind Unternehmen wie Einzelhändler und CPG-Firmen schlecht gerüstet, um Störungen auf globaler Ebene zu begegnen. Anhaltende globale Unterbrechungen der Lieferkette, Inflation und das Aufkommen von COVID-19-Varianten haben weiterhin wesentliche Funktionen wie die Bedarfsprognose verwüstet.

Diese Art von disruptivem Markt scheint in absehbarer Zeit nicht zu verschwinden. Daher müssen Unternehmen diese Unterbrechungen effektiv planen, indem sie künstliche Intelligenz mit Daten von Drittanbietern und Erstanbietern kombinieren, um sich schnell ändernde Bedingungen in Echtzeit zu überwachen und Prozesse wie Bedarfsprognosen anzupassen.

Daten von Drittanbietern wie Wettervorhersagen und Satellitenkarten des Hafenverkehrs geben Unternehmen eine Echtzeit-Momentaufnahme der Bedingungen, die sich auf den Betrieb der Lieferkette auswirken können. Beispielsweise veranschaulichen Daten Dritter über Schifffahrtsrouten (erhältlich von Luftfahrtnachrichtendiensten) anschaulich das Ausmaß der Krise in Shanghai:

Vasu 1.png

Vasu 2.pngDaten von Drittanbietern geben beispielsweise einem Einzelhändler in den USA einen genaueren Einblick in die wahrscheinlichen Auswirkungen, wie die Überlastung Frachtschiffe verlangsamen wird, die einige Wochen benötigen, um ihre Ziele in US-Häfen zu erreichen. Von dort aus kann der Einzelhändler die Auswirkungen auf das Angebot über einen Zeitraum von Wochen und Monaten genauer abschätzen und seine Prognosen entsprechend anpassen. Merchandiser können die Auswirkungen auf Kosten und Preisstrategien effektiver abwägen.

Noch besser ist, dass Einzelhändler Versand- und Wetterdaten von Drittanbietern mit verbrauchergenerierten Daten wie Google-Suchtrends kombinieren können, um das Angebot auf regionaler Ebene genauer an der Nachfrage (immer ein bewegliches Ziel) auszurichten. Sie können diese Informationen mit ihren eigenen First-Party-Daten zu Lagerbeständen und Kundenkaufmustern abwägen. Eine Lieferkettenkrise betrifft nicht alle Regionen der USA gleichermaßen. Ein Mangel an regenabweisender Kleidung wird die Einzelhändler in Seattle im Sommer stärker treffen als die Einzelhändler in Phoenix.

Kein Mensch kann diese Daten im großen Maßstab überwachen, verarbeiten und analysieren. Dazu müssen Unternehmen maschinelles Lernen, eine Form der KI, anwenden. Mit maschinellem Lernen können CPGs und Einzelhändler Daten von Drittanbietern durchsuchen und Muster und Assoziationen finden, die mit manuellen Mitteln unentdeckt bleiben würden.

Maschinelles Lernen ist besonders geschickt darin, nichtlineare Verbindungen zu finden, die für die Bedarfsprognose entscheidend sind, z. B. das Suchverhalten, bei dem die Kaufabsicht nicht immer klar ist. Selbst eine automatisierte Plattform hätte Schwierigkeiten, diese nichtlinearen Assoziationen ohne maschinelles Lernen aufzudecken.

Maschinelles Lernen und Echtzeitdaten zusammen können ein mächtiger Doppelschlag sein. Maschinelles Lernen in Kombination mit Echtzeitdaten von Drittanbietern und Erstanbietern kann Unternehmen auf verschiedene Weise helfen, z. B.:

  • Bereiten Sie sich mit effektiver Szenarioplanung auf die nächste Störung vor. CPGs und Einzelhändler können „Was-wäre-wenn“-Analysen mit Computersimulationen durchführen. Beispielsweise können sie die wahrscheinlichen Auswirkungen einer Hafenschließung lange im Voraus analysieren und mit Korrekturmaßnahmen rechnen. Sie können auch Szenarien über die Auswirkungen einer Störung durchspielen. Wie könnte sich eine Produktknappheit in Kombination mit steigenden Benzinpreisen in einer Stadt auf eine geplante Werbung für ein nicht wesentliches CPG-Produkt auswirken, verglichen mit einem Grundnahrungsmittel in ländlichen Gebieten im Vergleich zu Städten? Diese Art der Planung kann mit geringen Investitionen durchgeführt werden.

Forschung hat gezeigt dass CPG-Unternehmen durch die Verwendung von maschinellem Lernen und Daten von Drittanbietern wie Suchtrends und Echtzeitdaten zur Erfassung der Nachfrage während der gesamten Pandemie „Prognosefehler um mehr als ein Drittel gesenkt und das Volumen, das einem extremen Fehler ausgesetzt war, um die Hälfte reduziert haben und führte zu einer Versechsfachung des realisierten Werts durch Investitionen in Mitarbeiter, Prozesse und Technologien im Zusammenhang mit der Planung.“

  • Bessere Sichtbarkeit in Echtzeit. Mit Echtzeitdaten kann ein Unternehmen den Bestandsstatus überall in der Lieferkette identifizieren. Es kann genau wissen, welche Lkw an welchen Standorten keine Waren mehr in einem wichtigen Hafen anliefern. Ein Händler kann erfahren, welche Modelle von Flachbildfernsehern wie viele und wie lange betroffen sind. Mit diesem Grad an Transparenz können sie ihre Verkaufspläne im Geschäft effektiver an saisonale Großereignisse anpassen. Unternehmen müssen jederzeit wissen, wo sich ihre Waren befinden, wenn sie Änderungen bei Angebot und Nachfrage erfolgreich erkennen und darauf reagieren wollen. Maschinelles Lernen und Daten von Drittanbietern können dies leisten.

Angesichts globaler Konflikte, einer anhaltenden Pandemie, Inflation und Benzinknappheit müssen wir ein neues „Business-as-usual“-Modell definieren. Durch die Kombination von KI mit maschinellem Lernen verfügen wir über einige Tools, die Unternehmen dabei helfen, besser vorhersehbare Ergebnisse zu erzielen, unabhängig davon, welches Marktchaos auf uns zukommt.

Vasudevan Sundarababu ist Senior Vice President und Head of Digital Engineering bei Pactera KANTE.

Leave a Comment

Your email address will not be published.