Die drohende Gefahr einer möglichen Unterbrechung veranlasste den Wälzlagerhersteller SKF dazu, das Management seiner globalen Lieferkette zu überdenken. Wie ein Digital Twin hier nun für mehr Zukunftssicherheit sorgen soll.
Wenn Ausnahmen die Regel sind, ist es an der Zeit, die Reife des S&OP-, Daten- und Planungssystems voranzutreiben. Je weiter ein Unternehmen auf der Reife-Skala vorangekommen ist, desto besser ist es positioniert, mit neuen Situationen fertig zu werden.
Copan und Toolsgroup geben eine gemeinsame Initiative bekannt, die die Verfügbarkeit von Teststäbchen durch Machine Learning garantieren soll. Möglich machen will das Nachfragemodellierung und -prognose.
Im Gegensatz zu anderen Geschäftsbereichen, die sich digital verändern, operieren die meisten Supply Chains bislang mit physischen Objekten. Doch auch hier zeichnet sich eine Wende ab, die sich in fünf Punkten zusammenfassen lässt.
Maschinelles Lernen (ML) ist eine leistungsstarke Technologie. Falsch angewendet, werden mit ML jedoch nicht nur Zeit und Ressourcen verschwendet, sondern es kommt auch zu Fehlentscheidungen. Für welchen Bereich der Supply Chain ist der Einsatz von ML denn vielversprechend?
Beim Einsatz von IoT in der Supply Chain wird meist vor allem an die Logistik gedacht. Dabei kommt die Technologie auch der Supply-Chain-Planung zugute. Und das sogar beim zweit meist gehandelte Rohstoff der Welt - Kaffee.
Viele assoziieren das Thema Blockchain mit Bitcoin, dabei ist die verteilte Datenbanktechnologie nicht nur für Kryptowährungen und andere Finanzdienstleistungsanwendungen geeignet, sondern hat auch das Potenzial, die Planung der Lieferkette wesentlich zu beeinflussen.
Wir leben in Zeiten der Ungewissheit, in denen es schwierig geworden ist,
Vorhersagen zu treffen. Egal ob Brexit, extreme Wettersituationen oder Technologie-
Start-ups, die ganze Branchen durcheinanderwürfeln – wir haben es nicht
kommen sehen.
Supply Chains werden zunehmend komplexer, die Menge an auswertbaren Daten steigt stetig. Alte mathematische Vorhersagemodelle wie der „One-Number Forecast“ stoßen hier an ihre Grenzen und führen zu hohen Sicherheitsbeständen und Obsoleszenzen. Eine Lösung: neue probabilistische Vorhersagemethoden.