Ich habe kürzlich die Tableau-Konferenz besucht, wo ich mich vier Tage lang meiner Nerdigkeit hingab. Als selbsternannter Evangelist für Data Science war ich begeistert, dass AutoML, Natural Language Generation und andere fortschrittliche Automatisierungsfunktionen zu Tableau hinzugefügt wurden, einer der weltweit führenden Datenvisualisierungs- und Business-Intelligence-Plattformen.

Dort traf ich Menschen, die ebenfalls an die Datenrevolution glauben und sofortige Auswirkungen auf die Produktivität und Leistung ihrer Unternehmen sehen. Als Tech-Arbeiter ist der Kontakt mit Data Science und Analytik ein alltäglicher Teil des Jobs, aber sicherlich nicht in der Branche, die ich erforsche: die Lieferkette. Also frage ich mich weiterhin: „Warum übernimmt die Lieferkette nicht einfach künstliche Intelligenz und Datenanalysesoftware?“

In diesem Artikel werde ich die kulturellen und logistischen Barrieren aufschlüsseln, denen die Lieferkette bei der Erfüllung der durch die Pandemie gestiegenen Datenanalyseanforderungen gegenübersteht. Ich werde auch über Schritte sprechen, die unternommen werden, um dies anzugehen, und wie G2 Unternehmen hilft, eine modernisierte Lieferkette zu schaffen.

Künstliche Intelligenz hilft bei der Verwaltung der Lieferkette. Wo liegt also die Verzögerung?

Ich stellte Tableau's Chief Product Officer, Francois Ajenstat, die Frage, warum die Lieferkette so resistent gegenüber der Einführung von Analysetools und künstlicher Intelligenz ist. Er leitete seine Antwort damit ein, dass einige der mächtigsten Anwendungsfälle, die er mit Tableau gesehen hat, bei Transport- und Logistikanbietern waren. Er schlug dann vor, dass das zugrunde liegende Problem nicht nur das Unternehmen selbst sei, sondern reife Branchen und Unternehmen insgesamt. Ajenstat glaubt, dass Branchen und Unternehmen, die lange genug existieren, anfällig dafür sind, Nachzügler bei der Produktübernahme zu werden, da die Aktualisierung langjähriger Betriebsverfahren einen groß angelegten Kulturwandel erfordert. Im Wesentlichen, wenn es nicht kaputt ist, repariere es nicht.

Dieses Gefühl wird von anderen Führungskräften geteilt, darunter Bamboo Rose Chief Technology Officer Kamal Anand. Aufgrund unflexibler Kulturen, die sich darauf konzentrieren, Dinge seit Jahrzehnten auf die gleiche Weise zu tun, setzen sich disruptive Technologien und neue Geschäftspraktiken, die die Ergebnisse dramatisch verbessern könnten, nicht durch. Darüber hinaus beinhalten Lieferkettenoperationen jetzt häufiges Outsourcing an 3PLs, was bedeutet, dass Unternehmensdaten oft an mehreren Orten mit unterschiedlichen Namenskonventionen und Datenverwaltungspolitiken gespeichert werden. Da Machine Learning erfordert, dass Daten bereinigt und einheitlich sind, bevor sie durch Algorithmen laufen, wäre eine erhebliche Menge an Datenvorverarbeitung erforderlich, damit die Daten nützlich sind. Daher können Unternehmen, die keine Datenwissenschaftler einstellen oder nicht in umfangreiche Schulungen für bestehende Lieferkettenanalysten investieren, Machine Learning nicht nutzen.

Die benötigte Technologie existiert, wird aber nicht genutzt

Das Problem ist nicht, ob die Technologie existiert, sondern ob Unternehmensleiter Innovation und Effizienz genug schätzen, um eine Phase der Unsicherheit, steile Lernkurven und Risikomanagement zu ertragen, um eine signifikante Rendite zu erzielen. G2 listet eine Vielzahl von Lieferkettenkategorien auf, wie z.B. Bestandskontroll- und Bedarfsplanung-Software, die helfen, Bestandsmanagement zu automatisieren, Produktniveaus zu verfolgen und Lieferkettenressourcen basierend auf prognostizierter Nachfrage zuzuweisen.

Ich sprach mit Sime Curkovic, Ph.D., einem Professor für Lieferkettenmanagement an der Western Michigan University, der Bedenken über die Starrheit in der Branche äußert. Laut Curkovic erfolgt die Datenanalyse immer noch in Excel-Tabellen mit 22.000 Zeilen und hin- und hergehenden E-Mail-Konversationen. Diese Zurückhaltung, verfügbare Technologie zu nutzen, zeigt sich in den G2-Bewertungsdaten für die Kategorie Analytics-Plattformen, da nur 2,7% der Bewertungen von Fachleuten aus der Lieferkettenbranche stammen. Darüber hinaus stammen nur 1,7% der Bewertungen über Data-Science- und Machine-Learning-Plattformen von Fachleuten aus der Lieferkettenbranche.

Selbst wenn Logistikunternehmen Automatisierung einführen, sind sie nicht so versiert im Umgang damit.

Es ist effektiv ein Werkzeug, das datenaffine Menschen zu nutzen wissen, während die meisten anderen es nicht tun. Diese Diskrepanz macht kulturelle Verschiebungen hin zur Automatisierung schwer umsetzbar.

„Lieferkettenfachleute machen viele Fehler, und das liegt an einem Mangel an Technologieeinsatz und es ist manuell getrieben“, sagte Curkovic. „Es gibt ein riesiges Führungsdefizit, das eine Vision in Technologie vermissen lässt, und das zeigt sich.“

Kurzsichtige Führung sieht das große Ganze nicht

99% der Unternehmen in einer kürzlich durchgeführten Umfrage von McKinsey & Company gaben an, dass es einen Arbeitskräftemangel an digitalem Talent für das Management der Lieferkette gibt. Die Idee, dass dies durch die Einstellung digital nativer Talente behoben werden kann, ist ein Bottom-up-Ansatz zur Lösung des Problems, aber Curkovic glaubt, dass die wahre Barriere von oben kommt. Ohne Führung, die eine Kultur der Innovation und Technikaffinität fördert, werden Lieferkettenfachleute niemals in der Lage sein, die volle Kraft ihrer Daten zu nutzen und die erheblichen Herausforderungen zu überwinden, denen die Lieferkette seit März 2020 gegenübersteht.

Einige Unternehmen treffen jedoch aktiv Entscheidungen, die Innovation untergraben. Zum Beispiel sagt Curkovic, dass ein ungenanntes Fortune-500-Unternehmen zu Beginn der Pandemie seine jüngsten Lieferkettenanalysten entlassen hat, aus Angst, dass die Welt zum Stillstand kommen würde. Die Nachfrage stieg jedoch während der Pandemie stark an, was die Lieferketten bis zum Bruchpunkt belastete und chronische Produktknappheiten verursachte. Die kurzsichtige Natur dieser Entlassung führte dazu, dass das Unternehmen ins Straucheln geriet, da sich die Nachricht von der Reduzierung der Belegschaft verbreitete und digitales Talent dazu veranlasste, Unternehmen zu wählen, die Innovation priorisierten.

Die Fähigkeit eines Unternehmens, mit den seismischen Veränderungen in der Lieferkette zu arbeiten, anstatt gegen sie, ist ein Indikator für seine Fähigkeit, im neuen Normalzustand zu gedeihen. Tatsächlich waren Unternehmen, die bereits mit dem Strom digitaler Erstoperationen gingen, wie z.B. E-Commerce als Kernfunktion des Geschäfts anstatt als notwendiges Übel zu betrachten, in der Lage, während der frühen Phasen der Pandemie besser zu funktionieren.

Der Weg zur cloudbasierten Datenanalyse

Curkovic glaubt, dass eine der wichtigsten Lösungen für die Dysfunktion der Lieferkette darin besteht, sich von Hardware zu SaaS zu bewegen, das die Fähigkeit hat, große Datensätze zu verarbeiten und bedeutungsvolle Einblicke zu liefern. Er wies jedoch darauf hin, dass die Entscheidung der Führungskräfte, die Produktion nach Hause zu verlagern, anstatt die Probleme der Sichtbarkeit in Lieferketten und geopolitischen Konflikten zu bewältigen, getroffen wurde.

„Reshoring ist ein Pflaster. Sie mussten das nicht tun, weil wir verfügbare Technologie haben.“

Sime Curkovic
Professor für Lieferkettenmanagement, Western Michigan University

Eine bessere Lösung für dieses Dilemma ist die Nutzung cloudbasierter Technologien, wie z.B. Software zur Sichtbarkeit der Lieferkette und Transportmanagementsysteme, um Unternehmen zu helfen, bessere Einblicke in alle beweglichen Teile ihrer Lieferketten zu entwickeln. Mit dem Konflikt in der Ukraine, der Handelsrouten stark stört und zu Embargos führt, ist Einblick in jeden Schritt des Logistikprozesses wichtiger denn je.

Wenn Lieferkettenfachleute Machine-Learning- und Datenanalysetools zur Lösung von Geschäftsproblemen einsetzen, zahlt es sich aus. Laut G2-Daten vom 14. Juli 2022 dauerte es im Durchschnitt 14 Monate, bis alle Unternehmen mit Data-Science- und Machine-Learning-Plattformen eine Rendite erzielten, aber Logistikunternehmen erreichten dies in 13 Monaten. Es dauerte auch durchschnittlich vier Monate, um die Software vollständig zu implementieren, aber es dauerte weniger als einen halben Monat für Lieferkettenfachleute.

Anzeichen dafür, dass SaaS funktioniert, sind auch in den G2-Daten vom 14. Juli 2022 zur Kategorie Analytics-Plattformen zu sehen, die die letzten 36 Monate abdecken. Im Laufe des Endes von 2019 und der ersten Hälfte von 2020 wurde keine einzige Bewertung von einem Logistikfachmann über eines der Business-Intelligence-Tools der Kategorie geschrieben. Die Dringlichkeit, die Lieferkettenanalysten bei der Lösung von COVID-bezogenen Problemen empfanden, zeigt sich jedoch in einem plötzlichen und stetigen Fluss von Bewertungen, die eine sehr hohe Empfehlungswahrscheinlichkeit für die Analytics-Plattformen berichteten. Insgesamt bewerten Rezensenten aus dem Logistikgeschäft ihre Business-Intelligence-Tools in dieser Metrik mit etwa 9 von 10, was auf eine starke Zufriedenheit und einen hohen Wert aus dem Kauf hinweist.

Nach dem Durchlaufen von Bewertungsdaten durch ein Sprachanalyse-Tool am 12. Juli 2022 tauchten mehrere Themen auf, wie Business-Intelligence-Tools bei der Lösung von Geschäftsproblemen halfen. Rezensenten, die in der Lieferkette arbeiteten, nannten am häufigsten verbesserte Berichterstattung, insbesondere bei der Bewertung von Leistungskennzahlen und der Effizienz von Geschäftsabläufen, als einen entscheidenden Vorteil der Nutzung dieser Software. Bessere Berichterstattung half ihnen wiederum, interessante Einblicke zu gewinnen, um bei der Entscheidungsfindung zu helfen und den Fortschritt zu Zielen zu verfolgen. Andere häufige Themen waren die Automatisierung der Datenanalyse, um aus Tabellenkalkulationen herauszukommen, und die erhöhte Sichtbarkeit in Lieferkettenprozesse, wie Bestandsniveaus und Lagerleistung.

SaaS ist die Lösung

Die Quintessenz ist, dass Software funktioniert und die Macht hat, viel von dem derzeitigen Chaos zu lindern. Um den Übergang zu cloudbasiertem Computing zu erleichtern, stellt Curkovic sicher, dass der Lehrplan an seiner Universität die Studenten angemessen in den Prinzipien der Programmierung, Informatik und statistischen Analyse schult.

„Es gibt nicht genug Fachleute, die in Data Science ausgebildet sind“, sagte Curkovic. „Wenn Studenten die Fähigkeiten eines Datenwissenschaftlers erlernen, wie könnte man da falsch liegen?“

Wie ich bereits sagte, wird die Lieferkette wahrscheinlich keine radikale Transformation erleben, sondern eher ein gezieltes Upgrade. Der Übergang zu voll funktionsfähigen Data-Science-Abteilungen bei Logistikunternehmen wird wahrscheinlich viel langsamer erfolgen als in anderen Branchen, daher haben wir Glück, dass es Menschen wie Curkovic gibt, die daran arbeiten, dies zu verwirklichen. Wenn ein Unternehmen jedoch bereit ist, seine Logistikstrategie zu verbessern, ist G2 die Heimat von Dutzenden von Lieferkettenkategorien mit Tausenden von benutzerauthentifizierten Bewertungen, um ihm zu helfen, die richtige Software basierend auf seinen Geschäftsanforderungen auszuwählen.

Vorwärts im Kampf für eine Datenrevolution!