Die Planung der Supply Chain ist eine komplexe strategische Aufgabe. Die Ansprüche an die Qualität der Informationen über Zulieferer, Warenbewegungen und Kunden sind hoch.
Betriebe können nur die Daten verarbeiten, die ihnen vorliegen – doch der Informationsfluss endet in der Regel an den Grenzen des eigenen Unternehmens. Ein Bruchteil der Daten aus der gesamten Supply-Chain liegt im eigenen System, alle anderen Daten bei den Supply Chain Partnern.
Die Realität sieht in der Regel immer noch so aus, dass die Speditionen sämtliche Daten über Befrachter und Verfrachter einzeln nachfragen müssen, um sie dann mit den Methoden des vergangenen Jahrhunderts in das eigene System einzupflegen: per Telefon, E-Mail oder Fax. Reaktion statt Aktion.
Darüber hinaus stehen größere Unternehmen häufig vor dem Problem, dass ihre Niederlassungen kein einheitliches IT-System nutzen. Wenn einzelne Abteilungen auch noch ihre eigenen Datensilos heranzüchten, stockt der Informationsfluss bereits im eigenen Haus.
Big Data bietet das enorme Potenzial, nicht nur all diese Datenquellen über ihre Grenzen hinaus miteinander zu verbinden, sondern vor allem, die Datenvielfalt beherrschbar zu machen. Die technische Plattform hierfür bieten Cloud Lösungen.
Aber was ist Big Data?
Big Data bezeichnet nicht nur extrem große Datenmengen unterschiedlichster Herkunft, sondern auch die Anwendungen, mit denen diese immer schneller wachsenden Datenberge verarbeitet, gespeichert und analysiert werden können.
Diese Daten lassen sich unter verschiedenen Gesichtspunkten miteinander kombinieren und auswerten. Auf diese Weise entstehen qualitativ neue Daten.
Big Data birgt attraktive Perspektiven:
- bessere Einsichten über das Kundenverhalten
- Optimierung von Abläufen
- belastbare Grundlagen für die Entscheidungsfindung
- Absetzen gegen Wettbewerber
Logistikunternehmen haben inzwischen begonnen, Erfahrungen mit Big Data Anwendungen zu sammeln. Jedoch schöpfen sie das Potenzial noch nicht aus.
In unserem heutigen Artikel geben wir Ihnen Tipps, wie Sie Ihrer Logistik Performance mit Big Data einen Schub verleihen.
1. Ohne Strategie kein Vorteil
Big Data ist ein Management-Instrument. Ob Sie sich mit diesem Instrument einen Wettbewerbsvorteil verschaffen, hängt von Ihrer Strategie ab. Leider verfügen nur 15 % der Unternehmen, welche bereits Big Data Analysen nutzen, über eine Big Data Strategie.
Mit der Big Data Strategie definieren Sie, welche ökonomischen Faktoren besonders relevant für Ihr Unternehmen sind (Qualität, Kosten, Geschwindigkeit, …).
Anhand dieser Faktoren führen Sie ein Assessment durch, bei dem Sie alle Stakeholder des Unternehmens berücksichtigen, und legen die entsprechenden Kenngrößen zur Erreichung des Business Value fest: die Key Performance Indikatoren (KPIs).
Nun vereinbaren Sie Ihre gemeinsamen Ziele und die passenden Methoden, mit denen Sie diese Ziele erreichen wollen. Sie konzipieren die Technologieinfrastruktur; und den Aus- und Weiterbildungsplan für die Belegschaft gleich mit dazu. Neben finanziellen Themen wie dem Investmentplan und der Abschätzung des Business Value sind auch ethische Fragen wie die nach der digitalen Unternehmenskultur zu klären.
Als Ergebnis stehen Sie vor einem beachtlichen Maßnahmenkatalog, der in vordigitalen Zeiten einen Aktenschrank gefüllt hätte: Ihrer Big Data Strategie.
2. Nicht Big, sondern Smart
Nur aktuelle, präzise und zielgerichtete Daten nutzen dem Unternehmen und kommen letztendlich den Kunden zugute. Es geht nicht nur darum, die Daten zu sammeln, sondern sie auch zu begreifen. Werden Daten mithilfe intelligenter Algorithmen richtig analysiert, ermöglicht das zuverlässige Prognosen und konkrete Handlungsempfehlungen.
In diesem Zusammenhang ist ein neues Schlagwort am Industrie-4.0-Himmel aufgetaucht. Dieses Schlagwort hat das Potenzial, seinen großen Bruder „Big Data“ bald vom Thron zu stürzen: Die Rede ist von Smart Data.
IT-Spezialisten generieren effiziente und nutzbare Smart Data, indem sie Algorithmen mit präzisen Fragestellungen auf den Big-Data-Ozean loslassen. Aus der unstrukturierten Big Data-Ansammlung wird sinnvolle Smart Data extrahiert – Sie müssen sie nur noch verstehen.
Zu den größten Big-Data-Erzeugern gehören das Internet der Dinge (IoT) und Industrie 4.0. Der Industrie bringen die „smarte“ Auswertung von Sensordaten und Standortdaten einen konkreten Nutzen bei der Produktionsplanung und der Produktionsüberwachung.
Was bringt Smart Data der Logistik?
Hier sind einige Beispiele, wie Smart Data in der Logistik bereits nutzbringend eingesetzt wird:
- um fahrerlose Transportfahrzeuge gezielt auszulasten
- um die Wartung von Produktionsanlagen zu optimieren
- um personalisierte Echtzeit-Information über Staus, die Wetterlage oder Zugverbindungen bereitzustellen
- um Verkehrsströme zu analysieren, die Wahrscheinlichkeit für eine Auslastung bei der Rückfahrt zu optimieren und dadurch Leerfahrten zu verringern
3. Jedes Big-Data-Projekt beginnt mit einer konkreten Fragestellung
Wir leben in einem Zeitalter der Jäger und Sammler. Unternehmen jagen Kundendaten hinterher und sammeln diese im großen Stil. Doch die Quantität bringt sie dem Erfolg nicht näher. Sie sitzen in ihrer vollgestopften Höhle und bemerken vor lauter Daten nicht mehr die bemerkenswerte Höhlenmalerei, welche sich dahinter verbirgt.
Was uns unsere Vorfahren aus der Steinzeit voraus hatten war, dass sie nicht wahllos sammelten.
Planen Sie, in Ihrem Unternehmen Big Data zu nutzen, müssen Sie zuerst die Fragen definieren, welche Sie mithilfe der Datenanalyse beantworten wollen. Wollen Sie mehr Kunden, schnellere Lieferzeiten oder wollen Sie Kosten sparen?
Sie brauchen ein Konzept. Formulieren Sie also Ihr Ziel, bevor Sie mit dem Big Data Projekt beginnen:
- Was soll mir die Auswertung bringen?
- Was soll besser funktionieren?
- Welche Fragen möchte ich beantworten können?
- Welche Entscheidungen möchte ich unterstützen?
Je nach Unternehmen werden sich diese Antworten stark voneinander unterscheiden.
4. Datenqualität verbessern
Der Silo der Schapfenmühle in Ulm ist der zweithöchste Getreidesilo der Welt. Wie groß sind die Silos Ihres Unternehmens?
Die Rede ist hier nicht von Getreidesilos, sondern von Datensilos.
Datensilos fungieren als Ablageorte für Daten; vergleichbar mit einem großen Aktenschrank, zu dem nur eine Abteilung des Unternehmens den Schlüssel hat. Jede Fachabteilung legt ihre eigenen Datensätze in ihrem eigenen Datensilo ab. Dem restlichen Unternehmen bleibt der Schrank verschlossen. Besonders verzwickt wird die Sache, wenn die Abteilungen dafür unterschiedliche IT-Systeme nutzen.
Isolierte Systeme schaffen Datenchaos. Marketing, Buchhaltung, Vertrieb oder Kundenservice speichern unterschiedliche Informationen zu ein und demselben Kunden ab. Kunden haben aber die unliebsame Eigenschaft, Telefonnummern, E-Mail-Adressen oder gar den Wohnort zu ändern. Es kann vorkommen, dass aktuelle Daten mit veralteten Informationen überschrieben werden. Alle Informationen sollten jedoch verfügbar, aktuell und korrekt sein.
Datensilos sind die größte Barriere für eine bessere Customer Experience im Zeitalter von Big Data. Die Aufgabe ist also, diese Silos aufzubrechen. Allerdings ist das keine einfache Aufgabe. Entweder beauftragen Sie einen Business Intelligence-Experten, Ihre Datenbanken zusammenzuführen, oder Sie arbeiten mit einer Cloud-Lösung. Für kleinere und mittlere Unternehmen bietet sich auch ein Cloud-ERP-System an, da hier die Investition in Hardware eingespart werden kann.
Ziel ist, in Zukunft jeden einzelnen Kunden individuell anzusprechen. Welcher Kunde wird das nicht zu schätzen wissen? Verständlich, dass Sie dadurch die Kundenbindung erhöhen.
Genau so, wie Sie Ihre Kunden individuell identifizieren wollen, möchten Sie auch unzuverlässige Lieferanten oder Problemkunden identifizieren. Vergessen Sie also nicht, Ihre Daten auch mit den einschlägigen „Schwarzen Listen“ abzugleichen.
5. Data Warehouse optimieren
Big Data bzw. Smart Data bedeutet keinesfalls das Ende von Business Intelligence (BI). Beide Bereiche hängen eng zusammen, ergänzen sich und können voneinander profitieren. BI-Systeme helfen zum Beispiel dabei, Big Data in Smart Data zu konvertieren.
Vor allem in einem Bereich sollten sich die Unternehmen nicht allein auf externe Dienstleister verlassen, sondern eigene Fachkompetenz vorhalten: Beim Data Warehouse (DWH).
Unter einem Data Warehouse versteht man eine reine Datensammlung, hauptsächlich zur Aufbewahrung strukturierter Daten aus SQL-Datenbanken. Es bildet nicht nur die Grundlage für ein effektives Business Intelligence System, sondern stellt gleichzeitig ein mächtiges Analysewerkzeug dar. Je größer der Datenbestand in Ihrem Unternehmen, desto wichtiger ist ein gut strukturiertes DWH.
Das System extrahiert, sammelt und sichert relevante Daten aus verschiedenen Datenquellen und versorgt nachgelagerte Systeme. Es stellt aber nicht nur Daten zur Analyse von Unternehmensprozessen und Unternehmenskennzahlen Verfügung, sondern lässt sich vielmehr zu einer Big-Data-Analyseplattform ausbauen: Nach der Aufbereitung unstrukturierter Big Data aus dem Data Lake würden diese mit den Data Access Tools des Data Warenhauses analysiert.
Um die Performance beim Laden von Daten und bei der Bearbeitung von Abfragen zu optimieren, benötigt das Data Warehouse der Pflege (Housekeeping). Bestimmte Daten müssen regelmäßig archiviert und gelöscht werden, um die wachsenden Datenmengen in Ihrem Data Warehouse in den Griff zu bekommen. Außerdem senken Sie die Lagerkosten für Ihre Daten, wenn Sie ihr Data Warehouse optimieren. Nicht zuletzt steigern Sie die Analyseleistung.
6. Keine Data Analytics Tools von der Stange Kaufen
Bisher verwenden Logistiker ihre BI-Systeme vorwiegend zur Sammlung und Speicherung von Daten. Auf dem Feld der Datenanalyse schöpfen die Unternehmen die Möglichkeiten von Business Intelligence jedoch noch nicht aus. Hier besteht Handlungsbedarf!
BI-Systeme machen jeden Prozess messbar, sei er noch so klein. Sie liefern Ihnen eine IT-basierte Entscheidungsgrundlage, anhand der Sie die Strategien für Ihr Unternehmen festlegen können. Eine gute Datenanalyse ist daher eine spannende Herausforderung.
Bei der wachsenden Menge verteilter und unstrukturierter Daten kann die Wahl des richtigen Business Analytics Tools nur auf eine maßgeschneiderte Lösung fallen. Analysten verfolgen allerdings einen anderen Ansatz als Betriebswirtschaftler und legen Wert auf Produkte, die möglichst viele Funktionen aufweisen. Die Möglichkeiten solch eines Produktes werden die meiste Unternehmen jedoch nie ausschöpfen. Vielmehr sollten Sie auf ein BI-Analytics-Tool setzen, welches tatsächlich für den Betrieb relevant ist und zum Budget passt. Idealerweise lässt sich dieses auch noch mit firmeneigenen Ressourcen implementieren.
Neben der Analyse der Daten sollten Sie auch Wert auf eine geeignete Darstellung legen. Ein transparent gestaltetes Dashboard unterstützt die Interpretation der Daten, indem es die relevanten Informationen visualisiert.
7. Supply Chain optimieren
Big Data ermöglicht es, Vorhersagen für die nächsten Tage oder Wochen zu treffen. Amazon träumt bereits davon, den Artikel basierend auf dem Kundenverhalten zu versenden, bevor der Kunde die eigentliche Bestellung abgeschlossen hat …
Das Vorhersagepotenzial von Big Data erstreckt sich allerdings auf unterschiedliche Unternehmensbereiche. Ein Bereich, den wir noch nicht erwähnt haben, ist das Risikomanagement. Speziell auf die Logistik bezogen hieße das, externe Risiken für die Supply Chain frühzeitig zu erkennen. Dazu gehören zum Beispiel Streiks, Staus, Engpässe durch eine Grippewelle, Unwetter, politische Unruhen, plötzliche Nachfragespitzen.
Jedoch, was nutzt das Wissen und die Vorhersage, wenn die logistische Infrastruktur keine Kapazitäten bereithält, um auf solche Ereignisse zu reagieren?
Tatsächlich steht die Logistik vor wachsenden Herausforderungen: immer kürzere Produktzyklen, weltweite Just-in-time-Beschaffung, zunehmende Auslagerung von Teilprozessen, schwankende Märkte, Rohstoffverknappung; und eine steigende Zahl an Naturkatastrophen.
Ohne eine agile Supply Chain, welche mit flexiblen Material- und Informationsströmen auf diese Herausforderungen reagieren kann, verpuffen die Potenziale von Big Data jedoch ins Leere.
