Archiv der Kategorie: MML – IT

Machine Learning in der Intralogistik – Einsatzmöglichkeiten und Chancen

Der Bereich Intralogistik bewegt sich langsam und schrittweise in Richtung Digitalisierung. Denn trotz Zögern – meist aus Scheu vor hohen Investitionskosten oder dem Entfernen von jahrelangen Routinen – bieten sich auch hier die anfallenden Datenmengen an, um das Potenzial von Technologien wie der Künstlichen Intelligenz (KI) auszuschöpfen. Viel brachliegendes Potenzial findet man in der innerbetrieblichen Logistik vor allem im Bereich der Transportoptimierung. Hier werden zwar bereits seit mehreren Jahrzehnten intelligente, mathematische Algorithmen eingesetzt, um beispielsweise Transportaufträgen so Ressourcen zuzuweisen, dass ein Effizienzoptimum  erreicht wird. Zusätzlich könnten jedoch Anwendungen Maschinellen Lernens wie Bild- und Mustererkennung die Prozesse und den Ressourceneinsatz deutlich verbessern.

Genauere Planungsdaten für eine genauere Optimierung

Mithilfe von Machine Learning können Systeme wichtige Planungsdaten wie Auflade-, Transport-, oder Abladedauer viel genauer prognostizieren. Zurzeit werden diese Planungsdaten meist einmal zur Systemeinführung durch grobe Messung, Durchschnittswerte oder auch nach dem Bauchgefühl der Mitarbeiter bestimmt. Diese Eingangsdaten für die Transportoptimierung können durch Maschinelles Lernen viel individueller bestimmt und somit realitätsnäher berücksichtigt werden.

Es gibt einige Beispiele aus der Intralogistik, die dies verdeutlichen. Beispielsweise dauert ein Palettentransport in einem Unternehmen Z durchschnittlich 30 Minuten. Dieser Wert wird hier für die Planung der innerbetrieblichen Transporte auch so gerechnet. Mit Machine Learning könnte jedoch identifiziert werden, dass ein Palettentransport von A nach B mit Material X immer 20 Minuten benötigt, während ein anderer Transport mit Material Y eine Stunde dauert. Anstatt solche Einzeldaten manuell von einem Mitarbeiter konfigurieren und im System einpflegen zu lassen, kann die Künstliche Intelligenz diese Aufgabe übernehmen.

Ein weiteres Beispiel: Ein regelmäßiger Transport an einem Mittwochnachmittag benötigt eine wesentlich kürzere Bearbeitungszeit als an einem Sonntagmorgen. Die unterschiedlichen Daten können unter anderem damit zusammenhängen, dass die Mitarbeiteranzahl an den Tagen variiert. Diese Information ist ein Planungsdetail, das in einer manuellen Planung der innerbetrieblichen Transporte zu komplex zu berücksichtigen wäre. Künstliche Intelligenz hingegen kann automatisch die Eintrittswahrscheinlichkeiten berechnen und Prozesse dementsprechend wesentlich effizienter organisieren und anderenfalls Engpässe vermeiden.

Das Erkennen von Mustern in den erfassten Daten ermöglicht außerdem, schnell zu identifizieren, welche Prozesse noch Optimierungspotenzial bieten. Ein Beispiel ist die Zwischenlagerung von Material. In der Intralogistik kann es vorkommen, dass Material zwischen einzelnen Transporten nur für eine kurze Zeit gelagert wird. Diese Zeitspanne kann sehr gering sein und ist daher in manchen Fällen nicht sinnvoll. Ein selbstlernendes System kann diese Transporte erkennen und sie gegebenenfalls direkt zum Endziel transportieren lassen.

Bei unerwarteten Störungen, etwa verspäteten Lieferungen, wäre es möglich, schneller oder auch automatisch in die Abläufe einzugreifen und entsprechende Gegenmaßnahmen einzuleiten. Folgeprozesse könnten dann rechtzeitig auf diese Verspätungen abgestimmt werden.

Vorausschauende Wartung für die Prozessoptimierung

Hinzu kommt die Möglichkeit die Ausfallzeiten der eingesetzten Fahrzeugflotte mit Hilfe des Predictive Maintenance zu optimieren. Hierzu werden im einfachsten Falle auf Grund von Betriebsstunden und Lastprofilen Ausfallzeiten prognostiziert. Genauer können per Sensorik zahlreiche Daten über die eingesetzten Fahrzeuge gesammelt und ausgewertet werden, um die Wartung und Instandhaltungstermine noch genauer zu bestimmen.

Durch eine solche genauere Prognose der Wartungszeitpunkte können Reparaturen und der Austausch von Teilen frühzeitig eingeplant und insgesamt die Produktivität der Ressourcen gesteigert werden.

Zusätzliche Chancen durch autonome Fahrzeuge

Die Paradedisziplin der künstlichen Intelligenz ist sicherlich der Einsatz fahrerloser Transportmittel. Die Transportmittel, ausgestattet mit Sensoren für die Lokalisierung, Navigation und Datenerfassung, könnten in Zukunft mithilfe selbstlernender Systeme auch untereinander automatisch Informationen austauschen und gezielt Folgeprozesse auslösen. Über eine Verknüpfung mit den vor- und nachgelagerten Prozessen, angefangen von der Materialanlieferung bis zum Versand, ist dann eine wahre Smart Factory denkbar.

Aktuell hält sich die Intelligenz und Selbständigkeit der fahrerlosen Transportsysteme noch in Grenzen und ist meist auf sehr homogene, immer gleiche Transporte beschränkt. Letztendlich wird das, was im automatischen Hochregallager begann, sukzessive auf immer mehr Transporte, wie heute bei Kommissionierabläufen oder bei Ein- und Auslagerungen in Lägern, ausgeweitet werden. Ein flächendeckender Ausbau auf alle Transporte in einer Fabrik ist dabei langfristig natürlich vorstellbar.

Transparente Prozesse dank Bilderkennung­

Insofern gilt es den Werksverkehr auch mit bemannten Transportmitteln weiter zu optimieren. Eine Kompetenz von Machine und Deep Learning ist neben den oben beschriebenen Prognoseverfahren auch die Bilderkennung. Damit wird es möglich heute notwendige Scan- und Erfassungsprozesse zu reduzieren beziehungsweise zu automatisieren. So kann die Künstliche Intelligenz Barcodes scannen, Material lokalisieren oder den Ort von Maschinen und Menschen erkennen, nicht nur um effizienter zu arbeiten, sondern auch um zum Beispiel Unfälle zu vermeiden. 

Im Ergebnis wird die Daten- und Prozessqualität gesteigert und eine effizientere und sichere Logistik etabliert.

Fazit

Mit Hilfe von Machine Learning kann die innerbetriebliche Logistik zunehmend automatisch und vorausschauend agieren. Künstliche Intelligenz wird die innerbetriebliche Logistik in Zukunft weiter optimieren und hier weitere Grundsteine für eine durchgehend transparente, automatisierte Supply Chain legen. Die Neugier, welche Anwendungen sich in der Praxis letztendlich durchsetzen und wie schnell sie umgesetzt werden, steigt.

Welche Praxisbeispiele kennen Sie bereits für den Einsatz Künstlicher Intelligenz in der innerbetrieblichen Logistik? Wo sehen Sie das größte Potenzial?

Blockchain-Technologie verstehen und Chancen erkennen

Die Blockchain ist eine transparente, webbasierte Datenbank, die – im Gegensatz zu klassischen zentralen Datenbanken – in verteilten Netzen gehalten wird. Blockchain basiert im Prinzip auf dem Leitgedanken des Web 2.0 bzw. 3.0, die dezentrale Kommunikation und Kollaboration in den Vordergrund rückten. Sie ermöglicht die sichere und transparente Abwicklung von Transaktionen ohne Intermediäre und schafft damit Vertrauen, das im digitalen Zeitalter dringend notwendig ist.

Ursprünglich als Basistechnologie für Kryptowährungen entwickelt, bietet sie den Nutzern heutzutage in sämtlichen Bereichen der nicht analogen Zusammenarbeit entscheidende Vorteile:

Authentizität und Sicherheit

Der wesentlichste Vorteil der Blockchain ist die Manipulationssicherheit der Daten. Um die zu ermöglichen, werden die Daten in Datenpaketen – sogenannten Blocks – verschlüsselt gespeichert. Jeder Akteur kann nun einen Datenblock mit Referenz auf den vorherigen Datenblock hinzufügen. Die Abfolge von Transaktionen erzeugt damit eine sichere verlinkte Kette mit kryptografischen Abhängigkeiten, was verhindert, dass in der Kette gespeicherte Daten gelöscht oder überschrieben werden können.

 

Transparenz und Verfügbarkeit der Daten

Indem jeder Akteur des Netzwerks in die Kollaborationskette eingebunden wird und Zugriff auf eine aktuelle und vollständige Spiegelung der Blockchain erhält, sind Veränderungen der Daten für alle Akteure sichtbar und lassen sich jederzeit rückverfolgen. Gleichzeitig sind die Daten durch die Replikation auf vielen Rechnern ausfallsicherer.

Einsparungspotenziale

Die Blockchain-Technologie eröffnet viele Möglichkeiten kosten- und zeiteffektiverer Geschäftsszenarien. Beispielsweise vermindert die hohe Transparenz der Daten Betrugsfälle und Fehler, gleichzeitig verringert die Manipulationssicherheit der Daten den Verwaltungsaufwand deutlich. Außerdem macht die Dezentralität Mittelsmänner bei Transaktionen überflüssig und verhindert die Bildung von Monopolen.

Blockchain und Logistik – passt das zusammen?

Der Einsatz der Blockchain in der Logistik ermöglicht einen schnellen und sicheren Austausch von Informationen innerhalb einer Industrial Blockchain und letztendlich eine Kosten- und Risikoreduktion. Die Anwendungsszenarien sind vielseitig: Sei es zur Unterstützung eines übersichtlichen Dokumentenmanagements oder – dank der hohen Revisionssicherheit – zur Vereinfachung von Tracking und Tracing. Durch die End-to-End Vernetzung aller Akteure einer Supply Chain können Verträge in Form von Smart Contracts sicher abgewickelt werden und Zahlungsprozesse entlang der Wertschöpfungskette voll automatisiert von statten gehen. Nicht weniger relevant für die Logistik ist der sichere Datenaustausch zwischen intelligenten Geräten im Trusted Internet of Things. Mit diesem Begriff wird die um die Blockchain angereicherte Version des IoT bezeichnet.

Einige Kontraktlogistiker wie Kühne & Nagel oder die Rederei Maersk evaluieren bereits den Nutzen der Blockchain-Technologie für ihre Geschäftsprozesse. Trotz solcher Pilotversuche schreitet die Etablierung der Blockchain in der Logistik aber nur sehr langsam voran.

Kein Wandel über Nacht

Schuld daran sind strukturelle Herausforderungen, die die Unterstützung kollaborativer Szenarien bislang erschweren. Zum einen fehlt ein großflächiges Partnern-Ökosystem, da sich bisher nur wenige Unternehmen finden, die Teil einer konsortialen Blockchain werden möchten. Zwar stellen wir bei SALT Solutions eine erhöhte Nachfrage von Unternehmen fest, die sich mit dem Thema Blockchain beschäftigen, jedoch besteht eine generelle Vorsicht gegenüber der „vermeintlichen“ Wundertechnologie. Und diese ist nicht ganz unbegründet. So macht es beispielsweise nicht für jedes Mitglied der Lieferkette gleich viel Sinn einer Blockchain anzugehören.

Eine weitere Herausforderung stellt der Mangel an einheitlichen Standards für Formate und Inhalte dar. Erst wenn diese definiert sind, kann jeder Teilnehmer der konsortialen Blockchain die Blöcke mit Daten anreichern und eine lückenlose und saubere Kette gewährleistet werden. Technologieanbieter wie Microsoft und SAP reagieren bereits auf den Trend und modifizieren ihre Produkte, sodass diese mit solchen Netzwerken kommunizieren können. Beispielsweise schafft SAP mit der S/4 HANA Business Suite eine Lösung, die auch logistischen Anforderungen zum Thema Blockchain gerecht wird und Zukunftsfähigkeit sicherstellt.

Materialverfolgung auf Basis eines BIM-Modells

Zudem wird BIM ein wesentlicher Erfolgsfaktor in der operativen Abwicklung werden. „Schneller-weiter-höher“ gilt schließlich nicht nur für Bauwerke, sondern auch für die Abwicklungs- und Kosteneffizienz.

Aktueller Materialstatus, offene und benötigte Mengen, Fehler und Mängel – und all das übersichtlich im 3D-Modell dargestellt? – Nur Zukunftsmusik? – Auf keinen Fall.

Im Anlagenbau gibt es bereits mehrere erfolgreiche Beispiele für eine praxistaugliche Integrationen der Bauabwicklung in die Planung (Engineering) sowie spätere Visualisierung im 3D-Modell. Das setzt jedoch saubere und klare Prozesse voraus.

So sieht ein klarer, sauberer Prozess aus

Aus dem Modell werden Materiallisten erstellt und mit eindeutigen Nummern versehen. Über die Einkaufsplattformen werden diese bei Lieferanten geordert und später geliefert. Die Lieferungen werden registriert und sodann per App auf der Baustelle gescannt, positioniert, kontrolliert und zusammengebaut. Nach der Montage erfolgen verschiedene Abnahmeschritte, je nach Gewerk. Eine benutzerfreundliche Software, die Prozesse vom „Modell bis zur Montage“ unterstützt ist dabei unumgänglich.

Prozess im Anlagenbau

Unabhängig von der Software sind klare Prozesse die wohl wichtigste Voraussetzung für eine Qualitätsverbesserung auf allen Ebenen (Kosten, Termine, Ausführungsqualität, usw.).

Big Data richtig interpretieren: Korrelation vs. Kausalität

Zusätzlich zu intelligenten Algorithmen, die aus Big Data wertvolle Informationen berechnen können, benötigen wir vor allem Experten mit Fachwissen, um zu wirklich plausiblen Ergebnissen zu kommen.

Dass das so ist, zeigt zum Beispiel eine Reihe vermeintlicher Korrelationen, also Zusammenhänge, die der Harvard Student Tyler Vigen auf seiner Website auflistet. Er ermittelt mithilfe von Algorithmen kuriose Szenarien. So geht aus seinen Berechnungen beispielsweise hervor, dass die Scheidungsrate in Maine (USA) in gleichem Verhältnis mit dem Pro-Kopf-Verbrauch von Margarine sinkt. Wer seine Ehe retten möchte, sollte demnach auf Margarine verzichten. Eine weitere Berechnung besagt, dass der Verzehr von Mozzarella-Käse die Anzahl der Promotionen von Bauingenieuren beeinflusst – oder umgekehrt. Auch wenn sich mancher Bauingenieur jetzt möglicherweise freuen mag und seine Fachkenntnis gleich durch etwas Käse vertiefen möchte, so identifizieren wir doch mit unserem bloßen Menschenverstand diese Beispiele schon als irreführend und ziehen eine wichtige Erkenntnis: Eine Korrelation ist nicht zwangsläufig auch eine Kausalität. Eine Korrelation beschreibt den reinen Zusammenhang von zwei Situationen, eine Kausalität ist die konkrete Beziehung zwischen Ursache und Wirkung.

Es geht also darum, Daten intelligent zu verknüpfen und zu zuverlässigen und logischen Informationen zu machen, die dann wiederum erfolgsbringend für Unternehmen sein können. Im Mozzarella-Fall sind wir alle Experten, die die Glaubwürdigkeit und Relevanz dieses vermeintlichen Zusammenhangs beurteilen können. Doch in wirtschaftlichen Zusammenhängen und Planungssituationen im Supply Chain Management und in der Logistik von Industrie und Handel sind die Ergebnisse von Berechnungen und Statistiken häufig schwieriger zu beurteilen – dafür braucht es Fachexpertise.

Wichtige Zusammenhänge im Supply Chain Management

In einem Unternehmen sind zum Beispiel in der Bedarfsplanung im Supply Chain Management verschiedene Faktoren wichtig: Historische Werte, Saisonverkäufe, Produkteinführungen oder Neuheiten, Verkaufsaktionen usw. Sie dienen als Datengrundlage um herauszufinden, welchen Artikel der Kunde in welcher Menge in Zukunft kaufen wird. Mithilfe von Prognoseberechnungen und durch das Wissen erfahrener Planer kann an dieser Stelle schon ein Blick in die Zukunft geworfen werden.

Doch die Märkte verändern sich. Die Anforderungen an Verfügbarkeit wachsen und Individualisierung und Schnelligkeit werden zunehmend zum Wettbewerbsvorteil. Um in einer sich wandelnden Welt clever agieren zu können, darf nicht „ins Blaue hinein“ geplant werden. Die richtigen Kausalitäten zu erkennen ist wichtig.

Korrekte Kausalitäten durch Algorithmen und Fachexpertise erkennen

Wenn wir intelligente Algorithmen effektiv nutzen möchten, um den Bedarf an Produkten in Zukunft gut und verlässlich abschätzen zu können, müssen Fachexperten vorher festlegen, welche Einflüsse überhaupt auf den Absatz einwirken (wo die Kausalitäten bestehen). Zu diesen Einflüssen können neben den offensichtlichen Gründen, wie der Verkaufsaktion, auch das Wetter oder Großereignisse gehören. Denken wir nur einmal an die vergangene Weltmeisterschaft, dann wird deutlich, dass einem Algorithmus die Information über die Kausalität zwischen der WM und dem steigenden Absatz von beispielsweise Bier gegeben werden muss. Dann kann er mittels der richtigen Daten auch sehr verlässliche Vorhersagen treffen, auf deren Basis das gesamte Supply Chain Management effizienter und sicherer wird.

Der Mensch als Experte

Im Supply Chain Management bringt Big Data allein uns also nicht weiter, solange kein Algorithmus ein nützliches Ergebnis daraus produziert und ein Fachexperte stets im Auge behält, wie sinnvoll dieses Ergebnis tatsächlich ist. Moderne Algorithmen sind so weit entwickelt, dass sie aus einem Datenpool eine Korrelation und oft auch bereits die richtige Kausalität erkennen kann. Doch die Beispiele von Tyler Vigen haben uns gezeigt, dass es auch Irrtümer geben kann. Gibt der Experte die richtige Richtung vor und hält die Kontrolle, liefert die Maschine bessere Ergebnisse, als der Mensch es könnte. Für das zukunftsfähige Supply Chain Management benötigen wir also die Kombination aus Big Data, intelligenter Software und menschlicher Expertise.

Die Top 4 Digitalisierungstrends in der Intralogistik für 2018

In vielen Betrieben geht es logistisch sehr ineffizient zu. Damit das Material für die Produktion immer im Fluss bleibt, müssen bei der Steuerung und Organisation innerbetrieblicher Transporte und Prozesse viele Bedingungen wie insbesondere Auftragsprioritäten oder Ladekapazitäten gleichzeitig berücksichtigt werden. Die Planung und Steuerung dieser Prozesse wird häufig noch mit Hilfe von Excel, dem Telefonhörer oder einfachen Add-Ons von Lagerverwaltungssystemen, mit denen lediglich Transporte an die Fahrer kommuniziert werden, umgesetzt. Folglich sind die logistischen Prozesse sehr ineffizient organisiert, es herrscht viel Hektik und Stress und im schlimmsten Fall kommt Material zu spät in die Produktion.

Höchste Zeit für eine Intralogistik 4.0

Diese veralteten Werkzeuge in der Intralogistik sind das Überbleibsel jahrelanger Routine. Sie sollten mit dem erhöhten Kosten- und Wettbewerbsdruck aber abgelöst werden. Die Digitalisierung ist schon lange nicht mehr nur „Trend“, sondern eine notwendige Handlungsstrategie – auch wenn sie in der Realität in vielen Unternehmen noch immer nicht angekommen ist.

Wichtig bei der Umsetzung einer Digitalisierungsstrategie ist immer, dass die individuellen Unternehmensanforderungen berücksichtigt werden. Diese belaufen sich nicht nur auf Managemententscheidungen und variierende Produktionsabläufe, sondern auch auf das Tempo, in welchem sich ein Unternehmen der Digitalisierung nähern will und kann.

Offenheit für Innovation – eine Voraussetzung für den Mittelstand

Nichtsdestotrotz gibt es bereits Bewegung in der Intralogistik. Ob in Form von neuen, intelligenten fahrerlosen Transportleitsystemen oder Drohnen – neue Technologien zur Effizienzsteigerung sind in der Testphase oder bewähren sich bereits im operativen Einsatz. Beispielsweise testet der Automobilhersteller Audi Drohnen für die Intralogistik, da der Luftweg für Eil-Transporte hier eine schnellere Alternative bietet. Der Online-Gigant Amazon setzt als Digitalisierungspionier heute weltweit bereits etwa 80.000 Lager-Roboter ein. Die Wertschätzung digitaler Prozesse und derer Vorteile nimmt zu und fördert damit auch vermehrt den Einzug in die Fabriken und Lager.

Der Fortschritt in der Intralogistik ist jedoch branchenabhängig. Während sich beispielsweise die Automobilindustrie als digitaler Vorreiter an neuen Technologien meist früh ausprobiert und Projekte umsetzt, zögern viele mittelständische Unternehmen. Dabei lassen sich die notwendigen Aufwände und Risiken durch agile Arbeitsmethoden deutlich reduzieren. Nach nur wenigen wochenlangen Sprints können die Ergebnisse der Tests überprüft und die Ziele und nächsten Schritte immer wieder neu ausgerichtet werden. Sollte sich eine Technologie, ein Projekt oder eine bestimmte Arbeitsweise als ineffizient herausstellen, wird sie einfach eingestellt, ohne viel Budget aufgefressen zu haben. Mittelständische Unternehmen haben dabei gegenüber großen Konzerne oft sogar Vorteile, da sie meist keine schwergewichtigen IT-Policies und vertraglichen Regelwerke haben.

Durch den Einsatz von Cloud-Technologie können Software-Projekte enorm beschleunigt und gleichzeitig Kosten eingespart werden. Dabei können oft ohne aufwändige eigene IT-Maßnahmen bereits erste Effekte erzielt werden. In der Intralogistik sind es häufig Cloud-basierte Transportleitsysteme oder LKW-Steuerungssysteme, aber auch Behältermanagementsysteme, die eingesetzt werden und sich bereits bewährt haben.

Wenn sich Unternehmen für solche Lösungen entscheiden, ist es gerade bei der Integration der Mitarbeiter wichtig, in einen offenen Dialog zu treten. Meiner Erfahrung nach sind Argumente, wie „das haben wir doch schon immer so gemacht“ tatsächlich noch nicht ausgeräumt und diese Einstellungen gilt es ernst zu nehmen. Dafür sollten allen Beteiligten die Vorteile und Notwendigkeit der Digitalisierung nahegebracht werden.

Denn letztendlich sorgt die Digitalisierung der innerbetrieblichen Logistikprozesse für eine Erleichterung in der täglichen Arbeit in den Werken und bringt viele Vorteile hinsichtlich Effizienz und Kosten.

Intralogistik-Trends 2018

In 2018 zeichnen sich für die Intralogistik folgende Trends ab:

  • Cloud-Software: Die Akzeptanz, Software als Service zu beziehen und Daten in der Cloud zu speichern, nimmt zu. Häufige Gründe dafür sind reduzierte Kosten und Aufwände, Schnelligkeit bei der Einführung, aber auch höhere Ausfall- und Datensicherheit. Cloud-Software wird somit zu einer wichtigen Säule im Bereich Intralogistik 4.0.
  • Fahrerlose Transportleitsysteme (FTS) und Transportroboter: Der Einsatz intelligenter Transportroboter wird zunächst in den Massenmarkt-ähnlichen Anwendungen, wie Distributionszentren im E-Commerce weiter voranschreiten. Erst nach und nach werden individuellere Transporte von Robotern entsprechend kosteneffizient erledigt. Die Herausforderung dabei ist, eine möglichst offene Infrastruktur zu schaffen, so dass die Transportroboter von unterschiedlichen Herstellern übergreifend und möglichst effizient zum Beispiel über ein Transportleitsystem gesteuert werden können. An dieser Stelle ist noch einiges an Überzeugungsarbeit zu leisten.
  • Artificial Intelligence: Auch in der Intralogistik fallen gigantische Datenmengen an. Diese können mit Hilfe Künstlicher Intelligenz unter anderem zur Optimierung von Transporten (prescriptive analytics), zur Vorhersage von Ausfällen (predictive maintenance), zur Bilderkennung im Rahmen der Steuerung von fahrerlosen Transportsystemen sowie der vollautomatischen Erkennung von Barcodes eingesetzt werden.
  • Internet der Dinge und Blockchain-Technologie: Analog zum Smart Home wird die smarte Fabrik zunehmend alle Komponenten miteinander vernetzen. Dabei beauftragt dann beispielsweise ein intelligenter Behälter seinen Transport im Transportleitsystem automatisch. Dieses organisiert wiederrum automatisch den bestgeeigneten Stapler oder FTS für den Transport. Um die verschiedenen Komponenten in Zukunft effizient miteinander zu vernetzen, werden standardisierte Schnittstellen benötigt. Diese könnten durch Blockchains gesichert sein, die nicht nur sicher Informationen austauschen können, sondern auch Smart Contracts wie beispielsweise die Abrechnung eines Transports vollautomatisch ablaufen lassen können.

Fazit

Die Intralogistik ist auf einem guten Weg, sich von alten Routinen zu lösen und sich als Teil der Industrie 4.0 weiter zu modernisieren. Deutliche Trends für 2018 sehe ich in Technologien wie Künstlicher Intelligenz, dem Internet der Dinge sowie dem Einsatz fahrerloser Transportroboter. Diese bieten ganz neue Möglichkeiten für die Digitalisierung der Intralogistikprozesse auch in mittelständischen Betrieben und helfen, die Effizienz in diesem Unternehmensbereich weiter zu steigern. Ich bin gespannt, was sich darüber hinaus im Jahr 2018 im Bereich Intralogistik 4.0 verändern wird und welche Technologien sich in der innerbetrieblichen Logistik bewähren werden.

Wie sehen Sie die Zukunft der Intralogistik? Welche Technologien werden sich Ihrer Meinung nach im nächsten Jahr etablieren?

Supply Chain Management – Ohne Menschen fehlerfrei?

Das absolut perfekte Supply Chain Management (SCM) existiert bislang allenfalls als Traum. Einer Studie der Münchener Beratungsgesellschaft Emporias (Stand: November 2017) zufolge, klagt jeder zweite Manager aus der Industrie über Störungen und Fehler in der Lieferkette. Die Probleme ziehen sich dabei entlang der gesamten Supply Chain, finden sich in der Beschaffung ebenso wie im Transport oder der Auftragsabwicklung.

Mit Hilfe smarter, digital gesteuerter Logistik lassen sich viele dieser Probleme unzweifelhaft lösen. Dennoch bleiben Unwägbarkeiten, wie Rogelio Oliva und Noel Watson, Professoren der Harvard Business School (HBS), in einer umfangreichen Studie herausgearbeitet haben.

Die These der beiden Harvard-Professoren: das SCM berücksichtigt bislang viel zu wenig den Einfluss der Beteiligten auf den Ablauf der Supply Chains. Wenn die „Lieferkette hinkt“ und es zu Störungen und Fehlern in der Supply Chain kommt, sei das fast immer auf Dynamiken zurückzuführen, die letztlich durch den Faktor Mensch in der Lieferkette ausgelöst wurden, zumal selbst erfahrene Logistikmanager nicht durchweg rational handeln. Menschen sind fehlbar und stellen eben deswegen den größten Unsicherheitsfaktor in der Logistik dar. Supply Chain Manager, die dies anerkennen und bei ihrer täglichen Arbeit berücksichtigen, können die Effizienz ihrer Lieferketten klar verbessern.

Wer den Faktor Mensch berücksichtigt, stärkt die Leistungsfähigkeit von Supply Chains

Lieferketten weisen eine hohe Komplexität auf und sie zu steuern, bedeutet, viele Variablen (Lagerführung, Bestellungen, Transportmittel, etc.) gleichzeitig miteinander zu koordinieren. Hinzu kommt, dass dabei zumeist viele verschiedene Organisationen unter einen Hut zu bringen sind − oft sogar über Zeitzonen, Länder- und Sprachgrenzen hinweg.

Um diese Komplexität besser fassen zu können, unterscheiden Olivia und Watson zwischen strategischen und operativen Aktivitäten. Zu den strategischen Aktivitäten gehören u.a. die langfristige Kapazitätsplanung und die Netzwerkkonfiguration von Lagern, Distributoren und Einzelhandelsgeschäften. Beispiele für operative Aktivitäten sind die kurzfristige Bedarfsplanung (einschließlich Prognose- und Bestandsverwaltung), Produktion und Logistik.

Die von Olivia und Watson untersuchten wissenschaftlichen Arbeiten zum Thema SCM gehen überwiegend von einem optimierenden Ansatz aus. Sprich: Die Mehrheit der Studien unterstellt, es gäbe ausschließlich „völlig rationale Entscheidungsträger“. Was in der Theorie durchaus sinnvoll ist, erweist sich spätestens in der Praxis als unzureichend. Selbst erfahrene Logistikmanager handeln schließlich nicht immer rational. Das ist jedoch kein Fehler im System, sondern schlicht eine weitere Variable mit der zu rechnen ist.

Menschen neigen zu Vereinfachungen

In der Realität agieren Manager nicht als völlig rational Handelnde. Es gilt, anzuerkennen wie Menschen mit Komplexität umgehen. Die Strategie dafür ist Vereinfachung: Komplexität minimieren, Problemräume einengen, die Zahl der Variablen senken. Entsprechend neigen auch Supply Chain Manager dazu, Entscheidungen so zu treffen, dass sie schon den Input der Daten möglichst gering halten. Zudem verwenden sie vereinfachende Lösungsansätze („Shortcuts“), um zu Entscheidungen zu kommen. So schaffen sie es zwar, das hochkomplexe Koordinierungssystem Supply Chain zu steuern, die Ergebnisse ihrer Entscheidungen sind jedoch oft nur „suboptimal“ – und damit die Ursache für Unwirtschaftlichkeiten von Lieferketten.

Menschen stellen stets Prognosen an, was zu Verzerrungen führt

Olivia und Watson verwenden für dieses Phänomen den in den Wirtschaftswissenschaften gängigen Begriff Bias. Gemeint sind damit Verzerrungen oder Verfälschungen, die durch falsche Annahmen entstehen. Olivia und Watson deuten den Begriff aber auch im alltagssprachlichen Sinn.

Das englische Wort „bias“ kann im Deutschen auch mit „Neigung“, “ Vorliebe“ oder „Voreingenommenheit“ übersetzt werden. Persönliche, individuelle „Neigungen“ oder „Vorlieben“ beeinflussen Entscheidungen und Prognosen, die Menschen darüber anstellen, wie andere Menschen sich verhalten werden. Wer beispielsweise dazu neigt, Konflikten aus dem Weg zu gehen, wird Partner über mögliche Probleme eher spät (oder sogar gar nicht) informieren.

Die „Bias“, die jeder einzelne Beteiligte dadurch in die Lieferkette einbringt, beeinflusst daher auch die Effizienz der Supply Chain im Gesamten. Denn jede Prognose löst ihrerseits weitere Prognosen darüber aus, wie andere Beteiligte der Supply Chain sich verhalten werden. Doch damit ist längst noch nicht der gesamte Rahmen an möglichen Verhaltensdynamiken innerhalb einer Supply Chain beschrieben. Jedes SCM muss ein System wählen, mit dessen Hilfe die Beteiligten einander koordinieren. Dieses wird in der Regel so gewählt, dass es zwar Verzerrungen berücksichtigt, allerdings auch zugleich versucht, diese zu kompensieren. Auf diese Kompensierungsversuche stellen sich wiederum alle Bete iligten ein. Jedes Koordinierungssystem löst daher auch selbst neue Verhaltensdynamiken aus, die ebenfalls beeinflussen, zu welchen Lösungswegen die Beteiligten tendieren, um Entscheidungen zu treffen.

Beispiel Bullwhip-Effekt

Diese mehrfach ineinander verschachtelten Verhaltensdynamiken erklären nicht nur das Zustandekommen von Fehlern und Störungen innerhalb von Supply Chains, sie sind auch der Schlüssel zur Beseitigung der daraus erwachsenden Ineffizienz solcher Systeme. Ein Beispiel dieser Ineffizienz ist etwa der Bullwhip-Effekt.

Bezeichnet wird damit das Phänomen, bei dem bereits eine gering veränderte Endkundennachfrage ausreicht (= auslösende Verhaltensdynamik), um Bestellmengen und Lagerbestände in der nachfolgenden Lieferkette zu großen Schwankungen aufzupeitschen (= nachfolgende Verhaltensdynamik). Bildlich gesprochen, füttert sich das System gewissermaßen selbst. Vermeiden lässt sich der Effekt am ehesten dann, wenn die ihm zugrunde liegende Verhaltensdynamik frühzeitig erkannt wird.

Mit anderen Worten: wer lernen will, besser mit dem menschlichen Faktor im SCM umzugehen, muss lernen, sich und sein Tun selbst beständig zu hinterfragen. Die Hilfe Dritter, eine Art Supervision, sollte dabei willkommen sein. Schließlich erkennen wir Menschen die Fehler anderer meist leicht. Die eigenen Fehler dagegen übersehen wir nur zu gern.

Die Digitalisierung allein kann diese Probleme nicht lösen

Eine weitere wichtige Erkenntnis der Studie ist, dass sich der (Fehler verursachende) Faktor Mensch im SCM durch die Digitalisierung nicht auflösen wird. Da der Mensch trotz aller IT-Lösungen und Optimierungsalgorithmen aus der Supply Chain nicht vollständig verschwinden wird, werden die oben beschriebenen Verhaltensdynamiken auch erhalten bleiben. Wer sie in sein SCM miteinbezieht und lernt, sie frühzeitig zu erkennen, um gegensteuern zu können, verschafft sich letztlich damit Wettbewerbsvorteile.

 

Supply Chain Management – Das Plattform-Konzept in der Disposition

In vielen Branchen ist der Konkurrenzdruck enorm hoch. Vor allem der Groß- und Einzelhandel kämpft gegen stetig wachsende Marktteilnehmer an. Das Angebot ist in den einzelnen Unternehmen oft ähnlich, die Produkte möglicherweise sogar gleich, wie etwa das Lebensmittelangebot in verschiedenen Supermarktketten oder das Schraubensortiment in den unterschiedlichen Baumärkten.

Das entscheidende Argument für den Auftrag beim Großhändler kann daher der Preis sein. Kostenführerschaft bei guter Qualität ist in diesem Segment ein hohes Ziel. Eine Strategie zum Erreichen dieses Ziels kann sein, die Prozesskosten niedrig zu halten und somit das Produkt, welches die Konkurrenz zum identischen Einkaufspreis eingekauft hat, dennoch etwas günstiger anbieten zu können.

Entlang der internen Wertschöpfungskette gibt es jedoch zahlreiche Kostentreiber, die dieses Ziel erschweren. Beispielsweise bindet ein Überbestand am Lager sowohl Kapital in Form der Artikel als auch für die benötigte Lagerfläche. Noch folgenschwerer als der Überbestand ist jedoch ein Stock-Out. Ein nicht lieferbarer Artikel bedeutet verlorenes Umsatzpotenzial und gleichzeitig eine geschwächte Kundenbindung.

Eine der Kernherausforderungen des Supply Chain Managements liegt also in der Bestellung der richtigen Menge von Handelsware, Roh- oder Zukaufmaterial, zum richtigen Zeitpunkt am richtigen Ort.

Um diese Herausforderung zu meistern, sollten Planungsverantwortliche über folgende Ansätze nachdenken:

Prognosen für kostenoptimalen Lagerbestand durch Algorithmen

Intelligente Prognosesysteme, die auf Basis von Vergangenheitsdaten (Verkaufszahlen) und auch unter Einbeziehung relevanter Einflüsse (Marketingaktionen, Saison, etc.) Bedarfsvorhersagen machen, können dafür sorgen, dass ein Unternehmen die optimale Balance zwischen Lagerbestand und Lieferfähigkeit erreicht. So liegt nur das im Lager, was auch tatsächlich benötigt wird.

Plattform für verlässlichere Ergebnisse im komplexen Umfeld

Doch Ausnahmesituationen, wie die Einführung einer neuen Produktlinie, neuer Lieferantenkonditionen oder das wachsende Online-Geschäft können das Supply Chain Management auf die Probe stellen, da oft keine Vergangenheitsdaten vorliegen.  Hier könnte eine Plattform für mehr Sicherheit sorgen. Eine Plattform führt Bestell- und Absatzinformationen zu sich ähnlich verhaltenden Produkten zahlreicher Anbieter zusammen. Beispielsweise verzeichnen nach diesem Prinzip alle Lebensmittelhändler ihren Absatz von Essiggurken im Einzelhandel in einem System. Auf dieser Basis profitieren alle Teilnehmer, die die Plattform mit ihren Daten versorgen, wiederum von besseren Planungsergebnissen für ihre eigene Bedarfsplanung und Bedarfsdeckung von Essiggurken. Denn betrachtet ein Prognosealgorithmus die Aktionen sämtlicher Großhändler ganzheitlich, dann kennt er jede schwierige Bestellsituation, die schon einmal aufgetreten ist. Der Algorithmus wird also mit besseren Informationen für seine Berechnungen gefüttert und kann – im Sinne des Machine-Learning-Ansatzes – folglich schneller lernen und bessere Ergebnisse liefern. Jedes Unternehmen profitiert also von der Erfahrung aller.

Scheitert diese Idee an mangelndem Vertrauen?

Die Voraussetzung für diese Vision für die verbesserte Planung und Disposition ist Vertrauen in den Anbieter der Prognosealgorithmen oder der Planungsplattform. In einer Umfrage mit 132 Mitarbeitern und Führungskräften aus den Bereichen Logistik und Supply Chain Management hat sich herausgestellt, dass Vorbehalte vor allem beim Teilen von Bewegungsdaten mit Partnern und Lieferanten herrschen (50%). Ob die Weitergabe der relevanten Informationen an eine Plattform eine kleinere Hürde ist oder sogar begrüßt wird, würde ich gerne herausfinden. Ich sehe großes Potenzial in dieser Idee. Halten Sie den Slogan „einer für alle und alle für einen“ für sinnvoll im Supply Chain Management zu oder zögern Sie noch beim Teilen Ihrer Daten?

Die Folgen der Automatisierung – sind Roboter Jobkiller?

­Machen Roboter Arbeit bald überflüssig?
Wohl eher nicht. Zu diesem Ergebnis kommt jedenfalls die Studie „German Robots – The impact of industrial Robots on Workers“ des Düsseldorfer Instituts für Wettbewerbsforschung. Diese untersucht erstmals, wie sich Roboter in der Industrie auf Arbeitsplätze und Löhne in Deutschland auswirken.
Kleiner Spoiler vorweg: der Untergang des Abendlandes wird wohl wieder auf später verlegt werden müssen.

Roboter und Arbeitsplätze – kleine Geschichte großer Mutmaßungen

Dass Roboter Arbeitsplätze vernichten, ist ein so naheliegender Gedanke, dass er von der Öffentlichkeit nur allzu bereitwillig übernommen wird. Schließlich führe die Fortschritte der Computerindustrie sowie der künstlichen Intelligenz zwangsläufig zu immer stärkerer Automatisierung. Da Roboter schneller und effektiver arbeiten als Menschen, werden letztere schlicht überflüssig, so die gängige Vorstellung.

Bereits 1995 entwarf der amerikanische Soziologe und Ökonom Jeremy Rifkin in seinem Buch „Das Ende der Arbeit und ihre Zukunft“ das Szenario einer Gesellschaft, in der es für Menschen keine Erwerbsarbeit mehr gibt. Rifkin vertrat u.a. die Ansicht, dass bereits 2010 nur noch 12 Prozent der Weltbevölkerung in der Produktion tätig sein würden. Seine Prognosen haben sich als haltlos herausgestellt. Tatsächlich verdoppelte sich zwischen 1980 und 2000 die Zahl der Erwerbsbevölkerung auf der Welt.

Deutschland ist bereits ein Roboterland

Der Einsatz von Robotern in der Industrie ist in Deutschland so weit verbreitet wie in keinem anderen europäischen Land. Bereits 1994 standen in deutschen Werkhallen doppelt so viele Roboter wie im Rest Europas. In Zahlen:

  • Auf 1000 Arbeitnehmer in der Industrie kamen in Deutschland 1994 zwei Roboter
  • 2015 arbeiten in Deutschland bereits 7,6 Roboter neben 1000 Arbeitnehmern (nahezu eine Vervierfachung innerhalb von zwei Jahrzehnten)
  • In Europa liegt die vergleichbar Quote bei 2,6 (Stand 2015)

Bei den Beschäftigungszahlen zu Deutschland fällt zudem auf, dass der Anteil der in der Industrie Beschäftigen hierzulande nach wie vor vergleichsweise hoch ist. Zwar gingen auch in Deutschland Industriearbeitsplätze in den letzten Jahren verloren, doch bleibt das Beschäftigungsniveau hoch. Liegt der Anteil der Industriearbeit 1995 noch bei knapp 30 Prozent, hält er sich seit den 10er Jahren des neuen Jahrtausends bei stabilen 25 Prozent.
Deutschland ist nicht nur ein Land, in dem Roboter besonders gerne eingesetzt werden, sie werden hier auch produziert. Kuka und ABB schaffen es als einzige Firmen in die Top-10 der weltweit führenden Roboter-Hersteller – in der sich sonst nur japanische Namen finden. In die Top-20 schaffen es sogar fünf deutsche Hersteller.

Vorreiter bei der Automatisierung ist die Automobilindustrie. Hier kommen auf tausend Arbeiter zwischen 60 bis 100 Roboter. In anderen Branchen, vor allem der Dienstleistung, spielen Roboter dagegen nach wie vor so gut wie keine Rolle.

In Deutschland kosten Roboter zwar Stellen, sichern aber Arbeitsplätze

Auf bestehende Stellen in der Produktion wirkt sich der Einsatz von Robotern auch in Deutschland zunächst einmal negativ aus. Im Durchschnitt werden durch einen Roboter in Deutschland zwei Stellen in der Fertigung überflüssig. Da zwischen 1994 und 2014 rund 131.000 Roboter in Deutschlands Fabrikhallen aufgestellt wurde, wurde so rund 275.000 Stellen eingespart.
Der Clou: Die Arbeitslosigkeit stieg dadurch jedoch nicht! Die Beschäftigten fanden Arbeit in anderen Bereichen. Betrachtet man weitere Gründe für den Arbeitsplatzabbau in der Industrie liegt der Anteil der auf Automatisierung zurückzuführen ist bei 23 Prozent. Eine laue Quote für einen Faktor, der angeblich dazu führen soll, dass es bald überhaupt keine Arbeit mehr gibt.

Die Düsseldorfer Studie legt sogar noch einen weiteren Schluss nahe: der Einsatz von Robotern sichert letztlich sogar Arbeitsplätze. Die Untersuchung der Datensätze von insgesamt rund einer Millionen Fabrikarbeitern konnte zeigen, dass die Arbeitsplätze in den Betrieben sicherer sind, in denen Roboter eingeführt wurden. Zwar veränderte sich die Art der Arbeit für die Arbeitnehmer, explizit Arbeitsplätze wurden durch die Einführung von Robotern in Deutschland jedoch nicht gestrichen.
Dafür zumindest mitverantwortlich dürften die Gewerkschaften in Deutschland sein, die sich vor allem für bereits bestehende Beschäftigungsverhältnisse einsetzen. Die Arbeitgeber reagierten darauf, indem sie kurz- und mittelfristig neue Arbeit für bestehende Kräfte fanden. Langfristig führt die Automatisierung dennoch zum Stellenabbau. Denn die Zahlen belegen auch deutlich, dass für altersbedingt ausscheidende Industriearbeiter immer seltener Berufsanfänger nachziehen.

Roboter verändern die Struktur des Arbeitsmarktes

Die Düsseldorfer haben sich auch angesehen, wie sich die Automatisierung auf die Gehälter auswirkt. Ergebnis: Führungskräfte, spezialisierte Facharbeiter und Ingenieure profitieren deutlich vom Einzug der Roboter in die deutschen Fabrikhallen. Die höhere Produktivität und die damit steigenden Gewinne werden bevorzugt an Ingenieure und Manager weitergegeben, zumal diese hochqualifizierten Arbeitnehmer in der automatisierten Industrie stärker gebraucht werden.
Arbeiter mit einer einfachen Berufsausbildung (also der typische Facharbeiter) verdienen dagegen deutlich weniger. Das gleiche gilt für Niedrigqualifizierte. Beide Gruppen werden traditionell vor allem für standardisierte Routineabläufe eingesetzt und damit in Bereichen, in denen Roboter klare Vorteile bringen.

Gesamtwirtschaftlich betrachtet, profitiert Deutschland jedoch vom Roboter-Einsatz. Die Durchschnittslöhne bewegen sich auf einem nach wie vor hohen internationalen Niveau. Dass sich das für viele nicht so „anfühlt“, hat damit zu tun, dass die Löhne ungleich verteilt sind. Wer gut qualifiziert ist, verdient ungleich mehr. Schlechter Ausgebildete müssen sich mit immer geringeren Löhnen zufrieden geben. Kurz: Die Schere zwischen arm und reich wird durch die Automatisierung größer.

Das „deutsche Jobwunder“ trotzt auch der Automatisierung

Deutschland versetzt seit den 2000er Jahren vor allem im europäischen Vergleich andere Nationen regelmäßig mit seiner hohen Beschäftigungsquote in Erstaunen. Nach Ansicht der Autoren der Düsseldorfer Studie verdankt sich dieses deutsche Jobwunder nicht zuletzt der Bereitschaft deutscher Arbeitnehmer, sich sowohl auf flexiblere Arbeitsverträge einzulassen als auch Lohneinbußen hinzunehmen. Beides sind laut der Studie, offenbar auch probate Mittel, um die durch die Automatisierung ausgelöste Disruption des Arbeitsmarktes zumindest abzufedern.

 

Lkw-Parkplatznot: Wie Algorithmen das Problem lösen könnten

Dass die Lkw-Parkplatznot 2017 noch immer ein Thema ist, könnte ein Skandal sein. Tatsächlich wurde und wird jedoch einiges zur Lösung der Parkplatzknappheit getan. Aufgrund des anhaltenden Booms im Lkw-Güterverkehr, hält die Zahl neuer Parkplätze einfach nicht Schritt mit dem stetig steigenden Bedarf. Gefragt sind daher neue Ansätze. Die Digitalisierung bietet sie.

Ursachen der Lkw-Parkplatznot

Im März 2008 standen entlang der Bundesautobahnen 46.400 Lkw-Parkstände zur Verfügung, davon 28.500 auf Rastanlagen und  17.900 auf privat betriebenen Autohöfen. Dennoch fehlten in Deutschland laut Auskunft der Bundesregierung bis 2015 mindestens 21.000 Lkw-Parkplätze. Die Prognosen zum Wachstum des bundesweiten Lastwagen-Güterverkehrs sind seither noch weiter gestiegen. Um satte 39 Prozent soll der Lkw-Güterverkehr in den Jahren 2010 bis 2030 wachsen. Wirklich verlässliche Zahlen hat niemand. Gewiss ist eigentlich nur: der Bedarf an Lkw-Parkplätzen steigt stetig. Immerhin wurden zwischen 2008 und 2014 bereits 13.000 neue Lkw-Parkmöglichkeiten in Deutschland geschaffen und nahezu alle Bundesländer bauen weiter an neuen Stellflächen, auf denen Lkw-Fahrer ihre Ruhezeiten einhalten können. Die jüngste Verschärfung der Bußgeldregelung für Ruhezeiten im Lkw, die das Verbringen der Wochenruhezeit im Lkw untersagt, hat die Situation jedoch noch weiter verschärft.

Mitunter kommt es vor, dass Lkw-Fahrer bis zu sechs Parkplätze oder Autohöfe anfahren, ehe sie etwas halbwegs Passendes finden. Geparkt wird in der Not auf Standstreifen, Pkw-Parkplätzen oder in Einfahrten. Ist die Parkplatzwahl für andere Verkehrsteilnehmer nicht erkennbar gefährlich, duldet die Polizei die Wild- und Falschparkerei meist. Anders ist der Situation nicht mehr Herr zu werden. Die Devise aller Beteiligten lautet schon lange nur noch: Augen zu und durch, es wird schon irgendwie gut gehen.

Durch Baulösungen allein ist der Lkw-Parkplatznot nicht beizukommen

Die naheliegende Lösung für den Mangel an Lkw-Parkplätzen lautet sicher: mehr Parkplätze bauen! Die Forderung fällt leicht, solange man nicht auf „Details“ wie fehlenden Baugrund achten muss. Die Bundestagsfraktion von Bündnis90/Die Grünen hatte für ihre Kleine Anfrage zur Parkplatzknappheit 2011 errechnet, dass 30.000 neue Lkw-Stellplätze einen Flächenbedarf von 600 Fußballplätzen mit sich bringen. Da sich der Bund meist wenig großzügig beim Kauf von Flächen für den öffentlichen Bedarf zeigt, zieht sich der Erwerb neuer Grundstücke in der Regel in die Länge. Eine schnelle Lösung der Lkw-Parkplatzknappheit ist durch den Bau neuer Stellplätze daher kaum zu erwarten.

Die aktuelle Lkw-Parkplatznot ist auch Ausdruck mangelnder Digitalisierung

Das Fatale der derzeitigen Lkw-Parkplatznot ist, dass bereits seit Jahren digitale Konzepte existieren, mit deren Hilfe sich die Situation spürbar verbessern ließe. 2012 veröffentlichte EasyWay, eine halb-öffentlich, halb-private Initiative zur Förderung von Intelligenten Transportsystemen (ITS), den Entwurf zu einer Studie über „Intelligentes und sicheres Lkw-Parken“. Der Entwurf setzt vor allem auf zwei Lösungen:

  • Die Entwicklung von digitalen Parkleitsystemen, die Fahrer zu den für sie besten Lkw-Parkflächen führen
  • Reservierungssysteme für Lkw-Parkstände

Ins quasi gleiche Horn stößt eine Studie der Universität Duisburg-Essen, die zusammen mit der IHK Niederrhein nach Lösungen des Problems für Kommunen, Verkehrswirtschaft und belieferte Unternehmen sucht und im Oktober 2017 veröffentlicht werden soll. Ein Ergebnis der Studie wurde bereits bekannt gegeben: die auf dem Markt existierenden Parkplatz-Apps funktionieren nur unzureichend. Viel zu häufig werden die Fahrer an ungeeignete Standorte gelotst. Es fehlt die notwendige Datenbasis.

Lösungsansatz: Kompaktparken

Die Bundesanstalt für Straßenwesen (BAst) betreibt seit Anfang 2016 auf der Rastanlage Jura-West (auf der A3 zwischen Nürnberg und Regensburg) eine Pilotanlage ihres Konzeptes zum Telematischen Lkw-Kompaktparken. Die Idee dahinter ist relativ simpel: Lkw würden weniger Platz verbrauchen, wenn sie in einer Reihe hintereinander parken könnten. Derjenige, der als erster den Parkplatz wieder verlassen muss, steht vorn in der Reihe.
Dafür müssten die Lkw-Fahrer jedoch wissen, auf welchem Parkplatz sie wann wieder abfahren können. So entscheiden sie sich für die Parkreihe, die mit ihrer geplanten Abfahrtszeit übereinstimmt. Die Abfahrtszeiten werden auf dynamischen Anzeigen über den Parkreihen angezeigt. Lasersensoren registrieren die jeweilige Belegung.
Künftig könnte das System auch dazu genutzt werden, Lkw-Parkplätze zu reservieren. Die Reservierung könnte vom Logistikunternehmen oder unterwegs vom Fahrer selbst vorgenommen werden.

Lösungsansatz: Intelligente Verkehrsleitsysteme

Die positive Wirkung des Kompaktparkens auf die Lkw-Parkplatznot ließe sich noch weiter steigern, wenn ein Datenaustausch über Parkplatzkapazitäten möglich wäre.
Das Bundesministerium für Verkehr und die BAst haben mit dem Mobilitätsdaten-Marktplatz (MDM) u.a. auch dafür eine Metadaten-Plattform geschaffen, die sowohl für öffentliche wie private Anbieter entsprechende Daten zur Verfügung stellen kann.

SAP hat in Zusammenarbeit mit Bosch bereits einen virtuellen Lkw-Park-Marktplatz entwickelt. Mithilfe des Systems ist es nicht nur Lkw-Fahrern oder Speditionen möglich, im Voraus einen Parkplatz zu reservieren. Das System soll auch das Angebot möglicher Parkflächen erweitern. Firmen mit eigenen Parkplätzen könnten dann Parkflächen, die abends und nachts nicht genutzt werden, über das System vermieten. Das wäre vor allem für Lkws mit teurer Fracht interessant. Sie könnten dann gezielt bewachte Parkplätze ansteuern, um so die Gefahr von Lkw-Diebstählen zu minimieren.
Von der Buchungsplattform würden auch Autohöfe profitieren, da sie Speditionen ebenfalls die Möglichkeit bieten, über ein virtuelles Ticket den Parkplatz zu reservieren, zu tanken und andere Leistungen bargeldlos zu bezahlen.

Zukunftssicheres Supply Chain Management durch Prognosen – Agiles Management ist gefragt

Im ersten und zweiten Teil dieser Artikelreihe hat sich gezeigt, dass Prognosemodelle auf Vergangenheitsdaten in Kombination mit der Expertise des Menschen in vielen Bereichen eine wertvolle Strategie zur Bewältigung täglicher Planungsherausforderungen sind. So erkennen beispielsweise intelligente Algorithmen den Zusammenhang verschiedener Variablen, die ein Absatzmuster für Produkte bestimmen. Auf dieser Basis können verlässliche Prognosen über das zukünftige Kundenverhalten getroffen werden.

Jedoch begegnen uns in unserem Unternehmensalltag immer wieder sogenannte „Disruptions“: Störungen, die Organisationen und ihre etablierten Prozesse massiv einschränken oder gänzlich aushebeln. Das können Lieferausfälle sein, die durch einen Hafenstreik hervorgerufen werden, oder auch neue Gesetzesschranken sowie Naturkatastrophen. Allerdings sind es maßgeblich sogenannte „Micro-Disruptions“, also viel „kleinere“ Störungen die Auswirkungen auf unser tägliches Agieren haben und nicht vernachlässigt werden dürfen. Beispiele hierfür sind einfache Falschlieferungen oder auch das fehlende Teil im Lager, das bei einem Servicelevel von 99% das eine Prozent ausmacht.

In solchen Situationen sollte das Ziel von Planungsverantwortlichen nun nicht darin bestehen, schlichtweg unvorhersehbare Störungen in der „chaotischen Zukunft“ dennoch mittels Prognosen vorhersehen zu wollen, sondern vielmehr auf Strategien zu setzen, die uns im richtigen Moment die richtige Entscheidung treffen lassen.

Agilität in komplexen Umgebungen

Über das Evaluieren logischer Zusammenhänge aus vergangenen Situationen und dem Einsatz intelligenter Prognosealgorithmen hinaus, gilt es außerdem, eine fundierte Managementstrategie zu verfolgen, die es möglich macht, im Falle einer eintretenden Störung die richtige Entscheidung zu treffen. Agiles Management ist das, was über die Endlichkeit von Prognosemodellen hinaus für optimale Prozesse in einer unvorhersehbaren Umwelt sorgt.

Das bedeutet, dass dort, wo der Blick in die Zukunft schier unmöglich ist, Verantwortliche dahingehend unterstützt werden müssen, dass sie in der konkreten Krisensituation agil handeln und die optimale Entscheidung treffen können.

Solch eine Situation kann eine alltägliche sein: eine Verspätung des Lieferanten, ein Maschinenausfall oder ein fehlendes Teil im Lager. Wenn durch eine solche Störung nicht an den Kunden geliefert werden kann und das Unternehmen Wirtschaftlichkeit einbüßt, dann entspringt dies dem Zustand fehlender Alternativlösungen. Für eine schnelle Anpassung der Prozesse muss auf ein agiles Management, das „Plan-B-Lösungen“ inkludiert, umgestellt werden.

Für den Schritt hin zu einem agilen Management gilt es, folgende Ansätze zu befolgen:

  • Alternativen im Sinne eines Risikomanagements aufbauen

Im Rahmen eines Risk Managements müssen Unternehmen ein Portfolio an Alternativlösungen aufbauen. Zum Beispiel bedeutet dies, Lieferanten aufzubauen, die im Notfall herangezogen werden können.

  • Die optimale Alternative herausfinden

Aus einem Pool von „Plan-B-Möglichkeiten“ pickt ein agiles Optimierungssystem im Ernstfall die effizienteste Lösung heraus und transformiert die Planung auf Basis von Echtzeitdaten sowie unter Anwendung von intelligenten Algorithmen.

  • Strategische Überlegungen nach Optimierungskriterien treffen

Im Sinne strategischer Planung müssen altbewährte Konzepte, zum Beispiel für die Beschaffung, in Frage gestellt werden. Der Netzwerkgedanke und individualisierte Prozesse sollten Anklang finden.

Ein Beispiel aus dem Bereich Ersatzteile: Eine Reklamation trifft beim Ersatzteillieferanten ein und der Kunde fordert sofort Ersatz. Leider hat das Unternehmen aber ausgerechnet diesen Artikel aktuell nicht vorrätig. Eine Methode, diese Situation schon im Vorhinein zu umgehen, hätte der Aufbau eines hohen Sicherheitsbestands sein können. Das bindet jedoch Kapital und ist nicht im wirtschaftlichen Sinne des Unternehmens. Einen hohen Servicegrad ohne zu viel Bestand könnte ein Prognosemodell erreichen, indem es die Vergangenheitswerte betrachtet und Wahrscheinlichkeiten über die zukünftige Nachfrage gibt. Dennoch ist in diesem Moment die Not groß. Um den Kunden nicht zu verärgern, muss nun schnell die richtige Maßnahme ergriffen werden. In diesem Sinne könnte eine so genannte „Ersatzverweis“- Strategie genutzt werden. Dabei wird das fehlende Teil entweder von einem anderen, nahe am Kunden gelegenen Standort aus beschafft und geliefert. Alternativ ordnet das Unternehmen einen Expressversand an, oder aber ein alternatives Teil von höherer Qualität wird ausgeliefert, das denselben Zweck erfüllt. In diesem Fall nun die richtige Alternative zu finden, dabei unterstützen Algorithmen. Denn möglicherweise ist die Lieferung des teureren Teils günstiger als ein Expressversand. Eine Einzelfallentscheidung wäre hier noch keine enorme Herausforderung. Ein Industrieunternehmen kämpft jedoch mit einer Vielzahl solcher Entscheidungen tagtäglich. Unterstützung in Form von intelligenter Software wird unabdingbar.

Fazit

Der Wunsch, die Zukunft vorherzusehen, liegt in unserer Natur. In Industrie und Handel können präzise Prognosen über zukünftige Bedarfe und Frühwarnsysteme die Prozesse enorm effizienter machen. Zwei parallele Strategien müssen hierzu realisiert werden: Es müssen Prognosemodelle etabliert und ein agiles Management implementiert werden, um intelligente Entscheidungen treffen zu können. Herausforderungen sowohl der planbaren als auch einer unvorhersehbaren Zukunft sind mit dieser Kombination beherrschbar. Im Zuge dessen wird die Lieferfähigkeit und Performance konstant hochgehalten und negative Ausmaße einer Disruption minimiert – komme, was wolle.