Vorhersage der Vorlaufzeit von Lieferanten zur Optimierung der Lieferkettenabläufe

Herausforderungen in der Lieferkette mit präziseren, datengestützten Vorlaufzeitprognosen lösen

Die COVID-19-Pandemie hat die Verbrauchergewohnheiten auf den Kopf gestellt. Engpässe zwangen die Menschen, neue Marken auszuprobieren, und insbesondere im Lebensmittelbereich kauften viele Menschen seltener ein, dafür aber oft mehr. Das führte dazu, dass die Bestände schneller aus den Geschäften verschwanden, was sowohl die Lieferketten als auch die Finanzmodelle belastete und Probleme mit der Bruttomarge verursachte.

Gleichzeitig sind die Kosten für fehlende Bestände gestiegen, und Probleme bei der Wiederbeschaffung können sich auf die Rentabilität und den allgemeinen Geschäftserfolg auswirken. Die Verbraucher sind einfach weniger tolerant gegenüber leeren Regalen, wenn sie praktisch sofortigen Zugang zu Preisen und Produktverfügbarkeit bei einer wachsenden Zahl von Wettbewerbern haben, die Produkte und Dienstleistungen bedarfsgerecht und auf vielfältige Weise anbieten können. Tatsächlich behaupten 29 % der Verbraucher, dass nicht vorrätige Artikel sie dazu bewegen würden, bei einer anderen Marke einzukaufen.

Die Herausforderung für den Einzelhandel besteht darin, die Kunden, die die gewünschte Menge an Waren sowohl am gewünschten Ort als auch zum gewünschten Zeitpunkt finden wollen, stets zufrieden zu stellen. Um die finanziellen Ziele erfolgreich zu erreichen, muss der Einzelhandel seine Bestände an jedem Punkt der Lieferkette strategisch verwalten und sicherstellen, dass der Wiederbeschaffungsvorgang stets reibungslos und effizient abläuft.

Die Vorhersage der Lieferzeit von Lieferanten – die Zeit, die ein Lieferant benötigt, um ein Produkt oder eine Dienstleistung nach einer Bestellung zu liefern – hilft Einzelhändlern bei der Planung ihrer Produktionspläne und der Verwaltung von Lagerbeständen. Dadurch können die Kundennachfrage effektiv erfüllt und gleichzeitig überschüssige Lagerbestände sowie die damit verbundenen Kosten minimiert werden.

Die Lieferzeit eines Lieferanten hängt von verschiedenen Faktoren ab – z. B. von der Entfernung des Lieferanten vom Bestimmungsort des Produkts, der Komplexität des Produkts, der Verfügbarkeit von Rohstoffen, der Produktionskapazität und der Transportzeit. Aufgrund der vielen verschiedenen Variablen brauchen Einzelhändler eine Datenplattform, die ihnen einen zentralen Zugriff auf historische Daten und Echtzeitdaten aus einer Reihe von Unternehmenssystemen, Geschäftsdatensätzen und technischen Eingaben bietet. Diese können dann zum Trainieren von maschinellen Lernmodellen verwendet werden, um erwartete Lieferzeiten basierend auf Bestelltransaktionen zu prognostizieren.

Risiken in Lieferkettenabläufen mindern und die Bestandsverwaltung mit erweiterten Analysen und maschinellem Lernen verbessern

In diesem Anwendungsfall demonstrieren wir, wie Oracle Data Platform dem Einzelhandel dabei hilft, erweiterte Analyse- und Prognosemethoden (einschließlich statistischer Modellierung, Trendanalyse und Analyse historischer Daten) und maschinelles Lernen zu nutzen, um die voraussichtlichen Liefertermine der Waren genau zu schätzen. Mit diesen Informationen können Einzelhändler ihre Bestandsplanung optimieren und die Auswirkungen verschiedener Variablen effizient steuern – wie z. B.

• Lieferzeiten und Transport – einschließlich der Koordinierung der Verfügbarkeit von Bezugsquellen, Versandplänen, Reisezeiten und -kosten;
• vielfältige Produktportfolios – einschließlich der Herausforderungen bei der Verwaltung einer breiten Palette von Produkten, Verfügbarkeit, Verpackungskonfigurationen, Bestellbedingungen und Kosten bei Hunderten von Lieferanten;
• Komplexität des lokalen Marktes – einschließlich der Nachfragemuster und Einflüsse wie Saisonabhängigkeit und Werbeaktionen;
• finanzielle und physische Beschränkungen – einschließlich der Budgets, Lagerungsbeschränkungen und gewünschten Wendungen;
• Druck auf die Bestände an den Abwicklungsstandorten – einschließlich der finanziellen Auswirkungen von Überbeständen und Abschlägen, des Drucks, stets einen hervorragenden Kundenservice anzubieten, und der Notwendigkeit, die Verfügbarkeit aufrechtzuerhalten, um Umsatzeinbußen und den Verlust der Kundentreue zu verhindern.

Diese Abbildung zeigt, wie die Oracle Data Platform für den Einzelhandel zur Vorhersage der Lieferzeiten von Lieferanten und zur Optimierung der Lieferkette verwendet werden kann. Sie hilft Einzelhändlern, ihre Marktposition zu halten und gleichzeitig ihre Rentabilität zu maximieren. Die Plattform umfasst die folgenden fünf Pillar:

1. 1. Datenquellen, erkennen
2. 2. Aufnehmen, transformieren
3. 3. Ausharren, kuratieren, schaffen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Der Pillar „Datenquellen, Entdeckung“ umfasst drei Datenkategorien.

1. 1. Anwendungsdaten stammen aus Fusion Financials, Oracle E-Business Suite, SCM, EPM und eSourcing.
2. 2. Daten aus dem Geschäftsbericht umfassen Lagerbestand, SCM (Kontrollturm), Lieferantenleistungsdaten und Lieferantenumfragen.
3. 3. Technische Eingabedaten stammen aus Protokollen.

Der Pillar „Aufnehmen, transformieren“ umfasst drei Funktionen.

1. 1. Die Batch-Ingestion verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.
2. 2. Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.
3. 3. Die Datenänderungserfassung verwendet OCI GoldenGate.

Alle drei Funktionen verbinden sich unidirektional mit der Cloud-Speicher-Funktion innerhalb des Pillars „Beibehalten, kuratieren, erstellen“.

Der Pillar „Beibehalten, kurieren, erstellen“ umfasst vier Funktionen.

1. 1. Der zugrunde liegende Datenspeicher verwendet Oracle Autonomous Data Warehouse oder Exadata Cloud Service.
2. 2. Der Cloud-Speicher verwendet OCI Object Storage.
3. 3. Die Batchverarbeitung verwendet OCI Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb des Pillars miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem Serving Data Store und außerdem bidirektional mit der Batchverarbeitung verbunden.

Eine Funktion ist mit der Säule „Analysieren, lernen, prognostizieren“ verbunden: Der zugrunde liegende Datenspeicher ist sowohl mit der Analyse- und Visualisierungsfunktion als auch mit der Funktion für maschinelles Lernen verbunden.

Der Pillar „Analysieren, lernen, prognostizieren“ umfasst drei Funktionen.

1. 1. Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.
2. 2. Datenprodukte, APIs verwenden OCI API Gateway und OCI Functions
3. 3. Maschinelles Lernen verwendet OCI Data Science, Oracle ML und Oracle ML Notebooks.

Der Pillar „Messen, handeln“ umfasst drei Consumer: Dashboards und Berichte, Anwendungen und Modelle.

Dashboards und Berichte umfassen Mitarbeiter und Partner, Zusammenarbeit mit Lieferanten und Datenaustausch, historische Lieferantenleistung, Bedarfsanalysen sowie Fehl- und Überbestände.

Die Anwendungen umfassen eine erweiterte Bestandsverwaltung und Bedarfsplanung.

Die Modelle umfassen den Betrieb der Lieferanten.

Die drei zentralen Pillar – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Es gibt im Wesentlichen drei Möglichkeiten, Daten in eine Architektur einzuspeisen, die es Einzelhändlern ermöglicht, die Vorlaufzeit von Lieferanten effektiv vorherzusagen.

• Zunächst müssen wir unseren Gesamtbestand kennen, um sicherzustellen, dass die Produkte weder über- noch unterbestellt wurden. Dazu verwenden wir Oracle Cloud Infrastructure (OCI) GoldenGate, um die Datenänderungserfassung der Aufnahme von Lagerbestandsdaten nahezu in Echtzeit aus Betriebsdatenbanken für alle Produktlinien oder nur eine Teilmenge von Produktlinien zu ermöglichen. Anhand dieser Daten können wir dann die Preise anpassen, um entweder die Bestände zu verschieben oder einen Fehlbestand zu vermeiden.
• Um die Leistung von Lieferanten genau vorhersagen zu können, müssen wir außerdem historische Leistungen, Trends und Muster kennen. Das erfordert in der Regel das Laden großer Mengen an Transaktionsdaten (einschließlich ERP-Daten wie Beschaffungs-, Rechnungsstellungs-, Lieferketten- und Logistikdaten) sowie anderer betrieblicher Kennzahlen und Datasets (wie Daten zum Verbrauch, Bestand und Hot Swaps) aus On-Premises-Datenspeichern mithilfe von Massentransfer-Methoden und -Services wie OCI Data Transfer Service.
• Mit der Batch-Ingestion können wir jetzt Datasets hinzufügen, die für Lieferanten relevant sind, wie z. B. Bestellungen beim Lieferanten innerhalb eines bestimmten Zeitraums, einschließlich des Datums der Bestellung, der bestellten Menge und des Lieferdatums. Diese Datensätze umfassen oft große Mengen an Daten, die in der Regel vor Ort gespeichert werden, und in den meisten Fällen ist eine Batch-Ingestion ausreichend und am effizientesten. Für unsere Lieferantendaten verwenden wir Oracle Data Integrator, um die Daten in einem täglichen Zyklus zu erfassen. Diese Daten stammen in erster Linie aus operativen Transaktionsprozesssystemen und werden normalerweise in stark strukturierter relationaler Form modelliert. Beispiele für diese Daten sind Bestelltransaktionen, einschließlich Lieferantenangaben (z. B. Name, Ausweis, Registrierung und Kontaktinformationen), Herkunfts- und Bestimmungsort, vereinbartes Lieferdatum, tatsächliches Lieferdatum, Vertragspositionen und Preis, Versandart usw. Daten über die Leistung des Lieferanten, einschließlich seiner Liefertreue, der Qualität seiner Waren oder Dienstleistungen und etwaiger Verzögerungen oder Probleme, die in der Vergangenheit aufgetreten sind, können ebenfalls eingespeist werden, obwohl diese Daten in der Regel weniger strukturiert sind und ein höheres Maß an Verarbeitung erfordern.
• Durch die Berechnung der Lieferzeit für jeden einzelnen Auftrag, der zuvor an den Lieferanten vergeben wurde, können wir eine durchschnittliche Lieferzeit berechnen sowie Trends und Abweichungen erkennen. Diese Trends und Abweichungen können mit externen Faktoren korreliert werden, die sich auf die Vorlaufzeit des Lieferanten auswirken könnten, wie z. B. Transportverzögerungen, Änderungen in der Produktionskapazität des Lieferanten, Umweltereignisse (z. B. Unwetter) oder sozialpolitische Ereignisse (z. B. Konflikte oder Arbeitskampfmaßnahmen). Zusätzliche Daten können zur Überwachung von Markttrends und Nachfragemustern verwendet werden, um potenzielle Nachfragespitzen zu antizipieren, die sich auf die Lieferzeit des Lieferanten auswirken könnten.

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten.

• Die eingespeisten Rohdaten aus allen Quellen werden in einem Cloud-Speicher abgelegt. Wir verwenden OCI Data Flow für die Batch-Verarbeitung dieser nun persistenten Daten, Lagerbestände, Geomapping-Daten und Produktreferenzdaten. Bei der Batch-Verarbeitung werden die Daten erneut verarbeitet und Duplikate, fehlende Werte oder Ausreißer entfernt, die die Analyse verzerren könnten. Diese verarbeiteten Datensätze werden an den Cloud-Speicher zurückgespeist, um dort weiter aufbewahrt, kuratiert und analysiert zu werden und schließlich in optimierter Form – in einem Format, das leicht analysiert werden kann – in den zugrunde liegenden Datenspeicher geladen zu werden.
• Wir haben jetzt verarbeitete Datensätze erstellt, die in optimierter relationaler Form dauerhaft gespeichert werden können, um die Verwaltungs- und Abfrageperformance im zugrunde liegenden Datenspeicher von Oracle Autonomous Data Warehouse zu gewährleisten. So können wir die Produkte nach Preis, Bedarfsprofil, Lagerbestand und Standort identifizieren und zurücksenden.

Die Fähigkeit, zu analysieren, zu lernen und Vorhersagen zu treffen, beruht auf drei Technologien.

• Die Analyse- und Visualisierungsservices ermöglichen es uns, statistische Verfahren wie Regressions- und Zeitreihenanalysen sowie Algorithmen für maschinelles Lernen einzusetzen, um Muster und Trends in den Daten zu erkennen. Anhand dieser Analyse können wir dann ein Prognosemodell entwickeln, das die Vorlaufzeit der Lieferanten genau vorhersagt, und die Genauigkeit des Modells kontinuierlich validieren, indem wir die vorhergesagten Vorlaufzeiten mit den tatsächlichen Lieferzeiten für eine Gruppe von Aufträgen vergleichen. Die Ergebnisse dieser Validierung werden dann verwendet, um das Modell zu verfeinern und seine Genauigkeit zu verbessern. Unsere Analyse- und Visualisierungsservices beinhalten die folgenden Funktionen:
  
  
  • Deskriptive Analysen beschreiben aktuelle Trends mit Histogrammen und Diagrammen und unterstützen die Entwicklung von Preisalgorithmen. Diese nutzen vordefinierte Regeln, um Preise basierend auf bestimmten Kriterien wie Sales Performance, Bestandsniveaus oder Mitbewerberpreisen anzupassen. So kann ein Einzelhändler beispielsweise eine Regel festlegen, nach der der Preis eines Produkts um 10 % gesenkt wird, wenn es länger als 30 Tage auf Lager ist, und den Kauf neuer Bestände verzögern oder einen Preis für eine spätere Lieferung aushandeln, wobei er zur Bestimmung des geeigneten Zeitpunkts Vorlaufzeitprognosen verwendet.
  • Vorhersageanalysen prognostizieren zukünftige Ereignisse, identifizieren Trends und bestimmen die Wahrscheinlichkeit unsicherer Ergebnisse. Mit Vorhersageanalysen können Einzelhändler anhand historischer Vertriebsdaten Zusammenhänge zwischen Preis und Nachfrage ermitteln. Anhand dieser Analysen können sie dann vorhersagen, wie sich Änderungen im Verbraucherverhalten auf die Nachfrage auswirken werden, und ihre Bestandspläne entsprechend anpassen. Die geschätzten Lieferzeiten helfen ihnen dabei, sicherzustellen, dass sie bei Bedarf über genügend Bestände verfügen und gleichzeitig überschüssige Bestände und die damit verbundenen Kosten minimieren. Darüber hinaus können Vorhersageanalysen Preiselastizitätsmodelle bereitstellen, die statistische Modelle verwenden, um zu messen, wie sensibel die Nachfrage auf Preisänderungen reagiert. Einzelhändler können diese Analyse verwenden, um die optimalen Lagerbestandspunkte zu identifizieren, den Umsatz und die Rentabilität zu maximieren und ihre Lagereinkäufe entsprechend zu timen.
  • Die Vorhersageanalyse schlägt geeignete Maßnahmen vor, um eine optimale Entscheidungsfindung zu unterstützen, und kann für die Vorlaufzeitprognose verwendet werden, um die mit der Lagerhaltung und Fehlbeständen verbundenen Kosten zu minimieren. Durch die Abstimmung von Beschaffungs- und Produktionsaktivitäten mit Lieferantenvorlaufzeiten können Einzelhändler den überschüssigen Bestand und die Kosten für den Expressversand senken sowie bessere Tarife und Konditionen mit Lieferanten verhandeln.
• Neben dem Einsatz von erweiterten Analysen werden auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Diese Modelle nutzen künstliche Intelligenz, um große Datenmengen zu analysieren und Muster und Trends zu identifizieren, mit denen Bestandseinkäufe und Lagerbestände optimiert werden können. Einzelhändler können Algorithmen des maschinellen Lernens nutzen, um das Kundenverhalten vorherzusagen, zu ermitteln, wann und bei welchen Lieferanten Waren eingekauft werden sollen, und um die Preise für mehrere Produkte und Märkte zu optimieren.
• Unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien anwenden und als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur für den Vertrieb im Einzelhandel verfügbar gemacht werden.

Bestandsverwaltung und Kundenzufriedenheit mit einer Datenplattform für den Einzelhandel verbessern

Durch genaue Prognosen der Lieferantenvorlaufzeit können Einzelhändler ihre Lagerbestände und Produktionspläne besser planen, um sicherzustellen, dass sie über die richtigen Produkte in den richtigen Mengen zur Deckung des Kundenbedarfs verfügen, auch wenn diese aufgrund von Saisonalität, Werbeaktionen und anderen Einflüssen schwanken. Auf diese Weise haben sie die Möglichkeit,

• den Zeitpunkt für den Kauf von Lagerbeständen und die Lieferanten zu bestimmen,
• ihre Lagerhaltungskosten zu minimieren, indem sie die richtigen Produktmengen zur richtigen Zeit bestellen und eine Unterbevorratung vermeiden, die zu Umsatzeinbußen und unzufriedenen Kunden führen kann,
• ihren Cashflow durch die Planung ihrer Einkäufe und Zahlungen an Lieferanten zu verwalten und so ihr Betriebskapital zu optimieren und Cashflow-Engpässe zu vermeiden,
• durch eine bessere Kommunikation über Durchlaufzeiten und andere Leistungskennzahlen engere Beziehungen zu ihren Lieferanten aufzubauen, was zu einer besseren Leistung, besseren Preisen und zuverlässigeren Lieferplänen führen kann.