Wie kognitive Lösungen die Zukunft des Einkaufs und der Supply Chain ändern werden

Was sind kognitive Lösungen, wo stehen wir heute und welche Bereiche des Einkaufs und der Supply Chain sind am besten für den Einsatz solcher Lösungen geeignet – Ein Ausblick 

Kaum ein Thema wird heutzutage so sehr in den Vordergrund gestellt wie die Einsatzmöglichkeiten von kognitiven Lösungen. Dabei gibt es eine Vielzahl von Begriffen, die teilweise synonym verwendet werden: Künstliche Intelligenz, Machine Learning, Robotergesteuerte Prozessautomatisierung (RPA), Deep Learning, Natural Language Processing, Predictive Analytics. Die Vielzahl dieser Begriffe sowie die unklare Definition und Abgrenzung führen dabei zu Verwirrung darüber, was kognitive Lösungen sind und wie man sie am sinnvollsten anwenden kann.

Dabei kann man kognitive Lösungen am besten als Anwendungen und Applikationen definieren, die durch den Einsatz selbstlernender Systeme und Algorithmen darauf trainiert werden, Tätigkeiten und Prozessschritte auszuführen, die bislang durch den Einsatz manueller menschlicher Arbeits- und Entscheidungsleistung möglich waren. Vielmehr noch sind kognitive Lösungen Anwendungen, die automatisch jenes durchführen, was Menschen heute noch manuell ausführen. Sie können vor allen Dingen auch in kritischen Situationen optimale Entscheidungen treffen und Empfehlungen aussprechen, arbeiten deutlich schneller und sind rund um die Uhr verfügbar.

Um die Einsatzmöglichkeiten von kognitiven Lösungen näher zu beleuchten, ist zusätzlich zu dieser Definition eine Klassifikation und Abgrenzung der verschiedenen Arten von kognitiven Lösungen hilfreich. Daher bietet es sich an, die Prozesskomplexität und die Form des Dateninputs zu betrachten. Die Prozesskomplexität lässt sich durch die Anzahl der Prozessschritte, die Menge der Einflussparameter oder die Anzahl der Prozessteilnehmer festlegen. Beim Dateninput ist maßgeblich, in welcher Form die Daten verfügbar sind, wobei strukturierte und klassifizierte Daten in Datenbanken für kognitive Lösungen einfacher zu verarbeiten sind als unstrukturierte Daten in freier Form. Legt man diese beiden Parameter, die Prozesskomplexität und Dateninputtyp, zusammen, ergibt sich eine klassische 3x3 Matrix zur Klassifikation kognitiver Lösungen. Die nachfolgende Grafik beschreibt die Klassifikation kognitiver Lösungen in einer klassischen 3x3 Matrix.

In den Fällen, in denen man es mit einfacher Prozesskomplexität zu tun hat und die Daten strukturiert und definiert vorhanden sind, kommen vor allem RPA-Systeme zum Einsatz. Diese Lösungen können ähnlich wie Makros in MS Excel so programmiert werden, dass sie automatisch Arbeitsschritte ausführen, die bislang manuell von Menschen mit Hilfe von Computern bearbeitet wurden. Dabei geht es vor allem um klar definierte, repetitive und über verschiedene Anwendungen verteilte Vorgänge. RPA kann Organisationen in zahlreichen Branchen und Bereichen unterstützen, um eine Vielzahl von Aufgaben zu automatisieren: Von der Patientenregistrierung im Gesundheitswesen bis hin zur Aktualisierung des Kundenprofils in der Finanzdienstleistung. Die Vorteile liegen hierbei vor allem in der Geschwindigkeit der Ausführung, in der Vermeidung manueller Fehler und in der 24/7 Verfügbarkeit derartiger Systeme. Damit bringen RPA-basierte Lösungen erhebliche Zeit- und Kosteneinsparungen mit sich. Allerdings sind sie heute noch nicht in der Lage auf Veränderungen oder Ungenauigkeiten vollständig zu reagieren. Wenn beispielsweise ein neues, bislang unbekanntes Datenfeld eingefügt wird, läuft das vorprogrammierte Programm auf einen Fehler und kann erst durch Neuprogrammierung wieder gestartet werden.

Dabei unterscheidet sich RPA von Machine Learning Systemen. Machine Learning Systeme sind zum einen geeigneter, um komplexere Tätigkeiten auszuführen und können auch mit unstrukturierten Daten arbeiten. Sie greifen in der Regel auf weitere Datenbanken oder Programme zu, um komplexe Fragestellungen zu lösen. Prominente Anwendungen, die auf Basis von Machine Learning laufen, sind zum Beispiel Assistenzsysteme wie Alexa, Siri oder Cortana. Wenn Alexa beispielsweise nach dem Wetter gefragt wird, weiß die Anwendung, wo es nachschauen muss, um die dazu erforderlichen Information zu finden. Solche Systeme sind dabei auch in der Lage stetig vom Nutzerverhalten zu lernen. WhatsApp verwendet Self Learning zum Beispiel bei den Vorschlagswörtern, die beim Eintippen von Nachrichten angezeigt werden. Diese Vorschlagswörter basieren auf einem Standardwörterbuch. Dennoch speichert WhatsApp auch die Wörter, die der jeweilige Nutzer regelmäßig in seinen individuellen Nachrichten nutzt.

Systeme, die künstliche Intelligenz nutzen, gehen noch einen Schritt weiter. Google hat mit AlphaGo ein Programm entwickelt, welches in der Lage war, den Weltmeister in dem komplexen  chinesischen Brettspiel Go zu schlagen. Dabei hat die Anwendung das Brettspiel selbstständig einstudiert, in dem es das Spiel millionenfach gespielt und ebenso häufig verloren hat. Künstlich intelligente Systeme sind heute noch nicht in allen Bereichen in der Lage es mit menschlichen Fähigkeiten wie Antizipation, Kreativität und Kontextualisierung aufzunehmen. Dennoch nimmt die Entwicklung der Rechenleistungen als auch die Datenverfügbarkeit in einem rasanten Maße zu, dass es nur eine Frage der Zeit ist, bis künstlich intelligente Systeme noch komplexere Probleme selbstständig lernen und lösen können.

Nachdem die verschiedenen Arten kognitiver Lösungen klassifiziert wurden, lohnt es sich die Bereiche hervorzuheben, die für den Einsatz derartiger Systeme im Einkauf und in der Supply Chain besonders geeignet sind. Das folgende Schaubild gibt einen Überblick:

Die Bereiche Analytics & Reporting im Einkauf sind dabei besonders geeignet für den Einsatz von kognitiven Lösungen. In vielen Fällen werden die Reports heute aufwendig und manuell erstellt. Dabei sind die Themen Predictive Analytics und Big Data bereits Themen, die heute schon stark mit künstlich intelligenten Systemen angegangen werden. So werden relevante Daten sehr kompakt in Echtzeit zusammengestellt, Vorhersagen für künftige Ereignisse getroffen und aufbereitete Berichte über alle relevanten KPIs vorgelegt. Im Bereich Help Desk und Support sind Chatbot-Lösungen stark im Trend. Die größte Hoffnung liegt hier in der Vision, dass der größte Anteil der Nutzeranfragen durch den Einsatz intelligenter Bots reduziert werden können. Alibaba hat dabei beispielsweise einen auf künstlicher Intelligenz basierenden Chatbot vorgestellt, den Unternehmen individuell einrichten und anlernen können, um den Kundenservice zu verbessern. Dabei können vor allen Dingen generelle Anfragen per E-Mail und am Telefon reduziert werden.
Mit IBM Supply Chain Insights werden die in der Lieferkette geschulten kognitiven Watson-Technologien genutzt, um umfassende Transparenz und Einblicke in die gesamte Lieferkette zu bieten. Damit können Risiken und Störungen in der Supply Chain vorhergesagt und Abläufe in der Lieferkette verbessert werden.

Legt man diese Anwendungsgebiete und die vorab festgelegte Klassifikation übereinander, dann ergibt sich folgendes Bild:

Kognitive Lösungen wie zum Beispiel Machine Learning, Chat Robots und Künstliche Intelligenz haben einen Gipfel der Erwartungen erreicht. Laut Gartners letztem Hype Cycle for Emerging Technologies 2017 Report ist jedoch die Marktreife der meisten Lösungen noch bis zu 5 Jahren entfernt.

Dabei beeinflussen kognitive Lösungen heute schon die Bereiche im Einkauf und in der Supply Chain und eröffnen neue Möglichkeiten zur Automatisierung. Jedoch sind vorausschauende Analysemethoden und Logistikoptimierungen noch nicht vollständig abgebildet. Je höher die Komplexität der Prozesse und je unstrukturierter die Dateneingabetypen, desto aufwändiger gestaltet sich der Einsatz von kognitiven Lösungen.

Als Abschluss werden folgende konkreten Handlungsempfehlungen vorgeschlagen:

  • Starten Sie mit der Automatisierung von einfachen, repetitiven Aufgaben und Prozessen durch den Einsatz von RPA-Lösungen. Diese sind heute schon gut entwickelt und lassen sich in den Bereichen Reporting & Analytics, Order Fullfillment und Stammdatenverwaltung nutzen.
  • Auch im Bereich Chatbot und virtuelle Assistenten sind die Systeme ausgereift, so dass ein Einsatz zur Verbesserung des Endnutzer- und Lieferantensupports sehr sinnvoll sein kann.
  • Bei komplexeren Themen wie Machine Learning und Lösungen mit künstliche Intelligenz ist derzeit noch Vorsicht geboten. Hier hat der Hype zu einer Marketing-Flut gesorgt und nicht überall wo mit kognitiv geworben wird, ist auch kognitiv drin. Auch wenn Sie hier noch skeptisch und vorsichtig bleiben sollten, können erste Erfahrungen in Form von Pilotprojekten und Entwicklungspartnerschaften sehr zielführend sein.

Wollen Sie mehr zu diesem Thema erfahren, dann kontaktieren Sie unsere Ansprechpartner
Abdülkadir Tekin abduelkadir.tekin@capgemini.com
Luxmy Parkunantharan luxmy.parkunantharan@capgemini.com.
 


Empfehlen sie diesen Newsletter per WhatsApp


zurück zur Übersicht >>


Folgen Sie uns
© 2018 Capgemini