JAGGAER hat den ersten Prototypen eines auf künstlicher Intelligenz basierenden Algorithmus zur Vorhersage der Lieferpünktlichkeit von Waren und Materialien im direkten Einkauf entwickelt. [...]
Das Source-to-Pay-Unternehmen JAGGAER hat den ersten Prototypen eines auf künstlicher Intelligenz basierenden Algorithmus zur Vorhersage der Lieferpünktlichkeit von Waren und Materialien im direkten Einkauf entwickelt. JAGGAERs Predictive Order Management erkennt Lieferverzögerungen rechtzeitig und meldet diese unverzüglich. So können Supply Chain Manager in Zukunft das Risiko von Störungen oder Ausfällen in der Produktion minimieren und Kosten reduzieren, die in einem solchen Falle entstehen würden.
„Durch den Einsatz des entwickelten Algorithmus, kann eine Vorhersage bezüglich der Liefertreue getroffen werden. In unseren Tests konnte eine Genauigkeit von über 95 Prozent erzielt werden“, sagt Michael Rösch, SVP Operations DACH bei JAGGAER. „Diese Entwicklung birgt enormes Potenzial für die produzierende Industrie, insbesondere für Unternehmen, die auf Just-in-Time Lieferungen von Komponenten und Materialien angewiesen sind. Durch die Nutzung des Predictive Order Management können Unternehmen erkennen, bei welchen Bestellungen das Risiko einer verspäteten Lieferung besteht. Disponenten können somit rechtzeitig Maßnahmen zur Risikominimierung einleiten, indem sie beispielsweise eine Bestellung auf zwei oder mehr Lieferanten aufteilen.“
Möglich wurde die Entwicklung von Predictive Order Management durch eine Kooperation zwischen JAGGAER und ZEISS. Das System wurde trainiert, indem Millionen von historischen Lieferdaten in den Algorithmus eingespielt wurden. Es werden 50 Datendimensionen genutzt, um Ereignisse vorherzusagen. „Bisher mussten sich Fachleute im Bereich Supply Chain Management auf historische Daten und subjektive Einschätzungen verlassen, um das Risiko einer verspäteten Lieferung zu erahnen. Mit dem JAGGAER Predictive Order Management ist es nun möglich von einer reaktiven auf eine proaktive Vorgehensweise umzusteigen“, erklärt Michael Rösch.
Um genaue Vorhersagen treffen zu können, stützt sich der Algorithmus auf große Datenmengen. Daher ist die Anwendung speziell auf den direkten Einkauf mit seinem oft hohen Transaktionsvolumen ausgerichtet. Rösch: „Durch die Machine-Learning-Algorithmen des Predictive Order Managements werden die Vorhersagen im Laufe der Nutzung noch genauer.“
Be the first to comment