Verbesserung der Supply Chain Resilienz im strategischen Einkauf durch Künstliche Intelligenz

Master's Thesis , 2021 , 317 Pages , Grade: 1

Business economics - Miscellaneous

Die Arbeit untersucht, wie Künstliche Intelligenz als Tool gezielt im strategischen Einkauf eingesetzt werden kann, um die Supply Chain Resilienz zu stärken. Es wird aufgezeigt, wie die Eigenschaften von Künstlicher Intelligenz neben Effizienzsteigerung und Automatisierung auch zur Erhöhung der Supply Resilienz genutzt werden können. In der Master Thesis wird ein Model entwickelt, in dem Künstliche Intelligenz im Einkauf die verschiedenen Schlüsselfaktoren der Supply Chain stärkt und eine erste Potentialabschätzung durchgeführt, welche Anwendungen besonders vielversprechend sind.

Aktuelle Entwicklungen wie der Krieg in der Ukraine, weltweite Nahrungsmittelkrise oder Covid-19 zeigen eindrücklich auf, wie verletzlich unsere Lieferketten sind. Supply Chain Resilienz steht deshalb wieder ganz oben auf der Agenda der Unternehmungen. Der strategische Einkauf ist aufgrund der immer größeren externen Wettschöpfung stark gefordert. Doch wie können die immer mehr zur Verfügung stehenden Daten zielführend genützt werden, um die Resilienz zu erhöhen?

Inhaltsverzeichnis

Abstract / Management Summary

EINLEITUNGSTEIL

1 Einleitung
1.1 Hinführung und Problemstellung
1.2 Relevanz
1.2.1 Relevanz für die Forschung
1.2.2 Relevanz für die Praxis
1.3 Fragestellung
1.4 Zielstellung und erwartetes Ergebnis
1.5 Abgrenzung
1.6 Aufbau der Arbeit

THEORIETEIL

2 Begrifflichkeiten
2.1 Einleitung
2.2 Supply Chain
2.3 Supply Chain Resilienz
2.4 Strategischer Einkauf
2.5 Künstliche Intelligenz

3 Strategischer Einkauf und seine Aufgaben
3.1 Einleitung
3.2 Bedeutung des Einkaufs im Unternehmen
3.3 Die Einkaufsstrategie als Teil der Unternehmensstrategie
3.4 Kernaufgaben im strategischen Einkauf
3.5 Zwischenfazit

4 Faktoren zur Erhöhung der Resilienz in der Supply Chain
4.1 Einleitung
4.2 Entwicklung der Supply Chain und die Rolle der Supply Chain Resilienz
4.3 Schlüsselfaktoren der Supply Chain Resilienz und deren Einflussgrössen
4.3.1 Supply Chain Agilität
4.3.2 Supply Chain Robustheit
4.3.3 Supply Chain Zusammenarbeit
4.4 Aktivitäten des strategischen Einkaufs zur Stärkung der Supply Chain Resilienz
4.4.1 Überblick
4.4.2 Aktivitäten des strategischen Einkaufs zu Supply Chain-Agilität
4.4.3 Aktivitäten des strategischen Einkaufs zu Supply Chain-Zusammenarbeit
4.4.4 Aktivitäten des strategischen Einkaufs zu Supply Chain-Robustheit
4.5 Zwischenfazit

5 Künstliche Intelligenz und ihr Einsatzgebiet im strategischen Einkauf
5.1 Einleitung
5.2 Überblick des Themengebiets Künstliche Intelligenz
5.3 Maschinelles Lernen
5.4 Technologien der Künstlichen Intelligenz
5.5 Potential des Einsatzes von Künstlicher Intelligenz im strategischen Einkauf
5.6 Zwischenfazit

6 Einsatz von Künstlicher Intelligenz zur Unterstützung des strategischen Einkaufs zur Stärkung der Supply Chain Resilienz
6.1 Einleitung
6.2 Smarte Lieferantensuche
6.3 Risikoüberwachung und Frühwarnsysteme
6.4 Vollständige Transparenz in End-to-End Supply Chain
6.5 Synchronisierte Planung
6.6 Kontroll-Tower befähigt die Supply Chain
6.7 Vertragsmanagement
6.8 Theoriegeleitetes Kategorienmodell
6.9 Stand der Forschung
6.10 Zusammenfassung und Konkussion

EMPIRSCHER TEIL

7 Methodenteil
7.1 Einleitung
7.2 Untersuchung und Zielsetzung
7.3 Forschungsdesign
7.3.1 Erhebungsart und Ausgangssituation
7.3.2 Ausgangsituation
7.3.3 Auswertungsmethode
7.4 Operationalisierung
7.4.1 Experten und Expertinnen
7.4.2 Erstellung des Interviewleitfadens
7.5 Durchführung der Interviews
7.5.1 Reportage
7.5.2 Ablauf der Interviews und Transkription
7.6 Zwischenfazit

8 Auswertungsteil
8.1 Einleitung
8.2 Auswertung der Untersuchung
8.2.1 Kategoriensystem
8.3 Ergebnisse der Untersuchung
8.3.1 Ergebnisse Supply Chain Agilität
8.3.1.1 Ergebnisse Sichtbarkeit in der Supply Chain
8.3.1.2 Ergebnisse Produktstandardisierung
8.3.1.3 Ergebnisse Risikofrühwarnsystem
8.3.1.4 Flexibilisierung der Supply Chain
8.3.2 Ergebnisse Supply Chain Zusammenarbeit
8.3.2.1 Strategisches Lieferanten Management
8.3.2.2 Strategisches Relationship Management
8.3.3 Supply Chain Robustheit
8.3.3.1 Mehrquellenstrategie
8.3.3.2 Lagerhaltung
8.3.3.3 Steuerung der Beschaffungsrisiken
8.3.3.4 Allgemeine Erkenntnisse
8.4 Güterkriterien und Abgrenzung
8.5 Zusammenfassung Empirischer Teil und Konklusion

GESTALTUNGS- UND SCHLUSSTEIL

9 Gestaltungsteil
9.1 Einleitung
9.2 Interpretation, Diskussion und Reflektion
9.2.1 Diskussion und finale Modellierung Supply Chain Agilität
9.2.1.1 Diskussion Sichtbarkeit in der Supply Chain
9.2.1.2 Diskussion Produktstandardisierung
9.2.1.3 Diskussion Risikofrühwarnsystem
9.2.1.4 Diskussion Flexibilisierung der Supply Chain
9.2.1.5 Finale Modellierung Supply Chain Agilität
9.2.2 Diskussion und finale Modellierung Supply Chain Zusammenarbeit
9.2.2.1 Diskussion Strategisches Lieferantenmanagement
9.2.2.2 Diskussion Strategisches Relationship Management
9.2.2.3 Finale Modellierung Supply Chain Zusammenarbeit
9.2.3 Diskussion und finale Modellierung Supply Chain Robustheit
9.2.3.1 Diskussion Mehrquellenstrategie
9.2.3.2 Diskussion Lagerhaltung
9.2.3.3 Diskussion Steuerung von Beschaffungsrisiken
9.2.3.4 Finale Modellierung Supply Chain Robustheit
9.2.4 Diskussion allgemeine Erkenntnisse
9.3 Finale Modellierung der Supply Chain Resilienz
9.4 Empfehlung
9.5 Zusammenfassung des Gestaltungsteil und Konklusion

SCHLUSSTEIL

10 Zusammenfassung und Ausblick
10.1 Einleitung
10.2 Zusammenfassung und Fazit
10.3 Mehrwert für die Forschung
10.4 Mehrwert für die Praxis
10.5 Beantwortung der Forschungsfrage
10.6 Ausblick

Quellenverzeichnis

Verzeichnis der Darstellungen

Abbildungsverzeichnis

Anhänge
Anhang 1: Verfahren des maschinellen Lernens
Anhang 2: Herleitung des theoriegeleiteten Kategorienmodells
Anhang 3: Interviewleitfaden KI-Fachleute
Anhang 4: Interviewleitfaden SC-Fachleute
Anhang 5: Briefing KI-Fachleute
Anhang 6: Briefing SC-Fachleute
Anhang 7: Transkription Interview A
Anhang 8: Transkription Interview B
Anhang 9: Transkription Interview C
Anhang 11: Transkription Interview D
Anhang 12: Transkription Interview E
Anhang 13: Transkription Interview F
Anhang 14: Transkription Interview G
Anhang 15: Transkription Interview H
Anhang 15: Transkription Interview I
Anhang 16: Transkription Interview K
Anhang 17: Finales Kategorienmodel
Anhang 18: Allgemeine Erkenntnisse Interviews
Anhang 19: Inhaltliche und methodische Abgrenzung der Ergebnisse

Abkürzungsverzeichnis

Abb. Abbildung

AGI Artificial General Intelligence

AI Artificial Intelligent

CPO Chief Procurement Officer

CSCMP Council of Supply Chain Management Professionals

DL Deep Learning

eig. Darst. eigene Darstellung

ICI Icertis Contract Intelligence

IoT Internet of Things

Kap. Kapitel

KI Künstliche Intelligenz

KPI Key Performance Indicator

ML Machine Learning

RFI Request for Information

RFP Request for Proposal

ROI Return on Investment

RPA Robotic Process Automation

SC Supply Chain

SCM Supply Chain Management

SCR Supply Chain Resilienz

SEK Strategischer Einkauf

SLM Strategisches Lieferanten Management

SRM Strategisches Relationship Management

TCO Total Cost of Ownership (Gesamtkosten)

Abstract / Management Summary

Ressourcenknappheit, Klimawandel, Handelsstreit und Covid-19 sind unterschiedliche Entwicklungen, welche die Supply Chains verändern. Durch die enge Verzahnung werden diese Liefernetzwerke immer verletzlicher. Deshalb rückt das Thema Supply Chain Resilienz wieder vermehrt ins Zentrum. Durch hohe externe Wertschöpfungsketten ist der strategische Einkauf mit seinen mittel- und langfristigen Aufgaben stark gefordert. Ihm stehen immer mehr Daten zur Verfügung, doch wie können diese zielführend genutzt werden, um die Resilienz zu erhöhen?

Diese Arbeit setzt an dieser Stelle an und beschäftigt sich mit der Frage wie Künstliche Intelligenz eingesetzt werden kann, um den strategischen Einkauf zu unterstützen und die Supply Chain Resilienz zu stärken. Im theoretischen Teil wird zuerst das Aufgabengebiet des strategischen Einkaufs beleuchtet, relevante Schlüsselfaktoren der Supply Chain Resilienz identifiziert sowie ein Überblick erstellt, welche Massnahmen dem strategischen Einkauf zur Stärkung der Supply Chain Resilienz zur Verfügung stehen. Es werden Eigenschaften herausgearbeitet, wie Künstliche Intelligenz diese Aktivitäten unterstützen kann und in einem Modell dargestellt. Im empirischen Teil werden mit einer qualitativen Primärdatenerhebung Möglichkeiten erarbeitet, die dem strategischen Einkauf aus Praxissicht zur Verfügung stehen und wie Künstliche Intelligenz eingesetzt werden kann. Zur Erhebung der verbalen Daten werden Interviews mit Expertengruppen aus Supply Chain und Künstlicher Intelligenz durchgeführt, die Ergebnisse aus Theorie und Praxis einander gegenübergestellt, diskutiert und in einem finalen Kategorienmodell abgebildet, welches die zentralen Forschungsergebnisse darstellt. Eine erste Potentialabschätzung wird vorgenommen und eine Handlungsempfehlung abgegeben.

Die Untersuchungen haben ergeben, dass dem Einsatz von Künstlicher Intelligenz in der Supply Chain und Einkauf ein hohes Potential zugeschrieben wird, doch die meisten Anwendungen konzentrieren sich auf die Bereiche Effizienzsteigerung und Automatisierung. Es sind wenige Anwendungen in der wissenschaftlichen Literatur beschrieben, was die Befragung bestätigt. Über den Mehrwert eines Einsatzes im Bereich Supply Chain Resilienzsteigerung sind sich alle Fachleute einig, jedoch werden die Einsatzmöglichkeiten je nach Reifegrad des Unternehmens, Branche und Erfahrung sehr unterschiedlich bewertet. Auch hat sich gezeigt, dass in vielen Unternehmen das Potential erkannt wurde, aber in der Praxis noch nicht angewandt wird.

Zusammenfassend kann mit dieser Arbeit aufgezeigt werden, dass Künstliche Intelligenz zur Schaffung von Transparenz, Erstellung besserer Prognosen, Entscheidungsunterstützung, agilerer Anpassung und stetiger Verbesserung durch selbstlernende Systeme eingesetzt werden kann. Dies eröffnet dem strategischen Einkauf Möglichkeiten, neue Strategien einzusetzen um die Widerstandsfähigkeit zu erhöhen.

Diese Masterarbeit gibt für die Praxis einen ersten Überblick zu Eigenschaften und Anwendungsmöglichkeiten in der Resilienz-Stärkung und legt einen ersten kleinen Baustein in der Forschung zum Einsatz von Künstlicher Intelligenz in der Supply Chain Resilienz.

«Mehr als die Vergangenheit interessiert mich die Zukunft, denn in ihr gedenke ich zu leben»

Albert Einstein (1879 - 1955)

EINLEITUNGSTEIL

1 Einleitung

In diesem Teil der Arbeit geht die Autorin auf die zugrundeliegende Problemstellung ein und zeigt den Mehrwert dieser Arbeit auf. Des Weiteren wird auf die Frage- und Zielstellung sowie die zu erwarteten Ergebnisse eingegangen. Darüber hinaus werden notwendige Abgrenzungen vorgenommen und mit der Gliederung der Masterarbeit schliesst dieser Teil ab.

1.1 Hinführung und Problemstellung

Die Covid-19 Pandemie hat deutlich gezeigt wie verletzlich die Lieferketten in einer globalisierten Welt sind. Fabriken und Grenzen wurden zum Teil geschlossen und Unternehmen konnten ihre Versorgung nur noch mit grossen Anstrengungen aufrecht erhalten oder wurden sogar lieferunfähig. Plötzlich kam es zu Engpässen bei sonst unkritischen Standardprodukten wie zum Beispiel persönlicher Schutzausrüstung oder bei alltäglichen Produkten wie Toilettenpapier, Reinigungs- und Desinfektionsmittel, die bis zu diesem Zeitpunkt nicht sehr weit oben auf der Agenda des Einkaufs standen (John, 2021). Trotz einer Erholung der Wirtschaft nach dem zweiten Lockdown Anfangs 2021 blieben die Beschaffungsmärkte sehr angespannt. Aufgrund steigender Bedarfe kombiniert mit einer starken Nachfrage aus China, einer Reduktion der Transportkapazitäten im Frachtbereich und dem Zusatzbedarf für Impfstoffproduktionen kam es zu extremen Verknappungen, und der Markt wandelte sich in einen Verkäufermarkt. Starke Engpässe, gekoppelt mit explodierenden Preisen, sind auf einer breiten Basis bei Rohstoffen, Verpackungen und Elektronik sowie Energie und Transport zu sehen. Die Lieferketten sind anfällig, verwundbar und volatil geworden und die Unternehmen kämpfen zusehens mit Versorgungsproblemen (Berger, 2021). Störungen wie die Unpassierbarkeit des Suezkanals, als ein querliegender Frachter tagelang die Durchfahrt blockierte und der durch Corona-Massnahmen verursachte Stau im chinesischen Hafen Yantian bei Shenzhen stellen eine Bedrohung für den Welthandel dar (Peter, 2021). Diese Ereignisse zeigen, wie gross die Verletzlichkeit auf Grund der Verzahnung und Optimierung heutiger Liefernetzwerke bei einer Disruption ist.

Gemäss der Studie Global Chief Procurement Officer Survey von 2021 von Deloitte müssen sich Beschaffungsorganisationen durch die zunehmenden Risiken wie Versorgungsunterbrechungen, Rohstoff- und Welthandelsrisiken, Cyber-Bedrohungen oder Risiken zum Geistigen Eigentum diesen Herausforderungen stellen. Über die Pandemie hinaus betrachtet hat in jüngster Zeit die Komplexität in der Supply Chain (SC), der Anteil an extern zugekauften Produkten und Dienstleistungen und Innovationen mit externen Lieferpartnern zugenommen und dem Einkauf so die Türen als strategischen Partner im Unternehmen geöffnet. Rund 70% der CPOs sind der Meinung, dass sie die Risiken ihrer direkten Tier-1 Lieferanten kennen, doch nur 26% sind in der Lage, die Risiken innerhalb der gesamten Zulieferbasis vorherzusagen. Lediglich 15% der befragten Organisationen haben einen Einblick zu Tier-2 Lieferanten oder darüber hinaus. Gerade die Covid-19-Pandemie hat verdeutlicht, dass eine Notwendigkeit besteht, die Risiken des gesamten Lieferantennetzwerkes zu kennen (Kilpatrick et al., 2021). Hier ist der strategische Einkauf (SEK) mit seinem mittel- und langfristigen Fokus gefordert, nachhaltige Massnahmen umzusetzen, um die Supply Chain Resilienz (SCR) zu erhöhen. Doch welche Werkzeuge stehen dem SEK zur Verfügung, um die SCR zu stärken?

Heute ist die Herausforderung, dass eine immer grössere Anzahl von Daten dem Einkauf zur Verfügung steht, diese Daten jedoch in strukturierter oder unstrukturierter Form an unterschiedlichsten Orten in Silos gespeichert sind. Aussagen mit diesen brachliegenden Daten können oft nur mit sehr hohem manuellen Aufwand getätigt werden, weil diese Daten mehrheitlich in unverknüpfter Form vorliegen. Künstliche Intelligenz (KI) bietet die Möglichkeit, diese gesammelten Daten für die SC schnell auszuwerten und über Risiken zu informieren bevor diese überhaupt auftreten, oder um Störungen schneller zu beheben (Geilgens, 2021). Dies sind neue Werkzeuge, mit denen die Versorgung der Unternehmen besser gesteuert und die SCR gestärkt werden kann (John, 2021).

Gemäss Buxmann und Schmidt (2019) werden durch die zunehmende Vernetzung von Maschinen laufend mehr Daten produziert und KI wirkt für die Nutzung der Big Datas als Treiber für die branchenweit vernetzten SC. Der Bedarf an KI-basierten Systemen zur Sammlung, Verknüpfung, Automatisierung und Auswertung der Big Datas als Wettbewerbstreiber für die Unternehmen steigt. Sie sind deshalb zur Überzeugung gekommen:

„Wenn Daten das Öl des 21. Jahrhunderts sind, so ist KI der Motor, der diesen Kraftstoff nutzen kann. Gemeinsam bilden sie die ,Kraftquelle’ für die Digitalisierung“ (Buxmann & Schmidt, 2019, S. 157).

Diese Aussage verdeutlicht das grosse Potential der Nutzung von Daten mit KI eindrücklich. Auch für die Bereiche SC und Einkauf wird der KI ein sehr grosser Nutzen zugeschrieben. Einer Umfrage von Forrester im März 2021 zufolge sehen 50% der befragten Einkaufsverantwortlichen den Einsatz von KI für die Automatisierung und Entscheidungsunterstützung als den Value Driver im Einkauf. KI wird helfen das Tagesgeschäft zu automatisieren, damit sich der Einkauf auf die strategischen Prioritäten konzentrieren kann (Spend et al., 2021). Es illustriert, dass KI vornehmlich zur Steigerung der Effizienz eingesetzt wird um Ressourcen im Einkauf freizusetzen, damit sich dieser zukünftig mehr um wertschöpfende und strategische Tätigkeiten kümmern kann.

Mit diesem Hintergrundwissen stellt sich für die Autorin die Frage, ob und wie KI für die Stärkung der SCR eingesetzt werden kann. Wie sehen die Anwendungsmöglichkeiten für KI aus und welche sind am vielversprechendsten.

1.2 Relevanz

Die Relevanz, beziehungsweise der Nutzen dieser Arbeit, kann in die Bereiche Relevanz für die Forschung und Relevanz für die Praxis eingeteilt werden, wobei auf den Nutzen für die Praxis bereits in der Hinführung eingegangen wurde.

1.2.1 Relevanz für die Forschung

Bei der Auseinandersetzung mit dem Stand der Literatur erkennt man, dass ein breites Spektrum an wissenschaftlichen Arbeiten, Büchern und Fachartikel im Bereich KI und SCR verfügbar ist. Und obschon das Potential für den Einsatz von KI im Einkauf von Expertinnen und Experten als hoch eingeschätzt wird, ist über KI-Anwendungsmöglichkeiten für die SCR im SEK allgemein sehr wenig Literatur in Form von Whitepapers, Use Cases oder generellen Fachartikeln vorhanden. Es liegen zurzeit noch keine wissenschaftlich fundierten Erkenntnisse zum Einsatz von KI-Anwendungen im SEK zur Unterstützung der SCR vor. Auch fehlt eine komplette Anordnung der bereits existierenden und möglichen Anwendungen.

1.2.2 Relevanz für die Praxis

Aufgrund langer, komplexer und optimierter Liefernetzwerke und angesichts aktueller Ereignisse steigen die Lieferrisiken und Verletzlichkeiten, und die Stärkung der SCR rückt immer mehr ins Zentrum. Das End-to-End Supplier Netzwerk besser zu verstehen ist eine wichtige Fähigkeit, um zukünftig agiler zu werden (Kilpatrick et al., 2021). Hier kann mit Hilfe von intelligenter Datennutzung durch KI mehr SCR erreicht werden (Geilgens, 2021). Zurzeit liegt der Fokus der Nutzung von KI mehrheitlich im Bereich der Effizienzsteigerung und Automatisierung. Obwohl auch hier der KI ein hohes Potential beigemessen wird, ist aktuell noch kein Überblick verfügbar, wie KI konkret für die Stärkung der SCR lieferantenseitig eingesetzt werden kann.

Die vorliegende Arbeit soll durch eine empirische Untersuchung, speziell auf die Einsatzmöglichkeiten im SEK ausgerichtet, dazu beitragen, die Forschungslücke zu schliessen und für die Praxis eine Übersicht dieser Möglichkeiten mit einer Abschätzung des Potentials der Anwendungen aufzeigen.

1.3 Fragestellung

Basierend auf der erläuternden Problemstellung und Relevanz lässt sich für diese Arbeit folgende zentrale Fragestellung festlegen:

Abbildung in dieser Leseprobe nicht enthaltenAbb. 1: Zentrale Forschungsfrage (eig. Darst.)

Daraus ergeben sich folgende, sekundäre Fragestellungen, die in den verschiedenen Teilen der Arbeit beantwortet werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Sekundäre Fragestellungen, (eig. Darst.)

Die theoriegeleitete Fragestellung stützt sich auf Aussagen der Literatur und das Resultat stellt die Grundlage für die Empirie dar. Die empiriegeleitete Fragestellung dient zur Erhebung der Daten. Abschliessend wird im Gestaltungsteil die gestaltungsgeleitete Fragestellung beantwortet. Jede einzelne Sekundärfrage leistet einen Beitrag, um die zentrale Forschungsfrage zu beantworten.

1.4 Zielstellung und erwartetes Ergebnis

In der Praxis wird KI mehrheitlich zur Automatisierung und Erhöhung der Effizienz verwendet. Mit dieser Arbeit soll untersucht werden, wie KI für die Stärkung der SCR im SEK eingesetzt werden kann. Es soll ein Überblick erstellt werden, welche KI-Anwendungen heute schon zur Verfügung stehen, wie zukünftige Anwendungen aussehen könnten und wie das Potential von Fachleuten aus der Praxis bewertet wird.

Unter den erwarteten Ergebnissen sind an dieser Stelle nicht Untersuchungsergebnisse gemeint, sondern thematische, welche die einzelnen Teile der Arbeit liefern, um ein Gesamtresultat zu erzielen. Dabei teilen sich die Resultate wie folgt auf:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 3: Erwartete Ergebnisse (eig. Darst.)

1.5 Abgrenzung

Da der SEK mit seiner mittel- und langfristigen Ausrichtung die SCR strategisch dauerhaft beeinflusst und das Aufgabengebiet zum operativen Einkauf klar abgetrennt werden kann, wird ausschliesslich auf den SEK eingegangen. Des Weiteren wird die Arbeit auf die schwache KI eingegrenzt, weil heute in diesem Bereich die meisten Anwendungen stattfinden (Sammalkorpi & Teppala, 2019). Der Bereich der starken KI wird nicht berücksichtigt. Es wird bewusst auch nicht detailliert auf das Themengebiet Big Data eingegangen, wenngleich dieses eine der wichtigsten Grundlage und Voraussetzung für den erfolgreichen Einsatz von KI ist. Da die KI-Forschung in anderen Ländern auf unterschiedlichem Niveau ist wurden für die Datenerhebung ausschliesslich in der Schweiz tätige Fachleute befragt, um das Ergebnis nicht zu verfälschen.

1.6 Aufbau der Arbeit

Die vorliegende Masterarbeit gliedert sich in die sechs Abschnitte Einleitung, Theorieteil, Empirie, Gestaltung, Handlungsempfehlung und Schlussteil. In Abb. 4 sind die Kernelemente der Theorie, der Empirie und des Gestaltungsteils, die zur Beantwortung der Forschungsfrage benötigt werden, thematisch visualisiert.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 4: Kernelemente der Masterarbeit, (eig. Darst.)

In der Einleitung wird die Ausgangslage dargestellt und auf die zentrale Fragestellung eingegangen.

Im zweiten Teil werden in Kap. 2 bis 6 anhand von relevanter Literatur der Stand der Forschung betrachtet und die Grundlagen für die Beantwortung der theoriegeleiteten Fragestellung erstellt. Wie in Abb. 4 aufgeführt, werden basierend auf fundierter Fachliteratur Schlüsselfaktoren herausgearbeitet, die einen signifikanten Einfluss auf die Erhöhung der SCR haben, und mit welchen Aktivitäten der SEK diese unterstützen kann. Anhand von Use Cases und Whitepapers werden konkrete Anwendungsmöglichkeiten vorgestellt, wie KI zur Erhöhung der SCR eingesetzt wird. Der Theorieteil schliesst mit einer Konklusion ab, in der die wichtigsten Erkenntnisse nochmals aufgezeigt und danach im Empirieteil aus Praxissicht bewertet werden.

Basierend aus den Ergebnissen aus der Theorie wird im dritten Teil in Kap. 7 bis 8 durch eine qualitative Erhebung mit halbstandardisierten Experteninterviews die empiriegeleitete Fragestellung beantwortet. Es wird zunächst dargelegt, wie die empirische Untersuchung vorbereitet und durchgeführt wurde, bevor auf die Inhaltsanalyse und deren Resultate eingegangen wird.

Der vierte Teil beschäftigt sich in Kap. 9 mit der Gestaltung der Resultate. Zur Beantwortung der gestaltungsgeleiteten Fragestellung werden die Resultate aus der Inhaltsanalyse des dritten Teils mit den Erkenntnissen aus dem Theorieteil diskutiert. Darauf aufbauend werden Schlussfolgerungen aus den gewonnenen Verständnissen abgeleitet und eine Handlungsempfehlung für die Praxis erarbeitet. Zum Abschluss werden in Kap. 10 nochmals die wichtigsten Erkenntnisse zusammengefasst, der Mehrwert aufgezeigt und ein Blick in die Zukunft geworfen.

THEORIETEIL

In diesem Teil definiert die Autorin die wichtigsten Begrifflichkeiten, die im Zusammenhang mit dieser Arbeit stehen. Auf Basis dieser werden die relevanten Themenfelder mit Bezug auf die verfügbare Literatur beleuchtet, damit in der Konklusion eine Grundlage für den empirischen Teil geschaffen werden kann.

2 Begrifflichkeiten

2.1 Einleitung

Dieses Kapitel soll ein Verständnis für die zentralen Begrifflichkeiten schaffen, die in dieser Masterthesis verwendet werden. Die Autorin wird diese Begriffe im Kontext zu dieser Arbeit diskutieren und festlegen.

2.2 Supply Chain

In der Literatur sind keine einheitlichen Begriffe für die SC zu finden. Ganeshan & Harrison (1995) definieren die SC als vertikale Lieferkette, die von der Rohstoffentstehung, deren Beschaffung, über die Verarbeitung und Lagerung der Produkte, bis zur Auslieferung an die Endverbrauchenden reicht. Das Council of Supply Chain Management Professionals CSCMP hingegen spricht bei der SC von einem Warenfluss, der alle Beteiligten von der Rohstoffgewinnung bis zum Endprodukt verknüpft, und den Waren- sowie den Informationsfluss von Lieferanten und Dienstleistern regelt (Vitasek, 2013). In dieser Definition ist neben dem Warenfluss auch der Informationsfluss berücksichtigt.

Govil & Porth (2002) wiederum definieren die SC als ein globales Netzwerk von Unternehmen, in dem für eine maximale Kundenzufriedenheit der Waren- und Informationsfluss mit höchster Geschwindigkeit und bestmöglichen Kosten optimiert wird. Mit dieser Definition wird der Tatsache Rechnung getragen, dass die SC immer komplexer wird. Sie wandelt sich durch zunehmende Globalisierung von einem linearen Warenfluss in globale Netzwerke, die Zusammenarbeit wird enger und die Prozesse der Unternehmen werden immer mehr integriert. Die Kundschaft steht im Zentrum und es eröffnen sich Chancen, durch hohen Servicegrad, Informationsvorsprung und Kostenvorteile eine Differenzierung zu erreichen.

Steven & Klünder & Reder (2019) visualisieren in Abb. 5 die SC als ein komplexes Netzwerk aus verschiedenen Knoten, bei dem alle Unternehmen in einer Beziehung stehen und gemeinsam eine Leistung erbringen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 5: Schematische Darst. der SC als SC-Network (Steven et al., 2019, S. 250)

Trotz all dieser unterschiedlichen Definitionen ist erkennbar, dass sich die SC fortlaufend in ein komplexeres, integrierteres und digitaleres Netzwerk formt. Daraus kann folgende Definition abgeleitet werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 6: Definition Supply Chain (eig. Darst.)

2.3 Supply Chain Resilienz

Der Begriff Resilienz wird aus dem Lateinischen von «resilire» abgeleitet, was «zurückspringen» oder «abprallen» bedeutet, und wird am häufigsten in der Psychologie eingesetzt. Resilienz beschreibt die Fähigkeit von Menschen, schwierige Lebensumstände mittels psychischer Widerstandskraft ohne anhaltende Beeinträchtigung zu überstehen (Duden, 2021b).

Eingesetzt im Kontext von SC wird mit dem Begriff Resilienz auf die Resistenz einer Lieferkette eingegangen. CSCMP definiert die SCR als Grad der Widerstandfähigkeit einer Lieferkette gegenüber Katastrophen (Vitasek, 2013).Diese einfache Definition geht nur auf eine Dimension der Robustheit von SC in Zeiten von Krisen ein. Fiksel et al. (2015) hingehen definieren die SCR als die Fähigkeit von Unternehmen, turbulente Veränderungen zu überleben, sich anzupassen und daran zu wachsen. Diese Definition ist weiter gefasst und veranschaulicht Fähigkeiten und die Chance, durch einen Lernprozess gestärkt aus einer Krise heraus zu kommen.

Tukamuhabwa et al. (2015) zeigen im Rahmen ihrer Literaturrecherchen, dass keine einheitliche Definition der SCR verfügbar ist und die Kosteneffizienz in den Definitionen fehlen. Sie interpretierten die SCR als die Anpassungsfähigkeit bei Lieferkettenstörungen. Diese beinhaltet die Vorbereitung auf Störungen, den frühzeitigen Umgang mit diesen und eine schnellstmögliche und kosteneffiziente Behebung, um wieder auf oder über das ursprüngliche Niveau zu gelangen. Diese weiterführende Definition geht auf die verschiedenen Phasen proaktives Management der Widerstandsfähigkeit, Wichtigkeit der Geschwindigkeit und Wirtschaftlichkeit bei der Behebung einer Störung in der SC ein. Biedermann (2018) wiederum hat die Definition von Tukamuhabwa et al. wie folgt weiter entwickelt:

Abbildung in dieser Leseprobe nicht enthalten

Abb.7: Definition Supply Chain Resilienz (Biedermann, 2018, S. 49)

Hier ist die Sichtweise, dass sich die Resilienz in der Lieferkette durch ihre Vorbereitung auf ungeplante Ereignisse und ihre Anpassungsfähigkeit auszeichnet und dies ein Wettbewerbsvorteil für das Unternehmen bringen kann.

Die Autorin wird für die weiterführende Arbeit die Definition von Biedermann für SCR verwenden, weil sie eine ganzheitliche Betrachtungsweise umfasst, auf die Eigenschaften und Phasen der SCR eingeht und die Ziele mitberücksichtigt.

2.4 Strategischer Einkauf

Eine exakte Begriffsdefinition für den Bereich Einkauf ist in der Literatur nicht zu finden. Während nach Arnolds et al. (2016) der Einkauf mehrheitlich für operative Tätigkeiten mit reiner Bestelltätigkeit verantwortlich ist, spricht Stollenwerk (2013) beim Einkauf von Wertschöpfungsmanagement. Er begründet seine Definition mit einer fortschreitenden Entwicklung in den Unternehmen. Mit der Globalisierung und dem damit verbundenen Aufbau von internationalen Geschäftsbeziehungen und einem immer grösseren Anteil von zugekaufter Wertschöpfung hat sich die Hebelwirkung der eingekauften Güter verändert. In den letzten 50 Jahren hat sich die Rolle des Einkaufs und seine Bedeutung im Unternehmen mit zunehmender Digitalisierung und Wettbewerbsdruck gewandelt.

Abbildung in dieser Leseprobe nicht enthalten

Abb.8: Entwicklung der Einkaufsorganisation, Darst. entnommen (Stollenwerk, 2013, S. 20)

Jedoch sind sich alle Autoren einig, dass der Einkauf als Beschaffungsfunktion für Waren, Betriebsmittel und Dienstleistungen für die Leistungserbringung eines Unternehmens in der SC stromaufwärts einzuordnen ist (Arnolds et al., 2016; Lorenzen & Krokowski, 2018; Stollenwerk, 2013; Weigel & Rücker, 2015).

Weigel & Rücker (2015) weisen darauf hin, dass die klassischen Begriffe wie Beschaffung und Materialwirtschaft immer häufiger durch modernere Begriffe wie SEK, Supply Management oder Global Procurement ersetzt werden. Sie unterscheiden zwischen dem operativen Einkauf, der sich um das Tagesgeschäft kümmert und als Materialdisposition oft auch bei der Planung angesiedelt ist, und dem SEK, der für Strategien die über das Tagesgeschäft hinausgehen, verantwortlich ist, und Rahmenbedingungen für den operativen Einkauf schafft. Der SEK kümmert sich um die langfristige, strategische Ausrichtung der Beschaffungsaktivitäten, die aus den Unternehmenszielen abgeleitet sind. Diese Aktivitäten beinhalten unter anderem die Erstellung von Gesamteinkauf-, Warengruppen-, und Lieferantenrisikostrategien sowie das strategische Sourcing, bis hin zum Vertragsabschluss und dem Aufbau von langfristigen Partnerschaften im strategischen Beziehungsmanagement mit Lieferanten.

Hess & Laschinger (2019) begründen die unterschiedlichen Begriffsverwendungen des SEK durch die unterschiedlichen Reifegrade der einzelnen Einkaufsorganisationen. Sie sprechen von der strategischen Transformation als eine durchgehende, strategisch ausgerichtete, externe Wertschöpfung im SEK. Zusammenfassend lässt sich folgende Arbeitsdefinition für den strategischen Einkauf ableiten:

Abbildung in dieser Leseprobe nicht enthalten

Abb.9: Definition strategischer Einkauf, (eig. Darst.)

Weder in der wissenschaftlichen Literatur noch in der Praxis wird zwischen Einkauf und Beschaffung klar abgegrenzt. In dieser Arbeit wird auf eine Differenzierung verzichtet und die Begriffe Beschaffung und Einkauf werden gleichgestellt. Eine Unterscheidung findet nur zwischen operativem und strategischem Einkauf statt.

2.5 Künstliche Intelligenz

Auch für den Begriff KI gibt es keine einheitliche Definition. Buxmann und Schmid (2019) nennen als Gründe die Breite des Themas und die Schwierigkeit einer nicht einheitlichen Begriffsdefinition für Intelligenz. Duden definiert Intelligenz als „die Fähigkeit [des Menschen], abstrakt und vernünftig zu denken und draus zweckvolle Handlungen abzuleiten“ (Duden, 2021a, Teil 2). Das Gabler Wirtschafslexikon hingegen leitet Intelligenz aus der Psychologie ab und beschreibt sie als das erworbene, kognitive Wissen und Können, welches zu einem bestimmten Zeitpunkt abgerufen werden kann. Es wird zwischen logischem Denken und Problemlösung „fluide Intelligenz“ sowie Wissen und Erfahrungen „kristalline Intelligenz“ unterschieden (Maier, 2021, Teil 1). Durch die differenzierten Definitionen wird erkennbar, dass Intelligenz sehr unterschiedlich verstanden werden kann, da sie eine nicht direkt beobachtbare und unterschiedlich messbare Grösse ist.

Und auch acatech (2021) weisen darauf hin, dass keine allgemein gültige Definition für KI verfügbar ist. Sie ordnen KI als Zweig der Informatik ein, die durch den Einsatz von Algorithmen kognitive Aufgaben in IT-Systemen umsetzt. Unter KI verstehen sie ein lernendes System, welches ähnliche Fähigkeiten wie die menschliche Intelligenz aufweist, mit dem Ziel, Computersysteme, Roboter und Maschinen zu trainieren, um so eigenständig Aufgaben und Probleme ohne eine Interaktion durch den Menschen zu lösen. Sievo bestätigt die Aussage, dass KI als Teilgebiet der Informatik und als Überbegriff für Technologien steht, die es Maschinen ermöglicht, menschenähnliches Verhalten zu zeigen. Die heute eingesetzte KI wird als schwache KI bezeichnet, da sie sich nur auf ihr eingegrenztes Aufgabengebiet konzentriert für das sie entwickelt wurde, und Erfahrungen nicht auf andere Situationen übertragen kann (Sammalkorpi & Teppala, 2019). Mit der starken KI, auch Artificial General Intelligence (AGI) genannt, sind Systeme in der Lage wie ein Mensch zu denken und erfolgreich intellektuelle Aufgaben auszuführen. Häufig werden bei AGI auch Merkmale wie Bewusstsein oder Empathie genannt, damit gemeint ist die Fähigkeit, Zusammenhänge zu erkennen und gelernte Erfahrungen auf andere Situationen zu übertragen (Affentranger, 2021; Buxmann & Schmidt, 2019). Da in dieser Arbeit nicht auf AGI eingegangen wird, wird starke KI aus der Definition ausgeschlossen.

Kreutzer und Sirrenberg (2019) und Chui & McCarthy (2015) beschreiben KI als die Fähigkeit einer Maschine, kognitive Aufgaben wie Wahrnehmung und Argumentation, eigenständiges Lernen und selbständiges Lösen von Problemen auszuführen, die wir mit menschlicher Intelligenz verbinden.

Sievo und acatech ordnen KI als Teilgebiet der Informatik ein. Alle Autoren beziehen sich bei der Definition von KI auf ein lernendes System. Aufgrund der Gemeinsamkeiten der unterschiedlichen Definitionen und Abgrenzungen kann folgende Arbeitsdefinition abgeleitet werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 10: Definition Künstliche Intelligenz (eig. Darst.)

3 Strategischer Einkauf und seine Aufgaben

3.1 Einleitung

In diesem Kapitel wird ein Verständnis für die Bedeutung des Einkaufs für ein Unternehmen geschaffen und eine Übersicht erstellt, welche Ziele der Einkauf generell verfolgt, und um welche Kernaufgaben sich der SEK kümmert. Dies soll ein Verständnis für die in Kap. 4 beschrieben Aktivitäten verschaffen, die der Einkauf im Kontext von SCR übernehmen kann.

3.2 Bedeutung des Einkaufs im Unternehmen

Je nach Unternehmen ist nebst dem Einkauf ein breites Spektrum an Aktivitäten wie Import, Shipping, Planung, Distribution, Lager und Kundendienst dem Supply Chain Management (SCM) zugeordnet und unterschiedlich organisiert. Eine Eigenschaft haben jedoch alle diese Aktivitäten gemeinsam; sie sind Teil eines Netzwerks um Produkte, Dienstleistungen und Informationen effizient und effektiv in die SC einfliessen zu lassen. Viele Unternehmen implementieren den Einkauf als Hauptaktivität des SCM, weil die Beschaffungsfunktionen eine wichtige Rolle bei der Wertschöpfung und den Kosten spielen (Khan & Yu, 2019). Mit dem Trend der Reduktion von Fertigungstiefen und zunehmender Konzentration auf Kernkompetenzen findet laufend eine Erhöhung der externen Wertschöpfung statt. Inzwischen liegt der Materialkostenanteil bei vielen Unternehmen bereits bei über 50% und der Einkauf verantwortet den grössten Teil der Unternehmensausgaben. Eine ROI-Betrachtung verdeutlicht den Hebel, welcher der Einkauf auf das Betriebsergebnis und die Rentabilität hat.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 11: Einfluss des Einkaufs auf Return on Investment in Mio. Euro, aufgezeigt am DuPont System (Weigel & Rücker, 2013, S. 6).

Anhand dieses Beispiels wird in Abb. 11 aufgezeigt, dass bei einem Zukaufanteil von 50% auf die Selbstkosten, eine 4%ige Materialkostensenkung zu einer 26%igen Steigerung des ROI führt. Es zeigt eindrücklich auf, wie gross der Einfluss des Einkaufs bei der Optimierung der Materialkosten, Vorräte, liquiden Mittel und Sachanlagen ist (Weigel & Rücker, 2015).

Durch diesen kostenorientierten Ansatz wurden Einkaufsorganisationen häufig ausschliesslich über finanzielle Ziele gesteuert. In vielen Unternehmen hat jedoch seit längerem ein Umdenken zu einem Share Value-Ansatz stattgefunden, bei dem der Unternehmenserfolg aus Sicht der Investoren an der Steigerung des Unternehmenswertes gemessen wird. Somit verändert sich die rein kostenorientierte Betrachtung in eine wertorientierte, bei welcher sich der Einkauf an den Werttreibern als strategische Erfolgsfaktoren orientiert (Stollenwerk, 2013). Wie die Unternehmensstrategie auf die Einkaufsstrategie heruntergebrochen wird, ist im nachfolgenden Kapitel beschrieben.

3.3 Die Einkaufsstrategie als Teil der Unternehmensstrategie

In Abb.12 sind im Strategiehaus sind die überordneten Unternehmenswerte und von der Beschaffung als Teil der SC die Gesamteinkaufsstrategie, Kernaufgaben, Core Enabler und das Fundament visuell dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 12: Strategie House eig. Darst. in Anlehnung an BCG’s Procurement House (Schnellbächer & Weise, 2020, S. 3) und House of Purchasing & Procurement (Strohmer et al., 2020, S. 54).

Das Dach stellt die Werte des Unternehmens und der SC dar, die für die Einkaufsorganisation relevant sind. Aus diesen Werten sowie aus der Unternehmens- und SC-Strategie wird eine klare und übergreifende Einkaufsstrategie definiert, welche die übergeordneten Ziele und Strategien für den Einkauf vorgibt. Mit den Kernaufgaben werden die vorgegebenen Ziele des Einkaufs umgesetzt. Die Organisation, die Prozesse, Mitarbeitende, eine Leistungsmessung und die Zusammenarbeit sind die Enabler, um die Aufgaben und die Strategien des Einkaufs auszuführen. Digitale Tools und Systeme unterstützen alle Ebenen des Strategiehauses und ermöglichen, diese effizienter und effektiver umzusetzen (Schnellbächer & Weise, 2020; Strohmer et al., 2020).

Der SEK verfolgt das Ziel, Lieferanten zu strategisch langfristigen Partnern zu entwickeln, diese früh in den Entwicklungsprozess miteinzubinden um so wertvolle Innovationen ins Unternehmen zu bringen, Beschaffungsmärkte optimal zu erschliessen, zusätzlichen Wert zu generieren und die Gesamtkosten zu optimieren. In den vernetzten Liefernetzwerken dürfen jedoch die Risiken nicht aus den Augen verloren gehen, deren Minderung mit der SCR sichergestellt werden kann (Weigel & Rücker, 2015).

3.4 Kernaufgaben im strategischen Einkauf

Eine der Kernaufgaben des SEK zur Erreichung der mittel- und langfristen, strategischen Ziele ist das Category Management. Mit diesem definiert der SEK beschaffungsmarktorientiert die Warengruppen und erarbeitet und implementiert zusammen mit seinen relevanten Stakeholdern und anhand der Unternehmens- und Einkaufsstrategie die spezifische Warengruppenstrategie. Das ermöglicht eine Spezialisierung der Mitarbeitenden im SEK und eine fokussierte Vorgehensweise auf die unterschiedlichen Bereiche des Beschaffungsportfolios, um die Einkaufsziele zu erreichen. Mit der Erstellung einer Warengruppenstrategie werden auch strategische Aktivitäten im Risikomanagement zur Erhöhung der SCR, für Innovation und Nachhaltigkeit, sowie Qualität und Wertmaximierung definiert, und die grundlegenden Strategien in Zusammenarbeit mit den Lieferpartnern festgelegt. Damit bricht das Warengruppenmanagement die übergeordnete Einkaufsstrategie auf die einzelnen Kategorien herunter, gibt die Stossrichtung vor und steuert die Aktivitäten im Sourcing, im Risikomanagement und in der Optimierung von Prozessen und Produkten (Stollenwerk, 2013).

Ein weiterer Schwerpunkt des SEK liegt im strategischen Lieferanten Management (SLM) und im strategischen Relationship Management (SRM). Die Zusammenarbeit und Einstellung gegenüber Lieferanten hat sich in vielen Unternehmen grundlegend verändert. Mit den Reduktionen der Fertigungstiefen sind Lieferanten heute kritische Erfolgsfaktoren und beeinflussen den Erfolg eines Unternehmens massgeblich. Im Brennpunkt stehen Themen wie Lieferanteninnovation, Optimierung der Lieferantenstruktur und die Entwicklung der Lieferanten bis zur Partnerschaft (Arnolds et al., 2016). Im SLM steuert der SEK den gesamten Lebenszyklus, beginnend bei der Auswahl, weiter über die Qualifizierung bis hin zur Entwicklung und Bewertung von Lieferanten (Weigel & Rücker, 2015). Die richtige Auswahl geeigneter Lieferpartner ist heute von strategischer Relevanz. Um die grosse Anzahl von Bezugsquellen zu managen, wird im SRM mit Hilfe einer Segmentierung der Lieferantenbasis festgelegt, wie und mit wem soll zusammengearbeitet werden. Der Fokus in der Beziehung liegt auf den externen, strategischen Partnern, mit denen der SEK eine langfristige Zusammenarbeit aufbaut, die auch gepflegt werden muss. Um die Anforderungen des Unternehmens abzudecken und die Schnittstellen zu den Lieferpartnern sicherzustellen, ist zudem eine enge Zusammenarbeit mit den internen Stakeholdern notwendig (Stollenwerk, 2013).

Das Sourcing stellt die taktische Umsetzung der definierten Strategien dar. Dabei betreut der SEK den Source-to-Contract Prozess. Dieser beinhaltet die Lieferantensuche, den gesamten Ausschreibungsprozess und die Verhandlung bis zum endgültigen Vertragsabschluss (Büsch, 2011).

Im Risikomanagement hat der SEK die Aufgabe, Risiken zu reduzieren, zu vermeiden oder zu steuern. Dazu wendet er einen Prozess zur Identifizierung und Klassifizierung von Risiken an und leitet daraus langfristige Massnahmen ab, um die SC resilienter zu machen (Weigel & Rücker, 2015). Auf die Aktivitäten des SEK zur Stärkung der SCR wird in Kap. 4.4 ausführlicher eingegangen.

3.5 Zwischenfazit

Die Bedeutung des Einkaufs hat durch die hohe externe Wertschöpfung stark zugenommen und stellt als kritischer Erfolgsfaktor nebst der Versorgungssicherung auch die strategischen Ziele in den Bereichen Qualität, Nachhaltigkeit, SCR, Innovation und Wertmaximierung sicher. Durch das Category Management werden zugeschnittene Strategien für das Beschaffungsportfolio entwickelt und umgesetzt. der SEK schlägt Im SRM eine Brücke vom Lieferanten zum Stakeholder, pflegt diese Beziehungen und steuert die Lieferpartner im SLM.

4 Faktoren zur Erhöhung der Resilienz in der Supply Chain

4.1 Einleitung

In diesem Kapitel wird auf die Entwicklung in der SC und auf die Wichtigkeit der SCR eingegangen. Die Eigenschaften und Einflussfaktoren einer resilienten SC werden beleuchtet sowie Aktivitätsfelder identifiziert, mit denen der SEK die SCR stärken kann.

4.2 Entwicklung der Supply Chain und die Rolle der Supply Chain Resilienz

COVID-19 hat gezeigt, wie verletzlich die vernetzten, globalen SC sind. Erste Anzeichen dieses nicht vorhersehbaren Ereignisses, auch als Black Swan bezeichnet, war eigentlich schon im Januar 2020 erkennbar, als das Virus in China ausbrach. Diese Pandemie hat eindrücklich veranschaulicht, dass die Organisationen nicht in der Lage waren, schnell auf deren Auswirkungen zu reagieren. Und in einer Welt mit globalen Netzwerken und immer mehr Konnektivität und vernetzten Systemen werden Störungen jeglicher Art zunehmend wahrscheinlicher (Avishai, 2020). Der TechTrend Report 2021 von Deloitte geht davon aus, dass in naher Zukunft eine Transformation zu einer resilienteren und wertgetriebeneren SC stattfinden wird. Die Unternehmen werden eine Reihe von digitalen Tools einsetzen, um Informationen besser zu nutzen, individueller auf Kundenbedürfnisse einzugehen und Nachfrageschwankungen abzufedern. Um anhand von Nachfragemustern die Auswirkungen auf die SC besser zu verstehen und um Liefer-Ecosysteme zu optimieren wird nach Möglichkeiten gesucht, eine grössere Vielfalt strukturierter und unstrukturierter Daten zu nutzen. Unternehmen beschäftigen sich mit Ideen über einen gemeinsamen Informationsaustausch aller Beteiligten in einem Netzwerk, um diesen mit KI und fortgeschrittenen Analytics zu nutzen (Brodzik et al., 2019). Gemäss Sinha et al. (2020) wandeln sich durch einen vernetzten Informationsfluss mit digitalen Fähigkeiten lineare SC in integrierte, digitale SC-Netzwerke. Dadurch werden SC effizienter und effektiver, können besser auf Störungen eingehen und generieren Wettbewerbsvorteile.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 13: Phasen der resilienten SC (Biedermann, 2018, S. 55)

Biedermann (2018) beschreibt die verschiedenen Phasen einer Störung. In Abb. 13 wird illustriert, wie die Leistungskurve während einer Störung abfällt und verdeutlicht die Notwendigkeit einer schnellen Reaktion auf die längere Zeitspanne, die es trotz sofortigen Massnahmen benötigt, bis das ursprüngliche Leistungsniveau wieder erreicht ist.

Li et al. (2020) beschreiben wie wichtig es für Unternehmen ist, schnell auf Störungen zu reagieren und sich auf Veränderungen und Anpassungen im Liefer-Ecosystem einzustellen. Hier sollte ein proaktiver sowie reaktiver Ansatz zum SCR-Aufbau verfolgt werden. Nachfolgend wird auf die Schlüsselfaktoren einer resilienten SC eingegangen.

4.3 Schlüsselfaktoren der Supply Chain Resilienz und deren Einflussgrössen

Die Schlüsselfaktoren der SCR und deren Einflussgrössen sind umfangreich und wurden von Biedermann (2018) anlässlich einer Untersuchung von über 180 Veröffentlichungen ausgewertet. Insgesamt wurden 120 verschiedene Faktoren identifiziert. Nachstehend werden die Schlüsselfaktoren und deren Einflussgrössen beleuchtet, die im Kontext zur Fragestellung dieser Arbeit relevant sind.

4.3.1 Supply Chain Agilität

Beim Vergleich der Literatur wird ersichtlich, dass der Schlüsselfaktor SC-Agilität als Oberbegriff verwendet wird. So beschreiben Carvalho et al. (2012) die agile SC als eine Lieferkette, die schnell auf unvorhergesehene Ereignisse reagieren kann. Biedermann (2018) geht einen Schritt weiter und definiert SC-Agilität als einen Gestaltungsgrundsatz, der das Ziel verfolgt, durch Transparenz, schnelle Ressourcenallokation und Anpassung der Prozesse flexibel up- und downstream auf ungeplante Störungen im Liefernetzwerk zu reagieren. Somit kann folgende Schlussfolgerung gezogen werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 14: Schlüsselfaktor SC-Agilität, (eig. Darst.)

4.3.2 Supply Chain Robustheit

SC-Robustheit beschreibt die Fähigkeit, interne und externe Disruptionen abzufedern und damit die Verletzlichkeiten in der SC zu reduzieren (Ponnambalam et al., 2014). Im Unterschied dazu definiert Biedermann (2018) SC-Robustheit als Gestaltungsgrundsatz zur proaktiven Steigerung der Resilienz in der End-to-End SC, um bei potentiellen Störereignissen die Leistungsfähigkeit möglichst hoch zu halten. Er erklärt, dass Robustheit durch gezielten Aufbau von Redundanzen gestärkt werden kann und somit eine direkte Einflussgrösse ist. Er beschreibt, im Gegensatz zu Ponnambalam et al., ein proaktives Vorgehen zur Stabilisierung der SCR.

Anhand dieser Ausführungen kann folgende Erkenntnis gezogen werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 15:Schlüsselfaktor SC-Robustheit, (eig. Darst.)

4.3.3 Supply Chain Zusammenarbeit

Unter der SC-Zusammenarbeit versteht Biedermann (2018) die Fähigkeit der unternehmensübergreifenden, partnerschaftlichen Zusammenarbeit durch aktiven Informations- und Wis-sensaustausch, offene Kommunikation, Zielabgleich und abgestimmte Entscheidungsfindungen. Gemäss Jüttner & Maklan (2011) wirkt sich eine enge Zusammenarbeit mit den SC-Partnern auch im Störfall positiv auf die Resilienz aus, weil sich die Lieferkettenpartner bei Disruptionen in der SC gegenseitig unterstützen können. Aus diesen Aussagen kann geschlossen werden, dass die Eigenschaften einer partnerschaftlichen SC-Zusammenarbeit eine katalytische Wirkung auf weiterführende Faktoren hat und deshalb als besonders relevant einzustufen sind. Somit kann folgende Erkenntnis gezogen werden:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 16:Schlüsselfaktor SC-Zusammenarbeit,(eig. Darst.)

4.4 Aktivitäten des strategischen Einkaufs zur Stärkung der Supply Chain Resilienz

4.4.1 Überblick

Das Konzept der SC-Resilienz upstream konzertiert sich auf Abwehr, Anpassung, Reaktion, Erholung und Lernen aus Störereignissen (Kamalahmadi & Parast, 2016). Pereira et al. (2020) haben hierzu untersucht, wie der Einkauf die SCR lieferantenseitig stärken kann. Sie haben anhand von Literaturrecherchen und vier Case Studies proaktive und reaktive Handlungsfelder identifiziert. Diese wurden mit weiteren aus der Literatur identifizierten Aktivitäten durch die Autorin ergänzt und sind in Abb. 17 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 17: Handlungsfelder zur Stärkung der Schlüsselfaktoren der SCR, eig. Darst. angelehnt an Pereira et al. (2020, S. 7 ff.)

Auf die unterschiedlichen Handlungsfelder wird in den nachfolgenden Unterkapiteln kurz eingegangen.

4.4.2 Aktivitäten des strategischen Einkaufs zu Supply Chain-Agilität

Datenaustausch über die gesamte Lieferkette schafft Sichtbarkeit, erfordert aber eine enge Zusammenarbeit und Informationen in der richtigen Qualität und Menge (Caridi et al., 2010). Durch einen standardisierten Datenaustausch der SC-Partner kann der SEK als Massnahme Rückverfolgbarkeit erzielen, welche eine lückenlose Prozesskontrolle ermöglicht und somit die Produktsicherheit erhöht. Dies fördert die Reputation eines Unternehmens und sichert gegen Fälschungen ab. Zudem ist es ein effizientes Instrument bei Produktrückrufen (Batt et al., 2018). Durch gezielte Beschaffungsmarktforschung kann der SEK Informationen über den Markt und über bestehende oder neue Lieferanten sammeln und Frühwarnsysteme aufbauen, die allfällige Risiken mit ausreichendem zeitlichen Vorlauf erkennen (Vaherenkamp & Siepermann, 2006).

Biedermann (2018) verweist auf die Möglichkeit, Flexibilitätspotential in der SC auszuschöpfen. Der SEK kann vertragliche Flexibilität vereinbaren und sich bei Störungen über festgelegte Notfallpläne lieferantenseitig absichern.

Durch eine Vereinheitlichung von Spezifikationen und Anforderungen oder den Einsatz von Alternativmaterialien eröffnen sich Wege, Waren oder Dienstleistungen für eine vergleichbare Anwendung bei anderen Lieferanten zu beschaffen. Dies benötigt die Unterstützung des Managements (Büsch, 2011) und verlangt von allen Beteiligten eine konsequente Umsetzung. Pereira et al (2020) sprechen hier von einer Produktflexibilisierung durch den Einsatz vergleichbarer Komponenten.

Chang & Lin (2019) haben untersucht, wie sich die Länge der Lead Times auf die Resilienz in der SC auswirkt. Vollständige Unterbrüche der Lieferkette bei Waren mit längeren Vorlaufzeiten führt zu grösseren Ausfällen bei der Belieferung der Endkundschaft und zu längeren Erholungsphasen. Pereira et al. (2020) benennen als Massnahme zur Flexibilisierung der Lieferzeiten beim Auftreten von Störungen optionale Wechsel der Transportmittel oder -routen. Eine Reduktion von Lieferzeiten wird erreicht, indem Lieferanten bewusst nach Kriterien von kurzen Lead-Times ausgewählt werden oder mit einer Umstellung von globalen auf lokale Lieferanten. Somit hat der SEK eine Fülle von Massnahmen, um die Lieferzeit zu beeinflussen (Arnolds et al., 2016). Weiter hat Pereira et al. (2014) die Fähigkeit des Einkaufs schnell alternative Lieferanten aufzubauen und Flexibilität im Sourcing als mögliche Bereiche identifiziert, welche die SC resilienter machen.

4.4.3 Aktivitäten des strategischen Einkaufs zu Supply Chain-Zusammenarbeit

Eine enge, vertrauensvolle Beziehung und frühzeitige Informationsweitergabe kann bei Krisen oder Bedarfsänderungen den wesentlichen Unterschied in der Behebung einer Störung ausmachen (Pereira et al., 2020). Information Sharing ist ein wichtiges Element zur Erhöhung der Resilienz vor, während und nach dem Eintritt einer Störung. Entscheidend ist, aus gemachten Erfahrungen zu lernen und dieses Wissen umzusetzen und aufzubewahren (Kamalahmadi & Parast, 2016). Dabei bietet der SEK im SRM Unterstützung durch gezielten Einsatz.

Weiter leistet der SEK gemäss Pereira et al. (2020) durch Lieferantentwicklung, Entwicklungszusammenarbeit und Integration im SRM einen wesentlichen Beitrag zur Zusammenarbeit. Im SLM kann der SEK durch regelmässige Business Reviews, frühzeitige Einbindung, wechselseitige Besuche vor Ort und proaktiver Informationspolitik die Partnerschaft stärken (Lorenzen & Krokowski, 2018). Gemäss Pereira et al. (2014) trägt der SEK durch die Zusammenarbeit und Kommunikation zwischen den internen und externen Partnern dazu bei, die Sichtbarkeit im komplexen Umfeld der SC zu erhöhen. Weiter heben sie hervor, dass sich eine gute Bedarfsprognose positiv auf die Zusammenarbeit und das Vertrauen in der Partnerschaft auswirkt. Ein starker Forecast wiederum ermöglicht es dem SEK, bessere Mengenverträge abzuschliessen.

4.4.4 Aktivitäten des strategischen Einkaufs zu Supply Chain-Robustheit

Aufgrund massiver Versorgungsstörungen, verursacht durch globale Ereignisse wie Covid-19, rückt die Thematik der Beschaffung bei regionalen oder lokalen Quellen wieder ins Zentrum. Gemäss GEP umfasst eine resiliente SC neben einer globalen Beschaffung unter anderem aus China auch regionale Beschaffungs- und Produktionsmöglichkeiten und den Aufbau von Redundanzen, welche die SC flexibler gestalten (John, 2021). Durch gemischte Sourcing Strategien wie lokalem oder regionalem anstelle von globalem Sourcing und Mehrquellen-Strategien hat der SEK eine Fülle von Aktivitäten, die Robustheit der SC zu verbessern. Weiter bietet sich ein Aufbau von Sicherheitsbeständen im eigenen Unternehmen oder bei den Lieferpartnern an (Pereira et al., 2020). Hierfür besteht die Chance, sich unterschiedlicher Lagerkonzepte zu bedienen wie zum Beispiel Konsignationslager, bei dem die Bestände beim Kunden liegen, jedoch erst bei Bezug aus dem Lager verrechnet werden. Solche Konzepte sind in der Regel Bestandteile von vertraglichen Vereinbarungen (Arnolds et al., 2016). Beim Aufbau solcher Redundanzen muss einem bewusst sein, dass dies meist mit zusätzlichen Kosten verbunden ist (Sheffi & Rice, 2005) und sich nur schwierig mit Konzepten wie Just-in-Time oder Lean Production vereinbaren lässt.

Da eine Eliminierung aller Risiken nicht möglich ist, müssen diejenigen der Beschaffung, die vom Unternehmen getragen werden, kontinuierlich vom SEK überwacht werden, und hierfür ist Transparenz in der SC erforderlich (Weigel & Rücker, 2015). Durch zunehmende Komplexität und Reduktionen der Fertigungstiefen gewinnt das Risikomanagement an Wichtigkeit. Wie in Kap. 3.4 erwähnt leitet der SEK geeignete Massnahmen aus identifizierten Risiken ab um diese zu vermeiden, zu vermindern oder an die Lieferanten zu übertragen. Diese Aktivitäten im SEK stärken die Stabilität in der SC (Weigel & Rücker, 2015). Um wettbewerbsfähig zu bleiben, ist gemäss Mavi et al. (2016) eine der wichtigsten Entscheidungen in der SC die Auswahl der Lieferanten. Sie beeinflusst die Kosten, die Qualität, eine pünktliche Lieferung und somit die Leistung eines Unternehmens. Um die richtige Lieferantenauswahl zu treffen müssen vom SEK verschiedene Faktoren berücksichtigt und geprüft werden. Der SEK kann gemäss Pereira et al. (2020) durch robuste Selektionskriterien wie geografische Lage, Grösse, Kapazitäten oder finanzielle Gesundheit des Lieferanten eine bewusstere Auswahl zur Vermeidung potentieller Risiken treffen.

4.5 Zwischenfazit

Als wichtigste Schlüsselfaktoren der SCR wurden SC-Agilität, SC-Zusammenarbeit und SC-Robustheit identifiziert. Der SEK kann mit Massnahmen zur Erhöhung der Sichtbarkeit, Rückverfolgbarkeit, Verkürzung der Lieferzeiten, Lieferantensuche und Produktstandardisierung die SC-Agilität stärken. Aktivtäten im SRM wie proaktiver Informationsaustausch, Lieferantenintegration und -entwicklung sowie Aufbau von Lieferantenwissen festigen die SC-Zusammenarbeit. Durch das Etablieren von Zweitquellen, lokalem Sourcing, dem Aufbau von Sicherheitsbeständen und mittels vertraglicher Vereinbarungen können Redundanzen gebildet und die SC-Robustheit erhöht werden.

5 Künstliche Intelligenz und ihr Einsatzgebiet im strategischen Einkauf

5.1 Einleitung

In diesem Kapitel wird nochmals ausführlich auf den Bereich der KI eingegangen und welche Fähigkeiten und Technologien dieser beinhaltet. Es werden die Herausforderungen bei der Einführung von KI beschrieben und ein Überblick erstellt, wie KI heute im SEK eingesetzt wird.

5.2 Überblick des Themengebiets Künstliche Intelligenz

Schon bei der Festlegung der Definition in Kap. 2.5 wurde festgestellt, dass KI ein Oberbegriff für die verschiedenen Technologien ist, welche ein selbstlernendes System beinhaltet.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 18: KI mit den Fähigkeiten des maschinellen Lernens, eig. Darst. angelehnt an Accenture (2019, S. 22) und Bünte (2020, S. 57)

Abb. 18 veranschaulicht die unterschiedlichen Kriterien der KI und wie diese die menschlichen Fähigkeiten abdecken. Im Zentrum dieser Fähigkeiten steht das maschinelle Lernen, das in Kombination mit unterschiedlichen Technologien und mit Hilfe von Algorithmen menschliche Eigenschaften durch Maschinen, Robotern und Systeme nachbildet (Braun, 2019). Heute kann die KI noch nicht alle Wahrnehmungen des Menschen abdecken, da sie Fähigkeiten wie Riechen oder Schmecken nicht beinhaltet (Bünte, 2020). Somit muss die KI nebst dem Lernen auch Wissen speichern, einordnen und abrufen und über eine Logik verfügen, wie dieses Wissen und Gelernte eingesetzt werden kann. KI ist eine Querschnitttechnologie und wird oft in Kombination mit anderen Technologien eingesetzt.

Der Einsatz von KI unterstützt den Menschen in der Informationsbereitstellung und entlastet ihn bei manuellen, nicht wertschöpfenden Routinearbeiten. Dadurch können Mitarbeitende für mehr wertschöpfende Tätigkeiten eingesetzt werden und mit den durch KI erarbeiteten Informationen bessere Entscheidungen fällen. Als wichtige Treiber zum vermehrten Einsatz von KI sind stärkere Vernetzungen von Maschinen mit IoT Technologie, die immer mehr Daten generieren, und die immer grösseren zu verarbeitenden Rechenleistungen (Buxmann & Schmidt, 2019). Obschon KI immer weiterentwickelt wird, werden die besten Resultate dadurch erzeugt, indem die menschliche Stärke, die Fähigkeit weit gefasste Probleme zu lösen, mit den Stärken der KI wie Kontextbewusstsein, schnelle Entscheidungen fällen, tiefe Operationskosten und 24/7 Verfügbarkeit, kombiniert wird (Sammalkorpi & Teppala, 2019).

Wie in der Einleitung beschrieben, kann durch den Einsatz von KI das volle Potential der Daten genutzt werden. Die Herausforderung im Einsatz von KI besteht darin, dass genügend Daten in guter Qualität vorhanden sind, um die Maschinen zu trainieren. Die Daten müssen unvoreingenommen sein, dürfen also keine gesellschaftlichen Vorurteile beinhalten. Für kritische KI-Entscheidungen wie zum Beispiel medizinische Diagnosen oder Gefängnisstrafen sind Transparenz in den Modellen und Algorithmen zwingend, und der Datenschutz und regulatorische Vorgaben müssen eingehalten werden (Brodzik et al., 2019). Diese Herausforderungen sowie das Change Management sind zu berücksichtigen, um eine erfolgreiche Einführung und Nutzung von KI zu gewährleisten.

In den Kap. 5.3 und 5.4 werden das Prinzip des maschinellen Lernens und die Fähigkeiten und Einsatzmöglichkeiten, welche die verschiedenen Technologien mit sich bringen, vorgestellt.

5.3 Maschinelles Lernen

Bei maschinellem Lernen (ML) werden selbstadaptive Algorithmen eingesetzt, die sich durch eigenständiges Lernen laufend verbessern. Ein Algorithmus ist eine programmierte Vorgehensweise um ein Problem zu lösen (Kreutzer & Sirrenberg, 2019). Anhand von strukturierten und unstrukturierten Daten werden Muster abgeleitet, die das System auf unbekannte Daten anwenden kann (Wuttke, 2021). Es wird zwischen überwachtem Lernen mit vielen, klassifizierten Daten, unüberwachtem mit nicht klassifizierten Datensätzen und verstärktem Lernen nach Trail and Error unterschieden. Details zu den unterschiedlichen Lernmethoden sind im Anhang 1 aufgeführt.

Deep Learning (DL) ist ein Teilbereich des ML und stellt eine Weiterentwicklung eben dieses dar. Neuronale Netze bilden das Rückgrat von DL-Algorithmen. Ein neuronales Netz simuliert als Grundidee das menschliche Gehirn, besteht aus mindesten drei Schichten und wird aufgrund der Tiefe der Schichten als «Deep» bezeichnet (Kavlakoglu, 2020).

Im Gegensatz von ML nutzt DL eine grosse Menge unstrukturierter Daten ohne spezifische Merkmalsklassifizierung, die über viele Schichten verarbeitet und klassifiziert werden. DL-Technologie benötigt leistungsstarke Rechner und hat mit Wochen und Monaten, im Gegensatz zu ML mit Minuten und Stunden, eine lange Laufzeit und wird für Daten wie Texte, Bilder und Musik eingesetzt (Wuttke, 2021).

5.4 Technologien der Künstlichen Intelligenz

Natural Language Processing, kombiniert mit ML und DL, erlaubt Systemen, geschriebene Texte und gesprochene Worte auf ähnliche Weise wie der Mensch zu verstehen (IBM, 2020). Herausfordernd ist, dass jeder Mensch eine individuelle Ausdruckweise hat, Dialekte und Akzente verstanden werden müssen und Systeme empathische Gesprächspartner sein sollten. Einsatzfelder für NPL sind einfache Diktiersoftwares, die gesprochene Worte in digitale überführen, Softwares, die Texte oder gesprochene Worte direkt in eine andere Sprache übersetzen oder die sprachliche Wiedergabe von Texten (Kreutzer & Sirrenberg, 2019).

Computerbasiertes Sehen (Computer Vision) ermöglicht systemautomatisierte Mustererkennung, Bilddaten zu sehen und Objekte auf Bildern visuell zu erkennen, indem analoge Bildinformationen mit Videokameras und Signalverarbeitungstechnologien in digitale Signale umgewandelt und mittels DL in umfangreichen Bilddatenbanken Objekte klassifiziert und verglichen werden. Diese Technologie kann für Fotos und für stehende oder sich bewegende Bilder eingesetzt werden. Anwendungsmöglichkeiten wie Gesichtserkennung, Pass- und Zutrittskontrollen, Überprüfung von Unterschriften und Banknoten, bei industrieller Anwendung für Prüfungen in der Qualitätskontrolle, Verkehrstechnik oder autonomes Fahren sind bereits heute zahlreich vorhanden (Kreutzer & Sirrenberg, 2019; Wuttke, 2020).

Expertensysteme verfügen über eine spezifische Wissensbasis und können wie Personen mit Expertisen konkrete Handlungsempfehlungen zur Lösung von komplexen Fragestellungen ableiten. Anhand von Big Data bauen solche Systeme Wissen auf, um die relevanten Informationen als Entscheidungsunterstützung abzurufen. Anhand dieser Daten können lösungsorientierte Auswertungen für zukünftige Entwicklungen prognostiziert, oder Rückschlüsse aus vergangenen Abläufen gezogen werden. Die gefundene Lösung wird mittels Erklärungen in einer nachvollziehbaren Weise als Empfehlung abgegeben (Kreutzer & Sirrenberg, 2019). Expertensysteme befähigen somit Unternehmen aus Rohdaten mittels KI Erkenntnisse zu gewinnen, um so bessere Entscheidungen zu fällen und Aktionen in Echtzeit einzuleiten (Buxmann & Schmidt, 2019). Sie werden heute, nebst den operativen Anwendungen in der SC und anderen Unternehmensbereichen, auch als Instrumente des betrieblichen Wissensmanagements zur Unterstützung der Entscheidungsfindung eingesetzt und nehmen daher eine hohe strategische Bedeutung in Unternehmen ein. (Luber & Litzel, 2019).

In der Robotik übernehmen Maschinen vom Menschen physische Aufgaben meist mechanischer Natur. Intelligente Roboter nutzen heute häufig ein oder mehrere Felder von KI und dadurch haben sich ihre Einsatzmöglichkeiten stark erweitert. Sie werden als Sicherheitsroboter zur Überwachung von Einkaufs- und Bürokomplexen genutzt, oder kommen auch immer häufiger im Kunden- und Servicebereich zum Einsatz (Kreutzer & Sirrenberg, 2019), wie der japanische Roboter Pepper, der die Kundschaft in Einkaufszentren begrüsst oder der aus dem Forschungsprogramm von IBM Watson, der Bankberatung für Hypotheken durchführt (Eugster, 2017). Im Zusammenhang mit Robotik wird häufig auch von Robotic Process Automation (RPA) gesprochen. RPA wird mit einem softwareunterstützten Ansatz für die Automatisierung einfacher Backoffice-Aufgaben verwendet. Auf Basis von KI werden Bots eingesetzt um wiederkehrende, standardisierte Aufgaben schneller und effizienter als der Mensch zu erledigen (IBM, 2021).

5.5 Potential des Einsatzes von Künstlicher Intelligenz im strategischen Einkauf

Harvard Business Review hat eine Untersuchung von über 400 aktuellen KI Use Cases in 19 Branchen durchgeführt und das grösste Potential in den Querschnittbereichen von SC und Produktion, sowie Marketing und Vertrieb ermittelt. Sie beziffern der Wert der KI für SC und Produktion auf 1.2 bis 2 Billionen US-Dollar (Chui et al., 2018) und zeigen somit die Relevanz und das Potential von KI eindrücklich auf. Es gibt eine wachsende Anzahl von Start-up Unternehmen, die KI-Lösungen für den Einkauf anbieten, und es sind zahlreiche Use Cases zu Anwendungen verfügbar. Jedoch ist darüber noch sehr wenig wissenschaftliche Literatur erhältlich, was verdeutlicht, dass der Einsatz von KI im Einkauf noch am Anfang steht.

Über den Nutzen und das Potential von KI sind sich die Publizierenden einig. So streichen Cui et al. (2020) hervor, dass KI den Einkauf befähigt, Prozesse zu automatisieren und kluge Entscheidungen zu fällen. Chopra (2019) geht auf das grosse Potential der Nutzung von Big Data in Kombination mit KI ein. Kearney beschreibt die Effizienz- und die Effektivitätssteigerung durch den Einsatz von KI (Strohmer et al., 2020). Auch Sievo bestätigen die Aussage, dass KI die Automatisierung im Einkauf beschleunigt und eine Verschiebung von operativen Tätigkeiten zu mehr strategischen stattfinden wird (Sammalkorpi & Teppala, 2019). Schnellbächer & Weise (2020) beurteilen das Potential von KI bei richtigem Einsatz aller digitalen Beschaffungstechnologien am höchsten, da KI die strategischen Entscheidungen im Einkauf verbessern wird.

In Abb. 19 ist ein Überblick über Lösungen dargestellt, die für den SEK verfügbar sind.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 19: Übersicht KI Anwendungen im strategischen Einkauf, (eig. Darst.)

Es sind bereits schon einige Anwendungen im Bereich SC verfügbar, von der Lieferantensuche und -auswahl über den gesamten Ausschreibungsprozess mit automatisierten Vergleichsmöglichkeiten, Bots, die Verhandlungen führen bis zu smarten Tools, die sich um das Vertragsmanagement kümmern. Auch die Bereiche Insight und Zusammenarbeit sowie Risikomanagement sind vertreten. Auf KI-Anwendungsmöglichkeiten zur Erhöhung von SCR wird im nächsten Kapitel detaillierter eingegangen.

5.6 Zwischenfazit

KI ist ein weites Themengebiet. Als selbstlernendes und kognitives System übernimmt es Tätigkeiten, die den Menschen entlasten und ihn bei Entscheidungen unterstützen. Die besten Resultate werden bei Anwendungen in Kombination von Mensch und KI erzielt. Die grössten Herausforderungen bei einer Einführung von KI sind ausreichende Datenmengen in der richtigen Qualität, die Einhaltung von ethischen und regulatorischen Vorgaben sowie das Veränderungsmanagement. Neben ML wird heute immer mehr DL bei selbstlernenden Systemen eingesetzt und es werden unterschiedliche Methoden angewendet, um die Maschinen zu trainieren. ML wird heute in der natürlichen Sprachverarbeitung, beim computerbasiertem Sehen, in der Robotik und für Expertensysteme eingesetzt. KI-Anwendungen im SEK sind sehr wohl verfügbar, stecken aber grösstenteils noch in den Kinderschuhen. Die Wichtigkeit dieser Tools wird zukünftig zunehmen, weil vor allem durch die Automatisierung der Prozesse ein Shift von operativen zu mehr strategischen Tätigkeiten stattfinden wird.

6 Einsatz von Künstlicher Intelligenz zur Unterstützung des strategischen Einkaufs zur Stärkung der Supply Chain Resilienz

6.1 Einleitung

In diesem Kapitel wird mittels ausgewählter Praxisbeispiele aufgezeigt, wie KI zur Stärkung der SCR im SEK eingesetzt werden kann. Anhand dieser Beispiele werden anschliessend die Eigenschaften herausgearbeitet, welche die Aktivitäten des SEK unterstützen und ein Überblick erstellt, wie die relevanten Anwendungsmöglichkeiten in der Praxis eingesetzt werden könnten, wobei abschliessend nicht alle bewertet sind. Da dieses Thema noch sehr wenig bearbeitet wurde und demzufolge keine fundierte Fachliteratur erhältlich ist, wird in diesem Kapitel mehrheitlich auf Use Cases und Whitepapers zurückgegriffen.

6.2 Smarte Lieferantensuche

Sinha et al (2020) spricht davon, dass der Einkauf in Zukunft alternative Lieferanten durch digitale, intelligente Technologien bereits schon aufgrund von Prognosen vorab ermitteln kann. Die Identifikation und das Onboarding wird durch smarte Sourcingprozesse unterstützt.

Scoutbee ist eine innovative, KI-basierte Plattform, die Einkaufsorganisationen bei der Lieferantensuche und -evaluation mit einer Kollaborationsplattform im SRM unterstützt. Anhand zweier Case Studies von Linde Engineering und Kärcher wird nachfolgend aufgezeigt, wie KI den Einkauf bei der Lieferantensuche unterstützen kann (Scoutbee, o. J.).

Im Herbst 2019 hat Linde Engineering als Teil von Linde plc, einem der grössten Wasserstoff-Produzenten, die smarte Lieferantensuche erfolgreich eingesetzt. Die Problematik für die Beschaffung bestand darin, zur Einhaltung einer externen Ausschreibungsfrist innerhalb von nur drei Wochen neue, innovative Lieferanten auf dem globalen Mark zu finden, was normalerweise Monate dauern würde wie in Abb. 20 visualisiert.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 20: Lieferantensuche mit Scoutbee (Case Study Linde, 2021, S. 1)

Mittel einer KI-basierten Lösung konnte ein Markscreening der Phasen Request for Information (RFI) bis Request for Proposal (RFP) mit einer grossen Anzahl von Daten durchgeführt, innerhalb von 21 Tage abgeschlossen und eine Shortlist von acht Lieferanten präsentiert werden. Gemäss dem Einkaufsleiter von Linde konnten in einem Viertel der Zeit über 80% mehr Lieferanten gescreent und signifikante Preisreduktionen erreicht werden (Case Study Linde, 2021).

Kärcher als Markführer von Reinigungsgeräten hatte sich zum Ziel gesetzt, den Einkauf im Bereich Lieferantensuche weiter zu digitalisieren, um Zeit- und Kostenersparnisse zu erzielen. In einem Test 2020 setzten sie die Scoutbee Software ein um zu evaluieren, wie schnell neue und geeignete Quellen gefunden werden könnten. Innerhalb von 32 Tagen wurde für ein Einkaufsvolumen von 14.8 Mio. Euro ein Marktscreeing durchgeführt, die Phase RFI abgeschossen und es lagen 52 Angebote vor (Case Studie Kärcher, 2021).

Diese zwei Case Studies zeigen, dass KI-basierte Tools für Marktscreening bezüglich Lieferantenselektion anhand vorgegebener Kriterien und Ausschreibungsprozesse eingesetzt werden können. Dies verschafft dem SEK Möglichkeiten, globales Marktscreening innert kürzester Zeit durchzuführen, Lieferanten anhand neuer Kriterien zu selektionieren, mehr Lieferanten im Ausschreibungsprozess zu berücksichtigen und bei Ausfällen schneller Alternativquellen zu evaluieren. Mit dieser Anwendungsmöglichkeit kann der SEK die Robustheit und die Agilität in der SC stärken.

6.3 Risikoüberwachung und Frühwarnsysteme

KI kann zur Identifizierung und zum Monitoring von Risiken eingesetzt werden (Sammalkorpi & Teppala, 2019; Strohmer et al., 2020). Riskmethods ist ein deutsches Unternehmen, das KI-basierte Software-as-a-Service Lösungen anbietet um Risiken im Liefernetzwerk zu erkennen, zu bewerten und zu reduzieren. (riskmethods, 2021). Anhand der zwei nachfolgenden Best Practice Beispiele wird aufgezeigt, wie KI die SCR erhöhen kann.

Dana Incorporated, ein bedeutender Zulieferer der Automobilindustrie, bietet Lösungen zur Verbesserung der Leistung, Effizienz und Nachhaltigkeit für angetriebene Fahrzeuge und Maschinen an. Für ihr komplexes SC-Netzwerk mit weltweit mehr als 100 Produktionsstandorten, tausenden von Lieferanten und fast zehntausend Lieferwegen stellt ein Risikofall in der SC eine extreme Bedrohung für das Unternehmen dar. Durch einen internen, manuellen Prozess sowie einer regelmässigen Prüfung der finanziellen Situation ihrer Lieferanten sind wichtige Kerndaten zu Risiken vorhanden, doch aufgrund fehlender Transparenz sind andere relevante Informationen, speziell Daten zu geografischen Risiken und regionalen Vorkommnissen, die eine komplette Risikoüberwachung ermöglichen würden, nicht verfügbar. Durch den Einsatz des KI-Tools von riskmethods kann Dana Millionen externer Daten überwachen und Störungen bis an ihre Quelle zurückverfolgen und wird somit frühzeitig über mögliche Behinderungen in der SC informiert. Dank der Visualisierung der Risiken auf einer Weltkarte werden diese leichter verständlich. Dies befähigt Dana, die richtigen Massnahmen und Werkzeuge zur Risikoreduktion oder -vermeidung einzusetzen (Supply Chain Risk Management Best Practices : Dana Incorporated, 2021)

Das Liefernetzwerk von Nokia, einem weltweit tätigen Telekommunikationskonzern, ist ein gutes Beispiel für eine hochkomplexe SC, dargestellt in Abb. 21.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 21 : Liefernetzwerk von Nokia (Supply chain risk management best practices: Nokia, 2021, S. 4)

Nokia kämpft als grosse Organisation mit den Herausforderungen, dass Produkte Komponenten enthalten, die nur von einem Lieferanten hergestellt werden, ihre SC über Tier-n geht, sich viele Lieferanten in Hochrisikoregionen befinden, verschiedene Lieferanten die gleichen Unterlieferanten nutzen und sie eine riesige Lieferantenbasis managen müssen.

Nachdem es zu massiven Versorgungsstörungen im Bereich elektronischer Komponente kam, verursacht durch den Tsunami in Fukushima, beschloss Nokia, einen neuen Ansatz des SC-Risikomanagementprozesses einzuführen. 2015 wurde mit einem relativ kleinen Ansatz das SC-Riskmanagement gestartet und heute ist mit RPA ein proaktives und reaktives Risikomanagement implementiert, mit dem Ziel, Trends und Muster aufzudecken, Risikoprävention mit den Key Supplier umzusetzen und mit wenigen strategischen Zulieferern einen reaktiven Ansatz zu fahren. Nokia konnte mit Hilfe eines digitalen Abbilds ihrer SC negative Auswirkungen simulieren und mit Hilfe von KI Vorhersagen für die Zukunft machen. Mit all diesen Erkenntnissen wurde die Lieferstrategie mit den kritischen Zulieferern resilienter gestaltet. Durch den Einsatz von Daten und KI hat das Unternehmen eine höhere Transparenz erreicht und die Möglichkeit, Massnahmen zu ergreifen bevor eine Störung eintritt (Supply chain risk management best practices: Nokia, 2021).

Diese Beispiele zeigen, dass die Sichtbarkeit in der SC durch die Verfügbarkeit von externen Daten erhöht wird, was wiederum eine bessere Überwachung und eine Visualisierung der Daten mit Rückverfolgbarkeit der Waren bis zu den Vorlieferanten ermöglicht. Dank dem KI-basierten Ansatz können Muster und Trends früher erkannt, durch Simulationen bessere Risikoprognosen abgegeben und effizientere und vorbeugende Massnahmen abgeleitet werden.

6.4 Vollständige Transparenz in End-to-End Supply Chain

Gemäss Schnellbächer & Weise (2020) ist es in einer komplexen SC nicht ausreichend, sich nur auf die Tier-1 Lieferanten zu fokussieren. Ebenso wichtig ist das Vorhandensein einer Visibilität in der gesamten SC. Sie referieren anhand eines Use Cases eines führenden Herstellers für optische Systeme, der eine komplexe, globale SC hat. Fehlende Transparenz upstream in der SC und eine extrem hohe Kapazitätsauslastung beim Lieferanten hatten bei Problemen eines Vorlieferanten zu erheblichen Störungen mit negativen finanziellen Auswirkungen geführt. Daher hat das Unternehmen ein Risikomanagement System eingeführt, indem interne Daten vom ERP-System mit externen Datenquellen über eine Plattform verknüpft werden. Durch das Screening tausender Daten sozialer Medien und Online-Quellen werden Risikosignale frühzeitig erkannt und Abwehrmassnahmen einer sich anbahnenden Störung können rechtzeitig eingeleitet werden.

Eine weitere Anwendung zur Erlangung vollständiger Transparenz bietet die Open-Source-Graphdatenbank Neo4j an. In dieser werden Knowledge Graphen in Kombination von ML eingesetzt, um Daten intelligent zu machen. Diese sind durch Wissengraphen miteinander verbunden und durch Semantik angereichert, so dass mit den zugrundeliegenden Daten eine Schlussfolgerung gezogen werden kann. Und sie können auch für komplexe Entscheidungen genutzt werden. Als ein Anwendungsbeispiel wird Routen-Optimierung und Risiko-Identifikation im Frachtbereich genannt (Natarajan & Hodler, 2021). Als weiteres Beispiel konnte mit Transparency-One durch Knowledge Graphen Transparenz in der SC vom Hersteller bis zum Einzelhandel erreicht werden. Sie ermöglicht den Austausch detaillierter Informationen entlang der SC und identifiziert deren Abhängigkeiten bei betrieblichen Störungen oder knapper Rohstoffverfügbarkeit (Caste Studie - volle Transparenz, 2021).

Die aufgeführten Beispiele zeigen, dass durch KI die Transparenz zu Vorlieferanten erhöht werden kann. Daten werden smarter und erlauben eine präzisere Auswertung bezüglich Risikoidentifikation. Sie befähigen auch, zum Beispiel bei der Flexibilisierung der Transportrouten, bessere und komplexere Entscheidungen zu treffen.

6.5 Synchronisierte Planung

Im traditionellen Planungszyklus wird üblicherweise in einem monatlichen Review der Kundenbedarf, der Materialbedarf und der Produktionsoutput ermittelt und für die nächsten 12 bis 18 Monate neu geplant. Dieser Review konzentriert sich bei Veränderungen im Kundenbedarf nur auf die Identifizierung von Nachfrage- und Bedarfslücken, um damit einen Forecast zu erstellen, Kapazitätsprobleme zu erkennen und mit entsprechenden Anpassungen diese Lücken zu schliessen.

Eine synchronisierte Planung gemäss Abb. 22, auch SC-Network Planning genannt, befähigt die Organisation, dynamisch auf Veränderungen zu reagieren, Anpassungen vorzunehmen und vorauszusagen, wie sich das SC-Netzwerk verändern wird.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 22: End-to-End Supply Chain Planning Model (Sinha et al., 2020, S. 113)

Eine synchronisierte Planung gemäss Abb. 22, auch SC-Network Planning genannt, befähigt die Organisation, dynamisch auf Veränderungen zu reagieren, Anpassungen vorzunehmen und vorauszusagen, wie sich das SC-Netzwerk verändern wird.

In dem End-to-End Planungsmodell wird in einem ganzheitlichen Ansatz die Leistung verbessert. In der kollaborativen Bedarfsentwicklung wird mit Hilfe von Data-Science-Methoden die Basisnachfrage durch verschiedene Faktoren wie historische Daten, Kundenwahrnehmungen und Umweltfaktoren ergänzt, mit Unterstützung von KI aus den Datensätzen gelernt und Voraussagen getroffen. Durch eine interne Synchronisation werden die finanziellen, strategischen und operativen Pläne abgestimmt und im Ecosystem mit dem Ziel abgeglichen, ein ökonomisch optimales Produktions- und Bestandesniveau zu finden. Durch die kollaborative Versorgungsplanung werden die Lieferanten und Lohnfertiger in die Planung mitintegriert und dies wiederum führt zu einer vollständigen Sichtbarkeit von Lieferkapazitäten und Verfügbarkeiten. Digitale Twins, kombiniert mit KI, ermöglichen, zukünftige Szenarios durchzuspielen und Ereignisse vorauszusagen, um so bessere Entscheidungen zu fällen und frühzeitig auf Änderungen zu reagieren (Sinha et al., 2020).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 23: Vorteile einer SC-Network Planning (Whitepaper Supply chain Network Management, 2020, S. 13)

Wie in Abb. 23 dargestellt, können durch eine synchronisierte Planung Durchlaufzeiten, Kosten und Bestände reduziert und die Flexibilität erhöht werden (Whitepaper Supply chain Network Management, 2020).

So wurde vom Start-up Unternehmen NEBU der Replenishment bei Globus verbessert. NEBU hat sich auf den Bereich Retail spezialisiert und bietet eine intelligente, auf ML basierende Nachbestellung an. Aufgrund verbesserter Forecasts konnte Globus die Warenverfügbarkeit von 90% auf 98% erhöhen und gleichzeitig die Warenbestände stark reduzieren. Das administrative Warenhandling, die Anzahl von Express-Warenverschiebungen und die Vernichtungen wurden erheblich verringert (Strahm, 2021).

Es zeigt sich, dass durch immer grössere Vernetzungen und komplexere SC keine nur isolierten Betrachtungen mehr möglich sind, sondern ganzheitliche Ansätze nötig werden. Diese befähigen den SEK, durch exakteren Forecast bei Lieferanten die Sicherheitsbestände für die richtigen Produkte aufzubauen und präzisere Rahmenverträge abzuschliessen. Eine synchronisierte Planung ermöglicht, dynamisch auf Veränderungen zu reagieren.

6.6 Kontroll-Tower befähigt die Supply Chain

Ein Kontroll-Tower ist ein digitales Tool, das ein End-to-End Liefernetzwerk in Echtzeit bearbeiten kann. Er sammelt und analysiert Daten aus verschiedenen Quellen, bietet Transparenz, identifiziert Ursachen und macht Prognosen, um von einer reaktiven zu einer vorausschauenden Planung zukünftiger Massnahmen zu kommen (Sinha et al., 2020).

Gemäss IDC bringt ein Kontroll-Tower Sichtbarkeit, führt Analysen durch und gibt Empfehlungen für Entscheidungen ab.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 24: moderner Kontroll-Tower (Simon, 2020, S. 3)

Abb. 24 veranschaulicht, wie ein Kontroll-Tower die physische und die digitale Lieferkette zu einer Einheit zusammenstellt. Durch die Sichtbarkeit wird Transparenz in der SC erzielt. Als Beispiel hierfür die Fähigkeit, Echtzeit-Bedarfsermittlung und granulare Bestandestransparenz nach Standorten durchzuführen und somit proaktiv gezielte Massnahmen umzusetzen. Mit modernen Analysefunktionen werden reaktive und vorausschauende Berechnungen durchgeführt. Der Kontroll-Tower gibt anhand der SC-Strategie Empfehlungen für die Durchführung von taktischen und operativen Massnahmen ab. Er ist ein Orchestrierungsansatz verschiedener Systeme, der die richtigen Daten zusammenbringt und somit eine silo-, funktions- und organisationsübergreifende Zusammenarbeit ermöglicht. In der Vergangenheit sind viele Unternehmen an diesem Ansatz gescheitert, meist aufgrund mangelnder Datenqualität. IBM Sterling Inventory Control Tower mit Watson, die KI von IBM, bietet solche SC-Insights an. Sie erlauben eine durchgängige Sicht auf die SC und erzeugen, gespeist aus internen und externen Daten, intelligente Warnmeldungen, ermöglichen virtuelle Resolution Rooms für die Zusammenarbeit und geben Empfehlungen für Massahmen anhand digitaler Playbooks ab, welche aus Best Practice Anleitungen bestehen und das Wissen der Unternehmen aufbewahren und schlussendlich daraus lernen (Simon, 2020).

Daraus ergibt sich, dass ein Kontroll-Tower den SEK zu einem standardisierten und automatisierten Datenaustausch, zu Transparenz bei den Lagerbeständen, zu flexiblen Reaktionen durch intelligente Warnmeldungen, zur Zusammenarbeit mit der Bedarfsermittlung und zu virtuellen Resolution Rooms befähigt, und den Wissensaufbau nachhaltig verbessert.

6.7 Vertragsmanagement

Im traditionellen Vertragsmanagement wird ein grosser, manueller Aufwand zur Erstellung, zum Review und zum Monitoring der Verträge betrieben. Auf Texterkennung und KI basierende digitale Tools bieten ganz neue Möglichkeiten, Abläufe zu überwachen und bei Abweichungen einen Alarm auszulösen und entsprechende Massnahmen einzuleiten (Sinha et al., 2020).

Deloitte ist mit smart Contracts Analytics einer der Anbieter einer KI-basierten Lösung. Dabei wird eine Kombination von KI-basierten Tools und menschlicher Expertise eingesetzt. Das KI-System wird durch iteratives Lernen von menschlichen Expertenurteilen trainiert und ermöglicht, Vertragsreviews kontinuierlich selbständiger durchzuführen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 25: Smart Contract Analytics (Deloitte, 2021, S. na)

Die verschiedenen Schritte hierzu sind in Abb. 25 veranschaulicht. Vertragsreviews können mit Hilfe von KPIs des KI-Systems viel schneller abgeschlossen werden und das System ist skalierbar. Verträge können so auf regulatorische Anforderungen geprüft, Klausen von Vertragsstrafen überwacht und vertraglich festgelegte KPIs ausgewertet werden (Deloitte, 2021).

Das Pharmaunternehmen Sanofi arbeitet in mehr als 100 Ländern und setzt zur Optimierung des Vertragswesens im Einkauf Icertis Contract Intelligence (ICI) ein, um die Cycletime für Verträge zu reduzieren, konsistente Vertragsstandards durchzusetzen und zur allgemeinen besseren Überwachung. Die Implementierung von ICI reduzierte die Zeit für die Vertragserstellung um 50%, brachte Transparenz in den Prozess und gestattete eine grösstmögliche Standardisierung der Verträge (Objective et al., 2020).

Diese Anwendungsbeispiele zeigen, dass mit ICI die Zeit für Vertragserstellungen und -reviews verkürzt, konstantere Vertragsstandards abgeschlossen und Vertragsrisiken besser überwacht werden können.

6.8 Theoriegeleitetes Kategorienmodell

Aufgrund der in Kap. 1 beschriebenen Problemstellung dieser Arbeit wird in zukünftigen SC-Netzwerken von einer höheren Wichtigkeit der SCR ausgegangen. Anhand wissenschaftlicher Literatur konnten im Theorieteil drei Schüsselfaktoren, die zentral auf die SCR einwirken, identifiziert und verschiedene Aktivitäten zur Stärkung der SCR durch den SEK abgeleitet werden. In Kap. 6 wurden Eigenschaften herausgearbeitet, wie KI die Aktivitäten vom SEK zur Erhöhung der Resilienz in der SC unterstützen kann, und in Abb. 26 visuell dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 26: Vorgehen zur Bildung des theoriegeleiteten Kategorienmodells (eig. Darst.)

Anhand dieser Faktoren wird ein theoriegeleitetes Kategorienmodell entwickelt. Die detaillierte Herleitung wird im Anhang 2 vorgestellt. Die Oberkategorie zeigt die drei Schlüsselfaktoren, welche die SCR stärken. Diese Kategorien sind zur Einordung der Aktivitäten des SEK, haben aber keinen direkten Bezug auf die Forschungsfrage. In der zweiten Ebene sind die Aktivitäten des SEK abgebildet, welche durch KI unterstützt werden. Die KI-Eigenschaften sind in Abb. 27 auf der dritten Ebene dargestellt. Eine vergrösserte Version ist im Anhang 2 dargestellt

Abbildung in dieser Leseprobe nicht enthaltenAbb. 27: Finales, theoriegeleitetes Kategorienmodell (eig. Darst.)

6.9 Stand der Forschung

Die wissenschaftliche Literatur im Bereich der SCR ist breit und geht auf über zwanzig Jahre zurück. Aufgrund aktueller globalen Ereignisse finden sich viele Studien und Umfragen zum Thema SCR und das Thema Beschaffung rückt wieder mehr ins Zentrum oder wird neu aufgegriffen. Auch sind viele neue Literaturen und wissenschaftliche Arbeiten über die Entwicklungsperspektiven der traditionellen SC bis hin zu digitalen SC-Netzwerken und den Einflüssen der Digitalisierung zu finden. Jedoch sind erst wenige, konkrete Anwendungen beschrieben.

Im Bereich der KI ist viel Literatur über verschiedene Technologien und potentielle Anwendungsmöglichkeiten verfügbar. Es besteht eine Einigkeit, dass KI der Schlüssel für Big Data ist und entsprechend wird ihr grosses Potential vorausgesagt. Sehr viel Literatur über KI-basierte Anwendungen sind für die Bereiche Sales, Marketing und Finanzen erhältlich. Obwohl dem Einsatz von KI in der SC ebenfalls grosses Potential zugeschrieben wird (Chui et al., 2018), sind die Anwendungsbeispiele hierzu viel seltener. Die Einsatzmöglichkeiten für KI im Einkauf werden ebenfalls hoch bewertet, doch ein Grossteil der Anwendungen liegt im Bereich Automatisierung und Effizienzsteigerung. Da nur sehr beschränkt wissenschaftliche Literatur über KI im Bereich SEK verfügbar ist, wird in dieser Arbeit mehrheitlich auf Use Cases und Whitepapers zurückgegriffen.

6.10 Zusammenfassung und Konkussion

Um ein grundlegendes Verständnis für diese Arbeit zu schaffen, wird nach der Begriffsklärung auf die Rolle des Einkaufs im Unternehmen und in der SC eingegangen, welche Ziele er verfolgt und was seine Hauptaufgaben sind. Im Theorieteil werden, basierend auf der existierenden Literatur, die Schlüsselfaktoren der SCR und die wichtigsten Einflussgrössen bestimmt. Aufbauend auf diesen Erkenntnissen werden die Hauptaktivitäten ermittelt, mit denen der SEK die SCR stärken kann. Es wird klar aufgezeigt, dass dem SEK hierfür viele Möglichkeiten zur Verfügung stehen.

Die Theorie zeigt deutlich, dass die SCR zukünftig je länger je intensiver eine wichtige Rolle spielen wird, da die Komplexität in SC-Netzwerken laufend zunimmt und unverkennbar digitaler wird. Die Abhängigkeiten und die Länge der Lieferketten werden immer grösser und bei Störungen ist der Einfluss auf diese direkt spürbar. Die SCR wird wieder vermehrt ins Zentrum rücken. Dem Einsatz von KI in der SC wird grosses Potential beigemessen. Jedoch sind bislang wenige, relevante Anwendungen in der SC und speziell im SEK zu finden. Auf Grund der dürftig verfügbaren Literatur wird schnell ersichtlich, dass der Einsatz von KI-basierten Tools besonders im SEK zur SCR-Steigerung nach wie vor in den Kinderschuhen steckt. Die Eigenschaften von KI wurden anhand verschiedener Use Cases herausgearbeitet.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 28: Theoriegeleitete Fragestellung (eig. Darst.)

Somit konnten im Theorieteil die theoriegeleiten Forschungsfragen gemäss Abb. 28 beantwortet werden. Das Resultat ist in Abb. 27 im Modell der theoriebasierten Kategorien dargestellt.

Im Verlauf dieser Arbeit wird mit Hilfe einer empirischen Untersuchung mittels halbstandarisierten Interviews die Sicht aus der Praxis aufgenommen. Welche KI-basierten Anwendungen werden heute schon eingesetzt und was für potentielle Einsatzmöglichkeiten kommen aus den Erfahrungen der Fachleute in Frage. Im Gestaltungsteil werden die Resultate aus den Interviews mit den theoretischen Erkenntnissen diskutiert und das Potential abgeschätzt.

EMPIRSCHER TEIL

7 Methodenteil

7.1 Einleitung

In diesem Teil der Arbeit sind die Erkenntnisse aus dem Theorieteil, wie KI zur Stärkung der SCR im SEK eingesetzt werden kann, aufgezeigt, die Modelle der theoriebasierten Kategorien zusammengefasst und deren Praxisanwendung durch Fachpersonen geprüft und ergänzt. Es wird die Zielsetzung der empirischen Untersuchungen dargelegt. Ergänzend werden das Forschungsdesign, die Vorgehensweise und die Operationalisierung vorgestellt.

7.2 Untersuchung und Zielsetzung

Anhand von Interviews wird versucht, mit den gewonnenen Erkenntnissen aus dem Theorieteil die empirisch geleiteteten Fragestellungen aus Kap. 1.3 zu beantworten. Es sollen aus Praxissicht Erkenntnisse über die Schlüsselfaktoren zur Erhöhung der SCR gewonnen, die Möglichkeiten der Aktivitäten des SEK hierfür durch Fachpersonen bewertet und die Eigenschaften von KI zur Unterstützung des SEK beurteilt werden. Anhand dieser Ergebnisse werden die vorgängig erarbeiteteten Kategorien ergänzt und abschliessend in ein empirisch basiertes Kategorienmodell überführt.

7.3 Forschungsdesign

Im nachfolgenden Unterkapitel wird kurz auf das Forschungsdesign der Masterarbeit eingegangen. Es werden die Erhebungsarten für die empirische Untersuchung, die Ausgangslage und die Auswertungsmethode beschrieben.

7.3.1 Erhebungsart und Ausgangssituation

Die Erhebung der empirischen Daten erfolgte anhand einer qualitativen Primärdatenerhebung, da in der Wissenschaft noch keine umfassenden Daten zu Eigenschaften von KI für die Unterstützung des SEK zur SCR-Verstärkung in Form von Sekundärerhebungen verfügbar sind.

Als Basis für die Methodenauswahl diente der Grundgedanke der qualitativen Sozialforschung nach Mayring. Zur Erhebung der verbalen Daten wurde eine induktive Primärdatenerhebung mit qualitativem und methodischem Vorgehen in Anlehnung an Mayring gewählt. Qualitativ bedeutet, dass empirisch, systematisch, flexibel und auf den Forschungsgegenstand angepasst vorgegangen wurde. Durch diese induktive Methode wird anhand von Einzelaussagen einer Auswahl von Expertinnen und Experten auf das Ganze geschlossen (Mayring, 2015). Da in der Praxis zu wenig fundierte Informationen vorliegen, eignet sich aus Sicht der Autorin diese Methode für den Forschungsteil dieser Arbeit am besten.

Um die Fragestellung der Masterarbeit zu beantworten wurden zur Datengewinnung teilstandardisierte, leitfadengestützte Interviews in Form von Fachgesprächen mit einer asymmetrischen Rollenverteilung eingesetzt, bei denen die Forschende kurze Fragen stellt, die vom Gegenüber mit mehrheitlichem Redeanteil beantwortet wurden. Der Vorteil eines Interviews ist, dass zahlreiche und unterschiedliche Ansichten aus den Erfahrungen und der Praxissicht mehrere Fachpersonen aus differenzierten Branchen gewonnen werden. Unter einem leitfadengestützten Interview ist ein halbstandardisiertes Verfahren zu verstehen, bei dem die Reihenfolge der Fragen, angelehnt an den Leitfaden, der lediglich als Anhaltspunkt für die Befragung dient, flexibel gehandhabt werden kann. Dadurch erhalten die Befragten die Freiheit, ohne jegliche Vorgaben zu antworten (Hussy et al., 2013).

Mit dieser verbalen Datenerhebung wird das gesprochene Wort aus dem Interview durch Transkription in eine Textform gebracht. Das geschriebene Wort kann anschliessend analysiert und interpretiert werden (Hussy et al., 2013).

7.3.2 Ausgangsituation

Basierend auf dem theoriebasierten Kategorienmodell aus Kap. 6.8 werden die Erkenntnisse mittels einer empirischen Untersuchung überprüft. Um ein optimales Resultat zu erzielen, werden die Kategorien dieses Modells zusätzlich ergänzt, geändert und verfeinert. Die Aussagen der Fachpersonen werden den jeweiligen Kategorien zugeordnet, falls nötig konkretisiert, oder neugeschaffenen Kategorien zugeteilt. Die Ergebnisse aus den theoretischen und empirischen Teilen werden im Gestaltungsteil einander gegenübergestellt und diskutiert.

7.3.3 Auswertungsmethode

Die verbal gewonnenen Daten aus den Interviews werden mittels qualitativer Inhaltsanalyse in Anlehnung an Mayring ausgewertet. Diese Auswertungsmethode wurde gewählt, weil eine präzise und theoretische Fragestellung vorliegt und sich gemäss Mayring (2015) folglich eine qualitative Inhaltsanalyse besonders gut eignet.

In der qualitativen Inhaltsanalyse wird das Interviewmaterial in systematischer Weise Schritt für Schritt analysiert und mit Hilfe eines Kategoriensystems, das theoriegeleitet entwickelt wurde, strukturiert und mit der systematischen Auswertungsmethode bearbeitet. Es werden als Mechanismus zur Umsetzung der qualitativen Inhaltsanalyse eine Zusammenfassung, Explikation und Strukturierung beschrieben (Mayring, 2015), welche in Abb. 29 dargestellt und erläutert sind.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 29: Mechanismus zur Umsetzung der qualitativen Inhaltsanalyse nach Mayring (eig. Darst.)

7.4 Operationalisierung

Die Merkmale dieser Arbeit sind die KI-Eigenschaften. Gemäss Hussy et al. (2013) werden diese Merkmale mit einer Operationalisierung mess- und beobachtbar gemacht.

In einem ersten Schritt wird eine Auswahl möglicher Experten und Expertinnen erstellt und anschliessend begründet. Des Weiteren wird auf die Erstellung des Interviewleitfadens eingegangen und dieser einem Pretest unterzogen.

7.4.1 Experten und Expertinnen

Da die Forschungsfragen Fachleute aus den Bereichen KI und SC benötigen, jedoch wie unter Kap. 7.3.1 beschrieben wenig Praxis-Anwendungserfahrung vorliegt, wurde entschieden, zwei Gruppen zu dem Thema zu befragen.

Durch KI-Fachkundige sollen Möglichkeiten und Eigenschaften eruiert werden, wie KI eingesetzt werden kann. Und durch SC-Fachkundige, auf welche Weise KI den SEK bei der SCR unterstützen kann. Beide Erkenntnisse aus den Interviews werden in einer qualitativen Inhaltsanalyse zusammengeführt, um die Forschungsfrage ganzheitlich abzudecken. Die Experten und Expertinnen wurden gemäss den Kriterien in Abb. 30 ausgewählt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 30: Auswahlkriterien Expertinnen und Experten (eig. Darst.)

Um ein aussagekräftiges Resultat zu erzielen wurden insgesamt elf Interviews durchgeführt, wobei Interview P als Pretest in der Auswertung nicht berücksichtigt wurde. Abb. 31 und 32 zeigen eine Übersicht der ausgewählten Fachpersonen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 31: Übersicht der KI-Experten (eig. Darst.)

Abbildung in dieser Leseprobe nicht enthalten

Abb. 32: Übersicht der SC-Expertinnen/-experten (eig. Darst.)

7.4.2 Erstellung des Interviewleitfadens

Um die Interviews vergleichbarer zu machen wird ein Leitfaden für die halbstandardisierten Interviews erstellt (Hussy et al., 2013). Wie in Kap. 7.4.1 aufgeführt, bringen die Experten aus dem Bereich KI gegenüber denjenigen aus der SC unterschiedliches Wissen und Erfahrung mit. Deshalb werden, auf die beiden Gruppen angepasst, zwei unterschiedliche Leitfaden für die Interviews erstellt.

Die Entwicklung der Leitfragen basiert auf den empirisch geleiteten Fragestellungen und dem theoriebasierten Kategorienmodell aus Kap. 6.8. Der Leitfaden ist in drei Teile und einen Abschluss gesplittet. Der erste Teil besteht aus Einstiegsfragen ohne direkten Bezug zur Forschungsfrage oder dem theoriebasierten Kategorienmodell, dient zur Aufwärmung und ist für beide Gruppen gleich.

Die Leitthemen gemäss Abb. 33 für die KI-Fachleute gehen vom Groben ins Detail und starten im zweiten Teil mit allgemeinen Fragen zum Einsatz von KI im SEK. Im dritten Teil wird auf den spezifischen Einsatz von KI im SEK und in der SC für die SCR-Stärkungen eingegangen. Hier werden mehr die Eigenschaften als die KI in der Anwendung beleuchtet. Zum Abschluss wird bei beiden Gruppen eine Potentialabschätzung abgefragt, die nicht zwingend einen Rückschluss für die empiriegeleiteten Forschungsfragen hat, jedoch wichtige Inputs für die gestaltungsgeleiteten Forschungsfragen liefern.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 33: Leitthemen KI-Fachleute (eig. Darst.)

Die SC-Leithemen gemäss Abb. 34 unterscheiden sich im zweiten Teil dadurch, dass auf die SCR und deren Wichtigkeit eingegangen wird und wie der SEK aus Praxissicht die SCR stärken könnte. Im dritten Teil wird auf die Anwendungsmöglichkeiten von KI zur Unterstützung des SEK im Bereich SCR-Erhöhung eingegangen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 34: Leitthemen SC-Fachleute (eig. Darst.)

Im Pretest wurde mit Experte P, der alle Kriterien gemäss Abb. 30 erfüllt, die Praxistauglichkeit des Leitfades, der Ablauf und die Zeitdauer geprüft, und. Der Test lieferte die Erkenntnis, dass die Interviewleitfäden, zu finden in Anhang 4 und 5, verwendet werden können.

7.5 Durchführung der Interviews

7.5.1 Reportage

Die Interviews haben im Zeitraum vom 27. Juni bis 12. Juli 2021 stattgefunden. Mit sämtlichen Befragten wurde ein Vorgespräch geführt, bei dem ihre Eignung nach den in Abb. 30 dargestellten Kriterien überprüft und über Ziel und Ablauf des Interviews informiert wurde. Auf Wunsch wurde im Vorfeld ein Briefing gemäss Anhang 5 und 6 versendet.

Für die Interviews wurde inklusive Eröffnungs- und Schlussphasen eine Planzeit von 75 bis 90 Minuten eingerechnet. Die effektive Dauer, Eindrücke und Besonderheiten sind in Abb. 35 dokumentiert.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 35: Übersicht Interviews (eig. Darst.)

Um möglichst hochwertige Resultate zu erzielen wurden die Interviews in den jeweiligen Muttersprachen durchgeführt (Hochdeutsch und Schweizerdeutsch). Aufgrund der Covid-19 Situation fanden sämtliche Gespräche an den Arbeitsplätzen der Fachleute als Videocall statt.

7.5.2 Ablauf der Interviews und Transkription

Die Interviews wurden in die drei Phasen Eröffnungs-, Haupt- und Endphase gegliedert.

In der Eröffnungsphase wurde jeweils kurz über Zweck, Ablauf und das allgemeine Ziel der Arbeit informiert. Bei den Befragten wurde nochmals die Erlaubnis zur Aufnahme des Gespräches eingeholt und abgeklärt, ob sie Anonymität wünschen. (Hussy et al., 2013).

Im Hauptteil wurden die im Leitfaden definierten Fragen gestellt. Wobei je nach Gesprächsverlauf eine beliebige Reihenfolge oder eine andere Formulierung der Fragen gewählt wurde (Hussy et al., 2013). Es wurde darauf geachtet, dass die Befragten möglichst frei und ohne Unterbrechung sprechen konnten und um sie nicht zu beeinflussen, wurden keine Suggestivfragen gestellt (Hussy et al., 2013). Zum Abschluss der Gespräche wurde ihnen die Möglichkeit angeboten, zusätzliche Punkte anzusprechen, die nicht berücksichtigt wurden.

Am Ende wurde das Einverständnis einer nochmaligen Kontaktierung eingeholt falls bei der Transkription Unklarheiten oder Verständnisfragen auftreten, und die Teilnahme verdankt.

Die Datenaufbereitung der Interviews ist mittels Transkriptionsverfahren durch eine Drittpartei erfolgt. Die in Schweizerdeutsch geführten Interviews wurden beim Transkribieren in Schriftsprache übersetzt und in geglätteter Form komplett und wortgetreu transkribiert. Zur Qualitätskontrolle und kommunikativer Validierung wurden sämtliche Transkripte vor der Autorin geprüft, Anpassungen angebracht und bei Unklarheiten rückgeprüft. Sämtliche Transkripte und Videodateien sind in ihrer Rohfassung von der Autorin archiviert worden.

7.6 Zwischenfazit

Zu Beginn des Kapitels wurden die Zielsetzung der Untersuchung sowie die Auswahl der Erhebungsarten und Auswertungsmethoden beschrieben und begründet. In der Operationalisierung wurde die Wahl der Fachpersonen erläutert und die Entwicklung des Interviewleitfadens aufgezeigt. Die Untersuchung wurde mittels Reportage dokumentiert und der Ablauf der Interviews und die Transkription beschrieben. In Kap. 8 wird ausführlich auf die Auswertung der empirischen Untersuchung eingegangen.

8 Auswertungsteil

8.1 Einleitung

Dieses Kapitel beschreibt, wie die Untersuchung der Interviews durchgeführt, die Ergebnisse in den jeweiligen Kategorien dargestellt und schlussendlich mit Kernaussagen zusammengefasst wurden. Es wird aufgezeigt, wie die unterschiedlichen Güterkriterien zur Qualitätssicherung eingehalten werden und eine Abgrenzung des empirischen Teils vorgenommen. Die Zusammenfassung und Konklusion schliesst den empirischen Teil ab.

8.2 Auswertung der Untersuchung

8.2.1 Kategoriensystem

Durch Markieren der relevanten Textbausteine wurde ein Überblick über den Inhalt der transkribierten Interviews erstellt und in Anlehnung an Mayring eine erste Zuordnung im Kategoriensystem vorgenommen (Mayring, 2015). Wie in Kap. 7.3.2 erwähnt wurden die Kategorien zunächst deduktiv aus den Resultaten abgeleitet und in ein Kategoriensystem übernommen. Mit diesem Vorgehen wurden die relevanten Informationen zur Beantwortung der Forschungsfrage herausgefiltert, die Textbausteine mit einer fortlaufenden Nummer versehen und mit der Interviewkennzeichnung (P, A, B, C, D, E, F, G, H, I und K) ergänzt. Folglich findet man die Aussage E5 im Interview E im fünften Textbaustein. Aussagen, die keinen Mehrwert für die Beantwortung der Forschungsfrage haben, sind ausgegraut. Die nummerierten Transkripte sind in Anhang 7 bis 16 zu finden.

Die identifizierten Textbausteine wurden anschliessend anhand des theoriebasierten Kategoriensystems in die entsprechenden Ober- und Unterkategorien im Kodierleitfaden eingeteilt und induktiv ergänzt, indem das empirisch erhobene Datenmaterial systematisch analysiert und noch nicht vorhandene Kategorien neu gebildet wurden (Hussy et al., 2013). Die Kategorienbildung wurde überprüft, reduziert und im Kodierleitfaden mit Ankerbeispielen versehen. Anschliessend wurden die Kategorien durch eine Kernaussage zusammengefasst. Das finale Kategoriensystem ist im Anhang 17 dargestellt.

8.3 Ergebnisse der Untersuchung

In den nachfolgenden Unterkapiteln wird mit den kategorisierten Eigenschaften aufgezeigt, wie KI die Aktivitäten des SEK in den Schlüsselfaktoren unterstützen kann, um die SCR zu stärken. Die Resultate aus der Untersuchung sind mittels Ankerbeispielen erläutert und schliessen mit einer Kernaussage ab. Da die Schlüsselfaktoren als Oberkategorie nur zur Einordung dienen und keinen direkten Bezug zur Forschungsfrage haben, sind diese im Kodierleitfaden wohl ersichtlich, werden aber nicht explizit beschrieben. Um die Nachvollziehbarkeit der Untersuchung zu gewährleisten, sind die Kodierleitfäden in Abb. 36, 44, 53 und 60 dargestellt.

8.3.1 Ergebnisse Supply Chain Agilität

Abbildung in dieser Leseprobe nicht enthalten

Abb. 36: Ausschnitt Kodierleitfaden: Ergebnisse SC-Agilität Teil 1 (eig. Darst.)

8.3.1.1 Ergebnisse Sichtbarkeit in der Supply Chain

Nach Meinung der meisten Befragten ist Sichtbarkeit in der SC eine Grundvoraussetzung. Um zu wissen, wo man was kauft, wer sind die Lieferanten, wie ist der Wettbewerb und worin bestehen die Schwierigkeiten ist es wichtig, dass zuerst Transparenz erzeugt wird (B9). Primär geht es darum, überall Transparenz und eine gewisse Visibilität zu erhalten (I25). Durch diese zwei Kernpunkte wird die SC massiv resilienter (G7).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 37: Kernaussage Sichtbarkeit in der SC (eig. Darst.)

Experte B weist darauf hin, dass die Auswirkungen im Falle einer Störung bei Tier-1 Lieferanten abgeschätzt werden können, jedoch nicht für die der Vorlieferanten (B5). Deshalb wird Transparenz bis zum Tier-n Lieferanten vorangetrieben (I19). Es wird darauf hingewiesen, dass Nachhaltigkeit ein End-to-End Tracking erfordert (F1). Auch Expertin I sieht, dass Nachhaltigkeit und Transparenz in Zukunft immer wichtiger werden (I18).

Zum Einsatz von KI werden folgende Aussagen gemacht. Intelligente Anwendungen ermöglichen die Rückverfolgung (I20). Blockchain erhöht die Durchgängigkeit und Richtigkeit von Daten (D35). Für die Transparenz in der SC mit Realtime-Informationsübermittlung wird KI benötigt, damit es überhaupt funktioniert (A9).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 38: Kernaussage bessere Rückverfolgbarkeit (eig. Darst.)

In der Diskussion mit den Experten E wird darauf hingewiesen, dass beim Einsatz von KI die Lieferanten durch Transparenz und Durchgängigkeit in den Bestandesdaten die Bedarfe besser planen können (E24). Somit können Bestellungen später ausgelöst und Zwischenlagerungen vermieden werden (E26). Experte G ergänzt, dass Sichtbarkeit in den Lagerbeständen eine gemeinsame Informationsgrundlage generiert und schneller auf Bedarfsänderungen reagiert werden kann (G5). Somit besteht auch die Möglichkeit, wichtige Lieferanten ins System zu integrieren und die Verantwortung der Disposition dem Zentrallager des Lieferanten zu übertragen (G6).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 39: Kernaussage transparentere Lagerbestände (eig. Darst.)

Laut Expertin I heisst KI nicht viele, sondern relevante Informationen zu erhalten (I42). Experte D ergänzt, dass Datenauswertung entscheidend im Kontext zur Resilienz ist, um die richtigen Informationen aus den Daten zu lesen (D30). Es werden viele Daten generiert und KI kann diese verknüpften. Das ergibt ein enormes Potential (D46).

KI ermöglicht die gleichzeitige Beobachtung und Anpassung eines hohen Datenvolumens und bietet die Chance, Entscheidungen granularer zu treffen (E30). Obschon Trends von Menschen beurteilt werden können, liegt die Schwierigkeit bei Beurteilungen an den grossen Datenvolumen. Und hier kann KI unterstützen (E1).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 40: Kernaussage Eigenschaft effizientere Datenüberwachung (eig. Darst.)

Auf die Frage, ob KI für das Beschaffungsmarkt-Screening eingesetzt werden könnte, so wird die Suche mit KI-Agenten für spezielle Produkte (A19), komplexe Produkte oder eine grosse Lieferantenbasis (C34) als interessant erachtet. Experte G sieht ein sehr grosse Potential in der Nutzung von KI-basierten Plattformen, durch die der SEK neue Produkte finden könnte, die nicht nur günstiger, sondern auch passender sind (G34).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 41: Kernaussage vollumfängliches Screening (eig. Darst.)

8.3.1.2 Ergebnisse Produktstandardisierung

Experte G begründet einen grossen, völlig aufgeblasenen Artikelstamm mit fehlender Artikelstandardisierung im Unternehmen (C16). Expertin I setzt als Massnahme die Vereinheitlichung der Spezifikationen in der Entwicklungsphase voraus, damit aus verschiedenen Quellen eingekauft werden kann (I29) oder gibt bereits in der Entwicklungsphase mehrere Lieferanten für Komponenten frei (I28).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 42: Kernaussage Produktstandardisierung (eig. Darst.)

Produktstandardisierung wird als induktiv gebildete Kategorie im Modell aufgenommen, weil die Fachleute Eigenschaften von KI identifiziert haben, mit denen Aktivitäten im SEK unterstützt werden können.

Experte B sieht in KI bei der Suche nach alternativen Beschaffungsmöglichkeiten für Normteile und Standardisierungsvorschläge als eine interessante Möglichkeit (B19). Experte C konnte in seinen Stammdaten durch Should Costing die redundanten Teile identifizieren und diese eliminieren (C17). Stammdaten von verschiedenen Kunden werden in KI-Plattformen eingespielt, verglichen und Empfehlungen abgegeben (C18).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 43: Kernaussage Enabler zur Standardisierung (eig. Darst.)

KI als Enabler für die Standardisierung wird als induktiv gebildete Kategorie im Modell aufgenommen, die Eigenschaft von KI bietet hierfür Unterstützung, um die Flexibilität im SEK zu erhöhen.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 44: Ausschnitt Kodierleitfaden: Ergebnisse SC-Agilität Teil 2 (eig. Darst.)

8.3.1.3 Ergebnisse Risikofrühwarnsystem

Die Befragten sind sich einig, dass ein Risikofrühwarnsystem die Aktivitäten vom SEK unterstützt, wobei sie auf unterschiedliche Einsatzmöglichkeiten eingehen.

Experte B vertritt die Meinung, dass die Einführung eines Frühwarnsystems zur Erhöhung der SCR führt (B2). Vor allem sieht er in der Etablierung eines Frühwarnsystems mit Daten aus verschiedenen Informationsquellen für Serienproduktionen ein grosses Potential. (B17). Experte F spricht von der Nutzung anderer Quellen für die Früherkennung, wie zum Beispiel Social Media bei Stellwerkstörungen der SBB (F16). Experte A denkt, dass Computer Vision bei der Überwachung natürlicher Rohstoffe eingesetzt und somit früher Rückschlüsse auf Ernteerträge gezogen werden könnten (A2).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 45: Kernaussage Risikofrühwarnsystem (eig. Darst.)

Die Befragten sehen Möglichkeiten und Vorteile in der Visualisierung der Risiken. So weist Expertin I darauf hin, dass zukünftig Tier-X Lieferanten im Unternehmen in der SC visualisiert werden und bei Risikoeintritt ein Alert ausgelöst wird (I35). Produkte werden in Einzelteile aufgeschlüsselt, den Lieferanten und Vorlieferanten zugeordnet und Einflüsse und Zusammenhänge gemappt (I37). Gemäss Experte A werden für Branchen zur Digitalisierung des Wissens Ontologien entwickelt, welche für die Früherkennung mit KI genutzt werden könnten (A12). Auch Experte K geht auf dieses Thema ein und spricht vom Einsatz von Graphen, die mit Daten gefüttert werden und Produkte und Zulieferer abbilden (K1). Mit diesem Wirkungsnetz könnten logische Beziehungen dargestellt, Krisen ebenso logisch gesehen und Massnahmen ergriffen werden (K7). Experte H sieht in KI eine Möglichkeit, Risiken und Probleme durch digitale Abbilder besser zu visualisieren (H11).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 46: Kernaussage Bessere Visualisierung von Risiken (eig. Darst.)

Die Befragten sehen unterschiedliche Einsatzmöglichkeiten für KI, um Risiken früher zu erkennen. Experte B kennt die Anwendung von Robotern, die auf Schlüsselbegriffe aus Medien reagieren (B3). Er kann sich vorstellen, dass KI durch Verknüpfung von Informationen aus unterschiedlichen Datenquellen potentielle Risiken analysieren und proaktiv Vorschläge zur Risikoreduktion generieren kann (B21). Experte A bestätigt, dass über externe Daten relativ einfach Analysen und Schlussfolgerung über Risiken gezogen werden könnten (A14). Experte F weist darauf hin, dass Daten von Sensoren, ausgewertet über KI-Modelle zur Risiko-Früherkennung, als Informationsquellen genutzt werden können (F15). Er sieht auch IoT als Enabler für das Risikomanagement (F23). Experte H geht auf die Möglichkeit von KI ein, Prozesse proaktiv auf Anomalien und Abweichungen zu untersuchen (H4).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 47: Kernaussage Frühere Erkennung von Risiken (eig. Darst.)

Dank digitalen Twins können Simulationen durchgeführt werden (A16). Experte K sieht bei der Nutzung von Simulationen die KI als Entscheidungsunterstützung, doch die endgültige Entscheidung soll allerdings immer noch vom Menschen gefällt werden (H17). Er beschreibt KI als riesigen Baukasten, bei dem verschiedene Module kombiniert werden können, um so trainiert bessere Entscheidungen zu fällen (H9). Die Experten E sehen KI nicht nur als Prognosemaschine, sondern auch als Zusammenhangserkenner (E27). Gemäss ihrer Beobachtung haben Menschen Schwierigkeiten bei der Differenzierung der Wichtigkeit von Artikeln und treffen deshalb schlechtere Entscheidungen als die KI (E3). Die Entscheidungsqualität mit KI ist hoch, und deshalb sollten Menschen nur für Ausnahmefälle miteinbezogen werden (E8). Gemäss Experte G könnte der grösste Teil der Entscheidungen von KI selbst gefällt werden, oder zumindest als Berater Handlungsempfehlungen abgeben (G30).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 48: Kernaussage Smartere Entscheidungen (eig. Darst.)

8.3.1.4 Flexibilisierung der Supply Chain

Experte D stuft eine schnelle Reaktion bei Störungseintritt und Stabilisierung des Systems als wichtig ein (D2). Expertin I bestätigt dies (I9).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 49: Kernaussage Flexibilisierung der SC (eig. Darst.)

Die Experten E sehen die Reaktivität und Geschwindigkeit als einen Erfolgsfaktor bei Eintritt von Störungen (E29). Es gibt immer wieder Einflüsse, die nicht prognostiziert werden können. Deshalb ist es von Relevanz, schnell auf Veränderungen reagieren zu können und KI ermöglicht, per Knopfdruck tausende von Artikel per sofort anzupassen (E14). Experte A kann sich eine aktive Lieferantensuche zur Verminderung oder zur Lösung eines Versorgungsproblems mit KI-Agenten vorstellen (A8), und dass eine Suche mit diesen wesentlich schneller ist (A7). Die SC ist heute ein Ökosystem und KI erzeugt den Vorteil, bei Veränderungen schnell über die ganze SC Anpassungen vorzunehmen (G20).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 50: Kernaussage Agilere Anpassung auf Veränderungen (eig. Darst.)

Transportwege können mit einem klassischen Routen-Algorithmus zur Ermittlung der besten Lieferrouten berechnet werden (K5). Maersk ist ein Anwendungsbeispiel, wie bei Störungen durch Transparenz mehr Resilienz erreicht werden kann (F9) oder die Schweizerische Post, welche mit einem Track-and-Trace System über alle Frachtwege und Industrien Transparenz hat (G26).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 51: Kernaussage Flexiblere Transportrouten (eig. Darst.)

Für Experte D hat KI grosses Potential, einen schnellen Vergleich von Vertragsklausen vorzunehmen und Empfehlungen für Vertragsverbesserungen abzugeben (D25). Dank KI können Verträge in kürzester Zeit analysiert und Vorschläge zu Vertragsanpassungen und -erneuerungen unterbreitet werden (D27). Experte H weist auf die Option einer schnellen und qualitativ hochwertigen Übersetzung von Verträgen durch KI hin (H6).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 52: Kernaussage Schnellere Erstellung von Verträgen (eig. Darst.)

8.3.2 Ergebnisse Supply Chain Zusammenarbeit

Abbildung in dieser Leseprobe nicht enthalten

Abb. 53: Ausschnitt Kodierleitfaden: Ergebnisse SC-Zusammenarbeit (eig. Darst.)

8.3.2.1 Strategisches Lieferanten Management

Expert C ordnet aufgrund der grossen Abhängigkeit zu seinen Lieferanten das Lieferantenmanagement als zentrales Thema ein (C10). Auch bei Experte D gewinnt das Lieferantenmanagement mit Partnern an Wichtigkeit, wenn keine Mehrquellenstrategie umgesetzt werden kann (D15). Für Expertin I ist das Lieferantensetup ein grosser Einflussfaktor auf die SCR (I3). Sie ordnet SLM auch in Zukunft eine hohe Relevanz zu (I15).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 54: Kernaussage SLM (eig. Darst.)

Experte B erwähnt, je besser der Forecast, desto einfacher ist die Zusammenarbeit mit Lieferanten (B24). Laut den Experten E kann aufgrund von präzisen Absatzprognosen mit KI die Lagerhaltung optimiert werden (E6). Langfristiger Forecast hilft den Lieferanten enorm. 80% der Wellen können in der Planung geglättet und Störungen aus dem System eliminiert werden (E25).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 55: Kernaussage Präzisere Bedarfsprognose (eig. Darst.)

Ohne Systemunterstützung sieht Experte C die Forecast-Erstellung mit einer hohen Genauigkeit als sehr aufwändig an. Und je genauer der Forecast, desto besser können Rahmenverträge abgeschlossen werden. Hier liegt enormes Potential (C27).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 56: Kernaussage Genauere Rahmenverträge (eig. Darst.)

8.3.2.2 Strategisches Relationship Management

Aus Sicht von Experte B wird SRM aus Ressourcen- und Zeitgründen oft nicht genügend Aufmerksamkeit geschenkt und in ihrer Bedeutung unterschätzt (B15). Gemäss der Schätzung von Experte D ist eine etablierte Partnerschaft auch in schwierigen Phasen robust (D16). Expertin I vertritt die Meinung, dass durch das Betreiben eines SRM mit den richtigen Lieferanten der Aufbau der Zusammenarbeit sowie der Informationsaustausch enorm unterstützt wird (I16).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 57: Kernaussage SRM (eig Darst.)

Wichtig zur Erhöhung der SCR ist der Informationsaustausch in der SC (B12). Besserer Informationsaustausch ermöglicht eine genauere und schnellere Einschätzung der Situation (D8). Information Sharing mit Lieferanten hat sich in der Krise sehr bewährt (I14). Einen hohen Einflussfaktor auf die SCR hat der standardisierte Informationsfluss. Denn es braucht Anhaltspunkte (F8).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 58 Kernaussage Standartisierterer Datenaustausch (eig. Darst.)

Nach Einschätzung von Experte B wären eine Verknüpfung von Wissen aus verschiedenen Systemen, das Lernen aus dem Wissen und das Filtern relevanter Informationen sehr interessante KI-Anwendungen (B22). Aus Sicht von Experte A kann KI aus Wissen lernen und sich adaptiv verhalten (A18). Experte F ergänzt, dass KI nur Empfehlungen abgeben kann, wenn das System auch schon Erfahrungen gemacht hat und somit Wissen vorhanden ist (F5).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 59: Kernaussage Verbessern durch Wissen (eig. Darst.)

8.3.3 Supply Chain Robustheit

Abbildung in dieser Leseprobe nicht enthalten

Abb. 60: Ausschnitt Kodierleitfaden: Ergebnisse Robustheit (eig. Darst.)

8.3.3.1 Mehrquellenstrategie

Dem Abhängigkeitsrisiko wird mit Mehrquellestrategien entgegengesteuert (D17). Mehrlieferanten-Modelle haben Vorzüge. Bei A-Materialien ist trotz mehrerer Lieferanten meistens der Skaleneffekt gegeben (G13). Wenn man in der komfortablen Lage ist, Dual Sourcing zu haben, hat dies einen positiven Einfluss auf die Erhöhung der SCR (I5).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 61: Kernaussage Mehrquellenstrategien (eig. Darst.)

Gemäss Experte G können mit KI über intelligente Beschaffungsplattformen weltweit neue Beschaffungsquellen für Produktportfolios und alternative Produkte gesucht werden und das System generiert daraufhin entsprechende Vorschläge (G14). Experte C erachtet die KI-basierte Lieferantensuche für Clustern oder für die Erstellung einer Long-List bei einer grossen Datenbasis als interessant (C30). Anhand von Suchbegriffen eine Liste von potentiellen Lieferanten zu erhalten, sieht Experte D als eine interessante Anwendung (D39). Die Erschliessung von Alternativquellen im standardisierten Handwarenbereich ist sinnvoll (D14). Zum Vergleichen verschiedener Kriterien bei komplexen Produkten oder einer grossen Anzahl von Lieferanten ist KI zur Entscheidungsunterstützung hilfreich (K4). Aus Sicht des Experten H hilft KI nicht nur bei der Auswahl von zehn, sondern befähigt den SEK aus tausenden von Lieferanten auszuwählen (H10).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 62: Kernaussage Mehrere Quellen für Ausschreibung (eig. Darst.)

Expertin I merkt an, dass bei Mehrquellenstrategien bei allen Quellen regelmässig bestellt werden muss (I27). Gemäss den Experten H und E unterstützt KI bei der Splittung des Auftragsvolumens und bei dessen Verteilung auf mehrere Lieferanten (H8), um so einen optimalen Mengen-, Preis- und Risikomix für die verschiedenen Lieferanten zu berechnen (E22).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 63: Kernaussage Risikobasiertere Mengensplittung (eig. Darst.)

Die Eigenschaft von KI einen risikobasierten Mengensplit vorzunehmen wird als eine weitere, induktiv gebildete Kategorie im Modell aufgenommen, denn nur durch eine Aktivhaltung der Quellen kann bei einer Mehrquellenstrategie die SCR auch tatsächlich gestärkt werden.

8.3.3.2 Lagerhaltung

Experte B erachtet es als sinnvoll, in Engpasssituationen die Vorratshaltung situativ massiv zu erhöhen (B8). Obwohl die Lagerhaltung verpönt ist, erzählt Experte C, konnte dank dieser in der Pandemie die Lieferverfügbarkeit gewährleistet werden (C8). Aus Sicht von Expertin I hat die gesamte Logistik mit Transportweg, Lagerort und -menge (I7) einen Einfluss auf die SCR (I8). Die Experten C und D sehen Möglichkeiten, die Lagerhaltung auf Lieferanten zu übertragen (C23), und somit die Sicherstellung der Verfügbarkeit durch lokale Lieferantenlager bei Single Source Situationen zu gewährleisten (D20).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 64: Kernaussage Lagerhaltung (eig. Darst.)

Die Lagerhaltung wird als weitere, induktiv gebildete Kategorie im Modell aufgenommen, da die Befragten Chancen aufzeigen, wie die Eigenschaften der KI die Aktivitäten vom SEK unterstützen können, um das Vernichtungsrisiko, welches bei der Bildung von Redundanzen entstehen kann, zu reduzieren.

Experte C weist bei Mengenkontrakten auf die Problematik der Abnahmeverpflichtung der Güter hin, die bei falschen Bedarfsprognosen vernichtet werden müssten (C33). Gemäss den Experten E können durch KI die unternehmerischen Risiken abgeschätzt und Prognosen erstellt werden, um die Produkte entsprechend zu bestellen. Die Lagerhaltung kann optimiert (E28) und die Warenverfügbarkeit erhöht werden (H5). Produzierte Produkte werden wirklich verkauft und müssen nicht vernichtet werden, was wiederum einen positiven Einfluss auf die Nachhaltigkeit hat (E10). Experte G weist auch darauf hin, dass sich dank KI-Unterstützung seine Vernichtungskosten durch genauere Planung reduzierten (G18) und somit die Nachhaltigkeit verbessert wurde (G19).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 65: Kernaussage Geringeres Vernichtungsrisiko (eig. Darst.)

Die Eigenschaft geringeres Vernichtungsrisiko wird als weitere, induktiv gebildete Kategorie im Modell abgebildet, da diese die Robustheit in der SC unterstützt.

8.3.3.3 Steuerung der Beschaffungsrisiken

Nach Aussagen der Interviewten wird Risikomanagement unterschiedlich umgesetzt. Aus Sicht von Experte B ist dieses von der Marge des Geschäfts abhängig, die wiederum einen Zusammenhang mit dem Reifegrad des SEK hat (B1). Er prüft Bonitätsrisiken im retroperspektiven Ansatz (B11). Hingegen fokussiert sich Experte C auf die Rückverlagerung der SC nach Europa (C6) und auch Experte G geht auf die Lokalisierung der Sourcingquellen ein (G11). Für Experte D sind vor allem die Vertragsrisiken im SEK wichtig (D9), insbesondere der Datenzugriff und die Datenschutzthematik (D10).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 66: Kernaussage Steuerung Beschaffungsrisiken (eig. Darst.)

Experte F geht auf Beispiele der Qualitätskontrolle mit KI ein, welche auf KI-basierten Modellen beruhen, die trainiert sind. Die Qualitätskontrolle wird mit ausgelagerten Prozessen bei Zulieferern durchgeführt (F12). Bei Lieferanten in der Nahrungsmittel- (F13) und Maschinenindustrie (F18) wurde die Eingangskontrolle an den Lieferanten übertragen. Expertin I setzt im Unternehmen zur besseren Planung der SC bei Qualitätsdaten Data Sharing ein (I40).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 67: Kernaussage Minimierung von Qualitätsrisiken (eig. Darst.)

Die Minimierung von Qualitätsrisiken wurde als weitere, induktiv gebildete Kategorie im Modell aufgenommen, da durch den Einsatz von KI eine tiefere Fehlerquote mit weniger Störungen entsteht und dies zu mehr Robustheit in der SC führt.

Experte D benötigt durchgängige Verträge vom Kunden zum Lieferanten (D12). Für das Vertragshandling sollen zur Erkennung von Vertragslücken (D32) intelligente Systeme eingesetzt werden, auch weil die Anzahl und Vielfalt der Verträge nicht mehr handhabbar ist (D24), und bei äusserlichen Änderungen auf Knopfdruck Anpassungen im Post-Contracting möglich sind (D26). Experte G sieht ein Riesenpotential Verträge rechtssicherer zu machen (G31) und Experte H bestätigt, das intelligente Systeme in der Lage sind, Vertragsinhalte zu einem definierten Thema zu verstehen, auch wenn die Suchbegriffe nicht erwähnt sind (K11).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 68: Kernaussage Bessere Überwachung von Vertragsrisiken (eig. Darst.)

In seinem Umfeld werden gemäss Experte C bei der Lieferantenselektion die geografische Lage, die politische Situation und der Transportweg berücksichtigt (C11), sowie Lieferanten aufgrund von TCO Kriterien und Empfehlungen ausgewählt (C30). Experte D berücksichtigt Parameter für die Resilienz nicht bewusst. Diese werden durch Themen wie Nachhaltigkeit, Risikoabwägung und Datenschutz aufgenommen (D21).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 69: Kernaussage Robustere Selektionskriterien (eig. Darst.)

Aus Sicht von Experte A ist die Anwendung von digitalen Twins zur Simulation von Risiken von Interesse, da das System aus diesen Erkenntnissen lernen kann (A5). Auch Experte H sieht Möglichkeiten, KI zur Simulation von Worst-Case Szenarien und zur Ableitung von Erkenntnissen einzusetzen (H16). Er geht noch ein Schritt weiter und kann sich vorstellen, dass KI in Zukunft Vorschläge generiert, wie Prozesse besser oder optimaler gestalten werden können um Risiken zu reduzieren (H5), und dass das System fortwährend lernt und sich laufend weiterentwickelt (F22). Die Experten E sprechen das Fehlerrisiko an, wenn Menschen keine Zeit haben, X-Einzelposition mit X-Parametern zu berechnen und deshalb Schätzungen vornehmen. Eine Maschine ist genauer und kann skalieret werden (E7).

Abbildung in dieser Leseprobe nicht enthalten

Abb. 70: Kernaussage intelligentere Risikosteuerung (eig. Darst.)

8.3.3.4 Allgemeine Erkenntnisse

In den Interviews konnten einige interessante, allgemeine Erkenntnisse gewonnen werden, die keinen direkten Bezug auf die Beantwortung der Forschungsfragen haben. Diese sind im Anhang 18 aufgeführt und werden im Kap. 9.2.5 diskutiert und interpretiert.

8.4 Güterkriterien und Abgrenzung

Für die qualitative Forschung zur Gewährleitung der Wissenschaftlichkeit wurden spezifische, qualitative Güterkriterien entwickelt, da die klassischen Güterkriterien der quantitativen Sozialforschung für die Objektivität, Reliabilität und Validität nicht geeignet sind (Gläser-Zikuda, 2011). Nachfolgend wird gemäss Abb. 71 auf die verschiedenen Güterkriterien zur Qualitätssicherung der qualitativen Auswertungen eingegangen und beschrieben, wie das Erreichen der Kriterien in dieser Masterarbeit sichergestellt wurde.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 71: Darstellung der Güterkriterien (eig. Darst.)

In Anhang 19 wird die methodische Abgrenzung der Ergebnisse dieser Arbeit nochmals kritisch reflektiert und hinterfragt.

8.5 Zusammenfassung Empirischer Teil und Konklusion

In Kap. 7 wurde auf die Methodenauswahl und die Operationalisierung eingegangen. Kap. 8 wurde mit einer Beschreibung des Vorgehens der Auswertung dieser Untersuchung eröffnet und in Anschluss ausführlich auf die Ergebnisse der Untersuchung eingegangen, indem die Resultate anhand von Ankerbeispielen und Kernaussagen dokumentiert wurden. Zur Sicherstellung der Qualität der Untersuchung wurde auf die verschiedenen Güterkriterien eingegangen und deren Sicherstellung beschrieben. Zum Abschluss des empirischen Teils wurde eine Abgrenzung vorgenommen.

Die in Abb. 72 dargestellte, empiriegeleitete Fragestellung konnte durch die Resultate der Interviews beantwortet werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 72: Empiriegeleitete Fragestellung (eig. Darst.)

Die Resultate aus der Untersuchung werden im Gestaltungsteil diskutiert und den Erkenntnissen des Theorieteils gegenübergestellt, in ein finales Kategorienmodell überführt und Empfehlungen abgegeben.

GESTALTUNGS- UND SCHLUSSTEIL

9 Gestaltungsteil

9.1 Einleitung

Nachdem im empirischen Teil die Eigenschaften von KI zur Unterstützung der Aktivitäten im SEK zur Verbesserung der SCR mittels der qualitativen Inhaltsanalyse aus Praxissicht ermittelt wurden, werden diese Ergebnisse im Gestaltungsteil den Erkenntnissen aus dem Theorieteil gegenübergestellt, diskutiert, interpretiert, begründet und reflektiert. Im Anschluss wird das finale Kategorienmodell, das mit den induktiven Kategorien aus der Untersuchung ergänzt wurde, vorgestellt und erläutert. Das Kapitel wird mit Empfehlungen, einer Zusammenfassung und einer Konklusion abgeschlossen.

9.2 Interpretation, Diskussion und Reflektion

Im Folgenden wird in der Diskussion ausschliesslich auf den Aspekt eingegangen, die gestaltungsgeleiteten Forschungsfragen wie in Kap. 1.3 dargestellt zu beantworten. Es sollen die Möglichkeiten von KI im SEK zur Stärkung der SCR aufgezeigt und ein Überblick erstellt werden wie KI den SEK unterstützen kann, und eine Bewertung des Potentials der KI-Unterstützungsmöglichkeiten durchgeführt werden. Da die Schlüsselfaktoren der Oberkategorie lediglich zur Orientierung der Einflussfaktoren in der SCR dienen und die Aktivitäten des SEK in der ersten Subkategorie die gestaltungsgeleiten Fragestellungen nicht beantworten, werden diese nicht diskutiert. Es werden ausschliesslich die Eigenschaften der KI zur Unterstützung des SEK, die sich in der zweiten Subkategorie befinden, berücksichtigt.

9.2.1 Diskussion und finale Modellierung Supply Chain Agilität

Im folgenden Unterkapitel werden die Ergebnisse der SC-Agilität aus dem theoretischen Teil aus Kap. 6 jenen des empirischen Teils aus Kap. 8 gegenübergestellt und das finale Kategorienmodell vorgestellt.

9.2.1.1 Diskussion Sichtbarkeit in der Supply Chain

Wie in Kap. 6.4 dargestellt, ist die Sichtbarkeit über die Tier-1 Lieferanten hinaus in der gesamten SC relevant. Die Fachkräfte bestätigen diese Aussage und sehen die Sichtbarkeit bis hin zur Ursprungsquelle als einer der Faktoren, die SCR massiv zu erhöhen. Zusätzlich gehen sie auf die Nachhaltigkeit ein, die zunehmend eine Rückverfolgbarkeit erfordert und für Unternehmen an Bedeutung gewinnt.

In den Use Cases aus dem Theorieteil (Kap. 6.3) wird aufgezeigt, dass durch den Einsatz von KI eine grosse Menge externer Daten besser überwachen und die Rückverfolgbarkeit bis zur Quelle gewährleitet werden können. Transparenz in der SC wird durch den Einsatz von Knowledge Graphen (Kap. 6.4) oder durch die Verknüpfung interner und externer Daten erlangt. Die befragten Fachleute kommen zu demselben Ergebnis, dass durch intelligente Anwendungen eine Rückverfolgbarkeit erzielt werden kann. Ergänzend weisen sie darauf hin, dass Blockchain oder Common Data Modelle die Durchgängigkeit und Richtigkeit der Daten erhöht und in Kombination mit KI eingesetzt werden könnte. Gemäss den Befragten ist die Herausforderung, sich auf einen einheitlichen Standard zu einigen.

Durch eine End-to-End Planung in Echtzeit (Kap. 6.5) oder durch die Verknüpfung physischer und digitaler Daten (Kap. 6.6) wird eine granulare Bestandestransparenz über die Standorte verfügbar. Eine höhere Transparenz bei Lagerbeständen durch den Einsatz von KI und die damit verbundene schnellere Reaktionsfähigkeit auf Veränderungen wird von den Befragten bestätigt. Durch Sichtbarkeit kann schneller auf Veränderungen eingegangen werden und weiter bietet sich die Möglichkeit, die Lagerhaltung auf die Lieferanten zu übertragen. Experte G erwähnt eine Überprüfung, ob die gesamte Lieferantenbasis in das System integriert oder nach dem 70/30 Ansatz vorgegangen werden soll.

Wie mit den verschiedenen Anwendungsbeispielen im Theorieteil aufgezeigt wird, befähigt KI Unternehmen, Millionen von internen und externen Daten in Echtzeit automatisch zu überwachen (Kap. 6.3 und 6.4), zu analysieren und die relevanten Daten herauszufiltern (Kap. 6.6). Gemäss den Befragten entsteht dann Resilienz, wenn die richtigen Informationen aus den Daten gelesen werden. Weiter bietet KI Unterstützung bei Anpassungen und Analysen von grossen Datenvolumen. Das Potential für Einsatzmöglichkeiten wird von den befragten Fachpersonen als sehr hoch eingeschätzt.

Systematisches Lieferantenscreening grosser Datenvolumen erlaubt mit KI den globalen Beschaffungsmarkt schnell und umfangreich nach Quellen abzusuchen (Kap. 6.2). Die Untersuchungsergebnisse bestätigen dies. Der Einsatz von KI für gross angelegte Suchabfragen für spezielle, komplexe Produkte oder für neue Beschaffungsmärkte wird als interessant eingestuft.

Fazit: KI kann durch die Eigenschaften bessere Rückverfolgbarkeit, transparentere Lager, effizientere Datenüberwachung und umfassendere Lieferantensuche eine wesentliche Verbesserung der SCR erwirken.

9.2.1.2 Diskussion Produktstandardisierung

Wie im Theorieteil (Kap. 4.4.2) beschrieben, ist die Produktstandardisierung eine der Aktivitäten des SEK zur Steigerung der Agilität in der SC. Jedoch konnten in der Fachliteratur keine direkten Zusammenhänge zum Einsatz von KI für diesen Anwendungsbereich gefunden werden. Die Befragung hingegen hat ergeben, dass die systematische Suche nach Normteilen mit KI zur Vereinheitlichung des Produktportfolios als eine Option bewertet wird. Weiter wird KI-basierend Should Costing zur Eliminierung von redundanten Teilen eingesetzt, was zu einer Standardisierung führt. Obwohl Should Costing im Theorieteil in Kap. 5.5 als eine Möglichkeit für den Einsatz von KI im SEK identifiziert wurde, konnte dies in der Literaturrecherche im Zusammenhang mit der Anwendung zur Stärkung der SEK nicht bestätigt werden, wurde jedoch durch die Umfrage bekräftigt. Die Modellierung zur Produktstandardisierung wird deshalb als induktive Kategorie und KI mit der Eigenschaft als Enabler zur Standardisierung mitaufgenommen.

Fazit: Die Eigenschaften von KI können durch alternative Quellen und Standardisierungsvorschläge sowie Identifizierung redundanter Teile Standardisierungsaktivitäten unterstützen und somit die Agilität in der SC steigern, was zu einer Verbesserung der SCR führt.

9.2.1.3 Diskussion Risikofrühwarnsystem

Basierend auf der Theorie (Kap 6.3) können Digitale Twins zur Darstellung der Risiken von SC eingesetzt und, wie im Use Case Dana vorgestellt, auf einer Weltkarte visualisiert werden. Auch können über Knowledge Graphen in Verbindung mit ML oder über eine Verknüpfung von physischen und digitalen Daten, Risikoinformationen in Wirkungsnetzen (Kap. 6.4) dargestellt werden (Kap 6.6) mit dem Zweck, Risiken und Zusammenhänge besser und schneller zu erkennen. Die Ergebnisse der Interviews decken sich mit den Erkenntnissen aus der Theorie.

Die Use Cases (Kap.6.3) zeigen, dass mit einer Überwachung externer Daten mit KI Trends und Muster für eine Risikofrühwarnung festgestellt werden können und dadurch eine frühzeitige Ableitung von Massnahmen zur Risikoprävention ermöglichen. Gemäss den Interviews werden je nach Branche unterschiedliche Einsatzmöglichkeiten erkannt. Das Potential wird entsprechend nach Situation und Branche kontrovers von tief bis sehr hoch eingeschätzt. Die KI-Experten weisen ausserdem darauf hin, dass IoT ein Enabler für Risikomanagement ist und KI auch eingesetzt werden kann, um Prozessrisiken zu erkennen und Prozesse zu verbessern.

Wie in Kap. 6.3 dargestellt, können durch digitale Abbilder Simulationen und vorausschauende Analysen (Kap. 6.6) in der SC durchgeführt, eine Risikoabschätzung vorgenommen und somit intelligentere Entscheidungen getroffen werden. Für diesen Zweck eignet sich auch der Einsatz von Wirkungsnetzen mit Knowledge Graphen (Kap. 6.4). Die Schlussfolgerung der Befragten, dass KI mit ML nebst Prognosen auch Zusammenhänge erkennt und sich somit die Entscheidungsqualität erhöht, deckt sich mit der Theorie.

Fazit: Die Eigenschaften von KI befähigen den SEK Risiken früher zu erkennen, durch bessere Simulationen Prognosen und Risiken zu visualisieren, um somit bessere Entscheidungen zu fällen und die SCR zu stärken.

9.2.1.4 Diskussion Flexibilisierung der Supply Chain

Wie gemäss Theorie in Kap. 4.4.2 aufgeführt, stellt die Flexibilisierung der SC eine wichtige Aktivität des SEK dar. Die smarte Lieferantensuche (Kap. 6.2) ermöglicht einen schnelleren Aufbau von Alternativquellen bei Störungen oder proaktive Evaluation aufgrund von Prognosen. In den Interviews gehen die Befragten auf den schnellen Aufbau von Alternativquellen ein. Sie streichen aber auch die Wichtigkeit der Reaktionsgeschwindigkeit bei Veränderungen heraus und die Fähigkeit von KI, Anpassungen von grossen Datenmengen in wenigen Sekunden vorzunehmen.

Routenoptimierungen im Frachtbereich auf Basis von Knowledge-Gaphen und ML (Kap. 6.4) bieten Möglichkeiten, in Störfällen flexibler auf anderer Transportwege umzusteigen. Die Interviewten bestätigen diese Einsatzmöglichkeit mit Anwendungsbeispielen aus der Praxis. Wie in Kap. 6.7 aufgeführt können durch den Einsatz von KI Vertragsreviews oder Anpassungen von Verträgen schneller und skalierbar vorgenommen und Übersetzungen in Echtzeit durchgeführt werden. Unabhängig von den Bedürfnissen der Unternehmen wird dies bei den Befragten als sehr relevant erachtet.

Fazit: Bei Störungen und Veränderungen unterstützen die KI-Eigenschaften durch smarte Lieferantensuche und Echtzeit-Datenanpassungen agiler zu handeln, Transportrouten bei Gegebenheit flexibler zu adaptieren und Verträge schneller aufzusetzen und upzudaten. Dadurch bringt der SEK Flexibilität in die SC, was die SCR stärkt.

9.2.1.5 Finale Modellierung Supply Chain Agilität

Abb. 73 stellt das finale Kategoriemodell der SC-Agilität dar.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 73: Finale Modellierung SC-Agilität (eig. Darst.)

9.2.2 Diskussion und finale Modellierung Supply Chain Zusammenarbeit

Nachfolgend werden die Ergebnisse der SC-Zusammenarbeit des Theorieteils aus Kap. 6 den Resultaten des Empirieteils aus Kap. 8 gegenübergestellt und zum Abschluss das finale Kategorienmodell dargestellt.

9.2.2.1 Diskussion Strategisches Lieferantenmanagement

Wie in Kap. 6.5 beschrieben, können interne und externe Daten zu Bedarfen in Echtzeit ausgewertet werden. Mit Hilfe von digitalen Abbildern können verschiedene Szenarios durchgespielt werden, um bessere Bedarfsprogosen zu erstellen. Das lernende System verbessert sich laufend weiter. SC-Partner haben somit in der integrierten, kollaborativen Planung die volle Sichtbarkeit. Die Befragten sind sich einig, dass darin ein grosser Mehrwert liegt. Durch präzisiere Bedarfsprognosen verbessert sich die Zusammenarbeit und der Bullwhip Effekt kann ausgeschaltet und damit auch ein grosser Teil der Störungen aus dem System genommen werden. Dies wirkt sich positiv auf Lagerbestände, Durchlaufzeiten und Flexibilität aus. Der Aufwand für die Forecasterstellung reduziert sich und entfällt womöglich bei einer Integration. Durch die präziseren Prognosen können genauere Rahmenverträge abgeschlossen werden und somit verringert sich das Abnahmeverpflichtungsrisiko bei Rahmenverträgen erheblich.

Fazit: Präzisere Bedarfsprognosen durch KI verbessern die Zusammenarbeit, reduzieren den Bullwhip Effekt und ermöglichen, genauere Mengenverträge abzuschliessen. Diese Eigenschaften supporten die Aktivitäten des SEK, die SCR zu verbessern.

9.2.2.2 Diskussion Strategisches Relationship Management

Wie in Kap. 4.3.3 beschrieben ist der Informationsaustausch eine Grundvoraussetzung für die partnerschaftliche Zusammenarbeit in der SC. Laut der Theorie führt ein besserer Informationstausch zu mehr Vertrauen, ermöglicht eine schnellere Situationseinschätzung und unterstützt in Krisen und bei Störungsbehebungen. Bedingung ist ein standardisierter Datenaustausch, der zum Beispiel mit dem Einsatz von Knowledge Graphen (Kap. 6.4) ermöglicht wird. Das harmonisierte Information Sharing in Echtzeit (Kap. 6.6) befähigt die SC-Partner, proaktive Massnahmen umzusetzen und vorausschauend zu planen. Alle Interviewten beurteilen den standardisierten Datenaustausch als sehr wichtig. Sie machen jedoch deutlich, dass sich für die SC-Partner ein Mehrwert ergeben muss, damit eine Bereitschaft entsteht diese Daten zu teilen. Denn ohne Daten kann auch keine KI eingesetzt werden. Eine weitere Herausforderung ist eine Einigung auf eine gemeinsame Sprache und einen gemeinsamen Standard.

Mit Hilfe von Daten kann KI lernen, sich weiter zu entwickeln (Kap.6.5). Dafür werden gemäss Theorie digitale Playbooks (Kap. 6.6) oder Knowledge Graphen (Kap. 6.4) eingesetzt, um das Wissen aufzubewahren und aus Best Practice-Erfahrungen zu lernen. Die Befragten bestätigen auch, dass KI durch Erfahrung trainiert wird und dabei Wissensgraphen oder auch Digitale Twins eingesetzt werden, um die Systeme laufend zu verbessern.

Fazit: Ein durch KI standardisierter und automatisierter Datenaustausch verbessert die Zusammenarbeit und ermöglicht Systemen durch Wissens- und Erfahrungsaufbewahrung selbständiges Lernen und sich laufend zu verbessern.

9.2.2.3 Finale Modellierung Supply Chain Zusammenarbeit

Abb. 74 stellt das finale Kategorienmodell der SC-Zusammenarbeit dar.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 74: Finales Kategorienmodell der SC-Zusammenarbeit (eig. Darst.)

9.2.3 Diskussion und finale Modellierung Supply Chain Robustheit

Im diesem Unterkapitel werden die Ergebnisse der SC-Agilität aus dem theoretischen Teil aus Kap. 6 jenen des empirischen Teils aus Kap. 8 gegenübergestellt und das finale Kategorienmodell vorgestellt.

9.2.3.1 Diskussion Mehrquellenstrategie

Gemäss Kap. 4.4.4 ist in der Theorie die Mehrquellenstrategie für den SEK eine der Möglichkeiten, Redundanzen in der SC aufzubauen. Ähnlich zur Literatur sehen die Befragten in einem Mehr-Lieferanten-Modell einen Vorteil, weisen aber darauf hin, dass dieses in der Praxis aufgrund von geringem Volumen, strategischen Überlegungen oder der Art der Branche nicht immer möglich ist.

Wie in den Use Cases (Kap. 6.2) beschrieben, kann durch eine smarte Lieferantensuche der Selektions- und Ausschreibungsprozess massiv beschleunigt und viel grösser ausgelegt werden. Während den Interviews wurde das sehr kontrovers diskutiert. So sehen einige die Möglichkeit, diese Suche vor allem bei Standardware zu verwenden, andere dagegen eher für komplexe und spezielle Produkte. Ein Teil der Befragten sieht den Nutzen in einer Überblickserstellung von potentiellen Lieferanten bei der smarten Lieferantensuche, wobei Experte G anmerkt, dass KI durchaus auch Vorschläge für alternative Quellen und neue Beschaffungsmärkte unterbreiten könnte (G34). Daraus lässt sich schliessen, dass der Einsatz von intelligenten Beschaffungsplattformen noch nicht so verbreitet und die Anwendung je nach Branche und Produktportfolio unterschiedlich ist.

Weiter bemerkt Experte H, dass KI nicht nur bei der Auswahl von zehn Lieferanten helfen kann, sondern mit tausenden von Lieferanten gearbeitet werden könnte (H10). Dies eröffnet neue Perspektiven, indem die Eigenschaften von KI den SEK befähigen, neue Strategien umzusetzen, die bisher nicht in Betrachtung gezogen wurden.

In der Theorie wurde die Eigenschaft von KI risikobasierten Mengensplit vorzunehmen, nicht erwähnt, doch in den Interviews insoweit angesprochen, dass KI das Auftragsvolumen gleichförmig verteilen und somit einen optimaleren Mengen-, Risiko- und Preissplit vornehmen kann. Damit leistet KI einen wichtigen Beitrag, eine Mehrquellenstrategie aufrecht zu erhalten und wurde deshalb als eine weitere, induktive Kategorie in das Kategorienmodell mitaufgenommen.

Fazit: Die Eigenschaft von KI, schneller und grösser angelegte Ausschreibungen durchzuführen und einen risikobasierten Mengensplit zur Aktivhaltung der Mehrquellenstrategie sowie neue Sourcing-Strategien umzusetzen, wirkt sich positiv auf die Robustheit der SC aus.

9.2.3.2 Diskussion Lagerhaltung

Im Theorieteil (Kap. 4.4.4) wurde auf Methoden der Lagerhaltung im Unternehmen und bei Lieferanten eingegangen, jedoch konnte in der Literatur keine Verbindung zu Einsatzmöglichkeiten von KI zur Unterstützung der Aktivitäten des SEK ausgemacht werden. Die Interviews dagegen haben gezeigt, dass durch KI die Lagerbestände optimiert und damit die Verfügbarkeiten grösser und gleichzeitig die Vernichtungsrisiken reduziert werden können. Somit verstärkt sich die SC-Robustheit und hat zusätzlich einen positiven Effekt auf die Nachhaltigkeit eines Unternehmens. Deshalb wurden Lagerhaltung und höhere Verfügbarkeit mit tieferer Vernichtung als zwei induktiv gebildete Kategorien ins Kategorienmodell mitaufgenommen.

Fazit: Eine präzisere Bedarfsprognose und exaktere Planung durch KI führen zu einer besseren Verfügbarkeit und reduzieren die Vernichtungsaufwände. Dies hat einen positiven Einfluss auf die SC-Robustheit und die Nachhaltigkeit.

9.2.3.3 Diskussion Steuerung von Beschaffungsrisiken

Qualitätsrisiken und Transparenz in produktspezifischen Qualitätsdaten wurden in der herangezogenen Fachliteratur nicht erwähnt, aber von einzelnen Befragten während der Interviews. Sie referenzieren Beispiele aus der Praxis, bei denen eine KI-basierte Qualitätskontrolle bei ausgelagerten Prozessen eingesetzt wird oder die Überwachung von qualitätsrelevanter Daten zu einer besseren Planungssteuerung führt. Mit diesen Massnahmen können Qualitätsrisiken minimiert und Störungen vermieden werden. Deshalb wird weniger Qualitätsrisiken als weitere, induktive Kategorie in das Kategorienmodell mitaufgenommen.

Im Theorieteil in Kap. 6.7 wird beschrieben, wie Vertragserstellungen und -reviews durch den Einsatz von KI verkürzt, konstante Vertragsstandards umgesetzt und Vertragsrisiken besser überwacht werden können. Diese Erkenntnisse werden durch die Befragten bestätigt und sie weisen auf die Fähigkeit der Skalierbarkeit und auf das Potential, Verträge rechtsicherer zu erstellen, hin.

In der Literatur wird einer Lieferantenselektion nach robusten Kriterien eine hohe Wichtigkeit zugeordnet (Kap.4.4.4). Doch die Befragung hat ergeben, dass diese Selektionskriterien wohl als wichtig eingestuft werden, doch die SC-Fachpersonen für KI tendenziell wenig Einsatzmöglichkeiten sehen. Als Grund wird von Experte C der zwischenmenschliche Faktor genannt, der in der Auswahl mitberücksichtigt werden muss und von KI nicht abgedeckt wird. Daraus lässt sich schliessen, dass KI wohl für die Lieferantenvorauswahl, das Marktscreening nach robusten Selektionskriterien und zur Erstellung von Vorschlägen genutzt werden kann, die endgültige Entscheidung jedoch beim Menschen liegt.

Um Risiken besser zu steuern hat gemäss Kap. 6.6 des Theorieteils KI die Fähigkeit, durch Simulation, Verknüpfung und Auswertung historischer und aktueller Daten die Zukunft zu antizipieren und intelligente Warnmeldungen zu erstellen. Die Befragten teilen diese Meinung. Die KI-Experten heben zusätzlich den Aspekt hervor, dass KI aus Erfahrungen lernt, und dass das System laufend weiterentwickelt wird. Darüber hinaus besteht Potential, KI proaktiv für Prozessverbesserungen zu nutzen um Risiken zu reduzieren.

Fazit: Die Eigenschaften von KI zur Minimierung der Fehlerquoten durch Qualitätskontrolle, als Unterstützung in der Lieferantauswahl nach robusteren Kriterien oder für eine intelligentere Risikosteuerung, führen zu mehr Robustheit in der SC.

9.2.3.4 Finale Modellierung Supply Chain Robustheit

Abb. 75 stellt das finale Kategorienmodell der SC-Robustheit dar.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 75: Finales Kategorienmodell der SC-Robustheit (eig. Darst.)

9.2.4 Diskussion allgemeine Erkenntnisse

Nachstehend werden noch einige allgemeine Erkenntnisse aus den Interviews gemäss Anhang 18 diskutiert, die keinen direkten Zusammenhang zur Forschungsfrage, aber einen Einfluss auf die Einführung der Tools haben.

Als Hürden für KI wird vom Experten H und von Expertin I die Nachvollziehbarkeit und das Vertrauen in die Intelligenz gesehen und von Experte K als Grundvoraussetzung die Datenqualität und genügend grosse Datenvolumen. Diese Aussagen decken sich mit den Erkenntnissen, die in Kap. 5.2 im Theorieteil aufgeführt sind. Verschiedene Befragte betonen bei der KI-Einführung die Wichtigkeit des Change Managements, was auch in der Theorie im Kap. 5.2 beschrieben ist. Wobei ein Experte speziell die Widerstände der IT-Abteilungen hervorhebt.

Mehrere der KI-Experten merken an, dass eigens zugeschnittene KI-Anwendungen und nicht Produkte von der Stange einen Wettbewerbsvorteil generieren und für Unternehmen den grössten Nutzen erzeugen. Die Einstiegshürden sind inzwischen stark gesunken, da ein Pilot in wenigen Stunden umgesetzt und auf bestehende Modelle (KI-Algorithmen) zurückgegriffen werden kann. Dies sollte bei der Auswahl der Lösungsansätze berücksichtigt werden. Experte H geht noch einen Schritt weiter und meint, dass KI als ein Baustein im grossen Umfeld der Digitalisierung einzuordnen ist. Er macht folgenden Aussage: "Das Bemerkenswerte ist, dass KI Dinge lösen kann, die vorher nicht gingen, und darum sind durch KI jetzt auf einmal ganz neue Bausteine ins Spiel gekommen" (H2). Hier wird verdeutlicht, dass KI als Baukasten ein Out-of-Box Denken verlangt, um neue Ideen und Optionen zu prüfen, die bis anhin nicht realisierbar waren. Im Theorieteil im Kap. 5.2 wird erwähnt, dass KI als Querschnitttechnologie mit anderen Technologien eingesetzt wird, nicht aber die Möglichkeit der Kombination verschiedener KI-Anwendungen beleuchtet.

9.3 Finale Modellierung der Supply Chain Resilienz

In Abb. 76 wird das finale Kategorienmodell dargestellt. Eine vergrösserte Version ist im Anhang 17 dargestellt. Die Schlüsselfaktoren als erste Ebene des Kategoriensystems dienen zur Einordnung der Aktivitäten des SEK zur SCR-Stärkung. Auf der zweiten Ebene sind die Aktivitäten, mit denen die KI den SEK mittels gezieltem Einsatz unterstützen kann. Die dritte Ebene zeigt die Eigenschaften von KI, mit denen der SEK durch gezielten Einsatz zur Stärkung der SCR beitragen kann.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 76: Finales Kategorienmodell SCR (eig. Darst.)

9.4 Empfehlung

Basierend auf der Theorie und den Interviews wurde aus den vorangehenden Diskussionen versucht, das Potential für KI-Anwendungsmöglichkeiten abzuleiten. Es hat sich jedoch gezeigt, dass die Einschätzung der Experten und Expertinnen je nach Branche, Bedürfnis und Kenntnisstand variiert. Deshalb wurde, basierend auf deren Aussagen, mit Abb. 77 lediglich ein Trend abgeleitet, der ein erstes Indiz ergibt, welche Anwendungen besonders interessant sein könnten. Um eine noch gehaltvollere Aussage zu tätigen, bedarf es weiterführender Forschung.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 77: Übersicht Trend Potentialabschätzung Experten /-innen (eig. Darst.)

Aufgrund der Übersicht kann die Empfehlung abgegeben werden, in einem ersten Schritt die Anwendungsmöglichkeiten von Echtzeitdatenaustausch und Datenüberwachung zu prüfen, die branchenunabhängig mit hohem Potential eingeschätzt werden und welche die Basis für viele KI Anwendungen sind. Durch die Einführung kann Transparenz in der SC und bei Lagerbeständen erreicht werden und ist die Basis für KI, ML einzusetzen.

Aufbauend wird empfohlen die Einführung von KI-basierten Bedarfsprognosen zu prüfen, da diese durch die Eliminierung des Bullwhip Effekts die Zusammenarbeit erheblich verbessern, einen grossen Vorteil für das gesamte Unternehmen erbringen und einen wesentlichen Beitrag zur SCR-Steigerung beisteuern könnten. Zudem wird ein risikobasierter Mengensplit zur Aufrechterhaltung von Mehrquellenstrategien ermöglicht.

Als weiterführender Schritt könnte die Prüfung eines gezielten Einsatzes von Risikofrüherkennung und -steuerung in Betracht gezogen werden. Jedoch sollten Nutzen und Ertrag aufgrund der Bedürfnisse und Anforderungen der Branche geprüft werden. Durch die Simulation der Risiken können hierfür aussagekräftige Prognosen erstellt werden, die einen besonderen Mehrwert erzielen.

Zusätzlich könnte je nach Wichtigkeit für ein Unternehmen, in einem vom Lieferanten bis zum Kunden durchgängigen Vertragssystem die Einführung von KI grossern Vorsprung bringen und die Rechtssicherheit und Compliance des Vertragsmanagement massiv erhöhen.

Abschliessend sollte für spezielle oder komplexe Produkte oder als Unterstützung zur Lieferantenvorauswahl branchenspezifisch der Einsatz von Lieferantenscreeing für grossangelegte Suchabfragen geprüft werden. Hier kann der Zeitgewinn einen erheblichen Wettbewerbsvorteil schaffen.

Wie in Kap. 9.2.4 empfohlen ist anhand des Business-Cases abzuklären, welche der Aufgaben und Bedürfnisse mit einem Einsatz von KI für eine SCR-Stärkung abgedeckt werden sollen. Anhand dieser Anforderungen kann ermittelt werden, welche KI-Eigenschaften einen Mehrwert erzeugen. Gemäss Einschätzung der Befragten könnte eine auf das Unternehmen zugeschnittene Lösung Wettbewerbsvorteile bringen und aufgrund der tiefen Einführungshürde relativ schnell eingesetzt werden. Prinzipiell unterstützen alle identifizierten KI-Eigenschaften im Kategorienmodell Abb. 76 die Aktivitäten des SEK zur SCR-Stärkung.

9.5 Zusammenfassung des Gestaltungsteil und Konklusion

Im Gestaltungsteil wurden die Erkenntnisse aus dem Theorieteil den Ergebnissen des empirischen Teils gegenübergestellt, diskutiert und ein Fazit abgeleitet. Das finale Kategorienmodell wurde erklärt, das mögliche Potential diskutiert und eine Handlungsempfehlung abgegeben.

Das finale Kategorienmodell, mit dem die KI-Eigenschaften aufgezeigt werden welche die Aktivitäten des SEK zur Verbesserungen der SCR unterstützen, hat das Hauptergebnis der Masterarbeit erzeugt. Somit konnte die gestaltungsgeleitete Fragestellung gemäss Abb. 78 beantwortet werden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 78: Gestaltungsgeleitete Fragestellung (eig. Darst.)

Im anschliessenden Schlussteil wird aufgrund der hier dargelegten Ergebnisse die zentrale Forschungsfrage der Arbeit beantwortet und die Zielerreichung dokumentiert.

SCHLUSSTEIL

10 Zusammenfassung und Ausblick

10.1 Einleitung

Im letzten Teil wird eine inhaltliche Zusammenfassung erstellt, Erkenntnisse und Mehrwert der Arbeit aufgezeigt und auf die Beantwortung der Forschungsfrage eingegangen. Abschliessend erfolgt ein Ausblick auf Praxis- und Forschungsvorhaben.

10.2 Zusammenfassung und Fazit

Wie in der Einleitung dargestellt, nimmt die Verletzlichkeit in den Lieferketten durch stark verzahnte, optimierte Liefernetzwerke und steigende Komplexität zu. Auf Grund dessen erhöhen sich die Wichtigkeit der SCR und die langfristigen Massnahmen, die der SEK umsetzen kann, um Risiken zu erkennen und zu managen. Diese Arbeit beschäftigt sich mit dem Potential, das KI als Werkzeug für die Aktivitäten des Einkaufs zur Stärkung der SCR bietet, wie brachliegende Daten genutzt werden könnten und wie die Eigenschaften von KI dieses Vorhaben begünstigen.

Im Theorieteil wurden in Kap. 2 einleitend die Begrifflichkeiten erklärt, welche als Basis für diese Arbeit dienten. Kap. 3 schaffte einen Überblick über die Bedeutung und Aufgaben des SEK. Es konnte aufgezeigt werden, dass der SEK als Erfolgsfaktor durch zugeschnittene Strategien das Beschaffungsportfolio für hohe externe Wertschöpfungsketten entwickelt, mit dem SRM eine Brücke zwischen den internen Stakeholdern den Lieferanten schlägt und mit dem SLM die Lieferanten steuert. In Kap. 4 konnten drei Schlüsselfaktoren ermittelt werden, welche die SCR überwiegend beeinflussen. Darauf aufbauend wurden die Aktivitäten des SEK vorgestellt und wie diese die identifizierten Schlüsselfaktoren stärken könnten. Es wurden Massnahmen wie proaktiver Informationsaustausch, Einführung von Mehrquellenstrategien, Aufbauen von Sicherheitsbeständen oder vertragliche Flexibilisierung vorgestellt und in einer Übersicht zusammengefasst. Im Fokus von Kap. 5 stand die KI mit einem Überblick ins Themengebiet, ihren Einsatzgebieten und der potentiellen Nutzung im SEK. Es konnte klar aufgezeigt werden, dass im Themenbereich der KI das ML im Zentrum steht und unterschiedliche Technologien wie computerbasiertes Sehen, natürliche Spracherkennung, Robotik und Expertensysteme eingesetzt werden. Angesichts wenig verfügbarer Literatur für Anwendungen von KI im SEK wurde ersichtlich, dass der Einsatz von KI im SEK noch am Anfang steht. Aufgrund fehlender wissenschaftlicher Literatur wurde im Kap. 6 anhand von Use Cases und Whitepapers aufgezeigt, wie mit KI-Tools der SEK die SCR stärken und wie die Eigenschaften der KI dabei die Aktivitäten des SEK unterstützen könnten. Anhand dieser Fakten wurde das theoriebasierte Kategorienmodell entwickelt, welches die Basis für die empirischen Untersuchungen legte. Im Modell wurden sieben Aktivitätsfelder vom SEK dargestellt, die von 18 Eigenschaften der KI unterstützt werden.

Kap. 8 widmete sich der methodischen Wahl der empirischen Untersuchung. Diese erfolgte mit einem qualitativem, systematischem Vorgehen in Anlehnung an Mayring durch eine induktive Primärdatenerhebung. Zur Datengewinnung wurden halbstandardisierte Interviews verwendet. Mit einer Operationalisierung wurden der Aufbau und die Durchführung der Untersuchung dargelegt. Im Fokus von Kap. 8 stand die Durchführung der Untersuchung mit einer Dokumentation der Resultate anhand von Ankerbeispielen, Kernaussagen und der Beschreibung von weiteren, induktiv gebildeten Kategorien. Es konnten zwei weitere Aktivitätsfelder des SEK und vier zusätzliche Eigenschaften von KI, die zur Stärkung der SCR durch den SEK dienen, identifiziert und in das bestehende, deduktiv gebildete, theoriebasierte Kategorienmodell integriert werden. Abschliessend wurde mit Güterkriterien aufgezeigt, wie die Qualität der Untersuchung sichergestellt wurde und welche Abgrenzungen vorgenommen werden mussten.

Darauf basierend wurden im Gestaltungs- und Schlussteil in Kap. 9 die Ergebnisse aus dem Theorieteil den Resultaten der empirischen Untersuchung gegenübergestellt, diskutiert, ein Fazit herausgearbeitet und im finalen Kategorienmodell gemäss Abb. 76 zur Beantwortung der Forschungsfrage visuell dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 76: Finales Kategorienmodell SCR (eig. Darst.)

In den Abb. 79 bis 81 sind, geordnet nach den drei Schlüsselfaktoren, die Erkenntnisse der verschiedenen KI-Eigenschaften dargestellt, welche aufzeigen, dass ein gezielter Einsatz von KI im SEK die SCR verbessern kann.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 79: Erkenntnisse KI-Eigenschaften SC-Agilität (eig. Darst.)

Abbildung in dieser Leseprobe nicht enthalten

Abb. 80: Erkenntnisse KI-Eigenschaften SC-Zusammenarbeit (eig. Darst.)

Abbildung in dieser Leseprobe nicht enthalten

Abb. 81: Erkenntnisse KI-Eigenschaften SC-Robustheit (eig. Darst.)

Zum Schluss wurde eine Übersicht der Potentialabschätzung aus der empirischen Forschung erstellt, die erste Anhaltspunkte für eine Umsetzung in der Praxis enthalten und Empfehlungen zu dieser abgegeben.

10.3 Mehrwert für die Forschung

Mit dieser Masterarbeit konnten die ersten Erkenntnisse in einem neuen Forschungsgebiet, das bis jetzt noch sehr wenig bearbeitet wurde, als kleiner Baustein gelegt werden. Damit leistet diese Arbeit innerhalb der beschriebenen Abgrenzungen einen Beitrag, um einen ersten Überblick über die Anwendungsmöglichkeiten zu erstellen und wie KI durch seine Eigenschaften den SEK in seinen Aktivitäten unterstützen kann. Die hier gewonnenen Erkenntnisse können als Grundlage für verschiedene, weiterführende Forschungsvorhaben dienen.

10.4 Mehrwert für die Praxis

Durch das Kategorienmodell und die Empfehlungen konnte für die Praxis eine Übersicht erstellt werden, wie KI im SEK zusätzlich zur Effizienzsteigerung und Automatisierung auch für die SCR-Stärkung eingesetzt werden kann. Es wurde aufgezeigt, mit welchen Aktivitäten der SEK durch KI unterstützt werden könnte. Mit dieser Arbeit wurde nachgewiesen, wie KI mit ihren Eigenschaften einen Nutzen für den SEK erbringen kann und ein erstes Indiz abgeben, welchen Anwendungsmöglichkeiten ein hohes Potential zugesprochen wird.

10.5 Beantwortung der Forschungsfrage

Die in der Einleitung formulierte, primäre Forschungsfrage für diese Masterarbeit lautet:

Abbildung in dieser Leseprobe nicht enthalten

Abb. 1: Zentrale Forschungsfrage (eig. Darst.)

Sie wurde, analog zum Aufbau dieser Arbeit in folgende, sekundäre Teilfragen unterteilt: Abbildung in dieser Leseprobe nicht enthalten

Abb. 2: Sekundäre Fragestellungen (eig. Darst.)

Die theoriegeleiteten Forschungsfragen wurden durch das Kategorienmodell beantwortet, indem die Schlüsselfaktoren erfasst, Aktivitäten des SEK aufgeführt und die KI-Eigenschaften herausgearbeitet wurden. Die empiriegeleiteten Forschungsfragen wurden im empirischen Teil der Arbeit mittels verbaler Erhebung und Auswertung der Inhaltsanalyse ausführlich und abschliessend beantwortet. Die gestaltungsgeleiteten Forschungsfragen, die im finalen Kategorienmodell und durch eine Potentialabschätzung beantwortet werden konnten, widerspiegeln die Antwort der primären Forschungsfrage.

Somit konnte die zentrale Forschungsfrage durch die Erstellung des Kategorienmodells beantwortet und nachgewiesen werden, dass der Einsatz von KI im SEK die SCR unterstützt.

10.6 Ausblick

Zielsetzung der vorliegenden Masterarbeit war, einen ersten Überblick über die Möglichkeiten von KI zur Unterstützung der SEK-Aktivitäten zur SCR-Stärkung zu erarbeiten. Die Ergebnisse können als Grundlage zu weiterführenden Untersuchungen für einzelne Handlungsfelder des SEK dienen, um zusätzliche Resultate zu erzielen, die Indizien zu bestätigen, und um ein vollständiges Bild zu erhalten.

Zusätzlich wurden aus unterschiedlichen Branchen Fachleute aus der Schweiz befragt. Diese Untersuchung hat ergeben, dass die Anwendungen sehr oft branchenspezifisch sind und deshalb anknüpfende Untersuchungen sinnvoll wären. Anhand der Rückmeldungen der KI-Experten wären zukünftige Ermittlungen, welche detailliertere und spezifischere Ergebnisse liefern könnten, für ausgewählte Use Cases von Unternehmen empfehlenswert. Ausserdem sollte ein Vergleich mit dem Ausland in Betracht gezogen werden, da der Entwicklungsstand in anderen Ländern möglicherweise fortgeschrittener ist, und sich somit wertvolle Hinweise für weitere Einsatzfelder ergeben könnten.

Damit die Ergebnisse an Wert und Gewicht gewinnen empfiehlt es sich, weitere, quantitative Untersuchungen zur Einstufung des Potentials und zur Abschätzung des Nutzens durchzuführen. Eine grössere Aussagekraft für die identifizierten KI-Eigenschaften könnte auch durch eine Erhebung relevanter Kennzahlen erzielt werden.

Angesicht der immer stärkeren Vernetzung in der SC sollte für zukünftige Erhebungen geprüft werden, ob hinsichtlich der SCR eine Eingrenzung auf die Upstream-SC (Lieferanten zum Unternehmen) sinnvoll wäre, oder ob diesbezüglich eine ganzheitliche Betrachtung der SC eine höhere Aussagekraft hätte.

Durch die Aktualität der schnellen Entwicklung der Technologie von KI ist damit zu rechnen, dass in den nächsten Jahren hierzu viel wissenschaftliche Literatur verfügbar sein wird, die als Basis für weitere Recherchen dienen könnte. Basierend auf diesen zukünftigen Erkenntnissen liesse sich aufgrund der Forschungslücke im Bereich Einsatz von KI im SEK, insbesondere für die SCR-Stärkung, eine Vielzahl von anschliessenden Forschungsvorhaben formulieren. So könnte beispielsweise neben Untersuchungen zu KI-Eigenschaften und ihren Nutzen, auch eine Bewertung der Risiken der KI-Tools oder die Einführung der verschiedenen Ansätze erforscht werden.

Quellenverzeichnis

Acatech. (2021). Glossar Lernende Systeme. Deutsche Akademie der Technikwissenschaft. Zugriff am 29.05.21. Verfügbar unter https://www.plattform-lernende-systeme.de/glossar.html

Affentranger, P. (2021). Präsentation Vorlesung vom 9.01.2021. Künstliche Intelligenz/Cloud (S. 94).CAS FH in Digital Strategy & Performance, Kalaidos Fachhochschule Schweiz

Arnolds, H., Heege, F., Röh, C., & Tussing, W. (2016). Materialwirtschaft und Einkauf. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-12628-5

Avishai, B. (2020, April 21). The Pandemic Isn’t a Black Swan but a Portent of a More Fragile Global System. The New Yorker.Zugriff am 13. Juli. Verfügbar unter https://www.newyorker.com/news/daily-comment/the-pandemic-isnt-a-black-swan-but-a-portent-of-a-more-fragile-global-system

Batt, J., Da Forno, M., & Pfarrer, R. (2018, Juni). Rückverfolgbarkeit in der Lieferkette : Grundlagen und Prozesse. GS1 Switzerland. Zugriff am 18. Mai 2021. Verfügbar unter https://shop.gs1.ch/img/A~29300/20/A4_Bro_Rueckverfolgb.pdf?xet=1523950093408

Berger, J. (2021). Einkaufspreisentwicklung aus Sicht der Industrie. Expert Talk 22. Juni 2021, Procure.ch.

Biedermann, L. (2018). Supply Chain Resilienz. In Supply Chain Resilienz. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-23516-1

Braun, A. (2019). KI kurz erklärt. Accenture. Zugriff am 30. Mai 2021. Verfügbar unter https://www.accenture.com/_acnmedia/PDF-98/Accenture-Artificial-Intelligence-Explained-Executives.pdf#zoom=50

Brodzik, C., Lamar, K., & Shaikh, A. (2019). Tech trends. In Deloitte Insight (Nummer MARCH). Zugriff am 25. April 2021. Verfügbar unter https://www2.deloitte.com/us/en/insights/focus/tech-trends.html

Bünte, C. (2020). Die digitale Revolution macht Firmen schlau: Smart Retail – eine erste Wirtschaftsanwendung. In Die chinesische KI-Revolution (S. 117–140). Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-29795-4_6

Büsch, M. (2011). Praxishandbuch Strategischer Einkauf. In Praxishandbuch Strategischer Einkauf. Gabler. https://doi.org/10.1007/978-3-8349-6631-5

Buxmann, P., & Schmidt, H. (2019). Künstliche Intelligenz (P. Buxmann & H. Schmidt (Hrsg.)). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-662-57568-0

Caridi, M., Crippa, L., Perego, A., Sianesi, A., & Tumino, A. (2010). Do virtuality and complexity affect supply chain visibility? International Journal of Production Economics, 127(2), 372–383. https://doi.org/10.1016/j.ijpe.2009.08.016

Carvalho, H., Azevedo, S. G., & Cruz-Machado, V. (2012). Agile and resilient approaches to supply chain management: influence on performance and competitiveness. Logistics Research, 4(1–2), 49–62. https://doi.org/10.1007/s12159-012-0064-2

Chang, W. S., & Lin, Y. T. (2019). The effect of lead-time on supply chain resilience performance. Asia Pacific Management Review, 24(4), 298–309. https://doi.org/10.1016/j.apmrv.2018.10.004

Chopra, A. (2019). AI in Supply & Procurement Ashok. Benchmarking: An International Journal, 17(4), 1–75.

Chui, M., Manyika, J., Miremadi, M., Henke, M., Chung, R., Nel, P., & Malhotra, S. (2018). Notes From the Ai Frontier Insights From Hundreds of Use Cases. McKinsey&Company. Zugriff am 27. Juni. Verfügbar unter https://www.mckinsey.com/~/media/McKinsey/Featured Insights/Artificial Intelligence/Notes from the AI frontier Applications and value of deep learning/Notes-from-the-AI-frontier-Insights-from-hundreds-of-use-cases-Discussion-paper.pdf

Chui, M., & McCarthy, B. (2015). An Executive’s Guide to AI. McKinsey Quarterly. Zugriff am 23 Mai 2021. Verfügbar unter https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/an-executives-guide-to-ai?cid=other-eml-alt-mip-mck-oth-1802&hlkid=e13018dad3de44fdad81d201dff4ff6d&hctky=2564569&hdpid=7af8163a-80b8-44da-9160-a3115aa11055

Cui, R., Li, M., & Zhang, S. (2020). AI and Procurement. SSRN Electronic Journal.Zugriff am 28. Mai 2021. Verfügbar unter https://doi.org/10.2139/ssrn.3570967

Deloitte. (2021). Smart Contract Analytics: KI-befähigter Vertragsreview plus Deloitte-Expertise. Deloitte. Zugriff am 20. Juli 2021. Verfügbar unter https://www2.deloitte.com/de/de/pages/finance/articles/smart-contract-analytics.html

Duden. (2021a). Definition Intelligenz. Bibliographisches Institut GmbH, 2021. Zugriff im 7. Mai 2021. Vefügbar unter https://www.duden.de/rechtschreibung/Intelligenz

Duden. (2021b). Definition Resilienz. Bibliographisches Institut GmbH, 2021. Zugriff am 29.05.2021. Verfügbar unter https://www.duden.de/rechtschreibung/Resilienz#bedeutung

Eugster, J. (2017). Übermorgen. Midas Verlag AG.

Fiksel, J., Polyviou, M., Croxton, K. L., & Pettit, T. J. (2015). From Risk to Resilience: Learning to Deal With Disruption. MITSloan Managment Review. Zugriff am 8. Mail 2021. Verfügbar unter https://www.researchgate.net/publication/283463392_From_Risk_to_Resilience_Learning_to_Deal_With_Disruption

Ganeshan, R., & Harrison, T. P. (1995). An introduction to supply chain management. Department of Management Science and Information.

Geilgens, J. (2021). Wie können Lieferketten mithilfe intelligenter Datennutzung und Datenintegration fit für die Zukunft gemacht werden? Wirtschaftsinformatik & Management, 13(1), 14–19. https://doi.org/10.1365/s35764-020-00315-6

Gläser-Zikuda, M. (2011). Empirische Bildungsforschung. In H. Reinders, H. Ditton, C. Gräsel, & B. Gniewosz (Hrsg.), Empirische Bildungsforschung. VS Verlag für Sozialwissenschaften. https://doi.org/10.1007/978-3-531-93015-2

Govil, M., & Porth, J.-M. (2002). Supply Chain Design and Management. Elsevier. https://doi.org/10.1016/B978-0-12-294151-1.X5000-0

Heß, G., & Laschinger, M. (2019). Strategische Transformation im Einkauf. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-25540-4

Hussy, W., Schreier, M., & Echterhoff, G. (2013). Forschungsmethoden in Psychologie und Sozialwissenschaften für Bachelor. Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-34362-9

IBM. (2020). What is natural language processing.Zugriff am 17. Juni 2021. Verfügbar unter https://www.ibm.com/cloud/learn/natural-language-processing

IBM. (2021). Was ist RPA. Zugriff am 22. Juni 2021. Verfügbar unter https://www.ibm.com/de-de/products/robotic-process-automation?p1=Search&p4=43700054611756615&p5=b&gclid=CjwKCAjw8cCGBhB6EiwAgORey2gN-R5n_zYqipDcx4udXxHP-geed7pdefx3AWNSxYpgLkYFoNo8CRoCMQ4QAvD_BwE&gclsrc=aw.ds

John, P. (2021). GEP Out Look 2021. In GEP Insights Drives Innovation.Zugriff am 29. Mai 2021. Verfügbr unter https://supplychaindigital.com/procurement/gep-outlook-2021-supply-chain-and-procurement-report

Jüttner, U., & Maklan, S. (2011). Supply chain resilience in the global financial crisis: an empirical study. Supply Chain Management: An International Journal, 16(4), 246–259. https://doi.org/10.1108/13598541111139062

Kamalahmadi, M., & Parast, M. M. (2016). A review of the literature on the principles of enterprise and supply chain resilience: Major findings and directions for future research. International Journal of Production Economics, 171, 116–133. https://doi.org/10.1016/j.ijpe.2015.10.023

Kavlakoglu, E. (2020). AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?Zugriff am 1. Juni 2021. Verfügbar unter Ibm. https://www.ibm.com/cloud/blog/ai-vs-machine-learning-vs-deep-learning-vs-neural-networks

Khan, S. A. R., & Yu, Z. (2019). Strategic Supply Chain Management EAI/Springer Innovations in Communication and Computing. https://doi.org/10.1007/978-3-030-15058-7

Kilpatrick, J., Brown, J., | R. F., Addicoat, A., & Mitchell, P. (2021). Agility: The antidote to complexity; Deloitte 2021 Global Chief Procurement Officer Survey. Deloitte Insights. Zugriff am 5. Juli 2021. Verfügbar unter https://www2.deloitte.com/us/en/insights/topics/operations/chief-procurement-officer-cpo-survey.html

Kreutzer, R. T., & Sirrenberg, M. (2019). Künstliche Intelligenz verstehen. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-25561-9

Li, Y., Zobel, C. W., Seref, O., & Chatfield, D. (2020). Network characteristics and supply chain resilience under conditions of risk propagation. International Journal of Production Economics, 223(October 2019), 107529. https://doi.org/10.1016/j.ijpe.2019.107529

Lorenzen, K. D., & Krokowski, W. (2018). Einkauf. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-07222-3

Luber, S., & Litzel, N. (2019). Was sind Expertensysteme. Big Data Insider.Zugriff am 28. Juni 2021. Verfügbar unter https://www.bigdata-insider.de/was-ist-ein-expertensystem-a-819539/

Maier, G. W. (2021). Definition Intelligenz. Gabler Wirtschafslexikon. Zugriff am 29. Mai 2021. Verfügbar unter https://wirtschaftslexikon.gabler.de/definition/intelligenz-37696#:~:text=Definition%3A Was ist %22Intelligenz%22,gegebenen Zeitpunkt zur Verfügung stehen.

Mavi, R. K., Goh, M., & Mavi, N. K. (2016). Supplier Selection with Shannon Entropy and Fuzzy TOPSIS in the Context of Supply Chain Risk Management. In Procedia - Social and Behavioral Sciences (Bd. 235, S. 216–225). https://doi.org/10.1016/j.sbspro.2016.11.017

Mayring, P. (2015). Qualitative Inhaltsanalyse Grundlagen und Techniken (12. überarbeitet Auflage). Beltz Verlage.

Natarajan, M., & Hodler, A. (2021). Responsive, robust Supply Chain using Knowledge Graphs & Graph Analytics. Neo4j. Zugriff am 18. Juli 2021. Verfügbar unter https://www.youtube.com/watch?v=lCPa0bo3AMA

Caste Studie - volle Transparenz, (2021) Vollständige Transparenz der Supply Chain für grosse Einzelhändler und Hersteller dank neo4j. Transparency-One. Zugriff am 25. Juli 2021. Verfügbar unter https://neo4j.com/case-studies/transparency-one/

Objective, C. I., Highlights, S., & Challenge, B. (2020). Case Studie Sanofi Optimizes Global Procurement with Icertis Contract Intelligence. 60–61.Zugriff am 20. Juli 2021 . Verfügbar unter https://www.icertis.com/resources/case-studies

Pereira, C. R., Christopher, M., & Lago Da Silva, A. (2014). Achieving supply chain resilience: the role of procurement. Supply Chain Management, 19(January), 626–642. https://doi.org/10.1108/SCM-09-2013-0346

Pereira, C. R., Lago da Silva, A., Tate, W. L., & Christopher, M. (2020). Purchasing and supply management (PSM) contribution to supply-side resilience. International Journal of Production Economics, 228(July 2019), 107740. https://doi.org/10.1016/j.ijpe.2020.107740

Peter, M. (2021). Stau im Hafen von Yantian bedroht die Weltwirtschaft. SRF 4 News. Zugriff am 21. Juli 2021. Verfügbar unter https://www.srf.ch/news/wirtschaft/corona-ausbruch-in-asien-stau-im-hafen-von-yantian-bedroht-die-weltwirtschaft

Ponnambalam, L., Long, D. H., Sarawgi, D., Fu, X., & Mong Goh, R. S. (2014). Multi-agent models to study the robustness and resilience of complex supply chain networks. 2014 International Conference on Intelligent Autonomous Agents, Networks and Systems, 7–12. https://doi.org/10.1109/INAGENTSYS.2014.7005717

Rao, B. (2016). Machine Learning Algorithms: A Review. International Journal of Computer Science and Information Technologies, 7(3), 1174–1179. www.ijcsit.com

Riskmethods (2021).Supply Chain Risk Management. Zugriff am 2. Juli 2021. Verfügbar unter https://www.riskmethods.net/de/

Supply Chain Risk Management Best Practices: Dana Incorporated, (2021). riskmethods. Zugriff am 7. Mai. Verfügbar unter https://www.riskmethods.net/de/erfolgsgeschichten

Supply chain risk management best practices: Nokia, (2021).riskmethods. Zugriff am 7. Mai 2021. Verfügbar unter https://www.riskmethods.net/de/erfolgsgeschichten

Sammalkorpi, S., & Teppala, J.-P. (2019). AI in Procurement. In Sievo. Zugriff am 7. April 2021. Verfügbar unter https://sievo.com/resources/ai-in-procurement

Schnellbächer, W., & Weise, D. (2020). Jumpstart to Digital Procurement. In Jumpstart to Digital Procurement. Springer International Publishing. https://doi.org/10.1007/978-3-030-51984-1

Scoutbee. (o. J.). Scoutbee - Die smarte Lieferantensuche.Zugriff am 4. September 2021. Verfügbar unter https://scoutbee.com/de/

Case Study Kärcher (S. 2021). Wie Kärcher seine Lieferantenportfolio in 32 Tagen benchmarken konnte. Scoutbee. Zugriff am 29. Juni 2021. Verfügbar unter https://scoutbee.com/de/resources/case-studies/kaercher-spritzgussteile/

Case Study Linde, (2021).Linde Engineering verkürzt Markteinführungszeiten durch schellere Lieferantensuche. Scoutbee. Zugriff am 15. Juli 2021. Verfügbar unter: https://scoutbee.com/de/resources/case-studies/linde-dampfkessel/

Sheffi, Y., & Rice, J. B. (2005). A Supply Chain view of the Resilient Enterprice. MITSloan Managment Review, 47(01). https://www.researchgate.net/publication/255599289_A_Supply_Chain_View_of_the_Resilient_Enterprise

Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., Lanctot, M., Sifre, L., Kumaran, D., Graepel, T., Lillicrap, T., Simonyan, K., & Hassabis, D. (2018). A general reinforcement learning algorithm that masters chess, shogi, and Go through self-play. Science, 362(6419), 1140–1144. https://doi.org/10.1126/science.aar6404

Simon, E. (2020). Supply Chain Orchestration with a Modern Control Tower. IBC Technology Sportlight, 1–7. Zugriff am 13. Juni 2021. Verfügbar unter https://www.ibm.com/products/supply-chain-insights/details

Sinha, A., Bernardes, E., Calderon, R., & Wuest, T. (2020). Digital Supply Networks : Transform Your Supply Chain and Gain Competitive Advantage with Disruptive Technology and Reimagined Processes (1. Aufl.). Sinha, Amit.

Spend, V. B., Resource, S. A. A., Optimize, T., Cost, N. A., & Minimize, T. (2021). Procurement Plays A Key Role In Restoring Growth (Nummer March). Forrester. Zugriff am 26. April 2021. Verfügbar unter https://info.ivalua.com/hubfs/Ivalua_Forrester_Procurement_Restoring_Growth_Report.pdf

Steven, M., Klünder, T., & Reder, L. (2019). Handbuch Industrie 4.0 und Digitale Transformation. In R. Obermaier (Hrsg.), Handbuch Industrie 4.0 und Digitale Transformation. Springer Fachmedien Wiesbaden. https://doi.org/10.1007/978-3-658-24576-4

Stollenwerk, A. (2013). Wertschöpfungsmanagement im Einkauf. In Journal of Chemical Information and Modeling (Bd. 53, Nummer 9). Gabler Verlag.

Strahm, M. (2021) Präsentation Smarte Nachbestellung mit Machine LearningPowerPoint-Folien. NEBU

Strohmer, M. F., Easton, S., Eisenhut, M., Epstein, E., Kromoser, R., Peterson, E. R., & Rizzon, E. (2020). Disruptive Procurement. In Kearney. Springer International Publishing. https://doi.org/10.1007/978-3-030-38950-5

Tukamuhabwa, B. R., Stevenson, M., Busby, J., & Zorzini, M. (2015). Supply chain resilience: definition, review and theoretical foundations for further study. International Journal of Production Research, 53(18), 5592–5623. https://doi.org/10.1080/00207543.2015.1037934

Vaherenkamp, R., & Siepermann, C. (Hrsg.). (2006). Risikomanagement in Supply Chain. Erich Schmidt Verlag.

Vitasek, K. (2013). Supply Chain Management Terms and Glossary. Council of Supply Chain Management Professionals. Zugriff am 25. Mai 2021. Verfügbar unter https://cscmp.org/CSCMP/Educate/SCM_Definitions_and_Glossary_of_Terms.aspx

Weigel, U., & Rücker, M. (2015). Praxisguide Strategischer Einkauf. In Praxisguide Strategischer Einkauf. https://doi.org/10.1007/978-3-658-08723-4

Whitepaper Supply chain Network Management. (2020). Staufen inova. Zugriff am 20. Juli. Verfügbar unter https://get.staufen-inova.ch/supply-chain-network-management/

Wuttke, L. (2020). Einführung in maschinelles Sehen.Zugriff am 21. Juni 2021. Verfügbar unter ttps://datasolut.com/einfuehrung-in-maschinelles-sehen/

Wuttke, L. (2021). Machine Learning vs . Deep Learning : Wo ist der Unterschied ? Einführung in künstliche Intelligenz Was ist Machine Learning ? Zugriff am 4. Juni 2021 . Verfügbar unter https://datasolut.com/machine-learning-vs-deep-learning/

Verzeichnis der Darstellungen

Abbildungsverzeichnis

Abbildung 1: Zentrale Fragestellung, (Quelle: Eigene Darstellung)

Abbildung 2: Sekundäre Fragestellungen, (Quelle Eigene. Darstellung)

Abbildung 3: Erwartete Ergebnisse, (Quelle: Eigene Darstellung)

Abbildung 4: Kernelemente der Masterarbeit, (Quelle: Eigene Darstellung)

Abbildung 5: Schematische Darstellung der SC als SC-Network (Quelle: Steven et al., 2019, S.250)

Abbildung 6: Definition Supply Chain, (Quelle: Eigene Darstellung)

Abbildung 7: Definition Supply Chain Resilienz (Quelle: Darstellung entnommen Biedermann, 2018, S. 49)

Abbildung 8: Entwicklung der Einkaufsorganisation, (Quelle: Darstellung entnommen Stollenwerk, 2013, S. 20)

Abbildung 9: Definition strategischer Einkauf, (Quelle: Eigene Darstellung)

Abbildung 10: Definition Künstliche Intelligenz, (Quelle: Eigene Darstellung

Abbildung 11: Einfluss des Einkaufs auf Return on Investment in Mio. Euro, aufgezeigt am DuPont System (Weigel & Rücker, 2013, S. 6)

Abbildung 12: Strategie House, (Quelle: eigene Darstellung in Anlehnung an BCG’s Procurement House (Schnellbächer & Weise, 2020, S. 3) & House of Purchasing & Procurement (Strohmer et al., 2020, S. 54)

Abbildung 13: Phasen der resilienten SC (Biedermann, 2018, S. 55)

Abbildung 14: Schlüsselfaktor SC-Agilität, (Quelle: Eigene Darstellung)

Abbildung 15: Schlüsselfaktor SC-Robustheit, (Quelle: Eigene Darstellung)

Abbildung 16: Schlüsselfaktor SC-Zusammenarbeit.(Quelle: Eigene Darstellung)

Abbildung 17: Handlungsfelder zur Stärkung der Schlüsselfaktoren der SCR, eig. Darst. angelehnt an Pereira et al. (2020, S. 7 ff.)

Abbildung 18: KI mit den Fähigkeiten des maschinellen Lernens, (Quelle: eigene Darstellung angelehnt an Accenture (2019, S. 22) & Bünte (2020, S. 57)

Abbildung 19: Übersicht KI Anwendungen im strategischen Einkauf, (Quelle: Eigene Darstellung)

Abbildung 20: Lieferantensuche mit Scoutbee (Quelle: Darstellung entnommen Case Study Linde, 2021, S. 1)

Abbildung 21: Liefernetzwerk von Nokia (Quelle: Darstellung entommen Supply chain risk management best practices: Nokia, 2021, S. 4)

Abbildung 22: End-to-End Supply Chain Planning Model (Quelle: Darstellung entnommen Sinha et al., 2020, S. 113)

Abbildung 23: Vorteile einer SC-Network Planning (Quelle: Darstellung entommen Whitepaper Supply chain Network Management, 2020, S. 13)

Abbildung 24: moderner Kontroll-Tower (Quelle: Darstellung entnommen Simon, 2020, S. 3)

Abbildung 25: Smart Contract Analytics ((Quelle: Darstellung entnommen Deloitte, 2021, S. na)

Abbildung 26: Vorgehen zur Bildung des theoriegeleiteten Kategorienmodells, (Quelle: Eigene Darstellung)

Abbildung 27: Finales, theoriegeleitetes Kategorienmodell, (Quelle: Eigene Darstellung)

Abbildung 28: Theoriegeleitete Fragestellung, (Quelle: Eigene Darstellung)

Abbildung 29: Mechanismus zur Umsetzung der qualitativen Inhaltsanalyse nach Mayring (Quelle: Eigene Darstellung)

Abbildung 30: Auswahlkriterien Expertinnen und Experten, (Quelle: Eigene Darstellung)

Abbildung 31: Übersicht der KI-Experten, (Quelle: Eigene Darstellung)

Abbildung 32: Übersicht der SC-Expertinnen/-experten, (Quelle: Eigene Darstellung)

Abbildung 33: Leitthemen KI-Fachleute, (Quelle: Eigene Darstellung)

Abbildung 34: Leitthemen SC-Fachleute, (Quelle: Eigene Darstellung)

Abbildung 35: Übersicht Interviews, (Quelle: Eigene Darstellung)

Abbildung 36: Ausschnitt Kodierleitfaden: Ergebnisse SC-Agilität Teil 1, (Quelle: Eigene Darstellung)

Abbildung 37: Kernaussage Sichtbarkeit in der SC, (Quelle: Eigene Darstellung)

Abbildung 38: Kernaussage bessere Rückverfolgbarkeit, (Quelle: Eigene Darstellung)

Abbildung 39: Kernaussage transparentere Lagerbestände, (Quelle: Eigene Darstellung)

Abbildung 40: Kernaussage Eigenschaft effizientere Datenüberwachung, (Quelle: Eigene Darstellung)

Abbildung 41: Kernaussage vollumfängliches Screening, (Quelle: Eigene Darstellung)

Abbildung 42: Kernaussage Produktstandardisierung, (Quelle: Eigene Darstellung)

Abbildung 43: Kernaussage Enabler zur Standardisierung, (Quelle: Eigene Darstellung)

Abbildung 44: Ausschnitt Kodierleitfaden: Ergebnisse SC-Agilität Teil 2, (Quelle: Eigene Darstellung)

Abbildung 45: Kernaussage Risikofrühwarnsystem, (Quelle: Eigene Darstellung)

Abbildung 46: Kernaussage Bessere Visualisierung von Risiken, (Quelle: Eigene Darstellung)

Abbildung 47: Kernaussage Frühere Erkennung von Risiken, (Quelle: Eigene Darstellung)

Abbildung 48: Kernaussage Smartere Entscheidungen, (Quelle: Eigene Darstellung)

Abbildung 49: Kernaussage Flexibilisierung der SC, (Quelle: Eigene Darstellung)

Abbildung 50: Kernaussage Agilere Anpassung auf Veränderungen, (Quelle: Eigene Darstellung)

Abbildung 51: Kernaussage Flexiblere Transportrouten, (Quelle: Eigene Darstellung)

Abbildung 52: Kernaussage Schnellere Erstellung von Verträgen, (Quelle: Eigene Darstellung)

Abbildung 53: Ausschnitt Kodierleitfaden: Ergebnisse SC-Zusammenarbeit, (Quelle: Eigene Darstellung)

Abbildung 54: Kernaussage SLM, (Quelle: Eigene Darstellung)

Abbildung 55: Kernaussage Präzisere Bedarfsprognose, (Quelle: Eigene Darstellung)

Abbildung 56: Kernaussage Genauere Rahmenverträge, (Quelle: Eigene Darstellung)

Abbildung 57: Kernaussage SRM, (Quelle: Eigene Darstellung)

Abbildung 58: Kernaussage Standartisierterer Datenaustausch,(Quelle: Eigene Darstellung)

Abbildung 59: Kernaussage Verbessern durch Wissen, (Quelle: Eigene Darstellung)

Abbildung 60: Ausschnitt Kodierleitfaden: Ergebnisse Robustheit, (Quelle: Eigene Darstellung)

Abbildung 61: Mehrquellenstrategien, (Quelle: Eigene Darstellung)

Abbildung 62: Kernaussage Mehrere Quellen für Ausschreibung, (Quelle: Eigene Darstellung)

Abbildung 63: Kernaussage Risikobasiertes Mengensplitting, (Quelle: Eigene Darstellung)

Abbildung 64: Kernaussage Lagerhaltung, (Quelle: Eigene Darstellung)

Abbildung 65: Kernaussage Geringeres Vernichtungsrisiko, (Quelle: Eigene Darstellung)

Abbildung 66: Kernaussage Steuerung Beschaffungsrisiken, (Quelle: Eigene Darstellung)

Abbildung 67: Kernaussage Minimierung von Qualitätsrisiken, (Quelle: Eigene Darstellung)

Abbildung 68: Kernaussage Besserer Überwachung von Vertragsrisiken, (Quelle: Eigene Darstellung)

Abbildung 69: Kernaussage Robustere Selektionskriterien, (Quelle: Eigene Darstellung)

Abbildung 70: Kernaussage intelligentere Risikosteuerung, (Quelle: Eigene Darstellung)

Abbildung 71: Darstellung der Güterkriterien, (Quelle: Eigene Darstellung)

Abbildung 72: Empiriegeleitete Fragestellung, (Quelle: Eigene Darstellung)

Abbildung 73: Finale Modellierung SC-Agilität, (Quelle: Eigene Darstellung)

Abbildung 74: Finales Kategorienmodell der SC-Zusammenarbeit, (Quelle: Eigene Darstellung)

Abbildung 75: Finales Kategorienmodell der SC-Robustheit, (Quelle: Eigene Darstellung)

Abbildung 76: Finales Kategorienmodell SCR, (Quelle: Eigene Darstellung)

Abbildung 77: Übersicht Trend Potentialabschätzung Experten /-innen, (Quelle: Eigene Darstellung)

Abbildung 78: Gestaltungsgeleitete Fragestellung, (Quelle: Eigene Darstellung)

Abbildung 79: Erkenntnisse KI-Eigenschaften SC-Agilität, (Quelle: Eigene Darstellung)

Abbildung 80: Erkenntnisse KI-Eigenschaften SC-Zusammenarbeit, (Quelle: Eigene Darstellung)

Abbildung 81: Erkenntnisse KI-Eigenschaften SC-Robustheit (eig. Darst.)

Abbildung 82: Übersicht der Verfahren des ML’s mit den Anwendungsgebieten, (Quelle: Darstellung entnommen Wuttke, 2021, Teil 2)

Abbildung 83: Kategorie Sichtbarkeit und Risikofrühwarnsystem in SC, (Quelle: Eigene Darstellung)

Abbildung 84: Kategorie Flexibilisierung der SC, (Quelle: Eigene Darstellung)

Abbildung 85: Theoriegeleitete Modellierung SC-Agilität, (Quelle: Eigene Darstellung)

Abbildung 86: Kategorie SLM und SRM, (Quelle: Eigene Darstellung)

Abbildung 87: Theoriegeleitete Modellierung SC-Zusammenarbeit (eig. Darst.)

Abbildung 88: Kategorie Mehrquellenstrategie und Steuerung Beschaffungsrisiken, (Quelle: Eigene Darstellung)

Abbildung 89: Theoriegeleitete Modellierung SC-Zusammenarbeit, (Quelle: Eigene Darstellung)

Anhänge

Anhang 1: Verfahren des maschinellen Lernens

Grundsätzlich wird beim maschinellem Lernen (ML) zwischen den drei Arten Supervised Learning, Unsupervised Learning und Reinforcement Learning unterschieden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 82: Übersicht der Verfahren des ML’s mit den Anwendungsgebieten (Wuttke, 2021, Teil 2)

Bei der überwachten, maschinellen Lernmethode wird mit vielen und klassifizierten Datensätzen trainiert. Der Algorithmus lernt aus den Mustern, die aus Trainingsdaten abgeleitet werden und wendet diese für klassifizierte Daten an. Die Güte des trainierten Modells wird darauf mit Testdaten überprüft. Diese Lernmethode ist relativ aufwändig, da alle Daten gekennzeichnet werden müssen und mehrere Trainingseinheiten nötig sind, bis die gewünschte Qualität erhältlich ist (Kreutzer & Sirrenberg, 2019; Rao, 2016).

Die unüberwachte Lernmethode dagegen verwendet nichtklassifizierte Daten. Der Algorithmus sucht sich Ähnlichkeiten und leitet anhand deren eigenständig Muster und Kategorien ab. Auf die Tiererkennung bezogen würde der Algorithmus Cluster bilden, in Form von zum Beispiel unterschiedlichen Tieren, oder aber auch nach Farben oder Formen. Häufig wird dieses Lernverfahren auch zur Komprimierung von Daten eingesetzt, damit unwichtige Daten herausgefiltert und dadurch Datensätze verkleinert werden können (vgl. Buxmann & Schmidt, 2019; vgl. Rao, 2016).

Verstärktes Lernen basiert auf dem Trail und Error Prinzip. Über einen iterativen Lernprozess probiert der Algorithmus verschiedene Lösungswege aus und trifft während des Lernprozesses Entscheidungen. Der Algorithmus erhält über ein Anreizsystem eine Belohnung, wenn er sich am Ziel nähert oder eine Bestrafung, wenn er sich vom Ziel entfernt. Der Algorithmus verbessert seine Strategie laufend. Diese Lernmethode wurde im Wettstreit zwischen dem Go-Weltmeister und dem Computerprogramm AlphaGo eingesetzt (Kreutzer & Sirrenberg, 2019; Rao, 2016). AlphaGo ist ein von DeepMind entwickelter Algorithmus, der sich auf Basis von künstlichen neuronalen Netzwerken mit verstärktem Lernen sich selber trainiert hat und innerhalb von 24 Stunden den Weltmeister im Brettspiel besiegte. Dem Algorithmus wurden die Spielregeln beigebracht und der Computer hat aufgrund von intelligenten Verfahren, in dem nur Züge mit höchster Wahrscheinlichkeit berücksichtig wurden anstelle von herkömmlichen Verfahren, bei denen alle latenten Möglichkeiten (Brute-Force-Ansatz) berücksichtigt werden, seine Spielweise kombiniert. Bemerkenswert ist, dass das KI-Programm dabei Spielstrategien entwickelt hat, die dem Menschen verborgen blieben (Kreutzer & Sirrenberg, 2019; Silver et al., 2018).

Anhang 2: Herleitung des theoriegeleiteten Kategorienmodells

Theoriegeleitete Modellierung der Supply Chain Agilität

In Abb. 83 und 84 sind theoriebasiert gebildete Kategorien mit einer Erläuterung der Kategorie, dem Bezug zu den Theorien und einer Referenz zu den jeweiligen Kapiteln aufgeführt. Somit wird transparent ersichtlich, wie die Kategorien für das Kategorienmodell hergeleitet wurden.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 83: Kategorie Sichtbarkeit und Risikofrühwarnsystem in der SC (eig. Darst.)

Abbildung in dieser Leseprobe nicht enthalten

Abb. 84: Kategorie Flexibilisierung der SC (eig.Darst.)

Im Bereich SC-Agilität wurden die drei Aktivitäten Schaffung der Sichtbarkeit in der SC, Betreiben eines Frühwarnsystems und Flexibilisierung der SC durch den SEK identifiziert und zehn Eigenschaften abgeleitet, wie diese Aktivitäten durch KI verbessert werden können. Diese sind in Abb. 85 dargestellt.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 85: Theoriegeleitete Modellierung SC-Agilität (eig. Darst.)

Theoriegeleitete Modellierung der Supply Chain Zusammenarbeit

In Abb. 86 sind alle Kategorien aufgeführt, die theoriebasiert gebildet wurden, mit einer Beschreibung und Begründung sowie dem Verweis zum jeweiligen Theorieteil.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 86: Kategorie SLM und SRM (eig. Darst,)

Der SEK begünstigt die SC-Zusammenarbeit durch das SRM und das SLM und es konnten vier Eigenschaften der KI herausgearbeitet werden, welche in Abb. 87 aufgeführt sind.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 87: Theoriegeleitete Modellierung SC-Zusammenarbeit (eig. Darst.)

Theoriegeleitete Modellierung der Supply Chain Robustheit

In Abb. 88 sind diejenigen Kategorien aufgeführt, die theoriebasiert gebildet wurden, ergänzt mit einer Erläuterung, einem Bezug zu den Theorien und einer Referenz zu den jeweiligen Kapiteln.

Abbildung in dieser Leseprobe nicht enthalten

Abb. 88: Kategorie Mehrquellenstrategie und Steuerung Beschaffungsrisiken (eig. Darst.)

In Abb. 89 wurden im Bereich SC-Robustheit die Aktivitäten Betreiben von Mehrquellenstrategien und Steuerung von Beschaffungsrisiken herausgearbeitet, die durch fünf Eigenschaften von KI unterstützt werden könnten.

Abbildung in dieser Leseprobe nicht enthalten

Abb.89: Theoriegeleitete Modellierung SC-Zusammenarbeit, (eig. Darst.)

Finales, theoriegeleitetes Kategorienmodell

Abbildung in dieser Leseprobe nicht enthalten

Abb. 27: Finales, theoriegeleitetes Kategorienmodell (eig. Darst.)

Anhang 3: Interviewleitfaden KI-Fachleute

Abbildung in dieser Leseprobe nicht enthalten

Anhang 4: Interviewleitfaden SC-Fachleute

Abbildung in dieser Leseprobe nicht enthalten

Anhang 5: Briefing KI-Fachleute

Abbildung in dieser Leseprobe nicht enthalten

Anhang 6: Briefing SC-Fachleute

Abbildung in dieser Leseprobe nicht enthalten

Anhang 7: Transkription Interview A

Experteninterview Nr. A

Experte: Paul Affentranger, KI Experte (B)

Interviewerin: Sandra Balsiger (I)

Datum des Interviews: 29.06.21

Dauer des Interviews: 48 min

Zur Identifikation der Aussage wird die Expertennummer (A) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Als Einstiegsfrage: Mich würde es interessieren, welche Erfahrungen du im Bereich KI mitbringst. Ich weiss aber, dass du eine Riesenerfahrung hast in dem Bereich. #00:00:33-4#

B: Ja. Praktische Erfahrung ist vor allem Computer Vision und alles, was Voice ist. Das sind Technologien, die vor allem mit Machine Learning funktionieren. Und das ist das, was wir auch einsetzen für unsere Arbeit und unsere Projekte, vor allem auch für Augmented Reality, wo Computer Vision natürlich sehr wichtig ist. Aber da Augmented und Mixed Reality kein Keyboard hat, ist eben auch Voice relativ wichtig. Und das sind vor allem die Sachen, die wir bei uns sozusagen in den Projekten einsetzen. Und ich bin dann halt noch interessiert, sage ich jetzt mal, auch an neueren Sachen wie Reinforcement Learning und Sachen halt / Im Machine Learning ist es halt so, dass man sehr viele Daten braucht einfach, was man natürlich bei Computer Vision problemlos hat. Aber in anderen Gebieten hat man das vielleicht nicht. Darum ist auch interessant, was dort nachher möglich ist. Genau. #00:01:37-0#

I: Bleiben wir gleich beim Thema künstlicher Intelligenz. Das ist ja ein sehr grosses Themengebiet, und das wird ja eigentlich gar nicht einheitlich definiert. Was verstehst du unter diesem Begriff? #00:01:50-7#

B: Ja, ich verstehe darunter, dass es Autonomie / Ich denke, der Autonomiegedanke ist wichtig, also dass ein System eben nicht in dem Sinn vorprogrammiert reagiert, sondern dass es die Fähigkeit hat, adaptiv entsprechend zu reagieren und zum Beispiel eben Prognosen zu machen oder auch Sachen zu steuern, ohne dass das - wie soll ich sagen? - im Vorfeld in dem Sinn programmiert werden musste. Also ich denke, das Lernfähige ist ein ganz wichtiger Punkt. Aber es ist schon so, wie du sagst, es verändert sich auch ein bisschen. Was vor zwanzig Jahren noch künstliche Intelligenz war, würde man heute nicht mehr unbedingt als das bezeichnen. Aber ich denke, ja, die Lernfähigkeit und die nicht vordefinierten Prozesse, sage ich jetzt mal, das sind, glaube ich, die wesentlichen Bestandteile der künstlichen Intelligenz. #00:03:05-1#

I: Würdest du jetzt die Knowledge Graphen auch unter das Thema zählen oder nicht? #00:03:09-3#

B: (beide lachen) Ja. Das ist jetzt genau so ein Punkt. Vor Jahren hätte man noch gesagt: "Ja, es ist künstliche Intelligenz." Aber heute würden wahrscheinlich viele Leute sagen: "Ja, das ist halt einfach ein Knowledge Graph." (lacht) Oder auch, um gewisse statistische andere Methoden, die man vielleicht jetzt nicht mehr unbedingt / Ich sage jetzt mal, die Lernfähigkeit ist ja dort schon eher klein, beziehungsweise gar nicht vorhanden. Und natürlich gibt es dort auch Möglichkeiten, nachher Gewichtungen vorzunehmen und gewisse Lerneffekte zu haben, aber tendenziell, denke ich, so wie man es eben heute verwendet, sind es tendenziell schon eher die Sachen, wo halt wirkliche ein System aus Daten lernen kann oder aus der Umwelt lernen oder mit Try and Error lernen oder in einer simulierten Umgebung lernen. Aber es lernt selbst. Und das ist, ja, vielleicht jetzt mit einem Knowledge Graphen, ja, bedingt der Fall, sage ich jetzt mal. #00:04:21-4#

I: Das gleiche bei Robotik. Das ist auch so ein bisschen eine Schnittstelle, das kann man ja auch geteilt anschauen. Das, was lernt, wäre jetzt unter künstlicher Intelligenz einzuordnen, wenn ich dich jetzt richtig verstehe. Und Robotik, die einfach nur etwas ausführt, nicht, oder? Stur, quasi. #00:04:43-2#

B: Nein. Genau. Das ist mehr halt prozessorientiert. Wie soll ich sagen? Also zum Beispiel in meiner Definition oder in meiner Sicht auf künstliche Intelligenz ist ein wichtiger Punkt jetzt für mich auch als Software-Architekt, dass es eben nicht in dem Sinn ausprogrammiert ist und nicht prozedural abläuft. Weil in dem Moment, ja, ist es ja auch nicht lernfähig, kann es ja nicht sein, sonst müsste es sich ja selbst den Code verändern. Und wenn wir jetzt einen Roboter haben, der - sage ich jetzt - einfach Autos zusammensetzt. Der setzt halt einfach Autos zusammen, und der kann vielleicht noch adaptiv sich ein bisschen anpassen, wo denn die Schraube genau hinein muss und so. Aber das ist relativ simpel, sage ich jetzt mal. Und er kann nicht aus Fehlern lernen auch. Ich denke, das ist ja auch ein wichtiger Punkt. Oder aus Erfahrungen, es müssen ja nicht Fehler sein, es können ja auch positive Sachen sein. Genau. #00:05:44-1#

I: Gut. Dann interessieren mich ja eben die Anwendungen von künstlicher Intelligenz im Bereich strategischer Einkauf, Supply Chain. Kennst du dort Anwendungen? Könntest du mir gewisse kurz nennen? Wie ist das? #00:06:01-9#

B: Ich kenne das Gebiet nicht. Wir haben das schon kurz besprochen im Vorgespräch, das ist ein Gebiet, das ich nicht so kenne. Ich habe gestern noch kurz so ein bisschen quer durchs Internet geschaut, sage ich jetzt mal. (lacht) Und ich habe gesehen, dass es Anbieter gibt. Und das sieht natürlich alles super aus auf diesen Homepages, aber wie gut das dann ist, also praktische Erfahrung oder Kenntnisse habe ich da leider nicht. #00:06:29-7#

I: Aber wenn du jetzt ein bisschen recherchiert hast, was hast du dann herausgefunden? (lacht) #00:06:35-2#

B: Ja, also was ich soweit gesehen habe, ist dass die meisten Systeme auf Machine Learning basieren, man wird diverse Parameter sammeln halt. Wobei eben, das wird ja, je nachdem, was das für eine Supply Chain ist (lacht), sehr unterschiedlich sein. Einerseits die Parameter natürlich, das ist klar, aber auch, wie verlässlich das nachher ist, beziehungsweise, wie gut das funktioniert.

Denn es gibt ja nicht DIE Supply Chain, sondern je nachdem, was man halt für ein Produkt herstellt oder für welches Produkt die Supply Chain sozusagen gedacht ist, sind das unter Umständen sehr unterschiedliche Gebiete und Informationen, die man braucht, um nachher Voraussagen machen zu können. Denn schlussendlich helfen ja nachher die Voraussagen halt, adaptiv zu sein und sich den Umständen anpassen zu können, bevor es knapp wird zum Beispiel oder teuer wird oder was auch immer. #00:07:54-7#

I: Du hast ja gesagt, du bist im Bereich Mixed Reality unterwegs. Könntest du dir denn irgendwelche Anwendungen vorstellen? #00:08:05-8#

B: Jein. Mixed Reality an sich ist ja - wie soll ich sagen? - das ist etwas, das sehr stark auf den Menschen und auf die Wahrnehmung des Menschen adaptiert ist. Aber was es gibt, wenn wir jetzt den Begriff etwas weiter nehmen, dann ist es eigentlich Special Computing, also das heisst, eigentlich rechnen im Raum. Und - wie soll ich sagen?- Mixed Reality ist ein Spezialfall von Special Computing, wo ich Dinge im Raum sehe. Aber es könnten ja auch Sachen im Raum sein, ohne dass ein Mensch dort ist. Und es wäre natürlich denkbar, dass man gewisse Parameter, gewisse Sachen mit Special Computing erfassen würde, sei das in Lagerhallen, oder sei das auch Produktion, allenfalls sogar die biologische Produktion, wenn das ein biologischer Rohstoff wäre. Wäre natürlich denkbar, mit Special Computing nachher Rückschlüsse ziehen zu können und auch die notwendigen Parameter, die man ja nachher braucht für ein AI-System, zu trainieren und nachher ja auch eben sozusagen auszuführen, dann zu nutzen.

Es könnte sein, dass dort Special Computing durchaus wiederum Computer Vision, vielleicht auch andere Sachen, ich weiss nicht, inwiefern allenfalls auch akustische Sachen interessant sein können, aber tendenziell wahrscheinlich eher Computer Vision. Wenn das biologische Rohstoffe sind, könnten das natürlich auch einfach Wetterdaten sein, Wind, Feuchtigkeit und so weiter und so fort. Wobei das hat erst dann mit Special Computing etwas zu tun, wenn es sehr genau auf den Ort auch lokalisiert ist, wenn man das alle Meter macht zum Beispiel. Wenn man das einfach für ein ganzes Gebiet macht, dann ist natürlich die Frage, ob man das braucht. Von dem her ist es tendenziell Computer Vision, denke ich, dass zum Beispiel das

Wachsen dieser Rohstoffe überwachen könnte und dann auch sehr früh sieht auch: "Irgendwie dieses Jahr sind die Ernten nicht so hoch." Zum Beispiel. Oder es gibt irgendeinen Schädling und so weiter.

So stelle ich mir das halt vor, ohne jetzt ein vertieftes Knowledge zu haben in die Supply Chain an sich. #00:10:55-6#

I: Ja, ich habe schon von Anwendungen gelesen im Bereich, Verhandlungen beispielsweise. Also, dass du die Informationen zugestellt bekommst, oder dass die Mimik vom Gegenüber ausgewertet wird und dir dann Informationen einfach für Verhandlungen liefert. #00:11:25-4#

B: Ja. Das könnte sein, genau. Aber das könnte man eigentlich auch relativ gut mit Kameras machen. Da ist natürlich dann die Frage, wie das Gegenüber reagiert, (beide lachen), wenn man erst einmal drei Kameras aufstellt. Aber grundsätzlich ja, das ist sicher ein interessanter Punkt, weil halt gerade so Mimik, ich denke, da ist man heute relativ weit. Und wenn man genug Rechner-Power hat, sage ich jetzt mal, dann bringt man relativ viel heraus, dass man vielleicht auch sonst verpasst, wenn man vielleicht nicht gerade schaut und so weiter. #00:12:08-3#

I: Oder ich könnte mir auch vorstellen - das sind jetzt mehr so Ideen, jetzt gerade so von mir selbst - für das Replenishment weisst du, dass es automatisch wie nachbestellen kann über solche Tools, so, wie du es jetzt gerade beschrieben hast vorhin. #00:12:25-8#

B: Genau. Was eigentlich dort geschaut wird: Wie viel wird genommen? Wie viel ist noch dort allenfalls? Je nachdem, was es halt ist. Dafür könnte man wirklich mit Kameras arbeiten, die nachher das abschätzen können eigentlich aufgrund der Daten, die mit Computer Vision erfasst werden können, genau. #00:12:50-7#

I: Oder Qualitätskontrolle ginge ja auch, also optische Kontrolle von irgendetwas. #00:12:57-1#

B: Ja. Das könnte natürlich auch ein Punkt sein, sofern optische Kontrollen wirklich auch eine Aussagekraft haben. Aber gerade, wenn man wieder biologische Rohstoffe hat, dann denke ich, ist das ein relativ wichtiger Punkt. Wenn das irgendein Metall ist und so, ist das vielleicht ein bisschen schwieriger. Ich weiss nicht, was man dann dort machen würde oder könnte. #00:13:22-1#

I: Gut. Dann gehen wir mal weiter zum Thema Resilienz. Wie schätzt du die Wichtigkeit der Widerstandsfähigkeit in einem Unternehmen ein? #00:13:39-9#

B: Ja, ich denke, das ist enorm wichtig. Wir haben das ja gesehen jetzt am Beispiel erstens mal der Pandemie, aber auch von diesem Schiff im Suezkanal, dadurch dass man halt immer mehr global zusammenarbeitet, ist es natürlich wichtig, dass diese Resilienz gegeben ist, sonst ist dann einfach eines / Also man hat das ja gesehen bei der Pandemie am Anfang mit den Tests. Dann haben irgendwie - ich weiss auch nicht - Wattestäbchen gefehlt. Ja, dann macht man halt keine Tests. Und im schlimmsten Fall macht man dann halt kein Produkt oder muss auf suboptimale Produkte ausweichen oder auf teurere und so weiter und so fort. Also ich denke, das ist enorm wichtig, ja. #00:14:39-6#

I: Jetzt, was sind nach deiner Meinung wichtige Einflussfaktoren, um diese Widerstandsfähigkeit erhöhen zu können? Einfach so frei von der Leber. #00:14:56-8#

B: Ja. Ich denke, es gibt einmal

ganz grob eine politische Grosswetterlage, sage ich jetzt mal, die berücksichtigt werden könnte, um die Resilienz zu erhöhen. Dass man vielleicht allenfalls auch frühzeitig aus Ländern, wo sich politisch etwas zusammenbraut, mal mindestens vorsorglich vielleicht andere Regionen oder Länder allenfalls mal mindestens erschliessen oder einen Teil von dort beziehen könnte.

I: Du hast jetzt eigentlich sehr viel über Störfaktoren gesprochen, die das beeinflussen könnten. Was denkst du noch, was könnte das positiv beeinflussen? Du hast gesagt, die Wege besser wählen. Siehst du noch andere Sachen? Also vielleicht auch in der Zusammenarbeit mit den Partnern oder so? #00:17:37-8#

B: Ja. Ich bin vor allem eben von den Störungen ausgegangen. #00:17:43-1#

I: Ja, ja. #00:17:43-9#

B: Und ich denke, wenn man es - ich sage jetzt mal –

mit den Partnern und vor allem natürlich mit den Lieferanten, aber auch mit den Transporteuren schafft, dass man soweit eine Vertrauensbasis hat, dass man halt auch Daten teilen könnte, und zwar nicht auf Anfrage oder so, sondern halt wirklich, dass die Daten fliessen, das könnte natürlich viel bringen.

Also im Extremfall, dass man so etwas hätte wie einen Digital Twin, das heisst, dass man das System zum Beispiel in der Produktion des Rohstoffs oder eventuell sogar die biologische Plantage oder nachher den Transport, dass man das als digitalen Zwilling nachbildet und eigentlich auch aktuell behält. Und dass man das dann dem, ich sage jetzt mal Abnehmer oder als Firma, die dann diese Ressource nutzt, dass man auf diese Daten zugreifen könnte, beziehungsweise dass man entsprechende Events bekommt, wenn dort irgendetwas schiefläuft. Und was dort eben auch interessant wäre, was nochmal ein Schritt weiter wäre, dass man Simulationen fahren könnte. Also dass man sagen könnte: "Okay, ja, wie wäre jetzt das, wenn der Suezkanal für eine Woche geschlossen ist?" Und dass man eigentlich dann mit diesen digitalen Twins das wie / Eben, die würden zum Beispiel eben das reell Vorhandene abbilden. Aber es wäre ja auch denkbar, dass man nachher diese Twins abkoppelt und dann ein Szenario durchspielt, mit dem man nachher wieder Erkenntnisse gewinnen könnte. Und es wäre eben auch denkbar, dass das AI-System nachher daraus wieder lernt. Also, dass daraus auch wieder Daten oder Informationen gewonnen werden können, die wieder für das Trainieren eines AI-Systems genutzt werden können.

Also, ich glaube, die Kollaboration im Sinn von, dass man diese Barriere / Also es ist natürlich - wie soll ich sagen? - für eine Firma vielleicht ein bisschen heikel, so nah und so detailliert Informationen über ihre Produkte weiter zu geben.

Weil, es kann sich dann ja auch negativ auswirken, sage ich jetzt mal, also dass man sieht "Das geht gar nicht gut dort. Jetzt müssen wir einen anderen suchen." und so. Das ist natürlich nicht immer im Interesse des Anbieters, sage ich jetzt mal. Aber wenn man das schafft, dann, denke ich, hätte man zumindest eine gute Datenbasis, um AI-Systeme darauf zu basieren und zu trainieren. Denn sonst, einfach ein bisschen das Weltgeschehen einzugeben, (lacht) ich glaube nicht, dass jetzt genug Informationen wären, dass man wirklich einen reellen Nutzen hat. #00:21:23-0#

I: Genau. Und jetzt sind wir eigentlich schon sehr in dem Thema, zu dem meine nächste Frage ist: Was gäbe es für Bereiche? Das ist sicher ein sehr interessanter Aspekt. Jetzt hatten wir es ja auch ein bisschen davon, dass du gesagt hast, eben es könnte ja sein, dass die Lieferanten wegbrechen. #00:21:42-3#

B: Genau. #00:21:42-8#

I: Siehst du dort auch noch Potenzial, wie man KI einsetzen könnte? #00:21:49-6#

B: Ja, also der Lieferant selbst könnte natürlich profitieren, indem er vielleicht frühzeitig merkt, oder früher merkt, dass etwas nicht gut läuft, sei es in einer Fabrik oder eben auf einer Plantage. Und der Abnehmer, sage ich jetzt mal, könnte das sicher auch frühzeitig feststellen und könnte allenfalls auf dem Markt herumschauen, um mindestens einen Teil irgendwie durch andere Kanäle abzufedern. Ich denke, das wäre sicher eine Möglichkeit, ja. #00:22:35-1#

I: Du hast gesagt, mit frühzeitiger Information, dass man den Schaden beheben könnte. Wenn jetzt der Schaden aber schon eingetreten ist? Es ist jetzt so, ich bekomme keine Masken mehr auf dem Markt. #00:23:01-4#

B: Ja. Genau. Da ist natürlich dann die Frage: Kann man / Ja.

Ich meine, was man sicher machen kann, sind irgendwelche Agents, also AI-Agents losschicken, die dann Masken suchen, jetzt in dem Fall oder was das dann für ein Rohstoff ist.

Die Frage ist, wie vielversprechend das dann wirklich ist, weil wahrscheinlich andere das gleiche Problem haben. Und wahrscheinlich wird es ja dann einfach ein Stück weit über den Preis, sofern man überhaupt etwas bekommt, sich manifestieren. Aber das ist noch ein interessanter Punkt.

Ja, wenn das Problem schon da ist, inwiefern kann einem AI helfen, es mindestens zu vermindern, das Problem, oder eventuell sogar es zu lösen. Also einfach spontan hätte ich jetzt gesagt, mit Agents, die suchen gehen, aktiv.

Aber sonst einfach so spontan / (...) Ja, wüsste ich nicht, wie man das machen würde. Ich denke, AI hat schon vor allem das Potenzial, solche Situationen zu verhindern oder mindestens zu vermindern. #00:24:38-5#

I: Also indem man frühzeitig Informationen bekäme. #00:24:42-1#

B: Ja. Weil man frühzeitig reagieren könnte, frühzeitig Warnungen hätte und so weiter. Aber sagen wir mal, wenn es eben dann keinen Maske oder keinen Kakao mehr gibt in dem Sinn, oder es zu einer Knappheit kommt, dann wird man wahrscheinlich schon noch Lieferanten finden. Aber die werden wahrscheinlich dann halt entsprechend mit den Preisen hinauf gehen und so weiter und so fort. Und wahrscheinlich kann man dann dort gar nicht so viel machen, hätte ich jetzt gesagt. Aber das ist einfach so eine, sage ich jetzt, spontane Aussage, (lacht) die jetzt nicht irgendwie fundiert ist. Genau. #00:25:19-9#

I: Wie schätzt du denn das ein, man spricht immer von dieser Transparenz auch in der Supply Chain drin und diesen Real-Time-Informationsvermittlung. Wie realistisch schätzt du denn so etwas ein, dass man so etwas umsetzen kann? #00:25:38-4#

B: Ja, ich denke, dass es wichtig ist, ist, glaube ich, klar. Darüber müssen wir nicht reden, gerade auch für AI, damit das überhaupt funktioniert.

Wie realistisch es ist? Ich denke, es müssen alle Beteiligten einen Vorteil haben. Und es ist natürlich eine gewisse Gefahr, dass der Lieferant den Nachteil hat. #00:26:02-8#

I: Genau. #00:26:03-3#

B: Und der Abnehmer, sage ich jetzt mal, hat den Vorteil, und dann ist es halt schwierig. Und ich weiss halt nicht, welche Modelle es da gäbe. Es könnte einfach sein, dass das dann auch als Wettbewerbskriterium eine Rolle spielen könnte.

Dass man sagt: "Wir haben Digital Twins von unseren Plantagen oder Produktions-Sites. Und wir stellen euch das zur Verfügung." Und das könnte natürlich nachher ein Vorteil sein gegenüber jemandem, der das halt nicht macht, dass man dann halt diese Lieferanten bevorzugt.

Und mal angenommen, die machen das wirklich, und sie machen es auch, wenn es mal Bad News sind, sage ich jetzt mal, denn das wäre ja auch wichtig, dann könnte das eventuell ein Punkt sein, so ein bisschen der Konkurrenzgedanke. Oder halt, dass der Lieferant selbst einen Vorteil hat auch. Aber den sehe ich im Moment, ehrlich gesagt / Wenn man so einen finden könnte, wäre das super, ja, aber ich sehe nicht, wieso der Lieferant einen Vorteil hätte. Ich weiss es nicht. #00:27:28-5#

I: Höchstens, er bekommt auch Daten vom Kunden. Dann könnte es ja schon ein Vorteil sein. #00:27:32-6#

B: Genau, an das habe ich nicht gedacht, ja.

Dass es sozusagen auf Gegenseitigkeit beruht. Und das kann natürlich für einen Produzenten wieder enorm interessant sein. Dass er seine Produktion entsprechend anpassen könnte, beziehungsweise regulieren könnte.

Ja, das ist ein guter Punkt. Daran habe ich nicht gedacht, genau. Ja. #00:27:52-6#

I: Und dann könnte es schon funktionieren. Wie schätzt du das denn ein? Also man müsste ja dann wie quasi auch gleiche Standards haben, damit man so etwas umsetzen könnte. Es müssten ja irgendwie dann alle auf der gleichen Plattform oder Standard oder, was es dann ist, auch arbeiten. Wie realistisch schätzt du so etwas ein? #00:28:14-7#

B: Ja, das kommt, glaube ich, schon. Es ist nur die Frage, wie schnell.

Es gibt sogenannte Ontologien, also die entstehen im Moment. Wie schnell und wie gut sie dann von der Branche wirklich aufgenommen werden, das wird man noch sehen.

Aber ich denke jetzt auch an Digital Twins ohne gewisse Standardisierung, dann ist es einfach genau für denjenigen nützlich, der es macht.

(lacht) Und alle anderen, da, denke ich, ist es schwierig. Und wenn man sich jetzt vorstellt, ein Abnehmer, also jemand, der Dinge einkauft vor allem und veredelt, sage ich jetzt mal, der hat dann ja ganz verschiedene Lieferanten. Und jeder macht das ein bisschen anders. Das wäre ja ein Problem. Und umgekehrt natürlich, wenn man sich jetzt den Weg zurückdenkt, ist es natürlich genau das gleiche Problem mit Informationen. Und es gibt da schon Ansätze von so Ontologien. Aber ja, im Bereich Supply Chain, weiss ich nicht, wie weit man da ist. Ich kenne das von Gebäuden, Gebäudeautomation, solche Sachen. Dort hat man gewisse Standards mittlerweile, auf denen man basiert, einfach so, dass alle dem gleichen gleich sagen und das gleiche darunter verstehen. #00:29:47-8#

I: Also für mein Verständnis: Meinst du Ontologie, geht jetzt in die Knowledge-Graphen hinein? Oder verwechsle ich jetzt das? #00:29:54-8#

B: Nein, eine Ontologie ist eigentlich eine Definition, wie man was benennt, und was es ist sozusagen. Der Knowledge Graph hat eigentlich mehr Information. Die Ontologie ist eine reine Strukturierung eigentlich. #00:30:13-5#

I: Genau. #00:30:15-1#

B: Von Daten, und wie sie / Es geht ein bisschen weiter als einfach, ich sage jetzt, irgendein Racket-Beschrieb. Denn eine Ontologie ist viel komplexer, sage ich jetzt mal. Denn einfach, ich sage jetzt, ein Racket-Beschrieb für solch ein grosses Gebiet, das würde sicher nicht reichen. Also ich kenne es jetzt auch vom Tourismus. Dort gibt es das auch. So, dass zum Beispiel Buchungen und so weiter / Es gibt ja dann ganz verschiedene Buchungen, drei für zwei und der erste Tag gratis, und das muss ja alles irgendwie unterstützt werden. Und für das braucht man nachher eben eine Ontologie. Ich weiss nicht, inwiefern so etwas im Bereich Supply Chain bereits besteht. #00:31:04-1#

I: Okay. Wir haben ja jetzt davon gesprochen was es für Möglichkeiten gäbe. Wie schätzt du das Potenzial dieser Möglichkeiten ein? Was würdest du als realistisch anschauen? Bei was denkst du eher, es ist ein bisschen utopisch, kann man sowieso nicht umsetzen? Wir hatten das Thema Datenaustausch und digitalen Twins gesprochen. Wir hatten das Thema, Frühwarnsysteme, frühzeitige Informationen bei Unterbrüchen, AI-Agenten, die helfen könnten beim Suchen von Lieferanten, gestreift. Und haben uns am Schluss über die Transparenz und von End to End Visibility unterhalten. #00:32:05-4#

B: Genau. #00:32:06-3#

I: Wenn du das jetzt ranken müsstest, was denkst du, was hätte aus deiner Sicht das höchste Potenzial? Also wäre die 1, das höchste Potential und die 3 das tiefste, also das wäre nicht umsetzbar. #00:32:18-0#

B: Ja, also ich denke, was heute relativ gut umsetzbar wäre, ist dass man je nach Supply Chain / Aber sagen wir mal, man hat eine Supply Chain, die abhängig ist von der Natur, die abhängig ist von politischen Systemen, weil aus ganz bestimmten Ländern. Wie eben zum Beispiel Kakao kann nicht in Norwegen produziert werden. Dass man dort aus den News gewisse Sachen bereits herausziehen könnte, dass man, ich sage jetzt mal, an einem Ort starten könnte. Und das wäre hoffentlich hilfreich. Wie soll ich sagen? Das Potenzial ist beschränkt, sage ich jetzt mal.

Aber es wäre relativ einfach zum Umsetzen, weil es halt nicht so wahnsinnig viel braucht. Denn für das müsste man gewisse News Channels, vielleicht auch in diesen Ländern, wo der Rohstoff herkommt, oder auch noch auf dem Weg, sage ich jetzt mal, müsste man scannen, müsste man das analysieren, müsste man dort schauen, ja, gewisse Schlussfolgerungen daraus ziehen können.

Man könnte das Wetter allenfalls reinnehmen. Und dann hätte man mindestens mal etwas, mit dem starten könnte. Natürlich, wäre das einfach ein erster Schritt. Aber die Einstiegshürde wäre nicht allzu gross. Also von dem her, die Einstiegshürde wäre eine 1. Wie soll ich sagen? Was hatten wir jetzt gesagt? Die 1 ist? #00:34:01-2#

I: Die 1 wäre ein hohes Potenzial. #00:34:04-9#

B: Ein hohes Potenzial, ja. #00:34:05-1#

I: Und die 3 hätte ein tiefes. Ja. #00:34:07-5#

B: Ja, genau. Also es hat jetzt wahrscheinlich nicht so ein Riesenpotenzial, aber die Einstiegshürde wäre nicht allzu hoch. Und ich denke, wenn man jetzt vom Potenzial /

Das höchste Potenzial hat meines Erachtens wirklich, dass man halt den Fulltime-Informations-Austausch löst in dem Sinn, und dass man auch wirklich diese Sachen integriert, eben, wie du gesagt hast, in beide Richtungen.

Und dass man eben allenfalls sogar Digital Twins hat, mit denen man Simulationen fahren könnte.

Und das klingt vielleicht auf den ersten Blick ein bisschen utopisch. Aber - wie soll ich sagen?

ein Digital Twin ist ja auch so ein bisschen ein schwammiges Ding. Der ist ja am Anfang vielleicht noch nicht so komplex, und dann kann der vielleicht auch ausgebaut werden mit der Zeit. Aber ich denke, dass halt mit ein paar Realtime-Werten, die sozusagen immer verfügbar sind, nachher AI-Systeme trainieren könnte. Und das Gute ist ja auch, man weiss ja dann auch immer, was sozusagen herausgekommen ist. Natürlich braucht das ein bisschen Zeit. Aber ich denke, das hätte wahrscheinlich das höchste Potenzial, ist aber wahrscheinlich deutlich schwieriger, umzusetzen, als einfach ein bisschen News Sites zu beobachten, sage ich jetzt mal mit AI. Schlussendlich wird man wahrscheinlich dann verschiedene Sachen kombinieren.

Und vielleicht noch zu den Agents: Ja, ich weiss nicht genau. Das Problem, wenn es ja keine Masken mehr hat, oder wenn es keinen Kakao mehr hat, dann ist es nicht, dass man den Kakao nicht findet, sondern dass es wirklich keinen hat. Und so ein Agent, der halt jetzt sozusagen das aufspürt, der wird halt dann wahrscheinlich auch keinen finden. Dann denke ich jetzt, das hat wahrscheinlich dann auch nicht so ein grosses Potenzial. Aber das kann ich nicht so gut beurteilen. Ja. Es ist vielleicht auch noch ein bisschen verschieden. Aber ja, schlussendlich, ein Agent würde einfach helfen, zu finden, sozusagen, wenn es keines mehr gibt. #00:36:46-8#

I: Genau. Es gibt bereits solche Anwendungen. Ich persönlich habe noch nie so etwas gebraucht. Ich kann das jetzt auch nicht in dem Sinn beurteilen, wie effektiv das wirklich ist. #00:37:02-5#

B: Ja. #00:37:04-2#

I: Ob du das mehr für Routinesachen einsetzen würdest, oder ob du das eher für komplizierte Sachen einsetzen würdest. Ich denke eher für das vermutlich. #00:37:12-7#

B: Ja, eher für das. Ich hätte jetzt auch gesagt, wenn man es einsetzt, weil

man etwas ganz Spezielles braucht, dass irgendeiner in China herstellt und noch einer in Japan und sonst niemand, dann denke ich, sind Agents super.

Aber wir haben über Agents gesprochen im Zusammenhang mit / Es gibt schon ein Problem, und es gibt einen Rohstoff, der knapp ist, oder der sogar fehlt oder nicht lieferbar ist. Und in diesem Fall sehe ich nicht so einen grossen Nutzen in einem Agent, denn der wird halt auch nichts finden oder auch nur zu überhöhten Preisen finden. #00:37:52-9#

I: Genau. Und die Hürden hast du schon ein wenig angesprochen, das ist bei mir nämlich auch noch drauf. Es gibt ja ein Potenzial, aber es gibt auch immer eine Hürde bei solchen Anwendungen. Jetzt haben wir vom Potenzial gesprochen, bei dem du gesagt hast, eigentlich so diese News Feed, das wäre so etwas, wo du AI einsetzen könntest, das hätte eine relativ tiefe Hürde, aber eigentlich ist auch das Potenzial nicht so wahnsinnig. Dann aber hingegen mehr aber so Informationsaustausch auf beide Seiten, das hätte ein hohes Potenzial. #00:38:31-4#

B: Ja, genau. #00:38:32-2#

I: Die Hürde hast du auch schon ein bisschen angesprochen im Grunde genommen. #00:38:35-1#

B: Die Hürde ist halt einfach die Standardisierung vom Informationsaustausch, die da sein müsste. Sonst sind das immer Punkt-zu-Punkt-Lösungen. Es wäre natürlich denkbar, dass es Plattformen gibt, die das anbieten. Aber ich denke halt, dass die Anforderungen, die man hat an solch ein System, je nachdem, welche Rohstoffe das sind, oder was für eine Supply Chain das ist, sind halt sehr unterschiedlich.

Und ich weiss nicht, ob dann das / Wie soll ich sagen? Wenn man ja etwas als Service, sage ich jetzt mal, auch nutzen, dann könnte es ja sein, dass die Einstiegshürde ein bisschen weniger hoch ist, wenn ich dann als Firma das nutzen möchte. Auf der anderen Seite ist das natürlich etwas, bei dem ich ja dann den Mitbewerbern voraus sein möchte. Und das würde wieder gegen den Plattform-Gedanken eigentlich sprechen. Denn wenn es, ich sage jetzt mal, eine Plattform gäbe, die das übernimmt, dann würde die gemeinsame Sprache dann ja wie von dieser Plattform vorgegeben, und das könnte so ein bisschen zu einer Standardisierung führen. Aber das wäre wahrscheinlich dann immer so ein bisschen / Eben, ich denke jetzt einfach laut: Also ich könnte mir jetzt vorstellen, dass eben das ein bisschen spezifisch ist auf den Rohstoff, also dass es halt so etwas gibt für Kakao zum Beispiel oder für Weizen. Aber dann für andere Rohstoffe wäre es dann eine andere Plattform, weil es einfach ganz andere Kriterien braucht. Und es könnte natürlich sein, dass man nachher solche Dienste nutzen könnte, und

dann wieder den eigenen Mix, den man halt braucht für sein Produkt, aus verschiedenen anderen Diensten wieder zusammenzieht. Aber auch dann will man natürlich, dass diese Dienste in irgendeiner standardisierten Form die Daten liefern, denn sonst ist es mühsam zum Umsetzen.

Und man könnte dann ja die Dienste auch nicht austauschen, weil man dann halt genau das hat, was die bieten. Und wenn man etwas anderes machen möchte, dann müsste man das ganze System umstellen. #00:41:11-6#

I: Und also die Gefahr, wenn ich dich da jetzt richtig verstehe, du würdest ja dann deine Daten dieser Plattform ja zur Verfügung stellen. Dann hättest du ja auch das Thema von Datenschutz, oder? #00:41:23-9#

B: Ja, absolut. Absolut. Genau. Ich denke auch, das ist wahrscheinlich nicht realistisch, dass es das gibt. Es ist einfach so, dass natürlich die Einstiegshürde einfach tiefer wäre, wenn es solch eine Dienst gäbe, weil dann ja jemand anders das Heavy Lifting machen würde, und man könnte das nutzen. Für gewisse andere Sachen, kann man das ja machen. Aber eben, die Lieferanten hätten wahrscheinlich Mühe, die würden das wahrscheinlich dort nicht zur Verfügung stellen, das ist mal das erste Problem. Und wir haben ja vorhergesagt, es wäre natürlich cool, wenn es in beide Richtungen ginge, dass der Lieferant auch etwas hätte. Und dann, denke ich auch, ist das wahrscheinlich /

Vor allem, schlussendlich wird man darauf angewiesen sein, dass es einen gemeinsamen Standard gibt, wie die Daten ausgetauscht werden. Und dann, denke ich, können die auch direkt ausgetauscht werden zwischen den Partnern, wo halt ein entsprechendes Vertrauensverhältnis da sein muss.

Das ist, glaube ich, einfach eine Voraussetzung. #00:42:37-2#

I: Ja, ja. Jetzt kämen wir langsam so ein bisschen zum Schluss. Hast du von deiner Seite her Punkte zu ergänzen? Oder hast du irgendetwas, das aus deiner Sicht noch berücksichtigt werden müsste? #00:42:52-2#

B: Ja, was ich mir noch überlegt habe jetzt im Vorfeld, als ich das gestern so ein bisschen durchgeschaut habe, was es alles gibt: Diese Sachen sind sehr stark Machine-Learning-orientiert, was natürlich entsprechend viele Daten braucht. Und es könnte natürlich sein, dass man unter Umständen diese Daten gar nicht hat, je nach Rohstoff wieder. Und dort habe ich mir noch überlegt, dass man allenfalls so eine Art ein AI-System auch trainieren könnte mit einer simulierten Umgebung, also dass man eigentlich die Umgebung simuliert, und das System nachher selbst lernen könnte daraus. Das geht in Richtung Reinforcement Learning, dass man einsetzt, wenn man halt nicht so grosse Datenmengen hat, dass man klassisches Machine Learning mit Deep Learning machen und so weiter. Das habe ich mir noch überlegt, einfach vor allem auch, ich kann nicht beurteilen, ob man überall wirklich so viele Daten dann hätte, dass es möglich ist, Machine Learning zu machen. #00:44:08-0#

I: Und dann wäre das eine Möglichkeit, wenn die nicht vorhanden sind, dass du dann das System trotzdem trainieren könntest? #00:44:16-4#

B: Genau. #00:44:17-4#

I: Und dann, also wenn du jetzt keine Daten hast, kreierst du dann selber diese Daten? Oder wie muss ich mir denn das jetzt vorstellen? #00:44:24-3#

B: Ja, du würdest eigentlich ganz viele Szenarien simulieren

. #00:44:30-1#

I: Ah, okay. #00:44:30-1#

B: Und

das System würde nachher einfach entsprechend adaptiv sich verhalten und lernen, wie es sich verhalten muss, wenn das und das passiert, wenn dieses oder das andere passiert.

Man macht das heute mit Robotern, weisst du. Ein Roboter muss sich zum Beispiel in einem Raum autonom zurechtfinden können und lernen, eine Tür aufzumachen zum Beispiel. Jetzt kann man diesem Roboter natürlich eine richtige Tür hinstellen, und der übt dort einfach so lange, bis er die Tür aufmachen kann. #00:45:02-2#

I: (lacht) #00:45:02-2#

B: Was relativ aufwendig ist. Aber was man eben auch machen kann, man kann wie ein Training / Also das ist eine reine Software-Trainings-Umgebung von einer Tür, die einfach die Eigenschaften einer Türfalle und so weiter enthält, und dass das System nachher natürlich viel schneller lernen kann, wie man eine Tür öffnet. Und dort könnte ich mir vorstellen, dass das auch mit Supply Chain könnte / Das ist jetzt vielleicht, ja, eher ein ein bisschen neuerer Ansatz. Wenn man halt heute liest, dann ist das immer Machine Learning. Aber ich denke, die nächste Phase wird wahrscheinlich sein, dass die Systeme halt auch selbst lernen können und nicht immer nur datenbasiert, sage ich jetzt mal, sondern dass sie aus Erfahrungen lernen können. Aber Erfahrungen kann man natürlich machen im reellen Leben, das ist klar. Aber das geht einfach relativ lang. (lacht) Und mit solchen simulierten Lernumgebungen könnte man natürlich nachher das System dazu bringen, in sehr viel kürzeren Intervallen zu lernen. #00:46:15-2#

I: Ja, also du könntest ja die ganzen Erfahrungen, die du schon mal gemacht hast oder jetzt als Unternehmung, könntest du dort einspeisen, auch wenn du keine Daten hast, wenn ich dich jetzt richtig verstehe. #00:46:24-2#

B: Genau. #00:46:24-9#

I: Und das ist dann quasi der Startpunkt, damit sich das System dann nachher verbessern kann. #00:46:29-6#

B: Genau. #00:46:31-5#

I: Aber dort bräuchtest du dann Deep Learning? Das funktioniert / #00:46:37-2#

B: Du brauchst schon Deep Learning, aber es ist nicht klassisches Deep Learning im Sinn davon, dass du viele Daten brauchst, sondern du hast - wie soll ich sagen? / Das System macht etwas. Nachher schaut es die Reaktion an. Dann gibt es so eine Art Feedback. Und nachher lernt es daraus: "Okay, das war jetzt nicht so gut." Wobei das natürlich nicht nur eine Aktion ist, sondern mehrere Aktionen. Das ist eigentlich ein neuer Ansatz, der immer mehr zum Tragen kommt im AI-Bereich. Ich bin dort jetzt auch nicht unbedingt der absolute Spezialist. Und eben in der Praxis wird das noch wenig eingesetzt. Aber zum Beispiel das Alpha-Go-Projekt hat so funktioniert. #00:47:30-6#

I: Genau. #00:47:32-8#

B: Ja. Wo eigentlich gar nicht aus Daten gelernt wurde. Das Alpha Go Zero hat nicht aus Daten gelernt, sondern eigentlich hat es einfach gespielt und hat es so gelernt. Natürlich ist es sehr viel einfacher, ein Go-Spiel zu simulieren als eine ganze Supply Chain. Aber vielleicht / Ja. #00:47:55-1#

I: Das wollte ich jetzt gerade noch fragen, ob das Alpha Go / Ich hatte das auch so im Kopf. Ja. Aber das ist klar dann viel komplexer, ja. Aber das ist sehr ein guter und interessanter Ansatz. Ja. #00:48:09-3#

B: Also eventuell auch eben wieder für Digital Twins.

Digital Twins können sozusagen den Realtime-Zustand an Informationen liefern.

Aber sie könnten eben genau auch gebraucht werden, um nachher Simulationen zu machen, mit denen man wieder ein System trainieren könnte, wenn denn das eintreffen würde.

Was ist denn die beste Reaktion, wenn der Suezkanal eben wieder zu ist? Oder wenn - ich weiss auch nicht - ja, irgendetwas passiert halt? #00:48:38-6#

I: Doch. Gut. Dann wäre ich eigentlich durch mit meinen Fragen. #00:48:55-4#

Anhang 8: Transkription Interview B

Experteninterview Nr. B

Experte: SC-Experte (B)

Interviewerin: Sandra Balsiger (I)

Datum des Interviews: 1.7.21

Dauer des Interviews: 55 min

Zur Identifikation der Aussage wird die Expertennummer (B) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Dann würde ich mal in die Einführungsfrage rein gehen. Welche Erfahrung bringst du in der Supply Chain mit? #00:00:20-0#

B: Relativ lange. Ich war in verschiedenen Firmen tätig. Ich war in Chemical Pharmaceuticals, ich war bei Automotive, ich war beim Maschinenbau und ich hatte dort verschiedene Funktionen. Anfang Karriere war ich eher auf der Ebene Mitarbeitender, ab dort tatsächlich selber eingekauft und verhandelt, also das wäre heute vielleicht Purchasing Manager, Senior Purchasing Manager. Irgendwann habe ich dann angefangen Personalverantwortung zu übernehmen und dann ging das relativ schnell. Ich hatte verschiedene Positionen als Vice President Supply Chain Europa oder EMEA. Und habe in meinem Leben auch schon mehrfach Einkaufsorganisationen aufgebaut oder vor allem umgebaut. Das vielleicht zum allgemeinen Kontext. Und wenn man mal spezifisch geht, viele Großprojekte, also komplexe Großprojekte, sehr viel, als ich noch im Maschinenbau war, Best Cost Regions Sourcing, also die typischen Länder wie beispielweise Indien, China. Aber auch, wenn ich jetzt an den Bereich Elektromotoren denke, Taiwan, Korea, Osteuropa, Gussteile in Spanien die Bearbeitung, Logistik. Also ich denke im Bereich Supply Chain, so mit ungefähr fünfundzwanzig Berufsjahren, bring ich ein bisschen was mit. #00:01:42-0#

I: Das klingt sehr stark danach. Danke für das Feedback. Dann würden wir in das Thema Supply Chain Resilienz reingehen. Was für einen Stellenwert nimmt das in deinem Unternehmen jetzt ein? #00:01:58-0#

B: Einen steigenden. Also man muss dazu sagen, das heutige Unternehmen, ich bin jetzt seit etwas länger als fünf Jahren hier und bevor ich kam wurde die Möglichkeit vom Wertbeitrag aber auch die Risikominimierung vom Supply Chain Management unterschätzt. Und das hat, also empirisch ermittelt aus meiner Sicht, ich war in Chemical Pharmaceuticals, ich war in Automotive, meine persönliche These basierend auf Erfahrung ist, je höher die Marge eines Geschäftes, einer Branche desto weniger stark ausgeprägt ist der Reifegrad des Einkaufs, desto weniger wichtig ist es auch.

Und um dort ein Beispiel zu machen, in meiner Chemical Pharmaceuticals Zeit war der Preis gar nicht so entscheidend. Sondern es gab eigentlich zwei Faktoren, das eine war OTD On Time Delivery. Das heißt, du musst schauen, dass dein Präparat oder dein Produkt auch wirklich bedarfsgerecht fertig ist, nicht wahr, mit der ganzen Supply Chain davor. Aus ethisch, moralischen Gründen, wenn du dir vorstellst, ein Patient ist auf ein Medikament eingestellt und du als Produzent sagst dann deinen Kunden, sorry, ich habe jetzt da gerade eine Shortage, ich kann dann in einem Vierteljahr wieder liefern, im dümmsten Fall, hoffentlich nicht, aber im dümmsten Fall sterben Menschen. Dann hast du aber auch noch, nebst dem ethischen, moralischen Aspekt, hast du auch noch einen kommerziellen Aspekt, du hast Lost Sales und du hast auch nachhaltigen Lost Sales. Nehmen wir an, ein Arzt hat einen Patienten eingestellt auf ein Krebsmedikament wie MabThera und du kannst nicht liefern, dann nimmt er für den Patienten ein anderes Medikament von einem Wettbewerber. Und sollte dieses Medikament gut wirken und mit wenig Nebenwirkungen verbunden sein, gibt es überhaupt keinen logischen Grund, dass er den Patienten wieder zurück umstellt auf das ursprüngliche Präparat, wenn er es gut verträgt, oder? Also das heißt, bei Pharma war es On Time Delivery und selbstverständlich Qualität. Preis war nicht so wichtig. Jetzt machen wir den Sprung zu Automotive und bei Automotive war es genau anders rum. In der Serienproduktion mit Margen von drei, vier Prozent auf deinen Produkten ist natürlich jeder Franken wichtig. Und wenn du eine Schraube einsparen kannst oder wenn du auf ein Gußteil, eine Bremsscheibe oder irgendetwas sechs, sieben, acht Prozent Einsparung machen kannst, hat es eine Auswirkung, nicht wahr? Also Faktor N, eben durch die Serienproduktion und das Volumen. So, das zeigt doch ein kleines bisschen wo ist es ausgeprägter, wo ist es nicht ausgeprägter. Das hat logische Gründe. Im Unternehmen wo ich heute bin waren wir bis vor acht oder zehn Jahren noch eher in dem Bereich sehr gute Margen. Das hat sich dann aber auch verändert, ich meine, Markt und andere Faktoren die dort hineingespielt haben. Wir sind heute auf einem Weg wo das Bewusstsein immer mehr kommt. Und mit dieser Risikominimierung, also mit dieser Supply Chain Resilienz wie du es genannt hast, sind natürlich auch Dinge verbunden. Gutes Einkaufen hat nichts mit Verhandeln zu tun. Also wenn ich im Freundes- und im Bekanntenkreis, wenn man mal irgendwie darüber spricht, oder, was machst du eigentlich und ich sag da, ja, ich bin im Einkauf und im Konzern, dann kommt mit an Sicherheit grenzender Wahrscheinlichkeit die Antwort, ach, du verhandelst, nicht wahr? Und du weißt aber selber als Profi, Verhandeln ist dann am Schluss der Kette, das sind vielleicht noch drei, vier, fünf Prozent. Echtes Supply Chain Management fängt viel früher an, die richtigen Lieferanten, die richtigen Systeme, Prozesskosten, Risiken vermindern, gute Verträge machen, schauen, dass du nicht zu viele hast im Sinne von Over Stocked oder Slow Mover aber auch nicht zu wenig im Sinne von Shortages. Und dieser ganze Themenkreis ist hochkomplex. Deswegen, bei uns hat ein Umdenken stattgefunden, es wird langsam wichtiger. Ich hoffe/ Ich habe die Frage jetzt sehr ausführlich beantwortet, ich werde in Zukunft ein bisschen kürzer sein. Aber ich glaube, das lohnt sich, wenn man es einmal kurz herleitet warum. #00:06:14-0#

I: Es ist perfekt. Du hast mir im Grunde genommen schon meine nächste Frage beantwortet, die gewesen wäre, was sind Einflussfaktoren. Darauf bist du jetzt eigentlich schon eingegangen was du jetzt zusammengefasst hast. Eben, was man kann, eben, die richtigen Lieferanten etablieren, alle diese Sachen. Also meine nächste Frage wäre gewesen was sind die Einflussfaktoren die das stärken, die Widerstandsfähigkeit. Aber die ist ja im Grunde genommen schon halb beantwortet würde ich denken. #00:06:44-0#

B: Halb, ja. Also ich habe einen Teil aufgezählt. Ich meine, einfaches Modell, komplexe Wirklichkeit. Es ist auch ein bisschen von der Branche abhängig. Ich war letztes Jahr bei der ZF in Friedrichshafen. Also das war so eine Veranstaltung über den Bundesverband für Einkauf- und Materialwirtschaft, so ein Praxistag oder, ich weiß nicht mehr wie es hieß. Und ich ging dort hin, weil es mich interessierte wie machen die das. Man lernt da immer was dazu. Und ich fand ganz spannend, die haben beispielsweise ein Frühwarnsystem eingeführt.

Das sind die Leute von Risk Method, da gibt es fünf oder sechs Firmen die auch immer wieder auf einen zukommen mit Werbemails, an Messen, an irgendwelchen Fachtagungen. Und ZF hat das tatsächlich gemacht.

Die haben zum Beispiel Roboter programmiert die auf Schlüsselbegriffe in Medien reagieren.

Also um ein Beispiel zu nennen, nehmen wir an ZF hat jetzt einen Lieferanten in China, Teileversorgung. Automotive Bereich ist ja viel Just in Time.

Dann würde der Roboter zum Beispiel reagieren, wenn irgendwas käme wie Brand im Hafen oder Streik oder irgendwas ist mit dem Schiff oder wie auch immer. Und sie glauben, dass sie auf diese Art, mit diesen Robotern und mit intelligenten Filtern, dann einfach schneller reagieren können.

Das ist eine Geschichte, kann man machen, also geht ein bisschen in diese Richtung. Für unsere Branche macht das jetzt weniger Sinn, oder? Was ganz sicher mit rein kommt, dass sind so Geschichten Stichwort Schwarzer Schwan. Also du kannst sehr viel planen, du kannst auf Prozesskosten gehen. Aber Schwarzer Schwan, um ein Beispiel zu nennen, Fukushima. Ich war wie viele entsetzt als es in den Medien kam, das war ein Wochenende. Und nachdem ersten, oh mein Gott, das ist aber schlimm, die armen Menschen und größter anzunehmender Unfall in einer Atomanlage, habe ich dann mal irgendwann auf den Profi-Modus im Supply Chain umgestellt und habe mich gefragt, was heißt das für mich.

Und das Problem ist, Tier Eins kannst du noch abschätzen aber Tier zwei, Tier drei einfach nicht mehr. Das heißt, in dem Moment wo ich jetzt irgendein Produkt aus Japan beziehe, das in der Bill of Material von einem Produkt das ich von einem Lieferanten kaufe drin ist, dann sehe ich das ja gar nicht. Und im dümmsten Fall kann das dann einfach heißen, ich bekomme mein Produkt nicht oder verspätet, weil irgendwo in der Lieferkette, die sind ja relativ komplex und global aufgebaut sind.

Das heißt für mich ja auch Medien beobachten, beispielsweise Fukushima, was ich direkt ableiten konnte.

Wir haben/ Ich war damals im Maschinenbau tätig. Wir haben für eine Produktionseinheit von uns sehr viele Kugellager bestellt. Also nicht Kugellägerchen sondern Kugellager, oder, also die großen Dinger von der NSK. Die NSK hatte drei Fabriken und alle drei waren durch Fukushima beeinträchtigt. Die einen haben nasse Füße bekommen durch die Flutwelle, zwei andere konnte man nicht betreiben, weil sie in diesem Radius waren. Und wir hatten wirklich ein Problem, weil wir haben in unsere Premium-Produkte mit diesen großen Kugellagern war genau dieses Kugellager spezifiziert und freigegeben.

Also wir konnten nicht mal schnell auf ein analoges Produkt von der SKF umsteigen, das war von der Technik gar nicht geprüft.

Und was haben wir dann gemacht? Das haben wir dann gleich am Montag eingeleitet, wir haben auf dem Markt geschaut, dass wir so viel als möglich Kugellager einkaufen auf Vorrat. Weil, uns war klar, auf dem Schiff war noch einiges bestellt, wir hatten auch noch einen kleinen Safety Stock aber der war nicht sonderlich groß.

Und in dem Moment, was hast du, Standard Lead Time Ocean Transport sechs Wochen, vielleicht noch eine Woche Harbour Operation, das heißt, uns war klar, mit dem Safety Stock, spätestens nach acht Wochen laufen wir short und von Japan kommt nichts mehr, oder? Und dann haben wir von jedem Großhändler überall auf der ganzen Welt haben wir ein Team drangesetzt. Wir haben jedes Kugellager gekauft das wir kriegen konnten, egal zu welchem Preis auch wenn er doppelt und dreifach so hoch war wie unser NSK-Vertrag, um die Zeit zu überbrücken bis wir gemeinsam mit Engineering ein alternatives Produkt ein pflegen konnte. Und von diesem Beispiel gehen wir gerade zum nächsten, beispielweise auch Single Source. Es gibt immer wieder Situationen wo du, ob du es willst oder nicht, wo du eine Single Source Situation hast. Ich denke jetzt beispielsweise im Nuklearbereich an irgendwelche Freigaben des eidgenössen, also vom ENSI, oder, wo du relativ lange Zulassungsprozesse hast, die können fünf, sechs Jahre dauern. Und dann vielleicht noch in einem Markt, wenn wir jetzt gerade bei Nuklear bleiben, der in Europa eher schrumpft, wo Lieferanten Probleme haben Nachwuchs zu bekommen. Also im Sinne von Mitarbeitern, weil man sich nicht mehr in einer Branche etablieren möchte wo in vielen europäischen Ländern eher zurückgefahren wird. Dort kann es Single Source Risiken haben, du kannst technische Single Source Risiken haben. Und wir hatten zum Teil auch bei manchen Produkten bei uns von der Spezifikation, das ist jetzt nicht ein Ruhmesblatt aber das hatten wir auch, dann stand im Prospekt zum Beispiel drin, Material Nummer Eins Zwei Drei von, von der ABB als Beispiel, oder? Also da war dann nicht das Produkt an sich spezifiziert, sondern du bist auf den Lieferanten und wenn du das nicht erkennst und nicht korrigierst, wenn das so ein kleinerer Posten ist bei den vielen Millionen die du kaufst, bist du automatisch, ob du das willst oder nicht, bei einer Single Source, nicht wahr? #00:12:20-0#

I: Ja, genau. #00:12:21-0#

B: Ein dritter Punkt den du nur sehr eingeschränkt kontrollieren kannst, da bist du fremdbestimmt, ist, wenn Firmen ihre Strategie ändern. Wir hatten jetzt vor kurzem einen Fall wo uns GE, die haben eine tolle Bauserie, den SF-6 Kombiwandler, ein Produkt das wir eingesetzt haben, das ist dann auch innert begast und nicht Öl gefüllt, also mit Brandgefahr und allem und die haben uns Lieferverträge abgekündigt. Und dann haben wir hinterfragt warum. Und das produzierende Werk war in [Ort] und sie haben entschieden, diese Produktion einzustellen. Also die Serie macht keinen Sinn mehr, sie wollen ihr Produktportfolio bereinigen und dann hast du einfach Pech gehabt. #00:13:07-0#

I: Mhm (bejahend). Du bist jetzt eigentlich auf ein paar Beispiele wo du erklärt hast wie kommt es zu Versorgungsstörungen, oder, wo du dann eine Strategie finden musst um die zu bewältigen. Meine Frage hat eigentlich mehr darauf abgezielt was du machen kannst um das entweder zu verhindern oder was könntest du pro aktiv unternehmen um deine Widerstandsfähigkeit zu verbessern in der Lieferkette drin. #00:13:44-0#

B: Danke für das Zurückführen auf einen roten Faden. Ich habe tatsächlich schon versucht mit praktischen Beispielen. Also wenn man es mal allgemein sieht, was kannst du machen.

Ich denke, mit das wichtigste was du brauchst ist erst mal Transparenz. Also du musst wissen was du kaufst, wo du kaufst und du musst deine Warengruppe und deine Lieferanten kennen, Wettbewerber, Schwierigkeiten und so weiter um das in irgendeiner Form zu übersehen.

Also es ist ähnlich wie ein Kapitän, wenn du jetzt kein Radarsystem und keinen Lotsen hast und du musst mit dem Schiff durch eine Meerenge durch, dann wird es immer so ein bisschen kritisch. Manchmal geht es gut, manchmal geht es nicht gut. Und genau dieses "manchmal geht es nicht gut" musst du als Profi aber wenn möglich pro aktiv ausschließen.

Also Transparenz ist ganz sicher das erste. Das zweite ist Information.

Wir checken beispielsweise, also vorher habe ich dieses Beispiel gebracht mit ZF was für uns nicht passt, oder, Fukushima, Medien aber das sind auch so Schwarze Schwäne und Zufalls-Dinger.

Was wir tun, wir checken regelmäßig auch die Bonität unserer Lieferanten. Also nicht von allen Lieferanten, sondern Schlüssellieferanten. Es ist ein Standardablauf bei einem Großprojekt, dass wir einen Kreditreformauszug holen. Und auch dort muss man wieder sagen, was du dort bekommst ist ein Blick in den Rückspiegel. Also die Daten sind niemals hundert Prozent aktuell. Selbstverständlich werden die, wenn du eine Anfrage machst, dann nochmals aktualisiert aber die Datenquellen sind auch nicht immer à jour. Wenn der Lieferant also gestern gut gearbeitet hat und beginnt bereits Schwierigkeiten zu bekommen, dann siehst du das vielleicht auf einem solchen Bonitätsreport noch nicht.

Deswegen kommt das Dritte im Sinne von Information, du musst auch schauen, dass du dich austauschst.

Also es gibt ja Gründe warum wir beispielsweise bei Expertenforen mitmachen. Weil wir im Bundesverband sind, weil wir zum Teil auch einen bilateralen Austausch suchen. Jetzt überhaupt nicht im Sinne von, lieber Kollege vom Wettbewerbe, sag mir mal wie viel kaufst du bei dem ein, was ist dein Preis. Das machen wir nicht, das interessiert uns nicht und es ist auch compliancemässig einfach nicht möglich.

Aber durchaus möglich ist, dass man mal allgemein Lieferanten austauscht, das Gras ein bisschen wachsen hört. Und du bekommst es ja auch mit, vor allem im Lieferantengespräch, wenn man mal über die Marktentwicklung spricht. Oh, ja, dort ist das und das passiert, dann kann man ableiten. Manchmal bekommst du sogar Informationen, wir hatten Schwierigkeiten mit dem Vorlieferanten und so weiter.

Aha. Und wenn das zufällig deiner ist und du weißt, Schwierigkeiten, dann geht die rote Lampe an, nicht wahr? Ein anderer Aspekt den wir noch gar nicht beleuchtet haben, was könntest du tun, ist, dass du versuchen musst in irgendeiner Form zu standardisieren soweit das möglich ist.

Standardisieren; damit meine ich, wenn du so ein breites Spektrum hast/ Es gibt ein Sprichwort, wer alles tut, tut nichts. Das stimmt hier in Teilbereichen. Wer ganz vieles tut und eine riesen Supply Chain hat, eine riesen Lieferantenbasis, der hat gar nicht die Möglichkeit alles in der gleichen Intensität zu bearbeiten. Und da spreche ich jetzt nicht von Pooling-Effekt und Geld sondern ich spreche wirklich von Risikominimierung. Du nickst, du weißt, worauf ich hinaus will. Das sind so Geschichten. Du bist also auch gut beraten, wenn du es hinbekommst, dass die Anzahl von deinen Lieferanten auf eine wirtschaftlich sinnvolle Anzahl begrenzt wird.

Und das ist je nach Branche, je nach Situation, je nach Warengruppe ist die unterschiedlich. Du kannst nicht sagen, bei einem Umsatz von zehn Millionen möchte ich hundert Lieferanten haben. Beim einen ist es viel zu wenig und beim anderen ist es viel zu viel. (lacht). So einfach ist es nicht, oder? So, jetzt gerade mal überlegen, was haben wir alles? Wir haben Information, wir haben Transparenz, wir haben Risikominimierung im Sinne von Markt- und Bonitätsinformationen, Standardisierung, Produkte. So aus dem Stehgreif sind das jetzt mal so die Schlagwörter. Da gibt es noch mehr aber das sind jetzt mal die die mir spontan einfallen. #00:18:02-0#

I: Mhm (bejahend). Ich denke, das ist auch ausreichend, danke. Du hast ja schon ein wenig angesprochen, also aus deiner Sicht dann die Resilienz wichtiger wird, als wir das vorhin diskutiert haben. Wie schätzt denn du das ein, wie das in fünf Jahren sein könnte? #00:18:22-0#

B: Ich denke, es gibt eine stärkere Spezialisierung. Also wenn ich mir mal den Einkauf an sich anschaue, den Stellenwert im Unternehmen wie sich der Einkauf aufstellt, dann siehst du in vielen Firmen noch ein sehr traditionelles Modell, dass der Einkauf aufgeteilt ist Operativ, Strategisch. Vielleicht hast du noch ein bisschen einen mit einem Taktischen, der dann so zwischen beiden Welten ist, nicht wahr? Und in manchen Firmen hast du dann vielleicht noch einen Projekteinkauf oder einen Investitionsgütereinkauf. Aber das ist so wirklich die traditionelle Schere. Worüber man heute in vielen Firmen noch gar nicht nachgedacht hat das ist, dass man den Wertbeitrag des Einkaufs erhöhen kann indem man auf der einen Seite/ Also sagt dir der Begriff Daktylo etwas? #00:19:15-0#

I: Nein. #00:19:17-0#

B: Daktylo-Arbeiten? // Nein? #00:19:16-0#

I: Nein. // #00:19:17-0#

B: Kommt aus dem Griechischen, also Tipparbeiten, oder? #00:19:19-0#

I: Ja. #00:19:20-0#

B: Also du musst versuchen Daktylo-Arbeiten zu minimieren. Daktylo-Arbeiten sind beispielsweise zeitintensiv aber nicht wertschöpfend. Jetzt denkst du zum Beispiel eine Auftragsbestätigung einpflegen oder denk an Terminverschiebungen oder denk an Order Placement oder Order Tracking. Oder der interne Kunde, du geht es auch ein bisschen früher oder ist es schon unterwegs? Oder Claim Management aber im kleinen Bereich. Der Bereich ruft an, Wareneingangskontrolle, haben wieder fünf gefehlt oder waren zehn zu viel oder Transportschaden, nicht wahr? Das sind Daktylo-Arbeiten. Und ein Stück weit musst du schauen, dass du die Dinge nach Möglichkeit automatisierst oder zurück verlagerst. Ich gebe dir ein Beispiel. Wir haben mit einem Lieferanten die Wareneingangskontrolle bei uns komplett eliminiert, gibt es nicht mehr, weil der Lieferant Prozesse etabliert hat wo er mit Gewichtsmessungen quasi, wenn er die Ware gerüstet hat für uns hat er mit Gewichtsmessungen gearbeitet. Jeder Artikel war mit dem Gewicht hinterlegt, da gab es eine Tara, und er hat dann ganz genau gewusst ob das was bestellt ist in der richtigen Stückzahl mit dem richtigen Produkt drin ist. Weil die Wahrscheinlichkeit, wenn du im Grammbereich arbeitest, dass einer was völlig falsches ins Päckchen rein packt, oder, ist relativ gering, dass dann das Gewicht auch stimmt, oder? Hat aber was gebracht, oder? Und ich glaube, es gibt die Verschiebung von Personalressourcen von dem traditionellen Modell, also operativ, taktisch, strategisch, vielleicht noch Projekteinkauf hinzu neuen Aufgabenbereichen. Da spreche ich zum Beispiel/ Es sind jetzt Buzzwords aber du kannst dir was dahinter vorstellen: BI, also Business Intelligence oder Innovation oder Sourcing und Scouting.

Ein ganz wichtiger Bereich, der meines Erachtens heute unterschätzt wird und dem man aus Ressourcen- und Zeitgründen auch nicht so viel Aufmerksamkeit schenkt wie er es wert wäre, ist SRM, also Supplier Relationship Management. Und da spreche ich aber schon davon, dass man das dann auch je nach Lieferanten unterschiedlich intensiv gestalten muss.

Wenn ich zum Beispiel fünftausend Lieferanten habe, dann spreche ich nicht davon, dass ich mit fünftausend Lieferanten ein SRM mache, sondern da habe ich irgendwie eine Pyramide. Da mache ich vielleicht mit tausend Lieferanten wenig bis gar nichts, vielleicht automatisiert irgendwie eine Auswertung über Liefertreue oder Qualität. Und wenn eine Warnlampe hochblinkt kann ich mir das anschauen und sagen, ist wichtig genug oder, hm, gut, der hatte jetzt siebzig Lieferungen, drei waren zu spät, Warnlampe ging an aber forget it, gibt es andere Dinge, nicht wahr? Dann denke ich aber auch, dass wir Nearshoring im Auge behalten sollten, also die Verlagerung von Daktylo-Arbeiten. Wenn man es nicht mit dem Roboter lösen kann, vielleicht in ein Land das weniger lohnintensiv ist. Ich hatte in früheren Firmen auch schon ein Shared Service Center, beispielsweise in Osteuropa. Das hat gut funktioniert, wenn man es gut vorbereitet. Und/ Was habe ich jetzt vergessen? Wir hatten Scouting, wir hatten Sourcing. Ja, Value Chain Management. Ich glaube, das ist noch so ein Begriff. Verschiebung, Wertbeitrag, das heißt, du brauchst mehr Leute die spezialisiert solche Dinge machen, die im Daily Business eher zu kurz kommen und du brauchst weniger Leute die das Operative machen in dem du das smarter lösen tust. Also, konnte ich erklären was ich meine? #00:23:08-0#

I: Ich denke, ja, du hast das erklärt. Wo mir noch der Schluss etwas fehlt, Rückschluss zur Resilienz der Supply Chain. Also ich verstehe/ SRM ist klar, das ist für mich klar, das stärkt eigentlich die Resilienz. Inno-Sourcing, da bin ich mir jetzt noch nicht ganz sicher wo da die Verbindung ist zu dem hin, oder? #00:23:34-0#

B: Jeder dieser Punkte hat eine ganz starke Verbindung zur Resilienz, jeder für sich allein.

Jetzt nimmst du Business Intelligence, dann bist du bei dem Thema Informationstransparenz.

Jetzt nimmst du Value Chain Management (unv. kein Ton) anderen Themen. Wenn du das wirklich mit Sinn und Verstand und mit der notwendigen Sorgfalt und Aufmerksamkeit tust, hast du automatisch eine höhere Resilienz, du hast eine Risikominimierung und, und und. Also das geht wirklich Hand in Hand in einander über. #00:24:06-0#

I: Ja, genau. Ich würde jetzt ganz gerne ins Thema KI reingehen. #00:24:30-0#

B: Mhm (bejahend). #00:24:31-0#

I: Also KI ist ja wirklich ein großes Themengebiet und es ist auch nicht einheitlich definiert. Was verstehst du darunter? #00:24:40-0#

B: Also ich bin, ja, ich bin froh, dass du in deiner Vorbereitung, im Briefing auch schon die klare Unterscheidung gemacht hast zwischen Automatisierung und zwischen KI. Und ich teile was du dort/ Ich muss mal gerade mal dein Dokument aufrufen. Ich teile was du dort gesagt hast, dass man tatsächlich einen Unterschied machen muss, oder? Für mich ist Künstliche Intelligenz wo ich durch Logikverknüpfungen, durch Systeme keinen Menschen brauche, sondern etwas habe das mich dort unterstützt. Und der Unterschied zur Automatisierung ist, glaube ich, klar. Auf den muss ich nicht eingehen. Für mich ist KI also etwas das ich zusätzlich einsetzten kann um mich zu stärken, um Menschen zu entlasten. Und man darf nicht vergessen, so eine KI die wird auch nicht müde, der unterlaufen, wenn es denn richtig programmiert ist, auch keine menschlichen Fehler oder Flüchtigkeitsfehler, die vergisst auch nichts. Als Ergänzung sehe ich die KI sehr positiv. In die Praxis übertragen muss ich aber auch sagen im Bereich Supply Change Management, mit wenigen Ausnahmen, highly sophisticated wenn ich jetzt an Google oder an so Technologiekonzerne denke, hat sich das soweit ich sehen kann aber noch nicht auf einer breiten Front irgendwo etabliert, dass man sagt, jedes dritte Unternehmen nutzt KI mit Sinn und Verstand relativ tief. Das sehe ich heute noch nicht. #00:26:11-0#

I: Mhm, mhm (bejahend). Das würde jetzt gerade meine/ Du hast schon meine nächste Frage schon angeschnitten. Kennst du Anwendungen im strategischen Einkauf wo man KI einsetzt? #00:26:24-0#

B: Mhm (bejahend). #00:26:25-0#

I: Und verwendet ihr etwas davon? #00:26:28-0#

B: Ja. Was wir verwenden wird bei uns zwar intern unter dem KI benutzt oder bezeichnet, ist aber, wenn man es wirklich mal genauer anschaut, eher in Richtung Automatisierung. #00:26:42-0#

I: Mhm (bejahend), okay. #00:26:43-0#

B: Ja. Und ob das jetzt irgendwie automatisiertes Verknüpfen von Barcodes mit Standarden sind, oder, um Abrechnungen zu vereinfachen, ob das irgendwelche Geschichten sind wo wir Routinen laufen lassen wegen Über- oder Unterlieferung, oder ob die Zahlungsfristen eingehalten werden, also solche Geschichten haben. Aber das ist für mich tatsächlich Automatisierung. Eine eigentliche KI in dem Sinne wo ich sagen würde, das ist wirklich Künstliche Intelligenz die haben wir in dem Sinne nicht. Und was wir auch nicht haben, das ist ein lernendes System. #00:27:19-0#

I: Mhm (bejahend). Aber du würdest sehr wohl Anwendungsmöglichkeiten sehen im Bereich strategischer Einkauf drin für KI? #00:27:29-0#

B: Ja, wobei ich muss das relativieren. Ich kann mir so als Visionär, wenn ich mir überlege was hätte ich gerne, also Stichwort Wunschzettel zu Weihnachten, kann ich mir einiges vorstellen. Wenn ich jetzt so ein bisschen Boots on the Ground, also mehr in Richtung praktisch denke, dann wird das ganz schnell weniger. Das hat zwei Gründe. Der erste Grund, ich glaube, du bist gut beraten, wenn du KI ein Stück als the Cherry on the Cream siehst. Also du solltest erst mal deine Hausaufgaben machen und andere Felder lösen. Weil wenn du dort schwach aufgestellt bist, ist der Schaden oder der nicht genutzte Wertbeitrag, meines Erachtens, höher als wenn ich diese Lücken lasse und dafür KI habe. Das heißt also, erst mal die Hausaufgaben machen und wenn du besser wirst kann man über KI sprechen, das ist der erste Grund. Der zweite Grund bei der KI ist, wenn man das wirklich mal unterscheidet, also nicht Automatisierung sondern echte Künstliche Intelligenz, dann wird die Luft ganz schnell dünn. Also im Sinne von, du hast komplexe Geschichten, es kostet sehr viel Zeit, es kostet sehr viel Geld. Du kannst, meines Erachtens, nichts von der Stange kaufen wo du quasi mit wenig Adaptionen eins zu eins einsetzen kannst. Sondern hier wird viel versucht zu verkaufen, oder, da gibt es Firmen die dich ansprechen und mit ganz tollen Ideen. Wenn man aber wirklich mal dahinter schaut, dann ist das ganz häufig Marketing aber wenig wo du sagen kannst, ah, Plug and Play. Super, der hat was erfunden das hilft mir, nehme ich. Zwei, drei Schnittstellen anpassen, bisschen Farbe drüber, funktioniert. Kenne ich nicht. Also wenn du eine andere Meinung hast und ich dazulernen kann wäre ich noch so froh, nicht wahr, weil deine Arbeit beschäftigt sich damit. Vielleicht liege ich auch falsch aber mein Erfahrungshintergrund ist der wie ich ihn gerade geschildert habe. #00:29:29-0#

I: Ich kann dann gerne im Anschluss an das Interview noch ein wenig etwas sagen was ich schon bis jetzt rausgefunden habe. Ja, es ist jetzt einfach nicht Teil des Interviews, deshalb/ #00:29:45-0#

B: Nein, // völlig klar. Das war auch nur eine / #00:29:47-0#

I: Das mache ich gerne, // mache ich gerne danach. Da kann ich // was so meine Erkenntnisse sind. Genau. Nein, nein, auf jeden Fall. #00:29:54-0#

B: Wir sind ja von Geben und Nehmen, also ich freue mich immer dazuzulernen. #00:29:54-0#

I: Auf jeden Fall, ja. Jetzt geht es mir eigentlich darum um eben so ein bisschen zu erfahren was so deine Erfahrungen sind oder deine Meinung dazu ist, oder? #00:30:04-0#

B: Mhm (bejahend). #00:30:05-0#

I: Jetzt, wenn wir dann in Anwendungen rein gehen wo man KI einsetzen könnte für die Resilienz, kennst du Anwendungen oder hast du eine Idee für potenzielle Anwendungen von so etwas? #00:30:23-0#

B: Mhm (bejahend). Also eine Anwendung habe ich vorher schon erwähnt, das ist beispielsweise die Geschichte bei der ZF, oder?

Das geht genau in die Richtung wo man versucht, aus verschiedenen Informationsquellen ein Frühwarnsystem zu etablieren das wirklich funktioniert. Das wäre für mich jetzt tatsächlich eine solche Anwendung und sowas könnte ich mir auch gut vorstellen, wenn ich eine Serienproduktion hätte mit einer hohen Abhängigkeit, aber es ist Branchen spezifisch, Firmen spezifisch.

Ich finde die ZF-Lösung toll. Ich weiß auch, dass andere Firmen, die kommen vor allem aus dem Automotive-Bereich. Ich habe Kollegen die bei BMW arbeiten und und und. Wenn man sich da mal fachlich austauscht, was macht denn ihr, woran arbeitet ihr, was ist denn ein innovatives Projekt, dann geht das genau in diese Richtung und dort macht es auch Sinn. Weil diese Just in Time Lieferketten, die sind relativ fragil. Und wenn der Kollege bei Mercedes zum Beispiel erzählt was für Auswirkungen es hat, wenn sich ein LKW also Just in Time mit irgendwelchen Teilen auch nur eine halbe Stunde verspätet, das führt dazu, dass ein Band abgestellt wird und dann hast du also einen riesen Backlog und eine ganze Kette, dann macht das dort Sinn. Also das wäre jetzt für mich eine konkrete Anwendung wo wir, glaube ich, auch sehr nahe an der Realität sind. So was gibt es schon und kann auch mit wenig Aufwand in irgendeiner Form etabliert werden. Was ich mir wünschen würde im Sinne von KI, und meines Wissens gibt es das noch nicht, wäre beispielsweise eine

Künstliche Intelligenz wo ich Parameter eingebe und sage, okay, ich suche neue Alternativlieferanten. In welcher Warengruppe bin ich, was für ein Werkstück, was für ein Werkstoff, welche Größe der Teile, was für eine Komplexität und auf Grund von verschiedenen Suchparametern sucht mir dann die Künstliche Intelligenz tatsächlich Möglichkeiten von Lieferanten, die ich heute vielleicht noch nicht habe.

Eine andere Möglichkeit die ich schätzen würde wäre, wenn ich so eine Art Quality Check von meinem Portfolio haben könnte. Das heißt, eine Künstliche Intelligenz, die immer wieder schaut wo kann ich denn noch mehr standardisieren, gibt es denn irgendwelche Normteile oder gibt es irgendwelche Anwendungen. Wo mir das System auch Vorschläge mach und sagt, schau mal, du hast jetzt hier Teil X, Y und Z. Du kannst die zum einen standardisieren, du kannst zum anderen vielleicht auch bei der Supply Chain das und das besser machen.

Eine dritte Anwendung wäre eine Lösung die meine Supply Chain auf mögliche Risiken abklopft.

Dann sind wir so/ Ich weiß nicht ob du was vom Compliance Catalyst gehört hast? Sagt dir das was? #00:33:19-0#

I: Mhm (bejahend). #00:33:20-0#

B: Ja? Also, okay.

Stell dir jetzt mal vor, du verknüpfst Informationen vom Compliance Catalyst mit Wirtschaftsinformationen mit Politik oder irgendwas, nicht wahr, und das analysiert deine Supply Chain. Und dann sagt dir dann die Künstliche Intelligenz, Vorsicht, wusstest du eigentlich schon, dass dein Lieferant in XYZ in einem politischen Risikogebiet ist, dieses Problem hat, , vielleicht lohnt es sich dieses Risiko proaktiv anzuschauen und was anders zu machen und mein Vorschlag wäre, wenn man es dann fertig macht, XYZ.

Alles was ich gerade beschrieben habe gibt es schon aber heute ist da ein Mensch dahinter der es beurteilen muss und noch keine Künstliche Intelligenz.

Und das noch in Kombination mit dem lernenden System. Weil am Anfang bekommst du ja auch Vorschläge, die funktionieren einfach nicht, oder? Dass das System aber auch lernt sinnvolles von Unsinn oder Wichtiges von Unwichtigem zu unterscheiden, dann hätte man wirklich Cherry on the Cream. Wenn es sowas mal gibt, würde mich sehr interessieren. #00:34:29-0#

I: Du hattest so ein wenig die Transparenz noch angesprochen, in der Supply Chain drin. Denkst du es gäbe für KI da auch Anwendungen? #00:34:39-0#

B: Die gibt es ganz sicher. Wenn ich jetzt an Transparenz denke, denke ich auch an Vergleichbarkeit. Und was wir zum Beispiel haben, wir haben innerhalb des Konzerns manchmal auch Situationen wo für vergleichbare Artikel völlig unterschiedliche Konditionen zur Anwendung kommen oder auch bei Lieferanten sowas kommt.

Eine dritte Möglichkeit wäre, das haben wir schon gemacht. Sagt dir Kostenregressionsanalyse etwas? #00:35:10-0#

I: Mhm (bejahend). Ja. #00:35:11-0#

B: Okay. Also wenn ich jetzt an diesen Bereich denke, dass ich Künstliche Intelligenz habe die mir eine Baugruppe oder ein Bauteil oder ein Produkt in seine Bestandteile, Bill of Material, zerlegt wird, wo der Anteil Arbeit, also Wertschöpfung und Material ausgerechnet wird und das dann verglichen wird mit Indizes. Nehmen wir an, da ist jetzt Kupfer und, also hypothetisch, Kupfer ist im letzten halben Jahr um dreißig Prozent gesunken und vielleicht ist der Lohnanteil, weil Best Cost Region auch noch anders, dass mir dann die Künstliche Intelligenz sagt, schau mal, du bezahlst für dieses Bauteil X aber mal mit der Kostenregression analysiert sollte es eigentlich X minus N sein, nicht wahr? Dann hast du einen ganz anderen Hebel. Wir machen genau sowas, was ich gerade beschrieben habe, aber das machen wir heute von Hand. Also du musst von Hand reingehen, musst es abschätzen, musst schauen, musst im Internet schauen wie war der Index von dem, wie sieht es mit Löhnen dort aus, ist irgendwas passiert, dann kommst du auch zu etwas aber es ist halt ein zeitintensiver Prozess. Wenn ich dort auf das Knöpfchen drücke und der Computer oder die Künstliche Intelligenz löst mir dieses Problem, das wäre schon schick. #00:36:33-0#

I: Mhm (bejahend). So das Thema Forecasting, Demand Planing. #00:36:46-0#

B: Oh, ja. #00:36:48-0#

I: Könntest du dir da irgendwie noch was vorstellen in diesem Thema drin das behilflich sein könnte? #00:36:54-0#

B: Ah, da könnte ich mir einiges vorstellen. Du legst/ Ich habe jetzt gerade so ein bisschen gelächelt, weil wir wissen als Profis beide, das ist ein sehr schwieriges Thema.

Je besser meine Forecasts und mein Demand Plan, desto einfacher tu ich mich mit Lieferanten. Und damit meine ich nicht nur Preisverhandlungen, sondern auch die ganze Supply Chain, die ganze Logistik.

Und dann wissen wir aber auch beide, dass die Information die aus dem eigenen Haus kommt, also vom Bedarfsträger, nicht immer so ist, dass man es eins zu eins verwenden kann. Also auch das ist wieder von der Branche abhängig. Bei Automotive oder bei einer Serienproduktion sieht es schon mal anders aus, wenn ich von der Fabrikplanung ausgehe. Da habe ich dann vielleicht das Problem, wenn der Product Manager oder der Sales Guy zu enthusiastisch ist und die Fabrik produziert 24/7 und das Lager mit Fertigprodukten wird grösser und grösser, dann habe ich ein anderes Problem aber davon spreche ich nicht. Ich spreche tatsächlich davon, dass Bedarfsträger ein Stück weit dazu neigen, dass sie es entweder unter- oder überschätzen und dass Änderungen, oh wir haben eine neue Situation jetzt müssen wir das und das haben, macht mal ganz schnell, meistens nicht so kommuniziert werden wie ich mir das als Supply Chain wünschen würde.

Und ich spreche jetzt nicht vom Sonderfall den es auch immer wieder mal gibt, Großauftrag kommt rein und plötzlich ist alles anders, das kann man nicht vorhersehen, sondern ich spreche von den Dingen die eigentlich schon bekannt sind aber nicht weitergegeben oder nicht beachtet werden.

Und auf die Frage Künstliche Intelligenz dort in dem Bereich, ja, könnte ich mir vorstellen allerdings mit einer Einschränkung. Wenn ich das mal gedanklich durchspiele.

Was eine KI nicht kann, ist in die Zukunft schauen, nicht wahr? Wenn es sowas gäbe, dann hätte man eine ganz andere Ausgangslage.

Das heißt, es beruht dann entweder auf Vergangenheitszahlen oder auf irgendwelchen Marktdaten und ich habe meine Fragezeichen ob das in der Praxis wirklich funktioniert. Aber vielleicht bin ich da auch zu skeptisch. Also vorstellen ja aber im Unterschied zu allen anderen Sachen die wir besprochen haben, hätte ich in dem Bereich mehr Fragezeichen. #00:39:11-0#

I: Ich würde jetzt trotzdem nochmals nachfragen. So Predictive Analytics, das geht ja schon in Richtung, ich schaue in die Zukunft? #00:39:21-0#

B: Natürlich. #00:39:22-0#

I: Und das kombiniert mit einer KI wäre ja vielleicht schon in der Lage, das berechnen zu können? #00:39:33-0#

B: Also produzierende Industrie, ob das jetzt Konsumgüter sind oder irgendwas anderes, vermutlich eher. Wenn ich denke Lebensmittelindustrie, kannst du vielleicht irgendwie demografische Daten oder, oder, oder nehmen, gibt es Möglichkeiten. Wenn ich es jetzt auf mein jetziges Unternehmen und auf unsere Geschichten beziehe eher nein. #00:39:55-0#

I: Okay, mhm (bejahend). Gut, danke. Jetzt ginge es mir darum, dass ein bisschen, dieses Potential ein wenig abzuschätzen von diesen Möglichkeiten die wir jetzt hier eigentlich herausgearbeitet haben oder die du genannt hast. Und zwar mit einem Rating von Eins bis Drei. Eins wäre das höchste Potential und Drei das niedrigste. Jetzt hatten wir es davon, dass du gesagt hast mal, Quality Checks, Standardisierung, das wäre ein Thema wo du / #00:40:30-0#

B: Eine Frage bevor ich auf dieses Rating gehe, dass ich es richtig mache. Bezieht sich das generisch allgemein oder bezieht sich das spezifisch auf mein jetziges Unternehmen, auf meine heutige Situation? Weil das sind zwei // unterschiedliche Antworten. #00:40:43-0#

I: Ja. // Ist ein sehr guter Punkt. Es wäre generisch gedacht. #00:40:47-0#

B: Gut. #00:40:47-0#

I: Aber in der Praxis umsetzbar. Eben, du hattest ja gesagt, du siehst in gewissen Bereichen nicht, oder? #00:40:54-0#

B: Ja. Nein, generisch, generisch hilft mir. Das heißt, es gibt eine Antwort aus Erfahrungen von früheren Unternehmen, Maschinenbau, Pharmaceuticals, das fließt ein wenig rein. Weil wenn ich es für mein jetziges Unternehmen beantworte würde, wäre die Antwort anders. Gut, generisch. #00:41:11-0#

I: Generisch. Also, ich habe mir notiert, Quality Checks, Standardisierung wäre ein Thema wo man KI einsetzen könnte, // oder? #00:41:20-0#

B: Mhm (bejahend). // Skala war Eins bis Drei und Eins war das Beste? #00:41:23-0#

I: Ja, genau. #00:41:25-0#

B: Und, Entschuldigung, dass ich nochmals nachfrage. Ich war gedanklich/ Was beurteile ich jetzt? Ich beurteile den Effekt, also was ich glaube was rauskommt oder die Komplexität der Umsetzung? #00:41:36-0#

I: Nein, das Potential, // das von einer Anwendung. Ja. #00:41:39-0#

B: Das Potential, also den Effekt. // Okay. (...) Jetzt muss ich gerade mal überlegen. Es ist die Frage, was ist die Basis, oder? Also es ist auf jeden Fall nicht Drei. Es ist entweder Eins oder Zwei.

Standardisierung mal ganz allgemein, eine Zwei Plus.

Also ein bisschen mehr als Zwei aber noch keine Eins. 42:01-0#

I: Mhm, ist gut. Dann hatten wir es von Regressionsanalyse, Kosten? #00:42:07-0#

B: Einen Zweier. #00:42:10-0#

I: Ein Zweier. #00:42:11-0#

B: Weil Preis ist ja nicht alles. Es hilft dir in einem Aspekt aber nicht allumfassend. #00:42:16-0#

I:Dann Transparenz, Vergleichbarkeit? #00:42:21-0#

B: Also Transparenz, vor allem im Sinne von Risikominimierung, eine dicke, fette Eins, also höchstes Rating. #00:42:29-0#

I: (lacht) Okay. Okay, ja. #00:42:34 Dann hatten wir Compliance, hattest du gesagt, kombiniert mit/ Was habe ich mir da aufgeschrieben? Jetzt kann ich selber nicht mal mehr lesen was ich geschrieben habe. #00:42:48-0#

B: Ah, du meinst den Compliance Catalyst? Also #00:42:50-0#

I: Ja, genau. #00:42:50-0#

B: war das der Punkt? Okay. Also quasi verschiedene Datenquellen, Compliance // Catalyst, #00:42:55-0#

I: Kombinieren, ja. // #00:42:56-0#

B: Meteodaten, Politik und so weiter. Da sind wir im Bereich Frühwarnsystem. Jetzt wird es schwierig. Wenn ich jetzt in der Serienproduktion bei Automotive bin, bin ich in einem tiefen Einser- oder im hohen Zweier-Bereich, so bei Eins Komma Acht.

Wenn ich es generisch anschaue bin ich da eher im Bereich Drei, weil das ist nicht für jede Branche so entscheidend. Je nach dem in welcher Situation du bist. Ich gehe hier auf eine Drei. #00:43:23-0#

I: Ich schreibe mal hin, branchenabhängig. Das ist gut. Dann hatten wir gesagt, eben, Frühwarnsystem. #00:43:29-0#

B: Ja, das ist auch branchenabhängig aber nicht so sehr branchenabhängig wie das erste. Da bin ich bei einer sehr soliden Zwei. #00:43:40-0#

I: Mhm (bejahend). Und dann hatten wir gesagt, Lieferantensuche mit KI? #00:43:48-0#

B: Ja, da bin ich eher bei einem Dreier. Also #00:43:53-0#

I: Mhm (bejahend). #00:43:53-0#

B: ich kann das heute auch und es hängt ein bisschen von Aufwand und von Ertrag ab. Wenn diese KI relativ einfach zu implementieren ist, also geringe Komplexität und nicht viel kostet, dann wäre das Rating höher. Wenn ich es aber mit der Realität überlege, bis ich sowas überhaupt habe, dann ist es eine ganz schwache Drei oder beziehungsweise eine ganz starke Drei. Also wenig Effekt, weil Aufwand und Ertrag muss man natürlich auch sehen. #00:44:23-0#

I: Mhm (bejahend). #00:44:24-0#

B: Kann sich aber die nächsten Jahre ändern. Häng natürlich auch von den Faktoren ab was es kostet, wie Komplex im Einsatz, wie schnell adaptierbar. Wenn das dann irgendwie mal einfach wird/ Nehmen wir das Beispiel Mobiltelefon C, also Natel, nationales Telefon, nicht wahr, Koffer, irgendwie zehn Kilo, zehntausend Franken. Und, ich weiß gar nicht, hier steht es, nicht wahr? Und dann schaust du dir das heute an, nicht wahr? Also die Entwicklung bleibt ja nicht stehen. #00:44:53-0#

I: Mhm. Und dann hatten wir noch ein bisschen über Forecasting, Demand Planning gesprochen? #00:44:59-0#

B: Eine sehr solide Zwei. #00:45:01-0#

I: Ja, // gut. #00:45:03-0#

B: Weil die hat // Auswirkungen in vielerlei Richtung. #00:45:05-0#

I: Jetzt haben wir vom Potential gesprochen. Siehst du grundsätzlich Hürden, wenn ich Anwendungen von KI einführen will? #00:45:16-0#

B: Ja. Eine Hürde, und wenn man mal schaut, ich hatte gestern zufälligerweise einen Expertenvortrag (gehabt?) und der Vortragende eine PWC Studie zitiert. Und da wurden dann CEOs von den Top fünfhundert Unternehmen gefragt, was sind denn deine größten Bedenken. Und der Unterschied von 2020 auf 2021 bei der Umfrage war, Cybercrime. War im Vorjahr irgendwie unter den ersten zwanzig und im neusten war er auf Platz Drei. Also ganz sicher Cybercrime, Data Privacy, die ganzen Geschichten. Ob es jetzt Vertraulichkeit ist oder ob es andere Sachen sind, also das ganze Datenschutzgrundverordnung, Security, Sicherheit und, und, und ist sicherlich eine der Hürden. Die zweite Hürde ist im Sinne von Schnittstellen zu Systemen. Also wenn ich mir überlege wie viele verschiedene Systeme angesprochen werden müssen, und da spreche ich nicht von den Kosten, das käme nämlich als dritter Punkt, aber die Komplexität der Schnittstellen. Wir haben bei uns auch eine richtig coole Lösung implementiert, wir nennen die Spend-App. Also wir haben Transparenz über verschiedene ERP-Systeme. War auch gar nicht so teuer und ist wirklich was Smartes wo meine Jungs was Tolles gemacht haben. Ich bin stolz was die geleistet haben, also wirklich super. Ich weiß aber auch wie komplex das am Anfang war genau wegen diesen Schnittstellen. #00:46:53-0#

I: Mhm (bejahend). #00:46:53-0#

B: Der dritte Punkt oder die dritte Hürde sind die Kosten. Ich habe es vorher schon angetönt, Aufwand und Ertrag. Dann haben wir die Bedienbarkeit. Also wenn ich einen Wissenschaftler mit zwei Doktortiteln brauche um das Ding zu bedienen, zu kalibrieren oder um die Ergebnisse dann zu interpretieren, dann ist es nicht so viel wert. Es muss einfach sein. Es muss praktikabel sein. Schnell in der Anwendung, dass ich nicht einen riesen Vorlauf brauche, einfach in der Bedienung und die Ergebnisse müssen auch logisch und einigermaßen einfach nachvollziehbar sein. #00:47:31-0#

I: Mhm (bejahend), danke. #00:47:32-0#

B: Und Geld hatte ich schon erwähnt, nicht wahr? #00:47:35-0#

I: // Ja, das Geld. #00:47:36-0#

B: Aufwand und Ertrag. // #00:47:36-0#

I: Das Geld hast du erwähnt, das ist nicht zu vernachlässigen, ja. #00:47:40-0#

B: Ja, ja. Ich meine, weißt du, je/ Und Geld in zweierlei Hinsicht. Also das erste Geld das ich meine ist, Implementierung, also Setup, Go Live, oder? Ja, was kostet das Ganze. Dann kommt aber auch noch ein Faktor hinzu, was kostet mich das Ganze dann in Wartung, Maintenance, Unterhalt, nicht wahr? Und Garbage In, Garbage Out, solch komplexen Systeme, die kann man nicht einmal machen und dann nutzt man das die nächsten zehn Jahre, du hast laufend irgendwelche Anpassungen. Und da spreche ich nicht von Software Updates sondern ich spreche von irgendwelchen Dingen. Wenn ich jetzt zum Beispiel denke an unsere Lösung die in diese Richtung geht, was wir da schon an kleineren Störfällen hatten. Nur so ein Beispiel, irgendein Kollege von Finance, in bester Absicht, macht einen neuen Buchungskreis aus irgendwelchen Finanz-Dingern. Wenn meine Software, die unteranderem (unv. Tonqualität) zugreift, das nicht hat, dann macht es Putsch und ich habe dann ein Problem mit dreißig, vierzig Millionen im Buchungskreis, dass die nicht mehr richtig geroutet werden. Ein anderes Beispiel, dass Stammdaten verändert werden. Wir hatten letztes Jahr einen Fall wo ein Kollege in einer Tochtergesellschaft auf die Idee kam, dass er seinen Materialnummern eine Null hinzufügt, oder, vorne. Ja, weißt du, wir hatten zu wenig Stellen und dann haben wir jetzt eine mehr und jetzt reicht es auf jeden Fall, weil wir waren schon bei der Acht und dann hatte man nicht mehr so viel. Super! Aber das hat dann an fünf Stellen hintendran geknallt, weil er sich einfach nicht geachtet hat, dass die Information die er in einem System ändert ganz hinten zu Problemen führt. Und ich greife lesend auf die Systeme zu, nicht wahr, dafür ist es aber auch wichtig, dass unsere Stammdaten nicht verändert werden. Also nicht ohne Absprache verändert werden, weil sonst knallt es. Das sind natürlich alles so Sachen, da hast du Wartung, da hast du aber auch kleiner Adaptionen und das Ganze muss in einem Rahmen sein. Aber wir waren bei den Hürden. Ich habe dir vier genannt. #00:49:41-0#

I: Mhm (bejahend), danke. Jetzt würden wir dann langsam zum Schluss unseres Interviews kommen. Hast du noch Punkte zum Ergänzen oder müsste ich, aus deiner Sicht, noch irgendetwas berücksichtigen? #00:49:53-0#

B: Lass mich mal überlegen. (...) Ich weiß nicht, ob Berücksichtigung aber eine Ergänzung im Sinne von einem Gedanken. Wir haben jetzt sehr viel über Technik gesprochen. Ich denke, wenn du das in die Praxis umsetzen möchtest, wenn du am Ende vom Tag auch durch diese Arbeit dazu beitragen möchtest, dass diese Widerstandsfähigkeit in der Praxis gestärkt wird, dass Menschen darauf zugreifen können und mit deiner Arbeit vielleicht auf neue Gedanken kommen oder Dinge optimieren können, dann sind, aus meiner Sicht, zwei Dinge zentral die wir gar nicht besprochen haben. Das eine ist der Faktor Mensch an sich und das geht in verschiedene Richtungen. Auf der einen Seite geht es in die Richtung Collaboration, also Team Spirit, alle arbeiten in eine Richtung und alle ziehen am gleichen Strang und wenn es geht (lacht) auch in die gleiche Richtung, nicht wahr? Es geht aber in Richtung enablen, qualifizieren. Und das ist so ein Punkt. Du hast sicherlich auch vom Alter, von der Generation abhängig Leute die mit solchen Dingen einfacher zurechtkommen. Also jetzt mal um sowas plakatives zu sagen, Generation Nintendo tut sich mit dem Smartphone, Computerlösungen, mit irgendwelchen elektronischen Tools deutlich einfacher als ein Mitarbeitender der vielleicht im Alter von fünfundfünfzig oder sechzig ist und der noch erlebt hat wie mit Fax und Telex gearbeitet wurde, nicht wahr? Also Faktor Mensch. Team Spirit aber auch das Enabling und auch ein junger Mensch Generation Nintendo braucht vielleicht eine spezielle Ausbildung, eine Anleitung in irgendeiner Form. Dann hast du einen Aspekt Change Management, wenn du sowas machst ist das für mich auch ein wichtiger Aspekt. Und der dritte Gedanke den ich mitgeben möchte, der hängt mit der Organisation zusammen, also die Aufbau- und Ablauforganisation. Du kannst das tollste Team haben, wenn deine Organisation aber anders funktioniert dann nützt dir das nichts. Um hier vielleicht noch ein Beispiel zu geben und das erlebe ich in der Praxis auch heute bei uns immer wieder aber auch schon früher. Das ist also nichts Neues sondern das poppt überall hoch. Du hast ganz grundsätzlich eher operative Themen, Tagesgeschäft und eher strategische Themen. Und es liegt in der Natur der Sache, die operativen Themen, die brennen. Wenn dir ein Teileinheitsleiter sagt, oh, meine Produktion steht oder du hast einen Qualitätsdefekt oder eine Unterlieferung oder irgendetwas, musst du dich jetzt drum kümmern sonst brennt es dort hinten relativ schnell. Und man neigt dazu dieses Tagesgeschäft zu machen aber die strategischen Themen, ja gut, das ist wichtig aber nicht dringend, das mache ich dann morgen oder übermorgen. Und irgendwann nach einem halben Jahr schaust du mal zurück und überlegst dir, hm, jetzt habe ich fünfundneunzig Prozent meiner Zeit mit Fire Fighting und operativen Themen verbracht aber die wirklich wichtigen die habe ich verschoben, verschoben. Es geht so weit, ich war mal im Studium auf einer Exkursion. Wir waren im Getriebewerk von Mercedes Benz in Deutschland und hatten das Glück, dass der Chef der Business Unit Getriebe, also das ist was größeres, global, oder, der hat sich für uns Studenten die Zeit genommen. Und es war wirklich hoch spannend. Der Mann hat uns nämlich erzählt, er hat seine Ingenieure, seine Entwicklungsabteilung vom Werk physisch verlagert in einen Außenstandort sieben Kilometer weg. Und es sei eine richtig heftige Kontroverse innerhalb von Mercedes entbrannt, weil einige Leute da gesagt haben, die Ingenieure müssen nahe an Produktion, nahe an Technik, das muss Hand in Hand gehen. Und er hat gesagt, dieses Märchen hat er jahrelang geglaubt und dann hat er mal/ Ich weiß nicht, sagt dir Gemba Walk etwas? #00:54:05-0#

I: Hm-mh (verneinend), // das sagt mir nichts. Nein. #00:54:07-0#

B: Kommt aus dem // Japanischen. Gemba steht für Tatort, am Geschehen. Und er hat einen Gemba Walk gemacht. Das heißt, er hat sich wirklich mal einen Tag in die Abteilung gesetzt, hat mit diesen Leuten gesprochen. Nicht Präsentation, sondern, du, vergiss mal, dass ich der Chef bin, zeig mir mal, es interessiert mich, was machst denn du, wie ist denn dein Tagesgeschäft? Und das hat er gemacht aus einem ganz anderen Grund und dann hat er gesagt, er ist auf die Welt gekommen wie häufig die Ingenieure gestört , weil irgendeiner von der Produktion mit irgendeinem Hafenkäse kam. Der ist ja im gleichen Haus, oh, oh, jetzt gehe ich mal hoch. Du, hast du mal kurz Zeit? Und dann ist er aus dem Denkprozess rausgerissen, oder? Also das sind so Geschichten, Aufbau-, Ablauforganisation. Du musst schauen, dass du die wirklich wichtigen strategischen Dinge tust. Und du musst schauen, dass du Leute hast die auch das tun und die nicht mit anderen Sachen ausgelastet oder belastet werden. Das wären vielleicht noch Aspekte, da bin ich jetzt aber schon eher in der späteren praktischen Umsetzung. #00:55:07-0#

I: Mhm, mhm, mhm (bejahend). Nein, das sind wertvolle Hinweise für die Umsetzung dann. Genau. Das wäre dann aber der nächste Schritt den ich machen würde. Genau. Gut, dann würde ich die Aufnahme mal unterbrechen jetzt. #00:55:24-0#

Anhang 9: Transkription Interview C

Experteninterview Nr. C

Experte: Gerhard Sandmeier, SC-Expert (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 2.07.21

Dauer des Interviews: 70 min

Zur Identifikation der Aussage wird die Expertennummer (C) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Dann würde ich gerade mit der ersten Frage starten. Was für Erfahrung bringen Sie in den Supply Chain Einkauf mit? #00:00:18-9#

B: Ja, das ist natürlich relativ weitgreifend, oder? Die Frage ist wieder, reden Sie von Ausbildungen spezifisch oder einfach Berufserfahrung? #00:00:30-4#

I: Berufserfahrung, genau. Ja. #00:00:32-6#

B: Eben Berufserfahrung, ich bin eigentlich ursprünglich Mechaniker, bin ich immer noch, mein Beruf ist Mechaniker. Und ich bin auch schon Geschäftsführer gewesen von einem Kleinunternehmen. Dort habe ich weltweit eingekauft, natürlich im kleineren Rahmen. Wenn Sie jetzt von grössen Firmen kommen, ist das natürlich dann auf einem anderen Niveau. Aber dort relativ kurze Wege, flache Organisation. So habe ich auf der Maschinenbau-Seite querbeet einkaufen dürfen. Ich habe auch 2006, bin ich auch international noch ziemlich unterwegs gewesen, wo da die ganzen Trends gewesen sind von Outsourcing, make or buy. Da bin ich relativ intensiv in Osteuropa mal gereist und so weiter. Also habe dort etwas die Facette kennengelernt von Sachen, die man gerne sieht und Sachen, die man weniger gerne sieht. Also Lieferanten-Evaluation ist dort eigentlich vor allem das Thema gewesen, Potentialabschätzung, OZ-Themen. Also es hat da ja eigentlich schon angefangen, es hat noch niemand von Big Data geredet dazumal, aber heute, man hat sich natürlich da die Informationen gesammelt. Eben dann als Geschäftsführer bin ich im Begriff gewesen, eine Firma zu übernehmen. Das ist dann leider gescheitert. Und dort bin ich für alles zuständig gewesen. Also eine Kleinfirma, wie gesagt, da hat man vom Verkauf über Einkauf eigentlich alles gemacht, von Rohstoffen bis hin zu Maschinenbau-Teile, Elemente, Bauelemente. Und natürlich eine hohe Wertschöpfung, gerade im Sinne von Eigenfertigung, was man dort auch noch gemacht hat. Maschinen natürlich auch Einkauf, also Investitionsgüter, die mehr als zwei Franken kosten, Evaluationsprozesse gemacht bis zur Anlage, bis zu, was ist das Grösste gewesen, 2,5 Millionen. Wenn man so eine Anschaffung macht, hat man natürlich dann automatisch höhere Anforderungen im Sinne von Risiko und so weiter. Und jetzt bin ich dann in die Wetrok gewechselt und jetzt habe ich dann das Zehnjährige. #00:02:42-4#

I: Schön. #00:02:43-4#

B: Dort bin ich gestartet im Service. Was jetzt für Sie minder interessant ist. Wobei, dort musste man eigentlich auch immer einkaufen. Manchmal Dienstleistungen, manchmal Ersatzteile oder T-Teile, Ergänzungsteile, die man anschaffen musste. Aber das ist nicht klassisch im Einkauf gewesen. Dann habe ich gewechselt in den Verkauf. Das klammern wir aus. Dort sind alle schuld gewesen, nur mehr nicht ich, (I lacht) wenn es keinen Umsatz gegeben hat oder wenn es ein Problem gegeben hat. Das ist die Verkaufsthematik. Und dann konnte ich eben wechseln. Jetzt bin ich seit zweitausend, was ist das jetzt, 15 oder 16 habe ich gewechselt als Supply-Chain-Leiter in Wetrock. Und dort bin ich in einer Mehrfachfunktion. Wir sind ein Kleinunternehmen. Das habe ich Ihnen schon am Telefon gesagt. Wir haben alle mehrere Hüte auf. Und einer davon ist bei mir Leiter Einkauf. Auf das zielen Sie sicher ab. Wobei, bei mir geht es eben dann in Qualität, dort kaufe ich auch ein, dort kaufe ich Dienstleistung ein. Ich bin Qualitätsmanager, ich bin Umweltverantwortlicher, die Logistik, habe ich schon gesagt, ist bei mir und so weiter. Also dort kauft man eigentlich ja auch immer ein. Aber klassischer Einkauf ist dann wirklich unser Portfolio, das wir international beschaffen. Und das ist rund/ Ich habe mir da mal ein paar Notizen gemacht. Das sind über 25 Millionen, die wir einkaufen an Teilen weltweit, von etwa 250 Lieferanten. Ich sage mal, Lieferanten mit 2 Millionen Einkaufsvolumen bis runter auf 5.000 sind die, die wir bei uns im Fokus haben. Alles was drunter ist, ist einfach ein bisschen reaktiv. Und dort habe ich natürlich jetzt eben die fünf, sechs Jahre jetzt dann relativ viel mitmachen können. Wir sind ja auch bei [Organisation], wo wir dankenswerter Weise beitreten konnten. Ich weiss auch nicht, etwa drei oder vier Jahre sind wir dort dabei. Wir sind auch nicht dabei gewesen vorher. Das ist eigentlich auch etwas gewesen, das wir/ Oder über den Brüder von [Person], der ist ja bei uns Geschäftsführer. #00:04:58-6#

I: Ah okay, ja. #00:04:59-5#

B: Der [Person] ist unser Geschäftsführer und der [Person] ist der Bruder von ihm. #00:05:06-9#

I: Ja. #00:05:07-4#

B: Und so sind wir dann irgendwann auch in das Gespräch gekommen mit [Organisation] und so weiter. #00:05:12-0#

I: Ja. #00:05:12-7#

B: Aber eben, zurück zum Ding. Einkaufserfahrung, dort bin ich recht herumgekommen. Trotz dessen dass wir klein sind, haben wir eine sehr hohe Variantenvielfalt. Wir haben etwa 9.000 verschiedene Artikel. Und das ist nicht die Herausforderung, sondern die Vielfältigkeit der Artikel ist bei uns die Herausforderung, oder? Wir haben ja 360 Grad im Thema Reinigung, was wir zur Verfügung stellen, von Dienstleistung bis hin zum Mikrofaser-Tüchlein, bis hin zum irgendwie Wischmopp, Sprühgerät, Maschinen und so weiter. Also wirklich alles, was Reinigung beinhaltet, kann man bei uns haben. Chemie, Reinigung Chemie natürlich auch. Und dadurch ist es vielfältig. #00:06:35-1#

I: Jawohl. Ja, ja, klar. #00:06:39-1#

B: Ja. Und dort konnte ich sehr viel lernen, bin auch unterwegs gewesen in China, Italien, also Europa generell. Und Kulturen und so weiter. #00:06:48-8#

I: Nein. Ich denke, das gibt einmal einen guten Einblick, wo Sie etwas unterwegs sind. Jetzt würde ich auf das Thema Resilienz eingehen. Was für einen Stellenwert nimmt Resilienz, Supply-Chain-Resilienz in Ihrem Unternehmen ein? #00:07:03-6#

B: Ja, also eben, im Prinzip von der Absicherung Risikomanagement, das kann man in jeder Literatur oder auch im Internet, was auch immer, verschiedene Ausprägungen natürlich da finden. Bei uns sind all die Schlagwörter, das habe ich Ihnen das letzte Mal schon gesagt, wir sind klein, in Anführungszeichen, vielfältig, anspruchsvoll, im Sinne dessen. Für die Resilienz, wir reden nicht in solchen Schlagwörtern vielleicht wie Industrie 4.0. Jede Firma, die Rang und Namen hat, redet von Industrie 4.0 oder digital Transformation oder ich weiss nicht was.

Wir stapeln in dem Sinne in ganz vielen Bereichen, die in das Thema hereingehen, was Digitalisierung anbelangt und Supply-Chain-Absicherung natürlich auch/ oder die Mechanos, die man hat für Früherkennung.

Ich meine, Corona konnte niemand voraussehen. Da haben alle Tools versagt, also der Impact. Im Januar haben alle noch gelacht und im März standen sie vor den nackten Tatsachen. Bei uns hat es einen hohen Stellenwert gehabt im Sinne dessen, dass wir verfügbar sind. Das ist bei uns halt auch, es hat wieder eine Brücke zu unserer Branche. Die Reinigungsbranche ist nicht fancy. Das ist nicht Apple. (lacht) Und von dem her muss man natürlich/ Wie sind substituierbar. Ich sage es mal so. Es gibt immer bessere und schlechtere Produkte. Wir bilden uns ein, dass wir jetzt sehr gute Produkte haben.

Aber wir müssen von der Robustheit in der Supply Chain und Antizipierbarkeit und Verfügbarkeit ist bei uns wichtig. Weil wir eben einfach substituierbar sind.

Ferrari gibt es nicht so viele. Wenn die mal nicht liefern können, dann wird halt gewartet. Die haben einen höheren Stellenwert. Bei uns ist es wie beim Bäcker. Wenn Sie ein Vollkorn-Gipfeli wollen und es beim Bäcker keine mehr gibt, dann gehen Sie zum nächsten. Und das ist bei uns ähnlich. Und darum ist das für uns ein Thema.

Aber da redet niemand von Resilienz. Da reden alle nur von Stabilität.

Da reden die Leute vielleicht, Sie hatten es da im Vorbereitungsschreiben genannt, von Robustheit oder so. Das ist eher so die Seite. #00:09:25-1#

I: Ja, genau. Jetzt sind Sie schon auf meine nächste Frage auch ein wenig eingegangen, was für Einflussfaktoren gibt es, um eigentlich die Widerstandsfähigkeit der Supply Chain zu erhöhen? Was ist Ihre Erfahrung, was sind wichtige Einflussfaktoren? Sie haben jetzt eigentlich die Robustheit schon genannt, dass das für Sie wichtig ist. Gibt es noch andere Punkte, die für Sie wichtig sind? #00:09:50-4#

B: Ja. Also eben, also Robustheit, da kommt nach mir relativ viel da rein.

Über politische/ Also im Prinzip die Situationsabschätzung oder die Antizipation oder das Antizipieren der künftigen Herausforderungen, das ist eigentlich ein bisschen das, was wir probieren.

Aber wir haben bis jetzt keine KI oder künstliche Intelligenz im klassischen Sinn, wo Sie jetzt darauf abzielen, abgesetzt. Wir haben aber so ein Pilotprojekt gehabt in die Richtung. Ich weiss nicht, ob Ihnen das etwas sagt, Should Costing, sagt Ihnen das etwas? Haben Sie schon mal gehört davon? #00:10:38-2#

I: Jetzt habe ich es akustisch nicht verstanden. Entschuldigung! #00:10:41-6#

B: Should Costing. #00:10:42-5#

I: Ja. Ja, das sagt mir etwas. Ja. #00:10:45-1#

B: Ja. Das ist ja auch von [Organisation] ist er dort auch vorstellig geworden, der Herr/ Ich weiss jetzt den Namen nicht mehr. [Person], irgend so etwas. Und mit dem haben wir eigentlich so die ersten Berührungen gemacht im Sinne von KI. Und dort ist es dann querbeet. Also künstliche Intelligenz, Algorithmen und so weiter. Das geht eben ganz tief dann herunter bis auf die Stammdaten, haben sie Stammdaten nicht in Ordnung, dann können Sie damit auch nichts anfangen. #00:11:13-5#

I: Genau. Ich würde das Thema nachher gerne noch eingehen. Ich würde den Punkt dann gerne nochmal aufnehmen, wenn das für Sie in Ordnung wäre? #00:11:20-9#

B: Ja. #00:11:22-1#

I: Ich bin jetzt eigentlich immer noch bei den Einflussfaktoren, was für Einflussfaktoren sehen Sie jetzt einfach grundsätzlich in der Supply Chain? Was Ihre Widerstandsfähigkeit erhöhen könnte. Ich habe herausgehört, Robustheit ist ein Thema. Gibt es noch andere Faktoren, von denen Sie denken, dass sie wichtig sind? Dass sie eigentlich robust bleiben, widerstandsfähig in der Supply Chain? #00:11:52-2#

B: Ja. Also eben, wir haben ja bereits gesagt, was robust/ Da ist die Frage, geht es in die Robustheit herein oder Sie haben dann mehrere Themen.

Back to Europe zum Beispiel. Seit vier Jahren, fünf Jahren sind wir im Gegentrend.

Also wir haben 2015 zum Beispiel ingescoured, als alle outgesourced haben. #00:12:12-0#

Verbindungsprobleme #00:12:15-9# bis #00:12:33-6#

B: Wir haben ja eben, wie ich Ihnen gesagt habe vorhin im Erfahrungsthema, dass wir ja viel nach China gegeben haben eine Zeitlang, auch Osteuropa, sogar auch wertschöpfende Tätigkeiten ausgelagert haben. Und das haben wir halt zurückbuchstabiert. Und zwar hat uns das auch Recht gegeben. Und da ist jetzt auch wieder die Frage, was ist Theorie und was ist Praxis. Und wir reden immer von der sogenannten Bremsspur.

Und das gehört eben, die Bremsspur im Sinne von je weiter weg ich gehe, desto mehr Bremsspur habe ich, wenn ich eine Produktänderung habe, wenn ich Qualitätsthemen habe, wenn ich eine Pandemie habe. Also die Risiken managen wir eigentlich sehr stark. Und das ist ein Entscheid davon gewesen, dass man Teile zurückholt. Wir haben eigentlich in China mittlerweile nur noch Lithiumzellen und ein paar Kleinigkeiten, Elektronikbauteile, die wir dort einkaufen. Den Rest haben wir halt zurückgeholt oder sind im Begriff, das zurückzuholen.

Und das hat uns jetzt im Sinne von Robustheit, Verfügbarkeit, eben auch Widerstandsfähigkeit natürlich extrem geholfen, jetzt während dieser Pandemiezeit.

Wir sind ja in unserer Branche einer der wenigen gewesen, die lieferverfügbar gewesen ist. Dort ist natürlich auch das Thema Verfügbarkeit, sprich Lagerhaltung, was ja so verpönt ist bei allen.

Lagerhaltung ist ja ein No-Go #00:14:01-0#

I: Jetzt in der Krise vielleicht nicht unbedingt, oder? #00:14:04-2#

B: Wir haben das aber auch schon länger so gehandhabt. Einerseits, vor der Krise habe ich mit den Finanzen manchmal Diskussionen gehabt wegen Wertberichtigung, Lagerhaltung, Kapitalbindung. Während oder als die Krise angefangen hat, sind wir Gewinner gewesen. Wir sind einer der Profiteure gewesen 2020. Und das nicht, weil wir die Lager leer gehabt haben und nichts mehr bekommen haben, sondern weil wir eben #00:14:30-2#

I: Liefern. #00:14:31-4#

B: profitieren konnten davon. Und das ist so ein bisschen ein Kredo, was will man, was will man machen. Das ganze just in Time und Lean und so weiter, in der heilen Welt ist das natürlich alles richtig. Das durfte ich ja selber in der Schule auch lernen oder sehen oder in meiner Berufserfahrung mitbekommen dürfen. Aber das Antizipieren, da kommen wir nachher wieder auf das schöne Thema. Das Antizipieren, künstliche Intelligenz, all die Tools, all die Algorithmen, die man da erstellen kann, wenn man gute Standards hat, das ist dann das andere, das funktioniert ja alles. Ich habe mich noch ein bisschen schlau gemacht, man nennt es ja heute schwache künstliche Intelligenz, man redet ja von schwach und stark. Die starke, weiss ich nicht, ob wir zwei das noch erleben werde. Also ohne, dass ich Ihnen zu nahe treten will. #00:15:23-7#

I: Nein, nein, das glaube ich auch. (lacht) Da teile ich Ihre Meinung. #00:15:28-6#

B: Die schwache Intelligenz, das wird sicher unter dem Wert geschlagen, da kann man heute sehr viel machen. Und das wäre dann das Thema Should Costing, wo wir noch drauf kommen. Wo wir die ersten Erfahrungen gemacht haben. Aber nochmal zurück zur eigentlichen Frage, Lagerhaltung ist für uns sicher,dass back to Europe, kurze Wege, Wertschöpfungssteigerung, Insourcing, das sind alles Trends gewesen, wo wir, ich sage es jetzt so, entgegen der Schulthematik oder der Trends oder der Hypes oder was da alles gelaufen ist, wo wir ein bisschen gegenteilig agiert haben.Je höhere Wertschöpfungszyklen Sie haben, desto weniger müssen Sie dem Rechnung tragen. Dort haben Sie zwar irgendwann das Problem vom Rohmaterial. Aber alles andere können Sie selber beeinflussen.

Wir sind sehr abhängig von unserer Supply Chain, also von unseren Lieferanten, vom Management unserer Lieferanten. Und darum ist das Lieferanten-Management bei uns ein Riesenthema.

Also wir schauen sicher, wen haben wir dort, wo sind die, die Wege, politische Situation, die wir haben, die Stabilität von dem Lieferanten und wenn es irgendwie geht natürlich eine Alternative, also die Substituierbarkeit ist für uns ein Riesenthema.

#00:16:51-4#

I: Also haben Sie mehr dual oder multiple Source-Strategie in dem Fall? #00:16:57-2#

B: Da kommt jetzt eben genau die Herausforderung. Wir haben eigentlich so drei Segmente.

Wir haben Handelsware. Das ist in der Regel einfacher zu substituieren.

Wir haben aber auch sehr werkzeug- oder kostenintensive Rotations-Spritzguss-Teile, wo man Werkzeug braucht in Millionenhöhe, wo wir immer investieren müssen. Die Substituierbarkeit so eines Lieferanten tun wir/ Ich kann nicht drei Lieferanten ansprechen und dreien das Werkzeug geben, also ausser wir zahlen dann dreimal das Werkzeug. Und dort haben wir es eigentlich so aufgegleist, dass wir das auch gewichtet haben natürlich entsprechend. Und auch damit umgehen. Und zwei versuchen es, ja. Und was für uns die absolute Absicherung ist jetzt dort, aus unserer Sicht, Stand heute das Beste, was man machen kann ist, wir investieren sehr viel Geld und kaufen alles. Also wir sagen nicht einem Lieferanten: „Mach uns das Teil!“, und der liefert dann und macht die Werkzeuge selber und so weiter.

Die Werkzeuge, da haben wir immer sogenannte Herstellungs- und Nutzungsverträge, die wir abschliessen. Wetrok investiert extrem viel Geld. Wir haben in den letzten fünf Jahren, ich weiss auch, über 15 Millionen investiert in solche Themen, Werkzeug, Evaluation, Innovation, neue Produkte. Und der Vorteil ist, das Spritzguss-Werkzeug kann ich transferieren.

Ich bin ja Mech. Das Spritzguss-Werkzeug kann man transferieren. Und solange die meine sind, habe ich, wenn ich saubere Eigentumsvorbehalte und so weiter definiert habe, kann ich das Werkzeug auch abziehen von einem Spitzguss-Giesser und woanders hin. Es braucht immer Anpassungszeit. Also man hat natürlich eine gewisse Zeit, die verstreicht. Aber man ist nicht komplett unfähig. Sollte das Werkzeug in einer Firma, die Konkurs geht oder eine Bombe einschlägt oder/ Gut, wenn eine Bombe einschlägt nützt alles nicht mehr. Aber wir können sagen, wir können immer noch transferieren. Und das machen wir jetzt aktuell auch. Wir haben Shengzhen, ich weiss auch nicht, fünf oder sechs Werkzeuge, Spritzguss-Werkzeug. Die kosten uns bald eine halbe Million. Und die nehmen wir zurück. Und die werden wir nachher im Raum Mailand spritzen, unsere Teile spritzen lassen. Und die Teile sind günstiger als aus Shengzhen in China. Also das sind so Sachen, die für uns absolut wichtig sind. Inwiefern KI dann da jetzt Einfluss haben kann, das ist ein relativ schwieriges Thema, sage ich mal. #00:19:38-9#

I: Genau. Gut. Das hat mir einmal einen guten Einblick gegeben. Jetzt so wenn Sie das anschauen, hat sich das in den letzten fünf Jahren verändert, die Wichtigkeit der Widerstandsfähigkeit in der Supply Chain? Wie schätzen Sie das ein? #00:19:56-5#

B: (…) Also die letzten fünf Jahren ist genommen, wenn Sie jetzt gesagt haben vor 2020. Aber in den letzten fünf Jahren, ich glaube, es gibt kein Mensch auf dieser Welt, der das nicht klar mit ja beantwortet. #00:20:12-7#

Verbindungsprobleme #00:20:15-0# - #00:20:45-0#

B: Eben ich habe gesagt, wenn Sie sagen in den letzten fünf Jahren. Wenn Sie 2020 oder 21 ausgeschlossen hätten, wäre es vielleicht eine andere Frage gewesen oder wäre es anders beantwortet worden. Aber jeder, der jetzt sagt, in den letzten fünf Jahren hat sich die Wichtigkeit dieses Themas nicht erhöht, ich glaube, das beantwortet jeder mit ja. Alles andere wäre eigentlich eine Farce, sage ich einmal. Weil für unsere Pläne jetzt oder auch meine Pläne oder wie soll ich sagen, Wetrok-Pläne hat das enorm geholfen. Es hat einerseits bestätigt, wie wir vorher gehandelt haben, also vor der Pandemie.

Und die Wichtigkeit beziehungsweise eben die Resilienz, Robustheit, Agilität und so weiter von der Supply Chain, dass man da eigentlich immer ein bisschen à jour bleiben sollte und vor allem das Risiko-Management mit der Antizipation im Fokus haben sollte, das gibt mir eigentlich Rückenwind.

Also mir. Ich sage jetzt mir. Es ist ja hoffentlich für die Wetrok. Es ist ja nicht meine Thematik. Und da glaube ich, das ist enorm gestiegen. #00:21:56-7#

I: Wenn Sie es jetzt anschauen würden, wie schätzen Sie es ein in den nächsten Jahren, wie entwickelt sich das weiter? Sie sagen, das ist jetzt wichtiger geworden. Es ist klar, wir haben die Pandemie gehabt. Eben, die Antwort habe ich eigentlich erwartet, dass Sie so etwas sagen. Was denken Sie, wie geht das jetzt weiter nach vorne gerichtet? #00:22:15-8#

B: Also bei uns, wir haben jetzt/ Ich muss ein bisschen aus/ Also nein, ausholen? Wir haben letztes Jahr wie gesagt profitiert. Wir sind ja auch als Grundversorger definiert worden in dieser Pandemie. Weil wir auch Desinfektionsmittel haben und Reinigung per se, es ist ja Händewaschen uns so weiter ein Riesenthema gewesen. Und persönliche Schutzausrüstung liefern wir auch und, und, und. Wir haben ein super Jahr gehabt. Es war ein Rekordjahr. 2021 ist es aber schon vorbei. Jetzt sind wir eigentlich schon wieder am Leiden. Und das ist Leiden im Sinne von, die Leute haben in der Panik wie wild gekauft. Und jetzt haben sie Überbestände. Man hat gewusst, Händewaschen reicht, man muss nicht zwingend desinfizieren. Jetzt kommen die Lockerungen. Ah, jetzt brauche ich plötzlich keine Maske mehr. Also wir sind eigentlich rückläufig jetzt im 2021. Und wir werden also diesbezüglich sicher einen richtigen Schritt machen. Also ich habe mir das auch auf die Fahne geschrieben. Wir müssen uns weiterentwickeln. Und jetzt im 2021, das ist ja eigentlich auch noch dämlich gewesen, sage ich jetzt mal ein bisschen bösartig. Man hat sich auf dem Erfolg, den wir 2020 gehabt haben, hat man aufgebaut. Man hat nicht gesagt: „Hey, aufpassen!“ Man hat eigentlich, wie es eigentlich so 0815 ist, jedes Jahr will man ein bisschen wachsen und generieren und so weiter, Rentabilität generieren. Und das hat man da eigentlich auch gemacht. Mittlerweile hat man bereits korrigiert, weil man gemerkt hat, das ist falsch, wir leiden jetzt schon wieder. Und von dem her werden wir sicher enorm viel/ oder ich habe mir jetzt auf die Fahne geschrieben, wir als Wetrok, dass wir in die Richtung irgendetwas machen werden, weil wir müssen jetzt Kosten sparen schon wieder. Und Kosten sparen, dort kommt natürlich dann die künstliche Intelligenz. Wir haben zwei, drei operative Einkäufer, plus zwei strategische. Und dort ist jetzt die Frage: Ja, brauche ich drei? Wie kann ich auf zwei reduzieren? Ich sage es jetzt ein bisschen hart. Wie kann ich Automatismen generieren? Und da haben wir eben die Gehversuche gemacht mit dem Should Costing. Also da gibt es ein riesiges Potential. Wir haben allerdings das Problem der Standards. Also das ist da unser Hemmschuh. Wahrscheinlich nicht nur bei uns, aber bei uns vor allem sind es die Standards, wo wir viel aufpassen müssen. Und wir machen sicher etwas in der Richtung. Sie haben mich da ehrlich noch, das darf ich jetzt auch gerade sagen, sicher auch nochmal ein bisschen inspiriert mit dem ganzen Thema. Weil, es ist jetzt eher gerade etwas eingeschlafen. Weil, letztes Jahr ist es reaktiv oder eben sehr aktiv gewesen, ich sage es mal so. Das Jahr jetzt merkt man, jetzt rumpelt es wieder. Und von dem her ist es sicher wichtig, jetzt da den Ball aufzunehmen. Und sicher eine gute Zeit, um das zu verkaufen, dass man etwas macht, weil das ist ja meistens nicht gratis. #00:25:22-6#

I: Genau. Das ist so. Wir sind jetzt ja schon fast im Thema KI angekommen. Dann knüpfe ich jetzt gerade da an. Künstliche Intelligenz ist ja ein Riesen-Themengebiet. Und es gibt eigentlich auch keine einheitliche Definition. Oder man liest ja ganz viel. Was verstehen Sie unter dem Begriff? #00:25:40-6#

B: Eben, für mich ist es/ Ich habe ja probiert, mich ein bisschen einzulesen, dass wir da auch etwas probieren, auf Augenhöhe zu reden, damit Sie nicht zu viel Vorsprung haben. Ich schaue hemdsärmelig an. Was für mich jetzt abschliessend absolut einleuchtend gewesen ist, ist jetzt das, was wir vorhin diskutiert haben. Also man hat natürlich alle die, die ich sage mal die Geld draus machen und wo ihr Marketingprofil auf dem aufsetzt, dass man gross das verkauft. Für mich ist die schwache künstliche Intelligenz das, wo ich glaube, das wird uns enorm viel bringen und ist auch schon extrem viel möglich. Das andere, die ganz autonome Geschichte, die sehe ich noch nicht. Und von dem her, ja, wir setzen auch dort an. #00:26:35-0#

I: Also Sie sagen, die schwache künstliche Intelligenz. Aber was verstehen Sie jetzt unter dem? Ist für Sie beispielsweise ein Roboter per se, ist das künstliche Intelligenz für Sie? #00:26:47-9#

B: Für mich ist ein Roboter künstliche Intelligenz. Also das fängt natürlich schon früh an. Es wird ja auch unterteilt mit operativ. Aber künstliche Intelligenz ist für mich einfach dort, wo ich auch Fachthemen/ Ein Thema bei uns ist Augmented Reality, das ist für mich ein Thema. Dann die ganze Bilderkennung ist für uns ein Thema. Also Kompetenz gekoppelt, also Basiswissen gekoppelt mit Erkennung und das dann gematcht. Wir sind zum Beispiel jetzt aktuell dran an einer App, an einer Kompetenz-App. Da kann man wieder sagen, Reinigung ist dort nicht so Fan gewesen. Reinigung können Sie aber sehr viel falsch machen. Und wir haben intern ja Untersuchungen gemacht, dass ein Verkäufer, der dreissig Jahre Erfahrung hat in der Reinigung, wenn er eine Bodenart definieren muss, ist das Kork, ist das Laminat, ist das Hartholz, ist das ich weiss nicht was, der hat eine höhere Fehlerquote als wir mittlerweile erreicht haben mit Kameraerkennung. #00:27:51-4#

Verbindungsprobleme #00:28:16-8# - #00:28:44-2#

B: Also. Und dort ist eben wieder Standard drin. Wir matchen das dann. Sprich, was ist das für ein Boden. Weil das ist entscheidend dafür, wie ich reinige. Dann kann ich, wieviel will ich reinigen, wie heikel ist das. Nachher spuckt es eigentlich hinten fast die Bestellliste heraus von unseren Produkten, mit Gerät, mit Chemie, mit Mopps, Mikrofasermaschine. Das ist eigentlich das Ziel. Dass man immer dran ist. Ist aber jetzt ein bisschen ins Stocken gekommen wegen der Pandemie. Aber wir haben jetzt gesehen, was dort alles möglich ist. Das verstehe ich wirklich unter dieser schwachen künstlichen Intelligenz. Die künstliche Intelligenz, die sehe ich dort wirklich nur ,also da ist sehr viel möglich, aber dass uns das unterstützt, aufbereitet, vorbereitet, analysiert. Also die ganze Datenflut. Und die Orchestrierung all dieser möglichen einzelnen Möglichkeiten, die man hat, wie jetzt eben die Erkennung eines Bodens, Kamera in dem Sinne, also Augmented Reality wird ja dann noch weiter gesponnen mit der Brille da. Also Sie lachen jetzt vielleicht. Wenn ich das im Bericht lese, dann sehen Sie Google, die mit ihrer Brille, ich weiss auch nicht, das Handy abbildet auf der Brille. Bei uns geht es eigentlich darum, dass der Reinigungsmitarbeiter eine Brille aufsetzt und ihm gesagt wird, wo er putzen muss und ob er schon geputzt hat. Und so Sachen sind extrem spannend. Und das wird unsere Welt schon verändern. Und da gibt es ja auch schon Lösungen. Etabliert ist es noch nicht. Aber da sind wir eigentlich auf einem guten Weg. Und ich glaube, das ist der Punkt. Roboter natürlich auch. In China, bin ich da in, was war es, Hotel gewesen. Da ist irgendein Fläschchen vom Roboter gebracht worden, eine Trinkflasche ins Hotelzimmer. Und dann hat er den Lift selber bedient und so weiter. Aber eben, die kognitive Fähigkeit, die hat man ja noch nicht wirklich. Also Aufnahme, Verarbeiten, raus, das funktioniert, solange das Schemata gegeben ist. Und sobald einer, ich weiss auch nicht, Emotionen reinbringt, dann funktioniert das schon nicht mehr. Darum eben, das wäre dann die starke irgendwann. Aber das wird noch einen Moment gehen. #00:31:07-9#

I: Also Sie haben jetzt ja von einigen Anwendungen schon geredet. Haben Sie auch bereits schon Anwendungen, eben, da haben wir es jetzt ein bisschen davon gehabt, im Einkauf, im strategischen Einkauf, vielleicht in der Supply Chain drin? Sie hatten gesagt, Should Casting ist dort ein Thema für Sie, um eigentlich besser Ihre Preisbasis, Ihre Potentiale entdecken zu können, gehe ich jetzt mal davon aus, dass Sie das für das einsetzen, oder? Können Sie das nochmal ein bisschen erläutern? #00:31:40-4#

B: Ja eben, beim Should Costing ist es ja so, dort haben wir ja, ich weiss gar nicht mehr, was es gewesen ist, auf jeden Fall in [Ort] von [Organisation] haben wir den kennengelernt, [Person] heisst er. Genau. #00:31:49-9#

I: Ja, ja. #00:31:51-9#

B: Und ich bin ja Mechaniker aber auch noch eidgenössisch diplomierter Mechanikermeister. Also ich weiss auch, wie man ein Teil zeichnet und fertigt. Und das so ein bisschen der Hintergrund. Und ich weiss, dass Wetrok/ Da muss man ein bisschen die Historie kennen, die Wetrok hat ursprünglich einmal Maschinen hergestellt. So sind sie gross geworden. Dann ist Chemie dazu gekommen. Und irgendwann, wie es halt so ist, das haben Sie auch miterlebt in Ihrer Berufserfahrung, irgendwann einmal hatte man das Gefühl: Warum selber machen, wenn es ein anderer machen kann? Und dann womöglich noch günstiger. Und dort hat man dann irgendwann angefangen out zu sourcen und so weiter. Und je mehr man outgesourct hat und das ist das, was ich, ich sage das jetzt so überheblich, immer sage: Outsourcen ist gut, aber eine gute Dienstleistung kann ich nur bieten/ Es ist ja so, in der Schweiz sagt man ja immer, Dienstleistung ist das, was unsere Stärke ist. Und ich sage, wenn ich keine Ahnung mehr habe, was es heisst, einen Boden zu putzen, dann kann ich auch die Dienstleistung nicht mehr auf dem Niveau leisten. Darum können wir nicht einfach alles weggeben. Da geht dann Knowhow verloren. Und das ist eigentlich das beste Beispiel, ist Wetrok. Die haben alles auswärts gegeben. Die hat alles eingekauft, fix und fertig, Me-too-, also OEM-Produkte eingekauft. Eigentlich selber gar nichts mehr gemacht. Und dann ist die Handelskomponente gekommen. Die wertschöpfende, das Bewusstsein, die Mitarbeiter, Wertschöpfung, die Risiken, das ist völlig weg. Man hat nur noch Einkauf, Brutto-Marge. Die soll siebzig, achtzig Prozent sein. Dann sind alle happy gewesen und wollten eigentlich nur Einkauf, Verkauf, oder? Und gleichzeitig hat man aber dann angefangen von USP zu reden, dann ist die Dienstleistung reingekommen. Und irgendwann hat man dann gemerkt, das ist ja ein Zusammenspiel. Da muss man ja positiv sein. Die Wetrok hat dann gesagt: Gut, wir müssen wieder rückwärts integrieren. Also wir holen zurück und nicht weiter weg. Wir müssen uns wieder mit dem in Anführungszeichen dreckigen Thema auch beschäftigen, dass wir auch dreckige Finger haben, nicht nur davon reden. Und das ist das, wo ich glaube, das hat extrem viel gebracht natürlich. Und erst so/ Jetzt habe ich den Faden ein bisschen verloren. Was ist die Frage? #00:34:12-6#

I: Eben, ich hatte es vom Should Costing, dass Sie das ja im Einkauf schon einsetzen. Ich nehme an, um wieder zurück, in zu sourcen, oder? #00:34:21-8#

B: Nein. Ja, einerseits. Das sind alles Themen gewesen, ja. Auch beim Should Costing eben die Kompetenz. Man hat dann auch Zeichnungen, das wäre eigentlich der Link gewesen/ die Zeichnungsqualität hat nicht mehr gestimmt. Man hat die Stammdaten nicht mehr sauber gehabt. Man so ein bisschen, ich deutsche jetzt etwas negativ aus, man hat zum Beispiel Blechbearbeitung. Sie können etwas konstruieren mit einem Zwei-Millimeter-Blech. Und wenn der nächste Konstrukteur etwas macht, dann nimmt er ein zweieinhalber Blech. Aber zwei Millimeter wäre ja auch gegangen. Und die Artikelvielfalt ist so völlig aufgeblasen worden, weil man nicht harmonisiert hat und weil man nicht Standard-Projekte gehabt hat, wo man gesagt hat: Ich gebe das vor. Eine moderne Firma heute, da können Sie gar keine Schraube mehr wählen, die nicht in einem Standard-Sortiment ist. Bei uns können Sie das noch.

Und mit Should Costing haben wir ja mal/ Der Ansatz ist dort gewesen, was haben wir für Stammdaten. Und die Stammdaten haben Resultate aufgezeigt, die einen ein bisschen erschreckt haben. Mich weniger, weil ich es schon vermute habe. Aber es ist eher noch schlimmer gewesen. Also eben, ein Artikel Rohmaterial, Auswahl Blechdicken, redundante oder fast redundante Teile, die man einkauft, neu konstruiert hat und nicht einmal mehr gewusst hat, dass man eigentlich schon eins hat.

Also da ist ganz viel herausgekommen. Aber Zeichnungsfehler, die dazu geführt haben, dass/ Also Fehler? Oder Sachen, die gefehlt haben, so muss ich es sagen, die dazu geführt haben, dass wir Teile eingekauft haben für viel mehr als jemand das auch auf die Zeichnung gemalt hat. Was null Relevant hat. Aber es stand zum Beispiel drauf, dass es elektropoliert sein muss. Dann hat das Teil natürlich dreissig Prozent mehr gekostet. Und das hat man dann zuerst analysiert. Das ist eigentlich, so sind wir zusammen in die Analyse herein mit [Person]. Und dann, als wir das analysiert hatten und den Datenreport bekommen haben, ist uns fast schlecht geworden. Und dann ist daraus heraus natürlich auch gekommen, was haben wir für Fertigungsanforderungen, von Blechbearbeitung bis Fräsen, Kunststoffspritzen, Gussteile. Dann hat man das auch nochmal geclustert. Und nachher hat er dann den Vorteil, er lebt ja von jedem Kunden, der ihm Daten reinspielt, wird er ja besser, seine Datenbank und die Qualität seiner Algorithmen, beziehungsweise das Resultat daraus heraus, wird natürlich immer besser, je mehr dort mitmachen. Und er hat dann aus diesen Stammdaten heraus, aus diesen Zeichnungsdaten heraus, die er ja herausliest, Schweissnahtlängen, Anzahl Löcher und so weiter, Materialien. Und daraus hat er dann einen Vergleich gehabt.

Und dort haben wir ja dann auch das Feedback bekommen, wo sind wir preislich, Einkaufs-preislich. Wo sind wir zu hoch, wo sind wir zu tief, wo sind wir optimal. Dort wiederum sind wir sehr gut gewesen. Also das ist auch schön gewesen zu sehen, dass wir nicht zu viel zahlen. Wir haben einen guten Einkauf, grundsätzlich. Oder gute Lieferanten, sagen wir es so. Aber Stammdaten-technisch haben wir ein Riesenpotential. Nachher ist ja [Person] noch dazu gekommen. Den haben Sie vielleicht auch schon gehört, von [Organisation]. Und [Person] hat das nachher gematcht mit dieser Analyse, was habt ihr. Also die Warengruppe, die er herausgeschält hat von allen Teilen, eben Schweissteile, was auch immer. Und er hat das dann gematcht mit potentiellen Lieferanten. Und so haben wir dann eigentlich mal das erste Projekt mit dem [Person], Should Costing und mit [Person], wo wir wirklich nur auf Datenbasis-Analyse und Datenbank-Qualität von [Person] und Netzwerk oder auch Datenbank-Qualität von [Person] hat man dann probiert, einmal dort ein Projekt zu starten. Also nicht nur probiert, wir haben das dann auch gemacht. #00:38:39-8#

I: Darf ich da wegen dieser potentiellen Lieferanten, ist das auch über eine KI gelaufen oder hat er einfach eine Datenbank gehabt mit Lieferanten oder wie hat das genau funktioniert dort? #00:38:51-8#

B: Ja, die Lieferanten hat er in seinem Netzwerk gehabt, ja. #00:38:54-7#

I: Ja. Ja. #00:38:55-9#

B: Und dass es dort gross künstliche Intelligenz? Also wahrscheinlich schon auch. Er wird sie sicher geclustert haben, wie irgendwie WLW oder so. Wo man einfach gewusst hat, die fünf spuckt es mir aus, wenn ich im Raum Prag etwas will oder wenn ich etwas in/ Er ist ja auf Osteuropa spezialisiert. Und sicher so hat sicher KI im, ja, übertragenen Sinn. Und wir haben da heraus auch wirklich Lieferanten evaluiert und mittlerweile auch integriert. Und das ist ein absoluter Erfolg gewesen. Und jetzt kommt ein bisschen das Problem. Man hat Geld gespart, man hat neue Lieferanten gefunden, verlässliche, gute Lieferanten und dann sind alle schon zufrieden. Die Stammdaten hat aber immer noch niemand angeschaut. (lacht) #00:39:49-0#

I: Okay, ja. #00:39:49-9#

B: Das ist sicher etwas, was ich jetzt angehen werde. Wir haben es jetzt auch letztes Jahr eigentlich so ein bisschen sistiert. Aber egal, was wir jetzt da reden, in welche Richtung man gehen will, wenn die Stammdaten nicht stimmen, dann können Sie es vergessen. Shit in, Shit out. Und dort müssen wir sicher unsere Hausaufgaben machen, um dann weiter zu kommen. #00:40:13-0#

I: Ja, genau. Jetzt haben Sie Anwendungen im Bereich Risikomanagement oder Resilienzerhöhung KI, haben Sie da etwas im Einkauf oder können Sie sich etwas vorstellen, was da Möglichkeiten wären? #00:40:34-9#

B: Nein, haben wir eigentlich noch nichts. Also im Risikomanagement arbeiten wir mit IMS zusammen. Also ich weiss nicht, ob Sie das schon gehört haben. Da ist eigentlich so ein internes Managementsystem, so mit KVP-Komponenten, Prozessablauf und so weiter. Dort gibt es Risikomanagement drin. Dort ist aber die Frage, was füttern Sie herein und welche Mechanismen möchte ich schlussendlich dann heraufbeschwören? Für mich ist dort, aber das kommt wieder ein bisschen von der Robustheit her oder eben von der Risikoabschätzung, ich glaube, ich habe jetzt einfach noch ein bisschen gegoogelt, da gibt es ja so ganz schlaue, HPE, KPMG und so weiter, Anbieter, Dienstleistungsunternehmen, die einen da unterstützen ein Stückweit.

Und so mein Wunschdenken wäre natürlich, dass wir eben so zumindest mal die politische Situation antizipieren können. Das haben wir momentan nicht. Das basiert auf, ja, ich sage jetzt mal Medien, wo man informiert wird. Aber so sauber konsolidiert und Rückschlüsse daraus gezogen werden nicht. Also wir machen das selber mit unserer Intelligenz. In Lieferanten-Managementsystemen ist das natürlich drin. Wie ist die Stabilität? Wo gibt es Embargos, ein Handelsabkommen? Und das ist glaube ich, dass schon alles Knowhow eigentlich da wäre und da gibt es auch schon Leute, die der etwas anbieten in dieser Richtung.

Das wäre für uns glaube ich relativ wichtig. Weil, irgendwann kommt ja dann auch noch das Thema präferentieller Ursprung. Und dort ist ja auch so ein bisschen, je weltweiter oder je internationaler Sie einkaufen, desto mehr Herausforderungen haben Sie auf dieser Schiene, oder? #00:42:39-2#

I: Ja. Ja. Also das geht so in die Richtung eigentlich Risikoüberwachung, was Sie jetzt ein bisschen ansprechen. Eben politische Situation, dass Sie frühzeitig reagieren könnten, anstatt die Daten selber manuell sammeln zu müssen, oder? Wenn ich Sie jetzt da richtig verstanden habe. #00:42:56-9#

B: Ja. Und auch zum Teil interpretieren. Also wenn Sie jetzt im Export tätig sind, dann müssen Sie sich politisch interessieren, sonst verlieren Sie den Faden. Und die Handelsabkommen und so weiter, die da sind, das ist Interpretationsspielraum. Und dort gibt es Einflussfaktoren. Und zum Teil wird ja extrem viel stimuliert, die politischen Themen, die da am Laufen sind. 99 Prozent der Leute oder sagen wir mal nur 90 Prozenten, die machen sich keine Gedanken, was der Impact ist, aber in der Regel passiert nichts durch Zufall, oder? Angebot, Nachfrage hochfahren, Risikokapital, Export, Import und so weiter. Oder America first. Da haben wir den Trump, was dort passiert ist oder als es auf die Wahlen zugegangen ist. Und das Ganze zu interpretieren. Ich weiss nicht, ob Sie schon mal da beim procure gewesen sind, wo CS beim PMI da? #00:44:01-2#

I: Ja. #00:44:01-6#

B: Und das ist noch recht eindrücklich, wie der in einer Stunde/ Also ich weiss gar nicht mehr, wie er hiess. Innerhalb von einer Stunde hat der Zusammenhänge aufgezeigt. Alle haben genickt und gesagt: „Ja, ist ja logisch.“ Aber die Zusammenhänge #00:44:15-3#

I: haben wir nicht verstanden. Ja, ja. #00:44:17-2#

B: Und ich glaube, das wäre ja, das Knowhow ist ja da. Und jetzt ist die Frage, was triggert einen Rückschluss oder eine Handhabung oder Reaktion. Und ich glaube, dort ist enorm viel Potential drin im Sinne von Resilienz, Stabilität, Antizipation. Wenn man das hinbekommen würde, das Knowhow von so einem Analytiker/ Was ja doch eben sehr viele Automatismen hat, in Amerika, ich weiss auch nicht, der Export erhöht oder ein Embargo erlässt, was passiert, was macht China im Gegenzug? Wir haben ja die drei, vier Grossen, die eins zu eins immer reagieren. Und das führt dann dazu, für unsere Stabilität oder eben Robustheit. Wenn wir das immer gerade sehen würden, das wäre ja sensationell, oder? #00:45:12-8#

I: Genau. #00:45:14-3#

B: Aber da sind wir wahrscheinlich noch ein bisschen weg. #00:45:17-6#

I: So betreffend Transparenz in der Supply Chain drin, wie schätzen Sie denn das Potential ein für den Einsatz von KI? (…) Also, dass ich immer Informationen habe, was ist bei meinen Lieferanten, was passiert dort gerade? #00:45:40-3#

B: Ja. Ja, dort gibt es Absicherung im Prinzip von/ Transparenz ist ja / Wir haben zum Beispiel, das ist jetzt ein blödes Beispiel, aber wir haben jetzt zum Beispiel probiert, wir arbeiten eigentlich mit offener Kalkulation und so weiter, wo man möglichst viel einsehen will. Wir fragen auch finanzielle Stabilität und so weiter von den Unternehmen eigentlich ab. Aber das ist nicht automatisiert. Und vor allem, da kommt nicht ein rotes Lämpchen, wenn ich es nicht initiiere. Dort sehe ich schon Potential, sicher.

Was ich aber sicher, wenn ich jetzt die operative Seite anschaue, was künstliche Intelligenz oder zumindest die schwache oder operativen Geschichten angeht, glaube ich, dass wir dort die ganze Fleissarbeit/ Es gibt ja, wenn man ein sauberes ERP, saubere Standards, saubere Wiederbeschaffungszeiten, ein sauberes Lieferantenportfolio hat, dann kommt dort natürlich relativ schnell die Idee von diesen Disposition und Bestellungen und Bestellungsbestätigung. Dort kann man relativ viel rausholen. Und das ist sicher auch etwas, wo wir jetzt zumindest im kleinen Stil schon dran sind, zu automatisieren. Ich glaube, das ist auch der grosse Vorteil. Das können Sie nachlesen, dass KI vor allem eben bei den repetitiven Arbeiten natürlich ein enormes Potential hat, um eben den Kopf frei zu haben für andere Themen, wie jetzt strategische Entscheidungen oder etwas wie Risikoabschätzungen und so weiter. Die ganze Transparenz, da ist vielleicht auch ein Thema da. Ich nehme an sich sprechen auch noch das Thema Abrufen, Konsignation und Lager an. Das ist auch noch ein Thema. #00:47:35-7#

I: Das ist auch eine Anwendung, ja. #00:47:36-8#

B: Das machen wir praktisch nicht mehr. Weil, es ist einfach immer so eine Sache. Systemtechnisch, ERP-technisch, Schnittstellen-technisch, Pflegeaufwand. Das muss man sicher dann auch nochmal analysieren, wie man das machen will. Aktuell haben wir das praktisch nicht mehr. Also es sieht jetzt niemand/ Mit der Chemie, unserer Reinigungschemie haben wir das. Also unsere Chemie wird hauptsächlich von zwei grossen Hersteller, in der Schweiz übrigens gefertigt oder gemacht.

Und die haben Zugriff auf Lagerbestände und Nachschub und so weiter, wo ein gewisser Automatismus drin ist. Und das Lager ist dann bei der Post Logistik. Das ist nicht bei uns. Und dort ist es gut harmonisiert. Und da sind wir auch im Begriff, eigentlich die ganze Fertigung inklusive Lager zu einem Hersteller oder Partner von uns zu verlagern. Das heisst, er macht nachher die ganze Dispo.

Das würde alles wegfallen. Und aktuell hätten wir ein Einsparpotential von einer halben Millionen pro Jahr, wenn wir das machen würden. Nur Kosten, operative Kosten. Und wenn ich das natürlich mit dem Lieferanten machen kann, dann spare ich allenfalls wieder Personal. Aber dort ist es dann sofort wieder, da werden einem gerade wieder die Alarmglocken losgehen oder gehen uns die roten Lampen an, weil dann Abhängigkeiten dual. Was passiert, wenn ich Force Majeure habe, wenn es Überschwemmungen gibt, wenn ich weiss auch nicht was, die Firma Corona hat? Das hält uns wieder davon ab. Das ganze Gewichten ist einfach extrem schwierig. Und da sind wir ja glaube ich, das darf ich so sagen, wir alle wahrscheinlich überfordert. Wir meinen es oder hätten gerne, dass wir es alles abwägen können. Aber ich denke, das ist schwierig. #00:49:42-5#

I: Genau. Das wäre ein bisschen so zum Thema Forecasting gewesen. Das Thema Forecasting, ist das bei Ihnen auch ein Thema? Dass Sie dort ein Potential sehen würden im Bereich KI? Dass man besser werden könnte? #00:50:01-1#

B: Forecast ist/ Ja. Ja, definitiv.

Müssen wir ja zum Teil auch, also die Lieferanten oder auch für uns. Also von dem her, eigentlich ist das ja nichts anderes als Rohdaten zu bearbeiten. Also man lebt ja dort in der Vergangenheit und probiert zu antizipieren in der Zukunft ein bisschen, was es für Einflussfaktoren hat. Dort glaube ich, der Einsatz wäre dort natürlich/ setzen wir momentan nicht ein.

Wir machen das ja immer noch mit unserer Intelligenz, aber basierend auf Vergangenheitsdaten und Entwicklungen. Sei es preislich oder auch rohstofftechnisch oder was auch immer jetzt für Entwicklungen im Land oder im Raum stehen.

Dort ist sicher, machen wir auch noch nichts, wie gesagt, aber das Potential ist riesig. Weil, der Aufwand für einen Forecast ist enorm. Treffsicherheit haben wir ja/ Jetzt gerade die Woche bin ich in Deutschland gewesen bei einem Lieferanten von uns und der hat uns vorgeworfen, dass unsere Forecasts für unsere Staubsauber 2020 um dreissig Prozent fast abgewichen sind.

Da habe ich gesagt: „Hätte ich eine Glaskugel, wäre es nicht so gewesen.“ Aber ja, dort gibt es sicher viel Input oder Potential, so muss ich es sagen.

Und was wir noch viel machen ist Rahmenverträge. Wir sichern eigentlich noch viel ab rohstoffseitig, aber auch natürlich verfügbarkeitsseitig mit Rahmenverträgen.

Und das ist natürlich auch nicht nur gut. Das wissen Sie auch. Da kann auch mal der Schuss hinten raus gehen, wo Sie nachher Zahlungen, Verpflichtungen haben von Material, das Sie vielleicht gar nicht mehr brauchen. Und dort drin ist natürlich das Forecasting gekoppelt. Also je besser wir antizipieren, was wir verkaufen, desto genauer kann man auch mit dem Lieferanten so einen Rahmenvertrag aufsetzen und Verpflichtungen festlegen. Also dort ist für uns sicher ein enormes Potential.

Ich habe nur noch nichts Schlaues gesehen, was mir dort helfen könnte. #00:52:13-8#

I: (…) Ich kann vielleicht im Nachgang noch ein bisschen darauf eingehen, was so ein bisschen meine Erkenntnis dazu schon sind. Dann haben wir es ja auch ein bisschen von der Lieferantensuche gehabt. Da hatten Sie ja gesagt, dass Sie in dem Projekt mit [Person] auch potentielle Lieferanten/ hat er Ihnen vorgeschlagen. Was denken Sie jetzt nach vorne, könnten Sie sich vorstellen, dass Sie irgend so ein Tool anwenden würden für so etwas, für die Lieferantensuche? Dass das Potential hätte? #00:52:58-3#

B: Ja. Es hat natürlich zwei Seiten. Produktseitig oder lieferantenseitig. Jetzt mit WLW zum Beispiel, dort sind wir im Begriff, das zu prüfen, ob wir dort noch mehr einsteigen wollen. Und gleichzeitig aber die Plattform zu haben, um sich zu vermarkten. Nicht nur anbieten, was wir liefern, sondern wenn einer dort drauf geht, hat man natürlich dann auch die Chance, allenfalls Produkte abzusetzen an einen, der jetzt dort irgendwie dort drauf herum dümpelt, im Sinne von Suche. Ich habe erwähnt, irgendwo 250 Lieferanten haben wir etwa, so plus/minus. Und achtzig davon sind relevant im Sinne von wirklich Volumen und Impact. Und von diesen 80 sind etwa 25 die, die wir eng betreuen. Also die auditieren wir auch und so weiter. Wir haben das schön so ein bisschen gewichtet eben mit Substituierbarkeit und so weiter. Und so ein Tool, wir haben bis jetzt, das muss ich vielleicht dick unterstreichen, vor dem Should Costing Projekt, eigentlich nur auf Mund-zu-Mund-Propaganda gesetzt. Also wir sind nicht jetzt auf WLW und haben gesagt: „Ah, da ist noch einer und da ist noch einer und da ist noch einer.“

Und die Mund-zu-Mund-Propaganda haben wir meistens dann eingegrenzt auf geografische Komponenten oder demographische. Wo ist es? Wie sieht die Logistik als? Also so ein bisschen der TCO-Ansatz. Und eben, wie ich schon gesagt habe, dass Back-to-Europe hat auch einen Einfluss gehabt.

Wir haben Gegentrends gehabt. Jeder geht jetzt auf Alibaba und gibt so ein Gerümpel ein. Und da kann ich aus persönlicher Erfahrung sagen, da habe ich in China/ All unsere Entwickler sind auf Alibaba und haben gesagt: „Jawohl, das bekommst du da. Das kostet dreimal nichts.“ Und wir haben gesagt, wir kaufen nirgends ein, mit wenigen Ausnahmen kaufen wir nirgends ein, wo wir den Lieferanten nicht gesehen haben. Und ich bin in China herumgereist. Ich habe ein potentielles Ventil, einen Lieferanten über Alibaba wollte ich besuchen und bin am Schluss vor einem Teppichladen gewesen, ich bin vor mehreren Unternehmen gewesen und so weiter. Also das ganze Alibaba ist ja jetzt nicht wirklich ein Tool, das ist ja nur eine Plattform zum Suchen.

Aber ich glaube, dort sind wir gut gefahren, dass wenn man einen gehabt hat, der gut ist, dass man sich schlau gemacht hat und zuerst einmal definiert hat, wo will ich das sourcen, im Sinne von dem, was wir vorher gesagt haben, politisch, Logistik, Risikoabschätzung.

Und wenn man das gemacht hat und zum Beispiel sagt: Ja, bis Osteuropa und bis Portugal und dann ist es gut. Also sprich Westeuropa mit Aushang Osteuropa. Und wenn man sich dann ein bisschen informiert, dann kommt man relativ schnell zu Lieferanten, die sich auch etabliert haben. Das ist nicht immer das Minimum- oder das Maximum-Prinzip im Sinne vom tiefsten Preis. Aber wir wissen, es gehört ja viel mehr dazu als nur der Preis. Und mit dem sind wir eigentlich gut gefahren. Und das hat die Should-Costing-Analyse ja auch gezeigt. Also wir haben uns jetzt nicht Luxus geleistet und haben irgendwelche Lieferanten gehabt, die viel zu teuer gewesen sind oder so. Überhaupt nicht. Ob man das abfangen kann?

Ich glaube, die Clustering oder so eine Long List glaube ich, bringt man raus. Bei der Short List würde ich schon wieder ein bisschen weggehen von der Automatisierung. Und der Abschluss, da gehen wir eher persönlich vorbei. Also ja. Aber das Potential, jawohl, ist da. Also vom Grossen, von der Big Data herunter zu skalieren, das wäre sicher gut möglich.

#00:57:05-0#

I: Okay. Danke! Jetzt, wir haben dies zwar im Gespräch schon etwas bewertet aber mich würde interessieren wie sie die Möglichkeiten die wir herausgeschält haben im Potential einstufen würden?#00:57:24-9#

B: (…) Das Potential im Sinne von? #00:57:28-7#

I: Von so einer Anwendung. Eben, wie interessant wäre so eine Anwendung für Sie. Und zwar, wenn Sie das beurteilen könnten, eins wäre hoch und drei wäre tief. Wir haben es davon gehabt eben, dass man KI einsetzen könnte, um Risikoinformationen zu bekommen, wie politische Informationen, finanzielle Situation, dass einen dort eigentlich KI unterstützen könnte. #00:58:05-6#

B: (…) Ja. Also das Thema ist, wie ich gesagt habe, bei uns sehr prominent. Und das Potential setze ich/ Also ich weiss nicht, wie/ #00:58:20-1#

Verbindungsprobleme #00:58:23-9#- #00:58:30-7#

B: Ja. Eben, das Potential, wenn Sie jetzt sagen eins tief, drei hoch oder wie haben Sie gesagt? #00:58:39-1#

I: Umgekehrt. Eins hoch, drei tief. (lacht) #00:58:41-0#

B: Das wäre bei uns anderthalb. Also für mich ist es sehr hoch.

Weil ich weiss nicht, wie Sie politisch unterwegs sind? Ich bin politisch interessiert, auch international sowieso. Aber eben, es ist nicht mein Hobby, mich jetzt mit irgendwelchen Trends von Handelsabkommen/ #00:59:02-7#

I: Jetzt sind Sie wieder verloren gegangen. Würden Sie das nochmal schnell wiederholen? Entschuldigung! Sie sind politisch interessiert, hatten Sie gesagt. #00:59:10-2#

B: Ja. Politisch interessiert. Aber der Detailierungsgrad ist natürlich die Frage. Und ich glaube, da bin ich nicht der Einzige auf dieser Welt. Es gibt viele, die sind politisch interessiert, aber die Wenigsten haben als Hobby, irgendwelche Handelsabkommen im Detail zu lesen. Jetzt also ein Beispiel. Da ist ja ganz ein ganz kleiner Ausschnitt. Und ich glaube, alles was/ Es ist natürlich jeder, der im Zollbereich arbeitet, wird das natürlich dementieren und Geld verdienen damit. Aber wir jetzt aus dem Einkauf, das ist so wie eine Pestbeule, ein bisschen böse gesagt, die aufgesetzt wird, wo man gleich reingehen muss. Und ich glaube, alle solche Sachen, die Randerscheinungen im Sinne von Risiko, eben sei es jetzt Pandemie, seien es politische Geschichten, Embargos oder jetzt so Handelsabkommen, dass wir die orchestrieren können und zumindest vereinfachen, das ist ja der Wunsch von uns allen. Alles was komplex ist wollen wir gerne vereinfachen. Und ich glaube, dort ist das grosse Potential von KI. KI ist nicht die, die definitiv sagt, ob wir links oder rechts gehen sollen. Aber die Fähigkeiten oder die Algorithmen mit Logik dahinter können eben ausspucken: Relevant oder nicht relevant. Ich habe es immer am liebsten, ich sage mal, ein Chaos an Informationen schaut man an und das Schöne wäre ja, innert Kürze herausschälen zu können, was ist relevant und was nicht. #01:00:44-0#

I: Genau. Ja. Ja. #01:00:45-1#

B: Und da ist die künstliche Intelligenz dann wertvoll. #01:00:48-9#

I: Ja. Dann hatte ich mir eigentlich schon notiert, das können Sie vielleicht einfach nochmal kurz bestätigen, Sie hatten gesagt, eigentlich Forecasting hätte schon ein Riesenpotential. Also wenn Sie besser antizipieren könnten, wieviel bräuchten Sie und dementsprechend Ihre Rahmenverträge auch anders abschliessen könnten, oder? Das ist richtig, oder? Das haben Sie eigentlich als hoch eingestuft, das wäre ein hohes Potential, wenn man das mit der künstlichen Intelligenz könnte, oder? #01:01:17-5#

B: Eben, per se im Daily Business absolut. Weil dort passieren Fehler, Fehleinschätzungen danach, die einem dann auch wehtun. Nehmen wir jetzt 2020 aus. Das hat niemand so vorausgesehen oder die Wenigsten. Aber wenn jetzt das normale operative Geschäft ist, dann kann man sagen, ist es ja ein Leichtes den Forecast aufgrund von Vergangenheitsdaten und Wachstumszielen und Entwicklungszielen und Innovationszielen plus/minus abzuschätzen. Aber in dem Moment, wo wir es auf ein Papier schreiben, ist es am nächsten Tag unter Umständen schon wieder komplett falsch. Und ich glaube, das Ganze, die Einflussfaktoren bewerten zu können und wieder zu reduzieren auf ein verständliches Niveau, das glaube ich, ist ein riesiges Potential.

Weil, wir zahlen jedes Jahr quasi Abnahmemengen zum Beispiel, die wir noch abnehmen müssen oder verschrottet oder egal was, aber wir sind verpflichtet, die Mengen abzunehmen. Und das ist grundsätzlich Money Burning, was niemand will.

Handkehrum bin ich verfügbar, handkehrum habe ich einen besseren Einkaufspreis, handkehrum halte ich dann Pufferlager und so weiter. Was also wieder die Robustheit unterstützt. Also das ist auch wieder ein Trade off. Und je besser man ihn macht, desto besser hat man auch Rentabilität oder die Resilienz. #01:02:48-1#

I: Ja, genau. Und ich hatte herausgehört, das KI für die Lieferantensuche vielleicht für die Erstellung eine Long List möglich wäre oder für eine Segmentierung. Aber so wirklich überzeugt sind Sie von dieser Anwendung nicht richtig? #01:03:10-4#

B: (…) Hätte ich zweitausend Lieferanten und würde ich/ Also wir kaufen ja, wie ich gesagt habe, schon recht vielfältig ein. Und dort alle Lieferanten zu kennen, von Textilien, über Geräte, über Maschinen, über Fräsen, über Bohren etc., das ist sehr schwierig. Wenn ich jetzt nur handele mit, ich weiss auch nicht, Kaffeebechern, dann ist das relativ einfach, dort mal so die wichtigsten auf dem Radar zu haben, oder?

Und je mehr Lieferanten und Komplexität ich habe, desto mehr ist es vorstellbar.

Und das ist bei uns ja eigentlich gegeben. Ich kann nicht sagen, ich kann es mir komplett nicht vorstellen oder ich kann es mir sehr gut vorstellen. Wie jetzt auch so eine WLW oder was auch immer Plattform. Aber die Auswahl, #01:03:59-7#

I: Die müssen Sie treffen. #01:04:01-6#

B: da bin ich ein bisschen verkaufsgeschädigt.

Die Auswahl für mich ist nicht nur 0 oder 1. Die Auswahl ist auch zwischenmenschlich. Das ist wahrscheinlich auch das grosse Hindernis der starken KI-Thematik. Eben Emotionen, Vertrauen, Nachhaltigkeit, Beständigkeit einer Person oder ich sage jetzt mal von einer Organisation, das ist dort auf keiner Plattform drin. Dort kann ich Qualität, Liefertreue, ich weiss auch nicht was, Preise und das kann ich da reintun.

Aber was ist, wenn ich einen Notfall habe? Und das haben wir jetzt letztes Jahr wieder gesehen. Letztes Jahr hat es uns bewiesen, dass wir die richtigen Lieferanten haben. Wir haben Warenlager gehabt, das hat uns geholfen, zu überbrücken. Wir haben aber, als das Lager dann langsam aufgebraucht war, so nach dem Lockdown und allem, haben unsere Lieferanten bereits nachgeliefert. Wir haben nie gross Stockout gehabt. Und das kann ich nur, wenn ich einen Lieferanten haben, Sie wissen ja, der am lautesten schreit bekommt es.

Und je bessere Beziehungen Sie haben, desto eher kann man das auch verkaufen. Das kann kein Selektionstool rausholen heute. Darum, das ist so ein bisschen eine Kombi.

Also ich glaube dran, dass man sehr viel abstrahieren und vereinfachen kann. Aber am Ende des Tages haben wir uns auf die Fahne geschrieben, wie ich vorher gesagt habe, wir bestellen nichts, wenn wir den Lieferanten/ Manchmal gehen wir nach China wegen, ich weiss auch nicht, Wasserpumpen für unsere Reinigungsmaschinen. Und den gehen wir besuchen. Ich will sehen, wie der aufgestellt ist. Ich will sehen, wie die Eigentümerschaft ist. Ich will sehen, ist der irgendwie im Hinterhof oder hat der nicht nur im Internet. Das haben wir auch schon gesehen. Im Internet ein Foto drauf getan, mit so grossen Plants, da gehe ich hin. Und das ist nicht nur China. Das ist auch in Osteuropa, das ist eigentlich überall so. Ich möchte die gesehen haben. Und ich glaube, die Komponente kann man nicht ersetzen, aus unserer Sicht. #01:06:06-0#

I: Klar. Nein, gut. Danke! Dann hätte ich zum Abschluss noch die Frage: Haben Sie irgendwelche Punkt zu ergänzen oder müsste man aus Ihrer Sicht noch sonst irgendetwas berücksichtigen? #01:06:18-9#

B: (…) Wir haben eigentlich jetzt querbeet geredet, manchmal nicht ganz so fokussiert. Ich hoffe, das ist nicht ein Problem. #01:06:32-9#

I: Ich sortiere das dann nachher wieder zusammen. Das ist schon gut. #01:06:35-6#

B: (beide lachen) Nein, eben das Wichtige ist gewesen für mich jetzt zur KI, ich glaube, das haben wir schon besprochen. Also ich habe keine Zusätze. Ich glaube, die wichtigsten Themen, die ich sehe in der Zukunft, was man rausschälen kann, ist das ganze Risikothema, übergeordnete Thema von Politik über ich weiss nicht was, wo man dann konsolidiert und abstrahiert. Was für mich sicher noch mehr/ wo wir jetzt teilweise ein bisschen darüber geredet haben, ist eben die Augmented Reality beziehungsweise das Google Lens, dass das auch extrem helfen wird. Und ich glaube, das wird auch der Schlüssel sein für die starke künstliche Intelligenz. Weil Mimik und so weiter, das gibt es ja heute schon. Also ich weiss nicht, ob Sie das schon gesehen haben in China, die Betreuung, Altersheimbetreuung von Robotern. Haben Sie das schon mal gesehen? #01:07:33-7#

I: Hm (bejahend). #01:07:34-5#

B: Und das Ding, ja, ist ja schon fast beängstigend, wie gewisse Sachen schon funktionieren. Von Emotionen, die der aufnimmt, interpretiert und Gegensteuer gibt. Also von dem her sind wir da schon langsam auf einem beängstigenden Weg, sage ich mal. Aber ja. Nein, Zusätze sonst nicht. Ich glaube einfach, die Komponenten, nicht nur mehr Big Data analysieren, Algorithmen und ausspucken, im Sinne von Standards oder Informationen. Sondern die individuelle Interpretation glaube ich, die wird ein bisschen im Fokus sein jetzt. Weil einige sind auf dieser Schiene schon viel weiter als jetzt wir in der [Organisation]. Die haben schon viel mehr gemacht, viel mehr automatisiert. Und ich glaube, das wird das grosse Thema sein. Und mit dieser Erkennung glaube ich, das wird der Trendsetter sein in der Zukunft. #01:08:28-5#

I: Ich sehe jetzt gerade, ich habe eine Frage noch vergessen, Ihnen zu stellen und zwar Hürden für Anwendungen bei KI. Da haben wir ein bisschen davon geredet mit den Standards, was Sie gesagt haben. Also dass Standards für Sie einer der Knackpunkte sind. Kommt Ihnen dort noch sonst etwas in den Sinn oder möchten Sie noch etwas ergänzen dort? #01:08:51-0#

B: Hürden haben wir ganz viele interne. #01:08:53-3#

I: Ja, okay. Verstehe ich, ja. #01:08:58-3#

B: Schauen Sie, ja, Sie sehen es ja jetzt, je mehr Sie sich mit einem Thema befassen, desto besser können Sie/ Irgendwann ist man schon fast verwirrt, sage ich mal. Und dann fängt man an zu abstrahieren und dann sieht man die Vor- und Nachteile. Und es gibt kategorische Verhinderer natürlich. Ich meine, Wissen ist Macht. Also mit allem, was ich automatisieren kann, das ist einerseits beängstigend für Leute, die potentiell Arbeitsplätze verlieren, es ist beängstigend für Leute, die einen gewissen Status haben, der dann allenfalls eben abgeschwächt wird, dadurch dass ich per Knopfdruck achtzig Prozent seines Mehrwertes substituieren kann. Das ist ein bisschen böse. Und da haben wir schon Widerstände. Die Leute sind nicht alle gleich offen dafür natürlich. Ich bin jetzt, sagen wir mal kritisch positiver. (lacht) #01:09:50-1#

I: (lacht) Das soll man ja auch sein, kritisch. Ja, gut. Gut, dann wäre ich so am Schluss meines Interviews angelangt. Danke vielmals! #01:10:05-7#

Anhang 11: Transkription Interview D

Experteninterview Nr. D

Experte: Marc Dolder, SC-Experte (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 2.07.21

Dauer des Interviews: 52 min

Zur Identifikation der Aussage wird die Expertennummer (D) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Gut, dann begrüße ich dich jetzt noch offiziell zum Interview. Ich würde gerade mit einer Einstiegsfrage starten. Wie viel Erfahrung bringst du in der Supply Chain mit? #00:00:14-0#

B: Ja, also danke für das Interview, Sandra. Ich bin jetzt neunzehn Jahre, ich sage mal, in allen Gebieten der Supply Chain unterwegs vom strategischen Einkauf, Operations, Logistik, After Sales Management, Partnermanagement, ja. #00:00:34-0#

I: Also breite Erfahrung? #00:00:37-0#

B: Ja. Wobei ich fair sagen muss, das beruht einfach auf diesen neunzehn Jahren die ich jetzt bei Swisscom bin. #00:00:44-0#

I: Mhm (bejahend). #00:00:45-0#

B: Ich hatte einen internen Wechsel Richtung Sales. Ich war eineinhalb Jahre Verkaufsleiter für eine Marktregion aber, ich sage, dort ging ich natürlich auf diese Seite wo ich dort spüren wollte wie Supply Chains funktionieren aber es war Sales-Seitig, genau. #00:01:05-0#

I: Mhm (bejahend). Gut. Dann, interessiert mich ja das Thema Supply Chain Resilienz. Was für einen Stellenwert nimmt Resilienz in deinem Unternehmen ein? #00:01:18-0#

B: Also je länger desto grösser, also desto größeren Stellenwert. Ich glaube, da weichen wir nicht ab von allen anderen Firmen die einfach resilienter werden müssen, also robuster werden können. Und ja, ich glaube, vielleicht kommen nachher noch Fragen dann, was alles so die Hintergründe sind. Aber der Stellenwert nimmt zu und ich habe ein bisschen das Gefühl, er nimmt sehr schnell zu, der Stellenwert.

Also es wird je länger desto wichtiger, dass man diesen Gap schließen kann. Vom Stellenwert den es schon hat und die internen Fähigkeiten die das Unternehmen hat muss man schauen, dass dieser Gap nicht grösser wird. #00:02:02-0#

I: Und wie hat sich das jetzt verändert seit der Pandemie für dich oder für euer Unternehmen? #00:02:10-0#

B: Ja, also es gibt, da kann man sicher zwei Sachen sagen. Also die Pandemie hat uns gezeigt, dass wir schon mal an vielen Orten gut unterwegs sind.

Im Kontext, schnell reagieren können um eine verworfene Situation wieder in einen ruhigen Zustand zu bringen. Das hat gezeigt, dass wir viele Sachen schon gut vorbereitet haben.

Aber was es natürlich auch aufzeigt ist, dass wenn es natürlich immer wieder zu solchen Verwerfungen kommt, dass man nicht in diesem Modus fahren kann. Also muss man wirklich Logik erfinden und, eben, wir kommen dann sicher noch zu diesem Thema Künstliche Intelligenz, die einem das viel mehr abnimmt. Also wir sind, wenn ich zuerst sage wieso wir gut durch die Pandemie gekommen sind, ist natürlich, weil wir erfahrene Leute haben und relativ stabile Netzwerke, also nicht technische, sondern Supply Chain Netzwerke. Aber wir mussten natürlich auch sehr viel Aufwand mit Task Force investieren, also einfach mit Human Power. Aber ich denke, ja, die Pandemie hat auch gezeigt wo wir jetzt verwundbar sind, ganz klar. #00:03:26-0#

I: Mhm (bejahend). Jetzt, was sind aus deiner Sicht die höchsten Einflussfaktoren zur Erhöhung von Widerstandsfähigkeit, so aus deiner Praxis heraus? Also, mit welchen Einflussfaktoren kann ich die stärken? #00:03:47-0#

B: Ja, also sicher das Thema Zusammenarbeit. #00:03:50-0#

I: Mhm, mhm (bejahend). #00:03:52-0#

B: Ich glaube, das, ja, ist offensichtlich, oder?

Wenn die Zusammenarbeit gut orchestriert ist oder, wenn sie gut aufgesetzt ist, da gibt es verschiedene Formen, dann wird man einfach stärker. Oder auch/ Da kann man irgendwelche Analogien nehmen vom Sport aus dem Teamgedanken.

Und das andere ist, ich glaube da sind wir schon lange auf der Reise, das Thema Agilität spielt halt auch hinein, oder? Also wir als Firma probieren auf vielen Gebieten agile Setups. Das beginnt bei den Systemen, wie man Systeme aufsetzt, wie man Systeme pflegt, nicht mehr so in Zyklen, sondern viel agiler eben. Das geht nachher auf der Prozessebene weiter, dass man Prozesse viel agiler aufsetzt. Dass wenn es Veränderung gibt, dass man die schneller in einen neuen Zustand bringen kann.

Und auf der Organisationsebene sind bei uns, einfach als Größenordnung, von siebzehntausend Leuten sind etwa fast fünftausend Leute in agilen Setups, also im Scrum, in den Trains, also vor allem die sehr technisch orientierten Abteilungen. Und ich glaube, das sind so die, aus dem Kopf raus, die zwei, ja, Dimensionen die wahrscheinlich viel dazu beitragen, dass du robuster wirst.

Ja. #00:05:18-0#

I: Du hast gesagt, die Zusammenarbeit. Sprichst du da vor allem die interne Zusammenarbeit an oder sprichst du die Zusammenarbeit an mit deinen Partnern? #00:05:27-0#

B: Beides. #00:05:28-0#

I: Beides, ja. #00:05:29-0#

B: Beides, ja.

Wobei, ich denke schon, dass gerade wir als Firma haben die Tendenz sehr stark nach innen gerichtet zu sein immer. Und so, wenn du die Frage so stellst, denke ich ist es umso wichtiger dann diese Beziehungen in dieser Hinsicht von der Resilienz gut aufzusetzen, extern. Dort ist auch ein Aufholbedarf. #00:05:51-0#

I: Habt ihr da irgendwie konkrete Maßnahmen schon eingeleitet, wenn du sagst, es ist Nachholbedarf da? #00:06:02-0#

B: Also, du musst sagen ob das dann zu weit von deinem Thema abweicht.

Aber ja, wenn man vom Thema Risk Management spricht, da bin ich schon beim strategischen Einkauf der auch noch Risiken beurteilen können muss in der Supply Chain, was dieser Partner macht und wie er liefert.

Da gibt es ja jetzt dann neu dieses Thema mit dem ganzen Risk Management mit ESG. Also auf Englisch ist das ja das Thema Environmental Social Governance. Und dort probieren wir jetzt, wenn du von Maßnahmen sprichst, wir probieren dort einen viel besseren Informationsaustausch der Firmen zu haben, weil wir zum Teil Sachen gar nicht wissen. Wir haben sehr statisch abgefragt, 1x Mal im Jahr einen Fragebogen vielleicht. Und die Maßnahmen sind dahingehend, dass man zu aktuelleren Daten kommen muss damit man eigentlich die Situationen besser und schneller einschätzen kann. Weil das wiederum führt ja dann nachher zu all diesen, hoffentlich, besseren Einschätzungen in der Resilienz.

Aber das ist ein großes Gebiet. Ich glaube, da sind jetzt alle Firmen dran. Und ich glaube, ja, wenn wir vielleicht später noch zur Künstlichen Intelligenz kommen, das geht in eine Richtung wo es nicht mehr sinnvoll ist, dass das Leute verarbeiten, diese Daten. Vor allem nicht nur wie viel Datendichte, wie viele Daten, sondern einfach das Auswerten, oder? Also weißt du, auch die Kombinationen darin zu sehen. Und ich glaube, unsere Maßnahmen momentan gehen alle stark dahin, dass man an die Informationen kommen will und nachher eigentlich probiert Wege zu finden wie man diese Informationen richtig auswerten kann und, ja, damit etwas macht. #00:07:58-0#

I: Genau. Ich habe jetzt mit dieser Frage schon ein bisschen begonnen. Mich interessiert es, was für Aktivitäten im strategischen Einkauf haben sich bei euch in der Praxis bewährt um die Resilienz zu erhöhen? Eben, jetzt sprechen wir von der Information, dass das ein wichtiger Punkt ist. Gibt es auch sonst andere Punkte die ihr umsetzt? #00:08:20-0#

B: Ja, also was wir probieren/ Wir haben dann ja auch noch das Thema solche direkten oder indirekten Maßnahmen die wirken. #00:08:31-0#

I: Genau. #00:08:31-0#

B: Also ESG ist sicher eines der sehr großen Themen das wirklich einen direkten Zusammenhang hat einfach, dass diese Resilienz/ Also weißt du, auch auf einer strategischen Ebene muss man das im Griff haben. Aber ein Gebiet welches vielleicht nicht so offensichtlich ist, ist halt das Thema Datenschutz, oder? #00:08:51-0#

I: Mhm (bejahend). #00:08:52-0#

B: Und was ist der Zusammenhang?

Wir haben viele Lieferanten und der strategische Einkauf hat dort eigentlich ganz neue Herausforderungen. Diese sind, dass man mit einem Lieferanten einen Vertrag machen muss wo wir diese Leistung wiederverkaufen an unsere Endkunden, also im Großkundenbereich.

#00:09:15-0#

I: Mhm (bejahend). #00:09:15-0#

B: Und jetzt geht es nicht nur darum, dass wir diese Leistung einkaufen müssen und dann ist sie für uns, sondern wir verkaufen sie weiter.

Also gehen wir hier in eine Richtung wo es darum geht, wie fließen die Daten, wer hat Zugriff auf die Daten und einfach die ganze Datenschutzthematik, weil man nicht nur in einer Beziehung ist zwischen dem Lieferanten und uns, sondern wir mit einem Endkunden, oder? #00:09:37-0#

I: Mhm, mhm (bejahend). #00:09:38-0#

B: So. Und

dort können Risiken auftreten, auch Richtung Supply Chain, Resilienz dann am Schluss, diese Robustheit. Dass, wenn diese Daten falsch verarbeitet werden, dann brechen diese Ketten zusammen. Man muss sie unterbrechen. Man kann nicht mehr richtig arbeiten. Man kann unseren Endkunden nicht mehr richtig bedienen. Und das hat am Schluss natürlich auch mit strategischem Einkauf oder mit der Supply Chain zu tun.

Sind wir noch funktionsfähig mit dieser Supply Chaine, oder? Klar sind das zum Teil vielleicht technische Systeme und IT-Lösungen und Dienstleistungen aber das hat natürlich auch mit der Robustheit unserer Supply Chain zu tun. Und diese Gebiete sind alle bei uns im strategischen Einkauf. Klar haben wir andere Teams die helfen aber dieses Thema Datenschutz, Datensicherheit/ Und das betrifft nicht nur eine Firma wie eine Swisscom sondern da sind alle Firmen dran weil das einfach so wichtig ist, dass man als Firma, oder eben jetzt auch als strategischer Einkauf, richtig umgehen kann in dieser Beziehung Lieferant und wir in der Beziehung mit dem Kunden. #00:10:44-0#

I: Wenn du sagst, das ist ein so wichtiges Thema, regelt ihr das vertraglich oder habt ihr dazu andere Maßnahmen die ihr umsetzt? #00:10:55-0#

B: Also das eine ist/ Ja, dass eine ist natürlich einfach mal rein vertraglich, einfach wir mit dem Lieferanten.

Und danach machen wir die Sachen die wir gegenüber dem Kunden zusichern, machen wir sogenannt back to back, einfach, damit es durchgängig stimmt. Aber die andere Ebene ist natürlich, dass wir das intern abbilden können müssen, diese Verträge. Und das sind Unmengen von Verträgen.

Das geht ja nachher in die Bestellungen runter, das geht in die Belege rein, wo man wie sicherstellen muss, dass das immer gemäß dem Vertag richtig läuft, also dass diese Daten richtig verarbeitet werden und abgelegt werden. Und das ist das große Arbeitsfeld welches wir jetzt haben, oder?

Und das geht nur nicht mit, ich sage jetzt, ja, Richtung Künstliche Intelligenz und einfach Daten sauber auswerten und verfolgen können.

#00:11:49-0#

I: Mhm, mhm (bejahend). #00:11:50-0#

B: Aber der größere Zusammenhang zur Resilienz-Frage der Supply Chain ist, wie kann man das so abbilden, dass man dort eben genug robust aufgestellt ist und dass die Dienstleistungen immer erbracht werden können gegenüber dem Endkunden. #00:12:06-0#

I: Mhm (bejahend). So dieses Thema Lieferanten Setup, das ist nicht so ein Thema für euch in der Resilienz der Supply Chain? Wie ihr euch mit euren Lieferanten aufstellt, schneller andere Lieferanten finden, ist das nicht so ein Thema für euch? #00:12:29-0#

B: Doch, also je nach Warengruppe schon. Ich würde dort ein bisschen unterscheiden zwischen zwei Kategorien vielleicht um es einfach zu halten.

Die eine Kategorie ist, dort wo es sich aufdrängt und man aus einer Versorgungsperspektive mehrere Lieferanten haben kann, dann machen wir Dual- oder Multi-Sourcing. Also vor allem so im Handelswarenbereich vielleicht. Und dort macht es Sinn, dass man auch schaut, wie ergänzen die sich eventuell oder hat man eben Alternativmöglichkeiten.

Aber nachher ist es halt so, dass für sehr viele Lösungen kann man nicht zweit Lieferanten haben, weil sie einfach/ Also weißt du, im großen Netzbereich, ich spreche da jetzt nicht vom Retail-Bereich aber Netzinfrastruktur, da kannst du nicht zwei haben. Also da bauen wir mit einem ein Netz. Und dort ist es nachher viel wichtiger, wie man das Lieferantenmanagement natürlich mit diesem entsprechenden Partner macht.

Und dort ist es nachher wichtig, dass man das gut aufsetzt, diese Partnerschaft. Eben nicht nur kommerziell oder rechtlich, sondern/ Also da kommen viel mehr neue Anforderungen an uns ran, an den strategischen Einkauf. Wie setzt man denn eine solche Partnerschaft auf, dass sie eben robust ist, wenn es ein bisschen schwierige Phasen gibt.

Haben wir übrigens jetzt mit der Komponentenverfügbarkeit der Chips.

Aber das andere gibt es schon auch, man kann auch entgegensteuern in dem man mehrere Lieferanten hat.

Aber man muss schon sehen, wir bei der Swisscom sind tendenziell mit Single-Sourcing konfrontiert einfach aus einer Kostenperspektive. Es macht keinen Sinn, dass man überall zwei hat. #00:14:21-0#

I: Und dann, so habe ich dich verstanden, ist das Lieferantenmanagement wichtig. Ich nehme an, Supplier Relationship Management gehört auch dort hinein? Entwicklung von Lieferanten, das sind dann in dem Fall so Themen für euch die ein Schwergewicht sind? #00:14:40-0#

B: Ja. #00:14:42-0#

I: Ja. #00:14:42-0#

B: Umso mehr, genau, muss man nachher/ Also wir sagen dem

Partner- and Performance Management. Also, ja, das ist einfach das was du auch kennst unter dem ganzen Lieferantenmanagement. Aber in diesen Situationen wo man eben auf einen Partner angewiesen ist es umso wichtiger, dass man diese Beziehung ganz gut verfolgt.

Und zwar nicht nur kommerziell und rechtlich, sondern alle neuen Themen, eben auch dieses Thema Resilienz. Also verstehen wie er aufgestellt ist, wo hat er Zwischenlager, wie bringt er seine Ware hin.

Wir haben viele Lieferanten in solchen Single-Situationen, da schauen wir mit dem Lieferanten, dass er auch in der Schweiz ein Lager aufbaut, genau aus Sicherheitsgründen, oder? #00:15:26-0#

I: Habt ihr auch ein spezielles Vorgehen wenn ihr einen solchen Partner aussucht? #00:15:32-0#

B: Ich würde nicht sagen ein spezielles, sondern es gibt einfach/ (...) Wir haben natürlich

einfach standardisierte Vorgaben intern gemacht, dass wenn du einen neuen Partner akkreditieren willst, woran du alles denken musst, oder? Also, weißt du, da gibt es diese Beilagen. Sei es einfach alle Nachhaltigkeitsbeilagen, Social Responsibility Anforderung. Aber nachher kommen sehr viele Risikoabwägungen auch rein und der ganze Datenschutz und so weiter. Also das sind nachher so schon Templates, aber ich sage, es ist nicht anders als an einem anderen Ort. Ob es jetzt speziell einen Fokus gibt jetzt auf das Thema Resilienz? Ich glaube nicht, dass man das explizit adressiert, sondern das zieht sich natürlich durch mehrere Dokumente durch, oder? Also man findet nachher überall Bestandteile aber es gibt nicht, weißt du, eine Logik die sagt, in diesem Dokument musst du alles durchgehen und dann haben wir eine resilientere Situation mit einem Partner. Sondern du findest das eigentlich in allen Dokumenten wieder aber immer punktuell, oder? #00:16:42-0#

I: Mhm, mhm (bejahend). Jetzt, du hast ja gesagt, es wird wichtiger für euch, die Resilienz. Wenn du jetzt so eine Glaskugel hättest und du in die Zukunft schauen könntest, wo denkst du, wo geht diese Reise hin? #00:16:56-0#

B: Also meinst du jetzt wo geht sie hin, weil es eben wichtiger wird, wie sich das entwickeln wird? #00:17:06-0#

I: Mhm (bejahend), genau. #00:17:07-0#

B: Also ich sage, dass man diese Fähigkeit haben muss wird so wichtig sein, weil/ Ich komme halt ein bisschen auf das Thema Netzstabilität, oder? Also diese Netzstabilität hängt natürlich sehr stark mit der Resilienz zusammen wo eine Firma, jetzt bin ich nicht nur bei der Supply Chain, wo eine Firma einfach diese Fähigkeit haben muss robuster zu werden.

Und der strategische Einkauf muss seinen Beitrag leisten mit den Teams, dass er eben die richtigen Partner hat, dass er die richtigen Fragen stellt. Und nicht nur im Vertrag drin hat, sondern sie müssen auch gelebt werden können, oder? Und deshalb wird es ungemein wichtig sein, dass man resilient ist. Und weil man heute alles Netze haben, also jetzt spreche ich wirklich von Datennetzen, #00:18:04-0#

I: Mhm, mhm (bejahend). #00:18:05-0#

B: was unser Leistungsauftrag letztlich auch ist, dass diese Telekommunikation und diese IT so funktioniert. Und schon nur der Umstand, dass / Die heutigen Netze sind ganz anders von der Logik aufgebaut als früher, deshalb muss man auch die Logik ändern wie man diese Netze betreibt und überwacht. Und man dadurch auch zum Teil mit anderen Partnern arbeiten muss. Man muss andere Verträge machen, einen anderen strategischen Einkauf. Und ich glaube, für Firmen wird es schon wahrscheinlich in zwei Jahren natürlich katastrophale Auswirkungen haben auf den Börsenkurs. Oder, börsenkotierte Unternehmen kommen ja jetzt schon/ Nur durch die ganzen Risikobeurteilungen wirst du abgestraft und zwar sehr schnell. Und die Meccanos gehen so weit, dass auch das Management direkt belangt werden kann für Fehlungen die so im Zusammenhang mit Datenschutz zum Beispiel sind oder? Also muss man unheimlich jetzt vorsichtig sein nicht zu viel zu machen aber man muss eben das richtige machen. #00:19:13-0#

I: Mhm, mhm (bejahend). Gut, danke. Dann ginge ich jetzt ins Thema Künstliche Intelligenz rein. Künstliche Intelligenz ist ja ein großes Themengebiet und es ist nicht einheitlich definiert. Was verstehst du darunter? #00:19:30-0#

B: (Lacht.) Ja, ich verstehe darunter, dass (...) man mit IT-Unterstützung, ich habe jetzt gerade etwas nach dem Wort gesucht, aber einfach, dass IT eigentlich einem die Denkleistung abnimmt oder macht wo der Mensch dazu nicht mehr in der Lage ist. So. #00:19:55-0#

I: Mhm, mhm (bejahend). Gut. Dann, eben, das ist ja ein bisschen mein Fokusbereich. Grundsätzlich einmal, was kennst du für Anwendungen im strategischen Einkauf wo man KI schon anwendet? Das ist jetzt noch relativ breit gefasst, oder? #00:20:15-0#

B: Mhm (bejahend). Also ich denke, auf der/ Jetzt muss ich schauen, dass ich es ein bisschen gruppier. Also Anwendungsgebiete sind sicher im Vertragswesen. Ich würde es jetzt mal ein bisschen High Level nennen, oder? #00:20:31-0#

I: Mhm, mhm (bejahend). #00:20:32-0#

B: Aber einfach alles was mit dem Vertrag zu tun hat. Ich denke, alles was mit dem Lieferanten als, also mit dem Partner, also eben sein Eco-System oder dort wo er drin ist oder die Lieferkette zu diesem Partner. Und was ich auch denke ist, ein Gebiet ist halt einfach/ Hast du gefragt, ich muss nochmals nachfragen, hast du gefragt, jetzt nur strategischer Einkauf, nicht wahr? #00:21:08-0#

I: Einfach lieferantenseitig ist so ein bisschen mein/ Aber es ist auch okay/ #00:21:13-0#

B: Ja, sag nochmals. #00:21:15-0#

I: Es ist auch okay wenn du das für die Supply Chain sagen willst. Weil zum Teil kannst du es ja nicht auseinandernehmen, das ist mir schon bewusst, ja. #00:21:25-0#

B: Aber ich sage jetzt einfach drei Sachen, Vertragswesen, Lieferant und eigentlich die Daten als solches. Also ich weiß nicht ob das jetzt eine Logik gibt aber alles widerspiegelt sich ja nachher in Daten, in Informationen. Und das ist halt so, in dieser Kombination, auf den strategischen Einkauf bezogen.

#00:21:47-0#

I: Mhm (bejahend). #00:21:47-0#

B: Aber ich will es jetzt nicht auf Funktionen noch, weißt du, aufteilen oder so. #00:21:50-0#

I: Mhm, mhm (bejahend). Ihr habt schon Anwendungen die ihr konkret umsetzt bei euch? #00:22:01-0#

B: Also, jetzt kommt eben diese Frage ob Roboter jetzt schon Künstliche Intelligenz sind oder nicht, oder? Wir setzen viele Roboter ein aber ein Roboter ist eben jemand, also ist die Logik/ Beim Roboter sehen wir es so, ist die Logik dahinter, der macht einfach Arbeitsschritte die sonst jemand machen würde, ein Mensch machen würde, oder? Ein Roboter macht genau die gleichen Arbeitsschritte wie ein Mensch. So. Zwanzig Arbeitsschritte und nachher macht der Roboter die einfach schneller weil es immer die gleichen sind. Sie sind repetitiv, oder? #00:22:39-0#

I: Ja, gut. Es kommt natürlich darauf an ob du einen lernenden Roboter hast // oder nicht. #00:22:44-0#

B: Ja, jetzt komme ich eben/ // #00:22:44-0#

I: Ja, ja, genau. #00:22:44-0#

B: Ich mache aber dort schon den Schnitt und sage, diese Roboter die/ Wenn du mich fragst was wir einsetzten, wir setzen viele Roboter ein. #00:22:51-0#

I: Ja, ja. #00:22:52-0#

B: Also gerade so in der Buchhaltung, da geht es sehr weit mit Abgrenzungen und Fehler suchen und so weiter. Aber es basiert immer ein wenig auf einem einfachen Muster, sage ich. Nicht dass das die Theorie anders sieht, aber was wir machen. Künstliche Intelligenz geht aber für mich weiter und dort sind wir, nein, dort haben wir jetzt, ich kann dir nachher dann sagen, haben jetzt mal einen Versuch gemacht wo/ Was für mich der Unterschied nachher ist ist, dass sie eben lernfähig sind, dass sie dazulernen und dass sie natürlich viel mehr Daten letztlich auch, kompliziertere, schwierigere Situationen, auswerten oder bearbeiten können, oder? Und wie gesagt, Roboter haben wir sehr viele die einfach das gleiche machen wie bei uns eine Spezialistin oder einfach Mitarbeitende machen aber sie machen es einfach schneller und, ja, effizienter. #00:23:44-0#

I: Darf ich schnell fragen, Ihr habt in dem Fall Robotic Process Automation im Einsatz, wenn ich das jetzt richtig verstehe, oder? Also einfach ein repetierendes, immer gleichbleibendes Arbeiten die ihr automatisiert habt, oder? #00:24:04-0#

B: Ja, genau. Genau, genau. #00:24:05-0#

I: Ja. #00:24:05-0#

B: Genau. Und jetzt bei der/ Es gibt eine Artificial Intelligence aber ich bin da ja nicht der absolute Spezialist. Aber wir haben zum Beispiel jetzt gerade mal etwas ausprobiert mit einer

Software, wo du Verträge lesen kannst und auch Verträge interpretieren. Also die wirklich den Sinn in einer Klausel anschauen geht und nicht nur ich finde das Wort Penalty. Sondern diese Software ist in der Lage, diese Klausel, wo Penalty drin ist, auch beurteilen zu können sozusagen.

Und deshalb kam ich ein wenig auf das Vertragswesen. Also ein Gebiet wo wir schon sehen, dass wir anfangen wollen einzutauchen wo wir aber noch nicht losgelaufen sind, außer jetzt dieser Pilot, den wir am Anschauen sind, ist, dass wir uns, ich sage jetzt einfach, ja, mit der Intelligenz, welche auch immer, uns an dieses Vertragswesen heranwagen wollen, oder? Weil wir einfach so viele Verträge haben, so viele verschiedene Verträge haben und einfach dort wollen wir anfangen die Intelligenz einzusetzen, anfangen diese auszuwerten.

#00:25:12-0#

I: Und das wäre dann die Idee? Weil, du hast gesagt, das liest mit optischer Erkennung und interpretiert und gibt dir einen Vorschlag. Oder macht das dann auch schon selber etwas? #00:25:25-0#

B: Ja. Genau. Also wir haben es

jetzt pilotiert an einem NDA. Wir haben viele NDAs, externe. Da kommt ein externes NDA und dann geht das durch ein Raster durch von uns und sucht dann einfach diese Klauseln ab und macht dann Vergleiche mit unseren Vorstellungen und macht auch Vorschläge. Also es geht irgendwie keine Sekunde, dann sind zwanzig Seiten analysiert. Und macht den Abgleich und macht dann auch Vorschläge und schlägt auch raus, wenn etwas abweicht oder was die Interpretation ist dieser Klausel und so weiter.

Also für mich geht es sehr weit schon, im Sinne von es geht eben weiter als nur es liest etwas und gleicht es ab. Und das ist aber im Pre-Contract und wir möchten eben im Post-Contract auch anfangen zu schauen was es für Möglichkeiten gibt, weil wir so viele Verträge haben. Und weil unsere Gesetze zum Teil immer wieder angepasst werden, also vom Gesetzgeber, haben wir einen Vertragsstamm den wir, eben, mit einer Software mit Künstlicher Intelligenz zum Beispiel, die muss hunderte von Verträgen und Belegen durchforsten können. Und dort muss sie vielleicht, ja, einfach nach gewissen Sachen suchen, Attribute oder Fragestellungen.

Aber ich glaube, das ist so dort wo wir es im Vertragswesen anfangen möchten einzusetzen, im Pre-Contract oder im Post-Contract-, also, ja, Prozessschritt. #00:26:54-0#

I: Mhm (bejahend). Und so automatisierte Vertragserstellung, das ist dann noch nicht so ein Thema? #00:27:02-0#

B: Also wir sind SAP. Das heißt eben, wir arbeiten mit Templates die wir selber im SAP haben. Wir arbeiten mit Textbausteinen. #00:27:10-0#

I: Ja. #00:27:11-0#

B: Aber was du wohl meinst ist, dass man noch ein wenig höhere Intelligenz rein bringt wie diese Verträge dann zusammengestellt werden. Bei uns sind es wirklich einfach Baukästen noch. Nein, da sind wir/ Aber das wäre eben auch ein solches Einsatzgebiet, dass diese Verträge gewisse/ Also ein Vertrag den man neu machen muss, dass die erkennt was in diesen Vertrag rein muss, was ist relevant. Aber haben wir noch nicht. #00:27:38-0#

I: Und so das Lifecycle-Management auch nicht, oder, eines Vertrages? Weißt du, dass sie dir sagt, dann musst du es erneuern oder macht dir einen Vorschlag. #00:27:48-0#

B: Ja, das haben wir nur, alles was du auch kennst, einfach SAP. #00:27:52-0#

I: Ja. #00:27:52-0#

B: Alles was einfach möglich ist im SAP Standard mit Alarmen setzen, überwachen aber eben nicht mit einer höheren/ #00:28:01-0#

Verbindungsprobleme #00:28:02-0# - #00:28:39-0#

B: Also, wir gehen nochmals zurück. Also du hast gesagt, die Verträge beim Erstellen, also nein, die Alarme setzten. Also was wir/ Wir können einfach Standard aus dem SAP alles ziehen. Aber was wir eben möchten ist natürlich, wenn man eine Ist-Situation hat, also man hat tausend Verträge schon mal, dass man die dann nach gewissen Logiken absucht, nach gewissen Kriterien. Nicht nur zu alarmieren ein Vertrag läuft aus, sondern dass man sagt/ Zum Beispiel momentan, ja, haben wir sehr viele cloudbasierte Verträge die jetzt kommen. Und viele bestehende Lieferanten stellen jetzt ihre Lizenzmodelle cloudbasiert auf.

Jetzt, in vielen Situationen ist es einfacher du nimmst den bestehenden Vertrag und passt ihn an, ergänzt ihn. In vielen Fällen ist es aber besser einen neuen Vertrag zu machen. Jetzt, dort müsste man Intelligenz einsetzten, dass diese Verträge durchforstet werden und sie Vorschläge macht, welche Verträge neu machen, nicht neu machen.

Das ist ein wenig an diesem Punkt wo du wohl bist aber das haben wir nicht. Wir haben einfach so ein bisschen das klassische, Alarm Kunde Vertrag läuft aus, schau ihn an. #00:29:50-0#

I: Mhm, mhm. Ja. Aber trotzdem spannende Anwendung. #00:29:57-0#

B: Ja, genau. #00:29:57-0#

I: Sonst, so bei der Resilienz, wenn wir so ein bisschen in der Resilienz bleiben, habt ihr schon Einsatzmöglichkeiten gefunden oder habt ihr Sachen geplant? #00:30:12-0#

B: Aber kannst du noch die Frage präzisieren vielleicht, wegen Resilienz? Weißt du, weil es so ein breites Gebiet ist. #00:30:19-0#

I: Ja, genau. Ich grenze es vielleicht ein bisschen ein. #00:30:22-0#

B: Genau, gerne. #00:30:23-0#

I: Also wenn man es beispielweise von Risikoüberwachung, Risikofrühwarnung, das ist ja so ein Thema eigentlich auch. #00:30:32-0#

B: Genau. Ja, also dort, auch wieder wegen diesem ganzen Nachhaltigkeitsthema, Risk Management in der Supply Chain, arbeiten wir mit verschiedenen Tools zusammen aber da sind Organisationen dahinter. Also eines zum Beispiel ist das Risk Method. Ich glaube, das kennst du. Oder EcoVadis ist jetzt für den CO2 Footprint, du kennst die auch.

Mit diesen, also das sind ja große Organisationen aber bei denen merken wir, die probieren natürlich jetzt auch nicht nur immer reaktiv Daten, weißt du, zu sammeln und auszuwerten, sondern das geht in eine viel proaktivere Haltung jetzt rein. Aber nicht wegen uns, sondern zum Glück durch sie.

Und ich denke dort ist für uns eine große Hilfestellung, dass wir eben resilienter werden. Weil wir ein Netz an solchen Tools und Einsatzmitteln haben die uns helfen, ebe, dadurch, dass diese Plattformen, sage ich, dieses Thema erfassen, dass sie viel proaktiver werden, aktuelle Daten verarbeiten zeitnah oder sogar real time, das steigert unsere Resilienz.

Was wir nicht machen sind, da habe ich auch eine Überzeugung, dass man jetzt selber sollte anfangen Tools zu bauen oder irgendwie. Das übersteigt einfach die Fähigkeit und man ist immer zu langsam und hängt hinterher. Man muss sich die richtigen, ich sage trotzdem, Partner oder Institutionen suchen und die so zusammensetzen, dass es ein dickes Netz gibt. Dadurch wird man resilienter. Mit einem Tool schafft man es ja nicht. #00:32:05-0#

I: Mhm, mhm (bejahend). #00:32:07-0#

B: Und ich glaube, dort geht jetzt der Weg hin. Aber das ist der, der sehr stark auf die Lieferanten geht, weil dort uns der Gesetzgeber ja kommt mit diesem Gegenvorschlag den wir umsetzen müssen jetzt, von der Unternehmungsverantwortungsinitiative.

Das andere ist eben, wie stärken wir uns intern mehr im Kontext Resilienz. Und dort habe ich eben das Gefühl, es geht um Daten. Es geht wirklich darum, dass man die Daten richtig auswerten kann, dass man die richtigen Informationen aus den Daten liest.

#00:32:39-0#

I: Also dort zielst du ein bisschen ab auf so Entscheidungssysteme die dir eigentlich einfach Vorschläge für Entscheidungen oder einfach Daten auf eine Art / #00:32:50-0#

B: Genau. #00:32:51-0#

I: Mhm (bejahend). #00:32:52-0#

B: Also jetzt im strategischen Einkauf wieder, wenn Ereignisse geschehen in der Welt draußen haben die vielleicht einen Zusammenhang mit einem Vertrag #00:33:01-0#

I: Mhm (bejahend). #00:33:02-0#

B: von uns. Und das wird, außer du liest es gerade, wirst du es nie merken, oder? #00:33:08-0#

I: Mhm (bejahend), das ist so. #00:33:09-0#

B: Und es nützt mir auch nichts, dass mir SAP irgendwie drei Monate vor Vertragsendlaufzeit irgend so solche Alarme gibt. Das bringt nichts. Das ist zwar nice to have aber Daten verknüpfen ist eben die Frage. Es gibt externe Daten die man muss, eben, jetzt bei diesen Organisationen, oder? Oder auch zum Beispiel JAC ist ein Joint Audit Committee wo siebzehn Telkos drin sind, so Telecom Firmen weltweit. Und die gehen ja zusammen auditieren, die großen Fabriken. #00:33:41-0#

I: Mhm, mhm (bejahend). #00:33:41-0#

B: Und

da kommt ein riesen Datenberg zusammen aus diesen Audits, welche Maßnahmen getroffen werden müssen, Verbesserungen und so weiter. Aber es gibt keinen Datenfluss zwischen diesen Daten und unseren Lieferanten nachher. Das musst du alles manuell machen, verarbeiten, schauen was für Verfehlungen sind gekommen und so weiter.

Und deshalb sage ich, diese Vielfalt an Daten, die muss besser verknüpft werden damit, wenn etwas draußen passiert, wir, also eben die Intelligenz uns den Zusammenhang zeigt zu unseren Verträgen und sagt, du, da ist etwas passiert in diesen Verträgen, das musst du anschauen. Daten-Breach ist passiert, ein Datenleck bei einem Lieferanten, das vernehmen wir, also klar, da werden wir schon alarmiert aber über andere Wege, aber nachher herausfinden in welchen Verträgen und wo und dann welche Maßnahmen abgeleitet werden müssen.

Deshalb sage ich ist es so wichtig wie man mit den Daten umgeht. Also, dass man aus den Daten mehr rausziehen kann, so muss ich es sagen. #00:34:48-0#

I: Mhm (bejahend). Und eben, du sprichst eigentlich auch an, das ist dann mehr auch so diese End to End Visibility der Daten im Grunde genommen, oder? Wenn bei deinem Lieferanten etwas passiert, dass das bei dir gleich aufschlägt und quasi gleich alarmiert was für eine Konsequenz hat es, oder? #00:35:05-0#

B: Genau. #00:35:06-0#

I: Mhm (bejahend.) #00:35:06-0#

B: Genau. Also weißt du, am Schluss hast du dieses Wort vorhin gebracht.

Diese Handlungsempfehlungen, darauf läuft es hinaus. Wenn man mit Künstlicher Intelligenz in dieser Beziehung Kunden-Lieferanten, und auch wir, die ja drin sind, die Künstliche Intelligenz einsetzen kann und diese Daten gut analysiert werden und einem richtig hingetragen werden, dann kannst du bessere Handlungsempfehlungen oder Entscheide treffen.

Das ist genau dort der Punkt. #00:35:33-0#

I: Und habt ihr denn da Pläne etwas davon umzusetzen? Also was du jetzt ansprichst, dass diese Daten besser genutzt werden sollten intern wie extern. #00:35:44-0#

B: Nein, ich muss dir sagen, einen Plan haben wir nicht aber die Idee kommt jetzt sehr schnell, weil wir Handlungsbedarf haben, dass man unseren Vertragsstamm gut kennt. #00:35:56-0#

I: Mhm (bejahend). #00:35:57-0#

B: Deshalb waren wir jetzt eben mal unterwegs etwas zu pilotieren mit diesem Thema Verträge auslesen und analysieren auf ihre Inhalte. Und das verfolgen wir sicher weiter. Was ich auch das Gefühl habe, aber das ist jetzt nicht was wo wir dran sind, ist natürlich die ganze Künstliche Intelligenz im strategischen Einkauf bei den Verhandlungen einzusetzen. Aber wenn du mich fragst, was haben wir konkret, ist es momentan das was ich gesagt habe, eben im Pre-Contract oder im Post-Contract, oder. #00:36:32-0#

I: Mhm (bejahend). Dann, ist das für euch ein Thema dieses ganze Forecasting, dass du besseres Demand-Planning machen kannst, dass du bessere Informationen von deinen Endkunden zurück zu deinen Lieferanten spielen kannst? #00:36:50-0#

B: Also, ja, natürlich hat auch mit der Transparenz zu tun, oder? #00:36:56-0#

I: Ja, genau. #00:36:57-0#

B: Und auch hier haben wir den Ansatz, dass wir natürlich dort

wo viel eingekauft werden muss mit Sales- und Forecast-Planning, oder Absatzplanungen letztlich, da haben wir natürlich Tools im Einsatz wo diese Firmen selber realisieren, je mehr Cloud sie gehen desto mehr Daten können sie, oder auf eine andere Art Daten verarbeiten können, Durchgängigkeit.

Also wir lassen das stark in der Disposition, dann machen große Fortschritte diese Firmen selber. Also weißt du, diese Tools die wir einsetzen. Was aber jetzt auf kommt ist, und da bin ich auch involviert, ist Blockchain.

Blockchain bringt einem, durch seine Logik in der Supply Chain zum Beispiel im Einsatz, auch zu einer Durchgängigkeit und zu einer höheren Transparenz und auch Richtigkeit der Daten.

Und auch da sind wir an zwei, drei Projekten dran. Aber also zum Teil in ganz unterschiedlichen Warengruppen. Also in Richtung Strom schauen wir, weil sich das einfach eignet, weil das letztlich ein Produkt ist oder ein Dienst den du brauchst der genormt ist, oder?

Und wo wir auch Sachen am Anschauen sind, sind dort, wo wir in stabilen Supply Chains aber sehr viele Partner drin haben.

Also weißt du, so im Bauwesen, wenn gebaut wird. #00:38:19-0#

I: Mhm (bejahend). Wenn du sagst, jetzt eine Blockchain anwendet, habt ihr dort nicht ein Problem mit der Standardisierung, dass alle dann auf der gleichen Blockchain drauf sein müssen? #00:38:31-0#

B: Ja, aber das, also wir haben noch nichts im Einsatz. #00:38:37-0#

I: Habt ihr noch nichts? Da seid ihr am Abklären. Ja, okay. Ja. #00:38:38-0#

B: Aber was ich gelernt habe ist, dass bei / Du definierst ja dann nachher/ In der Supply Chain drin mit deinen Partnern musst du das machen, worauf setzt du technologisch. Aber zuerst musst du einen Case haben wo die Blockchain-Lösung dir eigentlich Vorteile verschafft. Und in einem Case haben wir jetzt gesehen, wo man im Ausland sehr erfolgreich ist mit Blockchain, ist eben sehr viele Daten, sehr viele Partner, sehr viele Leute die involviert sind in einer Kette und dass es eben eine Durchgängigkeit gibt, eine Verlässlichkeit auch und natürlich auch einfach eine extrem hohe Transparenz. #00:39:17-0#

I: Mhm (bejahend). (...) Mhm (bejahend). Ich habe bei mir noch so ein Feld. Du hast ja auch davon gesprochen, dass die Zusammenarbeit mit deinen Lieferanten sehr wichtig ist und wichtiger wird. Was denkst du, wo könnte man denn das dort auch einsetzen? Gibt es dort Anwendungsmöglichkeiten? #00:39:43-0#

B: Ja, ich denke, was schon wichtig ist, ist/ Wir haben am Anfang noch ein wenig oder in der Mitte von den Lieferanten gesprochen, Single, Multi, oder? Ich glaube, was schon ist ist, dass man an, weißt du, dass man Lieferanten schneller erkennt. Also weißt du, nicht nur die bestehenden, sondern ich glaube schon, es gibt so viele neue, innovative/ Also A findest du kaum raus welche Lieferanten was machen heutzutage noch. Dann schon nur rauszufinden was die anbieten, wie bieten sie es an. Also da habe ich schon das Gefühl, dass das einen Mehrwert bringen kann, damit du schneller auch zu neuen Lieferanten kommst oder neuen Möglichkeiten.

Ja, das ist immer eine große Leistung die einfach der strategische Einkauf machen muss. Probieren neue Lieferanten zu evaluieren, wo sind die, was, wie, wo.

Ich glaube, da gibt es schon Potenzial, weil sie zum Teil auch weiter hinten in den Lieferketten sind. Du kennst die gar nicht, hast vielleicht auch keine Chance an die ran zu kommen, oder? #00:40:46-0#

I: Ja. Aber ihr setzt noch nichts ein in diese Richtung? #00:40:49-0#

B: Also toolmäßig nicht, nein. #00:40:50-0#

I: Nicht, ja. #00:40:51-0#

B: Nein, das ist alles, beruht halt stark auf dem Fachwissen das man hat oder natürlich aus Benchmark oder wir sind in verschiedenen Circles natürlich drin mit anderen Telkos.

Aber ja, also weißt du, wirklich, dass du ein paar Begriffe eingeben kannst und dann bekommst du einfach eine Liste was gibt es dafür Lieferanten, ja, wäre natürlich schon noch schön, oder? Kannst es einfach im Google machen aber das ist ja nicht das Gleiche, oder? #00:41:15-0#

I: Mhm (bejahend). Okay, haben wir ja schon im Grunde genommen einige Sachen genannt. Ich möchte auch ein wenig abschätzen können was für ein Potential, dass das haben könnte. Ich versuche auch das Potenzial ein wenig abzuschätzen. Kannst du mir/ Ich würde das dann nachher zusammenfassen und kannst du mir dazu sagen, wie du das beurteilen würdest von Eins bis Drei? Eins, ist ein sehr hohes Potenzial und Drei ein tiefes und Zwei ein mittleres. Jetzt haben wir mal/ Das eine Thema wo ihr ja im Piloten drin seid, ist das ganze Vertragswesen (...) #00:41:54-0#

B: Mhm (bejahend). #00:41:56-0#

I: wo man KI einsetzen könnte. #00:41:59-0#

B: Mhm (bejahend). Habe ich es jetzt falsch aufgeschrieben? Die Eins ist das schwächste und die Drei ist das größte Potenzial? #00:42:07-0#

I: Genau umgekehrt. #00:42:08-0#

B: Ah, umgekehrt. Eben doch, dann hatte ich es doch so. Also die Eins hätte das größte Potenzial oder ganz großes Potenzial und die Drei hat wenig oder fast nichts, nicht wahr? Also Vertragswesen hat eine Eins. #00:42:22-0#

I: Mhm (bejahend). #00:42:22-0#

B: Also extrem hohes Potential. #00:42:23-0#

I: Das hatte ich auch schon so verstanden. #00:42:26-0#

B: Ja, ja. #00:42:27-0#

I: Dann sprachen wir ja davon, Ihr setzt das ja schon ein für Risikoüberwachung, Frühwarnsystem KI basiert. #00:42:41-0#

B: Also jetzt beim Vertragswesen meinst du? #00:42:45-0#

I: Nein, ich bin jetzt schon zur nächsten Anwendung gehüpft. Das kannst du ja für das Vertragswesen einsetzen. Du könntest es aber auch für Lieferanten einsetzten, Risikoüberwachung. Du kannst das ja auch für Produkte einsetzten. Du hast ja verschiedene Anwendungen dafür. #00:43:03-0#

B: Ja, aber jetzt verstehe ich noch nicht auf welchen Punkt soll ich Eins bis Drei jetzt sagen, auf welchem Punkt den du gefragt hast? Nur damit ich es nicht falsch verstehe, die Frage. #00:43:12-0#

I: Ist kein Problem. Eben, wie dass man KI für Risikoüberwachung einsetzten kann. Ob es jetzt für Vertragswesen, für Lieferanten ist oder um Produktrisiken zu erkennen. #00:43:26-0#

B: Aber da fragst du mich jetzt auch nach dem Potenzial, oder? Eins bis Drei. #00:43:30-0#

I: Ja. Also du hast ja gesagt, dort macht ihr einiges mit der Risk Method schon zusammen. Ist das das gut? Findest du das bringt etwas? #00:43:41-0

B: Ja, ja. Also das Potential ist dort schon, also ja, das ist natürlich groß.

Also müsste ich auch eine Eins geben, von der Logik. #00:43:48-0#

I: Ja, okay. #00:43:49-0#

B: Ich beurteile das halt auch, das Potential, könnten wir es, wie wir heute, sind besser werden mit dem Einsatz der Intelligenz, Künstlicher Intelligenz. Und wenn du dort, auf diesen Gebieten die du jetzt vorhin genannt hast, Künstliche Intelligenz einsetzt, dann machst du natürlich einen Meilensprung oder einen großen Sprung. Deshalb ist das Potential groß

. #00:44:08-0#

I: Mhm, mhm (bejahend). Dann sprachen wir davon betreffend End to End Visibility, Datenaustausch gestützt mit einer Künstlichen Intelligenz die dir nachher auch irgendwelche Empfehlungen noch abgeben. Also das haben wir ein wenig diskutiert. #00:44:30-0#

B: Ja, da kannst du eine Zwei. Ich meine, das wird sich schon, dieses Potential ist da, hat aber auch seine Limitierungen vielleicht.

Deshalb sage ich, ist nicht gerade, weißt du, das Potential, ja, ist auch groß eigentlich. Ich will jetzt nicht der sein, der einfach nur überall eine Eins gibt. Aber wenn ich es gewichten müsste gegenüber den ersten, ist groß, ja. Also mittel, so. #00:44:55-0#

I: Ja. Ich würde eigentlich Blockchain auch unter KI einordnen, weil das ja mit KI zusammen funktioniert, nicht wahr? #00:45:03-0#

B: Mhm (bejahend). #00:45:03-0#

I: Da hast du ja gesagt, da habt ihr auch schon Anwendungen am Laufen. #00:45:08-0#

B: Also am Laufen noch nicht, nur dass du das dann nicht falsch/ #00:45:11-0#

I: Also nein, was hast du gesagt, am Abklären. #00:45:15-0#

B: Ah, ja. Nur dass es dann nicht falsch in die Arbeit einfließt, die Swisscom hat das alles schon. Da sind wir einfach Sachen am Ausloten, so. #00:45:22-0#

I: Also Pilot, verstehe ich, dort am Laufen, oder? #00:45:25-0#

B: Aber weißt du/ Genau. Aber nicht, dass dann dieses am Laufen heißt es ist schon eine Lösung implementiert. #00:45:30-0#

I: Nein, nein. #00:45:31-0#

B: Okay. #00:45:31-0#

I: Oder am Abklären. Ich habe es vielleicht ein wenig falsch formuliert. #00:45:35-0#

B: Ist schon gut. Nur dass nicht plötzlich da/ Weißt du, wenn man dann diese Arbeit liest, dann hat man nachher das Gefühl die Swisscom habe schon alles implementiert.

Also bei Blockchain sage ich, das muss sehr groß sein.

Das, weißt du, das entwickelt/ Ich habe einen Case gesehen in Südamerika, also unwahrscheinlich was die geschafft haben. Also, das ist eine Eins. #00:45:55-0#

I: Mhm, mhm (bejahend). Und dann haben wir noch ein bisschen so über Lieferantensuche gesprochen. Das/ #00:46:02-0#

B: Das kann ich zu wenig einschätzen. Ist sicher mittel. Weißt du, das hat ein Potential aber da kann ich es zu wenig greifen. Würde ich jetzt im Gegensatz zu den anderen einfach eine Zwei geben. #00:46:17-0#

I: Was ich natürlich noch vergessen habe, du bist ja sehr stark auf dieses Thema eingegangen, ich glaube, das war auch noch ein wichtiger Punkt, Daten verknüpfen, dass du Daten verknüpfen kannst? #00:46:29-0#

B: Ja, genau.

Ja, sehe ich als sehr wichtig und auch großes Potential. Weil an vielen Orten entstehen Daten aber mit Künstlicher Intelligenz diese Daten verknüpfen, eben wie du es sagst, hat natürlich ein riesen Potential. #00:46:48-0#

I: Mhm (bejahend). Jetzt haben wir ein wenig darüber gesprochen, das Potential. Es gibt ja aber auch so ein wenig Anwendungshürden, oder? Also, wie einfach schätzt du das ein oder wie schwierig ist es um das einzuführen? Ich würde jetzt nochmals durch die Liste schnell durch. Und zwar haben wir da gesagt, das Vertragswesen, da seid ihr jetzt schon am üben. #00:47:16-0#

B: Und dann wäre jetzt eine Eins schwierig oder einfach einzuführen? #00:47:19-0#

I: Eine Eins einfach und eine Drei schwierig. #00:47:25-0#

B: Okay. (...) Ich sage, sehr schwierig. #00:47:39-0#

I: Relativ komplex, nicht wahr? #00:47:42-0#

B: Ja, genau. Und du brauchst Sprachen und/ Also ja, dass was ich so gesehen habe, ich habe mich jetzt da mit diesem Piloten da auseinandergesetzt, schwierig. Eine Drei. #00:47:52-0#

I: Mhm (bejahend). Dann haben wir dieses ganze Risk Method Thema, eben Frühwarn-, Risikoüberwachung. #00:48:03-0#

B: Ja, sage ich, ist eher, sollte eher einfach sein. So in Richtung Eins. #00:48:07-0#

I: Das hatte ich vermutet, ja. Dann haben wir über Blockchain gesprochen. #00:48:15-0#

B: Ich habe noch wenig Erfahrung. Ich denke, das ist, also das was ich gesehen habe ist eben machbar. Ich sage, das ist eine Zwei. Also ich will jetzt nicht sagen, schwierig oder einfach aber ich sage jetzt eine Zwei. Da gibt es Lösungen. #00:48:30-0#

I: Mhm (bejahend). Und das Ganze Daten mit KI verknüpfen? #00:48:35-0#

B: Ist auch eine Zwei. Ich denke, je schwieriger, dass man es aufsetzen will desto schwieriger wird es, weißt du, je komplexer. aber es gibt einfach Cases die man einfach machen kann, oder? Eine Zwei, ja. #00:48:50-0#

I: Und die Lieferantensuche? #00:48:52-0#

B: Ist wohl einfach. #00:48:56-0#

I: Mhm, das sehe ich auch eher so. #00:48:58-0#

B: Eins. #00:48:59-0#

I: Mhm (bejahend). Gut, das gibt ein wenig ein Gespür. Weil man kann ja nicht nur das Potential abschätzen und sich nicht überlegen wie man das Einführen kann. Was denkst du sonst, was könnte das für Hürden haben, wenn ihr jetzt beginnt KI-Sachen einzusetzen bei euch im Unternehmen drin? #00:49:17-0#

B: Also ich glaube, man darf die menschliche Komponente nicht unterschätzen. Das haben wir auch bei der Robotisierung gemerkt, dass die Leute sich plötzlich schnell überflüssig fühlen obschon das nicht der Fall sein muss. #00:49:32-0#

I: Mhm (bejahend). #00:49:33-0#

B: Weil du musst ja dann Leute haben, die das immer noch verstehen können, pflegen können, auswerten können und so weiter. Aber menschlich muss man gut kommunizieren, also das ist schon ein Hindernis. Gute Kommunikation, die Leute begleiten, auch umschulen, weiterentwickeln, oder? Vom Dateninputgeber mehr zum Data Analyst, oder, sagen wir denen. Nein, sicher auch Hürden wie immer, dass man Sachen viel zu überdimensioniert anpackt, oder? Eine riesige Geschichte versucht zu machen, nachher braucht man nur zehn Prozent. Und das dritte ist, ein Hindernis kann sein, dass man es dann nicht schafft das am Leben zu erhalten. Ist nicht das gleiche wie/ Das zweite ist einfach, man baut es viel zu groß auf, braucht nur zehn Prozent. Man muss schauen, dass man an diesen Themen in der Transformation dranbleibt. Es ist nicht damit getan einen neuen Roboter, also jetzt eine neue Künstliche Geschichte einzusetzen, eine App oder was es ist und dann hoffen, das läuft ab übermorgen, wenn wir es allen erklärten haben. Also diese Transformation muss begleitet werden. #00:50:48-0#

I: Was denkst du, hat es genug Daten zur Verfügung, also brauchbare Daten zur Verfügung? Oder siehst du das auch als ein Problem, dass die Qualität der Daten nicht gut genug ist? #00:51:05-0#

B: Also Daten hat es mehr als genug aber das was du sagst ist nicht der Fall, die Qualität der Daten stimmt an vielen Orten nicht. #00:51:11-0#

I: Mhm (bejahend). #00:51:12-0#

B: Wenn man jetzt einfach ungeachtet dieser Daten nimmt, dann hat man ja nachher einfach nicht die Wahrheit die man will. Aber ich glaube, Daten haben wir ja zunehmen je länger desto mehr. Also das ist ja nur der Umstand, dass pro Jahr verdoppelt sich ja fast die Kapazität an Daten die durch das Netz gejagt werden, oder? Daten hast du in Hülle und Fülle aber, ja, die Qualität ist die Frage, haben sie die richtige Qualität. Weil, es wird ja dann viel schlimmer, wenn das nachher verarbeitet wird und dann werden richtige mit unkorrekten Daten vermischt. #00:51:47-0#

I: Mhm (bejahend). #00:51:48-0#

B: Ja, absolut. #00:51:51-0#

I: Dann komme ich eigentlich zum Schluss meines Interviews. Hast du noch irgendwelche Punkte zur Ergänzung oder habe ich aus deiner Sicht etwas Wichtiges nicht berücksichtigt? #00:52:04-0#

B: Ich schaue noch schnell hier auf meine Notizen. #00:52:09 (...) #00:52:37 Nein, nein. Wir haben alles angesprochen. #00:52:45-0#

I: Mhm (bejahend), gut. Dann schalte ich mal die Aufnahme aus. #00:52:53-0#

Anhang 12: Transkription Interview E

Experteninterview Nr. E

Experte: Michael Strahm, KI-Experte (B1)

Daniel Sieber, KI-Experte (B2)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 2.07.21

Dauer des Interviews: 62 min

Zur Identifikation der Aussage wird die Expertennummer (E) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Gut. Dann begrüsse ich euch jetzt noch offiziell herzlich zum Interview. Ich hätte so die Einstiegsfrage: Wieviel Erfahrung bringt ihr in der KI mit? #00:00:15-2#

B1: Michael (lacht) Das ist eine gute Einstiegsfrage. Ich habe Innovationsmanagement studiert an der Universität St. Gallen. Und habe mich dort eigentlich schon intensiv mit dem Thema beschäftigt. Bin in letzter Zeit aber in der chemischen Industrie gewesen und der Automobilindustrie. Die Automobilindustrie ist natürlich mit künstlicher Intelligenz mit dem Fahren in aller Munde. Oder? Wenn ich künstliche Intelligenz im automobilen Bereich sage, dann habe ich das Auto, das fährt dann einfach selbständig und die autonomen Taxis. Habe ich jetzt eigentlich aber beruflich erst jetzt wirklich mit KI zu tun seit letztem Oktober, wo ich eigentlich mit NEBU Co-Gründer bin. Ist das so gut? #00:01:08-0#

I: Ja, ist gut. #00:01:09-0#

B1: Daniel, willst du vielleicht noch schnell sagen? #00:01:10-0#

B2: Ja, ich bringe eigentlich KI-Erfahrung rein seit rund viereinhalb Jahren. Ich komme wirklich aus dem Detailhandel halt. Und habe das im Detailhandel erlebt als Erstes an und für sich über eine Drittfirma mit Pricing, strategischem Pricing, aber auch Sale Pricing. Dass man dort wirklich eine Optimierung gemacht hat der Preise. Und zwar ist es dort, es ist aus der Fashion gewesen oder vor allem im Fashionbereich, hauptsächlich, weil man dort oft gesagt hat: „Oh komm, es ist Sale. Jetzt machen wir das gerade fünfzig Prozent oder dreissig Prozent.“ Am Schluss hat man gleichwohl die Überhänge gehabt. Und dort hat natürlich das Machine Learning natürlich extrem geholfen von dem Drittpartner an und für sich dort wirklich zum richtigen Zeitpunkt die richtigen Preisvorschläge zu machen. Und so, dass man eine optimale Abverkaufsquote und einen optimalen Ertrag gemacht hat. Also so eine Mischung in beidem, die Balance hereingebracht hat. Und als Zweites bin ich eigentlich dazu gekommen, das ist mit Nebu gewesen, dort haben wir extern/ ich bin dort noch intern gewesen bei dem Detailhändler. Und mit diesen externen Partnern oder beziehungsweise Nebu, muss ich sagen, mit [Person] und [Person] et cetera, ist es wirklich in dem Sinne gegangen um das Replenishment in erster Linie, aber auch noch andere Bereiche. Also wir haben dort schon einen Gedanken gehabt, es ist jetzt dort so nicht ganz eingeführt worden. Das ist losgegangen vom Fotografieren eines Produktes und man hat Produktinformationsdaten, alle relevanten, zu welcher Produktgruppe gehört es, was für eine Farbe ist? Dass man das nicht manuell irgendwo eintippen muss bei so einem Detailhändler, wenn es in den Onlineshop geht. Dass dort schon achtzig Prozent ausgefüllt sind. Und, und, und. Also ganz viele Überlegungen sind dort gelaufen bei der Firma Globus. Und es ist einiges auch umgesetzt worden. Und vor allem das Replenishment, dort habe ich viele KI-Erfahrungen mitbekommen, was sind überhaupt die Möglichkeiten. (unv., Überschneidung) #00:03:10-0#

I: Ja. Und jetzt gerade meine Anschlussfrage: Was versteht ihr unter KI? Das ist ja so ein breites Themengebiet. Das ist nicht klar definiert. Jetzt würde es mich interessieren, was ihr darunter versteht. #00:03:21-7#

B1: Ich wollte das eben gerade nachschieben. Weil, es hat natürlich auch bei uns so die internen Diskussionen gegeben, so: Ah, verstehen wir alle überhaupt das Gleiche unter KI? Und ja, wir verstehen alle das Gleiche. Aber eigentlich wäre dann die Antwort, die ich vorher gegeben habe eigentlich falsch. Weil, aus unserer Sicht gibt es drei Arten von KI. Eine ganz schwache KI. Eben die KI, die wir jetzt erleben mit Machine Learning. Und dann gibt es noch eine starke KI. Und die ganz schwache KI, das ist eigentlich im Einfachsten, ist das einfach der einfache Taschenrechner. Also der, den wir alle seit der Primarschule oder vielleicht auch schon im Kindergarten benutzen. Und von dem her ist natürlich meine Erfahrung noch viel, viel, viele Jahre grösser mit schwacher KI. Einen Taschenrechner habe ich schon jahrelang. Aber Spass beiseite, was wir unter Machine Learning verstehen oder der Unterschied ist eigentlich, Machine Learning erkennt Muster, also Mustererkennung. Das heisst, man kann mehrere Parameter/ also wir haben, wie wir es vorher gezeigt haben, mehrere Parameter, die wir gleichzeitig in ein Modell einbauen können. Das heisst, Prognosen lassen sich berechnen mit mehreren Parametern. Muster lassen sich erkennen. Also ein Beispiel jetzt konkret bei uns ist die Saisonalität, Pricing oder auch Wetterdaten, die man einfach berücksichtigen kann. Mit der schwachen KI ist das nicht möglich. Und eine starke KI, das wäre eben, wenn eigentlich die Maschine so denkt, wie ein Mensch denkt. Also nicht mehr limitiert auf einen Anwendungsfall, sondern eigentlich Deep Learning, komplette breite Abdeckung hätte. Das ist aber im Moment immer noch Zukunftsmusik und ja. Was ich da noch kurz sagen will, wieso ist denn Machine Learning so neu? Es ist gar nicht so neu, Machine Learning, also das zweite Level sozusagen. Aber was neu ist, ist das Cloud-Computing. Und auch jetzt nicht komplett, komplett neu. Aber die Kombination zwischen Cloud-Computing und Machine Learning macht das Machine Learning erst wirklich anwendbar für so einzelne Aufgaben wie es jetzt zum Beispiel wir machen im Einkauf. Sonst wäre Machine Learning einfach zu kostspielig, um das überhaupt einzusetzen. Und das macht es eigentlich wirtschaftlich nutzbar. Und das ist glaube ich im Moment/ Das ist wieso das jetzt ein brandaktuelles Thema ist. Es wird etwas, was es vielleicht schon ein paar Jahre gibt, wird im Moment kosteneffizient. #00:06:07-3#

I: Und, also das ist zumindest das, was ich verstanden habe, weil man jetzt auch die neuronalen Netzwerke benutzt und Deep Learning eigentlich hat. Dass das auch einen Riesen-Fortschritt gemacht hat im Machine Learning, oder? #00:06:23-3#

B1: Genau. Also die Modelle werden effizienter. #00:06:27-2#

I: Werden besser, ja. #00:06:28-6#

B1: Ja. Aber die Schwierigkeit ist natürlich auch immer, wo ist es wirtschaftlich, oder? Wo kann man es wirklich einsetzen? Und wo wäre es zwar eine nutzbare Technologie, aber es macht wirtschaftlich keinen Sinn, das einzusetzen? Also das Ziel ist ja nicht, Machine Learning überall einzusetzen, sondern dort einzusetzen, wo es sinnvoll ist. Und das ist eigentlich/ Genau. Und darum ist Cloud-Computing einfach so wichtig für das Machine Learning, weil es halt einfach die Kostenbarriere massiv von oben herunterholt. (…) Ja. Also vielleicht Cloud-Computing, kennst du? #00:07:10-0#

I: Das ist mir klar, ja. #00:07:10-9#

B1: (lacht) Ja, das ist so ein bisschen. Genau. Und dann das Deep Learning, das wird noch eine Stufe weitergehen. Und dann ist auch die Frage, so eine völlig/ eine starke künstliche Intelligenz, die eigentlich praktisch alles selber kann, ohne dass man es lernen muss. Das ist im Moment immer noch Zukunftsmusik. #00:07:33-5#

I: Gut. Wolltest du noch etwas ergänzen, Daniel? Sonst würde ich dann zur nächsten Frage gehen. #00:07:38-7#

B2: Nein. Er hat wirklich alles gesagt. Ich wollte nur noch schnell etwas zu Cloud-Computing sagen. Es ist natürlich, die Netzwerke und Möglichkeiten dort, es hat einfach das Ganze aufgemacht. Ich glaube, neuronale Netzwerke habe ich schon vor zwanzig Jahren drüber gelesen. Und es ist aber dann irgendwo ein Super-Computer gewesen, angehängt mit anderen im gleichen Datencentern drin. Und wenn man heute Cloud-Computing anschaut muss man einfach sagen, das Internet hat sich vertausendfacht in der Geschwindigkeit, oder? Die ganzen Netzwerke. Und drum ist Cloud-Computing/ jetzt habe ich die Möglichkeit für neuronale Netzwerke. Das ist das, was Michael schon gesagt hat. #00:08:13-6#

I: Gut. Danke! Jetzt würde es mir in der nächsten Frage darum gehen, was für Anwendungen im Bereich strategischer Einkauf oder Supply Chain kennt ihr, wo man KI anwendet? #00:08:29-3#

B1: Da verweise ich gerne auf Daniel, (lacht) der eigentlich damit viel mehr Erfahrungsschatz das sicher viel einfacher beantworten kann. #00:08:41-0#

B2: Ja. Halt wirklich richtig kennen noch sehr wenig. Ich kenne jetzt genau das vom Pricing her. Dort gibt es auch eine sehr spezialisierte Firma. Es gibt auch einen ERP-Anbieter, der sehr stark auf KI setzt in all seinen Funktionen. Das ist dort im Grunde genommen/ der heisst Blue Yonder, glaube ich. Das ist aus einer amerikanischen Firma, deutschen Firma irgendwo zusammengekommen. Aber grundsätzlich kenne ich in der Praxis noch sehr, sehr wenige KI-Anwendungen im strategischen Einkauf oder eben in der Supply Chain drin. Angefangen jetzt dort direkt halt mit dem Replenishment, mit Verteilungen, mit Erfahrungen dort heraus. Das alles herauszubringen, dass man an und für sich die Leute nicht mehr mit repetitiven Arbeiten zu fünfzig Prozent belastet, sondern das einem System überlässt, das es wahrscheinlich sogar noch präziser rechnet. Und die Leute sich auf die wirklich wesentlichen Sachen im strategischen Einkauf konzentrieren können, nämlich Lieferantenbeziehungen, Lieferantenverhandlungen, Promotionen oder irgendwo Planungen von irgendetwas, Sortimentsplanungen. Das sind dann Sachen, wo KI aber auch unterstützen kann mit Fakten. Ich habe es einfach noch nirgendwo gesehen. Aber unsere grosse Idee eines Einkaufs in Zukunft heisst, dass der Einkäufer, der strategische Einkäufer zum Teil in seiner Sortimentsauswahl, Lieferantenauswahl schon recht unterstützt wird irgendwie durch Informationen. Noch keine Lösung. Wir können es auch noch nicht. (lacht) Aber in die Richtung wird das gehen. Und alles was hinten drankommt, also vor allem, wenn es dann um Zahlen geht, KI kann jetzt alles was Zahlen ist, kann das eigentlich handeln. Vor allem interne Zahlen und ein paar öffentlich zugängliche Werte kann KI und Machine Learning gut handeln. Je mehr Daten desto besser. Und halt beim strategischen Einkauf oder nachher wirklich auch um die Strategie zu machen zum Teil, dort sage ich, kann die KI als kollateral positiver Effekt, würde ich jetzt mal sagen, dort vielleicht wirklich eine viel bessere Datenbasis geben, kann ich mir vorstellen, als man heute zum Teil mit ganz normalen mathematischen oder irgendwelchen Auswertungen, die man eindimensional macht, zum Teil sehr gefühlsmässig auch dahinter geht. Der Mensch hat irgendwo seine Präferenzen und sagt: Dort und das ist es. Und da glaubt er dran und vielleicht funktioniert es oder nicht. Und die KI hat wahrscheinlich einfach/ Ich bin jetzt böse, ich sage, der Computer ist dort einfach wertneutral. Wenn ich ihm mal die Daten rein gebe, dann gibt er mir die Prognose heraus, die ich dann als Mensch vielleicht als Basis nehmen kann und weiterverwenden. Das glaube ich schon, ja. #00:11:23-6#

I: Ich würde gerne gerade ein paar Punkte aufnehmen, die du da jetzt gebracht hast. Also das Pricing, kannst du mir das noch ein bisschen genauer erklären, was du unter dem verstehst, wie das für KI eingesetzt werden kann? #00:11:35-8#

B2: Das geht dort wirklich/ es ist verknüpft mit Absatzprognosen. Aber es geht darum, wenn ich also reine Preis-Mengen-Effekte, die ich habe, dass dort die Relation dazu für jedes Produkt, also eigentlich auf kleinste Ebene herunter gesagt werden kann: Wenn ich dort das mache, passiert so viel mehr Menge. Und eigentlich ist das genau, das Pricing, das was ich jetzt kenne ist gewesen, man hat nur fünfzig Prozent Abverkauf im Juni von einem Sommerartikel. Und wir wollen den im August draussen haben. Was muss ich machen? Und dort kann natürlich die KI, es sind oft einmal gekaufte Artikel Fashion heraus, kann das Machine Learning natürlich sagen: Hey, bei dem Produkt mit dem so, wirkt sich ein Rabatt von dreissig Prozent in der Menge auf 2,2 aus. Also die Preis-Mengen-Effekte, da hat es extrem geholfen. Und prognostiziert dann gerade: Also dann werden wir soweit abverkaufen können. Und der Mensch geht in der Prognose hin, weil er unter Zeitdruck ist eine Schätzung abgibt, die einen Artikel präziser und die anderen ganz grob und somit gibt zu viel Rabatt, gibt die Produkte zu günstig her. Und das Machine Learning ist genau unter dem gleichen Zeitdruck, innerhalb eines Tages sagt es dir: Nein, du musst es so preisen. Und kann das gerade weitergeben. Das ist das, was ich im Pricing sehe. Es kann aber weitergehen zu normalen Preisen, also durchaus. Wenn man dort zum Teil ein bisschen ausprobiert, wie läuft das mit Preisen, was sind das für Effekte, da macht man extreme Erfahrungen darin. #00:13:12-8#

I: Dann bist du ja auf das Thema Replenishment schon eingegangen. Kannst du das auch nochmal ein bisschen genauer ausführen, was du dort genau meinst? #00:13:25-3#

B2: Dort geht es eigentlich darum, dass man aus den historischen oder ich sage mal aus allen Zahlen, die wir irgendwo nehmen, Absatzzahlen, die man hat, Preishistorie et cetera, dass man dort auch wieder genaue Prognosen/ Nein, das stimmt nicht. Zuallererst einmal probiert, das Ganze zu normalisieren. Man geht zurück und sagt: Was ist die normale Nachfragekurve eines Produktes. Von mir aus auch noch am Standort X. Das Zweite ist, dass man erkennt, gibt es einen Trend gegen oben oder unten. Oft sind die Produkte nicht einfach linear. Ich verkaufe nicht jeden Monat hundert Stück, sondern das schwankt extrem stark.

Das ist menschliches Wissen, also die Menschen wissen das auch. Aber das ist schwierig auf jede Einzelposition. Wenn man jetzt einen Einzelhändler anschaut, hat der 10.000 Positionen dort, die er bestellen muss. Und auf jede einzelne hinab dort die richtige Überlegung mit den richtigen Daten zu machen.

Er hat vielleicht die Informationen sogar. Aber die zehn Informationen herzukriegen, wieviel brauche ich jetzt im nächsten Zeitraum? Ich muss schauen auf drei Monate, dass ich bis dorthin Ware habe, weil die Beschaffungsfrist so lang ist und der Dispositionszyklus, irgendwie vielleicht nur jede Woche bestellt wird. Dann muss er sich dort überlegen, wieviel brauche ich.

Und das kann natürlich das Machine Learning aus den History-Daten und aus gleichen Produktgruppen und aus Wetter- und aus Promotionsdaten und aus ich weiss nicht was alles, kann der das extrem genau prognostizieren.

Wir werden, ich sage jetzt eine Zahl, 537 von diesen absetzen im nächsten Monat, in den nächsten dreissig Tagen. Und das andere ist dann eigentlich nicht mehr Machine Learning, geht hin und sagt: Wie viele Bestellungen sind offen, wie viel Bestand und wie lang ist die Abdeckung, das kann das System dann machen.

Das Zweite was ist, da möchte ich wirklich auf den Punkt schnell eingehen, also aus der Erfahrung heraus, wo die Menschen auch ganz viele Schwierigkeiten haben, ist das Differenzierung von für das Unternehmen wirklich sehr wichtigen Artikeln, mittelwichtige und solche, die eigentlich sage ich mal, fast nicht gefragt werden.

Also wenn man jetzt so wirklich ökonomisch denkt, ist das Machine Learning dort auch extrem brutal und kategorisiert dort drin und sagt: Einen wichtigen Artikel, da will ich einfach meine Reserve haben. Ich will dort nie einen Umsatzfranken verlieren, weil wenn ich dort ein Stock-out habe, verliere ich enorm Geld. Und bei den anderen Artikeln ist genau die Balance aus nicht zu viel Bestand haben, sonst habe ich ein Problem mit dieser Ware. Und so ein bisschen die ökonomische Rechnung führt nicht dazu, dass man einfach hundert Prozent Warenverfügbarkeit hat, sondern führt dazu, dass bei den wichtigen Artikeln, die für das Unternehmen wichtig sind, sehr hohe Warenverfügbarkeiten hat mit Sicherheitspolstern dahinter. Und bei den Artikeln, die manchmal gefühlt vom Menschen vielleicht auch irgendwie nicht so/ den möchte er auch gerne und sagt, der ist wichtig. Aber er ist vielleicht gar nicht wirklich wichtig. Also da kann man für alles im Machine Learning die Zusammenhänge irgendwo erkennen. Dass man dort eher knapp geht.

Nicht dass man es herausnimmt, dass man einfach eher knapp geht im Bestand drin. Und ich glaube, in einer breiten Sortimentspalette macht das/ das ist der grösste Effekte gewesen im Einzelhandel, den wir jetzt konkret vor zwei Jahren da gesehen haben, ist das der enormste Effekt gewesen. Die Bestände sind gefallen, aber die Umsätze sind gestiegen von einem ganzen Bereich. Und zwar genau bei den Artikeln, wo wir es eingeführt haben so mit Machine Learning. Und das ist das gewesen. #00:17:07-4#

I: Und das kannst du darauf zurückführen, weil es wirklich immer verfügbar gewesen ist, dass die Umsätze hoch sind oder was ist denn der Grund gewesen, dass der Umsatz gestiegen ist? #00:17:17-9#

B2: Das hat mit der Warenverfügbarkeit zu tun gehabt, ja, effektiv. #00:17:22-0#

I: Ja, okay. #00:17:22-4#

B1: Also das ist ja viel grösser gewesen und die Warenverfügbarkeit ist einfach ein grosser Teil gewesen, oder? Also das ist nicht jetzt der komplette/ Also es ist wirklich zurückzuführen gewesen auf die Warenverfügbarkeit, die gestiegen ist. Also es hat noch andere Effekte gegeben, aber die sind alle ausgerechnet. Sondern rein der Warenverfügbarkeit-Effekt. #00:17:42-6#

B2: Also ich sage jetzt einmal, wir haben gesehen, dass die Warenverfügbarkeit bei den wichtigen Artikeln hochgegangen ist. Und parallel dazu der Umsatz. Was auch irgendwie logisch ist. Weil dann hat man sofort Fehlverkäufe, wenn der richtige Artikel fehlt. Und die Warenverfügbarkeit bei den ganz Unwichtigen sogar ein bisschen zusammengefallen ist. Und man dort praktisch keinen Umsatzverlust gehabt hat, weil es nicht viel ausgemacht hat.

Und im Total hat das einfach ein Umsatzplus von ein paar Prozenten gegeben, ganz simpel, eine ganz einfache Rechnung. Und bei gleichzeitigem Lagerabbau, nicht von den Topartikeln, dort hat man das Lager nicht abgebaut. Aber von den ganzen achtzig Prozent hinten heraus, was nicht top ist, sind wir dort heruntergekommen mit dem Lager. Also ich muss dir sagen, ich habe mir viel erhofft von KI und Machine Learning. Aber wenn du das in Zahlen anschauen gehst, was dort passiert ist, dann erschrickst du. Also das ist wirklich ein Rieseneffekt gewesen. Einfach die paar Prozente hoch und die paar Prozente Lager und weniger Abschriften hinten dran. Das geht eben sofort in grosse Beträge in der Warenwirtschaft. Das ist die Erfahrung gewesen, die wir gemacht haben. #00:18:47-7#

B1: Bezüglich der Fragestellung, also in einem Satz ausgeführt, oder?

Es sind genau die Waren, die man gebraucht hat zum Verkaufen, sind zur richtigen Zeit am richtigen Ort gewesen und keine zu viel, oder? Das ist das Ziel. Und das ist eigentlich mit KI viel einfacher zu erreichen gewesen, weil man einfach dann präzise Absatzprognosen gehabt hat.

Weil das eigentlich wirklich auch so eingetroffen ist, wie man das prognostiziert hat. #00:19:12-3#

I: Wenn du jetzt so ein bisschen schaust, was denkst du, was erwartet ihr für ein Trend, wenn du ein bisschen in die Zukunft schaust? #00:19:21-9#

B1: (…) Bezüglich? #00:19:25-2#

I: Also wie könnte man KI noch weiter einsetzen? Wenn man das jetzt mal ein bisschen weiterspinnt. #00:19:33-2#

B1: Ja, also ich glaube, da muss man abgrenzen. Das eine ist die komplette oder die starke künstliche Intelligenz, die Hollywood zeigt. Und ich glaube, das ist ein bisschen weit, das wird auch nicht so/ oder ich habe so das Gefühl, in den Sechzigerjahren hat man erwartet, dass nächstens das fliegende Auto kommt. Und das immer noch nicht da. Also die Autos fliegen immer noch nicht. Und genauso erwarte ich das eigentlich auch bei der starken künstlichen Intelligenz. Das ist etwas, wo man jetzt im Moment mega drüber diskutiert, aber da wird man in zehn Jahren auch immer noch mega drüber diskutieren. Also auch die schwarzen Szenarien, die man sich dann vorstellt, dass die Menschheit von Maschinen regiert wird, das ausgenommen. Also das glaube ich nicht, dass das in naher Zukunft kommt. Und innerhalb vom Unternehmen hat es halt eigentlich überall dort/ Also das wollte ich vielleicht noch vorher ergänzen. Also die Maschine macht eigentlich nicht grossartig etwas anderes als Menschen. Aber sie ist viel besser skalierbar. Also das heisst, eigentlich und in gewissen Gesprächen mit Kunden hat das zu Aha-Momenten geführt, weil wir sagen nicht, wir machen komplett neue Prozesse, die es vorher nicht gegeben hat. Sondern wir können einfach die bestehenden Prozesse viel detaillierter machen, weil wir es viel genauer anschauen können, oder?

Ein Mensch hat gar nicht die Zeit, jede Einzelposition X-mal X Parameter zu berechnen, sondern irgendwann fängt er an zu schätzen. Muss er auch einfach. Weil irgendwann will er auch Feierabend machen, respektive ist er erschöpft. Die Maschine kann man aber skalieren. Das heisst, kann man eigentlich so viel Rechenpower einsetzen für jede Prognose, bis sie noch präziser wird.

Also man kann so viele Parameter einbauen, um sie jeweils noch präziser hinzubekommen. Und das ist eigentlich der Riesenvorteil. #00:21:29-4#

B2: Darf ich noch schnell etwas ergänzen? Und der Vorteil dort ist genau wie du sagst, Michael, ich erwarte an und für sich bei der KI genau in diesen Punkten, wo eine Maschine extrem viele Daten hat und die verarbeiten kann, wie wir es gesagt haben. Und das Zweite, dass sich der Mensch dort auf die sogenannten, Edge Cases verlassen. Also dass die Maschine ihm proaktiv sagt: Hör mal, dort bin ich unsicher, schau mal dort rein. Und das ist ein bisschen der Weg, den es gehen wird. Den kann man sich natürlich noch viel mehr ausbauen. Auch wirklich irgendwo für Informationen im Finanzwesen oder wo auch immer. Da gibt es das wahrscheinlich auch schon. Das gibt es einfach so für das obere und untere Limit. Aber gerade bei der Disposition, bei allem, was mit Zahlen zu tun hat oder beim Warenverteilen, das ist ja reine Zahlenarbeit. Und der Mensch hat bis jetzt gesagt, die Maschine kann das zu wenig gut. Das ist wahr. Weil die Maschinen einfach sehr eindimensionale Parameter gehabt hat.

Und jetzt mit KI würde ich sagen, kann es die Maschine plötzlich mindestens, sogar wahrscheinlich über das grosse Ganze fast besser als der Mensch. Und der Mensch kümmert sich nur noch um die fünf Prozent, wo ihm die Maschine sagt: Dort bin ich unsicher gewesen. Weil, die Maschine kann unsicher sein.

Und das ist das, was ich jetzt auch in den letzten zwei Jahren gesehen habe. Es ist extrem zu erleben, wie ein Sortiment von tausend Artikeln, das bestellt wird, dort einfach zwölf Edge Cases herauskommen. Das schaut der Mensch noch an am gleichen Tag und es ist erledigt. Ein unglaublicher Fortschritt an und für sich. Und kann sich um andere, wichtigere Sachen kümmern. #00:23:07-5#

I: Gut. Danke! Dann würde ich jetzt gerade ein bisschen auf das Thema Resilienz eingehen. Wie schätzt ihr das ein, die Wichtigkeit der Resilienz in der Supply Chain in Unternehmen? Wie wichtig ist das? #00:23:22-6#

B1: (…) Wie wichtig die Resilienz? Eigentlich ist das dein Fachgebiet, Sandra. (lacht) #00:23:30-3#

I: Ja. #00:23:31-2#

B1: Nein. Es ist natürlich ein wesentliches Thema. Also ich denke, wichtig ist vor allem, wie man es misst, oder? Ich meine, wieso haben wir mit einer automatisierten Nachbestellung, respektive also mit dieser Nachbestellung, wie wir es gemacht haben über präzisere Verkaufsdaten, präzisere Abverkaufsprognosen, wieso konnten wir so viel Geld sparen? Ja, vielleicht läuft das nicht unter Resilienz. Aber am Schluss ist es ja nichts anderes, oder?

Das heisst, früher hat der Mensch extra viel Lager aufgebaut, um eigentlich das Risiko, dass er ein Stock-out hat vermeiden zu können. Und das ist einfach extrem kostenintensiv. Und die Frage ist jetzt, kann man die Effekte eben auch unter Resilienz buchen?

Weil dann ist es ein Riesenthema. Also dann geht das bis tief ins Kerngeschäft jedes Unternehmens, oder? Also wenn man eigentlich wüsste, wieviel/ wenn man die komplette Prognose hätte vom ganzen nächsten Jahr und die würde jetzt hundert Prozent stimmen. Nicht dass wir das können heute. (lacht) Es gibt immer noch ein paar/ Also eben, wir sind gut, aber die Prognose ist am Schluss immer noch eine Prognose. Aber nachher, wieviel Reserven könnte man abbauen? Das ist wahnsinnig, oder? Der Reservenabbau, das ist eine wahnsinnige Effizienzsteigerung. #00:25:12-3#

I: Also du schätzt das als wichtig ein. Habe ich das jetzt so interpretiert. #00:25:19-5#

B1: Ja, richtig. Und jetzt habe ich nur über das Wirtschaftliche geredet. Aber eigentlich ist ja das Ziel auch von dem Nachhaltigkeitsaspekt, dass das bei [Organisation] auch ein Thema ist.

Nachhaltigkeit ist natürlich, wenn nur die Produkte produziert werden, die am Schluss verkauft werden und keine vernichtet werden müssen, also das muss ja das Ziel sein, oder?

Also man soll nicht auf Lager produzieren. Oder das ist auch mit einer der Motivation gewesen, um Nebu zu entwickeln, weil man gesagt hat, man kann noch Kleider, verramscht ist glaube ich nicht das Fachwort, aber stark reduziert kann man sie dann schon verkaufen. Also die müssen hoffentlich nicht vernichtet werden. Aber es bringt eigentlich niemandem etwas.

Weil dann kaufen Leute Sachen, die sie eigentlich nicht brauchen, einfach nur, weil sie günstig. Und für die Nachhaltigkeit wäre es eigentlich viel cleverer, die Leute würden das kaufen, was sie auch wirklich benötigen. Und darum eigentlich, so eine Prognose ist einerseits wirtschaftlich relevant, aber auch für die Nachhaltigkeit mega wichtig. #00:26:27-7#

B2: Und das Zweite und das Dritte, wenn man sich das weiter überlegt ist, Human Resources und Financial Resources, die man dort freischaufelt mit dieser ganzen KI, die einen dort wirklich automatisiert zum Teil oder weitgehendst automatisiert. Das ist vielleicht das, wo man sagen muss, die zusammenarbeiten mit Lieferanten, strategische Überlegungen, wo wollen wir hin, finanzielle Möglichkeiten, neue Kanäle aufzumachen ist mindestens mittel- und langfristig für eine Firma genauso wichtig wie einfach nur mehr eine gute Lagerbewirtschaftung. Aber wenn man die noch automatisiert hat, schaufelt die eigentlich genau die Ressourcen und das Kapital, das menschliche Kapital und das finanzielle Kapital zusammen, um wirklich im Unternehmen schneller vorwärts zu kommen. Also das ist so ein bisschen der Nebeneffekt, wenn man es dann auch so einsetzt. Aber man hat plötzlich die Möglichkeit, dort mehr einzusetzen. Das ist das, (was ich da sehe?). #00:27:26-1#

I: Meine Anschlussfrage wäre noch: Einflussfaktoren zur Erhöhung der Widerstandsfähigkeit. Da habt ihr jetzt schon ein bisschen etwas genannt mit Lagerbestand, also Versorgung, Verfügbarkeit sichern zu können. Gibt es sonst noch Themen, die eurer Meinung nach wichtig sind, wenn man auf ein Unternehmen schaut? #00:27:50-8#

B1: (…) Also eben zum Beispiel auch standortspezifische Themen.

Also wenn man zum Beispiel mehrere Produktions- oder Logistik-Standorte hat, dass man auch am richtigen Ort die Ware hat und nicht, dass man die Ware hat, aber eigentlich am falschen Ort und das zu zusätzlichem Logistik-Aufwand führt.

Das kann ich jetzt gerade aus dem eigenen Beispiel nehmen. Dann auch das End-of-Season-Thema. Das gibt es auch in anderen Branchen. Aber in der Kleiderbranche ist das wahrscheinlich am häufigsten der Fall. Da ist End of Season und dann kommt eine Saison in der Mode. Dass man dort eigentlich nicht mehr Ware von der alten Saison hat, die eigentlich niemand mehr will, weil ja, das Schweizer Trikot von der letzten WM ist ja auch/ Also ich bin nicht Fussballfan, darum sollte ich kein Beispiel nehmen in Themen, wo ich mich nicht so gut auskenne. Aber ich nehme an, alle paar Jahre, wird die Schweiz ein neues Trikot haben. Und dort will man ja das aktuelle, nicht das vom letzten Mal. Und es wird bei [Organisation] wahrscheinlich ähnlich sein, oder? Wenn die [Organisation]-Verpackung sich ändert, dann will wahrscheinlich ein Retailer nachher nicht mehr die alten Verpackungen, wenn die neuen schon beworben werden. #00:29:15-8#

I: Genau. Das auf jeden Fall. Mir geht es eigentlich mehr etwas um die Einflussfaktoren, die wirklich die Verletzlichkeit in der Supply Chain vermindern. Also das heisst, wenn auch eine Störung passiert, dass ich schneller darauf reagieren kann, als ein Beispiel. Das wären so Faktoren. #00:29:40-9#

B1: Ah! Da haben wir zum Beispiel das Corona-Beispiel. Corona ist ein plötzlicher Entscheid gewesen und es wäre jetzt gelogen gewesen, wenn wir gesagt hätten, wir hätten das prognostizieren können. Haben wir nicht. Aber die Frage ist, wie konnten wir darauf reagieren, oder?

Also es gibt immer wieder Einflüsse, die man halt nicht prognostizieren kann. Aber die Frage ist jetzt, wie schnell kann man darauf reagieren? Und wir haben innerhalb kürzester Zeit darauf reagieren können, das anpassen und nachher die ganzen Modelle für alle tausenden, also das sind wirklich mehrere zehntausend Artikel also praktisch mit einem Knopfdruck anpassen können.

Hätte das ein Mensch anpassen müssen, also das wäre gar nicht/ also die Anpassungszeit, das wäre, ich weiss nicht, Daniel weiss das besser, aber das wäre irgendwie Wochen oder Monate gegangen, bis der letzte Artikel auch neu berechnet worden ist. Und da kann künstliche Intelligenz oder Machine Learning/ einen Algorithmus kann man natürlich viel schneller anpassen. #00:30:42-0#

B2: Ja. Man muss ihn aber auch ein bisschen stossen. Also man muss natürlich auch sagen, der Bundesrat wird wahrscheinlich kommen in zwei Monaten und wieder runterfahren oder öffnen. Solche Parameter muss man irgendwie dem System zutragen. Gerade Corona ist eigentlich noch ein interessantes Beispiel gewesen. Runterfahren kann man schnell. Aber die Erkenntnisse, die nachher gekommen sind, welche Produkte laufen in der Corona-Zeit besser und über welche Kanäle laufen sie besser, das ist auch logisch für einen Menschen. Logisch, E-Commerce hat zum Teil enorme Aufschwünge gehabt. Irgendwelche Home-Artikel sind seit anderthalb Jahren am Fliegen mit Corona, weil die Leute mehr daheim sind.

Das zu erkennen, das kann natürlich KI innerhalb von kürzester Zeit, sage ich mal, erkennen und merkt: Oh, das ist der Einflussfaktor oder mindestens den Hinweis geben. Und dann kann man es als Einflussfaktor eingeben.

Was schwieriger ist in der Supply Chain sind vielleicht die Lieferanten, die man dann selber hat. Wie was passiert mit Liefermöglichkeiten in so einer Pandemie?

Also Corona ist wirklich so ein Black-Swan-Fall gewesen eigentlich. Was passiert dort? Und dort glaube ich, vielleicht kann dort KI, aber ich glaube, es gibt die Erfahrung auch noch nicht ganz, aber vielleicht kann es dort auch helfen. Aber das sind dann sehr komplexe Systeme dahinter. Dort geht es eigentlich nur um eins, irgendwo vielleicht aus Erfahrung heraus irgendwelche Alerts zu machen, wenn man weiss, wie sind die Lieferwege, wie zuverlässig ist ein Lieferant, wirklich welches sind meine wichtigsten Produkte, die ich brauche, dass ich da überhaupt so über die Runden komme?

Ich meine, das kann existentiell sein, wenn man irgendwo plötzlich nicht mehr verkauft, weil man irgendwo nicht produzieren kann. Und dort glaube ich, dort würde ich Stand heute das immer einem Menschen überlassen. Aber ich würde ihn viel genauer mit Daten, Informationen versorgen, aus eben KI, aus Machine Learning heraus zu Auswirkungen irgendwo. Aber ich glaube, dort kann man den Menschen nicht ganz ausnehmen. Das kann man heute, sage ich, ganz schwierig voll auf KI bringen. #00:32:49-8#

I: Ja, gut. Aber das ist/ Entschuldigung! #00:32:53-1#

B1: Also ein anderes Beispiel ist jetzt auch Wettereinflüsse, oder? Ich denke gerade jetzt im Bereich/ zum Beispiel [Organisation], das Pulver wird wahrscheinlich öfters getrunken, wenn es kalt draussen ist, einfach, weil man eine warme Milch/ also, weil es wahrscheinlich immer noch häufig mit warmer Milch getrunken wird. Und dann ist natürlich das, dass man dort wahrscheinlich einen Peak hat, sobald die kalte Jahreszeit anfängt, also da gehe ich schwer davon aus, dass das eine starke Nachfrage erzeugt. Und jetzt je nachdem, wann halt das erste kalte Skiwochenende ist, ich weiss nicht, ob das jetzt so relevant ist für das Geschäft, aber der Wettereinfluss wird sicher einen Einfluss haben. Und dass man dort eigentlich schon im Vornherein weiss oder zwei Wochen vorzeitig weiss: Hey, das Wetter wird kalt, die Skisaison fängt an, das heisst, jetzt werden überall viel mehr [Organisation]-Produkte zum Beispiel gekauft. Und ich meine, dann ist man einfach vorbereitet, oder? Dann weiss man, okay, jetzt muss ich die Produktion herauffahren, damit es nachher in zwei Wochen/ dass man nicht out of Stock gehen. Respektive, dass wir die Lagerkapazität reduzieren können, ohne die Chance zu haben, out of Stock zu gehen. Die Absatzprognosen sind schon extrem/ Also man kann es ja so formulieren, wenn man wüsste, wieviel wir in zwei Wochen produzieren und das ziemlich genau, dann ist das eigentlich eine riesen/ Entschuldigung!

Wenn man wüsste, wieviel man in zwei Wochen verkauft, dann ist das ein Riesenvorteil, weil dann haben wir noch ein bisschen Zeit zu reagieren.

Oder respektive man kann es ja auch über das ganze Jahr sehen. #00:34:38-7#

I: Genau. Jetzt sind wir ja schon ganz stark in diesen KI-Anwendungen, die wir brauchen könnten für die Resilienz. Da hattest du, Daniel, auch schon etwas erwähnt wegen Lieferanten, dass du auch denkst, dass das vielleicht auch für die Lieferantenauswahl auch ein Bereich sein könnte. #00:34:59-7#

B2: Ja. Also wir haben (lacht) ansatzweise, ich sage mal Lieferzuverlässigkeit und so Geschichten. Das kann natürlich maschinell extrem gut ausgewertet werden. Das ist einfach Zustand normal, wie zuverlässig liefert ein Lieferant seine oder sein Produkt?

Das ist etwas, was man in gewissen Sicherheitsgedanken bringen kann. Das andere ist natürlich, dass man sagt: Hey, ich habe drei mögliche Lieferanten. Ich habe zwar einen Hauptlieferanten, aber ich behalte die anderen auch noch warm. Also das kennen wir jetzt gerade mit einem Kunden aus dem Food-Bereich heraus. Bis zu fünf Lieferanten für das gleiche Produkt. Und ich denke, das ist gerade bei Rohstoffen, da kann man das ja noch ganz anders ausmalen wahrscheinlich. Und ich muss dort sagen, dort habe ich Möglichkeiten. Und da glaube ich schon auch, wenn dann gewisse Sachen/

Also ich kann mir einfach vorstellen, ein KI-System kann sicher mal von der Disposition her dort eine gescheite Aufteilung machen, die das Risiko irgendwie ein bisschen senkt. Man kann nicht bei einem Lieferanten fünf Jahre lang nichts bestellen und nachher geht man einfach, das ist auch klar. Dass man eine intelligente Bestellgeschichte macht und sich Lieferanten warmhalten kann und auch mal einen hochfahren kann alternativ zu einem anderen. #00:36:16-1#

B1: Und dort ist natürlich noch spannend, weil die Lieferantenbewertung ist nichts Neues, das werdet ihr sicher auch haben. Aber Lieferantenbewertung auf Produktlevel, oder? Wahrscheinlich habt ihr die Lieferanten zusammengefasst oder habt/ Das Ziel ist ja immer, möglichst viel oder zumindest in der Automobilindustrie, möglichst grosse Lieferanten mit möglichst vielen Produkten. Und dass man dort eigentlich nachher produktspezifisch/ Ich meine, was klar vergleichbar ist, ist der Preis und die Lieferantenbewertung. Ich nehme an, das ist der Stand der Technik.

Aber es ist nicht eine produktspezifische Lieferantenbewertung. Und wenn man natürlich eine produktspezifische Lieferantenbewertung hat und das in Relation setzen kann mit dem Preis, dann kann man gewisse Produkte auch teurer, sage ich jetzt einmal, vielleicht kaufen, weil man weiss, der liefert dafür zuverlässig oder bessere Qualität.

Und dann kann das weggehen vom rein preisgetrieben also Single-Kriterium eigentlich, weil man dann eben viel mehr Daten hat zu den einzelnen Produkten. #00:37:22-0#

I: (…) Sicher auch eine interessante Anwendung. Jetzt, eben du hast ja das Splitting eigentlich ein bisschen angesprochen in der Dispo, dass man versucht, die Mengen zu allokieren, dass man eben mit verschiedenen Lieferanten arbeitet, dass da KI helfen könnte, um das gut zu verteilen, wenn ich dich da richtig verstanden habe? #00:37:46-4#

B2: Geht genau etwas in das, was Michael gesagt hat. Ich weiss gar nicht, ich muss vielleicht ein Beispiel bringen. Nehmen wir mal ein Beispiel, ein Einzel-, ein Detailhändler, der Fleisch braucht. Und dort ist einfach auch die Produktionskapazität wirklich von den Metzgereien und so weiter, die das Fleisch liefern, die ist beschränkt. Also haben sie verschiedene Quellen. Oder möglicherweise beschränkt. Und irgendwo braucht er ein bisschen mehr und er hat nicht die gleichen Preise von allen.

Aber die Qualität hat einen Einfluss, das sieht man gerade in den Absatzdaten. Also wenn irgendwo das Fleisch von dem einfach schlechter verkauft wird als von dem, dann weiss man vielleicht, die Qualität ist ein bisschen schlechter rein stückmässig, auch wenn es vielleicht günstiger wäre im Einkauf. Und dort drin an und für sich die gescheitesten Überlegungen zu machen, wie splitte ich meine Bestellung an und für sich auf?

Ich meine, ein Schweinefilet ist ein Schweinefilet.

Und von welchem nehme ich wieviel, damit ich A das Risiko reduziere, B, dass die Kunden doch sehr zufrieden sind, rein so etwas von der Absatzprognose her. Das was qualitativ vielleicht eher, tendenziell vielleicht ein bisschen schwächer ist kann man trotzdem mal kaufen, weil gewisse Kunden merken das gar nicht, die sagen: Ah, das ist viel günstiger oder wir haben einen günstigeren Einkaufspreis. Und das Ganze zu splitten, dort glaube ich, kann man KI schon einsetzen.

Und zwar wieder auf Produkt- und Standortlevel. Also das ist ja noch das. Nur auf das Produkt zu schauen. Vielleicht reagiert jemand in der Westschweiz anders als irgendwo in St. Gallen draussen und im Tessin unten. Und ich glaube, dort einfach die grosse Datenmenge intelligent verarbeiten zu können und entsprechend zu bestellen und zusammenzuführen, das ist schon noch irgendwie etwas. Und das könnte man sich vielleicht als Produzent dann auch überlegen, wie weit muss man dort gehen und wie könnte man dort das KI gescheit einsetzen, dass die einen guten Split macht. Und ich sage immer, ich glaube, Lieferantenverhältnisse sind schon auch wichtig. Also das ist, zuverlässige Lieferanten, eine gute Beziehung ist wichtig.

Und wie hält man sich aber gewisse Alternativlieferanten gleichwohl noch mit sympathischen, anständigen Bestellungen genau im nötige Masse warm, dass man es wirklich alternativ, substituierend eigentlich nehmen kann, wenn dann vielleicht der Nummer-eins-Lieferant mal nicht liefern kann. Das geht ein bisschen in die Richtung. Da kann KI helfen.

Also solche Anwendungsbeispiele kenne ich. #00:40:04-3#

I: Jetzt hatten wir das vorab ja schon ein bisschen diskutiert, die End-to-End-Visibility, das ist ja auch ein grosses Thema, also Transparenz in der Supply Chain drin. Habt ihr da irgendein Beispiel für Anwendungen dazu? #00:40:22-7#

B2: (…) Michael, wenn du nichts sagst, ich muss auch halb passen, weil/ #00:40:31-6#

B1: Ich muss es mir überlegen, weil wir es auch schon diskutiert haben mit einem Schokoladenhersteller. Das ist natürlich mega wichtig, welches Produkt von wo hereinkommt. (…) Ja, also (lacht) das trifft es natürlich, ja, Lebensmittel-Herstellung. Also die Lebensmittel-Nachverfolgbarkeit ist natürlich ein Riesenthema. Ich frage mich, ist das KI? Das ist eigentlich einfach Software grundsätzlich, oder? Also das ist eigentlich ein Datenbank-Thema, um das eigentlich rück zu verfolgen. Ich sehe jetzt da mit künstlicher Intelligenz/ Also das sichert auch, das ist wie ein Nebenprodukt, also je digitaler die ganze Supply Chain aufgegleist ist, desto einfacher wird das. Aber es ist eigentlich aus IT-Sicht glaube ich kein kompliziertes Thema. Also das ist so/ #00:41:30-0#

I: Also ich müsste dann mit diesen Daten nachher etwas machen können, oder? Also wenn ich jetzt natürlich meine Daten ja zurückverfolgen kann von meinen Lieferanten, dass ich die Daten habe, kann ich ja aus dem etwas machen. Da gebe ich dir natürlich schon Recht. Sonst ist es keine KI. Ich meine, KI müsste ja dann das nachher verwerten und mir irgendwelche Informationen daraus heraus geben, sonst bringt mir das nichts. Also sprich, die Leistung bei meinem Produzenten wird schlechter, weil der hat irgendwie gerade ein Problem. Hey, pass dort auf! Jetzt also ein Beispiel. Es könnte vielleicht dort Lieferengpässe geben, oder? Also sonst bringt mir das ja nichts. Also dann weiss ich zwar, wo/ Weisst du, solche Sachen spreche ich jetzt gerade an, oder? #00:42:17-9#

B1: Okay. Ich habe jetzt mehr gedacht, dass es nachher Salmonellen von einem Rohstoff oder so etwas oder irgendeine Bakterienverseuchung, dass man das möglichst schnell halt eigentlich stoppt und so. Weil, das ist eigentlich nicht KI. Das sind eigentlich einfach transparente Daten und Datenflüsse und so Sachen. Und jetzt das/ #00:42:40-3#

I: (…) Ich habe jetzt vielleicht nicht das beste Beispiel gemacht, aber du weisst, was ich meine. Also irgendetwas, was beim Lieferanten passiert, wenn ich jetzt Transparenz habe und mehr Informationen bekomme, oder? Dann könnte ich ja aus dem etwas machen, oder? #00:42:58-5#

B1: Aber das ist auch wieder nicht KI. KI ist eigentlich die Prognose, oder? Du weisst, du musst morgen achthundert produzieren oder in zwei Wochen musst du achthundert Stück, Tonnen, was auch immer produzieren. Und jetzt bekommst du heute die Meldung: Hey, der eine Lieferant kann nicht liefern. Ja, dann bestellst du es dann einfach von einem anderen. Aber das ist ja noch nicht/ #00:43:24-0#

I: Wenn du sie von einem anderen bestellen kannst. Das ist ja nicht immer gegeben. #00:43:27-4#

B1: Ja, ja. (lacht) Aber die künstliche Intelligenz ist ja eine Prognose. Wenn du die Prognose mal hast/ Die Frage ist, wenn der eine Lieferant ausfällt, dann einen anderen Lieferanten zu suchen? Also vielleicht verstehe ich irgendwie die Frage noch nicht ganz. Aber das ist ja dann wie/ Also einen anderen Lieferanten/ Also unser System würde ja dann eigentlich einen Edge Case daraus machen, Spezialfall: Hey schau, der Lieferant fällt aus. Soll ich vom anderen bestellen? Aber an und für sich ist das einfach eine Regel, oder? Das ist eigentlich eine einfache künstliche Intelligenz, oder? Das ist wie ein Taschenrechner. Also du hast einfach eine Regel, wenn der ausfällt, was mache ich dann? Also if this then that, oder? #00:44:13-8#

B2: Obwohl, ich meine, die Durchgängigkeit von Absatzzahlen oder von Prognosezahlen, wie man wirklich absetzen wird und zwar meine ich dort den Endkunden, also wie wird gekauft. Da kommt da ein Faktor rein, ja, wie wird es aufgezogen vom Warendruck im Handel? Dann wie wird es irgendwo vorgelagert von dem?

Wenn ich die Durchgängigkeit an Daten hätte, wüsste der Lieferant nicht erst zweieinhalb Monate vorher, dass ich mehr Produkte brauche, sondern er könnte sich im Ganzen drin an und für sich darauf einstellen.

Also es hat zwei Effekte. Er würde sich einstellen und hat ziemlich zuverlässige, vielleicht immer genauer werdende Prognosen. Ich muss dort auch sagen, Prognosen sind Prognosen. Je weiter vorne ich es mache, desto eher habe ich Einflussfaktoren nicht drin. Aber da könnte der Lieferant an und für sich schon ein Alarmsignal geben und sagen: Oh, da habe ich Mühe in dieser Zeit. Und dann könnte man schon frühzeitig schauen und anderes sourcen und sagen: Ja, ist gut. Kannst nicht ganz? Dann weiche ich dort noch aus. Aber dort und dort ist gut.

Also man könnte natürlich mit langfristigeren Prognosen/ würde es einem Lieferanten oder einem Produzenten enorm helfen, das Ganze dort irgendwo zu planen. Er würde wahrscheinlich achtzig Prozent seiner Wellen und seiner Blitzschläge und Donner, die er hat mit Feuerwehrübungen, würde er herausnehmen können.

Umgekehrt glaube ich, dass es noch einen anderen Effekt hat. Weil, ich komme eigentlich aus dem Einzelhandel von unten dran. Wenn der Einzelhändler safe ist, dass die Weihnachtskugeln auch im Oktober und im November noch geliefert werden können, dann muss ich nicht im Juli schon wieder siebentausend bestellen. Also jeder macht sein Zwischenlager aus der Unsicherheit heraus. Und je transparenter das wird, desto eher kann man aufhören mit dem Zwischenlagern.

Wir können durchaus vielleicht etwas aus der Automobilindustrie sagen. Ich meine, das ist just in Time dort. Wie viele Zwischenbunker hat es dort früher noch gegeben, vor fünfzig Jahren und vor siebzig Jahren? Und mittlerweile sagt man dort, es wird direkt produziert und angeliefert. Es ist genau das, was ich dort brauche, ich habe die Kundenbestellung schon. #00:46:16-7#

B1: Also noch krasser, es ist ja just in Sequence. Also das heisst, die Bauteile kommen im Lastwagen in der Reihenfolge an, wie sie verbaut werden. #00:46:24-8#

B2: (lacht) Ja, genau. #00:46:25-7#

B1: Ich habe nicht einmal mein Lager vor Ort für die Tagesproduktion. Sondern das kommt wirklich im Lastwagen an und das ist schon in der Reihenfolge, in der es nachher eigentlich eingebaut wird. Also der rote Porsche und der blaue bekommt die roten Sitze und der nächste bekommt die blauen Sitze und nicht/ wenn es da eine Verwechslung gibt, das ist eine Katastrophe. Also dann ich sie gerade wieder ausbauen. Und was ich zu Transparenz/ ich stelle mir vor, wenn man es absolut sieht, wenn du plötzlich eine Supply-Chain-Unterbrechung hast, dann braucht es wahrscheinlich keine künstliche Intelligenz. Die Frage ist, wie kann man die Gefahr abschätzen. Und das ist wahrscheinlich ein Thema, wo man durchaus künstliche Intelligenz brauchen kann. Wenn man sagt: Okay, wenn ich nur noch einen Lieferanten habe, dann ist die Wahrscheinlichkeit/ Also das ist ja das Problem, das die Chemieindustrie plötzlich hatte. Bei einem Rohstofffabrikanten hat die Fabrik gebrannt, oder? Da haben wir keine Produkte mehr gehabt, alle unsere Konkurrenten haben keine Produkte mehr gehabt und zufälligerweise ist das Produkt noch an andere Ort gegangen, das heisst, die ganze Automobilindustrie ist nachher eigentlich mal eine Woche plötzlich ins Rudern gekommen, weil die Fabrik abgebrannt ist, oder? Und da ist halt die Frage, wie man das einschätzen kann und ob KI dort eben auch mit einer Prognose zum Beispiel so Ausfallwahrscheinlichkeit/ Wie ausgelastet sind die Fabriken? Wie viele gibt es? Ich meine, dort kann man natürlich mit KI/ das ist dann auch nichts anderes als eine Prognose, wie wir es von der Absatzprognose machen. Es ist dann eine Prognose der Wahrscheinlichkeit, dass so ein Ausfall zustande kommt. Das ist KI. Aber wenn es de Facto passiert ist, dann ist es eigentlich in der Regel passiert. Also eben, das ist eine sehr schwache KI, das ist eigentlich der Anfang unseres Gesprächs gewesen, unseres Interviews, wo es darum ging, das ist eigentlich wie ein Taschenrechner, oder? Das ist einfach: Wenn du keine mehr hast von dem, bestelle sie von jemand anderem. Das ist jetzt nicht eine Machine-Learning-KI, sondern eine sehr schwache. Aber ich glaube, die Prognose, das ist nichts anderes. Also wir haben uns/ im Retail ist halt einfach wichtig gewesen, sich auf die Absatzprognose zu fokussieren. Aber ich kann mir sehr gut vorstellen, dass in einem anderen Bereich und am Schluss ist eigentlich die Prognosen-Engine eigentlich die gleiche. Die Frage ist einfach, welche Parameter gehen rein und auf welche Ausrichtung richtet man es aus? Aber das kann man genauso auf Lieferantenzuverlässigkeit und solche Themen ausrichten. #00:49:00-2#

I: Wenn ich euch jetzt auch richtig verstehe wegen des Potentials, also ihr sagt einfach, alles wo es um Prognosen geht, da ist ein hohes Potential, um KI einzusetzen, oder? Das habe ich richtig verstanden? #00:49:16-3#

B1: Genau. #00:49:15-9#

I: Überall wo man das einsetzen könnte, oder? #00:49:19-5#

B2: Ja, hauptsächlich. Nein, aber auch Erkenntnisse zum Teil, ich glaube Zusammenhänge. Also es geht schon um das. Es geht darum, was ist wenn dort der Schmetterling mit den Flügeln schlägt, wo wirkt sich das aus? Das wird zwar unscharf, aber das ist natürlich bei Intelligenz so. Intelligenz bewertet mehrere Faktoren irgendwo. Und Prognosen sind daher auch immer irgendwo gefährlich. Aber Zusammenhänge rückwirkend zu erkennen, wo die grössten Gefahren sind und wo ich die meisten, ich weiss nicht was, irgendwo Risiken habe.

Also angenommen, irgendein Lieferant ist Exklusivlieferant für irgendein Teil, ist völlig zuverlässig und so weiter und dem brennt die Fabrik ab, da habe ich ein anderes Problem als etwas, was ich auf dem Weltmarkt einfach breit bekomme und innerhalb von zwei Wochen irgendwo bestellen kann. Also vielleicht zahle ich einfach ein bisschen mehr, aber ich kann es bestellen. Und ich glaube, in solchen Zusammenhängen kann KI schon helfen. Also KI ist eigentlich ein Zusammenhangs-Erkenner, nicht nur eine Prognose-Maschine.

Ich will es so sagen. #00:50:22-5#

B1: Ich glaube, in der Kaffeeindustrie hat es mal ein Jahr gegeben, wo entweder Südost-Asien oder die Karibik als Kaffeeproduzent praktisch ausgefallen ist wegen, ich glaube, es war ein Sturm oder El Niño oder Monsun, ich weiss es nicht mehr genau. Aber da ist natürlich die Frage, wenn das der einzige Ort ist, wo man die Kaffeebohnen sourct, dann ist das natürlich ein anderes Risiko, als wenn man es, ich sage jetzt etwas, weltweit halt so ein Ding hat. Und das zu berechnen, wie wahrscheinlich ist es, da kann natürlich die Prognose mega helfen. Aber der Wert, das ist wahrscheinlich noch das Wichtige, der Wert ist dann nicht die Prognose. Der Wert, den das Machine Learning/ Also die Prognose ist ein Mittel zum Zweck. Dessen müssen wir uns schon klar sein. Also der Wert ist nachher eigentlich nicht einmal die Nachbestellung gewesen im Retail, sondern der Wert ist nachher tiefere Lager, bessere, also mehr Umsatz durch Warenverfügbarkeit, weniger Kosten, weil man halt einfach auf die End of Season eingehen konnte und so. Also der Wert, den Machine Learning produziert, würde ich sagen, ist nicht bei der Prognose zu suchen, sondern hinten heraus, weil der Effekt wird immer grösser. Aber die Prognose ist eigentlich der Hebel, der nachher all die Effekte, ja, eigentlich wie glätten kann, oder? #00:51:50-8#

B2: Aber darf ich auch ein Wort sagen? Also wenn das Machine Learning oder auch Deep Learning irgendwo neuronale Netzwerke herausfinden, dort und dort habe ich ein Risiko. Dann müsste die Reaktion in einer Prognose sein. Dann möchte ich eine gewisse Sicherheit dort. Dann investiere ich dort eine Million meines Geldes und will das absichern. Weil wenn mir das dort wegfällt, dann habe ich hinten hinaus einen Riesenverlust, einen Umsatzverlust von fünfzig Millionen. Also setze ich lieber eine Million mehr Lager dort ein. Das ist auch so ein bisschen, ansatzweise haben wir über das A, B, C, D ganz einfach im Einzelhandel geredet oder generell in die Bewertung hinein.

Und wenn man natürlich dort KI einsetzt, um auch wirklich unternehmerische Risiken irgendwo abzuschätzen, dann wird dann entsprechend auf das Produkt oder auf den Lieferanten wird dort wahrscheinlich dann anders umgegangen mit der Prognose, was ich brauche und was ich wirklich auch an Lager halten will oder wie ich vorbestelle oder was für/ also es geht alles ein bisschen in die Richtung. Ich kann damit natürlich auch die Risiken reduzieren.

Also es ist nicht nur exakt-exakt, sondern dort wo ich viele Risiken habe, eine gewisse Sicherheit rein. Wo ich wenig Risiko habe und wenig Ertrag habe oder Ertragsverlust, wenn es fehlen würde, dort runter. Es geht eigentlich immer ein bisschen nach dem gleichen Spiel. Dort kann man wirklich viele Sachen erkennen. Das glaube ich auch. #00:53:09-8#

B1: Ich würde sagen, Prognose ist grundsätzlich für Machine Learning ein wichtiges Anwendungsfeld. Es wird nur nicht immer so unbedingt benannt. Also mal ein anderes Beispiel, autonomes Fahren, oder? Man prognostiziert, führt das zu einem Unfall oder nicht? Also jetzt ein bisschen krass formuliert. Und wenn es nicht zu einem Unfall führt, dann müsste ich eigentlich nicht abbremsen als autonomes Fahrzeug. Und wenn man davon ausgeht: Hey Shit, das reicht nicht mehr, dann muss man vorzeitig bremsen, oder? Also das heisst, die Prognose ist eigentlich schon der Riesenvorteil, dass man die verschiedensten Parameter zusammenbringen kann und eigentlich besser abschätzen kann, was bringt einem die Zukunft. Das ist ja eigentlich also aus meiner Sicht der wesentliche Vorteil. Auch bei der Technik, es (unv., Überschneidung)/ #00:54:10-5#

B2: Beim Autofahren ist es glaube ich nicht nur Machine Learning in der Steuerungselektronik. Das sind dann wirklich Algorithmen, die da im Hintergrund laufen. Aber das ganze Programm ist natürlich entstanden über Machine Learning. Das ist mir schon klar. Und nachher wird das Endprodukt dort eingesetzt beim Autofahren. Also das Auto hat einfach viele Parameter, es ist durchprogrammiert. Dort läuft kein Machine Learning zwischendrin. Weil die zwei Sekunden, die das Machine Learning brauchen würde, wären zu spät. Sondern aus alle den historischen Daten und Fahrdings wird das schon fix einprogrammiert und hin und wieder upgedatet. Das ist natürlich was wir beim autonomen Fahren haben. Machine Learning ist die Erkenntnis draus. Wo hat es nicht mehr gereicht? Was mache ich in dem Fall? Was mache ich in dem Fall? Und so weiter, all die Erkenntnisse an und für sich sind über das Machine Learning oder über KI eingeflossen. Und das Endprodukt ist aber das autonome Fahren, ist der Autopilot. #00:54:57-5#

I: Okay. Gut. Ich auf die Zeit, kommen wir ich so langsam zum Abschluss #00:55:07-4#

B2: Oh! (beide B lachen) #00:55:10-4#

I: unseres Termins. Habt ihr von eurer Seite noch etwas zu ergänzen oder sollte man aus eurer Sicht noch sonst irgendetwas berücksichtigen, was wir jetzt noch nicht so besprochen haben? #00:55:22-2#

B1: Ich habe noch die

Geschwindigkeit notiert. Ich weiss nicht, ob du das auch mit aufgenommen hast. Aber ich finde, die Reaktivität ist eben schon noch ein Riesenthema, dass man eben schneller reagieren kann. Also das Beispiel ist da gewesen mit dem Corona zum Beispiel, der Faktor, dass man dort innerhalb von kurzer Zeit eigentlich alle zehntausenden Artikel in kürzester Zeit hat umprogrammieren können.

Aber man ist einfach immer viel schneller, als wenn es ein Mensch macht. Weil man halt eben also zehntausendmal praktisch copy, paste auf eine Formel anwenden, das kennt man vom Excel her, das geht einfach viel schneller, als wenn man von Hand jede Zahl noch anpassen muss. Aber ich glaube sonst? Ich habe mir ja auch noch ein paar Notizen gemacht. Ich schaue schnell durch. Aber ich glaube, das ist/ (blättert) (…) Nein, ich glaube, das sind so ein bisschen/ (…) Also eben, was ich auch bei uns bei der Nebu-Präsentation gehabt habe, am Schluss vielleicht immer überlegen, ja, was könnten zehn oder hundert Personen mehr in einem Thema, was könnten die bewirken? Und meistens ist das absurd, wenn heute eine halbe Person oder eine Person in einem Thema arbeitet und man sich mal überlegt, ja, was könnten jetzt hundert Leute auf dieser gleichen Position bewirken, oder? Und aus traditionell wirtschaftlicher Betrachtung macht das keinen Sinn, oder? Man kann nicht eine halbe Person oder die Wirtschaftlichkeit einer halben Person auf so viele Leute verteilen.

Aber wenn es dann plötzlich durch eine Maschine gemacht wird, also dann ist das eins zu eins nicht wirtschaftlich, also es kostet vielleicht mehr als eine halbe Person. Aber dafür ist wirklich, man hat den Effekt von hundert Leuten. Also das heisst, man kann viel granularer Entscheidungen treffen. Und ich glaube, das ist der Riesenvorteil, oder? Dass man den Long Tail/ Die Top-Produkte, die sind meistens eigentlich einfach für den Menschen im Griff zu haben. Aber sobald es um hunderte oder tausende Produkte geht, die man gleichzeitig beobachten muss, verändern, updaten, dann wird es für einen Menschen halt schnell schwierig.

Und dafür ist eine Maschine ein Riesenvorteil. #00:57:47-8#

I: Ja. #00:57:49-2#

B2: (…) Also ich habe noch etwas dazu. Ich meine, KI eben mit Cloud-Computing und so, das ist ein paar Jahre alt, ist halt sehr neu noch, dass es wirklich breite Anwendung hat, nicht nur an der ETH und irgendwo bei der NASA benutzt wird. Und da muss ich sagen, ich habe das Gefühl, dass wir jetzt einmal wirklich die repetitiven Geschichten oder genau das, was Michael jetzt auch sagt, 100.000 Artikel durchgeht oder Positionen pro Jahr. Erstens ist es langweilig. Zweitens kann ich nicht jede genau anschauen. Drittens fühlt sich der Mensch jetzt im Moment gerade noch der Maschine überlegen, weil er sagt: „Ja, aber ich weiss dann, es wird wärmer.“ Und da muss ich sagen: „Hey sorry, das kann eine Maschine genauso jetzt wissen, wenn ich ihr die Daten und Informationen gebe.“ Und irgendwann glaube ich, dass es vom einfachen Ersetzen von repetitiven Aufgaben und Berechnungsaufgaben und so weiter relativ schnell weitergehen wird, gerade im Handel. Also mein Bauchgefühl sagt mir, in fünf Jahren oder in zehn Jahren wirst du das noch ganz anders einsetzen. Da wirst du mit Überlegungen kommen/ Wir haben ein bisschen mal Visionen gesponnen. Die ist mit Überlegungen gekommen zu sagen: „Ja, kann es mir dort nicht auch helfen?“ Wenn ich schon weiss, wie der Mechano ist und ich die Daten schon habe. Und vielleicht auch aus der KI heraus, aus den einfachen KI-Daten, die man heute produziert schon nur eine genauere Datenbasis habe wieder für anderes. Ja, kann ich es nicht? Mein ganzer Planungsprozess bis hinten hin, bis irgendwo ich weiss nicht was, kann ich es nicht viel breiter einsetzen? Und wenn sich das nachher mischt, das eine Unternehmen mit dem anderen, von all diesen Erkenntnissen. Wenn das sagen wir mal ein bisschen Wiki-mässig wird und sagt, das läuft so. Nicht jedes Unternehmen muss es einzeln irgendwo erfahren. Dann glaube ich, gibt es brutale Schübe. Also einfach so jetzt ein bisschen in die Vision hinein in 15 und 20 Jahren wegen der KI, in Vernetzungen, in Technologien, in Prognosen hinein. Wahrscheinlich fallen ein paar auch recht auf die Fresse dort, (lacht) ich sage es jetzt ganz einfach auf Schweizerdeutsch, weil es vielleicht noch nicht so ausgereift ist. Aber es macht natürlich enorme Schübe. Also da bin ich überzeugt. Irgendwann wird man eine Sortimentsplanung nicht mehr machen ohne KI-basierten Daten. Vielleicht in zehn Jahren schon nicht mehr im Detailhandel oder in fünfzehn Jahren nicht mehr. Und im Moment ist noch, ein Disponent abzulösen oder einen Planer abzulösen, ich sage es jetzt mal irgendwo. Nicht abzulösen, seine/ Das muss ich auch sagen, dort wo ich gearbeitet habe sind all die Ressourcen eingesetzt worden für gescheitere Arbeiten. Und das bringt natürlich dort noch ein bisschen (unv., undeutlich). Es wird schnell gehen. #01:00:23-1#

B1: Das ist glaube ich wirklich noch wichtig, weil es halt auch ein sensibles Thema ist. Also das Ziel ist eigentlich nicht, die Menschen abzubauen, sondern in Kooperation also eigentlich auf bessere Lösungen zu kommen. Ich denke, das ist eigentlich noch wichtig um das Thema KI. Weil man halt auch immer wieder so Angst- und Schrecken-Titel in Zeitungen liest und so. Also der Mensch ist immer noch klüger als die Maschine. Aber Memory (unv., Tonstörung #01:00:52-1#). Also das ist so. Es gibt gewisse Aufgaben, die die Maschine besser kann. Gleichzeitig wird das auch dazu führen, dass der Mensch sich dann wirklich auf die Stärken, die er hat, #01:01:07-3#

B2: Konzentrieren #01:01:09-3#

B1: konzentrieren kann. #01:01:10-7#

I: Konzentrieren. Ja, das ist noch so eine Hürde oder eben eine Angst, die eben auch eine Hürde ist, dass KI eingeführt wird, was jetzt du gerade gesagt hast, dass eben der Mensch quasi komplett ersetzt wird, oder? Und ich denke, das ist sicher einer dieser Punkte, warum viele ein bisschen Angst vor dem Ganzen haben, oder? #01:01:35-6#

B1: Ja. Also es ist etwas Neues, oder? Und es wird eine Veränderung geben, das ist ganz klar. Aber die Veränderung sollte eigentlich zum Positiven führen. Vor allem auch in Gedanken zu Nachhaltigkeit und solchen Themen. Weil, es ist eigentlich sinnlos, also gerade auch im Fashion-Bereich, dass Kleider produziert werden, die am Schluss eigentlich im schlimmsten Fall verbrannt werden müssen. Das kann es eigentlich nicht sein. #01:02:04-5#

I: Ja, das ist so. #01:02:05-5#

B2: Lebensmittel sowieso, also der Verderb und so ist dort noch ein Thema. #01:02:09-4#

I: Ja. Gut. Dann würde ich abschliessen. Ich stelle die Aufnahme mal ab. #01:02:19-6#

Anhang 13: Transkription Interview F

Experteninterview Nr. F

Experte: Claudio Mirti, KI-Experte (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 5.07.21

Dauer des Interviews: 54 min

Zur Identifikation der Aussage wird die Expertennummer (F) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: (…) Dann begrüsse ich dich jetzt offiziell herzlich zum Interview. Und ich würde jetzt gerade mit der Einstiegsfrage gerne von dir wissen wollen: Was für Erfahrung bringst du in der KI mit? #00:00:17-9#

B: Gute Frage. (lacht) Also die Erfahrung, die ich eigentlich mitbringe ist an für sich, sagen wir es so, jetzt gute sieben Jahre. Also vor sieben Jahren habe ich mal angefangen, als ich noch bei Swisscom gewesen bin. Dort ging es noch darum, was gibt es so für Patterns, die wir erkennen können. Und das ist sozusagen eigentlich der Einstieg. Man wusste ja gar nicht, ob jetzt AI/ das ist noch kein Hype gewesen, Thema. Und als ich bei Microsoft angefangen habe, habe ich gemerkt: Ja, ich bin richtig, vor fünf Jahren, und das ist ein Hype. Und zwar für mich ist so ein bisschen die Erfahrung, die ich gemacht habe an und für sich, was sind die Erkenntnisse, die man erarbeiten möchte? Das heisst die Produktivitätssteigerung auf der einen Seiten oder möchte man die Technologie oder eben die AI entsprechend nutzen, um neue Revenue Streams oder eben neue Erkenntnisse zu bekommen? Und ich sehe es jetzt an und für sich, ohne Daten no AI. Somit sehe ich das eigentlich so, wenn man die Hausaufgaben gemacht hat, die Daten klassifiziert hat, die in entsprechender Form da sind, kann ich anfangen, ein Modell zu trainieren. Und dahinter verbirgt sich, wie das so schön heisst, das Machine Learning. Also das ist für mich so ein bisschen AI. AI ist für mich so ein Umbrella, ist nichts Neues. Es ist etwas, was wir schon lange eigentlich haben. Und der Vergleich, den ich immer aufbringe ist an und für sich mit der Wettervorhersage. Früher wollten wir das Wetter vom nächsten Tag wissen. Jetzt wollen wir schon ziemlich genau wissen, wie es in den nächsten fünf Tagen wird, weil wir unsere Grillpartys planen wollen. Um zu wissen, wann wird es regnen, zu welcher Zeit. Und AI wäre jetzt der Automatisierungsgrad, dass es dann der Sonnenschirm oder den Regenschirm automatisch aufspannt, bevor mich überhaupt ein Tropfen trifft. Also ich glaube, das ist das, wo es sich hinbewegt. Und wie gesagt, Wettervorhersage ist etwa das beste Beispiel um zu zeigen, es ist nichts Neues. Es ist einfach nur die Art und Weise, wie wir die jetzt benutzen. Computer Power und die Menge an Daten, die wir haben, die miteinander zu verbinden. #00:02:22-2#

I: Gut. Du hast eigentlich schon angefangen, mir die zweite Frage zu beantworten, wie du KI definierst. Jetzt würde es mich natürlich noch interessieren, du hattest eben gesagt, im Grunde brauchst du die KI für die Prognose, unter anderem. Geht für dich beispielsweise Robotik dann auch in die KI herein? #00:02:44-6#

B: Ja, natürlich schon. Weil, es geht darum, gewisse kognitive Funktionen nachzuahmen, zu trainieren. Also spezifische Felder mit neuronalen Netzen et cetera oder auch Sprache, also respektive Translation. Dann die ganze mit Custom Vision. Also wirklich die Sachen, Objekterkennung. Wie aber auch Speech to Text oder Text oder Speech. All die Elemente, das sind Sachen, die man trainiert, die man nachher adaptiert und dann nachher ein bisschen optimiert auf einem gewissen Modell. Also sprich die Art und Weise, wie wir jetzt auch heutzutage irgendwie Sprachsteuerung benutzen, das ist nicht etwas, was man dann von Grund auf muss, sondern man nutzt bestehende Modelle, die trainiert worden sind und verfeinert die. Oder auch Bilderkennung, oder? Ist es jetzt ein Hund? Ist es jetzt eine Katze? So. #00:03:37-7#

I: Genau. Und eben, ich habe mich ja relativ stark damit beschäftigt. Wie schätzt du die ganzen wissensbasierten Daten ein, also die Knowledge-Graphen? Ist das für dich auch KI oder ist das keine KI für dich? #00:03:56-3#

B: It depends, sage ich immer. #00:03:59-0#

I: It depends. Okay. (lacht) #00:04:00-6#

B: Es kommt ein bisschen darauf an, was sind denn eben die Erkenntnisse? Was möchte man daraus machen? Also ich kann nicht irgendetwas sagen: Okay, jetzt habe ich Daten. Jetzt will ich irgendwie so in den Kübel rein und dann nachher kommt etwas heraus, was ich gar nicht erwartet habe. Also ich muss immer die Fragestellung definieren und sagen: Was möchte ich eigentlich haben? Was ist der Outcome? Das Gleiche ist auch, wenn es darum geht, ja, wie möchte ich denn die Technologie auch nutzen? Das heisst, ich muss ja irgendeinen Use Case haben, wo ich sage: Okay, das ist so Customer Journey oder das ist so die Operation Journey. Wie auch immer. Also einfach basierend darauf. Und dann die entsprechenden Eckwerte sehen. Okay, wo kann Technologie helfen und wo kann Technologie nicht helfen? Weil nicht überall kann man sie einsetzen. Also das ist auch noch so ein Thema. #00:04:53-0#

I: Okay. Gut. Danke! Dann interessieren mich ja KI-Anwendungen im strategischen Einkauf, Supply Chain. Könntest du da einen groben Überblick geben, was du für Anwendungsmöglichkeiten kennst? #00:05:09-4#

B: Also da gibt es verschiedenste. Also da gibt es das Thema Workforce und Transformation. Das heisst also wirklich, was braucht es da? Also das geht auch so in den Bereich Planung und Optimization und Workforce-Transformation. Das heisst, die humane Workforce, im Sinne von Planung, wann brauche ich wie viele Leute, zu welchem Zeitpunkt? Und Workforce Transformation: Was kann automatisiert werden, was eben ein Roboter dann übernimmt, für repetitive Tasks zum Beispiel. Dann das Thema Supply Chain so im Sinne von Trust. Und da ist so Trust einerseits so ein bisschen Brand Engagement. Also was fördert ein Brand für/ Also respektive Nachhaltigkeit. Sorry! Ich muss immer das Wort dann nachher vom Deutschen ins Englisch.

Nachhaltigkeit, eben die ganze Sustainability-Geschichte, also das. Ist es mehr Brand Engagement, also Marketing oder ist es mehr so ein bisschen etwas, was man End to End tracken will.

Und das andere ist die Visibilität, also eigentlich nachher Transparenz zu schaffen.

Das ist mal das eine. Ja. Und da sehe ich dann vor allem so ein bisschen, so AI-driven so spezifische Elemente, die man entsprechend dann eben, sei es mit Planung, sei es damit, richtige Sachen zu automatisieren et cetera. Also das sind für mich so ein bisschen die Hauptbereiche. Also Planung, Optimization, Workforce-Transformation und dann haben wir so ein bisschen eben Supply-Chain-Trust, so Sustainability und die ganze Logistik und Distribution. Also das sind so die Sachen, die ich so ein bisschen sehen. Die man mit der Technologie, ob es jetzt AI ist oder nicht, ob es ein Workflow ist, der etwas definiert oder ein Task Engine. Eben, wie gesagt, es muss nicht unbedingt AI sein. Es kann etwas sein, das entsprechend optimiert wird. #00:07:15-7#

I: Wenn du jetzt von der Logistik-Distribution redest, dann redest du dort von der Optimierung dieser Routen oder was muss ich darunter genau verstehen? #00:07:28-3#

B: Track and Trace ist ein Thema. Warehouse-Management, Transportation-Management, Robotics. Zum Beispiel moderne Devices, die entsprechend das Ganze automatisieren, sprich Packages-Elemente oder wie auch immer. Also wirklich so smart Logistics sehe ich da eigentlich dahinter. #00:07:52-1#

I: Smart Logistics. #00:07:54-0#

B: Da können auch Komponenten von IoT sein, die da hereinstiegen. IoT ist auch Technologie, aber schlussendlich ist es ein Datenlieferant. Ich kontrolliere mit Sensoren, ich generiere Daten. #00:08:07-3#

I: Und das würdest du dann auch wieder für die Visibility einsetzen, oder? Wenn ich dich jetzt dort/ #00:08:12-7#

B: Ja, also das ist

genau eben das ganze Visibility, so etwa die Themen, so Real-Time-Monitoring, das ist mal so etwa das.

Aber auch Risk Analysis. Also so ein bisschen Prescriptive Recommendation. Also wirklich das, eine, basierend auf dieser Situation, Vorgabe zu geben, also respektive Recommendations.

Also wo ich sage okay/ #00:08:40-2#

I: Empfehlungen, ja. #00:08:41-3#

B: Empfehlungen, genau. Gewisse Empfehlung daraus heraus ableiten zu können. Wenn es heisst, was ist jetzt auf Basis dieser Werte? Also ich muss ja zuerst einen Wert haben. Und wenn man nach vorne denkt die Analytics-Kurve, ob dir das ein Begriff ist? Die Analytics-Kurve ist so ein bisschen BI und dann Advanced Analytics. Wenn ich es wieder zurück katapultiere auf die Wettervorhersage, dass man sagt: Das sind die Wetterdaten vom Juli. Und Juli vor einem Jahr haben wir das gehabt von den Temperaturen her. Sprich: Okay, wie ist die Abweichung? Und das Gleiche da bei diesen ganzen Themen mit BI und Analytics und AI.

Also das heisst, ich muss ja irgendwie Erkenntnisse haben. Das heisst, für zum Beispiel Visibility, End-to-End-Visibility, Real-Time-Monitoring oder eben Prescriptive Recommendation, um eine Empfehlung machen zu können, muss ich eine gewisse Erfahrung haben. Ich kann nicht eine Empfehlung machen, wenn ich keine Erfahrung gehabt habe.

Sprich eben auch da braucht ich irgendwelche Datenpunkte. Das heisst beispielsweise jetzt von diesem Element, wenn die Temperatur plus 15 Prozent oder minus 15 Prozent abweicht, Alert. Wenn das Produkt so aussieht oder so aussieht (zeigt mit den Händen), Alert. Also eben, das sind die Sachen, wo ich sage, basierend auf den Erfahrungen und trainierten Abläufen, soll das dann generiert werden. Und erst dann kann ich entsprechend auch Risk Analysis machen, basierend auch auf den Erfahrungen. #00:10:17-1#

I: (…) Wenn du jetzt so ein bisschen eine Glaskugel hättest, wohin denkst du, geht der Trend im Bereich Supply Chain, Einkauf so? #00:10:31-6#

B: Also das geht im Bereich von Asset Management bis in die Planung herein, dass sich das voll automatisiert. #00:10:39-9#

I: Also autonom dann oder was meinst du? #00:10:43-0#

B: Autonom im Sinne von Planungsinstrumenten. Sprich es hilft mir schon bereits eine gewisse Planung zu definieren. #00:10:55-1#

I: Kennst du auch Einsatzmöglichkeiten vom Einkauf? Eben, du hast Planung stark angesprochen. Da gehe ich mal davon aus, da redest du vor allem auch vom Forecasting her, oder? Kennst du auch Anwendungen im Einkauf? #00:11:11-9#

B: Eher weniger, weil der Einkauf ist ja aus meiner Sicht immer noch traditionell unterwegs. #00:11:17-3#

I: Okay. Inwiefern? (lacht) #00:11:20-3#

B: Ja, follow the Process. Also die können nur auf Basis von Demand-Forecasting entsprechend die Sachen nachher dann tätigen. Oder eben basierend darauf, was ihnen irgendjemand sagt führen sie dann aus. Für mich ist der Einkauf mehr so ein legales Entity, die entsprechend sicherstellt, dass die Sachen gemäss den Normen und Vorgaben beschafft werden. #00:11:46-4#

I: Dann ordnest du eher den operativen Einkauf dort ein, also die Bestellabwicklung, was du jetzt gerade/ Es gibt ja noch einen anderen Teil, das kann man so strategischen Einkaufen nennen oder kann das auch Supply-Chain-Funktion nennen. Die würden sich ja mehr mit der langfristigen Planung von Verträgen, Partnerschaften ausarbeiten, neue Quellen suchen, solche Geschichten beschäftigen. #00:12:19-6#

B: Das ist aber mehr aus einer strategischen Sicht. Das ist für mich in der ganzen Kette drin, wenn es dann nachher die technologische oder wie auch immer/ Klar, ist das Bestandteil. Das ist dann nachher, sagen wir so das St. Galler, nicht das Bratwurst-Modell, das St. Galler Management-Modell. #00:12:37-9#

I: Ja, okay. (lacht) #00:12:38-8#

B: Das sagt, es gibt die normative Ebene, die strategische und die operative. Und da reden wir an und für sich von der strategischen Ebene, die wir dahaben. #00:12:47-5#

I: Korrekt, ja. Einfach dass wir vom Gleichen reden. Weil ich weiss, dass die Begrifflichkeiten zum Teil anders verwendet werden. #00:12:53-6#

B: Absolut. #00:12:54-7#

I: Also mir geht es um die strategische Ebene jetzt. Ich bin nicht in der/ Gut. Aber das mit der Automatisierung. Du hattest eben gesagt, vor allem Automatisierung ist ein Thema in die Zukunft hinaus? #00:13:08-9#

B: Genau. Also eben, wenn man so die Themen, die wir gesagt haben mit Risk Analysis, Demand-Forecasting, predictive Monitoring, Inventory Optimization oder eben wie auch immer, Planning Optimization. All die Sachen sind dann Wertelemente, die an und für sich gesammelt werden. Und dann nachher aufgrund von eben Algorithmen von gewissen Modellen trainiert. Und die entsprechend an und für sich dann optimieren. Sprich, ich mache immer das Beispiel mit dieser ganzen Kurve. Es gibt kein gutes und kein schlechtes/ also es gibt nicht irgendwie nur einen Bereich, sondern wenn du zum Beispiel Ware hast in einem Shop drin, also das heisst ein Brot. Ein Brot in einem Tankstellen-Shop. Jetzt gibt es zwei Varianten.

Das heisst, du bist jetzt der Planungsverantwortliche von diesem Shop. Jetzt hast du zwei Wege. Der eine Weg ist, du bestellst weniger Brot, weil du Angst hast, dass du nachher Food Waste generieren musst. Also das heisst, du willst die Kurve von Food Waste reduzieren. Aber du machst auch weniger Umsatz. Oder du erhöhst beim Einkauf, entsprechend kaufst du mehr Brot ein, somit hast du mehr Potential auf Umsatz, aber ein grösseres Risiko für Food Waste, wenn du es nicht verkauft hast. Also das sind einfach die Sachen, wo du dann einfach sagst: Okay, egal was du planst, es gibt kein Gut und kein Schlecht.

Es geht in beide Richtungen irgendwie. Und das sind die Sachen, wo du nachher genau sagst: Okay, ich muss mir jetzt einfach dafür den Mittelweg suchen. Das heisst, dass ich die Kurve senke. Und das ist so ein Beispiel, was ich sehe, strategisch, aber da ist auch der Einkauf, also die Themen, wie die nachher ineinander hereinspielen. Egal, respektive aber auch der Treiber von einer Seite, wo ich sage: Okay, das ist jetzt irgendetwas, was jetzt für mich relevant ist. Und das ist jetzt auch wieder Brand Engagement, Visibility. Mich als Firma, darum Brand Engagement, was ist mir wichtiger? Einen guten Eindruck zu machen, dass ich weniger Food Waste mache (lacht) oder viel Umsatz? Was ist mir wichtiger? #00:15:42-2#

I: Ja, das ist ja oft eigentlich ein Zielkonflikt. Du willst ja eigentlich beide Ziele zu einem gewissen Grad erreichen, oder? #00:15:53-5#

B: Aber das kannst du oder ich, das können wir nicht beantworten. Die Person, die strategisch/ respektive die sagt: Das ist unsere Vision, das müssen wir machen, so. Häufig läuft es darauf hinaus, dass einfach die monetäre Variante siegt und über die hinten dran wird einfach eschwiegen. So ist, wie es funktioniert in der Realität, oder? #00:16:11-8#

I: (lacht) Gut. Dann würde ich mal rübergehen zu KI-Anwendungen zur Resilienz-Stärkung. Jetzt würde mich interessieren: Wie schätzt du die Wichtigkeit der Supply-Chain-Resilienz ein in Unternehmen? #00:16:29-0#

B: (…) Ich habe da so ein bisschen notiert für mich, ich habe dann da so ein bisschen/ Also financial Flow ist so ein bisschen ein Thema. Also weisst du, ich sehe da drei Kategorien, Information Flow und das andere ist der physical Flow sozusagen. Das sind die drei Sachen, die wir etwas haben. Also weil das eine, so ein bisschen das Finanzielle ist dann wirklich die Orchestrierung, die Integration in die Planung, Demand-Forecasting, also alles, was monetäre Auswirkungen hat. Der zweite Aspekt ist der Information Flow und das ist das sogenannte Track and Trace, wo ich an und für sich einfach die Informationen habe, wo ist was wann wie wo wann? Und dann der physical Flow sind wirklich dann die Checkpoints, also respektive die Sachen, die du physisch als Gesamtprodukt hast. Also jetzt angenommen wir Track and Trace, Planning, also der ganze Factory-Teil oder eben der ganze Warehousing-Teil. Also weisst du? Wo du dann auch Lager hast, die entsprechend so komplett autonom funktionieren. #00:17:46-1#

I: Also meine Frage zielt auf das ab, wie wichtig schätzt du das ein, dass die Unternehmen widerstandsfähige Lieferketten haben? #00:17:58-9#

B: (…) Ja eben, das sind für mich die drei Bereiche, die aus meiner Sicht berücksichtigt werden müssten. #00:18:09-7#

I: Berücksichtigt werden. Aber schätzt du das als wichtig ein? #00:18:13-7#

B: Das ist wichtig, ja. #00:18:16-5#

I: Und denkst du, das hat sich verändert, jetzt über die letzten paar Jahre angeschaut? #00:18:21-4#

B: (…) Was ich merke ist, entsprechend aus den Erfahrungen heraus mit dem

ganzen Impfstoff und allem Drum und Dran, ich glaube, dort mit dem ganzen Track und Trace und die Themen, das hat zugenommen.

(…) (In Grenzen?). #00:18:39-0#

I: Also du siehst mehr Kunden, die Interesse daran haben, oder? Richtig? #00:18:43-4#

B: Ja. Und auch die ganze Sustainability-Geschichte. #00:18:46-0#

I: Ja. Das kann ich mir vorstellen. #00:18:47-8#

B: Das ist für mich/ das ist der Treiber. #00:18:49-8#

I: Ja. Und eben, da schliesst nämlich meine Frage gerade an. Du bist schon ein bisschen auf die Einflussfaktoren im Grunde genommen eingegangen. Also was wären dann Einflussfaktoren, um die Widerstandsfähigkeit zu erhöhen? Eben, du hattest gesagt, es gibt finanzielle Flüsse, Informationsflüsse und physische Flüsse in einer Supply Chain drin, oder? #00:19:12-1#

B: Ja. #00:19:11-8#

I: Und was wären jetzt aus deiner Sicht Einflussfaktoren, um die Widerstandsfähigkeit zu stärken oder robuster zu machen? #00:19:22-7#

B: Also der Informations-Flow ist für mich ganz klar, weil ohne Informationen kann ich nicht links und nicht rechts. Also ich brauche die Informationen, ich brauche die Basis, ich brauche die Anhaltspunkte, ich brauche eine gemeinsame Sprache.

Weil ein Beispiel mit der Geschichte um/ das habe ich glaube ich das letzte Mal erzählt, mit der Novartis, mit der personalized Medication. Damit ich sicherstellen kann, dass das Blut, welche Werte und alles Drum und Dran und ich habe noch eine Drittfirma involviert, dass da entsprechend aber die die Werte schicken, wo ich verstehe, das passt herein, oder? Dass wenn sie sagen, das ist die Temperatur, dann ist das die Temperatur vom Blut und nicht die Temperatur der Aussenseite. Dass man so sagt: Okay, wenn die Datenpunkte, Datenwerte geliefert werden, dass wir da ein gemeinsames Verständnis haben. Das ist so ein bisschen das, wo ich finde, das ist wichtig. Und da ist ein Informationsfluss Key, weil das generiert auch die Basis für den ganzen financial Flow. Auf Basis von dem basiert ja das Ganze. Und für den physischen Teil ist klar, das basiert auch auf dem. Oder generiert den Informationsfluss, sagen wir es mal so. #00:20:33-9#

I: Wenn man das jetzt auf dieser Basis anschaust, du sagst eben, der Informationsfluss ist das Wichtigste. (…) Mich interessieren jetzt ja KI-Anwendungen im strategischen Bereich vom Einkauf oder der Supply Chain, um eben die Resilienz erhöhen zu können oder das Risiko zu minimieren. Dass man robuster wird gegen Störungen oder es gar nicht zu Störungen kommt. Das wäre eigentlich das Optimale. Kennst du konkrete Anwendungen für das? #00:21:11-0#

B: Also es gibt spezifische.

Also es gibt Maersk, das ist unser typisches Beispiel, das wir so haben.

Was haben wir noch? Wir haben einen Bereich noch mit den ganzen wo Kartoffelchips erstellt werden. Das ist mehrheitlich in den USA. Metallindustrie.

Und 3M so, die haben das ganze Labeling gemacht entsprechend, wo sie gewisse Komponenten/ also weisst du, den Kleber, den es da gibt mit diesen Klebstreifen. Die haben gewisse Komponenten definiert und sozusagen wie das Rezept. Und verschicken an und für sich die Bausätze. Und nachher können es eben andere Industrien dann nachher noch adaptieren. Aber nach den Vorgaben und sozusagen As-a-Service-Labeling. Und die liefern auch die ganzen Informationen über den ganzen Fluss. Und das sind so Sachen, wie sie entsprechend, ja, auch sich von gewissen Sachen, die sie immer gemacht haben, trennen, die auslagern, aber gleichwohl das Patent und die IP draufhaben, weil das ist immer so ein bisschen die Problematik bei diesen Themen. Aber so auch die Kontrolle haben über Qualitätsaspekte, -siegel. Sprich ja, so sieht das aus. #00:22:33-0#

I: Ich glaube, ich habe es noch nicht ganz verstanden. Du musst mir das nochmal schnell mit diesen Klebern nochmal erklären. Also ich habe verstanden, sie haben die Traceability über die ganze Kette. #00:22:42-3#

B: Genau. #00:22:43-5#

I: Und was hilft ihnen da, um das Risiko zu minimieren oder sich widerstandsfähiger zu machen? Das habe ich noch nicht ganz/ #00:22:52-1#

B: Das heisst, sie haben gewisse Komponenten, die sie als Aufwendung zum Beispiel betrachten im ganzen Prozess drin, also im Flow, haben sie zum Beispiel ausgelagert. Aber um nicht komplett darauf zu verzichten, haben sie sozusagen so das Labeling as a Service gemacht. Das heisst, wenn ich mich richtig erinnere, ist zum Beispiel das Aufrollen. Du machst die Klebstreifen, weisst du, die Kleber, die du dann hast, so. Das Aufrollen auf dieser Klebrolle, das wird sozusagen dann plus den Klebstreifen zu erstellen. Das heisst, sie nutzen ihre Dings für die Labore, paketieren das nachher fertig, wie das aussehen muss, wie es aber auch schon verpackt werden muss. Lassen das dann produzieren. Oder einen Teil nachher wieder dorthin. Also das heisst, zum Beispiel die Verpackung machen nicht mehr sie, sondern sie geben das fertige Dings herüber und die machen nachher das ganze Drum und Dran und die Labels. Haben aber auch die Möglichkeit, wenn sie das machen wollen, ihre eigenen Klebstreifen zu machen. Aber basierend auf ihrem Rezept. So. Und geben das so weiter.

Aber die Traceability ist klar, auch wenn sie das nicht vertreiben, sie wissen, wann was vertrieben worden ist. Und die verschiedensten Stellen sind involviert in dieser Kette.

Das heisst, sie reden alle die gleiche Sprache. Das heisst, sie liefern auch die Daten zurück. Und somit haben sie dann die Visibility.

#00:24:22-6#

I: Also sie haben eigentlich die Kontrolle im Grunde genommen über den ganzen Datenfluss. #00:24:27-8#

B: Und die IP und das ist noch/ #00:24:30-4#

I: Und die IP. #00:24:30-4#

B: Und das ist noch wichtig. Und die IP ist immer noch bei ihnen. #00:24:32-8#

I: Ja. Und das machen sie alles dann KI-basiert oder wie läuft das? #00:24:39-8#

B: Nur mehr für gewisse Produkte. Das heisst, sie haben zum Beispiel, wenn die Rolle in dem Plastikgehäuse drin ist, wo wir ja jedes Mal hoffen, dass das Teil am Schluss dann drüber gehen kann, oder, teilweise geht es immer so ein bisschen eine Ewigkeit. Damit das nachher sauber läuft, übergeben sie nachher mit Fotos, wo sie trainiert haben bei ihnen im Werk, übergeben das Modell und das Modell prüft das dann, ob das richtig gemacht wird

und wird nachher ausgesondert oder nicht. #00:25:10-8#

I: Ja. Also die Qualitätskontrolle könnte eben das machen dann. #00:25:13-7#

B: Genau, ja. #00:25:14-7#

I: Okay. Dann hast du von Kartoffelchips geredet. Das sagt mir jetzt irgendwie auch nichts. #00:25:22-9#

B: (…) Was ist das gewesen? Das ist so ein bisschen, ja, Qualität und Produktion, respektive zu maximieren. Das ist rein nur das. Also der Prozess, wann das reinkommt und wann das bearbeitet wird. Das sind die, die eben Snacks machen vor allem in den USA. Und hauptsächlich jetzt aber auch da, ich hatte das nicht gewusst, dass eben das Scheibeln dieser Kartoffel, dass das an und für sich eine grosse Herausforderung ist

. #00:25:58-1#

I: Okay. #00:25:58-6#

B: Ja. #00:25:59-0#

I: Und sie setzen dann KI ein, um die Qualität dieser Chips zu kontrollieren, dass die immer gleich sind, oder? #00:26:09-6#

B: Genau. Ich glaube, die sind sogar Zulieferer von diesen Pringles. Von diesen Pringles, die du schon gesehen hast. Die sind dann wirklich so (zeigt). #00:26:19-6#

I: Und Maersk ist klar, da geht es um Visibility in der Transportkette drin, oder? #00:26:29-3#

B: Genau. Richtig, ja. #00:26:30-9#

I: Kannst du vielleicht dort noch schnell zwei, drei Worte dazu sagen, was daran speziell ist? #00:26:36-1#

B: Das ist rein nur für

das Track and Trace und für die Verzollungs-Automatisierung. (…) Weil der gesamte Inhalt und alles Drum und Dran wird aufgrund von QR-Codes hinterlegt. Das heisst, die QR-Codes werden produziert und somit erkenntlich gemacht, was entsprechend das dann auf eine Datenbank liefert, wo nachher dann der Zöllner nur mehr draufgehen kann

und sieht wie, wo, was. #00:27:06-0#

I: Genau. Wir haben in unserem Vorgespräch ja auch ein bisschen über so Informations-Management und Risikoüberwachung, Frühwarnsysteme und solche Sachen hatten wir geredet. Kannst du vielleicht dort noch ein bisschen was dazu sagen? #00:27:26-1#

B: Also ja, da gibt es natürlich verschiedenste Aspekte. Also an und für sich, ja, ich glaube, bei

gewissen Bereichen also Sensorik, also respektive wenn Sensoren sind, die entsprechend, wie vorher gehabt haben, also beispielsweise Schwellenwerte definieren, die dann quasi etwas auslösen. Oder eben auch gewisse Konstellationen an Finanzdaten oder Produktionsdaten, die sagen: Hey, es zeigt basierend auf dem letzten Monat, dass irgendwie die Produktion gerade heruntergeht. Was sind die Problematiken ganz genau? Aber das sind dann auch wieder Modelle, die dahinterstecken, die das dann nachher auslösen. #00:28:07-2#

I: Und da bekommt nachher der Kunde dann einfach eine Information? #00:28:15-5#

B: Ja. Aber das kann er dann Spezifikation zum Beispiel, wenn das passiert so. Also wie der Rauchmelder. Also wenn sich Rauch bildet, dass dann der Rauchmelder auch losgeht, eben so Themen. #00:28:27-3#

I: (…) Genau. Und du hattest dort auch noch etwas erwähnt, dass Social Media jetzt ja auch oft angezapft wird, gell? #00:28:39-7#

B: Genau.

Das ist Früherkennung jetzt entsprechend Nutzung anderer Quellen. Also sprich Stellwerksstörungen ist ein Beispiel gewesen mit der SBB

. #00:28:48-7#

I: Ja, genau. #00:28:49-6#

B: Dass Leute vorher schon anfangen zu motzen, wenn der Zug, das gibt es ja nur in der Schweiz, in Deutschland spielt es keine Rolle, zehn, fünfzehn Minuten ist noch nichts. Ja eben, dass so Sachen passieren, dass dann entsprechend eben dann eine Notifikation ausgelöst wird. #00:29:06-1#

I: Und kennst du da irgendwelche konkreten Anwendungen, wo das benutzt wird von Firmen für irgendwie Frühwarnsysteme? #00:29:15-0#

B: Ja. Also jetzt im Social-Media-Bereich nicht. Das ist noch ein Experiment gewesen.

Andere benutzen das vor allem im politischen Umfeld, um zu schauen, was ist die Tendenz.

Ja. Aber sonst ist irgendwie so/ Ja, was gibt es noch? Ich bin jetzt gerade am Überlegen. (…) Ja, bei der Verarbeitung von Korn.

Also zum Beispiel die Bühler Group, die dann entsprechende Maschinen hat für die Kornverarbeitung, oder? Wo nachher dann produziert wird für Pasta et cetera und dann weiterverarbeitet wird. Also so Sachen, das sind Sachen, die dann eben automatisiert werden für die Bilderkennung für das Körnchen, Verarbeitung. Und wenn das nicht richtig aussieht, dass entsprechend eine Notifikation dann entsteht. Aber eben, entweder ist ein Sensor oder ist cognitive Services, die das dann analysieren und eine Notifikation auslöst. Und dann kann man dann Workflows oder eben sogenannte Schwellenwerte definieren.

Was gibt es dort für Möglichkeiten. #00:30:23-4#

I: (…) Dann hatten wir ja von dieser End-to-End-Visibility geredet, oder? Was denkst du, was ist denn dort der Vorteil, wenn man das jetzt für eine Resilienz-Erhöhung einsetzen würde? #00:30:42-0#

B: Demand-Forecasting on Inventory Optimierungen, das sind so für mich die zwei Treiber. #00:30:49-1#

I: Okay. #00:30:51-7#

B: (…) Weil ja, aufgrund dessen habe ich viele, viele Möglichkeiten. Also ja, habe ich natürlich eigentlich eine gute Grundlage, um nachher auch weitere Aussagen treffen zu können. #00:31:07-6#

I: Und du hast ja das Thema mit dem Informationsaustausch auch angesprochen, dass das eigentlich das A und O für dich ist. Kennst du Firmen, die sich schon ganz vernetzt haben in ihrer Lieferkette bis ganz zurück zu ihren Vorlieferanten? Und die Informationen dann auch nutzen. #00:31:32-1#

B: Ja, im Bereich Getränke, also ein Getränkehersteller macht das. Zum Beispiel Diageo heisst das.

Das sagt dir wahrscheinlich nichts. #00:31:45-1#

I: Nein, sagt mir nichts, nein. #00:31:46-7#

B: Wenn ich dir Guinness sage und Jim Beam. Das sind die, die das vertreiben. Und die haben auch mit der Herstellung und alles Drum und Dran, das gehört alles zu dieser Kette. Also das Gleiche wie Heineken bei uns, denen alles gehört hast. Ist Diageo etwa ähnlich. Also vor allem jetzt im Getränkehandel ist das bekannt, dass sie das machen. Aber das wird auch gemacht aus Qualitätsgründen, vor allem jetzt bei diesen Themen. Also ist das auch zehn Jahre in dem Fass drin gereift worden, wie auch immer. Also das hat mit der Produktthematik zu tun, ja. #00:32:23-6#

I: Und die sind dann alle auf dem gleichen Standard oder wie können die dann ihre Informationen austauschen oder wie funktioniert das genau? #00:32:33-2#

B: Also an und für sich gibt es zwei Wege.

Das eine ist, man engagiert sich im Sinne von, man nennt das Smart Contract.

Smart Contract ist an und für sich eine Art/ eigentlich der Use Case, der eigentlich auch im Blockchain-Umfeld ist. #00:32:48-3#

I: Korrekt, ja. #00:32:49-5#

B: Oder es gibt die andere Variante, wo es heisst: Okay, man kann die Unabhängigkeit haben, wo man ein Part ist von dem Konsortium und sozusagen in einer grossen Kollaboration mitmacht. Und wir nennen das Common-Data-Modell oder Industry-Data-Modell. Ja? #00:33:08-3#

I: Also da wärst du dann auf so einer Plattform, wo alle auf der gleichen Plattform sind, wenn ich das richtig/ #00:33:11-9#

B: Nein, eben nicht. #00:33:12-6#

I: Nicht? Eben nicht? Okay. Falsch verstanden. #00:33:14-7#

B: Das ist jetzt eben der Punkt, oder? Die Zeiten sind vorbei, weil das will niemand. Weil, man ist auf einer Plattform. Jetzt musst du dir das so vorstellen, Sandra, also irgendeiner muss die Plattform ja zahlen. #00:33:26-7#

I: Genau. #00:33:27-2#

B: Oder die Verantwortung haben. Jetzt hast du aber Leute, die unabhängig dabei sind. Wie willst du das machen? Das geht rein organisatorisch nicht. Da müsstest du wieder eine separate Legal Entity bilden, die das verwaltet und dann wieder Cross-Charging machen. Vergiss das! Das geht nicht. Also man hat es versucht, es so zu machen. Es gibt solche, die das so machen wollen. Aber das passt nicht.

Sprich, was man dann macht ist, man einigt sich alle drum herum mit einem gemeinsamen Standard für Datenpunkte. Zum Beispiel Master Data Management, oder? Und das nennt man eben Common-Data-Modell. Common-Data-Modell ist, wenn ich sage, es ist ID Kunde, dann ist auch ID Kunde und dort kommt auch keine Telefonnummer rein, sondern der Name vom Kunden.

You know what I mean? Also wie wenn du ein Riesen-Excel hast mit den Spalten. Du definierst eigentlich, wie die Spalten heissen, gemeinsam. Und dann teilst du es auf. Und dann musst du dir vorstellen, krass, kommen nachher alle rein. Aber es wird nachher dann das ausgetauscht. Und das läuft über einen sogenannten Smart Contract. Es hält, weil man sicherstellt, dass an und für sich jeder die gleiche Sprache spricht, aber auch die gleiche Qualität aufbaut. Und somit werden die Daten herumgeschickt, ohne dass man die Struktur verliert. Das nennt man Common-Data-Modell, eigentlich. #00:35:02-1#

I: Okay. Und du hattest gesagt, das läuft als Smart Contract, dann wäre es auf der Blockchain im Grunde genommen, oder? #00:35:08-6#

B: Kann oder muss nicht. Es kann oder (unv., Überschneidung). #00:35:10-2#

I: Muss nicht? Okay. #00:35:11-0#

B: Es muss nicht. #00:35:13-6#

I: Das wäre auch auf AI möglich oder was denn? #00:35:16-3#

B: Nein, das hat nichts mit AI zu tun. #00:35:18-0#

I: Eben, es hat gar nichts damit zu tun, gell? #00:35:19-8#

B: Nein. Nein, nein, nein. Das ist unabhängig. AI nimmt es daraus heraus, irgendwelche Modelle, die ich aus den Daten heraus generiere. Ich habe zum Beispiel IoT drin et cetera. So. Noch einmal, das ist eine Technologie, oder? Das ist jetzt eben genau das. Wieso ist Blockchain irgendwie nicht warm geworden? Weil man den Fehler gemacht hat, man ist mit der Technologie reingegangen und hat vergessen, den Use Case zu erklären. (lacht) Und darum hat es niemand mehr gewollt. Auch im Gegensatz, dass dort wirklich das Potential ist. Wir reden da nicht von Bitcoin, wir reden da von Smart Contracts. Sprich, es geht ins Gleiche herein wie mit dem Common-Data-Modell, nur ist es bei Blockchain so, man ist Teil dieser Kette und shared einen Teil seiner Datenbank. Aber die müssen alle das Gleiche haben. Beim Common-Data-Modell heisst es, ich kann im Hintergrund haben was ich will für eine Datenbank, es ist ein Layer, wo man definiert, wie die Sprache heisst. Das ist ein bisschen der Unterschied. (…) Das ist ein bisschen schwierig zu erklären, aber ja. Und das gibt es, für jede Industrie ein separates Common-Date-Modell. Sprich, für die Retail-Industrie gibt es eins, es gibt eins für den Manufacturing-Bereich, dann gibt es eins im Finance-Bereich. Weil unterschiedliche Sprachen. #00:36:32-8#

I: Und die sind schon definiert, die Common-Data-Modells, sagst du? #00:36:37-9#

B: Die sind definiert, ja, bis zu einem gewissen Grad, weil sie einen gewissen Standard mitnehmen, also Qualitätsstandard. Ja. #00:36:47-6#

I: Okay. Ist gut. Wie schätzt du das ein, könnte man KI einsetzen, um Lieferanten zu suchen? #00:36:58-9#

B: (…) Sehe ich nicht den Mehrwert, ob KI wirklich in der Lieferantensuche etwas bringt. Nein, eigentlich nicht. Wenn ich etwas suchen muss? Also ich kann höchstens vielleicht so eine Automatisierung irgendwie basierend auf irgendwelchen Elementen, Komponenten, Kriterien oder Stückzahlen oder was auch immer, wo ich sage, da müsste jetzt eine Veredelung stattfinden, dass das vorgeschlagen wird, basierend auf dieser Liefersituation oder Produktqualität oder nicht fertigem Produkt werden die und die Lieferanten vorgeschlagen. So. #00:37:41-3#

I: Genau. #00:37:42-7#

B: Aber das muss entsprechend auch hinterlegt sein. Und generiert werden. Wenn nicht, dann ist es einfach nur ein Traum. Eben, es gibt nicht die Dings, die das dann automatisch macht. #00:37:56-5#

I: Also automatisch natürlich nicht, aber dass es dir irgendwie Vorschläge ausspuckt. Ich habe die und die Anforderungen und dann nachher spuckt er irgendwie Informationen aus, dann würde das und das passen. #00:38:10-1#

B: Genau. Aber auch da, das sind wieder die Themen, ja, wo macht es Sinn? Also man muss auch wie einen Search-Index dann gebildet haben, wo ich sagen/ Oder ich muss die auch klassifiziert haben oder ich muss da definieren: Ja okay, jetzt sagst du mir, ja eben, jetzt fehlen dort noch die Füsse bei dem Tisch. Wer könnte jetzt die Füsse von dem Tisch? Die Tischplatte habe ich jetzt gemacht, aber jetzt fehlen noch die Füsse und erst dann habe ich ein fertiges Produkt. Gut. Also wenn Tischplatte ohne Füsse, dann Vorhabe, Empfehlung. Und dann muss dann auch die Empfehlung hinterlegt sein. Also irgendjemand muss ja das mal trainiert haben, sonst bringt das gar nichts. #00:38:54-5#

I: Okay. (…) Gut. Jetzt haben wir da ein bisschen über unterschiedliche Anwendungen geredet. Hast du Ideen für potentielle Anwendungen, wenn wir jetzt ein bisschen in die Zukunft denken? #00:39:12-3#

B: (…) Ich sehe an und für sich, also respektive teilweise auch Konsolidierung, dass entsprechend auch Vorschläge gemacht werden nicht nur in der Thematik von eben wo finde ich Lieferanten heraus, sondern vielleicht auch in der Prozessoptimierung. Also das ist für mich/ Wo findet man Engpässe und wo findet man Optimierungspotential? Dass dort eigentlich ein System auch lernt und Vorschläge erarbeitet, sagen wir es mal so, basierend auf, ja, gewissen Werten, die es gesammelt hat über eine Zeit.

#00:39:49-6#

I: (…) Jetzt haben wir ja über die Anwendungen geredet, eben 3M mit dem Outsourcing Qualitätskontrolle, was natürlich auch das Risiko ein bisschen managt. Wir hatten über Frühwarnung geredet. Man könnte es für politische Sachen, Demand und Forecasting, Inventory/ Was würdest jetzt du oder was schätzt du mit dem höchsten Potential ein? Was ist aus deiner Sicht das, was am meisten bringt? #00:40:22-3#

B: Was am meisten bringt ist Kostenreduktion, das ist das. Also Optimierung der bestehenden Prozesse. Also das heisst, schneller zu weniger Aufwand. #00:40:39-0#

I: Nein. Also mir geht es ja/ ich bin ja immer noch mit der Risiko-Brille an und die Widerstandsfähigkeit zu erhöhen. Also die Kosten können schon auch ein Risiko sein, aber es geht eigentlich vor allem ja darum, das Risiko für das Unternehmen möglich klein halten zu können und die Resilienz stärken zu können. #00:40:59-5#

B: Ja, ja. Aber Treiber sind einfach immer die Kosten, nach wie vor. Also das ist einfach die Wahrnehmung, die ich habe von den Leuten. Mit Resilienz, ja ist gut, so fängt das Thema an. Aber es endet dann immer wieder in Kostenoptimierung. Weil, irgendwie muss sich ein Business Case rechnen. #00:41:18-5#

I: Klar. Der Business Case ist ja, wenn ich den Ausfall hätte, wäre das vermutlich teurer, als wenn ich das investiere. Klar rechne ich es mit den Kosten nachher. Wenn du das jetzt durch diese Brille anschaust, du müsstest jetzt als Verantwortlicher entscheiden, was für eine Technologie oder was für eine Anwendung setze ich für mich ein, um die Resilienz erhöhen zu können? Was würdest du sagen, was hat am meisten Potential aus deiner Sicht? #00:41:48-0#

B: Ich glaube

IoT enabled das Risk Management und Risk Mitigation so ein bisschen, dass IoT eingesetzt wird in diesen Themen

. #00:42:00-3#

I: Das musst du mir jetzt auch noch schnell erklären. Darüber haben wir gar nicht so wirklich geredet. #00:42:05-6#

B: Ja, also Internet of Things, also respektive Temperatursensoren, Elemente, also einfach die Datenquellen. Also respektive so ein bisschen der Mix vom Physischen ins Digitale herein. Ich glaube, dort gibt es gewisse Sachen, die noch optimiert werden könnten, weil das ist der Treiber dann am Schluss. #00:42:25-5#

I: (…) Kannst du noch ein bisschen spezifischer werden? Also du hattest gesagt, das könnten wir also optimieren. Was willst du denn mit dem? Also dass du Risiko reduzieren kannst, oder? #00:42:37-7#

B: Ja, also respektive in der Produktion oder in der Lieferkette oder generell. Also es gibt verschiedenste Anwendungen. Also ich sehe Internet of Things, sagen wir es mal so, weil das an und für sich etwas ist, was noch zu wenig eingesetzt wird generell in der ganzen Supply Chain jetzt overall, also glaube ich. #00:43:00-5#

I: Okay. Dann, siehst du irgendwelche Hürden, wenn man jetzt so eine Anwendung einführen will? #00:43:09-6#

B: (…) Ja, kommt drauf an, was für ein Bereich, auch da wieder. Weil es ist mit einer Regulatorien-Geschichte, also respektive was sind denn so Regulatorien oder was sind so ein bisschen auch Datenschutz- oder wirklich Nachvollziehbarkeits-Themen? Aber auch, ja, ich glaube vielleicht das. Aber sonst gross sehe ich eigentlich nichts. Also ich sehe eigentlich nur die Wahrscheinlichkeit über das Verständnis. Ich glaube, dass man es so ein bisschen End to End sieht. Das sehe ich teilweise so ein bisschen. Weil, man schaut manchmal nur einen Bereich an, anstatt #00:43:52-2#

I: Das Ganze. #00:43:53-4#

B: das Gesamtbild. Das ist das, was ich als Risiko sehe. #00:43:57-4#

I: Aber du hattest auch ein bisschen über Datenqualität geredet. Also du bräuchtest auch Daten, um die Systeme trainieren zu können, oder? #00:44:05-1#

B: Genau, ja Daten. No Data, no AI, also das ist so, ja. #00:44:09-3#

I: Also das wäre ja vermutlich auch eine Hürde. Also ich muss zuerst einmal die Daten in irgendeiner Form verfügbar haben. #00:44:14-9#

B: Das ist ja genau der Grund wieso IoT. IoT hatten wir ja geredet vorher, das ist ja sozusagen der Datenlieferant eigentlich. Das geht ja so. #00:44:23-6#

I: Aber es nützt dir ja vermutlich auch noch nichts, wenn du die irgendwie in einer völlig unstrukturierten Form hast, wo du sie nicht brauchen kannst oder schätze ich das jetzt falsch ein? #00:44:31-9#

B: Ja. Weil mit IoT-Daten hast du an und für sich/ respektive du hast eine Struktur drin. Es ist eine Temperatur, es ist eine Erschütterung, es ist ein Standort, also ganz klare Themen. Von semistrukturierten/ Es sind eigentlich unstrukturierte, aber ich sage immer semistrukturierten reden wir, wenn es um Dokumente geht. Also weisst du, die völlig viel Content drin haben. Aber die haben zum Beispiel, das Einzige, was strukturiert ist, ist, du weisst, es ist ein pdf, ein Word, ein PowerPoint, du hast eine Filesize, Grösse, du hast irgendwie das Datum auch dort, wann es das letzte Mal bearbeitet wurde. So. Das sind so kleine Elemente. Darum sage ich nicht unstrukturiert, sondern semistrukturiert, sagen wir so. Ein gewisser Teil ist da, aber der Inhalt als solches ist Wirrwarr. #00:45:19-5#

I: Okay. Und wie schätzt denn du das Thema AI, du arbeitest ja jetzt auch viel mit Kunden, so den Widerstand in den Unternehmen für so etwas ein? #00:45:30-0#

B: Das ist hauptsächlich in der IT. #00:45:32-4#

I: In der IT selber? #00:45:34-3#

B: Ja, der grösste Widerstand ist in der IT und nicht beim Business. #00:45:38-3#

I: Ah ja! Haben dann die Leute nicht Angst, dass sie irgendwie quasi obsolet werden oder dass da einfach Widerstände da sind sonst? #00:45:48-2#

B: Also die IT ist an und für sich in der Angst, dass sie je länger desto mehr von Developing und Creating zu Run the Business mutiert werden, das heisst sie müssen sicherstellen, dass die Sachen laufen, that’s it. Für neue Sachen wird aber die IT gar nicht berücksichtigt. So. Was passiert? Das Business schaut extern. Jetzt gibt es zwei Varianten. Variante eins ist, man involviert die IT. Dann dauert ein Projekt vier Jahre, weil das muss reinpassen und alles Drum und Dran. Das ist der Klassiker. Das ist überall das Gleiche. Oder Variante B ist, ich mache einfach im Business. Ich habe das Geld, weil das Geld kommt vom Business. Ich habe das Geld und kaufe mir einfach irgendetwas. Und die heutige Zeit mit der sogenannten Software as a Service ermöglicht mir, rasch irgendwelche Lösungen schon zu haben. Das heisst, ich frage dann vielleicht die IT an: „Du, ich brauche einen Export von irgendwelchen Daten.“ Oder derjenige beim Business hat dann einen Knopf, wo er exportieren kann. Somit passiert es dann schon, die sogenannten Guerilla-Projekte, without Control. Und dann möchte man aber mehr Erkenntnisse machen. Und dann kommt man dann plötzlich wieder in die Realitätswelt herein, dass auch das Business nicht unabhängig irgendetwas machen kann. Und sagt, ich mache jetzt auch meine ERP-Systeme oder meine Produktionssysteme und dort habe ich Daten, die wichtig sind für mich und da. Ich muss es irgendwie zusammenbringen. Ja. Und dann geht es wieder zurück zur IT. Und dann fangen die Diskussionen wieder an. Aber man hat vielleicht ungefähr ein Jahr oder zwei verloren, weil man muss zuerst einmal die alte Lösung wieder abschaffen, die man aus Versehen gekauft hat, die Daten wieder zurückholen und so weiter und so fort. So. Das heisst, die Flexibilität. Und das Risiko ist never ever dort, es wird nicht irgendjemand replacen, es ist immer die Art und Weise, wie es Hand in Hand ineinander hereinläuft. Wenn ich gewisse Sachen automatisiere und jemand gehabt habe, der jedes Mal ein Excel erstellt aus diesen Daten und das macht jetzt noch einen Report jeden Montagmorgen, okay. Ja. Und sonst ist es nach wie vor eher noch klein und die Wahrscheinlichkeit noch sehr klein, dass das jetzt wirklich jemand ersetzt. Weil es braucht immer noch Domain-Expertise in der ganzen Geschichte, wo an und für sich die verschiedensten/ eben die Thematik versteht. Wieso ist das Schiff dort? Was ist denn, wieso dauert das so lange? Aus kulturellem Land drin, wo auch immer das ist. Und was hat das für einen qualitativen Impact? Und was sind unsere Kunden? Und wieso ist das in unserer Brand-Thematik? Wieso ist das wichtig, dass wir das gegen aussen so/ So. Und das ist jemand mit einer Domain-Expertise, das kann man nicht als Externer und nicht wir als Microsoft, wir bringen nur das Werkzeug her, machen. Darum ist das wichtig, je länger desto mehr, dass das ineinander herein spielt. Wo ich aber da noch mehr Chancen sehe ich Research und Higher Education. Wirklich Weiterbildung mit einzubeziehen. Und zwar wo bringen uns die Sachen denn weiter aus einer strategischen Sicht? Da wären wir wieder bei deinem Punkt zurück. Weil die fokussieren sich und die schauen das mit einer komplett anderen Brille an. Und dort sehe ich noch ein Potential, was man besser machen kann, im Sinne von Akademia zu involvieren und neue Erkenntnisse daraus zu generieren. Aber eben noch einmal, Domain-Expertise, Research und dann Technologie Second. (…) Also so erklärt. Ich hoffe, das hat so ein bisschen das Big Picture/ #00:49:26-2#

I: Spannend. Spannend, das jetzt mal so hören, dass die IT vor allem/ Man hört ja eigentlich immer sonst, dass der Nutzer selber vielleicht der sein könnte, der Mühe damit hat. #00:49:39-3#

B: Eher weniger. Also die IT. Also das Beispiel Oracle sagt dir etwas, oder? #00:49:47-9#

I: Ja. #00:49:48-3#

B: Oracle ist momentan, jedes zweite Unternehmen will Oracle draussen haben, so. Was passiert? Jetzt hast du vor 5, 10 Jahren die Hardcore-Oracle-Guys eingestellt in dieser Technologie. Jetzt migrieren wir die auf unsere neue Stack von Microsoft Synapse. Schön für uns. Freut uns. Jetzt hast du aber natürlich Widerstände. Das Projekt dauert ewig. Wieso? Du hast etwa zwanzig, dreissig Leute in einem Call von dieser Firma, die eben ja, dreissigmal Leute angestellt hat mit Oracle-Expertise, die jetzt von heute auf morgen eine neue Technologie lernen müssen. Jetzt haben sie die Möglichkeit, das zu machen, aber sie wissen ganz genau, dass gewisse Sachen automatisiert werden und dass es Oracle nicht mehr braucht. Somit auch dort wieder, du hast da ja sozusagen ein Klumpen-Risiko. Du hast dich auf etwas spezialisiert. So. Wiederum kannst du sagen, vielleicht hast du Glück und kannst woanders hingehen. Aber das ist so ein bisschen etwas. Und da sind wir wieder bei der IT. Im Gegensatz ist im Business die Domain-Expertise. Da wird mal die Technologie reingeholt, da wird einmal die Technologie geprüft, da wird das mal gemacht, dieses. Ja. Unterschiedlich. #00:50:56-3#

I: Okay. Gut. Wir kämen so langsam zum Schluss unseres Interviews. Hast du irgendwelche Punkte zu ergänzen oder gibt es noch Sachen, die ich aus deiner Sicht berücksichtigen sollte? Die ich noch gar nicht angesprochen habe. #00:51:15-1#

B: Ja, also eben wie gesagt, das Thema ist mit Compliance, Security mit Compliance, das ist noch so ein bisschen. Wo es eben Daten gibt und alles Drum und Dran, mit Connectivity und Mobilität sehe ich so ein bisschen Information Protection, also respektive nicht IP so, sondern Information Protection wirklich die Sicherheit der Daten. Das heisst, auch wenn es, ja, Produktionsdaten oder wie auch immer oder Geheimnisse von Firmen, wie auch immer, dass das sichergestellt ist. Und dass man dann weiss/ Also Information Protection geht nicht nur um den Schutz, sondern auch im administrativen, proaktiven Schutz. Sprich, Sandra Balsiger arbeitet nicht mehr in dieser Firma oder ist nicht mehr in dem Bereich tätig, wo sie vorher gewesen ist. Dort wo sie vorher gewesen ist, hat sie Zugang gebraucht auf die Informationen, jetzt nicht mehr. Dass ich das somit anpasse. Eben, dass man das auch immer wieder überprüft. Weil, das passiert häufig, dass Leute wechseln, hin und her und der Zugriff ist immer noch gewährleistet. Und das kann dann je nachdem, wenn eine Person dann zum Dings geht, einen Impact haben. #00:52:29-6#

I: Also das sagst du jetzt einfach generell, aber das hat jetzt nichts mit irgendwelchen KI-Anwendungen zu tun. Also es ist sicher ein Risiko, das verstehe ich absolut, dass man das Managen muss. Aber ich habe jetzt irgendwie die Brücke zu KI noch nicht ganz gesehen. #00:52:47-6#

B: Also KI, das sind die Daten, das sind schlussendlich die Daten und die Modelle, die dann nachher auch entstehen. Weil dadurch habe ich auch Zugriffe auf die Modelle. Und auch die Modelle sind wieder gemacht für die Firma XY. Und wenn das Modell, das da ist zum Optimieren, das kann auch genutzt werden, weil die Modelle sind teilweise eigentlich/ die nutzen dann zuerst einmal ein trainiertes Daten-Set und nachher richtige Daten. Und das ist das, wo das Modell dann sagt: Hey, das ist Key, aufgrund von dem Modell. Das ist wie ein Rezept. Aufgrund dieses Rezepts entsteht Coca-Cola. Aber niemand weiss, wie das Coca-Cola-Rezept ist. Und das Modell ist genau das Gleiche, das hat einen gewissen Schutz. #00:53:27-2#

I: Also und du sagst damit, man müsste einfach schauen, dass man das schützt, die Modelle und die Daten. Das ist grundsätzlich ein Thema natürlich. Ja. #00:53:36-7#

B: Genau. AI ist ein Umbrella, noch einmal, hinten dran verbirgt sich Machine Learning, also ein Modell. #00:53:41-0#

I: (…) Und wie könntest du denn das schützen? Du sagst jetzt, man müsste das schützen. Aber wie? #00:53:50-5#

B: Role based Access Control zum Beispiel. Nur in einer gewissen Rolle, dass die entsprechend Zugriff haben. Dass du sagst: Okay, man trainiert das Modell, aber man kann es nachher nicht mehr #00:54:00-1#

I: Verändern. #00:54:01-4#

B: anpassen, verändern. Man hat Zugriff nur auf Daten im Read-Mode. Man nutzt Single Source of True. Das heisst, man nutzt nur eine Version der Daten, die zur Verfügung gestellt wird. Hat keine Möglichkeiten, die Daten zu exportieren und nochmal eine Schatten-Buchhaltung zu machen. Das sind alles so die Kleinigkeiten, die in einem grossen Unternehmen entstehen. Es klingt zwar lächerlich, aber das hat einen massiven Impact dann am Schluss. #00:54:26-4#

I: Ja, ja. Nein, das ist natürlich ein berechtigter Punkt. Also Daten sind wertvoll und die muss man in dem Sinne auch schützen. #00:54:34-3#

B: Korrekt. #00:54:36-6#

I: Ja. Nein. Gut. Dann wäre ich eigentlich soweit durch. Ich würde mal das mal abstellen. #00:54:49-9#

Anhang 14: Transkription Interview G

Experteninterview Nr. G

Expert: Armin Schwichtenberg, SC-Experte (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 7.07.21

Dauer des Interviews: 53 min

Zur Identifikation der Aussage wird die Expertennummer (G) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Dann begrüsse ich Sie jetzt auch noch offiziell zu dem Gespräch und wie ich gesagt habe, würde ich gerne mit einer Einstiegsfrage starten: Wieviel Erfahrung bringen Sie in der Supply Chain mit? #00:00:18-8#

B: Ich habe Logistikkaufmann gelernt und Supply-Chain-Kaufmann gelernt. Und das war 1999. Also ich würde sagen, round about zwanzig Jahre, wenn man jetzt so die drei Jahre Studium abzieht. Ja, zwanzig Jahre. #00:00:35-4#

I: Zwanzig Jahre. Und Sie haben sich mit Transformationen in der Supply Chain beschäftigt, habe ich gesehen, oder? #00:00:42-3#

B: Genau. Unter anderem. Ich habe mich mit einer Vielzahl von Themen beschäftigt. Primär war es getrieben IT und Supply Chain als Fachthema. Aber mit der Zeit ist dann halt einfach auch jetzt dazu gekommen wie kann man Supply Chain als Wettbewerbsfaktor ausbauen, um sich vom Wettbewerb zum Beispiel entsprechend zu differenzieren. Und heutzutage ist es eben tatsächlich dieses Transformationsthema: Wie nehme ich die Menschen mit auf diese Reise vom Lager, von der Logistik, zur Supply Chain hin zu einem KI-Unternehmen im Grunde genommen? #00:01:17-5#

I: Ja. Und sind Sie eigentlich immer in beratenden Tätigkeiten gewesen? #00:01:23-6#

B: Nein. #00:01:24-0#

I: Nein, nicht? #00:01:26-0#

B: Nein. Also es ist eine bunte Reise, um ehrlich zu sein. (lacht) Erst war ich in der Industrie, war auch für Geberit dann eben entsprechend. Habe da die Ausbildung gemacht. War für die in Shanghai. Habe dann meine eigene Firma gegründet mit Schwerpunkt Supply-Chain-Consulting einerseits. Und andererseits war es eine hardwarenahe Programmierung von nativen iOS-Apps. Das war 2013/2014. Die gesamte Firma habe ich dann acht Jahre lang gehabt. Habe meine fünfzigprozentigen Anteile verkauft. Bin dann wieder zurück in die Industrie gegangen als Chief Restructuring Officer, mit Schwerpunkt Supply Chain in einem mittelständischen Unternehmen. Und von dort bin ich zurückgekommen in die Schweiz. Habe für KPNG als Partner, Director das Thema Strategy and Operations hier in der Schweiz dreieinhalb Jahre aufgebaut. Und jetzt bin ich von einer Beratung, von KPNG zur nächsten, nämlich die Staufen Inova. Und ja, da bin ich jetzt wieder in der Beratung. Also ungefähr ich würde sagen fifty-fifty von meiner Erfahrung ist Industry versus Beratung. Das ist auch das, was die Kunden einfach an meiner Arbeit schätzen. Ich kenne den Blickwinkel der Industrie eben auch und mache nicht nur Beratungsarbeit. Sondern ich weiss, was funktioniert in der Industrie und was nicht. #00:02:51-8#

I: Natürlich sicher sehr hilfreich, ja. #00:02:53-5#

B: Genau. #00:02:54-9#

I: Gut. Jetzt geht es mir ja zuerst um das Thema Supply-Chain-Resilienz. Aus Ihrer Erfahrung heraus, was für einen Stellenwert nimmt Supply-Chain-Resilienz in Unternehmen ein? Vor allem wenn Sie das jetzt vergleichen vielleicht zu fünf Jahren zurück. #00:03:18-3#

B: Ah, ich kann das sogar über einen längeren Zeitraum noch vergleichen. Und das ist im Grunde genommen eine Modeerscheinung, die alle Krisenjahre hochkommt. Das war 2008 genauso, Finanzkrise und auf einmal hat jeder von Supply-Chain-Resilienz gesprochen. Das ging dann auch bis 2011/2012. Und dann haben das alle vergessen. Und jetzt kam die Pandemie von Corona eben. Und auf einmal spricht wieder jeder von Supply-Chain-Resilienz und keiner oder wenige wissen wirklich, worum es substantiell geht. Und so wird es jetzt auch die nächsten zwei, drei Jahre sein. Im Moment ist es sicherlich hoch, das Thema, die Supply-Chain-Resilienz in Unternehmen. Und ich glaube, dass es auch dauerhaft mehr Akzeptanz finden wird oder auch ein Stückweit uns noch länger begleiten wird. Nicht mehr mit diesem Aufmerksamkeitsgrad wie jetzt eben, aber doch länger.

Weil die Supply-Chains eben auch umgebaut oder rückgebaut werden. Die werden sehr, sehr stark lokalisiert, ja? Auch wenn Unternehmen global ausgerichtet sind, es werden mehr und mehr lokale Supply Chains eben entsprechend gebaut. Und dieses gesamte Ökosystem, das muss natürlich wieder resilient gemacht werden.

Also aufgebaut werden und dann entsprechend wieder resilient gemacht werden. Aber im Grunde genommen ist es eine Modeerscheinung alle Krisenjahre, ja. #00:04:41-2#

I: Aber Sie sagen jetzt eben, es geht wieder mehr zurück auf lokale Supply Chain. Ist das der Pandemie geschuldet oder hat es eine andere Ursache, aus Ihrer Sicht? #00:04:52-8#

B: Also das hängt natürlich von der Branche auch ab. Also Pharma ist es tatsächlich sehr, sehr stark pandemiegetrieben. Beispiel, viele Pharmaunternehmen haben ja einen Wirkstoff ja gar nicht mehr in Europa produziert, sondern in Indien. Und da war eine Situation, wo die Inder gesagt haben: Ja, wir brauchen es eigentlich selber für unsere 1,3 Milliarden Menschen hier. Wir geben jetzt mal nicht so viel nach Europa hoch. Und das war also ein riesen Profit-, sage ich mal Verlustbringer für manche Big-Pharma-Unternehmen. Und das lassen die nicht mit sich machen.

Und da gibt es jetzt eben schon, sage ich mal Lokalisierungs-Aktivitäten. Also Pharma wird es sicher ganz, ganz stark sein.

Das ganze Consumer-Thema, also hauptsächlich Food und Ernährung, da merken wir auch eine ganz, ganz grosse Veränderung in der Supply Chain. Das sind nicht nur ESG auf der einen Seite. Woher kommt mein Kakao aus Afrika? Und ist das lückenlos, zum Beispiel?

Sondern dieses Thema Fleisch. Der Fleischskandal in Deutschland zum Beispiel bei der Firma [Organisation]. (beide lachen) Das hat eine riesige Veränderung in der Wahrnehmung erzeugt, sodass

letzte Woche ja Aldi und Lidel beide gemeinsam verkündet haben, dass das Thema Billigfleisch ab 2025 beendet ist. Und das sind Supply Chains, die massiv umgebaut werden und zwar von global, überregional hin zu ganz lokal.

#00:06:26-2#

I: Ja. Jetzt: Was sind aus Ihrer Erfahrung heraus Einflussfaktoren, die die Widerstandsfähigkeit einer Supply Chain erhöhen können? #00:06:41-0#

B: (…) Ja, das ist eigentlich tatsächlich (lachend) eines meiner Lieblingsthemen. (…) Wenn man es sich vor Augen hält, die meisten Unternehmen sind ja organisch gewachsen oder die meisten Unternehmen sind organisch plus durch M&A gewachsen. Und was sie da haben ist ein bunter Blumenstrauss von IT-Systemen, ein bunter Blumenstrauss von Kulturen, unterschiedlichste Ansätze, wie man Supply Chains segmentiert und orchestriert. Was ich selber da tatsächlich damals in 2009 gemacht habe für dieses mittelständische Unternehmen, wo ich verantwortlich war für die Restrukturierung der Supply Chain war, global ein Planungssystem einzuführen. Womit alle Mitarbeiter dann eben begonnen haben, eine selbe Informationsgrundlage zu haben. Und das war dann eben auch für die Mitarbeiter, sowohl für Verkauf als für Logistik extrem hilfreich zu sehen, wo sind denn welche Bestände von welchem Produkt? Und da sehen Sie auch relativ schnell, wenn ein Demand sich verändert. Das schlägt sofort am nächsten Tag einfach auf die Zahlen durch, wenn Sie das System global und einheitlich aufgestellt haben.

Und dazu gehört nicht nur die Software, dazu gehört vor allem der Change-Management-Prozess. Was ist es denn? Wovon sprechen wir? Haben wir dieselbe Materialnummer? Sprechen wir in welchem Kreis, mit welcher Person über welches Thema? Und das war eine anstrengende, aber sehr interessante dreijährige Reise. Und ich habe erst tatsächlich vor einem Jahr, also mehr oder weniger kurz nach Beginn der Pandemie oder nach Ausbruch der Pandemie eine E-Mail bekommen von dem jetzigen CEO dieses Unternehmens, der mir noch immer eine E-Mail geschrieben hat: „Vielen Dank Schwichtenberg Ohne Ihre Arbeit damals wäre unsere Firma sehr viel anfälliger für die Pandemie gewesen und wir hätten deutlich höhere Verluste in Kauf nehmen müssen für das Wirtschaftsjahr 2020.“ #00:08:58-8#

I: Sie hatten gesagt ein durchgängiges Planungssystem global. Ist das dann auch hin zum Lieferanten und zum Kunden oder einfach nur intern im Unternehmen? #00:09:10-2#

B: Primär war es tatsächlich intern zum Unternehmen.

Aber wir haben es auf einer Roadmap so aufgebaut, dass die A-Kunden als auch die A-Lieferanten sich in das System integriert haben. Und damals war das im Prinzip ein 70/30-Ansatz. Siebzig Prozent der Lieferanten waren dann in dem System mit integriert. Die haben sich dann auch ihre Bestände selber disponiert und zwar auf das zentrale Lager.

Und ähnlich war es mit den Kunden. Die haben Bestellabrufe gemacht oder VMIs entsprechend gemacht. Und da halt auch eben die entsprechenden A-Kunden. Ob es da noch weiter getrieben worden ist entzieht sich meiner Kenntnis. Es ist halt dann auch irgendwann die Fragestellung: Was kostet es? Was bringt es? #00:10:00-7#

I: Genau. Ja, das ist so. Also jetzt haben wir es im Grunde genommen von der Transparenz gehabt, dass das einer der grossen Einflussfaktoren ist. Sehen Sie noch andere? #00:10:12-2#

B: Um eine Supply Chain resilienter zu machen? #00:10:16-7#

I: Hm (bejahend). #00:10:17-5#

B: Genau. Das eine Thema haben wir jetzt abgehakt, die Transparenz.

Mit der Transparenz geht eine gewisse Visibilität einher. Genau. Und das sind für mich die zwei Kernpunkte, wo ich sage, damit kriege ich eine Supply Chain massgeblich resilienter.

Das Dritte ist tatsächlich ganz ehrlich, auch wenn es abgedroschen klingen mag, die Nähe zum Kunden und die Nähe zu Lieferanten

. #00:10:44-9#

I: Ja. Es ist deswegen ja nicht abgedroschen. Also das ist einfach/ Ja, okay. Ja. #00:10:51-4#

B: Genau. Und damit geht einher, dass Sie einfach einen guten Vertrieb haben, der sehr nah beim Kunden ist. Und gerade bei Ihren A-Kunden, die dann auch entsprechend, sage ich mal, den grossen Einfluss auf Ihre Supply Chain eben ausmachen.

Und ähnlich ist es dann eben auch bei den Lieferanten. Die müssen Sie pflegen. Es gibt ja auch tatsächlich Möglichkeiten, dass Lieferanten massgeblich Einfluss auf die Resilienz haben, wie jetzt zum Beispiel im Moment, wo die Rohstoffpreise einfach explodieren. Das ist schön, dass die Wirtschaft und die Ökonomie in Teilen wieder zurück kommt. Aber manche Projekte lassen sich schlichtweg nicht ökonomisch realisieren, weil die Rohstoffpreise explodiert sind. #00:11:34-1#

I: Das ist richtig. Ja. Wenn wir es jetzt anschauen, was hat sich aus Ihrer Praxis heraus bewährt, was für Aktivitäten kann der strategische Einkauf umsetzen? Also nicht auf einer operativen Ebene, sondern ich rede jetzt mehr auf der strategischen Ebene oben eigentlich. #00:11:57-8#

B: (lacht) Genau. Strategischer Einkauf ist an der Stelle immer eine sehr, sehr interessante Frage. Aber für mich macht der strategische Einkauf, so wie ich es damals auch umgesetzt habe/ der ist für mich Teil der Produktentwicklung mittlerweile einfach. Und da geht es für mich darum, neue Trends zu erkennen, neue digitale Möglichkeiten in diese Produkte eben auch einzubauen. Und dann aber auch die Lieferanten zu finden, die so etwas tun und leisten können. Und dann auch an das Unternehmen zu binden. Und das ist für mich erstmal grundsätzlich das Verständnis, was ich habe von einem strategischen Einkauf, ja? Inwieweit der dann mithelfen kann, das Unternehmen resilienter zu machen, das ist eine sehr, sehr interessante Fragestellung, die ich in der Praxis so tatsächlich auch noch wenig bis gar nicht erlebt habe, ja? Weil im Grunde genommen ist es so ein Ökosystem, wo im Grunde genommen, wenn man jetzt von einem Headquarter ausgeht von einem Unternehmen, wo der strategische Einkauf im Grunde genommen Teil einfach der Supply Chain und der Produktentwicklung ist. #00:13:13-1#

I: Korrekt, ja. #00:13:14-1#

B: Genau. Und dementsprechend ein eigenes integres Interesse daran hat, die Supply Chain resilient zu gestalten.

Und da erinnere ich mich an ein Beispiel aus der Automotive Industrie, das kenne ich tatsächlich, wo man gesagt hat: Okay, bevor man jetzt unverhältnismässig einen Lieferanten auf strategischer Ebene abkippen lässt und der deswegen zum Beispiel auch seine Produktentwicklung verlangsamen muss, weil er finanziell nicht mehr so gut aufgestellt ist, helfen wir dem strategischen Lieferanten, sich über die Krise hinweg durch zu finanzieren.

Sodass wir nachhaltig unsere Produkte und Entwicklungs-Pipeline gestärkt haben. Um dann nach der Krise wirklich schnell am Markt zu sein mit einem Produkt, was sich durch eine veränderte Konsumentenwahrnehmung sehr, sehr stark und sehr, sehr gut und sehr, sehr profitabel verkaufen lässt, ja? Das ist für mich so ein bisschen was hilft, par Excellence, eine Supply Chain in der Krise mit einem strategischen Einkauf oder mit einem strategischen Lieferanten auch resilienter zu machen, ja? #00:14:18-4#

I: Also Sie hatten jetzt da das Thema angesprochen, eben, Supply Chains werden lokaler. Das würde ja dann eigentlich auch/ da könnte jetzt ja der Einkauf auch einen Beitrag dazu leisten, oder? Oder der muss einen Beitrag dazu leisten, ich sage es jetzt mal so, oder? #00:14:42-3#

B: Genau.

Also in der Tat werden dann auch Sourcing-Quellen wieder lokaler. Was natürlich auch dafür sorgt, dass es ökonomischer wird, dass es vor allem auch ökologischer wird, dass es wieder noch mehr kleinere Unternehmen gibt, die ganz lokal sind und die ganz lokal sourcen. Und dadurch wird eine Supply Chain natürlich automatisch resilienter.

Wenn ich jetzt nicht mehr von Indien sourcen muss, sondern vielleicht ein Zulieferprodukt, wenn ich jetzt gerade hier an die Schweiz denke, aus D-A-CH-Regionen meinetwegen sourcen kann oder machen wir sogar Bulgarien oder Rumänien nur. Das ist eins, zwei Tage Transport. Und dadurch nehmen Sie natürlich gewaltige Risiken auch aus der Supply Chain raus. #00:15:25-6#

I: Wie stehen Sie dem gegenüber, wenn man mit mehreren Lieferanten arbeitet? #00:15:30-8#

B: Ja, natürlich das Mehr-Lieferanten-Modell hat grundsätzlich seine Vorzüge, ja? Natürlich wenn es jetzt um A-Produkte geht, da braucht man natürlich mehrere Lieferanten aus meiner Sicht, auch wenn es viele Unternehmen versucht haben, nur mit einem Lieferanten durchzuziehen, um die entsprechenden Skaleneffekte dann zu haben. Aber das hat man meistens auch, wenn man jetzt für A-Produkte zwei A-Lieferanten sozusagen hat, dann hat man in aller Regel die Skaleneffekte trotz allem in der Regel ähnlich realisiert, wenn man jetzt nur einen A-Lieferanten hatte, ja?

Insofern, natürlich brauchen sie das zur Absicherung ihres Geschäftes, ja? Und das ist natürlich ein relativ dünner Grat. Wieviel Kosten nehmen sie auf sich, um die Absicherung des Geschäftes eben entsprechend zu finanzieren oder das Risiko entsprechend aus ihrer Supply Chain oder aus ihrem Geschäft eben rauszunehmen. Grundsätzlich stehe ich dem positiv gegenüber, aber nur in einem sehr, sehr reduzierten Ausmass. Und wie gesagt, bei A-Lieferanten fein, weil davon hängt ihr Geschäft absolut ab und das können sie nicht dem Zufall überlassen. Das müssen sie zwingend absichern, ja. #00:16:42-9#

I: Wir haben jetzt ja von dieser Transparenz und Visibilität in der Supply Chain geredet. Haben Sie auch schon Erfahrung mit so Zusammenarbeits-Modellen, wo wirklich auf kollaborativen Plattformen das Unternehmen mit Lieferanten zusammenarbeitet? Ist das ein Trend oder ist das etwas, was häufig gemacht wird? Haben Sie da Erfahrung darin? #00:17:15-4#

B: Wenn Sie im Sinne einer Plattform sprechen, was jetzt zum Beispiel ein Inkubator sein könnte, dann ja. Wir haben damals zum Beispiel oder welche Erfahrung wir auch machen ist, gerade im Rahmen dieser Produktdigitalisierung, da merkt man einfach, grössere oder selbst mittelständische Unternehmen, um ehrlich zu sein, haben da ihre Herausforderungen, ihre Produkte, die sehr gut funktionieren, zu digitalisieren. Was wir häufig sehen ist, dass abgeschottete Bereiche, also Inkubationsräume gebildet werden, wo Produkte mit so IT-Nerds entsprechend dann in Sprints entsprechend digitalisiert werden oder digital angereichert werden. Und das ist sicherlich mehr als ein Trend. Das ist sogar, um ehrlich zu sein, ein zwingendes Muss, um Produkte, die bereits bestehen, nach zu digitalisieren oder fit für die Zukunft zu machen. Und das ist Teil der Geschäftsstrategie heutzutage von Unternehmen. Und das ist aus einem Trend herausgewachsen für unser Dafürhalten oder für das, was ich auch im Markt sehe. #00:18:23-1#

I: (…) Gut. Ich glaube, über die Entwicklung haben wir schon ein bisschen geredet, wo es hingeht, wo die Resilienz, wo die Reise hingehen könnte. Da haben Sie ja schon ein Statement abgegeben. Da können wir da gerade schon mal weitergehen eigentlich. #00:18:41-2#

B: (lacht) Ja. #00:18:42-2#

I: Gut. Jetzt interessiert mich ja, wie man KI im strategischen Einkauf einsetzen könnte für die Resilienz-Stärkung. Jetzt die erste Frage: Künstliche Intelligenz ist ja ein Riesenthema. Und es gibt eigentlich keine klare Definition dafür. Was verstehen Sie darunter? #00:19:04-2#

B: (lacht) (…) Künstliche Intelligenz ist für mich an und für sich, neue Möglichkeiten zu entdecken, die mir heute noch unbekannt sind, Nummer eins. Aber vor allem Nummer zwei, es ist, routineartige Prozesse für den Menschen/ oder routineartige Prozesse, sage ich mal zu automatisieren, damit der Mensch, der Mitarbeiter sich mit Dingen beschäftigen kann, die wirklich dem Unternehmen, für sich und die Gesellschaft Mehrwert stiften, ja? Und das ist für mich künstliche Intelligenz, respektive die Grundlage für künstliche Intelligenz. #00:19:51-0#

I: Aber das ist ja dann in dem Sinne noch nicht intelligent, was Sie jetzt da beschrieben haben. Das ist ja eigentlich repetitive Arbeiten, da macht das System eigentlich immer das Gleiche, oder? #00:20:00-1#

B: Genau, richtig. Deswegen habe ich zum Schluss auch den Ansatz gebracht. Das ist die Grundlage für künstliche Intelligenz. Und basierend auf dieser Grundlage beginnt ja das System dann zu lernen. Welche Verhaltensmuster gibt es innerhalb dieser Produktgruppe? Was gibt es im Markt? Welche Vorschläge oder welche Sourcing-Strategien entwickeln sich im Markt? Weil das KI zum Beispiel auf einer Plattform aufsetzt und da entsprechend die ganzen Informationen absaugt. Und entwickele dann Vorschläge, wie das Unternehmen, das diese KI-Plattform oder diese KI-Technologie gekauft hat, wie es dann entsprechend Produkte weiterentwickeln kann, wie es neue strategische Partnerschaften abschliessen kann. Genau. Das ist das, was ich unter Punkt eins meinte, das für den Menschen Unbekannte zu einem Bekannten zu machen oder zu etwas Interessantem machen. Und dann kommt die menschliche Intelligenz wieder dazu. #00:21:02-3#

I: Ist für Sie Robotic Process Automation, ist das KI oder nicht für Sie? #00:21:11-3#

B: Wenn das KI ist, dann gibt es dann schon seit keine Ahnung, seit es Rechner ( lachen I) gibt. Also das nannte sich glaube ich damals Makros aufzeichnen. #00:21:19-7#

I: Ja. Also nicht? Okay. #00:21:22-3#

B: Das ist für mich keine KI, nein. #00:21:24-7#

I: Also es muss schon das Lernfähige haben drin, oder? Wenn ich Sie jetzt richtig verstanden habe. #00:21:32-5#

B: Genau. Richtig. Das ist für mich artificial oder künstliche Intelligenz. Weil alles andere ist ja nicht intelligent. Ich wiederhole etwas. #00:21:42-7#

I: Genau. Also ein Roboter könnte intelligent sein oder nicht, wenn ich Sie jetzt richtig verstanden habe. #00:21:48-0#

B: Genau. #00:21:48-2#

I: Wenn er nur repetiert, dann nicht und wenn er lernt, dann wäre es/ #00:21:52-4#

B: Genau. #00:21:52-6#

I: Ja, okay. Gut. Genau. Was für KI-Anwendungen/ Kennen Sie KI-Anwendungen im strategischen Einkauf? #00:22:03-6#

B: Na, das ist die Frage, ob das jetzt dann strategischer Einkauf ist. Aber ich gebe Ihnen ein Beispiel. #00:22:08-7#

I: Oder Supply Chain. Also wenn es/ #00:22:10-3#

B: Ah ja, da schon. (lacht) Da schon. Aber das Thema ist ja Einkauf. Und es gibt ein/ Startup ist es auch nicht mehr. Aber es ist eine AI-Company hier in Zürich, nennt sich Scoutbee. Und die sind mit/ Also mein bester Kumpel ist dort Head of Innovation. Und das ist für mich auch tatsächlich KI. Es gibt ein Produktportfolio eben von Unternehmen.

Das Produktportfolio von Unternehmen wird auf diese intelligente Beschaffungsplattform quasi hochgeladen, so mein Verständnis. Oder die saugen sich die Information aus dem Kernsystem, aus dem Einkaufssystem des Industrieunternehmens. Und ist dann weltweit auf der Suche nach alternativen Beschaffungsmöglichkeiten, nach alternativen Komponenten von dem Produkt jetzt zum Beispiel, generiert dann entsprechend Vorschläge, wie man auch das Produkt erweitern könnte. Und da ist eine riesige Pipeline im Aufbau, respektive in der Entwicklung.

Was dann wirklich auch zu KI auf einer globalen Ebene im Beschaffungsbereich führt. Das ist die KI-Lösung, die ich da im Bereich Einkauf eben kenne, ja?

Wenn es jetzt um die gesamte Supply Chain geht, dann gibt es eben dieses Supply-Chain-Planungs-Thema wiederum. Und das wird schon künstlich intelligent angereichert und mittlerweile auch programmiert. Wo es dann tatsächlich nicht nur um das Erkennen von Verhaltensmustern geht in der Supply Chain, sondern wo basierend auf zum Beispiel hunderten Signalen entsprechende logische Schlussfolgerungen auch getroffen werden von den KI-Systemen.

Und bei einem gewissen Grad an Unsicherheit über die Entscheidung, dann wird die sogenannte Exceptions ausgelöst und dann muss der Mitarbeiter sich nochmal hinsetzen und seine Gedanken einfliessen lassen und ultimativ eine Entscheidung treffen.

Man muss sich das so vorstellen wie beim Autofahren. Jedes Auto heutzutage, was Sie neu kaufen, ist grundsätzlich in der Lage, völlig autonom auf der Strasse zu fahren. Aber in gewissen Situationen muss der Mensch halt eingreifen, um eine Entscheidung zu treffen. Das hat dann abschliessend auch eher was mit Rechtssicherheit zu tun, wie das heutzutage keine KI-Lösung an und für sich tun könnte. Und so ist es in einem Unternehmen auch. Ab einem gewissen Punkt, wo ein Geschäftsrisiko zum Beispiel zu hoch wird, bei einem Einkauf zum Beispiel von Gütern bei Lieferanten, da sagt das KI zwar: Okay, das würde Sinn machen aus dispositiver Sicht, aus Vergangenheitssicht und auch aus logischer Sicht, aber in letzter Konsequenz muss ein Mensch noch hier sein Okay dazu geben. Und das ist für mich KI dann an der Stelle. #00:25:08-0#

I: Sie haben jetzt eben angesprochen eben die Supply-Chain-Planung. Ist das vor allem für Bedarfsplanung gedacht, Replenishment oder was sprechen Sie da genau an? #00:25:22-9#

B: Genau. Also es geht über alle Bedarfe im Grunde genommen. Das Replenishment an und für sich, da gebe ich Ihnen Recht. Dann die eigene Produktion. Da ist ja genauso Kapital gebunden, wenn ich dort was produziere, ja? Aber vor allem auch Kundenbestellungen oder Vendor-managed-Inventory, weil da ist ja das Thema genau dasselbe. Es geht also einmal als Querschnitt durch die komplette Supply Chain oder über die Bedarfe der kompletten Supply Chain, so rum. #00:25:56-0#

I: Ich versuche das gerade zu verstehen. Dann wird die KI dafür eingesetzt, dass man eine Prognose abgeben kann, oder? #00:26:07-7#

B: Nein. Also das gibt es ja heute schon. Das Thema Prognose und Prognosequalität ist ja eigentlich schon erledigt für viele Firmen, würde ich zumindest mal sagen.

Sondern es geht darum, das menschliche Verhalten zu einem gewissen Grad in diese Planungssysteme einfliessen zu lassen. Und dass auch da wieder der Roboter lernt, wie hätte der Mensch jetzt entschieden in so einer Situation. Und dann quasi seine eigene Intelligenz beginnt aufzubauen. Und diese besteht ja tatsächlich mehrheitlich darin, irgendwann festzustellen: Okay, wann tritt eine Situation ein, wo ich jemand anderen fragen muss, der möglicherweise intelligenter ist, um eine bessere Entscheidung zu treffen.

Und an dem Punkt wird es für mich zur künstlichen Intelligenz. #00:27:02-4#

I: Sie sagen, das System lernt. Das heisst, das System automatisiert. Also man bräuchte dann die Menschen nicht mehr, die entscheiden. Oder was ist der Nutzen dessen? (lacht). #00:27:16-5#

B: Genau. Also der Nutzen dessen ist nicht, dass der Mensch nicht mehr entscheidet. Der Nutzen dessen ist, dass der Mensch sich mehr Zeit dafür nehmen kann, andere Themen in der Firma voranzutreiben, Nummer eins. Oder aber, übergeordnet gesehen kann es ja durchaus sein, also in Japan ist das ja jüngst passiert, dass in einer Gesellschaft grundsätzlich in Zukunft nur noch vier Tage die Woche gearbeitet wird, weil der Wertschöpfungsgrad so hoch geworden ist, dass es einfach keinen Sinn mehr macht, fünf Tage die Woche zu arbeiten. Da gibt es aber gesellschaftlich gesehen ganz andere Aufgaben, die man dann machen kann. Pflege von alten Menschen et cetera pp, sich mit philosophischen Dingen auseinandersetzen. Und das wiederum im übertragenen oder weitergesponnenen Sinne ist dann der Nutzen oder das Ergebnis von KI. #00:28:13-0#

I: (…) Also ich hatte ja gesagt, mich interessiert ein bisschen der Aspekt der Resilienz-Stärkung. Jetzt hatten Sie gesagt eben, man würde das für Automatisierung eigentlich einsetzen. Aber würde man damit nicht auch die ganzen Bestände dann optimieren, wenn man so ein System hätte? #00:28:35-1#

B: Das ist so. Also das passiert die letzten zehn Jahre schon für Unternehmen, die wirklich vorneweg gewesen sind, also so Vorreiter. Und von 2020 bis 2030 werden Sie einen Riesentrend in der Supply Chain erleben oder einer von dreien und das ist eben tatsächlich dieses Thema Supply-Chain-Planung. Und darin geht es tatsächlich darum, noch verantwortungsvoller mit unseren Ressourcen umzugehen, die ja global gesehen auf der Welt immer weniger wird, ja?

Und da hilft natürlich so ein sehr gutes Planungssystem enorm dabei, weniger Bestände am Lager zu haben, also auch natürlich die Kapitalkosten dann zu reduzieren, weniger auch sourcen zu müssen und vor allem dann eben auch weniger wegschmeissen zu müssen.

Und damit sind wir halt automatisch beim Thema Nummer vier, was ja jetzt gerade omnipräsent ist, das ist halt das Thema Nachhaltigkeit. Und da kann so ein Supply-Chain-Planungs-Thema enorm dabei helfen, insbesondere wenn Sie sich anschauen, wieviel Abschreibung Sie durchschnittlich im mittelständischen Unternehmen auf Ihre Produkte haben.

Das ist teilweise immer noch je nach Branche enorm. Manche Branchen haben weit über zwanzig Prozent. Also das muss man sich mal vorstellen. #00:29:58-3#

I: (…) Ich komme jetzt aber gleichwohl nochmal auf die Prognose zurück. Jetzt hatten wir es eben davon, dass man eben Bestände besser optimieren könnte. Gibt denn so ein System auch frühzeitig eine Information zurück in der Supply Chain drin, also wenn der Kunde mehr Bedarf hat? #00:30:22-0#

B: Genau. #00:30:23-5#

I: Dass es nicht zu diesen Ausschlägen kommt? Also Bull-Wip Effekte weg sind nachher. #00:30:29-2#

B: Genau. Also das kann ich auch an einem Beispiel durchmachen. Also 2008/2009, Finanzkrise war da das Thema, bevor irgendein Mensch oder Mitarbeiter mitbekommen hat, dass eine Supply Chain massiven Ausschlägen sozusagen ausgesetzt war, hat das System das gemeldet und hat gesagt: Moment mal, hier findet gerade eine Nachfrageveränderung statt, die weit ausserhalb dem Normalen liegt. Setzt euch doch bitte damit auseinander. Und das hat es dann eben nicht nur auf die eine Produktionsstätte ausgegeben als nennen wir es mal Warnhinweis damals, sondern eben über das gesamte Ökosystem. Und das ist damals der entscheidende Punkt gewesen und wird auch heute immer mehr zum entscheidenden Punkt, weil, wir sprechen ja nur noch über Ökosysteme. Also ich kenne nur ein Unternehmen, was nahezu hundert Prozent Wertschöpfung in seiner eigenen Fabrik hat, bei den Produkten, was es produziert.

Aber ansonsten sind es ja globale riesige Ökosysteme, ja? Und daher kommt ein Riesenvorteil, wenn es um AI dann geht. Eben genau das Thema: Oh, es verändert sich etwas massiv. Und ich kann das durch die gesamte Supply Chain durchgeben, bis zum Lieferanten, bis hin zum Spediteur, in allen Ländern, in allen Werken. Und dann profitiert ein ganzes System und letztendlich auch eine ganze Gesellschaft davon, ja? #00:32:01-2#

I: Und was Sie jetzt auch ein bisschen angesprochen haben, wird den das aus Ihrer Erfahrung heraus auch für Risikofrühwarnung eingesetzt? Also, dass ich schon frühzeitig eine Info bekomme: Hey, pass mal auf, da bekommen wir ein Frachtproblem mit der Seefracht. Du musst das anders organisieren. Jetzt einfach als ein Beispiel, oder? #00:32:23-7#

B: Genau. Also das war tatsächlich eines der Themen, was ich selber damals, nicht für Staufen Inova aber für ein anderes (lacht) Beratungsunternehmen noch gemacht habe. Als die Pandemie losgegangen ist, da war dann tatsächlich grosse Aufregung in einer Abteilung, die nannte sich Global Supply Chain. Und die wollte einfach wissen: Okay, wo sind denn unsere Schwächen in der globalen Supply Chain?

Und die haben ein Riesen-Frühwarnsystem und alles Mögliche gehabt. Aber die haben begonnen, diesem Frühwarnsystem zu misstrauen. Und dann haben wir eben anfangen, dieses Thema durchzugehen, pandemiespezifisch dann eben, weil das neu war für alle auf dieser Welt. Und haben dadurch für zukünftige Pandemien ein Frühwarnsystem eben entsprechend aufgebaut. Also ein neues Frühwarnsystem, was wir dann eben wiederum in das alte, bereits bestehende Frühwarnsystem integriert

haben. #00:33:24-0#

I: Ist das dann auf dem gleichen Prinzip gelaufen? Läuft das bei Ihnen auch unter Supply-Chain-Planning? Nein, das ist dann etwas anderes gewesen, oder? #00:33:33-4#

B: Nein. Genau. Also Planung ist nach wie vor separat. Aber die Ergebnisse aus dem Frühwarnsystem werden ins alte System integriert.

Und dieses gesamte neue Frühwarnsystem haben wir dann als Signalgeber in das Planungssystem reingegeben.

#00:33:52-0#

I: Eingebaut. Also das/ Ja, okay. #00:33:54-0#

B: Also, dass nochmal ein zusätzliches Entscheidungselement quasi im Planungssystem mit vorhanden

war. #00:34:03-2#

I: Und das ist für Sie möglich gewesen, weil schon ein System da gewesen ist oder weil Sie das Supply-Chain-Planungssystem gehabt haben, dass Sie zu diesen Daten gekommen sind? Oder wie funktioniert das genau? #00:34:18-9#

B: Also an der Stelle war es tatsächlich möglich, weil diese Firma ein globales Supply-Chain-Network-Management-System installiert hatte. Wo ganze Regierungen im Grunde genommen, aber auch ganze Frachtführer-Vereinigungen (Project 44) ihre gesamten Daten in mehreren Plattformen geladen hatten. Und darüber war quasi nochmal eine Metaplattform.

Und darüber konnten wir absolut alles sehen. Welche Strassen sind freigegeben, welche Strassen sind blockiert, also welche Landstrassen? Welche Seestrassen sind offen? Welche Container stehen gerade? Oder welche Schiffe werden auch vom Zoll aufgehalten und haben keine Freigabe mehr? Und dadurch haben wir ziemlich stark einfach eine Informationslage

gehabt über dieses Supply-Chain-Network-Management-Tool, was es uns erlaubt hat, entsprechend die Lage erstmal, das Ist zu bewerten. #00:35:26-0#

I: (…) Aber das setzt dann voraus, dass alle Teilnehmer in der Supply Chain drin auch auf dem Standard gewesen sind und auf diesen Tools, oder? Sonst kann man das ja gar nicht umsetzen. #00:35:42-5#

B: Genau. Aber die Meisten sind Teil dieser Tools und wissen es nicht.

#00:35:47-8#

I: Können Sie mir das noch schnell ein bisschen erklären? Wieso wissen die das nicht? (lacht) #00:35:54-1#

B: (lacht) Wenn Sie heute ein Paket abgeben bei der Schweizer Post. #00:35:59-2#

I: Aha, so meinen Sie das. #00:36:00-7#

B: Genau.

Da kommt ja auch eine EAN drauf. Und da sind dann ja auch alle Ihre Daten hinterlegt. Und die Daten werden ja auch in einer gewissen Art und Weise weitergegeben in ein Track-and-Tracing-System. Und wenn Sie das jetzt weiterdenken über alle Industrien, über alle Frachtstrassen.

Und dann gibt es eins, zwei Anbieter und dann wissen Sie, wie Sie global, sage ich mal, auf so eine Übersicht kommen. #00:36:26-0#

I: Das wäre jetzt für die Transportplanung, was Sie jetzt angesprochen haben? Oder eine Transport-Supply-Chain. #00:36:36-3#

B: Ja, beides. Das war Inbound als auch Outbound. Genau. #00:36:39-7#

I: Aber wenn wir jetzt Produkte anschauen, dann nützt mir das ja nachher nichts, oder? Das ist jetzt rein für die Frachtwege, habe ich das richtig verstanden? #00:36:50-5#

B: Was meinen Sie mit Produkt genau? #00:36:53-4#

I: (…) Also wenn mich Informationen zur Beschaffung von Produkten interessieren, dann hätte ich einfach den Teil des Transports abgedeckt über so ein System, oder? Korrekt? #00:37:10-2#

B: Genau. Richtig, ja. #00:37:12-3#

I: Aber ich habe ja dann nicht irgendwelche Informationen, was ich sonst noch an Problemen haben könnte bei meinen Vorlieferanten oder Vor-Vorlieferanten in der Produktion oder in der Versorgung drin. #00:37:25-1#

B: Genau. Also da hatten die schon ein anderes Frühwarnsystem im Grunde genommen. Das war Teil vom alten System. Wo sie ihre Supply Chain so aufgebaut hatten, dass sie gesagt haben:

Okay, wir haben die und die Lieferanten. Die haben dann gewisse Qualifizierungen auch bekommen, aufgrund ihrer sag ich mal Anlieferqualität, will ich es mal nennen. Da gab es eben entsprechende Kriterien. Und dementsprechend haben die dann eben genau gewusst, okay, so zuverlässig ist mein Lieferant grundsätzlich. Und dann war das ein Teil der Risikobetrachtungs-Matrix, genau.

Und dann gab es eben noch diese Inbound-Outbound-Matrix. Dann wusste man einfach, okay, welche potentiellen Beschaffungswege sind denn einfach gefährdet?

Und das haben wir dann eben für dieses Pharmaunternehmen gemacht. In letzter Konsequenz haben wir gewusst, Indien wird, sagen wir es mal optimistisch kritisch. Also wir wussten, da wird nichts mehr kommen über drei, vier Monate. Und dann sind wir eben aufgrund dieser Erkenntnis hingegangen und haben Informationen gesucht über die Herstellung des Produktes. So. Die haben wir dann auch gefunden. Und dann haben wir relativ kurzfristig ein Werk in Osteuropa entsprechend dazu wieder aufgerüstet oder enabled, dieses Vorprodukt in Europa zu produzieren, das somit das Hauptprodukt dann wieder in Zentraleuropa bei den grossen Pharmaherstellern end-abgefüllt werden konnte und in die Distributions-Channel wieder gegeben werden konnte, sodass Europa medizintechnisch abgesichert war. #00:39:08-7#

I: Wenn ich Sie jetzt richtig verstehe heisst das, Sie haben eigentlich verschiedene Plattformen oder Tools zusammen kombiniert, damit Sie eigentlich auch zu dieser ganzen Information kommen, oder? #00:39:21-2#

B: Ja. Das war die persönliche Intelligenz. Und jetzt geht es ja im nächsten Schritt wieder weiter darum, dem System beizubringen, dass es jetzt den nächsten Schritt in seiner eigenen Evolution wieder geht. Genau. Und da ist jetzt auch das Unternehmen dran. Also sowohl der Software-Hersteller als auch das Unternehmen in der Pharmawelt, genau. #00:39:42-2#

I: Das klingt sehr spannend, ja. #00:39:43-8#

B: Das war herausfordernd, ja. Das war geil. (lacht) #00:39:48-5#

I: (…) Jetzt sagt man ja auch, dass KI auch in der Entscheidungsfindung oder Entscheidungsunterstützung eigentlich auch helfen könnte, die Resilienz zu verbessern. Also wenn man so früher Informationen bekommt, dass man vernünftige Entscheidungen fällen kann. Haben Sie dazu auch Erfahrungen? #00:40:16-5#

B: Ja. Wobei das eigentlich nicht/ Ah, ist das schon künstliche Intelligenz? Also für mich ist das schon/ (…) Also das erste Thema, ich muss das nochmal ganz kurz für mich aufrollen, also das erste Thema in 2009 oder damals 2005, das war so die erste Welle in diesem ganzen Thema, wo man gesagt hat, in der Disposition muss man nicht mehr jedes Material durchgehen und jeden Tag jedes Material anschauen und durchgehen und abhaken, dass alles in Ordnung ist. Das war ja so dieses Exception-based-Management oder MD04 dann schlussendlich in SAP auch irgendwann. Das war das Thema. Und dann ging die Reise schlussendlich weiter, dass man gesagt hat: Genau, okay, man geht jetzt hin zu dem Punkt, das waren so die 2010er- bis 2018er-Jahre würde ich mal sagen/ man geht hin zu dem Punkt und sagt:

Okay, jetzt muss man in so einer Situation nicht nur eine Exception rausbringen, sondern man geht hin und sagt, das System muss jetzt auch Vorschläge machen können, was zu tun ist oder eine Handlungsempfehlung abgeben können quasi, wie es ein Berater gemacht hat, in seinen 2000er-Jahren. Das musste jetzt ein System quasi können. Und die künstliche Intelligenz macht jetzt im Grunde genommen aus diesen Handlungsempfehlungen trifft es grösstenteils schon mal, basierend auf den Handlungsempfehlungen zu neunzig Prozent eigene Entscheidungen, wo der Mitarbeiter gar nicht mehr damit konfrontiert wird.

Und das ist so das Thema, womit sich die richtig guten Unternehmen jetzt im Moment auseinandersetzen. #00:41:54-2#

I: Also Sie sprechen da schon so richtig autonome Systeme an. #00:42:01-0#

B: Genau. #00:42:01-5#

I: Und wofür wird das genau eingesetzt? Immer noch in der Planung oder ist das mehr/ #00:42:09-8#

B: Nein, im Execution. Also das setzt voraus, dass die Planung natürlich gut ist. Aber hauptsächlich wird das, da bin ich morgen gerade bei einem Kunden, wo ich das Thema umsetzen will, (lacht) tatsächlich in der Bestellung einfach Richtung Lieferanten, da wird es eben sehr, sehr stark eingesetzt. Und zwar vollautomatisiert. Und der Kunde, der Lieferant, der hat das dann auch entsprechend im Griff. Und dann wird vollständig einfach die Ware geliefert. Und es geht dann bei denen wiederum ins MES-System und wird dann automatisiert produziert, ja. #00:42:45-3#

I: Also Sie sprechen dann einfach an, die Abrufe werden dann automatisiert, oder? #00:42:50-1#

B: Genau. #00:42:50-9#

I: Habe ich Sie jetzt richtig/ Ja. #00:42:52-5#

B: Ja. #00:42:53-2#

I: Dann, da habe ich auch eine spannende Diskussion mit jemandem gehabt, wie schätzen Sie das Thema Vertragsmanagement ein? #00:43:03-8#

B: (lacht) Ja. Macht ein Kumpel gerade oder eben der Head of Innovation bei Scoutbee, das ist mein Kumpel. Der hat gerade noch ein Startup gerade diesbezüglich am Laufen, wenn um das Thema digitales Vertragsmanagement geht als KI. Und wir haben damals mit Coupa auch zusammengearbeitet. Coupa kennen Sie ja bestimmt, wenn Sie im Einkauf tätig sind. Und die haben auch ein sehr, sehr grosses Entwicklungs-, wie soll ich sagen, Projekt im Bereich digitalen Vertragsmanagement. Das hat dann aber schon auch wiederum viel mit Blockchain zu tun, ja, dass die Verträge auf einer Blockchain abgelegt sind, wo eindeutig identifizierbar ist, wo auch die handelnden Unternehmen eindeutig identifizierbar sind. Und wo quasi zu jeder Zeit, egal wo jetzt sage ich mal die Ware sich bewegt, ein rechtssicherer Zustand im Grunde genommen vorherrscht, ja? Das ist sicherlich nicht mein Fachgebiet.

Aber ich glaube sofort daran, dass das ein Riesenpotential da draussen hat. Wie viele Lawyer werden denn beschäftigt, um genau solche Fragestellungen monate- oder jahrelang entsprechend zu klären, respektive auch die Verträge rechtssicher ab zu schliessen.

Und ich glaube, das ist ein Riesenthema im Einkauf auch vor allem, um da die Themen zu automatisieren und da, sage ich mal weiter und stärker in Richtung KI auch zu kommen, ja? #00:44:30-9#

I: (…) Also Sie sprechen jetzt immer die Automatisierung an, aber ich habe ja auch ein gewisses Risiko, das ich mit Verträgen habe. Ich habe ja auch das Risiko, was habe ich für Verträge mit meinem Kunden und was habe ich für Verträge auf der Lieferantenseite, dass das/ #00:44:51-6#

B: Genau. #00:44:51-1#

I: Sehen Sie dort auch ein Potential? #00:44:54-7#

B: Ja, mit Sicherheit. Aber wie gesagt, da bin ich jetzt nicht der Experte dafür und habe ich auch keine Projekterfahrung, um ehrlich zu sein. Beschäftige mich aber auch wenig damit, mit diesem Thema, wenn es um das Thema Einkauf geht, um ehrlich zu sein. Aber mit Sicherheit besteht da ein Riesenpotential, ja? Aber wie man das genau heben kann, das entzieht sich mir. #00:45:21-3#

I: Genau. Das wäre so ein bisschen meine nächste Frage. Jetzt hatten wir ja eigentlich über verschiedene Anwendungen geredet. Und ich möchte ein bisschen herausfinden, was jetzt aus der Expertensicht das grösste Potential hat. Sie haben jetzt eben von dieser Supply-Chain-Planung geredet. Da habe ich irgendwie ein bisschen herausgehört, dass Sie sagen, es hat ein sehr grosses Potential. Habe ich Sie da richtig verstanden? #00:45:44-2#

B: Ja, das ist so. Ja. Das kann man einfach auch daran zum Beispiel festmachen, wenn man es jetzt nicht auf individuelle Experten beziehen will, aber

wann immer Private-Equity-Companies beginnen, Unternehmen zusammenzukaufen, um sie zu einer Plattform zu machen, in einem spezifischen Umfeld, dann weiss man, dass da normalerweise sehr, sehr viel Geschäft dahinter steht.

Und das ist genau das, was jetzt im Moment auch in dem Umfeld, in diesem Planungsumfeld passiert da. Und wir merken einfach auch eine sehr, sehr starke Nachfrage, ja. #00:46:18-3#

I: Dann haben wir ja über das Thema Supply-Chain-Network mit Risiko-Frühwarnsystem, Risikomeldungen gesprochen. Wie schätzen Sie dort die Anwendung ein, was das für ein Potential hat? #00:46:35-8#

B: (…)

Also das ist ein Thema, was natürlich immer Potential hat und was jetzt natürlich auch gerade hoch auf einem Radar ist, ja?

Aber ich glaube, das Thema, worum es wirklich geht ist tatsächlich dieses Thema Automatisierung, die Verbesserung von Entscheidungsfindungen. Sprich das, was nicht automatisiert werden kann, dass das wenigstens klaren Entscheidungsprinzipien zugrunde gelegen ist, wo der Mitarbeiter im Grunde genommen nur noch ja/nein sagt. Und das Thema Risiko und Frühwarnsysteme, es ist ein permanentes Thema. Mal ist es stärker vorhanden, mal weniger. Aber ich glaube, das ist im Moment eigentlich jetzt schon wieder vom Radar grösstenteils verschwunden, um ehrlich zu sein, ja? #00:47:23-4#

I: Aber wenn Sie es jetzt mit der Resilienz-Brille anschauen auch? (lacht) #00:47:27-6#

B: Ja. Es gibt ein gewisses Restrisiko, mit dem man auch leben muss. Ich glaube, jetzt haben wir die letzten dreissig Jahre extrem viele Faktoren gehabt, die wir jetzt abgedeckt haben in Frühwarnsystemen. Und den Rest müssen wir einfach durch gute, automatisierte, netzwerkabdeckende oder ökosystemabdeckende Demand-driven Supply Chains quasi abdecken. Und das Restrisiko schlussendlich managebar machen. Und das ist das Einzige, was übrig bleibt. Es wird nie, auch wenn es Wissenschaftler seit zwanzig Jahren behaupten, es wird nie möglich sein, jedes Restrisiko vollständig in einem Frühwarnsystem abzudecken. #00:48:12-7#

I: Da haben Sie zu viele unvorhergesehene Ereignisse, wo Sie/ #00:48:18-9#

B: Genau. #00:48:20-5#

I: Also das System kann ja nur lernen und nachher weiss es dann im Grunde genommen. Es ist ja nicht gross anders als beim Menschen, oder? Also das wäre jetzt meine Erkenntnis, oder? #00:48:32-2#

B: Das ist so. Genauso ist es. #00:48:34-3#

I: Ja. Dann haben wir es ja von dieser, ich nenne das eigentlich so smarte Lieferantensuche oder wie man das jetzt nennen will, das hatten Sie auch noch angesprochen. #00:48:43-2#

B: Hm (bejahend). #00:48:44-1#

I: Was sagt da Ihr Kollege dazu, was für ein Potential hat das aus seiner Sicht? #00:48:50-2#

B: Ja, gigantisch, wenn man sich die Umsatzentwicklung der letzten drei Jahre anschaut. Die verdoppeln sich jedes Jahr. Und die haben auch Finanzierungsrunden hinter sich, wo sie auch die Finanzierungen entsprechend jedes Jahr verdoppeln.

Das Potential ist nach wie vor gigantisch, ja? Es gibt aus meiner Sicht nach wie vor auch viel zu viele Unternehmen, die den strategischen Einkauf entweder noch gar nicht aufgestellt haben oder eben viel zu schlecht aufgestellt haben. Und ein strategischer Einkauf, der muss sich natürlich auch zwangsweise mit solchen Plattformen beschäftigen, wo neue Produkte gefunden werden, die nicht nur günstiger sind, die vor allem aber auch passend zum neuen Produkt sind, die vom Wettbewerb meinetwegen in anderen Regionen angeboten werden, wo man selber hier Nutzen stiften kann, indem es dann in seiner Heimatregion entsprechend dann in Anpassungen vertreibt et cetera pp. Also das Potential, ja, das ist mit Sicherheit gigantisch, ja. #00:49:51-4#

I: Dann haben wir noch so ein bisschen das Thema Vertragsmanagement angeschnitten. Da habe ich ein bisschen von Ihnen verstanden, das ist nicht so etwas, Sie denken, dass Blockchain an und für sich interessant wäre für den Bereich, oder? #00:50:07-4#

B: Genau. Also die Lösungen werden sicherlich auf der Blockchain irgendwann abgelegt sein. Ob das jetzt schon der Fall ist? Wohl eher noch nicht. Aber in Zukunft, da geht einfach die technologische Entwicklung hin. Genau. #00:50:21-5#

I: Jetzt haben wir von Potentialen geredet. Es gibt ja aber auch Hürden für die ganzen Anwendungen. Was sehen Sie für Hürden, wenn ich jetzt so etwas einführen möchte und wenn ich es eingeführt habe? #00:50:37-1#

B: Das ist natürlich/ also eine Hürde ist mit Sicherheit der Regulator, der einfach sagt: Automatisierung bis zu einem gewissen Grad ja, aber der Mensch muss in letzter Konsequenz immer noch derjenige sein, der wesentliche Entscheidungen trifft. Und jetzt ist halt einfach die Frage, was sind wesentliche Entscheidungen? Und das ist sicherlich ein regulatorisches Thema dann. Was sind Hindernisse? Ferner sind natürlich Hindernisse in Unternehmen die Menschen, die schlichtweg Angst haben. Die den Nutzen meinetwegen auch nicht sehen oder auch nicht erklärt bekommen. Also typisches Thema vom Change Management jetzt. Aber ich denke auch, diese Angst ist sehr real und auch berechtigt für viele Menschen. Und das ist im Grunde genommen dieser versteckte Widerstand, der die allergrösste Hürde darstellt, meines Erachtens, in Unternehmen, ja? Und das/ Ja. #00:51:41-4#

I: Wie wichtig erachten Sie, dass Daten vorhanden sind oder genug und qualitativ hochstehende Daten? #00:51:51-0#

B: (lacht) Das ist natürlich die Grundvoraussetzung von allem, wenn man darüber spricht. Aber mittlerweile ist es, im Vergleich zu vor fünf oder zehn Jahren, einfach so, dass selbst der CEO sagt: „Ich habe es endlich verstanden und wir müssen da ran. Auch wenn ich es jetzt nicht in meiner P&L direkt berechnen kann.“ Also die Mehrheit der C-Level-Leute hat das verstanden, so rum. Aber ja, da gebe ich Ihnen völlig Recht, das ist natürlich Grundvoraussetzung für alles, was in dem Umfeld stattfindet. #00:52:26-0#

I: Man sieht es schon so als selbstverständlich an, dass man es gar nicht mehr erwähnt, darum habe ich gedacht, ich frage jetzt mal noch nach. #00:52:33-3#

B: Das stimmt. Das ist ein guter Punkt, ja. #00:52:37-7#

I: Genau. Ich käme so langsam zum Schluss meines Interviews. Haben Sie noch irgendwelche Punkte zu ergänzen oder muss ich aus Ihrer Sicht sonst noch irgendetwas berücksichtigen, was wir jetzt gar nicht angesprochen haben? #00:52:51-1#

B: (…) Also ich glaube für den Moment, zumindest was meine Spezialthemen betrifft, hätte ich da nichts zu ergänzen, um ehrlich zu sein, für den Moment, ja. #00:53:05-4#

Anhang 15: Transkription Interview H

Experteninterview Nr. H

Experte: Markus Böhm, KI-Experte (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 09.07.2021

Dauer des Interviews: 49 min

Zur Identifikation der Aussage wird die Expertennummer (H) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Dann begrüße ich Sie nochmals offiziell herzlich zum Interview. Können Sie mich noch hören? #00:00:11-0#

B: Ja, alles perfekt. #00:00:12-0#

I: Super. Also, so als Einstiegsfrage, was für Erfahrungen bringen Sie im Bereich KI mit? #00:00:20-0#

B: Ich bin von der Berufsausbildung her Informatiker, von daher komme ich mehr aus der Programmierer-Ecke. Ich war strategischer Ansprechpartner für neue Technologien seit vielen Jahren bei der Firma Microsoft und insofern habe ich mich schon mal sehr frühzeitig mit solchen Themen beschäftig, was kann KI leisten. Dann später war nochmal die Frage, als so der neue Hype hoch kam, was kann denn maschinelles Lernen leisten. Ich habe dann als Dozent an der Hochschule Luzern gearbeitet und habe dort Kurse über Digitalisierung und spezielle Fachkurse im Bereich maschinelles Lernen gegeben umso ein bisschen beizutragen, dass das Wissen dort etwas weiter verbreitet wird, weiter gestreut wird. Und von daher, ja, zum Thema maschinelles Lernen, glaube ich, kann ich in diesem Experteninterview eine Reihe von Dingen beitragen. #00:01:15-0#

I: Super, herzlichen Dank. Jetzt hatten Sie ja Künstliche Intelligenz schon erwähnt, das ist ein sehr großes Themengebiet. Wie würden Sie Künstliche Intelligenz definieren? #00:01:28-0#

B: Fairerweise würde ich sagen, Künstliche Intelligenz ist so der Oberbegriff. Wenn ich ein Bild malen sollte, dann würde ich einen Kreis machen, da Künstliche Intelligenz rein schreiben und innerhalb dieses Kreises gäbe es ein Teilgebiet, das ist das Teilgebiet des maschinellen Lernens. Also praktisch der Kreis im Kreis und innerhalb des Kreises vom maschinellen Lernen würde ich wieder einen Kreis malen und das wäre dann das sogenannte Deep Learning. Und in diesem Deep Learning erleben wir seit gefühlten drei, vier Jahren einen unglaublichen Hype, unglaubliche Innovationen. Konzepte die fünfzig Jahre alt sind werden auf einmal auf den Kopf gestellt, weil man Ideen hat, weil man völlig neue Dinge entwickelt. Und man merkt, man kann dort ganz andere Dinge tun und das ist natürlich, weil es eine Teildisziplin der Künstlichen Intelligenz ist. Das wirkt natürlich aufs Ganze, dass man das Gefühl hat, die Künstliche Intelligenz hat auch einen gigantischen Schritt nach vorne gemacht. Meine persönliche Meinung ist, bei Künstlicher Intelligenz sind wir noch bei weitem nicht da wie es manche Romanautoren oder manchmal in der Presse so gehypt wird, dass wir alle Angst haben, dass Maschinen uns überflügeln. Wenn man sich die technische Seite anschaut, dann hat man das Gefühl eigentlich ist die Maschine nach wie vor dumm, sie hat kein Bewusstsein. Das intelligente Verhalten ist, dass es für uns so wirkt als würde sie sich intelligent verhalten. Und was auch sehr faszinierend ist, die Maschine hat eine Problemstellung selbstständig gelernt, wir haben ihr nicht die Lösung vorgegeben. Also vorher war es so, Sie haben mir eine Aufgabe gestellt: hier sind eine Reihe von Fotos, erkennen Sie auf den Fotos bitte einen Gegenstand. Und wenn ich das in eine Software umwandeln wollte musste ich mir überlegen, wie muss ich die Software so programmieren, dass sie in der Lage ist diese Gegenstände zu erkennen. Und das lernen die Maschinen heute selber aber die Maschinen haben nach wie vor überhaupt keine Ahnung was sie dort erkannt haben, nicht wahr? Sie haben einfach gelernt, das was ich dort als Muster entdecke, das bezeichnen die Menschen als einen Hund oder als eine Katze. Und von daher, ja, es wirkt intelligent aber es ist eigentlich nicht intelligent. #00:03:47-0#

I: Mhm (bejahend). Mhm (bejahend). Jetzt hatten Sie gesagt, maschinelles Lernen ist eigentlich etwas im Zentrum von der KI. Würden Sie jetzt Robotik auch dort einordnen? Oder sagen Sie eher, nein, das gehört nicht in dieses Thema rein? #00:04:07-0#

B: Doch, selbstverständlich. Also es ist insofern wieder eine/ Ja, ich weiß nicht wie man es jetzt malen sollte, wahrscheinlich würde sich alles immer überschneiden. Ich habe jetzt also kein konkretes Bild im Kopf aber es gibt sehr viele Berührungspunkte. Das ist das gleiche wie mit IoT. Sie haben Sensoren die die Realität erfassen und Sie haben Aktoren die das was der Computer sich ausgedacht hat in die Realität zurückspiegelt. Und der Roboter ist eigentlich beides in einem. Der hat vielleicht eine Kamera die etwas wahrnimmt und die etwas sendet. Und dann gibt es eine KI die entscheidet, an Hand dieser Information sollten wir so und so reagieren und justiert vielleicht über einen Aktor den Roboterarm. Und insofern sind das so die Dinge die eine KI mit der realen Welt, wie wir sie kennen, interagieren lassen. #00:05:02-0#

I: Jetzt noch eine letzte Frage bevor wir dann weiter gehen. So die Wissensgraphen, ordnen Sie das auch unter KI ein oder sagen Sie, nein, das gehört nicht dort hin? #00:05:13-0#

B: Machen wir es allgemeiner, Graphen schlecht hin sind natürlich eine wichtige Teildisziplin und man erlebt ja auch dort gerade wieder einen großen Hype. Wenn wir mal so die Social-Graphen anschauen. Einfachstes Beispiel: wer kennt wen?

Dann ist die natürlich die KI eine sehr interessante Anwendung, basierend auf solchen Graphen, um zu sagen, findest du dort Muster die wir als Menschen vielleicht nicht erkennen können. Und insofern kann man alle diese Fragen immer aus mehreren Sichtweisen beantworten.

Ist es eine Quelle wo wir Wissen ablegen können oder ist es eine Quelle wo wir Wissen analysieren können um daraus wieder neue Schlüsse, also eine Quelle, eine Information wo eine Maschine Muster erkennt, die wir wieder als Input benutzen können.

#00:06:06-0#

I: Also wenn ich Sie jetzt richtig verstehe, dass ist es eigentlich einfach die Kombination mit der KI. #00:06:12-0#

B: Ja. #00:06:13-0#

I: Ob es jetzt Robotik ist/ Robotik ohne KI ist auch keine KI wenn man so will, oder? #00:06:17-0#

B: Ja. #00:06:18-0#

I: Es ist einfach immer kombiniert mit lernen #00:06:22-0#

B: Genau. #00:06:23-0#

I: im Grunde genommen, oder? Mhm (bejahend). #00:06:25-0#

B: Ja. #00:06:25-0#

I: Gut, danke. Dann habe ich Ihnen ja schon eingängig gesagt, dass ich mich mit dem Thema Beschaffung, Supply Chain beschäftige. Kennen Sie Anwendungen in der Supply Chain, Einkauf drin mit KI? #00:06:46-0#

B: Muss ich leider passen. Bei Produkten oder bei Produktnamen wird es bei mir sehr dünn. Es gibt/ Ich kenne sehr viele Frameworks mit denen wir KI-Lösungen bauen können oder ML-Lösungen bauen können aber das heißt nicht zwingen, dass sie auch im Einkauf eingesetzt werden. Es gibt die großen Hersteller die dann sagen, wir erweitern unsere Produkte um KI-Komponenten aber ich kann Ihnen nicht sagen welche Produkte das sind und welche sich speziell auf Einkauf fokussiert haben. #00:07:19-0#

I: Also mir geht es nicht um die Produkte oder um die Anbieter sondern ob Sie Anwendungen kennen. Ich mache vielleicht mal ein Beispiel wovon ich spreche. #00:07:31-0#

B: Mhm (bejahend). #00:07:32-0#

I: Beispielsweise die Visibilität in der Supply Chain drin. Kennen Sie Anwendungen wo man KI dazu verwendet? #00:07:45-0#

B: Nein, das kenne ich leider nicht. #00:07:46-0#

I: Ja. #00:07:47-0#

B: Ich gebe Ihnen mal einen anderen Blick winkel vielleicht, // #00:07:51-0#

I: Gerne. #00:07:52-0#

B: Wie ich an dieses Thema rann gehe. Also für mich ist eine Supply Chain im Prinzip, wenn ich das ein bisschen abstrakt betrachte, wie ein riesen großer Prozess der eine sehr große Komplexität hat aber im Prinzip ist es ein Prozess. Und jetzt ist die Frage wie kann ich denn KI überhaupt in diesen Prozessen einsetzen. Und da sehe ich im Prinzip drei Bereiche. Das eine ist, ich kann es innerhalb des Prozesses benutzten so wie wir Prozessoptimierung schon immer gemacht haben. Wir nehmen uns ein paar Schritte vor und sagen, gibt es irgendwas in der IT das mir hilft diese Schritte zu automatisieren mit IT-Hilfsmitteln oder zu unterstützen. Und da kann KI, sagen wir mal, solche Bausteine liefern. So die berühmten Beispiele sind Texterkennung oder Bilderkennung oder Texte übersetzen, das sind so klassische Bausteine. Und wenn man ehrlich ist, eigentlich interessiert Sie das gar nicht ob dabei KI zum Einsatz kommt oder nicht.

Das bemerkenswerte ist, dass KI Dinge lösen kann die vorher nicht gingen und darum sind durch KI jetzt auf einmal ganz neue Bausteine ins Spiel gekommen.

Und dann ist es einfach die Möglichkeit von Herstellern von Software-Produkten das in ihr Portfolio aufzunehmen. Oder es ist ihre Aufgabe zu sagen, wir schauen uns den Prozess an und diese Schritte setzen wir durch ein Tool um welches es jetzt ermöglicht diese Dinge zu automatisieren die vorher von manueller Arbeit geprägt waren. Das ist so, sagen wir mal, der Klassiker. Und aus Kundensicht, ich habe es schon gesagt, ist es für Sie gar nicht so relevant, dass da jetzt KI drin ist. #00:09:29-0#

I: Mhm, mhm, mhm (bejahend). #00:09:29-0#

B: Der zweite Teil, ich habe gesagt ich habe drei Dinge. Der zweite wäre auch wieder innerhalb des Prozesses aber in diesem Fall wird KI eingesetzt um eine Entscheidung zu fällen. Das heißt, Sie haben vorher, wenn Sie einen Prozess modellieren, vielleicht eine sehr harte Grenze definiert. Sagen wir meinetwegen, Sie haben einen Sensor der die Temperatur misst und Sie sagen, ab dreißig Grad muss ich reagieren, weil mein Produkt ist vielleicht hitzeempfindlich. Also wenn der Sensor über dreißig geht, dann gehe bitte den Weg rechts und ansonsten geh den Weg links. Eine KI kann sehr viel mehr machen, also kann selbst ständig entscheiden wann ist welcher Weg zu wählen. Und das ist dann der Bereich wo man langsam vielleicht auch ein bisschen Angst bekommt, weil man gar nicht mehr weiß, warum hat die KI so entschieden. Sie hat es so gelernt und sie macht das in dem Wissen, in Gänsefüßchen, das Beste zu tun aus dem was sie gelernt hat aber vielleicht hat sie was Falsches gelernt.

Aber das ist ein Themengebiet was sehr interessant ist, Entscheidungsunterstützung oder sogar selbständig Entscheidungen zu treffen

Und dann kommt der dritte Teil und der ist von außen auf den Prozess zu schauen.

Es gibt banale Dinge oder sagen wir einfache Dinge wo wir sagen, wir schauen uns mal den Prozess an und wir untersuchen ihn nach Anomalien. Wir schauen mal ob wir Dinge finden, die anders sind als sonst.

Und das heißt nicht nach saisonalen Unterschieden, weil vielleicht Ihr Einkaufsverhalten im Sommer ein anderes ist als im Winter, sondern eigentlich weiß ich ich bin im Sommer aber trotzdem sind die Daten nicht so wie sie eigentlich, gelernt, die letzten Jahre waren. Also, da sollte vielleicht mal jemand hinschauen, weil vielleicht hat jemand das System gehackt oder vielleicht sind irgendwelche Dinge völlig falsch oder Sensoren sind Defekt. Solche Anomalien kann man auffinden.

Und der letzte Punkt ist, das ist dann so der Bereich der Visionen, kann mir die KI vielleicht vorschlagen wie der Prozess viel besser, viel optimierter laufen könnte. Da reden wir wieder über das Thema Optimierung. Kann die KI feststellen, immer wenn Schritt Siebzehn schief geht, dann geht der ganze Prozess irgendwie schief, also sollten wir da mal Schritt Siebzehn anschauen.

Oder wenn die und die Konstellation ist, dann wird es wieder begradigt, also sollten wir schauen, dass wenn wir am Ende die Fallunterscheidung treffen, dass wir wieder den Weg wählen der eigentlich für das Gesamtsystem als günstig zu erachten ist. Das sind so die großen Komponenten. Und jetzt, mit dem langen Umweg auf Ihre Frage zurück, dann ist natürlich die Supply Chain genau ein solches System wo man überlegen kann, an welchen Stellen kann jetzt KI dort eingesetzt werden. Und vielleicht auch da nochmal ein paar Gedanken dazu. Ich glaube, dass es nicht die beste Idee ist, wenn man solche Produkte von der Stange kauft. Weil in dem Moment haben Sie ein Tool wie jedes andere auch und haben eigentlich keinen Wettbewerbsvorteil. Sie sind dann genau so gut wie alle anderen auch. Und wer sagt, dass der Supply Chain Markt so groß ist, dass sich die KI-Forscher direkt darauf stürzen und sagen, da geben wir jetzt Vollgas und da optimieren wir? Es ist eigentlich Ihre Chance zu überlegen, an welchen Stellen könnten wir in diesem Unternehmen diese Dinge so umsetzen, dass wir daraus einen Vorteil erwirtschaften können. Ich hoffe, wir kommen nachher noch zu der Frage Risiken. Weil das Ganze gibt es auch nicht immer nur zu Vorteilen (lacht) sondern das kann auch einen Preis kosten. Aber das sind halt Dinge die sehr individuell halt sind. Und ich glaube, wir sind noch nicht so weit, dass wir tatsächlich sagen können, wir finden/ Also vielleicht belehren Sie mich eines Besseren weil vielleicht jemand der aus der Supply Chain-Ecke kommt sagt doch, da gibt es die Produkte X und Y. Ich glaube, da wird es noch sehr dünn sein. Die Sachen die ich kenne sind wirklich sehr generisch und werden dann in Unternehmen eingesetzt um daraus eine unternehmensspezifische Lösung abzuleiten oder aufzubauen. #00:13:43-0#

I: Mhm (bejahend). Das kann ich Ihnen eigentlich soweit schon einmal bestätigen, dass es noch relativ wenig gibt aber es gibt Anwendungen. #00:13:53-0#

B: Ja. #00:13:54-0#

I: Also es gibt grundsätzliche Anwendungen und es gibt auch spezielle Anwendungen für Resilienz-Steigerung oder Risikomanagement. Das kann man schon so sagen. #00:14:05-0#

B: Ja. #00:14:05-0#

I: Aber Sie haben jetzt eigentlich auch/ Ich finde das sehr gut was Sie mir da aufgezeigt haben. Wenn Sie sagen, ich kann den Prozess automatisieren mit Texterkennung, wenn ich das jetzt vielleicht wieder den Einkauf bezieh, dann gäbe es dort Anwendungsmöglichkeiten im Vertragsmanagement zum Beispiel, oder? Wo ich eine große Menge an Verträgen handeln muss. Wenn ich Sie jetzt so höre, wäre das eine Anwendung wo man die KI jetzt nutzen könnte um da Muster zu erkennen oder Informationen rauszuziehen und dann Empfehlungen auch abzugeben an den Menschen wieder, oder? Bis hin, dass der auch automatisch schon was machen könnte, wenn ich das jetzt richtig verstanden habe. #00:15:04-0#

B: Ja. Es gibt ganz viele, sagen wir mal, Basisbaukästen. Der erste sagt, ich erkenne mal ein gescanntes Dokument und mache daraus einen lesbaren Text. Das ist ja schon was, was wir seit vielen Jahren können, das machen wir heute halt einfach anders. Das interessiert Sie nicht, weil sie sagen, naja, die Technik dahinter ist mir eigentlich egal, ich habe nachher einen Text vorliegen. Aber der zweite Punkt ist, erkenne in dem Text eine gewisse Semantik. Erkenne ein Sentiment, ist es ein positiver Text, ist es ein negativer. Jetzt können Sie sagen, im Vertragswesen sind ja alle sachlich. Aber jetzt meinetwegen in einer Kundenbeziehung wäre es wichtig zu erkennen ist das eine Beschwerde oder ist das ein Lob. Und sowas kann eine Maschine in so einer gewissen Wahrscheinlichkeit sagen und dann können Sie dort entscheiden, den schaue ich mir jetzt persönlich an oder der wird einfach gezählt, ja. Das andere große Thema ist Textübersetzung, dass Sie sagen, ich kann das in eine andere Sprache übersetzten. Und jetzt kommen wir langsam in einen Bereich der vielleicht für Sie interessant wird, weil Sie sagen, ich kann auf einmal mit Lieferanten kommunizieren deren Sprache ich überhaupt nicht kenne.

Und ja, irgendwann, wenn es um die Verträge geht, sollte ich vielleicht tatsächlich einen Dolmetscher und einen Juristen dransetzten ob wir hier mal grundsätzlich etwas missverstanden haben. Aber Sie haben vielleicht bemerkt wie Sprache und Sprachübersetzungen in den letzten zwei, drei Jahren einen unglaublichen Schritt nach vorne gemacht haben. Die sind so gut geworden, dass man schon fast blind vertraut. Man sollte immer vorsichtig sein aber die sind wirklich auf einem sehr, sehr hohen Niveau.

Und das bedeutet, dass Sie bei der Auswahl Ihrer Lieferanten auf einmal dieses Kriterium, dass ich diese Sprache vielleicht nicht spreche, dass sie gar nicht mehr so relevant ist. #00:16:47-0#

I: Mhm (bejahend). Ja, das ist auch ein ganz guter Punkt. Das erleichtert natürlich auch sehr vieles in der Kommunikation, wenn man plötzlich/ Das funktioniert ja zum Teil schon ganz simultan, diese Übersetzung. Da habe ich schon Sachen gesehen wo das gleich direkt funktioniert, dass man gleich so miteinander sprechen kann. Sicher auch ein guter Punkt. Mich interessiert ja auch/ Die Zusammenarbeit mit den Partnern ist ja für die Supply Chain auch wichtig und da kommt natürlich das schon auch sehr zum Tragen. Oder eben auch solche Geschichten wie Kollaborationsplattformen, wie können wir das Wisstauschen. Also nicht nur austauschen, sondern auch was aus dem Wissen dann nachher machen im Grunde genommen, oder? #00:17:43-0#

B: Ja. #00:17:44-0#

I: Und wenn ich Sie jetzt hier richtig verstehe, sehen Sie da auch Potential drin, weil ja das System, wenn ich jetzt Informationen erhalte, könnte ich ja auch Muster erkennen, oder? #00:17:58-0#

B: Genau. (unv. überlappend) #00:18:00-0#

I: Und das könnte mir wieder eine Prognose oder irgendetwas hierzu abgeben, oder? #00:18:05-0#

B: Ganz genau. Bleiben wir nochmal ganz kurz bei der Sprache. #00:18:08-0#

I: Ja, Entschuldigung. #00:18:10-0#

B: Nein, kein Problem. Können Sie da sich sehr schön klarmachen, dass das Ganze wirklich wie Basismodule sind und das ganze wie ein Baukasten zusammengesteckt wird. Es gibt eine KI die zum Beispiel sehr gut darin ist gesprochene Sprache, wie jetzt von Ihnen, in deutscher Sprache zu erkennen und daraus einen Text zu machen. Und da gibt es ganz viele, der ein kann das auf Englisch, der andere auf Japanisch, auf Chinesisch, auf was auch immer. Aber die können nur diese eine Aufgabe. Und dann gibt es eine andere KI oder ein anderes Deep Learning Netzwerk, das kann einen deutschen Text in einen japanischen Text transferieren. Und dann gibt es eine dritte Sorte, die kann einen Text vorlesen in einer gewünschten Sprache.

Und jetzt nehmen Sie einfach diese Module und stecken die ineinander und dann können Sie sagen, Sie sprechen Deutsch und Ihr Gegenüber Chinesisch und das geht praktisch simultan, weil Sie einfach diese drei Dinge oder vier Dinge aneinanderstecken. Ihr Text wird oder Ihre Sprache wird in einen deutschen Text verwandelt, der deutsche Text wird in einen chinesischen Text übersetzt und der chinesische Text wird Ihrem Gesprächsteilnehmer vorgelesen.

Und das Ganze geht so schnell, dass es quasi simultan ist. #00:19:20-0#

I: Faszinierend #00:19:21-0#

B: Ja, das ist faszinieren, weil jede dieser Teildisziplinen ist inzwischen sehr gut und dann muss man die eigentlich nur noch zusammenstecken und kann praktisch eine beliebige Kombination machen die einfach nur davon abhängig ist, wie gut sind die einzelnen Komponenten jetzt für die jeweilige Sprache. Dann haben Sie schon das nächste Thema angesprochen, nämlich Prozessoptimierung. Ich kann mir vorstellen, dass die Auswahl der Lieferanten ein bisschen auch davon abhängig ist, wie groß ist die jeweilige Firma, wie viel Mitarbeiter haben sie im Einkauf, wie viel können sie denn überhaupt betreuen und weniger danach wie viel könnten wir eigentlich gut gebrauchen. Mein Lieblingsbeispiel ist immer Amazon. Die haben, als die Buchläden damals noch Bücher aus Papier verkauft haben und Amazon gesagt hat, wir starten da unseren Onlineshop und bieten jetzt Papier-Bücher über den Distributionskanal an, dann haben sie sich damit von anderen Buchhändlern unterschieden, dass sie gesagt haben, wir können tausende von Lieferanten anbieten und wir haben alle Bücher im Angebot die es auch nur gibt. Das könnte ja eigentlich eine normale Firma gar nicht handeln. Wie wollen Sie das denn alles hinbekommen? Und die Antwort ist einfach durch Automation. Und da kann natürlich eine KI Ihnen auch helfen. Aktuelles Beispiel, kriegen Sie wahrscheinlich besser mit als ich, der chinesische Hafen wo jetzt durch Corona Hafenarbeiter ausfallen und der Welthandel empfindlich oder sogar sehr empfindlich gestört wird, weil einfach nicht geliefert werden kann. Da reden wir darüber, dass man vielleicht die Supply Chain so dermaßen optimiert hat, dass wir auf einmal einen Knotenpunkt haben und wenn der wackelt dann sind alle betroffen.

Also von daher wäre eine andere Strategie, wir suchen uns einfach so viele Lieferanten, dass wir immer irgendwie im Fluss sind, selbst wenn irgendeiner ausfällt dann wird ein anderer genommen. Und eine KI hilft uns vielleicht gleichförmig Auftragsvolumen auf die einzelnen Lieferanten zu verteilen, die günstigsten Wege oder die günstigsten Kombinationen zu finden aus der Unzahl der Verträge. Also wir kommen immer wieder auf das Problem zurück, hilft uns bei der Entscheidungsunterstützung.

Und im ersten Schritt ist es tatsächlich nur eine Unterstützung und im zweiten Schritt, vielleicht zwei, drei Jahre später, werden Sie immer mutiger und sagen, ich lasse sie automatisch selber entscheiden, weil das ist so eine Menge an Lieferanten die wir haben, die kann man gar nicht mehr handeln. Und da merken Sie schon, dass es sehr großen Einfluss auf Ihre tägliche Arbeit hat, weil Dinge dort ebenfalls automatisiert werden die vorher menschliche, intelligente Interaktion erfordert haben. Solche Entscheidungen zu treffen kann eine KI Ihnen künftig abnehmen. Und dadurch entstehen ganz neue Arten von Kunden-Lieferant-Beziehungen, weil Sie viel mehr handeln können. #00:22:15-0#

I: Mhm (bejahend). Darauf komme ich dann nachher gerne nochmals zurück. (...) Jetzt vielleicht, was Sie jetzt da beschreiben, was denken Sie denn, wohin geht der Trend? Also Sie sagen, das Ganze wird mehr zusammen kombiniert, die verschiedenen Teilaspekte der KI ob das jetzt visuell mit Text ist oder mit, einfach die verschiedenen Möglichkeiten die es da gibt, oder? #00:22:50-0#

B: Ja, genau. #00:22:52-0#

I: Ist das die Zukunft oder wo sehen Sie, wo geht da die Reise hin? #00:22:58-0#

B: (lacht). Die Zukunft der KI oder die Zukunft der Supply Chain? #00:23:05-0#

I: Nein, nein, der KI. Also ich bin jetzt/ // Ja, ja. #00:23:08-0#

B: Der KI, KI ist für mich erst mal ein riesengroßes Baukastensystem. Und man wird einfach schauen, wie können wir besser darin werden Entscheidungen treffen zu können und der KI ist es, das ist völlig irrelevant welche Art von Entscheidungen das sind. Man hat sie trainiert und sie wendet dieses gelernte Wissen an. Und sie kann in jedes Szenario gesteckt werden wo Entscheidungen zu treffen sind, weil sie hat gelernt Entscheidungen zu treffen.

Das große Problem ist, haben wir die richtigen Daten um die Maschine so zu trainieren, dass sie auch gute Entscheidungen treffen kann. Und insofern werden Sie merken, es gibt bei der, sagen wir mal, Entscheidungs-KI gar nicht mehr so viel zu tun außer vielleicht, wie können wir bessere Entscheidungen mit weniger Daten hinbekommen. Das ist so das große Problem, im Moment brauchen wir eine gigantische Menge an Daten. Von daher ist es nicht immer so, dass man sagt, wir müssen jetzt da noch was ganz anderes und was ganz Neues erfinden, sondern vielleicht in einigen Disziplinen einfach besser werden. Und das große Thema für mich persönlich ist, KI ist nur ein Baustein in einem großen Umfeld der Digitalisierung. Und die Digitalisierung sagt, wie würde ich denn eigentlich mein Unternehmen heute neu ausrichten, wenn ich alle diese Bausteine hätte. Und dann schaue ich mir KI natürlich aus einem ganz anderen Blickwinkel an und sage, welche Teile könnte ich denn generell ersetzen. Also nicht nur, ich unterstütze bestehende Prozesse, sondern ich mache den Prozess ganz anders, weil ich auf einmal eine KI habe.

Das hatte ich gerade mit den Lieferanten angedeutet. Ich helfe nicht nur bei der Auswahl von zehn Lieferanten sondern, weil ich das heute kann, ändere ich mein Geschäftsmodell und habe jetzt tausend Lieferanten.

Und dafür kann die Personalabteilung oder die Menschen in der Einkaufsabteilung, die können das gar nicht mehr handeln aber die machen was anderes, die fokussieren sich anders. Und das ist für mich so der große Schritt, dass wir in eine Gesellschaftsform transformieren wo wir immer mehr Dinge abgeben aber wo wir immer mehr eine Kontrollfunktion, eine Überwachungsfunktion haben und wo wir als Menschen eine Rolle bekommen Dinge zu hinterfragen und mit Intelligenz Entscheidungen zu treffen die, ja, die das Ganze im Auge behalten.

Beantwortet das ein bisschen die Frage oder geht das schon zu weit? #00:25:27-0#

I: Nein, das passt, das passt sehr gut. Aber ich/ Einfach kurz noch eine Verständnisfrage für mich. Also Sie sagen, der Mensch hat die Kontrolle und macht die übergeordneten Entscheidungen, oder, wenn ich Sie jetzt richtig verstanden habe. Das heißt, dass Sie der Meinung sind, dass das im Moment die KI noch nicht kann, oder? #00:25:49-0#

B: // Ja, das (unv. überlappend)(lacht) #00:25:52-0#

I: Oder denken Sie, // dass das die KI irgendwann dann mal können wird? #00:25:55-0#

B: Ich weiß nicht ob irgendwann aber die nächsten hundert Jahre würde ich das verneinen. #00:25:59-0#

I: Das ist auch so ein bisschen meine Erkenntnis. Ich wollte jetzt nur mal sicherstellen ob/ Also dann sagen Sie, auch hier ist es eigentlich wieder die Kombination, oder, die das eigentlich so erfolgreich macht. Und die Aufgaben werden sich dann aber einfach woandershin verlagern, oder? #00:26:21-0#

B: Ja. #00:26:21-0#

I: Das heißt, weniger manuelle oder repetitive Arbeiten, das fällt weg und es geht mehr in eine Richtung mehr wertschöpfende Sachen für das Unternehmen zu tätigen, oder? #00:26:37-0#

B: Ja. Allerdings geht KI ja auch da noch einen Schritt weiter. Weil diese repetitiven Dinge, die haben wir ja mit der IT schon lange irgendwie versucht in den Griff zu bekommen. Weil, man macht immer das Gleiche, das kann der Computer viel besser, weil der macht das vierundzwanzig Stunden lang. Die KI macht jetzt auch, sagen wir mal, halbwegs intelligente oder sagen wir intelligent erscheinende Dinge auch repetitiv, automatisiert besser. Sofern sie richtig trainiert worden ist, muss man immer in jedem Nebensatz sagen. Also das geht schon dann noch einen großen Schritt weiter aber es bleibt noch genug an intelligenten Aufgaben für den Menschen übrig. Bleiben wir nochmal bei meinem Lieblingsbeispiel Amazon. Irgendjemand bei Amazon hat dann entschieden, wir gehen vom Papier-Buch auf das E-Book. Wer hat das entschieden? War das der Einkäufer, der gesagt hat, wir müssen jetzt immer hier die Supply Chain so lange und wir haben so lange Verträge und das dauert bis die Bücher da sind und dies und das, also eigentlich wäre es doch besser wir würden das gedruckte Buch durch ein elektronisches Buch ersetzen. Oder war das der Lagerist, der gesagt hat, ja, dann brauchen wir gar kein Lager mehr, weil wir stellen einfach ein Notebook hin, da passen alle Bücher dieser Welt drauf und wir müssen ja nur eine Kopie von jedem Buch haben, das ist ja völlig andere Welt. Das ist so das Thema Digitalisierung wo man dann sagt, wir stellen das Geschäftsmodell um und auf einmal wird alles anders aber dafür braucht es eine intelligente Leistung. Und meiner Meinung nach kann man das gar nicht steuern. Man kann nicht sagen, es gibt eine Innovationsabteilung die denkt sich so was aus. Das gibt es natürlich aber ich glaube, das kommt aus den verschiedensten Abteilungen. Und das zeigt so ein bisschen wo es hingehen könnte. Nehmen Sie mal ein Beispiel aus der Supply Chain. Irgendein LKW bleibt liegen und er bringt Ihnen irgendein Hilfsmittel was Sie unbedingt in der Produktion brauchen. Der ganze Produktionsprozess ist unterbrochen. Was machen Sie jetzt? Sie könnten sagen, ich schicke da einen anderen LKW hin und lasse das Umladen damit ich möglichst wenig Zeit verliere. Oder Sie könnten sagen, der Artikel, das ist so ein Gebrauchsartikel, den können wir auch gerade mal irgendwo anders neu kaufen. Wenn es um Neukaufen geht, dann landet das bei Ihnen und wenn das um LKW-Reparatur ist, ist es in der Distribution. Und wer entscheidet denn jetzt in welches Sachgebiet die Beantwortung dieser Frage fällt?

Sie könnten das einer KI überlassen und im Prinzip könnten alle diese Personen an einem runden Tisch sitzen, schauen auf dieses digitale Abbild, dieses Prozesses, sehen, wir haben dort ein Problem

und dann kommt jede Person mit seinem Fachwissen und würde sagen, aus Sicht Einkauf könnten wir einen neuen Bestellprozess auslösen, dann wäre die Ware morgen da, aus Sicht Distribution könnten wir einen Ersatzwagen hinschicken, dann wäre das und das. Und so fängt man an mit seinem jeweiligen Kerngebiet für den ganzen Prozess zu denken und so entstehen Lösungen und Ideen. Und nicht, jemand weist es zu und dann wird das im Einkauf bestellt.

Sondern, Sie entscheiden mit, dass es vielleichte eine Alternative ist und das entscheiden Sie viel früher in der Prozesskette

bevor es eigentlich zur Bestellung kommt. #00:29:44-0#

Verbindungsprobleme #00:29:48-0# - #00:31:30-0#

B: Ja, ja. Ja, das ist okay. Ich habe noch andere Beispiele. Ich weiß nicht, wollen Sie erst zuhören oder wollen Sie erst mal mit Ihren Fragen weitermachen? #00:31:40-0#

I: Ich glaube, ich mache mal mit den Fragen weiter, weil, das passt eigentlich, also Sie sind ja schon schön auf das Thema Supply Chain Resilienz eigentlich eingegangen, oder? Dieses Beispiel das Sie da gebracht haben mit dem LKW der da nicht kommt, oder? #00:31:57-0#

B: Genau. #00:31:57-0#

I: Ich würde vielleicht zuerst gerne kurz meine Einführungsfragen dazu stellen und dann können wir in das Thema dort noch Eintauchen, wenn das für Sie in Ordnung ist? #00:32:09-0#

B: Ja, ja, das passt. #00:32:10-0#

I: Ich weiß Sie sind nicht Supply Chain Spezialist aber wenn Sie es jetzt aus Ihrer Warte anschauen, wie schätzen Sie die Wichtigkeit der Supply Chain Resilienz für Unternehmen ein? Ist das wichtiger geworden oder weniger wichtig, wenn Sie das vergleichen innerhalb der letzten fünf Jahren? #00:32:35-0#

B: Naja, ich glaube, die aktuelle Presse, ich komme nochmal auf den chinesischen Hafen zurück, die zeigt, gerade ist es wichtiger denn je. Und dann gehen wir nochmal einen Schritt zurück. Bis jetzt hat man immer von der Optimierung der Supply Chain gesprochen. // Und #00:32:52-0#

I: Korrekt. // #00:32:52-0#

B: da fragt man sich, was ist denn eigentlich die optimale Supply Chain? Und die Antwort müssen Sie gar nicht geben, weil die müsste jedes Unternehmen für sich beantworten und sagen, die Antwort ist eigentlich unser Geschäftsgeheimnis. Aber die meisten hätten auf ihrem versteckten Zettel stehen, das bedeutet zu möglichst geringen Kosten möglichst schnell das Produkt geliefert bekommen. Und dann setzt man IT darauf an, man setzt KI darauf an und sagt, optimiere mir diese beiden Parameter. Und dann haben wir so eine Situation wie wir sie im Moment in China haben. Und wenn wir sagen, wir packen aber als dritte Komponente Resilienz noch dazu und sagen, nicht um jeden Preis. Sondern vielleicht ist es für uns wichtiger, dass wir eine Kontinuität in der Bestellung haben, bitte berücksichtige das mit, dann kommen vielleicht ganz andere Abläufe raus. #00:33:42-0#

I: Genau. Danke für Ihre Einschätzung dazu. Sie haben diese Einflussfaktoren der Resilienz auch schon gerade angesprochen, dass eben die Zusammenarbeit eigentlich wichtiger wird, auch Flexibilität und die Robustheit, wenn irgendwas passiert. Es ist nicht nur noch Fokus, der Prozess muss optimiert sein und zu tiefsten Kosten, sondern eben, dass das auch wichtig ist, oder? Und wenn Sie jetzt das aus dieser Brille anschauen/ Wir hatten ja über diese KI Anwendungen gesprochen, dann haben Sie mir dieses Beispiel mit diesem Lastwagen gegeben. Da gibt es ja sicher noch mehrere Ideen von Ihrer Seite, wie man das in Zukunft anschauen könnte? #00:34:37-0#

B: Ja. Also eines der Lieblingsthemen ist ja immer in der KI sowas wie Predictive Analytics. Das kommt meistens so aus der Maschinenwelt, wann geht der Aufzug kaputt, wann geht dieser Sensor kaputt. Aber das kann man natürlich auch als Analytics darüber machen, wann treffen denn meine Waren ein. Und um dann vielleicht schon vorher zu entscheiden, sind wir wieder bei einem ähnlichen Beispiel, kann ich damit umgehen oder sollte ich vielleicht andere Reaktionen auslösen, wie zum Beispiel eine Nachbestellung. Ich hatte Anomalie Detection, sind die Daten überhaupt richtig die ich dort habe?

Das Ganze geht so in die Richtung Digital Twin. Das Wort ist noch nicht gefallen heute aber im Prinzip die Möglichkeit, das was Sie als Supply Chain bezeichnen was ich immer so als übergeordneten ganzen Prozess bezeichne, in einem digitalen Abbild darzustellen und praktisch anhand dieses digitalen Twins so Was-wäre-denn-wenn-Analysen durchzuspielen.

Und da haben Sie natürlich als Einkauf die Möglichkeit zu sagen, ich versuche mal an verschiedensten Parametern zu drehen. Ist es sinnvoll, wenn wir heute zehn Lieferanten haben auf fünf runter zu gehen? Und dann gehen vielleicht die Signale für Sie haben Kosten gespart runter aber die Resilienz Zeiger, die gehen in den roten Bereich, weil sie sagen, das Risiko dass da jemand ausfällt wird immer grösser. Oder ist es mehr so, dass wir Richtung hundert Supplier gehen sollten? Und dann kriegen Sie andere Signale zurück geliefert.

Und da kann natürlich eine KI Ihnen helfen zu sagen, findet mir doch mal eine Waagschale wo vielleicht die Parameter möglichst ausgeglichen daherkommen, also die beste Optimierung zwischen Risiko und Geld und Zeit.

Thema Multi Sourcing, also das geht genau in die Richtung. #00:36:31-0#

I: Mhm, mhm (bejahend). #00:36:32-0#

B: Wenn wir viele Lieferanten haben und ich habe ein Budget für das ich einkaufe, wie verteile ich denn das Budget, wem gebe ich denn jetzt wie viel von dem Kuchen. Und bei Umbestellungen, einer kann nicht liefern, dann muss ich das Umbestellen, das könnte eine KI alles selbstständig regeln, weil das einfach, ja, Dinge sind, die einfach zu entscheiden sind. Und der macht das vielleicht sogar neutraler, als das ein Mensch machen würde.

Rohstoffpreise könnten Sie, das hat jetzt nichts mit Resilienz zutun, aber das könnten Sie wie einen Trader anschauen. Und da könnten Sie ein KI darauf anlassen oder loslassen, sagen, analysier du mir doch mal die Preise und nimm das mit in meine Lieferantenentscheidung mit auf. Und wenn wir merken, dass die Rohstoffpreise an irgendeiner Stelle überproportional wachsen, wie das ja im Moment in einigen Bereichen der Fall ist, Grenzen, wir kratzen doch wieder an der Resilienz ein bisschen, vielleicht müssen wir dann unsere Strategie ändern. Weil das Risiko, dass dieser Rohstoff unsere Produktkosten nach oben treibt einfach zu hoch wird. #00:37:40-0#

I: Mhm (bejahend). Das sind alles sehr interessante Ansätze. Wie sehen Sie das betreffend so Bedarfsplanung? Das ist ja auch ein großes Thema. #00:37:51-0#

B: Ja, absolut. #00:37:52-0#

I: Das sehen Sie/ Also da könnte man jetzt auch diesen Digital Twins eigentlich auch anwenden, damit man mal Sachen simulieren kann, oder, wenn ich Sie auch richtig verstanden? #00:38:05-0#

B: Genau. #00:38:06-0#

I: Und wenn man natürlich jetzt Informationen vom Kunden hin zum Endlieferanten verknüpft hätte, könnte man ja da auch ganz viel optimieren und verbessern, oder? #00:38:22-0#

B: Ja, auf jeden Fall. Also das gehört jetzt vielleicht nicht zum Thema aber es ist ein schönes visuelles Bild. Die United Nations denken darüber nach, wenn Sie es mal googeln, einen Digital Twin von unserem Planeten aufzubauen. Also im Prinzip Klimaveränderungen, alle Sensoren die wir im Moment haben die so über Wetter oder Flüsse gehen, um zu sagen, wenn wir meinetwegen die Wasserqualität nehmen, irgendwo geht eine Fabrik kaputt und es werden Schadstoffe ins Wasser geleitet, was hätte das für Auswirkungen.

Und sowas kann man simulieren. Und das ist im Prinzip genau gleiche als wenn Sie sagen würden, ich habe eine Supply Chain und ich versuche mal an einigen Stellen so Worst-Case-Szenarien. Ich drücke da einfach mal auf "der Lieferant ist im Moment nicht verfügbar". Ja was passiert denn dann

? #00:39:11-0#

I: Mhm, mhm (bejahend). #00:39:12-0#

B: Und dann können Sie sagen, okay, jetzt setze ich eine KI darauf an und sage, spiel du doch mal möglichst viele Worst-Case-Szenarien durch. Oder was wäre denn das aller Schlimmste was passieren könnte? Oder wann könnten wir nicht mehr handeln? Weil, Sie können nicht, als Mensch können Sie nicht alle diese Varianten selber ausprobieren, das sind viel zu viele, aber eine KI ist einfach sehr gut darin Muster zu erkennen oder auch mit Mustern zu spielen. Und das wären Einsatzgebiete die Ihnen einfach eine gewisse Plansicherheit geben.

Die Entscheidung müssen Sie nachher selber fällen aber Sie haben eine, ja, Entscheidungsunterstützung in Form von dieser Simulation vorliegen.

#00:39:51-0#

I: Mhm (bejahend). Das tönt sehr interessant, ja. Wie sehen die denn das Thema Risikoüberwachung oder besser gesagt Risiko-Frühwarnung? Also jetzt sprachen wir ja von diesem chinesischen Hafen wo die Probleme im Moment, oder? #00:40:13-0#

B: Ja. #00:40:14-0#

I: Aber wenn wir das jetzt irgendwie schon, ja, zwei Monate vorher gewusst hätten, dann hätte man ja auch ganz anders, also jetzt als Unternehmen, handeln können, oder? #00:40:24-0#

B: Ja. Also im Prinzip ist das ja ganz einfach beantwortet mit, ja, das wünscht sich ja jeder. #00:40:31-0#

I: (lacht) #00:40:32-0#

B: (lacht) Also // (unv. überlappend) #00:40:34-0#

I: Genau. // #00:40:34-0#

B: Da würde ja keiner sagen, so eine Glaskugel möchte ich nicht haben. Das Problem ist einfach, so ein Fall wie jetzt in China hat es noch nie gegeben. Oder zumindest ist mir das nicht bekannt, dass wir die Dinge so zugespitzt haben, dass weil ein Hafen ausfällt auf einmal die Weltwirtschaft ins Ruckeln kommt. Wie soll eine Maschine etwas vorhersagen können was es noch nie gab? Das kann man gerade vergessen. #00:40:56-0#

I: Gut. Das haben Sie mir gut beantwortet, danke. (lacht) #00:41:00-0#

B: (lacht) #00:41:01-0#

I: Das wollte ich ja eigentlich hören, ja. Ja, ich bin auch zu dieser Erkenntnis gekommen, dass dann quasi die KI nur das vorhersagen könnte wo natürlich auch schon Daten da sind, worüber schon gelernt wurde, oder? #00:41:16-0#

B: Genau. Ja. Und darum, lassen Sie sich das mal auf der Zunge zergehen. Früher hat man von Künstlicher Intelligenz gesprochen. Jetzt reden wir und haben große Erfolge im maschinellen Lernen. Wir reden da nicht mehr von Intelligenz, sondern wir reden davon, wir haben etwas gelernt oder die Maschine hat etwas gelernt und wendet das an. Und da drin versteckt sich leider auch die Binsenweisheit, sie kann ja was Falsches gelernt haben. #00:41:42-0#

I: Genau. Und das bringt mich eigentlich auch gleich zu dem Thema. Sie haben ja gesagt, ob ich dann noch über Risiken spreche. // (lacht) #00:41:52-0#

B: (lacht) Ja, (unv. überlappend) // #00:41:52-0#

I: Genau. Also mich interessiert natürlich auch ein wenig, was sind denn so Hürden, wenn ich solche Sachen anwenden möchte. #00:42:01-0#

B: Ich glaube, das größte Problem ist, können Sie dieser Intelligenz vertrauen. Da haben Sie also jetzt eine Firma beauftragt die vielleicht da ihre Kernkompetenz in dem Thema hat, Sie haben ihr Daten gegeben, sie haben die Maschine trainiert, die sagen, so hier ist ihr neues Entscheidungsmodul und Sie sagen, tja, aber da hängt ja die Existenz meiner Firma von ab. Wenn die die falschen Entscheidungen trifft, dann ist die Firma pleite, also im Extremfall. Also von daher, das Risiko ist, macht die Maschine das richtige. Und das bedeutet, das muss man lernen und das muss man in kleinen Schritten adaptieren um das Risiko zu minimieren. Ich mache mal ein lustiges Beispiel. Der Herr Kaparov, Schachgroßmeister, hat relativ früh gesagt, ich möchte mal meine Partien analysieren lassen. Und jetzt, wenn Sie keine Schachspielerin sind, aber die wichtigste Figur im Spiel ist die Dame und wenn man die verliert, dann hat man meist verloren. Außer man ist Schachgroßmeister, dann lässt man die Dame ganz gerne mal verlieren, weil man so viele tolle Züge in der Hinterhand hat, dass man sagt, ich locke den praktisch, den Gegner, indem ich meine Dame opfere und danach habe ich die Partie gewonnen. #00:43:19-0#

I: Okay. #00:43:20-0#

B: Und der hat das genau ein paar Mal gemacht, der hat seine Dame geopfert und anschließend die Partie immer gewonnen. Weil sonst würde er nie die Dame opfern, der macht das nur aus Sicht dieses großen Ziels. Und dann hat er die KI darauf angesetzt und die KI hat ihm empfohlen, beim nächsten Schachspiel, im dritten Zug gleich die Dame zu opfern. Warum? Weil die KI gelernt hat, wenn man die Dame opfert gewinnt man das Spiel. #00:43:43-0#

I: (lacht) Ja, genau. #00:43:46-0#

B: Und da kann man noch nicht mal einen Vorwurf machen. Die Daten waren einfach, nicht falsch, sie waren zu wenig. Sie waren zu einseitig. Es hätte auch Daten enthalten müssen wo man gnadenlos untergeht, wenn man die Dame opfert. Und darum, es ist ein sehr großes Risiko, dass wir einseitige Daten haben, ungenügende Daten, dass wir die falschen Parameter füttern. Man soll eine Entscheidung treffen und haben wichtige Entscheidungsparameter gar nicht mitgegeben. #00:44:15-0#

I: Aber jetzt, wenn man an das Reinforced Learning denkt, dort funktioniert es ja anders herum, oder? #00:44:23-0#

B: Da funktioniert es anders herum, ja. (lacht) Also ich kann das nur so aus der, sagen wir mal, Spieltheorie. Da gibt es ja schöne Beispiele wo man sagt, zum Beispiel ein Pendel. Wir geben der Maschine die Regel mit wann das Pendel im Gleichgewicht ist und es soll lernen wie sie meinetwegen einen Roboterarm so steuert, dass das Pendel immer im Gleichgewicht ist. Und das Pendel wird tausend Mal um fallen und beim tausendundersten Versuch schafft es die Maschine, dass das Pendel vielleicht eine halbe Sekunde stehen bleibt und dann werden die Zeiten immer besser. Und irgendwann hat die Maschine selbständig gelernt wie sie auf Umwelteinflüsse reagieren muss um das Pendel immer im Gleichgewicht zu halten. Im klassischen Weg hätten wir ihr Millionen von Datensätzen geben müssen, dann fällt es um, dann bleibt es stehen, dann fällt es um und so hat es nur das Regelsystem bekommen. Und jetzt die Frage an Sie, die müssen Sie nicht beantworten, können Sie Ihre Supply Chain in ein Regelsystem verwandeln? #00:45:28-0#

I: Leider nicht. #00:45:29-0#

B: Ja. #00:45:30-0#

I: Das ist ja genau der Punkt, leider eben nicht. (lacht) #00:45:34-0#

B: Also, wenn Sie ein System haben was sich durch ein vollständiges Regelsystem beschreiben lässt. Und darum sage ich immer Spieltheorie, bei einem Spiel haben Sie die Regeln festgestellt oder festgesetzt und da gibt es nur diese Regeln. Und finde mir basierend auf diesen Regeln das korrekte Verhalten, dann ist Reinforcement ein Wundermittel. Aber wenn Sie die Regeln nicht so fix aufschreiben können, ja, dann wird es schwierig. #00:46:02-0#

I: Mhm, mhm (bejahend). Okay. Dann, sehen Sie sonst noch Risiken? Sie haben gesagt, es müsste die richtige Datengüte vorhanden sein, oder, wenn ich das jetzt // richtig verstanden habe? #00:46:18-0#

B: Ja. Ja. // Ja, aber auch da vielleicht nochmal bildlich. Also wir haben oder ich habe auch viel diskutiert über Health-Care-Lösungen in der Schweiz. Und wenn Sie zum Beispiel eine KI einsetzen die anhand von Radiologie-Daten oder Röntgenaufnahmen sagen soll, da ist Krebs zu entdecken oder nicht, dann würde ein einzelnes Spital in der Schweiz niemals genügend Bilder haben um eine qualitative Aussage von einer KI treffen zu lassen. Und wenn wir alle Spitäler der Schweiz zusammennehmen würde, dann könnte man vielleicht eine KI entwickeln die man so, ja, mal befragen könnte aber so richtig Vertrauen hätte man immer noch nicht. Man müsste im Prinzip alle Bilder der EU zusammennehmen um dann eine KI zu haben wo man sagt, der vertraue ich. Und trotzdem würde ich nur einen Platz im Expertenrat einräumen. #00:47:10-0#

I: Ja. #00:47:10-0#

B: Das zeigt einfach, nur mal als Gedankenmuster, wie viele Daten wir brauchen. Und wenn wir jetzt über Supply Chain reden, dann haben Sie vielleicht zehn Jahre Daten gesammelt aber aus Sicht von einem Maschine-Learning-System ist das viel zu wenig. Und Sie können es nicht einfach mit anderen Unternehmen kombinieren, weil die haben ganz andere Supply Chain. Wie soll man da einen, sagen wir mal, generischen Ansatz wählen wo man sagt, da kann man jetzt daraus lernen. Also von daher, leider zum Schluss ein negatives Fazit. Bei der, sagen wir mal, geringen Anzahl an Daten, glaube ich nicht, dass wir KI in einer Supply Chain in den nächsten Jahren sehen werden, dass Sie Prozessoptimierungsempfehlungen bekommen, zugeschnitten auf Ihr Unternehmen, weil die Datenmenge einfach zu gering ist. Aber die gute Nachricht ist, Sie kriegen Inputs wo Sie vielleicht mal hinschauen sollten, weil die Maschine sehr gut darauf ist, Anomalien, Muster zu erkennen um zu sagen, da habe ich Muster entdeckt und da könnten Sie vielleicht mal genauer hinschauen. #00:48:13-0#

I: Mhm (bejahend). Jetzt zum Abschluss von meinem Interview, möchten Sie noch irgendwelche Punkte aus Ihrer Sicht ergänzen? Habe ich irgendwas vergessen? #00:48:25-0#

B: Ich glaub, ich habe alles erwähnt. Ich kann nur als Fazit sagen, vertrauen Sie nicht darauf, dass Sie irgendein Produkt kaufen können wo KI draufsteht, Sie setzten das ein und alles wird gut. Sondern KI ist eine Teildisziplin der Digitalisierung und es setzt Sie praktisch unter Druck eigene Ideen zu entwickeln, alles in Frage zu stellen, nicht nur auf Bestehendes setzten und damit Wettbewerbsvorteile zu sammeln. Und ich finde, trotz der Risiken, man kann gar nicht früh genug anfangen um sich mit solchen Themen zu beschäftigen und selber auch dort Innovationen zu leisten. Also selbst wenn Sie sagen, wir haben zwar nichts Tolles gefunden, es hindert Sie ja nichts daran selber etwas Tolles zu entwickeln. #00:49:12-0#

I: Mhm, mhm (bejahend). Ja, das ist ein gutes Fazit, ja. Danke. Ich würde jetzt mal die Aufnahme mal ausschalten. #00:49:24-0#

Anhang 15: Transkription Interview I

Experteninterview Nr. I

Expertin: Anonym, SC- Expertin (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 9.7.21

Dauer des Interviews: 52min

Zur Identifikation der Aussage wird die Expertennummer (I) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Gut, dann begrüße ich dich offiziell herzlich zu diesem Interview. Ich würde mit einer Einstiegsfrage starten. Wie viel Erfahrung bringst du in der Supply Chain oder im Einkauf mit? #00:00:18-0#

B: (lacht) Das ist jetzt eine gute Frage. Also in Jahren oder von Null bis Zehn? Oder von/ #00:00:26-0#

I: Du kannst in Jahren sagen oder was du bis jetzt so ein bisschen gemacht hast. #00:00:30-0#

B: Okay. Also ich bin schon über zehn Jahre im Einkauf. Jetzt muss ich schnell überlegen. Genau, ja. Ich habe eigentlich schon meine Doktorarbeit im Bereich Beschaffungsentscheidungen im Dreieck Schweiz, Osteuropa, Asien. Und erinnere mich, hat eigentlich auch ein wenig mit Resilienz zutun. War gerade die Zeit als alle nach Asien gingen und ein paar Jahre später sind dann wieder einige zurück gekommen, weil es eben doch nicht so, weiß auch nicht, ich kann nicht sagen weil es nicht so resilient war, aber weil es scheinbar doch nicht so funktioniert hat wie man es sich vorgestellt hat. Ja, und dann war ich halt immer in der Beschaffung und jetzt in den letzten zweieinhalb Jahren in Sustainability and Risk. Und das ist, genau, Riskmanagement hat natürlich sehr viel auch mit Resilienz zu tun. #00:01:10-0#

I: Genau. Also schon sehr viele Berührungspunkte. Dann kannst du sicher die nächste Frage auch gut beantworten. Welchen Stellenwert nimmt bei dir im Unternehmen die Supply Chain, Resilienz ein? #00:01:25-0#

B: Oh, ja, (lacht) hundert Prozent oder hundert Punkte oder, ja. Nein, ist sehr wichtig. Also jetzt halt auch gerade in unserem Markt. Wir liefern diagnostische Analysengeräte, Tests. Und das sind zum Teil Test die wir einfach, also ja, egal ob jetzt eine Pandemie ist oder irgendetwas, wir sind verpflichtet, dass wir liefern können. Also wir haben auch gewisse, ja, Commitments gegenüber Ländern oder eigentlich auch gegenüber unserer Gesellschaft, dass wir eigentlich wirklich lieferfähig bleiben. Und das ist eigentlich unser oberstes Gebot, fähig sein zu liefern.

#00:01:56-0#

I: Du hast ja gerade die Pandemie angesprochen. Dann war das auch ein Thema für euch in dieser Zeit drin, dass das schwierig war. #00:02:06-0#

B: Ja, also schwierig oder /Wir haben ja auch den Corona-Test geliefert und wir haben alles daran gesetzt, dass man den Bedarf decken kann. Kosten hat man im Einkauf immer auch aber das erste Ziel war schon, wir können liefern. #00:02:25-0#

I: Also die Kosten gehen dann irgendwann in den Hintergrund. Denkst du das bleibt ein so wenn du jetzt weiter schaust? #00:02:33-0#

B: Also in den Hintergrund gehen sie nicht. Im Einkauf, glaube ich, eh nie. Vor allem jetzt kommen sie wieder in den Vordergrund, wenn es dann mit den Volumen wieder runter geht. Also es ist nicht Hintergrund

aber ich glaube, es ist halt einfach noch wichtiger, dass man immer liefern kann, also eben gerade diese Resilienz. Dass man fähig ist, wenn jetzt auch irgendwie eine Knappheit oder man hat die Kapazität nicht, dass man dann sich überlegt, wie kann ich entsprechend rauffahren, eine andere Lösung finde damit man einfach liefern kann. #00:03:05-0#

I: Mhm (bejahend). Was sind denn, aus deiner Sicht, die wichtigsten Einflussfaktoren die die Resilienz erhöhen könnten in einer Supply Chain drin? #00:03:17-0#

B: Einflussfaktoren? Ja, ganz viel, nicht wahr?

Also eigentlich das ganze Setup mit allen Lieferanten. Wie bist du eigentlich aufgestellt, welche Lieferanten sind wo.

Die ganze Beziehung, wie hat man die auch über die Jahre vorher aufgebaut.

Klar, Sourcing Strategien, wenn man natürlich in dieser komfortablen Lage ist, dass man Dual Sourcing hat.

Aber ich glaube, da muss man auch immer ein Gesamtbild haben, wo macht es Sinn, wo macht es vielleicht doch auch keinen Sinn.

Die ganze Logistik ist sehr wichtig. Was ist wo, Lager, hat man irgendwo Buffer Stock. Mengen, Volumen

, ich denke, das ist auch ein wichtiger Punkt. Je nach dem was für ein Volumen man eh schon liefert oder herstellt, dann kann ein kleiner Impact oder, sagen wir so, ein größerer Impact kann nur/ Nein, wie soll ich sagen. Wenn man große Volumen und man hat einen Impact, dann hat das vielleicht einen Super-GAU-Effekt. Wenn man aber kleinere Volumen hat, glaube ich, kann man sehr wahrscheinlich auch einen solchen Event noch besser managen, je nachdem.

Aber ich glaube, das ganze Volumen und Mengen und wo man die ganze Logistik, ich glaube, das hat einen großen Impact. Einflussfaktoren?

Also in unserem Umfeld ist natürlich all diese Regularien. #00:04:41-0#

I: Mhm (bejahend). // Auf jeden Fall. #00:04:43-0#

B: Das ist bei uns sicher // auch noch ein großer Einflussfaktor.

Wie schnell kann man denn etwas ändern.

Und dann vielleicht auch noch ein großer Einflussfaktor, die eigenen Unterstützungsmöglichkeiten. Also, ich glaube, jetzt wenn du so als Firma dann in einem solchen Moment in der Lage bist um irgendwie selber Ressourcen bereit zu stellen um zu helfen oder um, ja, das Ganze zu managen. Das ist dann aber sehr, das ist eher reaktiv, nicht wahr? Aber gehört auch, Resilienz ist ja proaktiv und reaktiv, oder? #00:05:12-0#

I: Korrekt, ja. Das würde ich auch so beurteilen, ja. (...) Jetzt, du hast von der Zusammenarbeit gesprochen, dass das wichtig ist. Zusammenarbeit innerhalb des Unternehmens oder zu deinen Partnern hin? #00:05:32-0#

B: Beides aber ich meinte eigentlich schon jetzt auch zu den Partnern, ja, zu den Lieferanten. #00:05:36-0#

I: Zu den Partnern hin. Und wenn du von der Zusammenarbeit sprichst, was macht es denn aus, dass es das dann verbessert? #00:05:46-0#

B: Das ist jetzt eine sehr schwierige Frage.

Wir haben jetzt einfach gerade auch in der Pandemie gemerkt, welches sind die Partner wo es eben funktioniert und welches sind die, wo es nicht funktioniert.

Aber das ist sehr wahrscheinlich sehr facettenreich, oder? Also, das ist jetzt noch schwierig. (lacht) #00:06:03-0#

I: Also, hast du das Gefühl es ist einfach wie man die Beziehung aufgebaut hat oder ist es wie man Informationen miteinander teilt oder was macht es aus? #00:06:15-0#

B: Ja, beides. Also ich glaube, es ist sehr facettenreich.

Also sicher, genau, wie hat man die Beziehung über die Jahre aufgebaut, kennt man einander gut, weiß man wie man Zusammenarbeitet, was der andere braucht

aber auch Informations-Sharing. Wobei, das machen wir ja dann nicht unterschiedlich bei den Lieferanten. Also eigentlich, die bekommen Informationen alle gleich, ja, sollten diese eigentlich alle gleich bekommen.

Ist sicher auch so, eben gerade in einer solchen Pandemie auch, man weiß doch selber auch nicht manchmal wo diese Volumen hingehen.

Also je mehr Information man teilen kann umso besser, glaube ich auch. Umso besser können sich die Lieferanten auch vorbereiten oder können auch mit dieser Uncertainty, wie sagt man, Unsicherheit umgehen.

Also wir haben dann auch solche Lieferanten-Calls gemacht wo wir einfach ein wenig Information geshared haben. Das ist wirklich sehr gut angekommen, damit die wenigsten ein bisschen auch das Business verstehen und verstehen, ah, deshalb sind vielleicht diese Forecasts nicht so stabil, weil wir es doch selber auch nicht wissen.

Und dann aber auch, ich glaube schon auch, wie der Lieferant selber aufgestellt ist für solche Situationen. Auch was er für Leute hat und wie proaktiver er auch selber unterwegs ist. Also ich denke, es sind mehrere Faktoren die dann diese Lieferantenbeziehung gestalten. #00:07:27-0#

I: Was sind denn, aus deiner Sicht, die Themen die am meisten gebracht haben, jetzt im strategischen Einkauf, um zu helfen diese Resilienz zu verstärken? #00:07:39-0#

B: Also, ich habe jetzt mehr das Gefühl was denn jetzt noch mehr bringen würde. Oder ist das eine nächste Frage? (lacht) #00:07:54-0#

I: Das ist dann natürlich sicher auch gut, ja. Also, ja, was hat sich bewährt und was würdest du noch vorschlagen in Zukunft ?#00:08:02-0#

B:

Also eben, das ganze Lieferantenmanagement, ich glaube, das ist eben ein wichtiger Faktor.

#00:08:06-0#

I: Management, // ja. (lacht) #00:08:08-0#

B: Oder wie meinst du? Ja. #00:08:09-0#

I: Ja, dass man es wirklich managed. Oder was wolltest du damit sagen? #00:08:12-0#

B: Nein.

Also genau diese Lieferantenbeziehung, also SRM Supplier Relation Management und das stimmt, das ist so. Man hat so viele Lieferanten, man kann das nicht mit jedem gleich gut machen. Also ja, man muss ja auch ein bisschen klassifizieren. Aber ich glaube, das ist sicher etwas, wenn man das richtig macht dann hilft das, dass man die eben entsprechend schon richtig aufbaut oder Zusammenarbeit, Informationsaustausch.

Oder eben, man hat sogar komplette Systeme wo Information fließen kann und man baut das nicht erst während eines Notfalles oder eines solchen Events auf.

Ich glaube, das ist sicher entscheidend. #00:08:46-0#

I: Jetzt haben wir vom SRM gesprochen. Wenn du sagst, wenn wir jetzt gerade die Brücke zur Zukunft schlagen, im SRM, habt ihr denn vor das zu intensivieren oder ist das etwas das bei euch schon so gut etabliert ist, dass ihr sagt, nein das ist nicht etwas das verbessert werden soll? #00:09:05-0#

B: Nein. Also wir intensivieren das jetzt nicht, wir ändern es ein wenig im Sinne von, dass wir andere Kriterien bewerten. Also jetzt gerade, aber das hat jetzt eigentlich nicht so viel mit Resilienz zutun oder ich weiß es nicht. (lacht)

Zum Beispiel Sustainability wird in Zukunft wichtiger werden. Aber was wir wirklich ändern wollen ist, dass wir mehr Transparenz bekommen in die ganze Supply Chain.

#00:09:31-0#

I: Also das wäre jetzt gelernt aus der Krise raus, dass ihr mehr Transparenz haben wollt? #00:09:36-0#

B: Ja, also wir haben eigentlich schon vor der Pandemie gesagt, hey, das brauchen wir. Jetzt hat es das halt bestätigt. Wir brauchen das wirklich.

Wir haben bei einigen Supply Chains dann nicht, dass unser Tier Eins Supplier ein Problem war, sondern eben Tier X, irgend eine elektronische Komponente aus China. Und das ist sicher etwas das wir, ja, das wollen wir vorantreiben, dass wir besser Supply Chain Transparenz haben.

Und dann eben, ja, das geht dann auch ein wenig in die Richtung Artificial Intelligence, das kannst du eigentlich nicht auf einem Excel-Sheet managen. Da musst du dann schon ein wenig mehr Intelligenz noch dahinter haben.

Und was sicher, was wir schon/ Also jetzt zu vorhin noch, was wir sicher schon gemacht haben ist proaktives Riskmanagement aber das ist sicher auch etwas das man noch verstärken kann oder beibehalten.

Oder, ja, dass man auch unseren Lieferanten, so bezüglich Business Continuity Management, ein bisschen mehr auf die Finger schaut, dass sie das eben wirklich machen.

Aber ich glaube, es wurden jetzt auch ein paar wachgerüttelt, dass sie das von sich aus auch machen. #00:10:37-0#

I: Mhm (bejahend). Du hast ja vorhin auch gesagt wegen den Einflussfaktoren, eben, geografisch das Setup welches ihr habt. Ist das auch etwas das ihr euch überlegt jetzt auf Grund von diesen Problemen die da sind? #00:10:51-0#

B: Ja. Also ich glaube, generell fragt man sich manchmal, müssen denn die Lieferketten so lang sein. #00:10:56-0#

I: Mhm (bejahend). #00:10:57-0#

B: Aber ich glaub jetzt, also das ist mehr so dann vielleicht meine persönliche Meinung, ich habe nicht das Gefühl, dass man sagen kann dieses Land ist gut, dieses Land ist schlecht. Weil, ja, ein Mal kommt das aus China, das andere Mal kommt es aus Japan, das dritte Mal hast du in der Schweiz vielleicht auch ein Problem. Also ich glaube jetzt nicht, dass man so sagen kann in diesen Ländern sourcen wir einfach per se nicht.

Es ist mehr, dass man eigentlich eher sagt, ja, die Lieferketten sind zu lange. Also, dass einfach, ja, dass Komponenten von Asien in die Schweiz und wieder zurück und wieder zurück, das macht einfach keinen Sinn, dass man das auch x-mal hin und her schickt.

Also macht auch aus (lacht) // Nachhaltigkeitsaspekt #00:11:30-0#

I: Mhm (bejahend), das stimmt. Ja. // #00:11:30-0#

B: wirklich keinen Sinn.

Aber eben auch, es ist umso anfälliger je länger die Lieferkette ist.

#00:11:34-0#

I: Mhm (bejahend). #00:11:35-0#

B: Kostet auch mehr. #00:11:38-0#

I: Ja, es kostet natürlich mehr, ja. Es macht es auch komplex. Also es hat verschiedene Gründe warum, dass das natürlich Sinn macht. Und ist das denn auch eine Strategie die ihr verfolgt in dem Sinne, diese kürzer zu machen oder/? #00:11:50-0#

B: Also sicher mehr so eigentlich getrieben auch durch Nachhaltigkeit. Dass wir sagen, hey, wir wollen eigentlich nicht Komponenten drei Mal durch die Welt schicken. #00:11:58-0#

I: Mhm (bejahend). Mhm (bejahend). #00:12:00-0#

B: Und

primär zuerst mal eigentlich Transparenz zu haben, das haben wir ja eben auch nicht überall.

Und dann, glaube ich schon, dass wenn wir dann da mal voll in Transparenz sind, dass wir dann sehr wahrscheinlich auch eine Strategie festlegen müssen was wollen wir damit, also, was wollen wir ändern. #00:12:15-0#

I: Mhm (bejahend). Mhm (bejahend). Dann hattest du ja auch noch das Thema angesprochen, eben, wenn man in der komfortablen Lage ist und zwei Lieferanten oder drei Lieferanten hat. Ist das etwas das ihr versucht mehr voranzutreiben oder ist das gar kein Thema bei euch? #00:12:34-0#

B: Doch, also bei absatzstarken Produkten schon. Also jetzt gerade bei diesen Consumables die auch wirklich, eben, wenn so ein Kunststoffteilchen fehlt, dann hat der Kunde keine Möglichkeit um zu testen. Dort haben wir auch schon mehrere Multiple Sources.

Wir haben sonst, so auf der Instrumentenebene haben wir einfach auch zu wenig Volumen, dass man wirklich diese Sources aktiv behalten kann.

Es reicht nicht, dass du nur sagst ich habe zwei. Du musst ja die dann auch ständig irgendetwas bestellen bei denen sonst liefern die dann auch nicht.

Aber etwas das man sich sicher zum Beispiel jetzt gerade bei der elektronischen Komponente überlegt, dass man zumindest mehrere Level, nicht Level, wie soll ich sagen, Komponenten auch frei gibt oder mitprüft am Anfang.

// Aber, ja. #00:13:19-0#

I: Wie ist/ // Wie ist denn das aus regulatorischer Sicht bei euch? Könnt ihr das überhaupt oder ist das etwas wo der Lieferant nicht schon festgelegt ist dann gerade von Anfang an? #00:13:30-0#

B: Nein, der Lieferant nicht aber die Spezifikation ist halt festgelegt. #00:13:34-0#

I: Bei euch ist es die Spezifikation. Weil, ich kenne es zum Teil, dass sogar der Lieferant // festgeschrieben ist. #00:13:41-0#

B: Nein, manchmal // sind halt die Spezifikationen so schlecht geschrieben, dass das mit dem Lieferanten verknüpft ist. (lacht) #00:13:46-0#

I: (lacht) Okay. Ja, ich verstehe. Ja, // okay. #00:13:48-0#

B: Also jetzt eben gerade // bei elektronischen Komponenten, da ist es so kritisch auf einem solchen

Printed Circuit Board, dass es eigentlich hieß, diese Komponente von diesem Lieferanten, das ist die Spezifikation. Und dann hat man die Möglichkeit, dass man, eben, mehrere parallel frei gibt von Anfang an und mit testet.

Aber das muss man schon als, ja, jeden Change musst du dokumentieren und je nach Impact müsstest du ihn dann auch frisch einreichen und das, eben, das machen wir nicht. Also muss man von Anfang an mitdenken. #00:14:18-0#

I: Mhm (bejahend), genau. Dann hattest du ja gesagt, das proaktive Riskmanagement, von Contingency Planning hattest du noch irgendwie ein bisschen etwas gesagt. Regelt ihr das vertraglich?#00:14:33-0#

B: Ja, genau.

Also im Vertrag ist es drin, hey, der Lieferant ist verpflichtet das Business Continuity Management etabliert zu haben. Und muss, glaube ich, auch, ich glaube das steht auch drin, dass er es entsprechend uns zeigen muss.

Aber ist natürlich auch wieder die Frage, wie weit gehst du um das anzuschauen. Da haben wir jetzt doch angefangen bei gewissen halt zu sagen, zeig uns doch mal was du hast. Und dann bei kleineren auch zu supporten um zu erklären was wir denn eigentlich möchten. Weil es reicht dann nicht einfach so einen One-Pager zu haben oder so. Also da sieht man ja auch verschieden Levels, ja. #00:15:08-0#

I: Also sprich, ihr geht das auch auditieren in dem Fall, ob das wirklich so ist und funktioniert. #00:15:14-0#

B: Also, nicht gerade, dass wir ein Audit machen aber dass wir es zumindest anschauen und Empfehlung abgeben. #00:15:21-0#

I: Mhm (bejahend). (...) Wenn jetzt du so ein bisschen eine Kristallkugel hättest, was denkst du, in welche Richtung geht es? Wird die Supply Chain Resilienz in den nächsten Jahren noch wichtiger oder ist das jetzt einfach ein Trend durch diese Pandemie der wieder abflacht? #00:15:43-0#

B: (lacht). Kristallkugel? #00:15:47-0#

I: (lacht) #00:15:49-0#

(...)

B: Nein, ich glaube schon. Weil ich glaube, eben generell einfach, unsere Welt ist nicht mehr so predictive. Ich glaube schon. Wir haben mehr Wahrscheinlichkeit, dass etwas Unvorhersehbares passiert. Aber ich glaube, eben, in den letzten Jahren hat man sich auch so ein bisschen, man sourced irgendwo überall. Ich glaube, da gibt es mehrere Einflussfaktoren warum man das vielleicht doch nicht mehr macht. Deshalb, dann wird es vielleicht wieder ein wenig stabiler. Also es hat vielleicht beides, nicht wahr? Weiß nicht. Was denkst du? (lacht) #00:16:25-0#

I: (lacht) Ich denke es bleibt wichtig. Ob es wirklich wichtiger wird, das ist noch schwer zu beurteilen. Also ich denke einfach, durch diese Vernetzung die auch stattfinden wird, wird man ja mehr abhängig sein von den Lieferanten und dann hast du auch mehr Risiken zum Lieferanten hin. Dann musst du das irgendwie besser managen, wenn du mehr abhängig nachher bist, oder? Und es wird immer komplexer, diese Netzwerke die wir haben. #00:16:56-0#

B: Die können ja fast nicht mehr komplexer werden, oder? #00:16:59-0#

I: Ja, ich hatte gerade heute Morgen ein Gespräch wo ich eines besseren belehrt wurde. (lacht) #00:17:07-0#

B: Okay. #00:17:08-0#

I: Ja, also ich denke, da wird sich noch ein bisschen was tun. Also wir haben ja einfach nicht mehr irgendwie nur noch Ketten, sondern Netzwerke unterdessen schon, oder? #00:17:17-0#

B: Ja, ja. Klar, ja. #00:17:18-0#

I: Und das verknüpft sich jetzt halt immer mehr, das Ganze. Aber, genau. #00:17:26-0#

B: Wird sehr wahrscheinlich, wie du sagst, gleich wichtig bleiben, ja. Und andere Faktoren werden auch noch eine Rolle spielen. #00:17:33-0#

I: Genau. Gut. Dann habe ich ja gesagt, mich interessiert das Thema wie Künstliche Intelligenz, das könnte ja unterstützen um diese Resilienz verbessern zu können. Jetzt ist das ja so ein großes Thema. Es spricht jeder davon, ist aber eigentlich auch nicht ganz klar definiert was das wirklich ist. Was verstehst du darunter? #00:17:57-0#

B: Unter Künstlicher Intelligenz jetzt? #00:18:00-0#

I: Ja. #00:18:01-0#

B: Was verstehe ich unter Künstlicher Intelligenz? Dass man alle möglichen Daten die man hat oder die man haben kann, dass die irgendwie clever zusammen gebracht werden und dann vor allem, glaube ich, dass dieses System selber noch dazu lernt. Also das ist ja, glaube ich, noch ein wenig der Unterschied so ein bisschen zu Big Data, dass irgendwie das System sich selber entwickeln und verbessern kann. Ja, so ganz grob. (lacht) #00:18:32-0#

I: Ja. Nein, das ist/ (lacht). Ich denke, das ist schon der Kernpunkt, dass es selber lernen kann, ja. Das würde ich jetzt auch so / #00:18:42-0#

B: Okay. #00:18:43-0#

I: Es ist sicher ein großes Gebiet und die einen nehmen das noch rein und die anderen nehmen das nicht rein. Es ist einfach nicht ganz klar definiert, oder? #00:18:54-0#

B: Mhm (bejahend). #00:18:55-0#

I: Im Sinne von ist jetzt ein Roboter jetzt Künstliche Intelligenz oder ist das nicht. #00:19:00-0#

B: Schon, oder? Nicht? #00:19:01-0#

I: Ja, wenn er halt nicht lern ist es vielleicht keine Künstliche Intelligenz weil dann macht er ja nur irgendetwas. // Also eigentlich/ #00:19:08-0#

B: Ach, so. Okay. Mhm (bejahend). #00:19:09-0#

I: Aber wenn er dazulernt, dann schon. Und dann ist die Frage aber was. Wenn er jetzt nur ganz wenig dazulernt, gehört jetzt das schon da hinein oder nicht. Eben, das ist von dem her einfach auch nicht ein ganz klar abgegrenztes Gebiet. Es ist eigentlich wie ein Oberbegriff für verschiedene Sachen die drunter sind. Und dieses lernende System, das ist dieses Machine Learning das du jetzt da angesprochen hast, eben, wo das System dann sich selber aus Daten verbessern kann und lernen kann aus den Daten. Genau. Jetzt, kennst du irgendwelche Anwendungen im strategischen Einkauf die man mit KI nutzen kann? #00:19:57-0#

B: Ja. Also was ich schon gehört habe, dass eben zum Beispiel gerade so wie, jetzt weiß ich gar nicht wie man dem sagt, bei uns heißt das JCC Joint Commodity Codes. Wie heißen die? Wie heißen die auf Deutsch? Materialgruppencode oder // Warengruppencode. #00:20:14-0#

I: Warengruppenschlüssel, ja. Mhm (bejahend). #00:20:14-0#

B: Oder, ja, genau. Da habe ich schon gehört, und ich weiß aber nicht ob wir es machen bei [Organisation], dass das System eben selber aufräumt, dass die richtig sind und eben auch lernt mit der Zeit was ist denn richtig. Weil, wir haben ja, also ich weiß nicht, kennst du vielleicht auch, dass man das halt nicht hinbekommt, dass das hundert Prozent richtig ist, oder? Dass das immer wieder eine riesen Aufgabe ist für den Einkauf und eigentlich niemand hat Zeit um diese Codes richtig zu stellen und es wäre aber eigentlich super wichtig. Und, ja, so habe ich verstanden, man könnte eine Anwendung haben. Ich weiß eben nicht ob wir sie schon haben, dass man so dieses Data Cleansing eigentlich, dass man das über Künstliche Intelligenz supporten könnte. #00:20:58-0#

I: Mhm (bejahend). Davon habe ich auch schon gehört, dass es das gibt, ja. #00:21:02-0#

B: Und ich glaube eben, dann Data Cleansing kann sogar weiter gehen als Warengruppencodes aufzuräumen. Ich glaube da auch sonst so Materialien die nicht mehr aktiv sind. Also, ja, vor allem im SAP System drin, im ERP System, dass man da aufräumt. Data Cleansing könnte man, glaube ich, Künstliche Intelligenz brauchen. #00:21:18-0#

I: Mhm, mhm (bejahend). #00:21:19-0#

B: Und eine andere Anwendung die ich schon gehört habe, machen wir aber auch nicht, sind die ganzen Block-Chain-Verträge. Ich weiß zwar nicht, gehört das zur Künstlichen Intelligenz? #00:21:26-0#

I: Es wird auch Künstliche Intelligenz verwendet für die Block Chain, ja. Ist ja eigentlich eine Kombination der Technologie. Mhm (bejahend). Also, es wäre sicher/ Aber jetzt Block Chain, wäre das nicht ein Thema für euch, für das Unternehmen? #00:21:44-0#

B: Also jetzt für die Verträge? #00:21:46-0#

I: Jetzt, ich habe weniger/ Also du hast jetzt diese Smart Contracts angesprochen, oder, in dem Fall? #00:21:53-0#

B: Ja. Also ich glaube, man schaut es jetzt bei uns an. Also wir haben jetzt auch gerade eine solche Diplomarbeit am Laufen. Ich glaube, wir sind halt nicht so simpel gestrickt bei diesen Verträgen, weil jeder Vertrag dann wieder anders ist. (lacht) Ja, man muss ja jeden Vertrag verhandeln und es ist nicht ganz so/ Und eben, so Changes, die macht man nicht einfach so ich ändere mal ein bisschen und die Community überprüft ob ich da jetzt was geändert habe. Also ich glaube, es funktioniert nicht aber da bin ich sehr wahrscheinlich auch zu wenig Fachexperte um wirklich zu verstehen wie es denn funktionieren würde, dass ich eben nicht mehr Aufwand habe. Das Ziel wäre ja, dass man eigentlich, eben in dem Sinne, entweder die Kontrolle erhöhen oder den Aufwand minimieren, oder? #00:22:36-0#

I: Also ich bin jetzt nicht ganz sicher, es gibt eben verschiedene Anwendungen. Wenn du von Smart Contracts sprichst, dann wäre es, dass du Sachen hinterlegen kannst, so Bedingungen. Also jetzt ganz ein einfaches Beispiel, wenn der Wareneingang erfolgt ist, geht automatisch die Zahlung raus, dann macht das System gleich selber etwas. Und wenn du Vertrags-, weißt du, Vertragsklauseln hast, oder, dass es dann sagt, wenn das ist dann macht das System gleich selber etwas. Also das/ #00:23:13-0#

B: Hm (bejahend), okay. Also das ist auch schon Block Chain, okay. #00:23:16-0#

I: Das wäre mal das Contract, das ist auf einer Block Chain drauf. Und Block Chain ist eigentlich, dass du einfach deine Daten verschlüsselst damit du die nicht mehr verändern kannst, jetzt ganz einfach gesagt. Und Block Chain könntest du eben, deshalb hat es mich jetzt auch noch interessiert, ob ihr Block Chain schon einsetzt, das kannst du ja auch für die Transparenz-, weißt du, gewinnung kannst du das auch nützen. Damit du ja Transparenz in deine Supply Chain rein bekommst. #00:23:51-0#

B: Aber über den Vertrag, oder? Oder/ #00:23:55-0#

I: Nein. Nein, das hat dann nichts mit dem Vertrag // zu tun, ja. #00:23:58-0#

B: Aha, okay. // #00:23:58-0#

I: Aber das sagt dir nichts? Ja. #00:24:01-0#

B: Setzen wir so noch nicht ein, nein. Und ich weiß nicht, ja, vielleicht ist es mal eine Anwendung. Ich weiß gar nicht. (lacht) #00:24:06-0#

I: (lacht) // Jetzt so/ #00:24:09-0#

B: Also natürlich so, // wie heißt es, Procure to Pay Automation, das gehört aber nicht zur Artificial Intelligence, oder? Dass man eben sagt, die Bestellung wird frei gegeben und geht dann automatisch raus. Also ich meine, das haben wir natürlich schon. Dass wenn du ein Approval hast und dann kommt die Ware, dann wird es ein gebucht und dann wird auch gleich die Zahlung freigegeben. Also das haben wir schon aber das ist für mich nicht Artificial Intelligence, oder? (lacht) #00:24:33-0#

I: Wenn es lernt, das System, würde es dazugehören und sonst nicht, oder? Aber ich, ja. Eben, Automatisierung wird schon relativ viel hierbei eingesetzt eigentlich. #00:24:45-0#

B: Das haben wir schon, ja. Also jetzt gerade bei Bestellungen, Procure to Pay, das ist, glaube ich, so der Prozess den man am besten automatisieren kann, eben, von der Bestellung bis zur Invoice. #00:24:57-0#

I: Mhm, mhm (bejahend). #00:24:58-0#

B: Schon möglichst automatisiert zu sein, ja. #00:25:01-0#

I: So für das Vertragsmanagement, habt ihr da auch irgendetwas in diese Richtung? #00:25:09-0#

B: Also für die Ablage oder was meinst du mit Vertragsmanagement? #00:25:14-0#

I: Also das könnte ja den Inhalt aus diesen Verträgen herauslesen und dann etwas damit machen, also dir entweder eine Empfehlung abgeben oder gleich schon selber irgend/ #00:25:28-0#

B: Nein. Also so vor allem die großen Verträge. Klar, wenn man sich überlegt, dass eine Bestellung ja auch ein kleiner Vertrag ist. #00:25:35-0#

I: Genau, das ist es. #00:25:36-0#

B: Dort haben wir es natürlich, alles was im SAP ist, oder? Mengenverträge (unv.). Diese Verträge ja aber natürlich die großen mit allen Klauseln, das ist alles schön auf Papier und PDF. Und bis vor kurzem auch noch immer manuell unterschrieben. (lacht) Jetzt kommt es langsam, dass man das wenigsten elektronisch unterschreiben kann. Aber das ist nicht so, das was du jetzt sagst, dass man es so automatisch irgendwo auslesen könnte. #00:26:01-0#

I: Oder, du hast ja dann Informationen in solchen Verträgen drin bei denen du, wenn du gewisse Bedingungen hast, ja dann auch etwas machen müsstest. Also eine solche Intelligenz könnte dir eigentlich auch helfen. #00:26:15-0#

B: Ja, ja. Du musst halt irgendwo die Info verknüpfen, ja. Ich weiß nicht. Ja. #00:26:21-0#

I: Also, wenn du das jetzt mit deinen Kundenverträgen verknüpfen würdest. Also als Beispiel, du hast Verträge mit dem Kunden und du hast Verträge mit den Lieferanten, dann könntest du ja auch gewisse Diskrepanzen drin. (...) Ist das nie ein Thema bei euch, dass ihr dort/ Oder wie managed ihr das, dass diese gut abgeglichen sind? Also wenn ihr Verbindlichkeiten gegenüber dem Kunden habt und das dann beim Lieferanten ganz anders vereinbart ist? #00:27:00-0#

B: Ja, super schwierig, nicht wahr? (lacht) Also wir haben ja Kunden in der ganzen Welt. Dann geht das über unsere Operations und die commiten sich und daran sind dann wieder zweitausend Lieferanten gekoppelt oder noch mehr. #00:27:16-0#

I: Genau. Und wie wird denn diese Information, was der Kunde da jetzt möchte, durchgängig/? 27:22-0#

B: Also gut, die Qualität müssen wir eh selber sicherstellen aber du meinst jetzt vor allem von der Menge her? #00:27:28-0#

I: Ob es jetzt die Menge ist oder es könnte ja sein, dass du irgendeine Vertragsstrafe hast. / #00:27:35-0#

B: Ja, klar. Dieses Risiko tragen // wir selber, ja. Also klar, wir können sehr wahrscheinlich nicht/ Eine County-Pönale die uns irgendein Kunde gibt, ein großes Lab, kannst du natürlich eh nicht auf unseren kleinen Schraubenlieferanten abwälzen. Also das wäre jetzt gar nicht, finde ich, angebracht, dass du sagst der bekommt die gleiche Pönale, oder? Also da haben wir schon noch (unv. überlappend) #00:27:55-0#

I: Ja, aber du hast ja ein Risiko, wenn man es jetzt so ein wenig vom Risiko/ Zumindest ein finanzielles Risiko hättest du ja jetzt dort drin, oder? #00:28:02-0#

B: Wobei jetzt? #00:28:05-0#

I: Eben, wenn du gegenüber dem Kunden eine Verpflichtung hast die du nachher nicht erfüllen kannst weil du sie von der Lieferantenseite nicht abgedeckt hast, oder? #00:28:14-0#

B: Wenn wir nicht liefern können meinst du jetzt, oder? #00:28:17-0#

I: Mhm (bejahend). #00:28:17-0#

B: Ja. Also ich meine, das ist letztendlich dieses Risiko das wir managen müssen. Und das managen wir natürlich schon so dass wir sagen, wir müssen auch mit einem kleinen Schraubenlieferant einen Vertrag haben und diesen dann so managen, dass der liefern kann. Und wir nehmen auch nicht immer neue Lieferanten, sondern wir haben qualifizierte Lieferanten. Und wir vertrauen auf den und sie stellen sicher, dass der liefern kann. Aber ich meine, dieses finanzielle Risiko, das ist so, das müssen wir nehmen. Deshalb ist auch, ja, deshalb ist auch sehr wahrscheinlich nicht jeder in unserer Branche tätig, oder, (lacht) weil es halt schon ein ziemliches Risiko ist. #00:28:53-0#

I: Mhm (bejahend), okay. Dann, wenn wir jetzt über diese Anwendungen sprechen, setzt ihr das eventuell auch für die Lieferantensuche ein, Künstliche Intelligenz? Ist das auch etwas das/? #00:29:10-0#

B: Also wir haben Market Insides und nutzten da auch Plattformen, Providers. Ich weiß nicht. Wenn das als Künstliche Intelligenz angesehen wird, dann ja, dann nutzen wir das. Also mehr so im Sinne von/ #00:29:24-0#

Verbindungsprobleme #00:29:25-0# - #00:29:54-0#

B: Also eben, wir nutzen für Category Management, für Market Reviews, oder sagen wir auch mal einen Market Overview, nutzen wir schon solche Market Intelligence Plattformen, also auch externe wirklich. Ja, dass wir eigentlich von extern auch uns diesen Service einkaufen.

Wir haben jetzt auch intern schon so eine kleine Data Analytics wo wir auch verschiedene Preisentwicklungen und unseren Volumen und so weiter, wo man das eigentlich zusammen bringt. Aber für mich ist das eher/ Eben, das ist nicht, dass das System selber lernt, es ist mehr Data Analytics und Reporting dann. #00:30:30-0#

I: Mhm (bejahend). Und macht dieses denn auch Vorschläge oder kann es Prognosen abgeben? #00:30:38-0#

B: Also

unsere interne Analytics Plattform, ja, die gibt, glaube ich, basierend auf den Historical Data macht sie eine Trendentwicklung.

Ich weiß nicht, ist das Künstliche Intelligenz? Vielleicht. #00:30:55-0#

I: Also wenn es aus den Daten lernen kann, wäre schon Künstliche Intelligenz dahinter, ja. Also es gibt eben viele Anwendungen wo wir ja gar nicht merken, dass da KI dahinter steckt. Also das/ #00:31:08-0#

B: Okay. #00:31:09-0#

I: Wir bekommen dann einfach gute Empfehlungen oder, ja, einfach Sachen die vorher nicht gingen, oder? #00:31:17-0#

B: Also ja, es zeigt eigentlich eine Prognose. Eine Empfehlung ist es nicht. Du musst dann immer noch selber denken ob das jetzt Sinn macht oder nicht, ja, jetzt in unserem Fall. Es bringt eigentlich wirklich Daten zusammen und schreibt einen Trend fort.

#00:31:32-0#

I: Ja. Der nächste Schritt wäre dann, dass es selber etwas machen würde. Aber das gehört, also wenn ich jetzt das so höre dann denke ich schon, dass das in diesen Bereich rein gehören könnte. Mhm (bejahend). Jetzt vielleicht etwas konkreter. Die Lieferantensuche habe ich angesprochen, weil ich denke das wäre auch ein Thema das man jetzt für die Resilienz-Verstärkung nutzen könnte, oder, wenn die KI einem hier unterstützen könnte. Wie schätzt du das ein? #00:32:04-0#

B: Also meinst du, dass wenn man jetzt ein Problem hat, dass man dann gleich einen neuen findet, oder wie? #00:32:09-0#

I: Genau. #00:32:10-0#

B: Eben, bei uns ist es halt, dass man eigentlich nicht einfach kurzfristig wechseln kann. #00:32:15-0#

I: Mhm (bejahend). Das ist gar kein Thema bei euch von der Branche her, nicht wahr? #00:32:19-0#

B: Wenig, ja, weil um einen Lieferanten dann wieder neu zu qualifizieren, #00:32:24-0#

I: Das dauert lange, nicht wahr? #00:32:25-0#

B: das dauert lange. Aber es gibt immer mal wieder Events wo man einen sucht aber dann ist das so dringen und so selten, dass ich, glaube ich, keine KI brauche. Ich glaube, legt man sich selber voll ins Zeug und dann findet man dann den, den man benötigt. #00:32:42-0#

I: Genau. Und dann so im Bereich/ Du hast ja gesagt, ihr habt auch Risikomanagement. Also nehme ich an, dass ihr eure Risiken auch bewertet und regelmäßig versucht diese irgendwie zu überwachen. Werdet ihr da auch irgendwie von einer solchen Plattform unterstützt die/? #00:33:01-0#

B: Ja. Jetzt muss ich gerade schnell überlegen was wir alles haben. (lacht)

Also wir haben zuerst mal intern selber ein paar Daten die wir zusammentragen und dann auch ein bisschen Dashboard machen. Also das sind eigentlich so unsere eigenen Daten.

Dann haben wir aber auch externe, Datenbanken sind ja das eher, auf Lieferantenebene mit Financial, Adverse Media. Oder vielleicht haben sie sonst irgendwie etwas, irgendeine Medienmitteilung in diversen Bereichen oder werden sie gerade aufgekauft und so weiter. Also da haben wir eine Datenbank wo wir auch setzen können, gib mir einen Alert für den und den Lieferanten.

Plus, in Zukunft wollen wir mehr noch in Richtung Supply Chain Transparenz gehen, dass wir solche Supply Chains mappen und dann eigentlich einen Alert bekommen. Zum Beispiel wenn es jetzt irgendwo in Japan ein Erdbeben gibt und unser Tier X Lieferant ist dort, dass wir dann einen Alert bekommen.

Das bauen wir aber jetzt gerade erst auf. #00:34:04-0#

I: Wenn du sagst, mappen, kommen dann alle Lieferanten auf die gleiche Plattform oder wie macht ihr das genau? #00:34:12-0#

B: Ja, genau. Die Idee ist, es braucht natürlich auch sehr viel Aufwand von unserer Seite, dass wir uns die kritischsten Lieferanten auf eine solche Plattform laden.

Und dass wir eigentlich wissen, dieses Produkt besteht aus diesen und diesen Einzelteilen Und die sind so in der Welt verteilt, diese Lieferanten. Und das alles gehört zusammen und fließt in unser Endprodukt an dem so viel Sales hintendran hängt, dass wenn einer dieser Tier N nicht liefert, dann haben wir ein Problem. Also dass wir einfach, ja, eigentlich das so mappen.

Ja, wie soll ich sagen? #00:34:40-0#

I: Ja, ja. Vermutlich macht ihr eine Art Wissens-Graphen wo ihr wie die Beziehungen/ Also wenn das ist passiert jenes und dann heißt das für uns folgendes, oder, vermutlich? Ja. #00:34:54-0#

B: Du weißt zum Teil, gerade auch bei den elektronischen Komponenten, die werden bei mehreren Instrumente eingesetzt, oder? Ja, wenn ein solches Teil fehlen würde hätten wir ein Problem auf mehr als nur einem Produkt bei uns. #00:35:08-0#

I: Und ich nehme an, da arbeitet ihr mit jemand Externem zusammen der euch unterstützt. Ja. Spannend. Und das ist jetzt das Projekt das ihr jetzt gerade gestartet habt? #00:35:21-0#

B: Ja, genau. Und es ist natürlich schlussendlich auch sehr viel Aufwand von unserer Seite.

Also der Aufwand besteht auch darin, die Information überhaupt zu haben. Ich glaube, diese Intelligenz noch dahinter zu legen um den Alert zu triggern, dass nicht so aufwendig. Also nicht so aufwendig, das kann eben diese externe Plattform aber die Daten liefern, das müssen wir ja selber.

Da kann niemand helfen, nicht wahr? #00:35:45-0#

I: Mhm (bejahend). Und du sagst, das wird einfach mit den wichtigsten aufgebaut? #00:35:53-0#

B: Ja, also je mehr desto besser aber wir müssen halt irgendwo mal anfangen. (lacht) #00:35:59-0#

I: Mhm (bejahend). Jetzt aber so, dass ihr alle zusammen auf dem gleichen System seid, sowas habt ihr nicht? Also dass ihr quasi wie, weißt du, dann Informationen auf dem gleichen System miteinander teilen könnt? #00:36:19-0#

B: Wer genau? #00:36:20-0#

I: Die Firma mit den Lieferanten, oder? #00:36:26-0#

B: Also das ist eigentlich die Idee dieser Plattform, dass die Lieferanten/ #00:36:33-0#

I: Also jetzt bin ich nicht sicher ob ich es richtig verstanden habe. #00:36:36-0#

B: Also sie sind, sind die auf dieser Plattform?

Nein, sie geben Informationen an diese Plattform. Also der Lieferant muss mir ja sagen, ich kaufe dieses und dieses Teil dort und dort ein. Und es ist dann auch ein Mehrwert für sie, also so wollen wir es ihnen auch verkaufen, dass wenn es einen solchen Event gibt, dann bekommen sie natürlich diesen Alert auch.

// Aber es ist nicht so, dass sie #00:37:02-0#

I: In dem Fall teilt ihr // die Daten hin und her, oder? #00:37:04-0#

B: Also hin und her? Es ist einfach ein Mal, diese Daten wo du wissen musst woher kommt welche Komponente und Sub-sub-sub-Komponente. #00:37:15-0#

I: Also, weißt du, ich spreche jetzt mehr so ein wenig das Thema an/ Also ich mache jetzt ein simples Beispiel vielleicht. Also wenn du jetzt natürlich Informationen teilen würdest was du für Bedarfe hast und der Lieferant sagt dir was er für einen Ausstoß hat, dann könntest du ja mit diesen Informationen auch etwas anfangen, oder? Jetzt einfach als Beispiel, oder? Dann wüsstest du sofort, hey, der hat jetzt hier ein Problem, das heißt jetzt ich habe auf dieser Seite diesen Bedarf, auf die andere Seite hat aber der Lieferant ein Problem. Das kannst du aber mit (X?)-Daten machen. Das könntest du ja auch mit Qualität machen, oder? Wenn zum Beispiel die Qualitätsdaten nicht mehr gleich sind, dass du sofort weißt, hey, da ist gibt es ein Problem, oder? Dann könntest du schneller reagieren, oder? #00:38:04-0#

B: Ja, das stimmt. Also das haben wir bei Consumables, ja. Aber das geht ein bisschen an mir vorbei, weil es eben voll qualitäts- und kapazitätstreibend ist. Aber das ist eigentlich einfach, ja, die Systeme sind verbunden. Ja. Und wir wissen jeden Abend was kommt da raus und er weiß was wir brauchen, ja. Aber das ist eigentlich eine andere Plattform. Oder nicht eine Plattform, es ist einfach nur eine Verbindung des Systems. #00:38:31-0#

I: Also dort teilt ihr einfach diese Bedarfs- und Produktionsdaten aber jetzt nicht irgendwelche anderen Daten? Weißt du, Qualität oder andere Geschichten? #00:38:41-0#

B: Ja. Ich glaube, das ist/ Also bei Consumables haben sie das aber da bin ich ein bisschen weiter davon weg. Dort siehst du eigentlich einfach was kommt raus. Und ich glaube, wenn nicht so viel raus kommt wie es sollte, dann muss der Lieferant sagen was das Problem ist. Und dann ist klar, wenn es ein Qualitätsproblem ist, dann weiß man das sowieso gleich sofort. (lacht)

Also ja, es ist eigentlich die Menge und die Qualität, das sieht man schon. Aber es ist jetzt nicht so, dass das noch verlinkt ist mit der Information, dass der Markt irgendwie verrücktspielt oder so. Das ist nicht in dieser/ Also das was du jetzt angesprochen hast, das ist wirklich nur Data Sharing im Sinne von Produktionsdaten

, ja. #00:39:20-0#

I: Mhm (bejahend). Ja eben, das können wir ja viel weiter spinnen. Man könnte dann sagen, wenn das natürlich ein Vorlieferant auch macht, dann hast du nachher zurück in der ganzen Kette und zum Kunden hin, oder? Dann hättest du eben diese Real Time Visibility End to End, oder? Davon spricht man ja auch viel. Da kannst du natürlich viel machen, wenn du das hast, oder? Dann könntest du einiges anders organisieren. #00:39:46-0#

B: Ja, es ist immer die Frage, wer schaut denn darauf und leitet auch, entsprechend eine Aktion davon ab. #00:39:52-0#

I: Das würden dann hoffentlich eben diese lernenden Systeme machen. #00:39:58-0#

B: Ah, ja. Okay. (lacht) #00:39:59-0#

I: (lacht) // Wenn wir das alles/ Ja. #00:40:02-0#

B: Ja, das ist manchmal/ //

Also weißt du, ich habe manchmal so das Gefühl, Visibilität ist gut aber je mehr Visibilität ich als Endkunde habe umso mehr erwartet auch mein direkter Lieferant. Ah, ja, jetzt sieht es der Kunde ja direkt, dann kann er ja agieren.

Und sonst würdest du wahrscheinlich einfach sagen, hey, nein! Lieferant, du musst einfach liefern. Mir ist egal was du sonst machst. Du musst einfach sicherstellen, dass du liefern kannst. Ich will gar nicht zu viel sehen. Es ist so, wir sind ja überflutet mit Informationen, oder? Eigentlich willst du gar nicht/ Du willst nur das Wichtigste // und nicht alle. #00:40:32-0#

I: Also du möchtest ja eigentlich/ // Eigentlich möchtest du gerne eine Empfehlung haben, oder? Du möchtest ja nicht irgendwie alte Daten und die Information/ Du möchtest ja eigentlich eine Empfehlung bekommen, wenn irgendetwas Wichtiges wäre, oder? // Damit du entscheiden kannst auf/ #00:40:45-0#

B: Ich möchte // am liebsten gar nichts. Ich möchte einfach einen Lieferanten der immer liefert. (lacht) #00:40:48-0#

I: Okay. Ja, das (lacht) verstehe ich eigentlich grundsätzlich. Genau. Wenn du das jetzt so ein bisschen einschätzen müsstest. Wir haben jetzt über dieses Thema gesprochen, dass man Künstliche Intelligenz einsetzen könnte für Lieferantensuche. Da hast du mir eigentlich die Antwort schon gegeben, da siehst du nicht viel Potential, weil es einfach für euch in dem Sinne nicht relevant ist. #00:41:18-0#

B: Ich glaube sonst sehr wahrscheinlich schon, ja. #00:41:21-0#

I: Sonst schon aber das ist branchenabhängig. Das wäre jetzt so was ich jetzt so ein bisschen // herauslese, oder? #00:41:27-0#

B: Genau. #00:41:27-0#

I: Mhm (bejahend). Dann hatten wir eben so ein wenig über das Thema Risikoüberwachung, Frühwarnung gesprochen wo ihr ja auch schon etwas habt. Da gibt es natürlich relativ viel das da schon angeboten wird. Hast du das Gefühl, das würde dir einen Nutzen bringen, wenn du da noch mehr Informationen bekommst? #00:41:52-0#

B: Ja, ich glaube schon.

Also ich glaube, die wirkliche Intelligenz ist dann, dass du am Ende, wie wir es vorhin gesagt haben, eben nicht zu viele Informationen bekommst. Das ist ja auch/ Eben, dass du nur wirklich die relevanten Informationen bekommst.

Es gibt ja dann so viele Systeme die dir einfach sagen, oh, da ist ein Erdbeben, da ist irgendetwas oder, ja, Corona. Ja, das interessiert mich eigentlich nicht solange mein Produkt immer noch produziert wird. Ich glaube, da könnte man sicher noch, also ich weiß nicht. Mit mehr Intelligenz kannst du da effektiver werden. #00:42:24-0#

I: Mhm (bejahend). Das würdest du in dem Fall eher als hoch einstufen? #00:42:29-0#

B: Hoch? Also was stufe ich hoch ein? Sorry. #00:42:32-0#

I: Das Potential von einer solchen Risikoüberwachung, // Frühwarnung. #00:42:38-0#

B: Ja. // #00:42:38-0#

I: // Mhm (bejahend). #00:42:39-0#

B: Ja. // #00:42:39-0#

I: Mhm (bejahend). Dann hatten wir ja ein bisschen darüber gesprochen, diese End to End Sichtbarkeit. Das ist eigentlich ein Thema das ihr jetzt selber schon angeht, oder? #00:42:58-0#

B: Ja. #00:42:59-0#

I: Also da gehe ich auch davon aus, dass das wichtig ist, nicht wahr? #00:43:03-0#

B: Ja. #00:43:04-0#

I: (lacht) Dann hatten wir noch ein bisschen davon gesprochen, man könnte ja auch Insides, also Wissen einfach bekommen für die Entscheidungsfindung. (...) Solche Empfehlungen. #00:43:21-0#

B: Fragst du mich ob das wichtig ist oder was? #00:43:25-0#

I: Mhm (bejahend). #00:43:26-0#

B: Insides für die Entscheidungsfindung, es kommt darauf an. Es kommt darauf an was für Insides für welche Entscheidung. #00:43:33-0#

I: Jetzt natürlich wieder mit Bezug auf die Supply Chain Resilienz, oder? Wenn du Informationen bekommst was so auf dem Markt passiert. #00:43:46-0#

(..)

B: Das ist wichtig, ja. Also es ist jetzt eigentlich ähnlich wie das vorhin, oder? #00:43:53-0#

I: Mhm (bejahend). Da hast du eigentlich recht, ja, ja. Es geht in eine ähnliche / Mhm (bejahend). Gut. Ihr beschäftigt euch ja jetzt schon ein wenig damit, dass ihr da mehr Transparenz haben wollt in der Supply Chain drin. Was ist deiner Ansicht nach die Hürde dieser Anwendung? #00:44:18-0#

(..)

B: Die Hürde? (...)

Ich glaube, dass noch nicht alle Lieferanten bereit sind um alles zu teilen.

Ja. #00:44:29-0#

I: // Mhm (bejahend). #00:44:29-0#

B: sicher aber das wird jetzt einfach ein wenig Zeit benötigen, dass man die schafft. Dann, dass es einfach auch aufwendig ist, ja, die Ressourcen. (lacht) Ja, ich glaube, die Willingness und der Aufwand. Ich glaube, das sind die zwei Hürden. #00:44:49-0#

I: Gibt es keine Widerstände intern? Gibt es da auch irgendwelche Hürden daher noch oder ist das weniger ein Thema? #00:45:03-0#

B: Nein, eben die Ressourcen, weil wir halt dann sagen, hey, Category Manager du musst uns jetzt helfen, dass dieser Lieferant uns liefert. Mehr Ressourcen aber sonst, ich glaube, es sieht jeder den Sinn. #00:45:13-0#

I: Und es hat niemand Angst, dass es ihn dann am Ende quasi nicht mehr braucht oder sowas? #00:45:18-0#

B: Aha? Nein, gar nicht. Nein, nein. (lacht) Also jetzt bei uns nicht, nein. #00:45:22-0#

I: Okay. Mhm (bejahend). Mhm (bejahend). Jetzt muss ich mal kurz schauen ob ich da mehr oder weniger alles habe. Ja. Gibt es irgendwelche Punkte die du noch zu ergänzen hättest aus deiner Sicht die ich nicht berücksichtigt habe? #00:45:43-0#

(...)

B: Ja, vielleicht eine Sache die sicher noch ist mit dieser Intelligenz und Data. Ich glaube nicht, dass die Leute Angst haben, dass es sie nicht mehr braucht aber es ist schon immer mehr Data und Tools mit denen die Leute zurechtkommen müssen. Eben, man hat inzwischen so viele Plattformen und Tools. Und du sagst, schau, dort kannst du das Risiko nachschauen, dort kannst du Market Intelligence, dort siehst du deine Verträge. Und klar, alles in ein System bringt man sowieso nicht. Aber ich glaube schon, dass die Leute immer mehr fähig sein müssen diese Tools und Data alle überhaupt zu verarbeiten oder nur schon zu bedienen. Das, glaube ich, ist schon noch/ Auch wenn das System intelligent ist aber du musst ja dann trotzdem auch die Empfehlung lesen können (lacht). Oder du möchtest ja auch verstehen wie die kommt diese Intelligenz oder diese Empfehlung zustande. Also das sehe ich jetzt einfach bei unserer Organisation, dass die Leute manchmal dann ein wenig überfordert sind mit einer weiteren Plattform und noch einem Tool. Auch wenn es schön ist, dass alles automatisiert. Aber ich glaube, du musst es ja dann doch ein wenig verstehen. Oder musst es auch ein wenig verstehen, glaube ich. #00:46:53-0#

I: Also ich finde das auch einen sehr guten Punkt. Also wenn das System einem einfach irgendetwas empfiehlt und du nicht weißt wie es jetzt darauf kommt, also ja, das ist vielleicht schon ein bisschen suspekt je nachdem, oder? #00:47:06-0#

B: Ja. (lacht) #00:47:08-0#

I: Also, ja, das/ Und auch, das kann ich auch bestätigen, ich mache diese Beobachtung auch, dass es immer mehr Tools gibt und die Leute inzwischen natürlich mehr mit der Bedienung dieser Tools beschäftigt sind, oder? Also du sprichst hier einen guten Punkt an, dass es einfach auch andere Fähigkeiten dieser Mitarbeiter nötig sind, oder? Und auch jemand der Mühe hat mit dieser ganzen Technologie, der ist irgendwann einfach mal ein bisschen abgehängt, oder? #00:47:44-0#

B: Das glaube ich schon auch, ja. #00:47:46-0#

I: Macht ihr denn da konkret etwas um eure Leute darin etwas zu schulen? Ist das ein Thema bei euch? #00:47:54-0#

B: Also, sie werden einfach immer wieder auf den neuen Plattformen geschult. (lacht) #00:47:58-0#

I: (lacht) #00:47:59-0#

B: Ja, ich meine, letztendlich ist es auch ein wenig Fact, dass wenn man da nicht genug agil ist oder auch offen um das kennen zu lernen, dann, ja, früher oder später musst du halt dir überlegen, okay, was macht die/ Also es ist ja nicht so, jetzt gerade bei unserer Firma, dass es dann einfach heißt, okay dann hast du deinen Job nicht mehr. Aber dass wir dann halt schauen, okay, was ist in dem Fall denn dein Aufgabengebiet wo du auch Freude daran haben und einen Mehrwert leisten kannst. Wenn eine Person dann acht Stunden in einem System tätig ist das sie nicht versteht oder auch keine Lust hat dieses zu bedienen, dann ist, glaube ich, niemandem geholfen, oder? #00:48:31-0#

I: Mhm (bejahend). Aber denkst du nicht, dass der Trend auch noch verstärkt wird, wenn du sagst, eben ihr automatisiert jetzt vieles? Was machen denn diese Leute die vorher diese, beispielsweise diesen Purchase to Pay Prozess betreut haben? #00:48:48-0#

B: Ich glaube, das ist sicher, dass man so ein wenig andere Kompetenzen braucht, ja, (unv. überlappend) Zeit, oder? Aber, ja, ich glaube, das ist auch so ein bisschen eine natürliche Entwicklung, dass du in dem Moment dann halt schaust, okay, was kann jetzt diese Person noch machen oder nicht machen. Und wenn du jemanden neues einstellst, suchst du natürlich dann vielleicht eben andere Kompetenzen. Ja. Eben jetzt gerade mit Data Analytics, wie viele Positionen sind ausgeschrieben wo du irgendeinen Data Analyst suchst? Und das sind super begehrte Leute, oder? Also ist sich so, ja, dass man da vielleicht ein wenig andere Kompetenzen sucht. #00:49:17-0#

I: Mhm, mhm (bejahend). Ja, es / #00:49:19-0#

B: Aber eben, so in einer großen Firma hast du natürlich auch oft noch die Möglichkeit dann trotzdem diese Person die nicht so Data-affin ist noch irgendwo einzusetzen, zumindest bis sie pensioniert ist, oder? (lacht) Also, ja, das ist jetzt nicht, dass diese Leute gleich gar nicht mehr benötigt werden. Und, eben, es gibt nach wie vor, ich glaube/ Jetzt gerade bei Lieferantenmanagement und so weiter glaube ich, das kann das System nicht übernehmen. #00:49:39-0#

I: Ja, gut. Dann hätte ich jetzt doch noch einen guten Punkt den ich vielleicht noch, wo es mich noch interessieren würde was deine Meinung ist. Was hältst du davon wenn jetzt eine KI Verhandlungen macht anstelle eines Einkäufers? #00:49:55-0#

B: Nein. (lacht) #00:49:56-0#

I: (lacht) // Nein? #00:50:00-0#

B: Nein. // Ich glaube was KI schon kann, ist eben die Ganzen, also vielleicht sogar besser als ein Mensch und das ist ja immer, die Vorbereitung einer Verhandlung ist das A und O, dass du eben alle Daten sammelst, alles zusammen trägst, dir ein Bild machst, dir überlegst was sind die Möglichkeiten und so weiter. Ich glaube da kann die KI sicher helfen um diese Vorbereitung gut zu machen und auch effizienter. Ich glaube, bevor einer da irgendwie x- Excel Files zusammen sucht und du hast irgendein gutes System welches dir das gerade einfach ausspuckt, das wäre schon Tool. Aber ich glaube, noch wirklich an den Tisch sitzen und das verhandeln und auch merken, ja, wie viel kann ich heute, wie viel muss ich das nächste Mal und so weiter, nein, das kann KI nicht. Das glaube ich zumindest aber ich lasse mich gerne belehren, wenn du das Gefühl hast oder/ Ich weiß nicht. #00:50:45-0#

I: Also es gibt Studien darüber aber das wird eigentlich für einfachere Sachen eingesetzt, so was ich bis jetzt verstanden habe. Und die Resultate sind relativ gut. #00:50:59-0#

B: Ah, ja! Okay. (...) Weil halt keine Emotionen im Spiel sind, oder wie? #00:51:08-0#

I: Mhm (bejahend) Aber eben, das ist eigentlich mehr wenn das eine Verhandlung ist oder mehr einfach Preise einholen ist, weißt du? Das ist ja dann die simplen (unv.). Also ich würde es jetzt eher dort einordnen, die simpleren Geschichten die so natürlich eben/ Weißt du, manchmal machst du im Sourcing drin schon auch eine Menge kleinere Sachen die auch sehr aufwendig sind die ein solches System gut übernehmen könnte und dann vielleicht ganz neutral dann die beste Entscheidung fällen könnte, wo du vielleicht nicht die beste // machst, oder? #00:51:45-0#

B: Ja, ja, das stimmt sicher, ja. // Oder wenn es auch solche One Time Buys sind. Ich denke jetzt gerade an [Organisation], die ja dann eh jedes Mal den Lieferanten wieder neu ausschreibt und sagt, ich nehme den, das nächste Mal diesen. Die schwarzen Socken vom letzten Mal kannst du nicht mehr kaufen das nächste Mal weil (unv.) Ich glaube dort, das kann sicher ein System machen, ja. #00:52:00-0#

I: Ja, ja. #00:52:01-0#

B: Aber jetzt bei uns glaube ich, nein, das geht nicht. (lacht). Aber ja. #00:52:06-0#

I: Ich bin jetzt persönlich auch etwas skeptisch aber, eben, wer weiß, oder? #00:52:12-0#

B: Ja. #00:52:14-0#

I: Und ich gebe dir auch recht, ich denke für die Entscheidungsvorbereitung, also für die Verhandlungsvorbereitung sicher, ja, das ist ein guter Einsatzbereich. Ja, gut, dann bin ich mit meinen Fragen durch. #00:52:31-0#

B: Sehr gut. #00:52:32-0#

I: Dann schalte ich mal die Aufnahme ab. #00:52:38-0#

B: Danke. #00:52:35-0#

Anhang 16: Transkription Interview K

Experteninterview Nr. K

Experte: Daniel Burgwinkel, KI-Experte (B)

Interviewerin Sandra Balsiger (I)

Datum des Interviews: 12.07.21

Dauer des Interviews: 52 min

Zur Identifikation der Aussage wird die Expertennummer (K) plus die Nummer des Textbausteins im Kodierleitfaden aufgeführt

I: Gut. Dann begrüsse ich dich herzlich zu dem Interview noch offiziell. Ich würde gerade mit einer Einstiegsfrage starten: Was für Erfahrung bringst du im Bereich künstliche Intelligenz mit? #00:00:24-0#

B: (…) Also im Prinzip hatte ich vor zwanzig Jahren in Karlsruhe studiert, Wirtschaftsingenieurwesen mit dem Fachgebiet Operations Research. Und damals war da das Schlagwort Expertensysteme und neuronale Netze. Und dann kam das ja, was man den KI-Winter genannt hat. Also quasi die Erwartungen haben sich nicht erfüllt. Also damals hatten wir im Studium auch so Wartungssysteme für Flugzeuge mal gebaut, ja? Und einige meiner Kollegen sind dann aber doch in dem Themengebiet geblieben und haben da auch Firmen gegründet, die sich dann eher auf Logistik-Optimierung verstärkt haben. Und eben so seit 1999 eben bin ich im Thema Semantik Web, also Wissensrepräsentation, was dann ja ein Teil der KI ist eben. Und dann dass ich da Dozent bin, das ist dir bekannt. #00:01:39-6#

I: Genau. Das ist mir bekannt. Danke! Wir hatten schon vorher ein bisschen über das Thema geredet, künstliche Intelligenz ist ja im Grunde genommen ein sehr grosses Themengebiet. Man kann auch sagen, es ist ein Oberbegriff. Was verstehst du unter künstlicher Intelligenz? #00:01:58-7#

B: Genau. Also da gibt es ja die verschiedenen Klassifikationen, Unterteilungen. Also von Machine Learning, Deep Learning. Ich würde es eher vereinfacht ausdrücken, einerseits kann man versuchen, Daten mit statistischen Methoden auszuwählen und dann Prognosemodelle zu erstellen. Und wenn man dann künstliche Intelligenz sagt, dann ist aber nicht bedingt, dass der Mensch das versteht, wie kam das Ergebnis zustande. Sondern das ist dann eben der Algorithmus, der dann lernt. Und da grenzt man dann nochmal dieses Thema oder Stichwort Human in the Loop ab, also der Mensch im Loop. Also dass man jetzt versucht zu sagen, der Mensch kann da noch eingreifen, teilweise auch verstehen, wie die Algorithmen auf die Prognosen kommen. #00:02:58-8#

I: Aber wenn ich dich jetzt richtig verstanden habe, es geht vor allem um lernende Systeme. Das habe ich herausgehört. #00:03:08-4#

B: Genau, ja. Und dass man es rein datengetrieben Anwendungen schreiben könnte. Aber dann hätte der Anwender nachher/ kann das Ergebnis dann zur Kenntnis nehmen, ja? Aber er kann nicht nachvollziehen, nicht nachrechnen, wie kam die Maschine da drauf. #00:03:30-2#

I: Zum Resultat, ja. #00:03:31-3#

B: Genau. Und das merkt man teilweise. Bei numerischen Daten klappt das natürlich/ also sind die Maschinen sehr gut. Während wenn es so um Texterkennung geht, da zeigen sich dann teilweise doch Schwächen, wo der Mensch dann eingreifen muss oder wo man dann mehr Informationen mitgeben muss, damit das/ Ja? #00:03:53-0#

I: Würdest du das Thema Robotik auch unter KI einordnen oder eher nicht? #00:04:01-2#

B: Also es gibt ja einerseits also Robotik als klassische Roboter-Roboter. Und dann gibt es ja dieses Robotic Process Automation, RPA, was eigentlich ein Nachfolger von Workflow-Management-System sind, die ein bisschen intelligenter sind. Und teilweise aber eher solche Copy-and-paste-Befehle versuchen, zu automatisieren. Also es ist zum Teil noch nicht sehr intelligent, was sie machen. Aber das ist dann der nächste Schritt. Also man kennt dann Firmen, die mit RPA Prozesse automatisiert haben. Aber im Prinzip haben sie dann Skripte geschrieben, die die Eingaben der Mitarbeiter automatisieren. Ja? #00:04:50-1#

I: Also wenn ich dich jetzt richtig verstehe, das ist für dich so das Grenzgebiet, das könnte man

B: Genau. Also wenn dann die RPA-Applikation wirklich intelligent ist oder Machine Learning, dann könnte man das KI nennen. Wenn das in der Anwendung nicht vorhanden ist, ist es eigentlich eher ein simples Automatisieren von Eingaben. #00:05:20-7#

I: Okay. (…) Gut. Ich interessiere mich ja von Anwendungen von künstlicher Intelligenz im strategischen Einkauf. Kennst du so Anwendungen? #00:05:37-8#

B: Also die Anwendung jetzt, die ich unter diesem Thema Graph-Datenbanken (…) gesehen habe und damit arbeite, also die Anwendung kenne ich, ja? Und da redet man jetzt auch so ein bisschen von Graph-Machine-Learning oder von Graph-Data-Science. Also eine Spielart wäre die Kombination ML plus den Graph. Oder man nimmt den Graphen eben und kalkuliert damit. #00:06:18-1#

I: Kannst du das vielleicht gerade ein bisschen erläutern, was es damit auf sich hat, die Graph-Technologie, kombiniert mit Machine Learning? #00:06:31-0#

B: Also zum Machine Learning brauche ich ja viele Daten. Also angenommen, ihr hättet irgendwie Lieferanten und ihr hättet viele Bewertungen oder ihr wärt eher wie Amazon und ihr würdet dann ein Prognosemodell machen, wie kommt das Produkt oder der Lieferant bei den Kunden an, ja? Also da könnte man sagen, dann kalkuliert der Algorithmus dort Prognosen. Während wenn ihr den Graph nehmt, dann würdet ihr Sachen vorgeben, auch semantische Sachen. Also unter dem Produktbereich [Organisation] gibt es eben die, ich weiss nicht, [Organisation] das Getränk, das um es auf das Brot zu streichen, ja?

Also insofern würde dann der Graph eure Produkte abbilden und eventuell eure Zulieferer. Und dieser Graph wird dann mit Daten gefüttert

ja? Und könnte dann eventuell, je nachdem welche Daten vorhanden sind, da Aussagen treffen. #00:07:51-6#

I: Wenn ich das richtig verstanden habe, kann man eigentlich zwischen den Daten mit dem Ganzen Beziehungen erstellen. Und dass die Daten eigentlich irgendwie eine Bedeutung bekommen. Habe ich das richtig verstanden, dass das eigentlich der Vorteil dieser Technologie ist? #00:08:14-8#

B: Genau. Dass man dann nochmal, wenn man das Ergebnis hat, in den Graph reinschaut und dann überlegen könnte, wie sind eventuell diese Abhängigkeiten zustande gekommen? Also ist jetzt ein Lieferant beispielsweise aus China? Benutzt er die und die Substanzen, ja? Während wenn ich jetzt nur reine statistische Daten hätte, dann würde es mir nachher schwerfallen, im Nachhinein zu erklären, warum ist jetzt das Lieferanten-Ranking B, C, D, E oder so. Ja? #00:08:57-2#

I: Und ich habe auch verstanden, dass man das anwenden kann, wenn man nicht genügend Daten vorhanden hat, dass man KI anwenden kann, um die Lücken dann zu füllen schlussendlich, oder? Von deinen Graphen. Also wenn du so Beziehungslücken hast quasi, oder? #00:09:20-4#

B: Genau. Da könnte man dann Schlussfolgerungen machen, ja. #00:09:23-8#

I: (…) Jetzt sind wir da ein bisschen auf Graphen eingegangen. Ich werde dann nachher nochmal ein bisschen in die Tiefe hereingehen. Siehst du sonst noch Anwendungen von KI im Einkauf oder in der Supply Chain drin, die du kennst? #00:09:45-6#

B: (…) Also ein Stichwort wäre natürlich

Recommender-Systeme, also die ja jetzt eher sozusagen im Konsumenten-Bereich sind. Aber sowas kann man sich ja auch für ein B2B-System oder für euch vorstellen, zu sagen: Du kriegst als Einkäufer einen Vorschlag, welcher Lieferant passt am besten zu dieser Situation.

#00:10:18-7#

I: Also das wäre zur Entscheidungsunterstützung, wenn ich dich jetzt richtig verstehe. #00:10:23-4#

B: Genau. #00:10:24-8#

I: Und auf was würde dann so etwas basieren? #00:10:26-8#

B: Dass du auch

im Prinzip Lieferanten nach Risiko, nach Nachhaltigkeit, nach Reputations-, Finanzrisiken beurteilst, ja? Und dann je nach deiner Präferenz sich das dann kalkuliert.

#00:10:48-4#

I: Also das wäre einsetzbar für Lieferantensuche als Beispiel, das hattest du jetzt genannt. Ich könnte mir aber vorstellen, dass man so etwas noch für andere Zwecke einsetzen könnte schlussendlich, oder? #00:11:02-7#

B: Genau, ja. Also was sehr stark im Kommen ist, sind ja diese ESG, also Nachhaltigkeits-Bewertungen, ja? Und dort ist ja das Problem, dass es jedes Unternehmen machen soll, also jedes teilweise börsenkotierte, aber es irgendwie drei oder vier verschiedene Anbieter von solchen Ranking-Systemen sind. Und in dem Ranking-System ist jetzt Amazon sehr gut, im anderen Ranking-System sagen sie, weil die so Cloud Computing machen sind die nicht umweltverträglich.

Und das heisst, als Mensch könntest du gar nicht mehr jetzt alle vier Dinge vergleichen, oder? Also du müsstest ja dann sagen: Ich nehme mir jetzt alle vier Anbieter und vergleiche jetzt mal fünfhundert Firmen, ja? Und je mehr Kriterien du dazu nimmst, desto komplexer wird es und desto weniger kannst du als Mensch das machen. Und da würde halt solche Entscheidungsunterstützung, KI hilfreich sein, ja. #00:12:22-9#

I: Du hattest die Graphen-Datenbanken genannt. Ist das auch etwas, was man für End-to-End-Visibility einsetzen könnte oder wird das eingesetzt? #00:12:36-7#

B: (…) Genau. Also grob gesagt gibt es zurzeit dreissig, vierzig Algorithmen, ja?

Und einige Algorithmen sind klassische Routen-Algorithmen, zu sagen, wie ist die beste Lieferroute, ja? Aber ein anderer Algorithmus ist beispielsweise das, was der Google-Gründer erfunden hat, den Page-Rank, ja? Zu sagen, wie wichtig ist eine Internetseite im Verhältnis zu den anderen Seiten, ja?

Und jetzt kannst du diesen Page-Rank-Algorithmus nehmen und auf ein anderes Themengebiet/ Also wenn du sagst, wie wichtig ist ein Lieferant im Verhältnis zu anderen Lieferanten? Also beliefert der denn vielleicht noch wieder andere Lieferanten, die dann wieder an euch zurück liefern, ja?

Also das heisst, je nach Algorithmus, den du nimmst, kannst du unterschiedliche Fragestellungen abdecken.

#00:13:44-3#

I: Okay. Spannend. Ich hatte jetzt bei der End-to-End-Visibility auch noch das Thema Blockchain gedacht. Ist das auch etwas, was du als ein Einsatzgebiet sehen würdest für das? #00:14:03-0#

B: Genau. Also das ist ja die Vision im Supply Management, zu sagen, bisher habe ich Probleme, weil jede Firma ihre Datensilos hat, ja? Und viele Güterübergänge in der Logistik dann halt mit Papierdokumenten gemacht werden. Und dann muss man das wieder abtippen. Dann wäre natürlich die Idee, ich habe quasi ein Gut und dazu habe ich ein digitales Zertifikat, an dem ich sämtliche Informationen einlesen könnte. Und dann würde sich die Supply Chain damit verbessern, ja? Und theoretisch könnte jetzt diese Information in einer Blockchain sein, ja? Aber sie könnte auch als signierte Datei mit dem Gut weiterlaufen. Also dasselbe ist ja mit dem Covid-Zertifikat. Im Prinzip könnte man sagen, das ist so ein bisschen die Idee Covid-Zertifikate für Güter in der Logistik. Also ich kann jederzeit nachkontrollieren, ist das Gut echt, ja? Also ist es nicht gefälscht, wo steht es? #00:15:19-5#

I: Genau. Jetzt musst du mich auch korrigieren, ob das richtig oder falsch ist. Ich hatte auch verstanden, dass eigentlich auch die Kombination dieser verschiedenen Technologien das zum Teil auch ausmacht. Also, dass ich beispielsweise Blockchain in Kombination mit KI verwenden kann oder dass ich die Sachen eigentlich alle auf eine Art verknüpfen kann. Ist das so? #00:15:48-1#

B: Ja. Also kann man so sagen. Aber auf der anderen Seite könnte man sagen, Blockchain ist die technische Weiterentwicklung von Electronic Data Interchange Netzwerken aus den Achtzigerjahren, die in der Automobilbranche gekommen sind. Dort habe ich ja auch im Prinzip Supply-Chain-Resistenz, zu sagen: Conti liefert Reifen an Daimler. Und wenn die Reifen dann irgendwie ausgehen oder was jetzt passiert ist, dass glaube ich am Freitag die S-Klasse eingestellt wurde, weil nicht genügend Chips da sind. Genau. (…) Also einerseits statistisch sehen zu können, da kommen immer weniger Chips irgendwie.

Auf der anderen Seite hättest du ein Wirkungsnetz machen können, zu sagen: Ja, ein Chip, der braucht Silikon, der wird teilweise in China produziert. Ich habe jetzt Krise in China und zu wenig Silikon. Ja? Also du hättest im Prinzip diese Krise einerseits logisch sehen können. Ja? Also hättest das eher mit einem Graphen modellieren können.

Aber du hättest dir ja auch natürlich versuchen können, die Datenreihen anzugucken. #00:17:11-4#

I: Das musst du mir nochmal schnell erklären, Datenreihen angucken? #00:17:16-7#

B: Ja. Angenommen jetzt, bei Daimler sitzt jemand, der wertet sämtliche Daten aus über die Chip-Produzenten, vielleicht auch PC, Spielekonsole. Angenommen die hätten jetzt eine riesige Datenbank und würden da sehen: Oho, jetzt im PC-Markt steigt die Anzahl von Chips, die Preise gehen hoch. Und plötzlich merken sie: Ja, wir brauchen ja auch Chips. Also im Prinzip hätte er anhand der Daten sehen können, dass die Nachfrage nach Chips steigt, aus anderen Industrien, ja? #00:18:01-0#

I: Ja, jetzt verstehe ich es. Ja. #00:18:02-2#

B: Genau. Und hätte dann drauf kommen können: Ha, wir könnten da ein Problem bekommen. Auf der anderen Seite hätte man es logisch argumentieren können, eben, ein Chip besteht aus Silikon und die Einflussfaktoren. #00:18:22-7#

I: (…) Oder eben auch über die Muster. Du hast ja eben gesagt, es sind ja eigentlich Muster, die sich jetzt anschauen würde, oder? Und sagen würde, da ist jetzt etwas ungewöhnlich. Und dann quasi eine Empfehlung abgeben, oder? #00:18:39-2#

B: Genau, ja.

Und vielleicht die neue Datendenkweise wäre: Ich gucke mir nicht nur Daten in meinem Unternehmen an. Also ich gucke mir nicht nur den Eingang: Oho, ich kriege ja immer weniger Chips. Sondern ich suche auf der ganzen Welt: Wo finde ich Daten über die Chipproduktion? Um dann ein Vorwarnsystem zu machen.

#00:19:03-3#

I: Also das ginge dann in Richtung Frühwarnsystem, oder? #00:19:07-9#

B: Genau, ja. Also dass du versuchst, sowas aufzubauen, ja. #00:19:12-8#

I: Kennst du solche Anwendungen schon? Du beschreibst das jetzt, dass man das könnte. Sind dir solche Anwendungen schon bekannt? #00:19:21-9#

B: Also ich weiss, dass da einige dran arbeiten, ja. Also insbesondere halt so in diesen Fertigungsindustrien, wo du auf bestimmte Materialien drauf angewiesen bist. (…) Oder auch in der Pharmaproduktion. (…) Du hattest ja auch gesagt, du warst ja auch mal im Pharmabereich. #00:19:56-2#

I: Ja. Bin ich gewesen, ja. Ja, mir sind auch so Anwendungen bekannt in diesen Bereichen drin. Aber was ich ein bisschen versucht habe herauszufinden ist, eben, es gibt ja auch Plattformen, die so etwas schon anbieten würden. Also Firmen, die genau das eigentlich anbieten. #00:20:18-7#

B: Genau. Also ich habe es jetzt nur mitgekriegt da mit diesen API-Wirkstoffen, der Skandal, dass da die Generika von Valsatan eben aus China/ hat der Hersteller die Produktion umgestellt. In dem Produktionsprozess kamen krebserregende Stoffe. Und die sind die ganze Lieferkette entlang gegangen. Auch alle Regulatoren haben drüber geschaut. Und keiner hat es gemerkt, weil niemand irgendwie so gesehen hat, da hat jemand was umgestellt. Und insofern wäre das Problem, wenn man jetzt sagt, da gibt es Plattformen, die irgendwie den Bedarf also nur/ Dann hättest du trotzdem von dem gekauft, obwohl das schädliche Stoffe sind. #00:21:14-1#

I: Ja, das Thema Qualität, das hättest du nicht gemerkt damit, ja. #00:21:21-7#

B: Genau, ja. #00:21:23-0#

I: Ja. (…) Gut. Wir haben jetzt zum Beispiel jetzt eben auch viele über Knowledge-Graphen, Entscheidungsempfehlungen in der Supply Chain. Über Automatisierung haben wir jetzt noch gar nicht geredet. Kennst du dort auch Anwendungen für KI in der Supply Chain drin? #00:21:48-3#

B: (…) Also das was jetzt irgendwie so Anbieter wie Celonis machen, die versuchen ja auch aufgrund deiner Prozessdaten irgendwie Fehler zu entdecken. Wobei das eigentlich auch eher/ Also das hat man Process Mining genannt und dann sagt jeder: Ja und jetzt machen wir noch KI da drauf, ja? #00:22:17-1#

I: Also das habe ich jetzt auch eher ein bisschen unter Daten Mining abgespeichert. Aber das kann man natürlich sicher mit KI verbinden. Ja, da hast du Recht. #00:22:24-6#

B: Ja, also die haben ja sicher da Machine-Learning-Algorithmen. Also das ist ja jetzt auch kein Wunderwerk mehr. #00:22:35-1#

I: Ja. (…) Ich spreche eigentlich mehr das Thema Prozess-Automatisierung an. Also man redet ja von Anwendungen, dass man KI einsetzen könnte für Verhandlungen oder um Angebote einzuholen in der Beschaffung. Ich weiss nicht, ob dir das bekannt ist? #00:23:07-7#

B: Ja. Also ich kenne auch Leute, die programmieren solche Verhandlungsplattformen für Medikamente. Also wenn irgendwie ein Land jetzt eine Zulassung irgendwie für ein Covid-Medikament kaufen will, wie kriegst du da den gerechten Preis hin? Also das würde ich sagen, sind alles noch Algorithmen, die aus der Preisfindung irgendwie kommen. Also es ist ein bisschen die Gefahr, dass man nachher sagt: Alles, wo man was kalkuliert, berechnet ist KI. #00:23:50-5#

I: Das ist es eigentlich ja nicht, nein. #00:23:53-4#

B: Ja, genau. Also ein Kollege von mir, der hat jetzt eine Firma so für Marktforschung gegründet, sehr erfolgreich auch, also für Computerprogramme. Und die setzen halt sowas ein, um dann auch das rauszukriegen. Aber die Algorithmen gibt es auch seit zwanzig Jahren. (…) Also KI würde ich eher dann sagen, sind solche Trading-Bots, die versuchen, auf den Börsenkurs und dann automatisch sowas zu machen. #00:24:29-8#

I: (…) Wenn du ein bisschen den Trend anschaust, wohin denkst du, geht die Richtung in der Supply Chain von diesem Einsatz von künstlicher Intelligenz? #00:24:50-4#

B: (…) Also ich denke, künstliche Intelligenz, die könnte einerseits

in der operativen Supply Chain, also da wo der LKW das Schiff oder so fährt. Im Prinzip könnte es ja auch prognostizieren, ich will jetzt Rotterdam irgendwie China das verschiffen, wo gibt es da gerade Bottle Necks oder da im Suezkanal? Bis hin zu sagen, du kannst ja beim LKW auch messen, wie ist die Achsenbelastung, wann bricht die Achse. Also dass du immer mehr die Maschinen, die dort tätig sind, auch überwachst und daraus irgendwie Schlussfolgerungen ziehst. (…) Und das heisst, je mehr Daten du da hast und je höher du das aggregierst, desto prognosesicherer wäre dann die Auslieferung.

#00:26:02-1#

I: Also du denkst eben für Logistik-Optimierungen, wenn ich dich jetzt da richtig verstehe und eigentlich auch präventiv Maintenance ist ja das dann auch schon ein bisschen, wenn deine Lastwagen ein Problem bekommen könnten, wenn ich dich jetzt richtig verstehe. #00:26:21-3#

B: Genau. Also zurzeit ist es ja eher, dass man sagt: Ich versuche mal KI im Auto oder KI bei der Bahn, da Optimierungen zu machen. Also das sind ja alles Algorithmen, die Fahrzeugdaten auswerten. Und dann könntest du sagen, jetzt nehme ich noch die Staudaten dazu, irgendwelche anderen. Aber im Grunde kommst du ja von unten. Also du musst ja irgendwo erst die Daten haben. Und das Problem ist natürlich, einige Logistiker sind sehr weit und andere lokale Logistiker, die machen das seit zwanzig Jahren, die Auslieferung so. #00:27:10-5#

I: Gut. Dann würde ich mich gerne vertieft auch ein bisschen über das Thema KI für die Stärkung der Resilienz in der Supply Chain mit dir unterhalten. Als erste Frage dazu: Wie wichtig ist aus deiner Sicht Supply-Chain-Resilienz für Unternehmen? #00:27:30-7#

B: (…) Also ja, einerseits natürlich wichtig, weil es immer mehr Risikofaktoren gibt, also immer mehr Gefahren, sei es von der Cyber-Attacke, über die Pandemie, über irgendwie Unwetter. (…) Auf der anderen Seite eben diese Gefahr, dass du irgendwo dann plötzlich Plattformen oder Mittelsmänner in der Supply Chain hast, die dann also zu viel Macht gewinnen.

(…) Ja. Dass du dann eben abhängig bist als Unternehmen von solchen Plattformen. #00:28:26-0#

I: (…) Jetzt hattest du angesprochen, dass es immer mehr Risikofaktoren gibt. Kannst du das noch ein bisschen begründen? Warum denkst du, ist das so, dass es immer mehr Risikofaktoren gibt? #00:28:44-7#

B: (…) Also einerseits natürlich durch Computersysteme. Also alle sind abhängig von Computersystemen. Und lustigerweise gibt es ja den Begriff Supply-Chain-Attacke. Und das war ja jetzt, was dieses Jahr mit Microsoft gekommen ist, ja? Also sozusagen jemand hat sich in die Supply Chain hereingeschlichen, um irgendwie Code zu machen. Und aber in sagen wir mal Hochsicherheits-Militär-Kreisen ist das halt seit fünf Jahren weiss man, dass die Russen daran arbeiten und halt auch in Flugzeuge eventuell/ Also wie kann ich sicher sein, dass auf den Chips vom F-35 keine chinesischen kleinen Module verbaut sind? Also das heisst, man müsste sich dann fragen, in welchem Business bist du tätig? Also ihr seid ja eher nicht im Tech-Umfeld oder so tätig. Aber ihr wärt ja auch abhängig von solchen Risiken, wenn irgendwie ein Logistikzentrum plötzlich irgendwie nicht mehr funktioniert, weil die attackiert worden sind. #00:30:14-9#

I: Ja, absolut natürlich. Also du sprichst eigentlich einfach vor allem das Cyber-Risiko an, wo du denkst/ #00:30:21-5#

B: Was es ja vor fünf Jahren noch nicht so extrem gab. Und eben das jetzt mit Pandemie und solchen Sachen, das hat man ja vor zwei, drei Jahren auch nicht so gedacht, dass das kommen wird. #00:30:36-9#

I: (…) Jetzt, was sind deiner Meinung nach wichtige Einflussfaktoren, um die Widerstandsfähigkeit in der Supply Chain erhöhen zu können? #00:30:52-0#

B: Genau. Also da wäre eigentlich die Empfehlung, dass ihr erstmal auf die Fragestellung kommen müsst, welche Hebel ihr habt. Also welche Use Cases sind das? Also ist es eher Lieferant fällt aus oder Lieferant liefert schlechte Produkte oder unbemerkt. Also dass ihr das formulieren könnt quasi in eine Business-Fragestellung. Und dann könnte man sich überlegen, welche KI-Algorithmen setzt man ein, um da eine Antwort drauf zu kriegen.

Und dann kommt in dem Schritt natürlich dann wieder die Frage, habt ihr auch die Daten dazu? #00:31:41-8#

I: (…) Du sprichst jetzt die Umsetzung des Ganzen schon ein bisschen an, wie man das angehen könnte. Also du hattest eben gesagt, man müsste herausfinden, wo das Risiko liegt. Und hast dann das Thema der Lieferant fällt aus. Also das heisst, ich habe ein Problem mit der Robustheit meiner Supply Chain und müsste dort eigentlich etwas dagegen unternehmen, oder? #00:32:11-1#

B: Genau, ja. #00:32:11-0#

I: Das wäre einer dieser Einflussfaktoren. Also dass ich irgendein Backup hätte oder sonst irgendetwas, oder? #00:32:20-8#

B: Ja. #00:32:21-7#

I: Also ich spreche jetzt eben, wenn ich von diesen Einflussfaktoren rede, dann wäre aus meiner Sicht jetzt die Robustheit einer dieser Faktoren, die das natürlich stärken. Haben wir noch andere Faktoren, die das beeinflusst? Das ist so ein bisschen meine Frage gewesen. Oder wie kann man das positiv beeinflussen? #00:32:42-7#

B: (…) Genau. Also das wäre der Use Case, du möchtest das System fragen: Zeige mir andere Lieferanten oder zeige mir Alternativen oder so. #00:32:56-3#

I: Hm (bejahend). #00:32:56-8#

B: Eine andere Frage wäre zu sagen, (…) wie reagiert meine Supply Chain auf Covid, ja? Also ich kenne es jetzt nicht/ Also irgendwie wichtige Stoffe für eure Produkte kommen aus der, ich weiss nicht, Türkei. Und jetzt geht die Covid-Rate in der Türkei hoch, ja? Oder zu sagen, ihr geht viel über Rotterdam, bezieht da. Das war ja vorher auch nicht so. (…)

Dass du dir quasi Gedanken machen müsstest, wenn in einem Land Covid jetzt wieder steigt, was passiert, was für Auswirkungen hat das für dich, also auf eure Supply Chain und auf euer Produkte? (…) Also das war jetzt so ein Beispiel. Also ihr müsst wissen, welche Fragen möchtet ihr eigentlich an so ein System stellen? Und dann könnte man überlegen, wie könnte man das dann nachher modellieren.

Ja? #00:34:16-4#

I: Also du sagst, wenn ich das richtig interpretiere, ich müsste eigentlich die Fragestellungen haben, was für mich relevant ist und dann kann man das tailormade, je nachdem, was ich für ein Bedürfnis habe, das zuschneiden auf das Unternehmen, oder? Ich bin jetzt mehr ein bisschen von generischeren Sachen ausgegangen. Aber das ist natürlich sehr berechtigt, dass ja jedes Unternehmen unterschiedliche Bedürfnisse hat, was es abgedeckt haben möchte, oder? Ich bin ja auf der Suche, einen Überblick zu machen, was gibt es für Anwendungen. Und wenn ich deine Aussage jetzt richtig interpretiere sagst du, das kann man eigentlich weit anwenden, das ist abhängig von der Fragestellung, die ich habe. #00:35:02-6#

B: Genau. Oder man kann es so ein bisschen userzentriert, also zu sagen, was möchte dann nachher der strategische Einkäufer für Fragen stellen? (…) Genau. Und dann kann man sagen, das sieht eher nach Recommender-System aus, das sieht nach Risiko-Management-System aus, das sieht nach Logistik-Optimierungs-System aus. #00:35:30-4#

I: Also dann stelle ich meine Frage mal ein wenig anders, wenn wir über Anwendungen reden. Also ich möchte gerne im Bereich Vertragsmanagement besser werden, ich möchte resilienter werden und zwar im Sinne von ich habe sehr viele Lieferantenverträge und habe auf der anderen Seite Kundenverträge und muss sicherstellen, dass das irgendwie zusammenpasst. Also das ist einfach ein Risiko, das ich habe. #00:35:59-5#

B: Genau, ja. Und da wäre klar, die Verträge, das sind Texte. Also da könnte man dann mit semantischen Technologien die Texterkennung machen. Also da kann ich dir auch mal eine Demo geben. Also dass du sagst, bestimmte Begriffe/

Ich sage mal, du hast so einen Datenschutz-Vertrag. Und du kennst ja die Begriffe auf Deutsch und Englisch aus dem Datenschutz-Gesetz. Und irgendwie kann dann das sagen wir mal intelligente System auch Textpassagen sehen, obwohl der Begriff da gar nicht drinsteht.

Also dass es da um Personendaten geht oder so. Und dort würde dir jetzt aber so ein reines KI-Machine-Learning-Tool wenig bringen, ja? Also da könntest du dann auswerten, der Begriff Lieferant kommt in den 100.000 Verträgen 40.000-mal vor, ja?

Also das heisst, wenn du textbasiert solche Daten hast, dann ist das eher so nach Expertensystemen, semantische Graph-Datenbank. Wenn du eher reine Datenreihen hast, dann bist du bei dem klassischen Machine Learning. #00:37:30-0#

I: Okay. (…) Über die Lieferantensuche hatten wir eigentlich schon etwas geredet vorher. Da hattest du gesagt, das würdest du dann aber auch über Graphen-Technologie abbilden oder über was würdest du das abbilden, was für eine Technologie? #00:37:52-9#

B: Genau.

Also das wäre ja so eine Kombination, dass du sagst: Okay, du modellierst den Graphen, wie was sind das für Lieferanten, welche Produkte? Und dann nimmst du eine Datenbank und ordnest das zu, dass du sagen kannst: Okay, der Lieferant „So und so“ fällt in die Kategorie. Und dann könntest du durch eine externe Abfrage noch, der ist auch als nachhaltig und weiss nicht, keine Kinderarbeit oder so, klassifiziert. (…)

Also da wäre eher die Idee zu sagen, deine internen Daten plus externe Daten, die zusammenzuführen und daraus mehr Informationen zu gewinnen.

#00:38:43-3#

I: (…) Das Thema, das wir eigentlich noch nicht so angesprochen haben ist im Bereich Business Process Planning, also wenn es um Forecasting geht. Also das hat sich jetzt ja gerade in der Pandemie gezeigt, dass wir ja sehr viele Schwankungen gehabt haben im System, was natürlich auch Probleme verursacht hat. Wie, denkst du, könnte man da KI einsetzen? #00:39:17-0#

B: Also eben, KI sind ja quasi eine Fortsetzung der statistischen Methoden, ja? Und dort kann man es gut einsetzen, wenn man die entsprechenden Daten hat, also das Datenvolumen

, ja? #00:39:32-0#

I: Also genügend Daten müsste man haben, wenn ich dich richtig verstehe? #00:39:37-3#

B: Ja, genau. Also sonst könntest du es ja auch versuchen, mit Excel zu machen. #00:39:42-8#

I: (lacht) Ja. (…) Okay. Und du hast ja eben einige Sachen jetzt erwähnt. Was denkst du, hat denn das grösste Potential oder was wird schon am meisten eingesetzt im Moment? (…) Also du hattest da davon geredet, eben Graphen eingesetzt mit Machine Learning. Dann hatten wir über Recommender-Systeme geredet. Wir haben eigentlich mehr über so Daten-Process-Mining, was man mit KI kombiniert einsetzen könnte. Was denkst du, was hat denn das grösste Potential, aus deiner Sicht? #00:40:33-7#

B: (…) Ja, also da würde ich eher sagen, wenn man sich halt so Amazon anguckt, die setzen die Technologien ein und die haben natürlich ihre Logistik auch extrem unter Kontrolle. (…)

Also einerseits die Supply Chain, einerseits das Erkennen, wo sich der Bedarf von Kunden ändert und darauf schnell zu reagieren, ja? #00:41:10-3#

I: (…) Also auf Bedarfsänderungen reagieren zu können? #00:41:19-2#

B: Ja. Und die Bedarfsänderung schon vorher zu sehen. #00:41:25-1#

I: Also Prognose. (…) Gibt es sonst noch etwas, was du denkst? #00:41:40-3#

B: (…) Nein. Also das wäre/ #00:41:45-2#

I: Dann haben wir ein bisschen über Potentiale geredet. Es gibt ja sicher auch Hürden, (lacht) so neue Technologien einzuführen. Was denkst du, was sind Hürden für Unternehmen? #00:42:02-1#

B: Also eine sozusagen sind die Daten, die ich habe in der Qualität vorhanden, dass ich sie auch auswerten kann? Also ein Problem könnte sein, man hat zu wenig Daten oder man hätte eigentlich genügend Daten, aber aus jedem Unternehmensbereich wurden die anders klassifiziert, dass ich wenn ich sie zusammenführe, ich die erst bereinigen muss. Ja? (…) Also das wäre die Datenqualität, ja. #00:42:37-4#

I: (…) Wie schätzt du das ein, also wenn ich jetzt so neue Technologie einsetze, dass es

B: (…) Ja, also da gibt es ja auch so diese zwei Sachen, die einen reden von so Self-Service. Das fing ja an Self-Service-BI. Also sozusagen jeder/ Es sind ja auch einige Software-Hersteller da sehr erfolgreich zu sagen: Gib den Usern mehr macht und Dashboards und dass die arbeiten können. Also insofern würde das den Mitarbeiter eher fördern. Auf der anderen Seite könntest du sagen, du kannst es auch so implementieren, dass es ein intelligentes System ist, wo der Mensch dann quasi nur zum/ oder zu sagen, die vollautomatisierte Firma, ja? Also dieses Robotic Process Automation wäre dann/ (…) würde ja quasi den Mitarbeiter ersetzen und der hätte dann Angst vor solchen Tools, ja? #00:43:55-9#

I: Genau. Das ist ja immer etwas, was man ja hört, dass das einer der Punkte ist. Wie denkst du vom Aufwand her, wenn man so etwas einführen will, ist das etwas, wo man grosse Investitionen tätigen muss, grundsätzlich? Also ich möchte jetzt, ich mache mal ein Beispiel, ein Expertensystem einführen mit Knowledge-Graphen für meine Risikoüberwachung. #00:44:27-4#

B: (…) Ja. Also ich würde sagen, seit diesem Jahr sind wir da eigentlich/ die Tools sind ja jetzt verfügbar. Also theoretisch kann man ja auch alles fast schon selber programmieren. Also Piloten sind, würde ich sagen, sind sehr schnell machbar. Die andere Frage ist dann eher, wenn ich dann versuche, das zu skalieren oder so. Also es gibt ein Beispiel, der Anbieter Snowflake. Das war jetzt der Anbieter mit dem Börsengang letztes Jahr, der grösste Börsengang je eines Software-Unternehmens für zig Milliarden. Und der sagt: Hey, du hast die Cloud, ja? Amazon. Und wir bauen da was drüber. Und du kannst halt gleich deine Data Lakes mit draufbauen, oder? Also die grossen Pharmaunternehmen, auch in Basel, die haben da ja auch seit zehn Jahren gearbeitet und die dann grosse Teams mit ganzen Servern fahren. Und das kostet natürlich alles. Aber wir kommen jetzt dahin, dass du sagen kannst: Hey, ich habe die Daten, ich lade die hoch. Ich weiss, ich brauche nur einen Tag für die Berechnung oder einen halben Tag. Und bezahle dann nur für die paar Stunden, wo ich sowas berechne. Also die Einstiegshürde ist eigentlich extrem gesunken, ja? Dass so Piloten sehr leicht durchführbar sind. Aber wenn ich dann natürlich sage, ich möchte das ganze Unternehmen drauf hieven, ja, bin ich natürlich dann auch wieder von den grossen Anbietern abhängig. #00:46:16-8#

I: (…) Wie schätzt denn du das ein, ist es dann nicht auch ein Problem, dass man ja einen Standard/ Also wenn ich jetzt etwas intern mit externen Daten machen will, dann müsste ich mich ja auf irgendeinen Standard schlussendlich einigen. Ist das nicht auch noch eine Hürde? #00:46:39-1#

B: Ja, also einerseits musst du für dich sehen, wo kriegst du die externen Daten her. Teilweise sind das aber ja öffentliche Daten. Unter dem Stichwort Open Data sind ja die Regierungen/ Die EU will zehn Milliarden für so Data Spaces machen. Zu sagen, Medizin-, Landwirtschaft-, Automobil-Daten. Also der Trend ist da. Also es ist eher zu sagen, eure Denkarbeit, wie können wir unsere internen Daten mit externen Daten anreichern? Ja. #00:47:20-1#

I: Also ich spreche jetzt mehr etwas das Thema an, wenn ich jetzt Daten von meinen Partnern im Netz drin nutzen will, dann müsste ich mich ja auf irgendeinen Standard einigen, oder? #00:47:32-4#

B: (…) Ja. Aber da muss man vielleicht nochmal in die Branche reingucken, aber da arbeiten ja Leute dran. #00:47:44-6#

I: Also das siehst du nicht als so einen Hinderungsgrund? Gut. #00:47:48-4#

B: Also man kann es natürlich kompliziert machen, wie im Gesundheitswesen, wo es dann Jahre dauert. Aber/ #00:47:59-8#

I: Dann vielleicht der letzte Punkt. Also du hattest eben gesagt, eben, man müsste die richtige Datenqualität haben und nicht zu wenig Daten. Das richtige Fachpersonal zu haben, wäre das nicht auch noch eine Hürde? #00:48:15-0#

B: Ja, also das wäre dann eher so ein bisschen dieser Skill Shift. Also je nachdem redet man ja hier für Data Science oder KI. Jetzt letzte Woche war auch so das Stichwort Reskilling. Ich weiss nicht, ob du das mal gehört hast? Dass jetzt auch irgendwie Länder/ Deutschland überlegt irgendwie, dass das Arbeitsamt eben solche Kodierkurse anbietet. Also es sind ja in letzter Zeit auch viele Anbieter/ Oder [Organisation] versucht es ja auch. Volkswagen will eine eigene Code-Universität gründen, ja? (…) Ja. Ja, genau. Also das ist natürlich die Herausforderung, ja. #00:49:11-6#

I: Gut. Ich käme so langsam zum Ende des Interviews. Gibt es aus deiner Sicht Punkt zu ergänzen oder Sachen, die ich nicht berücksichtigt habe? Gibt es Sachen, die ich nicht berücksichtigt habe? #00:49:24-9#

B: (…) Nein, also ich denke, wichtig für dich wäre halt eine konsistente Klassifikation von was verstehst du unter KI-Tools, ja? Da gibt es ja auch die bekannten Klassifikationen, Machine Learning, Deep Learning, so. Dass du das irgendwie abgrenzen kannst, weil sonst ist die Wolke KI halt immer (…) gross. Und die Frage ist halt, dass vielleicht einige Themen, die unter der KI laufen, eigentlich eher Data Science ist. Ja? (…) Also dass KI halt sehr, sehr modern klingt, en vogue, aber eigentlich manchmal das eben/ Du hast ja hier auch so, diese Kreise, die sich überschneiden. (…) Dass du eher sagen kannst: Ja, Machine Learning, das ist grosse Datenmengen auswerten. Und Machine Learning kommt dann im Process Mining. Während irgendwie andere risikobasierte Sachen, das sind eher, würde ich sagen, normale Berechnungsalgorithmen. #00:50:49-8#

I: (…) Also du sagst die Abgrenzung, es müsste kombiniert sein mit Machine Learning, sonst/ Also, dass ich die Abgrenzung richtig mache. Das ist sicher so, dass die Abgrenzung nicht so klar ist überall. #00:51:07-0#

B: Ja, genau. #00:51:09-6#

I: Das ist ein guter Hinweis. #00:51:10-4#

B: Also und viele Anbieter schreiben natürlich KI drauf, um besser ihre Software zu verkaufen, ja? #00:51:18-3#

I: Ja. (…) Gut. Dann würde ich mal die Aufnahme beenden. #00:51:32-0#

Anhang 17: Finales Kategorienmodel

Abbildung in dieser Leseprobe nicht enthalten

Abb. 76: Finales Kategorienmodell SCR (eig. Darst.)

Anhang 18: Allgemeine Erkenntnisse Interviews

Nachfolgend werden einige wichtige, allgemeine Erkenntnisse der Interviews dargestellt, die keinen direkten Zusammenhang mit der Beantwortung der Forschungsfrage haben, aber interessante Aspekte aufzeigen.

Da für diese Aussagen in den Transkripten keine Textblöcke gemacht wurden, wird durch Verweis auf die Minutenzahl auf den Start der relevanten Aussagen hingewiesen.

Allgemeine Vorteile und Fähigkeiten von KI

Die Experten E haben darauf hingewiesen, dass durch KI die repetitive Arbeit reduziert werden kann und sie den SEK befähigt, sich auf wertsteigernde Aufgaben zu konzentrieren (8.41). Experte B bestätigt dies und spricht davon, die Daktylo-Arbeit zu reduzieren (19.20). Experte G geht noch ein Schritt weiter und führt als Beispiel Japan auf, wo aufgrund des hohen Wertschöpfungsgrades geprüft wird, ob von einer 5- auf eine 4-Tagewoche reduziert werden soll (27.16.).

Expert H sieht grosses Potential durch KI die Komplexität zu reduzieren (59.10). Er weist darauf hin, dass KI unbegrenzte Möglichkeiten bietet, deshalb neues Denken erfordert und im Kontext zur Digitalisierung betrachtet werden sollte. Er macht folgende Aussage: "Das Bemerkenswerte ist, dass KI Dinge lösen kann, die vorher nicht gingen, und darum sind durch KI jetzt auf einmal ganz neue Bausteine ins Spiel gekommen" (H2).

Hinweise für die Einführung

Gemäss Experte K ist die Anwendungshürde für KI stark gesunken, da mit relativ wenig Aufwand und Kosten ein Pilot für neue Anwendungen einfach durchgeführt werden kann (44.27). Zudem kann auf bereits bestehende KI-Algorithmen zurückgegriffen werden (30.35). Auch Experte F spricht bei KI von Daten und Modellen, dass auf bestehende Modelle zurückgegriffen werden kann und diese optimiert werden können (52.47).

Experte F bestätigt diese Aussage und weist auf die Wichtigkeit hin, immer zuerst den Use Case zu klären (30.52) und auch Experte K geht auf die Wichtigkeit der Fragestellung ein (K10). Experte H empfiehlt, keine KI-Anwendungen von der Stange zu verwenden, sondern auf das Problem zugeschnittene Lösungen einzusetzen. Denn nur so kann ein Wettbewerbsvorteil generiert werden (S. 246 letzter Abschnitt). Auch Experte B teilt diese Meinung (27.29).

Einführungshürden und Risiken

Als Risiko führt Experte B Cybercrime und Datenschutz auf (45.16) und Experte K erwähnt ergänzend die Problematik von Supply Chain Attacken (28.44). Experte F komplettiert dies durch die Wichtigkeit von Information Protection für KI-Anwendungen (51.15). Experte K geht auf das Abhängigkeitsrisiko von Plattformen und Mittelsmänner ein (28.26). Er nennt als weitere Hürde zu wenige oder in schlechter Qualität vorhandene Daten (42.02), was von Experte D (51.12) und Experte B (47.40) bestätigt wird. Experte F führt aus, dass ohne Daten kein KI möglich ist (44.09) und Experte H verweist auf die Problematik von einseitigen Daten (43.46).

Expertin I (45.43) und Experte H (42.01 ) erwähnen, dass die Nachvollziehbarkeit und das Vertrauen in die Intelligenz die grössten Hürden sind. Weiter führen Experte D (49.33), Experte B (49.53) und Experte G (50.37) die Komponenten Mensch, Beseitigung von Widerständen und das Change Management als relevante Risiken auf und Experte F betont, dass speziell die IT Abteilungen eine Hürde für KI-Einführungen sind (45.48).

Anhang 19: Inhaltliche und methodische Abgrenzung der Ergebnisse

Die Literatur zu KI und SCR ist im Allgemeinen sehr umfangreich und gut dokumentiert. Es sind jedoch noch keine Studien, die auf wissenschaftliche Kriterien basieren, und nur wenig wissenschaftliche Literatur für spezifische Einsatzmöglichkeiten von KI im SEK zur SCR-Stärkung oder vergleichbaren Anwendungen, verfügbar. Es wurde deshalb auf Use Cases und Whitepapers zurückgegriffen. Dies bekräftigt die Wichtigkeit dieser Arbeit für die Forschung.

Durch die Anzahl von zehn Interviews konnte die theoretische Sättigung erreicht werden. Da jedoch die Interviews mit zwei Expertengruppen durchgeführt wurden, ist die jeweilige Anzahl Interviewter eher gering. Um einerseits ein aussagekräftiges Resultat zu erzielen wurde bei der Auswahl der Befragten darauf geachtet, dass durch die Auswahlkriterien eine homogene Zusammensetzung der Expertengruppen entstand und anderseits konnten durch das Zusammenführen der beiden Expertensichten ganzheitliche Erkenntnisse gewonnen werden.

Aufgrund der geringen, praktischen Erfahrungen zu diesem Thema wäre eine quantitative Umfrage für diese Arbeit kaum möglich gewesen. Ausserdem war für die Beantwortung der Forschungsfrage die individuelle Praxissicht besonders wertvoll.

Eine Umfangsbeschränkung der lieferseitigen Aktivitäten nur auf den SEK zur Verbesserung der SCR kann hinterfragt werden, da eine allumfassende Betrachtungsweise der SC sinnvoller ist. Aufgrund des beschränkten Umfangs dieser Arbeit wurde eine Eingrenzung vorgenommen. Sie wäre auch auf Branchenebene möglich gewesen mit dem Nachteil, keinen ganzheitlichen Überblick über die Möglichkeiten und Eigenschaften von KI zu erhalten, da diese sehr branchenabhängig sind.

Eigenständigkeitserklärung

Ich erkläre, dass ich die vorliegende Arbeit selbständig und ohne fremde Hilfe verfasst habe. Verwendete Literatur und Quellen habe ich vollständig aufgeführt, und ich habe diese gemäss wissenschaftlichen Zitierregeln zitiert.

Die vorliegende Arbeit oder Teile davon habe ich nicht bereits an anderer Stelle als Leistungsnachweis verwendet, ausser es sei dies ausdrücklich mit dem zuständigen Referenten vereinbart worden.

Ich bin mir bewusst, dass die vorliegende Arbeit auf Plagiate – auch unter Verwendung entsprechender Software – überprüft werden kann. Ich ermächtige hiermit die Kalaidos Fachhochschule ausdrücklich zur Vornahme einer solchen Überprüfung.

Die Arbeit enthält die folgende Anzahl Zeichen: 149’206

Zeichen zählen: Textteil, exklusive Titelblatt, Inhaltsverzeichnis, Vorwort, Abstract/Management Summary, Abbildungs-, Diagramm-, Tabellen-, Abkürzungs-, Quellenverzeichnis, Anhänge und Eigenständigkeitserklärung. Textfelder, Fuss- und Endnoten werden nicht berücksichtigt.

Magden, 16. September 2021 Balsiger, Sandra

Abbildung in dieser Leseprobe nicht enthalten

Wurde die Arbeit als Gruppenarbeit erstellt, ist die Erklärung in Wir-Form abzugeben und die Daten und Unterschriften sämtlicher AutorInnen festzuhalten.

[...]

• College: Kalaidos University of Applied Sciences Switzerland
• Grade: 1
• Author: Sandra Balsiger (Author)
• Publication Year: 2021
• Pages: 317
• Catalog Number: V1245122
• ISBN (eBook): 9783346690104
• ISBN (Book): 9783346690111
• Language: German
• Tags: Künstliche Intelligenz, Supply Chain Resilienz, strategischer Einkauf