8 Bereiche Ihrer Lieferkette, in denen Sie schon jetzt Wachstum erzielen können

Einleitung

Sie können mit Analytics keinen Frachter auf hoher See entladen. Sie können nicht mehr Fahrer:innen für den Versand von Gütern und Materialien einstellen. Und Sie können damit nicht jedes Problem lösen, das durch die Pandemie und andere Disruptionen verursacht wird.

Analytics kann jedoch dazu beitragen, dass Sie kundenorientiert werden und bessere finanzielle Ergebnisse erzielen, indem Sie sich in Echtzeit an veränderte Kundennachfrage und unerwartete Unterbrechungen anpassen.

Mit Analytics können Sie eine kundenorientierte Lieferkette schaffen. Und mit kundenorientierten Lieferketten verschaffen Sie sich einen Wettbewerbsvorteil. Supply Chain Quarterly zufolge können Sie mit einer kundenorientierten Lieferkette 13 % mehr Wachstum als Ihre Mitbewerber erzielen.

Dazu müssen Sie jedoch wissen, was Ihre Kundinnen und Kunden brauchen. Und dafür wiederum müssen Sie Daten analysieren.

Das ist nicht einfach.

Veränderte Kundenbedürfnisse können zu ungenauen Nachfrageprognosen führen. Das sich ändernde Kaufverhalten kann die Planungen für Lagerbestand und Sortiment durcheinanderbringen. Und beides hängt davon ab, dass Maschinen funktionieren und in Betrieb bleiben.

Wenn Sie also auch mit Analytics keine Fracht entladen, Fahrer:innen einstellen oder Disruption beenden können, kann es Ihnen doch in den wichtigsten von Ihnen gesteuerten Bereichen Ihrer Lieferkette helfen.

Wir wollen uns acht zentrale Bereiche ansehen, auf die Sie sich konzentrieren können, um Ihre Lieferkette zu verbessern. Dabei gehen wir auch auf mögliche Hindernisse ein und zeigen Maßnahmen auf, mit denen Sie erfolgreich sind und sich einen Vorteil gegenüber Ihrem Mitbewerb verschaffen:

Schwerpunktbereiche

Nachfrage prognostizieren

Die Ziele

• Auf Panikkäufe, Veränderungen der Kundennachfrage und Rohstoffengpässe reagieren
• Änderung und Verbesserung von Lieferkettendaten und Analyseprozessen, um die Anpassung zu erleichtern

Die Hindernisse

• • Kein Überblick über das Konsumverhalten von Kundinnen und Kunden
• • Starke Abhängigkeit von Fachkräften, die für Prozesse in der Lieferkette verantwortlich sind

Die Maßnahmen

• Optimierung neuer und laufender Prozesse zur Verbesserung von Prognosegenauigkeit und -aktualität
• Automatisierung und Zentralisierung von Daten- und Analyseprozessen zur Erhöhung von Transparenz und Zugänglichkeit

Das Beispiel

• 7-Eleven

Leistung bewerten

Die Ziele

• Verstehen, wie sich Marktkräfte auf Umsatz, Marge und Wachstum auswirken
• Erfassen von Kennzahlen, die die Qualität und Effizienz von Analytics-Projekten messen – zum Beispiel Geschäftswert, Wertschöpfungszeit oder Produktivität

Die Hindernisse

• Fehlender organisatorischer Zugang zu internen und externen Nachfragesignalen
• Bestimmung von Geschäftsnutzen, Wertschöpfungszeit und Produktivität erfordert zusätzliche Analysen

Die Maßnahmen

• Zentralisierung und Demokratisierung von Analyseressourcen und -prozessen im Unternehmen
• Zusammenarbeit mit Teams, um automatisierte Prozesse und geplante Berichte für die wichtigsten Kennzahlen zu erstellen

Das Beispiel

• Amway

Einsatz präskriptiver Prognosen

Die Ziele

• Bestimmung der Auswirkungen von Marktveränderungen und organisatorischen Angebotsschwankungen auf den Ruf und Markenwert des Unternehmens
• Nutzung von historischen und Echtzeitdaten für kommerzielle Anwendungen, Machine Learning, Data Science und Predictive Modeling

Die Hindernisse

• Zeitaufwand für die Erfassung und Zusammenführung von Daten aus mehreren Abteilungen sowie für den Aufbau von Markenreputation und Wertanalysen
• Mangel an Budget, (Fach-)Personal oder Ressourcen für die Integration von Echtzeitinformationen, Data Science, Machine Learning und Predictive Modeling

Die Maßnahmen

• Implementierung von Analytics Automation mit Analytics Server zur Zentralisierung und Steuerung abteilungsübergreifender Informationen und Analysen
• Weiterbildung von Beschäftigten sowie schnellere Bereitstellung von Erkenntnissen durch automatisiertes Machine Learning

Das Beispiel

• Bridgestone

Erhöhung der organisatorischen Transparenz

Die Ziele

• Einblicke für Stakeholder in die Performance von Abteilungen (Vertrieb, Kundenservice usw.) des Unternehmens erhöhen und messen, wie diese auf Marktveränderungen und Schwankungen reagiert haben
• Beurteilung der Sortimentsleistung und des Lagerbestands sowie Optimierung der Bestandsverwaltung und der Verwaltung und Beschaffung von Fertigungsmaterialien

Die Hindernisse

• Die Erstellung mehrerer Berichte erfordert umfangreiche, zeitaufwendige Datenvorbereitung und -analyse sowie die Einbeziehung und das Verständnis neuer Faktoren, die durch Nachfrageschwankungen verursacht werden
• Drittanbieter, Lieferanten und Einzelhändler können verschiedene Datentypen und Systeme für Lagerbestände, Materialien und Sortiment verwenden

Die Maßnahmen

• Alle Abteilungen in die Lage versetzen, interne Berichtsprozesse zu automatisieren und die Ergebnisse in einem zentralen Dashboard zu teilen
• Identifizieren von Analyseplattformen, die die Verarbeitung und Analyse verschiedener Datentypen und Berichte einfach importieren und automatisieren können

Das Beispiel

• Coca-Cola

Sicherstellung von Prognosegenauigkeit und optimalem Bestand

Die Ziele

• Beschaffung und Aufrechterhaltung optimaler Rohstoffbestände, um die Nachfrage zu erfüllen
• Beurteilung der Prognosegenauigkeit basierend auf Einzelhandelsbestellungen und Beschaffungslieferungen

Die Hindernisse

• Nachfrageveränderungen sind schwer zu prognostizieren und können dazu führen, dass die Lagerbestände zu groß oder klein werden, was wiederum zu unzufriedenen Kundinnen und Kunden führt.
• Die Erstellung mehrerer Prognosen und deren Anpassung mit neuen Informationen erfordert kontinuierliche Aktualisierungen der Prozesse und ggf. Predictive Modeling.

Die Maßnahmen

• Beschleunigung der Bereitstellung von Erkenntnissen für die Meldung von lagerbezogenen Fragen und Lagerbeständen
• Automatisierung der Machine Learning-Modellierung, um Nachfrage- und Beschaffungsabteilungen auf dem neuesten Stand zu halten

Das Beispiel

• Ingersoll Rand

Reduzierung von Preisnachlässen, Lagerengpässen und Retouren

Die Ziele

• Anpassung an plötzliche Schwankungen und überraschende Veränderungen im Kaufverhalten der Kundschaft
• Höhere Frequenz der Vertriebsanalysen, um Preisnachlässe, Lagerengpässe und Retouren zu reduzieren

Die Hindernisse

• Verzögerte Berichte führen zu fehlerhafter Abstimmung zwischen Filialen und Produktlieferungen
• Aktuelle Analyseprozesse nutzen einen kleinen Prozentsatz des Bestands für Erkenntnisse und Prescriptive Modeling für alle SKUs, wenn anwendbar

Die Maßnahmen

• Höhere Frequenz der Vertriebsanalysen, um in Echtzeit zu sehen, was Kundinnen und Kunden kaufen
• Steigerung der Analysekapazität und Automatisierung wichtiger Prozesse, um Daten für 100 % der SKUs zu verwenden und genaue Bestandsberichte zu erstellen

Das Beispiel

• The Home Depot

Ermitteln, welche Maschinen gewartet werden müssen

Die Ziele

• Überwachen und verwalten von Wartungsereignissen, um die Anlagenzuverlässigkeit und die Planung für Maschinenservice und Ersatzteile zu verbessern
• Messung der Auswirkungen der Maschinenwartung auf Vertrieb, Kundenservice und Kundenzufriedenheit sowie auf Produktservice und -qualität

Die Hindernisse

• Unzusammenhängende manuelle und komplexe Analyseprozesse über mehrere Standorte hinweg, jeweils mit individualisierten Berichten und gemeinsamen Ergebnissen
• Unzureichende Modellierungsmöglichkeiten für die vorausschauende Wartung aufgrund von fehlendem Budget für erfahrene Arbeitskräfte und/oder mangelhafter Berichtsprozesse, die eine präskriptive Analyse behindern
• Maschinenausfallzeiten, die zu teuren Produktionsverzögerungen führen

Die Maßnahmen

• Standortübergreifende Automatisierung von Berichtsprozessen, um die Zuverlässigkeit von Anlagen und die Kundenzufriedenheit zu verbessern
• Hinzufügen oder Erweitern von Prescriptive Modeling-Prozessen durch schnellere Berichterstellung und Analyse, um die Genauigkeit der Vorhersagen zu erhöhen

Das Beispiel

• Cargill

Integration von Daten auf dem Gerät

Die Ziele

• Integration von Kennzahlen aus verschiedenen Quellen und Technologien, um Lücken bei der Maschinen- und Anlagenwartung zu schließen, die einen kosteneffizienten Service verhindern
• Entwicklung eines optimierten technischen und analytischen Ansatzes für die Wartung von Maschinen und Anlagen

Die Hindernisse

• Große Datenmengen von Sensoren, Maschinen und manuell gemeldeten Untersuchungen und Inspektionen
• Separate Datenspeichersysteme und verschiedene Datentypen, einschließlich potenzieller handschriftlicher und gescannter Dokumente

Die Maßnahmen

• Erweiterung der Möglichkeit zur Eingabe von Daten unterschiedlicher Typen, Quellen und Größen sowie zur Umwandlung von Bildern und Text in digitale Formate
• Analyse von Daten und Anwendung der Ergebnisse zum Schließen von Lücken bei Service und Wartung von Maschinen, um kosteneffiziente Serviceleistungen zu ermöglichen, von denen letzten Endes Kundinnen und Kunden profitieren

Das Beispiel

• Bendix Nutzfahrzeugsysteme

Kundenbeispiele

7-Eleven

Mehr erfahren

Das Ziel von 7-Eleven
Vor Einführung eines KI-Prognosemodells in Tausenden Geschäften sollte getestet und validiert werden, dass es die erwartete Leistung in Bezug auf die Verfügbarkeitsziele im Regal erbringt.

Probleme und Faktoren
Der aktuelle Prozess dauerte zwei Tage.

Ergriffene Maßnahmen
Einsatz von Alteryx, um die wichtigsten Prozesse zu automatisieren.

Der Return on Investment
Die Prozessdauer wurde von 2 Tagen auf 1 Stunde verkürzt. Diese Zeitersparnis wurde genutzt, um sich auf kritische Anwendungsfälle zu konzentrieren, die sich auf den Umsatz auswirken.

Amway

Mehr erfahren

Das Ziel von Amway
Schwankungen bei Angebot und Nachfrage abfedern, um das gewünschte Niveau beim Kundenservice zu erreichen und Kosten zu senken.

Probleme und Faktoren
Das Prognose-Anwendungsmodell umfasste eine zeitaufwendige und komplexe Datenvorbereitung.

Ergriffene Maßnahmen
Ein Data Scientist automatisierte den Prozess und entwickelte Makros in Alteryx, um die Ziele zu erreichen.

Der Return on Investment
Einsparungen in Millionenhöhe bei den Kosten für den Sicherheitsbestand an 325 Standorten bei gleichzeitiger Erfüllung der Kundennachfrageziele.

Bridgestone

Das Ziel von Bridgestone
Erstellen genauer langfristiger Prognosen

Probleme und Faktoren
Die für die Analyse verwendeten Daten umfassten verschiedene Datenquellen und -typen.

Ergriffene Maßnahmen
Verwendung von Alteryx, um die Verkaufshistorie mit der Kfz-Zulassung von Kundinnen, Kunden, Standorten und demografischen Daten zu kombinieren und eine 3-Jahres-Bedarfsprognose nach Filial-Clustern zu erstellen.

Der Return on Investment
Steigerung des durchschnittlichen Umsatzes pro Filiale um 3 Mio. USD bei gleichzeitiger Senkung der Kosten für Sonderbestellungen mit genaueren Prognosen.

Coca-Cola

Mehr erfahren

Das Ziel von Coca-Cola
Mit einem seiner größten Einzelhandelspartner zusammenarbeiten, um Lagerprobleme anzugehen und gleichzeitig im Getränkesegment durch neue Ideen für Werbeaktionen, Sortimente und Produkteinführungen zu wachsen.

Probleme und Faktoren
Einzelhandelspartner scannten mehrmals täglich Regale für die Bestandsaufnahme und gaben diese Daten manuell an Lieferanten weiter, was die Produktverfügbarkeit beeinträchtigte.

Ergriffene Maßnahmen
Coca Cola nutzte Alteryx, um diesen Prozess zu automatisieren und die Aufstockung zu verbessern. Gleichzeitig erhalten Beschäftigte im Außendienst Erkenntnisse, die ihnen helfen, sich bei Filialbesuchen auf Top-Produkte, neue Produkte und Werbeaktionen zu konzentrieren.

Der Return on Investment 
Der Umsatz stieg um 5 Prozent und die Lagerengpässe verringerten sich um 39 Prozent.

Ingersoll Rand

Mehr erfahren

Das Ziel von Ingersoll Rand
Schnelle Beantwortung von Fragen zum Lagerbestand, der einen Wert von 60 Mio. USD hat

Probleme und Faktoren
Manuelle Prozesse verhinderten zeitnahe Antworten und führten dazu, dass die Bedarfsdeckung nicht mit der Nachfrage übereinstimmte und das Angebot für nachgefragte Produkte nie garantiert werden konnte.

Ergriffene Maßnahmen
Einsatz von Alteryx, um die manuellen Prozesse der Problemlösung bei der Ursachenfindung für Über-/Unterbestellungen zu automatisieren.

Der Return on Investment
Der gesamte Lagerbestand kann nun in weniger als drei Minuten auf Artikelebene ausgewertet werden, sodass die Führungskräfte von Ingersoll Rand Einblick in die beeinflussbaren Lagerbestandsfaktoren erhalten.

The Home Depot

Das Ziel von The Home Depot
Reduzierung von Preisnachlässen, Lagerengpässen und Retouren sowie höhere Frequenz der Vertriebsanalysen für 160.000 SKUs an 2.500 Standorten

Probleme und Faktoren
Aktuelle Prozesse untersuchen alle zwei Wochen Kennzahlen für nur 5 Prozent der gesamten Ware.

Ergriffene Maßnahmen
The Home Depot nutzte Alteryx zur Automatisierung der Analyse und aktualisierte die Kennzahlen zehnmal pro Tag für 100 Prozent der SKUs

Der Return on Investment
Das Unternehmen verzeichnete einen Umsatzanstieg von 4 Prozent (3 Mrd. USD), erhöhte den Profit um mehrere Millionen USD und verdoppelte die Margen pro Geschäft.

Cargill

Mehr erfahren

Das Ziel von Cargill
Konsistente Identifizierung von Maschinen in den Anlagen, die gewartet werden müssen

Probleme und Faktoren
Wartungsmanager in der Salzproduktion hingen für die Maschinenwartung von einem komplexen, manuellen und unzusammenhängenden Analyseprozess ab, bei dem für einzelne Anlagen Ergebnisse manuell gesammelt, gemeldet und weitergeleitet wurden – all dies trug zu einem leistungsschwachen Prognosemodell für die Wartung bei.

Ergriffene Maßnahmen
Cargill nutzte Alteryx, um den gesamten Berichtsprozess zu automatisieren.

Der Return on Investment
Die Zeit bis zur Vorhersage von Wartungsereignissen wurde um 75 % verkürzt, Probleme wurden proaktiv behoben, bevor es zu Ausfallzeiten kommen konnte, Produktionsverzögerungen und Umsatzverluste wurden vermieden, die Anlagenzuverlässigkeit verbessert und die Arbeit effektiver geplant und priorisiert, sodass sich das Wartungspersonal auf präventive Maßnahmen konzentrieren kann.

Bendix

Mehr erfahren

Das Ziel von Bendix
Ein besseres Verständnis der großen Menge an visuellen Daten, die Bendix von Nutzfahrzeugen erfasste, die mit dem SafetyDirect-System ausgestattet sind

Probleme und Faktoren
Kund:innen dieses Systems mussten Videoaufnahmen aller Verkehrszwischenfälle ansehen, die sich ereigneten, und den Schweregrad jeweils manuell vermerken.

Ergriffene Maßnahmen
Automatisierung des Prozesses und der internen gemeinsamen Workflows zur Klassifizierung von Vorfällen auf Grundlage lernfähiger Analysemodelle, um Managern von Nutzfahrzeugflotten sofortige Erkenntnisse zu bieten und dadurch die Sicherheit und Fahrerleistung sowie Programme zur vorbeugenden Wartung zu verbessern.

Der Return on Investment
Reduzierung der Prozesszeit um die Hälfte und Integration von Python für zusätzliche Vorteile: Nun kann jedes Teammitglied unabhängig von seinem technischen Hintergrund und seinen technischen Fähigkeiten die Entwicklung analytischer Projekte vorantreiben.

Erfahren Sie mehr in unserer Webinar-Reihe Accelerating Your Customer-Centric Supply Chain

PDF herunterladen