Wie IT-Lösungen Unternehmen helfen, Lieferketten robuster zu gestalten

Unterbrechungen in der Logistik stellen Unternehmen vor massive Probleme. Mithilfe moderner IT-Anwendungen aus dem Internet of Things und KI lassen sich Lieferketten effizienter und robuster gestalten.

Schiffe stauen sich in der Nordsee, in Shanghai warten Container oft wochenlang an Land auf ihre Verladung. Nach Berechnungen des Kieler Instituts für Wirtschaftsforschung (IfW) steckten Anfang September weltweit elf Prozent aller verschifften Waren in Staus vor wichtigen Häfen fest. Das sorgt für Verzögerungen in den Lieferketten – ist aber nur ein Teil eines viel größeren Problems.

Durch den Krieg in der Ukraine fehlen Rohstoffe, Firmen liefern nicht wie gewohnt. Lkw-Fahrer fallen für europaweite Transporte aus – das trägt zum Personalmangel in der Logistikbranche bei. Auch die Corona-Pandemie sorgt weiter für Unterbrechungen – beispielsweise, weil China immer wieder harte Lockdowns anordnet und Vorprodukte nicht geliefert werden.

Wenn Unternehmen Waren nicht versenden können, führt das zu Unterbrechungen bei anderen Herstellern. Eine „Just in time“-Lieferung ist vielfach nicht möglich, Erzeugnisse müssen entsprechend länger gelagert werden – und das kostet.

Unternehmen brauchen resiliente Lieferketten

Die anhaltenden Herausforderungen zeigen, dass Unternehmen ihre Logistik in der Industrie 4.0 robuster gestalten müssen. Transparenz ist dafür die Voraussetzung: Wo ist das Ersatzteil gerade, das aus dem Lager geholt und zur Produktion gebracht wird? Ist die Ware noch im Laster? Wenn ja, wo fährt dieser jetzt? Wann trifft der Artikel beim Kunden ein?

Dabei helfen technische Lösungen aus dem Internet of Things (IoT). Intelligente, vernetzte Sensoren verbinden physische Objekte mit der virtuellen Welt. Sie erfassen relevante Informationen über ihre unmittelbare Umgebung, analysieren und verknüpfen diese und machen sie im Netzwerk verfügbar. Sie sind an Maschinen, Werkzeugen, Robotern, Fahrzeugen und Waren angebracht. Sind sie akkubetrieben, benötigen sie keine Stromquelle in der Nähe.

Mit ihrer Hilfe weiß eine Firma exakt, wo sich Gegenstände aktuell befinden – außer- und innerhalb des Unternehmensgeländes. Das bietet viele Vorteile:

Ein optimierter Ablauf in der Lieferkette ist nicht nur transparenter, sondern auch effizienter. Lieferketten sind planbarer, resilienter und vorhersehbarer, Engpässe werden vermieden. All das hilft obendrein, Kosten zu sparen.

Wie Intel-Lösungen die Lieferketten resilienter machen

Verschiedene Anwendungen und Produkte des Halbleiter-Herstellers Intel tragen zu einer robusteren Logistik und vernetzten Lieferketten bei. Die Intel-Connected-Logistics-Plattform (Intel CLP) ist eine IoT-Plattform zur Überwachung des Gütertransports. Sie vereint Funksensoren, Gateways, Cloud-Dienste und Verwaltungs-Tools.  Weiterhin arbeiten Intel-Prozessoren, Toolkits und andere Technik des Herstellers in IoT-Lösungen für Fuhrparks und Telemetrie. Leistungsstarke Intel-Xeon-Prozessoren unterstützen zudem eine SAP-Anwendung zur Optimierung von Lieferketten mithilfe von maschinellem Lernen.

Höhere Effizienz durch IoT-Lösungen in der Fuhrparkverwaltung

Das Internet of Things kann darüber hinaus in der Fuhrparkverwaltung für höhere Produktivität und Transparenz sorgen – bei sinkenden Kosten und vereinfachtem Management. Dabei kommt IoT-fähige Telematik zum Einsatz.

Die Zukunft der Lieferkette: Ausfälle vorhersagen und Umsatzeinbußen vermeiden

Probleme in der Lieferkette können jederzeit auftreten, wenn Unvorhergesehenes passiert. Wissen Unternehmen allerdings im Vorfeld, dass es wahrscheinlich zu Verzögerungen oder Ausfällen kommt, können sie vorausschauend reagieren. Ein intelligentes System kann in einem solchen Fall den Bestell- und Liefervorgang automatisch optimieren, sodass bestimmte Sendungen priorisiert werden. Einfließen können dabei weitere Informationen, etwa dass es sich um wichtige Kunden oder hochwertige Waren handelt.

Erreicht wird das mithilfe umfangreicher Datenerhebungen aus Bestands- und Lieferinformationen, sowohl aus dem regulären Betrieb als auch bei Problemen. Mithilfe von maschinellem Lernen werden dann Modelle trainiert, die vorausschauende Analysen liefern können.