Woche 6 | Session 2: Arten von Analytics & SCM-Anwendungen

Kurs: Supply Chain Digitalisierung — Modul 3: Analytics im SCM

Session-Agenda

Vier Arten von Analytics — Überblick

#	Typ	Kernfrage	Zeitorientierung	Typische Methoden / Tools
1	Deskriptiv	Was ist passiert?	Nur vergangene Daten	Balkendiagramme, Dashboards (Power BI, Tableau), Mittelwert, Standardabweichung
2	Diagnostisch	Warum ist es passiert?	Vergangene Daten — Ursachenforschung	Ursachenanalyse, Drill-Down-Analyse, Korrelationsanalyse
3	Prädiktiv	Was wird passieren?	Vergangene Daten → Modell → Zukunftsprognose	Statistische Prognosen, ML-Modelle (Regression, Neuronale Netze)
4	Präskriptiv	Was sollte getan werden?	Zukunftsorientiert — Handlungsempfehlung	Optimierungsmodelle (LP, MIP), Simulation, Decision Support

Wichtiges mentales Modell: Deskriptiv → Diagnostisch → Prädiktiv → Präskriptiv = eine Kette. Jede Ebene baut auf der vorherigen auf. Präskriptiv = Optimierung: Kosten minimieren | Gewinn maximieren | Risiko minimieren — unter realen Bedingungen

1. Deskriptive Analytics — “Was ist passiert?”

Definition: Analysiert vergangene Daten, um zusammenzufassen, was aufgetreten ist — Durchschnitt, Median, Standardabweichung, Trends, Muster
Output: Diagramme, Dashboards, zusammenfassende Statistiken
Tools: Power BI | Tableau | Excel-Dashboards | Balkendiagramme | Kreisdiagramme

SCM-Beispiele

Nachfrageanalyse: Wie hoch war die durchschnittliche Nachfrage pro Monat für jede SKU in den letzten 2–3 Jahren?
FMCG-CEO-Dashboard: Wie viele Einheiten sind in jedem DC? Welches Lager hat unverkäufliche Ware?
Qualitätsüberwachung: Welche Produkte (X, Y, Z) weisen Qualitätsmängel auf? Über welchen Zeitraum?
Mitarbeiterleistung: Welche Kommissionierer/Packer in einer E-Commerce-Sortieranlage haben ihre Zeitvorgaben erfüllt?

2. Diagnostische Analytics — “Warum ist es passiert?”

Definition: Gräbt in vergangenen Daten, um die Grundursachen von Ereignissen zu identifizieren — warum die Leistung von den Erwartungen abwich
Output: Grundursache identifiziert | Korrekturmaßnahme ausgelöst
Analogie: Mikroskop — Zoomen Sie in die Daten, um das zugrunde liegende Problem zu finden

SCM-Beispiele

Produkttnachfrage gesunken: Deskriptiv zeigt, dass die Nachfrage nach Produkt A fiel. Diagnostisch fragt: Warum? → Konkurrent trat in den Markt ein → Korrekturmaßnahme: Neupositionierung, Preisanpassung
Produkttnachfrage gestiegen: Deskriptiv zeigt, dass die Nachfrage nach Produkt B stieg. Diagnostisch identifiziert, WARUM sie stieg → Ursache replizieren, um Wachstum aufrechtzuerhalten
Qualitätsfehler: Produkt Z hat Qualitätsprobleme. Diagnostisch verfolgt Grundursache zurück: Komponente C1 ist defekt → Komponente C1 wurde von Lieferant 1 geliefert → Lieferant 1 benachrichtigt

3. Prädiktive Analytics — “Was wird passieren?”

Definition: Nutzt vergangene Daten, um Modelle zu erstellen, die zukünftige Ergebnisse vorhersagen — Nachfrage, Maschinenausfall, ETA bei Lieferung, Mitarbeiterleistung
Output: Prognosewerte mit zugehöriger Wahrscheinlichkeit oder Konfidenzintervall
Tools: Statistische Modelle (ARIMA, exponentielle Glättung) | ML-Modelle (Regression, Neuronale Netze, Zeitreihen)

SCM-Beispiele

Nachfrageprognose: Vorhersage der Nachfrage für jede SKU für die nächsten 15 Tage, 2 Monate, 6 Monate. ML wird für hohe Variabilität benötigt, die durch Social Media getrieben wird.
Predictive Maintenance (Vorausschauende Wartung): Modell sagt voraus: “Diese Maschine wird in 2–3 Tagen ausfallen.” → Wartung proaktiv geplant → vermeidet Produktionsstopp
Vorhersage der Mitarbeitereffizienz: Vergangene Leistungsdaten nutzen, um den Effizienzwert jedes Mitarbeiters für die nächsten 6 Monate vorherzusagen
ETA von Überseelieferungen: Vorhersage des tatsächlichen Ankunftsdatums einer Sendung (z.B. 5 Tage Verzögerung oder 4 Tage früher) → Produktionsplan entsprechend anpassen

4. Präskriptive Analytics — “Was sollte getan werden?”

Definition: Nutzt Vorhersagen und Optimierung, um die beste Entscheidung oder Maßnahme zu empfehlen — Kosten minimieren, Gewinn maximieren, Risiko minimieren, abhängig von betrieblichen Einschränkungen
Kernmethode: Optimierung (Linear Programming, Mixed Integer Programming, Simulation)
Output: Eine empfohlene Maßnahme oder Entscheidung — nicht nur eine Prognose

SCM-Beispiele

Kapazitätserweiterung: Prädiktiv besagt, dass die Nachfrage die Kapazität übersteigen wird. Präskriptiv fragt: Soll ich ein neues Werk bauen oder auslagern? Wenn ein neues Werk, WO? Welche KAPAZITÄT?
Lieferantenauswahl: Lieferant 1 disqualifiziert. Präskriptiv optimiert die Auswahl basierend auf Kosten, Vorlaufzeit, Reaktionsfähigkeit und Qualität → entscheidet, welcher Lieferant gewählt wird UND wie viel bei jedem bestellt wird.
Personalzuteilung: Vorhergesagte Effizienzwerte nutzen, um Mitarbeitern während der Diwali-Hochphase Aufgaben zuzuweisen: Beste Performer → schnellste, fehlerempfindliche Aufgaben.
Slotting-Optimierung: In einem Lager, welches Produkt kommt in welchen Stellplatz? Schnelldreher in die Nähe des Versands, oft zusammen bestellte Artikel in dieselbe Zone (Clustering).

Drei durchgängige Praxisbeispiele (Alle 4 Analytics-Typen)

Beispiel 1 — Bedarfs- & Kapazitätsplanung

Schritt	Was getan wird
Deskriptiv	Balken-/Kreisdiagramm der vergangenen Nachfrage pro Produkt (A und B). Nachfrage nach Produkt B steigt deutlich; Produkt A fällt.
Diagnostisch	Produkt A fiel → Konkurrent betrat den Markt. Produkt B stieg → neuer Anwendungsfall entdeckt, positiver Social-Media-Buzz.
Prädiktiv	Prognostiziere Nachfrage nach Produkt B für die nächsten 2–3 Jahre. Nachfrage wird aktuelle Werkskapazität in 18 Monaten übersteigen.
Präskriptiv	Entscheiden: neues Werk vs. Outsourcing. Wenn neues Werk: Standort + Kapazität optimieren. Wenn Outsourcing: 3PL-Hersteller auswählen.

Beispiel 2 — Qualitätsfehler & Lieferantenmanagement

Schritt	Was getan wird
Deskriptiv	Verfolge Qualitätsfehler bei Produkten X, Y, Z. Produkt Z hat wiederholte Qualitätsfehler in den letzten 4–5 Monaten.
Diagnostisch	Ursachenanalyse bei ausgefallenen Produkt Z Einheiten → defekte Komponente C1 → C1 wurde von Lieferant 1 geliefert → Lieferant 1 benachrichtigt.
Prädiktiv	Prognostiziere Wahrscheinlichkeit für weitere Qualitätsfehler, wenn Lieferant 1 bleibt. Prognostiziere auch zukünftige Qualität, Kosten alternativer Lieferanten.
Präskriptiv	Optimiere Lieferantenauswahl aus Lieferanten 2–5. Kriterien: Kosten + Lieferzeit + Reaktionsfähigkeit + Qualitätsbilanz.

Beispiel 3 — Personalzuteilung in E-Commerce Sortieranlage

Schritt	Was getan wird
Deskriptiv	Analysiere vergangene Leistung jedes Kommissionierers/Packers — wer Zeitpläne einhielt, wer nicht, wer die wenigsten Sortierfehler hatte.
Diagnostisch	Warum haben bestimmte Mitarbeiter unterdurchschnittlich abgeschnitten? Ermüdung? Unklarer Prozess? Falsche Zonenzuordnung?
Prädiktiv	Prognostiziere Effizienzwert jedes Mitarbeiters für die nächsten 6 Monate. Ordne Mitarbeiter in hohe / mittlere / niedrige Effizienzklassen ein.
Präskriptiv	Teile Mitarbeiter basierend auf vorhergesagter Effizienz Aufgaben zu. Während der Festival-Hochphase: teile bestbewertete Mitarbeiter den schnellsten Jobs zu.

Analytics entlang der SCM-Wertschöpfungskette — Referenz

SCM-Bereich	Deskriptiv (Was ist passiert?)	Diagnostisch (Warum?)	Prädiktiv (Was wird passieren?)	Präskriptiv (Was tun?)
Beschaffung	Analysiere vergangene Lieferantenkosten, Qualität, Lieferzeit	Warum hat Lieferant X im letzten Quartal schlecht abgeschnitten?	Prognostiziere zukünftige Lieferantenkosten, Vorlaufzeit, Zuverlässigkeit	Wähle optimale(n) Lieferanten aus + entscheide Bestellmenge bei jedem
Fertigung & Qualität	Identifiziere, welches Produkt/Komponente Qualitätsfehler hat	Ursache: Welche Komponente C1 ist defekt? Welcher Lieferant?	Prognostiziere Maschinenausfall bevor er auftritt (Predictive Maintenance)	Wähle Ersatzlieferant. Optimiere Wartungsplan.
Lagerhaltung	Bestandszählungsbericht — vergleiche ERP vs. physisch.	Warum zeigen bestimmte SKUs immer Diskrepanzen?	Prognostiziere Mitarbeitereffizienzwerte. Prognostiziere Schnelldreher.	Slotting-Optimierung. Zonenbildung. Arbeitszuteilung an Kommissionierer.
Logistik & Transport	GPS-Verfolgung der Lieferhistorie. Fahreraugendaten.	Warum hatte Lkw auf Route X letzte Woche Verspätung?	Prognostiziere ETA von Überseelieferungen. Prognostiziere Fahrerermüdung.	Routenoptimierung. Flottenzuweisung. Fahrerplanung.
Bedarfsplanung	Vergangene Nachfrage nach SKU, Zone, Monat.	Warum ist die Nachfrage nach Produkt A gesunken?	Prognostiziere Nachfrage für nächste 15 Tage, 2 Monate, 6 Monate.	Kapazitätserweiterungsplanung. Anlagenstandort. Bestandsvorpositionierung.

Highlights der Bereiche — Wichtige SCM Analytics Anwendungen

Beschaffung

Lieferantenauswahl: Mehrere Lieferanten verfügbar → präskriptive Optimierung wählt den besten basierend auf Kosten, Vorlaufzeit, Qualität, Reaktionsfähigkeit
Entscheidung über Bestellmenge: Wenn Lieferant ausgewählt ist, wie viel bei jedem bestellen?

Fertigung — Predictive Maintenance

Definition: Modell analysiert Maschinensensordaten → sagt Ausfall 2–3 Tage vorher voraus → Wartungsteam wird proaktiv eingeplant
Genutzte Daten: Vibration, Temperatur, Betriebsstunden, Fehlercodes — sensorbasierte Echtzeitdaten

Lagerhaltung — Slotting-Optimierung & Zonenbildung

Slotting: Entscheiden, welches Produkt welchen Stellplatz im Lager belegt → Schnelldreher in der Nähe des Versands
Zonenbildung (Zoning): Clustering-Algorithmus gruppiert oft zusammen bestellte Produkte → werden in derselben Zone gelagert → geringere Kommissionierzeit + weniger Fehler

Logistik — Vorhersage von Überseelieferungsverzögerungen

Analytics-Lösung: ML-Modell sagt tatsächliches Ankunftsdatum voraus → Produktionsplan wird im Voraus angepasst → vermeidet Haltekosten (frühe Ankunft) oder Produktionsstopp (späte Ankunft)

Bedarfsplanung — Das schwierigste Prognoseproblem

Warum schwierig: Konsumentenverhalten wird von Social Media, Influencern und schnell wechselnden Vorlieben getrieben.
Demand Sensing: Echtzeit-Verfolgung von Nachfragesignalen (Social Media, Suchtrends), um Prognosen kontinuierlich zu aktualisieren
ML-Modelle: Besser als traditionelle Modelle für hochvariable Nachfrage, weil sie nicht-lineare Muster und externe Signale erfassen.

Zusammenfassung der Session

4 Analytics-Typen: Deskriptiv (Vergangenheit) → Diagnostisch (Warum) → Prädiktiv (Zukunft) → Präskriptiv (Handlung)
Präskriptiv = Optimierung: Kosten minimieren / Gewinn maximieren / Risiko minimieren, abhängig von Einschränkungen
3 vollständige Praxisbeispiele: (1) Bedarfs- + Kapazitätsplanung | (2) Qualitätsfehler + Lieferantenauswahl | (3) Personalzuteilung in Sortieranlage
Beschaffungs-Analytics: Lieferantenauswahl + Bestellmengenoptimierung + prädiktive Kosten/Vorlaufzeit
Fertigung: Bildanalyse für Qualität | Predictive Maintenance → ungeplante Ausfallzeiten vermeiden
Lagerhaltung: Slotting-Optimierung | Zonenbildung (Clustering) | Videoanalyse-Drohnen-Bestandszählung
Logistik: ETA-Vorhersage für Überseelieferungen | Fahrerermüdungserkennung (Bildanalyse)
Bedarfsplanung: ML > traditionelle Modelle für hochvariable Nachfrage | Demand Sensing | Mehrere Prognosehorizonte
Nächstes: KI/ML für Prognosen + Python in der Praxis