Digitale Modelle von Wertschöpfungsketten oder gar ganzer Unternehmen unterstützen Managemententscheidungen von der Strategie über die mittelfristige Planung bis hin zum operativen Tagesgeschäft. Ein gutes Beispiel ist die Margenoptimierung in komplexen chemischen Wertschöpfungsketten.
Produktionsnetzwerke, oft als „Verbund“ bezeichnet, sind mehrstufige Wertschöpfungsketten mit Koppelproduktionen auf einzelnen Stufen, mehreren Auslässen zum Markt auch bei Zwischenprodukten, die sich über einen Standort erstrecken oder mehrere Standorte umfassen. In einem solchen Netzwerk müssen ständig kurz-, mittel- oder längerfristige Entscheidungen getroffen werden: Was ist die profitabelste Verwendung für einen bestimmten Rohstoff oder ein Zwischenprodukt (Allokationsentscheidung)? Wie ändert sich das bei Knappheitssituationen oder Verschiebungen im Preisgefüge? Wie hoch muss der Preis des Endprodukts sein, damit ich über die gesamte Wertschöpfungskette hinweg einen Gewinn erziele (Pricing-Entscheidung)? Wie muss ich Kundenverträge gestalten, damit ich Rohstoffpreisänderungen besser weitergeben kann (Kundenmanagement)?
Knifflig werden diese Entscheidungen vor allem, weil Wertschöpfungsketten in größeren Unternehmen mehrere Geschäftsbereiche (Business Units) überspannen. Und deren Interessen können sehr unterschiedlich sein. Sind Preise für einen Bereich kostendeckend, macht der andere damit schon Verlust. Entscheidungen im Gesamtinteresse des Unternehmens müssen also auf einer konsolidierten Betrachtung der gesamten Ketten beruhen.
Heute werden solche Entscheidungen noch oft in häufig tagenden Abstimmungsrunden getroffen, in denen Experten aus allen Bereichen eilig zusammengetragene Daten aus vielen Quellen interpretieren, um zu einem Urteil zu kommen.
Neue technologische Möglichkeiten
Mittlerweile haben sich die technischen Möglichkeiten geändert. Mit Hilfe bereits bekannter Programmiersprachen wie R oder Python können statistische Modelle erstellt werden, die eine gesamte Wertschöpfungskette realitätsnah abbilden. Solche Modelle ermöglichen
- Transparenz über die Werteflüsse
- Die Simulation unterschiedlicher Szenarien bei Rohstoff- und Produktpreisen, Kapazitäten usw.
- Die Berechnung einer Allokation oder einer Preisentscheidung, die zu einer verbesserten Gesamtmarge über die Wertschöpfungskette führt
Die Krönung eines solchen Modells ist die Optimierungsfunktion, also die Möglichkeit, die Realität nicht nur abzubilden, sondern zu verbessern. Hier – aber auch in einzelnen Modellelementen für Transparenz und Simulation – kommt künstliche Intelligenz zum Einsatz. Digitale Modelle entlasten die Entscheider von Datenanalysen. Sie helfen ihnen, sich auf die wirklich wichtigen Fragen zu konzentrieren. Und wenn sie die Entscheidung auch nicht unbedingt vorgeben, so engen sie doch den Optionenraum auf die wirklich relevanten ein.
Schneller, günstiger und einfacher
Es ist aber nicht allein die schiere Leistung, die solche Modelle so attraktiv macht. Sie können heute schnell (in ca. acht Wochen) und kostengünstig erstellt werden. Sie sind überdies optisch ansprechend und relativ einfach zu bedienen. Dadurch helfen sie den vielen an Entscheidungen beteiligten Stellen im Unternehmen (Produktion, Supply Chain, Vertrieb, Finanzen) eine gemeinsame Sprache zu finden.
All dies wird bewirkt durch die Anwendung prinzipiell bekannter Techniken auf ebenfalls lange bekannte Herausforderungen der Chemieindustrie. Innovativ wird die Gesamtlösung durch einen dritten Faktor: die Art und Weise, wie das statistische Modell der Wertschöpfungskette entwickelt wird.
Das Vorgehen macht den Unterschied
In klassischen IT-Projekten würde jemand die Anforderungen des operativen Geschäfts erfragen. Auf dieser Basis würde dann ein Pflichtenheft erstellt. Das wiederum setzt dann ein Programmierer in ein „Tool“ um. Diese sequentielle Vorgehensweise ist nicht nur zeitaufwendig, sondern durch die mehrfahren Übergaben auch fehleranfällig. Es ist auch nicht sicher, dass das Ergebnis den späteren Anwendern wirklich gefällt.
Ein Wertschöpfungskettenmodell sollte immer in einem „agilen“ Projekt entwickelt werden. Dabei arbeiten Chemieexperten, Datenanalysten und Programmierer vom Beginn bis zum Ende Hand in Hand. Es wird sehr früh ein Prototyp des Modells erstellt, an dem die Anwender üben und ihre Anforderungen verfeinern können. Die Programmierung erfolgt in mehreren Durchgängen („Sprints“). Nach jedem davon beurteilen die Nutzer den Arbeitsstand und machen Verbesserungsvorschläge. So können auch noch zu einem späten Zeitpunkt fundamentale Änderungen am Modell vorgenommen werden.
Die Möglichkeiten von Data Analytics gehen über die hier beschriebene Steuerung einzelner Wertschöpfungsketten weit hinaus. Als Vision zeichnet sich die Abbildung eines ganzen Unternehmens mit seinen Produkt- und Werteflüssen und den wichtigsten Gewinntreibern ab. So könnte z.B. schnell abgeschätzt werden, welche Auswirkungen der Verkauf einzelner Produkte, Geschäfte oder Produktionsstätten auf die Profitabilität anderer Bereiche und des Gesamtunternehmens hat.
Kontaktieren Sie mich gerne, wenn Sie mehr über digitale Modelle von Wertschöpfungsketten oder Unternehmen bzw. Unternehmensnetzwerken wissen möchten.
Wir danken Dr. Yorck Dietrich für seinen wertvollen Beitrag zu diesem Artikel.
