Für Chemieunternehmen in Europa bietet das Supply Chain Management (SCM) noch ungenutzte Möglichkeiten, um sich im Wettbewerb zu differenzieren. In Teil 2 unserer Serie beschäftigen wir uns damit, welche Rolle digitale Lösungen dabei spielen.

Digitale Lösungen für die Supply Chain

Das Modell der Strategischen Business Unit und differenzierter Supply Chains erfordert vom Supply Chain Management (SCM), geschäftsspezifische Ansätze zu entwickeln. Die wachsende Geschäftskomplexität und der steigende Kostendruck scheinen dagegen eher eine Harmonisierung von Prozessen und das Erschließen von Synergien zu erfordern. Wie kann das SCM dieses Dilemma bewältigen? Genau hier kommen die digitalen Innovationen ins Spiel, die bei der Erreichung bisher widersprüchlicher Ziele unterstützen. Sie können aber nur dann erfolgreich angewendet werden, wenn die Bedeutung der Funktion SCM in der Chemie aufgewertet wird und neue Wege für die Transformation von Supply Chains beschritten werden.

Manager in Chemieunternehmen spüren durchaus, welche Potenziale die Digitalisierung gerade in der Supply Chain bietet. Eine Umfrage von CAMELOT unter Chemiemanagern ergab, dass 92 Prozent davon ausgehen, dass digitale Lösungen in Supply Chain und Logistik die größten Auswirkungen haben werden. Etwa gleich hoch wurde das Potenzial im Vertrieb bewertet, während alle anderen Unternehmensprozesse weit dahinter zurückliegen.

Digitale Lösungen können dazu beitragen, die Balance zwischen Synergien und der Bewältigung steigender Komplexität zu halten und Chemieunternehmen dadurch Wettbewerbsvorteile zu verschaffen. Sie sind in der Lage, immer größere Datenmengen zu bewältigen, immer schneller Ergebnisse zu liefern und diese transparent und visuell anschaulich darzustellen. So ermöglichen sie zielgerichtete Entscheidungen strategischer, taktischer und operativer Natur trotz wachsender Komplexität in Kunden- und Produktportfolios und steigender Unsicherheit. Drei Beispiele sollen das illustrieren.

KI-unterstütztes Demand-Driven Supply Chain Planning: Durch ihre Position in der Wertschöpfungskette ist die chemische Industrie dem sogenannten Bullwhip-Effekt, der Überlagerung von Nachfrageschwankungen sämtlicher folgender Wertschöpfungsstufen, in besonderem Maße ausgesetzt. Da wegen der Kapitalintensität Anlagenauslastung vorrangig ist, die Lead-Times zum Kunden meist nicht verhandelbar sind, und Forecasts den Bullwhip-Effekt nicht antizipieren bzw. noch verstärken, sind letztlich überhöhte Lagerbestände die Folge. Das ist auch ein Grund für die oft unbefriedigenden Working-Capital-Kennzahlen von Chemieunternehmen.

Beim Demand-Driven Supply Chain Planning treiben nicht mehr (unzuverlässige) Forecasts die Planung, sondern sie reagiert auf tatsächliche Nachfragesignale aus dem Markt und nutzt dabei Lagerbestände an bestimmten Punkten der Wertschöpfungskette als Indikator und Puffer. Dazu sind innovative Planungslösungen notwendig, die über das bisher genutzte MRP hinausgehen (z.B. durch KI-Unterstützung) und mittlerweile auch in Standardlösungen zur Verfügung stehen. Auch hier sind die Vorteile für Geschäfte, für die eine Anwendung dieses Konzepts möglich ist, durch Erfahrungen bestätigt: maximal wurden 60 % Lead-Time-Reduzierung bei um 52 % niedrigeren Beständen realisiert – ein Extrembeispiel dafür, wie der eingangs erwähnte Balanceakt bewältigt wurde.

Demand-Analyse mit Künstlicher Intelligenz bzw. Demand Sensing: Nicht alle Chemiegeschäfte eignen sich für die Einführung nachfragegetriebener Planung, z.B. dort wo Gegebenheiten der Produktion oder der Marktform ein Push-Modell mit sich bringen. Hier behalten Forecasts weiterhin ihre volle Bedeutung. Aber auch in einem Demand-Driven-Modell spielen Forecasts noch eine Rolle für die Bestimmung von Planungsparametern. Die Einführung von Demand-Driven Planning ist eine größere Transformation, der kleinere Schritte vorausgehen müssen. Dazu gehört z.B. die Abschätzung, welche Forecast-Genauigkeit überhaupt möglich ist. Mit Hilfe innovativer KI-unterstützter Analysetools (z.B. dem CAMELOT Demand Analyzer), die Muster in den Daten erkennen, lässt sich die Nachfrage in Segmente unterteilen, um für jedes Segment eine optimale Prognosegenauigkeit zu ermitteln und nachfolgend Planungsstrategien zu bestimmen.

Darauf aufbauend, kann die Forecast-Qualität durch künstliche Intelligenz verbessert werden, sowohl auf taktischer wie auf strategischer Ebene (Demand Sensing).

Value Chain Analytics: Viele Potenziale lassen sich erst dann heben, wenn Informationen aus der Supply Chain (wie z.B. Kapazitäten) mit Markt-, Kunden- oder Lieferantendaten verknüpft werden. Manager in Chemieunternehmen müssen entlang der Wertschöpfungskette eine Vielzahl von Portfolio-, Allokations- und Pricing-Entscheidungen treffen, um das Gesamtergebnis im Sinne der EBITDA-Marge bzw. des ROCE / ROIC zu optimieren. Mit welchen Produkten erziele ich bei welchen Kunden wirklich ein profitables Ergebnis? Wie ändert sich das, wenn bestimmte Input-Faktoren (z.B. Intermediate-Preise) schwanken? Welches Produkt sollte ich an welchem Standort in meinem Netzwerk produzieren, um die Kunden in puncto Kosten und Lead-Times optimal zu beliefern? Welche Verwendung ist für Zwischenprodukte profitabler, die Weiterverarbeitung zu Folgeprodukten im eigenen Unternehmen oder der Verkauf am externen Markt? Wie ändern sich die Profitabilitäten, wenn ich Preismodelle und -formeln ändere und bestimmte Reaktionen der Kunden darauf erwarte?

Heute werden diese Entscheidungen entweder nicht systematisch, sondern auf Basis ad-hoc erhobener, oft kontrovers diskutierter und aufbereiteter Daten aus unterschiedlichen Quellen, in zeitaufwendigen Abstimmungen verschiedenster Unternehmensfunktionen getroffen. Oder aber es gibt isolierte, manchmal geniale IT-Tools, in jahrelanger Arbeit von einem Experten in einem Geschäftsfeld entwickelt, die dem Einzelgeschäft sogar einen Wettbewerbsvorteil verschaffen, deren Wirkungsbereich aber an den Geschäftsfeldgrenzen endet. Im Gesamtunternehmen sind sie oft nicht bekannt und laufen mit dem beruflichen Lebenszyklus ihres Schöpfers aus.

Der Anwendungsbereich von fortgeschrittenen Simulationstechniken in der Chemie ist enorm. Auch die notwendigen Daten sind zumeist vorhanden. Im Endzustand lassen sich digitale Supply-Chain-Modelle zu einem Digital Twin oder Avatar der Supply Chain entwickeln, der ganz neue Perspektive eröffnet. Value Chain Analytics werden sich nach unserer Einschätzung in der Chemie durchsetzen, weil das Potenzial enorm und das Kosten-Nutzen-Verhältnis extrem günstig ist. So hat eine Lösung zum Margenmanagement in Verbundstrukturen eine Margenverbesserung um (absolut) 0,5 Prozent ermöglicht, bei Kosten von weniger als 500.000 Euro. Solche Lösungen überschreiten die Grenzen des herkömmlichen SCM, erzwingen aber gerade dadurch eine bessere Verzahnung mit anderen Unternehmensfunktionen.

Digitale Lösungen stellen die Organisationsfrage

Allen geschilderten Lösungen ist gemeinsam, dass sie im traditionell nach Geschäftsbereichen aufgestellten Supply Chain Management eines größeren Chemieunternehmens nur unter Schwierigkeiten umsetzbar sind oder nicht ihre volle Wirkung entfalten:

  • Sowohl Value Chain Analytics als auch Demand-getriebene Planung erfordern Kompetenzen und Ressourcen, für deren Aufbau ein einzelner Geschäftsbereich oft unterkritisch ist.
  • Demand-Analyse erfordert oft auch einen Blick auf Vorprodukte, die von einem anderen Geschäftsbereich hergestellt werden.
  • Value Chain Analytics entfaltet erst das volle Potenzial, wenn eine ganze Wertschöpfungskette über Geschäftsbereichsgrenzen hinweg abgedeckt wird und so Entscheidungen zum Vorteil des Gesamtunternehmens möglich sind.
  • Das Know-how aus der Umsetzung einer innovativen Technologie in einem Geschäftsbereich sollte anderen Einheiten im Chemiekonzern zur Verfügung stehen, um das Kosten-Nutzen-Verhältnis zu verbessern.
  • Alle innovativen Technologien erfordern auch ein verändertes Rollenverständnis des Supply Chain Managements in Chemieunternehmen: nicht mehr das kurzfristige Beheben von Störungen in der Supply Chain („Firefighting“), sondern die planvolle Erschließung von Verbesserungspotenzialen muss in den Mittelpunkt rücken.

Die erfolgreiche Umsetzung von Supply-Chain-Innovationen wird also nicht ohne eine veränderte Organisation des SCM, zum Beispiel durch Bildung unternehmensweiter Competence Center oder durch Zusammenfassung von Geschäftseinheiten mit ähnlichen Anforderungen an die Supply Chain in Divisionen bzw. Segmenten, auskommen. Inwieweit aber werden diese Veränderungen etwas an der grundsätzlich dezentralen Ausrichtung der Supply Chains selbst ändern, wie sie seit über 20 Jahren dominiert? Das wird das Thema des dritten Teils der Serie sein.

Weitere Einblicke:

Die Zukunft des Supply Chain Managements in der chemischen Industrie, Teil 1 

Empfohlene Artikel

Future Value Chain

Chemieparks: Was China von Europa lernen kann – Teil I

In Europa wie in China sind die wichtigsten Produktionsanlagen der Chemiebranche in Chemieparks angesiedelt. Obwohl sie aus unterschiedlichen Gründen entstanden …

weiterlesen
Innovation

Mit Blockchain gegen Handydiebstahl

Camelot ITLab hat auf Basis von SAP Leonardo eine Lösung entwickelt, mit der gestohlene und verloren gegangene Smartphones deutlich einfacher …

weiterlesen
Future Value Chain

Erkenntnisse vom Wiener Kongress „Digitalisierung und Wirtschaft 4.0“

Digitalisierung und Wirtschaft 4.0 sind längst keine Zukunftsthemen mehr, sondern bereits in vollem Gange. Während des Wiener Kongresses „Digitalisierung und …

weiterlesen

Denken Sie Ihre Value Chain neu mit uns

Kontaktieren Sie uns