Kursbeschreibung
Resilienz im Supply Chain Management bedeutet, Störungen früh zu erkennen und die Auswirkungen mit passenden Entscheidungen zu begrenzen. KI kann dabei helfen, aber nur, wenn Daten, Kennzahlen und Prozesse zusammenpassen. In diesem Seminar lernst Du Schritt für Schritt, wie Du KI-Ansätze so vorbereitest, dass sie in Planung, Disposition und Logistik tatsächlich genutzt werden. Du startest mit einer Einordnung der wichtigsten KI-Anwendungsfelder im SCM und einer klaren Abgrenzung: Wo sind regelbasierte Verfahren ausreichend, wo liefern ML-Modelle Vorteile und welche Risiken entstehen durch falsche Erwartungen. Danach gehst Du an das Fundament: Daten. Du lernst, welche Datenarten Du für Prognosen, Bestandsentscheidungen und Risikoerkennung brauchst, wie Du Datenqualität mit einfachen Tests sichtbar machst und wie Du Kennzahlen wie OTIF, Fill Rate oder Servicelevel konsistent definierst. Ein besonderer Nutzen entsteht, wenn alle Bereiche dieselbe Sprache sprechen, denn sonst werden Modelle zwar „genau“, aber operativ wirkungslos. Im Forecasting-Teil arbeitest Du an praxistauglichen Prognosen: Du verstehst Baseline-Modelle, interpretierst Accuracy und Bias und leitest Einflussfaktoren aus typischen Supply-Chain-Treibern ab, etwa Aktionen, Saisonalität oder Lead-Time-Schwankungen. Anschließend überführst Du Prognosen in Bestandslogik mit Sicherheitsbestand, Segmentierung (ABC/XYZ) und einem Einstieg in Multi-Echelon-Prinzipien. Zum Abschluss entwickelst Du ein Vorgehen zur Früherkennung von Störungen über Anomalien und Signale, inklusive Alert-Design, Eskalation und Erfolgsmessung. Du gehst mit einem priorisierten Use-Case-Set und einem Proof-of-Value-Plan zurück in Dein Unternehmen.
Zielgruppe
- Supply-Chain-Managerinnen und Supply-Chain-Manager, die KI-Initiativen fachlich steuern
- Demand Plannerinnen und Demand Planner, Disponentinnen und Disponenten, S&OP-Verantwortliche
- Einkauf, Logistik, Produktionsplanung und Operations Excellence
- Data Owner und Business Analystinnen und Business Analysten im SCM-Umfeld
- Alle, die Resilienz in der Lieferkette datenbasiert erhöhen wollen
Voraussetzung für die Schulung
- Grundverständnis von Supply-Chain-Prozessen (Planung, Beschaffung, Lager, Distribution).
- Keine Programmierkenntnisse erforderlich; Offenheit für Zahlen und Kennzahlen reicht.
Kursinhalte
- KI-Realität im Supply Chain Management
- Was KI im SCM wirklich leistet und was nicht
- Typische Use Cases: Forecasting, Bestandsoptimierung, ETA, Anomalien
- Von Excel-Logik zu datengetriebenen Entscheidungen
- Daten, die Resilienz messbar machen
- Stammdaten, Bewegungsdaten, Ereignisdaten: Unterschiede und Fallstricke
- Servicelevel, OTIF, Fill Rate, Backorder, Bullwhip: saubere Definitionen
- Data Quality Checks: Vollständigkeit, Plausibilität, Ausreißer
- Prognosen, die im Alltag funktionieren
- Baseline-Forecasts vs. ML-Modelle: wann lohnt sich was
- Feature-Ideen aus SCM: Kalender, Aktionen, Wetter, Lead Times
- Forecast Bias und Forecast Accuracy richtig interpretieren
- Bestände optimieren ohne Blindflug
- Sicherheitsbestand, Wiederbeschaffungszeit, Variabilität
- ABC/XYZ und Segmentierung für differenzierte Policies
- Multi-Echelon-Denken: warum ein Lager nicht allein reicht
- Risiken früh erkennen: Anomalien und Signale
- Lieferverzug, Qualitätsprobleme, Nachfrage-Sprünge als Muster
- Schwellenwerte vs. Anomaly Detection: Vor- und Nachteile
- Alert-Fatigue vermeiden: sinnvolle Eskalationslogik
- Von der Idee zum KI-Use-Case
- Use-Case Canvas: Ziel, Daten, Nutzer, Entscheidung, KPI
- Proof of Value statt Proof of Concept: Erfolg messbar machen
- Governance, Rollen, Betrieb: wer macht was nach dem Piloten
