Gewinne:
- Fähigkeit, die Schichtstruktur der Automobillieferkette (OEM, Tier-1, Tier-2) und die Rolle der Nachfrageprognose bei der Produktionsplanung zu erklären
- Fähigkeit, Workflows mit künstlicher Intelligenz für die Bedarfsprognose, Lieferantenrisikobewertung und Bestandsoptimierung zu etablieren
- Möglichkeit zur Überprüfung der Prognose- und Empfehlungsausgabe mit geschäftlichen Einschränkungen, Risiken aus einer Hand und Szenarioanalysen
Ein Auto entsteht durch die Kombination von etwa 30.000 Teilen von Hunderten von Zulieferern in verschiedenen Ländern. Wenn auch nur eines dieser Teile nicht rechtzeitig ankommt, kann eine millionenschwere Produktionslinie zum Stillstand kommen. Die Chipkrise von 2020-2021 hat dies schmerzlich gezeigt: Millionen von Fahrzeugen konnten aufgrund eines kleinen Halbleitermangels weltweit nicht produziert werden. Aus diesem Grund ist das Lieferkettenmanagement das Herzstück der Automobilindustrie, und KI verändert diesen Bereich heute, von der Bedarfsprognose bis hin zum Lieferantenrisikomanagement. In dieser Einheit werden wir die Struktur der Automobillieferkette, die Rolle der KI und warum Empfehlungen mit geschäftlichen Einschränkungen in Einklang gebracht werden müssen, beleuchten.
Stufenstruktur der Automobillieferkette
Die Automobillieferkette gleicht einer Pyramide:
- OEM (Original Equipment Manufacturer): Der Haupthersteller (Marke), der das Fahrzeug entwirft und montiert.
- Tier-1 (First-Tier-Lieferant): Unternehmen, das komplette Systeme direkt an den OEM verkauft (z. B. komplettes Bremssystem, Sitz, Instrumententafel).
- Tier-2 und darunter: Diejenigen, die Komponenten/Rohstoffe an Tier-1 verkaufen (z. B. Bremsbelagmaterial, Mikrochips, Schrauben).
Diese Schichtstruktur bedeutet, dass ein kleines Problem auf einer niedrigeren Ebene nach oben wachsen und die Produktion stoppen kann. Deshalb ist Transparenz – also das Wissen darüber, was sich tief in der Kette befindet – von entscheidender Bedeutung, aber auch schwierig.
Hauptanwendungen von KI in der Automobillieferkette
- Nachfrageprognose: Vorhersage, wie viel von welchem Modell, welcher Hardware und in welcher Region verkauft wird. Darauf basiert der Produktionsplan.
- Bestandsoptimierung: Wie viel Lagerbestand gehalten werden soll. Viel Lagerbestand = gebundenes Kapital und Lagerkosten; geringer Lagerbestand = Gefahr eines Linienstillstands. Die Automobilindustrie arbeitet traditionell mit JIT (Just-In-Time): Teile kommen genau dann am Band an, wenn sie benötigt werden, der Lagerbestand ist minimal. Das ist effizient, aber fragil.
- Bewertung des Lieferantenrisikos: Vorhersage des Risikos einer verspäteten Lieferung, eines Qualitätsproblems oder eines Konkurses eines Lieferanten (Finanzdaten, bisherige Leistung, geopolitische Signale).
- Logistik- und Routenoptimierung: Versand, Zoll, Transportkosten.
- Preis- und Kostenanalyse: Überwachung und Prognose von Rohstoffpreisbewegungen.
Tipp: Die Nachfrageprognose sollte niemals als einzelner Punkt („4.200 Einheiten im nächsten Monat“) dargestellt werden, sondern mit einer Bandbreite und Szenarien („Basis 4.200; schlechter Fall 3.600; guter Fall 4.800“). Produktions- und Lagerentscheidungen werden auf der Grundlage von Unsicherheit getroffen.
Workflow für die Bedarfsprognose
- Historische Daten: Verkäufe, Bestellungen, Saisonalität, Kampagnenwirkung.
- Externe Variablen: Wirtschaftlichkeit, Kraftstoff-/Energiepreis, Anreize, Bewegungen der Wettbewerber.
- Modell: Zeitreihenmodelle (Saisonalität + Trend) oder maschinelles Lernen.
- Auswertung: Messung des Prognosefehlers mit Metriken wie MAPE (Mean Absolute Percentage Error). MAPE 8 % besagt beispielsweise, dass Vorhersagen im Durchschnitt um 8 % von der Realität abweichen.
- Szenario und Geschäftsinterpretation: Kombination der Zahl mit Produktions-/Lieferbeschränkungen.
Achtung: Ein niedriger MAPE ist nicht immer „gut“. Wenn das Modell zu stark an die Vergangenheit angepasst ist oder Datenlecks aufweist, kann es in der Vergangenheit großartig, in der Zukunft jedoch schlecht sein. Darüber hinaus können seltene, aber verheerende Ereignisse (Pandemie, Chipkrise) vom Modell nicht vorhergesagt werden, da sie nicht in historischen Daten enthalten sind; Die Szenarioplanung rundet dies ab.
Das kritischste Risiko: Single-Source
Bei der Kostenoptimierung heißt es oft: „Kaufen Sie beim günstigsten Anbieter.“ Dies führt jedoch zu einem alleinigen Quellenrisiko: Wenn es bei diesem Lieferanten zu einem Brand, Streik, Konkurs oder einer geopolitischen Krise kommt, haben Sie keine Alternative und die Produktion stoppt. KI kann in einem Kostenmodell eine einzige Quelle empfehlen; aber ein erfahrener Planer gleicht dies mit diesen Tools aus:
- Zweite Quelle (Dual Sourcing): Möglichkeit, das gleiche Teil von zwei Lieferanten zu beziehen.
- Lagerpuffer (Sicherheitsbestand): Zusätzlicher Sicherheitsbestand für kritische Teile.
- Szenarioanalyse: „Was passiert, wenn dieser Lieferant 3 Wochen ausfällt?“
Strategie
Vorteil
Nachteil
einzige Quelle
niedrigste Kosten
Die Produktion stoppt während des Ausfalls
Duale Quelle
Haltbarkeit
Höhere Kosten, Koordination
Hoher Sicherheitsbestand
Interrupt-Puffer
Gebundenes Kapital, Lagerkosten
JIT (geringer Lagerbestand)
Effizient, geringes Kapital
Zerbrechlich, anfällig für Störungen
Die richtige Antwort lautet nicht „für alle gleich“: Sicherheitskritische Teile und Teile aus einer Hand verdienen den höchsten Schutz, billige und reichlich vorhandene Teile verdienen den niedrigsten Lagerbestand.
Mini-Fallstudien
Fall 1 – Einzelquellenfalle. Das KI-Kostenmodell zeigt, dass der Kauf eines Sensors von einem einzigen fernöstlichen Lieferanten jährlich 1,2 Millionen Euro einspart. Das Planungsteam führt eine Risikoanalyse durch: Dieser Sensor ist sicherheitskritisch und stammt aus einer Hand. Eine zweiwöchige Verzögerung im Hafen könnte die gesamte Montagelinie zum Stillstand bringen (tägliche Ausfallzeit kostet ca. 400.000 EUR). Zweite Quelle und 3-wöchiger Pufferbestand werden hinzugefügt; Die Nettoeinsparungen schrumpfen, aber die Kontinuität ist gewährleistet. Fazit: Das Günstigste ist nicht das Langlebigste.
Fall 2 – Nachfrageszenario. Wenn in einer Region ein neuer Schrottanreiz angekündigt wird, prognostiziert das KI-Modell einen Nachfrageanstieg um 6 %. Das Planungsteam betrachtet dies nicht als eine einzelne Zahl; Es erstellt einen Gut/Schlecht-Szenariobereich (3–11 %) und erstellt einen flexiblen Produktionsplan. Der tatsächliche Anstieg beträgt 9 %; Dank des flexiblen Plans kommt es weder zu Lagerexplosionen noch zu Umsatzeinbußen. Fazit: Der Szenariobereich ist robust gegenüber Einzelvorhersagen.
Fall 3 – Frühwarnung des Lieferanten. Ein Risikobewertungsmodell erfasst die Zunahme von Zahlungsverzögerungen und Lieferabweichungen bei einem Tier-2-Lieferanten und erhöht dessen Risikobewertung. Das Einkaufsteam engagiert sich vorab bei der alternativen Bezugsquelle; Wenn der Lieferant zwei Monate später tatsächlich die Produktion drosselt, hat dies keine Auswirkungen auf die Linie. Ergebnis: Die KI gab ein frühes Signal, der Mensch traf eine proaktive Entscheidung.
Eingabeaufforderungsvorlagen
Vorlage 1 – Interpretation der Bedarfsprognose:
Rolle: Sie sind ein Supply-Chain-Planungsanalyst. Aufgabe: Übersetzen Sie die folgende Nachfrageprognoseausgabe in eine Geschäftsentscheidung. Kontext: Basisprognose 4.200 Einheiten/Monat, MAPE 8 %, neue Anreizunsicherheit besteht (anonymer Bereich). Einschränkung: Geben Sie keine ungerade Zahl an; Es werden jeweils ein Gut-/Basis-/Schlecht-Szenariobereich und eine Produktions-/Lagerempfehlung ausgegeben. Ausgabe: Szenario | Anfrage | vorgeschlagene Aktionstabelle.
Vorlage 2 – Risikoanalyse aus einer Hand:
Rolle: Sie sind Experte für Versorgungsrisiken. Aufgabe: Bewerten Sie einen Single-Source-Vorschlag hinsichtlich des Risikos. Kontext: Sicherheitskritischer Sensor, einziger Lieferant, große jährliche Einsparungen; Die Kosten für tägliche Leitungsausfallzeiten sind hoch. Einschränkung: Machen Sie die Kosten nicht zum einzigen Kriterium. Zweite Quelle, Pufferbestand und Bewertung der Szenarioanalyse. Ausgabe: Risiko | mögliche Auswirkungen | Reduktionsempfehlung | Restrisiko.
Vorlage 3 – Lagerbestand:
Rolle: Sie sind Berater für Bestandsoptimierung. Aufgabe: Empfehlen Sie einen Sicherheitsbestand für ein Teil. Kontext: Die durchschnittliche Vorlaufzeit beträgt 18 Tage, die Varianz ist hoch, das Teil ist kritisch, aber nicht teuer. Einschränkung: Erläutern Sie den Kompromiss zwischen JIT-Effizienz und Ausfallrisiko. Geben Sie einen Bereich anstelle einer genauen einzelnen Zahl an. Ausgabe: Empfehlungsbereich + Begründung + Signal zum Befolgen.
Vorlage 4 – Interpretation der Lieferantenrisikobewertung:
Rolle: Sie sind Einkaufsrisikoanalyst. Aufgabe: Aktionsplan für einen Lieferanten mit steigender Risikobewertung empfehlen. Kontext: Lieferabweichung und Zahlungsverzögerung haben in den letzten 3 Monaten zugenommen; Der Lieferant ist ein Tier-2 (anonym). Ausgabe: Frühwarnung | empfohlene Maßnahme | Zeithorizont.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Kosten minimieren.
Ein einzelnes Kriterium (Kosten) ignoriert kritische Dimensionen wie das Risiko einer einzelnen Ressource, Qualität und Kontinuität.
Kraftvolle Aufforderung:
Rolle: Sie sind der Supply-Chain-Stratege. Aufgabe: Empfehlen Sie Versorgungsstrategieoptionen für ein sicherheitskritisches Teil und vergleichen Sie deren Haltbarkeits-Kosten-Bilanz. Kontext: Derzeit Einzelquelle; Line-Stand ist sehr teuer; Der Teil ist entscheidend. Einschränkung: Nicht nur die Kosten; Bewerten Sie das Single-Source-Risiko, das Second-Source-Risiko, den Pufferbestand und die Szenariohaltbarkeit. Ausgabe: Strategie | Kostenauswirkungen | Ausdauer | empfohlene Situation.
Häufige Fehler
- Kosten zum einzigen Kriterium machen. Das Risiko einer einzigen Quelle kann die Produktion stoppen; Auch Haltbarkeit ist ein Wert.
- Ich gehe davon aus, dass die Nachfrageprognose eine einzelne Zahl ist. Unsicherheitsbereich und Szenario sind wesentlich.
- Ich vertraue blind dem niedrigen MAPE. Überanpassung/Leckage kann latent sein; Seltene Ereignisse können nicht vorhergesagt werden.
- Sichtbarkeit vernachlässigen. Die Tier-2-/Tier-3-Tiefe nicht zu kennen, ist ein verstecktes Risiko.
- KI-Empfehlungen werden nicht durch geschäftliche Einschränkungen gefiltert. Das Modell kennt möglicherweise keine Einschränkungen wie Vertrag, Kapazität oder Geopolitik.
Zusammenfassend
- Die Automobillieferkette ist OEM-Tier-1-Tier-2-geschichtet; Ein kleines Problem in der unteren Stufe kann die Produktion stoppen.
- KI ist stark in den Bereichen Nachfrageprognose, Bestandsoptimierung, Lieferantenrisikobewertung und Logistik tätig.
- Die Nachfrageprognose sollte mit Unsicherheitsspanne und -szenarien dargestellt werden; Ein niedriger MAPE allein reicht nicht aus.
- Das Single-Source-Risiko ist das kritischste Problem. Nicht nur die Kosten sind ein Kriterium, auch die Haltbarkeit ist wichtig.
- KI-Empfehlungen müssen vom Ingenieur/Planer anhand von Geschäftsbeschränkungen, Verträgen und Szenarioanalysen gefiltert werden.
Anwendungsaufgabe
Wählen Sie eine Gruppe von Teilen aus (z. B. Chips für elektronische Steuergeräte). (1) Berücksichtigen Sie die Ebene dieses Teils in der Lieferkette und das alleinige Quellenrisiko. (2) Konvertieren Sie eine Bedarfsprognose mit Vorlage 1 in einen Szenariobereich. (3) Führen Sie mit Vorlage 2 einen Risikotest für eine Empfehlung aus einer einzigen Quelle durch. (4) Begründen Sie Ihren vorgeschlagenen Kompromiss zwischen Kosten und Haltbarkeit.
Checkliste
- [ ] Ich habe die Versorgungsschicht und die Kritikalität des Teils bestimmt.
- [ ] Ich habe die Bedarfsprognose mit einem Szenariobereich besprochen.
- [ ] Ich habe das Einzelquellenrisiko mit der zweiten Quelle/dem zweiten Puffer bewertet.
- [ ] Ich habe die Kosten nicht zum einzigen Kriterium gemacht; Ich habe auch die Haltbarkeit abgewogen.
- [ ] Ich habe Metriken wie MAPE wegen Überanpassung/Leckage in Frage gestellt.
- [ ] Ich habe die KI-Empfehlung nach geschäftlichen Einschränkungen gefiltert.