Cognitive Computing bietet Risikomanagern die Chance, eventuelle Probleme in der Lieferkette neutral abzuschätzen, noch bevor sie normalerweise in den Fokus treten würden und entsprechend zu reagieren. Eine zielgerichtete Lieferkette wird so möglich.

Anlässlich der SAP Ariba Live 2017 in Las Vegas sprachen drei Experten in einer Podiumsdiskussion mit dem Thema „Risikomanagement in der Logistik” darüber, wie Unternehmen Worst-Case-Szenarien in einer Welt voller Risiken verhindern können. Die Quintessenz der Diskussionsrunde: Unternehmen können moderne Technologien wie maschinelles Lernen und vorausschauende Analysen nutzen, um schädliche Einflüsse durch Naturkatastrophen, weltweite Währungsschwankungen und Streiks auszugleichen und die wachsende Zahl von gesetzlichen Vorschriften leichter einzuhalten. Neue Technologien können sogar dabei helfen, Zwangs- und Sklavenarbeit in der Lieferkette auszuschließen und dieses Übel so zu bekämpfen. Voraussetzung dafür sind unternehmerisches Engagement, sich für das Gute einzusetzen, und die Technologie, die dies ermöglicht.

Cognitive Computing schafft für Risikomanager völlig neue Möglichkeiten

Padmini Ranganathan, Vice President für den Bereich Products & Innovation bei SAP Ariba betonte, dass der Einsatz moderner Technologien Unternehmen dabei unterstützen kann, die richtigen Daten zur richtigen Zeit am richtigen Ort parat zu haben. Nicht fehlen darf die richtige Person, die anhand dieser Daten entsprechend reagieren kann. „Wenn Ihr Lieferant in Schwierigkeiten gerät, müssen Sie ihm helfen können. Funktionen wie maschinelles Lernen und Mustervergleiche machen die Technologie zu einem leistungsfähigen Instrument.

Ranganathan zufolge sind Datentransparenz und Kontext bei Nachforschungen und im Risikomanagement unerlässlich und bilden die Grundlage für den Betrieb des Ariba-Netzwerks, das sich aus Einkäufern und Verkäufern zusammensetzt. Dan Adamson, CEO von OutsideIQ, einem Partner von SAP Ariba, erläuterte die Cognitive-Computing-Plattform seines Unternehmens, die im Zusammenspiel mit SAP Ariba völlig neue Möglichkeiten schaffen wird.

„Maschinen waren bisher gut darin, riesige Datenmengen zu verarbeiten. Kontext zu liefern, war allerdings nicht ihre Stärke“, erklärte er. „Wir sorgen für die richtigen Daten und ergänzen diese dann um die erste Kontextinformationsschicht. So stellen wir sicher, dass es sich um ein für Sie relevantes Risiko handelt. Die Art und Weise, wie Sie mit diesem Risiko umgehen, liefert neue Kontextinformationen. Hier ist eine Weiterentwicklung zu erwarten. Abhängig von ihrer Branche orientieren sich einige unserer Lieferanten sehr stark an Vorschriften und müssen daher anders behandelt werden. Unsere durch Cognitive Computing gewonnenen Informationsschichten helfen dabei, unwichtige Daten herauszufiltern und nur die relevanten Ereignisse zu berücksichtigen.”

OutsideIQ führt Recherchen durch, die weit über die einfache Überwachung einer Beobachtungsliste hinausgehen. „Unser kognitiver Prozess erlaubt es uns, in eine tiefere Ebene vorzudringen”, so Adamson. Dabei sucht das System nach Mustern und Zusammenhängen. Was heute unbedenklich ist, kann schon morgen für Schlagzeilen sorgen. Bevor sich etwas zu einem brisanten Thema entwickelt, muss das Unternehmen darüber Bescheid wissen. Die Stärke von SAP Ariba zeigt sich in einer Vielzahl von Bewertungskennzahlen mit wichtigen Informationen über die Geschäftsbeziehungen.

Eine zielgerichtete Lieferkette

Laut James Edward Johnson, dem Leiter des Bereichs Supply Risk and Analytics bei Nielsen, tragen Unternehmen zum Wohle der Allgemeinheit die gemeinsame Verantwortung für das Management von Lieferketten. Das Netzwerk von SAP Ariba unterstützt Nielsen dabei, dieser Sorgfaltspflicht schneller und kosteneffizienter gerecht zu werden.

„Durch die weltweite Entwicklung wurden einige Menschen wohlhabender, andere wiederum haben nicht davon profitiert. Da wir einen großen Einfluss bei der Auswahl der einzelnen Glieder der Lieferkette haben, können wir auch das Leben von Millionen von Menschen beeinflussen. Aber wie kann man sich vergewissern, dass man wirklich Gutes tut? Wie kann man bei Preisverhandlungen sichergehen, dass nicht Unternehmen den Zuschlag bekommen, die ihre Mitarbeiter ausbeuten, Sklaverei betreiben und ihren Giftmüll in Flüssen entsorgen?“, fügte Johnson an. „SAP Ariba ist eine hervorragende Plattform, weil sie zu einem gewissen Grad datenneutral ist. Eine Gruppe wie OutsideIQ spürt Dokumente von überall auf der Welt auf und wertet diese aus. Wenn wir in der Lage sind, Probleme in unserer Lieferkette zu erkennen und diese dann zu lösen, können wir wirklich etwas bewirken.“

Am Rande des Blickfelds nach Schwachstellen suchen

Als Antwort auf eine Frage aus dem Publikum warnte Johnson davor, sich zu sehr auf die Risiken zu konzentrieren. „Wenn Sie anfangen, sich zu sehr auf die Einzelheiten des Risikos zu konzentrieren, werden Sie es nicht schaffen, es darzustellen. Es geht dabei nämlich darum, das Unsichtbare sichtbar zu machen“, resümierte er. „In manchen Fällen ist ihr peripheres Sehvermögen effektiver als ihr zentrales. Und genau hier, am Rande des Blickfelds, sollten Sie auch nach ihrem Risiko suchen. Sie können zum Beispiel sicher sein, dass Finanzkennzahlen gute Frühindikatoren sind. Denn sobald die Zahlen im Unternehmen nicht mehr stimmen, laufen sie Gefahr, ein Risiko einzugehen. Die Frage ist, wo diese Risiken konkrete Formen annehmen. Sie müssen ihren Blick auf mögliche Schwachstellen lenken.“

Jeder, der im Risikomanagement arbeitet, sollte sich nicht davor scheuen, zu sagen: ‚Ich habe dir eine falsche Antwort gegeben.‘

Die Fähigkeit, unscharfe Daten zu nutzen

Die Experten waren sich darin einig, dass Unternehmen Risiken in ihre Vertragsverhandlungen mit einbeziehen müssen, auch wenn sie gleichzeitig anerkennen sollten, dass jeglicher Art von Daten eine gewisse Unsicherheit zu Grunde liegt.

„Jeder, der im Risikomanagement arbeitet, sollte sich nicht davor scheuen, zu sagen: ‚Ich habe dir eine falsche Antwort gegeben.‘ Die Frage ist doch: Wie falsch war die Frage genau und in welche Richtung ging die falsche Antwort?“, betonte Johnson. „Allzu oft werden Leute um Rat gebeten und aufgefordert, konkrete Antworten zu geben, nur um sie später darauf festnageln zu können. Die Leute könnten hier den Eindruck gewinnen, es sei in Ordnung, Daten zu manipulieren oder eine sehr überzeugende Person gegenüber jemandem mit dem höheren fachlichen Wissen vorzuziehen. Letztendlich würde dies dazu führen, dass Mitarbeiter befördert werden, die sich einfach nur besser verkaufen können.“

Maschinelles Lernen ist ein erfolgsversprechendes Modell und verhindert Voreingenommenheit, wie sie durch den letzten prägenden Eindruck oder eine Stichprobe entstehen kann. Entscheidungsträger können so objektiver die tatsächlichen und potenziellen Risiken verstehen und auf diese Weise bessere Entscheidungen treffen, wie diese Risiken anzugehen sind. „Unsere Antworten sollten wissenschaftlich fundiert sein, wir sollten die passenden Daten parat haben und außerdem wissen, ob das, was wir sagen, Hand und Fuß hat“, resümierte Johnson.

Folgen Sie Susan Galer auf Twitter unter @smgaler.

Bild oben via Shutterstock