Hochschulpreis für Beschaffungsmanagement geht erneut an die FH Münster

Logistikstudent Bastian Engelking entwickelte ein Machine-Learning-Modell zur Vorhersage von Störungen in Lieferketten


Münster (1. April 2020). Wie fragil Lieferketten sind, weiß jedes Unternehmen. Was passiert, wenn Firmen plötzlich keine Produkte mehr liefern können? Kann Maschine-Learning (ML) mit Hilfe von internen Unternehmensdaten dabei helfen, Engpässe zu prognostizieren? Mit diesem Thema hat sich Bastian Engelking, Absolvent des Masterstudiengangs Logistik an der FH Münster, in seiner Abschlussarbeit beschäftigt. Dafür erhielt er jetzt den mit 2.000 Euro dotierten Hochschulpreis vom Bundesverband Materialwirtschaft, Einkauf und Logistik (BME). Bereits im letzten Jahr holte Aline Albersmann den Preis an die FH Münster. Beide Absolventen wurden von Prof. Dr. Wolfgang Buchholz vom Fachbereich Wirtschaft, der Münster School of Business (MSB), betreut.

„Ich war sehr überrascht und habe mir eigentlich keine Chancen auf den Preis ausgerechnet, da er ja bereits letztes Jahr an die FH Münster ging“, berichtet Masterand Engelking. Buchholz ist davon überzeugt, dass die im Masterstudiengang Logistik vermittelte Forschungsmethodik zu dem positiven Ergebnis der Thesis beigetragen hat: „Die Qualität der Absolventen im Master Logistik ist sehr hoch, dass wir aber zweimal hintereinander eine hochkarätige Jury überzeugen konnten, ist schon außergewöhnlich.“

In seiner Abschlussarbeit hat sich Engelking zunächst reale Unternehmensdaten eines Automobilzulieferers angeschaut und im Anschluss ein Machine-Learning-Modell zur Vorhersage von Störungen in den vorgelagerten Lieferketten des Unternehmens entwickelt. Im zweiten Schritt hat er – basierend auf den Erkenntnissen der Modellentwicklung – allgemeine Gestaltungsprinzipien für die Einbettung der Technologie in Prozesse und Organisationen abgeleitet.

Engelking erklärt, warum ein Supply-Chain-Risikomanagement (SCRM) in der vorgelagerten Lieferkette wichtig ist: „Lieferengpässe können dazu führen, dass Produkte nicht mehr produziert werden können.“ Ein Produktionsstillstand bewirke, dass in der nachgelagerten Lieferkette die Kunden nicht mehr bedient werden. Dies verursache letztlich nicht nur finanzielle Einbußen, sondern auch einen Imageschaden für das Unternehmen, so Engelking. „Auf Basis von unternehmensinternen Daten lassen sich mit Hilfe von ML-Ansätzen zuvor entwickelte Zielgrößen prognostizieren. Sofern diese Zielgrößen kritische Versorgungssituationen zu einzelnen Lieferanten widerspiegeln, erhalten die Mitarbeiter durch die Prognose eine Art Frühwarnung.“

Neben der Frühwarnung vor einer sich abzeichnenden kritischen Versorgungssituation werden den Mitarbeitern Erklärmodelle angeboten, die Aufschluss darüber geben, welche Faktoren einen Einfluss auf die Vorhersage hatten, so Engelking. Wenn der Mitarbeiter der Prognose vertraut, diese geprüft hat und tatsächlich Probleme in der Lieferkette feststellt, könne er so frühzeitig handeln. „Wenn etwa Lieferant XY im nächsten Monat wahrscheinlich zu wenig oder gar nicht liefern kann, dann hat das Unternehmen Zeit gewonnen, um Gegenmaßnahmen einzuleiten.“ Um den potenziellen Schaden abzufedern, könne man beispielsweise beim zweiten Lieferanten – insofern es einen gibt – mehr bestellen, auf ein anderes Material in der Produktion umstellen oder den kritischen Lieferanten dabei unterstützen, doch noch liefern zu können – etwa durch Vorfinanzierungen. „Mögliche Gegenmaßnahmen hängen dabei immer sehr individuell von der als kritisch betrachteten Liefersituation ab“, erklärt der Absolvent, der mittlerweile als IT-Berater für die viadee Unternehmensberatung arbeitet. ­­­­Sein Fazit lautet: „ML-Ansätze können zwar keine Lieferengpässe vermeiden, aber sie können als Prognose- und Entscheidungsunterstützungstool für die Mitarbeiter im SCRM dienen.“

Zum Thema:
Der BME-Hochschulpreis zeichnet herausragende Diplom-, Master- und Staatsexamensarbeiten zum Themenkomplex Beschaffung und Logistik aus. Der BME fördert mit diesem Preis den wissenschaftlichen Nachwuchs sowie die Zusammenarbeit zwischen Forschung und Praxis.


Um unsere Webseite für Sie optimal zu gestalten und fortlaufend verbessern zu können, verwenden wir Cookies. Weitere Informationen und die Möglichkeit zum Widerruf finden Sie in unserer Datenschutzerklärung.
Seite drucken