Intelligente ERP-Systeme – oder: Wie mathematische Modelle bei Entscheidungen helfen

Waren bisher Bauchgefühl und Erfahrung der Mitarbeiter die besten Ratgeber, helfen nun datengestützte Berechnungsmodelle bei komplexen Entscheidungen. Grundlage hierfür sind mathematische Modelle, die eine praktische Fragestellung in der Sprache der Mathematik ausdrücken.

Der mediale Hype um Künstliche Intelligenz ist mitunter anstrengend. Zahllose wirkliche oder vermeintliche Experten berichten von spannenden Anwendungsfällen, Fallstricken der Realisierung und technologischen Voraussetzungen. Dabei sind die Beiträge häufig von der Auffassung geprägt, dass Künstliche Intelligenz eine Art Heilmittel sei, das allein die Wettbewerbsfähigkeit von Unternehmen in der Zukunft sichert. In Diskussionen vergisst man jedoch häufig, dass fundierte mathematische Modelle die Grundlage Künstlicher Intelligenzen bilden und ihre Einsatzzwecke klar definieren.

Mit der Entwicklung intelligenter ERP-Systeme reagiert COSMO CONSULT auf eine rasant wachsende Nachfrage nach Unternehmenslösungen, die den steigenden betrieblichen Anforderungen nach mehr Effizienz genügen. Im Vergleich zu einem herkömmlichen ERP-System umfasst ein intelligentes ERP zusätzliche Assistenten, die Informationen und Vorschläge auf Basis mathematischer Modelle bereitstellen. Gerade bei konkurrierenden Zielen wie Zeit, Kosten und Qualität sind digitale Werkzeuge erforderlich, die Empfehlungen berechnen, mit denen sich Konflikte minimieren lassen.
 
Beschaffungsmanager profitieren damit von ausgewogenen Bestellvorschlägen, die sowohl den Bedarf berücksichtigen als auch die Bestände im Lager minimieren. Intelligente Assistenten für die Produktion liefern unter Beachtung aller möglichen Optionen und Rahmenbedingungen eine ausgeklügelte Reihenfolgeplanung, die innerbetriebliche Abläufe optimal aufeinander abstimmt.

Jeder Intelligente Assistent beruht auf einem mathematischen Modell, das eine praktische Fragestellung in der genauen Sprache der Mathematik formalisiert, um das gegebene Problem mit mathematischen Werkzeugen zu lösen. So setzen zum Beispiel Modelle für die Optimierung von Lagerbeständen kritische Einflussgrößen wie Absatzerwartung, Servicegrade, Lagervorgaben oder Informationen zur Wiederbeschaffung in einen mathematischen Zusammenhang. Beim Modellieren ist es entscheidend, die Komplexität der mathematischen Beschreibung auszubalancieren: Zu grobe Modelle liefern keine tiefgründigen, zufriedenstellenden Ergebnisse, weil entscheidende Details und Informationen fehlen. Auf der anderen Seite sind zu feine Modelle auch ungeeignet, weil es oft schwierig ist, aus der Fülle von Abhängigkeiten die entscheidenden Informationen für die jeweilige Aufgabenstellung zu extrahieren.

Wie kommt man nun zu einem mathematischen Modell? Die Antwort lautet: Es gibt kein allgemeingültiges Rezept. Allerdings kann man die Zutaten definieren. Die Wichtigste ist ein tiefes Verständnis der gegebenen Problemstellung – Grundvoraussetzung sowohl für die mathematische Modellierung als auch für die Testfalldefinition und Benutzerdokumentation. Vor allem um die häufig in der Praxis vorkommende Diskrepanz zwischen Empfehlungen einer Unternehmenssoftware und Erfahrungen von Nutzern zu vermeiden, ist die genaue Kenntnis der zu modellierenden Prozesse und Rahmenbedingungen essenziell.

Ist die Problemstellung verstanden, so sind ferner Kennzahlen von Interesse, an denen der Nutzen eines mathematischen Modells nachgewiesen werden soll, denn „Was man nicht messen kann, kann man nicht lenken“, so Peter Drucker, einer der Pioniere der modernen Managementlehre. Die Optimierung sorgfältig ausgewählter Steuergrößen wird später das Ziel eines Intelligenten Assistenten sein. Es stellt sich heraus, dass pragmatisch gewählte Kennzahlen von Vor- teil sind, da Benutzer diese nachvollziehen und ihnen vertrauen können. In Anwendungsfällen, welche die Lieferkette betreffen, schaffen zum Beispiel Durch laufzeiten, Termintreue, Lagerbestände oder der Nutzungsgrad von Fertigungsanlagen Transparenz und Objektivität. Kennzahlen helfen außerdem, das Verbesserungspotenzial und die eigene Erwartungshaltung zu formulieren, zum Beispiel: „Ziel ist es, dass durchschnittlich 95 Prozent aller Aufträge zum berechneten, optimalen Liefertermin bearbeitet sind.“

Aus festgelegten Kennzahlen und einer vereinbarten Erwartungshaltung ergeben sich häufig die Datenanforderungen für den Anwendungsfall. Dann stellt sich die Frage, ob der Zugriff auf benötigte Daten gewährleistet ist und diese in ausreichender Qualität vorliegen. Es ist einleuchtend, dass eine gute Datenqualität entscheidend für den Erfolg ist. Doch die Erfahrung von COSMO CONSULT zeigt, dass Unternehmen in puncto Vollständigkeit, Zugänglichkeit und Konsistenz ihrer Daten häufig Nachholbedarf haben.

Das vollständige Interview sowie das gesamte LÜNENDONK-Magazin "Künstliche Intelligenz" stehen hier zum Download bereit