Machine Learning im Rahmen einer konzernweiten Working Capital Initiative
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
AI BASED SUPPLY CHAIN SOLUTIONS<br />
<strong>konzernweiten</strong><br />
<strong>im</strong> <strong>Rahmen</strong> <strong>einer</strong><br />
WORKING CAPITAL MANAGEMENT SYSPOSIUM<br />
13.06.2024<br />
1
2<br />
Wer ist
UNTERNEHMENSHISTORIE<br />
treffen langjährige<br />
2021<br />
2022<br />
Projekt pacemaker.ai startet: thyssenkrupp erkennt die zunehmende<br />
Komplexität bei Prognosen entlang der globalen Lieferketten und startet das<br />
Projekt „pacemaker.ai“ in Lissabon. Das Ziel: ein auf AI-Technologie gestützter<br />
Herzschrittmacher für aus dem Takt geratene Lieferketten.<br />
tkMX DataflowWorks: Aufgrund des <strong>im</strong>mensen Potenzials der Technologie<br />
wird pacemaker.ai 2022 eine eigene. Die tkMX DataflowWorks GmbH führt<br />
offiziell die Geschäfte und nutzt die Marke „pacemaker.ai“.<br />
40+<br />
Datenexperten<br />
2022<br />
2023<br />
2024<br />
Akquise des Westphalia DataLabs: Nach zweijähriger Entwicklung des<br />
Demand Forecasting Tools wird <strong>im</strong> Jahr 2022 mehrfach ausgezeichnete<br />
<strong>Machine</strong>-<strong>Learning</strong>-Start-up Westphalia DataLab akquiriert, um die <strong>Machine</strong>-<br />
<strong>Learning</strong>-Kompetenzen weiter auszubauen.<br />
Wachstum & Carbon Intelligence: Die Anzahl zufriedener Kunden innerhalb und<br />
außerhalb des thyssenkrupp-Konzerns steigt kontinuierlich. Zudem wird das<br />
Produktportfolio um ein KI-basiertes Carbon-Intelligence-Modul ergänzt, um<br />
gesteigerte CSR-Anforderungen skalierbar bedienen zu können.<br />
Grown-up & Internationalisierung: Mit fast 50 Mitarbeitern an vier Standorten<br />
hat sich pacemaker.ai in weniger als vier Jahren mehrfach verdoppelt. Mit den<br />
ersten Geschäften und Partnerschaften in Nordamerika wird die<br />
Internationalisierung vorangetrieben.<br />
4<br />
Standorte<br />
200+<br />
Kundenprojekte<br />
3
Wie pacemaker.ai mit <strong>Machine</strong> <strong>Learning</strong><br />
entlang der Lieferketten : EXTRACT<br />
Luft & Raumfahrt Automotive Industrie Logistik<br />
80% -41% 91% +68%<br />
Verbesserung der Prognosegüte<br />
gegenüber der bisherigen Lösung<br />
mit über 80% Genauigkeit<br />
Reduzierung des Prognosefehler<br />
um 41% <strong>im</strong> Vergleich zur<br />
bisherigen Lösung<br />
Absatzprognosen mit bis zu 91%<br />
Genauigkeit unter Betrachtung von<br />
über 400 Kunden in 96 Ländern.<br />
Verbesserung der Prognosegüte<br />
um 68% bei der Betrachtung von<br />
über 40 Produkttypen in 10 Lägern<br />
4
HERAUSFORDERUNG<br />
Die<br />
der Lieferketten<br />
überfordert bestehende<br />
Planungsprozesse<br />
Aktuelle Situation<br />
Volatile Märkte, saisonale Schwankungen und ein verändertes<br />
Verbraucherverhalten erschweren massiv die Planungen<br />
Ungenaue Planungen erschweren Entscheidungen, führen zu<br />
Überbeständen und erhöhten Bestandskosten<br />
Ein erhöhter Kostendruck und fehlende Datenkompetenz<br />
verhindert die Einführung neuer Technologien<br />
5
EXCEL IST IMMER NOCH #1<br />
Die Welt hat sich verändert,<br />
die Planungstools nicht<br />
73% 90%<br />
20%<br />
nutzen EXCEL für Ihre<br />
Planungsprozesse<br />
möchten neue Lösungen<br />
& Technologien einführen<br />
führen bereits ML/KI gestützte<br />
Lösungen ein<br />
Obwohl KI-gestützte Prognosen erwiesenermaßen bis zu 67%<br />
effizienter sind als ihre manuellen Pendants vertrauen <strong>im</strong>mer noch 2/3<br />
der Supply Chain Entscheider auf Tabellenkalkulationen wie Excel, um<br />
Bedarfe zu prognostizieren. Zeitgleich wollen 90% in neue Lösungen<br />
investieren – nur 20% haben es bisher auch tatsächlich umgesetzt.<br />
0%<br />
Verwendete Planungssoftware <strong>im</strong> SCM<br />
100%<br />
6<br />
Quellen: Research and Markets; McKinsey
LÖSUNGSÜBERBLICK<br />
Wie unser<br />
funktioniert:<br />
Zeitreihen<br />
Daten<br />
Bestandsopt<strong>im</strong>ierung<br />
Personalplanung<br />
Daten interner<br />
Einflussfaktoren<br />
Cash Flow Opt<strong>im</strong>ierung<br />
Flottenmanagement<br />
Daten externer<br />
Einflussfaktoren<br />
weitere…<br />
Input<br />
Prediction Core<br />
Output<br />
Anwendungsfälle<br />
Daten und Branchenexpertise<br />
<strong>Machine</strong> <strong>Learning</strong> Algorithmen<br />
berechnen Ihre Prognosen<br />
Planzahlen <strong>im</strong> pacemaker.ai<br />
Dashboard oder Ihrem Zielsystem<br />
Operationalisierung in<br />
Ihrem Betrieb<br />
7
Was hat das nun alles mit<br />
zu tun?<br />
8
9<br />
KAPITALBINDUNG DURCH VOLATILE NACHFRAGE<br />
Verschiedene Branchen stehen<br />
vor Herausforderungen
BILANZPRESSEKONFERENZ AM 22.11.2023 DER THYSSENKRUPP AG<br />
pacemaker.ai als eine Maßnahme zur<br />
NWC Opt<strong>im</strong>ierung der tk AG<br />
10<br />
Auszug aus der Bilanzpressekonferenz vom 22.11.2023, https://slidesync.com/1GBn9Ywvyj?locale=de
MIT PACEMAKER.AI ERZIELBARE PROFITABILITÄTSHEBEL<br />
Genaue Prognosen beeinflussen Ihre Profitabilität nachhaltig<br />
1<br />
Häufig<br />
relevantester Hebel<br />
Bestandsreduzierung<br />
Eine höhere<br />
Vorhersagegenauigkeit<br />
bietet das Potenzial für eine<br />
Senkung der erforderlichen<br />
Lagerbestände.<br />
2 Verringerung von 3 Gesteigerter<br />
4 Verminderung von 5<br />
Out-of-stock Situationen Automatisierungsgrad<br />
Verschwendung<br />
Höhere Prognosegenauigkeit<br />
verringert<br />
Umsatzeinbußen aufgrund<br />
von Nichtverfügbarkeit.<br />
Automatisierung kann den<br />
Zeitaufwand für Planungsaufgaben<br />
erheblich<br />
verringern.<br />
Eine bessere Vorhersage<br />
kann Verschwendung und<br />
die Entstehung von Non-<br />
Movers verringern.<br />
Zusätzlicher Hebel:<br />
CO2-Reduzierung<br />
Senkung von<br />
Sofort-Maßnahmen<br />
Eine präzisere Prognose<br />
verringert die Notwendigkeit<br />
von Eiltransporten und<br />
Überstunden.<br />
Forecast-<br />
Genauigkeit<br />
Forecast<br />
Genauigkeit<br />
Grad der<br />
Automatisierung 3<br />
Forecast<br />
Genauigkeit<br />
Forecast<br />
Genauigkeit<br />
Erforderliche<br />
Lagerreichweite 1<br />
Out-of-Stock<br />
Situationen<br />
Aufwand für manuelle<br />
Bedarfsplanungen<br />
Entstehung von<br />
Non-Movers<br />
Ausgaben Eiltransporte/Überstunden<br />
Bestand (Nettoumlaufvermögen)<br />
2<br />
Umsatzeinbußen<br />
durch Fehlbestände<br />
FTE-Ausgaben für<br />
SCM-Planung<br />
Abschreibungen &<br />
Wertminderung<br />
Kostenreduzierung<br />
Sofortmaßnahmen<br />
EBIT-Verbesserung<br />
durch reduzierte<br />
Kapital- und<br />
Lagerhaltungskosten<br />
EBIT-Verbesserung<br />
durch Umsatzsteigerung<br />
EBIT-Verbesserung<br />
durch Personalkostensenkung<br />
EBIT-Verbesserung<br />
durch Reduzierung der<br />
Abschreibungen<br />
EBIT-Verbesserung<br />
durch Kostensenkung<br />
11<br />
DIO: Days inventory outstanding SCM: Supply Chain Management 1: Bei gleichbleibendem Servicelevel; 2: Annahmen auf der Grundlage der aktuellen Prognosegenauigkeit, des Verbesserungspotenzials<br />
und branchenspezifischer Benchmark-Werte; 3: Der Grad der Verbesserung der Planungsautomatisierung hängt von der Operationalisierung ab
Der Hebel zur Verringerung der Bestände basiert auf dem<br />
Verhältnis zwischen Prognosegenauigkeit und Lagerreichweite<br />
1<br />
Häufig<br />
relevantester Hebel<br />
Bestandsreduzierung<br />
Eine höhere<br />
Vorhersagegenauigkeit<br />
bietet das Potenzial für eine<br />
Senkung der erforderlichen<br />
Lagerbestände.<br />
Forecast-<br />
Genauigkeit<br />
Erforderliche<br />
Lagerreichweite 1<br />
Bestand (Nettoumlaufvermögen)<br />
2<br />
EBIT-Verbesserung<br />
durch reduzierte<br />
Kapital- und<br />
Lagerhaltungskosten<br />
Beispiel: Verbesserung der<br />
Vorhersagegenauigkeit von 70% auf 80%<br />
Verhältnis zwischen Vorhersagegenauigkeit und<br />
Lagerreichweite 3<br />
Lagerreichweite [Tage]<br />
+10%<br />
-12,45 Tage<br />
Forecast<br />
Genauigkeit [%]<br />
Berechnungsbeispiel<br />
Durchschnittlicher Lagerbestand [EUR]<br />
100 Mio.<br />
Lagerreichweite IST [Tage] 60,18<br />
Lagerreichweite SOLL [Tage] 47,73<br />
Erwartete Senkung der Lagerreichweite<br />
durch pacemaker [Tage]<br />
Abbau des durchschnittlichen<br />
Lagerbestandes (%)<br />
Freigesetztes Kapital aus reduzierter<br />
Lagerreichweite [EUR]<br />
12,45<br />
20,7 %<br />
20,7 Mio.<br />
WACC [%] 11,0 %<br />
Einsparungen durch reduzierte Kapitalkosten<br />
[EUR]<br />
2,3 Mio.<br />
Lagerhaltungskosten [%] 16,5 %<br />
Einsparung durch reduzierte Gesamtkosten<br />
der Lagerhaltung [EUR]<br />
3,4 Mio.<br />
Jährl. Einsparungen durch reduzierte Bestände<br />
EUR 5,7 mio<br />
12<br />
1: Bei gleichbleibendem Servicelevel 2: Annahmen auf der Grundlage der aktuellen Prognosegenauigkeit, des Verbesserungspotenzials und branchenspezifischer Benchmark-Werte<br />
3: Verhältnis basierend auf Benchmark-Werten Deloitte Consulting & pacemaker.ai research
BEISPIELHAFTE SUCCESS STORIE I/II<br />
Metals & Mining Aftermarket<br />
13
BEISPIELHAFTE SUCCESS STORIE II/II<br />
Luft- und Raumfahrt
AI BASED SUPPLY CHAIN SOLUTIONS<br />
WORKING CAPITAL MANAGEMENT SYSPOSIUM<br />
13.06.2024<br />
15
Change language