Machine Learning: Lieferterminverzögerungen in SAP S/4HANA durch eingebettete KI vorhersagen (Teil 4)

Im vierten Teil unserer Blog-Reihe zum Intelligent Enterprise erläutern wir, wie Sie Machine Learning (ML, ein Teilgebiet der Künstlichen Intelligenz) in die SAP S/4HANA Prozesse einbinden können, welche vorkonfigurierten ML-Szenarien SAP bereits in den Bereichen Einkauf, Verkauf und Supply Chain ausliefert und welchen Nutzen das Maschinelle Lernen für Ihre Geschäftsprozesse bringt.

Machine Learning im SAP Produktportfolio: Ein Überblick

Der Aufbau und der Betrieb von ML-Modellen und -szenarien, die in diversen SAP-Lösungen realisiert sind, folgt dem Cross-Industry Standard-Prozess für Data Mining. Der Prozess beginnt mit dem Verstehen der Business-Anforderung, gefolgt von den Schritten „Verstehen und Vorbereiten der relevanten Daten“. Anschliessend erfolgen Modellierung, Training, Bewertung, Inbetriebnahme und Monitoring des jeweiligen ML-Modells.

Quelle: SAP

Dabei werden gängige ML-Algorithmen verwendet. Für moderate ML-Anforderungen in SAP S/4HANA wie Forecasting, Trending und Influencer können die Algorithmen wie Regression, Clustering, Klassifizierung und Zeitreihen verwenden werden. Diese Algorithmen sind Bestandteil der HANA-Datenbank bzw. sind im Lieferumfang von vielen SAP-Produkten, z.B. SAP S/4HANA oder SAP SuccessFactors enthalten, Stichwort hier: „Application Embedded AI“.

Komplexere ML-Anforderungen mit externen Daten und komplexeren Algorithmen und Anforderungen wie Bilderkennung, Sentimentanalyse, Verarbeitung natürlicher Sprache und Deep Learning werden typischerweise über ein Side-by-side-Szenario über die SAP Business Technology Platform (BTP) angeboten und sind unter dem Produktportfolio „AI Business Services“ zusammengefasst. Die AI Business Services werden als API-Funktionsaufrufe zur Verfügung gestellt und können in beliebige SAP und Non-SAP Systeme integriert werden.

Quelle: SAP

Des Weiteren plant SAP im Q3 2021 eine AI Foundation auf der BTP anzubieten, die die Verwaltung, das Training und die Inbetriebnahme von ML-Modellen (auch von externen Anbietern) SAP lösungsübergreifend weiter vereinfachen soll.

Vorkonfigurierte ML-Szenarien in SAP S/4HANA

SAP hat mit dem S/4HANA 2020 Release bereits ca. 20 ML-Szenarien ausgeliefert und mit dem S/4HANA Cloud 2105 24 ML-Szenarien. Hier ist ein Überblick über die Szenarien aus den Bereichen Einkauf, Supply Chain und Verkauf (Auszug):

Fachbereich Szenario
Einkauf Vorhersage des Lieferdatums für Bestellpositionen
Einkauf Vorhersage der Skontoverluste bei Fakturen mit Zahlungssperre
Einkauf Vorhersage der Erfüllungsrate der Einkaufskontrakte
Supply Chain Vorhersage des Lieferverzugs bei Umlagerungsbestellungen
Supply Chain Früherkennung von Nicht gängigen Materialien und Lagerhütern
Supply Chain Vorhersage der Durchlaufzeit von Umlagerungsprodukten
Verkauf Vorhersage von Terminverzögerungen für ausgehende Lieferungen
Verkauf Vorhersage der Angebotsumwandlungsrate
Verkauf Prognose von Vertriebsergebnissen

Die ML-Modelle sind in die Prozesse vollständig integriert und generieren Vorhersagen auf Basis der historischen Prozessdaten. Die Prognoseergebnisse werden in den operativen und analytischen Apps eingeblendet und ermöglichen den Mitarbeitern, auf bestimmte Situationen viel früher bzw. proaktiv zu reagieren.

Lassen Sie uns das Szenario „Vorhersage von Terminverzögerungen für ausgehende Lieferungen“ genauer anschauen.

Terminverzögerungen für ausgehende Lieferungen in SAP S/4HANA vorhersagen

Ein Vertriebsmitarbeiter im Innendienst kann die Erstellung und die Bearbeitung der geplanten Lieferung an den Kunden im Rahmen der Auftragserfüllung überwachen. Der Vertriebsmitarbeiter ist ausserdem in der Lage, Probleme sofort zu erkennen und entsprechende Massnahmen einzuleiten. Dies reicht von der termingerechten Versorgung der Beschaffungsprozesse über die Anlage von Auslieferungen als Folgeaufträge über Transportplanung, Kommissionierung, Verpackung und Versand im Lieferprozess bis hin zu Transportprozessen.

In der SAP-Fiori-App „Vorhergesagter Lieferverzug“ wird je Kundenauftragsposition neben dem geplanten Auslieferungsdatum ein Verzug in Tagen für die Auslieferungserstellung und -bearbeitung sowie der prognostizierte Gesamtstatus der Auslieferungsposition angezeigt. Ausserdem wird die Statistik über alle Auftragspositionen grafisch dargestellt.

Damit können die Vertriebsmitarbeiter die Verzögerungen in der Lieferkette sofort erkennen, bei kritischen Positionen rechtzeitig aktiv werden und somit die Kundenzufriedenheit steigern.

Das Machine-Learning-Modell, das diesem Szenario zu Grunde liegt, enthält aktuell rund 130 Standard-Datenfelder bzw. Input-Parameter, die zum Trainieren genutzt werden können. Beim Trainieren des Modells kann der Datenfeld-Katalog eingeschränkt bzw. gefiltert werden.

Sind Sie neugierig geworden? Dann lesen Sie weiter! Mehr zum Thema „Intelligente Technologien im SAP S/4HANA Kontext“ finden Sie in unserer Intelligent-Enterprise-Blogreihe:

NTT DATA Business Solutions
NTT DATA Business Solutions

Our experts are keen to stay up to date with new developments and always share their insights, knowledge and opinions from all around the world. They cover a wide range of IT and business-related topics, including SAP and industry expertise as well as management issues. Most of them have gained many years of experience in the area of SAP - always close to the customer. That’s why they know the requirements of the market, of our customers and their customers’ customers/ partners. Get inspired and contact us if you would like to talk to them directly.

Contact Us
Kontakt

Sie haben Fragen? Kontaktieren Sie uns gerne.

Rufen Sie uns gerne an
+41 44 735 85 55
Schreiben Sie uns