j-mel - stock.adobe.com

Native Graphdatenbanken für das Supply Chain Management

Das Lieferkettenmanagement verursacht für Fertigungsunternehmen erhebliche Kosten. Diese können auf Graphdatenbanken zurückgreifen, um die Lieferkette zu optimieren.

Ein erheblicher Teil der Kosten eines Fertigungsunternehmens fallen in der Lieferkette an. Wer sie optimiert, kann seinen Profit steigern und die Geschäftsrisiken reduzieren.

Doch wie die aktuellen Ereignisse zeigen, reicht ein effizienter Betrieb allein nicht aus: Unternehmen müssen auch in der Lage sein, Störungen in Echtzeit zu analysieren, verschiedene Szenarien durchzuspielen und anhand einer detaillierten Modellierung der eigenen Lieferkette schnell einen neuen Plan zu entwickeln.

Leider sind Lieferketten und das Lieferkettenmanagement (Supply Chain Management, SCM) so komplex, dass es keinen Ansatz gibt, der für alle Unternehmen geeignet ist. Jede Kaufentscheidung hat Konsequenzen. Im Lieferkettenmanagement entdecken derzeit viele Verantwortliche Tools für sich, die eigentlich für andere Zwecke entwickelt wurden.

Graphdatenbanken sind ein Beispiel hierfür: Sie dienen als Basis für eine neue Generation von Lösungen für die tiefgehende Analyse von Lieferketten.

Management der Komplexität

Da moderne Lieferketten immer länger und komplexer werden, ist es nicht verwunderlich, dass der Überblick über das System als Ganzes mancherorts verlorengeht. Angesichts der steigenden Komplexität entwickeln die Mitarbeiter verschiedener Abteilungen einen Tunnelblick: Sie konzentrieren sich nur noch auf ihren unmittelbaren Verantwortungsbereich und wissen kaum noch, welche Auswirkungen ihre Entscheidungen anderswo im Unternehmen haben oder wie ihre Arbeit sich in den Geschäftsbetrieb einfügt.

Benchmarking Success hat 1.000 Unternehmen untersucht und festgestellt, dass die Kosten für die Beschaffung von Materialien und ihren Transport innerhalb des Unternehmens (im Produktionsverlauf) im Durchschnitt aller Unternehmen 9,8 Prozent des Absatzes entsprechen. Bei den Spitzenreitern sind es hingegen im Schnitt nur 5,7 Prozent. Da Kosteneinsparungen das Geschäftsergebnis direkt verbessern, ist zu vermuten, dass weniger effiziente Lieferketten zu Profitverlusten in Höhe von durchschnittlich 4,1 Prozent des Absatzes führen.

Ein Gesamtüberblick hilft nicht nur der Unternehmensleitung, die Kostenverteilung zwischen den Abteilungen besser zu verstehen. Auch für Entscheidungsträger auf Abteilungsebene ist er wichtig, um die Auswirkungen ihrer Entscheidungen auf das Unternehmen als Ganzes zu beurteilen.

Kontinuierliche Analyse

Durch die kontinuierliche Analyse der Struktur ihrer Lieferketten können Unternehmen ihre Prozesse optimieren und

  • Größenvorteile nutzen, und zwar nicht nur bei der gemeinsamen Bestellung größerer Mengen zu günstigeren Preisen, sondern zum Beispiel auch bei der Konfiguration von Produktionslinien im Batch-Verfahren und bei der Weiterbildung der Mitarbeiter;
  • Lager besser nutzen, indem sie den Platzbedarf in Warenhäusern optimieren und den Zeitaufwand für das Finden und Heranholen von Materialien reduzieren;
  • den Transport im Unternehmen beschleunigen, indem sie später bestellen und Materialien für kürzere Zeit intern lagern. Dadurch sinken die Kosten für die Lagerhaltung und das Risiko, dass eingelagerte Materialien unbrauchbar werden.

Unternehmen können ihre Lieferkosten um 30 Prozent senken, indem sie vorhersehbare Verzögerungen vermeiden, die dann durch teure kurzfristige Luftfrachtversendungen ausgeglichen werden müssen.

Die Lösung: Graphdatenbanken

Unternehmen können die Effizienz ihrer Lieferketten steigern, indem sie eine Graphdatenbank als Basis für die Managementlösung nutzen. Der so gewonnene Gesamtüberblick über die Lieferkette versetzt die Entscheidungsträger zudem in die Lage, Was-wäre-wenn-Simulationen für die Katastrophenplanung durchzuführen.

Im Grunde sind Lieferketten Netzwerkprobleme – also genau das, wofür Graphdatenbanken entwickelt wurden. Wenn eine Lösung für das Lieferkettenmanagement auf eine Graphdatenbank aufgesetzt wird, kann sie Anfragen an Netzwerkdaten schneller beantworten, anspruchsvollere Algorithmen nutzen, um praxisrelevante Rückschlüsse aus diesen Daten zu ziehen, und Managern helfen, sich komplexe Systeme zu veranschaulichen.

Die derzeit in Unternehmen genutzten Systeme für die Ressourcenplanung basieren in der Regel auf relationalen Datenbanken, die Daten in Tabellen speichern und nicht besonders gut geeignet sind, um Fragen zu den Wechselbeziehungen zwischen verschiedenen Datenpunkten zu beantworten. Sie können auch nur eine begrenzte Anzahl an Tabellen in den Arbeitsspeicher laden und dort durch Joins miteinander verbinden. In der Praxis bedeutet dies, dass Netzwerkanalysen auf zwei bis vier Hops beschränkt sind.

Graphdatenbanken sind hingegen hervorragend geeignet, um Terabytes von Daten als einheitliches Ganzes zu organisieren und zu veranschaulichen, da sie das Netzwerk direkt abbilden. In Graphdatenbanken können Entwickler und Analysten tiefgehende, komplexe Anfragen stellen, um nicht nur einzelne Datenpunkte, sondern auch eine Vielzahl von Wechselbeziehungen zu verstehen – ohne erst riesige Joins erstellen zu müssen.

Infolgedessen sind in Graphdatenbanken Netzwerkanalysen mit 10, 15 oder sogar 20 Hops möglich. Da die Daten als Knoten und Kanten gespeichert werden, können Beziehungen aus der Realität intuitiv abgebildet werden. Dadurch wird es einfacher, Fragen zu formulieren und sich einschleichende Fehler zu finden. Außerdem nimmt die Verarbeitung weniger Zeit in Anspruch.

In einer Darstellung der Daten als Netzwerk ist es zudem einfach, bestimmte Zulieferer, Quellen von Rohmaterialien oder Transportwege zu löschen – entweder, um auf aktuelle Ereignisse zu reagieren, oder um die Stabilität der eigenen Lieferkette zu testen und Notfallpläne zu erstellen.

Graphdatenbanken im Supply Chain Management

Für Entwickler ist vorteilhaft, dass es so leicht ist, Graphanalysen für einfache Anwendungsszenarien zu entwerfen. Wenn ein Konzept sich als tragfähig erweist, können diese Entwürfe zu komplexeren Anwendungen weiterentwickelt werden.

Ein Beispiel: Stellen wir uns ein Unternehmen mit Fabriken und Warenlagern vor. Im einfachsten Fall liefert das Warenlager B die Komponente X an Fabrik A. Der entsprechende Graph könnte so aussehen:

B –(schickt)→ X –(an)→ A

In diesem Beispiel stehen die Buchstaben für Objekte (Knoten) und die Wörter in Klammern für Aktionen oder Beziehungen (Kanten) in einer Graphdatenbank. Diese Notation ist mehr als nur eine Konvention. Sie ist die native Notation, also ein Produkt der zugrunde liegenden Technologie. Der Vorteil gegenüber SQL ist, dass wir mit Datenstrukturen arbeiten, die die Realität direkt widerspiegeln (und dadurch eine bessere Datenbankleistung bieten).

Natürlich ist die Realität nie so einfach wie oben dargestellt. Der tatsächliche Ablauf kann beispielsweise so aussehen:

Fabrik A –(schickt)→ Bestellung –(an)→ Lieferkettenmanagementsystem –(prüft)→ Hauptinventarliste (Und löst damit eine untergeordnete Anfrage aus: Aus welchem Lager/von welchem Lieferanten kann diese Bestellung am kostengünstigsten erfüllt werden? Bei der Beantwortung dieser Anfrage sollten nicht nur Preis und Verfügbarkeit, sondern auch Transportkosten und vertragliche Verpflichtungen berücksichtigt werden.) –(übermittelt)→ Bestellung –(an)→ Lager B (oder Zulieferer B, falls es sich um ein externes Unternehmen handelt) –(übergibt)→ Material X –(an)→ Spedition –(liefert an)→ Fabrik A

Streng genommen ist auch dieses Verlaufsdiagramm noch nicht vollständig, es fehlen Schritte wie das Organisieren des Transports, das Erstellen des Frachtbriefs, die Zusammenfassung von Bestellungen und Lieferungen zur besseren Auslastung der Transportmittel sowie die Entgegennahme und Zwischenspeicherung der Komponente X in Fabrik A (und/oder der Transport in die Werkhalle). Sie können selbst interne Prozesse in diesem System abbilden – und zwar so detailliert, wie Sie möchten.

Je detaillierter Ihr Szenario ist, desto mehr Daten werden erfasst und desto mehr Schritte werden in einer Form dargestellt, die für die Analyse durch die Lieferkettenmanager geeignet ist. All diese Schritte lassen sich leicht in einem Graph modellieren. Wie bereits erwähnt, ist ein großes Plus aus Entwicklersicht, dass Sie klein anfangen können – ob mit einem relativ einfachen Modell der ganzen Lieferkette oder einem detaillierten Modell eines Teilabschnitts – und dieses Modell dann nach Bedarf erweitern können.

Sobald die Daten erfasst sind, können Sie Graphanfragen stellen, um Wechselbeziehungen in großen Netzwerken zu analysieren, Muster zu erkennen und Beziehungen in Geodaten oder Zeitreihen zu berechnen. Graphen können auch genutzt werden, um Trainingsdaten in Systeme für maschinelles Lernen einzuspeisen und erklärbare KI-Modelle zu entwickeln.

Bruno Simic, TigerGraph

„In Graphdatenbanken können Entwickler und Analysten tiefgehende, komplexe Anfragen stellen, um nicht nur einzelne Datenpunkte, sondern auch eine Vielzahl von Wechselbeziehungen zu verstehen.“

Bruno Šimić, TigerGraph

Im Supply Chain Management (SCM) können sie auch eingesetzt werden, um strategische Beschaffungsprobleme zu lösen – zum Beispiel, wenn Sie Ihre wichtigsten Zulieferer identifizieren, potenzielle neue Zulieferer bewerten oder die Einhaltung von Verträgen überprüfen müssen.

Letzteres kann durch das Durchlaufen von Graphen und Datensammlungen in mehreren Hops geschehen, in denen die Kosten, Mengen und zeitabhängigen Daten überwacht werden.

Ein weiteres Anwendungsgebiet ist die Bedarfsplanung: Graphen eignen sich für die Prognose von Produktlebenszyklen und benötigten Materialmengen. In der Lieferungsplanung können sie die Planung von eisernen Beständen und Liefernetzwerken, das Outsourcing, die Verteilung und die Zusammenarbeit mit Kunden und Lieferanten erleichtern.

Lieferketten werden immer komplexer. Doch gleichzeitig werden neue, auf Graphdatenbanken basierte Tools entwickelt, mit denen Sie praxistaugliche Rückschlüsse aus Ihren Daten ziehen, die Effizienz Ihrer Lieferketten steigern und Notfallpläne erstellen können.

Über den Autor:
Bruno Šimić verfügt über mehr als 25 Jahre Erfahrung in der IT-Branche. Sein erster Kontakt mit einer Datenbank war im Jahr 1997, ein Jahr später erwarb er sein erstes Linux-Zertifikat. Seitdem arbeitete er für mehrere IT-Unternehmen, darunter Datenbankfirmen wie MariaDB und Couchbase. Seit Dezember 2019 ist er als Senior Solutions Engineer im TigerGraph EMEA-Team in München tätig.

Die Autoren sind für den Inhalt und die Richtigkeit ihrer Beiträge selbst verantwortlich. Die dargelegten Meinungen geben die Ansichten der Autoren wieder.

Erfahren Sie mehr über Datenbanken

ComputerWeekly.de
Close