Ein Blick in die Zukunft - Trends in der Logistik

Nachhaltigkeit und Ressourceneffizienz

Während lineare Lieferketten auf dem «take-make-dispose»-Modell basieren, nutzen Lieferketten in der Kreislaufwirtschaft ein geschlossenes System. Dieses basiert unter anderem auf Wiederverwendung, Reparatur, Aufarbeitung und Recycling entlang der gesamten Wertschöpfungskette. Unterstützt wird dieses System durch die Logistik der Kreislaufwirtschaft, einschliesslich der Rückwärtslogistik, die einen kreisförmigen Warenfluss ermöglicht und Ressourcen, Produkte und Verbraucher miteinander verbindet.

Die effiziente Rücknahme und Wiederaufbereitung von Produkten ist komplex und kostenintensiv. Eine engere Zusammenarbeit zwischen den Akteuren entlang der Wertschöpfungskette ist erforderlich. Die Logistik spielt bei der Transformation zur Kreislaufwirtschaft eine zentrale Rolle und vernetzt diese Akteure entlang der gesamten Wertschöpfungskette. Sie ist auf allen Ebenen der Kreislaufwirtschaft von Bedeutung: vom physischen Transport von Gütern über den Informationsaustausch bis hin zu selbstorganisierenden Lieferkettennetzwerken. 

Quellen: 
https://circulareconomy.europa.eu/platform/sites/default/files/fennemann_logistics_as_key_enabler_for_ce_2018.pdf
https://logistik-heute.de/news/scm-und-logistik-dies-sind-die-zehn-top-trends-fuer-2024-70644.html

Künstliche Intelligenz

Künstliche Intelligenz (KI) bietet in der Logistik erhebliche Vorteile, die nahezu alle Unternehmensbereiche betreffen. Eine Umfrage von «Inform» und «Logistik heute» zeigt, dass Logistikunternehmen das Potenzial von KI insbesondere in der Bedarfsprognose (62%), der Produktionsoptimierung (51%) und der Transportoptimierung (50%) sehen. Das Fraunhofer IML kategorisiert KI-Anwendungen in vier Hauptfähigkeiten: Erkennen, Analysieren, Planen und Entscheiden sowie Ausführen. Diese Fähigkeiten helfen, Prozesse in der Beschaffung, Produktion und Vertrieb zu optimieren.

Ein Beispiel für den Einsatz von KI ist die automatische Erkennung von Gefahrgut-Labeln durch Bildverarbeitungssysteme. Auch die Identifikation von Objekten ohne Etiketten erfolgt durch Mustererkennung, die die Eigenschaften der Objekte analysiert. KI wird auch bei der Analyse von Sensordaten eingesetzt, z.B. bei der Vorhersage von Ankunftszeiten von Transporten mit Hilfe von GPS- und Wetterdaten. In der Absatzprognose werden multivariate Daten aus Lieferketten und externen Quellen genutzt, um genauere Vorhersagen zu treffen. Darüber hinaus wird KI zur automatisierten Ladungsplanung eingesetzt, um Leerfahrten zu minimieren und Kapazitäten besser auszulasten. Sprach- und autonome Transportroboter verbessern die Mensch-Maschine-Interaktion und steigern die Effizienz, indem sie die interne Logistik automatisieren und Fehler reduzieren.

Der Einsatz von KI hat ein grosses Potenzial, die damit verbundenen Herausforderungen sind jedoch nicht zu vernachlässigen. Es bestehen komplexe Anforderungen an die Datenqualität und die Integration in bestehende Systeme sowie hohe Implementierungskosten. Zudem bestehen Risiken im Bereich der Cybersicherheit und des Datenschutzes, da KI-Systeme anfällig für Angriffe sein können. Auch ethische Fragen wie die Transparenz von Entscheidungsprozessen und mögliche Auswirkungen auf Arbeitsplätze spielen eine Rolle und erfordern einen verantwortungsvollen Umgang mit der Technologie.

Quellen: 
https://transportlogistic.de/de/entdecken/industry-insights/detail/kuenstliche-intelligenz-revolutioniert-die-logistik.html
https://logistik-heute.de/news/scm-und-logistik-dies-sind-die-zehn-top-trends-fuer-2024-70644.html
https://logistik-heute.de/fachmagazin/fachartikel/prognosen-kuenstliche-intelligenz-generative-ki-von-chancen-und-herausforderungen-der-logistik-151949.html

Digitalisierung und Vernetzung

Das Aufkommen von Low-Code/No-Code-Plattformen hat zu einem bedeutenden technologischen Wandel geführt, der es Nutzern in verschiedenen Bereichen, einschliesslich Logistik und Lieferkettenmanagement, ermöglicht, fortgeschrittene Datenanalysen ohne tiefgreifende Programmierkenntnisse durchzuführen. Plattformen wie Microsoft Power BI und Google Data Studio bieten Logistikern benutzerfreundliche Schnittstellen zur Visualisierung und Überwachung von Schlüsselindikatoren wie Lagerbeständen. Diese Tools erleichtern schnelle und fundierte Entscheidungen, die für ein effizientes Management komplexer Logistikprozesse unerlässlich sind.

Ein weiteres innovatives Konzept ist «Data Mesh», ein Architekturansatz, der speziell für die Herausforderungen des Datenmanagements in grossen, verteilten Organisationen, einschliesslich Logistik und Lieferketten, entwickelt wurde. Data Mesh verschiebt die Perspektive von einem zentralisierten zu einem dezentralisierten Datenmanagement. Daten werden wie Produkte behandelt und von spezialisierten Teams in den Bereichen Qualität, Überwachung und Zugänglichkeit verwaltet. Dieser dezentralisierte Ansatz fördert ein kollaboratives und gleichzeitig effizientes Datenökosystem, das es den verschiedenen Abteilungen eines Unternehmens ermöglicht, ihre Daten autonom zu verwalten und sie dennoch gemeinsam zu nutzen. Für Lieferkettenmanager bedeutet dies den direkten Zugriff auf qualitativ hochwertige und konsistente Daten von verschiedenen Punkten der Lieferkette, was die Entscheidungsfindung erheblich verbessert und eine präzisere Steuerung der Logistikprozesse ermöglicht.

Quellen:

https://www.dhl.com/ch-en/home/innovation-in-logistics/logistics-trend-radar/advanced-analytics.html?locale=true
https://logistik-heute.de/news/scm-und-logistik-dies-sind-die-zehn-top-trends-fuer-2024-70644.html