Unabhängig von der Art des Endproduktes wird in allen Unternehmenszweigen, wie z.B. Healthcare, Pharma, Stock Exchange, Automotive, Insurance, Wholesale usw., Produktplanung angewendet.
aufteilen.
Im Wesentlichen besteht die Produktplanung darin, einen Nachfragemarkt zu erkennen (oder diesen selbst zu erzeugen) und rechtzeitig das richtige Produkt denjenigen Kunden zur Verfügung zu stellen, die für dieses Produkt aus Bedarf ein Bedürfnis entwickeln.
Ist das Produkt am Markt, so muss es an die sich ändernden Bedürfnisse der Kunden angepasst und verbessert sowie neue Bedarfe antizipiert werden. Letztendlich ist das Ziel mit dem eigenen Produkt so weit unten wie möglich in der Maslowschen Bedürfnispyramide zu stehen. Apple hat das sehr beeindruckend mit dem iPhone gezeigt.
Was Produktplanung heute ausmacht ist die Geschwindigkeit der globalen Märkte. Aus Bedarfen werden heute schneller Bedürfnisse, und diese werden heute schneller geweckt und schwächen sich auch schneller ab. Bis Mitte der 1970’er Jahre wollte fast jeder Haushalt einen Telefonanschluss haben, was bis dahin nicht die Regel war.
Im Jahr 1983 kam Motorola und erfand das Mobiltelefon. Es dauerte noch einige Jahre bis Nokia Ende der 1990’er Jahre das Bedürfnis nach dem eigenen Mobiltelefon für fast jeden erfüllen konnte.
Ein Mobiltelefon galt als Statussymbol und wurde viele Jahre genutzt. Mit der Einführung des iPhones durch Apple im Jahr 2007 passierte etwas auf dem Markt. Das Mobiltelefon wurde zum Smartphone und dieses sank immer weiter nach unten in der Maslowschen Bedürfnishierarchie.
Fast jeder wollte ein Smartphone haben und wenn möglich immer das Neueste. Doch nicht nur das. Der Markt veränderte sich so stark, dass in vielen Teilen der Welt fast jeder ein Smartphone haben muss, wie das M-Pesa System für den Geldtransfer eindrucksvoll zeigt.
Ein Produkt entstand, eher zufällig, aus einer Idee und weckte Bedarf. Nach Jahren entstand aus dem Bedarf ein Bedürfnis. Und einige würden heute behaupten, dass ihr Mobiltelefon für sie ein physiologisches Bedürfnis geworden ist.
Das Ganze spielte sich in einem Zeitraum von ca. 30 Jahren ab. Produktplanung war ein angepasstes und eingespieltes Verfahren. Spätestens als Nokia 2011 einen Verlust von über €1 Mrd. verzeichnete war klar, dass konventionelle Produktplanung den heutigen Anforderungen nicht mehr gerecht werden kann. Modernes Forecasting muss möglichst alle Informationen aus allen Bereichen (Text, Podcasts, Videos) analysieren und Aussagen treffen.
Zu viele Informationen aus der gesamten Welt müssen jederzeit verarbeitet werden um zu erkennen, wohin der Bedarf der Kunden gelenkt wird, woraus Bedürfnissen entstehen und wie die Konkurrenz sich dabei positioniert. Wie setzt sich der Markt zusammen, welche Ereignisse beeinflussen den Markt und wie reagieren Kunden und Mitbewerber darauf?
Diese Informationen zu sammeln und aufzubereiten war und ist das Tätigkeitsfeld von Business Intelligence und Big Data und mit der entsprechenden Architektur, wie z.B. der BOSON-Architektur, gut umzusetzen.
Die immer größer werdende Menge an Informationen, die z.B. durch IoT / IoE (Industrie 4.0 [im englischen ist Industrie 4.0 eher bekannt unter „Industrial Internet Consortium“]) noch potenziert wird, zu verstehen (Perception) und daraus Rückschlusse zu ziehen und Vorhersagen (Prediction) zu treffen kann mit Big Data alleine nur rudimentär bzw. so gut wie gar nicht bewerkstelligt werden. Die Ergebnisse aus den Bemühungen dies mit Big Data zu lösen sind mehr zeit- und kostenaufwendig als Aussagefähig.
Der Versuch, alleine nur durch BI Systeme (Business Intelligence System), Big Data Prozesse und Deep Learning wettbewerbskritische Aussagen zu erhalten, wird nicht zu optimalen Ergebnissen führen. Wenn aus gesammelten Daten das Verhalten der Kunden erkannt wird, dann handelt es sich hierbei um Wissen aus der Vergangenheit. Es müssen bereits viele Kunden ein bestimmtes Verhaltensmuster gezeigt haben, damit dieses Verhalten erkannt wird. Wenn das jedoch schon der Fall ist, dann ist ein großer Teil der Bedürfnisse dieses Marktsegments bereits befriedigt. Wäre es nicht gut, genau jetzt zu wissen, welche ganz neuen Bedarfe und Bedürfnisse sich gerade bilden?
Business Intelligence und Big Data sind unverzichtbar aber nicht ausreichend für Perception und Prediction.
In allen Phasen des Produktlebenszyklus müssen aktuelle Informationen in Korrelation mit den Unternehmenszielen gebracht werden um den richtigen Zeitpunkt für die Markteinführung, die Produktanpassung oder die Elimination des Produktes zu bestimmen. Das Wichtigste dabei ist immer, die richtigen Maßnahmen zum richtigen Zeitpunkt zu treffen.
Der Untergang von Nokia im Jahr 2011 oder die Insolvenz von SolarWorld im Jahr 2017 zeigen, dass traditionelle Produktplanung längst nicht mehr ausreicht.
Viele Unternehmen sind sich dessen bewusst und setzen bei der Produktplanung auf Künstliche Intelligenz. Und gerade hier entsteht etwas, das dem Markt ganz neue Impulse geben wird.
Die meisten Unternehmen denken im Bereich Künstliche Intelligenz an Machine Learning bzw. Deep Learning.
Machine Learning definiert die von Software unterstützte Möglichkeit Daten zu parsen und daraus zu lernen. Bei Deep Learning geht es meist um den Einsatz von Neuronalen Netzwerken, die trainiert werden um bestimmte Muster zu erkennen und diese zu klassifizieren. Damit ist Machine Learning grob gesagt eher ein allgemeiner Oberbegriff der Künstlichen Intelligenz.
Mit Deep Learning werden Systeme so trainiert, dass sie Handschriften lesen, Stimmen und Bilder erkennen oder aus Datenreihen Vorhersagen durchführen können und daraus Aussagen treffen. Der große Nachteil dieser Anwendungen liegt darin, dass die meisten dieser Systeme durch Experten trainiert werden müssen und bei jeder Änderung, wie z.B. neu zu erkennende Bildertypen, das gesamte Training von vorne beginnen muss.
Mit diesen Systemen lassen sich Eingabedaten auf vorher antrainierte Eigenschaften überprüfen und kategorisieren, um z.B. beim Predictive Maintenance (Vorhersage für Wartungsintervalle) Aussagen zu machen.
Deep Learning liefert beeindruckende Ergebnisse. Jedoch ist die Tatsache, dass Deep Learning Systeme statisch sind, nicht zu vernachlässigen. Sie können nur das, was sie auch gelernt haben.
Um bei der Unternehmensplanung und speziell in der Produktplanung die heute enormen Datenflüsse und Informationen aufnehmen zu können, und diese automatisiert zu „verstehen“ und daraus Voraussagen und Entwicklungsvorhersagen treffen zu können, müssen Systeme diese Informationen jedoch selbstständig verarbeiten und dabei lernen können. Sie dürfen nicht permanent neu trainiert werden müssen, denn dieser Aufwand wäre zeitlich und finanziell für kein Unternehmen rentabel.
Bei Systemen die selbstständig lernen wird von Artificial General Intelligence (AGI) gesprochen.
Artificial General Intelligence wird auch als „Strong AI“ oder „Full AI“ bezeichnet. Mit AGI haben Systeme die Möglichkeit „generelle intelligente Aktionen“ durchzuführen. Sie können selbständig lernen und verstehen. Zumindest in dem Kontext für den sie entwickelt wurden und in dem sie agieren sollen. Das große Ziel ist die sogenannte Singularität, von der wir jedoch noch etwas entfernt sind.
AGI ist die nächste Generation im Bereich Künstlicher Intelligenz. Ein AGI System sammelt alle einfließenden Daten und bringt die Informationen darin selbstständig im Kontext des Systems in Zusammenhang.
Je nach Kontext können so Systeme für Spiele, für die Forschung (z.B. in der Medizin) oder auch die Robotik entstehen. Der Kontext spielt dabei eine wichtige Rolle, denn Systeme die alle Informationen zu allen Themen verarbeiten können sind heute noch undenkbar.
Richtig interessant werden AGI Systeme für Unternehmen bei der Unterstützung in der Produktplanung.
Werden AGI Systeme mit allen weltweit verfügbaren Informationen aus Patentdatenbanken, Social Web, Community-Sites uvm. versorgt, können Zusammenhänge erkannt werden, die ganz neue Einsichten auf ein Unternehmen und seinen Markt ermöglichen.
Dabei ist das Ziel nicht nur Ereignissen vorherzusagen, sondern auch Aussagen darüber zu treffen, wie das eigene Unternehmen davon profitieren oder sich davor schützen kann. Dies wird als Prescriptive Analytics bezeichnet.
Mit Neural Product Planning arbeiten wir in einem Bereich, der genau diese Möglichkeiten aufnimmt.
Jedes Unternehmen ist mindestens Teil einer Branche, in den meisten Fällen sind es mehrere. Diese Branchen sind standardisiert und in Deutschland unter WZ 2008 und international unter ISIC klassifiziert.
Durch Zuordnung von Branchen zu Informationen können neue Erkenntnisse für die Supply Chain eines Unternehmens gewonnen werden. Denn Einflüsse auf eine Branche in der Unternehmens Supply Chain haben generell Einflüsse auf das Unternehmen und dessen Produktplanung.
Über die Unternehmens Supply Chain können nun Erkenntnisse dieser Einflüsse zu Aussagen führen, die wettbewerbsentscheidend sind.
Ähnlich dem menschlichen Gehirn fragt sich ein AGI System permanent warum, wo, wie und weshalb. Um diese Fragen zu beantworten werden autonom immer mehr Informationsquellen hinzugefügt und nach und nach ein breites Wissen aufgebaut. Dieses Vorgehen wird nach dem Vorbild einer Rasmussen-Leiter (Englisch: Rasmussen ladder) durchgeführt und geschieht durch Algorithmen die nach Muster suchen.
Diese Muster werden wiederum dazu benutzt Genetische Algorithmen zu erstellen, die nach optimalen Lösungen zu suchen. Die Genetischen Algorithmen übermitteln ihre Ergebnisse an Neuronale Netze, die wiederum weitere Neuronale Netze ansteuern, bis ein Ergebnis geliefert werden kann.
Die Suche nach Mustern wird zu jeder Zeit im System vollzogen und führt zu immer mehr Wissen, dass in immer neueren und besseren Genetischen Algorithmen und Neuronalen Netzen manifestiert wird.
Es entsteht ein selbstlernendes System, das mehr und mehr Wissen aufbaut und Zusammenhänge erkennt. Völlig autonom und selbstständig.
Das mit diesen Methoden gefundene Wissen wird immer weiter verdichtet und in verschiedenen Schichten (Englisch: Layer) miteinander verschachtelt. Über Sparse Coding Algorithmen werden Millionen kleine Neuronale Netze miteinander kombiniert und Prozeduren und Aktionspläne gebildet.
Aktionspläne sind Best Practice Verhaltensweisen, ähnlich dem Ablauf im Cerebellum, einer Region im Gehirn die für Bewegungen verantwortlich ist. Beispielweise kann man einen Ball auf zwei unterschiedliche Arten fangen. Man kann die Flugkurve durch komplizierte Differentialgleichungen berechnen, dazu den Winkel der Augen und die zu machende Armbewegung einbeziehen, damit die Hand zur richtigen Zeit am richtigen Punkt ist um den Ball zu fangen.
Da dies für das Gehirn zu viel Zeit in Anspruch nehmen würde, werden diese Gleichungen vereinfacht und in ein simples Trendmodel umgewandelt. Über dieses Trendmodel wird berechnet wohin sich der Ball voraussichtlich bewegt. Unter Einbeziehung des Blickfeldes wird dasselbe für die Bewegung der Hand durchgeführt. Sollte sich etwas an der Flugkurve ändern, so wird ad hoc neu kalkuliert und korrigiert. Manchmal jedoch wird der Ball trotzdem nicht gefangen. Das Gehirn ist zwar sehr genau, aber nicht 100% korrekt.
In einem AGI System spart diese Vorgehensweise Speicherplatz und erhöht gleichzeitig die Verarbeitungsgeschwindigkeit des Systems. Die Ergebnisse haben eine sehr hohe Wahrscheinlichkeit, können aber nicht eindeutig korrekt sein.
Das gesammelte Wissen wird in einem AGI System in Listen auf Listen auf Genetische Algorithmen, Neuronale Netze und Prozeduren abgebildet. Diese wiederum verweisen auf Wissen das in Graphen und Hypergraphen abgelegt ist und es entsteht ein rekursives Zusammenspiel. Um die Wichtigkeit einzelner Informationen zu erkennen wird jede Information analog der Hebbschen Lernregel (englisch: Hebbian theory) laufend über Parameter für Langzeit- und Kurzzeitwissen angepasst.
Visuelle und auditive Informationen werden über Deep SpatioTemporal Inference Networks (DeSTIN) vorverarbeitet und dann wiederum über Genetische Algorithmen in neue Informationen umgewandelt.
Ähnlich dem menschlichen Gehirn, so wie wir es heute verstehen.
Im Unterschied zu einem menschlichen Gehirn kann ein AGI System jedoch so parametrisiert werden, dass Informationen niemals vergessen werden. Hierfür muss eine feine Abstimmung zwischen Kosten und Nutzen stattfinden damit die Speicherfähigkeit und Verarbeitungsgeschwindigkeit (und damit die Kosten) des Systems mit dem erwarteten Mehrwert der weniger wichtigen Informationen noch positiv ausfällt. Über NFI (Never Forget Information) Kennzeichen können einmalige und außergewöhnliche Ereignisse dennoch als ewige Erinnerung gekennzeichnet werden. Die schnelle und zuverlässige Erkennung von NFI und die Bestimmung der Wichtigkeit dieser Informationen, z.B. bei der Mustererkennung und der Generierung neuer Genetischer Algorithmen und Neuronaler Netze innerhalb eines AGI Systems, ist eine der interessanten Herausforderungen.
Um einen Bezug auf die Supply Chain und damit auf das Procurement zu erhalten, werden alle Informationen mit Neural Product Planning automatisch durch verschiedene Ebenen von Erkennungsalgorithmen einzelnen Branchen zugeordnet. Über Time Series Analysis, Cluster Analysis und weiteren komplexen Verfahren entstehen neue Erkenntnisse. Das ist analog dessen, was beim menschlichen Gehirn mit „Nachdenken“ oder einem „Gedankenblitz“ umschrieben wird und auch beim Träumen geschieht.
Die Informationen der einzelnen Branchen werden daraufhin analysiert, welchen Einfluss sie auf die Supply Chain eines Unternehmens haben. Analogien zu früher ähnlichen Einflüssen werden in Betracht gezogen um eine bessere Aussagewahrscheinlichkeit zu erhalten.
Dazu ist es evident zu wissen, welche Branchen sich in der Supply Chain eines Unternehmens befinden und wie bei Einflüssen auf diese zu verfahren ist. Welchen Einfluss haben die einzelnen Glieder auf die gesamte Chain und wie sind diese im Bedarfsfall zu substituieren? Welche Aktion ist erforderlich wenn ein Glied der Supply Chain durch exogene oder endogene Risiken plötzlich ein Risiko für die eigenen Unternehmensziele darstellt? Was bedeutet dies für das Procurement?
Diese Risiken können z.B. Unruhen, Epidemien oder sonstige Katastrophen sein, die verhindern, dass wichtige Rohstoffe nicht mehr geliefert werden können. Eine Fusion, ähnlich der zwischen Bayer und Monsanto, kann die eigene Produktplanung genauso beeinflussen wie ein neu entstehender Trend. So hat z.B. der starke Einfluss des #SugarFree Trends nicht nur Coca Cola überrascht.
Eine moderne SCRM Anwendung, ähnlich einer modernen Data Provenance Anwendung, muss in der Lage sein diese Auswirkungen auf das Unternehmen zu beziffern. Sie muss die Höhe des Risikos eines Gliedes auf die gesamte Supply Chain und die hierfür hinterlegten Gegenmaßnahmen aufzeigen. Da sich die Risiken permanent ändern werden die Kennzahlen in solchen Systemen im Regelfall über automatisierte Prozesse angepasst.
Um diese Einflüsse auf die Supply Chain zu erkennen, werden in einem Neural Product Planning System unter anderem Einflusscluster gebildet. Über diese Einflusscluster wird festgestellt, warum es Einflüsse gibt und ob diese direkt oder indirekt die Produktplanung betreffen.
Über Kaskaden von Forward und Backward Reasoning Prozessen werden diese Einflüsse in Zusammenhang gebracht und mit Hilfe von Abductive Inference neue Erkenntnisse gewonnen.
Unter anderem durch Ergebnisse aus Dietrich Dörner’s PSI-Theorie und angelehnt an Joscha Bach's MicroPsi AI System arbeitet Neural Product Planning daran dieses Wissen zu erfassen und daraus neue Kenntnisse und mögliche Aktionen zu gewinnen um entscheidende Aussagen zu treffen.
Dabei interagiert Neural Product Planning mit weiteren unterschiedlichen Ebenen im System und es ergibt sich ein Zusammenspiel an modernsten Methoden und Algorithmen, welches das aktuelle Bild der Arbeitsweise des menschlichen Gehirns widerspiegelt.
Ein Prozess, der rund um die Uhr vollzogen wird. An jedem Tag, zu jeder Zeit und völlig autonom.
Durch Einbeziehung von Patentdatenbanken können Vorhersagen über die Tätigkeiten der Konkurrenz gemacht werden. Aussagen in Blogeinträgen und in Social Media Kanälen zeigen aktuelle Meinungen und Strömungen. Verschiedenste Webseiten berichten über Ereignisse und neue Themen. Alle diese Informationen werden in Zusammenhang gebracht.
Ähnlich wie ein Mensch kann auch ein System nur das analysieren, was es weiß. Je mehr Wissen in Neural Product Planning einfließt, desto besser können Aussagen getroffen und die Produktplanung unterstützt werden.
Die Integration sämtlicher Unternehmensinformationen und öffentlicher Informationen ist daher eine logische Konsequenz. Durch Cognitive BI und Linked Open Data werden weitere wichtige Informationsquellen zusammengebracht und analysiert. Das Video „Introduction to Open Linked Data“ demonstriert dieses Zusammenspiel.
Wie beim menschlichen Lernen ist es entscheidend das „Gehirn“ nicht mit Wissen zu überschütten, sondern eine kognitive Entwicklung im gewünschten Kontext zu erzielen. Ein AGI System muss daher, analog zu Jean Piagets Phasen der kognitiven Entwicklung [englisch: Stages of cognitive development], bestimmte Phasen des Lernens durchlaufen. Daraus ergibt sich, dass das Wissen im Kontext des AGI Systems nach bestimmten Regeln aufgebaut und immer mehr verfeinert werden muss. Diese Aufgabe wird zukünftig das Tätigkeitsfeld eines Neural Cognitive Engineers.
Neural Product Planning ist
die autonome Auswertungen aller verfügbaren Informationen mit dem Ziel Aussagen und Vorhersagen zu liefern, die entscheidend für den Unternehmenserfolg sind.
ein dem menschlichen Gehirn ähnlich arbeitendes System, das mittels Artificial General Intelligence selbstständig lernt und Ereignisse und Informationen in sinnvollen Zusammenhang mit der Unternehmens Supply Chain bringt.
ein System, welches durch Aufnahme und Verarbeitung aller möglichen Informationen den Zusammenhang von positiven oder negativen Einflüssen auf die Produktplanung erkennt, bewertet und entsprechende Aussagen zu trifft.
die beste Möglichkeit, um Erfolge aus der AGI Forschung und Entwicklung im Bereich Robotik, intelligenten Spielen und Healthcare auf die Produktplanung anzuwenden.
die Unterstützung aller Mitarbeiter, die viel zu wertvoll sind, als dass sie langwierig mit der Analyse von unendlich vielen Informationen, Training und Programmierung von Software und Trial & Error beschäftigen. Neural Product Planning agiert wie ein menschlicher Kollege, der 24 Stunden am Tag und an allen Tagen im Jahr gerne und gewissenhaft diese Aufgaben erledigt.
die Lösung um ohne vorheriges Training selbstständig unternehmenskritische exogene und endogene Ereignisse vorherzusehen. Vorhersagen zu Ereignissen werden heute durch Methoden wie Time Series Analysis in Verbindung mit Reasoning Prozessen und Neuronalen Netzen aufwendig trainiert und programmiert. Es gibt erfolgreiche Beispiele wie die Aussagen der CIA, die soziale Unruhen bis zu fünf Tage im Voraus erkennen kann, oder das Erkennen von Epidemien schon Monate bevor sie entstehen. Diese Beispiele basieren jedoch alle auf Methoden und Systemen die vorab aufwendige auf exakt ihre Aufgabe vorbereitet wurden.
Mit Neural Product Planning werden solche Einflüsse genauso wie neue Trends, neue Bedarfe und Bedürfnisse und neue Marktchancen und Marktrisiken erkannt, ohne dass sie vorher auf ein bestimmtes Thema trainiert oder programmiert werden müssen.
Neural Product Planning analysiert darüber hinaus Beweggründe für Kundenverhalten in dem es z.B. automatisch nach Cluster-Aussagen für ein Laddering-Verfahren oder nach Antworten für Herzbergs Theorie sucht.
Wobei dies nur einfache Beispiele der Möglichkeiten von Neural Product Planning sind.
Wir arbeiten an Neural Product Planning und werden Unternehmen zukünftig dabei unterstützen bessere Vorhersagen zu treffen und ihre Produktplanung, ihr Procurement und ihr Forecasting zu optimieren.
Neural Product Planning liefert zusammen mit Cognitive BI wichtige Informationen, Einsichten und Kenntnisse und wird den Entscheidern, dem Marketing, der Produktplanung und den Data Scientists helfen, die richtigen Produkte zur richtigen Zeit, in der richtigen Variante, am richtigen Ort, dem richtigen Kunden liefern zu können. Darüber hinaus wird das System auf Risiken und Trends in der Supply Chain und auf eventuelle Auswirkungen auf das Procurement hinweisen und damit ein rechtzeitiges Agieren im gesamten Produktlebenszyklus ermöglichen.
Neural Product Planning interagiert immer mit den Mitarbeitern des Unternehmens und nimmt ihnen dabei lästige und immer wiederkehrende Arbeitsschritte und Analysen ab, damit sie sich auf das konzentrieren können, was sie am besten beherrschen - dem Wettbewerb voraus sein.
Sprechen Sie uns an. Oder senden Sie uns eine eMail an contact@MySecondWay.com