Zusammenfassung
Künstliche Intelligenz (KI) erweist sich als mächtige und reife Technologie. Es sind große Datenmengen mit unternehmensrelevantem Bezug verfügbar und diese vervielfachen sich permanent. Dabei handelt es sich sowohl um unternehmensinterne Daten, die bisher als „Datenschätze“ mit jahrelangen Erfahrungswerten bezeichnet wurden, als auch um strukturierte sowie unstrukturierte Daten, die außerhalb des Unternehmens im weltweiten Netz nutzbar sind. Da der Informationsvorsprung immer entscheidend für wirtschaftlichen Erfolg gewesen ist, werden diejenigen Unternehmen wettbewerbsstärker sein, die die relevanten Daten unmittelbar in die unternehmerischen Entscheidungsprozesse einfließen lassen. Die Möglichkeiten der Nutzung aktueller und spezifischer Daten bei Einkaufsverhandlungen, dem kurzfristigen Auffinden einer Alternative für einen ausgefallenen Lieferanten, dem Aufbau eines neuen Innovationslieferanten oder der Risikoüberwachung der Lieferantenkette steigen ebenfalls ständig an. Machbar wird dies durch den Einsatz einer lernfähigen KI, die Kunden-Lieferanten-Beziehungen und viele dazugehörige Datenquellen analysiert und durch Algorithmen für das jeweilige Unternehmen und den Einkäufer sowie Supply-Chain-Manager als valide Handlungsempfehlung aufbereitet. Im Folgenden werden theoretische Hintergründe zu KI und Deep-Learning-Algorithmen vermittelt und zugleich ihre Anwendung im Feld der Supply Chain an einem Praxisbeispiel illustriert.
This is a preview of subscription content, log in via an institution.
Buying options
Tax calculation will be finalised at checkout
Purchases are for personal use only
Learn about institutional subscriptionsLiteratur
Christopher, M. (2005). Logistics and supply chain management: Creating value-added networks. London: Pearson Education.
Cormen, T., et al. (2001). Introduction to algorithms. Cambridge: MIT Press.
IBM. (2017). What is big data? In https://www-01.ibm.com/software/data/bigdata/what-is-big-data.html. Zugegriffen: 2. Mai 2017.
Kruse, R., & Borchelt, C. (2015). Computational Intelligence: Eine methodische Einführung in Künstliche Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. New York: Springer.
Russel, S. J., & Norvig, P. (2009). Artificial intelligence. A modern approach (3. Aufl.). Upper Saddle River: Prentice Hall.
Scoutbee. (2017). Eigene Abbildungen. Erstellt 30.4.2017.
Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2004). Managing the supply chain: The definitive guide for the business professional. New York: McGraw Hill Companies.
WIINF-WIKI. (2017). Deep learning. http://winfwiki.wi-fom.de/index.php/%C3%9Cberblick_Ans%C3%A4tze_des_Deep_Learning#Deep_Learning. Zugegriffen: 2. Mai 2017.
Wikipedia. (2017). Neuronales Netz. https://de.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz#/media/File:ArtificialNeuronModel_deutsch.png. Zugegriffen: 2. Mai 2017.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2018 Springer Fachmedien Wiesbaden GmbH
About this chapter
Cite this chapter
Heinrich, C., Stühler, G. (2018). Die Digitale Wertschöpfungskette: Künstliche Intelligenz im Einkauf und Supply Chain Management. In: Gärtner, C., Heinrich, C. (eds) Fallstudien zur Digitalen Transformation. Springer Gabler, Wiesbaden. https://doi.org/10.1007/978-3-658-18745-3_4
Download citation
DOI: https://doi.org/10.1007/978-3-658-18745-3_4
Published:
Publisher Name: Springer Gabler, Wiesbaden
Print ISBN: 978-3-658-18744-6
Online ISBN: 978-3-658-18745-3
eBook Packages: Business and Economics (German Language)