Machine Learning in Supply Chain Management (Haque, 2025)

Machine Learning verändert die Supply Chain von der Beschaffung bis zur Auslieferung. Eine aktuelle Review-Studie wertet über 50 peer-reviewed Papers aus und identifiziert, wo ML den größten messbaren Impact erzielt. Und wo der Mittelstand anfängt, ohne eine eigene IT-Abteilung aufzubauen.

1. Der Kontext: Warum diese Forschung wichtig ist

Supply Chain Management umfasst Beschaffung, Produktion, Lagerung und Transport. Jeder dieser Schritte erzeugt Daten, die traditionell von erfahrenen Mitarbeitern interpretiert werden. Doch bei steigender Variantenvielfalt, volatilen Lieferzeiten und globalen Unsicherheiten reicht Erfahrung allein nicht mehr.

Syed Rashedul Haque von der Military Institute of Science and Technology veröffentlichte im Juni 2025 im International Journal of Scientific Research and Management eine umfassende Review-Studie, die über 50 peer-reviewed Papers zu Machine Learning in der Supply Chain auswertet. Der Fokus liegt auf sechs Kernbereichen: Beschaffung, Bedarfsprognose, Produktion, Bestandsmanagement, Lager und Transport. Für den Mittelstand ist besonders relevant, dass die Studie nicht nur theoretische Modelle beschreibt, sondern konkrete Performance-Verbesserungen quantifiziert.

2. Die Kernergebnisse

Supplier-Selection lässt sich mit 84 Prozent Genauigkeit automatisieren: Ein SVM-basiertes Modell zur Identifizierung geeigneter Lieferanten erreichte laut Mori et al. (2012) eine Accuracy von etwa 84 Prozent und übertraf damit manuelle Heuristiken deutlich. Für den Mittelstand bedeutet das: Die Auswahl neuer Lieferanten kann datengestützt erfolgen, statt ausschließlich auf persönliche Beziehungen zu vertrauen.

Hybride Modelle schlagen reine Machine-Learning-Ansätze: Die M4 Forecasting Competition (2018) zeigte, dass Modelle, die klassische Statistik mit neuronalen Netzen kombinieren, die höchste Vorhersagegenauigkeit erzielen. LSTM und RNN übertrifft traditionelle Methoden bei komplexen Zeitreihen mit saisonalen Mustern. Für KMU bedeutet das: Es muss nicht immer das teuerste Deep-Learning-Modell sein. Ein Ensemble aus einfachen und komplexen Methoden ist oft der effizienteste Weg.

Multi-Echelon-Bestandsmanagement reduziert Gesamtkosten: Gumus et al. (2010) demonstrierten, dass neuro-fuzzy-basierte Modelle in mehrstufigen Supply Chains bei stochastischer Nachfrage die Sicherheitsbestände besser bemessen als konventionelle EOQ-Modelle. Die Service-Level stiegen, die Gesamtkosten sanken. Das ist für KMU mit mehreren Lagerstufen relevant, etwa wenn ein Zentrallager mehrere Filialen versorgt.

Warehouse-Operations profitieren von Computer Vision: ML-gestützte Bilderkennung in Lagern erkennt beschädigte Produkte vor dem Versand und steuert autonome Roboter. Fallstudien zeigen eine Verdopplung der Auftragsbearbeitungskapazität bei minimalem Zuwachs an Personal. Für den Mittelstand ist der Einstieg oft über eine einzelne Anwendung möglich, etwa die automatische Qualitätskontrolle am Wareneingang.

Reinforcement Learning erschließt dynamische Kontrolle: RL-Agenten lernen durch Trial-and-Error in simulierten Umgebungen optimale Bestellpolitiken. Rolf et al. (2023) zeigen, dass diese Methoden besonders bei unregelmäßiger Nachfrage und kurzen Reaktionszeiten überlegen sind. Für KMU ist RL noch experimentell, aber die ersten Cloud-basierten Lösungen senken die Eintrittsbarriere.

3. Was die Forschung kritisch sieht

Auch die umfassendste Review nennt Grenzen. Drei Faktoren relativieren die Ergebnisse:

• Data Quality als zentraler Flaschenhals: Die meisten Studien setzen saubere, strukturierte Daten voraus. In der Praxis sind ERP-Daten oft unvollständig, doppelte Einträge häufig und historische Aufzeichnungen lückenhaft. Die Studie identifiziert Data Quality als größte Herausforderung für ML in der Supply Chain.
• Integration in bestehende Systeme: Viele Papers simulieren ideale Umgebungen. Die Integration in heterogene IT-Landschaften mit Alt-Systemen wird weniger behandelt. Für den Mittelstand ist das der kritischste Schritt, da viele Unternehmen nicht auf Greenfield-Systeme umsteigen können.
• Interpretierbarkeit der Modelle: Deep-Learning-Modelle liefern gute Vorhersagen, aber ihre Entscheidungslogik ist schwer nachvollziehbar. Einkäufer und Disponenten akzeptieren Empfehlungen nur, wenn sie verstehen, warum das Modell einen bestimmten Wert prognostiziert.

4. Was das für KMUs bedeutet

Für den Mittelstand lassen sich aus der Haque-Review drei konkrete Handlungsempfehlungen ableiten:

1. Beginnen Sie mit einem einzigen Prozessschritt. Die erfolgreichsten Studien fokussieren auf einen Bereich, etwa die Bedarfsprognose für die Top-20-Artikel oder die automatisierte Supplier-Risikobewertung. Breite Supply-Chain-Transformationen scheitern häufiger als gezielte Piloten. Eine Wissensbasis, die die Ergebnisse des Pilots dokumentiert, bildet die Grundlage für spätere Erweiterungen.

2. Nutzen Sie hybride Ansätze statt reiner KI. Die Forschung zeigt konsistent, dass Kombinationen aus klassischen statistischen Methoden und Machine Learning die besten Ergebnisse liefern. Für den Mittelstand bedeutet das: Investieren Sie nicht in das teuerste Deep-Learning-Modell, sondern in ein Ensemble, das Ihre Domänenexpertise mit Datenmustern verbindet. Eine Rules Engine sichert dabei, dass harte betriebliche Regeln nicht durch statistische Muster überschrieben werden.

3. Investieren Sie zuerst in Datenqualität, dann in Modelle. Kein Algorithmus kann fehlende oder inkonsistente Daten kompensieren. Die Studie empfiehlt: Bereinigen Sie Stammdaten, vereinheitlichen Sie Einheiten und dokumentieren Sie Ausreißer, bevor Sie ein ML-Modell trainieren. Die Muster-Erkennung in der Intelligenz-Schicht arbeitet nur so gut wie die Daten, die sie erhält. Über eine Middleware werden ERP-Systeme, Lagerdaten und Lieferanteninformationen zusammengeführt, ohne die bestehende IT zu ersetzen.

5. Quelle und Kontext

Original-Paper: Haque, S. R. (2025). Machine Learning Applications in End-To-End Supply Chain Management: A Comprehensive Review. International Journal of Scientific Research and Management, 13(06), 2226–2241. DOI: 10.18535/ijsrm/v13i06.ec03

Zusammenfassung erstellt von: NaveSight Research Team, Stefan Preusler.

Haftungsausschluss: Diese Zusammenfassung ist eine redaktionelle Aufbereitung und ersetzt nicht das Original-Paper. Für wissenschaftliche Zwecke zitieren Sie bitte die Originalquelle.

Verwandte Inhalte

• Predictive models for inventory optimization (Casa Cardão, 2026)
• KI im Einkauf und Beschaffung für den Mittelstand
• Lieferantenrisiko frühzeitig erkennen
• Predictive Analytics in KMU: Von der Theorie zur Praxis