Wie Künstliche Intelligenz die Pharma-Supply-Chain verändert
Faller Packaging nutzt Künstliche Intelligenz (KI), um die Effizienz seiner Lieferkette zu steigern: Mithilfe eines datengetriebenen Systems auf Basis der Plattform Paretos erstellt der Verpackungshersteller verlässliche Vorhersagen, reduziert seine Lagerkosten und sichert die durchgängige Materialversorgung.
Eine KI-Anwendung auf Basis der Plattform Paretos optimiert die Supply-Chain von Faller Packaging, indem sie präzise Vorhersagen erlaubt.Fokus Schwarzwald
Anzeige
Eine verlässliche Supply-Chain erfordert möglichst präzise Prognosen. Faller Packaging, Spezialist für Faltschachteln, Packungsbeilagen, Haftetiketten und Kombiprodukte, hat bisher auf die Einschätzungen des Vertriebsteams und auf Kundenrückmeldungen gesetzt. Diese oft ungenauen Vorhersagen beeinträchtigten die Produktionsplanung und erschwerten die Einhaltung von Lieferzusagen. Um in Zukunft noch präziser, nachhaltiger und flexibler agieren zu können, hat das Unternehmen eine KI-gestützte Lösung auf Basis der Plattform Paretos implementiert.
Schlüssel zur Optimierung der Lieferkette
Anzeige
KI spielt im Supply-Chain-Management eine wichtige Rolle. Sie analysiert große Datenmengen und erkennt Muster, die Prognosen vereinfachen. Unternehmen sind so in der Lage, ihre Ressourcen effizienter zu planen und schneller auf Marktveränderungen zu reagieren.
Die Einführung des datengetriebenen Systems brachte schnelle Erfolge: einen Anstieg der Prognosegenauigkeit um 50 % und Vorhersagen bis zu 16 Monate im Voraus durch die rollierenden Forecasts. Damit verbessert das Unternehmen nicht nur die Liefertreue, sondern senkt auch Lagerkosten. Zudem ist der Verpackungsspezialist jetzt viel flexibler, was Veränderungen im Markt angeht, und kann auch die Ressourcenzuweisung optimieren. Besonders bemerkenswert war für die Verantwortlichen die schnelle Umsetzung – innerhalb von nur vier Monaten war das System implementiert. Dabei lag der Fokus auf Handeln und Ergebnissen, nicht auf dem schnellen Return on Investment.
Blick in die Zukunft
Anzeige
Dieser Fall zeigt, wie der gezielte Einsatz von KI im Supply-Chain-Management nicht nur die betriebliche Effizienz steigern, sondern auch die Kundenbeziehungen verbessern kann.
Nachdem der Testlauf mit einer Produktgruppe erfolgreich war, ist jetzt der nächste Schritt, die KI-Lösung weiter auszurollen. Die Erkenntnisse sollen nicht nur in die Produktionsplanung einfließen, sondern auch Beschaffungs- und andere logistische Prozesse verbessern. Ziel ist es, den Bestand bedarfsgerechter zu steuern, Überbestände zu reduzieren und damit mehr Nachhaltigkeit und Kosteneinsparungen zu erzielen. Für Faller Packaging ist dies der Beginn einer Optimierungsreise – die Supply-Chain-Experten wollen die Erkenntnisse auch auf weitere Bereiche anwenden.
Interview mit Gerardo Rendina, Vice President IT & Digitization, und Nils Höpker, Director Executive Projects bei Faller Packaging
Redaktion: Welche konkreten Datenquellen fließen in die KI-gestützten Forecasts ein? Konnten Sie hier auf bereits bestehende Quellen setzen oder haben Sie dafür mit Ihren Partnern neue Strukturen geschaffen?
Gerardo Rendina: Unser Modell basiert auf unserer etablierten Kunden- und Produktstruktur sowie den historischen Bestelldaten. Wir konnten auf vorhandene Daten aus unserem ERP-System zurückgreifen, mussten also das Rad nicht neu erfinden. Allerdings haben wir einen Prozess etabliert, um diese Rohdaten so aufzubereiten und zu harmonisieren, dass sie für die KI-Algorithmen optimal lesbar sind. Die Qualität der historischen Datenbasis ist der entscheidende Faktor.
Redaktion: Hilft Ihnen die KI auch bei kurzfristigen Änderungen, also beispielsweise bei Nachfrageverschiebungen durch Markteinführungen oder ganz kurzfristig bei Produktionsausfällen?
Nils Höpker: Nein, hier grenzen wir den Anwendungsbereich bewusst ab. Das Tool ist nicht für das operative Firefighting oder kurzfristige Dispositionsänderungen ausgelegt. Unser Fokus liegt auf der mittel- bis langfristigen Bedarfsprognose im Rahmen der strategischen Planung und des Sales & Operations Planning (S&OP). Es geht darum, Trends und saisonale Muster frühzeitig zu erkennen, um Kapazitäten vorausschauend zu planen, statt auf Tagesereignisse zu reagieren.
Redaktion: Gibt es konkrete Beispiele, wie sich die Zusammenarbeit zwischen Vertrieb, Produktionsplanung und Logistik durch die KI-gestützten Prognosen verändert hat?
Rendina: Die KI fungiert heute als objektive zweite Meinung neben dem klassischen Kundenforecast und dem Erfahrungswissen unserer Vertriebskollegen. Das liefert uns einen wertvollen zusätzlichen Datenpunkt und erhöht die Entscheidungssicherheit signifikant. Ein konkretes Beispiel ist die Saisonalität: Während Kundenprognosen oft linear über das Jahr verteilt sind, deckt die KI historische saisonale Muster einer Produktkategorie transparent auf. Da der Vertrieb diese Komplexität unmöglich für jeden Einzelartikel und Kunden manuell überblicken kann, hilft das Tool, solche Abweichungen zu erkennen und die Planung gemeinsam mit Logistik und Produktion noch realistischer zu gestalten.
Redaktion: Welche spezifischen Anforderungen der Pharmaindustrie – etwa Chargenlogik oder Validierungsprozesse – mussten bei der Einführung der KI besonders berücksichtigt werden?
Höpker: In diesem spezifischen Anwendungsfall gab es keine regulatorischen Hürden, da die KI als reines internes Planungstool für Bedarfsprognosen eingesetzt wird. Wir bewegen uns hier auf einer strategischen Planungsebene, die entkoppelt von den GMP-kritischen Validierungsprozessen der physischen Produktion oder der Chargenverfolgung ist. Daher lässt sich der Ansatz branchenübergreifend und ohne komplexe Re-Validierung der IT-Systeme nutzen.
Redaktion: Wie verändert sich durch datengetriebene Planung die Rolle klassischer Sicherheitsbestände in der Pharmalogistik?
Rendina: Generell gilt, je transparenter und präziser die Planung, desto geringer ist die Notwendigkeit, Unsicherheiten durch hohe Bestände abzupuffern. Eine verbesserte Vorhersagegenauigkeit erhöht unsere Reaktionsfähigkeit. Das ermöglicht uns, den gewohnt hohen Service-Level für unsere Kunden beizubehalten, während wir gleichzeitig die Sicherheitsbestände – sowohl bei Fertigware als auch im Rohmaterialeinkauf – optimieren und so nachhaltiger handeln und gebundenes Kapital reduzieren können.
Redaktion: Gibt es bestimmte Learnings aus dem Einführungsprozess, die Sie bei künftigen Projekten nun von Anfang an implementieren würden?
Höpker: Ein zentrales Learning ist der Umgang mit der Datenmenge und der Blackbox KI. Es kostet viel Zeit, die Daten zu validieren und die Logik hinter den Algorithmen wirklich zu durchdringen, um den Ergebnissen zu vertrauen. Für zukünftige Projekte würden wir daher von Beginn an einen noch stärkeren Fokus auf eine saubere Pilotphase legen: Man sollte mit wenigen, aber repräsentativen Pilotartikeln oder -kunden starten, die die wichtigsten Komplexitätsfälle abbilden. So lernt man das System schneller kennen, bevor man es auf das gesamte Portfolio ausrollt.
