Stanley Black & Decker zeigt, wie Lean AI die Arbeit hinter seiner Lieferkette verändert

Hallo Ben, danke, dass Sie heute dabei sind, um kurz über die Beziehung zwischen Stanley Black & Decker und Robinson Managed Solutions zu sprechen. Wenn wir etwa sechs Jahre zurückgehen, bis Ende 2020, Anfang 2021. Wenn wir auf die ursprüngliche Entscheidung zurückblicken, eine Partnerschaft mit RMS einzugehen: Welche geschäftlichen Herausforderungen oder Chancen haben Sie dazu bewogen, zu überdenken, wie Ihre Logistikorganisation arbeitet?

Nun, Brian, früher betrieb Black & Decker ein dezentrales Netzwerk, dessen Aktivitäten auf Standortebene gesteuert wurden. SBD traf die strategische Entscheidung, zu einem stärker zentralisierten Modell mit einem unterstützenden Control Tower überzugehen, der bei der Verwaltung des Netzwerks hilft. Ziel war es, die Einhaltung unserer Routing-Vorgaben schnell zu verbessern, Möglichkeiten zur Konsolidierung auszubauen und unsere Fähigkeiten zu verbessern, damit wir einige Kosten und Verschwendung aus unserer Lieferkette beseitigen konnten.

Welche Herausforderungen haben unvollständige oder inkonsistente Auftragsdaten in der Vergangenheit für Sie und das SBD-Team verursacht? Mit Stanley Black & Decker haben wir über 40.000 einzigartige SKUs, daher ist es wirklich unglaublich schwierig, die Stammdaten sauber und aktuell zu halten, insbesondere über all die verschiedenen Produktlinien, Lieferanten und Standorte hinweg.

Traditionell haben wir jeden Monat etwa 2.000 manuelle Aufträge gesehen, bei denen Stammdaten fehlten oder unvollständig waren, wenn sie in Navisphere eingingen. Diese Aufträge konnten traditionell erst weiterbearbeitet werden, wenn jemand aus dem Team ins System ging und die Aufträge korrigierte. Und das führte in der Regel zu einer deutlich längeren Durchlaufzeit für diese Aufträge.

Einige der Unstimmigkeiten bei den Aufträgen waren beabsichtigt. Wir hatten einige Probleme mit der Rundung von Gewichten und anderen spezifischen Kriterien. Und viele der anderen Probleme konnten einfach nicht proaktiv vorgelagert erkannt werden, bevor eine Bestellung aufgegeben wurde.

Lassen Sie uns nun darüber sprechen, wo wir heute stehen. Wie springt der Lean AI Planner ein und hilft dabei, diese Aufträge zu korrigieren, anstatt dass diese Arbeit von einem der Teammitglieder erledigt werden muss?

Für uns war der Lean AI Planner eine echte Hilfe. Er nutzt sein kontextbezogenes Lernen sowie unsere Geschäftsregeln, Produktattribute, das historische Versandverhalten, Lieferantenanforderungen und alle möglichen weiteren Informationen, um festzustellen, was fehlt, und nimmt anschließend die Korrektur vor.

Wir haben nach wie vor Teammitglieder, die die Korrekturen überwachen, aber Lean AI Planner hat alle Aufträge, die früher im Status „Zurückgestellt“ endeten, sofort in Echtzeit und autonom korrigieren können.

Dadurch verkürzt sich die Durchlaufzeit auf weniger als eine Minute pro Auftrag. Fast 90 % dessen, was traditionell im Status „Zurückgestellt“ landete, wurde proaktiv durch Lean AI Planner korrigiert. Im Grunde sparte uns dieser Prozess monatlich über 35 Stunden nicht wertschöpfender Arbeit unserer Ladungsplaner. Wir bewegen uns auf eine Lieferkette zu, die Probleme beheben kann, bevor sie nachgelagerte Störungen und Verzögerungen verursachen. Und wir vermeiden dabei eine Menge Verschwendung.

Wenn wir an eine traditionelle, historische Bewertung der Lieferkette denken, könnte diese Wochen dauern, Monate dauern, nur teilweise erfolgen oder möglicherweise nicht Ihr gesamtes Netzwerk umfassen. Können Sie kurz darauf eingehen, wie dieser Prozess für Stanley Black & Decker vor der Einführung des Lean AI Engineer aussah?

Bevor es Lean AI Engineer gab, hatten wir erfahrene Ingenieure, die sich unserem Kundenkonto widmeten. Sie überprüften große Teile des Sendungsvolumens, um Bereiche mit Verbesserungspotenzial und Optimierungsmöglichkeiten zu finden. Dieser Prozess war ad hoc. Wenn wir also Potenzial sahen, holten wir die Daten und führten die Analyse durch. Aufgrund des hohen Aufwands, den dies erforderte, konnte dies jedoch nur in regelmäßigen Abständen erledigt werden.

Mit Lean AI Engineer wird das Problem gelöst, das darin besteht, Daten manuell abrufen und überprüfen zu müssen. Denn wir können kontinuierlich alle Daten von allen Standorten betrachten. Dabei betrachten wir dieselben Möglichkeiten, die die Ingenieure früher manuell untersucht haben, können dies jetzt aber in Echtzeit tun. Dadurch können sich unsere Ingenieure wirklich darauf konzentrieren, das Ergebnis zu bewerten, anstatt es zu erstellen.

Also sprechen wir davon, von Wochen, vielleicht Monaten auf Minuten zu kommen und uns dann darauf zu konzentrieren, diese Chancen und die damit verbundenen Kostensenkungen oder Kosteneinsparungen tatsächlich umzusetzen. Ja. Das ermöglicht uns auch, mehr Informationen und mehr Chancen zu betrachten, weil das System sie in Echtzeit betrachten kann und wir einfach darauf reagieren.

Können Sie der Gruppe vielleicht mitteilen, was ein Beispiel für eine Erkenntnis oder Gelegenheit ist, die Sie bei Lean AI Engineer speziell im Hinblick auf das Geschäft von Stanley festgestellt haben? Bisher hat Lean AI mehrere neue Möglichkeiten für SBD identifiziert. Eine der anderen großen Leistungen besteht darin, dass Lean AI bestätigt hat, dass die früheren manuellen Studien gültig waren.

Ein Beispiel für den neuen Lean AI Engineer: Wir haben eine bestimmte Art von Aggregationsmöglichkeit, die wir bei einer Gelegenheit eines Kunden identifiziert hatten, manuell umgesetzt. Sie konnten die Daten jedoch auf alle unsere Kunden anwenden, ohne separate Analysen durchführen oder separate Daten abrufen zu müssen. Wir können diese Informationen nutzen, um Geschäftsentscheidungen in Echtzeit besser zu unterstützen, und das hat wirklich zu erheblichen Einsparungen geführt und Verschwendung beseitigt.

Welchen Rat würden Sie anderen Führungskräften in der Lieferkette geben, die sich mit KI beschäftigen, aber nicht wirklich wissen, wo sie anfangen sollen? Für uns ist ein innovativer Partner wie RMS der entscheidende Faktor. Ich würde empfehlen, mit RMS zusammenzuarbeiten, um einen konkreten Anwendungsfall im eigenen Unternehmen zu finden, der dazu beiträgt, Mehrwert zu schaffen.

Wenn sie das lösen, sollten sie zuerst mit kleinen Dingen anfangen, iterieren, schnell vorgehen und damit rechnen, dass nicht alles perfekt sein wird. Dann erhalten sie ein messbares Ergebnis. Sobald Sie dieses erste Ergebnis haben, können Sie diese greifbaren Ergebnisse mit der Organisation und den Stakeholdern teilen, um nicht nur über KI zu sprechen, sondern den Mehrwert, den sie Ihrem Unternehmen bringt, tatsächlich zu zeigen.

Ben, vielen Dank, dass Sie dabei waren. Solche Gespräche schätze ich immer. Ich freue mich darauf, einige der Arbeiten zu teilen, an denen wir gemeinsam gearbeitet haben, und besonders auf das, was in Zukunft noch kommt. Vielen Dank.

Vielen Dank, Brian, sehr gern.