01| Problemstellung

Kunden:innen erwarten heutzutage, dass ihre Bestellungen prompt und ohne Verzögerungen ankommen. Gleichzeitig bemühen sich Unternehmen, ihre Betriebskosten so gering wie möglich zu halten, während sie die Qualität ihrer Lieferungen auf einem hohen Niveau halten möchten. Trotz des Einsatzes von Technologie und fortschrittlichen Logistiksystemen bleiben Unterbrechungen im Lieferprozess, wie zum Beispiel unerwartete Verzögerungen, Beschädigungen der Ware oder Fehler in der Lieferkette, eine ständige Herausforderung. Insbesondere das manuelle Management dieser Fehler erweist sich für viele Unternehmen als schwierige Aufgabe, da es oft noch per Hand erledigt werden muss. Solche Störungen können zu beträchtlichen finanziellen Einbußen führen und die Zufriedenheit der Kunden:innen beeinträchtigen.

Das grundlegende Problem liegt darin, dass kein tiefgreifender Einblick in die Ursachen dieser Störungen möglich ist, um vorbeugende Maßnahmen zu ergreifen und ähnliche Zwischenfälle in der Zukunft zu verhindern. Es fehlen Echtzeit-Insights oder automatisierte Lösungsansätze und die Fähigkeit, Störungen im Lieferprozess schnell zu identifizieren, deren Ursachen zu analysieren und effektive Lösungsstrategien zu implementieren.

02| Konzept

02.1| Erster Entwurf & alter Usecase

Im ersten Durchlauf der Konzeption richtete sich das Tool an die Darstellung von Lagerbeständen innerhalb der verschiedenen Standorte des Unternehmens. Es folgte die erste Skizzierung des Interfaces, woraufhin verschiedene Wireframes (s. unteres Bilderkarousel) entworfen wurden. Diese wurden in Zusammenarbeit mit dem Kurs UX - a never ending story von der Gruppe von Ly, Aline und Stephanie evaluiert. Für die Evaluierung, klickten sich Nutzer:innen durch einen Prototypen durch und sprachen während dessen ihre Gedanken zum Gesehenen laut aus. Aus der Analyse und Auswertung der Nutzerinterviews ergaben sich viele Probleme mit der Handhabung des Interfaces z.B war die Suche sehr unklar, der allgemeine rote Faden fehlte für die Nutzer:innen und die Funktionen der interaktiven Karte waren unverständlich.

Durch die Evaluierung kristallisierte sich ebenfalls heraus, dass es bei dem erarbeiteten Use case an Sinnhaftigkeit mangelte, woraufhin ein neuer Use case ausgearbeitet wurde.

02.2| Neuer Usecase

Um auf eine Lösung zu kommen, wurde verschiedene Use Cases von Gobal Bike betrachtet. Wie viele andere Hersteller:innen auf dem Markt kauft Global-Bike verschiedene Fahrradbestandteile ein, lässt sich diese in ihre Hauptlager liefern und baut sie dann zusammen.

Zuerst muss jedoch ein Auftrag reinkommen. Dieser Auftrag enthält eine Mengenanfrage eines bestimmten Produktes inkl. des Budgets. Global Bike beschafft daraufhin die Materialien für das Produkt, stellt es her und liefert es an den Auftraggeber:innen aus.

Anhand des Use Cases kann man dann verschiedene Problemstellungen herausfinden, die es dem/der Bearbeiter:in erschwert den Auftrag zu erfüllen. In dem Fall wurde eine Naturkatastrophe gewählt, welche dazu führte, dass starke Lieferverzögerungen stattfinden und die Deadline des Auftrages überschritten wird.

03| Lösung

Das Analysetool verwendet KI-Technologien zur Identifikation, Dokumentation, Vorhersage und Behebung von Störungen im Lieferprozess. Die Idee dahinter ist, dass die Datenmengen verarbeitet und analysiert werden, um Erkenntnisse zu generieren, die zur Optimierung des Lieferprozesses beitragen. Die Nutzer:in erhält demnach eine Vielzahl von Informationen und kann daraufhin abwägen für was für Handlungen er/sie sich entscheidet.

03.1| Übersicht des Auftrages

Zu Beginn hat der/die Bearbeiter:in einen Überblick über alle Auftrage. Damit man einen genauere Blick auf die Aufträge mit Störungen hat, kann man diese filtern.
Nach einem Klick auf den ausgewählten Auftrag, wird man von der Auftragsliste zur Auftragsübersicht geleitet.

In der Übersicht kann man sich die Bestellübersicht anschauen und die dazugehörigen Komponenten.

In den Komponenten erhalten dann die Bestandteile eine rote Markierung, wo die Störung aufgetreten ist. In dem Fall handelt es sich um die Carbon-Bike-Rahmen. Per Klick öffnen sich dann weitere Informationen zu der Komponente wie z.B. Lagerstandorte, Bestand, Hinweise, und aktueller Lieferstatus

Der Lieferstatus zeigt dann direkt an, wann die Deadline ist und wie weit sich das Lieferdatum mit der aktuellen Störung verschiebt. Rechts in dem Hinweise-Fenster, kann man auch erkennen, welche Störung genau vorliegt.

Um nun eine Lösung zu finden, damit man doch noch die Deadline erreicht, kann man nun auf den Reiter Prädiktion klicken.

03.2 | Prognose

In der Prädiktion wird mittels Künstlicher Intelligenz eine Prognose anhand von bestehenden Daten vergangener Prozesse und aktuellen Lieferdaten erstellt, um mögliche Lösungen mit Kompromissen vorzuschlagen.

Die ausgewählte Aktion wird mittels Infografik visuell dargestellt und man erhält so einen zeitlichen Überblick der Auswirkung auf den Bestand im selektierten Lager.

Dies dient dazu der bearbeitenden Person zu helfen, schnell auf eine Störung zu reagieren.

03.3 | Handeln
Nachdem der/die Bearbeiter:in nun alle notwendigen Informationen gesammelt hat, kann man nochmal zu den Auftragsdaten wechseln, wo man nun weitere Informationen zur Verfügung hat, mit dem man schnell die Händler kontaktieren kann und somit auf die Störung reagieren kann.

In diesem Beispiel wird sich die Person dafür entscheiden die Carbon Bike Rahmen bei einem anderen Händler einzukaufen.

04| Demo (Screencast)

05| Figma Prototyp

Beim Testen des Prototypen, empfehlen wir sehr stark, den Vollbildmodus zu aktivieren, da er sonst nicht richtig dargestellt wird.

Vielen Dank an Oliver Opaterni, dem SAP-Team und Prof. Boris Müller für die Unterstützung sowie Aline Sawalsky, Stefanie Lüthen und Ly Hoang Thi für die Evaluation/ User Testing

Verwendete Schriftart: „72“ von SAP.

Aufbauend auf Google's open-source design system „Material Design 3“.