Home Konzept einer selbststeuernden Inbound Supply Chain
Article
Licensed
Unlicensed Requires Authentication

Konzept einer selbststeuernden Inbound Supply Chain

  • Laura Grohs

    Laura Grohs, M. Sc., geb 1996, studierte Technische Informatik und Steuerung von Geschäftsprozessen an der Technischen Hochschule Mittelhessen. Von 2016 bis 2022 war sie bei der Firma Ferrero MSC & Co. KG in der IT für den Bereich Supply Chain tätig. Derzeit arbeitet sie als Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fördertechnik, Materialfluss und Logistik an der Technischen Universität München in Garching.

     EMAIL logo     and Johannes Fottner

    Prof. Dr.-Ing. Johannes Fottner ist seit 2016 Ordinarius des Lehrstuhls fml der Technischen Uni-versität München. Nach seiner Promotion im Maschinenwesen im Jahr 2002 arbeitete er bis 2008 in verschiedenen Managementfunktionen bei der Schweizer Swisslog Gruppe. 2008 übernahm er die Geschäftsführung der MIAS Group. Im Verein Deutscher Ingenieure (VDI) ist er seit 2015 Lan-desverbandsvorsitzender Bayern und stellvertretender Vorsitzender der Fachgesellschaft Produktion und Logistik. .
Published/Copyright: April 30, 2025
Become an author with De Gruyter Brill
Submit Manuscript Author Information
Zeitschrift für wirtschaftlichen Fabrikbetrieb
From the journal Zeitschrift für wirtschaftlichen Fabrikbetrieb Volume 120 Issue 4

Abstract

Die Automobilindustrie steht vor zunehmenden Herausforderungen in der Inbound Supply Chain, geprägt von globalen Lieferketten, steigender Komplexität und häufigen Störungen. Diese Arbeit stellt ein Konzept für eine selbststeuernde Inbound Supply Chain vor, das moderne Technologien wie Automatisierung, Maschinelles Lernen und Digitale Zwillinge nutzt. Ziel ist es, durch einen geschlossenen Regelkreis Echtzeitdaten zu verwenden, um Engpässe frühzeitig zu erkennen, proaktive Entscheidungen zu treffen und Systemparameter dynamisch anzupassen. Der Ansatz adressiert Schwächen bestehender Lösungen, wie z. B. die unzureichende Nutzung von Echtzeitdaten und fehlende Praxisvalidierung, und automatisiert operative sowie taktische Entscheidungen. Die Validierung erfolgt in realen Anwendungsszenarien, um die Praxistauglichkeit sicherzustellen und langfristig Effizienz sowie Stabilität der Materialversorgung in der Automobilindustrie sicherzustellen.

Abstract

The automotive industry faces increasing challenges in the Inbound Supply Chain, characterized by global supply networks, rising complexity, and frequent disruptions. This work presents a concept for a self-regulating Inbound Supply Chain that leverages modern technologies such as automation, machine learning, and digital twins. The aim is to utilize real-time data within a closed-loop system to identify bottlenecks early, make proactive decisions, and dynamically adjust system parameters. The approach addresses weaknesses in existing solutions, such as insufficient use of real-time data and lack of practical validation, while automating both operational and tactical decisions. Validation is carried out in industrial application scenarios to ensure practical feasibility and to improve the long-term efficiency and stability of material supply in the automotive industry.

Schlüsselwörter: Selbststeuernde Inbound Supply Chain; Automatisierung; Maschinelles Lernen; Digitaler Zwilling; Supply Chain Resilience
Keywords: Self-Controlled Inbound Supply Chain; Automation, Machine Learning; Digital Twin; Supply Chain Resilience

Hinweis

Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).

Tel.: +49 49 (89) 289-15928

Funding statement: Diese Forschung wurde teilweise von der MAN Truck & Bus SE und teilweise vom Lehrstuhl für Fördertechnik, Materialfluss, Logistik der Technischen Universität München finanziert. Für jegliche Unterstützung wird herzlich gedankt. Alle in diesem Beitrag geäußerten Meinungen, Ergebnisse, Schlussfolgerungen oder Empfehlungen sind die der Autoren und spiegeln nicht notwendigerweise die Ansichten der MAN Truck & Bus SE oder des Lehrstuhls wider.

About the authors

Laura Grohs

Laura Grohs, M. Sc., geb 1996, studierte Technische Informatik und Steuerung von Geschäftsprozessen an der Technischen Hochschule Mittelhessen. Von 2016 bis 2022 war sie bei der Firma Ferrero MSC & Co. KG in der IT für den Bereich Supply Chain tätig. Derzeit arbeitet sie als Wissenschaftliche Mitarbeiterin am Lehrstuhl für Fördertechnik, Materialfluss und Logistik an der Technischen Universität München in Garching.

Prof. Dr.-Ing. Johannes Fottner

Prof. Dr.-Ing. Johannes Fottner ist seit 2016 Ordinarius des Lehrstuhls fml der Technischen Uni-versität München. Nach seiner Promotion im Maschinenwesen im Jahr 2002 arbeitete er bis 2008 in verschiedenen Managementfunktionen bei der Schweizer Swisslog Gruppe. 2008 übernahm er die Geschäftsführung der MIAS Group. Im Verein Deutscher Ingenieure (VDI) ist er seit 2015 Lan-desverbandsvorsitzender Bayern und stellvertretender Vorsitzender der Fachgesellschaft Produktion und Logistik. .

Literatur

1 Bayerische Motoren Werke (BMW): BMW Group Bericht 2022, München, 2023. Online unter https://www.bmwgroup.com/de/bericht/2022/downloads/BMW-Group-Bericht-2022-de.pdf [Abruf am 25.11.2023]Search in Google Scholar

2 Mercedes-Benz Group: Geschäftsbericht 2022, Stuttgart, 2023. Online unter https://group.mercedes-benz.com/dokumente/investoren/berichte/geschaeftsberichte/mercedes-benz/mercedes-benzgeschaeftsbericht-2022-inklzusammenge-fasster-lagebericht-mbg-ag.pdf [Abruf am 25.11.2023]Search in Google Scholar

3 Volkswagen (Hrsg.): Geschäftsbericht 2022, Wolfsburg, 2023. Online unter https://geschaeftsbericht2022.volkswagenag.com/_assets/downloads/entire-vw-gb22.pdf [Abruf am 25.11.2023]Search in Google Scholar

4 Kleindorfer, P. R.; Saad, G. H.: Managing Disruption Risks in Supply Chains. Production and Operations Management 14 (2005) 1, S. 53–68 DOI:10.1111/j.1937-5956.2005.tb00009.x10.1111/j.1937-5956.2005.tb00009.xSearch in Google Scholar

5 Business Continuity Institute (BCI): BCI Supply Chain Resilience Report 2023. (2023). Online unter https://www.thebci.org/news/bci-launches-supply-chainresilience-report-2023.html [Abruf am 25.11.2023]Search in Google Scholar

6 Wehberg, G. G.: Logistik 4.0 – Die sechs Säulen der Logistik in der Zukunft. In: Göpfert, I. (Hrsg.): Logistik der Zukunft – Logistics for the Future. Springer Fachmedien Wiesbaden, Wiesbaden 2019, S. 367–395 DOI:10.1007/978-3-658-23805-6_1510.1007/978-3-658-23805-6_15Search in Google Scholar

7 Biedermann, L.; Kotzab, H.: Supply Chain Risk Management und Supply Chain Resilienz. WiSt - Wirtschaftswissenschaftliches Studium 50 (2021) 4, S. 4–12 DOI:10.15358/0340-1650-2021-4-410.15358/0340-1650-2021-4-4Search in Google Scholar

8 von Jung, K. P. : Logistik der Zukunft: Echter Wertbeitrag für das Unternehmen. In: Göpfert, I. (Hrsg.): Logistik der Zukunft – Logistics for the Future. Springer Fachmedien Wiesbaden, Wiesbaden 2016, S. 401–416 DOI:10.1007/978-3-658-12256-0_1610.1007/978-3-658-12256-0_16Search in Google Scholar

9 Singh, A.; Wiktorsson, M.; Hauge, J. B.: Trends in Machine Learning to Solve Problems in Logistics. Procedia CIRP 103 (2021) 1, S. 67–72 DOI:10.1016/j.procir.2021.10.01010.1016/j.procir.2021.10.010Search in Google Scholar

10 Straßer, T.; Axmann, B.: Analyse und Bewertung von KI-Anwendungen in der Logistik. Logistics Journal: nicht referierte Veröffentlichungen, 2021 DOI:10.2195/lj_NotRev_strasser_de_202108_0110.2195/lj_NotRev_strasser_de_202108_01Search in Google Scholar

11 Woschank, M.; Rauch, E.; Zsifkovits, H.: A Review of Further Directions for Artificial Intelligence, Machine Learning, and Deep Learning in Smart Logistics. Sustainability 12 (2020) 9, 3760 DOI:10.3390/su1209376010.3390/su12093760Search in Google Scholar

12 Kohl, M.: Kompetenzmanagement für Logistikmitarbeitende in der Industrie 4.0. Universitätsbibliothek der TU München, München 2024Search in Google Scholar

13 Kolmykova, A.: KI in der Logistik – Multiagentenbasierte Planung und Steuerung in der Transportlogistik. In: Buchkremer, R.; Heupel, T.; Koch, O. (Hrsg.): Künstliche Intelligenz in Wirtschaft & Gesellschaft (FOM-Edition). Springer Fachmedien Wiesbaden, Wiesbaden 2020, S. 299–310 DOI:10.1007/978-3-658-29550-9_1610.1007/978-3-658-29550-9_16Search in Google Scholar

14 Calabrò, G.; Torrisi, V.; Inturri, G.; Ignaccolo, M.: Improving Inbound Logistic Planning for Large-Scale Real-World Routing Problems: A Novel Antcolony Simulation-based Optimization. European Transport Research Review 12 (2020) 1 DOI:10.1186/s12544-020-00422-w10.1186/s12544-020-00422-wSearch in Google Scholar

15 Ivanov, D.; Dolgui, A.: A Digital Supply Chain Twin for Managing the Disruption Risks and Resilience in the Era of Industry 4.0. Production Planning & Control, 2020, S. 775–788 DOI:10.1080/09537287.2020.176845010.1080/09537287.2020.1768450Search in Google Scholar

16 Hasi, A.; Goudz, A.: Künstliche Intelligenz zur Minderung des Bullwhip-Effekts in der Beschaffung – am Beispiel der Corona-Krise. Universität Duisburg-Essen, 2021. Online unter https://duepublico2.uni-due.de/servlets/MCRFileNodeServlet/duepublico_derivate_00073709/Hasi_Goudz_Kuenstliche_Intelligenz.pdf [Abruf am 17.08.2023]Search in Google Scholar

17 Nikolopoulos, K.; Punia, S.; Schäfers, A.; Tsinopoulos, C.; Vasilakis, C.: Forecasting and Planning during a Pandemic: COVID-19 Growth Rates, Supply Chain Disruptions, and Governmental Decisions. European Journal of Operational Research 290 (2020) 1, S. 99–115 DOI:10.1016/j.ejor.2020.08.00110.1016/j.ejor.2020.08.001Search in Google Scholar PubMed PubMed Central

18 Akhtar, P.; Ghouri, A. M.; Khan, H. U. R.; Amin Ul Haq, M.; Awan, U.; Zahoor, N.; Khan, Z.; Ashraf, A.: Detecting Fake News and Disinformation Using Artificial Intelligence and Machine Learning to Avoid Supply Chain Disruptions. Annals of Operations Research 327 (2022) 2, S. 633–657 DOI:10.1007/s10479-022-05015-510.1007/s10479-022-05015-5Search in Google Scholar PubMed PubMed Central

19 Menden, C.; Mehringer, J.; Martin, A.; Amberg, M.: Vorhersage von Ersatzteilbedarfen mit Hilfe von Clusteringverfahren. HMD Praxis der Wirtschaftsinformatik, Oktober 2019 S. 1000–1016 DOI:10.1365/s40702-019-00532-710.1365/s40702-019-00532-7Search in Google Scholar

20 Seifermann, S.; Murti, I. H.; Oberle, J.: Tracking and Tracing in Manufacturing Supply Chains Using Blockchain Technology. Procedia CIRP 115 (2022), S. 172–177 DOI:10.1016/j.procir.2022.10.06910.1016/j.procir.2022.10.069Search in Google Scholar

21 Yeboah-Ofori, A.; Mouratidis, H.; Ismai, U.; Islam, S.; Papastergiou, S.: Cyber Supply Chain Threat Analysis and Prediction Using Machine Learning and Ontology. In: Maglogiannis, I.; Macintyre, J.; Iliadis, L. (Hrsg.): IFIP Advances in Information and Communication Technology, Artificial Intelligence Applications and Innovations. Springer International Publishing, Cham 2021, S. 518–530 DOI:10.1007/978-3-030-79150-6_4110.1007/978-3-030-79150-6_41Search in Google Scholar

22 Camur, M. C.; Ravi, S. K., and Saleh, S.: Enhancing Supply Chain Resilience: A Machine Learning Approach for Predicting Product Availability Dates under Disruption. Expert Systems with Applications 247 (2024) 2, 123226 DOI:10.1016/j.eswa.2024.12322610.1016/j.eswa.2024.123226Search in Google Scholar

23 Biazon de Oliveira, M.; Zucchi, G.; Lippi, M.; Cordeiro, D.; Da Rosa Silva, N.; Iori, M.: Lead Time Forecasting with Machine Learning Techniques for a Pharmaceutical Supply Chain. 23rd International Conference on Enterprise Information Systems ICEIS 2021: SCITE-PRESS – Science and Technology Publications Lda, Setúbal, Portugal 2021 DOI:10.5220/001043440634064110.5220/0010434406340641Search in Google Scholar

24 Achouch, M.; Dimitrova, M.; Ziane, K.; Sattarpanah Karganroudi, S.; Dhouib, R.; Ibrahim, H.; Adda, M.: On Predictive Maintenance in Industry 4.0: Overview, Models, and Challenges. Applied Sciences 12 (2022) 16, 8081 DOI:10.3390/app1216808110.3390/app12168081Search in Google Scholar

25 Daily, J.; Peterson, J.: Predictive Maintenance: How Big Data Analysis Can Improve Maintenance. In: Richter, K.; Walther, J. (Hrsg.): Supply Chain Integration Challenges in Commercial Aerospace. Springer International Publishing, Cham 2017, S. 267–278 DOI:10.1007/978-3-319-46155-7_1810.1007/978-3-319-46155-7_18Search in Google Scholar

26 Werner, H.: Supply Chain Controlling. Springer Fachmedien Wiesbaden, Wiesbaden 2022 DOI:10.1007/978-3-658-35727-6_1410.1007/978-3-658-35727-6_14Search in Google Scholar

27 Schumacher, J.; Beetz, M.: Ein agentenbasiertes Verfahren zur effizienten Beantwortung von Lieferterminanfragen in einer Supply Chain. In:Verteilte Informationssysteme auf der Grundlage von Objekten, Komponenten und Agenten (vertIS 2001). Universität Bamberg, 4.-5. Oktober 2001Search in Google Scholar

28 Knoll, D.; Prüglmeier, M.; Reinhart, G.: Predicting Future Inbound Logistics Processes Using Machine Learning. Procedia CIRP 52 (2016) 5, S. 145–150 DOI:10.1016/j.procir.2016.07.07810.1016/j.procir.2016.07.078Search in Google Scholar

29 Meyer, A.; Sejdovic, S.; Glock, K.; Bender, M.; Kleiner, N.; Riemer, D.: A Disruption Management System for Automotive Inbound Networks: Concepts and Challenges. EURO Journal on Transportation and Logistics 7 (2017) 5, S. 25–56 DOI:10.1007/s13676-017-0108-510.1007/s13676-017-0108-5Search in Google Scholar

30 Poschmann, P.; Weinke, M.; Straube, F.: Predicting Estimated Arrival Times in Logistics Using Machine Learning. In: Wang, J. (Hrsg.): Encyclopedia of Data Science and Machine Learning. IGI Global, 2022, S. 2683–2701 DOI:10.4018/978-1-7998-9220-5.ch16010.4018/978-1-7998-9220-5.ch160Search in Google Scholar

31 Falsafi, M.; Marchiori, I.; Fornasiero, R.: Managing Disruptions in Inbound Logistics of the Automotive Sector. IFAC-PapersOnLine 51 (2018) 11, S. 376–381 DOI:10.1016/j.ifacol.2018.08.32210.1016/j.ifacol.2018.08.322Search in Google Scholar

32 Kuhnle, A.: Adaptive Order Dispatching Based on Reinforcement Learning: Application in a Complex Job Shop in the Semiconductor Industry. Dissertation, Institut für Produktionstechnik, Karlsruher Institut für Technologie, Karlsruhe 2020Search in Google Scholar

33 Pagani, P.; Pfann, F.: Deep Neural Networks for the Scheduling of Resource-Constrained Activity Sequences: A Preliminary Investigation. Logistics Journal: Proceedings (2020) 16 DOI:10.2195/lj_Proc_pagani_en_202012_0110.2195/lj_Proc_pagani_en_202012_01Search in Google Scholar

34 Kegenbekov, Z.; Jackson, I.: Adaptive Supply Chain: Demand–Supply Synchronization Using Deep Reinforcement Learning. Algorithms 14 (2021) 8, 240 DOI:10.3390/a1408024010.3390/a14080240Search in Google Scholar

35 Muchna, C.; Brandenburg, H.; Fottner, J.; Gutermuth, J.; Brandenburger, H.: Grundlagen der Logistik: Begriffe, Strukturen und Prozesse. Springer-Gabler-Verlag, Wiesbaden 2018 DOI:10.1007/978-3-658-18593-010.1007/978-3-658-18593-0Search in Google Scholar

36 Chapman, P.; Clinton, J.; Kerber, R.; Khabaza, T.; Reinartz, T.; Shearer, C.; Wirth, R.: CRISP-DM 1.0: Step-by-Step Data Mining guide. NCR Systems Engineering Copenhagen; DaimlerChrysler AG; SPSS Inc.; OHRA Verzekeringen en Bank Groep B.V, 2000. Online unter https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf [Abruf am 10.11.2024]Search in Google Scholar
Published Online: 2025-04-30
Published in Print: 2025-04-20

© 2025 Walter de Gruyter GmbH, Berlin/Boston, Germany

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Höchste Qualität und maximale Effizienz Hand in Hand
  4. Produktivität
  5. Das Organisationsrätsel – mit System zum Erfolg
  6. Entwicklungsprozesse
  7. Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
  8. Supply Chain
  9. Konzept einer selbststeuernden Inbound Supply Chain
  10. Prozessoptimierung
  11. Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
  12. Das digitale Coil
  13. Prozesssicherheit
  14. Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
  15. Additive Fertigung
  16. Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
  17. Resiliente Fabrik
  18. Planung resilienter Fabriken
  19. Unternehmensexzellenz
  20. Wie entsteht „Flow“ in einem Unternehmen?
  21. Wertstrommethode
  22. Vom linearen zum zirkulären Werteverständnis
  23. Künstliche Intelligenz
  24. Hochqualitative industrielle KI für die Impfstoffproduktion
  25. KIKKI – KI-Unterstützung für Verpackungsprozesse
  26. Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
  27. Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
  28. Digitalisierung
  29. Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
  30. Large Language Models
  31. LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
  32. Vorschau
  33. Vorschau
https://doi.org/10.1515/zwf-2025-1037
Keywords for this article
Self-Controlled Inbound Supply Chain; Automation, Machine Learning; Digital Twin; Supply Chain Resilience

Articles in the same Issue

  1. Inhalt
  2. Editorial
  3. Höchste Qualität und maximale Effizienz Hand in Hand
  4. Produktivität
  5. Das Organisationsrätsel – mit System zum Erfolg
  6. Entwicklungsprozesse
  7. Integriertes Labornetzwerk zur Weiterentwicklung der Fügetechnik
  8. Supply Chain
  9. Konzept einer selbststeuernden Inbound Supply Chain
  10. Prozessoptimierung
  11. Vorgehensweise zur Bestimmung eines optimalen C-Teile-Managements
  12. Das digitale Coil
  13. Prozesssicherheit
  14. Einfluss der Werkstücksteifigkeit auf den Zerspanungsprozess
  15. Additive Fertigung
  16. Verzugsminimierung bei der Zerspanung von AM-Halbzeugen
  17. Resiliente Fabrik
  18. Planung resilienter Fabriken
  19. Unternehmensexzellenz
  20. Wie entsteht „Flow“ in einem Unternehmen?
  21. Wertstrommethode
  22. Vom linearen zum zirkulären Werteverständnis
  23. Künstliche Intelligenz
  24. Hochqualitative industrielle KI für die Impfstoffproduktion
  25. KIKKI – KI-Unterstützung für Verpackungsprozesse
  26. Künstliche Intelligenz in Arbeitsprozessen – der Mensch im Fokus
  27. Potenziale für die Anwendung Künstlicher Intelligenz in der schiffbaulichen Fertigung
  28. Digitalisierung
  29. Hemmnisse und Herausforderungen für KMU im Zuge der digitalen Transformation
  30. Large Language Models
  31. LLM4SPS – Evaluierung von Large Language Models für die Generierung von SPS-Code
  32. Vorschau
  33. Vorschau
Sign up now to receive a 20% welcome discount
Institutional Access
How does access work?
Have an idea on how to improve our website?
Please write us.
© 2025 De Gruyter Brill
Downloaded on 2.12.2025 from https://www.degruyterbrill.com/document/doi/10.1515/zwf-2025-1037/pdf
Scroll to top button