Schlagen Ihre Lieferkettenrisikomanagement-Strategien auf Sie zurück?

Neun von zehn Unternehmen haben in den Jahren nach COVID Risikomanagement-Strategien etabliert. Diese Maßnahmen umfassen laut einer McKinsey-Umfrage aus 2022 Aktivitäten wie die Einführung von Dashboards für End-to-End-Transparenz (67 %), Szenarienplanung (37 %) und die systematische Erfassung relevanter Daten (53 %). 

Auch wenn diese Ansätze eine positive Wirkung zeigen – Unternehmen berichten, dass sie 1,5- bis 2-mal seltener von Beeinträchtigungen der Lieferkette betroffen sind – stellen sie keinen so wirkungsvollen Problemlöser dar, wie viele Verantwortliche für Lieferketten gehofft hatten. 

Führungskräfte im Lieferkettenmanagement fühlen sich weiterhin nicht ausreichend vorbereitet, um aktuelle und zukünftige Störungen zu bewältigen. Von ständig wachsenden Sanktionslisten bis hin zu neuen Umweltvorschriften, die ein bisher nie dagewesenes Maß an Transparenz in der eigenen Lieferkette verlangen, ergeben sich laufend neue Herausforderungen, die Entscheidungsträger zunehmend beschäftigen – mit der Frage, welches Risiko als Nächstes auftritt. 

Um diesen Herausforderungen zu begegnen, setzen immer mehr Unternehmen auf Strategien, die als Markenzeichen proaktiver Risikominderung gelten. Dazu gehören:

1. Stärkere Zusammenarbeit mit Lieferanten (61 %)

2. Investitionen in die digitale Transformation (42 %)

3. Optimierung des Demand Managements (37 %)

Diese Herangehensweisen sind ein Schritt in die richtige Richtung, bleiben jedoch bei der Bewältigung aktueller Risiken weiterhin wirkungslos – hauptsächlich aufgrund der heutigen Art der Umsetzung. Warum? Weil diesen Strategien zwei entscheidende Elemente fehlen: Skalierbarkeit und Nachhaltigkeit.

Lieferantenkooperation: Ein manueller Prozess mit deutlichen Grenzen

Lieferantenauswertungen sind nach wie vor das gängigste Mittel, um entscheidende Informationen zur eigenen Lieferkette zu sammeln. Diese in der Regel jährlich oder halbjährlich durchgeführten Umfragen geben zwar Einblicke in regulatorische Compliance, Risikomanagement und Gesamtperformance der Lieferanten. Als manueller Prozess ist die Zusammenarbeit über Lieferantenauswertungen jedoch mit erheblichen Einschränkungen verbunden, insbesondere, wenn es um Skalierbarkeit und Nachhaltigkeit geht.

Lieferantenbefragungen liefern nur statische Momentaufnahmen

Der manuelle Charakter von Umfragen führt zwangsläufig zur Erhebung statischer Daten. Die über Fragebögen und gezielte Nachfragen gewonnenen Informationen bilden jeweils nur eine temporär gültige Momentaufnahme zum Erhebungszeitpunkt ab. Wird beispielsweise ein Lieferant im März befragt und im Juni auf eine Sanktionsliste gesetzt, bleibt dies unter Umständen bis zur nächsten Runde – oft bis zu einem Jahr später – unentdeckt. Dadurch entsteht eine eklatante Transparenzlücke, die Unternehmen den Risiken mangelnder Konformität, Haftungsfragen oder anderen Störungen aussetzt, die zwischen den Umfragezyklen auftreten können.

Darüber hinaus sind Lieferantenauswertungen schlichtweg nicht skalierbar in dem Umfang, den kommende ESG-Vorschriften (Environmental, Social, Governance) erfordern werden. Neue Direktiven machen detaillierte Einblicke in Lieferantenpraktiken und -ethik notwendig. Die Zahl der Umfragen an Tier-1-Lieferanten und deren Sub-Tier-Transparenz wird drastisch wachsen. Selbst Unternehmen, die Qualität, Umfang und Tiefe ihrer Befragungen weiter erhöhen, stoßen oft auf eine geringe Rücklaufquote und abnehmende Wirksamkeit ihrer Maßnahmen.

Lieferanten leiden häufig unter Befragungsmüdigkeit

Die Belastung durch Umfragen („Survey Fatigue“) nimmt zu. Eine Voice of the Supplier-Befragung aus 2024 ergab, dass 61 % der Hersteller der Ansicht sind, dass ihr „wichtigster Kunde ihnen zu viele Anfragen nach Informationen stellt“. Zudem gaben 60 % an, ihr wichtigster Kunde erwarte zu viel Verwaltungsaufwand von ihnen.

Lieferanten, die mehrere Kunden bedienen und von jedem umfassende Compliance-Auskünfte einholen müssen, sind schnell überlastet. Dies führt häufig zu unvollständigen oder hastigen Antworten, gerade von mittleren Zulieferern, die kleinere Auftraggeber nicht priorisieren. Selbst bei vorhandener Rückmeldung leidet oft die Qualität und Tiefe der Daten. Das verringert die Effektivität der Kooperationsbemühungen weiter.

Lieferanten teilen nicht immer Ihre Prioritäten

Eine allzu bekannte Erkenntnis im Lieferkettenmanagement: Was für den Endhersteller optimal ist, ist für dessen Zulieferer nicht zwangsläufig von Vorteil – vor allem bei der Umsetzung von ESG- und CSR-Vorgaben (Corporate Social Responsibility). Lieferanten verfolgen nicht immer dieselben Prioritäten oder ethischen Maßstäbe wie die Hersteller, an die sie Bauteile, Subsysteme oder andere Produkte liefern. In der Absicht, sich möglichst positiv darzustellen, Kundenbeziehungen zu sichern und regulatorische Probleme zu vermeiden, werden Compliance-Informationen unter Umständen selektiv gemeldet, kritische Angaben verschwiegen oder falsch dargestellt. Unternehmen investieren und agieren so auf Basis einer Version der Wahrheit, die die Realität womöglich gar nicht vollständig abbildet.

Digitale Technologie: Einführung ohne klare Strategie

Die digitale Transformation bringt zahlreiche Software-Lösungen auf den Markt, um Unternehmen bei der Steuerung verschiedenster Themen zu unterstützen – von CO₂-Emissionen bis hin zu Lieferkettenrisiken. Zwar ist die Einführung digitaler Tools ein zwingender Schritt in Richtung Modernisierung. Dennoch sind viele Unternehmen ohne übergreifenden Fahrplan auf digitale Lösungen umgestiegen. 

Einzellösungen führen zur Datensilosierung

Die meisten am Markt verfügbaren digitalen Lösungen sind „Point Solutions“, die sehr spezifische Probleme adressieren, etwa ESG-Bewertungen oder Überwachung der finanziellen Stabilität von Lieferanten. Im Bestreben, einzelne Herausforderungen gezielt zu lösen, wurde häufig ohne Plan für die technologische Vernetzung investiert. Das Resultat: eine immer komplexere IT-Landschaft mit Datensilos, durch die sich Mitarbeitende mühsam hindurcharbeiten. Laut BetterCloud kommen heute im Schnitt 112 SaaS-Anwendungen pro Unternehmen zum Einsatz, wobei Beschäftigte über 35 geschäftskritische Anwendungen hinweg mehr als 1.100-mal täglich wechseln. 

Digitale Tools helfen zwar, Einzelprobleme zu lösen – doch sie erzeugen zugleich ein systemisches Risiko: Datenfragmentierung. Datenfragmentierung beschreibt die Situation, dass Informationen ungeordnet, unverbunden und über zahlreiche Datenbanken verstreut sind. Fachkräfte in fragmentierten Datenlandschaften gelingt es kaum mehr, ein ganzheitliches Bild über die komplette Lieferkette abzuleiten.

Fehlende Datenintegration verhindert den Gesamtüberblick

Dieses fehlende Daten-Ökosystem ist einer der größten Schwachpunkte vieler digitaler Transformationsprojekte: mangelnde Transparenz. Wer über mangelnde Transparenz in Lieferketten klagt, meint meist einen Mangel an Daten – ein wiederkehrendes Thema. Doch es gibt eine neue Art von Blindheit, die so sehr der technologischen Vielfalt wie der zunehmenden Komplexität der Wertschöpfungsketten geschuldet ist. Nicht vernetzte Datensätze, die sich nicht zu einem konsistenten Gesamtbild verbinden lassen, berauben Unternehmen des großen Überblicks, den die bereits vorhandenen Daten eigentlich ermöglichen könnten.

Datensilos sind kein neues Problem. Unternehmen kämpfen seit Jahrzehnten dagegen an. Die planlose Einführung zahlreicher, nicht miteinander vernetzter Technologieplattformen, ohne Berücksichtigung der Folgen für die Gesamttransparenz und abteilungsübergreifende Zusammenarbeit, führt jedoch zu neuen Risiken. In diesem fragmentierten, abgekoppelten Datenökosystem bleiben zentrale Schwachstellen oft unerkannt – ob bei Lieferanten oder in den eigenen Abläufen. 

Zur Datenaggregation greifen Mitarbeitende oft zu Schatten-IT

Wegen fehlender Integrationen zwischen Systemen greifen viele Beschäftigte auf Schatten-IT-Lösungen zurück – unerlaubte Tools oder manuelle Notlösungen wie Google Sheets oder Low-Code-Lösungen – um Daten aus verschiedenen Quellen zusammenzuführen. Diese Umgehungslösungen bergen jedoch erhebliche Risiken hinsichtlich Datenqualität und IT-Sicherheit. Bis zu 32 % der von Unternehmen genutzten SaaS-Lösungen sind nicht von der IT genehmigt und gefährden so die Datensicherheit erheblich.

Auch treten bei solchen Systemen gehäuft Fehler auf. Eine wissenschaftliche Studie von 2024 zeigte, dass 94 % der im Geschäftsalltag genutzten Tabellenkalkulationen kritische Fehler enthalten – mit erheblichen Risiken für betriebliche und finanzielle Verluste. Diese Ad-hoc-Datenbanken entstehen oft durch manuelles Kopieren, es fehlen standardisierte Verfahren zur Überprüfung, und sie sammeln Daten, die selten ordnungsgemäß validiert wurden. 

Mit dem zunehmenden Volumen gesammelter Daten für das Risikomanagement sowie die damit verbundenen Analysen droht ein SCRM-Prozess (Supply Chain Risk Management), der von riesigen, inakkuraten Datenmengen überfrachtet ist. 

Demand-Management und das Datenproblem

Demand Management ist unverzichtbar, um Ressourcen optimal einzusetzen und Angebot sowie Nachfrage zu synchronisieren. Doch ein zentrales Problem bleibt: die Qualität der zugrundeliegenden Daten. Demand Management erfordert präzise, saubere Daten, um Bedarfe korrekt vorherzusagen und zu planen. Bei mangelhafter, veralteter oder fragmentierter Datenbasis scheitern selbst die besten Demand-Management-Strategien an verzerrten Ergebnissen.

Schlechte Daten unterwandern Ihre Datenbanken

Der Erfolg des Demand Managements steht und fällt mit der Datenintegrität, die in Planung und Prognosen einfließt. Sind die Daten aus Vertrieb, Marketing, von Lieferanten oder aus historischen Quellen unzuverlässig oder widersprüchlich, ist der gesamte Prozess gefährdet. Nach Gartner verursachen schlechte Datenqualität Unternehmen „mindestens 12,9 Millionen US-Dollar jährlich an Kosten“.

Eine Analyse von Z2Data zu Stücklisten (BOMs, Bill of Materials) unterstreicht diese Problematik: So wurden allein für Produkte von Texas Instruments über 500 verschiedene Schreibweisen im System verwendet – mit unnötiger Komplexität für die Lieferantensteuerung. Solche Unordnung kann Lieferengpässe auslösen, die zu Umsatzverlusten führen – oder auf der anderen Seite zu Überbeständen, die Lagerkosten erhöhen und Ausschuss verursachen.

Keine systematische Verifizierung für Lieferantendaten

Viele Unternehmen verlassen sich bei der Bedarfsplanung stark auf Lieferantendaten – oft ohne solide Prozesse für die Datenvalidierung. Sind Informationen zu Lieferzeiten oder vorhandenen Lagerbeständen fehlerhaft oder nicht unabhängig überprüft, drohen massive Störungen.

Tatsächlich ergab eine Analyse von Z2Data, dass von den 473.190 im Jahr 2023 obsolet gewordenen Bauteilen rund 142.000 – also beeindruckende 30 % – ohne zugehörige Product Change Notification (PCN) vom Hersteller abgekündigt wurden. 

Wer auf ungeprüfte oder lückenhafte Lieferantendaten setzt, läuft Gefahr, von plötzlichen Engpässen oder Verzögerungen überrascht zu werden – Situationen, die durch besseres Demand Management verhindert werden könnten. Ohne exakte, verifizierte Daten sind Unternehmen zu reaktivem Krisenmanagement gezwungen und müssen auf Basis unvollständiger oder irreführender Informationen kurzfristige Entscheidungen treffen. Mit weiter steigenden regulatorischen Anforderungen und Datenmengen werden die Herausforderungen rund um Datenqualität und -validierung weiter zunehmen und bestehende Probleme verstärken.

Dynamisches Lieferkettenrisikomanagement als Zukunftsweg

Trotz erheblicher Fortschritte im proaktiven Risikomanagement stoßen die aktuellen Ansätze angesichts komplexer Lieferkettenstrukturen an ihre Grenzen. Manuelle Prozesse wie Lieferantenauswertungen, fragmentierte digitale Ökosysteme und ungeprüfte Daten führen zu Lücken bei Transparenz und Skalierbarkeit – und setzen Unternehmen verstärkt Risiken hinsichtlich Compliance und Störungen aus. 

Diese Grenzen unterstreichen den Bedarf nach Lösungen, die nicht nur zukunftsorientiert sind, sondern auch die vernetzten, dynamischen Herausforderungen moderner Lieferketten adressieren. Ohne konsequent skalierbare Lösungen und Echtzeit-Datenintegration werden auch ambitionierte Risikomanagement-Initiativen die Erwartungen verfehlen.