Open Access

This study investigates the impact of Large Language Model (LLM) parameters, specifically temperature and top P, on Supply Chain Risk Detection (SCRD). With a heightened focus on Supply Chain Risk Management (SCRM) using AI, the research employs a Design of Experiments (DoE) approach. The results reveal optimal temperature values for valid assessments in SCRD applications. The study emphasizes the importance of tailored LLM parameter settings, contributing insights for future research and practical applications in enhancing supply chain resilience. Suggestions for incorporating Response Surface Methodology (RSM) and refining the process are proposed for further investigation.

In-depth analysis of customer journeys to broaden the understanding of customer behaviors and expectations in order to improve the customer experience is considered highly relevant in modern business practices. Recent studies predominantly focus on retrospective analysis of customer data, whereas more forward-directed concepts, namely predictions, are rarely addressed. Additionally, the integration of robotic process automation (RPA) to potentially increase the efficiency of customer journey analysis is not discussed in the current field of research. To fill this research gap, this paper introduces “customer journey mining”. Process mining techniques are applied to leverage digital customer data for accurate prediction of customer movements through individual journeys, creating valuable insights for improving the customer experience. Striving for improved efficiency, the potential interplay of RPA and customer journey mining is examined accordingly. The research methodology followed is based on a design science research process. An initially defined customer journey mining artifact is operationalized through an illustrative case study. This operationalization is achieved by analyzing a log file of an online travel agency functioning as an orientation for researchers and practitioners while also evaluating the initially defined framework. The data is used to train seven distinct prediction models to forecast the touchpoint a customer is most likely to visit next. Gradient-boosted trees yield the highest prediction accuracy with 43.1%. The findings further indicate technical suitability for RPA implementation, while financial viability is unlikely.

Die vorliegende Regionalanalyse beleuchtet die wirtschaftliche Resilienz und die Lieferkettenverflechtungen des Kreises Steinfurt. Das Hauptziel ist, Transparenz über die wirtschaftlichen Gegebenheiten des Kreises zu schaffen und potenzielle Risiken und Handlungsfelder für Unternehmen und öffentliche Einrichtungen zu identifizieren. Die Analyse gliedert sich in vier Teile: Standortprofil, Wirtschaftslandschaft, Lieferkettenverflechtungen sowie Risiken und wirtschaftliche Resilienz. Methodisch kombiniert die Studie quantitative und qualitative Ansätze. Das Standortprofil umfasst die geografische und demografische Charakterisierung sowie die infrastrukturellen Rahmenbedingungen des Kreises. Die Analyse der Wirtschaftslandschaft basiert auf der Auswertung von Unternehmensdatenbanken, Branchenberichten und diversen weiteren Quellen, um wirtschaftliche Schwerpunkte und Wertschöpfungsketten zu erfassen. Zur Analyse der Lieferkettenverflechtungen wurde im Rahmen dieser Studie ein neues Lieferketten-Mapping-Konzept mit regionalem Fokus entwickelt, welches die Identifizierung zentraler logistischer Knotenpunkte, die Analyse der Akteure der Logistikwirtschaft und die Untersuchung der Güterströme in Abhängigkeit der Verkehrsträger umfasst. Die Einordnung der wirtschaftlichen Resilienz und der Risiken basiert auf der Analyse branchenspezifischer Risiken, verkehrsträger- und infrastrukturspezifischer Risiken sowie makroökonomischer und geopolitischer Risiken. Die Ergebnisse zeigen, dass der Kreis Steinfurt eine heterogene Wirtschaftsstruktur mit diversifizierten Wertschöpfungsketten aufweist. Die Wertschöpfungsketten im Kreis Steinfurt sind breit gefächert und zugleich eng miteinander verflochten. Die Studie identifiziert 20 Kernbranchenklassen mit besonders hoher wirtschaftlicher Bedeutung, die in komplexe Wertschöpfungsnetzwerke eingebunden sind. Der Straßengüterverkehr dominiert mit über 97% aller versendeten und über 94% aller empfangenen Güter, während der Schienengüterverkehr rückläufig ist. Die Binnenschifffahrt spielt eine wichtige Rolle für den Transport von Schüttgütern. Der Flughafen Münster/Osnabrück (FMO) ermöglicht internationale Luftfrachttransporte, schwerpunktmäßig im Zusammenhang mit den USA sowie diverse asiatische Länder. Die Risikoanalyse verdeutlicht ferner, dass Importketten im verarbeitenden Gewerbe einem erhöhten Risiko ausgesetzt sind. Externe Einflussfaktoren wie der Weltmarktpreis für Rohöl, das gesellschaftliche Umweltbewusstsein und das allgemeine Konsumklima beeinflussen die untersuchten Branchen maßgeblich. Die Studie kommt zu dem Schluss, dass der Kreis Steinfurt insgesamt vor dem Hintergrund der Determinanten „Ökonomische Komplexität“ und „Lieferkettenvulnerabilität“ über diverse resilienzfördernde wirtschaftliche Strukturen verfügt. Die Diversifizierung der Wirtschaftsstruktur und der produzierten Güter, die enge Vernetzung mit den benachbarten Regionen und die Präsenz wichtiger logistischer Knotenpunkte sowie Infrastruktur tragen zur Stabilität der regionalen Wirtschaft bei. Die Analyse der Risiken bietet wertvolle Erkenntnisse für die Entwicklung von Strategien zur Stärkung der Resilienz, sowohl auf Unternehmensebene als auch auf Ebene der regionalen Wirtschaftsförderung und -entwicklung.