Developing spatial knowledge graphs for enhanced visualization and analysis of supply chains:
A geoinformatics approach towards sustainability and resilience
Abbau von Datensilos
Einsatz von Knowledge Graphen und Graphentechnologie, um Abhängigkeiten in Lieferketten und Umweltrisiken umfassend abzubilden und einen ganzheitlichen Ansatz zur Vermeidung von Datensilos zu verfolgen. So kann ein Gesamtbild der Risiken und der Transparenz in der Lieferkette erhalten, analysiert und kommuniziert werden.
Proaktiver Dialog mit Unternehmen
Für meine Arbeit bin ich sehr froh, dass deuter sich bereit erklärt hat mit mir zusammenzuarbeiten, um einen realistischen Einblick in die reale Welt der Lieferketten, der unternehmerischen Sorgfaltspflichten zu bekommen. Außerdem Zusammenarbeit mit dem WWF zu Georisiken in Lieferketten.
Kampf im Dickicht der Lieferkettendaten
Welche Lieferkettendaten gibt es derzeit, insbesondere auf räumlicher Ebene? Einbeziehung von externen und internen Unternehmensdaten für ein umfassendes Risikomanagement auf allen Ebenen der Lieferkette. Wie können geopolitische, klimatische und soziale Risiken mit einbezogen werden.
Risikomanagement meiner Masterarbeit
Koordinierung der Kommunikation mit allen Partnern, Ausarbeitung der Herausforderungen und Anforderungen des Projekts. Umsetzung der technischen Lösung, Entwicklung von Datenmodellen und praktischen Anwendungen für die Projektpartner. Verstehen der aktuellen Lieferkettengesetze und natürlich das Verfassen der Forschungsarbeit.
Abstract
Die komplexen globalen Lieferketten stehen zunehmend vor Herausforderungen durch geopolitische Instabilität, Protektionismus, Klimawandel und sich entwickelnde regulatorische Anforderungen wie das deutsche Gesetz über die Sorgfaltspflicht in der Lieferkette (LkSG) und die europäische Richtlinie über die Sorgfaltspflicht von Unternehmen im Bereich der Nachhaltigkeit (CSDDD). In dieser Studie werden räumliche Wissensgraphen (Spatial Knowledge Graphs, SKGs) als neuartiger Ansatz zur Bewältigung dieser Herausforderungen vorgestellt, indem Lieferketten-, Umwelt- und Risikodaten für eine verbesserte Analyse und Visualisierung integriert werden, um eine fundierte Entscheidungsfindung zu erleichtern.
Die Arbeit basiert auf einer Fallstudie eines großen deutschen Rucksackherstellers. Die Lieferkettendaten des Unternehmens werden mit ökologischen und geopolitischen Risikoindikatoren verknüpft, um eine detaillierte Analyse der kritischen Lieferkettendynamik zu ermöglichen. Entitäten wie Fabriken, Materialien und Lieferanten werden in einer graphenbasierten Struktur modelliert, die ihre Beziehungen über mehrere Ebenen der Lieferkette hinweg erfasst. Dieser strukturierte Ansatz ermöglicht eine umfassende Analyse von Abhängigkeiten, Schwachstellen und Risiken innerhalb des Liefernetzwerks. Zu den wichtigsten Analysemethoden gehören Zentralitäts- und Clustermetriken, die die Identifizierung kritischer Knoten und Cluster ermöglichen, sowie die dynamische Risikoüberwachung zur Bewertung der Auswirkungen externer Störungen, wie z. B. extremer Wetterereignisse, auf die Widerstandsfähigkeit der Lieferkette. By integrating data on environmental and social aspects, the framework further supports the tracking of compliance with international sustainability regulations.
Results highlight the ability of SKGs to improve transparency and traceability while supporting agile risk management strategies. Visualizations and analytics reveal critical nodes and material dependencies across all supply chain stages, thereby offering the basis for analysing the state of resilience and to derive a risk mitigation strategies. Combined with regional data on the environmental and social performance, these insights empower companies to adapt their sourcing strategies and enhance supply chain sustainability.
By providing a holistic view of supply chain dynamics and fostering proactive risk mitigation, this work demonstrates the transformative potential of Spatial Knowledge Graphs in building resilient and sustainable supply chains, equipping companies with tools to navigate increasingly uncertain global markets.
Warum mache ich das?
Als selbsternannter Datenfreak liebe ich es, mich kreativ und logisch mit Daten und ihren Strukturen auseinanderzusetzen. Derzeit besteht ein dringender Bedarf an Lösungen zur Verbesserung der Transparenz in der Lieferkette, ein Thema, das stark an Aufmerksamkeit und Dringlichkeit gewonnen hat. Graphen, insbesondere räumliche Wissensgraphen, entwickeln sich zu einem wichtigen Trend in der Datenwissenschaft, da sie in der Lage sind, komplexe Beziehungen aufzuzeigen, die über bloße Koordinaten hinausgehen.
Ich bin sehr daran interessiert, die praktischen Anwendungen und das Potenzial dieser Graphen zu erforschen, insbesondere im Bereich der Geodaten, wo Beziehungen zwischen Geophänomenen wertvolle Einblicke bieten. Darüber hinaus weckt der historische Kontext des globalen Handels in Augsburg am Beispiel der Familien Fugger und Welser mein Interesse, ebenso wie die Frage, wie wir heute auf globaler Ebene verantwortungsvoller handeln können. Durch den Einsatz fortschrittlicher Geoinformatik möchte ich einen Beitrag zur laufenden Diskussion über die Nachhaltigkeit und Widerstandsfähigkeit von Lieferketten leisten.
Aber ich versuche, mich kurz zu fassen:
Wachsende Bedeutung der Lieferkettentransparenz: Mit der zunehmenden globalen Betonung nachhaltiger Praktiken ist die Transparenz in den Lieferketten unerlässlich geworden. Für Unternehmen, die internationale Nachhaltigkeitsstandards einhalten und die Erwartungen der Öffentlichkeit erfüllen wollen, ist es von entscheidender Bedeutung, die ökologischen und sozialen Risiken in Liefernetzwerken zu verstehen und zu mindern.
Einzigartiger Wert der Geoinformatik in der Risikoanalyse: Die Integration von Geodaten in die Risikoanalyse war in großen kommerziellen Anwendungen bisher begrenzt, obwohl die Nachfrage nach räumlich angereicherten Daten, insbesondere im Zusammenhang mit Klima- und Naturkatastrophenrisiken, steigt. Dieser Geoinformatik-Ansatz, der räumliche Wissensgraphen verwendet, schließt diese Lücke und ermöglicht präzise, datengestützte Bewertungen, die Informationen über die Lieferkette mit geografischer Anfälligkeit kombinieren und ein proaktives Instrument für das Risikomanagement bieten.
Aufschwung von Wissensgraphen und Graphdatenbanken in den letzten Jahren: Wissensgraphen und Graphdatenbanken haben ein erhebliches Wachstum erfahren und das Datenmanagement durch die Abbildung komplexer, miteinander verbundener Beziehungen verändert. Dank der jüngsten Fortschritte dieser Technologie eignet sie sich besonders gut für die Erfassung und Analyse der komplexen Abhängigkeiten von Lieferketten und bietet neue Möglichkeiten für mehr Transparenz und Widerstandsfähigkeit.
Forschungsfragen
-
Wie können räumliche Lieferkettengraphen modelliert werden, um verschiedene Risiken simultan zu identifizieren und zu analysieren?
-
Wie lassen sich Echtzeitdaten in die Analyse von Lieferkettenrisiken integrieren, um eine dynamische Risikobewertung zu ermöglichen?
-
Welche neuen Erkenntnisse ergeben sich aus der Untersuchung räumlicher Beziehungen im Lieferkettennetzwerk über den Standort hinaus?
-
Wie können Lieferkettengraphen mit geopolitischen und klimabezogenen Risiken verbunden werden, um regionale Risikocluster zu identifizieren?
-
Welche methodischen Ansätze sind geeignet, um räumliche Abhängigkeiten in Lieferketten zu analysieren und ihre Resilienz gegenüber geopolitischen und klimabedingten Risiken zu bewerten?
Forschungsfragen
-
Wie können räumliche Lieferkettengraphen modelliert werden, um verschiedene Risiken simultan zu identifizieren und zu analysieren?
-
Wie lassen sich Echtzeitdaten in die Analyse von Lieferkettenrisiken integrieren, um eine dynamische Risikobewertung zu ermöglichen?
-
Welche neuen Erkenntnisse ergeben sich aus der Untersuchung räumlicher Beziehungen im Lieferkettennetzwerk über den Standort hinaus?
-
Wie können Lieferkettengraphen mit geopolitischen und klimabezogenen Risiken verbunden werden, um regionale Risikocluster zu identifizieren?
-
Welche methodischen Ansätze sind geeignet, um räumliche Abhängigkeiten in Lieferketten zu analysieren und ihre Resilienz gegenüber geopolitischen und klimabedingten Risiken zu bewerten?
Daten
-
deuters Lieferanten- und Materialliste
-
Allgemeine Risikoindikatoren zu Biodiversitäts- und Wasserrisiken WWF Risk Filter Suite
-
Informationen des deutschen Auswärtigen Amtes
-
Geodaten zu möglichen Naturkatastrophen -> Live-Feeds zu Hurrikanen, Erdbeben, Überschwemmungen
-
Anti Shippig Attacks
-
Informationen aus Nachhaltigkeitsberichten -> deuters interne Risikobewertung
-
Schlagzeilen aus den Nachrichten -> Newscatcher API zur Suche nach Schlagzeilen in der Landessprache, um Nachrichten und Ereignisse herauszufiltern, die uns hier in Europa nicht erreichen würden
-
Standortüberprüfung -> leider funktioniert die Geokodierung hier nicht, daher wurden Open Supply Hub, Google Maps und IPE verwendet, um die tatsächlichen Koordinaten einer Fabrik zu überprüfen

-
deuters Lieferanten- und Materialliste
-
Allgemeine Risikoindikatoren zu Biodiversitäts- und Wasserrisiken WWF Risk Filter Suite
-
Informationen des deutschen Auswärtigen Amtes
-
Geodaten zu möglichen Naturkatastrophen -> Live-Feeds zu Hurrikanen, Erdbeben, Überschwemmungen
-
Anti Shippig Attacks
-
Informationen aus Nachhaltigkeitsberichten -> deuters interne Risikobewertung
-
Schlagzeilen aus den Nachrichten -> Newscatcher API zur Suche nach Schlagzeilen in der Landessprache, um Nachrichten und Ereignisse herauszufiltern, die uns hier in Europa nicht erreichen würden
-
Standortüberprüfung -> leider funktioniert die Geokodierung hier nicht, daher wurden Open Supply Hub, Google Maps und IPE verwendet, um die tatsächlichen Koordinaten einer Fabrik zu überprüfen

Daten
-
deuters Lieferanten- und Materialliste
-
Allgemeine Risikoindikatoren zu Biodiversitäts- und Wasserrisiken WWF Risk Filter Suite
-
Informationen des deutschen Auswärtigen Amtes
-
Geodaten zu möglichen Naturkatastrophen -> Live-Feeds zu Hurrikanen, Erdbeben, Überschwemmungen
-
Anti Shippig Attacks
-
Informationen aus Nachhaltigkeitsberichten -> deuters interne Risikobewertung
-
Schlagzeilen aus den Nachrichten -> Newscatcher API zur Suche nach Schlagzeilen in der Landessprache, um Nachrichten und Ereignisse herauszufiltern, die uns hier in Europa nicht erreichen würden
-
Standortüberprüfung -> leider funktioniert die Geokodierung hier nicht, daher wurden Open Supply Hub, Google Maps und IPE verwendet, um die tatsächlichen Koordinaten einer Fabrik zu überprüfen
Wie schaut der Graph aktuell aus?
Die Konstruktion des Knowledge Graph begann bei den Materialien, indem Beziehungen hergestellt wurden, um festzustellen, welche Lieferanten welche Materialien kaufen und welche anderen Fabriken an der Herstellung dieser Materialien beteiligt sind. Jede Fabrik und jeder Lieferant ist geografisch mit einem bestimmten Land, einer Provinz und einer nahe gelegenen Wasserlandschaft verknüpft. Diese Gebiete werden auf Geo-Risiken in Bezug auf Wasser und biologische Vielfalt untersucht. Das Diagramm enthält Informationen von Tier-1-Lieferanten, die deren Standorte und Einkaufsbeziehungen aufzeigen.
Sowohl für Tier-1- als auch für Tier-2-Lieferanten führt deuter Risikobewertungen auf Länderebene durch, die in dem Graph integriert und mit Quelleninformationen verknüpft sind. Artikel aus diesen Quellenbewertungen sind ebenfalls enthalten und ermöglichen eine Stichwortsuche innerhalb der Grafik, um Verbindungen und detaillierte Informationen innerhalb der Artikel zu entdecken. Die Grafik veranschaulicht, wie Materialien zur Herstellung von Produkten verwendet werden, die jeweils unterschiedliche Risiken aufweisen, die sich auf vulnerable Gruppen und verschiedene Produktionsstufen auswirken.


Wie baut man jetzt einen Knowledge Graphen aus echten Lieferkettendaten?
Ich erhielt von deuter ausführliche Informationen über ihre Risikobewertungsprozesse, wie sie Informationen über ihre Lieferanten sammeln und wie sie die Risiken für Länder, Produkte und Einrichtungen bewerten. Diese Einblicke waren für mich unglaublich spannend. Außerdem erhielt ich Daten über die Materialien, die in den Produkten von Deuter verwendet werden, über die Produktionsstandorte und weitere Informationen aus den Produktionsstätten. Meine Aufgabe bestand darin, diese Daten zu verstehen und daraus Datenstrukturen und Datensätze zu basteln, vor allem weil sie viele Textblöcke enthielten. Ich musste Beziehungen innerhalb der Daten erkennen und einen Weg finden, sie effektiv zu modellieren.
Zur Anreicherung der Lieferkettendaten habe ich Risikoinformationen aus der WWF Risk Filter Suite, Reisewarnungen des Auswärtigen Amtes, Geodaten über potenzielle Naturkatastrophen, Daten über geopolitische Ereignisse und Angriffe auf den Schiffsverkehr einbezogen. Außerdem wollte ich versuchen, die Nachhaltigkeitsberichte von der deuter Website mit dem Graph Builder von Neo4j zu modellieren, um zusätzliche Informationen zu erhalten und um zu sehen, ob dies auch eine Möglichkeit ist, die Nachhaltigkeitsberichte sehr schnell als Graphen zu modellieren. Zusätzlich habe ich Schlagzeilen aus den Nachrichten einbezogen, um aktuelle Informationen über soziale Risiken zu erhalten. Da es hierfür keine bestehenden Datensätze gab, habe ich Natural Language Processing (NLP) eingesetzt, um Nachrichten als riskant oder nicht riskant zu kategorisieren. Dank der heutigen Technologie kann ich Nachrichten in verschiedenen Sprachen verarbeiten und so Schlagzeilen und Ereignisse erfassen, die uns in Europa möglicherweise nicht erreichen.
Untersuchung der Risiken und ihrer Auswirkungen auf das Lieferkettennetz
Untersuchung der Widerstandsfähigkeit des Netzes anhand Zentralität und Cluster im Graphen
Ausgabe der Kenntnisse des Graphen für die Berichterstattung
Wie baut man jetzt einen Knowledge Graphen aus echten Lieferkettendaten?
Ich erhielt von deuter ausführliche Informationen über ihre Risikobewertungsprozesse, wie sie Informationen über ihre Lieferanten sammeln und wie sie die Risiken für Länder, Produkte und Einrichtungen bewerten. Diese Einblicke waren für mich unglaublich spannend. Außerdem erhielt ich Daten über die Materialien, die in den Produkten von Deuter verwendet werden, über die Produktionsstandorte und weitere Informationen aus den Produktionsstätten. Meine Aufgabe bestand darin, diese Daten zu verstehen und daraus Datenstrukturen und Datensätze zu basteln, vor allem weil sie viele Textblöcke enthielten. Ich musste Beziehungen innerhalb der Daten erkennen und einen Weg finden, sie effektiv zu modellieren.
Zur Anreicherung der Lieferkettendaten habe ich Risikoinformationen aus der WWF Risk Filter Suite, Reisewarnungen des Auswärtigen Amtes, Geodaten über potenzielle Naturkatastrophen, Daten über geopolitische Ereignisse und Angriffe auf den Schiffsverkehr einbezogen. Außerdem wollte ich versuchen, die Nachhaltigkeitsberichte von der deuter Website mit dem Graph Builder von Neo4j zu modellieren, um zusätzliche Informationen zu erhalten und um zu sehen, ob dies auch eine Möglichkeit ist, die Nachhaltigkeitsberichte sehr schnell als Graphen zu modellieren. Zusätzlich habe ich Schlagzeilen aus den Nachrichten einbezogen, um aktuelle Informationen über soziale Risiken zu erhalten. Da es hierfür keine bestehenden Datensätze gab, habe ich Natural Language Processing (NLP) eingesetzt, um Nachrichten als riskant oder nicht riskant zu kategorisieren. Dank der heutigen Technologie kann ich Nachrichten in verschiedenen Sprachen verarbeiten und so Schlagzeilen und Ereignisse erfassen, die uns in Europa möglicherweise nicht erreichen.

Ich erhielt von deuter ausführliche Informationen über ihre Risikobewertungsprozesse, wie sie Informationen über ihre Lieferanten sammeln und wie sie die Risiken für Länder, Produkte und Einrichtungen bewerten. Diese Einblicke waren für mich unglaublich spannend. Außerdem erhielt ich Daten über die Materialien, die in den Produkten von Deuter verwendet werden, über die Produktionsstandorte und weitere Informationen aus den Produktionsstätten. Meine Aufgabe bestand darin, diese Daten zu verstehen und daraus Datenstrukturen und Datensätze zu basteln, vor allem weil sie viele Textblöcke enthielten. Ich musste Beziehungen innerhalb der Daten erkennen und einen Weg finden, sie effektiv zu modellieren.
Zur Anreicherung der Lieferkettendaten habe ich Risikoinformationen aus der WWF Risk Filter Suite, Reisewarnungen des Auswärtigen Amtes, Geodaten über potenzielle Naturkatastrophen, Daten über geopolitische Ereignisse und Angriffe auf den Schiffsverkehr einbezogen. Außerdem wollte ich versuchen, die Nachhaltigkeitsberichte von der deuter Website mit dem Graph Builder von Neo4j zu modellieren, um zusätzliche Informationen zu erhalten und um zu sehen, ob dies auch eine Möglichkeit ist, die Nachhaltigkeitsberichte sehr schnell als Graphen zu modellieren. Zusätzlich habe ich Schlagzeilen aus den Nachrichten einbezogen, um aktuelle Informationen über soziale Risiken zu erhalten. Da es hierfür keine bestehenden Datensätze gab, habe ich Natural Language Processing (NLP) eingesetzt, um Nachrichten als riskant oder nicht riskant zu kategorisieren. Dank der heutigen Technologie kann ich Nachrichten in verschiedenen Sprachen verarbeiten und so Schlagzeilen und Ereignisse erfassen, die uns in Europa möglicherweise nicht erreichen.

Conclusion
Verbesserte Resilienz durch räumliche Wissensgraphen: Die Integration von räumlichen Wissensgraphen verbessert die Transparenz der Lieferkette erheblich und ermöglicht die Identifizierung kritischer Einrichtungen, materieller Abhängigkeiten und Hochrisikogebiete. Dieser Ansatz verdeutlicht den Wert der Geoinformatik beim proaktiven Management von Schwachstellen in der Lieferkette.
Unmittelbare und langfristige Risikominderung: Durch die Kombination von Risikoindikatoren und Echtzeit-Risikoüberwachung liefert das Projekt umsetzbare Erkenntnisse für ein sofortiges Eingreifen und eine langfristige strategische Planung, wobei die Bedeutung der Anpassung an aktuelle und erwartete Umweltbedrohungen betont wird.
Implikationen für die Industrie und zukünftige Forschung: Diese Studie füllt eine kritische Lücke, indem sie reale Geodaten mit Lieferkettennetzwerken integriert und ein skalierbares Modell für Unternehmen bereitstellt, die ein datengestütztes Risikomanagement anstreben. Künftige Forschungsarbeiten könnten sich auf die Verfeinerung der Integration von Georisikodaten und die Erforschung automatisierter Echtzeit-Reaktionsmechanismen im Rahmen von Wissensgraphen konzentrieren.
Talks and Speeches


Showcase: Nachhaltiges Lieferkettenmanagement | Esri Konferenz Schweiz 2024

10 - SAE - Leonie Engemann.mp4
