Antipatterns in der Lieferkette

Lieferketteninitiativen scheitern oft. Die Quantitative Supply Chain ist unsere Antwort, um die Misserfolgsraten drastisch zu senken. Da sich die Quantitative Supply Chain auf die Praktiken konzentriert, von denen wir wissen, dass sie funktionieren, wird wenig Wert auf Praktiken gelegt, von denen wir wissen, dass sie nicht funktionieren. Schlimmer noch, es stellt sich heraus, dass die meisten dieser unerwünschten Praktiken genau die Ursachen für die hohen Misserfolgsraten bei traditionellen Lieferkettenmethoden sind.

Im Folgenden werden die Praktiken - oder Muster - überprüft, die dazu führen, dass die meisten Lieferketteninitiativen scheitern. Diese Erkenntnisse wurden hart erarbeitet, denn für jede Erkenntnis haben wir in der Regel nicht nur einen, sondern mehrere Misserfolge gebraucht, um die eigentliche Ursache des Problems zu erkennen. Wir bezeichnen diese schädlichen Praktiken als Lieferketten-Antipatterns. Ein Antipattern ist eine “Lösung”, die sich ins Gegenteil verkehrt: Es handelt sich um einen häufig verwendeten Ansatz, der sich gut anfühlt und dennoch immer daran scheitert, die beabsichtigte Verbesserung zu liefern, die ursprünglich angestrebt wurde.

Schlechte Führung

Bei Lokad möchten wir sicherlich keine wichtigen Entscheidungsträger in der Lieferkette verärgern, sie sind unsere potenziellen Kunden und unsere Kunden. Gleichzeitig sehen wir es jedoch als unsere Pflicht an, einen Deal abzulehnen, wenn die Lösung von vornherein zum Scheitern verurteilt ist. Häufig liegt das Problem darin, wie die Initiative selbst gemanagt wird. Das heißt jedoch nicht, dass das Supply Chain Management der alleinige Schuldige ist. Bestimmte Anbieter fördern manchmal alle falschen Botschaften an ihre Kunden und kommen unverfroren damit durch. Überkommene Praktiken und interne Politik können auch das tägliche Leben des Supply Chain Managements vergiften, das auch als Sündenbock benutzt werden kann, wenn die Dinge nicht wie beabsichtigt funktionieren. In diesem Abschnitt listen wir häufige Fallstricke auf, die durch eine überarbeitete Lieferkettenführung angegangen werden könnten.

Die Hölle des RFQ

Es gibt viele Bereiche, in denen RFQs (Anfragen für Angebote) sinnvoll sind. Leider gehört Software nicht dazu. Das Verfassen einer Spezifikation für eine Software ist weitaus schwieriger als das Schreiben der Software selbst. Die Aufgabe ist entmutigend. Sobald ein RFQ-Prozess eingeleitet wird, schaffen es Unternehmen, die Situation zu verschlimmern, indem sie Berater hinzuziehen, um eine bereits überkomplizierte Spezifikation noch komplizierter zu machen. RFQ unterdrückt das meiste problemlösende Denken, weil der RFQ-Prozess davon ausgeht, dass der Kunde bereits die Feinheiten der gewünschten Lösung kennt, während das “Problem” per Definition zum Zeitpunkt des Verfassens des RFQs weitgehend ungelöst ist. Darüber hinaus fördern RFQs in der Praxis einen adversativen Auswahlprozess für Anbieter: Die guten Anbieter ziehen sich zurück, während die schlechten bleiben. Schließlich ist die Softwarebranche schnelllebig, und bis Ihr Unternehmen mit seinem RFQ-Prozess fertig ist, hat Ihr Konkurrent bereits seine Lösung eingeführt.

Der fragile POC

Das Durchführen eines POC (Proof of Concept) ist gut, wenn es darum geht, einen einfachen, nahezu standardisierten Service zu kaufen, wie z.B. einen Druckservice für Visitenkarten. Eine Lieferketteninitiative ist von Natur aus kompliziert. Die Lieferkette erfordert Koordination von mehreren Einheiten. Es gibt mehrere Ebenen von Daten, die genutzt werden sollten. Es gibt dutzende von Arbeitsabläufen, die berücksichtigt werden müssen. POCs oder Pilotprojekte im kleinen Maßstab richten mehr Schaden an als Nutzen, weil sie von ihrer Natur her eine grundlegende Tugend einer erfolgreichen Lieferketteninitiative vernachlässigen: ihre Fähigkeit, im großen Maßstab zu arbeiten. Die meisten Menschen sind mit dem Prinzip der Skaleneffekte vertraut, aber wenn es um die Optimierung der Lieferkette geht, haben wir es hauptsächlich mit Skalennachteilen zu tun, bei denen gute Entscheidungen immer schwieriger werden, je komplexer das Problem wird. Der Erfolg eines kleinen Vertriebszentrums garantiert keineswegs, dass die Lösung genauso gut funktioniert, wenn es um dutzende verschiedene Vertriebszentren geht.

Die Ablehnung von Unsicherheit

Die Zukunft ist unsicher, und die Unsicherheit kann nicht einfach weggezaubert werden. Ebenso ist die numerische Optimierung der Lieferkette ein schwieriges Problem, das ebenfalls nicht einfach weggezaubert werden kann. Die Optimierung der Lieferkette erfordert probabilistische Vorhersagen, die direkte Folge des Umgangs mit unsicheren Zukunftsszenarien sind. Die Optimierung der Lieferkette steht auch vor den eher gegenintuitiven Verhaltensweisen, die durch numerische Optimierungen erzeugt werden. Einige Anbieter nutzen den Wunsch, die Dinge einfach und leicht zu halten, um eine Fantasiepraxis zu verkaufen, bei der alle Hindernisse abstrahiert werden. Leider sind diese Hindernisse keine bloßen technischen Details: Diese Hindernisse definieren, was für Ihre Lieferkette tatsächlich funktionieren kann. Unsicherheit muss aus einer tiefen numerischen Perspektive heraus angenommen werden. Das Supply Chain Management muss Unsicherheit ebenfalls anerkennen und annehmen.

Vertrauen in den Praktikanten

Wenn die Verbesserung der Lieferkette für Ihr Unternehmen von Bedeutung ist, erfordert die Initiative die direkte Beteiligung des Top-Managements. Unternehmen hegen oft die Idee der Verbesserung, weisen dann aber einem Praktikanten oder zwei den Fall zu. Obwohl wir auf sehr kluge Praktikanten gestoßen sind, haben wir noch nie gesehen, dass eine von Praktikanten geleitete Lieferketteninitiative irgendwohin führt. Wir haben nichts gegen Praktikanten, versteht uns nicht falsch. Sie können klug, ehrgeizig und kreative Denker sein; aber sie sind bei weitem nicht das, was Ihr Unternehmen braucht, um Veränderungen in seiner Lieferkette voranzutreiben. Das Engagement des Top-Managements für das Supply Chain Management sollte selbstverständlich sein, sonst werden Teams nicht handeln. Teams haben normalerweise wenig bis gar keine freie Zeit. Wenn das Management nicht klarstellt, dass die aktuelle Initiative eine Priorität ist, dann ist die aktuelle Initiative für niemanden wirklich eine Priorität, außer vielleicht für den armen Praktikanten, dem der Fall zugewiesen wurde.

Tod durch Planung

Das Management sucht nach Sicherheit, und wenn es um Sicherheit geht, gibt es nichts Besseres als einen soliden Fahrplan mit klar definierten Phasen, Rollen und Ergebnissen. Aber wenn uns die Geschichte der Software etwas gelehrt hat, dann ist es, dass vordefinierte Pläne normalerweise nicht die erste Woche der Initiative überleben. Manchmal überleben sie nicht einmal den ersten Tag. Wenn es um die Optimierung der Lieferkette geht, werden unerwartete Dinge weiterhin passieren, und das ist eine etwas beängstigende Perspektive. Die Initiative durch präzise Planung zu versteifen, macht die Dinge jedoch nur noch schlimmer: Die Initiative wird noch fragiler, wenn es um unerwartete Probleme geht. Stattdessen sollte die Initiative so widerstandsfähig wie möglich gegenüber dem Unbekannten gemacht werden. Die Fähigkeit, Probleme zu bewältigen, ist wichtiger als die Fähigkeit, Probleme von vornherein zu beseitigen. Das Supply Chain Management sollte sich daher darauf konzentrieren, die Initiative agil anstatt gut geplant zu gestalten.

Entkopplung von Prognose und Optimierung

Die traditionelle Perspektive der Lieferkettenoptimierung trennt den Prognoseprozess vom Entscheidungsprozess. Während dies aus technischer Sicht durch den Einsatz von zwei verschiedenen Algorithmen-Sets für Prognose und Optimierung durchaus machbar sein kann, muss das Team, das für die Prognose verantwortlich ist, auch für die Optimierung verantwortlich sein. Tatsächlich ist die Entscheidungslogik, oder mit anderen Worten die Optimierung, numerisch sehr empfindlich gegenüber der Prognoselogik. Die Isolierung der beiden Perspektiven verstärkt nur vorhandene Mängel auf Prognoseebene und führt zu Chaos bei den resultierenden Entscheidungen. Die Optimierungslogik sollte stattdessen numerisch so kooperativ wie möglich mit den Stärken und Schwächen der Prognoselogik sein.

Die Frankensteinisierung von Software

Es ist schwierig, in großen Unternehmen einen Konsens zu erreichen. Daher kann es vorkommen, dass die Mehrheit der Beteiligten in der Lieferkette sich für einen bestimmten Anbieter entscheidet, während eine Minderheit darauf besteht, ihre eigene Vision durchzusetzen oder bestimmte Funktionen eines anderen Produkts zu wählen. Da die Anpassung von Software ein profitables Geschäft für große Softwareanbieter darstellt, sind diese oft bereit, den Wünschen nachzukommen, was die Kosten und den wahrgenommenen Wert erhöht. Gute Software braucht jedoch Jahre, um entwickelt zu werden, und das Endergebnis ist ein fein abgestimmter Kompromiss zwischen widersprüchlichen Zielen. Das nahezu systematische Ergebnis der Überanpassung von Software durch große Unternehmen besteht darin, dass die ursprünglichen Eigenschaften des Produkts verloren gehen und es nicht besser, sondern schlechter wird, indem immer mehr Schichten hinzugefügt werden und es dadurch zu einem Monster wird. Es gibt keinen Mangel an Softwareanbietern. Wenn die Lösung nicht zu Ihrem Unternehmen passt, suchen Sie sich einen anderen Anbieter. Wenn kein Anbieter zu Ihrem Unternehmen passt, dann ist entweder Ihr Geschäft wirklich einzigartig - was selten ist - oder Sie sollten Ihre Anforderungen überdenken.

Buzzword-getriebene Initiativen

Um das Jahr 2010 war es im Einzelhandel der letzte Schrei, herauszufinden, wie man Wettervorhersagen nutzen kann, um die Nachfrageprognosen zu verbessern. Im Jahr 2012 war es der letzte Schrei, soziale Medien in die Nachfrageprognose einzubeziehen. 2014 dominierte Big Data, nur um 2016 durch Machine Learning abgelöst zu werden. Jedes Jahr bringt seine neue Welle von Buzzwords mit sich. Während es nie schadet, ein altes Problem mit einer frischen Perspektive zu betrachten, ist das Verlieren des Blicks auf die Kernherausforderungen die nahe Gewissheit, dass jede bereits begonnene Initiative gefährdet wird. Wenn etwas zu schön ist, um wahr zu sein, dann ist es wahrscheinlich auch so. Verbesserungen in der Lieferkette sind hart erkämpft. Stellen Sie sicher, dass jede Neuheit, die Sie einführen möchten, sich wirklich auf die Kernherausforderungen Ihrer Lieferkette konzentriert.

Schlechte IT-Umsetzung

IT wird häufig für das Scheitern von Projekten verantwortlich gemacht. IT ist schwierig - viel schwieriger, als die meisten Menschen außerhalb der IT jemals erkennen. Manchmal kommt es jedoch auch vor, dass die IT-Teams, aus guten Absichten heraus, durch ihre Prozesse so viel Reibung erzeugen, dass die Initiative bis zu dem Punkt verlangsamt wird, an dem der Rest des Unternehmens einfach aufgibt. IT-Teams müssen nicht nur Veränderungen im Allgemeinen akzeptieren, sondern auch die Art von Veränderungen akzeptieren, die zukünftige positive Veränderungen nicht gefährden. Einfacher gesagt als getan.

Vorsicht vor IT-Abwehrmechanismen

Da sich die IT-Teams in der Vergangenheit mehr als einmal als Sündenbock gefühlt haben, wenn einige Unternehmensprojekte gescheitert sind, haben sie möglicherweise bestimmte “Abwehrmechanismen” entwickelt. Einer der häufigsten Abwehrmechanismen besteht darin, für jede neue Initiative detaillierte schriftliche Spezifikationen anzufordern. Die Spezifikation einer Softwarelösung ist jedoch oft schwieriger als die eigentliche Implementierung der Softwarelösung. Dies führt dazu, dass ein komplexes Problem durch ein noch komplexeres Problem ersetzt wird. Andere Abwehrmechanismen bestehen darin, eine klare Linie von “Anforderungen” zu haben, wie z.B.: Die Software sollte vor Ort installiert sein, die Software sollte mit XYZ kompatibel sein, die Software sollte bestimmte Sicherheitsfunktionen haben, usw. Gute Software braucht Jahre, um entwickelt zu werden. Sobald die lange Liste der Anforderungen aufgeschrieben ist, bleiben normalerweise nur zwei Arten von Softwareanbietern übrig: diejenigen, die nicht mit Ihren Anforderungen kompatibel sind, und diejenigen, die behaupten, mit Ihren Anforderungen kompatibel zu sein, obwohl sie es nicht sind.

Unterschätzung des Datenaufwands

Obwohl dies paradox erscheinen mag, können Supply-Chain-Initiativen auch deshalb scheitern, weil die IT zu stark in die Lösungsentwicklung involviert ist und sich selbst um die Datenbereitstellung kümmert. Tatsächlich kann es vorkommen, dass einige IT-Teams, die überaus komplex sind und möglicherweise über talentierte Mitarbeiter verfügen, glauben, das Geschäft besser zu kennen als der Rest des Unternehmens. Die primäre unerwünschte Konsequenz dieser Denkweise ist eine ständige Unterschätzung der Herausforderungen, die mit der Arbeit mit den Unternehmensdaten verbunden sind. Das Aufbereiten von Daten auf sinnvolle Weise bedeutet nicht, Megabyte an Daten hin und her zu bewegen. Es geht vielmehr darum, ein subtiles Verständnis dafür zu entwickeln, wie diese Daten die Prozesse und Abläufe des Unternehmens widerspiegeln. Es geht auch darum, die subtilen Nuancen, Vorurteile und Grenzen der Daten zu verstehen, wie sie zu einem bestimmten Zeitpunkt in den Unternehmenssystemen auftreten. Wenn die IT-Teams die Datenbereitstellung übernehmen, ist dies ein sicheres Zeichen für unerwartete Verzögerungen, da sie nach und nach erkennen, wie viel Tiefe ihrer ursprünglichen Vision fehlte. Unter Berücksichtigung all dessen besteht die vernünftige Option darin, diese Rolle von Anfang an an jemanden außerhalb der IT-Abteilung zu delegieren.

Die Versuchung der erweiterbaren Plattform

Wenn es um Unternehmenssoftware geht, beherrschen die Anbieter eine Sache: die Kunst, eine “erweiterbare” Plattform zu sein, die viele Module enthält und somit viele Möglichkeiten für zusätzlichen Verkauf bietet. Plattformen harmonieren jedoch nicht gut miteinander, und funktionale Überschneidungen, d.h. zwei Plattformen, die intern um dieselbe Funktion in Ihrem Unternehmen konkurrieren, treten sehr schnell auf. Zwei sich überschneidende Plattformen sind ein IT-Albtraum für jedes Unternehmen und führen in der Regel zu Synchronisationsmechanismen, die schwer einzurichten und noch schwerer zu pflegen sind. Daher liegt die vernünftige Option fast immer darin, sich für schmale Anwendungen zu entscheiden, die eine Sache gut machen. Die Verwaltung von Dutzenden schmaler Anwendungen ist unkompliziert, während die Verwaltung von zwei großen Plattformen - mit ebenso großen funktionalen Überschneidungen - die Hölle ist.

Unzuverlässige Datenextraktionen

Daten sind für eine Quantitative Supply Chain-Initiative wie Blut: hört man auf, sie zu pumpen, stirbt sie ab. Die Initiative muss ständig mit frischen Daten versorgt werden. Oftmals geht die IT davon aus, dass die Durchführung einiger einmaliger Datenextraktionen ausreichend ist, um den Start zu ermöglichen. Schließlich ist die Wahrscheinlichkeit groß, dass diese Initiative bald beendet wird - denken Sie daran, die meisten Supply-Chain-Initiativen scheitern -, und daher lohnt es sich nicht, zu viel Aufwand in dieser frühen Phase der Datenextraktion zu investieren. Wenn man jedoch dieser Denkweise folgt, verzögert sich die Implementierung eines automatisierten Prozesses für zuverlässige Datenextraktionen und wird letztendlich zu einer der Hauptursachen für das Scheitern der Initiative selbst. Hier muss die IT proaktiv sein und von Anfang an mit der Automatisierung der Datenextraktion beginnen. Darüber hinaus hat das IT-Team auch eine beratende Rolle, um den Rest des Unternehmens davon zu überzeugen, dass dieser zusätzliche Aufwand ein entscheidender Erfolgsfaktor für die Initiative ist und dass die Option der Wegwerfdatenextraktion zu nichts führen wird.

Schlechte numerische Rezepte

Die Optimierung der Supply Chain ist in erster Linie ein Zahlen­spiel. Natürlich sind die Unternehmens­vision, die Führung und die Disziplin wichtig, aber unsere Erfahrung zeigt, dass die meisten Unternehmen in diesen Bereichen bereits gute Arbeit leisten. Wenn es jedoch um Zahlen geht, scheint die gesamte Supply Chain-Branche von schlechten numerischen Rezepten überflutet zu sein. Nicht alle Supply Chain-Experten sind sich bewusst, dass alle Formeln und Modelle - hier als numerische Rezepte bezeichnet - auf recht strengen Annahmen beruhen. Wenn eine dieser Annahmen nicht erfüllt wird, bricht das numerische Rezept zusammen. In diesem Abschnitt listen wir die häufigsten Verstöße in dieser Hinsicht auf. Um die Kürze willen gehen wir davon aus, dass der Leser bereits mit den Rezepten vertraut ist.

ABC-Analyse

Der ABC-Ansatz zur Bestandsführung wurde zu einer Zeit entwickelt, als Computer keine Option für die Steuerung der Supply Chain waren. Der Hauptvorteil der ABC-Analyse besteht darin, dass sie die Analyse so einfach hält, dass sie von Hand durchgeführt werden kann. Angesichts der verwirrenden Verarbeitungskapazität moderner Computer macht es jedoch heute keinen Sinn mehr, die ABC-Analyse zu verwenden. Es gibt keinerlei Vorteile darin, Tausende von SKUs in 3 oder 4 willkürliche Klassen einzuteilen. Es gibt eine vollständige Kontinuität zwischen dem meistverkauften Produkt und dem sehr langen Schwanz. Die Logik, die die Supply Chain optimiert, sollte diese Kontinuität umfassen, anstatt zu leugnen, dass diese Kontinuität überhaupt existiert. In der Praxis beobachten wir auch, dass sich die negativen Auswirkungen der ABC-Analyse durch Marktveränderungen verschlimmern, die zu Klasseninstabilitäten führen, bei denen Produkte im Laufe der Zeit ihre Klassen wechseln.

Sicherheitsbestand

Es gibt keinen “Sicherheitsbestand” in Ihrem Lager. Der Sicherheitsbestand ist ein fiktives Konzept, das den vorhandenen Bestand in zwei Kategorien aufteilt: den Arbeitsbestand und den Sicherheitsbestand. Aus historischer Sicht wurde der Sicherheitsbestand als vereinfachte Möglichkeit eingeführt, um mit variabler Nachfrage und variabler Lieferzeit umzugehen. Der Sicherheitsbestand wird auf der Grundlage von Normalverteilungen modelliert - auch als Gaußverteilungen bezeichnet. Eine schnelle Untersuchung nahezu jedes Supply Chain-Datensatzes zeigt jedoch deutlich, dass weder die Nachfrage noch die Lieferzeiten normalverteilt sind. In den frühen 1980er Jahren, als Computer noch sehr langsam waren, waren Normalverteilungen möglicherweise ein gültiger Kompromiss zwischen Komplexität und Genauigkeit, aber heutzutage macht es keinen Sinn, an etwas festzuhalten, das als “Hack” zur Bewältigung der Einschränkungen früher Computer entwickelt wurde.

Manuelle Prognosekorrekturen

Einige Experten mögen sich damit rühmen, “das System zu schlagen” und bessere Prognosezahlen zu generieren als das System selbst. Wenn dies tatsächlich der Fall ist, sollte das System als fehlerhaft angesehen und entsprechend behoben werden, wobei in der Regel die Erfahrung und das Fachwissen des Experten genutzt werden. Die Optimierung einer Supply Chain von bedeutender Größe umfasst die Generierung von Tausenden, wenn nicht Millionen, von Prognosen pro Tag. Es sollte nicht einmal als gültige Option für das Unternehmen in Betracht gezogen werden, sich auf manuelle Dateneingaben von den Supply Chain-Teams zu verlassen, um die Mängel des Systems zu bewältigen. Angesichts der Fortschritte in der Statistik in den letzten 20 Jahren gibt es keinen Grund zu der Annahme, dass ein automatisiertes System, das dieselben Daten­eingaben erhält, nicht besser abschneiden kann als ein Mensch, der realistisch betrachtet nicht mehr als ein paar Sekunden für jede zu erstellende Zahl zur Verfügung hat. Wenn der Mensch Tage damit verbringen könnte, jede Entscheidung zu treffen, die das Unternehmen treffen muss, sähe die Situation natürlich anders aus. Die überwiegende Mehrheit der Entscheidungen, die die Supply Chain täglich treffen muss, fällt jedoch nicht in diese Kategorie.

Warnungen und Überwachung schlechter Prognosen

Klassische Prognosen betonen eine einzige zukünftige Möglichkeit - d.h. Prognosen, die auf dem Durchschnitt oder dem Median basieren -, als ob diese eine zukünftige Möglichkeit mit einer bedeutenden Wahrscheinlichkeit eintreten würde. Doch die Zukunft ist unsicher und Prognosen sind bestenfalls ungefähre Schätzungen. In bestimmten Situationen liegen klassische Prognosen einfach falsch. Häufig entstehen dem Unternehmen dadurch immense Kosten aufgrund dieser großen Prognosefehler. Als Folge werden Warnungen eingeführt, um diese großen Fehler zu verfolgen. Doch der Hauptgrund dafür sind nicht die Prognosen selbst, sondern die klassische Perspektive der Prognosen, die eine einzige zukünftige Möglichkeit betont, obwohl alle möglichen Zukünfte möglich sind, jedoch nicht mit gleicher Wahrscheinlichkeit. Aus der probabilistischen Prognoseperspektive sind die Prognosefehler im Voraus bekannt und werden als Wahrscheinlichkeitsverteilungen dargestellt, die sich über einen großen Bereich möglicher Werte erstrecken. Probabilistische Prognosen betonen einen Ansatz, bei dem das Unternehmen proaktiv seine Supply-Chain-Aktivitäten absichert, wenn es mit einem höheren Maß an Unsicherheit umgeht. Im Gegensatz dazu sind Warnungen bei klassischen Prognosen ein Symptom eines Ansatzes, der von Grund auf fehlerhaft ist, da er die gesamte Unsicherheit negiert.

Das Flicken der historischen Daten

Wenn Verzerrungen wie Lagerbestandsengpässe oder Promotions in den historischen Daten gefunden werden, ist es verlockend, diese Verzerrungen durch Modifikation der historischen Daten “zu beheben”, damit die Daten besser widerspiegeln, wie die Geschichte ohne die Verzerrung ausgesehen hätte. Wir bezeichnen diesen Prozess als “Flicken” der historischen Daten. Die Grundidee hinter dem Flicken besteht darin, dass alle Prognosemodelle als Varianten des gleitenden Durchschnitts konzipiert sind. Wenn Sie nur gleitende Durchschnitte haben, muss die historischen Daten tatsächlich angepasst werden, um diese gleitenden Durchschnitte zu berücksichtigen. Doch das Flicken ist nicht die Lösung. In Wirklichkeit liegt die Lösung darin, den Horizont zu erweitern und nach besseren Prognosemodellen zu suchen, die nicht so dysfunktional sind wie der gleitende Durchschnitt. Bessere statistische Modelle sollten verwendet werden, um “angereicherte” historische Daten erfolgreich zu verarbeiten, bei denen die Verzerrungen selbst als Dateninputs behandelt werden. Während solche statistischen Modelle vor Jahrzehnten möglicherweise nicht verfügbar waren, ist dies heute definitiv nicht mehr der Fall.

Lieferzeiten als Bürger zweiter Klasse

Aus Gründen, die uns nicht ganz klar sind, werden Lieferzeiten allzu oft als gegebene Daten eingestuft, anstatt dass sie ihre eigene Prognose benötigen. Zukünftige Lieferzeiten sind unsicher und in der Regel ist der beste Weg, zukünftige Lieferzeiten zuverlässig zu schätzen, die in der Vergangenheit beobachteten Lieferzeiten zu verwenden. Daher benötigen Lieferzeiten eine eigene Prognose. Darüber hinaus sind die Auswirkungen korrekter Schätzungen der Lieferzeiten auf die Supply Chain viel größer, als viele Praktiker erkennen: Die in Lagerbeständen gehaltenen Mengen dienen genau dazu, die Nachfrage für eine bestimmte Lieferzeit abzudecken. Ändern sich die Lieferzeiten, ändern sich auch die Lagerbestandsmengen. Daher können Lieferzeitprognosen in Ihren Bemühungen um die Supply Chain nicht als Bürger zweiter Klasse behandelt werden. Nahezu alle Supply-Chain-Pläne legen einen Schwerpunkt auf die Notwendigkeit präziser Nachfrageprognosen, aber unsere Erfahrung zeigt, dass präzise Lieferzeitprognosen in der Praxis genauso wichtig sind.

Pseudowissenschaft

Pseudowissenschaft hat alle Merkmale der Wissenschaft: Sie wirkt rational, sie kommt mit Zahlen, sie soll bewiesen sein und sehr gebildete Menschen verteidigen ihren Standpunkt. Doch Pseudowissenschaft besteht den Test wiederholbarer Ergebnisse nicht. In der Regel ist nicht einmal ein experimenteller Aufbau erforderlich, um Pseudowissenschaft zu erkennen, und das Material der Pseudowissenschaft beginnt unter der Prüfung einer unparteiischen Expertenbegutachtung auseinanderzufallen. Supply Chains sind teuer im Betrieb und schwer zu verstehen. Diese beiden Eigenschaften allein erklären, warum Supply-Chain-Methoden recht schwer herauszufordern sind: Experimente bergen nicht nur ein hohes Risiko, sondern es ist auch schwierig, richtig einzuschätzen, was wirklich zu einer wahrgenommenen Verbesserung beiträgt.

Fantasie-Business-Cases

Supply-Chain-Lösungen sind sicherlich nicht das einzige Gebiet der Unternehmenssoftware, in dem Anbieter kühne Behauptungen aufstellen, aber wie das alte Sprichwort sagt: Wenn es zu gut aussieht, um wahr zu sein, ist es wahrscheinlich auch so. Wir selbst haben beobachtet, dass praktisch jedes Jahr im Januar auf der NRF-Messe in New York, einer der größten Einzelhandelsmessen der Welt, die seit über einem Jahrhundert stattfindet, ein sehr großer Anbieter behauptet, dass die Bestandsbestände mit Hilfe ihrer neuen Lösung halbiert werden können. Wenn auch nur 1/10 dieser Behauptungen wahr wären, hätte die gesamte Branche vor einem Jahrzehnt nahezu perfekte Lagerbestände erreicht. Es gibt so viele Möglichkeiten, die Zahlen des Business Cases zu manipulieren, dass die meisten Anbieter nicht einmal tatsächlich lügen. Der häufigste Fall ist, dass das Unternehmen, das als “Vorzeigekind” für die Lösung beworben wird, eine massiv dysfunktionale Supply Chain hatte und daher ebenso massive Verbesserungszahlen möglich waren, sobald die Dinge ein Jahr später wieder normal waren.

Vertrauen Sie dem Vertriebsteam bei der Prognose

Es bleibt ein Rätsel, ob die Menschen, die ihre Vertriebsteams damit beauftragen, genaue Nachfrageprognosezahlen zu erstellen, jemals zuvor mit einem tatsächlichen Vertriebsteam zusammengearbeitet haben. Im besten Fall können diese Zahlen als ehrliche Vermutungen angesehen werden, aber oft werden sie einfach vom Vertriebsteam erfunden, um die finanziellen Anreize zu nutzen. Dies führt zur weit verbreiteten Praxis des “Sandbagging”, bei der jeder seine Ziele so niedrig wie möglich setzt, um später die Erwartungen zu übertreffen. Darüber hinaus haben wir in der Lieferkette oft Teams, die vorgeben, auf diese Zahlen zu achten, während die tatsächlichen Abläufe völlig unabhängig von den vom Vertrieb bereitgestellten Informationen bleiben. Das Ignorieren der vom Vertriebsteam vorgeschlagenen Zahlen ist die einzige vernünftige Option, da die Lieferkette vollständig zum Stillstand käme, wenn sie tatsächlich auf so schlechten Zahlen basieren müsste.

Bewährte Lösungen

Die Suche nach einer bewährten Lösung, die einem Unternehmen ähnlich wie Ihres konkrete Vorteile gebracht hat, mag aus einer anekdotischen Perspektive betrachtet sehr rational erscheinen. Genau das hat Nokia getan und unzählige andere Unternehmen, bis sie nicht mehr existierten. Die meisten großen Unternehmen handeln nicht so schnell, wenn es darum geht, eine komplexe Lösung zu wählen. Der Auswahlprozess des Anbieters kann leicht bis zu 1 Jahr dauern. Dann kann es noch einmal ein Jahr dauern, bis man mit der gewählten Lösung Fahrt aufnimmt. Die Überwachung und das Vertrauen in die Ergebnisse können 1 oder 2 weitere Jahre dauern, insbesondere für Lieferketten, in denen nicht alle Lösungen nachhaltig sind und die Lieferkette schnell wieder in den vorherigen Leistungszustand zurückfallen kann, sobald der Anbieter nicht mehr ständig vor Ort ist, um die Lösung anzupassen. Danach kann es noch 1 Jahr dauern, bis der Lösungsanbieter Ihr Unternehmen endgültig mit diesem hart erarbeiteten Beweis erreicht. Der tödliche Fehler in dieser Denkweise besteht darin, dass Ihr Unternehmen es sich leisten kann, 5 Jahre zu spät zu kommen. Wenn es um Software geht, sind 5 Jahre eine sehr lange Zeit. Die meisten Software wird tatsächlich nach 5 Jahren als veraltet angesehen; warum sollte Ihre Supply-Chain-Lösung anders sein?

Schlechte Metriken, schlechte Benchmarks

Die Quantitative Supply Chain dreht sich alles um Zahlen, denen man vertrauen kann. Daher neigen wir dazu, stark auf Metriken und Benchmarks zu setzen. Wir stellen jedoch fest, dass in der Lieferkette die überwiegende Mehrheit der Benchmarks und Metriken so schlecht konzipiert ist, dass sie in unserem Buch im Allgemeinen als Pseudowissenschaft angesehen werden. Gute Lieferkettenmetriken erfordern viel Aufwand. Gute Lieferketten-Benchmarks erfordern einen nahezu wahnsinnigen Aufwand. Zu oft werden Metriken und Benchmarks vereinfacht, um sie einfacher zu machen, aber auf Kosten aller tatsächlichen Relevanz für das Geschäft. Als Faustregel gilt: Wenn das Betreiben eines Benchmarks für Ihre Lieferkettenteams nicht wie eine unglaublich schwierige Aufgabe erscheint, dann ist die Herausforderung wahrscheinlich stark unterschätzt.