DIE QUANTITATIVE SUPPLY CHAIN IN KÜRZE (ZUSAMMENFASSUNG VORLESUNG 1.2)

Obwohl die quantitative Supply Chain (QSC) und Mainstream-Initiativen beide bestrebt sind, die besten Geschäftsentscheidungen (und finanziellen Erträge) zu erzielen, weicht die erstere in mehreren wesentlichen Punkten von der letzteren ab. Diese Unterscheidungsmerkmale, wie sie im Supply Chain Manifesto von Lokad dargelegt sind, fassen die Kernprinzipien zusammen, die Lokads Ansatz zur Optimierung der Supply Chain leiten. Über die Softwareintervention hinaus befürwortet QSC eine grundlegende Neuausrichtung der Denkweise - eine, die die Aufmerksamkeit auf die wichtigeren, aber weniger unmittelbar sichtbaren Kräfte lenkt, die tatsächlich den größten Einfluss auf die Supply Chain ausüben.

Vorlesung ansehen

Alle möglichen Zukunftsszenarien

Eine Supply-Chain-Initiative ist per Definition ein Versuch, zukünftige Nachfrage zu identifizieren und zu bedienen. Das Problem besteht darin, dass die Zukunft (in allen Kontexten) inhärent und irreduzibel unsicher ist; es gibt eine außerordentlich große Bandbreite möglicher zukünftiger Ergebnisse, von denen jedes seine eigene Wahrscheinlichkeit hat, einzutreten. Der springende Punkt ist, dass nicht jedes Ergebnis gleich wahrscheinlich ist. Das gilt auch für Supply Chains. Traditionelle Lösungen für das Problem der Unsicherheit der Nachfrage, wie z.B. Zeitreihen Prognosen, ignorieren einfach die Unsicherheit. Stattdessen konzentrieren sich traditionelle Lösungen darauf, einen einzigen zukünftigen Nachfragewert zu erzeugen, der später mit einer vordefinierten Sicherheitsbestand Formel verstärkt wird.

Dieser Ansatz ignoriert grundlegend die Vielzahl möglicher zukünftiger Nachfragewerte und lässt ein Unternehmen vollständig ungeschützt, wenn die Nachfrage nicht den Erwartungen entspricht. QSC hingegen akzeptiert die Unsicherheit und identifiziert alle möglichen zukünftigen Nachfragewerte (mit nichtnull Wahrscheinlichkeiten). Diese Erkenntnis ist das Ergebnis einer probabilistischen Nachfrageprognose, die selbst das Fundament von QSC darstellt, und liefert ein viel detaillierteres Bild der zukünftigen Nachfrage als die klassische Zeitreihe.

Alle machbaren Entscheidungen

Im Kern ist ein Unternehmen die Summe einer außergewöhnlichen Vielzahl von Entscheidungen und Einschränkungen. In Bezug auf Entscheidungen muss ein Unternehmen sowohl auf makro- als auch auf mikroebene mit Auswahlmöglichkeiten umgehen; die Verlagerung einer Fabrik in die Nähe ist eine bedeutende makroebene Entscheidung, während die Entscheidung, die Einkaufsmenge um eine Einheit zu erhöhen oder zu verringern, eine routinemäßige mikroebene Entscheidung darstellt. Jede Entscheidung geht mit ihren eigenen Opportunitätskosten einher - man kann denselben Dollar nicht zweimal ausgeben - und Konsequenzen - wie sie das Unternehmen direkt und indirekt beeinflusst.

Im Allgemeinen trifft ein Supply-Chain-Praktiker eine größere Anzahl von mikroebenen Entscheidungen als makroebene Entscheidungen. Diese mikroebenen Entscheidungen sind oft die banalsten, stellen jedoch eine beunruhigende Schicht von Komplexität dar, die sich weiter verstärkt, wenn ein Unternehmen seine Einschränkungen (ohne die seiner Lieferanten und Kunden zu erwähnen) berücksichtigt. Dies können minimale Bestellmengen (MOQs), ökonomische Bestellmengen (EOQs), Losgrößen, verfügbare Regalflächen, Verfallsdaten usw. sein. Angesichts dieser zahlreichen Parameter und des Gespensts zukünftiger Unsicherheit ist der Begriff einer perfekten Supply-Chain-Entscheidung bestenfalls phantastisch.

Stattdessen versucht QSC, alle machbaren Entscheidungen zu identifizieren. In diesem Kontext ist eine Entscheidung “machbar”, wenn sie unmittelbar umsetzbar ist, was bedeutet, dass sie vollständig mit den Einschränkungen eines Unternehmens übereinstimmt. Das Ranking dieser machbaren Entscheidungen (auf der Suche nach der optimalsten) erfordert nicht nur ein ausgeklügeltes Verständnis der Einschränkungen eines Unternehmens, sondern auch ein sehr detailliertes Verständnis seiner wirtschaftlichen Treiber.

Wirtschaftliche Treiber

Im Allgemeinen priorisiert QSC die Reduzierung von Fehlern in Dollar gegenüber einer Erhöhung der Prognosegenauigkeit. Obwohl dies vielleicht kontraintuitiv ist, führt eine genauere Prognose an sich nicht automatisch zu größerem Gewinn oder besserer Geschäftsleistung. Zum Beispiel könnte man durch die Bestellung einer weit größeren Menge an Lagerbestand als man vernünftigerweise verkaufen könnte, eine Servicelevel von 99,99% garantieren. In Bezug auf die Kundenzufriedenheit ist das Unternehmen ein Erfolg. Diese Politik würde jedoch zu enormen Abschreibungen führen und sich negativ auf das Ergebnis des Unternehmens auswirken.

Somit besteht in gewissem Maße ein unausweichlicher Kompromiss zwischen einem höheren Servicelevel und wirtschaftlicher Rendite. QSC konzentriert sich nicht nur auf die Reduzierung von Fehlern in Dollar, sondern nimmt auch eine noch feinere wirtschaftliche Sichtweise ein, indem sowohl erst- als auch zweitordentliche Treiber berücksichtigt werden. Erstordentliche Treiber können als die unmittelbar offensichtlichen und gewöhnlichen Treiber betrachtet werden, die in Buchhaltungsbüchern und Mainstream-ERPs häufig zu finden sind: Materialkosten, Bruttomargen, Lagerhaltungskosten, usw. Zweitordentliche Treiber sind nuancierter, weniger unmittelbar und in traditioneller Unternehmenssoftware vollständig abwesend. Diese Treiber repräsentieren die zweitordentlichen Auswirkungen von Entscheidungen und sind eine abstraktere Klasse von Bedenken.

Betrachten Sie die nachgelagerten Auswirkungen eines Fehlbestandsereignisses. In einem B2B-Kontext kann ein Unternehmen vertragliche Strafen für diese Situationen haben, die einen klaren finanziellen Anreiz darstellen, um das Erreichen von Service-Level-Zielen zu vermeiden. In einem B2C-Kontext sind diese Anreize jedoch weitaus weniger klar. Es gibt keine explizite Service-Level-Vereinbarung zwischen einem Unternehmen (z. B. einem Supermarkt) und seinen Kunden, daher gibt es keinen traditionellen Mechanismus, um die Auswirkungen eines Fehlbestandsereignisses zu messen. Dies kann dazu führen, dass einige Praktiker die negativen Folgen eines Milchmangels auf den Regalen unterschätzen oder vollständig ignorieren.

QSC argumentiert jedoch, dass Fehlbestandsereignisse für einige SKUs unerwartet hohe finanzielle Auswirkungen haben, und diese sind im Verhältnis zu ihren direkten Margenbeiträgen unverhältnismäßig hoch. Mit anderen Worten, einige Artikel, wie Kühlschränke, werden typischerweise isoliert gekauft. Andere, wie Milch und Brot, werden typischerweise in Kombination mit anderen Waren gekauft. Die Nichtverfügbarkeit bestimmter SKUs kann somit die Gesamtkaufentscheidungen eines Kunden beeinflussen.

Zum Beispiel könnte eine Person durchaus bereit sein, auf das gewünschte Kühlschrankmodell zu warten, aber ein Mangel an Milch in einem Geschäft könnte dazu führen, dass dieselbe Person das Geschäft verlässt und ihren Lebensmitteleinkauf anderswo abschließt. Diese letzteren SKUs haben zwar vielleicht keine signifikante Margensteigerung in einem direkten Sinne, haben aber einen erheblichen Lagerwert aufgrund ihres indirekten Werts: Sie erleichtern den Verkauf anderer Waren. Daher umfasst die Fehlbestrafung für Milch in diesem Beispiel nicht nur die Milch selbst, sondern auch den Verlust aller anderen Artikel im Einkaufskorb.

In QSC wird dieser weniger offensichtliche Wert als Fehlbestandsabdeckung (ein Belohnungstreiber) ausgedrückt und in priorisierte Bestandspolitiken einbezogen¹.

Kontrolle erfordert Automatisierung

Sobald ein Unternehmen alle möglichen zukünftigen Nachfragewerte identifiziert, machbare Entscheidungen in Betracht gezogen und sie hinsichtlich all ihrer wirtschaftlichen Treiber bewertet hat, besteht der nächste Schritt in QSC darin, den gesamten Entscheidungsprozess der Lieferkette vollständig zu automatisieren (oder zumindest empfohlene Entscheidungen automatisch zu generieren). Diese Automatisierung steht im direkten Gegensatz zur gängigen Praxis, nämlich Abteilungen von Sachbearbeitern mit Tabellenkalkulationen.

In der Realität ist eine Lieferkette ein dicht verteiltes System von Akteuren (z. B. Großhändler, Lieferanten, Kunden), Einschränkungen (z. B. Lieferzeiten, Budget, Servicelevel) und externe Kräfte (z. B. Saisonalität, natürliche Katastrophen, Wettbewerbspreise). Von einem menschlichen Verstand (oder sogar einem Team von Verständen) zu erwarten, dass er mit all diesen Variablen für nur eine SKU umgeht, ist einfach unvernünftig, geschweige denn für einen Katalog von Tausenden von SKUs für mehrere Geschäfte.

Darüber hinaus ist jeder Versuch, innerhalb eines solchen Rahmens Innovationen voranzutreiben, für Bürokratie und kostspielige Umschulungen bestimmt, die beide Verzögerungen und Ineffizienzen verursachen werden. Auf der anderen Seite versucht QSC, ein end-to-end-numerisches Rezept zu implementieren, das alle trivialen, banalen Entscheidungen der Lieferkette für das operative Management generiert. Dies sind die Arten von Entscheidungen, die zu viel Aufmerksamkeit kosten und von weitaus dringlicheren Anliegen ablenken.

QSC betrachtet die Lieferkette daher als Vermögenswert und nicht als Kostenfaktor. Es handelt sich um einen Prozess, der optimiert (und automatisiert) werden sollte, um den größten Wert zu erzielen².

Der Supply Chain Scientist

Eine Supply-Chain-Software, egal wie beeindruckend sie ist, kann sich nicht selbst steuern, geschweige denn die Verantwortung für die erzeugten Ergebnisse übernehmen. Die Effektivität eines numerischen Rezepts wird tatsächlich durch die Expertise des Datenwissenschaftlers begrenzt, der es implementiert und überwacht. Bei Lokad wird diese Rolle vom Supply Chain Scientist (SCS) wahrgenommen.

Ein SCS ist unter anderem dafür verantwortlich, die Daten für die QSC-Initiative zu verarbeiten und die erfolgreiche Implementierung des numerischen Rezepts zu übernehmen. Die Festlegung einer gültigen Datenbedeutung (was die Daten tatsächlich bedeuten) erfordert beträchtliches Geschick, da der Erfolg des QSC nicht nur von der Datenverarbeitung abhängt, sondern auch davon, dass man sie überhaupt versteht. Trotz aller Fortschritte in der KI ist dies immer noch ein von Menschen geleiteter Prozess.

Zum Beispiel mag die Analyse einfacher historischer Verkaufsdaten relativ einfach erscheinen, aber dieser Datensatz kann irreführend sein, wenn man eine Vielzahl von verschachtelten und übersehenen Faktoren berücksichtigt. Die Daten können unbeabsichtigt Promotions enthalten und spiegeln somit nicht die tatsächliche Nachfrage nach Waren zum vollen Preis wider. Alternativ kann die Historie Rücksendungen enthalten, was wiederum einen falschen Eindruck von der Nachfrage vermittelt. Der Begriff Menge pro Tag ist auch Gegenstand einer Vielzahl von Interpretationen; er könnte den Tag widerspiegeln, an dem ein Verkauf getätigt wurde, oder die Zeit, zu der eine Vorbestellung akzeptiert wurde, oder wann die Zahlung des Kunden eingegangen ist. Dies sagt nichts über die zusätzliche Komplexität aus, die das ERP eines Unternehmens in den Prozess einführen könnte.

Das alles soll sagen, dass das Verständnis der Daten schwierig ist und einen hochqualifizierten Supply Chain Scientist erfordert, der den Prozess leitet und den täglichen Betrieb des numerischen Rezepts überwacht³.

Anmerkungen