Initiative der Quantitativen Supply Chain
Quantitative Supply Chain oder kurz Quantitative Supply Chain ist eine umfassende Perspektive auf Lieferketten, die einfach ausgedrückt darauf abzielt, das Beste aus menschlicher Intelligenz in Verbindung mit den Möglichkeiten moderner Rechenressourcen zu machen. Diese Perspektive ist jedoch nicht allumfassend. Sie gibt nicht vor, die endgültige Lösung für Herausforderungen in der Lieferkette zu sein, sondern einen ergänzenden Ansatz, der fast immer zur Verbesserung der Situation verwendet werden kann.
Die Initiative
Die Quantitative Supply Chain hilft Ihrem Unternehmen, die Servicequalität zu verbessern, überschüssige Bestände und Abschreibungen zu reduzieren, die Produktivität zu steigern, die Einkaufspreise und Betriebskosten zu senken … und die Liste geht weiter. Die Herausforderungen in der Lieferkette variieren stark je nach unterschiedlichen Situationen. Die Quantitative Supply Chain umfasst diese Vielfalt und strebt gleichzeitig an, die daraus resultierende Komplexität zu bewältigen. Für Lieferkettenpraktiker, die an klassischere Ansätze zur Optimierung ihrer Lieferketten gewöhnt sind, kann die Quantitative Supply Chain jedoch etwas verwirrend sein.
Im Folgenden werden die Zutaten überprüft, die erforderlich sind, um das Beste aus der quantitativen Perspektive auf die Lieferkette zu machen. Wir untersuchen und klären die Ambitionen einer Quantitative Supply Chain-Initiative. Wir überprüfen die Rollen und Fähigkeiten des Teams, das mit der Durchführung der Initiative betraut ist. Schließlich geben wir einen kurzen Überblick über die mit der Quantitative Supply Chain verbundene Methodik.
Die Ambition
Mit Ausnahme sehr kleiner Unternehmen fallen in einer Lieferkette Millionen von Entscheidungen pro Tag an. Für jede Einheit, die im Lager gehalten wird, trifft das Unternehmen jeden Tag die Entscheidung, die Einheit dort zu belassen, anstatt sie an einen anderen Ort zu verlegen. Darüber hinaus gilt dieselbe Logik für nicht vorhandene Lagerbestandseinheiten, die produziert oder gekauft werden könnten. Nichts zu tun ist bereits eine Entscheidung an sich.
Die Quantitative Supply Chain geht darum, die Millionen von Entscheidungen zu optimieren, die das Unternehmen jeden Tag treffen muss, und da wir von Millionen, wenn nicht sogar Milliarden von Entscheidungen pro Tag sprechen, spielen Computer eine zentrale Rolle bei diesem Vorhaben. Das ist nicht überraschend, denn schließlich waren Lieferketten historisch gesehen eine der ersten Unternehmensfunktionen, die nach der Buchhaltung in den späten 1970er Jahren digitalisiert wurden. Die Quantitative Supply Chain geht jedoch einen Schritt weiter in der Digitalisierung.
Hier müssen wir anerkennen, dass fehlgeleitete Versuche, das “Lieferkettensystem der Zukunft” einzuführen, in den letzten zwei Jahrzehnten häufig waren. Zu oft haben solche Systeme in Lieferketten nur Chaos angerichtet, indem sie Black-Box-Effekte und fehlgeschlagene Automatisierung kombinierten und so viele schlechte Entscheidungen generierten, dass Probleme nicht mehr durch menschliches Eingreifen behoben werden konnten.
Die Quantitative Supply Chain wurde zum Teil aus diesen Fehlern geboren: Anstatt vorzugeben, dass das System das Geschäft besser kennt als das eigene Management, muss der Fokus darauf liegen, die vom Management generierten Erkenntnisse auszuführen, jedoch mit einem höheren Maß an Zuverlässigkeit, Klarheit und Agilität. Softwaretechnologie, die richtig eingesetzt wird, ist ein leistungsfähiger Enabler, aber angesichts der derzeitigen Möglichkeiten von Software ist es keine realistische Option, Menschen vollständig aus der Lösung zu entfernen.
Diese Ambition hat eine unmittelbare Konsequenz: Die Software, die das Unternehmen zur Verfolgung seiner Produkte, Materialien und anderer Ressourcen verwendet, wird nicht dieselbe sein wie die Software, die das Unternehmen zur Optimierung seiner Entscheidungen benötigt. Ob es sich nun um ein ERP, ein WMS, ein MRP oder ein OMS handelt - all diese Software konzentriert sich in erster Linie darauf, die Prozesse des Unternehmens und den Datenfluss zu betreiben. Verstehen Sie uns nicht falsch, es gibt massive Vorteile bei der Optimierung von Dateneingaben und der Automatisierung aller bürokratischen Aufgaben. Dennoch bleibt unser Punkt bestehen, dass diese Aufgaben die Herausforderung, nämlich die Kapazität Ihres Unternehmens zur Umsetzung menschlicher Erkenntnisse im erforderlichen Maßstab zu erhöhen, nicht im Geringsten angehen.
Dann gibt es keine Optimierung ohne Messung. Daher geht es bei der Quantitativen Supply Chain - wie der Name schon sagt - sehr um Messungen. Supply-Chain-Entscheidungen - Bestandskauf, Bestandsbewegung - haben Konsequenzen, und die Qualität solcher Entscheidungen sollte finanziell bewertet werden (zum Beispiel in Dollar) mit fundierten betriebswirtschaftlichen Perspektiven. Gute, solide Kennzahlen zu haben erfordert jedoch erheblichen Aufwand. Eines der Ziele der Quantitativen Supply Chain besteht darin, dem Unternehmen bei der Etablierung solcher Kennzahlen zu helfen, was auch in späteren Projektphasen eine entscheidende Rolle spielt, um die Rendite (ROI) der gesamten Supply-Chain-Initiative zu bewerten.
Schließlich ist die Quantitative Supply Chain, wie bereits erwähnt, kein allumfassendes Paradigma. Sie hat nicht den Anspruch, alles in der Supply Chain des Unternehmens zu reparieren oder zu verbessern. Sie verspricht nicht, Ihnen vertrauenswürdige Lieferanten oder zuverlässige Logistikpartner zu finden. Sie verspricht nicht, Ihnen dabei zu helfen, großartige Teams einzustellen und ihre Motivation hochzuhalten. Dank ihres sehr spezifischen Fokus ist die Quantitative Supply Chain jedoch durchaus in der Lage, greifbare Ergebnisse zu liefern.
Die Rollen im Projekt
Die Quantitative Supply Chain erfordert überraschend wenig menschliche Ressourcen, selbst bei der Bearbeitung von Supply Chains in relativ großem Maßstab. Eine solche Initiative erfordert jedoch spezifische Ressourcen, auf die wir in diesem Abschnitt näher eingehen werden. Bevor wir jedoch auf die verschiedenen Rollen und ihre Besonderheiten eingehen, möchten wir zunächst ein Kernprinzip der Quantitativen Supply Chain erwähnen: Das Unternehmen sollte jede menschliche Intervention nutzen.
Dieses Prinzip steht im Gegensatz zu dem, was in der Praxis bei traditionellen Supply-Chain-Lösungen geschieht: Menschliche Anstrengungen werden von der Lösung verbraucht, nicht genutzt. Um eine endlose Reihe von Entscheidungen zu treffen, erfordert die Lösung eine endlose Reihe von manuellen Eingaben. Solche Eingaben können verschiedene Formen annehmen: Anpassung von saisonalen Profilen, Umgang mit Ausnahmen und Warnungen, Korrektur ungewöhnlicher Prognosewerte usw.
Die Quantitative Supply Chain versucht, diese Perspektive umzukehren. Es geht nicht nur darum, dass menschliche Arbeit teuer ist, sondern auch darum, dass Supply-Chain-Expertise in Verbindung mit fundierten betriebswirtschaftlichen Erkenntnissen zu selten und zu kostbar ist, um sie für repetitive Aufgaben zu verschwenden. Die eigentliche Ursache für manuelle Eingriffe sollte behoben werden: Wenn Prognosewerte nicht stimmen, hat es keinen Sinn, die Werte selbst zu ändern. Stattdessen müssen die Eingangsdaten oder der Prognosealgorithmus selbst korrigiert werden. Das Beheben von Symptomen garantiert eine endlose Auseinandersetzung mit denselben Problemen.
Die Größe des Teams, das für die Durchführung einer quantitativen Supply-Chain-Initiative erforderlich ist, variiert je nach Größe der Supply Chain selbst. Am unteren Ende des Spektrums kann es weniger als eine Vollzeitstelle (FTE) sein, typischerweise für Unternehmen mit einem Umsatz von weniger als 20 Millionen US-Dollar. Am oberen Ende des Spektrums können mehrere Dutzend Personen beteiligt sein; in diesem Fall sind in der Regel mehrere Milliarden Dollar an Beständen im Spiel.
Der Supply Chain Leader: Die Quantitative Supply Chain ist ein Paradigmenwechsel. Veränderungen erfordern Führung und Unterstützung von der obersten Führungsebene. Oftmals fühlt sich die Supply-Chain-Führung nicht dazu in der Lage, zu stark in das einzusteigen, was als “technische Details” einer Lösung wahrgenommen wird. Die Quantitative Supply Chain geht jedoch darum, strategische Erkenntnisse im großen Maßstab umzusetzen. Die strategischen Erkenntnisse nicht mit dem für die Initiative verantwortlichen Team zu teilen, ist ein Rezept für Misserfolg. Von der Geschäftsleitung wird nicht erwartet, dass sie alle relevanten Kennzahlen und KPIs selbst entwickelt - da dies viel Aufwand erfordert - aber von der Geschäftsleitung wird sicherlich erwartet, dass sie diese in Frage stellt.
Der Supply Chain Koordinator: Während die Quantitative Supply Chain Initiative selbst sehr schlank in Bezug auf Personal sein soll, sind die meisten Supply Chains das nicht, oder zumindest nicht so schlank. Wenn nicht alle Beteiligten an Bord geholt werden, kann dies zu Verwirrung und einer Verlangsamung der Initiative führen. Die Aufgabe des Koordinators besteht daher darin, das erforderliche interne Feedback zu sammeln, das die Initiative benötigt, und mit allen beteiligten Parteien zu kommunizieren. Der Koordinator klärt die Prozesse und Entscheidungen, die getroffen werden müssen, und erhält Feedback zu den Metriken und KPIs, die zur Optimierung dieser Entscheidungen verwendet werden sollen. Er stellt auch sicher, dass die Lösung die Unternehmensabläufe so übernimmt, wie sie sind, und gleichzeitig die Möglichkeit bietet, diese Abläufe zu einem späteren Zeitpunkt der Initiative zu überarbeiten.
Der Datenbeauftragte: Die Quantitative Supply Chain ist in hohem Maße von Daten abhängig, und jede Initiative benötigt zuverlässigen Zugriff auf Daten aus einer Batch-Verarbeitungsperspektive. Tatsächlich geht es bei der Initiative nicht nur darum, ein paar Zeilen im Firmensystem zu lesen, sondern um das Lesen der gesamten Verkaufshistorie, der gesamten Einkaufshistorie, des gesamten Produktkatalogs usw. Der Datenbeauftragte wird in der Regel von der IT-Abteilung beauftragt, die Initiative zu unterstützen. Er ist dafür verantwortlich, die gesamte Datenextraktions-Logik zu automatisieren und diese Logik für tägliche Extraktionen zu planen. In der Praxis konzentrieren sich die Bemühungen des Datenbeauftragten hauptsächlich zu Beginn der Initiative.
Der Supply Chain Wissenschaftler: Er verwendet die Technologie - mehr dazu später - um die Erkenntnisse, die vom Koordinator gesammelt und von dem Datenbeauftragten extrahiert wurden, zu kombinieren, um die Produktion von Entscheidungen zu automatisieren. Der Wissenschaftler beginnt damit, die Daten vorzubereiten, was eine überraschend schwierige Aufgabe ist und viel Unterstützung vom Koordinator erfordert, der mit den vielen Personen interagieren muss, die die Daten erstellt haben, um Unklarheiten zu klären. Er formalisiert die Strategie, damit sie zur Generierung von Entscheidungen verwendet werden kann - zum Beispiel die vorgeschlagenen Nachbestellmengen. Schließlich stattet der Supply Chain Wissenschaftler die gesamte Datenpipeline mit Dashboards und KPIs aus, um Klarheit, Transparenz und Kontrolle zu gewährleisten.
Bei mittelgroßen Unternehmen kann es äußerst effizient sein, wenn dieselbe Person sowohl die Rolle des Koordinators als auch die des Datenbeauftragten übernimmt. Es erfordert jedoch eine Reihe von Fähigkeiten, die nicht immer leicht in einem einzigen Mitarbeiter zu finden sind. Wenn jedoch eine solche Person in der Organisation vorhanden ist, neigt sie dazu, eine Bereicherung für die Beschleunigung der Initiative zu sein. Für größere Unternehmen ist es selbst dann, wenn der Koordinator zu Beginn der Initiative nicht mit den Datenbanken des Unternehmens vertraut ist, ein großer Vorteil, wenn der Koordinator im Laufe der Initiative ein gewisses Maß an Vertrautheit mit den Datenbanken aufbauen kann. Die IT-Landschaft ändert sich ständig, und die Vorhersage, wie sich die Änderung auf die Initiative auswirken wird, hilft erheblich, eine reibungslose laufende Durchführung zu gewährleisten.
Die Technologie
Bisher waren wir ziemlich vage in Bezug auf die erforderliche Softwaretechnologie zur Unterstützung der quantitativen Supply Chain. Die quantitative Supply Chain ist jedoch stark von der Technologie abhängig, die für ihre Implementierung verwendet wird. Während theoretisch jede Software von Grund auf neu implementiert werden könnte, benötigt der Supply Chain Wissenschaftler eine unglaubliche Unterstützung von seinem Technologie-Stack, um überhaupt produktiv arbeiten zu können. Bestimmte Fähigkeiten wie Prognostizieren und numerische Optimierung erfordern erhebliche vorherige Forschungs- und Entwicklungsbemühungen, die weit über das hinausgehen, was der Supply Chain Wissenschaftler während des Verlaufs der Initiative leisten kann.
Die erste Anforderung der quantitativen Supply Chain ist eine Datenplattform mit programmatischen Fähigkeiten. Natürlich ist es von Vorteil, Zugang zu einer Datenplattform zu haben, die speziell für die Verarbeitung von Supply Chain-Daten und -Problemen entwickelt wurde. Wir sprechen von einer Datenplattform, weil zwar jeder Desktop-Arbeitsplatz heutzutage mehrere Terabyte speichern kann, dies jedoch nicht bedeutet, dass dieser Desktop-Arbeitsplatz andere wünschenswerte Eigenschaften für die Durchführung der Initiative bietet: Zuverlässigkeit gegen Hardwareausfälle, Nachvollziehbarkeit für alle Zugriffe, Kompatibilität mit Datenexporten usw. Darüber hinaus sollten Datenplattformen für Supply Chain-Daten, die tendenziell groß sind, skalierbarer sein, d.h. in der Lage sein, große Datenmengen in kurzer Zeit zu verarbeiten.
Die Datenplattform erfordert programmatische Fähigkeiten, was die Möglichkeit zur Implementierung und Ausführung nahezu beliebiger Datenverarbeitungslogik bedeutet. Solche Fähigkeiten werden durch eine Programmiersprache bereitgestellt. Programmieren wird oft als sehr technische Fähigkeit angesehen, und viele Anbieter nutzen die Angst vor der Notwendigkeit, sich mit einer Lösung auseinanderzusetzen, die “Programmierung” erfordert, um einfache Benutzeroberflächen mit Schaltflächen und Menüs für die Benutzer bereitzustellen. Wenn den Supply Chain-Teams jedoch programmatische Fähigkeiten verweigert werden, übernehmen Excel-Tabellen die Kontrolle, genau weil Excel programmatische Fähigkeiten bietet, mit denen beliebig komplexe Formeln geschrieben werden können. Programmatische Fähigkeiten sind keine Spielerei, sondern eine grundlegende Anforderung.
Schließlich gibt es erhebliche Vorteile bei einer Datenplattform, die auf die Supply Chain zugeschnitten ist. Tatsächlich ist der Bedarf an einer Datenplattform in irgendeiner Form kaum spezifisch für die Supply Chain: Quantitatives Trading, wie es von Banken und Fonds durchgeführt wird, hat ähnliche Anforderungen. Supply Chain-Entscheidungen erfordern jedoch keine Sub-Millisekunden-Latenzen wie der Hochfrequenzhandel. Das Design einer Datenplattform ist eine Frage von technischen Kompromissen sowie eines Software-Ökosystems, das mit den unterstützten Datenformaten beginnt. Diese technischen Kompromisse und das Software-Ökosystem sollten mit den Herausforderungen der Supply Chain selbst in Einklang stehen.
Die zweite Anforderung der quantitativen Supply Chain ist eine probabilistische Prognose-Engine. Diese Software ist dafür verantwortlich, jeder möglichen Zukunft eine Wahrscheinlichkeit zuzuweisen. Obwohl diese Art der Prognose anfangs etwas verwirrend ist, da sie gegen die Intuition der Vorhersage der Zukunft verstößt, liegt der “Haken” tatsächlich in der Unsicherheit: Die Zukunft ist nicht sicher und eine einzelne Prognose ist garantiert falsch. Die klassische Perspektive der Prognose leugnet Unsicherheit und Variabilität, und als Ergebnis kämpft das Unternehmen mit einer Prognose, die genau sein sollte, es aber nicht ist. Eine probabilistische Prognose geht dieses Problem direkt an, indem sie die Unsicherheit mit Wahrscheinlichkeiten löst.
Probabilistische Prognosen in der Supply Chain sind in der Regel ein zweistufiger Prozess, der mit einer Lieferzeitprognose beginnt und von einer Nachfrageprognose gefolgt wird. Die Lieferzeitprognose ist eine probabilistische Prognose: Jeder möglichen Lieferzeitdauer wird eine Wahrscheinlichkeit zugewiesen, die in der Regel in Tagen angegeben wird. Dann ist auch die Nachfrageprognose eine probabilistische Prognose, und diese Prognose basiert auf der als Eingabe bereitgestellten Lieferzeitprognose. Auf diese Weise muss der Horizont, der von der Nachfrageprognose abgedeckt werden soll, den Lieferzeiten entsprechen, die selbst unsicher sind.
Da die probabilistische Prognose-Engine Sätze von Wahrscheinlichkeitsverteilungen liefert, beinhalten ihre Prognoseergebnisse wesentlich mehr Daten als die Ergebnisse einer klassischen Prognose-Engine. Dies ist an sich kein blockierendes Problem, aber um zu vermeiden, dass bei der Verarbeitung einer massiven Menge an Wahrscheinlichkeiten zu viel Reibung entsteht, ist eine hohe Zusammenarbeit zwischen der Datenplattform und der Prognose-Engine erforderlich.
Die Projektphasen
Die quantitative Supply Chain ist stark von der F&E im Software Engineering und den bewährten Verfahren der Datenwissenschaft inspiriert. Die Methodik ist stark iterativ, mit geringem Schwerpunkt auf vorheriger Spezifikation und einem hohen Schwerpunkt auf Agilität und der Fähigkeit, sich von unerwarteten Problemen und/oder unerwarteten Ergebnissen zu erholen. Als Ergebnis wird diese Methodik von Unternehmen, die nicht tief in der Softwareindustrie involviert sind, oft als überraschend wahrgenommen.
Die erste Phase ist die Scoping-Phase, in der festgelegt wird, welche Supply Chain-Entscheidungen von der Initiative abgedeckt werden sollen. In dieser Phase wird auch die erwartete Komplexität des Entscheidungsprozesses und der relevanten Daten diagnostiziert.
Die zweite Phase ist die Daten-Vorbereitungsphase. Diese besteht darin, eine automatisierte Einrichtung zu schaffen, die alle relevanten Daten aus den Unternehmenssystemen in eine separate analytische Plattform kopiert. Sie besteht auch darin, diese Daten für die quantitative Analyse vorzubereiten.
Die dritte Phase ist die Pilotphase und besteht darin, eine anfängliche Entscheidungslogik zu implementieren, die Entscheidungen generiert, z. B. die vorgeschlagenen Einkaufsmengen, die bereits die bisherigen Prozesse des Unternehmens übertreffen. Diese Logik soll vollständig automatisiert sein.
Die vierte Phase ist die Produktionsphase, in der die Initiative auf Reisegeschwindigkeit gebracht wird, die Leistung überwacht und aufrechterhalten wird und ein Konsens über den gewünschten Grad der Verfeinerung für die Supply Chain-Modelle erreicht wird.
Die Scoping-Phase ist am einfachsten und identifiziert die routinemäßigen Entscheidungen, die von der Quantitative Supply Chain-Initiative abgedeckt werden sollen. Diese Entscheidungen können viele Einschränkungen beinhalten: MOQ (Mindestbestellmengen), volle Container, maximale Lagerkapazität, … und diese Einschränkungen sollten genau untersucht werden. Entscheidungen sind auch mit wirtschaftlichen Treibern verbunden: Lagerhaltungskosten, Kosten für Fehlbestände, Bruttomarge, … und solche wirtschaftlichen Treiber sollten ebenfalls untersucht werden. Schließlich sollten die relevanten historischen Daten identifiziert werden, zusammen mit den Systemen, aus denen die Daten extrahiert werden.
Die Daten-Vorbereitungsphase ist die schwierigste Phase; die meisten Fehler treten in dieser Phase auf. Der Zugang zu Daten zu erhalten und Daten zu verstehen, ist fast immer eine unterschätzte Herausforderung. Operationale Systeme (z. B. ERP / MRP / WMS / OMS) wurden entwickelt, um das Unternehmen zu betreiben, um das Unternehmen am Laufen zu halten. Historische Daten sind ein Nebenprodukt solcher Systeme, da die Aufzeichnung von Daten nicht der Grund war, warum diese Systeme ursprünglich implementiert wurden. Daher sollten in dieser Phase viele Schwierigkeiten erwartet werden. Wenn Schwierigkeiten auftreten, haben die meisten Unternehmen einen unglücklichen Reflex: Lassen Sie uns einen vollständigen Spezifikationstext erstellen. Leider kann eine Spezifikation nur die bekannten oder erwarteten Schwierigkeiten abdecken. Doch fast alle wichtigen Probleme, die in dieser Phase auftreten, sind Elemente, für die keine Planung möglich ist.
In der Realität werden Probleme typischerweise erst dann offenbart, wenn jemand tatsächlich damit beginnt, die Daten auf ihre Fähigkeit zur Generierung datengesteuerter Entscheidungen zu testen. Wenn Entscheidungen falsch sind, obwohl die Logik als korrekt angesehen wird, liegt wahrscheinlich ein Problem mit den Daten vor. Datengesteuerte Entscheidungen neigen dazu, empfindlich auf Datenprobleme zu reagieren und stellen daher tatsächlich eine ausgezeichnete Möglichkeit dar, herauszufinden, wie viel Kontrolle das Unternehmen über seine eigenen Daten hat. Darüber hinaus stellt dieser Prozess die Daten auf eine für das Unternehmen sinnvolle Weise auf die Probe. Datenqualität und das Verständnis von Daten sind lediglich Mittel zum Zweck: etwas Wertvolles für das Unternehmen zu liefern. Es ist durchaus vernünftig, die Anstrengungen auf Datenprobleme zu konzentrieren, die einen signifikanten Einfluss auf datengesteuerte Entscheidungen haben.
Die Pilotphase ist die Phase, in der das Supply Chain Management auf die Probe gestellt wird. Die Annahme unsicherer, probabilistischer Prognosen kann ziemlich kontraintuitiv sein. Gleichzeitig führen viele traditionelle Praktiken wie wöchentliche oder monatliche Prognosen, Sicherheitsbestände, Lagerbestände, Lagerbestandswarnungen oder ABC-Analyse tatsächlich mehr Schaden als Nutzen an. Das bedeutet nicht, dass die Quantitative Supply Chain-Initiative unkontrolliert ablaufen sollte. Tatsächlich ist es genau das Gegenteil, da die Quantitative Supply Chain sich um messbare Leistung dreht. Viele traditionelle Supply Chain-Praktiken neigen jedoch dazu, Probleme auf eine Art und Weise zu formulieren, die der Lösung dieser Probleme entgegenwirkt. Daher besteht während der Pilotphase eine wichtige Herausforderung für die Supply Chain-Führung darin, offen zu bleiben und der Initiative nicht die Zutaten beizufügen, die später Ineffizienzen erzeugen werden. Man kann die Ursache nicht lieben und die Konsequenz verfluchen.
Dann werden auch der Supply Chain Scientist und die Technologie auf die Probe gestellt, da die Logik implementiert werden muss, um die Entscheidungen in relativ kurzer Zeit zu generieren. Das anfängliche Ziel besteht darin, Entscheidungen zu generieren, die von Praktikern als vernünftig angesehen werden und keine manuellen Korrekturen erfordern. Wir empfehlen, nicht zu unterschätzen, wie herausfordernd es ist, “solide” automatisierte Entscheidungen zu generieren. Traditionelle Supply Chain-Systeme erfordern viele manuelle Korrekturen, um überhaupt zu funktionieren: neue Produkte, Promotions, Lagerbestände… Die Quantitative Supply Chain stellt eine neue Regel auf: Für alltägliche Operationen sind keine manuellen Eingaben mehr zulässig, alle Faktoren sollten in die Logik eingebaut werden.
Der Supply Chain Coordinator ist dafür verantwortlich, alle Faktoren, Workflows und Spezifika zu sammeln, die in die Entscheidungslogik integriert werden sollten. Anschließend implementiert der Supply Chain Scientist die erste Charge von KPIs, die mit den Entscheidungen verbunden sind. Diese KPIs werden eingeführt, um Black-Box-Effekte zu vermeiden, die tendenziell auftreten, wenn fortgeschrittene numerische Methoden verwendet werden. Es ist wichtig zu beachten, dass die KPIs gemeinsam mit dem Supply Chain Leader entwickelt werden, der sicherstellt, dass die Messungen mit der Unternehmensstrategie übereinstimmen.
Die Produktionsphase stabilisiert die Initiative und bringt sie auf Reisegeschwindigkeit. Die von der Logik generierten Entscheidungen werden aktiv genutzt und ihre Ergebnisse werden genau überwacht. Es dauert in der Regel einige Wochen bis einige Monate, um die Auswirkungen einer bestimmten Supply Chain-Entscheidung zu bewerten, aufgrund der Lieferzeiten, die damit verbunden sind. Daher wird das Tempo der Initiative in der Produktionsphase verlangsamt, um zuverlässige Bewertungen der Leistung der automatisierten Entscheidungen zu ermöglichen. Die Initiative tritt in eine kontinuierliche Verbesserungsphase ein. Während weitere Verbesserungen immer wünschenswert sind, muss ein Gleichgewicht zwischen den Vorteilen möglicher Verfeinerungen der Logik und der entsprechenden Komplexität dieser Verfeinerungen erreicht werden, um die gesamte Lösung wartbar zu halten.
Der Supply Chain Coordinator, der von seinen alltäglichen Dateneingabeaufgaben befreit ist, kann sich nun auf die strategischen Erkenntnisse konzentrieren, die vom Supply Chain Management vorgeschlagen werden. In der Regel wurden wünschenswerte Änderungen der Supply Chain-Prozesse, die während der Pilotphase identifiziert wurden, zurückgestellt, um den Betrieb nicht zu stören, indem alles auf einmal geändert wird. Jetzt, da das Tempo der Entscheidungslogik langsamer geworden ist, wird es jedoch möglich, die Prozesse inkrementell zu überarbeiten, um Leistungsverbesserungen freizuschalten, die mehr als nur bessere Routineentscheidungen erfordern.
Der Supply Chain Scientist feilt weiter an der Logik und legt immer mehr Wert auf die KPIs und die Datenqualität. Er ist auch dafür verantwortlich, die Logik zu überarbeiten, da im Laufe der Zeit subtile Fehler oder subtile Einschränkungen, die typischerweise mit seltenen Situationen zusammenhängen, aufgedeckt werden. Wenn sich dann die Prozesse ändern, wird auch die Entscheidungslogik überarbeitet, um vollständig mit den Workflows und der Strategie übereinzustimmen. Selbst wenn sich interne Prozesse nicht ändern, ändern sich die allgemeine IT- und Geschäftsumgebung trotzdem ständig: Der Supply Chain Scientist muss sicherstellen, dass die Entscheidungslogik in diesem ständigen Fluss auf dem neuesten Stand bleibt.
Die Ergebnisse
Das Ziel der quantitativen Supply Chain besteht darin, umsetzbare Entscheidungen zu liefern - beispielsweise empfohlene Mengen für Bestellvorgänge. Im Folgenden klären wir die spezifische Form und den Liefermechanismus dieser Entscheidungen weiter auf. Die Festlegung klarer Erwartungen an die Ergebnisse ist ein wichtiger Schritt in der Reise, die die quantitative Supply Chain darstellt. Darüber hinaus sind die optimierten numerischen Ergebnisse nicht der einzige wünschenswerte Output: Auch andere Outputs, insbesondere die Überwachung der Datenintegrität und Management-KPIs, sollten in den Ergebnissen enthalten sein. In der Praxis hängen die Ergebnisse einer quantitativen Supply Chain-Initiative von der Flexibilität der verwendeten Softwarelösung ab, um die Initiative selbst zu unterstützen. Dennoch werden sie in erster Linie durch ihre Absicht definiert, die unabhängig von der verwendeten Technologie ist.
Skripte als Ergebnis
Die quantitative Supply Chain legt großen Wert auf vollautomatisierte Datenpipelines. Dies bedeutet nicht, dass das Software-Setup autonom laufen soll. Eine hohe Überwachung ist natürlich wünschenswert, wenn eine Supply Chain in großem Maßstab betrachtet wird. Dennoch wird erwartet, dass die Datenpipeline vollständig automatisiert ist, in dem Sinne, dass kein Schritt in der Pipeline von einer manuellen Operation abhängt. Tatsächlich skaliert die Lösung gemäß dem Manifest nicht in der Praxis, wenn manuelle Operationen bei der Unterstützung der Verarbeitung von Supply Chain-Daten involviert sind.
Als direkte Konsequenz dieser Erkenntnis sind die Ergebnisse einer quantitativen Supply Chain-Initiative unweigerlich ganze Softwarelösungen. Dies bedeutet nicht, dass das verantwortliche Team erwartet wird, alles neu zu implementieren: Eine Softwarelösung, die sich auf die relevanten Aspekte der Supply Chain-Herausforderungen konzentriert, bietet die Möglichkeit, sich ausschließlich darauf zu konzentrieren. Alle technischen Details auf niedriger Ebene, wie die Nutzung von verteilten Rechenressourcen, die innerhalb einer Cloud-Computing-Plattform automatisch zugewiesen werden, sollen abstrahiert werden. Das Team muss sich nicht mit solchen Angelegenheiten befassen, da erwartet wird, dass diese Aspekte angemessen von den Tools selbst verwaltet werden.
Die Ergebnisse werden als Skripte materialisiert, die typischerweise in einer Programmiersprache geschrieben sind, die den Anforderungen der Supply Chain gerecht wird und gleichzeitig ein hohes Maß an Produktivität bietet. Der Begriff “Skript” wird hier anstelle von “Quellcode” verwendet, aber die beiden Begriffe sind eng miteinander verbunden: Ein “Skript” betont die Idee eines hohen Abstraktionsgrads und einer Fokussierung auf die Aufgabe selbst, während ein “Quellcode” eine Perspektive auf niedrigerer Ebene betont, die eine genaue Reflexion der Hardware darstellen soll. Für die quantitative Supply Chain ist offensichtlich die Perspektive der Supply Chain am wichtigsten, nicht die Hardware, die ein technischer Aspekt von sekundärer Bedeutung ist.
In den letzten zehn Jahren haben viele Lieferanten von Supply Chain-Software versucht, den Erfolg von WYSIWYG (What-You-See-Is-What-You-Get)-Benutzeroberflächen für Endkunden-Apps mit einer WYSIWYG-Lösung für die Planung und Optimierung der Supply Chain nachzuahmen. Die Lehre aus dem nahezu systematischen Scheitern dieser Art von Schnittstellen ist jedoch, dass Supply Chains komplex sind und nicht auf programmatische Tools verzichten können. Aus unserer Erfahrung ist es illusorisch zu erwarten, dass ein Drag-and-Drop-Tool in der Lage ist, die komplexen Nichtlinearitäten, die beispielsweise bei überlappenden MOQ (Mindestbestellmengen) auftreten, angemessen widerzuspiegeln. Programmatische Ausdruckskraft ist erforderlich, da die Supply Chain-Herausforderung sonst nicht einmal innerhalb des Tools ausgedrückt werden kann.
Aus Sicht des Endbenutzers sind Skripte nicht das, was Supply Chain-Experten als greifbares Ergebnis der quantitativen Supply Chain-Initiative erwarten würden. Die Benutzer werden mit Dashboards interagieren, die konsolidierte KPIs und Tabellen enthalten, in denen empfohlene Entscheidungen zusammengefasst sind. Diese Dashboards sind jedoch vorübergehend und austauschbar. Sie werden lediglich durch erneutes Ausführen der Skripte auf den relevanten Supply Chain-Daten erstellt. Obwohl der Unterschied etwas subtil ist, ist es wichtig, das Skript, das das eigentliche Ergebnis darstellt, nicht mit seinem numerischen Ausdruck zu verwechseln, der typischerweise das ist, was ein Endbenutzer der Lösung sehen kann.
Dashboards zur Überwachung der Datenintegrität
Bevor wir optimierte Entscheidungen für die Supply Chain liefern können, müssen wir sicherstellen, dass die von dem System verarbeiteten Daten, das die quantitative Supply Chain-Initiative unterstützt, sowohl numerisch als auch semantisch korrekt sind. Der Zweck der Dashboards zur Überwachung der Datenintegrität, oder einfach nur Datenintegritäts-Dashboards, besteht darin, ein hohes Maß an Vertrauen in die Korrektheit der Daten zu gewährleisten, was natürlich eine wesentliche Anforderung für die Genauigkeit aller numerischen Ergebnisse ist, die von der Lösung zurückgegeben werden. Diese Dashboards unterstützen auch das Supply Chain-Team dabei, die Qualität der vorhandenen Daten zu verbessern.
Numerische Fehler sind einfach: Die aus dem ERP exportierte CSV-Datei gibt an, dass das Produkt ABC 42 Einheiten auf Lager hat, während die ERP-Webkonsole nur 13 Einheiten auf Lager meldet. Hier ist offensichtlich, dass wir abweichende Zahlen haben, wo sie gleich sein sollten. Die Datenintegritäts-Dashboards beheben diese relativ offensichtlichen Probleme, indem sie einfach überprüfen, ob die Datenaggregate innerhalb der erwarteten numerischen Bereiche bleiben.
Semantische Fehler sind subtiler und in der Praxis viel schwieriger zu lokalisieren. Die meiste Arbeit bei der Datenbereitung besteht tatsächlich darin, alle semantischen Fehler zu identifizieren und zu beheben. Zum Beispiel: Das Feld “stockinv” im ERP könnte als “Lagerbestand” dokumentiert sein. Das Supply Chain-Team geht also davon aus, dass diese Menge niemals negativ sein kann, weil offensichtlich, wenn diese Einheiten physisch erreichbar im Regal sind, es sich um eine positive Menge handeln muss. Die Dokumentation des ERP könnte jedoch auch leicht irreführend sein, und diese Menge wäre treffender als “verfügbarer Bestand” bezeichnet worden, da die Menge bei einem Lagerbestandsausfall und der Ausstellung einer rückständigen Bestellung negativ werden kann, um anzuzeigen, dass bereits eine bestimmte Anzahl von Einheiten einem Kunden zugesagt wurde. Dieser Fall veranschaulicht einen semantischen Fehler: Die Zahl ist an sich nicht falsch - es ist das Verständnis der Zahl, das ungefähr ist. In der Praxis können semantische Annäherungen viele inkonsistente Verhaltensweisen erzeugen, die wiederum laufende Reibungskosten in der Supply Chain verursachen.
Die Datenintegritäts-Dashboards konsolidieren Zahlen, die es dem Unternehmen ermöglichen, sofort zu entscheiden, ob die Daten als ausreichend gut angesehen werden können oder nicht. Da die Lösung täglich für Produktionszwecke verwendet wird, ist es unerlässlich, dass ein erhebliches Datenproblem durch eine nahezu sofortige Inspektion identifiziert wird. Andernfalls besteht die Wahrscheinlichkeit, dass die Supply Chain über Tage oder sogar Wochen hinweg auf fehlerhaften Daten arbeitet. In dieser Hinsicht ähnelt das Datenintegritäts-Dashboard einer Ampel: Grün bedeutet Durchfahrt, Rot bedeutet Stopp.
Darüber hinaus gibt es bei einer beträchtlichen Supply Chain in der Regel eine unvermeidliche Menge an korrupten oder anderweitig falschen Daten. Diese Daten entstehen durch fehlerhafte manuelle Eingaben oder durch seltene Ausnahmefälle in den Unternehmenssystemen selbst. In der Praxis ist es bei einer beträchtlichen Supply Chain unvernünftig zu erwarten, dass die Supply Chain-Daten zu 100% korrekt sind. Stattdessen müssen wir sicherstellen, dass die Daten genau genug sind, um die durch diese Fehler verursachten Reibungskosten nahezu zu vernachlässigen.
Daher wird erwartet, dass die Datenintegritäts-Dashboards auch Statistiken über die identifizierten Datenfehler sammeln. Diese Statistiken sind entscheidend, um festzustellen, ob den Daten vertraut werden kann. Zu diesem Zweck wird häufig ein Supply Chain Scientist hinzugezogen, um gut gewählte Alarmgrenzwerte festzulegen, die in der Regel mit einem harten Stopp der Lösung verbunden sind. Bei der Festlegung der Grenzwerte muss Vorsicht walten, denn wenn sie zu niedrig sind, ist die Lösung unbrauchbar, da sie zu häufig wegen “identifizierter Datenprobleme” gestoppt wird. Wenn sie jedoch zu hoch sind, können die durch Datenfehler verursachten Reibungskosten erheblich werden und die Vorteile der Initiative selbst untergraben.
Über die Ampelsignalisierung hinaus sollen Datenintegritäts-Dashboards auch priorisierte Einblicke in die Bemühungen zur Verbesserung der Daten bieten. Tatsächlich können viele Datenpunkte falsch sein, aber auch unbedeutend. Es spielt zum Beispiel keine Rolle, ob der Kaufpreis eines Produkts falsch ist, wenn die Marktnachfrage nach diesem Produkt vor Jahren verschwunden ist, da es keine weiteren Bestellungen für dieses Produkt geben wird.
Die Quantitative Supply Chain betont, dass die detaillierte Auflösung der Datenfehler, die möglicherweise eine erhebliche Menge an manueller Arbeit erfordert, gegenüber der geschätzten finanziellen Auswirkung des Datenfehlers im Verhältnis zu den Arbeitskosten für die Korrektur priorisiert werden sollte. Tatsächlich variiert je nach Situation der mit der Korrektur eines einzigen fehlerhaften Datenpunkts verbundene Kosten enorm und muss bei der vorgeschlagenen Priorisierung berücksichtigt werden. Schließlich kann der Datenverbesserungsprozess gestoppt werden, wenn die Korrekturkosten als teurer angesehen werden als die durch diese Fehler verursachten Supply Chain-Kosten.
Priorisierte Entscheidungs-Dashboards
Wie wir gesehen haben, können nur Supply Chain-Entscheidungen wirklich aus quantitativer Sicht bewertet werden. Daher ist es nicht überraschend, dass eines der wichtigsten operativen Ergebnisse einer Quantitative Supply Chain-Initiative die Dashboards sind, die die als endgültiges numerisches Ergebnis der gesamten Datenpipeline erhaltenen Entscheidungen zusammenfassen. Ein solches Dashboard kann so einfach sein wie eine Tabelle, in der für jedes Produkt die genaue Menge in Einheiten aufgelistet ist, die sofort nachbestellt werden soll. Wenn Mindestbestellmengen (MOQs) vorhanden sind - oder andere Bestellbeschränkungen - können die vorgeschlagenen Mengen die meiste Zeit null sein, bis die richtigen Schwellenwerte erreicht sind.
Vereinfachend nehmen wir hier an, dass diese numerischen Ergebnisse in ein Dashboard eingebunden sind, das eine spezifische Form einer Benutzeroberfläche ist. Das Dashboard selbst ist jedoch nur eine Option, die relevant sein kann oder auch nicht. In der Praxis wird erwartet, dass die Software, die die Quantitative Supply Chain-Initiative unterstützt, hochflexibel ist, d.h. programmatisch flexibel ist und viele Möglichkeiten bietet, diese Ergebnisse in verschiedenen Datenformaten zu verpacken. Zum Beispiel können die numerischen Ergebnisse in flachen Textdateien konsolidiert werden, die automatisch in das primäre ERP importiert werden sollen, das zur Verwaltung der Vermögenswerte des Unternehmens verwendet wird.
Während das Format der Entscheidungen stark von der behandelten Supply Chain-Aufgabe abhängt, erfordern die meisten Aufgaben eine Priorisierung dieser Entscheidungen. Zum Beispiel kann der Vorgang der Berechnung der vorgeschlagenen Mengen für eine Bestellung durch eine priorisierte Liste der zu erwerbenden Einheiten aufgeschlüsselt werden. Die profitabelste Einheit steht an erster Stelle. Da der Lagerbestand abnehmende Erträge bringt, adressiert die zweite Einheit, die für dasselbe Produkt erworben wird, nur einen abnehmenden Anteil der Marktnachfrage. Daher muss die zweite Einheit für dieses Produkt möglicherweise nicht der zweite Eintrag in der Gesamtliste sein. Stattdessen kann die zweitprofitabelste Einheit mit einem anderen Produkt verbunden sein usw. Die priorisierte Liste der zu erwerbenden Einheiten ist konzeptionell endlos: Es ist immer möglich, eine weitere Einheit zu kaufen. Da die Marktnachfrage endlich ist, würden alle gekauften Einheiten nach einem bestimmten Punkt zu totem Lagerbestand werden. Um diese Prioritätsliste in die endgültigen Einkaufsmengen umzuwandeln, ist nur ein Abbruchkriterium einzuführen und die Mengen pro Produkt zusammenzufassen. In der Praxis erschweren nichtlineare Bestellbeschränkungen diese Aufgabe weiter, aber um der Einfachheit willen lassen wir diese Beschränkungen in diesem Stadium der Diskussion beiseite.
Die Priorisierung von Entscheidungen ist aus Sicht der quantitativen Supply Chain eine sehr natürliche Operation. Da jede Entscheidung mit einem finanziellen Ergebnis in Dollar verbunden ist, ist es einfach, die Entscheidungen von der profitabelsten bis zur am wenigsten profitablen zu rangieren. Daher kann erwartet werden, dass viele, wenn nicht die meisten, der Dashboards, die die vorgeschlagenen Supply-Chain-Entscheidungen zusammenstellen, in der Praxis priorisierte Listen von Entscheidungen sind. Diese Dashboards enthalten Listen mit hochprofitablen Entscheidungen, die oben aufgeführt sind, und sehr unrentable Entscheidungen, die unten aufgeführt sind. Alternativ können Supply-Chain-Praktiker beschließen, die Listen zu kürzen, wenn Entscheidungen unrentabel sind. Es gibt jedoch häufig Erkenntnisse, die gewonnen werden können, wenn Entscheidungen untersucht werden, die knapp unterhalb der Rentabilitätsschwelle liegen - auch wenn das Unternehmen offensichtlich nicht erwartet wird, auf diese unrentablen Einträge zu reagieren.
Um solche entscheidungsgetriebenen Dashboards bereitzustellen, muss die Softwarelösung, die die quantitative Supply Chain unterstützt, eine große Anzahl möglicher Entscheidungen numerisch untersuchen können. Zum Beispiel sollte die Lösung in der Lage sein, die finanziellen Auswirkungen des Kaufs jeder einzelnen Einheit, Einheit für Einheit, für jedes einzelne Produkt an jedem einzelnen Standort zu berücksichtigen. Nicht überraschend erfordert diese Operation möglicherweise erhebliche Rechenressourcen. Glücklicherweise sind heutzutage Computerhardware in der Lage, selbst die größten globalen Lieferketten zu bewältigen. Vorausgesetzt, die zugrunde liegende Softwarelösung ist für die quantitative Supply Chain geeignet, sollte die Skalierbarkeit der Datenverarbeitung für Supply-Chain-Teams kein Problem darstellen.
Die numerischen Ergebnisse transparent machen
Systeme, die in der Supply Chain und auch in anderen Bereichen abfällig als “Black Boxes” bezeichnet werden, sind Systeme, die Ausgaben generieren, die von den Praktikern, die mit diesen Systemen interagieren, nicht erklärt werden können. Die quantitative Supply Chain, mit ihrem spezifischen Fokus auf eine automatisierte Datenpipeline, läuft auch Gefahr, das zu liefern, was Supply-Chain-Teams als “Black Boxes” klassifizieren würden. Tatsächlich sind die finanziellen Auswirkungen von Supply-Chain-Entscheidungen für ein Unternehmen sehr wichtig, und während ein neueres System die Situation verbessern kann, kann es auch potenziell Katastrophen verursachen. Obwohl Automatisierung sehr wünschenswert ist, bedeutet dies nicht, dass von dem Supply-Chain-Team erwartet wird, dass es ein gründliches Verständnis dafür hat, was von der Datenpipeline, die die quantitative Supply Chain-Initiative unterstützt, geliefert wird.
Der Begriff Whiteboxing bezieht sich auf den Aufwand, der erforderlich ist, um die Lösung vollständig transparent zum Nutzen der Supply-Chain-Teams zu machen. Dieser Ansatz betont, dass keine Technologie von Natur aus transparent ist. Transparenz ist das Ergebnis einer spezifischen Anstrengung, die Teil der Initiative selbst ist. Selbst eine einfache lineare Regression kann in der Praxis verwirrende Ergebnisse erzeugen. Abgesehen von einigen Ausnahmetalenten haben die meisten Menschen kein intuitives Verständnis dafür, was die “erwartete” Ausgabe des linearen Modells ist, wenn 4 oder mehr Dimensionen involviert sind. Doch Supply-Chain-Probleme beinhalten oft Dutzende, wenn nicht Hunderte von Variablen. Selbst einfache statistische Modelle sind für Supply-Chain-Praktiker de facto Black Boxes. Natürlich bleiben die Praktiker bei der Verwendung von Machine-Learning-Algorithmen, wie es von der quantitativen Supply Chain empfohlen wird, noch mehr im Dunkeln.
Während der Black-Box-Effekt ein echtes Problem ist, liegt die realistische Lösung nicht darin, die Datenverarbeitung in Berechnungen zu vereinfachen, die für den menschlichen Verstand unmittelbar verständlich sind. Dieser Ansatz ist ein Rezept für extreme Ineffizienz, das alle Vorteile der modernen Rechenressourcen zunichte macht, die zur Bewältigung der rohen Komplexität moderner Lieferketten genutzt werden können. Die Vereinfachung des Prozesses ist nicht die Antwort. Das Whiteboxing ist es.
Selbst die komplexesten Empfehlungen für die Lieferkette können für Supply-Chain-Praktiker weitgehend transparent gemacht werden, indem die inneren Berechnungen mit gut gewählten finanziellen Indikatoren aufgeschlüsselt werden, die die wirtschaftlichen Treiber repräsentieren, die die Empfehlung selbst unterstützen. Anstatt nur eine nackte Tabelle mit zwei Spalten Produkt und Menge als vorgeschlagene Bestellung anzuzeigen, sollte die Tabelle ein paar Spalten enthalten, die die Entscheidungsfindung unterstützen. Diese zusätzlichen Spalten können den aktuellen Lagerbestand, die Gesamtnachfrage der letzten Monate, die erwartete Lieferzeit, die erwarteten finanziellen Kosten bei Lagerbestand (wenn keine Bestellung erfolgt), die erwarteten finanziellen Kosten bei Überbestand (Risiko, das mit der vorgeschlagenen Bestellung verbunden ist), usw. enthalten. Die Spalten sind so gestaltet, dass das Supply-Chain-Team schnelle Plausibilitätsprüfungen der vorgeschlagenen Mengen durchführen kann. Über die Spalten kann das Team schnell Vertrauen in die numerischen Ergebnisse aufbauen und auch einige Schwachstellen einer Lösung identifizieren, die weiter verbessert werden muss.
Das Erweitern der Dashboards zu Whiteboxing-Zwecken ist teilweise eine Kunst. Das Generieren von Millionen von Zahlen ist einfach, selbst wenn nur die Rechenressourcen eines Smartphones zur Verfügung stehen. Das Generieren von 10 Zahlen, die es wert sind, täglich betrachtet zu werden, ist jedoch sehr schwierig. Die Kernherausforderung besteht daher darin, ein Dutzend oder weniger KPIs zu identifizieren, die ausreichen, um die empfohlenen Entscheidungen für die Lieferkette zu beleuchten. Gute KPIs erfordern in der Regel viel Arbeit; sie sollten keine naiven Definitionen sein, die in der Lieferkette in der Regel irreführend sind. Zum Beispiel kann selbst eine so einfache Spalte wie der “Einheitskaufpreis” sehr irreführend sein, wenn der Lieferant Mengenrabatte anbietet, wodurch der Kaufpreis von der gekauften Menge abhängt.
Strategische Dashboards
Während der Fokus auf Entscheidungen im kleinen Maßstab notwendig ist - da dies einer der wenigen Ansätze ist, der sich für quantitative Leistungsbewertungen eignet - muss die Lieferkette möglicherweise auch in größerem, stärker disruptivem Maße angepasst werden, um die Leistung auf das nächste Level zu bringen. Zum Beispiel erhöht der Kauf von mehr gut ausgewählten Lagerbestandseinheiten marginal den Servicegrad. Irgendwann ist das Lager jedoch voll und es kann keine zusätzliche Einheit gekauft werden. In dieser Situation sollte über ein größeres Lager nachgedacht werden. Um die Auswirkungen dieser Einschränkung zu bewerten, können wir die Lagerkapazitätsbeschränkung aus den Berechnungen entfernen und den Gesamtfinanzvorteil des Betriebs mit einem beliebig großen Lager bewerten. Das Supply-Chain-Management kann dann den finanziellen Indikator im Auge behalten, der mit den Reibungskosten verbunden ist, die durch die Lagerkapazität selbst entstehen, und dann entscheiden, wann es an der Zeit ist, die Lagerkapazität zu erhöhen.
Typischerweise arbeiten Lieferketten auf der Grundlage zahlreicher Einschränkungen, die nicht täglich überarbeitet werden können. Diese Einschränkungen können das Betriebskapital, die Lagerkapazität, Verzögerungen im Transport, die Produktionsdurchsatzrate usw. umfassen. Jede Einschränkung ist mit einem impliziten Opportunitätskosten für die Lieferkette verbunden, die sich in der Regel in mehr Lagerbestand, mehr Verzögerungen oder mehr Lagerbeständen niederschlagen. Die Opportunitätskosten können durch die Leistungsgewinne bewertet werden, die durch das Entfernen oder Abschwächen der Einschränkung selbst erzielt würden. Während einige dieser Simulationen möglicherweise schwierig umzusetzen sind, sind sie häufig nicht schwieriger als die Optimierung der Routineentscheidungen, d.h. die Festlegung der Bestellmengen.
Die Quantitative Supply Chain betont, dass die Opportunitätskosten, die mit diesen Einschränkungen verbunden sind, Teil der Produktionsdatenpipeline sein sollten und in der Regel mit dedizierten Dashboards materialisiert werden sollten, die speziell dazu dienen, dem Supply-Chain-Management bei der Entscheidung zu helfen, wann es an der Zeit ist, größere Veränderungen in ihrer Lieferkette vorzunehmen. Diese Art von Dashboards wird als strategische Dashboards bezeichnet. Dieser Ansatz unterscheidet sich von der traditionellen Lieferkettenpraxis, die ad hoc-Initiativen betont, wenn das Gefühl besteht, dass die Lieferkette an ihre Betriebsgrenze stößt. Die von strategischen Dashboards gelieferten KPIs werden täglich oder bei Bedarf häufiger aktualisiert, genau wie der Rest der Datenpipeline. Sie müssen keine Last-Minute-Anstrengung unternehmen, weil sie auf dem neuesten Stand sind und von den Erkenntnissen einer langfristigen Initiative profitieren können.
Die strategischen Dashboards unterstützen den Entscheidungsprozess des Supply-Chain-Managements. Da sie Teil der Datenpipeline sind, bleiben die KPIs immer auf dem neuesten Stand zur aktuellen Situation des Unternehmens, wenn sich der Markt schneller entwickelt als üblich. Dieser Ansatz vermeidet die traditionellen Fallstricke von ad hoc-Untersuchungen, die den bereits überfälligen Problemen zwangsläufig weitere Verzögerungen hinzufügen. Dieser Ansatz mildert auch das alternative Problem weitgehend ab, nämlich hastige strategische Entscheidungen, die sich als unrentabel erweisen - ein bedauerlicher Zustand, der von Anfang an hätte vorhergesehen werden können.
Inspektions-Dashboards
Supply Chains sind sowohl komplex als auch unvorhersehbar. Diese Eigenschaften machen die Fehlersuche in der Datenpipeline zu einer äußerst herausfordernden Aufgabe. Dennoch ist diese Datenpipeline das Rückgrat der Quantitative Supply Chain Initiative. Fehler bei der Datenverarbeitung oder Bugs können überall in der Datenpipeline auftreten. Schlimmer noch, die häufigste Art von Problemen ist nicht die falsche Formel, sondern die mehrdeutige Semantik. Zum Beispiel kann die Variable stockinv am Anfang der Pipeline auf den verfügbaren Bestand verweisen (wo negative Werte möglich sind), während sie später mit einer Interpretation des Bestands vor Ort verwendet wird (wo positive Werte erwartet werden). Die mehrdeutige Interpretation der Variable stockinv kann eine Vielzahl von falschen Verhaltensweisen erzeugen, von Systemabstürzen - die offensichtlich sind und daher nur mäßig schädlich - bis hin zu einer stillen und weit verbreiteten Korruption der Supply-Chain-Entscheidungen.
Da Supply Chains fast immer aus einer einzigartigen Mischung von im Laufe der Jahre eingerichteten Softwarelösungen bestehen, besteht keine Hoffnung, Zugang zu einer “bewährten” Softwarelösung zu erhalten, die frei von Fehlern ist. Tatsächlich treten die meisten Probleme an den Systemgrenzen auf, wenn Daten aus verschiedenen Systemen abgeglichen werden oder sogar nur Daten aus verschiedenen Modulen innerhalb desselben Systems abgeglichen werden. Daher muss das Tooling unabhängig davon, wie bewährt die Softwarelösung sein mag, den Debugging-Prozess problemlos unterstützen, da solche Probleme zwangsläufig auftreten.
Der Zweck der Inspektions-Dashboards besteht darin, detaillierte Ansichten für eine genaue Untersuchung der Supply-Chain-Datensätze bereitzustellen. Diese Dashboards sind jedoch keine einfachen Drill-Downs, um die Eingabedatentabellen zu inspizieren. Ein solcher Drill-Down oder ähnliche Ansätze zum Zerlegen der Daten würden den Punkt verfehlen. Supply Chains drehen sich um Flüsse: Materialfluss, Zahlungsfluss usw. Einige der schwerwiegendsten Datenprobleme treten auf, wenn die Kontinuität des Flusses “logisch” verloren geht. Wenn beispielsweise Waren von Lager A nach Lager B transportiert werden, fehlen möglicherweise einige Produkt-Einträge in der Datenbank von Lager B, was subtile Datenkorruptionen verursacht, da Einheiten aus Lager A in Lager B empfangen werden, ohne ordnungsgemäß mit ihrem Produkt verknüpft zu werden. Wenn numerische Ergebnisse seltsam erscheinen, sind diese Inspektions-Dashboards die erste Wahl für den Supply Chain Scientist, um eine schnelle Stichproben-Datenuntersuchung durchzuführen.
In der Praxis bietet ein Inspektions-Dashboard einen Einstieg auf niedriger Ebene wie einen Produktcode oder eine SKU und konsolidiert alle Daten, die mit diesem Einstiegspunkt verbunden sind, in einer einzigen Ansicht. Wenn Waren durch viele Standorte fließen, wie es zum Beispiel in der Luft- und Raumfahrt-Supply Chain der Fall ist, versucht das Inspektions-Dashboard in der Regel, die Trajektorien der Waren wiederherzustellen, die nicht nur durch mehrere physische Standorte, sondern auch durch mehrere Systeme gegangen sein können. Durch die Zusammenführung all dieser Daten an einem Ort wird es dem Supply Chain Scientist ermöglicht, zu beurteilen, ob die Daten sinnvoll sind: Ist es möglich, den Ursprung der versandten Waren zu identifizieren? Stimmen die Lagerbewegungen mit den offiziellen Supply-Chain-Richtlinien überein usw.? Das Inspektions-Dashboard ist ein “Debugging”-Tool, da es darauf abzielt, die eng miteinander verbundenen Daten nicht aus Sicht der IT, sondern aus Sicht der Supply Chain zusammenzuführen.
Die Inspektions-Dashboards sind das Gegenstück auf niedriger Ebene zum Data Health Dashboard. Sie konzentrieren sich auf vollständig disaggregierte Daten, während Data Health Dashboards in der Regel eine höhere Sicht auf die Daten einnehmen. Außerdem sind Inspektions-Dashboards in der Regel ein integraler Bestandteil der Whiteboxing-Bemühungen. Wenn sich eine scheinbar verwirrende Empfehlung ergibt, müssen Supply-Chain-Praktiker einen genauen Blick auf eine SKU oder ein Produkt werfen, um herauszufinden, ob die empfohlene Entscheidung vernünftig ist oder nicht. Das Inspektions-Dashboard ist typischerweise für diesen Zweck angepasst, indem es viele Zwischenergebnisse enthält, die zur Berechnung der endgültigen Empfehlung beitragen.
Bewertung des Erfolgs
Es mag paradox erscheinen, aber während die Quantitative Supply Chain einen erheblichen Schwerpunkt auf numerische Methoden und Messungen legt, zeigt unsere Erfahrung, dass Metriken uns oft zu wenig und oft zu spät darüber sagen, ob eine Initiative auf dem richtigen Weg ist. Fast alle Metriken können manipuliert werden, und dies geschieht in der Regel auf Kosten der Nachhaltigkeit des gewählten Ansatzes. Daher sucht die Quantitative Supply Chain offensichtliche Verbesserungen: Wenn Verbesserungen so subtil sind, dass es fortgeschrittener Messungen bedarf, um sie zu erkennen, war die Initiative höchstwahrscheinlich nicht den Aufwand wert und sollte als Misserfolg betrachtet werden. Im Gegenteil, wenn Verbesserungen erkennbar und konsistent über viele Metriken hinweg sind und die Supply Chain insgesamt agiler und reaktionsfähiger erscheint als je zuvor, dann war die Initiative höchstwahrscheinlich erfolgreich.
Metriken können manipuliert werden
Es gibt einen Grund, warum Ingenieure selten anhand von Metriken bewertet werden: Sie sind einfach zu gut darin, die Metriken zu manipulieren, das heißt, sie nutzen die Metriken zu ihrem eigenen Vorteil, anstatt den Interessen des Unternehmens zu dienen. Supply Chains sind komplex und nahezu alle einfachen Metriken können auf eine Weise ausgenutzt werden, die für das Unternehmen äußerst zerstörerisch sein kann. Es mag so erscheinen, als ob dieses Problem nur eine Frage des Schließens der Schlupflöcher ist, die in den Metriken lauern. Unsere Erfahrung zeigt jedoch, dass es immer noch ein weiteres Schlupfloch gibt, das gefunden werden kann.
Eine Geschichte des Reverse Engineerings von Metriken
Nehmen wir ein fiktives E-Commerce-Unternehmen als Beispiel. Das Management beschließt, dass die Servicelevels verbessert werden müssen und somit das Servicelevel zur Leitmetrik wird. Das Supply-Chain-Team beginnt, gemäß dieser Metrik zu arbeiten, und entwickelt eine Lösung, die darin besteht, die Lagerbestände erheblich zu erhöhen und damit massive Kosten für das Unternehmen zu verursachen.
Als Folge ändert das Management die Regeln, die maximale Lagermenge wird festgelegt und das Team muss innerhalb dieser Grenze arbeiten. Das Team überarbeitet seine Zahlen und erkennt, dass der einfachste Weg, die Lagerbestände zu senken, darin besteht, große Mengen an Beständen als “tot” zu kennzeichnen, was aggressive Werbeaktionen auslöst. Die Lagerbestände werden tatsächlich gesenkt, aber die Bruttomargen werden dabei erheblich reduziert.
Das Problem bleibt erneut nicht unbemerkt und die Regeln werden noch einmal geändert. Eine neue Begrenzung wird eingeführt, wie viel Lagerbestand als “tot” markiert werden kann. Die Umsetzung dieser neuen Regel erfordert viel Aufwand, da die Supply Chain plötzlich mit “alten” Beständen zu kämpfen hat, die stark rabattiert werden müssen. Um mit dieser neuen Regel zurechtzukommen, erhöht das Team den Anteil des Lufttransports im Vergleich zum Seetransport. Die Lieferzeiten werden verkürzt, die Bestände werden gesenkt, aber die Betriebskosten steigen schnell an.
Um mit den außer Kontrolle geratenen Betriebskosten umzugehen, ändert das Management die Regeln erneut und legt eine Obergrenze für den Prozentsatz der Waren fest, die per Luftfracht transportiert werden können. Auch diese neue Regel richtet Chaos an, da sie eine Reihe von Lieferengpässen auslöst, die durch den Einsatz von Luftfracht hätten vermieden werden können. Aufgrund der zunehmend engen Einschränkungen, unter denen das Team arbeiten muss, verzichtet das Team darauf, die Preisnachlässe der Lieferanten zu nutzen. Der Kauf kleinerer Mengen ist auch eine Möglichkeit, die Lieferzeiten zu verkürzen. Doch auch hierbei werden die Bruttomargen reduziert.
Das Zurückbringen der Einkaufspreise auf Kurs erweist sich für das Management als wesentlich schwierigeres Ziel. Keine einfache Regel kann diese Herausforderung bewältigen, und stattdessen werden eine Vielzahl von Preiszielen für jede Produktunterkategorie eingeführt. Viele Ziele erweisen sich als unrealistisch und führen zu Fehlern. Insgesamt wird das Bild der Supply Chain immer unklarer. Unter Druck von vielen Seiten beginnt das Supply-Chain-Team, ein obskures Merkmal des Bedarfsplanungsprozesses anzupassen: die Produktsubstitutionsliste.
Tatsächlich wurde dem Management frühzeitig im Prozess klar, dass einige Lieferengpässe bei weitem nicht so gravierend waren wie andere, weil einige der fehlenden Produkte mehrere nahezu perfekte Alternativen hatten. Folglich waren sich alle einig, dass Lieferengpässe bei diesen Produkten bei der Berechnung des Gesamt-Servicelevels weitgehend vernachlässigt werden konnten. Das Supply-Chain-Team, das nun unter enormem Druck arbeitet, beginnt jedoch, den Zweck dieser Liste ein bis zwei Stufen über ihre ursprüngliche Absicht hinaus zu dehnen: Produkte, die nicht so ähnlich sind, werden als nahezu perfekte Alternativen aufgelistet. Die Service-Level-Metriken verbessern sich, aber das Geschäft nicht.
Die Fallstricke des Erfolgs
Metriken können manipuliert werden und wenn Teams toxische Anreize erhalten, werden Metriken höchstwahrscheinlich in irreführender Weise genutzt. Die Situation ist jedoch bei weitem nicht so schlimm, wie es scheinen mag. Tatsächlich zeigt unsere Erfahrung, dass Mitarbeiter, abgesehen von wirklich dysfunktionalen Unternehmenskulturen, in der Regel nicht dazu neigen, ihre Arbeit zu sabotieren. Ganz im Gegenteil, wir haben beobachtet, dass die meisten Mitarbeiter stolz darauf sind, das Richtige zu tun, auch wenn dies bedeutet, dass Unternehmensrichtlinien ein wenig gedehnt werden müssen.
Anstatt dem Team, das für die Umsetzung der Supply-Chain-Optimierungsstrategie verantwortlich ist, die Freiheit zu nehmen, ist es wichtig, das Team dazu zu ermutigen, eine Reihe von Metriken zu entwickeln, die das Supply-Chain-Initiative als Ganzes beleuchten. Die Rolle des Managements besteht nicht darin, Regeln auf der Grundlage dieser Metriken durchzusetzen, sondern die strategische Denkweise, die diesen Metriken zugrunde liegt, in Frage zu stellen. Häufig sollte das unmittelbare Ziel nicht einmal darin bestehen, die Metrikwerte zu verbessern, sondern die Definition der Metriken selbst zu verbessern.
In der Realität sind nicht alle Metriken gleich wertvoll für ein Unternehmen. Es erfordert in der Regel erhebliche Anstrengungen, Metriken zu entwickeln, die eine sinnvolle Perspektive auf das Geschäft bieten. Diese Arbeit erfordert nicht nur ein gutes Verständnis der Geschäftsstrategie, sondern auch ein tiefes Wissen über die zugrunde liegenden Daten, die mit einer Vielzahl von Artefakten und anderen numerischen Eigenheiten einhergehen. Daher sollten Metriken vor allem als ein fortlaufender Prozess betrachtet werden.
Wir haben festgestellt, dass ein starker Indikator für den Erfolg eines Supply-Chain-Projekts die Qualität der Metriken ist, die im Rahmen der Initiative festgelegt werden. Es ist jedoch ein Paradoxon, dass es keine vernünftige Metrik gibt, um die Relevanz dieser Metriken tatsächlich zu bewerten. Hier sind einige Elemente, die helfen können, die Qualität der Metriken zu bewerten:
- Gibt es einen Konsens innerhalb der verschiedenen Supply-Chain-Teams, dass die Metriken das Wesentliche des Geschäfts erfassen? Oder dass die vom Metriken implizit geförderten Geschäftsperspektiven weder kurzsichtig noch einseitig sind?
- Haben die Metriken eine echte Tiefe, wenn es darum geht, die Zahlen mit wirtschaftlichen Treibern in Einklang zu bringen? Einfachheit ist wünschenswert, aber nicht auf Kosten eines falschen Gesamtbildes.
- Werden die Datenartefakte ordnungsgemäß behandelt? In der Regel gibt es Dutzende von subtilen “Fallen”, die beachtet werden müssen, wenn die aus den Unternehmenssystemen extrahierten Daten verarbeitet werden. Unsere Erfahrung zeigt, dass wir misstrauisch sein sollten, wenn Rohdaten gut genug erscheinen, da dies in der Regel bedeutet, dass Probleme noch nicht einmal identifiziert wurden.
- Ergibt eine Entscheidung, die ansonsten mit den Metriken übereinstimmt, keinen Sinn? Wenn eine Entscheidung, die ansonsten mit den Metriken übereinstimmt, keinen Sinn ergibt, dann wahrscheinlich nicht; und das Problem liegt häufig in der Metrik selbst.
In vielerlei Hinsicht ist das Erstellen guter Metriken wie die Ausrichtung der Schwerkraft auf den Weg zum Erfolg: Es sei denn, etwas kommt dazwischen, der natürliche Verlauf der Handlung ist es, den Hang hinunter zum Boden zu rollen, der genau dort liegt, wo der Erfolg liegt. Es ist nicht einmal unbedingt erforderlich, die genaue Tiefe des Bodens zu kennen, solange jeder Schritt auf dem Weg zum Boden das Unternehmen verbessert.
Vernünftige Entscheidungen führen zu besseren Leistungen
In der Supply Chain haben selbst die besten Metriken einen großen Nachteil: Zahlen sind in der Regel spät dran. Lieferzeiten können lang sein und die heute getroffenen Entscheidungen können erst nach Wochen oder sogar Monaten sichtbare Auswirkungen haben. Darüber hinaus erschwert die Quantitative Supply Chain, die einen erheblichen Schwerpunkt auf iterative und inkrementelle Verbesserungen legt, diese Angelegenheit weiter. Die Verwendung nicht-inkrementeller Methoden wäre jedoch noch schlimmer, wenn auch aus anderen Gründen. Daher können Metriken nicht die einzigen Signale sein, die zur Beurteilung des Erfolgs der Initiative verwendet werden.
Die Generierung vernünftiger Entscheidungen ist ein einfaches, aber unterschätztes Signal für eine überlegene Leistung. Tatsächlich produzieren die Systeme in den meisten Fällen weiterhin “unsinnige” Entscheidungen, die von den Supply-Chain-Teams manuell erkannt und behoben werden. Der Zweck aller “Warnungen” oder ähnlicher reaktiver Mechanismen besteht genau darin, die laufenden Probleme durch laufende manuelle Korrekturmaßnahmen zu mildern.
Die Quantitative Supply Chain-Initiative an den Punkt zu bringen, an dem alle Entscheidungen - die in vollständig automatisierter Weise generiert werden - als vernünftig oder sicher angesehen werden, ist eine viel größere Leistung, als die meisten Praktiker erkennen. Die Betonung auf “automatisierten” Entscheidungen ist hier wichtig: Um den Regeln zu folgen, sollte keine menschliche Intervention erforderlich sein. Mit “vernünftig” meinen wir Entscheidungen, die auch nach einigen Stunden Untersuchung des Falls noch gut aussehen; was natürlich aufgrund der schieren Anzahl ähnlicher Entscheidungen, die jeden Tag getroffen werden müssen, nicht regelmäßig möglich ist.
Unsere Erfahrung zeigt, dass die automatisierten Entscheidungen zuverlässig sind und sich die Leistung später materialisiert, wenn diese Entscheidungen tatsächlich “in Produktion” verwendet werden. Tatsächlich ist der “Vernunft”-Test ein sehr strenger Test für die Entscheidungslogik. Wenn Ihr Unternehmen nicht bereits etwas sehr Ähnliches wie die Quantitative Supply Chain nutzt, dann sind die vorhandenen Systeme Ihres Unternehmens höchstwahrscheinlich weit davon entfernt, diesen Test zu bestehen. Als Folge werden ständig unentdeckte Fehler gemacht und das Unternehmen zahlt viel für diesen fortlaufenden Strom von Problemen.
Aus operationeller Sicht werden die Supply-Chain-Teams, sobald die Supply-Chain-Entscheidungen automatisiert werden, von der Knechtschaft befreit, ihr eigenes System mit einer endlosen Reihe von manuellen Einträgen zu füttern. Diese Produktivitätsgewinne können dort reinvestiert werden, wo es wirklich wichtig ist: um die Feinheiten der Supply-Chain-Strategie selbst zu verfeinern oder Lieferanten genauer zu überwachen, um Supply-Chain-Probleme zu lösen, die von ihrer Seite ausgehen. Die Leistungssteigerung, die durch die reine quantitative Optimierung der Supply Chain erreicht wird, wird durch die Gewinne verstärkt, die durch die Supply-Chain-Teams erzielt werden, die endlich Zeit haben, die Prozesse und Workflows zu verbessern.