Entscheidungsgetriebene Optimierung

Die quantitative Lieferkette konzentriert sich auf die Erzeugung automatisierter leistungsstarker Entscheidungen in der Lieferkette. Der Fokus liegt nicht auf der Bereitstellung numerischer Artefakte wie wöchentlicher Prognosen. Diese Artefakte werden als willkürliche interne Berechnungen betrachtet, die zufällig zur Berechnung der endgültigen Entscheidungen verwendet werden. Wir definieren eine Entscheidung als Antwort auf ein Lieferkettenproblem, das umgesetzt werden kann und eine greifbare, wenn auch nicht physische, Konsequenz für die Lieferkette selbst hat. Aus einer klassischen Perspektive der Lieferkettenplanung mag es überraschend erscheinen, sich auf Lieferentscheidungen zu konzentrieren, da sie nicht entlang der üblichen Linien von Planung vs. Betrieb definiert sind. Dennoch erleichtert die Konzentration auf Entscheidungen die tatsächliche Optimierung der Lieferkette erheblich. In diesem Abschnitt klären wir das Konzept einer Lieferkettenentscheidung, überprüfen die häufigsten Arten von Entscheidungen und charakterisieren wichtige Aspekte der entscheidungsgetriebenen Perspektive.

Abgrenzung der zulässigen Entscheidungen

Die quantitative Lieferkette nimmt eine stark numerische und statistische Haltung zu Lieferkettenherausforderungen ein. Diese Haltung ist jedoch nicht für alle Herausforderungen geeignet. Um zu beurteilen, ob die quantitative Perspektive für eine Herausforderung geeignet ist, sollten die folgenden Bedingungen erfüllt sein:

Wiederholbarkeit: Die Erstellung eines numerischen Rezepts zur Lösung der Herausforderung erfordert Aufwand, der sich in Kosten niederschlägt. Um eine Lieferkette profitabel zu optimieren, muss sichergestellt werden, dass der Optimierungsprozess selbst nicht mehr kostet als die erwarteten Vorteile. Als Faustregel gelten Routineprobleme, z. B. Wiederbeschaffung, die täglich oder wöchentlich angegangen werden müssen, als weitaus bessere Kandidaten für einen quantitativen Ansatz als außergewöhnliche Probleme, z. B. die Expansion in ein neues Land.
Eng definierte Entscheidungen: Um die Komplexität der Softwarelösung unter Kontrolle zu halten, ist es vorteilhaft, sich auf Lieferkettenherausforderungen zu konzentrieren, die durch eine klar definierte Typologie von Entscheidungen, idealerweise hochgradig numerische Entscheidungen, angegangen werden können. Zum Beispiel ist die Entscheidung, ob ein Produkt überhaupt nicht mehr bevorratet werden soll, weil die Nachfrage zu gering ist, um diese zusätzliche Belastung für die Lieferkette zu rechtfertigen, eine sehr eng definierte Frage, die ein hochautomatisierter Prozess problemlos beantworten kann. Im Gegensatz dazu ist die Entscheidung, die Arbeitspraktiken eines Lagerverwaltungs-Teams zu ändern, ein sehr offenes Problem, das sich schlecht für die Automatisierung eignet.
Historische Daten: Softwarelösungen können nicht im luftleeren Raum arbeiten. Das Wissen zur Bewältigung der Lieferkettenherausforderung kann als manuell definierte Regeln in die Software eingebettet werden. Die Erstellung einer großen Anzahl konsistenter und leistungsfähiger Entscheidungsregeln ist jedoch eine sehr schwierige Aufgabe. Die meisten modernen Ansätze extrahieren umfassend alle relevanten Informationen aus den historischen Daten (Verkaufshistorie, Einkaufshistorie usw.) und beschränken die Regeldefinitionen auf klar definierte Lieferkettenrichtlinien, z. B. Mindestbestellmengen (minimum order quantities), die wir sicherlich nicht von der Software aus den historischen Daten extrapolieren lassen möchten.

Mit dem Fortschreiten der Softwareentwicklung und insbesondere des Bereichs des maschinellen Lernens erweitert sich das Spektrum der Entscheidungen, die von computergestützten Systemen zugänglich werden, jedes Jahr. Beispielsweise waren die frühen Bestandsoptimierungssysteme auf Produkte mit mindestens mehreren Monaten Verkaufshistorie beschränkt, während die neueren Systeme alle Produkte unterstützen, einschließlich solcher, die noch nicht einmal verkauft wurden.

Manchmal ermöglicht es auch die Softwareentwicklung, Probleme anzugehen, die als unlösbar galten, wenn sie manuell von einem Lieferkettenexperten durchgeführt wurden. Moderne Bestandsoptimierungssysteme können beispielsweise vorhersagen, welche Lagerbestandsaufzeichnungen höchstwahrscheinlich ungenau sind und somit eine priorisierte Inventur ermöglichen. Diese Funktion übertrifft den traditionellen Ansatz, alle SKUs linear zu zählen.

Beispiele für Lieferkettenentscheidungen

Lieferketten sind unglaublich vielfältig, und was in einer bestimmten Branche eine Herausforderung von vorrangiger Bedeutung darstellt, kann in einer anderen nur als anekdotisch erscheinen. In diesem Abschnitt geben wir einen kurzen Überblick über typische Entscheidungen, die aus der Perspektive der quantitativen Lieferkette gut passen.

Bestellungen: Entscheidung über die genauen Mengen, die von jedem Lieferanten für jedes Produkt gekauft werden sollen. Diese Entscheidung wird täglich aktualisiert, auch wenn an den meisten Tagen keine tatsächliche Bestellung erwartet wird. Die Bestellung sollte alle Bestellbeschränkungen (Mindestbestellmengen) sowie die Transportbeschränkungen (z. B. Container) berücksichtigen. Die Bestellung kann auch die Wahl einer Transportart (See vs. Luft) mit der Möglichkeit einer Transportmischung umfassen.
Produktionsaufträge: Entscheidung über die genauen Mengen, die produziert werden sollen. Der Produktionsauftrag sollte alle Produktionsbeschränkungen berücksichtigen, die minimale Produktionschargen erfordern können. Auch die maximale Produktionskapazität kann niedriger sein als der Marktbedarf der Hochsaison im Jahr, in diesem Fall sollte die Produktion rechtzeitig vor der Hochsaison aufgebaut werden.
Bestandsausgleich: Entscheidung, ob Einheiten, die derzeit an einem Standort auf Lager gehalten werden, an einen anderen Standort verlagert werden sollten, in der Regel weil der Bestand nicht mehr mit der projizierten zukünftigen Nachfrage differenziert nach Standort übereinstimmt. Auch hier wird die Entscheidung täglich aktualisiert, auch wenn es an den meisten Tagen für die meisten Produkte wirtschaftlich nicht rentabel ist, sie zwischen Standorten zu verschieben.
Bestandsliquidation: Entscheidung, ob Einheiten, die derzeit auf Lager gehalten werden, entweder zerstört oder über einen sekundären - in der Regel stark rabattierten - Kanal verkauft werden sollen. Tatsächlich können tote Bestände Lager unnötig verstopfen und dadurch Kosten verursachen, die größer sind als der wirtschaftliche Wert des Bestands selbst. Je nach Branche kann der Bestand entweder über Promotions, spezialisierte Kanäle oder reine Zerstörung liquidiert werden.
Lagerhaltung vs. Dropshipping: Entscheidung, ob ein Produkt ausreichend nachgefragt wird, um den Kauf, die Lagerung und die direkte Bedienung zu rechtfertigen, oder ob es besser wäre, das Produkt von einem Drittanbieter dropshippen zu lassen, wenn es angefordert wird. Dropshipping von Produkten erzeugt in der Regel geringere Margen, verursacht aber auch geringere Lagerhaltungskosten. Die Entscheidung besteht darin, die genaue Liste der Produkte festzulegen, die auf Lager gehalten werden sollen, während die Gesamtvielfalt des Bestands verwaltbar bleibt.
Gezielte Bestandszählung: Entscheidung, ob ein SKU neu gezählt werden sollte, aufgrund der potenziellen Ungenauigkeit des elektronischen Datensatzes, der möglicherweise nicht mit der tatsächlich verfügbaren Menge an Einheiten auf dem Regal übereinstimmt. Diese Entscheidung ist ein Kompromiss zwischen den Arbeitskosten, die mit der Zählung verbunden sind, und der negativen Auswirkung von Phantombeständen auf die Leistung der Lieferkette. In der Praxis sind Bestandsungenauigkeiten in öffentlich zugänglichen Einzelhandelsgeschäften viel größer als in personalbeschränkten Lagern oder Werken.

Es sollte darauf hingewiesen werden, dass bestimmte Branchen ihre eigenen Entscheidungssets haben. Die unten aufgeführten Beispiele könnten als kontextabhängiger angesehen werden als die oben aufgeführten.

Sortiment im Einzelhandel: Entscheidung über die genaue Liste der Produkte, die in jedem Einzelhandelsgeschäft vorhanden sein sollen. Manchmal übersteigt der vollständige Produktkatalog bei weitem die Kapazität eines bestimmten Geschäfts. Daher kann jedes Geschäft nur eine Teilmenge des Katalogs ausstellen. Die Optimierung des Sortiments maximiert die Leistung des Einzelhandelsgeschäfts in Bezug auf die Geschäftskapazität. Die Herausforderung wird auch im Fall von Branchen wie Luxusgütern noch komplexer, da das Geschäft in der Regel nur eine Einheit für jedes Produkt des ausgewählten Sortiments auf Lager hat.
Gelegenheitsersatz: Entscheidung, wann der Ersatz eines Produkts akzeptabel ist und wann es rentabel ist, mit dem Ersatz fortzufahren. Zum Beispiel kann ein E-Commerce für frische Lebensmittel Lieferungen akzeptieren, die einige Tage im Voraus erfolgen, was dazu führt, dass ein frisches Produkt, das bereits bestellt wurde, verspätet nicht verfügbar ist und die ursprüngliche Bestellung des Kunden verändert. In dieser Situation kann es für den Händler und den Kunden rentabler sein, ein gut gewähltes alternatives Produkt zu substituieren.
Gelegenheitsveräußerung: Entscheidung, Lagerbestände, in der Regel reparierbare Teile, wiederzuverkaufen, die ursprünglich für den internen Verbrauch vorgesehen waren. Der Bestand an reparierbaren Teilen rotiert typischerweise zwischen den beiden Zuständen “verwendbar” und “unverwendbar”, da Teile gewartet, zurückgeholt, repariert und schließlich erneut gewartet werden. Unter bestimmten Umständen, wie einem Nachfragerückgang, kann der Bestand an verwendbaren Teilen die Unternehmensbedürfnisse bei weitem überschreiten. In diesem Fall besteht ein Kompromiss zwischen dem Wiederverkauf des Teils auf dem Aftermarket, in der Regel zu einem ermäßigten Preis, um einen Teil des ursprünglichen Bestandswerts zurückzugewinnen, oder alternativ die Gefahr zu erhöhen, eine zukünftige Teilanfrage nicht rechtzeitig zu bedienen.
Aufbewahrung von unverwendbarem Bestand: Entscheidung, ob ein unverwendbares, aber reparierbares Teil sofort repariert oder die Reparatur verschoben und das Teil als unverwendbar gelagert werden soll. Während die Reparatur von Teilen weniger kostspielig sein kann als der Kauf neuer Teile, kann der aktuelle Bestand an verwendbaren Teilen ausreichen, um die Nachfrage für einen längeren Zeitraum zu decken. Daher ist die Verzögerung der Reparatur ein Kompromiss zwischen der Verschiebung der Reparaturkosten in die Zukunft - mit der Möglichkeit, diese Kosten nie zu tragen, wenn sich die Marktnachfrage in der Zwischenzeit auf alternative Teile verlagert hat - oder der Erhöhung des Risikos, eine zukünftige Teilanfrage nicht rechtzeitig zu bedienen.
Gelegenheitsbeschaffung: Entscheidung, wann es sinnvoll ist, eine Beschaffungsoperation durchzuführen, um einen Preisbenchmark für ein bestimmtes Teil festzulegen. In einigen Branchen ist der Preis von Teilen relativ undurchsichtig. Die Ermittlung des aktuellen Preises eines Teils, möglicherweise eines sehr teuren Geräts, kann mehrere Tage Aufwand erfordern. Wenn Tausende von Teilen benötigt werden, besteht ein Kompromiss zwischen dem Bezahlen teurerer Teile und den Personalkosten, die mit den Beschaffungsoperationen verbunden sind.
Erhaltung von Bundles: Entscheidung, wann es sinnvoll ist, die letzte Einheit eines bestimmten Produkts als eigenständigen Verkauf anzubieten oder diese Einheit besser für einen späteren Verkauf als Teil eines Bundles aufzubewahren. Tatsächlich gibt es Situationen, in denen die Verfügbarkeit von Bundles, d.h. Kombinationen von Teilen oder Produkten, von großer Bedeutung ist, während die Verfügbarkeit isolierter Teile von geringerer Bedeutung ist. Durch den Verkauf des letzten Teils als eigenständiges Teil kann jedoch ein Bestandsengpass für das größere, wichtigere Bundle entstehen. Daher besteht ein Kompromiss zwischen dem Vorteil, ein isoliertes Teil jetzt ordnungsgemäß zu bedienen, und dem Nachteil, später mit einem größeren, schwerwiegenderen Bestandsengpass für ein Bundle konfrontiert zu werden.

Bis sie als solche formalisiert sind, werden Supply-Chain-Entscheidungen in der Regel eher implizit getroffen, möglicherweise von Personen, aber auch von Softwaresystemen. Zum Beispiel trifft eine Min/Max-Bestandskonfiguration implizit mehrere Entscheidungen und nicht nur über die nachbestellte Menge: Solange der Maximalwert ungleich Null ist, wird das Produkt im Sortiment behalten. Auch findet keine Bestandszählung statt, bevor eine Wiederbeschaffung ausgelöst wird, was eine weitere implizite Entscheidung ist, usw. Leider verhindert gerade diese fehlende Formalisierung der Entscheidungen selbst in der Regel eine systematische Verbesserung der durch diese Entscheidungen erzielten Leistung der Supply Chain.

Numerische Artefakte vs. Entscheidungen

Bei komplexen Supply-Chain-Problemen besteht die Gefahr, dass Praktiker die Ziele und die Mittel verwechseln. Wenn zum Beispiel ein Bedarf an Wiederbeschaffung besteht, ist die Festlegung einer wöchentlichen Nachfrageprognose, die mit einer SKU (Stock Keeping Unit) verknüpft ist, nur eine Zutat, die von einigen, aber nicht allen verfügbaren numerischen Rezepten zur Berechnung der nachzubestellenden Menge benötigt wird. Die wöchentliche Prognose ist nur eine Zwischenberechnung, während die bestellte Menge die endgültige Entscheidung ist. Aus der Perspektive der quantitativen Supply Chain bezeichnen wir diese Zwischenberechnungen als numerische Artefakte. Die quantitative Supply Chain vernachlässigt nicht die Bedeutung numerischer Artefakte, betont jedoch auch, dass diese Artefakte genau das sind: verfügbare, vorübergehende numerische Ausdrücke, die zum endgültigen Ergebnis beitragen: Supply-Chain-Entscheidungen.

Was die numerische Optimierung betrifft, so ist es ein Trugschluss zu glauben, dass die Optimierung der numerischen Artefakte gegen beliebige mathematische Metriken, z.B. Nachfrageprognosen, die gegen WMAPE (gewichteter mittlerer absoluter prozentualer Fehler) optimiert sind, irgendwie automatisch finanzielle Erträge bringt. Auch wenn dies kontraintuitiv erscheinen mag, ist dies in der Supply Chain in der Regel nicht der Fall. Supply-Chain-Probleme sind in der Regel hochasymmetrische Probleme. Zum Beispiel kann ein fehlendes 200 USD Teil in der Luft- und Raumfahrt ein 200 Millionen USD Flugzeug am Boden halten. Die Anzahl der Teile, die auf Lager gehalten werden sollen, wird nicht unbedingt primär durch die erwartete Nachfrage bestimmt: Die Kosten des Teils im Vergleich zu den Kosten, es nicht zu haben, können die Lagerungsentscheidung vollständig dominieren.

Im Gegensatz dazu betont die quantitative Supply Chain, dass letztendlich nur Entscheidungen wirklich wichtig sind, weil sie die einzigen greifbaren Elemente sind, die reale und messbare finanzielle Auswirkungen auf das Unternehmen haben. Daher ist es zwar von größter Bedeutung, die Leistung der Entscheidungen in Frage zu stellen, aber das Supply-Chain-Management sollte auch eine gesunde Portion Skepsis gegenüber KPIs haben, die sich auf nicht bindende, unverbindliche, vorübergehende numerische Ergebnisse wie wöchentliche oder monatliche Nachfrageprognosen beziehen.

Eingeschränkte Entscheidungen zwischen Realität und Fiktion

Supply-Chain-Entscheidungen sind in der Regel durch Einschränkungen gebunden: Antworten sind nur gültig, wenn sie eine Reihe numerischer Einschränkungen erfüllen. Zum Beispiel können Bestellungen Mindestbestellmengen (MOQs) unterliegen, die eine nichtlineare Einschränkung darstellen. Auch das Lager verfügt über eine begrenzte Lagerkapazität - eine weitere nichtlineare Einschränkung.

Häufig werden die Einschränkungen durch grundlegende wirtschaftliche Treiber im Zusammenhang mit den Supply-Chain-Operationen generiert: Berücksichtigung des aktuellen Produktpreispunkts; die Verteilung eines Produkts kann wirtschaftlich nur dann sinnvoll sein, wenn die Produkte auf Paletten verpackt verkauft werden und das Produkt daher nur in einer Losgröße von z.B. 50 Einheiten verkauft werden kann, was einer beladenen Palette entspricht.

Es kommt jedoch auch vor, dass die Einschränkungen aus beliebigen organisatorischen Regeln resultieren können. Zum Beispiel könnte ein Unternehmen beschlossen haben, dass das jährliche Einkaufsbudget für eine Abteilung auf 1 Million USD begrenzt wird. Diese Budgetierungseinschränkung wird lange vor dem tatsächlichen Verkauf der Abteilung festgelegt. In einer solchen Situation müssen die Einkaufsentscheidungen einer nichtlinearen Einschränkung entsprechen, die das Ergebnis eines relativ willkürlichen Budgetierungsprozesses ist.

Die Quantitative Supply Chain versucht, die realen Supply-Chain-Einschränkungen so weit wie möglich widerzuspiegeln und gleichzeitig neuere, möglicherweise überarbeitete Organisationen zu ermöglichen, die ohne die Fesseln operieren können, die durch willkürliche Aspekte früherer Prozesse auferlegt wurden. Tatsächlich sind die meisten willkürlichen Einschränkungen in der Supply Chain das Ergebnis eines Mangels an Automatisierung: Wenn das “optimale” Budget pro Abteilung nicht zuverlässig auf täglicher Basis unter Berücksichtigung aller unternehmensweiten Querschnittsprobleme neu geschätzt werden kann, ist es natürlich, stattdessen auf ein jährliches oder vierteljährliches Budget zurückzugreifen.

Entscheidungen erfordern Priorisierung und Koordination

Nahezu alle Entscheidungen in der Supply Chain sind voneinander abhängig: Jede zusätzliche Einheit, die von einem Lieferanten gekauft wird, nimmt zusätzlichen Platz im Lager ein, bis das Lager voll ist und dann der Betrieb zum Stillstand kommt. Diese Abhängigkeiten sind in der Regel indirekt und aus numerischer Sicht schwer zu bewältigen, aber das macht sie aus supply-chain- und sogar strategischer Sicht nicht weniger wichtig. Wenn der Gesamt-Service-Level bei 99% liegt, was sehr gut ist, aber der größte Kunde einen Service-Level von 85% hat, weil alle Lagerbestände in einer Gruppe von Produkten konzentriert sind, die von diesem Kunden gekauft werden, steht das Unternehmen vor einem ernsthaften Risiko, seinen größten Kunden zu verlieren.

Die Priorisierung von Entscheidungen ist in der Regel die einfachste Methode, um die gemeinsamen, aber begrenzten Ressourcen innerhalb der Supply Chain optimal zu nutzen. Zum Beispiel ist das Ziel nicht nur, eine zusätzliche profitable Einheit Lagerbestand zu kaufen, sondern die nächste profitable Einheit Lagerbestand im gesamten Produktkatalog zu identifizieren. Die Behandlung der Lagerbestandsentscheidungen isoliert würde das Risiko bergen, den Lagerplatz oder das Einkaufsbudget für wenig rentable Produkte zu erschöpfen.

In der Praxis erfordert diese Priorisierung eine erhebliche Änderung der analytischen Software, die die Supply Chain unterstützt. Anstatt jede Entscheidung isoliert zu behandeln, wie es bei primitiven Supply-Chain-Methoden der Fall ist, z.B. Min/Max-Lagerbestand, müssen alle Entscheidungen zusammengeführt und nach ihrer jeweiligen geschätzten Rentabilität bewertet werden. Ein solcher Prozess ist mit modernen Softwarelösungen möglich, erfordert jedoch erheblich mehr Rechenressourcen im Vergleich zu früheren Supply-Chain-Methoden.

Die Koordination von Entscheidungen ist erforderlich, um alle querschnittlichen Einschränkungen in den Supply-Chain-Operationen zu bewältigen. Wenn zum Beispiel Waren von einem ausländischen Lieferanten bestellt werden, kann es einen starken wirtschaftlichen Anreiz geben, einen ganzen Container zu bestellen. Die Herausforderung besteht also nicht so sehr darin, Mengen pro Produkt zu wählen, sondern Mengen zu wählen, die in der Summe genau der Containerkapazität entsprechen. Querschnittliche Einschränkungen sind in der Supply Chain allgegenwärtig: die Abstimmung der Sortimentsgestaltung einer neuen Kollektion in der Mode, die Sicherstellung eines hohen Service-Levels für Kunden, die eine Liste von Produkten in einem Baumarkt suchen, die nicht Erschöpfung eines Zentrallagers durch überdimensionierte Bestellungen aus einem Geschäft auf Kosten der anderen Geschäfte usw.

Der traditionelle und äußerst ineffiziente Weg, solche Koordinationsprobleme anzugehen, besteht darin, eine zweistufige Berechnung durchzuführen, bei der zunächst die Koordinationsprobleme ignoriert werden und anschließend die anfänglichen numerischen Ergebnisse angepasst werden, um das Problem zu lösen. Bezogen auf das oben genannte Containerbeispiel können wir zunächst die gewünschten Bestellmengen berechnen, ohne den Containerwinkel zu berücksichtigen, und dann diese Mengen so überarbeiten, dass sie tatsächlich in einen Container passen. Die Hauptschwäche einer solchen zweistufigen Berechnung besteht darin, dass die zweite Stufe alle wirtschaftlichen Faktoren ignoriert, die in die Berechnung der ersten Stufe eingeflossen sind. Mit anderen Worten kann die Überarbeitung der Ergebnisse während der zweiten Stufe alle Anstrengungen zunichte machen, die in die Berechnung rentabler Entscheidungen in der ersten Stufe geflossen sind. Moderne Software löst solche Situationen, indem sie numerische Solver einführt, die solche querschnittlichen Einschränkungen frontal angehen können. Nochmals, diese Solver sind in Bezug auf die benötigten Rechenressourcen dramatisch anspruchsvoller als ihre naiven zweistufigen Gegenstücke, aber angesichts der heute typischerweise verfügbaren Rechenressourcen ist dies kein Problem.