FAQ: Glossar

Lokads Ansatz zur Optimierung von Supply-Chain-Entscheidungen nutzt verschiedene Perspektiven und Tools aus verschiedenen Bereichen, nicht nur aus der Supply Chain selbst. Dazu gehören unter anderem maschinelles Lernen (ML), künstliche Intelligenz (KI), probabilistische Prognosen, Philosophie und Wirtschaft. Unsere Terminologie wird daher von einer Vielzahl von Disziplinen beeinflusst. Diese Seite soll eine Erklärung dafür bieten, wie (und warum) Lokad diese Begriffe im Kontext der Optimierung der Supply Chain verwendet - sowie die spezifische Feinheit, die wir vermitteln wollen, wenn wir sie verwenden.

Zielgruppe: Die Supply-Chain- und/oder Planungsabteilungen.
Zuletzt geändert: Mai 2024

Was bedeutet “Supply Chain”?

Für Lokad ist die Supply Chain sowohl eine Praxis als auch ein Studienbereich, der wie folgt definiert werden kann:

Die Supply Chain ist die Beherrschung der Optionalität in Anwesenheit von Variabilität bei der Steuerung des Flusses physischer Güter.

Optionalität bezieht sich auf die Fähigkeit, die richtige “Option” aus vielen konkurrierenden Alternativen auszuwählen. Diese ausgewählte “Option” wird zur “Entscheidung”. Alle Entscheidungen, die den Fluss physischer Güter prägen, werden berücksichtigt, wie z.B. Auffüllungsaufträge, Produktionsaufträge und Preisänderungen. Darüber hinaus bezieht sich Optionalität darauf, die Optionen überhaupt verfügbar zu machen. Beispielsweise erfolgt die Investition von Ressourcen zur Identifizierung alternativer Lieferanten mit dem Ziel, weitere Optionen für das Unternehmen zu schaffen.

Variabilität bezieht sich auf die unvermeidliche Unsicherheit, die mit dem zukünftigen Zustand des Marktes verbunden ist, d.h. die Bedingungen können sich von Moment zu Moment erheblich ändern. Dies liegt daran, dass Supply Chains von Natur aus Kräften ausgesetzt sind, die vom Unternehmen nicht vollständig kontrolliert werden können. Zu diesen Kräften gehören die Kundennachfrage, die Rohstoffpreise, die Lieferanten-Lieferzeiten usw. Daher müssen alle Methoden oder Instrumente, die für Supply-Chain-Zwecke verwendet werden, das Problem des unvollkommenen Wissens und des Risikos, das für Supply Chains inhärent ist, frontal angehen.

Schließlich ist der Fluss physischer Güter entscheidend und unterscheidet die Beherrschung der Supply Chain von beispielsweise dem Finanzhandel. Supply Chains sind natürlich durch ihre physische Natur eingeschränkt - die Stakeholder (z.B. Kunden, Lieferanten, Großhändler, Transporteure, Produzenten usw.) sind geografisch verteilt. Alle Methoden oder Instrumente, die verwendet werden, um diese Stakeholder zu verbinden, müssen die zahlreichen Einschränkungen direkt (und angemessen) angehen, die typischerweise im Weg stehen. Beispiele für diese Einschränkungen sind Mindestbestellmenge (MOQ), Mindestbestellwert (MOV), volle LKW-Ladungen, begrenzter Lagerplatz und die allgemeine Kapazität eines Unternehmens, eingehende/ausgehende Bestellungen zu bearbeiten usw.

Was ist die “mainstream Supply-Chain-Perspektive”?

Die Mainstream Supply-Chain-Perspektive (MSCP) oder klassische Supply-Chain-Perspektive bezieht sich auf mehrere fehlerhafte Annahmen und Praktiken, die man typischerweise antrifft, darunter:

• MSCP geht davon aus, dass die Zukunft perfekt vorhersehbar ist. Methoden wie die klassische Zeitreihenprognose versuchen, die Zukunft als einen einzigen Wert auszudrücken (z.B. Nachfrage, Rücksendungen, Ausschussraten, Lieferzeiten usw.). Dies ist fehlerhaft, da die Zukunft natürlich unvorhersehbar ist (d.h. zukünftige Unsicherheit kann mit Prognosen nicht vollständig beseitigt werden). Daher ist es aus Risikomanagementperspektive suboptimal, nur einen zukünftigen Wert zu identifizieren (da Wahrscheinlichkeitsdimensionen fehlen).

• MSCP geht davon aus, dass die Supply Chain selbst nicht adversen Verhaltensweisen unterliegt. Zu keinem Zeitpunkt berücksichtigt die MSCP auch nur, dass Stakeholder (z.B. Mitarbeiter, Kunden, Lieferanten, Partner, Wettbewerber usw.) eigene Agenden haben können und dass diese Agenden sich negativ auf ihre Supply Chain auswirken können.

• MSCP geht von der Beobachtbarkeit aus. Die Realität ist, dass jedes große Unternehmen durch eine frustrierend undurchsichtige Anwendungslandschaft (Softwareanwendungen) betrieben wird, was die direkte Beobachtung der Supply Chain äußerst schwierig macht.

• MSCP fehlt die Falsifizierbarkeit. Es ist immun gegen die Realität. Egal wie schlecht die in Mainstream-Lehrbüchern oder Anbieterpräsentationen aufgeführten Techniken in der Praxis sind, keine dieser Techniken kann durch Rückmeldungen aus der realen Welt ungültig gemacht werden.

Im Jahr 2024 haben die meisten großen Unternehmen seit den 1980er Jahren mehrere Lösungen zur Optimierung der Lieferkette implementiert, doch viele (wenn nicht die meisten) dieser Unternehmen arbeiten immer noch mit Tabellenkalkulationen. Dies ist ein weiterer wichtiger Aspekt der MSCP: Softwareanbieter haben sich darin perfektioniert, die Schuld auf die Supply Chain-Praktiker zu schieben, weil sie nicht in der Lage sind, “dem Prozess zu folgen” oder “angemessene Parameter zu verwenden”.

Die Realität ist jedoch einfacher: Die MSCP-Theorie selbst funktioniert nicht, und Supply Chain-Praktiker greifen auf ihre Tabellenkalkulationen zurück, weil ihre groben Heuristiken (obwohl weit von perfekt entfernt) die “sophistizierten Methoden” in MSCP-Lehrbüchern übertreffen.

Genau aus diesem Grund hat Lokad 2011 eine Neugründung der Lieferkette sowohl als Studien- als auch als Praxisfeld unternommen. Wir bezeichnen diese Reform als Quantitative Supply Chain.

Die MSCP wird perfekt durch eine Reihe von klassischen Lehrbüchern erfasst:

• Produktion und Operationsanalyse, Siebte Auflage, von Steven Nahmias und Tava Lennon Olsen, 2015
• Bestands- und Produktionsmanagement in Lieferketten, Vierte Auflage, von Edward A. Silver, David F. Pyke und Douglas J. Thomas, 2016
• Grundlagen der Supply Chain-Theorie, Zweite Auflage, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

Was ist “Nachfrageplanung”?

Aus der mainstream Supply Chain-Perspektive ist die Nachfrageplanung die Sammlung von Prozessen, die von einem Unternehmen verwendet werden, um die zukünftige Nachfrage zu quantifizieren. Die implizite Erkenntnis, die die Nachfrageplanung unterstützt, ist, dass sobald die zukünftige Nachfrage genau bewertet wurde, ein angemessenes Supply Chain-Management größtenteils eine Frage der korrekten und rechtzeitigen Zuweisung von Ressourcen ist, damit das Unternehmen “genau genug” für den Markt liefert.

Zu den Prozessen der Nachfrageplanung gehören rückblickende Techniken wie die statistische Analyse historischer Verkäufe und die Prognose ihrer zugehörigen Zeitreihen. Es umfasst auch zukunftsorientierte Techniken wie die Zusammenarbeit mit Vertrieb und Marketing, um die Zahlen basierend auf den vom Unternehmen selbst festgelegten Zielen zu verfeinern.

Aus Lokads Quantitative Supply Chain (QSC)-Perspektive ist die Nachfrageplanung jedoch ein veraltetes Konzept, das in der modernen Lieferkette keinen Platz hat. Stattdessen besagt QSC, dass die Ausführung der Lieferkette robotisiert, angetrieben von numerischen Rezepten, die in der Regel eine Phase der prädiktiven Modellierung umfassen, und gefolgt von einer stochastischen Optimierungsphase.

Die Phase der prädiktiven Modellierung umfasst alle Aspekte der “Prognose”, nicht nur für die zukünftige Nachfrage, sondern auch für alle anderen Unsicherheitsquellen (z.B. zukünftige Vorlaufzeiten, zukünftige Rohstoffpreise, zukünftige Kundenrücksendungen usw.). Die stochastische Optimierungsphase umfasst alle “Entscheidungsfindungs”-Teile (z.B. Auswahl der nachzubestellenden Mengen, Zuweisung von Lagerbeständen im Vertriebsnetz, Neupreisgestaltung) – etwas, das traditionell von der Nachfrageplanung getrennt ist.

Die Nachfrageplanung ist aus mehreren Gründen veraltet.

Erstens geht sie davon aus, dass Menschen in die Ausführung der “quantitativen Bewertung der Zukunft” involviert sein sollten. Dies ist eine komplette Zeit- und Energieverschwendung. Menschen sollten sicherlich an der Erstellung der numerischen Rezepte beteiligt sein, die die prädiktiven Modelle unterstützen (wie es die Rolle der Supply Chain Scientists von Lokad ist). Die prädiktiven Modelle sollten jedoch vollständig unbeaufsichtigt arbeiten, da es einfach keinen Mehrwert darin gibt, dass Menschen manuell in einen Prozess eingreifen, der typischerweise täglich Tausende - wenn nicht Millionen - von Zahlen generiert.

Zweitens, da die “manuelle Nachfrageplanung” bereits langsam und kostspielig ist, haben Unternehmen in der Regel keine Ressourcen mehr, um sich mit allen anderen Unsicherheitsquellen (z.B. Vorlaufzeiten, Rücksendungen, Qualität usw.) zu befassen. Während die Bewertung der zukünftigen Nachfrage entscheidend ist, ist sie nicht die einzige Unsicherheitsquelle. Zukünftige Vorlaufzeiten, zukünftige Rohstoffpreise, zukünftige Wettbewerbspreise, zukünftige Kundenrücksendungen usw. sind weitere wichtige Unsicherheitsquellen, die ebenfalls quantitativ bewertet werden müssen.

Zusammenfassend ist die Nachfrageplanung eine veraltete Perspektive darüber, wie Lieferketten orchestriert werden sollten. Diese Perspektive entstand vor dem Aufkommen von Computern und hat ein paar Jahrzehnte länger überlebt, als sie sollte. Zu diesem Zeitpunkt sollte sie durch geeignetere Ansätze ersetzt werden, wie die QSC-Perspektive von Lokad.

Was ist “Qualität des Service”?

Im Kontext der Optimierung der Lieferkette bezieht sich “Qualität des Service” (QoS) auf die Fähigkeit des Unternehmens, seine Kunden zu bedienen und gleichzeitig deren implizite Erwartungen zu erfüllen. QoS ist keine Metrik oder sogar etwas Greifbares: Es spiegelt die Absicht des Unternehmens wider, seine Kunden angemessen zu bedienen. QoS ist also richtungsweisend, aber vage.

Die impliziten Erwartungen der Kunden aufzudecken, ist ein breites und vielschichtiges Problem. Die Befragung von Kunden ist mit Problemen behaftet. Kunden können höflich sagen, dass sie mit dem Service voll zufrieden sind und trotzdem Ihren Wettbewerb besuchen. Umgekehrt können Kunden lautstark klagen, während sie weiterhin treu bleiben.

Außerdem ist QoS nie ein eindimensionales Problem. Kannibalisierung und Substitution sowie Preisunterschiede vernebeln in der Regel, was “Verfügbarkeit” für Kunden wirklich bedeutet. Häufig müssen auch domänenspezifische Bedenken berücksichtigt werden. Zum Beispiel könnten Kunden, obwohl noch viele Joghurts im Regal stehen, diese als inakzeptabel empfinden, wenn sie alle in drei Tagen ablaufen.

In der Praxis können Metriken, die die QoS vernünftig annähern, nur durch sorgfältige und intelligente Untersuchung des Unternehmens aufgedeckt werden. Es erfordert tiefgreifendes Denken und Empathie mit den Kunden. Bestimmte Methoden tragen erheblich dazu bei, hochwertige Näherungsmetriken zu identifizieren, wie z.B. experimentelle Optimierung - ein von Lokad entwickelter Ansatz.

Einer der größten Fehler der mainstream Supply-Chain-Perspektive besteht darin, Service-Level - die Wahrscheinlichkeit, dass ein Artikel nicht vergriffen ist - als ob Service-Level ein vernünftiges Proxy für QoS wären. Dies ist fast immer falsch. Service-Level ignorieren vollständig alle Kannibalisierung und Substitution, die in den meisten Branchen weit verbreitet sind. Sie ignorieren auch vollständig lumpy demand, bei dem der Kunde viele Artikel gemeinsam verfügbar haben muss, um zufrieden zu sein (z.B. ein Professor, der Bücher für eine ganze Klasse von Studenten kauft, mehrere identische Lichtschalter, die für ein Hausrenovierungsprojekt benötigt werden). Service-Level ignorieren auch vollständig die Bereitschaft des Kunden, mehr zu zahlen, um schneller bedient zu werden, oder umgekehrt, weniger zu zahlen, wenn der Service verzögert wird.

Zusammenfassend ist QoS eine aspirative Perspektive. Es spiegelt wider, was das Unternehmen optimieren möchte, auch wenn die Optimierungskriterien für das Unternehmen, das vor einem vertrackten Problem steht, schwer fassbar sind. Die QoS ist das Leitprinzip, das die Suche nach Metriken leitet, die glaubwürdige Proxys dieser Aspiration sind. Service-Level und andere naive Metriken sollten nicht mit einem vernünftigen Proxy für QoS verwechselt werden.

Was ist ein “KI-Pilot”?

Dies bezieht sich auf die allgemeine Automatisierung der Orchestrierung einer Lieferkette mithilfe von KI. Der KI-Pilot umfasst die Entscheidungsprozesse (z.B. wie viel sollte ich produzieren?) sowie die alltäglichen unterstützenden Prozesse (z.B. die Beschaffung aktueller MOQs für einen bestimmten Lieferanten). Lokad prägte diesen Begriff Anfang 2024. Der KI-Pilot, als Softwarestück, wird von den Supply Chain Scientists von Lokad entwickelt. Wir entwickeln einen Piloten pro Kundenunternehmen, obwohl es viele Gemeinsamkeiten zwischen unseren Implementierungen gibt. Der KI-Pilot läuft auf der Plattform von Lokad, die über Big-Data- und Machine-Learning-Fähigkeiten verfügt. Der KI-Pilot ist ein von Lokad bereitgestellter Service und wird in der Regel monatlich abgerechnet.

Weitere Informationen zur Funktionsweise von KI-Piloten finden Sie in unserem Langform-Podcast zum Thema.

Was bedeutet “Quantitative Supply Chain”?

Die “Quantitative Supply Chain” (QSC) ist eine Reihe von Methoden und Technologien, die von Lokad in den 2010er Jahren entwickelt wurden. Sie umfasst eine Reihe von Techniken wie probabilistische Vorhersage, stochastische Optimierung und differenzierbares Programmieren, die in der mainstream Supply-Chain-Perspektive fehlen. Sie umfasst auch eine Reihe von Methoden wie experimentelle Optimierung, Supply-Chain-Personae, adversariale Marktforschung, die ebenfalls in der mainstream Supply-Chain-Perspektive fehlen.

Der Begriff “Quantitative Supply Chain” wurde 2017 im Buch des Lokad-Gründers Joannes Vermorel The Quantitative Supply Chain geprägt. Das QSC-Manifest kann wie folgt zusammengefasst werden:

1. Alle möglichen Zukunftsszenarien müssen berücksichtigt werden; eine Wahrscheinlichkeit für jede Möglichkeit
2. Alle machbaren Entscheidungen müssen berücksichtigt werden; Möglichkeiten vs. Wahrscheinlichkeiten
3. Wirtschaftliche Treiber müssen verwendet werden, um machbare Entscheidungen zu priorisieren
4. Kontrolle erfordert Automatisierung für jede banale Aufgabe
5. Ein Supply Chain Scientist muss die numerischen Ergebnisse übernehmen

Die Quantitative Supply Chain kann als das Studiengebiet betrachtet werden, das alle Materialien sammelt, die für die praktische Umsetzung eines AI-Piloten für eine bestimmte Supply Chain benötigt werden.

Was ist “Supply Chain as a Service”?

Aus der Ferne betrachtet kann Lokad als ein Unternehmen für Unternehmenssoftware beschrieben werden. Bei genauerem Hinsehen unterscheidet sich Lokad jedoch erheblich von dem, was die Menschen von einem Softwareanbieter erwarten würden. Lokad liefert nicht nur robotisierte Supply-Chain-Entscheidungen, sondern übernimmt auch die Verantwortung für die Supply-Chain-Performance, die sich aus diesen Entscheidungen ergibt. Unsere Supply Chain Scientists sind kontinuierlich damit beschäftigt, die Automatisierung zu überwachen und zu optimieren, die wir für jeden unserer Kunden implementiert haben. Ein Abonnement bei Lokad ermöglicht unseren Kunden eine profitablere Ausführung ihrer Supply Chain.

Dieser Ansatz unterscheidet sich sehr von einem SaaS (Software as a Service)-Angebot, bei dem das Kundenunternehmen letztendlich für alles verantwortlich bleibt, was wichtig ist. Bei SaaS wird die IT-Abteilung von der Verwaltung einer weiteren App entlastet, das war es dann aber auch. Wenn etwas schief geht, wie z.B. unvorhersehbare Nachfrage, chaotische Lieferungen, unvollständige Daten usw., liegt es allein an den Supply-Chain-Teams, das herauszufinden. Mit SCaaS hingegen ist es die Aufgabe von Lokad, das herauszufinden. Natürlich handelt es sich in der Praxis um eine gemeinsame Anstrengung zwischen Lokad und seinem Kunden. Lokad ist jedoch darauf bedacht, Ergebnisse zu erzielen, nicht nur darauf bedacht, die Server am Laufen zu halten.

Was ist ein “numerisches Rezept”?

Lokad automatisiert die Entscheidungsprozesse der Supply Chain, und wir bezeichnen die Softwareteile, die die Automatisierung effektiv durchführen, üblicherweise als unsere “numerischen Rezepte”. Diese numerischen Rezepte sind in der Regel ziemlich komplex, da sie die intrinsischen Komplexitäten der Supply Chains widerspiegeln. Die Rezepte bestehen aus einer Vielzahl von banalen Datenvorbereitungsschritten, die mit anspruchsvollen analytischen Schritten - typischerweise maschinelles Lernen oder mathematische Optimierungsalgorithmen - verflochten sind.

Wir verwenden den Begriff “Rezept” anstelle von “Algorithmus”, da diese Rezepte bei weitem nicht so “rein” sind, wie es die meisten Software-Ingenieure erwarten würden, wenn sie über Algorithmen sprechen. Darüber hinaus wird von einem Algorithmus erwartet, dass er ein klar definiertes Problem löst, was in der Regel nicht der Fall ist für unsere Rezepte. Letztendlich steht die Gesamtleistung der Supply Chain auf dem Spiel, und dies ist ein offenes und unklar definiertes Problem. Daher ist die Bewertung des Rezepts genauso komplex, wenn nicht sogar komplexer, als die Erstellung des Rezepts selbst.

Was sind “(banale) Supply-Chain-Entscheidungen”?

Eine Supply-Chain-Entscheidung ist eine Entscheidung, die echte Auswirkungen auf den Warenfluss hat. Zum Beispiel haben Bestandsauffüllungen, Produktionsaufträge und Preisänderungen Auswirkungen auf den Warenfluss.

Moderne Supply Chains umfassen in der Regel täglich Zehntausende, manchmal sogar Millionen von Entscheidungen. Als Faustregel gilt, dass jedes einzelne SKU (Lagerhaltungseinheit) etwa ein halbes Dutzend Entscheidungen umfasst, einschließlich des Nichtstuns, was ebenfalls eine Entscheidung ist (wenn auch eine triviale).

Diese (täglichen) Entscheidungen werden oft als “banal” bezeichnet, weil sie vollständig automatisiert werden können. In diesem Sinne bedeutet “banal” nicht “unbedeutend”.

Entscheidungen stehen im Gegensatz zu “numerischen Artefakten” (Dingen, die wichtig erscheinen, aber keine substantiellen Auswirkungen auf die betreffende Supply Chain haben). Tatsächlich gibt es bei mehr Analytics typischerweise eine große Verwirrung zwischen den beiden. Zum Beispiel können eine Nachfrageprognose, eine ABC-Klasse, ein Sicherheitsbestand, ein Servicegrad als numerische Artefakte betrachtet werden. Diese Elemente können sicherlich bei der Berechnung tatsächlicher Entscheidungen hilfreich sein, sind jedoch für sich genommen völlig belanglos. Es spielt keine Rolle, ob die Prognose falsch ist, solange die Bestandsauffüllung angemessen ist, jedoch ist das Gegenteil offensichtlich nicht der Fall.

Lokad konzentriert sich auf “Entscheidungen” anstelle von “numerischen Artefakten”, da zu viele Unternehmen den Wald vor lauter Bäumen nicht sehen können. Im Gegenteil, sie haben so viele Leistungskennzahlen (Artefakte), dass sie nicht mehr erkennen können, was tatsächlich mit den getroffenen Entscheidungen passiert. Unser Fokus auf “Entscheidungen” garantiert, dass Lokad verfolgt, was tatsächlich wichtig ist für unsere Kunden (bessere Leistung der Supply Chain) anstatt willkürlichen Indikatoren (numerische Artefakte) nachzujagen.

Was ist ein “numerisches Artefakt”?

Ein numerisches Artefakt bezieht sich auf eine Zahl, die als wichtig angesehen wird, auch wenn diese Zahl keine direkten/tangiblen Auswirkungen auf die Supply Chain des Unternehmens hat. Zum Beispiel sind Servicegrade numerische Artefakte. Numerische Artefakte sind nicht real, sondern Abstraktionen - oft willkürlich von einem Praktiker ausgewählt.

Zum Beispiel kann ein Servicegrad von 98% verbergen, dass zahlreiche Kunden aufgrund früherer schlechter Servicequalität bereits aufgehört haben zu bestellen. Darüber hinaus können numerische Artefakte nicht direkt kontrolliert werden. Ein Unternehmen kann mehr Auffüllungsaufträge erstellen, aber es kann nicht einseitig entscheiden, dass die Servicegrade bei 98% liegen, da letztendlich die Kunden entscheiden, wie viel von einem bestimmten Produkt konsumiert wird.

Numerische Artefakte stehen definitionsgemäß im Gegensatz zu “Entscheidungen”, die echte Konsequenzen für das Unternehmen haben. Entscheidungen liegen auch vollständig im Ermessen des Unternehmens. Typische Supply-Chain-Entscheidungen umfassen Auffüllungsaufträge, Produktionsaufträge, Preisänderungen usw. Im Gegensatz zu numerischen Artefakten ist jede einzelne schlechte Entscheidung ein unwiderruflicher Verlust für das Unternehmen. Zum Beispiel kann die ABC-Klasse (numerisches Artefakt) eines Artikels vollkommen falsch/ungenau sein, aber solange es weder Überbestand noch Lagerausfall gibt, spielt das keine Rolle. Andererseits kann ein einziger irrsinnig großer Bestellauftrag (Entscheidung) einen gut bestückten Artikel zu einem massiven Verlust machen.

Im Laufe der Jahre hat Lokad auf die harte Tour gelernt, dass numerische Indikatoren größtenteils trügerisch und fehlgeleitet sind. Oftmals charakterisieren Prognosegenauigkeiten und Servicelevel das eigentliche Problem (nämlich die Vorhersage und Erfüllung der Nachfrage auf profitable Weise für ein Unternehmen) vollkommen falsch. Wir müssen uns auf die “Fehler in Dollar” für eine bestimmte Entscheidung konzentrieren, nicht auf die “Fehler in Prozent” für ein numerisches Artefakt.

Was bedeutet “robotisiert”?

Lokad robotisiert (“automatisiert”) repetitive Supply-Chain-Entscheidungen, indem sie banal werden. Das bedeutet, dass alle täglichen Entscheidungen, die Lokad anvertraut werden (z. B. Produktionsaufträge, Preisänderungen, Lagerzuweisungen), vollständig unbeaufsichtigt generiert werden. Als Faustregel können die meisten unserer Kunden wochenlang ohne direktes Eingreifen von Lokad arbeiten - vorausgesetzt, die Marktbedingungen ändern sich nicht zu drastisch. Unsere Supply Chain Scientists verbessern kontinuierlich die numerischen Rezepte, die wir implementiert haben, aber kein Supply Chain Scientist ist erforderlich, um die Supply-Chain-Entscheidungen eines bestimmten Tages zu generieren - unsere numerischen Rezepte sind darauf ausgelegt, unbeaufsichtigt zu laufen.

Dieser Ansatz unterscheidet sich radikal von dem, was unsere Mitbewerber (andere Anbieter von Unternehmenssoftware) anbieten. In ihrem Fall werden Supply-Chain-Praktiker wie “menschliche Coprozessoren” ihres Systems behandelt. Sobald die Praktiker aufhören, mit einer Software zu arbeiten, passiert nichts mehr im Unternehmen, da ihre Zeit damit verbracht wird, Supply-Chain-Entscheidungen zu treffen.

Im Gegensatz dazu verwandelt Lokad jede einzelne Minute der Supply-Chain-Praktiker in eine Investition zur Verbesserung des numerischen Rezepts, das die Entscheidungsrobotisierung ermöglicht. Wenn die Supply-Chain-Praktiker aufhören zu arbeiten, hat dies keinen Einfluss auf die robotisierte Ausführung des numerischen Rezepts. Das numerische Rezept hört einfach auf, sich zu verbessern. Wenn dies eine Weile so weitergeht, führt dies zwangsläufig zu einer Verschlechterung der Qualität der Entscheidungen, da das numerische Rezept seine Relevanz verliert (aufgrund von Veränderungen der Marktbedingungen).

Lokad hat jedoch eine Reihe von selbstbeachtenden Mechanismen zur frühzeitigen Erkennung eines solchen Qualitätsverfalls implementiert und kann somit eine menschliche Überprüfung des numerischen Rezepts auslösen (zunächst durch einen Supply Chain Scientist und dann durch einen Praktiker des Kundenunternehmens).

Was ist eine “Supply-Chain-Initiative”?

Dies bezieht sich speziell auf ein von Lokads “Quantitative Supply Chain” (QSC) getriebenes Supply-Chain-Projekt. Das Ziel einer solchen Initiative ist es, eine bestimmte Klasse von Supply-Chain-Entscheidungen zu robotisieren und dabei eine Leistung zu erzielen, die übermenschlich ist. Das Ziel einer solchen Initiative ist nicht nur die Verbesserung eines spezifischen Problems innerhalb der Supply Chain des Kunden, sondern die Bereitstellung einer systemischen, unternehmensweiten Verbesserung.

Lokads Supply-Chain-Initiativen befassen sich typischerweise mit Bestellaufträgen, Produktionsaufträgen, Lagerzuweisungen, Preisänderungen, feingranulierten Produktionsplänen usw. Im Wesentlichen behandeln wir alle banalen, wiederkehrenden Entscheidungen, die erforderlich sind, um die Supply Chain des Kunden am Laufen zu halten.

Die Supply-Chain-Initiative soll von Lokads Supply Chain Scientists (SCSs) geleitet werden. Ein SCS ist dafür zuständig, alle erforderlichen numerischen Rezepte zu erstellen, um die interessierenden Supply-Chain-Entscheidungen zu automatisieren. Darüber hinaus ist der SCS dafür verantwortlich, die numerischen Rezepte zu visualisieren (z. B. durch Berichte und Dashboards), damit die Kunden (insbesondere das obere Management) verstehen können, wie und warum die Automatisierung eine übermenschliche Leistung erbringt.

Das Ergebnis einer Supply-Chain-Initiative von Lokad besteht darin, die numerischen Rezepte in Produktion zu bringen, die der SCS für den Kunden erstellt hat. Dieses Ergebnis automatisiert Entscheidungen und wandelt die Supply Chain effektiv in ein produktives Gut für den Kunden um (ähnlich wie ein Gerät die Produktion physischer Güter automatisiert).

Was ist “experimentelle Optimierung”?

Experimentelle Optimierung ist eine von Lokad angewendete Methodik, um Probleme anzugehen, bei denen der Begriff “Verbesserung” zu Beginn des Optimierungsprozesses unklar ist. Diese Unklarheit besteht darin, dass die Optimierungskriterien (Metriken) und ihre bevorzugten Werte nicht bekannt sind oder selbst wenn sie zu bestimmten Werten festgelegt wurden, nicht sofort mit finanziellen Begriffen (z. B. Rentabilität, ROI usw.) gerechtfertigt werden können. Der Zweck der “experimentellen Optimierung” besteht darin, eine strenge (manche würden sagen “wissenschaftliche”) Methode zu etablieren, um zu quantifizieren, was “Verbesserung” für eine Supply Chain aus finanzieller Sicht bedeutet.

Zum Beispiel, betrachten Sie ein Modegeschäft, das seinen Servicequalität verbessern möchte. Eines der Hauptprobleme besteht darin, dass es schwierig ist zu identifizieren, was “Servicequalität” wirklich für den durchschnittlichen Kunden bedeutet, angesichts der unterschiedlichen Natur der Einkaufsgewohnheiten von Männern und Frauen sowie des Einflusses von Substitutionen. Substitutionen machen es aufgrund ihrer Natur schwierig zu identifizieren, wie Kunden Ihr Angebot wahrnehmen, selbst wenn sie einen Kauf getätigt haben - z. B. den Kauf eines schlichten schwarzen T-Shirts anstelle eines schlichten weißen, das nicht vorrätig ist. Auf dem Papier wurde ein Verkauf getätigt, aber das Fehlen des weißen T-Shirts könnte das Ende der Kundenloyalität signalisieren, insbesondere wenn dies regelmäßig vorkommt. Darüber hinaus sind Männer weniger geneigt, Zeit mit dem Durchsuchen mehrerer Artikel zu verbringen als Frauen, sodass das Fehlen des genauen Artikels, den sie möchten (oder einer geeigneten Substitution), entscheidend sein kann, wenn es darum geht, einen Kauf zu tätigen. Daher kann das, was das Management über ihr eigenes Geschäft (und ihre Kunden) zu wissen glaubt, äußerst irreführend sein, was wiederum ihre Lagerstrategien in die falsche Richtung lenken kann.

Zu diesem Zweck besteht die experimentelle Optimierung darin, eine Reihe von Experimenten durchzuführen, die die Optimierungskriterien selbst herausfordern - das Instrument, das quantifiziert, ob die Supply Chain besser oder schlechter ist (z. B. “Servicequalität”). Der Kern der Methode besteht darin, ein Kriterium auszuwählen, eine mathematische Optimierung (oder genauer gesagt eine stochastische Optimierung) gegen dieses Kriterium durchzuführen und die resultierenden Supply-Chain-Entscheidungen zu bewerten. Diese Bewertung erfolgt nicht aggregiert, sondern im Vergleich zu den verrücktesten Entscheidungen, die einfach nicht korrekt sein können. Das Kriterium muss dann modifiziert werden, um allmählich diese verrückten Entscheidungen zu eliminieren, bis keine mehr übrig sind.

Das resultierende Kriterium wurde somit durch eine Reihe von Experimenten erhalten. Im Gegensatz zur klassischen Optimierungsperspektive, die davon ausgeht, dass die Kriterien im Voraus bekannt sind und niemals von der Realität herausgefordert werden, deckt die experimentelle Optimierung die Kriterien auf, indem sie die Kriterien wiederholt mit realen Situationen konfrontiert.

Um zum vorherigen Modebeispiel zurückzukehren, kann eine experimentelle Optimierung darauf hinweisen, dass die Umverteilung vorhandener Bestände zwischen den Geschäften die optimale Lösung ist, oder vielleicht reicht es aus, die Displays in jedem Geschäft einfach umzustellen, um einen größeren Verkehr und eine wahrgenommene Servicequalität zu stimulieren. Diese Schlussfolgerungen sind nur nach wiederholtem Experimentieren mit (“Feinabstimmung”) dem numerischen Rezept entdeckbar, das die Optimierungsempfehlung(en) generiert.

Die Supply Chain, wie jedes andere System, ist mehr als die Summe seiner Teile. Tatsächlich besteht der Fluch der Supply Chain darin, dass die meisten vermeintlichen Verbesserungen Probleme nur verlagern, anstatt sie zu lösen, da die Probleme als lokale Probleme behandelt werden, anstatt Ausdruck systemweiter Probleme zu sein. Beispielsweise bedeutet eine Erhöhung der Servicelevels in der Regel auch eine Erhöhung der Lagerabschreibung. Daher gibt es kein Anstoßen oder Feinabstimmen eines isolierten Elements innerhalb eines Systems, ohne auch den Rest des Systems zu beeinflussen. Es ist daher stets schwierig zu quantifizieren, ob etwas das System (die Supply Chain) verbessert oder verschlechtert.

Darüber hinaus wird diese Schwierigkeit im speziellen Fall von Supply Chains verstärkt, da es in der Regel viel Zeit braucht, bis sich Ereignisse entfalten. Im Fall des Modegeschäfts von zuvor können Männer beispielsweise unglaublich loyal gegenüber einem Geschäft sein, das konsequent die Artikel hat, die sie möchten, angetrieben von der reinen Bequemlichkeit, nicht zu lange einkaufen zu müssen. Das Erleben von Lagerausverkäufen kann daher verheerend für die Kundentreue sein und lange dauern, um sich zu manifestieren (da Männer nur wenige Male im Jahr einkaufen, aber bei jedem Besuch viele Artikel kaufen, um den Wert jedes Einkaufs zu maximieren). Diese Überlegungen und Eventualitäten machen alle naiven Ansätze zur Quantifizierung der Leistung der Supply Chain zunichte, daher befürwortet Lokad eine Lösung, die auf experimenteller Optimierung beruht.

Für eine ausführlichere Perspektive gibt es einen vollständigen Vortrag über Experimentelle Optimierung für die Supply Chain.

Was ist “probabilistische Prognose”?

Probabilistische Prognose ist der Prozess, alle möglichen zukünftigen Werte/Ergebnisse/Szenarien zu identifizieren (z. B. Nachfrage nach einem bestimmten SKU) und jedem Wert eine Wahrscheinlichkeit zuzuweisen. Die Wahrscheinlichkeit gibt an, wie wahrscheinlich es ist, dass dieser Wert “real” wird (z. B. könnte man eine 3%ige Wahrscheinlichkeit haben, 4 Einheiten zu verkaufen; eine 4%ige Wahrscheinlichkeit, 5 Einheiten zu verkaufen; eine 2%ige Wahrscheinlichkeit, 6 Einheiten zu verkaufen; usw.). Numerisch betrachtet deckt diese Wahrscheinlichkeitsverteilung (auch “probabilistische Prognose” genannt), wenn sie zusammengezählt wird, 100% der potenziellen Werte (z. B. Nachfrage) ab.

Eine Prognose gilt als “probabilistisch”, wenn der prognostizierte Wert eine Wahrscheinlichkeitsverteilung anstelle eines einzelnen Punktes ist. Probabilistische Prognosen sind das Gegenteil der traditionellen Punktprognosen, die die Mainstream-Supply-Chain-Theorie dominieren. Der Hauptvorteil von probabilistischen Prognosen besteht darin, dass sie die unvermeidliche Unsicherheit der Zukunft akzeptieren, anstatt vorzugeben, dass die “perfekte” Prognose gleich um die Ecke liegt, wenn nur ein etwas genaueres Modell gefunden werden könnte. Probabilistische Prognosen quantifizieren Unsicherheit, und diese Quantifizierung ist grundlegend, um später risikobereinigte Supply-Chain-Entscheidungen zu treffen. Ohne probabilistische Prognosen sind Entscheidungen fragil, da sie völlig abweisend gegenüber den alltäglichen Variationen (z. B. Nachfrage, Vorlaufzeit) sind, die selbst unter normalen Marktbedingungen zu erwarten sind.

Es ist erwähnenswert, dass jede Punkt-Zeitreihenprognose “mathematisch” in eine Wahrscheinlichkeitsverteilung umgewandelt werden kann. Genau das wird mit Sicherheitsbeständen gemacht, da sowohl die Nachfrage als auch die Vorlaufzeit mit normalen (Gaußschen) Verteilungen kombiniert werden können. Allerdings generieren solche Techniken nominell Wahrscheinlichkeitsverteilungen, diese Techniken verfehlen jedoch auch völlig den Punkt. Das Kernproblem, das durch eine probabilistische Prognose angegangen werden soll, besteht darin, eine reichhaltigere Prognose zu erstellen - eine Prognose, die mehr Informationen als eine Punktprognose enthält. Diese probabilistische Prognose ist nicht unbedingt genauer, genauso wie ein Farbfoto nicht unbedingt eine bessere Auflösung als ein Schwarz-Weiß-Foto hat. Allerdings fehlt einer Punktprognose von vornherein diese zusätzliche Dimension. Selbst wenn ein mathematischer Trick verwendet werden kann, um Wahrscheinlichkeiten hinzuzufügen, werden diese Wahrscheinlichkeiten fast vollständig erfunden sein, genauso wie die Kolorierung eines Bildes zwar sehr plausibel sein kann, aber faktisch falsch ist.

Kurz gesagt stellen probabilistische Prognosen eine der Kernstufen der Datenverarbeitung dar, die für die vorausschauende Optimierung einer Lieferkette erforderlich sind.

Was ist “allgemeine Prognose”?

Eine Prognosetechnik gilt als “allgemein”, wenn sie Daten unterstützt, die sich nicht als Zeitreihen präsentieren. Während Zeitreihenprognosen für Visualisierungszwecke sehr nützlich sind, handelt es sich letztendlich um ein vereinfachtes und eindimensionales Modell, das es versäumt, Ereignisse widerzuspiegeln, wie sie sich in einer realen Lieferkette entfalten.

Auch die Berücksichtigung mehrerer Zeitreihen löst das Problem nicht.

Zum Beispiel:

• Wiederholungskäufe von denselben Kunden können nicht mit Zeitreihen modelliert werden, da eine Nachfrage-Zeitreihe den Ursprung jeder gekauften Einheit vollständig abflacht.
• Kannibalisierung oder Substitution können nicht als Zeitreihen dargestellt werden, da die Abhängigkeiten zwischen den Elementen verloren gehen.
• Wettbewerber, die um Preise, Mengenrabatte, Servicelevel usw. konkurrieren, können nicht durch eine Zeitreihe erfasst werden, da sie diese kausalen Faktoren nicht widerspiegeln kann.

In der Mainstream-Supply-Chain-Theorie sind Zeitreihenprognosen das Alpha und Omega. Doch eine sorgfältige Untersuchung realer Situationen sollte zeigen, dass Zeitreihenprognosen unweigerlich eine stark fehlgeleitete Vereinfachung der Situation sind - siehe die oben aufgeführten Beispiele. In Lokads Quantitativer Supply Chain (QSC)-Theorie ist es besser, ungefähr richtig zu sein, als genau falsch. Zu behaupten, dass ein realweltliches Problem (z. B. Substitutionen) nicht existiert, macht das Problem nicht verschwinden.

Aus diesem Grund hat Lokad seit Anfang der 2010er Jahre eine ganze Reihe überlegener Prognosetechnologien entwickelt und vorangetrieben, die allgemeinere Formen von Prognosen liefern (über einfache Zeitreihen hinaus). Gemäß unserem QSC erfordert jede einzelne Unsicherheitsquelle eine probabilistische Prognose. Diese “allgemeinen Prognosen” werden nicht von “Prognosemodellen”, sondern durch programmatische maschinelle Lernparadigmen wie differenzierbares Programmieren bereitgestellt.

Was ist “klassische Prognose”?

Unter “klassischer Prognose” verstehen wir die Punkt-Zeitreihenprognose. Punkt-Zeitreihenprognosen sind in der Mainstream-Supply-Chain-Theorie so weit verbreitet, dass viele Menschen, einschließlich vieler Supply-Chain-Praktiker, nicht erkennen, dass Punkt-Zeitreihenprognosen lediglich eine Form von statistischen Prognosen sind. Tatsächlich gibt es eine Vielzahl alternativer Formen von statistischen Prognosen, wobei Punkt-Zeitreihen eine der einfachsten ist.

Hinweis: Eine einfache Prognose ist nicht unbedingt schlecht. Tatsächlich ist Lokad der Ansicht, dass Prognosesoftware nicht komplizierter sein sollte, als für ihre Aufgabe erforderlich ist. Dennoch sind Punkt-Zeitreihenprognosen unerträglich einfach, wie in „Was ist „allgemeine Prognose“?“ gezeigt wurde.

Punkt-Zeitreihenprognosen erlangten zu Beginn des 20. Jahrhunderts, ein halbes Jahrhundert vor dem Aufkommen von Unternehmenscomputern, an Popularität. Bis leistungsstarke Computer weit verbreitet erschwinglich wurden, waren Punkt-Zeitreihenprognosen die einzige Art von statistischen Prognosen, die erstellt werden konnten. Trotz ihrer extremen Einfachheit war die Erstellung von Zeitreihenprognosen bereits zu viel Arbeit, um die Investition wirklich wert zu sein - da sie ohne die Rechenleistung von Unternehmenscomputern durchgeführt wurden. Als Ergebnis verwendeten die meisten Unternehmen alle möglichen Tricks, um die Notwendigkeit, irgendetwas statistisch zu prognostizieren, vollständig zu beseitigen.

Es gibt zwei unterschiedliche und ergänzende Wege, um über klassische Prognosen hinauszugehen. Der erste Weg besteht darin, den „Punktprognose“-Ansatz durch einen „probabilistischen Prognose“-Ansatz zu ersetzen.

Probabilistische Prognosen liefern im Gegensatz zu ihren „Punkt“-Gegenstücken vollständige Wahrscheinlichkeitsdichten. Probabilistische Prognosen erfassen die unvermeidbare Unsicherheit der Zukunft und quantifizieren diese Unsicherheit frontal. In Bezug auf die Lieferkette sind probabilistische Prognosen den Punktprognosen weit überlegen, da sie sich für die spätere Berechnung risikoadjustierter Lieferkettenentscheidungen eignen. Im Gegensatz dazu ignorieren Punktprognosen alle Unsicherheitsquellen, und Entscheidungen, die auf diesen Prognosen beruhen, sind von Natur aus fragil.

Der zweite Weg besteht darin, den „Zeitreihen“-Ansatz durch eine alternative höherdimensionale Alternative zu ersetzen. Zeitreihen sind von Design eindimensional. Diese inhärente Begrenzung bedeutet, dass Zeitreihenprognosen einfach nicht in der Lage sind, selbst die grundlegendsten Wechselwirkungen zu erfassen, die im Fluss von Waren in der Lieferkette beobachtet werden können.

Zeitreihenprognosen können beispielsweise keine Kannibalisierung und Substitution erfassen. Sie können nicht das Risiko erfassen, dass ein konstanter Umsatz vollständig von einem einzigen großen Kunden abhängt (z. B. in B2B-Situationen). Sie können nicht die Korbperspektive eines Kunden erfassen, der in einem Hypermärkten einkauft und alle notwendigen Zutaten für ein Rezept benötigt (d. h. wenn ein einzelner Artikel fehlt, wird nichts gekauft). Lokad verwendet differenzierbares Programmieren, um Vorhersagemodelle zu entwickeln, die über die eindimensionale Perspektive der Zeitreihen hinausgehen und die tatsächlichen interessierenden Informationen erfassen.

Zusammenfassend ist die klassische Prognose eine veraltete statistische Perspektive, die in einer modernen Lieferkette keinen Platz hat. Sich auf klassische Prognosen - auch bekannt als Punkt-Zeitreihenprognosen - zu verlassen, ist ein Rezept für Misserfolg, da diese Prognosen bestenfalls zu fragilen Entscheidungen führen und im schlimmsten Fall zu völlig falschen Entscheidungen. Stattdessen empfehlen wir die Verwendung von allgemeinen probabilistischen Prognosen, die in der Regel auf einem programmatischen maschinellen Lernparadigma wie differenzierbarem Programmieren basieren.

Was ist „die Korbperspektive“?

Die Korbperspektive ist ein Anliegen von herausragender Relevanz für alle Branchen, in denen Kunden erwartet werden, viele Artikel auf einmal zu kaufen (als einzelne Transaktion), anstatt nur einen Artikel. Es bezieht sich auf den wahrgenommenen Wert, wenn die Einkäufe in Kombination anstelle von isolierter getätigt werden. Mit anderen Worten könnte der Wert aller verfügbaren Artikel als Ganzes mehr sein als die Summe der getrennten Werte der Artikel, die einzeln erworben wurden. Diese Perspektive ist für viele Branchen wie beispielsweise den allgemeinen Einzelhandel von großer Bedeutung. Die Anerkennung dieser Wechselbeziehung in der Nachfrage führt zu überlegenen Entscheidungen in der Lieferkette im Vergleich zu traditionellen Methoden, die jeden Kauf eines SKU als isoliertes Ereignis behandeln.

Nehmen wir zum Beispiel einen Kunden, der einen Supermarkt betritt, um mehrere Artikel zu kaufen. Diese Artikel repräsentieren eine Mischung aus lebenswichtigen Grundnahrungsmitteln (z.B. Milch, Brot und Eier) und freiwilligen Einkäufen (z.B. Eis und Schokolade). Wenn der Supermarkt einen Engpass bei einem freiwilligen Artikel hat (z.B. Schokolade), wird der Kunde wahrscheinlich immer noch die anderen Artikel kaufen (Milch, Brot, Eier und Eis). Wenn jedoch ein Engpass bei einem lebenswichtigen Grundnahrungsmittel besteht (z.B. Milch), könnte der Kunde ohne den Kauf irgendetwas zu verlassen und zu einem Konkurrenten gehen, um seine Einkäufe zu tätigen. Somit erstreckt sich die finanzielle Strafe des Engpasses für das lebenswichtige Produkt über das Produkt selbst hinaus und beeinflusst den gesamten Warenkorb an Verkäufen.

Im Wesentlichen gibt es Beziehungen zwischen Produkten, und das Fehlen einiger Produkte beeinflusst die Wahrscheinlichkeit, dass Kunden andere kaufen. Lokad integriert dieses subtile, aber bedeutende Phänomen in seine Empfehlungen für die Entscheidungsfindung in der Lieferkette, um Lagerbestände zu optimieren und Engpässe zu reduzieren (von denen diejenigen, die am meisten schaden würden, bis zu denen, die am wenigsten schaden würden), wodurch insgesamt Umsätze, Kundenprofite und Kundenzufriedenheit verbessert werden.

Was ist ein „Supply Chain Scientist“?

Ein Supply Chain Scientist (SCS) ist die Person, die eine der Quantitativen Supply Chain (QSC) Initiativen von Lokad mit einem Kunden anführt, z.B. die Bereitstellung von risikobereinigten Bestellungen, Lagerzuweisungslisten, Preisen usw. Der Begriff „Supply Chain Scientist“ wurde von Joannes Vermorel, CEO und Gründer von Lokad, im Jahr 2017 geprägt. Die Hauptaufgabe des SCS besteht darin, die numerischen Rezepte zu generieren, zu pflegen und zu besitzen, die für die Entscheidungsfindung in einer bestimmten Supply Chain Initiative verantwortlich sind.

Im Gegensatz zu einem Datenwissenschaftler, dessen Hauptverantwortung darin besteht, Modelle zur Unterstützung des Entscheidungsprozesses zu erstellen, übernimmt der SCS die persönliche Verantwortung für die Qualität der Entscheidungsempfehlungen, die von den numerischen Rezepten generiert werden. Darüber hinaus übernimmt der SCS auch die direkte Verantwortung für die Gestaltung aller Instrumente (z.B. Dashboards, Berichte), die die Logik und Eignung der generierten Entscheidungen erklären. Es mag ein wenig paradox erscheinen, aber während Lokad die Robotisierung banaler Entscheidungsprozesse betont, stellen wir auch die persönliche Verantwortung in den Vordergrund. Eine QSC ist kein „System“, das für die Leistung der Lieferkette verantwortlich ist, sondern eine Person, die die QSC vorantreibt.

Allerdings ist ein SCS bei seiner Mission nicht allein. Lokad ist voll und ganz darauf ausgerichtet, sicherzustellen, dass jeder SCS so viel Unterstützung wie möglich erhält. Dies bedeutet, dem SCS alle notwendigen Softwaretools, mathematischen Instrumente, Methoden, Schulungen und Überwachung durch erfahrene SCS zur Verfügung zu stellen.

Eine genauere Beschreibung dessen, was ein SCS tut, finden Sie in unserem speziellen Wissensbasisartikel Der Supply Chain Scientist.

Was ist ein „Supply Chain Practitioner“?

Der Begriff “Supply Chain Practitioner” bezieht sich im Allgemeinen auf alle Personen, die traditionell an der Herstellung der Supply-Chain-Entscheidungen beteiligt sind oder dafür verantwortlich sind, die das Unternehmen benötigt, um zu funktionieren. Da es keine einheitliche Terminologie gibt, variiert der Titel je nach Branche und von einem Unternehmen zum anderen. Häufige Variationen von “Supply Chain Practitioner” sind Supply and Demand Planner, Inventory Analyst, Demand Forecaster, Category Manager, Inventory Manager, Production Manager, Purchasing Manager, Pricing Manager usw.

Die Quantitative Supply Chain (QSC) bietet eine modernisierte Vision der Rolle des Supply Chain Practitioners. Während der traditionelle Supply Chain Practitioner direkt für die manuelle Unterstützung des Entscheidungsprozesses verantwortlich ist, empfiehlt die QSC, alle wiederkehrenden Aufgaben vollständig zu mechanisieren. Durch diese Robotisierung können Supply Chain Practitioner sich auf Aufgaben konzentrieren, die für das Unternehmen mehr Mehrwert bringen. Insbesondere stehen Supply Chain Practitioner an vorderster Front, um die numerischen Rezepte (die Softwarestücke, die die Robotisierung der Supply Chain unterstützen) herauszufordern, indem sie Feedback und hochrangige Informationen von Kunden und Lieferanten sammeln.

Was bedeutet „Supply Chain Executive“?

Für Lokad bezieht sich dieser Begriff speziell auf eine Person, die in der Lage ist, widersprüchliche Vorschläge innerhalb des Unternehmens in Bezug auf die robotisierten Entscheidungsprozesse zu arbitrieren, die die Supply Chain orchestrieren.

Diese Rolle ist entscheidend in einer Quantitative Supply Chain-Initiative, die die Supply-Chain-Entscheidungsprozesse durch explizite finanzielle Bewertungen mit Softwarelogik vereinheitlicht. Die QSC deckt alle Widersprüche und Unklarheiten auf, die typischerweise im Unternehmen vorhanden sind. Daher muss sicher gestellt werden, dass eine Supply-Chain-Initiative nicht durch bloße Unentschlossenheit ins Stocken gerät, indem ein Supply Chain Executive mit der Befugnis ernannt wird, widersprüchliche Vorschläge aus strategischer Sicht zu arbitrieren (z.B. Erreichen des erwarteten Servicelevels um jeden Preis versus Finden eines optimierten Entscheidungssatzes innerhalb eines begrenzten Budgets).

Hinweis: Die QSC geht nicht davon aus, dass der Supply Chain Executive die angeborene Fähigkeit hat, immer “richtig” zu sein. Herauszufinden, was funktioniert und was nicht, ist die Aufgabe der experimentellen Optimierung Methodik, die Lokad einsetzt, nicht des Supply Chain Executives.

Was ist eine „risikoadjustierte Entscheidung“?

Im Kontext der Supply-Chain-Optimierung wird eine Entscheidung als risikoadjustiert bezeichnet, wenn die Entscheidung sorgfältig die wirtschaftlichen Kosten abwägt, die mit dem unsicheren zukünftigen Zustand des Marktes und der Supply Chain selbst verbunden sind. Eine risikoadjustierte Entscheidung ist “besser” in dem Sinne, dass durch Berücksichtigung aller möglichen Zukunftsszenarien und ihrer zugehörigen Wahrscheinlichkeiten das durchschnittliche finanzielle Ergebnis dieser Entscheidung größer sein wird als bei Alternativen.

Risikoadjustierte Entscheidungen neigen auch dazu, antifragile Entscheidungen zu sein (im Gegensatz zu fragilen Entscheidungen). Das bedeutet, dass ihre erwarteten wirtschaftlichen Gewinne für eine breite Palette zukünftiger Variationen weiterhin recht gut (oder einfach akzeptabel) bleiben. Diese Eigenschaft wird durch die Berücksichtigung aller nicht-linearen Einschränkungen und Kosten (z.B. Verderblichkeit) erreicht.

Die implizite Annahme hinter der Idee der risikoadjustierten Entscheidungen ist, dass die ernsthaften wirtschaftlichen Kosten an den Extremen liegen: Es ist die unerwartet hohe Nachfrage, die zu Lagerausfällen führt, und es ist die unerwartet niedrige Nachfrage, die zu Überbeständen führt. Dazwischen läuft alles weitgehend nach Plan, und alle Verbesserungen, die im “nach Plan” Fall vorgenommen werden, sind für das Unternehmen größtenteils vernachlässigbar.

Im Gegensatz dazu erzeugen die meisten Entscheidungsprozesse, die von der Mainstream-Supply-Chain-Theorie empfohlen werden, keine risikoadjustierten Entscheidungen. Tatsächlich sind die Entscheidungen in der Regel fragil. Sie sind fragil (siehe vollständige Erklärung unten), weil ihnen die eine entscheidende Zutat fehlt, um überhaupt eine risikoadjustierte Entscheidung zu generieren: eine probabilistische Prognose. Tatsächlich, wenn die einzige verfügbare Prognose eine Punkt-Zeitreihenprognose ist, dann geht der Entscheidungsprozess implizit “all in” auf einen einzigen zukünftigen Wert (z.B. Nachfrage), von dem angenommen wird, dass er perfekt bekannt ist. Dieser Ansatz führt unweigerlich zu fragilen Entscheidungen, da sie sofort unzureichend werden, sobald eine Ausnahme oder ein unerwartetes Risiko präsentiert wird - etwas, das in der Supply Chain allzu häufig vorkommt und mit einer probabilistischen Prognose allzu leicht vorherzusehen ist.

Eine detailliertere (wenn auch technischere) Darstellung, wie risikoadjustierte Entscheidungen in der Praxis abgeleitet werden, finden Sie in unserem Tutorial Priorisierte Bestandsauffüllung in Excel mit probabilistischen Prognosen und unserer QSC-Vorlesung Einzelhandelsbestandszuordnung mit probabilistischen Prognosen.

Was ist eine fragile Entscheidung?

Im Kontext der Supply-Chain-Optimierung ist eine Entscheidung fragil, wenn minimale Variationen der Marktbedingungen oder des Zustands der Supply Chain selbst die wirtschaftlichen Gewinne untergraben, die ursprünglich von dieser Entscheidung erwartet wurden. Die Entscheidungsprozesse, die von der Mainstream-Supply-Chain-Theorie gefördert werden, erzeugen unweigerlich fragile Entscheidungen - selbst unter Berücksichtigung geringfügiger Marktbedingungen, bei denen nichts Besonderes passiert.

Unserer Meinung nach müssen Entscheidungen risikoadjustiert sein. Dies ist der Ansatz, den die Quantitative Supply Chain (QSC) Philosophie von Lokad empfiehlt. In der Praxis erfordert die Erstellung einer risikoadjustierten Entscheidung zwei bemerkenswerte Zutaten: erstens probabilistische Prognosen und zweitens stochastische Optimierung.

Probabilistische Prognosen quantifizieren die zukünftige Unsicherheit in Form einer Wahrscheinlichkeitsverteilung. Stochastische Optimierung berechnet die Entscheidung, die sich im Durchschnitt als “die beste” erweisen wird, wenn alle möglichen Zukunftsszenarien und ihre jeweiligen Wahrscheinlichkeiten berücksichtigt werden. Dies geschieht durch Kombination der wirtschaftlichen Treiber, der Einschränkungen und der probabilistischen Prognosen.

Was ist epistemische Korruption?

Epistemische Korruption tritt auf, wenn ein Wissensbestand seine Integrität verliert und für die Menschen oder die Organisation, die sich auf dieses Wissen zur Verbesserung ihrer Aktivitäten verlassen, keinen Wert mehr hat.

Die Supply Chain hat als Forschungsfeld leider seit dem Ende des Zweiten Weltkriegs einen schweren Fall von epistemischer Korruption durchgemacht. Es gibt zwei Hauptursachen für diesen gegenwärtigen Zustand:

Erstens hat die Akademie vor Jahrzehnten, größtenteils unbeabsichtigt, versagt. Während jedes Jahr Zehntausende von Papieren veröffentlicht werden, können praktisch keine dieser Arbeiten reproduziert oder falsifiziert werden (im Popperianischen Sinne der Falsifikation*). Im Gegensatz zu anderen Bereichen, die nicht unter weit verbreiteter epistemischer Korruption leiden (z. B. die Studie von Algorithmen), werden Supply Chain-Papiere fast nie in realen Situationen verwendet, und wenn doch, dann nicht lange.

Zweitens handeln Marktanalysten, Softwareanbieter und Berater seit Jahrzehnten als Gegner. Tatsächlich gibt es Gewinne zu erzielen, indem Probleme verlängert anstatt gelöst werden. Überholte Methoden, die längst verschwunden wären, werden von Akteuren am Leben erhalten, die allzu bereit sind, den Status quo aufrechtzuerhalten. Seltsamerweise gibt es den Status quo schon so lange, dass die meisten dieser Menschen ehrlich behaupten können, dass die Methoden aus ihrer Sicht “immer” existiert haben - denn technisch gesehen existieren die Probleme effektiv schon vor ihnen.

Die Lösung für weit verbreitete Fälle von epistemischer Korruption sind effektivere Methodologien und Methoden, die es Unternehmen ermöglichen, schneller (und besser) die Spreu vom Weizen zu trennen. Zu diesem Zweck führt Lokad seit 2011 eine Neugründung der Supply Chain durch. Dieser neuartige Ansatz wird “Quantitative Supply Chain” (QSC) genannt. Er umfasst alternative Techniken und Methodologien wie probabilistische Prognosen und experimentelle Optimierung.

*Der “Popperianische Sinn der Falsifikation” bezieht sich hier auf die Wissenschaftsphilosophie von Karl Popper. Nach Popper muss eine Theorie, um als wissenschaftlich betrachtet zu werden, falsifizierbar sein - das heißt, es muss möglich sein, eine Beobachtung oder ein Experiment zu konzipieren, das die Theorie widerlegen könnte. Mit anderen Worten, wissenschaftliche Theorien sollten Vorhersagen treffen, die getestet und potenziell widerlegt werden können. Dieses Konzept ist entscheidend, um wissenschaftliche Theorien von nicht-wissenschaftlichen zu unterscheiden. Die Supply Chain-Forschung (typischerweise) mangelt an Falsifizierbarkeit, da die Theorien nicht getestet und potenziell widerlegt werden können, was ihren wissenschaftlichen Wert untergräbt und zur epistemischen Korruption des Feldes beiträgt.

Was bedeutet “Korrektheit durch Design”?

Korrektheit durch Design ist ein Prinzip, das die Bedeutung betont, sicherzustellen, dass das Design eines Systems bestimmte Arten von Fehlern oder Ausfällen von vornherein verhindert. Dieser Ansatz steht im Gegensatz zur häufigeren Praxis, sich auf umfangreiche Tests und Qualitätskontrollen zu verlassen, um Probleme nach ihrem Auftreten zu erkennen und zu beheben. Das Ziel von Korrektheit durch Design ist es, den Bedarf an kontinuierlicher Wartung zu minimieren und das Risiko katastrophaler Ausfälle zu reduzieren, die aus komplexen Systemen resultieren können. Im Kontext der Optimierung der Supply Chain ist Korrektheit durch Design besonders relevant, da die analytische Ebene (die Ebene, die für die Entscheidungsprozesse verantwortlich ist) das ohnehin schon chaotische Umfeld der Supply Chain nicht verstärken darf.

Numerische Rezepte - die die Entscheidungsprozesse der Supply Chain unterstützen sollen - werden oft mit generischen Tools implementiert, die keine Korrektheit durch Design bieten. Als Ergebnis scheitern solche numerischen Rezepte typischerweise an tausend kleinen Fehlern. Die Produktion scheitert aufgrund von Index-Out-of-Range-Fehlern, Speicherfehlern, Rennbedingungen, numerischen Überläufen oder Unterläufen usw. “Schnell vorankommen und Dinge kaputt machen” ist eine akzeptable Ingenieursphilosophie für eine Lifestyle-App, nicht jedoch für ein geschäftskritisches System.

Zu diesem Zweck hat Lokad Envision entwickelt, seine DSL (domain-spezifische Programmiersprache), die der prädiktiven Optimierung von Supply Chains mit Korrektheit durch Design gewidmet ist. Lokad hat nicht mit Envision begonnen, als es 2008 gegründet wurde. Jahrelang verließen wir uns auf allgemeine Programmiersprachen wie Python. Es dauerte Jahre, bis wir feststellten, dass unsere Versuche mehr als oft nicht aufgrund von Python scheiterten.

Noch verwirrender war die Situation für die Datenteams unserer eigenen Kunden. Die Geschichte spielte sich fast immer auf die gleiche Weise ab: Innerhalb von drei Wochen hatte das Datenteam einen vielversprechenden Prototyp erstellt. Doch nach einem Jahr intensiver Bemühungen, sicherzustellen, dass er in realen Produktionsumgebungen funktioniert, wurde das Projekt verworfen, da es nie die notwendige “Produktionsreife” erreicht hatte.

Nach Jahren des Leids und des Elends kamen wir 2012 zu dem Schluss, dass die Programmiersprache selbst das Kernproblem war, das angegangen werden musste. Mit anderen Worten, Python war nicht die Lösung, sondern das Problem. So blieb dem Lokad-Entwicklungsteam keine bessere Alternative, als eine jahrzehntelange Ingenieursarbeit zu initiieren, um eine DSL zu schaffen, die sich ausschließlich mit Supply Chains befasst und alle diese Probleme in vollem Umfang “von Design” aus angeht. So entstand Envision.

Mehr als ein Jahrzehnt später haben wir nun mehrere Milliarden (USD und EUR) an Inventar unter direkter Kontrolle der umfangreichen numerischen Rezepte, die in Envision geschrieben wurden. Envision hat nicht nur die Produktivität der Supply Chain Scientists von Lokad dramatisch verbessert, sondern auch die Häufigkeit der “dummen” und sehr kostspieligen Fehler enorm reduziert.

Zusammenfassend ist Korrektheit durch Design eine Kernanforderung für jede Programmiersprache, die dazu bestimmt ist, reale Supply Chains zu lenken. Viele Softwareanbieter gehen aus reiner Nachlässigkeit oder Inkompetenz dieses Problem nicht frontaI an und verursachen damit unweigerlich immense Schäden für ihre Kunden.

Was bedeutet “Wartbarkeit”?

Wartbarkeit im Kontext von Supply-Chain-Software bezieht sich auf die Fähigkeit des Unternehmens und seiner unterstützenden Softwareanbieter, seine Anwendungslandschaft funktionsfähig zu halten.

Was die “Verwaltung” der Supply Chain betrifft, ist “Wartbarkeit” eine relativ einfache Angelegenheit. Es gibt eine Vielzahl von Sicherheits- und Kompatibilitätspatches, um die Software unter sich ändernden Bedingungen (z. B. Änderungen der Betriebssysteme, Browser, Datenbankversionen usw.) am Laufen zu halten. Wenn das Unternehmen keine funktionalen Änderungen an seinen “Verwaltungs”-Apps wünscht, ist die Wartbarkeit größtenteils gegeben, wenn der Anbieter auch nur bescheiden kompetent ist.

Die Supply-Chain-Optimierung ist jedoch ein ganz anderes Problem. Die numerischen Rezepte, die die Entscheidungsprozesse automatisieren, verlieren im Laufe der Zeit zwangsläufig an Relevanz. Die Ursache für den Verfall ist nicht so sehr das Wachsen und Schrumpfen des Marktes, da es recht einfach ist, diese Art von Variation numerisch als Teil der statischen numerischen Rezepte anzupassen (z. B. macht das ein gleitender Durchschnitt, wenn auch auf grobe Weise).

Vielmehr liegt die Ursache des Verfalls in der Entwicklung der zu lösenden Probleme. Sich verändernde Marktbedingungen erfordern nicht nur Antworten, die quantitativ unterschiedlich sind, sondern ganz andere Arten von Antworten. Zum Beispiel mussten sich Versandhandelsunternehmen noch nie mit dem Problem auseinandersetzen, ihre SEM (Suchmaschinenmarketing)-Investitionen zu lenken, um die Liquidation von überschüssigem Inventar zu unterstützen - eine Situation, mit der E-Commerce-Unternehmen routinemäßig konfrontiert sind.

Supply Chain Optimization Software ist viel anfälliger für sich verändernde Marktbedingungen als Supply Chain Management Software. Im Jahr 2024 ist es nicht selten, auf Unternehmen zu stoßen, die immer noch ein Lagerverwaltungssystem betreiben, das in den 1990er Jahren implementiert wurde (was immer noch gut zu funktionieren scheint), da sich die bürokratischen Lagerhaltungsaufgaben in den letzten 30 Jahren praktisch nicht verändert haben. Eine Supply-Chain-Optimierungslogik, die selbst für 3 Jahre relevant bleiben kann, ist verschwindend selten.

Die meisten Anbieter von Supply-Chain-Optimierung erkennen dieses grundlegende Problem nicht an. Als Ergebnis konzentrieren sich Investitionen in der Regel stark zu Beginn, wenn das Kundenunternehmen von den Anbietern eingeführt wird. Während der ersten paar Monate, in denen der Anbieter noch stark in ein sich entwickelndes Setup involviert ist, erscheint die Lösung zufriedenstellend. Doch 18 Monate nach Abschluss der Einführungsphase durch den Softwareanbieter sind die numerischen Rezepte auf den Punkt der Irrelevanz verfallen. Unweigerlich greifen Supply Chain-Praktiker wieder auf ihre Tabellenkalkulationen zurück, die trotz ihrer Einfachheit ein gewisses Maß an Relevanz beibehalten können.

Das Problem der Wartbarkeit ist einer der Hauptgründe, warum Lokad im Jahr 2012 Envision geschaffen hat - eine DSL (domänenspezifische Programmiersprache), die der prädiktiven Optimierung von Lieferketten gewidmet ist. Tatsächlich haben wir in den frühen Jahren von Lokad (gegründet 2008) festgestellt, dass egal welche numerischen Rezepte wir entwickeln konnten, diese in der Regel alle 18 Monate oder so umfassend neu geschrieben werden mussten, unabhängig davon, wie gut unsere anfängliche Implementierung war. Dies war der Preis, um die Automatisierung strikt auf die sich ständig ändernde Strategie und Prioritäten unserer Kunden auszurichten. Daher wurde Envision speziell entwickelt, um die Notwendigkeit ständiger Neuschreibungen zu erfüllen, um Irrelevanz zu vermeiden.

Zusammenfassend wird die Wartbarkeit im Bereich der Supply-Chain-Optimierung weitgehend durch die Fähigkeit des Unternehmens definiert, die numerischen Rezepte, die die Ausführung seiner eigenen Lieferkette steuern, routinemäßig neu zu schreiben. Während diese Fähigkeit von der Größe des Supply Chain Scientist-Teams abhängt, das für die Aufgabe eingesetzt werden kann, hängt sie auch stark von der Qualität der Programmiersprache ab, die zur Implementierung der numerischen Rezepte verwendet wird.