FAQ: Glossar

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

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

Was bedeutet “Supply Chain”?

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

Die Supply Chain ist die Beherrschung der Optionen bei gleichzeitiger Variabilität bei der Steuerung des Flusses physischer Güter.

Optionen 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 beispielsweise Auffüllbestellungen, Produktionsaufträge und Preisänderungen. Darüber hinaus bezieht sich Optionen darauf, die Optionen überhaupt verfügbar zu machen. Zum Beispiel geht es bei der Investition von Ressourcen zur Identifizierung alternativer Lieferanten darum, weitere Optionen für das Unternehmen zu schaffen.

Variabilität bezieht sich auf die enorme 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. Diese Kräfte umfassen Kundennachfrage, Rohstoffpreise, Lieferzeiten der Lieferanten usw. Daher müssen die für Supply-Chain-Zwecke verwendeten Methoden oder Instrumente das Problem des unvollständigen Wissens und des Risikos, das in 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 naturgemäß durch ihre physische Natur eingeschränkt - die Stakeholder (z.B. Kunden, Lieferanten, Großhändler, Transportunternehmen, Hersteller usw.) sind geografisch verteilt. Die Methoden oder Instrumente, die verwendet werden, um diese Stakeholder zu verbinden, müssen die zahlreichen Einschränkungen direkt (und angemessen) berücksichtigen, die typischerweise im Weg stehen. Beispiele für diese Einschränkungen sind die Mindestbestellmenge (MOQ), der Mindestbestellwert (MOV), volle LKW-Ladungen, begrenzter Lagerplatz und die Gesamtkapazität eines Unternehmens zur Abwicklung von Ein- und Ausgangsbestellungen 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:

• Die 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 nicht vorhersehbar ist (d.h. zukünftige Unsicherheit kann mit Prognosen nicht vollständig eliminiert werden). Daher ist es aus Sicht des Risikomanagements suboptimal, nur einen zukünftigen Wert zu identifizieren (da Wahrscheinlichkeitsdimensionen fehlen).

• Die MSCP geht davon aus, dass die Supply Chain selbst nicht adversarialen Verhalten unterliegt. Zu keinem Zeitpunkt berücksichtigt die MSCP, 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.

• Die MSCP geht davon aus, dass Beobachtbarkeit gegeben ist. Die Realität ist, dass jedes große Unternehmen über eine frustrierend undurchsichtige Anwendungslandschaft (Softwareanwendungen) verfügt, was die direkte Beobachtung der Supply Chain äußerst schwierig macht.

• Die MSCP fehlt die Falsifizierbarkeit. Sie ist immun gegenüber der Realität. Egal wie schlecht die in Mainstream-Lehrbüchern oder Verkaufsargumenten 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 Supply Chain implementiert, aber viele (wenn nicht die meisten) dieser Unternehmen arbeiten immer noch mit Tabellenkalkulationen. Dies ist ein weiterer wichtiger Aspekt der MSCP: Softwareanbieter haben sich darauf spezialisiert, die Supply Chain-Praktiker dafür verantwortlich zu machen, dass sie “dem Prozess nicht folgen” oder “angemessene Parameter verwenden” können.

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 den MSCP-Lehrbüchern übertreffen.

Aus diesem Grund hat Lokad im Jahr 2011 eine Neugründung der Supply Chain sowohl als Forschungs- als auch als Praxisfeld vorgenommen. Wir bezeichnen diese Reform als Quantitative Supply Chain.

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

• Production and Operations Analysis, Seventh Edition, von Steven Nahmias und Tava Lennon Olsen, 2015
• Inventory and Production Management in Supply Chains, Fourth Edition, von Edward A. Silver, David F. Pyke und Douglas J. Thomas, 2016
• Fundamentals of Supply Chain Theory, Second Edition, Lawrence V. Snyder, Zuo-Jun Max Shen, 2019

Was ist “Demand Planning”?

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

Die Demand Planning-Prozesse umfassen rückblickende Techniken wie die statistische Analyse historischer Verkäufe und die Prognose ihrer zugehörigen Zeitreihen. Es umfasst auch vorausschauende Techniken wie die Zusammenarbeit mit Vertrieb und Marketing zur Verfeinerung der Zahlen auf der Grundlage von vom Unternehmen selbst festgelegten Zielen.

Aus der Quantitative Supply Chain (QSC)-Perspektive von Lokad ist das Demand Planning jedoch ein veraltetes Konzept, das in der modernen Supply Chain keinen Platz hat. Stattdessen besagt QSC, dass die Ausführung der Supply Chain robotisiert sein sollte, gesteuert durch numerische Rezepte, die in der Regel eine Phase der prädiktiven Modellierung umfassen, 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 zu bestellenden Mengen, Zuweisung des Lagerbestands über das Vertriebsnetz, Neupreisgestaltung) - etwas, das traditionell vom Demand Planning getrennt gehalten wird.

Das Demand Planning ist aus mehreren Gründen veraltet.

Erstens geht es davon aus, dass Menschen in die Durchführung der “quantitativen Bewertung der Zukunft” einbezogen werden sollten. Dies ist eine völlige 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 in der Regel täglich Tausende - wenn nicht Millionen - von Zahlen generiert.

Zweitens, da das “manuelle Demand Planning” 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 das Demand Planning eine veraltete Perspektive darüber, wie Supply Chains orchestriert werden sollten. Diese Perspektive entstand vor dem Aufkommen von Computern und hat ein paar Jahrzehnte länger überlebt, als sie sollte. An diesem Punkt sollte sie durch geeignetere Ansätze ersetzt werden, wie zum Beispiel Lokads QSC-Perspektive.

Was ist “Quality of Service”?

Im Kontext der Optimierung der Supply Chain bezieht sich “Quality of Service” (QoS) auf die Fähigkeit des Unternehmens, seine Kunden zu bedienen und gleichzeitig deren implizite Erwartungen zu erfüllen. QoS ist keine Metrik oder 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 zur Konkurrenz gehen. Umgekehrt können Kunden lautstark klagen und dennoch 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 können Kunden, obwohl noch viele Joghurts im Regal stehen, diese als unakzeptabel empfinden, wenn sie alle in drei Tagen ablaufen.

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

Einer der größten Fehler der mainstream supply chain perspective besteht darin, Servicelevels - die Wahrscheinlichkeit, dass ein Artikel nicht vorrätig ist - als vernünftige Proxys für QoS darzustellen. Dies ist fast immer falsch. Servicelevels ignorieren vollständig die Kannibalisierung und Substitution, die in den meisten Branchen allgegenwärtig sind. Sie ignorieren auch vollständig die lumpy demand, bei der 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). Servicelevels ignorieren auch vollständig die Bereitschaft des Kunden, mehr zu bezahlen, um schneller bedient zu werden, oder umgekehrt weniger zu bezahlen, wenn der Service verzögert wird.

Zusammenfassend ist QoS eine aspirative Perspektive. Es spiegelt wider, was das Unternehmen optimieren möchte, auch wenn die Optimierungskriterien schwer fassbar sind, da das Unternehmen vor einem wicked problem steht. Das QoS ist das Richtungsprinzip, das die Suche nach glaubwürdigen Metriken leitet, die dieses Streben widerspiegeln. Servicelevels und andere naive Metriken sollten nicht mit einem vernünftigen Proxy für QoS verwechselt werden.

Was ist ein “AI Pilot”?

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

Weitere Informationen zur Funktionsweise von AI Pilots finden Sie in unserem ausführlichen Podcast zu diesem 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 perspective fehlen. Sie umfasst auch eine Reihe von Methoden wie experimentelle Optimierung, supply chain personae, adversarial market research, die ebenfalls in der mainstream supply chain perspective fehlen.

Der Begriff “Quantitative Supply Chain” wurde 2017 in dem Buch The Quantitative Supply Chain von Lokad-Gründer Joannes Vermorel 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. Um die Kontrolle zu behalten, ist Automatisierung für jede banale Aufgabe erforderlich
5. Ein Supply Chain Scientist muss die numerischen Ergebnisse übernehmen

Die Quantitative Supply Chain kann als das Forschungsfeld betrachtet werden, das alle Materialien für die praktische Umsetzung eines AI Pilots für eine bestimmte Supply Chain zusammenführt.

Was ist “Supply Chain as a Service”?

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

Dieser Ansatz unterscheidet sich sehr von einem SaaS (Software as a Service)-Angebot, bei dem das Unternehmen des Kunden letztendlich für alles verantwortlich bleibt, was wichtig ist. Mit SaaS wird die IT-Abteilung von der Verwaltung einer weiteren App entlastet, das war’s aber auch schon. Wenn etwas schief geht, wie zum Beispiel unvorhersehbare Nachfrage, chaotische Lieferungen, unvollständige Daten usw., liegt es vollständig in der Verantwortung der Supply Chain-Teams, es herauszufinden. Mit SCaaS hingegen ist es die Aufgabe von Lokad, es 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, 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, oft als unsere “numerischen Rezepte”. Diese numerischen Rezepte sind in der Regel ziemlich komplex, da sie die inhärenten Komplexitäten der Supply Chains selbst widerspiegeln. Die Rezepte bestehen aus einer Vielzahl von banalen Datenvorbereitungsschritten, die mit anspruchsvollen analytischen Schritten - in der Regel maschinellem Lernen oder mathematischen Optimierungsalgorithmen - verflochten sind.

Wir verwenden den Begriff “Rezept” anstelle von “Algorithmus”, da diese Rezepte nicht so “rein” sind, wie es die meisten Softwareingenieure 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 für unsere Rezepte gilt. Letztendlich steht die Gesamtleistung der Supply Chain auf dem Spiel, und dies ist ein offenes und unklar definiertes Problem. Die Bewertung des Rezepts ist daher 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 reale Auswirkungen auf den Warenfluss hat. Beispielsweise 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 jede einzelne SKU (Lagerhaltungseinheit) etwa ein halbes Dutzend Entscheidungen umfasst, einschließlich des Nichtstuns, was ebenfalls eine Entscheidung ist (wenn auch eine banale).

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 in der Regel eine große Verwirrung zwischen den beiden. Eine Nachfrageprognose, eine ABC-Klasse, ein Sicherheitsbestand, ein Servicegrad können beispielsweise als numerische Artefakte betrachtet werden. Diese Elemente können sicherlich bei der Berechnung tatsächlicher Entscheidungen hilfreich sein, sind aber für sich genommen völlig bedeutungslos. Es spielt keine Rolle, ob die Prognose falsch ist, solange die Bestandsauffüllung angemessen ist, aber umgekehrt trifft das offensichtlich nicht zu.

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

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 abstrakte Konzepte, die oft willkürlich von einem Praktiker ausgewählt werden.

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 Bestellvorgänge durchführen, 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 reale Auswirkungen auf das Unternehmen haben. Entscheidungen liegen auch vollständig im Ermessen des Unternehmens. Typische Supply Chain-Entscheidungen umfassen Bestellvorgänge, 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 völlig falsch/ungenau sein, aber solange es keinen Überbestand und keinen Lagerbestandsausfall gibt, spielt das keine Rolle. Andererseits kann eine einzige irrsinnig große Bestellung (Entscheidung) einen gut gefüllten 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 Interessenproblem (nämlich die Vorhersage und Erfüllung der Nachfrage auf profitable Weise für ein Unternehmen) vollständig 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”) wiederholende Supply Chain-Entscheidungen und macht sie banal. 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 ausgeführt zu werden.

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 im Unternehmen nichts mehr, 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 automatisierte Ausführung des numerischen Rezepts. Das numerische Rezept hört einfach auf, sich zu verbessern. Wenn dies eine Weile so weitergeht, führt dies zwangsläufig zu einem Verfall der Qualität der Entscheidungen, da das numerische Rezept seine Relevanz verliert (aufgrund von Veränderungen der Marktbedingungen).

Lokad hat jedoch eine Reihe von selbstbeobachtenden Mechanismen implementiert, um einen frühzeitigen Qualitätsverfall zu erkennen, 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 besteht darin, eine bestimmte Klasse von Supply Chain-Entscheidungen zu robotisieren und dabei eine Leistung zu erzielen, die übermenschlich ist. Das Ziel einer solchen Initiative besteht nicht nur darin, ein bestimmtes Problem in der Supply Chain des Kunden zu verbessern, sondern auch systemische, unternehmensweite Verbesserungen zu erzielen.

Lokads Supply Chain-Initiativen zielen in der Regel auf Bestellvorgänge, Produktionsaufträge, Lagerzuweisungen, Preisänderungen, feingranulare Produktionspläne usw. ab. Im Wesentlichen behandeln wir alle banalen, wiederholenden Entscheidungen, die erforderlich sind, um die Supply Chain des Kunden am Laufen zu halten.

Die Supply Chain-Initiative soll von Lokads Supply Chain-Wissenschaftlern (SCSs) geleitet werden. Ein SCS ist dafür verantwortlich, 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 Kunden (insbesondere das obere Management) verstehen können, wie und warum die Automatisierung eine übermenschliche Leistung erbringt.

Das Ergebnis einer Lokad Supply Chain-Initiative besteht darin, die numerischen Rezepte, die der SCS für den Kunden erstellt hat, in die Produktion zu bringen. Dieses Ergebnis automatisiert Entscheidungen und verwandelt die Supply Chain in eine produktive Ressource für den Kunden (ähnlich wie eine Ausrüstung die Produktion physischer Güter automatisiert).

Was ist “experimentelle Optimierung”?

Experimentelle Optimierung ist eine von Lokad verwendete Methodik zur Bewältigung von Problemen, bei denen der Begriff “Verbesserung” zu Beginn des Optimierungsprozesses unklar ist. Diese Unklarheit besteht, weil die Optimierungskriterien (Metriken) und ihre günstigen Werte nicht bekannt sind oder selbst wenn sie zuvor auf bestimmte Werte festgelegt wurden, nicht sofort mit finanziellen Begriffen (z. B. Rentabilität, ROI usw.) gerechtfertigt werden können. Das Ziel der “experimentellen Optimierung” besteht darin, eine strenge (manche würden sagen “wissenschaftliche”) Methode zur Quantifizierung dessen zu etablieren, was “Verbesserung” für eine Supply Chain aus finanzieller Sicht bedeutet.

Betrachten Sie zum Beispiel ein Modegeschäft, das seine Servicequalität verbessern möchte. Eines der Hauptprobleme besteht darin, dass es schwierig ist, zu bestimmen, was “Servicequalität” für den durchschnittlichen Kunden wirklich bedeutet, angesichts der unterschiedlichen Natur der Einkaufsgewohnheiten von Männern und Frauen sowie des Einflusses von Substitutionen. Substitutionen machen es naturgemäß schwierig zu bestimmen, wie Kunden Ihr Angebot wahrnehmen, auch 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 schlichten weißen T-Shirts kann 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 sein eigenes Geschäft (und seine Kunden) zu wissen glaubt, äußerst irreführend sein und somit ihre Lagerstrategien in die falsche Richtung lenken.

Zu diesem Zweck besteht die experimentelle Optimierung darin, eine Reihe von Experimenten durchzuführen, die die Optimierungskriterien selbst - das Instrument, das quantifiziert, ob die Supply Chain besser oder schlechter ist (z. B. “Servicequalität”) - herausfordern. Das Wesentliche der Methode besteht darin, ein Kriterium auszuwählen, eine mathematische Optimierung (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 nach und nach diese verrückten Entscheidungen zu eliminieren, bis keine mehr übrig sind.

Das resultierende Kriterium wurde also durch eine Reihe von Experimenten ermittelt. Im Gegensatz zur klassischen Optimierungsperspektive, die davon ausgeht, dass die Kriterien im Voraus bekannt sind und niemals von der realen Welt in Frage gestellt werden, deckt die experimentelle Optimierung die Kriterien auf, indem sie die Kriterien wiederholt realen Situationen gegenüberstellt.

Um zum vorherigen Beispiel der Mode zurückzukehren, kann eine experimentelle Optimierung darauf hinweisen, dass die Umverteilung vorhandener Bestände zwischen den Geschäften die optimale Lösung ist oder dass bereits die Neuanordnung der Displays in jedem Geschäft ausreicht, um den Verkehr und die wahrgenommene Servicequalität zu steigern. Diese Schlussfolgerungen sind nur nach wiederholtem Experimentieren mit der “numerischen Rezeptur” (siehe Was ist ein numerisches Rezept?), die die Optimierungsempfehlung(en) generiert, entdeckbar.

Eine Supply Chain ist wie jedes andere System mehr als die Summe seiner Teile. Tatsächlich besteht das Dilemma der Supply Chain darin, dass die meisten vermeintlichen Verbesserungen Probleme nur verlagern, anstatt sie zu lösen, da die Probleme als lokale Angelegenheiten behandelt werden, anstatt Ausdruck systemweiter Probleme zu sein. Wenn zum Beispiel der Servicelevel erhöht wird, bedeutet dies in der Regel auch eine Erhöhung der Lagerabschreibung. Daher kann kein isoliertes Element “innerhalb eines Systems” ohne Auswirkungen auf “den Rest des Systems” beeinflusst oder optimiert werden. Es ist daher immer schwierig zu quantifizieren, ob etwas das System (die Supply Chain) verbessert oder verschlechtert.

Darüber hinaus ist es im speziellen Fall von Supply Chains in der Regel sehr zeitaufwändig, Ereignisse zu beobachten und zu bewerten. Im Fall des zuvor genannten Modegeschäfts können Männer beispielsweise unglaublich loyal gegenüber einem Geschäft sein, das konsequent die gewünschten Artikel führt, was durch die reine Bequemlichkeit bedingt ist, nicht zu lange einkaufen zu müssen. Das Erleben von Lagerbestandsengpässen kann daher verheerend für die Kundentreue sein und lange dauern, bis sich dies manifestiert (da Männer möglicherweise nur wenige Male im Jahr einkaufen, jedoch bei jedem Besuch viele Artikel kaufen, um den Wert jeder Reise zu maximieren). Diese Überlegungen und Eventualitäten machen es schwierig, die Leistung der Supply Chain naiv zu quantifizieren. Daher empfiehlt Lokad eine Lösung, die auf experimenteller Optimierung basiert.

Für eine detailliertere Perspektive gibt es einen vollständigen Vortrag zur experimentellen Optimierung für die Supply Chain.

Was ist “probabilistische Prognose”?

Probabilistische Prognose ist der Prozess, bei dem alle möglichen zukünftigen Werte/Ergebnisse/Szenarien (z. B. die Nachfrage nach einem bestimmten SKU) identifiziert und jedem Wert eine Wahrscheinlichkeit zugewiesen wird. Die Wahrscheinlichkeit gibt an, wie wahrscheinlich es ist, dass dieser Wert “real” wird (z. B. könnte die Wahrscheinlichkeit, 4 Einheiten zu verkaufen, 3% betragen; die Wahrscheinlichkeit, 5 Einheiten zu verkaufen, 4%; die Wahrscheinlichkeit, 6 Einheiten zu verkaufen, 2%, usw.). Numerisch betrachtet deckt diese Wahrscheinlichkeitsverteilung (auch “probabilistische Prognose” genannt) zusammengefasst 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 stehen im Gegensatz zu den traditionellen Punktprognosen, die die Mainstream-Theorie der Supply Chain dominieren. Der Hauptvorteil probabilistischer 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 die Unsicherheit, und diese Quantifizierung ist grundlegend, um später risikobereinigte Supply Chain-Entscheidungen zu treffen. Ohne probabilistische Prognosen sind Entscheidungen fragil, da sie die alltäglichen Variationen (z. B. Nachfrage, Vorlaufzeit), die auch unter normalen Marktbedingungen zu erwarten sind, vollständig ignorieren.

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. Diese Techniken generieren zwar nominell Wahrscheinlichkeitsverteilungen, aber diese Techniken verfehlen 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. Eine Punktprognose fehlt jedoch von vornherein diese zusätzliche Dimension. Selbst wenn ein mathematischer Trick verwendet werden kann, um Wahrscheinlichkeiten hinzuzufügen, werden diese Wahrscheinlichkeiten fast vollständig erfunden sein, ähnlich wie die Kolorierung eines Bildes zwar sehr plausibel sein kann, aber faktisch falsch ist.

Kurz gesagt stellen probabilistische Prognosen eine der zentralen Datenverarbeitungsstufen dar, die für die prädiktive Optimierung einer Supply Chain erforderlich sind.

Was ist “allgemeine Prognose”?

Eine Prognosetechnik gilt als “allgemein”, wenn sie Daten unterstützt, die sich nicht als Zeitreihen präsentieren. Zeitreihenprognosen sind zwar sehr nützlich für Visualisierungszwecke, stellen jedoch letztendlich ein vereinfachtes und eindimensionales Modell dar, das Ereignisse nicht so widerspiegelt, wie sie sich in einer realen Supply Chain entfalten.

Auch die Berücksichtigung mehrerer Zeitreihen löst das Problem nicht.

Zum Beispiel:

• Wiederholte Käufe von denselben Kunden können nicht mit Zeitreihenmodellen abgebildet 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 Artikeln verloren gehen.
• Wettbewerb zwischen Konkurrenten in Bezug auf Preise, Mengenrabatte, Servicelevel usw. kann nicht durch eine Zeitreihe erfasst werden, da sie diese kausalen Faktoren nicht widerspiegeln kann.

In der Mainstream-Theorie der Supply Chain sind Zeitreihenprognosen das Alpha und Omega. Eine sorgfältige Untersuchung realer Situationen sollte jedoch zeigen, dass Zeitreihenprognosen unausweichlich eine stark fehlgeleitete Vereinfachung der Situation darstellen - siehe die oben aufgeführten Beispiele. In Lokads Quantitative Supply Chain (QSC) Theorie ist es besser, ungefähr richtig zu sein, als genau falsch. Die Behauptung, dass ein realweltliches Problem (z. B. Substitutionen) nicht existiert, lässt das Problem nicht verschwinden.

Aus diesem Grund hat Lokad seit den frühen 2010er Jahren eine ganze Reihe überlegener Prognosetechnologien entwickelt und vorangetrieben, die allgemeinere Formen von Prognosen liefern (über einfache Zeitreihen hinaus). Gemäß unserer QSC erfordert jede einzelne Unsicherheitsquelle eine eigene probabilistische Prognose. Diese “allgemeinen Prognosen” werden nicht durch “Prognosemodelle”, sondern durch programmatische Machine-Learning-Paradigmen wie differenzierbare Programmierung bereitgestellt.

Was ist “klassische Prognose”?

Mit “klassischer Prognose” meinen wir Punkt-Zeitreihenprognosen. Punkt-Zeitreihenprognosen sind in der Mainstream-Theorie der Supply Chain so allgegenwärtig, dass viele Menschen, einschließlich vieler Supply Chain-Praktiker, nicht erkennen, dass Punkt-Zeitreihenprognosen lediglich eine Form statistischer Prognosen sind. Tatsächlich gibt es eine Vielzahl alternativer Formen statistischer Prognosen, wobei Punkt-Zeitreihenprognosen eine der einfachsten sind.

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, also ein halbes Jahrhundert vor dem Aufkommen von Unternehmenscomputern, an Popularität. Bis leistungsstarke Computer weit verbreitet und erschwinglich wurden, waren Punkt-Zeitreihenprognosen die einzige Art statistischer Prognosen, die erstellt werden konnten. Trotz ihrer extremen Einfachheit war die Erstellung von Zeitreihenprognosen bereits zu viel Arbeit, um wirklich lohnenswert zu sein - insbesondere wenn man bedenkt, dass sie ohne die Rechenleistung von Unternehmenscomputern durchgeführt wurden. Als Ergebnis verwendeten die meisten Unternehmen alle möglichen Tricks, um die Notwendigkeit einer statistischen Prognose von vornherein vollständig zu beseitigen.

Es gibt zwei verschiedene und ergänzende Möglichkeiten, über klassische Prognosen hinauszugehen. Der erste Ansatz 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 unvermeidliche Unsicherheit der Zukunft und quantifizieren diese frontal. Hinsichtlich der Supply Chain sind probabilistische Prognosen den Punktprognosen weit überlegen, da sie sich für die spätere Berechnung von risikoadjustierten Supply-Chain-Entscheidungen eignen. Im Gegensatz dazu ignorieren Punktprognosen alle Unsicherheitsquellen, und Entscheidungen, die auf diesen Prognosen beruhen, sind von Natur aus fragil.

Der zweite Ansatz besteht darin, den “Zeitreihen”-Ansatz durch eine höherdimensionale Alternative zu ersetzen. Zeitreihen sind von Natur aus eindimensional. Diese inhärente Begrenzung bedeutet, dass Zeitreihenprognosen einfach nicht in der Lage sind, selbst die grundlegendsten Wechselwirkungen zu erfassen, die im Fluss von Gütern in der Supply Chain beobachtet werden können.

Zum Beispiel können Zeitreihenprognosen 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 Warenkorb-Perspektive eines Kunden in einem Supermarkt erfassen, der alle notwendigen Zutaten benötigt, um ein Rezept abzuschließen (d. h. wenn ein einzelner Artikel fehlt, wird nichts gekauft). Lokad verwendet differenzierbare Programmierung, um Vorhersagemodelle zu erstellen, die über die eindimensionale Perspektive der Zeitreihen hinausgehen und die tatsächlichen interessierenden Informationen erfassen.

Zusammenfassend lässt sich sagen, dass klassische Prognosen eine veraltete statistische Perspektive sind, die in einer modernen Supply Chain keinen Platz haben. 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 schlichtweg falsche Entscheidungen sind. Stattdessen empfehlen wir die Verwendung von allgemeinen probabilistischen Prognosen, die in der Regel auf einem programmatischen Machine-Learning-Paradigma wie differenzierbarer Programmierung basieren.

Was ist “die Warenkorb-Perspektive”?

Die Warenkorb-Perspektive ist ein Anliegen von herausragender Bedeutung für alle Branchen, in denen Kunden erwartet werden, dass sie viele Artikel auf einmal kaufen (als einzelne Transaktion), anstatt nur einen Artikel. Es bezieht sich auf den wahrgenommenen Wert, die Einkäufe in Kombination anstatt isoliert zu tätigen. Mit anderen Worten, der Wert aller Artikel, die als Ganzes verfügbar sind, könnte größer sein als die Summe der getrennten Werte der Artikel, die getrennt erworben wurden. Diese Perspektive ist für viele Branchen von entscheidender Bedeutung, wie zum Beispiel den Einzelhandel mit allgemeinen Waren. Die Anerkennung dieser Wechselbeziehung in der Nachfrage führt im Vergleich zu traditionellen Methoden, die jeden SKU-Kauf als isoliertes Ereignis behandeln, zu überlegenen Supply-Chain-Entscheidungen.

Nehmen wir zum Beispiel einen Kunden, der einen Supermarkt betritt, um mehrere Artikel zu kaufen. Diese Artikel repräsentieren eine Mischung aus wesentlichen Grundnahrungsmitteln (z. B. Milch, Brot und Eier) und freiwilligen Käufen (z. B. Eis und Schokolade). Wenn der Supermarkt für einen freiwilligen Artikel (z. B. Schokolade) keinen Vorrat hat, wird der Kunde wahrscheinlich immer noch die anderen Artikel (Milch, Brot, Eier und Eis) kaufen. Wenn jedoch ein wesentliches Grundnahrungsmittel (z. B. Milch) nicht vorrätig ist, kann der Kunde ohne etwas zu kaufen gehen und zu einem Konkurrenten gehen, um seinen Einkauf abzuschließen. Die finanzielle Strafe für den Vorratsmangel des wesentlichen Artikels erstreckt sich somit über den Artikel selbst hinaus und wirkt sich auf den gesamten Warenkorb der Verkäufe aus.

Im Wesentlichen gibt es Beziehungen zwischen Produkten, und das Fehlen einiger Produkte beeinflusst die Wahrscheinlichkeit, dass Kunden andere Produkte kaufen. Lokad integriert dieses subtile, aber bedeutende Phänomen in seine Empfehlungen für die Supply-Chain-Entscheidung, um den Lagerbestand zu optimieren und Vorratsmängel zu reduzieren (von denen diejenigen, die am meisten schaden würden, bis zu denen, die am wenigsten schaden würden), und dadurch den Gesamtumsatz, die Gewinne der Kunden und die Kundenzufriedenheit zu verbessern.

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 vorantreibt, z. B. die Bereitstellung von risikobereinigten Bestellungen, Bestandszuweisungslisten, Preisen usw. Der Begriff “Supply Chain Scientist” wurde 2017 von Joannes Vermorel, CEO und Gründer von Lokad, geprägt. Das Hauptanliegen des SCS ist die Erstellung, Pflege und Verantwortung für die numerischen Rezepte, die für die Entscheidungsfindung in einer bestimmten Supply-Chain-Initiative verantwortlich sind.

Im Gegensatz zu einem Data Scientist, dessen Hauptverantwortung darin besteht, Modelle zur Unterstützung des Entscheidungsprozesses zu erstellen, übernimmt der SCS persönliche Verantwortung für die Qualität der von den numerischen Rezepten generierten Entscheidungsempfehlungen. Darüber hinaus trägt 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 Automatisierung von banalen Entscheidungsprozessen betont, stellen wir auch die persönliche Verantwortung in den Vordergrund. Eine QSC ist kein “System”, das für die Leistung der Supply Chain 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 beinhaltet die Bereitstellung aller notwendigen Software-Tools, mathematischen Instrumente, Methoden, Schulungen und Überwachung durch erfahrene SCS.

Eine detailliertere Beschreibung dessen, was ein SCS tut, finden Sie in unserem dedizierten Wissensartikel 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 den 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 dafür verantwortlich ist, den Entscheidungsprozess manuell zu unterstützen, empfiehlt die QSC, alle wiederholenden Aufgaben vollständig zu mechanisieren. Durch diese Robotisierung können Supply Chain Practitioners sich auf Aufgaben konzentrieren, die für das Unternehmen einen höheren Mehrwert bringen. Insbesondere stehen Supply Chain Practitioners an vorderster Front, um die numerischen Rezepte (die Softwarekomponenten, 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 (QSC)-Initiative, die die Entscheidungsprozesse der Supply Chain durch explizite finanzielle Bewertungen mit Softwarelogik vereinheitlicht. Die QSC deckt alle Widersprüche und Unklarheiten auf, die typischerweise im Unternehmen vorhanden sind. Um sicherzustellen, dass eine Supply Chain-Initiative nicht durch bloße Unentschlossenheit in eine Sackgasse gerät, muss ein Supply Chain Executive mit der Befugnis ernannt werden, widersprüchliche Vorschläge aus strategischer Sicht zu arbitrieren (z. B. Erreichen des erwarteten Servicelevels um jeden Preis versus Finden eines optimierten Satzes von Entscheidungen innerhalb eines begrenzten Budgets).

Hinweis: Die QSC geht nicht davon aus, dass der Supply Chain Executive die angeborene Fähigkeit hat, immer “richtig” zu sein. Die Unterscheidung zwischen dem, was funktioniert und dem, was nicht funktioniert, ist die Aufgabe der von Lokad verwendeten experimentellen Optimierung-Methodik, 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 die wirtschaftlichen Kosten berücksichtigt, 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 Zukünfte und ihrer zugehörigen Wahrscheinlichkeiten das durchschnittliche finanzielle Ergebnis, das mit dieser Entscheidung verbunden ist, größer als bei Alternativen ausfallen wird.

Risikoadjustierte Entscheidungen neigen auch dazu, antifragile Entscheidungen zu sein (im Gegensatz zu fragilen Entscheidungen). Dies bedeutet, dass ihre erwarteten wirtschaftlichen Gewinne für eine breite Palette zukünftiger Variationen weitgehend gut (oder gerade akzeptabel) bleiben. Diese Eigenschaft wird durch Berücksichtigung aller nichtlinearen 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 Lagerbeständen führt, und es ist die unerwartet niedrige Nachfrage, die zu Überbeständen führt. Dazwischen läuft alles weitgehend nach Plan, und alle Verbesserungen, die im Fall “nach Plan” 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 führt der Entscheidungsprozess, wenn die einzige verfügbare Prognose eine Punkt-Zeitreihenprognose ist, implizit zu einer “All-in”-Entscheidung für einen einzigen zukünftigen Wert (z. B. Nachfrage), von dem angenommen wird, dass er perfekt bekannt ist. Dieser Ansatz führt zwangsläufig zu fragilen Entscheidungen, da sie sofort unzureichend werden, sobald eine Ausnahme oder ein unvorhergesehenes Risiko auftritt - etwas, das in der Supply Chain allzu häufig vorkommt und mit einer probabilistischen Prognose leicht vorhersehbar 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 geringfügige 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 zwangsläufig fragile Entscheidungen - selbst unter milden Marktbedingungen, bei denen nichts Besonderes passiert.

Unserer Meinung nach müssen Entscheidungen risikoadjustiert sein. Dies ist der Ansatz, den die Lokad-Philosophie der Quantitativen Supply Chain (QSC) empfiehlt. In der Praxis erfordert die Erzeugung 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 Zukünfte 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 Wissensgebiet seine Integrität verliert und für die Menschen oder die Organisation, die sich auf dieses Wissen zur Verbesserung ihrer Tätigkeit verlassen, keinen Wert mehr hat.

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

Erstens hat die Wissenschaft vor Jahrzehnten versehentlich versagt. Während jedes Jahr Zehntausende von Papieren veröffentlicht werden, können praktisch keine dieser Papiere 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 Umgebungen verwendet und schon gar nicht lange.

Zweitens haben Marktanalysten, Softwareanbieter und Berater seit Jahrzehnten als Gegner gehandelt. Tatsächlich gibt es Gewinne, die erzielt werden können, indem die Probleme verlängert anstatt gelöst werden. Überholte Methoden, die längst verschwunden wären, wurden von Akteuren am Leben erhalten, die allzu bereit waren, den Status quo aufrechtzuerhalten. Seltsamerweise existiert der Status quo schon so lange, dass die meisten dieser Menschen ehrlich behaupten können, dass die Methoden aus ihrer Perspektive “immer” existiert haben - weil die Probleme technisch gesehen sie bereits vor ihnen überdauert haben.

Die Lösung für weit verbreitete Fälle von epistemischer Korruption sind effektivere Methoden und Verfahren, 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 neue Ansatz wird “Quantitative Supply Chain” (QSC) genannt. Er umfasst alternative Techniken und Methoden wie probabilistische Prognosen und experimentelle Optimierung.

*Der “Popperianische Sinn der Falsifikation” bezieht sich hier auf die Wissenschaftsphilosophie, die von Karl Popper entwickelt wurde. Nach Popper muss eine Theorie, um als wissenschaftlich angesehen 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 machen, die getestet und potenziell widerlegt werden können. Dieses Konzept ist entscheidend, um wissenschaftliche Theorien von nicht-wissenschaftlichen zu unterscheiden. Die Supply Chain-Forschung (typischerweise) fehlt an Falsifizierbarkeit, da die Theorien nicht getestet und potenziell widerlegt werden können, was ihren wissenschaftlichen Wert untergräbt und zur epistemischen Korruption des Fachgebiets 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 korrigieren. Das Ziel von “Korrektheit durch Design” besteht darin, den Bedarf an fortlaufender Wartung zu minimieren und das Risiko von katastrophalen Ausfällen zu reduzieren, die bei komplexen Systemen auftreten 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 bereits 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 aufgrund von tausend kleinen Fehlern. Die Produktion scheitert aufgrund von Index-Out-of-Range-Fehlern, Out-of-Memory-Fehlern, 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 sich der prädiktiven Optimierung von Supply Chains mit “Korrektheit durch Design” widmet. Lokad hat nicht mit Envision begonnen, als es 2008 gegründet wurde. Jahrelang haben wir uns auf allgemeine Programmiersprachen wie Python verlassen. Es hat Jahre gedauert, bis wir erkannt haben, dass unsere Versuche mehr oft als nicht aufgrund von Python gescheitert sind.

Noch verwirrender war die Situation für die Data-Science-Teams unserer eigenen Kunden. Die Geschichte entwickelte sich fast immer auf die gleiche Weise: Innerhalb von drei Wochen hatte das Data-Science-Team einen vielversprechenden Prototypen entwickelt. Doch nach einem Jahr intensiver Bemühungen, sicherzustellen, dass er in realen Produktionsumgebungen funktioniert, wurde das Projekt verworfen, da es nie die erforderliche “Produktionsreife” erreicht hatte.

Nach Jahren des Schmerzes 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. Daher initiierte das Lokad-Entwicklungsteam einen zehnjährigen Engineering-Aufwand, um eine DSL für Supply Chains zu schaffen, die “von Design” alle diese Probleme in vollem Umfang angehen würde. So entstand Envision.

Mehr als ein Jahrzehnt später haben wir nun mehrere Milliarden (USD und EUR) an Inventar unter der direkten 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 lässt sich sagen, dass “Korrektheit durch Design” eine grundlegende Anforderung für jede Programmiersprache ist, die dazu bestimmt ist, reale Supply Chains zu steuern. Viele Softwareanbieter gehen dieses Problem aus reiner Nachlässigkeit oder Inkompetenz nicht frontal an und verursachen damit unweigerlich immense Schäden für ihre Kunden.

Was bedeutet “Wartbarkeit”?

Wartbarkeit im Zusammenhang mit Supply-Chain-Software bezieht sich auf die Fähigkeit des Unternehmens und seiner unterstützenden Softwareanbieter, seine Anwendungsumgebung 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 funktionsfähig zu halten (z. B. Änderungen von Betriebssystemen, Browsern, Datenbankversionen usw.). Wenn das Unternehmen keine funktionalen Änderungen an seinen “Management”-Anwendungen wünscht, ist die Wartbarkeit weitgehend gegeben, wenn der Anbieter auch nur bescheiden kompetent ist.

Die Optimierung der Supply Chain ist jedoch ein ganz anderes Problem. Die numerischen Rezepte, die die Entscheidungsprozesse automatisieren, verlieren im Laufe der Zeit zwangsläufig ihre Relevanz. Die Ursache für den Verfall liegt nicht so sehr im Wachstum und Rückgang des Marktes, da es relativ einfach ist, diese Art von Variation numerisch zu berücksichtigen (z. B. durch einen gleitenden Durchschnitt, wenn auch auf grobe Weise).

Die Ursache für den Verfall liegt vielmehr in der Entwicklung der zu lösenden Probleme. Sich ändernde Marktbedingungen erfordern nicht nur quantitativ unterschiedliche Antworten, sondern ganz andere Arten von Antworten. Zum Beispiel mussten sich Versandhandelsunternehmen noch nie mit dem Problem auseinandersetzen, ihre SEM (Suchmaschinenmarketing)-Investitionen zur Unterstützung der Liquidation von überschüssigem Inventar zu steuern - eine Situation, mit der E-Commerce-Unternehmen routinemäßig konfrontiert sind.

Die Software zur Optimierung der Supply Chain ist viel anfälliger für sich ändernde Marktbedingungen als die Software zur Verwaltung der Supply Chain. Im Jahr 2024 ist es nicht selten, auf Unternehmen zu stoßen, die immer noch ein Lagerverwaltungssystem betreiben, das in den 1990er Jahren implementiert wurde (das möglicherweise immer noch einwandfrei funktioniert), da sich die Aufgaben der Lagerverwaltung in den letzten 30 Jahren praktisch nicht verändert haben. Eine Supply-Chain-Optimierungslogik, die auch nur 3 Jahre relevant bleiben kann, ist äußerst selten.

Die meisten Anbieter von Supply-Chain-Optimierungslösungen erkennen dieses grundlegende Problem nicht an. Als Ergebnis konzentrieren sich Investitionen in der Regel stark auf den Anfang, wenn das Kundenunternehmen von den Anbietern an Bord genommen wird. Während der ersten paar Monate, wenn der Anbieter immer noch stark in den sich entwickelnden Setup involviert ist, scheint die Lösung befriedigend zu sein. Aber 18 Monate nach dem Ende der Onboarding-Phase durch den Softwareanbieter sind die numerischen Rezepte so verfallen, dass sie irrelevant geworden sind. Unweigerlich greifen Supply-Chain-Praktiker wieder auf ihre Tabellenkalkulationen zurück, die trotz ihrer Einfachheit ein gewisses Maß an Relevanz beibehalten können.

Das Wartbarkeitsproblem ist einer der Hauptgründe, warum Lokad im Jahr 2012 Envision entwickelt hat - eine DSL (domänenspezifische Programmiersprache), die der prädiktiven Optimierung von Supply Chains gewidmet ist. Tatsächlich haben wir während der frühen Jahre von Lokad (gegründet 2008) erkannt, dass die numerischen Rezepte, die wir erstellen konnten, in der Regel alle 18 Monate oder so umfangreich neu geschrieben werden mussten, unabhängig davon, wie gut unsere ursprüngliche Implementierung war. Dies war der Preis, der gezahlt werden musste, um die Automatisierung streng auf die sich ständig ändernde Strategie und Prioritäten unserer Kunden abzustimmen. Daher wurde Envision speziell entwickelt, um die Notwendigkeit einer ständigen Neuschreibung zu berücksichtigen, um Irrelevanz zu vermeiden.

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