Erfahren Sie mehr über die Lieferkette

learn menu

Diese fortlaufende Vorlesungsreihe präsentiert die Grundlagen des Supply Chain Managements: die Herausforderungen, die Methodik und die Technologien. Das Ziel ist es, Organisationen zu ermöglichen, eine überlegene, “praxisnahe” Leistung in der Lieferkette zu erzielen. Die in diesen Vorlesungen präsentierte Vision weicht von der gängigen Lieferketten-Theorie ab und wird als quantitative Lieferkette bezeichnet. Die Vorlesungen werden von Joannes Vermorel, CEO und Gründer von Lokad, präsentiert. Die Vorlesungen werden mit realen Lieferketten illustriert, die Lokad im Auftrag seiner Kunden betreibt.

Vorlesungen

Zielgruppe: Diese Vorlesungen richten sich an alle, die die Ambition haben, Lieferketten zu verbessern, von leitenden Führungskräften bis hin zu Junior-Analysten und Studenten. Die Vorlesungen beinhalten eine Reihe von “Crash-Kursen”, um das erforderliche Vorwissen auf ein Minimum zu reduzieren.

1. Prolog

1.1 Die Grundlagen der Lieferkette

Die Lieferkette ist die quantitative, aber gleichzeitig praxisnahe Beherrschung der Optionen bei der Bewältigung von Variabilität und Einschränkungen im Zusammenhang mit dem Fluss physischer Güter. Sie umfasst Beschaffung, Einkauf, Produktion, Transport, Distribution, Förderung, … - jedoch mit dem Schwerpunkt auf der Pflege und Auswahl von Optionen, im Gegensatz zur direkten Verwaltung der zugrunde liegenden Operationen. Wir werden sehen, wie die “quantitative” Perspektive der Lieferkette, die in dieser Reihe präsentiert wird, sich stark von dem unterscheidet, was als gängige Lieferketten-Theorie betrachtet wird.

Literaturverweise (Bücher):

  • Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
  • Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 Die quantitative Lieferkette in Kürze

Das Manifest der quantitativen Lieferkette betont eine kurze Reihe von herausragenden Punkten, um zu verstehen, wie sich diese alternative Theorie, die von Lokad vorgeschlagen und entwickelt wurde, von der Mainstream-Lieferketten-Theorie unterscheidet. Es könnte wie folgt zusammengefasst werden: Jede einzelne Entscheidung wird gemäß den wirtschaftlichen Treibern gegen alle möglichen Zukunftsszenarien bewertet. Diese Perspektive hat sich bei Lokad allmählich als Mainstream-Lieferketten-Theorie etabliert, und ihre Umsetzung durch (fast?) alle Softwareanbieter bleibt herausfordernd.

1.3 Produktorientierte Lieferung

Das Ziel einer quantitativen Lieferketten-Initiative besteht entweder darin, eine Softwareanwendung zu liefern oder zu verbessern, die einen Bereich routinemäßiger Entscheidungen automatisiert (z. B. Lagerauffüllungen, Preisaktualisierungen). Die Anwendung wird als Produkt betrachtet, das entwickelt werden soll. Während die Mainstream-Lieferketten-Theorie in Unternehmen im Allgemeinen Schwierigkeiten hat, sich durchzusetzen, hat ein Tool - nämlich Microsoft Excel - beträchtlichen operativen Erfolg erzielt. Die Neuumsetzung der numerischen Rezepte der Mainstream-Lieferketten-Theorie über Tabellenkalkulationen ist trivial. Trotz des Bewusstseins für die Theorie ist dies jedoch in der Praxis nicht geschehen. Wir zeigen, dass Tabellenkalkulationen durch die Übernahme von Programmierparadigmen, die sich als überlegen bei der Lieferung von Lieferketten-Ergebnissen erwiesen haben, gewonnen haben.

Literaturverweis (Buch):

  • Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Programmierparadigmen für die Lieferkette

Die vorhersagende Optimierung von Lieferketten erfordert spezifische Programmierparadigmen. Während der “programmatische” Aspekt bei einem verpackten Softwareprodukt nicht vermieden werden kann (vgl. vorherige Vorlesung), beinhalten Mainstream-Programmieransätze Schichten von zufälligen Komplexitäten, die Lieferketten-Initiativen erheblich beeinträchtigen. Wir stellen eine Reihe von Programmierparadigmen vor, die besonders gut für reale Lieferketten geeignet sind. Diese Vorlesung wird anhand von Envision veranschaulicht, der DSL (Domain-Specific Programming Language), die von Lokad zur Optimierung von Lieferketten entwickelt wurde und auf diesen Programmierparadigmen basiert.

Literaturverweis (Buch, erwähnt im Q&A-Teil der Vorlesung):

  • Dynamic Supply Chains: Wie man wertorientierte Netzwerke entwirft, aufbaut und verwaltet, John Gattorna, 2015

In den letzten Jahrzehnten haben einige wichtige Trends die Entwicklung von Lieferketten dominiert und die Mischung der Herausforderungen, denen Unternehmen gegenüberstehen, maßgeblich verändert. Einige Probleme sind weitgehend verschwunden, wie physische Gefahren und Qualitätsprobleme. Einige Probleme haben sich ergeben, wie die allgemeine Komplexität und die Intensität des Wettbewerbs. Software gestaltet auch die Lieferketten auf tiefgreifende Weise um. Eine kurze Übersicht über diese Trends hilft uns zu verstehen, worauf sich eine Lieferketten-Theorie konzentrieren sollte.

Literaturverweis (Artikel, erwähnt im Q&A-Teil der Vorlesung):

1.6 Quantitative Grundlagen für Lieferketten

Während Lieferketten nicht durch definitive quantitative Gesetze charakterisiert werden können - im Gegensatz zur Elektromagnetismus - können dennoch allgemeine quantitative Prinzipien beobachtet werden. Mit “allgemein” meinen wir, dass sie auf (fast) alle Lieferketten anwendbar sind. Die Aufdeckung solcher Prinzipien ist von größtem Interesse, da sie zur Vereinfachung der Entwicklung numerischer Rezepte für die vorhersagende Optimierung von Lieferketten verwendet werden können, aber auch dazu dienen können, diese numerischen Rezepte insgesamt leistungsfähiger zu machen. Wir stellen zwei kurze Listen von Prinzipien vor: einige beobachtende Prinzipien und einige Optimierungsprinzipien.

2. Methodik

Das Studium und die Praxis der Lieferkette müssen auf Wissenschaft basieren, das heißt, von wissenschaftlichen Methoden unterstützt werden. Tatsächlich hat jedes einzelne Gebiet, das sich durch eine geeignete experimentelle Praxis erheben konnte, in den letzten drei Jahrhunderten den fantastischen Fortschritt erlebt, den wir als das Markenzeichen der “Wissenschaft” erkennen. Die Lieferkette hat jedoch noch keinen solchen Fortschritt erlebt, zumindest noch nicht, und ein Großteil der Schuld kann auf unzureichende experimentelle Methoden zurückgeführt werden. Die böse Natur der Lieferkette erfordert geeignete Methoden, die wir in diesem Kapitel untersuchen.

2.1 Lieferketten-Personae

Eine Lieferketten-“Persona” ist ein fiktives Unternehmen. Obwohl das Unternehmen fiktiv ist, ist diese Fiktion darauf ausgerichtet, auf das zu achten, was aus Sicht der Lieferkette Beachtung verdient. Die Persona ist jedoch nicht idealisiert im Sinne einer Vereinfachung der Herausforderungen der Lieferkette. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation zu vergrößern, die am hartnäckigsten jeden Versuch einer quantitativen Modellierung und jeden Versuch einer Initiative zur Verbesserung der Lieferkette widerstehen werden. In der Lieferkette leiden Fallstudien, bei denen eine oder mehrere Parteien benannt werden, unter schweren Interessenkonflikten. Unternehmen und ihre unterstützenden Anbieter (Software, Beratung) haben ein Eigeninteresse daran, das Ergebnis in einem positiven Licht darzustellen. Darüber hinaus leiden oder profitieren tatsächliche Lieferketten in der Regel von zufälligen Bedingungen, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die Lieferketten-Personae sind die methodische Antwort auf diese Probleme.

Referenzen:

  • Eine Einführung in das Studium der experimentellen Medizin (englische Version), (französische Originalversion), Claude Bernard, 1865
  • The Phoenix Project: Ein Roman über IT, DevOps und wie man sein Unternehmen zum Erfolg führt, Gene Kim, Kevin Behr, George Spafford, 2013
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018

2.1.1 Paris - eine Modemarke mit einem Einzelhandelsnetzwerk

Paris ist eine fiktive europäische Modemarke mit einem großen Einzelhandelsnetzwerk. Die Marke richtet sich an Frauen und positioniert sich als relativ erschwinglich. Während die Designlinie relativ klassisch und schlicht ist, war der Haupttreiber des Geschäfts immer Neuheit. Mehrere Kollektionen pro Jahr werden genutzt, um Wellen von neuen Produkten voranzutreiben. Die Herausforderung besteht darin, das richtige Produkt zur richtigen Zeit, zum richtigen Preis und in der richtigen Lagermenge zu präsentieren.

2.2 Experimentelle Optimierung

Weit entfernt von der naiven kartesischen Perspektive, bei der Optimierung nur darin besteht, einen Optimierer für eine gegebene Bewertungsfunktion einzusetzen, erfordert die Supply Chain einen iterativen Prozess. Jede Iteration wird verwendet, um “wahnsinnige” Entscheidungen zu identifizieren, die untersucht und angegangen werden müssen. Die häufigste Ursache sind unangemessene wirtschaftliche Anreize, die in Bezug auf ihre unbeabsichtigten Folgen neu bewertet werden müssen. Die Natur der Iterationen ändert sich, wenn die numerischen Rezepte keine wahnsinnigen Ergebnisse mehr liefern.

Referenzen:

  • Die Logik der wissenschaftlichen Entdeckung, Karl Popper, 1934

2.3 Negatives Wissen

Antipatterns sind Stereotypen von Lösungen, die gut aussehen, aber in der Praxis nicht funktionieren. Die systematische Untersuchung von Antipatterns wurde Ende der 1990er Jahre vom Bereich der Softwaretechnik vorangetrieben. Wenn anwendbar, sind Antipatterns den rein negativen Ergebnissen überlegen, da sie leichter zu merken und zu begründen sind. Die Antipattern-Perspektive ist von größter Bedeutung für die Supply Chain und sollte als eine der Grundlagen für ihr negatives Wissen betrachtet werden.

Referenzen:

  • AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. von William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998

2.4 Adversarial Marktforschung

Moderne Supply Chains sind von einer Vielzahl von Softwareprodukten abhängig. Die Auswahl der richtigen Anbieter ist eine Frage des Überlebens. Da jedoch die Anzahl der Anbieter groß ist, benötigen Unternehmen einen systematischen Ansatz für diese Aufgabe. Die traditionelle Marktforschungspraxis beginnt zwar mit guten Absichten, endet aber zwangsläufig mit schlechten Ergebnissen, da Marktforschungsunternehmen letztendlich als Marketingfronten für die Unternehmen agieren, die sie analysieren sollen. Die Hoffnung, dass ein unvoreingenommenes Forschungsunternehmen entstehen wird, ist fehl am Platz. Die Bewertung von Anbieter gegen Anbieter ist jedoch eine Methodik, die es selbst einem voreingenommenen Marktforschungsunternehmen ermöglicht, unvoreingenommene Ergebnisse zu liefern.

Referenzen:

  • Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (Text)
  • Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
  • Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Schreiben für Supply Chains

Lieferketten erfordern die Koordination großer Teams. Daher sind schriftliche Materialien von großer Bedeutung. Moderne Lieferketten sind einfach nicht mit der mündlichen Tradition kompatibel. Dennoch haben Lieferkettenpraktiker oft große Schwierigkeiten mit ihren schriftlichen Kommunikationsfähigkeiten. Schauen wir uns an, was Usability-Studien und einige namhafte Experten zu diesen Themen zu sagen haben. Außerdem müssen Lieferketteninitiativen, die durch den experimentellen Optimierungsansatz durchgeführt werden, gründlich dokumentiert werden. Die Formeln und der Quellcode beantworten die Fragen nach dem “Was” und dem “Wie”, aber nicht nach dem “Warum”. Die Dokumentation muss sicherstellen, dass die Supply Chain Scientists das Problem verstehen, mit dem sie konfrontiert sind. Im Laufe der Zeit wird diese Dokumentation zum Schlüssel, um einen reibungslosen Übergang von einem Supply Chain Scientist zum nächsten zu gewährleisten.

Referenzen:

  • The Elements of Style (First Edition), William Strunk Jr, 1918
  • F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (Text)

3. Personae

Eine Reihe von Lieferketten-Personae, die der im vorherigen Kapitel definierten Methodik folgen.

3.1 Miami - ein Luftfahrt-MRO

Miami ist ein fiktives Luftfahrt MRO (Wartung, Reparatur, Überholung) in den USA, das eine große Flotte von Verkehrsflugzeugen betreut. In der Luftfahrt hat die Sicherheit oberste Priorität. Teile und Komponenten müssen regelmäßig überprüft und gegebenenfalls repariert werden. Miami ist darauf spezialisiert, Flugzeuge jederzeit in der Luft zu halten und AOG (Flugzeug am Boden) -Vorfälle zu vermeiden, die auftreten, wenn ein Teil, das für eine Wartungsoperation benötigt wird, fehlt.

3.2 Amsterdam - Käsemarken

Amsterdam ist ein fiktives FMCG-Unternehmen, das sich auf die Produktion von Käse, Sahne und Butter spezialisiert hat. Sie betreiben eine große Markenpalette in mehreren Ländern. Viele geschäftliche, konkurrierende Ziele müssen sorgfältig ausbalanciert werden: Qualität, Preis, Frische, Verschwendung, Vielfalt, Regionalität usw. Durch die Gestaltung von Milchproduktion und Einzelhandelsaktionen befindet sich das Unternehmen in Bezug auf Angebot und Nachfrage zwischen Hammer und Amboss.

3.3 San Jose - Homeware E-Commerce

San Jose ist ein fiktives E-Commerce-Unternehmen, das eine Vielzahl von Wohnmöbeln und Accessoires vertreibt. Sie betreiben ihren eigenen Online-Marktplatz. Ihre Eigenmarke konkurriert sowohl intern als auch extern mit externen Marken. Um mit größeren und preisgünstigeren Akteuren wettbewerbsfähig zu bleiben, versucht die Lieferkette von San Jose, eine hohe Servicequalität zu bieten, die viele Formen annimmt und weit über die pünktliche Lieferung der bestellten Waren hinausgeht.

3.4 Stuttgart - Ein Unternehmen für den Automobil-Nachmarkt

Stuttgart ist ein fiktives Unternehmen für den Automobil-Nachmarkt. Sie betreiben ein Netzwerk von Filialen, das Autoreparaturen, Autoteile und Autozubehör liefert. In den frühen 2010er Jahren startete Stuttgart auch zwei E-Commerce-Kanäle, einen zum Kauf und Verkauf von Autoteilen und einen zum Kauf und Verkauf von Gebrauchtwagen. Stuttgart versucht, eine hohe Servicequalität auf dem komplexen und wettbewerbsintensiven europäischen Automobilmarkt zu bieten, der Zehntausende unterschiedlicher Fahrzeuge und Hunderttausende unterschiedlicher Autoteile umfasst.

3.5 Genf - Ein Hersteller von Luxusuhren

TBD

4. Hilfswissenschaften

Die Beherrschung der Lieferkette stützt sich stark auf mehrere andere Fachgebiete. Die Präsentation der Lieferketten-Theorie als eine Art angewandte Mathematik ist häufig, aber irreführend. Diese Crashkurse sollen den kulturellen Hintergrund vermitteln, der für eine durchdachte Lieferkettenpraxis erforderlich ist, die nicht auf eine Reihe von “Modellen” reduziert werden kann und sollte.

4.1 Moderne Computer

Moderne Lieferketten erfordern Rechenressourcen, ähnlich wie motorisierte Förderbänder Strom benötigen. Dennoch sind träge Lieferketten-Systeme weit verbreitet, während die Rechenleistung von Computern seit 1990 um das über 10.000-fache gestiegen ist. Ein mangelndes Verständnis der grundlegenden Eigenschaften moderner Rechenressourcen - selbst unter IT- oder Datenwissenschaftlern - trägt wesentlich zu diesem Zustand bei. Das Software-Design, das den numerischen Rezepten zugrunde liegt, sollte den zugrunde liegenden Rechenuntergrund nicht antagonisieren.

4.2 Moderne Algorithmen

Die Optimierung von Lieferketten beruht auf der Lösung zahlreicher numerischer Probleme. Algorithmen sind hoch codierte numerische Rezepte, die dazu dienen, präzise Berechnungsprobleme zu lösen. Überlegene Algorithmen bedeuten, dass überlegene Ergebnisse mit weniger Rechenressourcen erzielt werden können. Durch die Fokussierung auf die Besonderheiten der Lieferkette kann die algorithmische Leistung oft um ein Vielfaches verbessert werden. “Lieferketten”-Algorithmen müssen auch das Design moderner Computer berücksichtigen, das sich in den letzten Jahrzehnten erheblich weiterentwickelt hat.

Referenzen (Buch):

  • Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest und Clifford Stein, 2009

4.3 Mathematische Optimierung

Mathematische Optimierung ist der Prozess der Minimierung einer mathematischen Funktion. Nahezu alle modernen statistischen Lernverfahren - d.h. Prognosen, wenn wir eine Lieferkettenperspektive einnehmen - beruhen im Kern auf mathematischer Optimierung. Darüber hinaus beruht die Identifizierung der profitabelsten Entscheidungen, sobald die Prognosen erstellt sind, im Kern ebenfalls auf mathematischer Optimierung. Lieferkettenprobleme beinhalten häufig viele Variablen. Sie sind auch in der Regel stochastischer Natur. Mathematische Optimierung ist ein Eckpfeiler einer modernen Lieferkettenpraxis.

Referenzen:

  • The Future of Operational Research Is Past, Russell L. Ackoff, Februar 1979
  • LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua , September 2011
  • Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, zuletzt überarbeitet im Februar 2018

4.4 Maschinelles Lernen

Prognosen sind in der Supply Chain nicht reduzierbar, da jede Entscheidung (Einkauf, Produktion, Lagerung usw.) eine Vorwegnahme zukünftiger Ereignisse darstellt. Statistisches Lernen und maschinelles Lernen haben das klassische “Prognose” -Feld sowohl aus theoretischer als auch aus praktischer Sicht weitgehend abgelöst. Dieses Studiengebiet hat dramatische Verbesserungen erfahren, die in “Data Scientist” -Kreisen weitgehend missverstanden bleiben. Wir werden uns durch dieses Gebiet begeben, indem wir drei Paradoxa lösen. Erstens müssen wir genaue Aussagen über Daten machen, die wir nicht haben. Zweitens müssen wir Probleme angehen, bei denen die Anzahl der Variablen die Anzahl der Beobachtungen bei weitem übersteigt. Drittens müssen wir mit Modellen arbeiten, bei denen die Anzahl der Parameter entweder die Variablen oder die Beobachtungen bei weitem übersteigt. Wir werden versuchen zu verstehen, was eine datengesteuerte Vorwegnahme der Zukunft aus einer modernen “Lern” -Perspektive überhaupt bedeutet.

Referenzen:

  • A theory of the learnable, L. G. Valiant, November 1984
  • Support-vector networks, Corinna Cortes & Vladimir Vapnik, September 1995
  • Random Forests, Leo Breiman, Oktober 2001
  • LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
  • Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, zuletzt überarbeitet im Dezember 2017
  • Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, Dezember 2019
  • Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, Juni 2014
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, zuletzt überarbeitet im April 2018
  • BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, zuletzt überarbeitet im Mai 2019
  • A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, September 2021

4.5 Sprachen und Compiler

Der Großteil der Lieferketten wird immer noch über Tabellenkalkulationen (z. B. Excel) abgewickelt, während Unternehmenssysteme seit ein, zwei oder manchmal sogar drei Jahrzehnten im Einsatz sind - angeblich, um sie zu ersetzen. Tatsächlich bieten Tabellenkalkulationen eine zugängliche programmatische Ausdrucksfähigkeit, während diese Systeme dies im Allgemeinen nicht tun. Seit den 1960er Jahren gibt es eine ständige gemeinsame Entwicklung der Softwareindustrie insgesamt und ihrer Programmiersprachen. Es gibt Hinweise darauf, dass die nächste Stufe der Leistungsfähigkeit von Lieferketten weitgehend durch die Entwicklung und den Einsatz von Programmiersprachen oder besser gesagt von programmierbaren Umgebungen vorangetrieben wird.

4.6 Softwareentwicklung

Die Beherrschung von Komplexität und Chaos ist das Fundament der Softwareentwicklung. Angesichts der Tatsache, dass Lieferketten sowohl komplex als auch chaotisch sind, sollte es nicht überraschen, dass die meisten Probleme mit Unternehmenssoftware in Lieferketten auf schlechte Softwareentwicklung zurückzuführen sind. Numerische Rezepte, die zur Optimierung von Lieferketten verwendet werden, sind Software und daher denselben Problemen ausgesetzt. Diese Probleme nehmen mit der Komplexität der numerischen Rezepte selbst zu. Eine ordnungsgemäße Softwareentwicklung ist für Lieferketten das, was Asepsis für Krankenhäuser ist: Allein kann sie nichts bewirken - wie die Behandlung von Patienten -, aber ohne sie fällt alles auseinander.

4.7 Cybersicherheit

Cyberkriminalität nimmt zu. Erpressungssoftware ist ein boomendes Geschäft. Aufgrund ihrer physisch verteilten Natur sind Lieferketten besonders gefährdet. Darüber hinaus ist die Umgebungs­komplexität ein fruchtbarer Boden für Computer­sicherheits­probleme. Computersicherheit ist von Natur aus gegen­intuitiv, denn genau dieser Blickwinkel wird von Angreifern gewählt, um Schwachstellen zu finden und auszunutzen. Je nach Art der numerischen Rezepte, die bei der Optimierung der Lieferkette verwendet werden, kann das Risiko erhöht oder verringert werden.

4.21 Blockchains

Kryptowährungen haben viel Aufmerksamkeit erregt. Vermögen wurden gemacht. Vermögen wurden verloren. Pyramidensysteme waren weit verbreitet. Aus Unternehmenssicht ist die “Blockchain” der höfliche Euphemismus, um ähnliche Ideen und Technologien einzuführen und gleichzeitig eine Distanzierung von diesen Kryptowährungen herzustellen. Es gibt Anwendungsfälle für die Lieferkette in der Blockchain, aber es gibt auch Herausforderungen.

Referenzen:

  • Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Okt 2008
  • Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
  • Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
  • Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
  • Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, Mai 2018
  • Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, März 2018
  • A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, Mai 2018

5. Vorhersagemodellierung

Die korrekte quantitative Vorhersage zukünftiger Ereignisse ist der Kern jeder Optimierung der Lieferkette. Die Praxis der Zeitreihenprognose entstand im 20. Jahrhundert und hatte einen enormen Einfluss auf die meisten großen Lieferketten. Die Vorhersagemodellierung ist sowohl der Nachfolger der Zeitreihenprognose als auch ein massiver Bruch mit dieser Perspektive. Erstens behandelt sie eine viel vielfältigere Reihe von Problemfällen. Zweitens ist aufgrund der Natur der Lieferkettenprobleme ein programmatisches Paradigma erforderlich. Drittens werden aufgrund der in der Regel unvermeidlichen Unsicherheit probabilistische Prognosen benötigt.

5.0. Nr. 1 auf SKU-Ebene im M5-Prognosewettbewerb

Im Jahr 2020 erreichte ein Team bei Lokad den 5. Platz von 909 teilnehmenden Teams beim M5, einem weltweiten Prognosewettbewerb. Auf der Aggregationsebene der SKU landeten diese Prognosen jedoch auf Platz 1. Die Nachfrageprognose ist von grundlegender Bedeutung für die Lieferkette. Der in diesem Wettbewerb gewählte Ansatz erwies sich als untypisch und unterschied sich von den anderen Methoden der anderen Top-50-Teilnehmer. Aus diesem Erfolg lassen sich mehrere Lehren ziehen, die als Vorbereitung auf weitere prognostische Herausforderungen für die Lieferkette dienen.

Referenzen:

  • A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, Dezember 2021 (link)
  • The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)

5.1 Strukturierte Vorhersagemodellierung

Differentiable Programming (DP) ist ein generatives Paradigma zur Entwicklung einer sehr breiten Klasse statistischer Modelle, die sich hervorragend zur Bewältigung von vorhersagenden Herausforderungen in der Lieferkette eignen. DP ist der Nachfolger des Deep Learning, unterscheidet sich jedoch von Deep Learning durch seinen intensiven Fokus auf die Struktur von Lernproblemen. DP übertrifft nahezu die gesamte “klassische” Prognoseliteratur, die auf parametrischen Modellen basiert. DP ist auch überlegenen “klassischen” maschinellen Lernalgorithmen - bis in die späten 2010er Jahre hinein - in nahezu jeder Dimension, die für eine praktische Anwendung in der Lieferkette relevant ist, einschließlich der Benutzerfreundlichkeit für Praktiker.

5.2 Wahrscheinlichkeitsvorhersage

Die Optimierung von Lieferketten beruht auf der richtigen Vorwegnahme zukünftiger Ereignisse. Numerisch werden diese Ereignisse durch Vorhersagen antizipiert, die eine Vielzahl von numerischen Methoden umfassen, die zur Quantifizierung dieser zukünftigen Ereignisse verwendet werden. Seit den 1970er Jahren ist die am weitesten verbreitete Form der Vorhersage die punktuelle Zeitreihenvorhersage: Eine über die Zeit gemessene Größe - zum Beispiel die Nachfrage in Einheiten für ein Produkt - wird in die Zukunft projiziert. Eine Vorhersage gilt als probabilistisch, wenn sie die Wahrscheinlichkeiten für alle möglichen zukünftigen Ergebnisse liefert, anstatt ein bestimmtes Ergebnis als “die” Vorhersage zu bestimmen. Wahrscheinlichkeitsvorhersagen sind immer dann wichtig, wenn Unsicherheit unvermeidbar ist, was fast immer der Fall ist, wenn komplexe Systeme betroffen sind. Für Lieferketten sind wahrscheinlichkeitsbasierte Vorhersagen unerlässlich, um robuste Entscheidungen gegenüber unsicheren zukünftigen Bedingungen zu treffen.

5.3 Vorhersage der Lieferzeit

Lieferzeiten sind ein grundlegender Aspekt in den meisten Situationen der Lieferkette. Lieferzeiten können und sollten genauso wie die Nachfrage prognostiziert werden. Es können probabilistische Prognosemodelle für Lieferzeiten verwendet werden. Es werden eine Reihe von Techniken vorgestellt, um probabilistische Lieferzeitprognosen für Zwecke der Lieferkette zu erstellen. Die Kombination dieser Prognosen, Lieferzeit und Nachfrage, ist ein Eckpfeiler der Vorhersagemodellierung in der Lieferkette.

6. Entscheidungsfindung

Jeden Tag müssen tausende von Entscheidungen in der Lieferkette getroffen werden (in großen Unternehmen sogar Millionen). Jede Entscheidung geht mit Alternativen einher. Das Ziel der Optimierung der Lieferkette besteht darin, die profitabelsten Optionen unter Berücksichtigung zukünftiger unsicherer Bedingungen auszuwählen. Dieser Prozess stellt zwei wesentliche Herausforderungen dar, die wir bisher nicht behandelt haben: erstens die quantitative Bewertung der Rentabilität einer Entscheidung und zweitens die Umsetzung der für Lieferkettenprobleme geeigneten numerischen Optimierungsrezepte.

6.1 Einzelhandelsbestandszuweisung mit probabilistischen Prognosen

Lieferkettenentscheidungen erfordern risikobereinigte wirtschaftliche Bewertungen. Die Umwandlung probabilistischer Prognosen in wirtschaftliche Bewertungen ist nicht trivial und erfordert spezielle Werkzeuge. Die daraus resultierende wirtschaftliche Priorisierung, veranschaulicht durch Bestandszuweisungen, erweist sich jedoch als leistungsfähiger als herkömmliche Techniken. Wir beginnen mit der Herausforderung der Einzelhandelsbestandszuweisung. In einem 2-Ebenen-Netzwerk, das sowohl ein Distributionszentrum (DC) als auch mehrere Geschäfte umfasst, müssen wir entscheiden, wie der Bestand des DC auf die Geschäfte verteilt werden soll, wobei alle Geschäfte um denselben Bestand konkurrieren.

6.2 Preisoptimierung für den Automobil-Nachmarkt

Das Gleichgewicht von Angebot und Nachfrage hängt sehr stark von den Preisen ab. Daher gehört die Preisoptimierung weitgehend zum Bereich der Lieferkette. Wir werden eine Reihe von Techniken zur Optimierung der Preise eines fiktiven Unternehmens für den Automobil-Nachmarkt vorstellen. Anhand dieses Beispiels werden wir sehen, welche Gefahren mit abstrakten Denkweisen verbunden sind, die den richtigen Kontext nicht erkennen. Es ist wichtiger zu wissen, was optimiert werden sollte, als die Feinheiten der Optimierung selbst.

7. Taktische und strategische Umsetzung

Die Lieferkette, sowohl als Praxis als auch als Forschungsfeld, zielt darauf ab, ein Enabler und ein Wettbewerbsvorteil für das Unternehmen als Ganzes zu sein. Aus der Perspektive des Top-Managements dominieren zwei Aspekte: die Lieferkette zu einem wertschöpfenden Vermögenswert zu machen und überlegene Möglichkeiten zur Geschäftsumsetzung freizuschalten. In der Praxis reduzieren sich die Ergebnisse größtenteils auf die Wahl der richtigen Teammitglieder.

Eine Initiative, die darauf abzielt, die Leistung der Lieferkette durch überlegene numerische Rezepte zu verbessern, kann, wenn sie erfolgreich ist, die Lieferkette selbst grundlegend verändern. Diese Perspektive geht mit zwei großen Vorbehalten einher. Erstens müssen die numerischen Rezepte designmäßig so konzipiert sein, dass sie den Prozess erleichtern; es steckt mehr dahinter, als es scheint. Zweitens verändern die Einführung von numerischen Rezepten selbst die Rezepte; was auf den ersten Blick ziemlich gegenintuitiv erscheint.

7.1 Einstieg in eine quantitative Initiative

Eine erfolgreiche vorhersageoptimierung einer Lieferkette ist eine Mischung aus weichen und harten Problemen. Leider ist es nicht möglich, diese Aspekte voneinander zu trennen. Die weichen und harten Aspekte sind eng miteinander verflochten. In der Regel kollidiert diese Verflechtung frontal mit der Arbeitsteilung, wie sie im Organigramm des Unternehmens definiert ist. Wir stellen fest, dass die Ursachen für das Scheitern von Lieferketteninitiativen in der Regel Fehler sind, die in den frühesten Phasen des Projekts gemacht werden. Darüber hinaus neigen frühe Fehler dazu, die gesamte Initiative zu prägen, was sie nahezu unmöglich macht, im Nachhinein zu beheben. Wir präsentieren unsere wichtigsten Erkenntnisse, um diese Fehler zu vermeiden.

7.2 Die Entscheidungen in die Produktion bringen

Wir suchen ein numerisches Rezept, um eine ganze Klasse von banalen Entscheidungen, wie z.B. Bestandsauffüllungen, zu steuern. Automatisierung ist entscheidend, um die Lieferkette zu einer kapitalistischen Unternehmung zu machen. Allerdings birgt sie erhebliche Risiken, wenn das numerische Rezept fehlerhaft ist. “Fail fast and break things” ist nicht die richtige Denkweise, um ein numerisches Rezept für die Produktion freizugeben. Viele Alternativen, wie z.B. das Wasserfallmodell, sind noch schlimmer, da sie in der Regel eine Illusion von Rationalität und Kontrolle vermitteln. Ein hochiterativer Prozess ist der Schlüssel, um das numerische Rezept zu entwerfen, das sich als produktionsfähig erweist.

7.3 Der Lieferketten-Wissenschaftler

Im Kern einer quantitativen Lieferketteninitiative steht der Lieferketten-Wissenschaftler (SCS), der die Datenextraktions-Pipeline, die ökonomische Modellierung und das KPI-Reporting durchführt. Die intelligente Automatisierung der Lieferkettenentscheidungen ist das Endprodukt der Arbeit des SCS. Der SCS übernimmt die Verantwortung für die generierten Entscheidungen. Der SCS liefert menschliche Intelligenz, die durch die Rechenleistung von Maschinen verstärkt wird.