Retail Stock Allocation mit probabilistischen Prognosen - Vorlesung 6.1

00:00 Einführung
02:53 Entscheidungen vs. Artefakte
10:07 Experimentelle Optimierung
13:51 Der bisherige Verlauf
17:01 Die heutigen Entscheidungen
19:36 Das Manifest der quantitativen Supply Chain
21:01 Das Problem der Bestandszuweisung im Einzelhandel
24:49 Wirtschaftliche Kräfte auf den Store-SKU
29:35 Die Zukunft veranschaulichen
32:41 Die Optionen veranschaulichen - 1/3
38:25 Die Optionen veranschaulichen - 2/3
43:02 Die Optionen veranschaulichen - 3/3
44:44 Bestandsbelohnungsfunktion - 1/2
51:41 Bestandsbelohnungsfunktion - 2/2
56:19 Priorisierte Bestandszuweisungen - 1/4
59:59 Priorisierte Bestandszuweisungen - 2/4
01:03:39 Priorisierte Bestandszuweisungen - 3/4
01:06:34 Priorisierte Bestandszuweisungen - 4/4
01:12:58 Glättung des Lagerflusses - 1/2
01:16:48 Glättung des Lagerflusses - 2/2
01:22:12 Handlungsbelohnungsfunktion
01:25:02 Die reale Welt ist chaotisch
01:27:38 Fazit
01:30:00 Bevorstehende Vorlesung und Fragen des Publikums

Beschreibung

Supply-Chain-Entscheidungen erfordern risikobereinigte wirtschaftliche Bewertungen. Die Umwandlung probabilistischer Prognosen in wirtschaftliche Bewertungen ist nicht trivial und erfordert spezielle Werkzeuge. Die daraus resultierende wirtschaftliche Priorisierung, die durch Bestandszuweisungen veranschaulicht wird, erweist sich jedoch als leistungsfähiger als herkömmliche Techniken. Wir beginnen mit der Herausforderung der Bestandszuweisung im Einzelhandel. 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 wird, wissend, dass alle Geschäfte um denselben Bestand konkurrieren.

Vollständiges Transkript

Willkommen zu dieser Reihe von Supply-Chain-Vorlesungen. Ich bin Joannes Vermorel und heute werde ich “Retail Stock Allocation mit probabilistischen Prognosen” präsentieren. Die Bestandszuweisung im Einzelhandel ist eine einfache, aber grundlegende Herausforderung: Wann und wie viel Bestand entscheiden Sie sich, zu einem bestimmten Zeitpunkt zwischen den Distributionszentren und den von Ihnen betriebenen Geschäften zu bewegen? Die Entscheidung, Bestand zu bewegen, hängt von der zukünftigen Nachfrage ab, daher wird eine Art Nachfrageprognose benötigt.

Die Einzelhandelsnachfrage auf Geschäftsebene ist jedoch unsicher und die Unsicherheit der zukünftigen Nachfrage ist irreduzibel. Wir benötigen eine Prognose, die diese irreduzible Unsicherheit der Zukunft angemessen widerspiegelt, daher wird eine probabilistische Prognose benötigt. Dennoch ist es eine nicht-triviale Aufgabe, probabilistische Prognosen optimal für Entscheidungen in der Lieferkette zu nutzen. Es wäre verlockend, eine vorhandene Lagerbestandstechnik zu recyceln, die ursprünglich für eine klassische deterministische Prognose entwickelt wurde. Dies würde jedoch den eigentlichen Grund zunichte machen, warum wir probabilistische Prognosen eingeführt haben.

Das Ziel dieser Vorlesung ist es, zu lernen, wie man probabilistische Prognosen in ihrer nativen Form optimal für Entscheidungen in der Lieferkette nutzt. Als erstes Beispiel werden wir das Problem der Bestandszuweisung im Einzelhandel betrachten und durch die Untersuchung dieses Problems sehen, wie wir tatsächlich den Lagerbestand auf Geschäftsebene optimieren können. Durch die Untersuchung probabilistischer Prognosen können wir sogar neue Klassen von Lieferkettenproblemen angehen, wie z.B. die Glättung des Warenflusses von den Distributionszentren zu den Geschäften, um die Betriebskosten des Netzwerks zu optimieren und zu reduzieren.

Diese Vorlesung eröffnet das sechste Kapitel dieser Reihe, das sich mit Entscheidungstechniken und -prozessen im Kontext einer Lieferkette befasst. Wir werden sehen, dass Entscheidungen mit dem gesamten Lieferkettennetzwerk als integriertes System optimiert werden müssen, anstatt eine Reihe isolierter lokaler Optimierungen durchzuführen. Zum Beispiel, indem man eine enge Perspektive auf die SKU (Stock-Keeping Unit) einnimmt.

Der erste Schritt zur Bewältigung von Entscheidungen in der Lieferkette besteht darin, tatsächliche Entscheidungen in der Lieferkette zu identifizieren. Eine Entscheidung in der Lieferkette hat einen direkten, physischen, greifbaren Einfluss auf die Lieferkette. Wenn Sie zum Beispiel eine Einheit Bestand vom Distributionszentrum in ein Geschäft bewegen, ist das real; sobald Sie das tun, gibt es eine zusätzliche Einheit auf den Regalen des Geschäfts und es gibt eine Einheit, die jetzt aus dem Distributionszentrum fehlt und nirgendwo anders zugewiesen werden kann.

Im Gegensatz dazu hat ein Artefakt keinen direkten physischen greifbaren Einfluss auf die Lieferkette. Ein Artefakt ist in der Regel entweder ein Zwischenschritt bei der Berechnung, der letztendlich zu einer Entscheidung in der Lieferkette führt, oder es handelt sich um eine statistische Schätzung irgendeiner Art, die eine Eigenschaft eines Teils Ihres Lieferketten-Systems charakterisiert. Leider kann ich nicht umhin, eine große Verwirrung in der Literatur zur Lieferkette festzustellen, wenn es darum geht, Entscheidungen von Artefakten zu unterscheiden.

Vorsicht, Renditen von Investitionen werden ausschließlich durch die Verbesserung von Entscheidungen erzielt. Die Verbesserung von Artefakten ist fast immer belanglos, und das ist bestenfalls so. Im schlimmsten Fall, wenn ein Unternehmen zu viel Zeit damit verbringt, Artefakte zu verbessern, wird dies zu einer Ablenkung, die das Unternehmen daran hindert, seine tatsächlichen Entscheidungen in der Lieferkette zu verbessern. Auf dem Bildschirm sehen Sie eine Liste von Verwirrungen, die ich häufig in der Mainstream-Lieferkettenbranche beobachte.

Beginnen wir zum Beispiel mit dem Sicherheitsbestand. Dieser Bestand ist nicht real; Sie haben nicht zwei Bestände, den Sicherheitsbestand und den Arbeitsbestand. Es gibt nur einen Bestand und die einzige Entscheidung, die getroffen werden kann, ist, ob mehr benötigt wird oder nicht. Eine Menge neu zu bestellen ist real, aber der Sicherheitsbestand nicht. Ähnlich verhält es sich mit dem Servicegrad. Der Servicegrad ist sehr stark modellabhängig. In der Tat sind die Verkaufsdaten im Einzelhandel spärlich. Wenn Sie also eine bestimmte SKU betrachten, haben Sie in der Regel zu wenig Daten, um einen aussagekräftigen Servicegrad nur durch Inspektion der SKU zu berechnen. Die Art und Weise, wie Sie den Servicegrad angehen, erfolgt durch Modellierungstechniken und statistische Schätzungen, die in Ordnung sind, aber auch dies ist ein Artefakt, keine Realität. Dies ist buchstäblich eine mathematische Perspektive, die Sie auf Ihre Lieferkette haben.

Ebenso ist Push oder Pull auch eine Frage der Perspektive. Ein geeignetes numerisches Rezept, das unter Berücksichtigung des gesamten Lieferkettennetzwerks arbeitet, wird nur die Möglichkeit in Betracht ziehen, eine Einheit Bestand von einem Ursprungsort zu einem Zielort zu bewegen. Was real ist, ist die Bestandsbewegung; was nur eine Frage der Perspektive ist, ist, ob Sie diese Bestandsbewegung basierend auf Bedingungen in Bezug auf den Ursprungsort oder den Zielort auslösen möchten. Dies definiert Push oder Pull, aber es handelt sich bestenfalls um eine geringfügige technische Einzelheit des numerischen Rezepts und repräsentiert nicht die Kernrealität Ihrer Lieferkette.

Tote Bestände sind im Wesentlichen eine Schätzung des Bestands, der in naher Zukunft einem Inventurverlust ausgesetzt ist. Aus Sicht eines Kunden gibt es keinen Unterschied zwischen toten Beständen und lebendigen Beständen. Beides sind Produkte, die möglicherweise nicht gleich attraktiv sind, aber tote Bestände sind einfach eine bestimmte Risikobewertung Ihres Bestands. Das ist in Ordnung, aber dies sollte nicht mit Inventurverlusten verwechselt werden, die endgültig sind und darauf hinweisen, dass Wert verloren gegangen ist.

Ebenso ist der Abwärtstrend auch eine mathematische Komponente, die in der Art und Weise existieren kann, wie Sie die beobachtete Nachfrage modellieren. Es wird in der Regel ein zeitabhängiger Faktor in das Nachfragemodell eingeführt, wie zum Beispiel eine lineare Abhängigkeit von der Zeit oder vielleicht eine exponentielle Abhängigkeit von der Zeit. Dies ist jedoch nicht die Realität. Die Realität könnte sein, dass Ihr Geschäft aufgrund des Verlusts von Kunden abnimmt, sodass die Abwanderung neben anderen Möglichkeiten die Realität der Lieferkette ist. Der Abwärtstrend ist lediglich ein Artefakt, das Sie verwenden können, um das Muster zu aggregieren.

Ebenso wird Ihnen kein Lieferant etwas zum durchschnittlichen Einkaufspreis verkaufen. Die einzige Realität besteht darin, dass Sie eine Bestellung aufgeben, Mengen auswählen und je nach den von Ihnen ausgewählten Mengen Preisnachlässe nutzen können, die Ihre Lieferanten möglicherweise anbieten. Sie erhalten Einkaufspreise basierend auf diesen Preisnachlässen und allem, was Sie darüber hinaus aushandeln. Der durchschnittliche Einkaufspreis ist nicht real, also seien Sie vorsichtig, keine Fehler zu machen, indem Sie diese numerischen Artefakte als ob sie ein fundamentales Wahrheitselement hätten, betrachten.

Schließlich ist die ABC-Klassifizierung, die von Top-Verkäufern bis zu langsamen Bewegern reicht, nur eine triviale, volumenbasierte Klassifizierung der SKUs oder Produkte, die Sie haben. Diese Klassen sind keine realen Attribute. In der Regel ändert sich die Hälfte der Produkte von einem ABC-Rang zum nächsten von einem Quartal zum nächsten, und dennoch ist in den Augen der Kunden oder des Marktes für diese Produkte nichts wirklich passiert. Es handelt sich nur um ein numerisches Artefakt, das auf das Produkt angewendet wurde, und sollte nicht mit tiefgreifend relevanten Attributen verwechselt werden, wie zum Beispiel ob ein Produkt Teil einer Vertriebsmarke ist. Dies ist ein wirklich fundamentales Attribut des Produkts, das weitreichende Konsequenzen für Ihre Lieferkette hat. In diesem Kapitel sollte immer deutlicher werden, warum es wichtig ist, sich auf Entscheidungen in der Lieferkette zu konzentrieren, anstatt Zeit und Aufmerksamkeit mit numerischen Artefakten zu verschwenden.

Wenn das Wort “Optimierung” ausgesprochen wird, ist die übliche Perspektive, die einem gut ausgebildeten Publikum in den Sinn kommt, die Perspektive der mathematischen Optimierung. Gegeben eine Menge von Variablen und eine Verlustfunktion, besteht das Ziel darin, Variablenwerte zu identifizieren, die die Verlustfunktion minimieren. Leider funktioniert dieser Ansatz in der Lieferkette schlecht, weil er voraussetzt, dass die relevanten Variablen bekannt sind, was in der Regel nicht der Fall ist. Selbst wenn dies der Fall ist, gibt es viele Variablen, wie Wetterdaten, von denen bekannt ist, dass sie sich auf Ihre Lieferkette auswirken, aber mit hohen Kosten verbunden sind, wenn Sie diese Daten erwerben möchten. Daher ist es nicht klar, ob es sich lohnt, diese Daten zu erwerben, um Ihre Lieferkette zu optimieren.

Noch problematischer ist, dass die Verlustfunktion selbst weitgehend unbekannt ist. Die Verlustfunktion kann irgendwie geschätzt werden, aber nur die Konfrontation des Verlusts mit dem Feedback aus der realen Welt, das Sie aus Ihrer Lieferkette erhalten können, gibt Ihnen gültige Informationen über die Angemessenheit dieser Verlustfunktion. Es geht nicht um die mathematische Korrektheit; es geht um die Angemessenheit. Spiegelt diese Verlustfunktion, die ein mathematisches Konstrukt ist, angemessen wider, was Sie für Ihre Lieferkette optimieren möchten? Wir haben dieses Dilemma der Durchführung von Optimierung behandelt, obwohl wir die Variablen und die Verlustfunktion in Vorlesung 2.2 mit dem Titel “Experimentelle Optimierung” nicht kennen. Die experimentelle Optimierungsperspektive besagt, dass das Problem nicht gegeben ist; das Problem muss durch wiederholte, wiederholte Experimente entdeckt werden. Der Nachweis der Richtigkeit der Verlustfunktion und ihrer Variablen ergibt sich nicht als mathematische Eigenschaft, sondern durch eine Reihe von Beobachtungen, die durch gut gewählte Experimente aus der Lieferkette selbst gewonnen wurden. Die experimentelle Optimierung stellt die Art und Weise, wie wir Optimierung betrachten, grundlegend in Frage, und dies ist eine Perspektive, die ich in diesem Kapitel übernehmen werde. Die hier vorgestellten Werkzeuge und Techniken sind auf die experimentelle Optimierungsperspektive ausgerichtet.

Zu jedem Zeitpunkt kann das numerische Rezept, das wir haben, als veraltet erklärt werden und durch ein alternatives numerisches Rezept ersetzt werden, das als besser mit der Lieferkette, die wir haben, in Einklang steht. Daher sollten wir zu jedem Zeitpunkt in der Lage sein, das numerische Rezept, das wir haben, in die Produktion zu bringen und den Optimierungsprozess im großen Maßstab durchzuführen. Wir können zum Beispiel nicht sagen, dass wir die Verlustfunktion identifizieren und dann ein Team von Datenwissenschaftlern drei Monate lang mit der Entwicklung einiger Softwareoptimierungstechniken beauftragen. Stattdessen sollten wir immer in der Lage sein, ein neues Rezept direkt in die Produktion zu bringen und die Entscheidungen der Lieferkette unmittelbar von dieser neu identifizierten Form des Problems profitieren zu lassen.

Diese Vorlesung ist Teil einer Reihe von Vorlesungen zur Lieferkette. Ich versuche, diese Vorlesungen einigermaßen unabhängig zu halten, aber wir sind an einem Punkt angelangt, an dem es mehr Sinn macht, diese Vorlesungen in der Reihenfolge anzusehen. Wenn Sie die vorherigen Vorlesungen nicht gesehen haben, sollte es in Ordnung sein, aber diese Serie wird wahrscheinlich mehr Sinn ergeben, wenn Sie sie in der Reihenfolge anschauen, in der sie präsentiert wurde.

Im ersten Kapitel habe ich meine Ansichten zur Lieferkette sowohl als Studiengebiet als auch als Praxis vorgestellt. Im zweiten Kapitel habe ich eine Reihe von Methoden vorgestellt, die für die Bewältigung von Herausforderungen in der Lieferkette unerlässlich sind, einschließlich experimenteller Optimierung. Diese Methoden sind aufgrund der antagonistischen Natur der meisten Lieferkettenprobleme erforderlich. Im dritten Kapitel habe ich mich auf die Probleme selbst konzentriert, im Gegensatz zu den Lösungen. Im vierten Kapitel habe ich eine Reihe von Feldern vorgestellt, die nicht genau die Lieferkette selbst sind - die Hilfswissenschaften der Lieferkette -, die für eine moderne Praxis der Lieferkette unerlässlich sind. Im fünften Kapitel habe ich eine Reihe von prädiktiven Modellierungstechniken vorgestellt, insbesondere probabilistische Prognosen, die unerlässlich sind, um mit der unvermeidlichen Unsicherheit der Zukunft umzugehen.

Heute, in dieser ersten Vorlesung des sechsten Kapitels, gehen wir auf Entscheidungstechniken ein. Die wissenschaftliche Literatur hat in den letzten sieben Jahrzehnten eine Fülle von Entscheidungstechniken und Algorithmen hervorgebracht, von der dynamischen Programmierung in den 1950er Jahren bis hin zum verstärkenden Lernen und sogar zum tiefen verstärkenden Lernen. Die Herausforderung besteht jedoch darin, lieferkettenrelevante Ergebnisse in Produktionsqualität zu erzielen. Tatsächlich leiden die meisten dieser Techniken unter versteckten Mängeln, die sie aus verschiedenen Gründen für die Lieferkette unpraktisch machen. Heute konzentrieren wir uns auf die Zuordnung von Einzelhandelsbeständen als Archetyp einer Lieferkettenentscheidung. Diese Vorlesung ebnet den Weg für komplexere Entscheidungen und Situationen.

Auf dem Bildschirm sehen Sie die Zusammenfassung der heutigen Vorlesung. Selbst bei der Betrachtung des einfachsten Problems der Lieferkette, der Zuordnung von Einzelhandelsbeständen, haben wir noch viel zu behandeln. Diese Elemente stellen Bausteine für komplexere Situationen dar. Ich werde damit beginnen, das Manifest der quantitativen Lieferkette zu überarbeiten. Anschließend werde ich erläutern, was ich mit dem Problem der Einzelhandelsbestandszuordnung meine. Wir werden auch die wirtschaftlichen Kräfte in diesem Problem untersuchen. Ich werde das Konzept der probabilistischen Prognosen erneut behandeln und wie wir sie tatsächlich darstellen, zumindest eine der Möglichkeiten, sie darzustellen. Wir werden sehen, wie wir die Entscheidung modellieren, indem wir die Prognose verfeinern und die Optionen verfeinern, die potenziellen Entscheidungen.

Anschließend werden wir die Bestandsbelohnungsfunktion einführen. Diese Funktion kann als minimaler Rahmen angesehen werden, um eine probabilistische Prognose in eine wirtschaftliche Bewertung umzuwandeln, die jeder Bestandszuordnungsoption zugeordnet werden kann und eine Reihe wirtschaftlicher Faktoren berücksichtigt. Sobald die Optionen bewertet sind, können wir mit einer Prioritätenliste fortfahren. Eine Prioritätenliste ist trügerisch einfach, erweist sich jedoch sowohl in Bezug auf numerische Stabilität als auch auf White-Boxing-Eigenschaften als unglaublich leistungsstark und praktisch in realen Lieferketten.

Mit der Prioritätenliste können wir den Fluss von Inventar vom Vertriebszentrum zu den Geschäften nahezu mühelos glätten und die Betriebskosten des Vertriebszentrums senken. Schließlich werden wir kurz die Aktionsbelohnungsfunktion untersuchen, die heute bei Lokad in nahezu jeder Hinsicht die Bestandsbelohnungsfunktion übertrifft, außer in ihrer Einfachheit.

Das Manifest der quantitativen Lieferkette ist ein Dokument, das ich ursprünglich 2017 veröffentlicht habe. Diese Perspektive wurde in Vorlesung 1.2 ausführlich behandelt, aber um Klarheit zu schaffen, werde ich heute eine kurze Zusammenfassung geben. Es gibt fünf Säulen, aber nur die ersten drei sind für uns heute relevant. Die ersten drei Säulen sind:

Betrachten Sie alle möglichen Zukunftsszenarien, was probabilistische Prognosen sowie die Prognose aller anderen Elemente mit einem Unsicherheitsaspekt wie variierenden Durchlaufzeiten oder zukünftigen Preisen bedeutet. Betrachten Sie alle machbaren Entscheidungen und konzentrieren Sie sich auf Entscheidungen und nicht auf Artefakte. Priorisieren Sie mit wirtschaftlichen Treibern, was das Thema der heutigen Vorlesung ist.

Insbesondere werden wir sehen, wie wir probabilistische Prognosen in Schätzungen wirtschaftlicher Erträge umwandeln können.

Bei dem Problem der Zuordnung von Einzelhandelsbeständen. Dies ist eine Definition, die ich gebe; sie ist etwas willkürlich, aber dies ist die Definition, die ich heute verwenden werde. Wir nehmen ein Netzwerk mit zwei Ebenen an: Wir haben ein Vertriebszentrum und mehrere Geschäfte. Das Vertriebszentrum versorgt alle Geschäfte, und wenn es mehrere Vertriebszentren gibt, nehmen wir an, dass ein Geschäft nur von einem einzigen Vertriebszentrum versorgt wird. Das Ziel besteht darin, die Bestände, die im Vertriebszentrum vorhanden sind, ordnungsgemäß auf die Geschäfte zu verteilen, und alle Geschäfte konkurrieren um dieselben Bestände, die im Vertriebszentrum vorhanden sind.

Wir nehmen an, dass alle Geschäfte täglich mit einem täglichen Zeitplan vom Vertriebszentrum aufgefüllt werden können. Somit müssen wir jeden Tag entscheiden, wie viele Einheiten für jedes einzelne Produkt zu jedem Geschäft bewegt werden sollen. Die Gesamtmenge der bewegten Einheiten darf den im Vertriebszentrum verfügbaren Bestand nicht überschreiten, und es ist auch vernünftig anzunehmen, dass es Begrenzungen für die Regalkapazität der Geschäfte gibt. Wenn das Vertriebszentrum unbegrenzte Bestände hätte, würde das Problem zu einer Lieferkette mit einer einzigen Ebene degenerieren, da es nie erforderlich wäre, irgendeine Art von Arbitrage oder Kompromiss zwischen der Zuordnung des Bestands zu einem Geschäft oder einem anderen durchzuführen. Die Zwei-Ebenen-Eigenschaft des Netzwerks ergibt sich nur daraus, dass die Geschäfte um denselben Bestand konkurrieren.

Natürlich gehen wir davon aus, dass die Verkaufs- und Lagerbestandsdaten sowohl auf der Ebene des Vertriebszentrums als auch auf der Geschäftsebene sichtbar sind, d.h. wir gehen davon aus, dass die Transaktionsdaten verfügbar sind. Wir gehen auch davon aus, dass die eingehenden Lieferungen, die am Vertriebszentrum gemacht werden sollen, mit geschätzten Ankunftszeiten (ETAs) bekannt sind, die mit einer gewissen Unsicherheit verbunden sein können. Wir gehen auch davon aus, dass alle banalen, aber wichtigen Informationen verfügbar sind, wie z.B. der Einkaufspreis des Produkts, der Verkaufspreis des Produkts, die Produktkategorien, falls vorhanden, usw. All diese Informationen würden in jedem ERP zu finden sein, selbst wenn es drei Jahrzehnte alt ist, sowie in WMS und Kassensystemen.

Heute schließen wir die Auffüllung des Vertriebszentrums (DC) nicht in das Problem ein. In der Praxis sind die Auffüllung des Vertriebszentrums und die Zuweisung der Geschäfte eng miteinander verbunden, daher macht es Sinn, diese Probleme gemeinsam anzugehen. Der Grund, warum ich das heute nicht tue, ist die Klarheit und Kürze in diesem Vortrag; wir werden uns zuerst mit dem einfacheren Problem befassen. Bitte beachten Sie jedoch, dass der Ansatz, den ich heute vorstelle, natürlich auch auf die Auffüllung des Vertriebszentrums ausgeweitet werden kann.

Die Entscheidung, eine zusätzliche Einheit Bestand an einem bestimmten Tag in ein Geschäft für ein bestimmtes Produkt zu bewegen, hängt von einer Reihe wirtschaftlicher Kräfte ab. Wenn die Bewegung der Einheit profitabel ist, möchten wir es tun; sonst nicht. Die wichtigsten wirtschaftlichen Kräfte werden auf dem Bildschirm aufgelistet, und im Wesentlichen führt das Hinzufügen von mehr Bestand in ein Geschäft zu einer Reihe von Vorteilen. Dazu gehören ein höherer Bruttogewinn durch Vermeidung von Umsatzeinbußen, eine bessere Servicequalität durch Reduzierung der Fehlbestände und eine verbesserte Attraktivität des Geschäfts. Tatsächlich muss ein Geschäft attraktiv erscheinen, um attraktiv zu sein; sonst wirkt es traurig und die Leute sind möglicherweise weniger bereit zu kaufen. Dies ist eine häufige Beobachtung im Einzelhandel, auch wenn sie nicht unbedingt auf alle Segmente wie z.B. Luxusgüter zutrifft. Für Warenhäuser oder Modegeschäfte gilt jedoch diese Überlegung.

Leider bringt das Hinzufügen von mehr Bestand auch Nachteile mit sich, die die Rendite mindern können, die von einem größeren Bestand im Geschäft erwartet werden könnte. Diese Nachteile umfassen zusätzliche Lagerkosten, die zu Bestandsabschreibungen führen können, wenn tatsächlich ein Überschuss an Bestand besteht. Es besteht auch das Risiko einer Überlastung bei der Aufnahme, wenn das Personal im Geschäft eine zu große Lieferung nicht verarbeiten kann. Dies führt zu Verwirrung und Unordnung im Geschäft, wenn die gelieferte Menge die Menge übersteigt, die das Personal in die Regale stellen kann. Darüber hinaus entsteht ein Opportunitätskosten: Wenn eine Einheit in ein Geschäft gestellt wird, kann sie nicht in ein anderes Geschäft gestellt werden. Obwohl sie zum Vertriebszentrum zurückgebracht und erneut gesendet werden könnte, ist dies in der Regel ziemlich teuer, daher handelt es sich normalerweise um eine letzte Option. Einzelhändler sollten eine effiziente Geschäftszuweisung anstreben, ohne den Bestand zurückbewegen zu müssen.

Eine gleichmäßige Fluss des Lagerbestands ist ebenfalls sehr wünschenswert. Ein Vertriebszentrum (DC) hat eine nominale Kapazität, bei der es bei maximaler wirtschaftlicher Effizienz arbeitet. Diese Spitzenleistung wird durch die physische Einrichtung des DC sowie die Anzahl der festangestellten Mitarbeiter, die daran angeschlossen sind, bestimmt. Idealerweise sollte das DC täglich arbeiten und dabei sehr nahe an seiner Nennkapazität bleiben, um kosteneffizient zu sein. Die Aufrechterhaltung der Spitzenleistung im Vertriebszentrum (DC) erfordert jedoch eine gleichmäßige Fluss vom DC zu den Geschäften. Die wirtschaftliche Perspektive weicht von den traditionellen serviceorientierten Perspektiven ab, die in der Mainstream-Literatur zur Lieferkette oft zu finden sind. Wir suchen Dollarrenditen, keine Prozentpunkte. Die einzige Möglichkeit, zu entscheiden, ob es vernünftig ist, das Bestandszuordnungsschema auf Netzwerkebene anzupassen, um Betriebskosten zu senken, im Vergleich zu einer geringfügigen Verschlechterung der Servicequalität in den Geschäften, besteht darin, die hier vorgestellte wirtschaftliche Perspektive einzunehmen. Wenn Sie eine serviceorientierte Perspektive einnehmen, kann sie diese Art von Antworten nicht liefern. Unser Ziel an diesem Punkt ist es, numerische Rezepte zu erstellen, die die wirtschaftlichen Ergebnisse für eine beliebige Bestandszuordnungsentscheidung schätzen.

Im vorherigen Kapitel, dem fünften Kapitel, haben wir besprochen, wie man probabilistische Prognosen erstellt und einen spezialisierten Datentyp namens “ranvar” eingeführt, der eindimensionale diskrete Wahrscheinlichkeitsverteilungen repräsentiert. Kurz gesagt ist ein ranvar ein spezialisierter Datentyp, der verwendet wird, um eine einfache eindimensionale probabilistische Prognose in Envision darzustellen.

Envision ist eine domänenspezifische Programmiersprache, die von Lokad für den alleinigen Zweck der prädiktiven Optimierung von Lieferketten entwickelt wurde. Obwohl es in diesen Vorlesungen nichts grundlegend Einzigartiges an Envision gibt, wird es für Klarheit und Prägnanz in der Präsentation verwendet. Die heute beschriebenen numerischen Rezepte können in jeder Sprache implementiert werden, wie z.B. Python, Julia oder Visual Basic.

Der entscheidende Aspekt von ranvar ist, dass er eine leistungsstarke Algebra für Zufallsvariablen bietet. Die Leistungsfähigkeit ist ein Gleichgewicht zwischen Rechenkosten, Speicherkosten und dem Grad der numerischen Approximation, den Sie tolerieren möchten. Die Rechenleistung ist entscheidend, wenn es um Einzelhandelsnetzwerke geht, da es Millionen oder sogar Zehnmillionen von SKUs geben kann, von denen jede mindestens eine probabilistische Prognose oder ranvar haben kann. Folglich können Sie am Ende Millionen oder Zehnmillionen von Histogrammen haben.

Die entscheidende Eigenschaft von ranvar im Vergleich zu einem Histogramm besteht darin, dass sowohl die CPU-Kosten als auch die Speicherkosten nach oben begrenzt und so gering wie möglich gehalten werden. Es ist auch wichtig sicherzustellen, dass die eingeführte numerische Approximation aus Sicht der Lieferkette vernachlässigbar bleibt. Es ist wichtig zu beachten, dass wir es hier nicht mit wissenschaftlicher Berechnung zu tun haben, sondern mit Lieferkettenberechnung. Während numerische Berechnungen präzise sein sollten, besteht kein Bedarf an extremer Präzision. Denken Sie daran, dass wir hier keine wissenschaftliche Berechnung durchführen; wir führen Lieferkettenberechnungen durch. Wenn Sie eine Genauigkeit von einem Teil pro Milliarde haben, ist dies aus Sicht der Lieferkette vernachlässigbar. Numerische Berechnungen sollten präzise sein, aber es besteht kein Bedarf an extremer Präzision.

Im Folgenden nehmen wir an, dass die probabilistische Prognose in Form von ranvars bereitgestellt wird, die eine Reihe von Variablen mit einem spezifischen Datentyp sind. In der Praxis können Sie ranvars durch Histogramme ersetzen und weitgehend das gleiche Ergebnis erzielen, abgesehen von den Leistungs- und Komfortaspekten.

Jetzt, da wir unsere probabilistischen Prognosen haben, wollen wir uns überlegen, wie wir die Entscheidungen angehen werden. Fangen wir damit an, die Optionen zu betrachten. Die Optionen sind die potenziellen Entscheidungen - zum Beispiel die Zuweisung von null Einheiten für ein bestimmtes Produkt an einen bestimmten Laden an einem bestimmten Tag oder die Zuweisung von ein, zwei oder drei Einheiten. Wenn wir uns entscheiden, zwei Einheiten zuzuweisen, wird das unsere Entscheidung sein. Die Optionen sind all die Dinge, die auf dem Tisch liegen und darauf warten, entschieden zu werden.

Eine einfache Möglichkeit, diese Optionen zu organisieren, besteht darin, sie in einer Liste zusammenzufassen, wie auf dem Bildschirm dargestellt. Die Liste umfasst mehrere SKUs, und für jede SKU fügen Sie pro Option eine Zeile hinzu. Jede Option repräsentiert eine zugeteilte Menge. Sie können null, eins, zwei, drei usw. zuweisen. In der Realität müssen Sie nicht bis ins Unendliche gehen; Sie können bei der Menge aufhören, die im Verteilungszentrum auf Lager ist. Realistischerweise haben Sie normalerweise eine Untergrenze, wie z.B. die maximale Regalkapazität für das Produkt im Laden.

Sie haben also eine Liste, die jede SKU enthält, und für jede SKU haben Sie alle Mengen, die als Kandidaten für die Zuweisung aus dem Verteilungszentrum in Betracht gezogen werden können. Die Spalte “Score” ist mit dem marginalen Ergebnis verbunden, das Sie durch diese Zuweisung erwarten würden. Ein gut gestalteter Score stellt sicher, dass das Auswählen von Zeilen in abnehmender Reihenfolge des Scores das wirtschaftliche Ergebnis für das Einzelhandelsnetzwerk optimiert.

Für die beiden auf dem Bildschirm gezeigten SKUs nimmt der Score ab, wenn die Zuweisung zunimmt, was das dominierende Phänomen der abnehmenden Erträge für die meisten SKUs veranschaulicht. Im Wesentlichen erzeugt das Einlegen der ersten Einheit in einen Laden fast immer mehr Erträge als die zweite. Die erste Einheit, die Sie in einen Laden stellen, ist fast immer profitabler als die zweite. Anfangs haben Sie nichts, also befinden Sie sich in einer Ausverkaufssituation. Wenn Sie eine Einheit einlegen, haben Sie den Ausverkauf für den ersten Kunden bereits behoben. Wenn Sie eine zweite Einheit einlegen, wird der erste Kunde in Ordnung sein, aber nur wenn zwei Kunden auftauchen, wird die zweite Einheit von Nutzen sein, daher hat sie einen geringeren wirtschaftlichen Ertrag. Die Erträge nehmen jedoch im Allgemeinen ab, wenn der Bestand erhöht wird. Es gibt einige Ausnahmen, bei denen die wirtschaftlichen Erträge möglicherweise nicht streng von einer Zeile zur nächsten abnehmen, aber ich werde in einer späteren Vorlesung auf diesen Fall zurückkommen. Im Moment bleiben wir bei der einfachen Situation, in der die Erträge streng abnehmen, wenn der Bestand steigt.

Die Darstellung, die wir haben, bei der wir alle SKUs und Optionen sehen können, wird in der Regel als Raster bezeichnet. Die Absicht besteht darin, dieses Raster nach abnehmender ROI (Return on Investment) zu sortieren. An sich ist nichts falsch an diesen Rastern, aber sie sind nicht sehr effizient, insbesondere in Bezug auf Berechnungen oder Speicherplatz, und sie bieten keine Unterstützung über eine große Tabelle hinaus. Bedenken Sie, dass wir über ein Einzelhandelsnetzwerk sprechen und dieses Raster möglicherweise eine Milliarde Zeilen oder so haben könnte. Big Data ist in Ordnung, aber kleinere Daten sind besser, da sie weniger Reibung erzeugen und mehr Agilität ermöglichen. Wir möchten versuchen, unser Big-Data-Problem in ein Small-Data-Problem umzuwandeln, da kleinere Daten in der Produktion alles einfacher machen.

Eine der Lösungen, die von Lokad zur Bewältigung einer großen Anzahl von Optionen verwendet wird, sind Zedfuncs. Dieser Datentyp ist, ähnlich wie Ranvars, das Gegenstück zu Ranvar, jedoch aus der Entscheidungsperspektive. Ranvars repräsentieren alle möglichen Zukünfte, während Zedfuncs alle möglichen Entscheidungen repräsentieren. Anstelle von Wahrscheinlichkeiten wie Ranvars repräsentiert ein Zedfunc alle wirtschaftlichen Ergebnisse, die mit einer eindimensionalen diskreten Serie von Optionen verbunden sind.

Der Zedfunc oder Zedfunktion ist technisch gesehen eine Funktion, die ganze Zahlen, sowohl positive als auch negative, auf reale Werte abbildet. Dies ist die technische Definition. Wie bei Ranvars ist es jedoch nicht möglich, eine beliebige oder komplexe Funktion wie Zedfuncs mit einer endlichen Menge an Speicherplatz darzustellen. In diesem Fall muss auch ein Kompromiss zwischen Präzision und Auflösung gefunden werden.

In der Supply Chain-Verwaltung existieren keine beliebig komplexen wirtschaftlichen Funktionen. Sie können durchaus komplexe Kostenfunktionen haben, aber sie können nicht beliebig komplex sein. In der Praxis ist es möglich, Zedfuncs auf weniger als vier Kilobyte zu komprimieren. Dadurch haben Sie einen Datentyp, der Ihre gesamte Kostenfunktion repräsentiert und sie so komprimiert, dass sie immer weniger als vier Kilobyte beträgt, während der Grad der numerischen Approximation aus Sicht der Supply Chain vernachlässigbar bleibt. Wenn Sie die numerische Approximation so gering halten, dass sie die endgültige diskrete Entscheidung, die Sie treffen möchten, nicht ändert, kann die numerische Approximation als völlig vernachlässigbar angesehen werden, da Sie am Ende dasselbe tun, selbst wenn Sie unendliche Präzision hätten.

Der Grund für die Verwendung von vier Kilobyte hängt mit der Rechenhardware zusammen. Wie wir in einer früheren Vorlesung über moderne Rechenhardware für die Supply Chain-Verwaltung gesehen haben, lässt der Random Access Memory (RAM) in einem modernen Computer, sei es ein Workstation, Notebook oder ein Computer in der Cloud, keinen Zugriff auf den Speicher Byte für Byte zu. Sobald Sie den RAM berühren, wird ein Segment von vier Kilobyte abgerufen. Daher ist es am besten, die Datenmenge unter vier Kilobyte zu halten, da sie der Art und Weise entspricht, wie die Hardware für Ihre Supply Chain entworfen und betrieben wird.

Der von Lokad für Zedfuncs verwendete Kompressionsalgorithmus unterscheidet sich von dem für Ranvars verwendeten, da wir nicht dieselben numerischen Probleme behandeln. Bei Ranvars geht es uns hauptsächlich darum, die Wahrscheinlichkeitsmasse unserer zusammenhängenden Segmente zu erhalten. Bei einem Zedfunc liegt der Fokus jedoch anders. Wir möchten in der Regel die Menge der Variation von einer Position zur nächsten erhalten, da wir mit dieser Variation entscheiden können, ob es sich um die letzte rentable Option handelt oder ob wir aufhören sollten. Daher ist auch der Kompressionsalgorithmus anders.

Auf dem Bildschirm sehen Sie ein Diagramm, das für einen Zedfunc erstellt wurde und einige erwartete Lagerhaltungskosten zeigt, die von der Anzahl der Einheiten im Bestand abhängen. Zedfuncs profitieren davon, dass sie ein Vektorraum sind, d.h. sie können addiert und subtrahiert werden, genau wie der klassische Vektorraum, der mit Funktionen verbunden ist. Durch die Erhaltung der Speicherlokalität können Operationen um eine Größenordnung schneller durchgeführt werden im Vergleich zu einer naiven Gitterimplementierung, bei der Sie eine sehr große Tabelle ohne eine spezifische Datenstruktur haben, um die Lokalität der zusammenwirkenden Optionen zu erfassen.

Das Diagramm, das Sie in der vorherigen Folie gesehen haben, wurde von einem Skript generiert. In den Zeilen eins und zwei deklarieren wir zwei lineare Funktionen, f und g. Die Funktion “linear” ist Teil der Standardbibliothek und “linear of one” ist einfach die Identitätsfunktion, ein Polynom vom Grad eins. Die Funktion “linear” gibt einen Zedfunc zurück und es ist möglich, eine Konstante mit einem Zedfunc zu addieren. Wir haben zwei Polynome vom Grad eins, f und g. In Zeile drei konstruieren wir ein Polynom vom Grad zwei durch das Produkt von f und g. Die Zeilen 5 bis 10 sind Hilfsfunktionen, im Wesentlichen Boilerplate-Code, um den Zedfunc zu plotten.

Zu diesem Zeitpunkt haben wir unseren Datencontainer für den Zedfunc und die wirtschaftlichen Ergebnisse. Der Zedfunc ist ein Datencontainer, ähnlich wie der Ranvar für die probabilistische Prognose. Wir benötigen jedoch immer noch numerische Rezepte, um diese wirtschaftlichen Ergebnisse zu berechnen. Wir haben den Datencontainer, aber ich habe noch nicht beschrieben, wie wir diese wirtschaftlichen Ergebnisse berechnen und in die Zedfuncs einfüllen.

Die Stock-Reward-Funktion ist ein kleines Framework, das entwickelt wurde, um die wirtschaftlichen Erträge für jeden Lagerbestand eines einzelnen SKUs zu berechnen, unter Berücksichtigung einer probabilistischen Prognose und einer kurzen Reihe von wirtschaftlichen Faktoren. Die Stock-Reward-Funktion wurde bei Lokad historisch eingeführt, um unsere Praktiken zu vereinheitlichen. Bereits 2015 arbeitete Lokad seit einigen Jahren mit probabilistischen Prognosen, und durch Versuch und Irrtum hatten wir bereits eine Reihe von numerischen Rezepten gefunden, die gut funktionierten. Sie waren jedoch nicht wirklich vereinheitlicht; es war ein bisschen chaotisch. Die Stock-Reward-Funktion konsolidierte all diese Erkenntnisse damals in ein sauberes, aufgeräumtes, minimalistisches Framework. Seit 2015 wurden bessere Methoden entwickelt, aber sie sind auch komplexer. Um die Klarheit zu wahren, ist es immer noch besser, mit der Stock-Reward-Funktion zu beginnen und diese Funktion zuerst zu präsentieren.

Die Stock-Reward-Funktion geht es darum, ein numerisches Rezept zu finden, das uns eine Berechnung für die wirtschaftlichen Ergebnisse liefert, die mit diesen probabilistischen Prognosen verbunden sind. Die Stock-Reward-Funktion folgt der Gleichung, die Sie auf dem Bildschirm sehen können, und definiert die wirtschaftlichen Erträge zum Zeitpunkt t, die Sie für den Lagerbestand k erhalten können. Die Variable R repräsentiert den wirtschaftlichen Ertrag, der in Einheiten wie Dollar oder Euro ausgedrückt wird. Die Funktion hat zwei Variablen: Zeit (t) und Lagerbestand (k). Wir möchten diese Belohnung für alle möglichen Lagerbestände berechnen.

Es gibt vier wirtschaftliche Variablen, die berücksichtigt werden müssen:

M ist die Bruttomarge pro verkaufter Einheit. Es ist die Marge, die Sie verdienen, wenn Sie eine Einheit erfolgreich bedienen. S ist die Lagerbestandsstrafe, eine Art virtuelle Kosten, die entstehen, wenn Sie es nicht schaffen, eine Einheit an einen Kunden zu liefern. Selbst wenn Sie keine Strafe an Ihren Kunden zahlen müssen, entsteht ein Kosten, wenn Sie es nicht schaffen, einen ordnungsgemäßen Service zu bieten, und diese Kosten müssen modelliert werden. Eine der einfachsten Möglichkeiten, diese Kosten zu modellieren, besteht darin, für jede nicht erbrachte Einheit eine Strafe zuzuweisen. C ist der Lagerhaltungskosten, die Kosten pro Einheit pro Zeiteinheit. Wenn Sie eine Einheit für drei Zeiteinheiten auf Lager haben, wären das drei Mal C; wenn Sie zwei Einheiten für drei Zeiteinheiten auf Lager haben, wären das sechs Mal C. Alpha wird verwendet, um zukünftige Erträge abzuzinsen. Die Idee ist, dass das, was in der fernen Zukunft passiert, weniger wichtig ist als das, was in der nahen Zukunft passieren wird. Die Lagerbelohnungsfunktion ist so einfach wie möglich, ohne zu einfach zu sein. Die Gleichung besagt, dass, wenn die Nachfrage den Lagerbestand übersteigt, die Rendite die Marge für den gesamten Lagerbestand enthält.

Das sagt die erste Zeile aus: Wir haben k Margen, also verkaufen wir alle Einheiten, die wir haben, und dann entsteht eine Strafe, die Y(t) - k für alle Einheiten beträgt, die wir nicht bedienen konnten.

Andernfalls, wenn der Lagerbestand die Nachfrage übersteigt, können wir von Y(t) mal M profitieren, was die Marge dessen repräsentiert, was wir heute verkauft haben. Dann müssen wir die Lagerhaltungskosten bezahlen. Die Lagerhaltungskosten für heute werden das sein, was am Ende des Tages übrig bleibt, also k - Y(t) mal C, plus Alpha mal die Lagerbelohnungsfunktion R* für den nächsten Tag.

Es gibt einen Haken bei R*. Es ist fast identisch mit der Lagerbelohnungsfunktion R, außer dass wir die Lagerbestandsstrafe auf null setzen. Der Grund ist einfach: Aus der Sicht des Lagers gehen wir davon aus, dass wir später noch Gelegenheiten haben werden, den Lagerbestand aufzufüllen. Wenn wir heute einen Lagerbestand haben, ist es zu spät, also entstehen uns die Lagerbestandsstrafen. Eine Lagerbestandsstrafe, die morgen eintreten soll, gilt jedoch als vermeidbar.

Eine Lagerbestandsstrafe, die in der Zukunft, in einem späteren Zeitraum, eintreten soll, gehen wir davon aus, dass eine Auffüllung in jedem Zeitraum erfolgen kann. Daher ist für den Lagerbestand, der in einem späteren Zeitraum auftritt, wenn wir noch Zeit haben, um eine späte Nachbestellung durchzuführen, die Lagerbestandsstrafe noch nicht aufgetreten. Wir haben immer noch die Möglichkeit dazu, und deshalb setzen wir die Lagerbestandsstrafe auf null, weil wir davon ausgehen, dass es hoffentlich eine weitere Nachbestellung geben wird, die verhindert, dass der Lagerbestand ausgeht.

Der Zeitabschlag Alpha ist sehr nützlich, weil er im Wesentlichen die Notwendigkeit beseitigt, einen bestimmten Zeitrahmen anzugeben. Die Lagerbelohnungsfunktion funktioniert nicht mit einem endlichen Zeitrahmen; man geht bis ins Unendliche. Dank Alpha, das einen Wert hat, der streng kleiner als eins ist, werden die wirtschaftlichen Ergebnisse, die mit Ereignissen in der sehr fernen Zukunft verbunden sind, vernachlässigbar klein, so dass sie unbedeutend werden. Wir haben keine Art von Abschneidung, die immer willkürlich ist, wie zum Beispiel die Begrenzung des Lieferkettenhorizonts auf 60 Tage, 90 Tage, ein Jahr oder zwei Jahre.

In Envision nimmt die Lagerbelohnungsfunktion eine Zufallsvariable als Eingabe und liefert eine Zedfunc zurück. Die Lagerbelohnungsfunktion ist ein kleiner Baustein, der eine probabilistische Prognose (eine Zufallsvariable) in eine Zedfunc umwandelt, die ein Container für die geschätzten wirtschaftlichen Erträge einer Reihe von Optionen ist. Wie der Name schon sagt, ist die Lagerbelohnungsfunktion die wirtschaftliche Rendite, die mit jeder einzelnen Lagerposition verbunden ist: Was passiert, wenn ich keinen Lagerbestand habe, einen Lagerbestand von einer Einheit, zwei Einheiten, drei Einheiten usw. Die Zedfunc spiegelt die wirtschaftlichen Ergebnisse für jeden Lagerbestand wider und codiert die wirtschaftliche Rendite, die mit dem entsprechenden Lagerbestand verbunden ist.

Der Prozess zur Berechnung dieser Zedfuncs wird auf dem Bildschirm dargestellt. In Zeile 1 führen wir eine simuliert Nachfrage für einen einzigen Tag ein, die nur eine zufällige Poisson-Verteilung ist. In den Zeilen 2 bis 7 führen wir die wirtschaftlichen Variablen ein, und übrigens haben wir zwei Alphas. Es gibt noch einen Haken: Wir haben einen Ratschlag-Effekt auf den Lagerbestand. Sobald der Bestand zum Geschäft gebracht wurde, ist es in der Regel sehr teuer, den Bestand zurückzubringen. Dies spiegelt wider, dass jede Zuweisung, die einem Geschäft gemacht wird, ziemlich endgültig ist. In Bezug auf die Lagerkosten sollte das Alpha nicht zu klein sein, weil wir diese Lagerkosten wirklich tragen werden, wenn wir zu viel auf Lager haben. Wir können diese Entscheidung nicht rückgängig machen. Wenn es jedoch um das Alpha geht, das mit der Marge zusammenhängt, ist die Realität die, dass wir genauso wie wir andere Möglichkeiten haben, zukünftige Lagerbestände anzugehen, auch andere Möglichkeiten haben, mehr Lagerbestände zu bringen und die gleiche Marge mit Lagerbeständen zu erzielen, die zu einem späteren Zeitpunkt bereitgestellt werden. Daher müssen wir viel aggressiver diskontieren, was auf der Margenseite im Vergleich zu dem geschieht, was auf der Lagerkostenseite passiert.

In den Zeilen 9 bis 11 führen wir die Lagerbelohnungsfunktion selbst ein. Diese Funktion, die Lagerbelohnungsfunktion, die ich in der vorherigen Folie vorgestellt habe, kann linear in ihre drei Komponenten zerlegt werden, die jeweils die Marge, die Lagerkosten und die Strafe für Lagerausfälle separat behandeln. Tatsächlich haben wir eine lineare Trennung, und in Envision werden diese drei Komponenten separat berechnet. Wir können die Zedfunc mit dem Faktor M multiplizieren, der die Bruttomarge wäre.

In den Zeilen 13 bis 15 wird die endgültige Belohnung durch Hinzufügen der drei wirtschaftlichen Komponenten wieder zusammengesetzt. In diesem Skript nutzen wir die Tatsache aus, dass wir einen Vektorraum von Zedfuncs haben. Diese Zedfuncs sind keine Zahlen; es sind Funktionen. Aber wir können sie addieren, und das Ergebnis der Addition ist eine andere Funktion, die auch eine Zedfunc ist. Die Variable Belohnung ist das Ergebnis des Hinzufügens dieser drei Komponenten. Unter der Haube wird die Berechnung der Lagerbelohnungsfunktion durch eine Fixed-Point-Analyse durchgeführt, die für jede Komponente in konstanter Zeit durchgeführt werden kann. Diese Berechnung in konstanter Zeit mag wie eine kleine technische Einzelheit erscheinen, aber wenn Sie es mit einem großen Einzelhandelsnetzwerk zu tun haben, macht es den Unterschied zwischen einem ausgefallenen Prototypen und einer tatsächlichen produktionsreifen Lösung aus.

Jetzt haben wir alle Zutaten zusammengefasst, die benötigt werden, um das Lagerzuweisungsproblem anzugehen. Wir haben probabilistische Prognosen, die als Zufallsvariablen ausgedrückt werden, eine Technik, um diese Zufallsvariablen in eine Funktion umzuwandeln, die wirtschaftliche Erträge für jeden Lagerbestandswert liefert, und diese wirtschaftlichen Ergebnisse können bequem als Zedfuncs dargestellt werden. Um das Lagerzuweisungsproblem endgültig anzugehen, müssen wir die Schlüsselfrage beantworten: Wenn wir nur eine einzige Einheit Lager bewegen können, welche bewegen wir und warum? Alle Geschäfte im Netzwerk konkurrieren um dasselbe Lager im Vertriebszentrum, und die Qualität der Entscheidung, eine Einheit Lager vom Vertriebszentrum zu einem bestimmten Geschäft zu bewegen, hängt vom Gesamtzustand des Netzwerks ab. Sie können nicht beurteilen, ob diese Entscheidung gut ist, indem Sie sich nur ein Geschäft ansehen.

Zum Beispiel nehmen wir an, wir haben ein Geschäft mit bereits zwei Einheiten Lagerbestand, und wenn wir eine dritte Einheit hinzufügen, erhöhen wir den erwarteten Servicestandard von 80% auf 90%. Das ist gut, und vielleicht würden mehr im Netzwerk der Idee zustimmen, eine zusätzliche Einheit zu bringen, damit der Servicestandard von 80 auf 90 steigen kann. Das scheint sehr vernünftig zu sein, also würden sie sagen, dass dies eine gute Entscheidung ist. Was ist jedoch, wenn diese Einheit, die wir gerade bewegen wollen, diese dritte Einheit, tatsächlich die letzte im Vertriebszentrum ist? Wir haben ein anderes Geschäft im Netzwerk, das bereits einen Lagerausfall hat, und wenn wir diese Einheit in das Geschäft bewegen, in dem sie zur dritten Einheit wird, verlängern wir den Lagerausfall für das Geschäft, das bereits für dasselbe Produkt keinen Lagerbestand mehr hat. In dieser Situation ist es fast sicher, dass es eine bessere Entscheidung ist, die Einheit in das Geschäft zu bewegen, das bereits keinen Lagerbestand mehr hat, und dies sollte eine höhere Priorität haben.

Deshalb macht es keinen Sinn, die Lagerbestände auf SKU-Ebene wirtschaftlich zu bewerten. Das Problem bei lokalen Optimierungen ist, dass sie nicht funktionieren, wenn man in größeren Systemen arbeitet. In Lieferketten löst man Probleme nicht, indem man sie lokal angeht; man verschiebt sie nur. Die Angemessenheit eines Lagerbestands eines SKUs hängt vom Zustand des Netzwerks ab. Dieses einfache Beispiel verdeutlicht, warum Sicherheitsbestandsberechnungen oder Nachbestellpunkt-Berechnungen größtenteils Unsinn sind, zumindest für reale Situationen im Vergleich zu Spielbeispielen, die in Lieferketten-Lehrbüchern zu finden sind.

Hier möchten wir wirklich alle Lagerzuweisungen gegeneinander priorisieren, und die Option, die sich als beste herausstellt, ist die Antwort auf unsere Frage: Dies wird die eine Einheit sein, die bewegt werden sollte, wenn wir nur eine Einheit bewegen können.

Die Rangfolge der Lagerzuweisungsoptionen ist mit den richtigen Werkzeugen relativ einfach. Schauen wir uns dieses Envision-Skript an. In Zeile 1 erstellen wir drei SKUs mit den Namen A, B und C. In Zeile 2 generieren wir zufällige Einkaufspreise zwischen 1 und 10 als Beispiel-Daten. In Zeile 3 generieren wir Mock-Zedfuncs, die den Ertrag repräsentieren sollen, den wir für jedes dieser SKUs haben. In der Praxis sollte ein Zedfunc mit der Lagerbelohnungsfunktion berechnet werden, aber um den Code kurz zu halten, verwenden wir hier Mock-Daten. Die Belohnung ist eine abnehmende lineare Funktion, die bei einem Lagerbestand von 6 Null erreicht. In Zeile 4 erstellen wir eine Tabelle G, eine Abkürzung für das Raster, das unseren Lagerbestand darstellt. Wir nehmen an, dass Lagerbestände über 10 nicht bewertet werden müssen. Diese Annahme ist vernünftig, wenn man bedenkt, dass wir in Bezug auf die Mock-Daten eine Belohnungsfunktion haben, die jenseits eines Lagerbestands von 6 negativ wird. In Zeile 6 extrahieren wir die Grenzbelohnung für eine beliebige Einheit im Lager, damit wir diese Rastertabelle haben. Wir verwenden den Zedfunc, eine Funktion, die Belohnungen repräsentiert, um den Wert für die Lagerposition G.N zu extrahieren. Es ist erwähnenswert, dass es ab Zeile 6 keine Rolle spielt, wie die Daten ursprünglich generiert wurden. Von Zeile 1 bis 4 handelt es sich nur um Mock-Daten, die nicht in einer Produktionsumgebung verwendet würden, aber ab Zeile 6 wäre es im Wesentlichen dasselbe, wenn Sie in der Produktion wären.

In Zeile 7 definieren wir den Score als Verhältnis zwischen den Dollar-Renditen (die uns der Zedfunc mitteilt) und dem investierten Dollar, der der Einkaufspreis ist. Wir machen ein Verhältnis zwischen der Menge an Dollar, die Sie zurückbekommen, geteilt durch die Menge an Dollar, die Sie für eine Einheit bezahlen müssen. Im Wesentlichen wird der höchste Score für die Lagerzuweisung erzielt, die die höchste Rendite pro zugeteiltem Dollar für dieses Geschäft generiert.

Schließlich zeigen wir in den Zeilen 9 bis 15 eine nach abnehmenden Scores sortierte Tabelle an. Es ist wichtig zu betonen, dass es im Skript keine ausgeklügelte Logik gibt. Die ersten vier Zeilen sind nur die Generierung von Mock-Daten, und die letzten sechs Zeilen sind nur die Anzeige der priorisierten Zuweisung. Sobald die Zedfuncs vorhanden sind und wir eine Funktion haben, die wirtschaftliche Erträge pro Lagerbestand repräsentiert, ist es völlig unkompliziert, diese Zedfuncs in eine priorisierte Liste umzuwandeln.

Auf dem Bildschirm zeigt die Tabelle, die durch das vorherige Envision-Skript erstellt wurde, dass das SKU mit dem Namen C an erster Stelle steht. Alle SKUs haben die gleichen wirtschaftlichen Erträge für ihre erste Einheit, nämlich 5 Dollar Rendite. C hat jedoch den niedrigsten Einkaufspreis von 3,99 Dollar und wenn wir die Belohnung von 5 Dollar durch 3,99 Dollar teilen, erhalten wir einen Score von ungefähr 1,25, was der höchste Score in der Tabelle ist. Die zweite Einheit von C hat einen Score von ungefähr 1, was der zweithöchste Score ist.

Für die dritte Position in der Tabelle haben wir ein weiteres SKU mit dem Namen B. B hat einen höheren Einkaufspreis und daher beträgt sein Score für die erste Einheit nur 0,96. Aufgrund der abnehmenden Erträge, die wir durch die Zuweisung der ersten beiden Einheiten an SKU C erhalten, hat die erste Einheit von B einen höheren Score als die dritte Einheit von C und wird daher über der dritten Einheit von C eingestuft. Diese Prioritätsliste geht sehr tief, ist jedoch dazu gedacht, mit einer Schwelle abgeschnitten zu werden. Wir können zum Beispiel festlegen, dass es eine minimale Rendite für Investitionen gibt und nur die Einheiten über dieser Rendite für Investitionen zugewiesen werden. Sobald die Schwelle definiert ist, können wir alle Zeilen über dem Schwellenwert nehmen und die Anzahl der Zeilen pro SKU zählen. Dies gibt uns die Gesamtanzahl der Einheiten, die für jedes einzelne SKU zugewiesen werden sollen. Wir werden dieses Schwellenwertproblem in einer Minute erneut betrachten, aber die Idee ist, dass Sie, sobald Sie einen Schwellenwert haben, die Anzahl pro SKU aggregieren und dies Ihnen die Gesamtmenge gibt, die für jedes einzelne SKU zugewiesen werden soll. Dies ist genau das, was Ihr WMS oder ERP, das im Vertriebszentrum vorhanden ist, erwarten würde, um den Versand des nächsten Tages an die Geschäfte zu organisieren.

Die Prioritätsliste ist nur eine konzeptionelle Ansicht, um tatsächlich zu entscheiden, was Vorrang hat. Sie nehmen jedoch einen Schwellenwert, aggregieren und sind dann wieder bei Zuweisungsmengen pro SKU für jedes einzelne SKU, das in Ihrem Einzelhandelsnetzwerk vorhanden ist.

Die Ansicht auf der Anzeige der priorisierten Lagerzuweisung ist trügerisch einfach und dennoch leistungsstark. Wenn wir von einer Zeile zur nächsten gehen, sehen wir den Wettbewerb zwischen unseren Zuweisungsoptionen entfalten. Die besten SKUs werden zuerst zugewiesen, aber sobald wir höhere Lagerbestände erreichen, werden diese SKUs im Vergleich zu anderen SKUs, die nicht so viel Lagerbestand haben, weniger wettbewerbsfähig. Die Prioritätsliste wechselt von einem SKU zum nächsten und maximiert die erwarteten Erträge für das Kapital, das den Geschäften zugewiesen wird.

Auf diesem Bildschirm haben wir eine Variante der vorherigen Tabelle, die mit einem anderen Envision-Skript erstellt wurde, das eine minimale Variante des vor zwei Folien eingeführten Skripts ist. Im Wesentlichen zerlege ich die wirtschaftlichen Faktoren, die zur Belohnung beitragen. Hier haben wir drei zusätzliche Spalten: Marge, Lagerkosten und Lieferausfall. Die Marge ist die erwartete durchschnittliche Bruttomarge für diese eine zugewiesene Einheit. Die Lagerkosten sind die erwarteten durchschnittlichen Kosten für die Einlagerung dieser einen Einheit im Geschäft. Der Lieferausfall ist die erwartete Strafe, die vermieden wird, weshalb die Lieferausfallstrafe hier einen positiven Wert hat. Die endgültige Belohnung ist einfach die Summe dieser drei Komponenten, und all diese Werte werden in monetären Beträgen wie Dollar ausgedrückt. Die Spalte, die Marge-Dollar, Lagerkosten-Dollar und Lieferausfall-Dollar und Belohnungen enthält, ist einfach die Gesamtsumme der Dollar, die Sie erwarten können, indem Sie diese eine Einheit in das Geschäft stellen.

Dies erleichtert das Verständnis und die Fehlerbehebung dieses numerischen Rezepts, das in Dollar ausgedrückt wird, erheblich im Vergleich zu Prozentwerten. Tatsächlich ist jedes nicht-triviale numerische Rezept von Natur aus ziemlich undurchsichtig. Sie benötigen kein Deep Learning, um eine tiefe Undurchsichtigkeit zu erreichen; selbst eine bescheidene lineare Regression wird schnell undurchsichtig, sobald mehrere Faktoren in diese Regression einbezogen werden. Diese Undurchsichtigkeit, die Sie wiederum bei jedem nicht-trivialen numerischen Rezept erhalten, birgt ein reales Risiko für die Lieferkette, da Lieferkettenpraktiker sich in Modellierungstechniken verlieren, verwirrt werden und abgelenkt werden können.

Die priorisierte Liste der Zuweisung, die die wirtschaftlichen Treiber zerlegt, ist ein leistungsstarkes Prüfungswerkzeug. Es ermöglicht den Lieferkettenpraktikern, die Grundlagen direkt in Frage zu stellen, anstatt sich mit den technischen Details herumzuschlagen. Sie können direkt Fragen stellen wie: Haben wir Lagerkosten, die angesichts der Situation, in der wir uns befinden, sinnvoll sind? Sind diese Kosten mit den Risiken, die wir eingehen, in Einklang gebracht? Sie können die Prognose, die Saisonalität und die Art und Weise, wie Sie die Saisonalität modellieren, die Art und Weise, wie Sie den abnehmenden Trend faktorisieren, und so weiter vergessen. Sie können das endgültige Ergebnis direkt in Frage stellen, nämlich die Dollarbeträge für diese Lagerkosten. Sind sie realistisch? Machen sie Sinn? Sehr oft können Sie Zahlen erkennen, die unsinnig sind, und sie direkt korrigieren.

Offensichtlich möchten Sie solche Situationen vermeiden, aber gehen Sie nicht davon aus, dass in der Lieferkette alle Probleme unglaublich subtile Prognoseprobleme sind. Die meiste Zeit sind die Probleme brutal. Es kann irgendeine Art von Problem geben, wie z.B. Daten, die nicht korrekt verarbeitet werden, und dann erhalten Sie Zahlen, die völlig unsinnig sind, wie negative Margen oder negative Lagerkosten, die Ihre Lieferkette durcheinanderbringen.

Wenn Ihre Lieferketteninstrumentierung sich ausschließlich auf die Genauigkeit der Nachfrageprognose konzentriert, sind Sie blind für 90% (oder mehr) der tatsächlichen Probleme. In einer groß angelegten Lieferkette würde diese Schätzung wahrscheinlich bei etwa 99% liegen. Die Lieferketteninstrumentierung ist absolut entscheidend, um die Schlüsselfaktoren hervorzuheben, die zu den Entscheidungen beitragen, und diese Faktoren müssen wirtschaftlicher Natur sein, wenn Sie hoffen, sich auf das zu konzentrieren, was Ihr Unternehmen profitabel macht. Andernfalls können Sie Ihre eigenen Maßnahmen nicht priorisieren und Sie werden Fehler willkürlich beheben. Wir sprechen von einer groß angelegten Lieferkette, daher gibt es immer eine Vielzahl von numerischen Fehlern. Wenn Sie all diese Fehler gleichgültig behandeln, bedeutet das, dass Sie immer an Dingen arbeiten, die weitgehend unwesentlich sind. Deshalb müssen Sie Renditen und Kosten in Dollar haben. So können Sie tatsächlich Ihre Arbeit und Ihre Entwicklungsanstrengungen für Ihre numerischen Rezepte priorisieren. Manchmal müssen Sie nicht einmal entscheiden, ob ein Fehler behoben werden soll; wenn es um ein paar Dollar pro Jahr an Reibung geht, ist es in der Praxis nicht einmal ein Fehler, der es wert ist, behoben zu werden.

Nun zurück zur Frage der Auswahl des richtigen Schwellenwerts für die Zuweisungsliste. Wir haben gesehen, dass wir beim Zuweisen von mehr Lagerbestand an die Geschäftseinheiten etwa abnehmende Erträge haben. Wir müssen uns jedoch die gesamte Lieferkette ansehen, nicht nur das Lagerhaus oder das Vertriebszentrum. Ich verwende die beiden Begriffe hier synonym. Das Lagerhaus oder Vertriebszentrum wird von Fixkosten dominiert. Es ist zwar möglich, das Personal mit Zeitarbeitern aufzustocken, aber dies kostet in der Regel mehr und bringt andere Probleme mit sich, wie z.B. dass die Zeitarbeitskräfte in der Regel weniger qualifiziert sind als die fest angestellten Mitarbeiter.

Jedes Lagerhaus oder jedes Vertriebszentrum hat daher eine Zielkapazität, bei der es wirtschaftlich effizient arbeitet. Die Zielkapazität kann erhöht oder verringert werden, aber in der Regel geht dies mit einer Anpassung der Größe des festen Personals einher, sodass es ein relativ langsamer Prozess ist. Sie können erwarten, dass ein Lagerhaus seine Zielkapazität von einem Quartal auf das andere anpasst, aber Sie können nicht erwarten, dass das Lagerhaus seine nominale Kapazität, bei der es eine Spitzenleistung erbringt, von einem Tag auf den anderen anpasst. Es ist nicht so dynamisch.

Wir möchten das Lagerhaus immer so effizient wie möglich betreiben, es sei denn, es gibt einen wirtschaftlichen Anreiz, der stark genug ist, um etwas anderes zu tun. Die Perspektive der priorisierten Lagerzuweisung ebnet den Weg, genau das zu tun. Wir können die Liste kürzen, indem wir sie etwas verkürzen oder verlängern und den Schwellenwert so anpassen, dass er mit der Zielkapazität des Lagerhauses übereinstimmt. In der Praxis bringt dies drei wesentliche Vorteile mit sich.

Erstens wird der Fluss des Lagerhauses geglättet. Dadurch können Sie das Lagerhaus die meiste Zeit mit maximaler Kapazität betreiben und so viele Betriebskosten sparen. Zweitens wird Ihr Bestandszuweisungsprozess viel widerstandsfähiger gegenüber all den kleinen Unfällen, die in einer realen Lieferkette immer wieder passieren. Ein LKW kann in einen kleinen Verkehrsunfall verwickelt sein, einige Mitarbeiter erscheinen möglicherweise nicht, weil sie krank sind - es gibt viele kleine Gründe, die Ihre Pläne durcheinander bringen werden. Es wird das Betreiben Ihres Lagerhauses nicht verhindern, aber es könnte sein, dass es nicht genau mit der Kapazität betrieben wird, die Sie erwartet haben. Mit dieser Priorisierungsliste können Sie das Beste aus der Kapazität machen, die Ihr Lagerhaus gerade nutzt, auch wenn es nicht genau die Kapazität ist, die Sie ursprünglich geplant hatten.

Der dritte Vorteil besteht darin, dass Ihr Supply-Chain-Team mit diesem Ansatz einer priorisierten Bestandszuweisungsliste die Personalstufen im Lagerhaus nicht mehr mikromanagen muss. Sie müssen nur die Zielkapazität Ihres Lagerhauses anpassen, damit sie in etwa der Verkaufsgeschwindigkeit Ihres Einzelhandelsnetzwerks entspricht. Das Mikromanagement der Kapazität auf täglicher Ebene wird weitgehend bedeutungslos.

Die Erfahrung von Lokad zeigt, dass das Glätten des Lagerhausflusses durch einen flachen Kapazitätsschwellenwert in den meisten Einzelhandelssituationen gut funktioniert. Auf dem Bildschirm sehen Sie die typische wirtschaftliche Renditekurve, die Sie beobachten würden, wenn Sie alle möglichen Schwellenwerte in Betracht ziehen. Auf der X-Achse haben wir die Anzahl der Einheiten, die aus dem Lagerhaus versendet werden. Wir nehmen konzeptionell an, dass die Einheiten einzeln versendet werden, damit wir den marginalen Beitrag jeder einzelnen Einheit beobachten können. Natürlich werden Einheiten in der Produktion nicht einzeln, sondern in Chargen versendet, aber dies dient nur dazu, die Kurve tatsächlich darstellen zu können. Auf der Y-Achse haben wir die marginalen wirtschaftlichen Ergebnisse auf Geschäftsebene, also für die n-te Einheit, die an ein Geschäft, jedes Geschäft im Netzwerk, versendet wird. Die ersten zugewiesenen Einheiten generieren den Großteil der Erträge. In der Praxis bestehen die ersten Einheiten unweigerlich aus Lagerbestandssituationen, die sofortige Lösungen erfordern. Deshalb werden die ersten Einheiten zur Behebung von Lagerbestandssituationen eingesetzt, und deshalb sind die wirtschaftlichen Erträge sehr hoch. Danach nehmen die Erträge ab, und wir gelangen in einen flachen Teil der Kurve.

Dieser Bereich ist das, was ich als Bereich mit geringer wirtschaftlicher Sensibilität bezeichne. Im Wesentlichen bringen wir das Serviceniveau allmählich näher an 100%, erzeugen jedoch noch nicht viel Tote Lagerbestände. Wenn Sie diese Art der priorisierten Zuweisung durchführen, wenn wir Lagerbestand über die Behebung von Lagerbestandsproblemen hinaus schieben, häufen wir Lagerbestand bei den schnellen Bewegern an. Wir schaffen Lagerbestand an Orten, die derzeit nicht unbedingt benötigt werden. Wir werden in Zukunft Möglichkeiten haben, den Lagerbestand ohne Probleme mit Lagerbestand wieder aufzufüllen, aber der Einfluss ist minimal, da der Lagerbestand relativ schnell verkauft wird. Im Wesentlichen geht es hier nur um den Opportunitätskosten, den Lagerbestand vom Vertriebszentrum in ein Geschäft zu verlagern. Wir verlieren allmählich zukünftige Optionen, wenn wir mehr Lagerbestand zuweisen.

Dieser Bereich ist relativ flach und wird ziemlich negativ, wenn wir so viel Lagerbestand schieben, dass wir Situationen erzeugen, die mit einer nicht unerheblichen Wahrscheinlichkeit zu Inventurabschreibungen führen werden. Wenn Sie weiterhin drängen, erzeugen Sie immer mehr übermäßige Lagerbestandssituationen, und daher wird die Kurve sehr negativ. Wenn Sie zu viel schieben, werden Sie in Zukunft tonnenweise Inventurabschreibungen erzeugen. Solange der Cut-off in diesem Bereich mit geringer Sensibilität liegt, sind wir gut, und der Cut-off ist nicht super empfindlich, wo Sie schneiden. Das ist der Grund, warum die Lagerkapazität das tägliche Verkaufsvolumen nicht direkt nachahmen muss.

Tatsächlich haben Sie in den meisten Einzelhandelsnetzwerken ein sehr starkes zyklisches Muster am Wochentag, das Sie in Ihren Verkäufen beobachten, wobei bestimmte Tage, zum Beispiel Samstag, der Tag sind, an dem Sie am meisten verkaufen. Aber das Lager muss dieses zyklische Muster am Wochentag nicht genau nachahmen. Sie können einen sehr flachen Durchschnitt halten, und die Idee ist, dass Ihre Zielkapazität grob Ihrem Gesamtverkaufsvolumen für Ihr Filialnetzwerk entsprechen sollte. Wenn Ihre Zielkapazität immer etwas unter Ihrem Gesamtverkaufsvolumen im Netzwerk liegt, wird folgendes passieren: Sie werden zuerst all Ihre Geschäfte nach und nach leeren und dann ein großes Problem haben. Wenn Sie jedoch jeden Tag ein wenig mehr drücken, als Sie tatsächlich verkaufen, werden Sie sehr schnell Ihre Geschäfte komplett sättigen.

Solange Sie es relativ ausgewogen halten, müssen Sie das zyklische Muster am Wochentag nicht mikromanagen; es funktioniert gut. Der Grund, warum Sie das zyklische Muster am Wochentag nicht mikromanagen müssen, besteht darin, dass die ersten Einheiten den Großteil der Erträge liefern und das System aus wirtschaftlicher Sicht nicht so empfindlich ist, solange der Cut-off ungefähr in diesem flachen Segment bleibt.

Nun habe ich die Lagerbelohnungsfunktion der Klarheit und Kürze halber vorgestellt, da wir in diesem Vortrag bereits viel zu behandeln hatten. Die Lagerbelohnungsfunktion ist jedoch nicht der Höhepunkt der Supply Chain Science. Sie ist etwas naiv, wenn es um die Feinheiten der probabilistischen Prognosen geht.

Einer von uns bei Lokad hat im Jahr 2021 die Aktionsbelohnungsfunktion veröffentlicht. Die Aktionsbelohnungsfunktion ist der spirituelle Nachkomme, wenn Sie so wollen, der Lagerbelohnungsfunktion, aber diese Funktion bietet eine viel differenziertere Perspektive auf die probabilistischen Prognosen selbst. Tatsächlich sind nicht alle probabilistischen Prognosen gleich. Saisonalität, unterschiedliche Vorlaufzeiten und Ankunftszeiten für die Verteilungszentren werden alle in der Aktionsbelohnungsfunktion berücksichtigt, während sie bei der Lagerbelohnungsfunktion nicht berücksichtigt wurden.

Übrigens erfordern diese Funktionen auch eine granularere Prognose, sodass Sie überlegene Prognosetechnologie benötigen, die all diese probabilistischen Prognosen generieren kann, um die Lagerbelohnungsfunktion nutzen zu können. In dieser Hinsicht ist die Lagerbelohnungsfunktion weniger anspruchsvoll. Auf konzeptioneller Ebene bietet die Aktionsbelohnungsfunktion auch eine saubere Entkopplung der Bestellhäufigkeit (wie häufig Sie bestellen) von der Lieferzeit (wie lange es dauert, den Lagerbestand aufzufüllen, sobald die Entscheidung getroffen wurde). Diese beiden Elemente waren in der Lagerbelohnungsfunktion zusammengefasst. Mit der Aktionsbelohnung sind sie klar voneinander getrennt.

Schließlich bietet die Aktionsbelohnungsfunktion auch eine Perspektive der Entscheidungseigentümerschaft, was ein einfacher, aber ziemlich cleverer Trick ist, um die meisten Vorteile zu ernten, die mit einer echten Richtlinie verbunden wären, ohne eine Richtlinie einführen zu müssen. Wir werden in späteren Vorträgen darüber diskutieren, was Richtlinien aus technischer Sicht wirklich bedeuten, aber die Quintessenz ist, dass es komplizierter wird, sobald Sie Richtlinien einführen. Es ist interessant, aber definitiv komplizierter. Hier hat die Aktionsbelohnung einen cleveren Trick, bei dem Sie buchstäblich die Notwendigkeit einer Richtlinie umgehen können und dennoch die meisten wirtschaftlichen Vorteile ernten können, die damit verbunden wären.

Sowohl die Lagerbelohnungsfunktion als auch ihre überlegene Alternative, die Aktionsbelohnungsfunktion, werden seit Jahren bei Lokad in der Produktion eingesetzt. Diese Funktionen vereinfachen im Wesentlichen ganze Klassen von Problemen, die Einzelhandelsnetzwerke sonst plagen würden. Zum Beispiel wird es durch die wirtschaftlichen Erträge, die mit jeder Lagerbestandseinheit verbunden sind, die bereits in einem Geschäft vorhanden ist, trivial, den toten Bestand zu bewerten. Es gibt jedoch viele Aspekte, die ich heute nicht angesprochen habe. Diese Aspekte werde ich in späteren Vorträgen behandeln.

Einige dieser Aspekte können tatsächlich mit relativ geringfügigen Variationen dessen, was ich heute vorgestellt habe, behandelt werden. Das ist zum Beispiel bei Losmultiplikatoren und Bestandsausgleich der Fall. Sie müssen nur sehr wenige Änderungen an den Skripten vornehmen, die ich heute gezeigt habe, um diese Probleme angehen zu können. Wenn ich von Bestandsausgleich spreche, meine ich den Ausgleich des Bestands zwischen den Geschäften des Netzwerks, entweder durch Rückführung des Bestands zum DC oder durch direkte Verschiebung des Bestands zwischen den Geschäften unter Berücksichtigung spezifischer Transportkosten.

Dann gibt es einige Aspekte, die mehr Arbeit erfordern, aber dennoch relativ einfach sind. Zum Beispiel die Berücksichtigung von Opportunitätskosten, flachen Transportkosten und Überlastung der Warenannahme im Geschäft, die auftritt, wenn das Personal eines Geschäfts nicht in der Lage ist, alle erhaltenen Einheiten zu verarbeiten. Sie haben an einem bestimmten Tag nicht genug Zeit, um sie in die Regale zu stellen, und es entsteht ein großes Durcheinander im Geschäft. Diese Aspekte sind möglich, erfordern jedoch definitiv zusätzliche Arbeit im Vergleich zu dem, was ich heute vorgestellt habe.

Es gibt andere Aspekte wie Merchandising oder die Verbesserung der allgemeinen Attraktivität des Geschäfts, die Teil der Priorisierung sein sollten. Diese erfordern einen überlegenen technologischen Ansatz, da geringfügige Variationen dessen, was ich heute vorgestellt habe, einfach nicht ausreichen. Wie üblich rate ich zu einer gesunden Portion Skepsis, wenn ein Experte behauptet, eine optimale Methode zu haben. Im Supply Chain gibt es keine optimalen Methoden; wir haben Werkzeuge, von denen einige besser sind, aber keines davon kommt auch nur annähernd an etwas heran, was als optimal qualifizieren würde.

Zusammenfassend sind Prozentsätze des Fehlers irrelevant; nur Dollar des Fehlers zählen. Diese Dollar werden durch das beeinflusst, was Ihre Supply Chain auf physischer Ebene tut. Die meisten KPIs sind bestenfalls belanglos; sie sind Teil des Supply-Chain-Prozesses, um die numerischen Rezepte, die Supply-Chain-Entscheidungen steuern, kontinuierlich zu verbessern. Selbst wenn man solche KPIs berücksichtigt, die dazu dienen, die numerischen Rezepte zu verbessern, sprechen wir von relativ indirekten Ergebnissen im Vergleich zur direkten Verbesserung des numerischen Rezepts, das die Entscheidung steuert und sofort bessere Ergebnisse für Ihre Supply Chain generiert.

Excel-Tabellen sind in der Supply Chain allgegenwärtig, und ich glaube, das liegt daran, dass die Mainstream-Supply-Chain-Theorie es versäumt hat, Entscheidungen als Bürger erster Klasse zu fördern. Als Ergebnis verschwenden Unternehmen Zeit, Geld und Fokus auf Bürger zweiter Klasse, nämlich Artefakte. Aber am Ende des Tages müssen Entscheidungen getroffen werden: Bestände müssen zugewiesen werden, und Sie müssen den Preis, Ihren Verkaufspunkt und den Angriffspreis wählen. Ohne angemessene Unterstützung greifen Supply-Chain-Praktiker auf das eine Werkzeug zurück, das es ihnen ermöglicht, Entscheidungen als Bürger erster Klasse zu behandeln, und dieses Werkzeug ist Excel.

Supply-Chain-Entscheidungen können jedoch als Bürger erster Klasse behandelt werden, und das ist genau das, was wir heute getan haben. Die Werkzeuge sind nicht einmal so komplex, zumindest wenn man die Umgebungs-Komplexität der typischen Anwendungslandschaft einer modernen Supply Chain berücksichtigt. Darüber hinaus ermöglichen angemessene Werkzeuge Funktionen wie das Glätten des Flusses von Inventar von den Vertriebszentren zum Geschäft mit minimalem Aufwand. Diese Funktionen sind mit den richtigen Werkzeugen einfach zu erreichen, veranschaulichen aber auch die Art von Leistungen, die von Excel-Tabellen niemals erwartet werden können, zumindest nicht mit einer produktionsfähigen Einrichtung.

Ich denke, das war es für heute. Die nächste Vorlesung findet am Mittwoch, dem 6. Juli, zur gleichen Tageszeit um 15 Uhr Pariser Zeit statt. Ich werde mit dem siebten Kapitel fortfahren, um die taktische Umsetzung einer quantitativen Supply-Initiative zu besprechen. Übrigens werde ich in späteren Vorlesungen auch auf Kapitel 5 eingehen, in dem probabilistische Prognosen diskutiert werden, und auf Kapitel 6, in dem Entscheidungstechniken erörtert werden. Mein Ziel ist es, eine umfassende, grundlegende Perspektive auf alle Elemente zu haben, bevor ich mich tiefer mit einem bestimmten Thema befasse.

An diesem Punkt werde ich mir tatsächlich die Fragen ansehen.

Frage: Die Zedfunktion könnte unendlich viele Möglichkeiten haben. Wären in diesem Fall nicht alle Lösungen kurzfristig?

Die Zedfunktion ist buchstäblich ein Datencontainer für eine Sequenz von Optionen, sodass die Art des anwendbaren Horizonts in den Alpha-Werten, den Zeitdiskontwerten, die ich in meinen Skripten verwendet habe, eingebettet ist. Grundsätzlich ist der Zielzeitraum, den Sie in das wirtschaftliche Ergebnis einer Zedfunktion eingebettet haben, nicht wirklich in den Zedfunktionen selbst enthalten; sie befinden sich eher in den wirtschaftlichen Berechnungen, die sie füllen. Vergessen Sie nicht, dass die Zedfunktionen nur Datencontainer sind. Das ist es, was sie kurz- oder langfristig macht, und natürlich möchten Sie Ihre numerischen Rezepte so anpassen, dass sie Ihre Prioritäten widerspiegeln. Wenn Ihr Unternehmen beispielsweise aufgrund von Liquiditätsproblemen unter enormem Stress steht, haben Sie wahrscheinlich eine viel kurzfristigere Perspektive darauf, Geld einzunehmen, indem Sie im Grunde genommen Ihren Bestand liquidieren. Wenn Sie sehr reich an Bargeld sind, ziehen Sie es vielleicht vor, den Verkauf auf einen späteren Zeitpunkt zu verschieben, um zu einem besseren Preis zu verkaufen und eine bessere Bruttomarge zu erzielen. Nochmals, all das ist mit Zedfunktionen möglich. Zedfunktionen sind nur Container; sie setzen nicht zwangsläufig eine Art numerisches Rezept für die wirtschaftlichen Ergebnisse voraus, die Sie in die Zedfunktionen einfügen möchten.

Frage: Ich denke, dass die meisten Annahmen auf vorhandenen realen Werten der Zielgrößen basieren müssen, oder?

Was ist real? Das ist das Wesen des Problems, das ich in der Vorlesung über experimentelle Optimierung diskutiert habe. Das Problem ist, dass das, was Sie als Werte oder Messungen oder so bezeichnen, mathematische Konstrukte, numerische Konstrukte sind. Es ist nicht, weil es numerisch ist, dass es korrekt ist. Die Art und Weise, wie ich eine Supply Chain angehe, ist als experimentelle Wissenschaft; Sie müssen sich mit der realen Welt verbinden. Das ist die Art und Weise, wie Sie entscheiden, ob es real ist oder nicht. Die Frage ist, und ich stimme vollkommen zu, dass Annahmen nicht auf vorab vorhandenen realen Werten basieren müssen, weil es keine solchen vorab vorhandenen realen Werte gibt. Sie müssen überprüft werden; diese Annahmen müssen überprüft und gegen die realen Beobachtungen, die Sie in Ihrer Supply Chain machen können, herausgefordert werden. Die Richtigkeit Ihrer Annahmen kann nur durch den Kontakt mit der Realität Ihrer Supply Chain beurteilt werden.

Hier wird diese experimentelle Optimierungsperspektive knifflig, weil die mathematische Optimierungsperspektive einfach davon ausgeht, dass alle Variablen bekannt sind, alle Variablen real sind, alle Variablen beobachtet werden können und dass die Verlustfunktion korrekt sein kann. Aber der Punkt, den ich mache, ist, dass eine Supply Chain ein superkomplexes System ist. Das stimmt nicht. Die meiste Zeit haben Sie ziemlich indirekte Messungen. Wenn ich zum Beispiel den Lagerbestand sage, gehe ich nicht tatsächlich in das Geschäft, um zu überprüfen, ob der Lagerbestand korrekt ist. Was ich habe, ist eine sehr indirekte Messung, einen elektronischen Datensatz, den ich aus einem Unternehmenssoftware-System erhalten habe, das in der Regel vor zwei Jahrzehnten aus Gründen eingerichtet wurde, die nichts mit der Durchführung von Data Science zu tun hatten. Das ist es, was ich sage; das Problem mit der Realität ist, dass eine Supply Chain immer geografisch verteilt ist, sodass alles, was Sie messen, alles, was Sie in Bezug auf Werte sehen, indirekte Messungen sind. In gewisser Weise steht die Realität dieser Messungen immer in Frage. Es gibt keine direkte Beobachtung. Sie können eine direkte Beobachtung durchführen, um eine Kontrolle oder Überprüfung durchzuführen, aber es kann nichts anderes als ein winziger Prozentsatz aller Werte sein, die Sie für Ihre Supply Chain manipulieren müssen.

Frage: Bei den Lagerbelohnungsfunktionen haben wir neben einfachen Parametern wie der Marge auch mit Strafen bei Lagerausfall zu tun. Wie lernen wir am besten, diese komplexen Parameter zu optimieren?

Das ist eine sehr gute Frage. Tatsächlich sind Strafen bei Lagerausfall real; sonst würde sich niemand die Mühe machen, hohe Servicelevels zu haben. Der Grund, warum Sie Servicelevels haben möchten, ist, dass aus wirtschaftlicher Sicht jeder Einzelhändler, den ich kenne, überzeugt ist, dass Strafen bei Lagerausfall real sind. Kunden mögen es nicht, keinen hochwertigen Service zu haben. Aber ich würde nicht sagen, dass sie komplex sind; sie sind kompliziert. Sie sind von Natur aus schwierig, und ein Teil ihrer Schwierigkeit besteht darin, dass es buchstäblich um die langfristige Strategie des Einzelhandelsnetzwerks geht. Bei den meisten meiner Kunden ist die Strafe bei Lagerausfall beispielsweise etwas, über das ich direkt mit dem CEO des Unternehmens spreche. Es geht bis ganz nach oben; hier steht die super langfristige Strategie des Einzelhandelsnetzwerks auf dem Spiel.

Also, es ist nicht so komplex, aber es ist definitiv kompliziert, weil es eine sehr wichtige Diskussion ist. Was wollen wir tun? Wie wollen wir die Kunden behandeln? Wollen wir sagen, dass wir die besten Preise haben und es tut uns leid, wenn die Servicequalität nicht so gut ist, wie Sie es bekommen können, aber was Sie haben, ist etwas Einzigartiges zu sehr niedrigen Preisen? Oder möchten Sie Neuheit haben? Wenn Sie Neuheit haben, bedeutet das, dass ständig neue Produkte hereinkommen, und wenn ständig neue Produkte hereinkommen, bedeutet das, dass die alten Produkte auslaufen, und das bedeutet wiederum, dass Sie Lagerausfälle tolerieren sollten, weil Sie so Neuheit einführen.

Die Strafe bei Lagerausfall ist schwer zu bewerten, weil sie direkt hohe Einsätze in der langfristigen Strategie des Unternehmens hat. In der Praxis ist der beste Weg, sie zu bewerten, Experimente durchzuführen. Sie wählen einen Wert aus, machen eine grobe Schätzung des Werts der Strafe bei Lagerausfall, des Lagerstrafaktors, und dann schauen Sie, welche Art von Beständen Sie in Ihren Geschäften haben. Dann lassen Sie Menschen mit ihren Gefühlen beurteilen, ob es wie der Lagerbestand aussieht, der ihr ideales Geschäft widerspiegeln würde. Ist es das, was sie wirklich für ihre Kunden wollen? Ist es das, was sie wirklich mit ihrem Einzelhandelsnetzwerk erreichen wollen?

Sie sehen, es gibt diese Diskussion hin und her. Typischerweise wird der Supply Chain Scientist eine Reihe von Werten testen, die wirtschaftlichen Ergebnisse präsentieren und auch die mit einem Treiber verbundenen Makrokosten erklären. Sie könnten sagen: “Okay, wir können eine sehr hohe Strafe bei Lagerausfall festlegen, aber Vorsicht, wenn wir das tun, bedeutet das, dass unsere Lagerzuweisungslogik immer Tonnen von Beständen in Richtung der Geschäfte drängen wird.” Denn wenn die Botschaft lautet, dass Lagerausfälle tödlich sind, bedeutet das, dass wir wirklich alles tun sollten, um diese zu verhindern. Im Wesentlichen müssen wir diese Diskussion mit vielen Iterationen führen, damit das Management eine Realitätsprüfung durchführen kann: “Ist meine langfristige Strategie wirtschaftlich tragfähig in Bezug auf das, was mein Einzelhandelsnetzwerk tatsächlich tun kann?” So konvergieren Sie allmählich. Übrigens ist es nichts, was in Stein gemeißelt ist. Unternehmen ändern und passen im Laufe der Zeit ihre Strategie an, sodass der Wert der Strafe bei Lagerausfall, den Sie 2010 festlegen, im Jahr 2022 nicht derselbe sein muss.

Insbesondere zum Beispiel mit dem Aufstieg des E-Commerce. Es gibt viele Einzelhandelsnetzwerke, die einfach sagen: “Nun, ich bin viel toleranter gegenüber Lagerausfällen in meinen Geschäften geworden, insbesondere für spezialisierte Geschäfte.” Denn im Wesentlichen, wenn ein Produkt fehlt, insbesondere eine Variante in Bezug auf die Größe, bestellen die Menschen es einfach online über den E-Commerce. Das Geschäft wird zu einer Art Ausstellungsraum. Die Servicequalität eines Ausstellungsraums unterscheidet sich also sehr von dem, was erwartet wurde, als das Geschäft buchstäblich die einzige Möglichkeit war, die Produkte zu verkaufen.

Frage: Können wir eine zusammengesetzte Lagerbelohnungsfunktion haben, um den Trend innerhalb eines bestimmten Zeitraums korrekt zu verstehen?

Den Trend von was genau verstehen? Wenn es sich um einen Trend der Nachfrage handelt, ist die Lagerbelohnungsfunktion eine Funktion, die eine probabilistische Prognose verbraucht. Was auch immer für einen Trend Sie in der Nachfrage haben, es ist in der Regel ein Faktor der Art und Weise, wie Sie Ihre Nachfrage modellieren. Was die Lagerbelohnungsfunktion betrifft, enthält die probabilistische Prognose bereits all das, ob es einen Trend gibt oder nicht.

Wenn Sie eine andere Frage mit der Art von stationärer Perspektive der Lagerbelohnung haben, haben Sie völlig recht. Die Lagerbelohnungsfunktion hat eine völlig stationäre Perspektive. Sie geht davon aus, dass die Nachfrage sich probabilistisch in jedem Zeitraum genau wiederholt, sodass es keinen Trend oder keine Saisonalität gibt. Es handelt sich um eine rein stationäre Perspektive. In dieser Situation lautet die Antwort nein, die Lagerbelohnungsfunktion kann nicht mit einer nicht-stationären Nachfrage umgehen. Die Aktionsbelohnungsfunktion ist jedoch dazu in der Lage. Das war auch einer der Beweggründe für den Übergang zur Aktionsbelohnungsfunktion, da sie mit nicht-stationärer probabilistischer Nachfrage umgehen kann.

Frage: Wir nehmen an, dass die Lagerkapazität fest ist, aber sie hängt von der Kommissionierung, Verpackung und Versandbemühungen ab. Sollten die Abschneidepunkte nicht durch die Optimierung der Lagerbetriebe definiert werden?

Ja, absolut. Das ist es, was ich gesagt habe, wenn Sie diese Zone mit geringer wirtschaftlicher Sensibilität haben. Ihre Prioritätenliste, die die priorisierte Lagerzuweisung repräsentiert, ist nicht sehr sensibel in Bezug darauf, wo Sie abschneiden, solange es sich innerhalb dieses Segments befindet. Im Durchschnitt sollten Sie wirklich ausgewogen sein, was das Drücken und den Verkauf betrifft, was Sinn macht. Wenn Sie den Abschneidepunkt nach dem Ausführen der Lageroptimierungslogik geringfügig anders anpassen möchten und dabei alle Kommissionier-, Verpackungs- und Versandbemühungen und -variationen berücksichtigen, ist das in Ordnung. Sie können last-minute Variationen haben. Das Schöne an dieser priorisierten Lagerzuweisungsliste ist, dass Sie buchstäblich den genauen Umfang der versandten Einheiten in letzter Minute finalisieren können. Die einzige Operation, die Sie benötigen, ist eine Aggregation, die sehr schnell durchgeführt werden kann und Ihnen mehr Möglichkeiten bietet. Das ist genau das, was ich gesagt habe, als ich erwähnte, dass dieser Ansatz neue Klassen der Supply-Chain-Optimierung eröffnet. Er ermöglicht es Ihnen, in letzter Minute zu entscheiden, Ihre Kommissionier-, Verpackungs- und Versandbemühungen neu zu organisieren, anstatt starr an einen vorbestimmten Versandumschlag gebunden zu sein, der nicht wirklich den genauen Ressourcen entspricht, die Sie haben, und dem Aufwand, der erforderlich ist, um diesen Umschlag auszuführen.

Frage: Das Glätten der Lagerflüsse erfordert einen reibungslosen Produktionsfluss. Berücksichtigt dieses Entscheidungsmodell das?

Ich würde sagen, dass es keinen natürlichen Bedarf an einem geglätteten Produktionsfluss hat. Für viele Einzelhandelsnetzwerke, wie Warenhäuser, bestellen sie bei großen FMCG-Unternehmen, die auf ihrer Seite sehr große Chargen produzieren. Sie müssen den Produktionsfluss nicht glätten, um Vorteile in Bezug auf Betriebskosten aus dem Distributionszentrum zu erzielen. Selbst wenn die Produktion nicht geglättet wurde, haben Sie bereits Vorteile, wenn Sie die Sendungen vom Distributionszentrum zu den Geschäften bewegen.

Sie haben jedoch absolut recht. Wenn Sie eine vertikal integrierte Marke sind, die ihre Produktionsstätten, Distributionszentren und Geschäfte internalisiert hat, besteht ein lebhaftes Interesse daran, eine optimale Lieferkettenweite zu erreichen und den gesamten Fluss zu glätten. Dieser Ansatz der netzwerkweiten Optimierung steht sehr im Einklang mit dem Geist dessen, was ich heute vorgestellt habe. Wenn Sie jedoch wirklich eine echte mehrstufige Lieferkettennetzwerkoptimierung durchführen möchten, benötigen Sie eine andere Technik als die, die ich heute vorgestellt habe. Es gibt viele Bausteine, mit denen Sie das tun können, aber Sie können die Skripte, die ich heute vorgestellt habe, nicht einfach anpassen, um das zu erreichen. Dies wird die Art von Technologie sein, bei der wir das mehrstufige Setup abdecken, das in späteren Vorlesungen vorgestellt wird. Das ist komplizierter.

Frage: Der Ansatz der Lagerbelohnung und der erwarteten Fehler erinnern mich an das Konzept des erwarteten Werts aus der Finanzwelt. Warum ist dieser Ansatz aus Ihrer Sicht noch nicht mainstream in den Lieferkettenkreisen?

Sie haben völlig recht. Solche Dinge wie eine echte wirtschaftliche Analyse von Ergebnissen werden seit langem in Finanzkreisen durchgeführt. Ich glaube, dass die meisten Banken diese Berechnungen seit den 80er Jahren durchführen und wahrscheinlich schon vorher mit Stift und Papier. Ja, das ist etwas, das seit langem in anderen Branchen gemacht wird.

Ich glaube, das Problem bei Lieferketten war, dass sie bis zum Aufkommen des Internets von Natur aus geografisch verteilt waren, mit Geschäften, Distributionszentren und mehr, die überall verteilt waren. Vor 1995 war es möglich, aber sehr kompliziert, Daten über das Internet für Unternehmen zu übertragen. Es war machbar, aber zuverlässig, kostengünstig und mit Unternehmenssystemen, die es ermöglichen, all diese Daten zu konsolidieren, war selten. Daher wurden Lieferketten sehr früh digitalisiert, wie in den 80er Jahren, aber sie waren nicht stark vernetzt. Die Vernetzung und die gesamte Infrastruktur kamen relativ spät, würde ich sagen, nach dem Jahr 2000 für die meisten Unternehmen.

Das Problem war, dass Sie sich vorstellen können, dass Sie in einem Distributionszentrum arbeiten, das ziemlich isoliert vom Rest des Netzwerks ist, sodass der Lagerleiter nicht die Ressourcen hatte, um solche ausgefeilten numerischen Berechnungen durchzuführen. Der Lagerleiter hatte ein Lager zu verwalten und war in der Regel kein Analyst. Daher haben sich diese Praktiken, die vor dem Zeitalter des Internets existierten, in dem alle Informationen im Netzwerk verfügbar sind, fortgesetzt. Das wäre der Grund, und übrigens sind Lieferketten in der Regel sehr groß, kompliziert und komplexe Gebilde, daher bewegen sie sich langsam.

Wenn die Daten über das Netzwerk geteilt werden, mit sehr schönen Datenlakes, sagen wir, es war 2010, obwohl das vor 10 Jahren war, beobachte ich, dass einige Unternehmen sich jetzt bewegen, einige haben sich bereits bewegt, aber ein Jahrzehnt ist angesichts der Größe und Komplexität von Lieferketten nicht so lange. Deshalb sind diese Arten von Analysen seit etwa vier Jahrzehnten in der Finanzwelt Standard und werden erst heutzutage in der Lieferkette eingeführt, oder zumindest ist das meine bescheidene Meinung zu diesem Fall.

Frage: Was ist mit den Kosten für Lagerbestände, die hauptsächlich auf den Kosten für Fehlplatzierungen basieren?

Das können Sie tun. Auch die Kosten für Lagerbestände sind buchstäblich eine Entscheidung, die Sie treffen. Es ist Ihre strategische Perspektive auf die Art von Service, den Sie Ihrem Einzelhandelsnetzwerk bieten möchten. Es gibt keine Basisrealität; es ist buchstäblich das, was Sie wollen. Die Frage nach den Kosten für Fehlplatzierungen ist, dass die Realität so aussieht, dass die meisten Einzelhandelsnetzwerke nur überleben, weil sie eine treue Kundenbasis haben. Die Leute kommen immer wieder in die Geschäfte, ob es sich um ein Warenhaus handelt, das sie jede Woche besuchen, ein Modegeschäft, das sie jeden Quartal besuchen, oder ein Möbelgeschäft, das sie alle zwei Jahre aufsuchen. Die Qualität des Service ist entscheidend für die Aufrechterhaltung der langfristigen Kundenloyalität und für eine positive Erfahrung in Ihrem Geschäft. In den meisten Geschäften übersteigen die Kosten für verlorene Loyalität die Kosten für Fehlplatzierungen bei weitem. Eine Ausnahme, die mir einfällt, sind Einzelhandelsgeschäfte mit einer Markenstrategie, die darauf abzielt, die billigsten zu sein. In diesem Fall könnten sie Sortiment und Servicequalität opfern und niedrige Preise über alles stellen.

Frage: Was ist das Ziel, Ihr Lager zu bevorraten? Geht es darum, Produkte zu niedrigen Preisen zu halten oder Geschäfte mit Produkten zu höheren Preisen zu versorgen?

Das ist eine ausgezeichnete Frage. Warum überhaupt noch Lagerbestände im Distributionszentrum halten? Warum nicht alles direkt cross-dock und es alles an die Geschäfte senden?

Es gibt Einzelhandelsnetzwerke, die alles cross-docken, aber selbst bei diesem Ansatz gibt es eine Verzögerung zwischen dem Zeitpunkt, an dem Sie eine Bestellung bei Ihren Lieferanten aufgeben, und dem Zeitpunkt, an dem Sie die Bestände tatsächlich an die Geschäfte versenden. Sie können bestimmte Mengen mit einem bestimmten Zuweisungsschema bestellen, aber Sie haben die Flexibilität, Ihre Meinung zu ändern, wenn die Bestände im Distributionszentrum eintreffen. Sie müssen nicht starr an dem Zuweisungsschema festhalten, das Sie vor zwei Tagen im Kopf hatten.

Sie können sich entscheiden, keine Bestände im Distributionszentrum zu halten und nur cross-docken, aber aufgrund der Verzögerung können Sie Ihre Meinung ändern und eine etwas andere Versendung vornehmen. Dies kann zum Beispiel dann nützlich sein, wenn Sie aufgrund eines unerwarteten Nachfrageanstiegs einen Lagerbestand haben. Obwohl es vorzuziehen ist, keinen Lagerbestand zu haben, deutet dies auf einen Nachfrageüberschuss im Vergleich zu dem, was erwartet wurde, hin, was nicht vollständig negativ ist.

In anderen Situationen ist es aufgrund von Bestellbeschränkungen bei Lieferanten notwendig, Bestände im Lager zu halten. Zum Beispiel können FMCG-Unternehmen Ihnen möglicherweise nur erlauben, einmal pro Woche eine Bestellung aufzugeben, und sie möchten in der Regel eine volle LKW-Ladung an Ihr Distributionszentrum liefern. Ihre Bestellungen werden sperrig und gebündelt sein, und Ihr Distributionszentrum dient als Puffer für diese Lieferungen. Das Zentrum gibt Ihnen auch die Möglichkeit, Ihre Meinung hinsichtlich der Zuweisung der Bestände zu ändern.

Solange sich die Bestände im Distributionszentrum befinden, können Sie Ihre Meinung ändern. Sobald sie jedoch einem bestimmten Geschäft zugewiesen sind, sind die Transportkosten für die Rückführung in das Lager oft prohibitiv teuer und etwas, das Sie vermeiden möchten.

Vielen Dank und ich hoffe, Sie das nächste Mal wiederzusehen. Wir werden besprechen, wie taktische Strategien umgesetzt werden können und wie man eine tatsächliche quantitative Supply-Chain-Initiative in einem realen Unternehmen startet. Bis zum nächsten Mal!