Bloße Prognosen (Anti-Pattern in Supply Chains)

Von Joannes Vermorel, Januar 2020

Ein Ring, sie zu knechten, sie alle zu finden, ins Dunkel zu treiben und ewig zu binden.

Alias: Gosplan (sowjetische Planung)

Kategorie: Organisation



Problem: Ein Unternehmen hat immer wieder Fehl- und Überbestände. Diese Probleme sind unglaublich kostspielig. Aufgrund der Fehlbestände wandern Kunden der Reihe nach zur Konkurrenz ab. Ausnahmslos ist es teuer, Überbestände zu liquidieren. Während Makroprognosen auf Netzwerkebene oder nach Produktkategorien relativ genau und unverzerrt sind, unterlaufen auf SKU-Ebene viele Fehler, wodurch zu viel oder zu wenig prognostiziert wird. Das Unternehmen hat bereits mehrere Durchläufe mit Softwareanbietern hinter sich. Obwohl jeder Anbieter behauptet, die Genauigkeit der Prognose im Vergleich zum Vorgängersystem verbessert zu haben, kommen Fehlbestände öfters denn je vor.

Einzelerfahrung: Die Prognosen sind immer falsch und alle wissen es. Dennoch scheinen die Planungsbeauftragten endlos viele Ausreden zu haben, um die Situation zu bewältigen.

Kontext: im Unternehmen wirken verschiedene Teams in der Orchestrierung der Lieferkette mit, insbesondere die Teams für Planung, Vertrieb, Produktion, Wiederauffüllung und Kalkulation. Das Planungsteam erstellt eine primäre Bedarfsprognose für jedes einzelne Produkt, das das Unternehmen auf den Markt bringt und verkauft. Da die Prognose einen Großteil des Produktlebenszyklus abdecken muss, ist der Prognosehorizont mindestens 3 Monate und oft über ein Jahr. Die primäre Bedarfsprognose, der „Plan“, wird dann erst in gekaufte und dann in hergestellte Mengen, in Bestandsallokation, usw. umgewandelt. Am Ende werden, je nachdem, ob die Bestandshöhen über oder unter den vom Plan vorgesehenen Bestandshöhen liegen, manchmal nach oben jedoch meist nach unten angepasst.

Angenommene Lösung: Der „Plan“, also die vom Planungsteam erstellte Prognose, hat Genauigkeitsprobleme, da Produkte im Vergleich zur ursprünglichen Prognose schneller oder langsamer verkauft werden. Dennoch sind die Prognosemethoden des Unternehmens ziemlich grob, teilweise werden sie über Kalkulationstabellen erstellt. Bestimmt gibt es genauere Optionen zur Erstellung solcher Prognosen. Das Management beschließt, dass etwas mit diesen Prognosen geschehen muss und setzt ein Projekt in Gang, um die Prognosegenauigkeit zur verbessern. Da die erweiterte Statistik nicht zu den Fachkompetenzen des Unternehmens gehört, wird ein Drittanbieter an Board geholt, um entweder eine Software zu liefern oder das Planungsteam zu schulen.

Ergebniskontext: Es wird ein großer Aufwand betrieben, um die Prognosen zu verbessern. Den Kennzahlen nach werden die Prognosen auch besser. Gleichzeitig hatten sich aber alle Teams außer dem Planungsteam an die Macken der alten Prognoseart gewöhnt und eigene Wege gefunden, deren Beschränkungen zu umgehen. Während das Planungsteam ihre Arbeitsweise ändert, müssen sich die restlichen Teams an die neuen Einschränkungen der neuen Prognosemethode gewöhnen. Dies führt eine ganze Zeit lang zu Reibungen. Bei der Überprüfung der Supply-Chain-Prozesse im Zusammenhang mit den Prognosen erhält man sehr einfache Ergebnisse, die eigentlich nicht mit der Prognose zusammenhängen, doch das Management sieht keine messbaren Ergebnisse des Projekts. Überbestände sind weiterhin ein Problem und Fehlbestände treten genauso oft auf. Lässt man die schicken mathematischen Kennzahlen beiseite, ist die allgemeine Auffassung im Unternehmen, dass die Prognosen genauso schlecht wie zuvor sind. Einige Schlüsselmitarbeiter, die im Prognoseprojekt mitgewirkt hatten, haben sich weiterentwickelt und arbeiten in blühenderen Bereichen, oft in anderen Unternehmen. Keiner ist wirklich für die Ergebnisse des fehlgeschlagenen Prognoseprojekts zuständig, dennoch sind die Überreste des Projekts weiterhin in den Prozessen und den Software-Tools des Unternehmens vorhanden.

Verführerische Kräfte: eine genauere Prognose sieht mehr wie ein Allheilmittel aus. Jeder im Unternehmen, vom Einkauf bis hin zum Marketing, ist sich eins, dass damit viele der Schwachstellen im Unternehmen gelöst werden könnten: nur Bestseller auf den Markt bringen, ausreichende Kapazitäten zur Deckung des Bedarf, aber nicht darüber hinaus, zu halten, keine Rabatte mehr zu geben ... Außerdem ist es ein einfaches eindimensionales Problem: die Prognosefehler zu reduzieren. Es ist einfach, allen Stakeholdern das Vorhaben vorzustellen und es scheint ein vernünftiger, gar wissenschaftlicher, Weg, um das Unternehmen zu verbessern. Gleichzeitig ändert es nichts wirklich Grundlegendes am status quo. Das Aufkommen von genaueren Prognosen bedroht keine Stellen und niemand muss seine Aufgaben im Unternehmen überdenken. Was die Digitalisierung betrifft, wird erwartet, dass sie so einfach gelingt wie der Wechsel von einem Bildschirm zu einem größeren.

Positive Patterns, um das Problem anzugehen: der einzige Weg zur Lösung des Problems der „bloßen Prognose“ ist, diese zu „bekleiden“; genauer gesagt, sollten die Entscheidungen im Zusammenhang mit der Lieferkette so behandelt werden, als wären sie intrinsisch mit der zugrundeliegenden Prognose verbunden. Die Prognosegenauigkeit sollte als „Element zur Fehlersuche“ betrachtet werden, das zur Modellierung des Problems führt, statt als KPI, das optimiert werden soll. Die einzigen bedeutenden Kennzahlen sind solche, die in Dollar oder Euro gemessen werden und mit alltäglichen Entscheidungen zusammenhängen, wie etwa „wie viel soll gekauft werden?“, „wie viel soll in die Geschäfte geschickt werden?“, „wie hoch sollen die Rabatte sein?“, usw.

Beispiel: Contoso, ein großes Modeunternehmen, das sein eigenes Einzelhandelsnetzwerk betreibt, steht am Ende jeder Saison vor Überbeständen, die sich nur durch immense Rabatte im Abverkauf liquidieren lassen. Noch schlimmer ist, dass der durchschnittliche Rabattsatz stetig gestiegen ist und dass ein wachsender Teil der Kundschaft mit den Käufen bis zum Abverkauf wartet. Während Makroprognosen zufriedenstellend sind, unterlaufen jede Saison für jede Menge Produkte Fehler und es wird zu viel oder zu wenig prognostiziert. Contoso hat schon einige Durchläufe zur Verbesserung der Prognosen hinter sich. Diese Projekte schien die natürliche Fortführung der ERP-Anpassung zu sein, die einige Jahre zuvor stattfand.

Die Einführung einer neuen Kollektion folgt einem gut etablierten Prozess. Erst bestimmt das Planungsteam den Umfang und die Tiefe der Kollektion mit Zielmengen für jedes Produkt. Der Einkauf nimmt dann weitere Anpassungen durch: MOQs (Mindestbestelltmengen) müssen eingehalten werden und dabei die Mengen für alle Größen berücksichtigen, da die ursprüngliche Prognose auf Produktebene erstellt wird. Dann müssen Marketing und Filialen festlegen, welche Mengen zu Beginn der Saison in jedem Laden gelagert werden sollen. Im Laufe der Saison kümmert sich die Wiederauffüllung darum, die Prognose einzuhalten. Zuletzt muss die Kalkulation am Ende der Saison die Preisabschläge festlegen, sodass der Plan eingehalten wird, wo sich Überbestände außerplanmäßig aufgebaut haben.

Contosos Leiter begreifen, dass das interne Projekt zur Verbesserung der Prognosegenauigkeit nicht die erwarteten Ergebnisse geliefert hat. Das Planungsteam kommt noch nicht mit der Saisonalität klar. Der CEO von Genialys, ein kalifornisches Startup mit viel Finanzierung, das eine neue Generation der Prognosen entwickelt hat, wendet sich an Contosos CEO. Mit dieser Technik kann Contoso nicht nur alles Vertriebsdaten in Echtzeit verarbeiten, sondern auch Wetter- und Social Media Daten in Echtzeit einbinden. Aus den Referenzen geht hervor, dass die Technik bereits bei mehreren größeren Namen validiert wurde. Vieles davon ist sehr beeindruckend.

Und so entsteht mit direkter Unterstützung des CEO ein großes Projekt mit Genialys mit dem Ziel, die Prognosegenauigkeit deutlich zu verbessern. In den ersten Wochen verläuft alles gut, doch nach zwei Monaten scheint Contosos IT Schwierigkeiten bei der Extraktion der relevanten Daten zu haben. Viele scheinbar kleine Probleme verkomplizieren sich. So ist sich Genialys Team nicht sicher, wie es die Aktionen „1 kaufen 2 erhalten“, die Contoso regelmäßig startet, behandeln soll. Nach 6 Monaten Anstrengung auf beiden Seiten liefert Genialys die Prognosen. Doch das Planungsteam vertraut diesen Zahlen nicht wirklich. Einfache manuelle Überprüfungen der Zahlen aus Genialys Ergebnissen zeigen, dass diese manchmal ganz verkehrt sind. Genialys Team weist immer wieder auf Probleme mit den Daten, die diese Prognoseprobleme erklären, doch insgesamt sieht es nicht gut aus.

Da Contosos Supply Chain Manager nicht wissen, auf wen sie sich verlassen sollen, erstellen sie KPIs zur Quantifizierung der Genauigkeit sowohl des Genialys-Systems als auch des „alten“ Systems. Die Idee scheint ziemlich einfach zu sein: das genauere System anhand von Backtesting erkennen. Leider ist die Lage nach 3 Monaten, dutzenden Meetings und hunderten Arbeitsstunden immer noch nicht klar. So ergibt sich, dass Contosos historischer Prognoseprozess keinem Backtesting unterzogen werden kann, da das Planungsteam viele der Prognosen manuell angepasst hat. Daher können die historischen Prognosen nicht „wiedergegeben“ werden, weil der Aufwand einfach unverhältnismäßig wäre. Andererseits hat Genialys viele Backtests durchgeführt, jedoch ist unklar, ob diese Zahlen echt sind. Obwohl die Kennzahlen zur Genauigkeit bei Genialys aggregiert in Ordnung zu sein scheinen, entdeckt das Planungsteam immer wieder irrsinnige Zahlen in den entstehenden Prognosen.

18 Monate später ist nun Genialys für einige stabilere Produktlinien in Betrieb, wie etwa männliche Unterwäsche, die nie eine große Herausforderung für die Prognose dargestellt haben. Komplexere Kategorien, wie etwa Damenschuhe oder Herrenanzüge, werden weiterhin vom Planungsteam nach der alten Methode manuell bearbeitet. Der ursprüngliche Ehrgeiz, Wetter- und Social Media Daten zu nutzen, liegt in einer fernen Vergangenheit. Genialys Lösung kommt nicht einmal mit den einfachsten Kategorien klar. Geplant ist weiterhin, dass Genialys mehrere Kategorien übernimmt, doch das Team ist etwas erschöpft. Einige haben das Unternehmen verlassen. Was die Ergebnisse des Unternehmens betrifft, sind diese etwas abgeschwächt. Die Verfügbarkeit von männlicher Unterwäsche ist um 2 % gestiegen und die Preisabschläge um 2 % gesunken. Jedoch ist die Anzahl der Referenzen aus diesem Bereich zurückgegangen, weshalb unklar ist, ob die zusätzliche (nie gemessene) Verbesserung der Prognosegenauigkeit mit dieser positiven Entwicklung zusammenhängt. Offiziell geht das Prognoseprojekt weiter, doch die oberste Führung erhofft sich eigentlich nichts mehr davon.