Nackte Prognosen (Supply Chain Antipattern)

learn menu
By Joannes Vermorel, January 2020

Niemand würde zulassen, dass man ihn als unfähig erachtet, etwas zu erkennen, denn das würde zeigen, dass er für sein Amt untauglich oder sehr töricht sei. Keine der Kleidungen des Kaisers hatte je so großen Erfolg wie diese. (Des Kaisers neue Kleider, von Hans Christian Andersen, 1909)

Alias: Gosplan (sowjetische Planung)

Kategorie: organization

cartoon-naked-emperor-of-forecastin

Problem: Ein Unternehmen sieht sich wiederkehrenden Lagerengpässen und überschüssigen Beständen gegenüber. Diese Probleme sind sehr kostspielig. Kunden wechseln aufgrund von Lagerengpässen zu Wettbewerbern, wohingegen überschüssiger Bestand stets teuer in der Liquidation ist. Während Makroprognosen auf Netzwerkebene oder pro Produktkategorie relativ genau und unvoreingenommen sind, werden auf SKU Ebene viele Fehler gemacht, indem entweder zu viel oder zu wenig prognostiziert wird. Das Unternehmen hat bereits mehrere Iterationen mit Softwareanbietern durchlaufen, und obwohl jeder Anbieter behauptet, die Prognosegenauigkeit im Vergleich zum vorherigen System verbessert zu haben, sind überschüssiger Bestand und Lagerengpässe heute weiter verbreitet als je zuvor.

Anekdotische Evidenz: Die Prognosen liegen immer falsch, das weiß jeder, aber das Planungsteam scheint einen endlosen Strom von Ausreden zu haben, um mit der Situation umzugehen.

Kontext: Das Unternehmen verfügt über mehrere Teams, die seine supply chain orchestrieren, insbesondere: das Planungsteam, das Einkaufsteam, das Produktionsteam, das Lagerauffüllung Team und das Preisgestaltungsteam. Das Planungsteam erstellt die primäre Nachfrageprognose für jedes einzelne Produkt, das eingeführt und verkauft werden soll. Da die Prognose einen beträchtlichen Teil des Produktlebenszyklus abdecken muss, ist der Prognosehorizont lang – mindestens 3 Monate und häufig über 1 Jahr. Der primäre Nachfrageplan wird zunächst in bestellte Mengen, dann in produzierte Mengen und anschließend in Bestandskontrolle umgewandelt, usw. Schließlich, je nachdem, ob die Lagerbestände über oder unter den durch den Plan festgelegten Werten schwanken, werden die Preise angepasst – manchmal nach oben, aber meist nach unten.

Vorgeschlagene Lösung: Der „Plan“ – d.h. die vom Planungsteam erstellte Prognose – weist Genauigkeitsprobleme auf, da Produkte entweder schneller oder langsamer verkauft werden als ursprünglich prognostiziert. Dennoch sind die vom Unternehmen verwendeten Prognostizierungsmethoden-und-formeln-mit-excel etwas grob, teilweise mit Tabellenkalkulationen durchgeführt, und es muss sicherlich genauere Wege geben, diese Prognosen zu erstellen. Das Management entscheidet, dass mit diesen Prognosen etwas unternommen werden muss, und startet eine Initiative zur Verbesserung der Prognosegenauigkeit. An diesem Punkt wird in der Regel ein Drittanbieter hinzugezogen – da fortgeschrittene Statistik nicht gerade zu den Kernkompetenzen des Unternehmens zählt – entweder um ein Softwarepaket bereitzustellen oder um Schulungen für das Planungspersonal durchzuführen.

Resultierender Kontext: Es wird viel Aufwand betrieben, um die Prognosen zu verbessern. Laut einiger Kennzahlen werden die Prognosen besser. Andererseits waren alle anderen Teams außerhalb der Planung an die Mängel der alten Prognoseverfahren gewöhnt und hatten bereits eigene Strategien entwickelt, um mit den Einschränkungen umzugehen. Als das Planungsteam sein Verfahren ändert, müssen alle anderen Teams lernen, mit den neuen Unzulänglichkeiten des neuen Prognoseverfahrens zurechtzukommen. Dies führt eine Zeit lang zu erheblichen Reibungen. Während die Überarbeitung aller supply chain Prozesse, die durch die Prognosen gesteuert werden, einige leicht erreichbare Erfolge – völlig unabhängig von der Prognose an sich – zutage fördert, sieht das Management kein messbares Ergebnis der Initiative. Überschüssige Bestände bleiben ein Problem, und Lagerengpässe sind nach wie vor so häufig wie eh und je. Abgesehen von den ausgeklügelten mathematischen Kennzahlen bleibt innerhalb des Unternehmens die allgemeine Auffassung, dass die Prognosen immer noch so schlecht wie früher sind. Einige Schlüsselmitarbeiter, die in die Prognoseinitiative involviert waren, haben sich mittlerweile in andere, attraktiver erscheinende Bereiche begeben, oft zu anderen Unternehmen. Niemand trägt wirklich die Verantwortung für die gescheiterten Prognoseinitiativen, aber Spuren davon sind sowohl in den Prozessen als auch in den von dem Unternehmen eingesetzten Softwaretools erhalten geblieben.

Verführerische Kräfte: Eine genauere Prognose erscheint wie eine Wunderwaffe. Jeder, vom Einkaufsteam bis zum Merchandisingteam der Geschäfte, ist sich einig, dass sie nahezu alle Probleme des Unternehmens lösen könnte: Nur die Bestseller in den Markt bringen, gerade genug Kapazität vorhalten, um die Nachfrage zu bedienen – aber nicht mehr –, Rabatte vermeiden, … Es ist zudem ein eindimensionales Problem: Den Prognosefehler zu reduzieren. Es fällt leicht, die Intention der Initiative allen Beteiligten zu vermitteln, und es wirkt wie ein rationaler – ja sogar wissenschaftlicher – Ansatz, um das Unternehmen zu verbessern. Außerdem verändert dies grundsätzlich nichts Wesentliches am Status quo. Niemand sieht seine Position durch präzisere Prognosen gefährdet, und niemand wird veranlasst, seinen Zweck im Unternehmen zu überdenken. Was die digitale Transformation betrifft, wird erwartet, dass sie so einfach verläuft wie der Umstieg von einem Bildschirm auf einen größeren.

Positive Muster zur Problemlösung: Der einzige Weg, das Problem der „nackten Prognosen“ zu beheben, besteht darin, ihnen quasi Kleidung anzuziehen; genauer gesagt, die supply chain Entscheidungen im Zusammenhang mit den Prognosen sollten als untrennbar mit diesen betrachtet werden. Die Prognosegenauigkeit sollte als ein „Debugging“-Artefakt behandelt werden – das hilft, Probleme in der Modellierung aufzuspüren – aber nicht als ein KPI, der optimiert werden muss. Die einzigen Kennzahlen, die zählen, werden in Dollar oder Euro gemessen und beziehen sich auf alltägliche Entscheidungen wie „Wie viel soll gekauft werden?“, „Wie viel soll in den Laden gebracht werden?“, „Wie viel soll rabattiert werden?“, etc.

Beispiel: Contoso, eine große Modemarke mit eigenem Einzelhandelsnetz, sieht sich am Ende jeder Saison mit überschüssigen Beständen konfrontiert, was dazu führt, dass den Kunden hohe Rabatte gewährt werden, um den Überschuss während des Ausverkaufs abzubauen. Schlimmer noch, im Laufe der Jahre ist der durchschnittliche Rabatt stetig angestiegen, und ein wachsender Teil der Kundschaft verschiebt seinen Einkauf nun in die Ausverkaufsphase. Während Makroprognosen zufriedenstellend sind, werden in jeder Saison für viele Produkte zahlreiche Fehler gemacht, indem entweder zu viel oder zu wenig prognostiziert wird. Contoso hat bereits mehrere interne Iterationen zur Verbesserung der Prognosen durchlaufen. Diese Initiativen erschienen als logische Fortsetzung der ERP Anpassungsinitiative, die vor einigen Jahren stattfand.

Die Markteinführung einer neuen Kollektion folgt einem etablierten Prozess. Zuerst definiert das Planungsteam die Breite und Tiefe der Kollektion mit Zielmengen für jedes Produkt. Daran schließt sich das Einkaufsteam an, das weitere Anpassungen vornimmt: MOQs (Mindestbestellmengen) müssen eingehalten werden, und die Mengen müssen auf die verschiedenen Größen verteilt werden, da die ursprünglichen Prognosen auf Produktebene erstellt wurden. Anschließend legen das Merchandising-Team und die Filialzuweisungsteams die anfänglichen Mengen fest, die zu Beginn der Saison in jedem Geschäft angeboten werden sollen. Im Laufe der Saison steuert das Lagerauffüllungsteam die Auffüllung, um die Übereinstimmung mit der Prognose zu wahren. Schließlich orchestriert das Preisgestaltungsteam zum Saisonende – und manchmal sogar schon vorher – die Preisnachlässe, um dort, wo der Überschussbestand völlig von der ursprünglichen Prognose abgewichen ist, wieder mit dem Plan in Einklang zu kommen.

Die Direktoren von Contoso erkennen, dass die interne Initiative zur Verbesserung der Prognosegenauigkeit nicht die erhofften Vorteile gebracht hat. Das Planungsteam hat weiterhin Schwierigkeiten, die Saisonalität korrekt zu erfassen. Der CEO von Contoso wird vom CEO von Genialys kontaktiert, einem gut finanzierten Start-up aus Kalifornien, das die nächste Generation der Prognose entwickelt hat. Ihre Technologie ist nicht nur in der Lage, sämtliche Verkaufsdaten von Contoso in Echtzeit zu verarbeiten, sondern integriert auch Echtzeit-Wetterdaten und Echtzeit-Social-Media-Daten. Einige Referenzgespräche zeigen, dass sie die Technologie bereits mit einigen sehr namhaften Unternehmen validiert haben. All das ist äußerst beeindruckend.

So entsteht mit direkter Unterstützung des CEO die große Initiative mit Genialys, mit dem Ziel, die Prognosegenauigkeit dramatisch zu verbessern. Die ersten Wochen verlaufen vielversprechend, doch nach zwei Monaten scheinen Contosos IT-Teams ernsthaft Schwierigkeiten zu haben, alle relevanten Daten zu extrahieren. Viele scheinbar kleine Probleme erweisen sich als kompliziert. Zum Beispiel ist sich das Team von Genialys unsicher, wie mit „Kaufe eins, erhalte eins gratis“ Promotionen umzugehen ist, die Contoso routinemäßig durchführt. Nach 6 Monaten relativ intensiver Anstrengungen auf beiden Seiten liefert Genialys nun seine Prognosen. Das Planungsteam vertraut diesen Zahlen jedoch nicht wirklich. Einfache manuelle Überprüfungen der von Genialys erstellten Zahlen zeigen, dass diese manchmal völlig daneben liegen. Die Teams von Genialys weisen ständig auf Probleme mit den Daten hin, die diese Prognoseprobleme zu erklären scheinen, aber insgesamt ist die Situation undurchsichtig.

Da nicht klar ist, wem man trauen soll, beschließt das supply chain management von Contoso, KPIs einzuführen, um die jeweilige Genauigkeit von Genialys und des „alten“ Prognosesystems quantitativ zu bewerten. Die Idee scheint einfach genug: Ein Backtesting sollte klären, wer am genauesten ist. Leider, 3 Monate später, nach Dutzenden von Meetings und Hunderten von Arbeitsstunden, ist die Situation immer noch undurchsichtig. Es stellt sich heraus, dass der historische Prognoseprozess, den Contoso verwendet, unmöglich rückzulaufen ist, da das Planungsteam viele Prognosen manuell angepasst hat. Somit können sie ihre historischen Prognosen nicht wirklich „replayen“ – es ist einfach zu viel Aufwand. Andererseits hat Genialys viele Backtests durchgeführt, aber es ist unklar, wie viele dieser Zahlen real sind. Während die aggregierten Genauigkeitskennzahlen von Genialys in Ordnung zu sein scheinen, entdeckt das Planungsteam weiterhin gravierende Unstimmigkeiten in den routinemäßig erstellten Zahlen von Genialys.

18 Monate später wird Genialys nun in der Produktion für einige stabile Produktlinien eingesetzt – wie Herrenunterwäsche –, die nie wirklich eine Herausforderung in der Prognose darstellten. Schwierige Kategorien wie Damenschuhe oder Herrenanzüge werden weiterhin manuell vom Planungsteam mit dem alten Prozess bearbeitet. Der ursprüngliche Ehrgeiz, Wetter- und Social-Daten zu nutzen, gehört nun der Vergangenheit an. Die Genialys-Lösung ist ohnehin kaum in der Lage, auch die einfachsten Kategorien adäquat zu betreuen. Der Plan bleibt, den von Genialys abgedeckten Kategorienumfang zu erweitern, aber die Teams sind etwas erschöpft. Einige Mitarbeiter haben das Unternehmen bereits verlassen. Geschäftlich sind die Ergebnisse verhalten: Die Verfügbarkeit von Herrenunterwäsche hat um 2% zugenommen und Preisnachlässe wurden um 1% reduziert. Da in dieser Kategorie allerdings die Anzahl der Referenzen reduziert wurde, bleibt unklar, ob die zusätzliche (niemals gemessene) Prognosegenauigkeit etwas mit dieser positiven Entwicklung zu tun hat. Offiziell schreitet die Prognoseinitiative weiter voran, aber das Top-Management erwartet nichts mehr davon.