Nackte Prognosen (Supply Chain Antipattern)

learn menu
Von Joannes Vermorel, Januar 2020

Niemand würde zugeben, dass er nichts sehen kann, denn das hätte gezeigt, dass er für sein Amt nicht geeignet ist oder sehr dumm ist. Keine Kleidung des Kaisers hatte jemals einen solchen Erfolg wie diese. (Des Kaisers neue Kleider, von Hans Christian Andersen, 1909)

Alias: Gosplan (sowjetische Planung)

Kategorie: Organisation

cartoon-naked-emperor-of-forecastin

Problem: Ein Unternehmen steht vor wiederkehrenden Fehlbeständen und überschüssigem Lagerbestand. Diese Probleme sind sehr kostspielig. Kunden wechseln aufgrund von Fehlbeständen zu Wettbewerbern, aber überschüssiger Lagerbestand ist in der Regel teuer zu liquidieren. Während makroökonomische Prognosen auf Netzwerkebene oder pro Produktkategorien relativ genau und unvoreingenommen sind, werden auf der SKU-Ebene viele Fehler gemacht, indem entweder zu viel oder zu wenig prognostiziert wird. Das Unternehmen hat bereits mehrere Iterationen mit Softwareanbietern durchlaufen, und dennoch bleiben überschüssiger Lagerbestand und Fehlbestände häufiger als je zuvor.

Anekdotische Beweise: Die Prognosen sind immer falsch, das weiß jeder, aber die Planungsleute scheinen eine endlose Reihe von Ausreden zu haben, um mit der Situation umzugehen.

Kontext: Das Unternehmen verfügt über mehrere Teams zur Orchestrierung seiner Supply Chain, insbesondere das Planungsteam, das Einkaufsteam, das Produktionsteam, das Auffüllungs-Team und das Preisgestaltungsteam. Das Planungsteam erstellt die primäre Nachfrageprognose für jedes einzelne Produkt, das vom Unternehmen eingeführt und verkauft wird. Da die Prognose einen erheblichen Teil des Produktlebenszyklus abdecken muss, ist der Prognosehorizont lang - mindestens 3 Monate und häufig über 1 Jahr. Die primäre Nachfrageprognose, der “Plan”, wird zunächst in gekaufte Mengen, dann in produzierte Mengen, dann in Bestandszuweisungen usw. umgewandelt. Schließlich werden je nachdem, ob die Lagerbestände über oder unter den vom Plan festgelegten Werten schwanken, die Preise angepasst, manchmal nach oben, aber meistens nach unten.

Vermutete Lösung: Der “Plan” - d.h. die Prognose, die vom Planungsteam erstellt wird - hat Genauigkeitsprobleme, da Produkte entweder schneller oder langsamer verkauft werden als in den ursprünglichen Prognosen. Die vom Unternehmen verwendeten Prognosemethoden sind jedoch recht primitiv, teilweise mit Tabellenkalkulationen durchgeführt, und es muss sicherlich genauere Möglichkeiten geben, diese Prognosen zu erstellen. Das Management beschließt, dass etwas gegen diese Prognosen unternommen werden muss, und leitet eine Initiative zur Verbesserung der Prognosegenauigkeit ein. Zu diesem Zeitpunkt wird in der Regel ein Drittanbieter involviert - da fortgeschrittene Statistiken nicht gerade zu den Kernkompetenzen des Unternehmens gehören -, entweder um eine Software bereitzustellen oder um das Planungspersonal zu schulen.

Ergebnisierter Kontext: Es werden viele Anstrengungen unternommen, um die Prognosen zu verbessern. Nach einigen Metriken verbessern sich die Prognosen. Andererseits waren alle anderen Teams außerhalb der Planung bereits an die Mängel der alten Prognosemethoden gewöhnt und hatten bereits ihre eigenen Möglichkeiten entwickelt, mit den Einschränkungen umzugehen. Als das Planungsteam sein Rezept ändert, müssen alle anderen Teams lernen, mit den neuen Mängeln des neuen Prognoserezepts umzugehen. Dies führt eine Weile lang zu viel Reibung. Dann, während die Überarbeitung aller von den Prognosen gesteuerten Supply-Chain-Prozesse einige leicht zugängliche Erfolge bringt - die nichts mit der Prognose an sich zu tun haben -, sieht das Management keine messbaren Ergebnisse aus der Initiative. Überschüssige Bestände sind immer noch ein Problem, Bestandsausfälle treten immer noch so häufig auf wie zuvor. Abgesehen von den ausgeklügelten mathematischen Metriken bleibt die lockere Wahrnehmung im Unternehmen bestehen, dass die Prognosen immer noch so schlecht sind wie zuvor. Einige wichtige Mitarbeiter, die an der Prognoseinitiative beteiligt waren, sind mittlerweile zu grüneren Weiden gewechselt, oft in andere Unternehmen. Niemand ist wirklich für die Ergebnisse der gescheiterten Prognoseinitiativen verantwortlich, aber Überbleibsel bleiben sowohl in den Prozessen als auch in den von dem Unternehmen verwendeten Softwaretools.

Verführerische Kräfte: Eine genauere Prognose sieht aus wie eine Wunderwaffe. Jeder, vom Einkaufsteam bis zum Laden-Merchandising-Team, ist sich einig, dass dies nahezu alle Schmerzpunkte des Unternehmens erleichtern würde: Nur die Bestseller auf den Markt bringen, nur genügend Kapazität zur Unterstützung der Nachfrage, aber nicht mehr, keine Rabatte mehr geben, … Es handelt sich auch um ein schönes eindimensionales Problem: die Prognosefehler reduzieren. Die Absicht der Initiative lässt sich leicht allen Beteiligten vermitteln, und es scheint eine rationale - sogar wissenschaftliche - Möglichkeit zur Verbesserung des Unternehmens zu sein. Außerdem berührt es das Status quo grundsätzlich nicht auf sinnvolle Weise. Niemand fühlt sich durch das potenzielle Aufkommen genauerer Prognosen in seiner Position bedroht, niemand muss auch seinen Zweck im Unternehmen überdenken. Was die digitale Transformation betrifft, wird erwartet, dass sie genauso einfach ist wie der Wechsel von einem Computerbildschirm zu einem größeren.

Positive Muster zur Lösung des Problems: Die einzige Möglichkeit, das Problem der “nackten Prognosen” zu beheben, besteht darin, ihnen etwas anzuziehen; genauer gesagt sollten die Entscheidungen der Supply Chain, die mit den Prognosen verbunden sind, intrinsisch mit ihren zugrunde liegenden Prognosen verflochten behandelt werden. Die Prognosegenauigkeit sollte als “Debugging”-Artefakt behandelt werden, das bei der Lokalisierung von Modellierungsproblemen hilft, aber nicht als zu optimierender KPI. Die einzigen relevanten Metriken werden in Dollar oder Euro gemessen und sind mit banalen Entscheidungen wie “Wie viel soll gekauft werden?”, “Wie viel soll in den Laden gebracht werden?”, “Wie viel soll rabattiert werden?”, usw. verbunden.

Beispiel: Contoso, eine große Modemarke mit eigenem Einzelhandelsnetzwerk, hat am Ende jeder Saison einen Überschuss an Lagerbeständen, was zu hohen Rabatten führt, die den Überschuss während des Verkaufs liquidieren sollen. Schlimmer noch, im Laufe der Jahre hat sich die durchschnittliche Rabattrate stetig erhöht, und ein wachsender Teil der Kundenbasis verschiebt nun ihre Einkäufe bis zur Verkaufszeit. Während die Makro-Prognosen zufriedenstellend sind, werden in jeder Saison für viele Produkte viele Fehler gemacht, indem entweder zu viel oder zu wenig prognostiziert wird. Contoso hat bereits mehrere interne Iterationen durchlaufen, um die Prognosen zu verbessern. Diese Initiativen fühlten sich wie die natürliche Fortsetzung der ERP-Anpassungsinitiative an, die vor einigen Jahren stattgefunden hat.

Der Rollout einer neuen Kollektion folgt einem etablierten Prozess. Zunächst definiert das Planungsteam die Bandbreite und Tiefe der Kollektion mit Zielmengen für jedes Produkt. Das Einkaufsteam folgt, indem es weitere Anpassungen vornimmt: Mindestbestellmengen (MOQs) müssen erfüllt werden, und die Mengen müssen auf die Größen verteilt werden, da die ursprünglichen Prognosen auf Produktniveau vorliegen. Anschließend legen das Merchandising-Team und die Store-Allokationsteams die anfänglichen Mengen fest, die zu Beginn der Saison in jedem Geschäft platziert werden sollen. Während die Saison fortschreitet, steuert das Auffüllungsteam die Auffüllung und versucht, die Übereinstimmung mit der Prognose aufrechtzuerhalten. Schließlich orchestriert das Preisgestaltungsteam am Ende der Saison und manchmal sogar davor die Preisnachlässe, um die Übereinstimmung mit dem Plan wiederherzustellen, wenn der überschüssige Lagerbestand vollständig von der ursprünglichen Prognose abweicht.

Die Direktoren von Contoso erkennen, dass die interne Initiative zur Verbesserung der Prognosegenauigkeit nicht die beabsichtigten Vorteile gebracht hat. Das Planungsteam hat immer noch Schwierigkeiten, die Saisonalität richtig einzuschätzen. Der CEO von Contoso wird vom CEO von Genialys angesprochen, einem stark finanzierten kalifornischen Startup, das die nächste Generation der Prognose entwickelt hat. Ihre Technologie ist nicht nur in der Lage, alle Verkaufsdaten von Contoso in Echtzeit zu verarbeiten, sondern sie integrieren auch Echtzeit-Wetterdaten und Echtzeit-Daten aus sozialen Medien. Einige Referenzanrufe zeigen, dass sie die Technologie bereits mit einigen sehr großen Namen validiert haben. Das alles ist sehr beeindruckend.

So entsteht mit der direkten Unterstützung des CEO die große Initiative mit Genialys, mit dem Ziel, die Prognosegenauigkeit dramatisch zu verbessern. Die ersten Wochen verlaufen gut, aber nach zwei Monaten stellt sich heraus, dass die IT-Teams von Contoso Schwierigkeiten haben, alle relevanten Daten zu extrahieren. Viele scheinbar kleine Probleme erweisen sich als kompliziert. Zum Beispiel ist das Team von Genialys sich nicht sicher, was es mit den “Kauf eins, bekomme eins gratis”-Aktionen machen soll, die Contoso routinemäßig durchführt. Nach 6 Monaten relativ intensiven Kampfes 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 die Zahlen manchmal völlig daneben liegen. Das Team von Genialys weist immer wieder auf Probleme mit den Daten hin, die diese Prognoseprobleme zu erklären scheinen, aber insgesamt ist die Situation unklar.

Da sie nicht wissen, wem sie vertrauen können, 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 zu sein: Machen wir ein Backtesting, das wird klären, wer am genauesten ist. Leider ist die Situation auch 3 Monate später, nach Dutzenden von Meetings und Hunderten von Stunden Aufwand, immer noch unklar. Es stellt sich heraus, dass der historische Prognoseprozess, den Contoso verwendet hat, unmöglich zu backtesten ist, da das Planungsteam viele der Prognosen manuell angepasst hat. Daher können sie ihre historischen Prognosen nicht wirklich “wiederholen”, es ist einfach zu viel Aufwand. Auf der anderen Seite hat Genialys viele Backtests durchgeführt, aber es ist unklar, wie viele dieser Zahlen real sind. Während die Genauigkeitsmetriken von Genialys insgesamt in Ordnung zu sein scheinen, entdeckt das Planungsteam immer wieder Unstimmigkeiten in den von Genialys routinemäßig erstellten Zahlen.

18 Monate später wird Genialys nun in der Produktion für einige stabile Produktlinien verwendet - wie zum Beispiel Herrenunterwäsche -, die von Anfang an nie wirklich eine Herausforderung für die Prognose waren. Schwierige Kategorien wie Damenschuhe oder Herrenanzüge werden immer noch manuell vom Planungsteam mit dem alten Prozess betrieben. Der ursprüngliche Anspruch, Wetter- und Sozialdaten zu nutzen, gehört nun der Vergangenheit an. Die Genialys-Lösung ist sowieso kaum in der Lage, mit den einfachsten Kategorien umzugehen. Der Plan bleibt bestehen, den Umfang der von Genialys abgedeckten Kategorien zu erweitern, aber die Teams sind etwas erschöpft. Einige Leute haben das Unternehmen bereits verlassen. Die geschäftlichen Ergebnisse sind gemischt. Die Verfügbarkeit von Herrenunterwäsche hat um 2% zugenommen und Preisnachlässe wurden um 1% reduziert. Da jedoch die Anzahl der Referenzen in dieser Kategorie reduziert wurde, ist unklar, ob die zusätzliche (nie gemessene) Prognosegenauigkeit etwas mit dieser positiven Entwicklung zu tun hat. Offiziell wird die Prognoseinitiative weiter vorangetrieben, aber das Top-Management erwartet nichts mehr davon.