Antipatterns in supply chain

Supply chain Initiativen scheitern häufig. die Quantitative Supply Chain ist unsere Antwort, um die Ausfallraten drastisch zu senken. Allerdings, da sich die Quantitative Supply Chain auf die Praktiken konzentriert, von denen wir wissen, dass sie funktionieren, legt sie wenig Wert auf Praktiken, von denen wir ebenso wissen, dass sie nicht funktionieren. Schlimmer noch: Es hat sich herausgestellt, dass die meisten dieser unerwünschten Praktiken genau die Ursachen für die hohen Ausfallraten traditioneller supply chain Methoden sind.

Im Folgenden überprüfen wir die Praktiken - oder Muster - die dazu führen, dass die meisten supply chain Initiativen scheitern. Diese Erkenntnisse wurden mühsam erarbeitet, da es für jede Erkenntnis typischerweise nicht einen, sondern mehrere Misserfolge brauchte, um die eigentliche Ursache des Problems zu erkennen. Wir bezeichnen diese schädlichen Praktiken als supply chain antipatterns. Ein Antipattern ist eine „Lösung“, die nach hinten losgeht: Es ist ein gängiger Ansatz, er erscheint als gute Idee, und trotzdem scheitert er unweigerlich daran, die ursprünglich angestrebte Verbesserung zu liefern.

Schlechte Führung

Bei Lokad möchten wir keinesfalls wichtige supply chain decision Entscheidungsträger verprellen – sie sind unsere Interessenten und unsere Kunden. Gleichzeitig sehen wir es jedoch als unsere Pflicht an, einen Geschäftsabschluss abzulehnen, wenn die Lösung per Design zum Scheitern verurteilt ist. Häufig hängt das Problem damit zusammen, wie die Initiative selbst gemanagt wird. Dennoch räumen wir ein, dass das supply chain management kaum der einzige Schuldige ist. Manche Anbieter vermitteln ihren Kunden mitunter all die falschen Botschaften und kommen dabei ungeniert davon. Veraltete Praktiken und interne Politik können auch den Alltag des supply chain management vergiften, das zudem als Sündenbock herangezogen wird, wenn etwas nicht wie geplant funktioniert. In diesem Abschnitt listen wir typische Fallstricke auf, die durch eine überarbeitete supply chain Führung adressiert werden könnten.

Die RFQ aus der Hölle

In vielen Bereichen können RFQs (Anfragen für ein Angebot) sinnvoll sein. Leider gilt dies nicht für Software. Das Erstellen der Spezifikation einer Software ist weitaus schwieriger, als das eigentliche Stück Software zu entwickeln. Die Aufgabe ist entmutigend. Sobald ein RFQ-Prozess in Gang gesetzt wird, schaffen es Unternehmen oft, die Situation noch zu verschlimmern, indem sie Berater hinzuziehen, die ein ohnehin schon überkompliziertes Lastenheft weiter verkomplizieren. RFQs ersticken nahezu jede problemlösende Denkweise, da der RFQ-Prozess davon ausgeht, dass der Kunde bereits die Details der gewünschten Lösung kennt, während das „Problem“ definitionsgemäß zum Zeitpunkt der Erstellung des RFQ noch weitgehend ungelöst ist. Zudem fördern RFQs in der Praxis einen konfrontativen Anbieter-Auswahlprozess: Die guten Anbieter steigen aus, während die weniger guten verbleiben. Schließlich ist die Softwarebranche schnelllebig, und in der Zeit, in der Ihr Unternehmen den RFQ-Prozess abschließt, hat Ihr Wettbewerber seine Lösung bereits ausgerollt.

Der fragile POC

Ein POC (Proof of Concept) ist sinnvoll, wenn Sie beabsichtigen, einen einfachen, nahezu standardisierten Service zu erwerben – wie beispielsweise einen Druckservice für Visitenkarten. Eine supply chain Initiative ist per Design komplex. Supply chain erfordert die Koordination mehrerer Einheiten. Es gibt mehrere Ebenen von Daten, die genutzt werden sollten. Dutzende von Arbeitsabläufen müssen berücksichtigt werden. POCs oder kleine Pilotprojekte richten mehr Schaden an als Nutzen, da sie per Design eine fundamentale Tugend einer erfolgreichen supply chain Initiative vernachlässigen: ihre Fähigkeit, im großen Maßstab zu operieren. Die meisten Menschen sind an das Prinzip der Skaleneffekte gewöhnt, doch bei der supply chain Optimierung müssen wir vorwiegend mit Gegeneffekten der Skalierung rechnen, bei denen es mit zunehmender Komplexität immer schwieriger wird, gute Entscheidungen zu treffen. Der Erfolg eines kleinen Vertriebszentrums garantiert keineswegs, dass die Lösung ebenso gut funktioniert, wenn es um Dutzende unterschiedlicher Vertriebszentren geht.

Die Unsicherheit abtun

Die Zukunft ist ungewiss, und diese Ungewissheit lässt sich nicht einfach wegwünschen. Ebenso wenig lässt sich die numerische Optimierung der supply chain – ein schwieriges Problem – wegwünschen. Supply chain Optimierung erfordert probabilistische Vorhersagen, die eine direkte Folge des Umgangs mit unsicheren Zukünften sind. Zudem sieht sich die supply chain Optimierung mit den eher kontraintuitiven Verhaltensweisen konfrontiert, die durch numerische Optimierungen entstehen. Einige Anbieter nutzen den Wunsch, Dinge einfach und unkompliziert zu halten, um eine fantastische Praxis zu verkaufen, bei der alle Hürden abstrahiert werden. Leider sind diese Hürden nicht bloße Banalitäten: Sie definieren, was tatsächlich die Chance hat, in Ihrer supply chain zu funktionieren. Ungewissheit muss aus einer tiefen numerischen Perspektive angenommen werden. Auch das supply chain management muss die Ungewissheit anerkennen und annehmen.

Dem Praktikanten vertrauen

Wenn die Verbesserung der supply chain für Ihr Unternehmen von Bedeutung ist, erfordert die Initiative die direkte Einbindung Ihres Top-Managements. Zu oft schätzen Unternehmen die Idee von Verbesserungen, weisen dann aber ein oder zwei Praktikanten dem Projekt zu. Obwohl wir einige sehr kluge Praktikanten kennengelernt haben, haben wir noch nie gesehen, dass eine von Praktikanten getriebene supply chain Initiative zu Ergebnissen führt. Wir haben nichts gegen Praktikanten – sie können klug, engagiert und unkonventionelle Denker sein – aber sie kommen bei weitem nicht an das heran, was Ihr Unternehmen benötigt, um Veränderungen in der supply chain voranzutreiben. Das Engagement des Top-Managements im Bereich supply chain sollte selbstverständlich sein, andernfalls liefern die Teams nicht. Teams haben in der Regel kaum Freizeit. Wenn das Management durch direkte Beteiligung nicht klar macht, dass die aktuelle Initiative Priorität hat, dann zählt sie für niemanden wirklich – außer vielleicht für den bedauernswerten Praktikanten, der dem Projekt zugeteilt wurde.

Tod durch Planung

Das Management sucht Sicherheit, und wenn es um Sicherheit geht, gibt es nichts Besseres als einen soliden Fahrplan mit klar definierten Phasen, Rollen und Ergebnissen. Doch wenn uns die Geschichte der Software etwas gelehrt hat, dann, dass vordefinierte Pläne in der Regel nicht einmal die erste Woche der Initiative überdauern – manchmal nicht einmal den ersten Tag. Bei der supply chain Optimierung werden immer wieder unerwartete Ereignisse eintreten, was eine durchaus beängstigende Perspektive darstellt. Allerdings verschlimmert eine Verfestigung der Initiative durch präzise Planung die Situation nur: Die Initiative wird noch fragiler im Umgang mit unvorhergesehenen Problemen. Stattdessen sollte die Initiative so resilient wie möglich gegen das Unbekannte gemacht werden. Die Fähigkeit, sich von Problemen zu erholen, ist wichtiger als die Fähigkeit, diese von vornherein auszuschließen. Daher sollte das supply chain management darauf fokussieren, die Initiative agil statt detailverliebt zu planen.

Trennung von Prognose und Optimierung

Die traditionelle Sichtweise auf die supply chain Optimierung trennt den Prognoseprozess von der Entscheidungsfindung. Obwohl dies aus einer rein technischen Perspektive mithilfe von zwei unterschiedlichen Algorithmus-Sets – einem für die Prognose und einem für die Optimierung – machbar ist, muss aus funktionaler Sicht das Team, das für die Prognose verantwortlich ist, auch die Optimierung betreuen. Tatsächlich ist die Entscheidungslogik, beziehungsweise die Optimierung, numerisch hochsensitiv gegenüber der Prognoselogik. Die Isolation der beiden Perspektiven ist ein Rezept dafür, dass sich bestehende Schwächen der Prognose potenzieren und verheerende Auswirkungen auf die daraus resultierenden Entscheidungen haben. Die Optimierungslogik sollte stattdessen numerisch so kooperativ wie möglich mit den Stärken und Schwächen der Prognoselogik sein.

Frankensteinisierung der Software

In großen Unternehmen ist es schwierig, einen Konsens zu erzielen. Infolgedessen entscheiden sich zwar die Mehrheit der am supply chain Beteiligten möglicherweise für einen bestimmten Anbieter, doch eine Minderheit beharrt darauf, ihre eigene Vision durchzusetzen oder bestimmte Funktionen eines gänzlich anderen Produkts zu bevorzugen. Da die Individualisierung von Software ein profitables Geschäft für große software vendors darstellt, ist der Anbieter allzu häufig bereit, diesem Wunsch nachzukommen, wodurch die Kosten und der wahrgenommene Wert in die Höhe getrieben werden. Dabei braucht gute Software Jahre, um entwickelt zu werden, und wenn sie korrekt erstellt wird, stellt das Endergebnis einen fein abgestimmten Kompromiss zwischen widersprüchlichen Zielen dar. Das nahezu systematische Ergebnis der Überanpassung von Software in großen Unternehmen besteht darin, dass die ursprünglichen Eigenschaften des Produkts verloren gehen und es – statt besser – schlechter wird, indem immer mehr Schichten hinzugefügt werden, sodass es zu einem Monster mutiert. Es mangelt nicht an software vendors – passt die Lösung nicht zu Ihrem Unternehmen, suchen Sie weiter und wählen einen anderen Anbieter. Wenn kein Anbieter zu Ihrem Unternehmen passt, dann ist Ihr Geschäft entweder wirklich einzigartig – was selten der Fall ist – oder Sie sollten Ihre Anforderungen überdenken.

Von Buzzwords getriebene Initiativen

Rund um 2010 war es im Einzelhandel in aller Munde, herauszufinden, wie man Wettervorhersagen nutzen kann, um Nachfrageprognosen zu verfeinern. Im Jahr 2012 war es in Mode, Social-Media-Daten in die Nachfrageprognose einzubeziehen. 2014 dominierte Big Data, nur um 2016 von machine learning abgelöst zu werden. Jedes Jahr bringt eine neue Welle von Buzzwords mit sich. Zwar kann es hilfreich sein, ein altes Problem aus einer neuen Perspektive zu betrachten – ganz im Gegenteil –, doch das Aus den Augen verlieren der Kernherausforderungen gefährdet nahezu jede bereits begonnene Initiative. Wenn etwas zu gut erscheint, um wahr zu sein, dann ist es das wahrscheinlich auch. Supply chain Verbesserungen werden mühsam erarbeitet. Stellen Sie sicher, dass jede Neuerung, die Sie einführen möchten, sich wirklich auf die zentralen Herausforderungen Ihrer supply chain konzentriert.

Schlechte IT-Ausführung

IT wird allzu häufig für Projektmisserfolge verantwortlich gemacht. IT ist schwierig – viel schwieriger, als die meisten außerhalb der IT es sich vorstellen können. Dennoch kommt es manchmal vor, dass IT-Teams aus gutem Willen so viel Reibung durch ihre Prozesse erzeugen, dass die Initiative so stark verzögert wird, dass der Rest des Unternehmens schlicht aufgegeben hat. IT-Teams müssen den Wandel nicht nur im Allgemeinen annehmen, sondern auch jene spezielle Art von Veränderung, die zukünftige positive Entwicklungen nicht gefährdet. Leichter gesagt als getan.

Vorsicht vor IT-Abwehrmechanismen

Da IT-Teams in der Vergangenheit bei fehlgeschlagenen Unternehmensprojekten öfter als Sündenbock herangezogen wurden, könnten sie bestimmte „Abwehrmechanismen“ entwickelt haben. Einer der häufigsten besteht darin, für jede neue Initiative detaillierte schriftliche Spezifikationen anzufordern. Doch das Festlegen einer Spezifikation für eine Softwarelösung erweist sich in der Regel als schwieriger als die eigentliche Implementierung. Folglich ersetzt man damit ein komplexes Problem durch ein noch komplexeres. Weitere Abwehrmechanismen bestehen darin, strikte „Anforderungen“ aufzustellen, wie zum Beispiel: Die Software soll vor Ort installiert sein, mit XYZ kompatibel sein, spezifische Sicherheitsfunktionen besitzen usw. Gute Software braucht Jahre, um entwickelt zu werden. Sobald die lange Liste der Anforderungen niedergeschrieben ist, bleiben in der Regel nur zwei Arten von software vendors übrig: diejenigen, die nicht mit Ihren Anforderungen kompatibel sind, und diejenigen, die fälschlicherweise behaupten, kompatibel zu sein.

Die Unterschätzung des Datenaufwands

So paradox es klingen mag: Supply chain Initiativen können auch scheitern, weil die IT zu stark in die Entwicklung der Lösung eingebunden wird und sich selbst die Datenaufbereitung zur Aufgabe macht. Da IT außerordentlich komplex ist und durchaus talentierte Köpfe umfasst, kann es passieren, dass einige IT-Teams zu der Überzeugung gelangen, sie kennen das Geschäft besser als der Rest des Unternehmens. Die primäre unerwünschte Folge dieser Denkweise ist eine konstante Unterschätzung der Herausforderungen, die mit der Arbeit an den Unternehmensdaten verbunden sind. Sinnvolles Verarbeiten von Daten bedeutet nicht, Megabytes von Daten hin- und herzuschieben, sondern ein feines Verständnis dafür zu entwickeln, wie diese Daten die Prozesse und Arbeitsabläufe des Unternehmens widerspiegeln. Es geht auch darum, die feinen Nuancen, Verzerrungen und Grenzen der Daten zu verstehen, wie sie in den Systemen des Unternehmens zu jedem Zeitpunkt auftreten. Dass IT-Teams die Datenaufbereitung übernehmen, ist ein sicherer Weg, unerwartete Verzögerungen zu verursachen, sobald sie erkennen, wie viel Tiefe in ihrer ursprünglichen Vision fehlte. Unter Berücksichtigung all dessen besteht die vernünftige Option darin, diese Rolle von vornherein an jemanden außerhalb der IT-Abteilung zu delegieren.

Die Versuchung der erweiterbaren Plattform

Wenn es um Unternehmenssoftware geht, haben Anbieter eines gemeistert: die Kunst, eine „erweiterbare“ Plattform zu sein, die mit vielen Modulen ausgestattet ist und zahlreiche Upsell-Möglichkeiten bietet. Plattformen harmonieren jedoch oft nicht miteinander, und funktionale Überschneidungen – also zwei Plattformen, die intern für dieselbe Funktion im Unternehmen konkurrieren – treten sehr schnell auf. Zwei sich überschneidende Plattformen sind ein IT-Albtraum für jedes Unternehmen und führen typischerweise zu Synchronisationsmechanismen, die schwer einzurichten und noch schwieriger zu warten sind. Daher liegt die vernünftige Option fast immer darin, sich für spezialisierte Anwendungen zu entscheiden, die eine Sache gut machen. Dutzende schmale Anwendungen zu warten, ist überschaubar, während die Verwaltung von zwei großen Plattformen – mit ebenso großen funktionalen Überschneidungen – höllisch sein kann.

Unzuverlässige Datenextraktionen

Daten sind wie Blut für eine die Quantitative Supply Chain-Initiative: hört man auf zu pumpen, stirbt sie. Die Initiative muss ständig mit frischen Daten versorgt werden. Zu oft meint die IT, dass ein paar einmalige Datenextraktionen ausreichen, um den Betrieb aufzunehmen. Schließlich ist die Wahrscheinlichkeit groß, dass genau diese Initiative sowieso bald eingestellt wird – denken Sie daran, die meisten supply chain Initiativen scheitern – und deshalb ist es wenig sinnvoll, in dieser frühen Phase der Datenextraktion zu viel Aufwand zu betreiben. Folgt man jedoch dieser Denkweise, verzögert sich die Implementierung eines automatisierten Prozesses für zuverlässige Datenextraktionen und wird somit zu einer der primären Ursachen für das Scheitern der Initiative selbst. Hier muss die IT proaktiv sein und von Tag eins an mit der Automatisierung der Datenextraktionen beginnen. Darüber hinaus hat das IT-Team auch eine Coaching-Rolle, um den Rest des Unternehmens davon zu überzeugen, dass dieser zusätzliche Aufwand ein Schlüsselfaktor für den Erfolg der Initiative ist und dass die Einwegoption zur Datenextraktion zu nichts führen wird.

Schlechte Zahlenrezepte

Die Optimierung der supply chain ist in erster Linie ein Zahlenspiel. Natürlich spielen Unternehmensvision, Führung und Disziplin eine Rolle, aber unsere Erfahrungen zeigen, dass die meisten Unternehmen in diesen Bereichen bereits mehr als gute Arbeit leisten. Wenn es jedoch um Zahlen geht, scheint der gesamte supply chain Bereich von schlechten Zahlenrezepten überrannt zu sein. Nicht alle supply chain Praktiker erkennen, dass alle Formeln und Modelle – hier als Zahlenrezepte bezeichnet – von ziemlich strengen Annahmen abhängen. Wird eine dieser Annahmen verletzt, bricht das Zahlenrezept zusammen. In diesem Abschnitt listen wir die häufigsten Übeltäter in dieser Hinsicht auf. Der Kürze halber nehmen wir an, dass dem Leser die Rezepte selbst bereits bekannt sind.

ABC-Analyse

Der ABC-Ansatz zur Bestandsverwaltung wurde in einer Zeit entwickelt, in der Computer keine Option zur Steuerung der supply chain waren. Der Hauptvorteil der ABC-Analyse besteht darin, dass die Analyse so einfach gehalten wird, dass sie von Hand durchgeführt werden kann. Angesichts der verblüffenden Verarbeitungskapazitäten moderner Computer macht die Anwendung der ABC-Analyse heutzutage jedoch keinen Sinn mehr. Es gibt keinerlei Vorteile darin, Tausende von SKUs in 3 oder 4 willkürliche Klassen einzuteilen. Es gibt ein vollständiges Kontinuum zwischen dem am meisten verkauften Produkt und dem langen Schwanz. Die Logik, die die supply chain optimiert, sollte dieses Kontinuum berücksichtigen, anstatt zu leugnen, dass es überhaupt existiert. In der Praxis beobachten wir auch, dass die negativen Effekte der ABC-Analyse durch Marktveränderungen, die zu Klasseninstabilitäten führen, verschärft werden, wobei Produkte im Laufe der Zeit ständig die Klasse wechseln.

Sicherheitsbestand

Es gibt so etwas wie „Sicherheitsbestand“ in Ihrem Lager nicht. Sicherheitsbestand ist ein fiktives Konzept, das den vorhandenen Bestand in zwei Kategorien unterteilt: den Arbeitsbestand und den Sicherheitsbestand. Aus historischer Perspektive wurde der Sicherheitsbestand als vereinfachte Methode eingeführt, um mit schwankender Nachfrage und schwankender Lieferzeit umzugehen. Der Sicherheitsbestand wird basierend auf Normalverteilungen modelliert – auch als Gaußsche Verteilungen bezeichnet. Allerdings zeigt schon ein kurzer Blick in fast jeden supply chain Datensatz deutlich, dass weder die Nachfrage noch die Lieferzeiten normalverteilt sind. Noch in den frühen 1980er Jahren, als Computer noch sehr langsam waren, mag die Normalverteilung ein valider Kompromiss zwischen Komplexität und Genauigkeit gewesen sein, aber heutzutage macht es keinen Sinn, an etwas festzuhalten, das als ein „Hack“ zur Bewältigung der Einschränkungen früher Computer entwickelt wurde.

Manuelle Prognosekorrekturen

Einige Praktiker sind vielleicht stolz darauf, das System „auszutricksen“ und bessere Prognosen zu generieren, als das System produzieren kann. Wenn dem so ist, sollte das System als dysfunktional betrachtet und entsprechend behoben werden – typischerweise unter Nutzung der Erfahrung und Einsichten des Praktikers. Die Optimierung einer supply chain in bedeutendem Umfang erfordert die Erstellung von Tausenden, wenn nicht Millionen von Prognosen pro Tag. Sich auf manuelle Dateneingaben der supply chain Teams zu verlassen, um die Mängel des Systems auszugleichen, sollte nicht einmal als eine gültige Option für das Unternehmen in Betracht gezogen werden. Angesichts der Fortschritte in der Statistik in den letzten 20 Jahren gibt es keinen Grund zur Annahme, dass ein automatisiertes System, wenn es die gleichen Dateneingaben erhält, nicht besser abschneiden könnte als ein Mensch, der realistischerweise nicht mehr als ein paar Sekunden für jede zu erstellende Zahl zur Verfügung hat. Hätte der Mensch Tage Zeit für jede Entscheidung, die das Unternehmen treffen muss, sähe die Situation ganz anders aus. Allerdings passen die allermeisten täglichen Entscheidungen in der supply chain nicht in diese Kategorie.

Warnmeldungen und Überwachung schlechter Prognosen

Klassische Prognosen fokussieren sich auf eine einzige Zukunft – also Prognosen, die auf den Mittelwert oder Median abzielen –, als ob genau diese eine Zukunft mit einer bedeutsamen Wahrscheinlichkeit eintreten würde. Doch die Zukunft ist unsicher und Prognosen sind bestenfalls nur annähernd korrekt. In bestimmten Situationen liegen klassische Prognosen einfach völlig falsch. Häufig entstehen dem Unternehmen immense Kosten aufgrund dieser großen Prognosefehler. Daher werden Warnmeldungen eingerichtet, um diese großen Fehler im Blick zu behalten. Der Hauptschuldige ist jedoch nicht die Prognose selbst, sondern die klassische Prognoseperspektive, die sich auf eine einzige Zukunft fokussiert, während alle Zukünfte möglich sind – wenn auch nicht gleich wahrscheinlich. Aus der Sicht probabilistischer Prognosen sind die Prognosefehler im Voraus bekannt und werden als Wahrscheinlichkeitsverteilungen dargestellt, die sich gleichmäßig über einen weiten Bereich möglicher Werte erstrecken. Probabilistische Prognosen betonen einen Ansatz, bei dem das Unternehmen proaktiv seine supply chain Aktivitäten absichert, wenn es mit einer höheren Unsicherheit konfrontiert wird. Im Gegensatz dazu ist das Einrichten von Warnmeldungen bei klassischen Prognosen ein Symptom eines von vornherein fehlerhaften Ansatzes, da er die gesamte Unsicherheit leugnet.

Historische Daten mit Klebeband flicken

Wenn in historischen Daten Verzerrungen gefunden werden, wie beispielsweise Lagerleerstände oder Aktionen, ist es verlockend, diese Verzerrungen irgendwie zu „beheben“, indem man die historischen Daten modifiziert, sodass sie besser widerspiegeln, wie die Geschichte ohne diese Verzerrung verlaufen wäre. Dies bezeichnen wir als das „Zusammenkleben“ der historischen Daten. Die grundlegende Idee dahinter ist, dass alle Prognosemodelle als Varianten des gleitenden Durchschnitts konzipiert sind. Wenn alles, was vorhanden ist, gleitende Durchschnitte sind, müssen die historischen Daten tatsächlich angepasst werden, um diese zu berücksichtigen. Doch das Zusammenkleben ist nicht die Lösung. Tatsächlich liegt die Lösung darin, den Horizont zu erweitern und nach besseren Prognosemodellen zu suchen, die nicht so dysfunktional sind wie der gleitende Durchschnitt. Bessere statistische Modelle sollten eingesetzt werden, um „angereicherte“ historische Daten erfolgreich zu verarbeiten, bei denen die Verzerrungen selbst als Dateneingabe behandelt werden. Während solche statistischen Modelle vor Jahrzehnten vielleicht nicht verfügbar waren, ist das heutzutage definitiv nicht mehr der Fall.

Lieferzeiten als Bürger zweiter Klasse

Aus Gründen, die uns nicht ganz klar sind, werden Lieferzeiten allzu häufig als gegebene Dateneingabe betrachtet, anstatt als etwas, das eine eigene Prognose benötigt. Zukünftige Lieferzeiten sind unsicher und nahezu immer ist der beste Weg, um sie zuverlässig abzuschätzen, die Verwendung der in der Vergangenheit beobachteten Lieferzeiten. Daher erfordern Lieferzeiten eine eigene Prognose. Zudem sind die Auswirkungen korrekter Lieferzeitschätzungen auf die supply chain weitaus größer, als viele Praktiker annehmen: Die im Lager gehaltenen Mengen dienen genau dazu, die Nachfrage für eine bestimmte Lieferzeit abzudecken. Ändern sich die Lieferzeiten, ändern sich auch die Lagerbestände. Deshalb dürfen Lieferzeitprognosen in Ihren supply chain Bemühungen nicht die Rolle von Bürgern zweiter Klasse einnehmen. Fast alle supply chain Pläne betonen die Notwendigkeit präziser Nachfrageprognosen, aber unsere Erfahrungen zeigen, dass in der Praxis präzise Lieferzeitprognosen ebenso wichtig sind.

Pseudowissenschaft

Pseudowissenschaft weist alle Kennzeichen der Wissenschaft auf: Sie wirkt rational, sie präsentiert Zahlen, sie gilt als bewiesen und hochgebildete Menschen verteidigen sie. Pseudowissenschaft hält jedoch nicht dem Test stand, wiederholbare Ergebnisse zu erzielen. In der Regel ist nicht einmal ein experimenteller Aufbau erforderlich, um Pseudowissenschaft zu erkennen, und die pseudowissenschaftlichen Materialien beginnen unter der Prüfung eines unparteiischen Experten im Peer-Review auseinanderzufallen. Supply chains sind teuer im Betrieb und komplex zu verstehen. Diese beiden Eigenschaften allein erklären, warum supply chain Methoden ziemlich schwer anzufechten sind: Experimente bergen nicht nur ein hohes Risiko, sondern es ist auch schwierig, korrekt zu beurteilen, was tatsächlich zu einer wahrgenommenen Verbesserung beiträgt.

Fantasie-Geschäftsmodelle

Supply chain Lösungen sind sicherlich nicht das einzige Gebiet der Unternehmenssoftware, in dem Anbieter kühne Behauptungen aufstellen, aber wie das alte Sprichwort sagt: Wenn etwas zu gut aussieht, um wahr zu sein, ist es das wahrscheinlich auch. Wir haben selbst beobachtet, dass nahezu jeden Januar auf der NRF-Messe in New York – einer der größten Einzelhandelsmessen der Welt, die seit über einem Jahrhundert stattfindet – oft ein sehr großer Anbieter auftritt, der kühn behauptet, dass die Lagerbestände mithilfe seiner neuen Lösung nun halbiert werden können. Wären auch nur ein Zehntel dieser Behauptungen wahr, hätte die gesamte Branche bereits vor einem Jahrzehnt nahezu perfekte Lagerbestände erreicht. Es gibt so viele Möglichkeiten, die Zahlen der Business Cases zu manipulieren, dass die meisten Anbieter gar nicht wirklich lügen. Der häufigste Fall ist, dass das als „Schaufensterlösung“ beworbene Unternehmen von Anfang an eine massiv dysfunktionale supply chain hatte und daher ebenso massive Verbesserungszahlen erzielt werden konnten, sobald nach einem Jahr wieder Normalität herrschte.

Dem Sales-Team bei der Prognose vertrauen

Es bleibt ein Rätsel, ob die Personen, die ihren Sales-Teams auftragen, genaue Nachfrageprognosen zu erstellen, jemals wirklich mit einem echten Sales-Team zusammengearbeitet haben. Im besten Fall können diese Zahlen als ehrliche Schätzungen angesehen werden, doch meistens erfindet das Sales-Team sie einfach, um irgendeinen finanziellen Anreiz auszuspielen. Dies führt zu der weit verbreiteten Praxis des „Sandbaggings“, bei der alle ihre Ziele so niedrig wie möglich ansetzen, um später die Erwartungen zu übertreffen. Darüber hinaus gibt es supply chain Teams, die oft vorgeben, auf diese Zahlen zu achten, während der eigentliche Betrieb völlig getrennt von den von Sales gelieferten Angaben abläuft. Die Zahlen, die vom Sales-Team vorgeschlagen werden, zu ignorieren, ist die einzig vernünftige Option, denn die supply chain würde völlig stillstehen, wenn sie tatsächlich auf solchen schlechten Zahlen basieren müsste.

Bewährte Lösungen

Die Suche nach einer bewährten Lösung, die es geschafft hat, einem Unternehmen, das Ihrem sehr ähnlich ist, greifbare Vorteile zu verschaffen, mag wie ein sehr rationaler Ansatz erscheinen. Anekdotisch gesehen ist genau das das, was Nokia getan hat – und unzählige andere Unternehmen, bis sie nicht mehr existierten. Die meisten Großunternehmen handeln nicht so schnell, wenn es darum geht, sich für eine komplexe Lösung zu entscheiden. Der Auswahlprozess für den Anbieter kann leicht bis zu einem Jahr dauern. Danach kann es ebenfalls ein weiteres Jahr dauern, bis mit der gewählten Lösung Fahrt aufgenommen wird. Die Überwachung und das Gewinnen von Vertrauen in die Ergebnisse können ein oder zwei weitere Jahre in Anspruch nehmen, insbesondere bei solchen supply chain, bei denen nicht alle Lösungen nachhaltig sind und die supply chain schnell in den vorherigen Leistungszustand zurückfallen kann, sobald der Anbieter nicht mehr ständig vor Ort ist, um die Lösung anzupassen. Anschließend kann es noch ein weiteres Jahr dauern, bis der Lösungsanbieter letztlich mit diesem hart erarbeiteten Beweis in Ihrem Unternehmen ankommt. Der fatale Fehler in diesem Denkansatz ist, dass sich Ihr Unternehmen leisten kann, fünf Jahre zu spät zur Party zu kommen. Bei Software sind fünf Jahre eine sehr lange Zeit. Die meisten Softwarelösungen gelten bereits nach fünf Jahren als veraltet; warum sollte Ihre supply chain Lösung anders sein?

Schlechte Metriken, schlechte Benchmarks

Die die Quantitative Supply Chain dreht sich ganz um Zahlen, denen man vertrauen kann. Deshalb neigen wir dazu, uns stark auf Metriken und Benchmarks zu stützen. Allerdings beobachten wir, dass in der supply chain die überwiegende Mehrheit der Benchmarks und Metriken so schlecht gestaltet ist, dass sie in unserem Verständnis allgemein als Pseudowissenschaft angesehen werden. Gute supply chain Metriken erfordern viel Aufwand. Gute supply chain Benchmarks erfordern einen nahezu unglaublichen Aufwand. Zu oft werden Metriken und Benchmarks um ihrer Einfachheit willen heruntergebrochen, jedoch auf Kosten jeglicher tatsächlicher Relevanz für das Geschäft. Als Faustregel gilt: Wenn es sich für Ihre supply chain Teams nicht wie eine unglaublich schwierige Aufgabe anfühlt, einen Benchmark zu betreiben, dann ist die Herausforderung höchstwahrscheinlich enorm unterschätzt.