Prognose 3.0 mit Quantiltabellen
Die Bereitstellung von besseren Prognosen war schon immer der Kernfokus von Lokad. Heute stellen wir die dritte Generation unserer Prognosetechnologie vor, basierend auf Quantiltabellen. In einfachen Worten demonstrieren Quantiltabellen ein beispielloses Leistungsniveau, was bedeutet, dass Ihr Unternehmen mehr Kunden bedienen kann, zuverlässiger und mit weniger Lagerbestand. Im Gegensatz zu allen vorhandenen Prognosemethoden, die auf dem Markt verfügbar sind, liefert diese Methode nicht für jedes Produkt eine einzige Nachfrageprognose, sondern die gesamte Wahrscheinlichkeitsverteilung für (fast) alle möglichen Zukünfte. Quantiltabellen sind durch die Kombination von Machine Learning, Big Data, Cloud Computing sowie einigen handelsorientierten Erkenntnissen möglich.
Quantiltabellen sind jetzt für alle unsere Kunden in der Produktion verfügbar und über eine neue Quantile Grid-Option für jedes Projekt zur Bestandsprognose zugänglich.
Prognose 1.0: klassische Prognosen
Als Lokad 2008 gegründet wurde, starteten wir mit dem, was wir heute klassische Prognosen nennen – unsere Version 1.0 –, einer Prognosemethode, bei der jedem Produkt oder SKU ein periodischer Wert zugeordnet wird; beispielsweise wöchentliche Prognosen bis zu 13 Wochen im Voraus. Implizit gelten diese Prognosen als Medianprognosen: Es wird erwartet, dass eine unvoreingenommene Prognose in 50 % der Fälle über und in 50 % der Fälle unter dem tatsächlichen Bedarf liegt. Für den übrigen Markt werden diese Prognosen nicht als “klassisch” bezeichnet – sie sind die einzigen Prognosen, da die meisten unserer Wettbewerber niemals Alternativen in Betracht gezogen haben.
Allerdings, was den Handel betrifft, funktionieren klassische Prognosen in der Praxis schlecht, egal wie genau sie sind. Intuitiv betrachtet berücksichtigen klassische Prognosen einfach nicht, was wirklich zählt. Der durchschnittliche oder mediane Bedarf ist der einfache und uninteressante Fall, in dem alles nach Plan verläuft. Die schwierigen Fälle betreffen jedoch unerwartet hohe oder unerwartet niedrige Nachfrage, die jeweils zu Stock-outs und zu totem Lagerbestand führen. Diese extremen Situationen kosten letztlich Geld. Klassische Prognosen funktionieren nicht, weil die Algorithmen mangelhaft sind, sondern weil sie das Geschäft aus dem falschen Blickwinkel betrachten. So scheiterte es, egal wie viel F&E-Investition ein Unternehmen in klassische Prognosen steckte – eine der härtesten Lektionen, die Lokad in den frühen Tagen lernen musste.
Prognose 2.0: Quantilprognosen
Im Jahr 2012 erzielten wir unseren ersten Durchbruch mit Quantilprognosen. Trotz eines Namens, der furchteinflößend klingen mag, sind Quantilprognosen dem, was Führungskräfte in ihren Unternehmen tun, wesentlich näher – es handelt sich um szenarische Prognosen. Anstatt den Durchschnittsfall zu betrachten, verfolgen Quantilprognosen das Ziel: Betrachten wir die obersten 5 % unserer optimistischsten Nachfrageprognosen – droht ein Stock-out? Und bei den untersten 5 % unserer pessimistischsten Prognosen – droht toter Lagerbestand? Quantilprognosen greifen direkt die schwierigen Fragen an, die aus geschäftlicher Sicht wirklich von Bedeutung sind. Wie Ingenieure sagen: Es ist besser, ungefähr richtig zu sein, als exakt falsch, und obwohl Quantilprognosen ebenfalls unter den Ungenauigkeiten der klassischen Prognosen leiden, übertreffen sie diese aus operativer Sicht bei allen Bestands-bezogenen Fragestellungen.
Dennoch sind Quantilprognosen nicht der Höhepunkt der Prognosekunst. Oberflächlich litt unsere Quantilprognosentechnologie unter numerischen Unstimmigkeiten wie Quantilüberschneidungen und Quantilinstabilitäten. Da diese Probleme recht sichtbar sind, können sie effizient gemildert werden. Auf einer tieferen Ebene erkannten wir jedoch, dass unsere Quantilprognosen noch nicht perfekt an die tatsächlichen Herausforderungen des Geschäfts angepasst waren. Insbesondere wird die Optimierung der Service Levels dem Supply Chain Manager überlassen. Das ist – gewissermaßen – ein Betrug, denn ein erheblicher Teil der Lagerperformance wird tatsächlich durch ein sehr präzises Abstimmen der profitabelsten Service Levels erzielt, die Lagerhaltungskosten und die Servicequalität angemessen in Balance bringen.
Prognose 3.0: Quantiltabellen
Im Februar 2015 veröffentlichen wir unseren zweiten Prognosedurchbruch: Quantiltabellen. Im Laufe der Jahre akzeptierten wir, dass Prognosen unvollkommen sein können. Präzise Prognosen sind ein Märchen, das in einem Markt, der von wenig überzeugenden Anbietern überflutet ist, immer wieder gern erzählt wird. Da wir die exakte Zukunft nicht vorhersagen können, warum sollten wir nicht versuchen, jeder einzelnen möglichen Zukunft eine Wahrscheinlichkeit zuzuordnen? Das heißt, die Wahrscheinlichkeit, null, eine, zwei etc. Einheiten zu verkaufen. Genau darum geht es bei Quantiltabellen: Es wird nicht nur eine Prognose pro Produkt geliefert, sondern die gesamte Wahrscheinlichkeitsverteilung des Bedarfs für jedes Produkt. Im Hintergrund ähneln Quantiltabellen den Quantilprognosen, außer dass eine Bedarfsprognose gleichzeitig für alle Service Levels berechnet wird.
Die Optimierung des Inventars oder das Management der supply chain dreht sich alles um das Austarieren von Risiken und Chancen: Lagerbestände vs. Service Levels, Einkaufspreis vs. Lieferant lead time, Großeinkauf vs. Produktion auf Bestellung und so weiter. Für jedes Szenario, zum Beispiel für einen zukünftigen Bedarf von 3 Einheiten, haben wir lediglich 2 Einheiten gekauft – sodass es möglich und einfach wird, das Nettogeschäftsergebnis zu berechnen, beispielsweise 2 verkaufte und 1 unverkaufte Einheit. Dadurch kann jede Einkaufsentscheidung beurteilt werden, indem man einfach alle Szenarien durchspielt und die berechnete Wahrscheinlichkeit auf jedes Szenario anwendet. Ein Durchbruch aus der Luft- und Raumfahrt
Obwohl Lokad in erster Linie Einzelhändler bedient, arbeiten wir auch in anderen Branchen, etwa in der Luft- und Raumfahrtindustrie. Vor einem Jahr begannen wir, für ein großes Joint Venture zwischen AirFrance Industries und Lufthansa Technik tätig zu werden, und erkannten, dass unsere Quantilprognosentechnologie der Herausforderung nicht vollständig gewachsen war. Jede Quantilprognose gleicht einem einzelnen Geschäftsszenario. Zwar ist es möglich, 3, 4 oder 5 verschiedene Szenarien zu kombinieren, doch erfordert es enorme Anstrengungen, die Regeln zu implementieren, die all diese Szenarien zusammenführen, um optimierte Beschaffungsentscheidungen zu erzielen.
Eine viel elegantere Lösung, die zudem eine deutlich bessere Lagerperformance liefert, besteht darin, alle zukünftigen Geschäftsszenarien zu prognostizieren und zu bewerten. Keine ad-hoc Szenarien mehr, die wir mühsam zusammenfügen, sondern eine Auflistung von (fast) allen möglichen Szenarien (zugegeben, es ist eine lange Liste), die alle auf einfache und einheitliche Weise behandelt werden. Dieser Ansatz hat den Nachteil, dass er brutal anspruchsvoller in Bezug auf Rechenressourcen ist. Dank unserer favorisierten Cloud Computing Plattform – Microsoft Azure – waren Rechenressourcen jedoch noch nie so günstig, und die Preise fallen weiterhin.
Die Ergebnisse, die wir mit Quantiltabellen in der Luft- und Raumfahrt erzielten, erwiesen sich als weitaus überwältigender als die Leistung unserer Flaggschiff-Quantilprognosentechnologie. Es war an der Zeit, die Raketentechnologie (naja, nicht Raketen, sondern Jet-Airliner tatsächlich) wieder in den Handel zu bringen, und die zahlreichen Experimente der letzten Monate bestätigten die entscheidende Überlegenheit der Quantiltabellen gegenüber unseren ursprünglichen Quantilprognosen.
Zukunft der prädiktiven Handelsoptimierung
Als wir vor drei Jahren Quantilprognosen erstmals veröffentlichten, sagte ich voraus, dass diese innerhalb von 10 Jahren das Standardwerkzeug für jede supply chain praktizierende Person sein würden, die es ernst meint mit ihrer Lagerperformance. Es stellte sich jedoch heraus, dass die Anstrengungen des gesamten Lokad-Teams, einschließlich meiner eigenen, mir das Gegenteil bewiesen. Da wir einen Ansatz entdeckten, der unseren ursprünglichen Quantilprognosen überlegen ist, kamen wir zu dem Schluss, dass deren langfristige Zukunft fragil ist. Doch die Zukunft des Abkömmlings der Quantilprognosen ist rosiger denn je, da Quantiltabellen die Herausforderungen lösen, die uns jahrelang entgangen waren – etwa die Optimierung von Service Levels, Containertransporte oder Multi-Sourcing-Strategien.
Zudem wurden Lagerbestandsprognosen und Preisoptimierung jahrelang strikt isoliert behandelt, als ob sie zwei Teile eines separaten Puzzles wären: Die Nachfrageprognose-Engine ignorierte, was auf der Preisseite geschah, und die Preis-Engine kümmerte sich ebenfalls nicht um die supply chain Beschränkungen. Dabei sind Lager und Preise zwei Seiten derselben Medaille – und nun erkennen wir, dass jeder Optimierungsversuch, der die andere Seite der Medaille einfach ignoriert, bestenfalls ein naiver Versuch ist.
So werde ich zwar vermeiden, den Fehler zu wiederholen, indem ich vorhersage, dass Quantiltabellen die langfristige Zukunft der Prognose seien – nur um später vom Lokad-Team widerlegt zu werden –, aber ich bin nun sicherer in der Annahme, dass, welche prädiktive Technologie auch immer aus unseren Bemühungen hervorgeht, die Preisanalyse wahrscheinlich im Laufe der Zeit mit der Bestandsanalyse einheitlich wird. Wir sind zwar noch nicht ganz dort, aber wir machen stetige Fortschritte in diese Richtung.
Neue Methodik: Einkaufspriorisierung
Alle Systeme zur Lageroptimierung (einschließlich Lokad 2.0) berechnen Nachbestellpunkte. Durch den Vergleich von reorder Punkten mit vorhandenen Beständen und laufenden Bestellungen berechnen diese Systeme auch empfohlene Bestellmengen.
Systeme zur Lageroptimierung erzeugen traditionell einen statischen Satz von Nachbestellpunkten (einen pro SKU), der primär von den benutzerdefinierten Service Levels gesteuert wird. Das ist jedoch Betrug, denn die Aufgabe, das „optimale“ Service Level zu ermitteln, fällt wieder dem supply chain Planer zu; und nicht nur ist die Ermittlung der korrekten Service Levels äußerst zeitaufwendig, sie führt auch zu erheblichen Ineffizienzen, wenn diese unzureichend gewählt werden.
Mit Quantiltabellen ist es ganz anders: Es wird eine Master-Einkaufsprioritätenliste berechnet. Technisch gesehen handelt es sich um eine Liste, in der jede SKU in zahlreichen Zeilen erscheint, wobei jede Zeile mit einer vorgeschlagenen Bestellmenge assoziiert ist – typischerweise 1 Einheit, sofern keine Beschränkungen im Einkauf vorliegen. Die Liste wird priorisiert – und dieses Priorisierungskriterium ist von höchster Bedeutung.
Für die meisten Unternehmen beantwortet diese Priorisierung die Frage: Für 1$ zusätzliches Inventar, welche Einheit bringt dem Unternehmen den höchsten Ertrag? Anders formuliert entspricht dies der erwarteten Bruttomarge abzüglich der erwarteten Lagerhaltungskosten. Natürlich sinkt die erwartete Bruttomarge beim Abrutschen in der Liste drastisch, da die Wahrscheinlichkeit, dass der Bedarf hoch genug ist, um das zusätzliche Inventar aufzunehmen, sehr gering wird. Gleichzeitig steigen die Lagerhaltungskosten, weil jede zusätzliche Inventareinheit voraussichtlich länger im warehouse verweilt. Theoretisch hat die Liste kein Ende, da sie bis in die Unendlichkeit fortgeführt wird. Praktisch beenden wir sie jedoch an einem Punkt, der weit über das hinausgeht, was als „vernünftiges“ Inventarniveau gelten würde. Beim Einkauf geht es nicht darum, die Liste vollständig abzuarbeiten, sondern Artikel gemäß ihrer Priorität zu kaufen und den Einkauf zu stoppen, sobald das Ausgaben-Ziel erreicht ist.
Folglich entfällt die Notwendigkeit, die Service Levels explizit vorzugeben. Sobald ein Ausgabenbudget definiert ist, kauft ein Unternehmen seine Waren basierend auf den Prioritäten der Master-Einkaufsprioritätenliste. Diese Reihenfolge gewährleistet, dass die Umsätze bzw. Gewinne maximal erzielt werden.
Quantiltabellen sind zudem weitaus vielseitiger, wenn es darum geht, Szenarien mit Versorgungsbeschränkungen zu adressieren. Zwar sind Quantilprognosen sehr leistungsfähig, doch sobald minimale Bestellmengen pro SKU oder pro Lieferant sowie möglicherweise Kapazitätsbeschränkungen bei Containertransporte existieren, stimmen die vorgeschlagenen Mengen nicht mit den Versorgungsgrenzen überein. Dann liegt es am supply chain Planer, alle Anpassungen vorzunehmen, indem er beispielsweise bestimmte SKUs entfernt oder die Mengen bei anderen SKUs anhebt, um eine komplexe Bestellcharge zu formen, die alle Vorgaben erfüllt.
Mit Quantiltabellen bieten wir ein wesentlich überzeugenderes und unkomplizierteres Nutzererlebnis. Die Masterliste ermöglicht es, Bestellbeschränkungen problemlos zu integrieren: Sind minimale Bestellmengen pro SKU vorhanden, können die entsprechenden Zeilen aus der Liste entfernt werden. Besteht zudem eine Zielkapazitätsbeschränkung für Containertransporte, so werden die Einkaufsposten der Reihe nach abgearbeitet, bis die Zielkapazität erreicht ist.
Was kommt als Nächstes?
Während Quantiltabellen bereits live und für alle Unternehmen mit einem aktiven Lokad-Konto zugänglich sind, fehlt uns noch die Dokumentation, die sowohl die technischen Aspekte als auch die supply chain Best Practices zu dieser neuen Technologie beschreibt. Dieses Material folgt. Bleiben Sie dran.
