Quantitative Supply Chain
Die Bereitstellung von besseren Prognosen war schon immer der Kernfokus von Lokad. Heute enthüllen wir die dritte Generation unserer Prognosetechnologie, die auf quantitativen Supply Chains basiert. Quantitative Supply Chains bieten eine beispiellose Leistungsfähigkeit, was bedeutet, dass Ihr Unternehmen mehr Kunden zuverlässiger bedienen und dabei weniger Lagerbestand benötigen kann. Im Gegensatz zu allen vorhandenen Prognosemethoden auf dem Markt liefert die quantitative Supply Chain keine einzelne Nachfrageprognose pro Produkt, sondern die gesamte Wahrscheinlichkeitsverteilung für (nahezu) alle möglichen Zukunftsszenarien. Quantitative Supply Chains werden durch die Kombination von maschinellem Lernen, Big Data, Cloud Computing und einigen handelsgetriebenen Erkenntnissen ermöglicht.
Quantitative Supply Chains sind jetzt in der Produktion für alle unsere Kunden verfügbar und können über eine neue Quantitative Supply Chain-Option für jedes Lagerbestandsprognoseprojekt genutzt werden.
Prognose 1.0: klassische Prognosen
Als Lokad im Jahr 2008 gegründet wurde, begannen wir mit dem, was wir heute als klassische Prognosen bezeichnen, unsere Version 1.0, das heißt, eine Prognosemethodik, bei der jedem Produkt oder SKU ein periodischer Wert zugeordnet ist; zum Beispiel wöchentliche Prognosen bis zu 13 Wochen im Voraus. Implizit handelt es sich bei diesen Prognosen um Median-Prognosen: Unvoreingenommene Prognosen sollten eine 50%ige Chance haben, über oder unter der zukünftigen Nachfrage zu liegen. Für den Rest des Marktes werden diese Prognosen nicht als klassische Prognosen bezeichnet, sondern als einzige Prognosen, da die meisten unserer Mitbewerber niemals Alternativen in Betracht gezogen haben.
Allerdings funktionieren klassische Prognosen in der Praxis im Handel schlecht, unabhängig davon, wie genau sie sind. Intuitiv betrachtet, betrachten klassische Prognosen einfach nicht das, was wirklich wichtig ist. Der Durchschnitts- oder Medianbedarf ist der einfache und uninteressante Fall, in dem alles nach Plan verläuft. Die schwierigen Fälle hingegen betreffen unerwartet hohe oder unerwartet niedrige Nachfrage, da sie jeweils zu Lagerbestandslücken und totem Lagerbestand führen. Diese Arten von Extremsituationen sind es, die wirklich Geld kosten. Klassische Prognosen funktionieren schlecht, nicht weil die Algorithmen nicht gut sind, sondern weil sie das Geschäft nicht aus dem richtigen Blickwinkel betrachten. Daher scheitern klassische Prognosen unabhängig davon, wie viel Forschungs- und Entwicklungsinvestitionen ein Unternehmen in sie stecken kann. Dies war eine der schwierigsten Lektionen, die Lokad in unseren Anfangstagen lernen musste.
Prognose 2.0: Quantilprognosen
Im Jahr 2012 gelang uns der erste Durchbruch mit Quantilprognosen. Trotz eines Namens, der sich geradezu beängstigend anhören mag, sind Quantilprognosen etwas, das dem ähnelt, was Führungskräfte für ihre Unternehmen tun: Es handelt sich um szenarienbasierte Prognosen. Anstatt den Durchschnittsfall zu betrachten, haben Quantilprognosen folgendes Ziel: Schauen wir uns die besten 5% unserer optimistischsten Nachfrageaussichten an, werden wir mit einem Lagerbestandsengpass konfrontiert sein? Dann schauen wir uns die schlechtesten 5% unserer pessimistischsten Nachfrageaussichten an, werden wir mit totem Lagerbestand umgehen müssen? Quantilprognosen gehen direkt auf die wichtigen Fragen ein, die aus geschäftlicher Sicht tatsächlich relevant sind. Wie Ingenieure sagen, es ist besser, ungefähr richtig zu sein, als genau falsch zu sein, und obwohl Quantilprognosen auch unter allen Ungenauigkeiten leiden, die mit den klassischen Prognosen verbunden sind, übertreffen Quantilprognosen klassische Prognosen aus operationeller Sicht massiv, wann immer Lagerbestand involviert ist.
Dennoch sind Quantilprognosen auch nicht der Höhepunkt der Prognose. Auf den ersten Blick litt unsere Quantilprognosetechnologie unter numerischen Eigenheiten wie Quantilüberschneidungen und Quantilstabilitäten. Da diese Eigenheiten jedoch recht deutlich sichtbar sind, können sie effizient gemildert werden. Auf einer tieferen Ebene erkannten wir jedoch, dass unsere Quantilprognosen immer noch nicht perfekt auf die tatsächlichen geschäftlichen Herausforderungen abgestimmt waren. Insbesondere überlassen Quantilprognosen dem Supply Chain Manager die Aufgabe, die Service Levels zu optimieren. Das ist in gewisser Weise ein Betrug, denn ein erheblicher Teil der Lagerleistung wird tatsächlich durch eine sehr präzise Abstimmung der profitabelsten Service Levels erbracht, die die Lagerhaltungskosten und die Servicequalität angemessen ausbalancieren.
Prognose 3.0: Quantilgitter
Im Februar 2015 veröffentlichen wir unseren zweiten Durchbruch in der Prognose: Quantilgitter. Im Laufe der Jahre haben wir uns damit abgefunden, dass Prognosen nichts anderes als unvollkommen sein können. Genauere Prognosen sind ein Märchen, das bequem in einem Markt wiederholt wird, der von enttäuschenden Anbietern überschwemmt ist. Da wir die genaue Zukunft nicht vorhersagen können, was ist, wenn wir versuchen, jeder einzelnen möglichen Zukunft eine Wahrscheinlichkeit zuzuweisen? Das heißt, die Wahrscheinlichkeit, null Einheiten, eine Einheit, zwei Einheiten usw. zu verkaufen. Genau das sind Quantilgitter: Sie liefern nicht nur eine Prognose pro Produkt, sondern die gesamte Wahrscheinlichkeitsverteilung der Nachfrage für jedes Produkt. Unter der Haube sind Quantilgitter ein wenig wie Quantilprognosen, mit dem Unterschied, dass eine Nachfrageprognose gleichzeitig auf allen Service Levels berechnet wird.
Die Optimierung des Lagerbestands oder das Management der Supply Chain dreht sich alles um das Ausbalancieren von Risiken und Chancen: Lagerbestände vs. Service Levels, Einkaufspreis vs. Lieferzeit des Lieferanten, Großeinkauf vs. Auftragsfertigung usw. Während Quantilprognosen ein oder zwei problematische Szenarien identifizieren können, handelt es sich letztendlich nur um einen Prognosewert pro Produkt, und egal wie gut dieser Wert sein kann, dieser eine Wert kann nicht die gesamte Vielfalt möglicher Geschäftsergebnisse erfassen. Im Gegensatz dazu gehen Quantilgitter das Problem direkt an: Alle Ergebnisse werden berechnet und mit ihren jeweiligen Wahrscheinlichkeiten verknüpft. Für jedes Szenario, wie z.B. die zukünftige Nachfrage nach 3 Einheiten, haben wir nur 2 Einheiten gekauft, dann wird es möglich und einfach, das Netto-Geschäftsergebnis zu berechnen - wie z.B. 2 verkaufte Einheiten und 1 verpasste Einheit. Als Ergebnis kann jede Einkaufsentscheidung beurteilt werden, indem einfach alle Szenarien entfaltet und die berechnete Wahrscheinlichkeit auf jedes Szenario angewendet wird.
Ein Durchbruch aus der Luft- und Raumfahrt
Während Lokad hauptsächlich Einzelhändler betreut, arbeiten wir auch für andere Branchen wie die Luft- und Raumfahrt. Vor einem Jahr begannen wir für ein großes Joint Venture zwischen AirFrance Industries und Lufthansa Technik zu arbeiten und stellten fest, dass unsere Quantilprognosetechnologie der Herausforderung nicht vollständig gewachsen war. Jede Quantilprognose ist wie ein einzelnes Geschäftsszenario. Während es möglich ist, 3, 4 oder 5 verschiedene Geschäftsszenarien zu kombinieren, erfordert es große Anstrengungen, die Regeln zu implementieren, die all diese Szenarien miteinander verbinden, um optimierte Beschaffungsentscheidungen zu treffen.
Eine viel elegantere Lösung, die auch eine viel bessere Bestandsleistung bietet, besteht darin, alle zukünftigen Geschäftsszenarien vorherzusagen und zu bewerten. Keine ad-hoc Szenarien mehr, die wir verzweifelt zusammenfügen müssen, sondern eine Auflistung (fast) aller 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 mehr Ressourcen in Bezug auf die Rechenleistung erfordert. Dank unserer bevorzugten Cloud-Computing-Plattform - Microsoft Azure - waren Rechenressourcen jedoch noch nie so günstig und die Preise fallen weiter.
Die Ergebnisse, die wir mit Quantilgittern für die Luft- und Raumfahrt erzielt haben, erwiesen sich als weit überlegen gegenüber unserer Flaggschiff-Quantilprognosetechnologie. Es war an der Zeit, die Raketenwissenschaft (nun ja, keine Raketen, sondern Verkehrsflugzeuge) zu den Händlern zurückzubringen, und die zahlreichen Experimente, die wir in den letzten Monaten durchgeführt hatten, bestätigten die entscheidende Überlegenheit der Quantilgitter gegenüber unseren ursprünglichen Quantilprognosen.
Zukunft der prädiktiven Handelsoptimierung
Als wir vor drei Jahren erstmals Quantilprognosen veröffentlichten, habe ich vorausgesagt, dass Quantilprognosen innerhalb von 10 Jahren das Standardwerkzeug für jeden ernsthaften Supply-Chain-Praktiker sein würden, der seine Bestandsleistung verbessern möchte. Nun, es stellte sich heraus, dass die Bemühungen des gesamten Lokad-Teams, einschließlich meiner eigenen, mich eines Besseren belehrten. Da wir einen Ansatz gefunden haben, der unseren ursprünglichen Quantilprognosen überlegen ist, kamen wir zu dem Schluss, dass die langfristige Zukunft der Quantilprognose brüchig ist. Die Zukunft des Nachfolgers der Quantilprognosen ist jedoch heller denn je, da Quantilgitter die Herausforderungen lösen, die uns jahrelang entgangen sind, wie die Optimierung von Servicelevels, Containerlieferungen oder Mehrfachbezugsstrategien.
Außerdem wurden die Bestandsprognose und die Preisoptimierung jahrelang streng isoliert behandelt, als wären sie Teile zweier separater Rätsel: Der Nachfrageprognose-Engine war egal, was auf der Preisseite passiert, und um sie auszugleichen, kümmerte sich die Preis-Engine auch nicht um die Supply-Chain-Beschränkungen. Aber Bestände und Preise sind zwei Seiten derselben Medaille; und wir erkennen jetzt, dass jeder Optimierungsversuch, der die andere Seite der Medaille blind ignoriert, ein naiver Versuch ist, wenn überhaupt.
Daher werde ich vermeiden, denselben Fehler zu machen und vorherzusagen, dass Quantilgitter die langfristige Zukunft der Prognose sind, nur um später vom Lokad-Team eines Besseren belehrt zu werden. Ich werde jetzt eher darauf wetten, dass welche prädiktive Technologie auch immer aus unseren Bemühungen hervorgeht, die Preisanalyse wahrscheinlich auf dem Weg zur Vereinheitlichung mit der Bestandsanalyse sein wird. Wir sind noch nicht ganz dort, aber wir machen stetige Fortschritte in diese Richtung.
Neue Methodik: Einkaufspriorisierung
Alle Bestandsoptimierungssysteme (einschließlich Lokad 2.0) berechnen Nachbestellpunkte. Indem sie die Nachbestellpunkte mit den vorhandenen und bestellten Mengen vergleichen, berechnen diese Systeme auch vorgeschlagene Nachbestellmengen. Im Laufe der Jahre haben wir zwei wesentliche Einschränkungen dieses Ansatzes festgestellt. Erstens sagen diese Systeme nichts über die Ziel-Servicelevels und deren Optimierung aus. Zweitens erweisen sich Nachbestellpunkte als etwas unflexibel, wenn Einkaufsbeschränkungen im Spiel sind.
Bestandsoptimierungssysteme erzeugen traditionell eine statische Reihe von Nachbestellpunkten (einen pro SKU), die hauptsächlich von den jeweiligen benutzerdefinierten Servicelevels bestimmt werden. Dies ist jedoch Betrug, da die Aufgabe, das “optimale” Servicelevel herauszufinden, wieder auf den Supply-Chain-Planer zurückfällt. Die Bestimmung der richtigen Servicelevels erweist sich nicht nur als sehr zeitaufwändige Übung, sondern auch als Quelle erheblicher Ineffizienzen, wenn die Servicelevels unzureichend gewählt sind.
Mit Quantilgittern sieht das Bild ganz anders aus: Es wird eine Master-Einkaufsprioritätsliste berechnet. Technisch gesehen handelt es sich um eine Liste, auf der jede SKU auf zahlreichen Zeilen erscheint, wobei jede Zeile mit einer vorgeschlagenen Bestellmenge verknüpft ist - in der Regel 1 Einheit, wenn keine Einkaufsbeschränkungen vorliegen. Die Liste wird priorisiert, und dieses Priorisierungskriterium ist von entscheidender Bedeutung.
Für die meisten Unternehmen beantwortet diese Priorisierung die Frage: Für $1 zusätzlichen Bestand, welche nächste Einheit bringt dem Unternehmen den höchsten Gewinn? Dies kann auch als erwartete Bruttomarge minus erwartete Lagerhaltungskosten formuliert werden. Natürlich nimmt die erwartete Bruttomarge beim Durchgehen der Liste stark ab, da die Wahrscheinlichkeit, einen ausreichend hohen Bedarf zur Absorption des Bestands zu haben, sehr gering wird. Ebenso steigen die Lagerhaltungskosten beim Durchgehen der Liste stark an, da von jeder zusätzlichen Einheit Bestand erwartet wird, dass sie länger im Lager verbleibt. Theoretisch hat die Liste kein Ende, da sie bis ins Unendliche geht. In der Praxis jedoch stoppen wir einfach an einem Punkt, der weit über das hinausgeht, was “vernünftige” Bestandsniveaus darstellen würde. Wenn ein Kauf getätigt wird, besteht das Ziel nicht darin, die Liste abzuarbeiten, sondern Artikel entsprechend ihrer jeweiligen Prioritäten zu kaufen und den Kauf zu stoppen, sobald das Ausgabelimit erreicht ist.
Dadurch entfällt die Notwendigkeit, die Servicelevels anzugeben. Sobald ein Ausgabelimit definiert ist, kauft ein Unternehmen seine Waren basierend auf den Prioritäten, die durch die Master-Einkaufsprioritätsliste festgelegt wurden. Der Kauf von Waren in dieser Reihenfolge stellt sicher, dass die Einnahmen oder Gewinne des Unternehmens maximiert werden, unter Berücksichtigung der angegebenen Priorisierungskriterien.
Quantilgitter sind auch viel vielseitiger in ihrer Fähigkeit, Szenarien mit Einkaufsbeschränkungen anzugehen. Während Quantilprognosen in der Tat leistungsstark sind, stimmen die vorgeschlagenen Mengen nicht mit den Einkaufsbeschränkungen überein, sobald minimale Bestellmengen pro SKU oder pro Lieferant und möglicherweise auch einige Container-Volumenkapazitätsbeschränkungen vorliegen. Und dann liegt es am Supply-Chain-Planer, alle Anpassungen vorzunehmen, nämlich bestimmte SKUs zu entfernen oder die Einheiten für andere SKUs zu erhöhen, um eine komplexe Bestellcharge zusammenzustellen, die alle Beschränkungen erfüllt.
Mit Quantilgittern haben wir eine viel überzeugendere und viel einfachere Benutzererfahrung zu bieten. Die Masterliste erleichtert die Berücksichtigung von Bestellbeschränkungen. Wenn minimale Bestellmengen pro SKU vorhanden sind, können die nicht berechtigten Zeilen aus der Liste entfernt werden. Ebenso können Kaufeinträge in der Reihenfolge der Liste verarbeitet werden, bis die Zielkapazität erreicht ist, wenn eine Zielkapazitätsbeschränkung besteht, um Containerlieferungen aufzunehmen.
Was kommt als Nächstes?
Während Quantilgitter bereits live sind und allen Unternehmen zugänglich sind, die ein offenes Lokad-Konto haben, fehlen uns noch Dokumentationen, die sowohl die technischen Aspekte als auch die Supply-Chain-Best Practices in Bezug auf diese neue Technologie erläutern. Dieses Material wird bald verfügbar sein. Bleiben Sie dran.
