Proofs of concept sind eine der häufigsten Anfragen, die wir von potenziellen Kunden erhalten, die unseren supply chain Optimierung Service ausprobieren möchten. Dennoch lehnen wir solche Anfragen häufig ab; erstens, weil sie dem Unternehmen des Kunden schaden, und zweitens, weil sie Lokad im Prozess ebenfalls schaden. Da POCs – oder proofs-of-concept – in der B2B-Software so weit verbreitet sind, fällt es meist schwer zu verstehen, warum sie im spezifischen Fall der die Quantitative Supply Chain Optimierung (1) geradezu schädlich sein können. In diesem Beitrag fassen wir unsere Erkenntnisse zu POCs zusammen und betrachten sie als ein supply chain „Anti-Pattern".

POCs kosten nicht weniger

Eine zentrale Annahme der POC-Methodologie ist, dass POCs weniger kosten als das Original. Leider ist diese Annahme fast immer falsch.

Zunächst einmal bewirkt die Festlegung eines kleinen Umfangs innerhalb eines gesamten supply chain Netzwerks nur geringe Fortschritte. Früher hatten software vendors mit Skalierbarkeitsproblemen zu kämpfen, und tatsächliche groß angelegte Einsätze erforderten in der Regel hohe Hardwareinvestitionen im Voraus, möglicherweise gebündelt mit Softwarelizenzen, etwa für Datenbanken. Ohne diese Investitionen war es nicht einmal möglich, mit der Datenverarbeitung zu beginnen. Doch im heutigen Zeitalter des cloud computing existiert diese Einschränkung nicht mehr, und wenn eine App korrekt entworfen ist, ist nichts Weiteres erforderlich, um mit der Datenverarbeitung zu starten. Die Cloud-Computing-Rechnung steigt nur marginal für jeden zusätzlichen Kunden, aber insgesamt sind diese Kosten vernachlässigbar im Vergleich zu den beispielsweise entstehenden Kosten, um einen Erstkontakt mit dem potenziellen Kunden herzustellen. Zweitens besteht der Großteil des anfänglichen Aufwands darin, Daten zu qualifizieren, gefolgt von einer ordnungsgemäßen Identifikation beim Aufbau einer kommerziellen B2B-Beziehung mit dem Kunden.

Schlimmer noch, mehr Daten machen die Sache in der Regel einfacher und nicht schwieriger, wenn statistische forecasting ins Spiel kommen. Daher neigen POCs dazu, durch die Einschränkung des Datenumfangs die Dinge schwieriger und damit kostspieliger zu machen, verglichen mit dem ganzheitlichen Ansatz zur Bewältigung des vollen Spektrums an challenges. Unsere Erfahrung zeigt, dass selbst wenn sich POCs nur auf 5 % des gesamten supply chain Netzwerks konzentrieren, diese 5 % in der Regel fast die gesamte Komplexität des Netzwerks abbilden. Tatsächlich ist es gerade weil POCs nahezu die gesamte Komplexität eines Großprojekts enthalten, dass man erwarten würde, dass POCs überhaupt Sinn machen.

Die Komplexität zu vernachlässigen, ist in der Tat keine Option. Wenn Ihr supply network container shipments und den Umgang mit unzuverlässigen Lieferanten umfasst, wie könnte ein POC überzeugend sein, wenn diese Elemente nicht in die Initiative einbezogen werden? Wird eine bestimmte Einschränkung ignoriert, wie etwa MOQs (Mindestbestellmengen), werden die numerischen Ergebnisse unbrauchbar.

Die Kosten, die über den POC hinausgehen, werden durch den Aufwand auf beiden Seiten bestimmt – von Lokad und seinem Kunden – bei der Bewältigung der vollen Komplexität der supply chain. Diese Kosten werden durch die Spezifika des betreffenden Geschäfts getrieben, wobei die Größe nur einen marginalen Einfluss auf die Kosten hat.

POCs erhöhen die Wahrscheinlichkeit des Scheiterns

Wenn Unternehmen sich für einen POC entscheiden, landen sie häufig dabei, verschiedene Ansätze auszuprobieren, um ihre supply chain zu verbessern. In diesem speziellen Fall möchte ich jedoch Yoda zitieren: Tu es. Oder tu es nicht. Es gibt kein Versuchen. Trotz der Behauptungen von software vendors ist die Optimierung der supply chain schwierig. Das Problem bei POCs besteht darin, dass sie den Beteiligten zu viel Spielraum für Fehler lassen.

  • Die Extraktion der sales history ist höllisch kompliziert. Leider gibt es ohnehin keine Alternative: Ohne Daten, die die Nachfrage repräsentieren, wird es niemals gelingen, die supply chain zu optimieren.
  • Elektronische stock levels sind ungenau. Technologie kann dabei helfen, die offensichtlichsten Abweichungen automatisch zu erkennen und Prioritäten bei Nachzählungen zu setzen. Dennoch ist es nicht ungewöhnlich, dass supply chain Manager auch mit phantom inventory zu kämpfen haben.
  • Prognosen bleiben unabhängig von den Umständen schlecht. Unternehmen sollten lernen, eine unsichere Zukunft zu akzeptieren, anstatt diese Unsicherheit einfach ausblenden zu wollen. Probabilistic forecasts sind besonders gut darin, zukünftige Unsicherheiten abzubilden.

Komplikationen sind ebenso viele Ausreden, um den Ball fallen zu lassen.

Es gibt Situationen, in denen Lösungen als einfach und unkompliziert erwartet werden – zum Beispiel das Erstellen eines neuen E-Mail-Kontos für einen neuen Mitarbeiter. Die Optimierung der supply chain ist jedoch fast immer schwierig: Wenn ein Unternehmen schon seit mehr als ein paar Jahren besteht, wurde der „einfache“ Teil der supply chain Optimierung bereits vor Jahren umgesetzt. Es bleibt der „schwierige“ Teil.

Nach unserer Erfahrung scheitern die meisten POCs in den Anfangsphasen des Projekts, wenn Teams noch mit Datenproblemen kämpfen. Das sagt jedoch nichts über die Lösung zur Bestandsoptimierung selbst aus, da diese Lösung nie auf die Probe gestellt wird.

POCs lenken supply chain Optimierungsinitiativen ab

POCs betonen einen Standpunkt, der nicht genau dem production Standpunkt entspricht. Führungskräfte suchen nach Benchmarks, die erstellt werden können, oder KPIs, die festgelegt werden sollen. Aber was, wenn ein bestimmter KPI schwieriger zu berechnen ist als die eigentliche Optimierung? Was, wenn der KPI selbst, so lehrreich er auch ist, keine praktikablen Möglichkeiten bietet, etwas zu verbessern?

Unsere Erfahrung zeigt, dass POCs routinemäßig durch Überlegungen abgelenkt werden, die aus produktionstechnischer Sicht schlichtweg keine Anforderungen darstellen. Der Versuch, diese Anforderungen zu erfüllen, beeinträchtigt in der Regel den POC, denn plötzlich wird der POC zu einer noch größeren Herausforderung als die Produktion selbst.

Auch da der Hauptzweck eines POC darin besteht, Sicherheit zu gewinnen, leiden die meisten POCs unter Gold-Plating-Anti-Patterns, bei denen das Kundenunternehmen den Anbieter dazu drängt, jeden einzelnen Aspekt ihres Geschäfts zu erfassen – selbst auf Kosten der Gesamtzuverlässigkeit der Lösung. Die resultierende Lösung ist oft zu brüchig, um aus produktionstechnischer Sicht nützlich zu sein.

Wir haben auch viele POCs bei „imaginären“ Problemen scheitern sehen. Zum Beispiel: Wenn das beste Prognosemodell, empirisch getestet an Tausenden von SKUs, zufällig nicht saisonal ist und alle anderen verfügbaren saisonalen Modelle übertrifft, sollte dies als Problem gewertet werden? Es besteht kein Zweifel daran, dass das betreffende Geschäft saisonal ist: das ist es. Aber was, wenn der beste bekannte Weg, die zukünftige Nachfrage abzuschätzen, einfach darin besteht, die seasonality in diesem Fall zu ignorieren? Sollte dies als Problem angesehen werden? Nach unserer Erfahrung wurde dieses einzelne „Problem“ bei vielen POCs als blockierender Faktor betrachtet, während supply chain Praktiker selbst zugaben, dass die letztendlich vorgeschlagenen Bestellmengen fundiert waren.

Gehen Sie direkt in die Produktion und überarbeiten Sie das Projekt bei Bedarf

POCs werden von Praktikern, die das Geschäft am Laufen halten müssen, während die Next-Gen-Lösung kommt, in der Regel – und zu Recht – als Ablenkungen wahrgenommen. Unsere Erfahrung zeigt, dass ein direkter Übergang in die Produktion kostengünstiger und weniger riskant ist. Dies sollte jedoch mit der richtigen Methodik erfolgen.

Zunächst einmal ist ein Scheitern aufgrund der „Logistik der Daten“ keine Option. Man kann nicht optimieren, was man nicht misst. Wenn die Daten bedeutungslos sind, werden auch alle Optimierungsversuche bedeutungslos sein. Erfolg ist eine Voraussetzung, denn andernfalls könnte das Unternehmen in einigen Jahren nicht mehr existieren. Es stellt sich heraus, dass der Großteil des zu investierenden Aufwands mit dieser Datenlogistik verbunden ist, und diese Investition kann nahezu vollständig von der Lösung getrennt werden, die für die Produktion in Betracht gezogen wird. Und das ist gut so! Sollte die Optimierungslösung aus irgendeinem Grund nicht überzeugen, ist die Investition nicht verloren, sondern muss lediglich in eine bessere alternative Lösung umgelenkt werden.

Zweitens bedeutet das direkte Streben nach Produktion nicht, dass Zahlen unangefochten bleiben – ganz im Gegenteil. Der alte und der neue Prozess sollten nebeneinander existieren, wobei so viele leicht erreichbare Vorteile wie möglich aus dem alten Prozess genutzt werden (2), während der neue optimiert wird.

Dann tauchen typischerweise Dutzende von Problemen auf. Es ist wichtig, diese zu klären:

  • Probleme, die den alten Prozess bereits beeinträchtigten, wenn auch auf subtilere Weise. Gute Prozesse und gute Technologien machen Probleme offensichtlich; das ist kein Makel, sondern eine Tugend.
  • Probleme, die durch die eingesetzte Software nicht behoben werden können. Wenn die SKU-Auswahl im Lager unzuverlässig ist, sollten Sie nicht erwarten, dass das Modul zur Nachfrageprognose dies verlässlich macht.
  • Ein Missverhältnis zwischen realen Problemen und Erwartungen. Statistische Prognosen sind zutiefst kontraintuitiv; lassen Sie nicht zu, dass Ihre Erwartungen die Aussagen quantitativer Messungen übertönen.
  • Gestaltungsprobleme, die nicht behoben werden können, ohne die Lösung erheblich neu zu entwerfen – was in der Regel dann geschieht, wenn die Software nicht den richtigen Ansatz hat, um die Herausforderung zu bewältigen.

Der letzte Punkt erfordert, dass eine andere Lösung in Betracht gezogen wird. Wie oben erwähnt, sollte dies jedoch nicht das Ende der Initiative sein, sondern lediglich der Beginn einer Zusammenarbeit mit einem anderen Anbieter.

Das Aufgeben der Idee eines POC bedeutet in der Regel, dass der gesamte in die Initiative investierte Schwung verloren geht. Darüber hinaus scheitern die meisten POCs aus den falschen Gründen, was bedeutet, dass die Erfolgsaussichten zukünftiger Versuche kaum verbessert werden, da die eigentlichen Herausforderungen größtenteils unberührt bleiben.

Direkt in die Produktion zu gehen, ist tatsächlich weniger riskant, als es klingt. Es hilft, eine ganze Klasse von Fehlern zu verhindern, die bei POCs oft übersehen werden, obwohl sie es nicht sollten. Es zwingt die Initiative dazu, sich eng auf das zu konzentrieren, was tatsächlich notwendig ist, um Verbesserungen zu erzielen, und Wunschdenken beiseite zu legen. Bei einem gravierenden Versagen eines Anbieters kann ein Unternehmen weiterhin auf seinen internen Schwung bauen und zu einem anderen Anbieter wechseln, ohne den besagten Schwung zu verlieren, wie es üblicherweise bei POCs der Fall ist.

(1) Es gibt viele Wege, die supply chain zu optimieren: bessere Prozesse, bessere Lieferanten, bessere Transporter, bessere Einstellungen … Dieser Beitrag konzentriert sich auf quantitative Optimierung: supply chain Herausforderungen, die durch statistische Prognosen und/oder numerische Solver angegangen werden können.

(2) Die Behebung von phantom inventory kommt allen Bestandsoptimierungsprozessen zugute. Dasselbe gilt für die Überprüfung und Verbesserung von Bestandsbewertungen.