Eine Algebra für supply chain Ökonomie

Joannes Vermorel

Das erste Prinzip unseres Manifests der die Quantitative Supply Chain besagt, dass alle Zukünfte berücksichtigt werden sollten. Daher haben wir Envision vor zwei Jahren erweitert, um nativ mit random variables zu arbeiten. Diese probabilistische Algebra bildet den Grundstein unserer Herangehensweise an unsichere Zukünfte.

Dann besagt das zweite Prinzip, dass alle machbaren Entscheidungen berücksichtigt werden sollten, z. B. Mengen, die von Lieferanten bezogen werden sollen. Allerdings – während diese Entscheidungen keine random variables sind – sind die mit diesen Entscheidungen verbundenen Mengen unentschieden und nicht unsicher. Unsere probabilistische Algebra war allein nicht ausreichend, um diese noch zu treffenden Entscheidungen angemessen abzubilden.

So haben wir im letzten Jahr still und allmählich eine komplementäre Algebra eingeführt: die Algebra der zedfuncs. Ein zedfunc ist ein Datentyp in Envision, der dazu bestimmt ist, wirtschaftliche Gewinne oder Verluste im Zusammenhang mit quantifizierten Entscheidungen abzubilden. Der Haupttrick besteht darin, dass ein zedfunc nicht das Ergebnis für eine Entscheidung berechnet, sondern für alle Entscheidungen; z. B. alle Erträge, die aus dem Auslösen einer Produktion von 1 Einheit bis zu einer unendlichen ¹ Anzahl von Einheiten resultieren.

Durch die Kombination von ranvars und zedfuncs ist es möglich, mit tückischen supply chain Komplikationen wie Preisstaffelungen mit minimalem Aufwand umzugehen. Die zedfuncs sind eine wesentliche Zutat für eine Quantitative Supply Chain optimization, um priorisierte Listen von Entscheidungen zu erstellen, bei denen alle machbaren Entscheidungen nach abnehmendem Return on Investment geordnet sind.

Als kleiner Nachteil sind zedfuncs in Bezug auf Rechenressourcen recht anspruchsvoll. Sie sind die Art von fortgeschrittenen numerischen Datentypen, die einfach nicht in eine durchschnittliche Tabellenkalkulation passen. Glücklicherweise verteilt Lokad die Arbeitslast transparent über eine Flotte von Maschinen, die wir von unserer bevorzugten cloud computing Plattform bezogen haben, und insgesamt war rohe Rechenleistung noch nie so günstig. So ist der Umgang mit Hunderten von Millionen von zedfuncs in der Praxis kein Problem für das Envision back-end. Das aktuelle Design der Lokad zedfuncs erforderte erhebliche Anstrengungen, und wir haben eine komplette Neufassung unseres ersten Versuchs durchlaufen. Der Kern der Herausforderung lag in unserem eigenen verlustbehafteten Kompressionsalgorithmus, der für zedfuncs verwendet wird – eine notwendige Komponente, um den Speicherbedarf der zedfuncs in Schach zu halten – der nicht gut genug war. Genauer gesagt, unsere erste Version bewahrte nicht genügend numerische Präzision an den entscheidenden Stellen. Die zweite Version hat es dank der Erkenntnisse, die wir in unseren production systems gewonnen haben, richtig hinbekommen.

Da probabilistische Nachfrageprognosen in supply chains an Bedeutung gewinnen, kratzen viele Lösungen noch nur an der Oberfläche, wenn es darum geht, das volle Potenzial dieser neuen Perspektiven auszuschöpfen. Geeignete Werkzeuge sind unerlässlich. Milliarden von Wahrscheinlichkeiten zu generieren ist (ziemlich) einfach; diese in Entscheidungen umzusetzen, die Ihren ROI maximieren, ist jedoch eine weitaus größere Herausforderung. Dafür sind zedfuncs da.

Zedfuncs sind die Art von unschätzbarem Werkzeug, das wahrscheinlich niemals in einem der vielen RFPs auftaucht, die wir erhalten; und dennoch kann der Großteil der die Quantitative Supply Chain nicht mit diesen zedfuncs – oder deren besseren (zukünftigen) Alternativen – erreicht werden.