Supply chains sind komplexe Systeme, möglicherweise zu den komplexesten, die je von der Menschheit konstruiert wurden, und umfassen Menschen (viele), Maschinen (vielfältig) und Software (Unmengen). Die Perspektive, die ich kürzlich bei DDMRP gepostet habe erregte eine ziemlich lebhafte Diskussion. Dies veranlasste mich, weiter über die fundamentalen Unterschiede zwischen die Quantitative Supply Chain Management (QSCM) und DDMRP nachzudenken. Im Kern widersprechen diese beiden Visionen sich zutiefst in Bezug auf die Rolle der Menschen innerhalb von supply chains.

QSCM ist fest verankert in der klassischen IBM-Vision:

Maschinen sollen arbeiten; Menschen sollen denken;

Im Gegensatz dazu verfolgt DDMRP eine Massenbildungshaltung, die am besten durch sein Motto zusammengefasst wird:

für Menschen gemacht, nicht für Perfektion;

Obwohl die philosophische Haltung gegenüber Menschen in supply chains nicht alle Unterschiede zwischen QSCM und DDMRP erklärt, beleuchtet sie, warum diese beiden Perspektiven in gewissem Maße unvereinbar sind.

power of (wo)man

Knappheit vs. Überfluss von supply chain Praktikern

Supply chain Praktiker werden von sowohl DDMRP als auch QSCM als wertvolle Ressource für das Unternehmen anerkannt. Allerdings unterscheiden sich die beiden Ansätze deutlich darin, wie dieser Aspekt in ihre jeweilige Methodik einfließt.

QSCM geht von der Hypothese aus, dass jede alltägliche supply chain Entscheidung automatisiert werden sollte1. Diese Perspektive betont, dass kompetente supply chain Praktiker als zu selten und zu teuer angesehen werden, um ihre Zeit mit der Erzeugung von Lager-, Einkaufs- oder Preisentscheidungen zu verbringen. All diese Entscheidungen können und sollten automatisiert werden, sodass die Praktiker sich darauf konzentrieren können, das numerische Rezept selbst zu verbessern. Aus finanzieller Sicht verwandelt QSCM diese Gehälter von OPEX, bei denen Manntage verbraucht werden, um das System am Laufen zu halten, in CAPEX, bei denen Manntage in die fortlaufende Verbesserung des Systems investiert werden.

Der DDMRP-Ansatz geht von der Hypothese aus, dass kompetente supply chain Praktiker en masse geschult werden können2, wodurch sowohl die Kosten für den Arbeitgeber gesenkt als auch der Bus Factor im Zusammenhang mit dem Weggang eines Mitarbeiters reduziert wird. Außerdem können durch den Einsatz von speziell auf die menschliche Verarbeitung zugeschnittenen numerischen Rezepten die OPEX-Investitionen selbst verringert werden. DDMRP etabliert einen Prozess zur Generierung alltäglicher [supply chain Entscheidungen], wobei die vollständige Automatisierung größtenteils kein Ziel ist3, obwohl DDMRP Automatisierung nicht ablehnt, wann immer sich die Gelegenheit bietet.

Interessanterweise sollte sich beobachten lassen, ob sich die Branche mehr in Richtung der QSCM-Perspektive oder der DDMRP bewegt. Wenn die QSCM-Perspektive breiter angenommen wird, dann werden sich supply chain management Teams weiterentwickeln und ähnlicher anderen „Talent“-Branchen werden, z. B. der Finanzwelt mit ihren quantitative traders, bei denen einige außergewöhnlich talentierte Individuen die Leistung großer Unternehmen vorantreiben. Umgekehrt, wenn die DDMRP-Perspektive breiter angenommen wird, dann werden sich supply chain management Teams so entwickeln, dass sie eher erfolgreichen Franchises ähneln – z. B. Starbucks Filialleiter – wo außergewöhnliche Individuen wenig Einfluss auf das System haben, jedoch eine überlegene Kultur den Unterschied zwischen den Unternehmen ausmacht.

Lokale vs. globale Transparenz

Sowohl QSCM als auch DDMRP bemühen sich, den Black-Box Effekt zu vermeiden, der allen Versuchen zur Optimierung eines komplexen Systems innewohnt. Beide Ansätze schätzen die Idee, ein Maß an supply chain transparency zu erreichen; jedoch enden beide Ansätze aufgrund abweichender Grundannahmen mit völlig unterschiedlichen Auffassungen davon, was Transparenz bedeutet.

Aus der QSCM-Perspektive muss Transparenz in erster Linie auf der Management-Ebene durch explizit quantifizierte economic drivers4 erreicht werden. Jede vom System getroffene Entscheidung sollte durch eine Reihe von Treibern untermauert sein – gemessen in monetären Werten (z. B. Dollar) –, die warum diese Entscheidung vorgeschlagen wird. Zum Beispiel wird eine Einkaufsentscheidung durch die zusätzliche Marge motiviert, die durch zusätzlichen Lagerbestand (statt keines) generiert wird, aber auch negativ beeinflusst durch carrying costs und ein erhöhtes Risiko von Inventarabwertungen. Das Management hat die Kontrolle über die economic drivers, und auf Systemebene ist QSCM hochtransparent: Das System setzt lediglich in großem Maßstab die komplexen, aber alltäglichen Implikationen dieser Treiber um. Der Nachteil einer solchen systemweiten Optimierung besteht jedoch darin, dass das Entziffern des Kleingedruckten jeder einzelnen Entscheidung kompliziert ist, gerade weil jede Entscheidung ein komplexes Gleichgewicht vieler Treiber darstellt, die gegen viele possible futures abgewogen werden.

Aus der DDMRP-Perspektive wird die Transparenz auf der operationalen Ebene beabsichtigt und erreicht. Die Einfachheit der numerischen Rezepte stellt sicher, dass jede Entscheidung leicht als korrekt eingeschätzt werden kann, indem man einfach abschätzt, was das Ergebnis sein sollte. Außerdem bleibt es stets möglich, die Berechnungen in einer spreadsheet zu replizieren. Darüber hinaus mildert DDMRP durch Prioritätslisten die inhärente Komplexität von supply chains, indem es den supply chain Praktikern einen Aufmerksamkeitsmechanismus bietet, sodass diese nicht ständig alle SKUs manuell überprüfen müssen. Der Nachteil einer lokalen Optimierungsstrategie, wie sie von DDMRP angeboten wird, besteht jedoch darin, dass die systemweiten Ergebnisse, gemessen in monetären Werten, undurchsichtig sind. Zum Beispiel bietet DDMRP dem Management keine Kontrolle, um einen systemischen Interessenkonflikt wie Resilienz versus Wachstum5 anzupassen, wenn man das Risiko eines abrupten Verlusts eines großen und wachsenden Kunden berücksichtigt, der bisher diverse Produkte in unterschiedlichen Mengen bestellt hatte.

Es ist nicht möglich, sowohl lokale als auch globale Transparenz zu haben: Entweder werden Entscheidungen lokal optimiert (wie bei DDMRP) mit einfachen numerischen Rezepten, sodass es weder Kontrolle noch Transparenz darüber gibt, was auf Systemebene geschieht; oder Entscheidungen werden global optimiert, wodurch alle Entscheidungen numerisch miteinander verknüpft werden, wie es bei QSCM der Fall ist, was den Versuch, Transparenz zu erreichen, während eine einzelne Entscheidung isoliert betrachtet wird, erheblich erschwert.


  1. Siehe Punkt 4 des Manifests↩︎

  2. Die in DDMRP vorgestellten numerischen Rezepte sind unkompliziert und zugänglich, wobei kaum technischer Hintergrund erforderlich ist. Im Gegensatz dazu stützen sich die Quantitative Supply Chain auf Supply Chain Scientists, was ein ziemlich anspruchsvolles Kompetenzprofil erfordert, das sowohl unternehmerisches Geschick als auch Programmierkenntnisse kombiniert. ↩︎

  3. Numerisch betrachtet folgt DDMRP einem zweistufigen Prozess: Zuerst werden die Entkopplungspunkte festgelegt; zweitens werden Ströme basierend auf numerischen Priorisierungen ausgelöst. Wäre vollständige Automatisierung ein Ziel von DDMRP, würden die Entkopplungspunkte automatisch berechnet. Da bei automatischer Berechnung der Entkopplungspunkte keiner weiteren Beachtung geschenkt werden müsste, ist vollständige Automatisierung größtenteils kein Ziel3. DDMRP konkretisiert seine Entkopplungspunkte genau deshalb, weil diese nicht das strikte Ergebnis eines numerischen Rezepts sind. ↩︎ ↩︎

  4. Siehe Punkt 3 des Manifests↩︎

  5. Eine Möglichkeit, den supply chain widerstandsfähiger gegen den Verlust eines Großkunden zu machen, besteht darin, den Lagerbestand, der ausschließlich durch die Bestellungen dieses einen Kunden bestimmt wird, zu senken. Wenn dieser bereits große Kunde jedoch noch wächst, wird eine Bestandsreduzierung das zukünftige Wachstum gefährden. In dieser Situation besteht ein grundlegender Zielkonflikt zwischen der Förderung von Resilienz und Wachstum. Dieser Zielkonflikt hat Auswirkungen auf nahezu jede einzelne supply chain Entscheidung. ↩︎