Die Perspektive eines Herstellers
Vor einigen Tagen stellte ein potenzieller Kunde mehrere scharfe Fragen zur Anwendbarkeit der Perspektive der Quantitativen Supply Chain zur Bewältigung der Herausforderungen der Lieferkette, mit denen viele große Fertigungsunternehmen konfrontiert sind.
Betrachten wir den Fall, dass viele Artikel aus relativ wenigen Arten von Arbeitszellen/Maschinen kommen, die in der nächsten Wochenzyklus beliebige Artikel herstellen können, solange die Kapazität und die Rohstoffe vorhanden sind. Wie muss das Nachfragemuster und die Versorgungsfähigkeit eines Unternehmens aussehen, damit eine probabilistische Prognose sinnvoll überlegen ist im Vergleich zu einer guten, standardmäßigen APS wie JDA oder SAP APO? Wären aggregierte Prognosen, die weniger unbeständig sind und daher besser zu traditioneller Prognose und APS passen, für das vorliegende Problem ausreichend?
Probabilistische Prognosen betreffen nicht nur die Nachfrage, sondern umfassen alle Aspekte, die unvermeidbar unsicher sind: Nachfrage, aber auch Durchlaufzeiten, Rücksendungen, Preisänderungen usw. Je größer die Unsicherheit ist, desto größer ist der Wettbewerbsvorteil eines numerischen Ansatzes, der sich von Anfang an mit Unsicherheit befasst, anstatt das Problem vollständig zu ignorieren. Das Aggregieren von “klassischen” Prognosen entspricht dem numerischen Äquivalent des Schmutzes unter dem Teppich. Eine monatliche Prognose mag - gemessen in Prozent - im Vergleich zu einer täglichen Prognose genauer sein; jedoch wird die zusätzliche Genauigkeit durch einen zusätzlichen Marktrückstand erkauft, da der statistische Indikator - durch Konstruktion - über einen ganzen Monat reicht.
Das Ignorieren struktureller Risiken - wie den Verlust eines großen Kunden und all seiner laufenden Aufträge - ist das Rezept für die Generierung eines fortlaufenden Bestands an toten Beständen über die Zeit, da alle Kunden irgendwann aussteigen werden - selbst wenn es darum geht, sie ein Jahr später zurückzugewinnen. Auf einer banaleren Ebene führt das Ignorieren der Variabilität der Durchlaufzeit dazu, dass Bestände ineffizient zugewiesen werden, weil der Bestand genau dazu da ist, die Variabilität der Durchlaufzeit abzudecken. Ohne eine probabilistische Prognose wird die Unsicherheit nicht einmal richtig geschätzt. Als Faustregel sind variable Durchlaufzeiten niemals normalverteilt.
Probabilistische Prognosen sind jedoch nur numerische Artefakte. Am Ende zählen nur Entscheidungen, deren Leistung in Euro gemessen wird, nicht die Zwischenartefakte, die zur Erstellung verwendet werden - wie klassische oder probabilistische Prognosen. Die Hauptschwäche von APS besteht darin, dass sie die Lieferkette nicht aus finanzieller Sicht optimieren. Die Verbesserung des MAPE der Prognose ist Eitelkeit; nur der ROI zählt. Probabilistische Prognosen gewinnen nicht, weil sie genauer sind, sondern weil sie wesentlich bequemer in Entscheidungen umgesetzt werden können, die gegen beliebige ROI-Kriterien optimiert sind.
Daher sind APS in meinen Augen nie “gut genug”, es sei denn, die finanziellen Auswirkungen auf die Lieferkette sind unbedeutend, da APS nicht einmal den Versuch unternehmen, Lieferkettenentscheidungen aus finanzieller Sicht zu optimieren. In der Praxis tragen die Lieferkettenteams die gesamte Verantwortung für die finanzielle Leistung durch ihre Excel-Tabellen; dafür gebührt dem APS kein Lob.
Die Quantitative Supply Chain und DDMRP konkurrieren als jeweilige numerische Rezepte für den operativen Horizont. Leidet die Quantitative Supply Chain jedoch unter ähnlichen Herausforderungen bei den Versorgungsbeschränkungen? Oder modellieren Sie sie explizit? Wie treiben Sie den taktischen Horizont voran, um Engpässe bei der Kapazität ausreichend weit in die Zukunft zu projizieren, um dem Management die Möglichkeit zu geben, sie zu beheben, z.B. indem Sie nach Kapazität fragen?
Im Gegensatz zu DDMRP wird die Quantitative Supply Chain (QSC) mit “verpackten” numerischen Rezepten geliefert. QSC ist lediglich ein prinzipienbasierter Ansatz zur Erstellung nützlicher Rezepte, die für die einfache Produktion verwendet werden sollen und im Laufe der Zeit weiterentwickelt werden sollen. Das Sammeln und Pflegen von numerischen Werkzeugen, die vielseitig genug sind, um mit der verrückten Vielfalt von Versorgungsbeschränkungen (z.B. MOQs, BOMs, Cashflows, SLA-Strafen usw.) umzugehen, ist ein Kernanliegen von QSC.
Bei Lokad haben wir in den letzten mehr als zehn Jahren aggressiv von einer Technologiegeneration zur nächsten iteriert. Wir haben zwei Algebren eingeführt, um diese Art von Problemen anzugehen, zusammen mit mehreren nichtlinearen Lösern. Die neueste Iteration ist derzeit das differentiable programming. Der ganze Sinn dieser Werkzeuge besteht darin, einem Supply Chain Scientist - wie bereits erwähnt - zu ermöglichen, all diese Einschränkungen explizit zu modellieren. Da die Einschränkungen selbst vielfältig sind, erfordert es eine gewisse programmatische Ausdruckskraft, um überhaupt eine Chance zu haben, diese Einschränkungen angemessen zu modellieren.
Dann bietet die finanzielle Perspektive - eines der Kernprinzipien von QSC - bemerkenswerte Einblicke in Bezug auf Versorgungsbeschränkungen. Insbesondere wird es möglich, die mit der Aufhebung einer bestimmten Einschränkung verbundenen Vorteile zu preisen. Tatsächlich besteht die Herausforderung nicht so sehr darin, das Produktionskapazitätsproblem anzusprechen, sondern vielmehr die Rentabilität jeder Investition in diesem speziellen Bereich zu rechtfertigen.
In der Praxis gibt es (fast) immer mehrere Optionen, die um dasselbe Problem konkurrieren: Es ist vielleicht möglich, Lagerbestände im Voraus aufzubauen, anstatt die Produktionskapazität zu erhöhen, vielleicht ist es möglich, die Produktionschargen zu erhöhen, um den Durchsatz zu erhöhen, vielleicht sollte die Preisgestaltung bei Spitzenproduktionskapazität erhöht werden, usw. Der QSC-Ansatz eignet sich zur ROI-basierten Priorisierung all dieser Optionen; die Prioritätenliste wird kontinuierlich mit den Eingabedaten aktualisiert.
In der Praxis ist die einzige Grenze für einen Blick in die Zukunft die statistische Unsicherheit, die damit einhergeht. Die meisten “datengetriebenen” Investitionen - zusätzliche Lagerbestände, zusätzliche Kapazitäten - werden durch Marktschwankungen negativ beeinflusst, was sie irrelevant macht. Dieses Problem betrifft alle quantitativen Methoden - sowohl QSC als auch DDMRP - die einzige mir bekannte Minderung ist die explizite probabilistische Prognose.
Einige der Demos von SAP zu IBP zeigen viele interessante Funktionen, wie die Projektion und Visualisierung der Auswirkungen einer verspäteten Lieferung sowie die Fähigkeit, einen taktischen Horizont auszuführen. Sehen Sie Lokad dort spielen und somit die Notwendigkeit solcher Tools zu beseitigen? Oder sehen Sie APO/IBP als eine relativ einfache Zwischenschicht mit diesen Stärken, die jedoch von Lokad als System der Differenzierung/Innovation genutzt wird, um Entscheidungen (Einkauf, Produktion, Überweisungen) zu treffen und sie durch APO/IBP zu drücken?
Lokad ist als Analyseebene konzipiert, die auf einer Transaktionsebene liegt, in der Regel einem ERP oder einem WMS. Das Ziel ist es, endgültige Entscheidungen zu generieren, die bereits mit allen geltenden Einschränkungen konform sind und keine weiteren “intelligenten” Datenverarbeitung erfordern. In dieser Hinsicht nimmt Lokad die gleiche funktionale Nische ein wie SAP APO und SAP IBP.
Was die Benutzererfahrung betrifft, glaube ich, dass Lokads Web-Dashboards ebenfalls reibungslos und schnell sind. Heutzutage ist es jedoch relativ einfach für Softwarehersteller, ansprechende Dashboards und What-if-Fähigkeiten zu erstellen. Die Visualisierung der Auswirkungen einer verspäteten Lieferung ist schön, aber ich neige dazu zu denken, dass dies keine sehr kapitalistische Art ist, die Zeit des Supply-Chain-Personals zu nutzen. Supply-Chain-Software verbraucht allzu oft eine unverhältnismäßige Menge an Arbeitskräften, nur um am Laufen zu bleiben.
Wir nehmen den gegenteiligen Standpunkt ein: Jede Stunde, die in Lokad investiert wird, sollte der Verbesserung der Lösung dienen, deren Ausführung vollständig automatisiert ist. Daher würde ich, um auf das Beispiel einer verspäteten Lieferung zurückzukommen, feststellen, dass eine verspätete Lieferung lediglich das Symptom vorheriger falscher Entscheidungen ist: möglicherweise eine etwas zu geringe Nachbestellung etwas zu spät, möglicherweise die Wahl eines unzuverlässigen Lieferanten oder eines unzuverlässigen Transporteurs, möglicherweise die falsche Priorisierung von Lieferungen zwischen Kunden, die um denselben Bestand konkurrieren, usw.
Sich auf das numerische Rezept zu konzentrieren, das alle banalen Supply-Chain-Entscheidungen generiert, ist nicht sehr visuell ansprechend - sicherlich nicht so sehr wie What-if-Fähigkeiten. Lokad kann auch What-if-Fähigkeiten liefern, aber es sei denn, es gibt einen klaren Weg, um diese Bemühungen in einen Strom von besseren Entscheidungen umzuwandeln, der automatisch von der Lösung generiert wird, rate ich meinen Teams davon ab, diesen Weg einzuschlagen.
Bei der Betrachtung von Supply-Chain-Konfigurationen (offene/geschlossene Produktionsstätten und Lagerhäuser; welchen Kunden welchem DC zuzuordnen, usw.) besteht der Wert der Investition in Agilität und kürzere Vorlaufzeiten von einem Lieferanten oder einer eigenen Fertigungszelle, d.h. Llamasoft Supply Chain Design - typischerweise basierend auf Szenarien, die nicht aus der Geschichte abgeleitet werden können: Sind dies die Arten von Fragen, für die man Lokad verwenden könnte?
Ende der 90er Jahre hatten viele Experten vorausgesagt, dass die Zukunft der Fotografie digital sei und dass die analoge Fotografie dem Untergang geweiht sei, aber 20 Jahre später sind wir immer noch Jahrzehnte davon entfernt, dass eine Machine-Learning-Technologie in der Lage ist, solche hochrangigen Erkenntnisse allein durch “Knacken” von Patentdatenbanken zu produzieren.
Die Quantitative Supply Chain - und Lokad - ist in ihrem Kern statistisch. Wenn es darum geht, Supply-Chain-Entscheidungen zu optimieren, die sowohl in Bezug auf ihre Größenordnung als auch auf ihre Häufigkeit statistische Ausreißer sind, z.B. die Entscheidung, ein neues Werk zu eröffnen, ist die statistische Perspektive bestenfalls schwach und häufig irreführend.
In Bezug auf die Vorlaufzeiten ist Lokad viel besser geeignet, um zu entscheiden, ob für jede einzelne Lieferung Luftfracht verwendet werden sollte oder nicht, anstatt zu entscheiden, ob strategische Lieferanten von Asien nach Nordamerika verlegt werden sollten.
Als Faustregel gilt: Wenn eine Supply-Chain-Entscheidung täglich überprüft werden kann, dann ist sie ein guter Kandidat für Lokad. Historische Daten müssen kein 1-zu-1-Match mit den vorgestellten Szenarien bieten. Die Erkundung alternativer Beziehungen zwischen Kunden und DCs ist genau das Problem, für das Envision entwickelt wurde.
