Jede einzelne Woche kontaktieren uns zahlreiche Unternehmen mit der Anfrage, ob Lokad sich um ihre rollenden wöchentlichen oder monatlichen Prognosen kümmern könnte, beispielsweise einige Quartale im Voraus. Tatsächlich wurde Lokad vor einem Jahrzehnt mit der Idee gegründet, eine forecast as a service App zu sein. Leider erwies sich diese Idee als weitgehend dysfunktional, und wir haben bessere Ansätze verfolgt. Einige der durch Prognosen aufgeworfenen Probleme sind einfach – täuschend einfach – aber auch grundlegend. Egal wie gut die Technologie ist, sie nützt nichts, wenn die zugrunde liegenden Geschäftsannahmen fehlerhaft sind.

Seien wir ehrlich: Lokad macht Nachfrageprognosen, und predictive optimization bleibt unsere Kernkompetenz, aber daran liegt eine Methode zugrunde; und diese Methode beginnt mit der Anerkennung, dass Prognosen weitgehend eine sich selbst erfüllende Prophezeiung sind und dass zahlreiche Feedbackschleifen involviert sind.

Betrachten wir diesen Aspekt etwas genauer. Wenn man den Umsatz einer Modemarke prognostizieren möchte, muss man nur die anfänglich gekauften Mengen betrachten: Die während der Saison verkauften Mengen entsprechen stets den zunächst von den Lieferanten bestellten Mengen (abzüglich der Schwundverluste). Dennoch wird der Bestand häufig nicht zum vollen Preis verkauft, oder umgekehrt, der Bestand geht mitten in der Saison aus. Diese vermeintlich „perfekte“ Prognose ist eine Fata Morgana und spiegelt nicht die Realität der finanziellen Leistung des Unternehmens wider.

Die future demand ist untrennbar mit zukünftigen supply chain decisions gekoppelt. Dennoch handeln viele Unternehmen, als ob es möglich wäre, zuerst zu forecast (d.h. wöchentliche Nachfrage) und dann zu decide (d.h. Bestellmengen) überzugehen. Dieser Ansatz ist unklug, da Letzteres das Erstere maßgeblich beeinflusst.

partners watching crystal ball

Anhand anekdotischer Belege erklärt diese Kopplung zwischen zukünftiger Nachfrage und künftigen Entscheidungen, warum so viele „fortschrittliche“ Prognoseprojekte scheitern: Die backtest benchmarks zeigten, dass die neue Prognose besser sei als die alte, und doch begann im Betrieb alles auseinanderzufallen, scheinbar ohne ersichtlichen Grund. In Wirklichkeit neigen dumme Prognosen – ohne die gebotene Sorgfalt – dazu, weniger nachteilige sekundäre Effekte, d.h. unbeabsichtigte Konsequenzen, die durch die Prognosen selbst verursacht werden, hervorzurufen.

In der Praxis nimmt die rückwirkende Feedbackschleife zwischen Prognosen und Entscheidungen viele Formen an:

  • Die Einführung noch eines weiteren Artikels in das Sortiment kann das restliche Sortiment kannibalisieren. Daher sollte eine erhöhte Nachfrageprognose für einen Artikel (irgendwie) zu einer Verringerung der Prognose für alle konkurrierenden Produkte führen.
  • Der Nachfragesteigerungseffekt, der sich aus einer promotion für ein bestimmtes Produkt ergibt, hängt stark vom breiteren Kontext ab. Wenn das Produkt zufällig das einzige im Laden ist, das beworben wird, könnte der resultierende Anstieg groß sein. Wenn jedoch jedes einzelne Produkt im Laden beworben wird, fällt der Anstieg wahrscheinlich wesentlich geringer aus.
  • Die Durchlaufzeit sollte prognostiziert werden, aber das Unternehmen könnte ein gewisses Maß an Kontrolle über die Lieferzeiten haben, wenn es entscheiden kann, ob die Waren per Seefracht oder Luftfracht verschickt werden. Beide Modalitäten erfordern eigene Durchlaufzeit-Prognosen; jedoch hängt die zu berücksichtigende Nachfrage für den Bestand von den Lieferzeiten ab.
  • Der Erwerb größerer Mengen bietet in der Regel gewisse Skaleneffekte, die sich typischerweise in Form von Preisnachlässen manifestieren. Ein niedrigerer Einkaufspreis kann dann in einen niedrigeren Verkaufspreis umgewandelt werden, was die Nachfrage ankurbelt, sodass sie der zunächst erworbenen oder produzierten größeren Menge entspricht.
  • Ein Rabattangebot an Kunden steigert den Umsatz, verändert jedoch auch die zukünftigen Erwartungen der Kunden. Kunden werden künftig vermehrt mit Rabatten rechnen und ihre Kaufentscheidung hinauszögern, bis ein Rabatt gewährt wird.

All diese Feedbackschleifen sind einer der Hauptgründe, warum es uns bei Lokad äußerst unangenehm geworden ist, „nackte“ Prognosen zu liefern. Wir sind fest entschlossen, die Fehler unserer Anfangsjahre nie zu wiederholen, und im Sinne des hippokratischen Eids beginnt die Wertschöpfung für unsere Kunden damit, nicht durch fehlgeleitete Ansätze in ihren supply chains Chaos zu verursachen.

Dies ist kein Zufall, wenn unser die Quantitative Supply Chain manifesto stark auf die decisions setzt. Es sind die Konsequenzen, manchmal weitreichend, der Entscheidungen, die genau vorhergesagt werden müssen, und nicht irgendeine abstrakte Nachfrage. In dieser Hinsicht stimmt unser Ansatz mit den Erkenntnissen überein, die in den 1830er Jahren von Jean Baptiste Say aufgedeckt wurden, wonach Angebot schafft seine eigene Nachfrage.

Angesichts des derzeitigen Stands der Technik in den Bereichen Machine Learning und Software gibt es keinen „verpackten“ Weg, Feedbackschleifen rein softwareseitig anzugehen. Es bedarf eines Supply Chain Scientist mit einem feinen Verständnis der geschäftlichen Herausforderungen sowie einer gesunden Portion Diskussion mit erfahrenen Praktikern, um Heuristiken und Modelle zu entwickeln, die zumindest annähernd korrekt in ihrer Fähigkeit sind, die prädiktiven Möglichkeiten von Lokad gewinnbringend für den Kunden einzusetzen.