Quantitative Supply Chain

Joannes Vermorel

Jede Woche kontaktieren uns zahlreiche Unternehmen und fragen, ob Lokad sich um ihre rollenden wöchentlichen oder monatlichen Prognosen kümmern könnte, die ein paar Quartale vorausgehen. Tatsächlich wurde Lokad vor einem Jahrzehnt mit der Idee gegründet, eine Prognose als Service -App zu sein. Leider erwies sich diese Idee als weitgehend dysfunktional, und wir haben uns besseren Ansätzen zugewandt. Einige der durch Prognosen aufgeworfenen Probleme sind einfach - trügerisch einfach - aber auch grundlegend. Egal wie gut die Technologie ist, sie nützt nichts, wenn ihre Geschäftsgrundlagen fehlerhaft sind.

Seien wir klar: Lokad stellt Nachfrageprognosen auf und predictive optimization bleibt unsere Kernkompetenz, aber es gibt eine Methode dafür; und die Methode beginnt damit, anzuerkennen, dass Prognosen weitgehend eine sich selbst erfüllende Prophezeiung sind und dass zahlreiche Rückkopplungsschleifen beteiligt sind.

Lassen Sie uns diesen Aspekt genauer veranschaulichen. Wenn man die Verkäufe einer Modemarke prognostizieren möchte, muss man nur auf die anfänglich gekauften Mengen schauen: Die Mengen, die während der Saison verkauft werden, entsprechen in der Regel den Mengen, die anfänglich von den Lieferanten bestellt wurden (abzüglich der Schrumpfung). Doch häufig wird der Bestand nicht zum vollen Preis verkauft oder umgekehrt geht der Bestand zur Hälfte der Saison aus. Diese vermeintlich “perfekte” Prognose ist eine Illusion und spiegelt nicht die Realität der finanziellen Leistung des Unternehmens wider.

Die zukünftige Nachfrage ist intrinsisch mit zukünftigen Entscheidungen in der Supply Chain verbunden. Dennoch handeln viele Unternehmen so, als ob es möglich wäre, zuerst eine Prognose (d.h. wöchentliche Nachfrage) zu erstellen und dann erst zu entscheiden (d.h. Bestellmengen). Dieser Ansatz ist unklug, da letzterer den ersteren tiefgreifend beeinflusst.

Als beispielhafter Beweis erklärt diese Verbindung zwischen zukünftiger Nachfrage und zukünftiger Entscheidung, warum so viele “fortgeschrittene” Prognoseprojekte scheitern: Die Backtest-Benchmarks “bewiesen”, dass die neue Prognose besser war als die alte, und dennoch begannen die Dinge, sobald sie in Produktion waren, scheinbar ohne Grund auseinanderzufallen. Die Realität ist, dass “dumme” Prognosen ohne angemessene Sorgfalt tendenziell weniger nachteilige Effekte zweiter Ordnung erzeugen, d.h. unbeabsichtigte Konsequenzen, die durch die Prognosen selbst verursacht werden.

In der Praxis nehmen die rückwirkenden Rückkopplungsschleifen zwischen Prognosen und Entscheidungen viele Formen an:

• Die Einführung einer weiteren Referenz in das Sortiment kann das restliche Sortiment kannibalisieren. Daher sollte eine größere Nachfrageprognose für eine Referenz die Prognose für alle konkurrierenden Produkte verringern.
• Der Nachfrageanstieg infolge einer Promotion für ein bestimmtes Produkt hängt stark vom größeren Kontext ab. Wenn das Produkt das einzige ist, das im Geschäft beworben wird, kann der resultierende Anstieg groß sein. Wenn jedes einzelne Produkt im Geschäft beworben wird, ist der Anstieg wahrscheinlich viel geringer.
• Die Lieferzeit sollte prognostiziert werden, aber das Unternehmen kann einen gewissen Grad an Kontrolle über die Lieferzeiten haben, wenn es entscheiden kann, ob die Waren per Schiff oder per Luftfracht versendet werden sollen. Beide Modalitäten erfordern ihre eigenen Lieferzeitprognosen; aber die zu berücksichtigende Nachfrage für den Bestand hängt von den Lieferzeiten ab.
• Der Kauf größerer Mengen bietet in der Regel eine Art Skaleneffekte, die sich typischerweise in Preisnachlässen niederschlagen. Ein niedrigerer Einkaufspreis kann dann in einen niedrigeren Verkaufspreis umgewandelt werden, wodurch die Nachfrage erhöht wird, sodass sie der zu Beginn erworbenen oder produzierten größeren Menge entspricht.
• Ein Rabatt für Kunden steigert den Umsatz, verändert aber auch die zukünftigen Erwartungen der Kunden. Kunden werden zunehmend einen Rabatt erwarten und ihre Kaufentscheidung verzögern, bis ein Rabatt angeboten wird.

Alle diese Rückkopplungsschleifen sind einer der Hauptgründe, warum wir bei Lokad uns sehr unwohl fühlen, “nackte” Prognosen zu liefern. Wir haben die feste Absicht, unsere Fehler aus den Anfangsjahren nie zu wiederholen, und im Sinne des hippokratischen Eids beginnt die Wertschöpfung für unsere Kunden damit, in ihren Lieferketten keinen Schaden durch fehlgeleitete Ansätze anzurichten.

Es ist kein Zufall, dass unser Quantitatives Lieferkettenmanifest stark auf den Entscheidungen basiert. Es sind die Konsequenzen, manchmal weitreichend, der Entscheidungen, die genau vorhergesagt werden müssen, nicht irgendeine abstrakte Nachfrage. In dieser Hinsicht ist unser Ansatz im Einklang mit den Erkenntnissen, die in den 1830er Jahren von Jean Baptiste Say aufgedeckt wurden, dass Angebot seine eigene Nachfrage schafft.

Angesichts des aktuellen Standes der Fortschritte in maschinellem Lernen und Software gibt es keinen “verpackten” Weg, um Rückkopplungsschleifen durch Software anzugehen. Es bedarf eines Supply Chain Scientists mit einem guten Verständnis der geschäftlichen Herausforderungen sowie einer gesunden Portion Diskussion mit erfahrenen Praktikern, um Heuristiken und Modelle zu entwickeln, die zumindest annähernd korrekt sind in ihrer Fähigkeit, die Vorhersagekapazitäten von Lokad profitabel für den Kunden einzusetzen.