Erfolgsfaktoren in prädiktiven supply chains

Joannes Vermorel

Supply chains per autopilot durch prädiktive Technologien zu steuern und übermenschliche Performance in großem Maßstab zu erreichen, bleibt für fast alle Unternehmen ein fernes Ziel, mit Ausnahme der üblichen Verdächtigen (z.B. Amazon). Dieser Zustand ist umso überraschender, wenn man die enorme Anzahl an software vendors bedenkt, die unter anderem radikale Bestandsreduzierungen und stock-outs versprechen. Der langjährige Scherz bei Lokad war, dass der einzige Weg, wie Lokad mit den Ansprüchen unserer Wettbewerber mithalten könnte, darin bestünde, zu behaupten, dass wir auch Krebs heilen würden.

Doch meine beiläufigen Beobachtungen aus den vergangenen Erfahrungen¹ der Lokad-Kundenbasis deuten darauf hin, dass die überwiegende Mehrheit der prädiktiven supply chain Initiativen scheitert. Mit Scheitern meine ich, dass diese Lösungen es nicht einmal schaffen, bei unserem 5-minütigen supply chain Leistungstest 10 von 12 zu erzielen. Ein strengeres Erfolgskriterium wäre ein nachhaltiger Anstieg der gesamten finanziellen Leistung der supply chain, aber momentan reicht unser bescheidener 5-Minuten-Test aus, um eine angemessene obere Grenze der Erfolgsraten zu liefern.

Es ist schwer, eine genaue Zahl zu nennen, da Erfolge so selten sind, dass ich glaube, die allgemeine Markterfolgsrate² liege unter einem von zehn. Doch wie bei der Lotterie macht der Gewinner (Einzelner) Schlagzeilen, während die Verlierer (Mengen) unbeachtet bleiben. Das Problem wird verschärft, da sowohl Auftraggeber als auch Anbieter stark dazu motiviert sind, sich als erfolgreich darzustellen, unabhängig vom tatsächlichen Projektergebnis. Für den Anbieter ist ein Erfolg offensichtlich großartige PR. Für die Mitarbeiter des Auftraggebers bedeutet Erfolg bessere Berufsaussichten³. Schlimmer noch, den Rest des Unternehmens erkennen zu lassen, dass eine Millioneninvestition verschwendet wurde, führt allzu häufig dazu, dass man gefeuert wird oder die Karriere ins Stocken gerät. Glücklicherweise ist die quantitative Messung der supply chain Performance ein bemerkenswert schwer fassbares Ziel – hauptsächlich aufgrund von Netzwerkeffekten. Daher braucht es wirklich einen epischen⁴ Fehltritt, um das Chaos nicht einfach durch ein leichtes Herumpfuschen an den Zahlen vertuschen zu können.

Die erste bemerkenswerte Ausnahme sind die „AI“-Lösungen⁵ – in supply chain optimization – die basierend auf meinen umfangreichen Beobachtungen⁶ eine spektakuläre Erfolgsquote von null Prozent erzielen. Patrick Cousot, einer meiner ehemaligen Professoren der Informatik, sagte mir bereits 2002, dass in der Informatik eine „Lösung“ nur dann als „AI“ bezeichnet wird, solange wir keinerlei Ahnung haben, wie sie funktioniert. Sobald ein praktischer Weg gefunden wird, sie funktionsfähig zu machen, erhält die Lösung einen anderen Namen: konvexe Optimierung, statische Analyse, Reinforcement Learning usw. Vier Jahre später wiederholte Mehryar Mohri, mein damaliger Forschungsbetreuer, dasselbe. Zwei Jahrzehnte später erwiesen sich diese Einsichten als vorausschauend⁷, und tatsächlich scheint es den AI-Anbietern nicht im Geringsten klar zu sein, wie sie ihre „AI“ so zum Laufen bringen, dass sie etwas liefert, das in Bezug auf supply chain als produktionsreif qualifiziert wäre.

Wäre es nicht eine solch enorme Ressourcenverschwendung, würde die Situation als komisch wahrgenommen werden. Nehmen wir den jüngsten weltweiten Walmart demand forecasting competition: Von den zwei Dutzend „bemerkenswerten“ supply chain Anbietern, wie sie beispielsweise von Gartner aufgelistet werden, schafft es keiner in die Top 100 von 900+ Teams. Die Diskrepanz zwischen dem, was objektiv funktioniert, und dem, was der Markt kauft oder bewirbt, ist erstaunlich. Dennoch sind freie Märkte unglaubliche Filter: Mit der Zeit werden diejenigen, die nicht gut genug funktionieren, aussortiert. Es liegt nicht daran, dass die Menschen zur Besinnung kommen und ihre Meinung ändern, sondern allein daran, dass Unternehmen, die an ineffizienten Methoden festhalten, allmählich untergehen und von ihren Wettbewerbern ersetzt werden – die kreative Zerstörung, wie sie von Schumpeter beschrieben wurde.

Die zweite bemerkenswerte Ausnahme ist Lokad⁸. In den letzten zwei Jahren lag unsere Erfolgsquote konstant über drei von vier. Die Risiken sind zwar weiterhin vorhanden, aber wir sind nun um eine Größenordnung weniger riskant als unsere Wettbewerber. Historisch gesehen begann es nicht so. Nach denselben Erfolgskriterien, die in den ersten drei Jahren von 2008 bis 2011 angewendet wurden, erzielten wir genau null Erfolge. Es hat uns fast ein grausiges Jahrzehnt gekostet, um schmerzhaft jeden zusätzlichen Prozentsatz Erfolg zu erringen, durch Dutzende von schrittweisen Verbesserungen. Es wäre ermüdend, den gesamten Ablauf zu katalogisieren, aber lassen Sie uns eine ausgewählte Liste bemerkenswerter Erkenntnisse durchgehen.

• Wir ermutigen Kunden, dort zu kündigen, wo sie unzufrieden sind. Punkt. Seit 2008 wirbt Lokad mit monthly subscriptions, während unsere Wettbewerber weiterhin auf jährliche oder mehrjährige Verträge setzen. Das ist kein Zufall. Wenn ein Kunde kündigt, sendet dies ein deutliches Signal, dass es nicht funktioniert. In der Regel liegt es entweder an einer fehlerhaften Technik oder an mangelnder Kompetenz (oder beidem). Das kann man nicht beschönigen. Es ist hart, aber man kann daraus lernen. Im Gegensatz dazu gibt es in der Regel nichts zu lernen aus den ein Jahr nach den Ereignissen erfundenen höflichen Schmerzpunkten, die die Geschichte besser erscheinen lassen sollen, als sie tatsächlich war⁹.

• Die richtige forecasting technology ist wichtiger als eine lediglich genaue. Es hat Jahre gedauert, bis wir erkannten, dass classic naked forecasts geradezu schädlich waren. Wir haben dieses Problem durch probabilistic forecasts und spezialisierte Algebren gelöst, um financial scores to decisions zuzuweisen.

• Die richtige data crunching platform ist wichtiger als raw capabilities. Supply chain Daten sind komplex, heterogen und werden wenig verstanden. Es gibt eine Menge eher alltäglicher Probleme, die gelöst werden müssen, um die Fallstricke von „garbage in, garbage out“ zu vermeiden. Die Erleichterung der in-place documentation der Daten ist ein guter Anfang und avoiding dumb typos durch Autovervollständigung wird schnell zu einem Muss.

• Im größtmöglichen Maße sollte correctness should be achieved by design erreicht werden. Fail fast and break things ist keine Option für supply chains. Bestell- oder Produktionsfehler sind extrem teuer. Es ist bereits herausfordernd genug, eine supply chain in einer höchst chaotischen Welt zu betreiben; eine prädiktive Technologie sollte die Dinge nicht verschlimmern, indem sie eine eigene Entropieebene hinzufügt.

• Ungefähr richtig ist besser als genau falsch. Schwierige Probleme wie lead time Variabilität, Preisanpassungen der Wettbewerber, Kannibalisierung innerhalb des Sortiments, selbstprophetische Effekte, … sollten angenommen statt verworfen werden. Außerdem kann eine Initiative leicht entgleisen, wenn man sich auf die falschen Herausforderungen konzentriert, wie zum Beispiel factoring the weather, weil es cool ist, während man tail risks abtut, da die Planung für das Schlimmste Nerven und Standhaftigkeit erfordert.

Die meisten Elemente, die eine entscheidende Rolle bei der Verbesserung der Erfolgsrate unserer Initiativen für prädiktive supply chains spielten, erwiesen sich als grundlegende – ja, sogar fundamentale – Konzepte, wie zum Beispiel die Überprüfung des Begriffs dessen, was von einem forecast zu erwarten ist, und die komplette Neuentwicklung unserer Technologie und Prozesse auf Basis des neuen Verständnisses so oft wie nötig. Wir werden dies auch in Zukunft fortführen. Unser Engagement gilt der Lösung des Problems, nicht den Details der heutigen Lösung.