Faktoren für den Erfolg in der quantitativen Supply Chain

Joannes Vermorel

Die Automatisierung von Supply Chains durch quantitative Technologien und die Erzielung einer übermenschlichen Leistung im großen Maßstab bleibt für fast alle Unternehmen ein fernes Ziel, mit Ausnahme der üblichen Verdächtigen (z. B. Amazon). Diese Situation ist umso überraschender, wenn man bedenkt, wie viele Softwareanbieter es gibt, die radikale Bestandsreduzierungen und Lagerbestandslücken versprechen - unter anderem. Bei Lokad war es schon lange ein Witz, dass Lokad nur mit den Behauptungen unserer Konkurrenten konkurrieren könnte, wenn wir anfangen würden zu sagen, dass wir auch Krebs heilen können.

Dennoch zeigen meine oberflächlichen Beobachtungen der vergangenen Erfahrungen¹ aus dem Kundenstamm von Lokad, dass die große Mehrheit der Initiativen zur quantitativen Supply Chain scheitert. Mit Scheitern meine ich speziell, dass diese Lösungen es nicht einmal schaffen, bei unserem 5-minütigen Test zur Leistung der Supply Chain 10 von 12 Punkten zu erreichen. Ein strengerer Erfolgsmaßstab wäre ein dauerhafter Schub in der finanziellen Gesamtleistung der Supply Chain, aber im Moment reicht unser bescheidener 5-Minuten-Test aus, um eine vernünftige Obergrenze für Erfolgsraten zu liefern.

Es ist schwer, eine genaue Erfolgsquote anzugeben, da Erfolge so selten sind, dass ich glaube, dass die allgemeine Markterfolgsquote² unter einem von zehn liegt. Wie bei der Lotterie macht die Gewinnerin (Singular) Schlagzeilen, während die Verlierer (Massen) ignoriert werden. Das Problem wird verstärkt, da sowohl der Kunde als auch der Anbieter stark daran interessiert sind, sich als erfolgreich zu vermarkten, unabhängig vom tatsächlichen Ergebnis des Projekts. Für den Anbieter ist ein Erfolg natürlich großartiges PR-Material. Für die Mitarbeiter³ des Kunden bedeutet Erfolg bessere Karriereaussichten⁴. Schlimmer noch, wenn der Rest des Unternehmens realisiert, dass eine Investition in Millionenhöhe verschwendet wurde, ist dies häufig ein Rezept, um entlassen oder beruflich abgelenkt zu werden. Glücklicherweise ist die quantitative Messung der Leistung der Supply Chain ein äußerst schwer zu erreichendes Ziel - hauptsächlich aufgrund von Netzwerkeffekten. Es bedarf also wirklich eines epischen⁵ Fehlers, um das Chaos nicht einfach durch ein wenig Manipulation der Zahlen zu vertuschen.

Die erste bemerkenswerte Ausnahme sind die “KI”-Lösungen⁶ - in der Supply Chain-Optimierung -, die basierend auf meinen umfangreichen Beobachtungen eine spektakuläre Erfolgsquote von null Prozent erreichen⁷. Patrick Cousot, einer meiner ehemaligen Informatikprofessoren, sagte mir bereits 2002, dass in der Informatik eine “Lösung” nur als “KI” bezeichnet wurde, solange wir absolut keine Ahnung hatten, wie man sie zum Laufen bringt. Sobald ein praktischer Weg entdeckt wird, um sie zum Laufen zu bringen, erhält die Lösung einen anderen Namen: konvexe Optimierung, statische Analyse, verstärkendes Lernen usw. Vier Jahre später wiederholte Mehryar Mohri, mein damaliger Forschungsleiter, das Gleiche. Zwei Jahrzehnte später haben sich diese Erkenntnisse als vorausschauend erwiesen⁸, und tatsächlich scheinen diese KI-Anbieter nicht die geringste Ahnung zu haben, wie sie ihre “KI” liefern können, was aus Sicht der Supply Chain als produktionsfähig qualifiziert werden würde.

Wenn es nicht so eine Verschwendung von Ressourcen wäre, würde die Situation als komisch wahrgenommen werden. Nehmen wir den kürzlichen weltweiten Walmart-Nachfrageprognosewettbewerb: Von den zwei Dutzend “namhaften” Supply-Chain-Anbietern, wie sie beispielsweise von Gartner aufgelistet sind, schafft es keiner von ihnen unter die Top 100 von über 900 Teams. Der Unterschied zwischen dem, was objektiv funktioniert, und dem, was der Markt kauft oder fördert, ist erstaunlich. Dennoch sind freie Märkte unglaubliche Filter: Im Laufe der Zeit wird das, was nicht gut genug funktioniert, eliminiert. Es liegt nicht daran, dass die Menschen zur Vernunft kommen und ihre Meinung ändern, sondern einfach daran, dass Unternehmen mit ineffizienten Methoden allmählich verblassen und durch ihre Konkurrenten ersetzt werden - die schöpferische Zerstörung, wie von Schumpeter identifiziert.

Die zweite bemerkenswerte Ausnahme ist Lokad⁹. In den letzten beiden Jahren lag unsere Erfolgsquote konstant über drei von vier. Die Risiken sind immer noch vorhanden, aber wir sind jetzt um eine Größenordnung weniger riskant als unsere Mitbewerber. Historisch gesehen hat es nicht so angefangen. Nach den gleichen Erfolgskriterien, die oben aufgeführt sind, haben wir in den ersten drei Jahren von 2008 bis 2011 genau null Erfolge erzielt. Es hat uns fast ein grausames Jahrzehnt gekostet, um jeden zusätzlichen Prozentsatz an Erfolg schmerzhaft zu verdienen, durch Dutzende von schrittweisen Verbesserungen. Es wäre anstrengend, das ganze Geschehen zu katalogisieren, aber lassen Sie uns eine handverlesene Liste bemerkenswerter Erkenntnisse durchgehen.

• Wir ermutigen Kunden, zu kündigen, wenn sie unzufrieden sind. Punkt. Seit 2008 fördert Lokad monatliche Abonnements, während unsere Mitbewerber immer noch jährliche oder mehrjährige Verpflichtungen eingehen. Das ist kein Zufall. Wenn ein Kunde kündigt, ist das ein klares Signal, dass es nicht funktioniert. Es läuft in der Regel entweder auf eine fehlerhafte Technologie oder einen Mangel an Kompetenz (oder beides) hinaus. Es gibt kein Beschönigen. Es ist hart, aber wir können daraus lernen. Im Gegensatz dazu gibt es in der Regel nichts aus den erfundenen höflichen Schmerzpunkten zu lernen, die ein Jahr nach den Ereignissen gemacht wurden, um die Geschichte besser aussehen zu lassen, als sie wirklich war¹⁰.

• Die richtige Prognosetechnologie ist wichtiger als eine bloß genaue. Es hat Jahre gedauert, bis wir erkannt haben, dass klassische nackte Prognosen geradezu schädlich waren. Wir haben dieses Problem durch probabilistische Prognosen und spezialisierte Algebra gelöst, um finanzielle Bewertungen von Entscheidungen zuzuweisen.

• Die richtige Datenverarbeitungsplattform ist wichtiger als reine Fähigkeiten. Lieferketten-Daten sind komplex, heterogen und schlecht verstanden. Es gibt viele ziemlich banale Probleme, die angegangen werden müssen, um den Fallstricken von “Müll rein, Müll raus” zu entgehen. Die Erleichterung der ortsbezogenen Dokumentation der Daten ist ein guter Anfang und das Vermeiden von dummen Tippfehlern durch Autocomplete wird schnell zu einem Muss.

• Die Richtigkeit sollte weitgehend durch Design erreicht werden. “Schnell scheitern und Dinge kaputt machen” ist keine Option für Lieferketten. Einkaufs- oder Produktionsfehler sind äußerst teuer. Es ist bereits herausfordernd genug, eine Lieferkette in einer hochchaotischen Welt zu betreiben, eine vorhersagende Technologie sollte die Dinge nicht noch schlimmer machen, indem sie ihre eigene Schicht von Entropie hinzufügt.

• Annähernd richtig ist besser als genau falsch. Schwierige Probleme wie Lieferzeit Variabilität, Preisbewegungen der Konkurrenz, Kannibalisierung im Sortiment, selbstprophezeiende Effekte, … sollten eher angenommen als abgelehnt werden. Darüber hinaus ist es einfach, eine Initiative zu entgleisen, indem man sich auf die falschen Herausforderungen konzentriert, wie z.B. die Wetterfaktoren, weil es cool ist, während man Schwanzrisiken abweist, weil die Planung für das Schlimmste Nerven und Tapferkeit erfordert.

Die meisten Elemente, die eine entscheidende Rolle bei der Verbesserung der Erfolgsquote unserer Initiativen für vorhersagende Lieferketten gespielt haben, stellten sich als grundlegende - sogar fundamentale - Konzepte heraus, wie z.B. die Überprüfung der eigentlichen Vorstellung davon, was eine Prognose sein sollte, und die Neugestaltung unserer Technologie und unserer Prozesse von Grund auf, basierend auf dem neuen Verständnis so oft wie nötig. Wir werden dies auch in Zukunft tun. Unser Engagement gilt der Lösung des Problems, nicht den Details der aktuellen Lösung.