Jenseits von Zeitreihen
Wenn man nur einen Hammer hat, sieht alles wie ein Nagel aus. Der von der supply chain community lange favorisierte Hammer waren Zeitreihen und folglich erscheinen in supply chain circles alle Probleme als Zeitreihenprognosen. Die Versuchung, mit dem Hammer zuzuschlagen, wird durch die umfangreiche Literatur zu Zeitreihenprognosen jenseits von supply chain use cases noch verstärkt. Es geht nicht nur um den Hammer, den wir bereits haben: Wir befinden uns auch mitten in einem ganzen Einkaufszentrum voller glänzender Hämmer, in allen Formen, Größen und Farben.

Allerdings sind Zeitreihen weitgehend unzureichend, um vernünftig irgendetwas zu modellieren – außer vielleicht die einfachsten supply chain situations. Folglich werden die besten Zeitreihenprognosen, egal wie genau sie sind, routinemäßig von den alltäglichen Aspekten von supply chains überwunden. Doch wenn man mit diesen Situationen konfrontiert wird, besteht die instinktive Reaktion der Community – die Unternehmen, die supply chains betreiben, ihre Softwareanbieter, und Professoren, die supply chain unterrichten – darin, nach genaueren Prognosen zu suchen. Schließlich, was könnte es sonst jemals geben abgesehen von genaueren Prognosen?
Der schwierigste Schritt, um sich mental außerhalb des Zeitreihen-Rahmens zu bewegen, besteht darin, das bloße Bestehen des Problems – d.h. die Beschränkung der Zeitreihen an sich – anzuerkennen, ohne (noch) eine alternative Lösung aufzeigen zu können. Tatsächlich lehrt uns die Wissenschaftsgeschichte, dass Probleme tendenziell als „unvorstellbar“ gelten, bis eine Lösung gefunden wird. Probleme, die frei von Lösungen1 sind, werden üblicherweise als irrelevant abgetan. Leider können wir gar nicht erst mit der Suche beginnen, wenn wir nicht zunächst annehmen, dass eine Lösung existieren könnte.
Werfen wir einen genaueren Blick auf die Zeitreihen-Perspektive und ihre supply chain use cases. Bisher habe ich drei supply chain Personae mit den Namen Paris, Miami und Amsterdam eingeführt (weitere folgen). Diese Personae stellen fiktive, aber realistische Darstellungen von realen supply chains dar. Können Zeitreihen dazu verwendet werden, etwas anzudeuten, das annähernd der „Nachfrage“ in einer dieser drei Situationen entspricht? Für jede dieser drei Situationen lautet die Antwort: Nein:
- Paris, ein Mode-Netzwerk, beinhaltet massive Substitutions- und Kannibalisierungseffekte. Das Wesentliche des zugrunde liegenden Mechanismus, die unscharfe Wahrnehmung des gesamten Sortiments durch die Kunden, geht verloren, wenn Zeitreihen angewendet werden.
- Miami, ein Aviation MRO, beinhaltet AOG (Aircraft on Ground)-Vorfälle, bei denen ein fehlendes Teil dazu führt, dass das gesamte Flugzeug am Boden bleibt. Sowohl AOGs als auch die zyklische Natur der Teile-Reparaturen gehen verloren, wenn eine Zeitreihenprognose angewendet wird.
- Amsterdam, eine Käsemarke, ist sowohl auf der Angebotsseite als auch auf der Nachfrageseite strikt begrenzt. Folglich, während sowohl Angebot als auch Nachfrage möglicherweise als Zeitreihen dargestellt werden könnten, finden die einzigen interessanten Vorgänge zwischen diesen Reihen statt.
Doch supply chain Lehrbücher sind voll von „Beispielen“, die Zeitreihenanalysen und Zeitreihenprognosen beinhalten. Allerdings ist die Gültigkeit dieser Beispiele bedenklich. Diese Beispiele zeigen unbestimmte Unternehmen, die zufällig „etwas“ produzieren und/oder verkaufen, ohne jegliche Details. Doch der Teufel steckt im Detail. Sobald wir anfangen, das Kleingedruckte aufzudecken, wie es in den oben eingeführten supply chain Personae geschieht, wird deutlich, dass die Zeitreihen-Perspektive im Wesentlichen eine Ansammlung von Spielzeugproblemen ist, die Studenten und Professoren zwar beschäftigt halten, aber für den realen Einsatz nicht wirklich geeignet sind.
Die Zeitreihen-Perspektive ist eine der Grundursachen2, die den allgegenwärtigen Einsatz von Spreadsheets in supply chains trotz der Verfügbarkeit von Advanced Planning Systems (APS) in den meisten großen Unternehmen seit drei Jahrzehnten erklärt. Supply chain Praktiker greifen wieder zu ihren Spreadsheets, weil das APS sie im Stich lässt.
Der spezifische Fall der Prognosegenauigkeit ist interessant. Praktiker sind nicht in der Lage, das APS in puncto Genauigkeit zu übertreffen (ausgenommen vielleicht die wirklich dysfunktionalen). Das ist seit Jahrzehnten so. Bereits in den 1990er Jahren haben vernünftig abgestimmte parametrische Zeitreihenmodelle die menschliche Genauigkeit übertroffen. Die Weigerung der supply chain Praktiker, ihre Spreadsheets aufzugeben, kann nicht allein mit ihrer Angst vor Veränderungen erklärt werden, schon seit über drei Jahrzehnten.
Ein grundlegendes Designproblem liegt in den APS selbst, indem das gesamte Stück Software um Zeitreihen ausgerichtet wird, was nicht zur Problemstellung passt – es bietet eine weitaus einfachere und überzeugendere Erklärung. Dennoch bleibt uns das Problem, warum so viele Unternehmen APS (oft mehrere) übernommen haben, wenn APS so wenig leistet.
Diese kontraintuitive Situation ist ein Fall des Straßenlicht-Effekts.
Zeitreihen versagen in supply chains, und doch, da es schwerfällt, an etwas anderes zu denken, vertreten Praktiker und ihr Management häufig die Standard-Meinung, dass die Zeitreihen-Perspektive genau das ist, was sie tatsächlich benötigen; obwohl ihre täglichen Routinen und die in ihren Spreadsheets implementierten Heuristiken dieser Meinung widersprechen. Zudem werden Aspekte der Datenvisualisierung oft mit denen der Datenmodellierung vermischt. Unabhängig davon, welche Modellierungsperspektive angewendet wird, sind Zeitreihen ein Visualisierungs-Mechanismus, der wahrscheinlich bestehen bleiben wird – schließlich ist das menschliche Sehen meist zweidimensional – und die meisten Belange in supply chains beinhalten Zeit als interessante Dimension. Nur weil ein Ansatz gut für die Visualisierung ist, bedeutet das nicht, dass seine Vorteile automatisch auf die Modellierung übertragbar sind.
Die reinste supply chain Form des Zeitreihen-Paradigmas ist wahrscheinlich Flowcasting, das die gesamte supply chain als eine Ansammlung von Zeitreihen vergegenständlicht. Basierend auf Gesprächen mit supply chain Direktoren scheint Flowcasting jedes Mal gescheitert zu sein, wenn es versucht wurde. Die Fokussierung auf Zeitreihen war dabei eindeutig ein verschärfender Faktor.
Bisher wurde in diesem Beitrag keine Alternative zu Zeitreihen und Zeitreihenprognosen vorgeschlagen. Doch genau darin liegt der Kern des Straßenlicht-Effekts: Sobald man weiß, dass man nicht am richtigen Ort sucht, sollte man anderswo suchen, egal wie dunkel diese anderen Orte auch sein mögen.
In meiner Reihe supply chain Vorlesungen, werde ich nach und nach Elemente einführen, um über das Zeitreihen-Paradigma hinauszukommen. Diese Elemente spiegeln Richtungen wider, die Lokad bereits vor Jahren eingeschlagen hat. Ich lade meine Leser jedoch ein, sich vorzustellen, wie ihre supply chain Praxis aussehen könnte, wenn sie jenseits der Beschränkungen des Zeitreihen-Paradigmas agierten.
-
In den frühen 1990er Jahren verfügten Versandhandelsunternehmen über die gesamte supply chain Infrastruktur, um zu eCommerce-Giganten zu werden. Doch der Versandkatalog – die Lösung, um das Angebotsbewusstsein bei den Verbrauchern zu schaffen – gab es schon so lange, dass diese Akteure das Problem, das sie zu lösen versuchten, nahezu aus den Augen verloren hatten: Fernabsatz. Neue eCommerce-Einsteiger wurden zu Marktführern, obwohl sie anfangs kaum einen Wettbewerbsvorteil hatten, insbesondere was ihre supply chain Infrastrukturen betraf. ↩︎
-
Eine weitere wichtige Grundursache neben den Zeitreihen ist die deterministische Perspektive, die von APS übernommen wird. Die Zukunft wird als völlig bekannt vorausgesetzt, wodurch kein Raum für Unsicherheiten bleibt. Dabei ist Unsicherheit jedoch irreduzibel und muss offen angegangen werden. Lokad macht dies durch probabilistische Prognosen, wobei dieses Anliegen weitgehend orthogonal zum Zeitreihen-Problem steht. ↩︎