Supply Chain als Service

Joannes Vermorel

Im Bereich der prädiktiven Optimierung, stecken die meisten supply chains noch in den frühen 1990er Jahren¹. Größere Unternehmen haben in den letzten zwei Jahrzehnten bereits eine ganze Reihe von ‘prädiktiven’ Initiativen durchlaufen. Allerdings hatten nur wenige dieser Upgrades großen Einfluss auf supply chain.

Vor einem Jahrzehnt, bei Lokad, als wir begannen, die Ursachen dieser Fehlschläge anzugehen, entstand Supply Chain as a Service (SCaaS) als unser Geschäftsmodell und ersetzte das Software as a Service (SaaS)-Modell. Wir begannen, “software+expert”-Abonnements zu verkaufen. Der Experte, nämlich ein Supply Chain Scientist, implementiert die numerischen Rezepte die die Entscheidungen generieren, während die Software, nämlich die Lokad platform, dem Experten die Infrastruktur bietet, die er benötigt, um schnell und zuverlässig zu arbeiten.

In diesem Jahrzehnt war unsere SCaaS-Praxis ein dominierender Faktor, wenn nicht sogar der größte Faktor, um die Erfolgsquote unserer supply chain-Initiativen zu steigern. Dennoch werden häufig Einwände gegen die eigentliche Idee von SCaaS erhoben.

Wir werden unsere supply chain-Kompetenz nicht auslagern. Dieser Einwand impliziert, dass strategische interne supply chain-Kompetenzen bewahrt werden müssen. Das mag in Einzelfällen zutreffen, doch meist qualifiziert diese Kompetenz nicht als „strategisch“. Die meisten Unternehmen, auch die großen, erreichen nicht einmal einen Wert von 10 in unserem 5min supply chain performance test. Schlimmer noch: Aufwändige Initiativen wie S&OP, neigen dazu, die tatsächliche supply chain-Kompetenz durch weitere Fragmentierung der Entscheidungsprozesse kontinuierlich zu verringern.

Im Gegenteil ebnet SCaaS den Weg für das Aufkommen einer echten strategischen supply chain-Kompetenz im Unternehmen. Es beginnt damit, die Entscheidungsprozesse zu automatisieren. Tatsächlich können sich supply chain-Teams ohne Automatisierung kaum leisten, strategisch zu denken. Die ganze Energie des Teams wird darauf verwendet, im Notfall Lösungen für Randfälle zu finden. Im Gegenteil, mit SCaaS an Bord berichteten uns mehrere Kunden, dass sie zum ersten Mal in ihrer Geschichte die Zeit fanden, sich mit schwierigen Problemen wie Kannibalisierungen oder der Optimierung der MOQ auseinanderzusetzen.

Wir werden es mit einfachen Tools machen. Dieser Einwand nimmt den Mangel an Programmierkenntnissen in supply chain-Teams als gegeben hin und schließt damit ganze Werkzeugklassen aus. In Bezug auf supply chain gibt es drei Haupttypen von “einfachen” Tools: Vanilla-Apps, Low Code-Apps und spreadsheets.

Vanilla-Apps bieten zahlreiche Optionen und Funktionen, um mit all den Variationen in supply chain umzugehen. Die App wirkt zunächst einfach: Die Nutzung der App besteht lediglich aus der Konfiguration, wonach der Workflow übernimmt. Es ist keine Programmierung erforderlich. In der Praxis übersteigen die supply chain-Situationen jedoch stets die Leistungsfähigkeit der App. Praktiker, die mit einer “App” konfrontiert sind, greifen zur Erledigung der Arbeit auf spreadsheets zurück.

Low Code-Apps versprechen die Leistung von Programmierung, jedoch ohne sich mit einer Programmiersprache auseinandersetzen zu müssen. Low Code-Apps verfügen typischerweise über eine Art visuellen Editor. Leider kommt der Low Code-Ansatz mit der Komplexität, der selbst alltägliche supply chains gegenüberstehen, nicht gut zurecht. An einem Beispiel mit 2 Tabellen und 10 Feldern sieht Low Code großartig aus. An einem realen Beispiel mit 20 Tabellen und 500 Feldern wirkt Low Code jedoch schrecklich. Sobald Praktiker Zugang zu einer Low Code-App haben, greifen sie ebenfalls auf spreadsheets zurück, um die Arbeit zu erledigen.

spreadsheets sind mit Abstand das Werkzeug, das von supply chain-Praktikern verwendet wird. Obwohl sie die Aufgabe erfüllen, gibt es Nuancen, die einfach nicht in das spreadsheet-Paradigma passen, egal ob es sich um Microsoft Excel oder eine webbasierte Alternative handelt. Probabilistische Vorhersage und stochastische Optimierung gehören schlichtweg nicht in das Reich der spreadsheets. Solange spreadsheets im Einsatz sind, bleibt die SCM Praxis in der Ära der 1990er Jahre stecken.

SCaaS ist der Funke, der es ermöglicht, das Upgrade der supply chain voranzutreiben. Bestehende Praktiken, die seit zwei oder drei Jahrzehnten etabliert sind, in Frage zu stellen, ist bereits ein steiniger Weg. SCaaS bietet die Gelegenheit, diesen Kampf mit Veteranen aufzunehmen, die in anderen Unternehmen bereits Erfahrungen damit gesammelt haben.

Wir werden es mit unserem eigenen Data Science-Team machen. Bereits in den frühen 2000er Jahren lautete der Einwand: Wir werden es mit unserem eigenen Data Mining-Team machen. Data Mining ist tot, es lebe Data Science. Dennoch vergessen die meisten Unternehmen die Lektionen ihrer vor 20 Jahren gescheiterten Data Mining-Initiativen: Technologie war fast nie die Hauptursache für das Scheitern, sondern ein Elfenbeinturm war das Problem.

Was die supply chain betrifft, stellt die Einstellung von Data Scientists fast immer ein langsames und kostspieliges Scheitern der Initiative sicher. Data Scientists sind typischerweise junge Ingenieure, die in einer Liste von open source Frameworks und/oder Sprachen ausgebildet wurden. Infolgedessen betrachtet der typische Data Scientist, ähnlich wie sein Vorgänger im Data Mining, die Welt durch technische Brillen. Ein Data Science-Team wird einen stetigen Strom von „Lösungen, die auf Probleme warten“ generieren. Es werden Vorträge gehalten, Demos präsentiert. supply chain-Praktiker werden dem Data Science-Team höflich gratulieren und dafür sorgen, dass keine seiner „Lösungen“ jemals in die Nähe der tatsächlichen Produktion kommt. In dieser Hinsicht treffen die Praktiker die richtige Entscheidung.

SCaaS-Anbieter können es sich nicht leisten, rein dekorativ zu sein. Die meisten Unternehmen tun sich schwer damit, Talente wie Data Scientists zu entlassen, selbst wenn diese nicht zum Unternehmen beitragen. Allerdings haben die meisten Unternehmen kein Problem damit, einen Drittanbieter zu kündigen, der nicht ausreichend liefert. SCaaS-Anbieter sind Überlebenskünstler, die es immer wieder schaffen, ihren fortlaufenden Mehrwert unter Beweis zu stellen.

Als SCaaS-Anbieter stellt Lokad selten reine Data Scientist-Profile für seine Rollen als “Supply Chain Scientist” ein. Stattdessen bevorzugen wir Ingenieure, die bereit sind, in erster Linie zu supply chain-Experten zu werden. Statistische Modelle sind ein Mittel zum Zweck, nicht der Zweck an sich. Data Scientists neigen allzu häufig dazu, numerische Modelle bis an ihre Grenzen auszureizen. Supply Chain Scientists versuchen nicht, eine wissenschaftliche Arbeit zu veröffentlichen; sie wollen die Aufgabe mit minimalem Aufwand erledigen. In der Praxis macht das den entscheidenden Unterschied zwischen einer produktionsreifen Lösung und einem schicken Prototyp, der niemals in die Produktion gelangt.