Supply Chain as a Service

Joannes Vermorel

In Bezug auf die prädiktive Optimierung sind die meisten Lieferketten in den frühen 1990er Jahren stecken geblieben¹. Größere Unternehmen haben bereits eine ganze Reihe von “prädiktiven” Initiativen in den letzten beiden Jahrzehnten durchlaufen. Allerdings hatten wenige dieser Upgrades einen großen Einfluss auf die Lieferkette.

Vor einem Jahrzehnt, bei Lokad, als wir begannen, die Ursachen dieser Misserfolge anzugehen, entstand Supply Chain as a Service (SCaaS) als unser Geschäftsmodell, das das Software as a Service (SaaS)-Modell ersetzte. 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-Plattform, 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 Lieferketteninitiativen zu erhöhen. Dennoch werden häufig Einwände gegen die Idee von SCaaS erhoben.

Wir werden unsere Lieferkettenkompetenz nicht externisieren. Dieser Einwand impliziert, dass strategische interne Lieferkettenkompetenzen erhalten werden müssen. Dies mag der Fall sein, aber oft qualifiziert sich diese Kompetenz nicht als “strategisch”. Die meisten Unternehmen, auch große Unternehmen, erreichen nicht einmal eine Punktzahl von 10 in unserem 5-minütigen Test zur Leistungsfähigkeit der Lieferkette. Schlimmer noch, umfangreiche Initiativen wie S&OP neigen dazu, die tatsächliche Lieferkettenkompetenz weiter zu fragmentieren und die Entscheidungsprozesse zu zersplittern.

Im Gegenteil, SCaaS ebnet den Weg für das Aufkommen einer echten strategischen Lieferkettenkompetenz im Unternehmen. Es beginnt mit der Robotisierung der Entscheidungsprozesse. Tatsächlich können Lieferketten-Teams ohne Automatisierung kaum die Möglichkeit haben, strategisch zu denken. Die gesamte Energie des Teams wird in die Bekämpfung von Randfällen in der Lieferkette gesteckt. Mit SCaaS hingegen haben uns mehrere Kunden mitgeteilt, dass es das erste Mal in ihrer Geschichte war, dass sie sich die Zeit nehmen konnten, an schwierigen Problemen wie Kannibalisierungen oder MOQ-Optimierung zu arbeiten.

Wir werden es mit einfachen Tools tun. Dieser Einwand nimmt an, dass den Lieferketten-Teams die Programmierkenntnisse fehlen, und schließt daher ganze Klassen von Tools aus. In Bezug auf die Lieferkette gibt es drei Haupttypen von “einfachen” Tools: Vanilla-Apps, Low-Code-Apps und Tabellenkalkulationen.

Vanilla-Apps bieten zahlreiche Optionen und Funktionen, um mit allen Variationen in der Lieferkette umzugehen. Die App wirkt zunächst einfach: Die Verwendung der App ist lediglich eine Frage der Konfiguration, und dann übernimmt der Workflow die Kontrolle. Keine Programmierung erforderlich. In der Praxis überschreiten Lieferketten-Situationen jedoch immer die Fähigkeiten der App. Praktiker greifen bei einer “App” auf Tabellenkalkulationen zurück, um die Arbeit zu erledigen.

Low-Code-Apps versprechen die Leistungsfähigkeit der Programmierung, ohne sich mit einer Programmiersprache auseinandersetzen zu müssen. Low-Code-Apps verfügen in der Regel über einen visuellen Editor. Leider bewältigt der Low-Code-Ansatz die Komplexität selbst banaler Lieferketten nicht gut. Bei einem Spielzeugbeispiel mit 2 Tabellen und 10 Feldern sieht Low-Code großartig aus. Bei einem realen Beispiel mit 20 Tabellen und 500 Feldern ist Low-Code jedoch schrecklich. Wenn Praktiker Zugriff auf eine Low-Code-App haben, greifen sie auch auf Tabellenkalkulationen zurück, um die Arbeit zu erledigen.

Tabellenkalkulationen sind bei Lieferkettenpraktikern mit Abstand das Werkzeug der Wahl. Obwohl es die Arbeit erledigt, gibt es Klassen von Feinheiten, die einfach nicht in das Paradigma der Tabellenkalkulation passen, egal ob es sich um Microsoft Excel oder eine webbasierte Alternative handelt. Probabilistische Vorhersagen und stochastische Optimierung gehören einfach nicht zum Bereich der Tabellenkalkulationen. Solange Tabellenkalkulationen im Spiel sind, bleibt die SCM-Praxis im Zeitalter der 1990er Jahre stecken.

SCaaS ist der Funke, der das Upgrade der Lieferkette ermöglicht. Die Herausforderung von Praktiken, die in den letzten zwei oder drei Jahrzehnten bestanden haben, ist bereits ein Kampf bergauf. SCaaS bietet die Möglichkeit, diesen Kampf mit Veteranen zu führen, die bereits in anderen Unternehmen dabei waren und dies bereits getan haben.

Wir werden es mit unserem eigenen Data-Science-Team tun. In den frühen 2000er Jahren wurde der Einwand formuliert als Wir werden es mit unserem eigenen Data-Mining-Team tun. Data Mining ist tot, es lebe Data Science. Die meisten Unternehmen vergessen jedoch die Lehren aus ihren gescheiterten Data-Mining-Initiativen vor 20 Jahren: Technologie war fast nie die eigentliche Ursache des Scheiterns, ein Elfenbeinturm war das Problem.

Was die Lieferkette betrifft, ist die Einstellung von Data Scientists fast immer der Beginn eines langsamen und kostspieligen Scheiterns. Data Scientists sind in der Regel junge Ingenieure, die eine Schulung in einer Liste von Open-Source-Frameworks und/oder -Sprachen erhalten haben. Als Ergebnis betrachtet der typische Data Scientist, ähnlich wie sein Vorgänger, der Data Miner, die Welt durch technische Brillen. Ein Data-Science-Team wird einen fortlaufenden Strom von “Lösungen suchen nach Problemen” generieren. Es werden Vorträge gehalten, Demos werden gemacht. Lieferkettenpraktiker werden dem Data-Science-Team höflich gratulieren und sicherstellen, 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, dekorativ zu sein. Die meisten Unternehmen haben Schwierigkeiten, Talente wie Data Scientists zu entlassen, selbst wenn diese Personen nicht zum Unternehmen beitragen. Die meisten Unternehmen haben jedoch kein Problem damit, einen Drittanbieter zu kündigen, der nicht genug liefert. SCaaS-Anbieter sind Überlebende, die immer wieder ihren fortlaufenden Wert beweisen.

Als SCaaS-Anbieter stellt Lokad für seine “Supply Chain Scientist”-Rollen selten reine Data-Science-Profile ein. Stattdessen bevorzugen wir Ingenieure, die bereit sind, in erster Linie Supply Chain-Experten zu werden. Statistische Modelle sind ein Mittel, kein Ziel. Data Scientists stützen sich zu häufig darauf, numerische Modelle an ihre Grenzen zu bringen. Supply Chain Scientists versuchen nicht, eine Veröffentlichung zu bekommen, sie wollen die Arbeit mit möglichst wenig Aufwand erledigen. In der Praxis macht dies den Unterschied zwischen einer produktionsreifen Lösung und einem ausgefallenen Prototypen, der es nie in die Produktion schafft.