Wenn Operations Research auf die echte supply chain trifft

Joannes Vermorel

Die meisten Menschen, die hören, dass ich an “die Quantitative Supply Chain” arbeite, nehmen an, dass ich Operations Research betreibe.

In meinem jüngsten Buch Einführung in supply chain, habe ich versucht, an einem Ort zusammenzufassen, wie ich heute über Warenflüsse, Unsicherheit und Entscheidungen denke. Dieser Essay ist ein pointierterer Begleiter: Ich möchte erklären, wie sich meine Perspektive entwickelt hat, warum ich supply chain vor allem als angewandte Ökonomie ansehe und nicht als angewandte Mathematik, und wo ich das Gefühl habe, dass das heutige Operations Research sowohl Fachleute unterstützt als auch in die Irre führt.

Was Operations Research versprach

Historisch gesehen hatte Operations Research eine wunderbar pragmatische Mission. Während des Zweiten Weltkriegs wurden Wissenschaftler und Ingenieure zu Ad-hoc-Teams zusammengeführt, um Radarbedienern, Konvoi-Planern und Bomberkommandeuren zu helfen, bessere Entscheidungen zu treffen. Das frühe Standardwerk von Morse und Kimball definierte das Fachgebiet als „eine wissenschaftliche Methode, um Exekutivabteilungen eine quantitative Grundlage für Entscheidungen bezüglich der unter ihrer Kontrolle liegenden Operationen zu bieten.“ Die wichtigen Wörter hier sind „Operationen“ und „Entscheidungen.“ Das Ziel war nicht, Theoreme zu beweisen; es sollte verändern, was Flotten und Fabriken am Montagmorgen tatsächlich tun.

Dieser Geist überdauerte auch die frühen Nachkriegsjahre. Operations Research wurde weiterhin als ein wissenschaftlicher, quantitativer Ansatz zur Entscheidungsfindung beschrieben, bei dem wir Modelle realer Situationen erstellen und sie zur Steuerung von Maßnahmen verwenden. Moderne Zusammenfassungen von Organisationen wie IFORS betonen diese Ansicht immer noch: Operations Research wendet Datenanalyse, mathematische Modellierung und Optimierung an, um Managern bei der Wahl unter Alternativen zu helfen. Auf dem Papier ist dies fast genau das, was ich mir für supply chain wünsche.

Aber die Art und Weise, wie diese Ideen heute in der Praxis umgesetzt werden, erscheint ganz anders.

Wie der Mainstream aus dem Büro eines supply chain Operators aussieht

Wenn ich Menschen treffe, die in Operations Research ausgebildet sind, stimmen wir in der Regel in Bezug auf die Grundstruktur eines Problems überein. Es gibt Entscheidungen zu treffen (was gekauft, produziert, bewegt, bepreist werden soll), Einschränkungen zu beachten (Kapazität, Vorschriften, Lieferzeiten) und ein Ziel zu optimieren. In Lehrbüchern und vielen Beratungsprojekten wird daraus ein bekanntes Muster: Entscheidungsvariablen definieren, Einschränkungen aufschreiben, ein Ziel wählen und alles einem Allzweck-Solver übergeben. Lineare und gemischt-ganzzahlige Programmierung sind die zentralen Werkzeuge; Simulationen und Heuristiken kreisen darum.

An sich ist an diesem Muster nichts grundlegend Falsches. Es glänzt in Problemen wie Netzdesign oder strategischer Kapazitätsplanung, bei denen man wirklich eine Konfiguration einmal auswählt und dann jahrelang damit lebt. Es macht auch in streng reglementierten industriellen Umgebungen Sinn, in denen die tatsächlichen physikalischen Zusammenhänge gut verstanden werden und die Unsicherheit gering ist.

Das Problem beginnt, wenn dieselbe Denkweise, nahezu unverändert, in hochdynamische, unsichere supply chains übernommen wird: E-Commerce, Mode, Ersatzteile, Unterhaltungselektronik, Lebensmittel. In diesen Umgebungen sehe ich routinemäßig drei Fehlentwicklungen.

Erstens, die Zielfunktion wird selten in Geld ausgedrückt. Wir optimieren Kosten unter Einhaltung eines angestrebten Serviceniveaus, oder wir maximieren einen Service-Score bei Kapazitätsbegrenzungen, oder wir minimieren Prognosefehler, als ob dieser an sich wertvoll wäre. Was oft fehlt, ist ein einziges monetäres Hauptbuch, in dem Fehlbestände, Überbestände, Handhabungskosten, Kapital und alle anderen Schmerzen und Gewinne in vergleichbaren Einheiten ausgedrückt werden. Ohne ein solches Hauptbuch streiten die Leute ewig über „trade‑offs“, aber niemand kann wirklich zwischen ihnen vermitteln.

Zweitens wird Unsicherheit als nachträglicher Gedanke behandelt. Prognosen werden als Einzelzahlen erstellt, und jegliche Anerkennung von Variabilität fließt in Sicherheitsfaktoren oder Puffer ein, die eher aus Gewohnheit als durch Kalibrierung gewählt werden. Dabei wird in den meisten Unternehmen, die ich kenne, der Gewinn oder Verlust einer Saison durch relativ seltene Ereignisse bestimmt: ein unerwartet heißer Trend, ein Streik bei einem wichtigen Lieferanten, eine Phase schlechten Wetters zum ungünstigen Zeitpunkt. Unsicherheit auf einen einzigen „am wahrscheinlichsten“ Wert und eine dünne Sicherheitsmarge zu reduzieren, ist eine höfliche Art, so zu tun, als ob diese Realität nicht existiert.

Drittens wird Zeit als ein Planungshorizont betrachtet, statt als eine Abfolge von Gelegenheiten zur Neubewertung. Wir erstellen einen monatlichen oder vierteljährlichen Plan, führen über Nacht eine große Optimierung durch und behandeln das Ergebnis dann wie ein Drehbuch, dem wir folgen. Die Tatsache, dass wir morgen früh mehr wissen werden als heute und dass wir prinzipiell neu optimieren könnten, wird zwar anerkannt, aber nicht systematisch genutzt.

Aus der Ferne sieht das alles noch wie Operations Research aus. Aus der Perspektive eines supply chain Operators wirkt es seltsam losgelöst von den Problemen, die tatsächlich Geld einbringen oder kosten.

Warum ich supply chain als angewandte Ökonomie betrachte

Mein eigener Hintergrund liegt in Mathematik und Informatik, und jahrelang habe ich versucht, supply chain Probleme mit dem Standardwerkzeugkasten anzugehen: Prognosen, Sicherheitsbestände, Kostenminimierung, Servicerestriktionen, clevere Algorithmen. Allmählich wurde bei Kunde um Kunde offensichtlich, dass ich das falsche Problem löste.

Womit supply chain Praktiker tatsächlich zu kämpfen haben, ist nicht ein Mangel an Modellen; es fehlt an einer klaren wirtschaftlichen Perspektive. Sie verfügen über Ressourcen, die knapp und vielseitig sind: Inventar, das an viele Orte gehen kann, Maschinen, die viele Dinge produzieren können, Transportmittel, die mehreren Kanälen dienen können. Jeden Tag stehen sie vor mehr möglichen Handlungen, als sie aufzählen können. Sie agieren unter großer Unsicherheit, insbesondere hinsichtlich Nachfrage und Lieferzeiten. Und letztlich werden sie in Geldeinheiten beurteilt.

Sobald man das akzeptiert, sieht supply chain viel weniger wie ein Zweig der angewandten Mathematik und viel mehr wie ein Zweig der angewandten Ökonomie aus. Die zentrale Frage wird: Angesichts dessen, was wir wissen und was wir vernünftigerweise erwarten können, welche Handlungen heute werden voraussichtlich mehr wirtschaftlichen Wert schaffen, als sie zerstören?

Diese Sichtweise hat praktische Konsequenzen.

Ich versuche, jeden wichtigen Trade‑off in monetären Begriffen auszudrücken, auch wenn die Preise zunächst nur annähernd sind. Der Schmerz verlorener Verkäufe, die Kosten der Veralterung, der Wert der Frische, die Belastung des Working Capital, die Unannehmlichkeiten von Staus an einem Kai: All dies kann in Preise pro Einheit oder pro Zeiteinheit übersetzt werden. Sobald sie auf eine einheitliche Skala gebracht sind, kann die Mathematik ihre Arbeit tun und potenzielle Entscheidungen nach erwarteter Beitragshöhe einstufen.

Ich bestehe auch darauf, Unsicherheit explizit zu modellieren, wo immer sie eine Rolle spielt. Anstatt die Nachfrage als Punktprognose plus einen Sicherheitsfaktor zu behandeln, möchte ich eine vollständige Verteilung über mögliche zukünftige Ergebnisse. Gleiches gilt für Lieferzeiten, Rücksendungen, Lieferantenzuverlässigkeit, manchmal sogar Preise. Das muss nicht esoterisch sein. Einfache, gut kalibrierte probabilistische Modelle verändern Entscheidungen bereits drastisch, da sie uns zeigen, wo sich die Ausläufer der Verteilung – die selteneren, aber kostspieligen Szenarien – befinden.

Schließlich betrachte ich supply chain Entscheidungen als wiederholte Wetten statt als einmalige Pläne. Jeden Tag treffen neue Informationen ein: Verkäufe, Verzögerungen, Störungen, Chancen. Die richtige Frage lautet nicht „Was ist der optimale Plan für das nächste Quartal?“, sondern „Angesichts dessen, was wir jetzt wissen, und einer vernünftigen Vorstellung davon, wie sich die Zukunft entwickeln könnte, welche Verpflichtungen sollten wir heute eingehen und welche sollten wir aufschieben, bis wir mehr wissen?“ Die Fähigkeit, „noch nicht“ zu sagen und Ressourcen ungebunden zu lassen, ist an sich eine wertvolle Option.

Sobald supply chain auf diese Weise betrachtet wird, ist Operations Research zwar weiterhin präsent, übernimmt jedoch eine andere Rolle.

Von Solvern zu Entscheidungsmaschinen

Das Mainstream Operations Research sieht den Solver oft als den Mittelpunkt an. Wir formulieren ein mathematisches Programm, übergeben es einem Allzweck-Solver und bewerten unseren Erfolg teilweise an der Größe und Komplexität der Instanzen, die wir bewältigen können. Je komplizierter die Einschränkungen und je raffinierter der Algorithmus, desto erfolgreicher fühlen wir uns.

In meiner täglichen Arbeit finde ich es fruchtbarer, den Solver als eine Komponente in einer größeren „Entscheidungsmaschine“ zu betrachten. Diese Maschine hat mehrere Aufgaben.

Sie muss unordentliche, inkonsistente Unternehmensdaten aufnehmen und in eine kohärente Sicht auf die Welt verwandeln: welche Produkte existieren, wo sie sind, wie die Lieferzeiten aussehen, welche aktuellen Verpflichtungen bestehen. Sie muss probabilistische Ansichten über relevante Unsicherheiten erzeugen: Nachfrage, Angebot, Rücksendungen, Transportzeiten. Sie muss ein monetäres Hauptbuch über alle wichtigen Kosten und Nutzen führen, mit klarer Zuordnung für jeden Preis. Und sie muss konkrete, maschinenlesbare Entscheidungen produzieren: Bestellungen, Transfers, Produktionsaufträge, Preisänderungen.

In dieser Maschine setzen wir selbstverständlich Optimierungsalgorithmen ein, einschließlich klassischer Verfahren. Aber sie sind nicht mehr der Held der Geschichte. Ebenso wichtig sind die Entscheidungen darüber, was bepreist werden soll, was als harte Einschränkung behandelt wird, was als weiche Strafe gilt, wie oft neu berechnet wird, wie die Konsequenzen von Entscheidungen über die Zeit hinweg zugeschrieben werden, und wann man sich weigert zu handeln, weil die Unsicherheit zu groß ist.

Aus dieser Perspektive sind die interessanten Gestaltungsfragen näher an der Wirtschaft und Softwarearchitektur als an reiner Algorithmik. Wie stellen wir sicher, dass jeder wichtige Trade‑off im System in Geld ausgedrückt wird? Wie sorgen wir dafür, dass die Maschine durch Erfahrung widerlegt werden kann, dass schlechte Entscheidungen auf Annahmen zurückgeführt werden können, die wir überprüfen und überarbeiten können? Wie machen wir es kostengünstig, Experimente durchzuführen – Herausforderer-Maschinen gegen die etablierten – damit wir lernen können, was in einem bestimmten Geschäft wirklich funktioniert?

Das sind keine Fragen, die Operations Research ignoriert, aber sie stehen nicht im Mittelpunkt dessen, wie sich die Institutionen des Fachgebiets heute präsentieren.

Eine konstruktive Meinungsverschiedenheit: sequenzielle Entscheidungen

In den letzten Jahren hat Warren Powell „Sequential Decision Analytics“ befürwortet – ein Rahmenwerk, das versucht, die vielen Stränge der stochastischen Optimierung, des Reinforcement Learning und der Regelungstheorie unter einem einzigen Dach für zeitliche Entscheidungen zu vereinen. Ich habe separat darüber geschrieben, wo ich mit diesem Ansatz übereinstimme und wo ich von ihm abweiche.

Im Großen und Ganzen teilen wir die Überzeugung, dass die meisten interessanten Geschäftsprobleme sequenziell sind: Man trifft eine Entscheidung, die Welt wandelt sich, man beobachtet, und dann trifft man wieder eine Entscheidung. Wo ich abweiche, ist mein Schwerpunkt auf Bepreisung (Bewertungen) als primäres Mittel, die Zukunft in etwas Handhabbares zu komprimieren.

In supply chain kann man oft die Komplexität langfristiger Konsequenzen „aufkaufen“, indem man heute geeignete Schattenpreise wählt. Zum Beispiel, wenn die Bedienung eines Kunden heute den Bestand aufbraucht, der für einen anderen Kunden morgen wertvoller sein könnte, sollte diese Spannung als Preis für das Halten oder den Verbrauch von Inventar erscheinen und nicht als ein gigantischer Szenariobaum, der sich über Monate erstreckt. Natürlich sind diese Preise unvollkommen. Aber die Disziplin, sie in Geld auszudrücken, erzwingt nützliche Gespräche: Wer ist bereit, welchen Trade‑off einzugehen, und warum?

Nach meinem Verständnis beginnt Sequential Decision Analytics typischerweise mit einem umfassenden Modell von Zuständen, Aktionen, Übergängen und Zielen, und sucht dann nach Richtlinien innerhalb dieser Struktur. Meine Praxis beginnt einen Schritt früher: mit einer Argumentation darüber, was bepreist werden sollte, was als echte Einschränkung gelten sollte und wie lange wir eine getroffene Entscheidung für ihre Konsequenzen zur Verantwortung ziehen. Sobald diese Entscheidungen getroffen sind, wird die sequenzielle Natur des Problems oft wesentlich handhabbarer.

Ich sehe dies nicht als Ablehnung des breiteren Rahmens, sondern als eine spezielle, supply chain-getriebene Haltung innerhalb desselben.

Wo das Operations Research dabei steht

Von außen mag es den Anschein haben, dass ich gegen Operations Research bin. Das bin ich nicht. Ich sehe nach wie vor einen enormen Wert in seinem Werkzeugkasten und in seinem historischen Anspruch, reale Entscheidungen zu unterstützen. Ich glaube einfach, dass sich das Fachgebiet in vielen supply chain-Kontexten zu sehr an Modellen festgeklammert hat, die zu deterministisch, zu statisch und zu weit von der tatsächlichen Ökonomie der Unternehmen entfernt sind, denen sie helfen sollen.

Wenn wir zur ursprünglichen Zielsetzung zurückkehren – eine quantitative Grundlage für Entscheidungen über Operationen bereitzustellen – dann denke ich, dass wir drei Dinge anders machen müssen.

Wir müssen Geld und nicht abstrakte KPIs als die primäre Sprache der Trade‑offs behandeln. Wir müssen Unsicherheit ernst nehmen, nicht als einen Fehlerterm, sondern als einen erstklassigen Input. Und wir müssen akzeptieren, dass die meisten unserer interessanten Probleme keine einmaligen Optimierungen sind, sondern fortlaufende Abfolgen von Wetten, bei denen die Fähigkeit, neu zu überlegen und sich anzupassen, genauso wichtig ist wie jede einzelne Lösung, die wir heute berechnen.

Insofern ist meine Arbeit kein Ausstieg aus Operations Research, sondern ein Versuch, es wieder mit der unordentlichen, unsicheren und zutiefst ökonomischen Realität moderner supply chains zu verbinden.