Wahrscheinlichkeiten, nicht Szenarien

Joannes Vermorel

Supply chain wird oft als die Kunst beschrieben, Angebot und Nachfrage ins Gleichgewicht zu bringen. Ich sehe es viel drastischer: Jede Bestellung, jede Produktionscharge, jede Preisänderung ist eine Wette auf eine Zukunft, die wir nicht kontrollieren. Wir binden Bestände, Kapazitäten, Geldmittel und Aufmerksamkeit bereits heute, in der Hoffnung, dass die Welt von morgen diese Verpflichtungen belohnt statt sie zu bestrafen.

Weil diese Entscheidungen Wetten sind, ist unsere Art, über die Zukunft nachzudenken, keine Nebenfrage. Sie ist der Kern der Disziplin. In meinem Buch Introduction to Supply Chain, argumentiere ich, dass es nicht darum geht, Harmonie um einen Plan zu bewahren, sondern Ressourcen dort einzusetzen, wo die erwartete, risikoadjustierte Rendite unter Unsicherheit am höchsten ist. Alles andere ist Dekoration.

Dennoch arbeitet der Großteil der supply chain-Welt immer noch mit einer Planungslogik, die die Zukunft als eine Handvoll sorgfältig ausgearbeiteter „Szenarien“ behandelt. Meine eigene Ansicht, die sich in fast zwei Jahrzehnten bei Lokad herausgebildet hat, ist, dass diese szenarienzentrierte Denkweise nicht nur suboptimal ist, sondern grundlegend im Widerspruch dazu steht, was eine supply chain eigentlich ist. Supply chains existieren in Wahrscheinlichkeitsräumen und nicht in Storyboards.

In diesem Essay möchte ich erklären, warum ich glaube, dass probabilistisches Forecasting die natürliche Sprache der supply chain ist und warum der szenarienzentrierte Mainstream – insbesondere wie er in vielen IBP- und S&OP-Prozessen manifestiert wird – nicht in etwas Adäquates überführt werden kann. Er muss ersetzt werden.

Wie der Mainstream die Zukunft darstellt

Wenn man sich anschaut, wie große Unternehmen heute planen, ist das Muster bemerkenswert konsistent über Branchen und Softwareanbieter hinweg.

Es gibt in der Regel eine Basisprognose, häufig eine einzelne Zeitreihe pro Produktfamilie oder Region, die von einem Demand-Planning-Modul erstellt wird. Rund um diese Basis orchestrieren Integrated Business Planning (IBP)-Prozesse ein monatliches oder vierteljährliches Ritual, bei dem Vertrieb, Operations und Finanzen einen „Konsens“ bzw. einen einheitlichen Plan aushandeln. Software-Suiten wie SAP Integrated Business Planning präsentieren explizit Szenarienplanung und Was-wäre-wenn-Simulationen als Kernfunktionen: Planer werden ermutigt, alternative Nachfrage- oder Angebots-Szenarien zu erstellen, diese in Dashboards zu vergleichen und denjenigen auszuwählen, den sie für am passendsten halten.

Konzeptionell existiert die Zukunft als eine kleine Menge benannter Welten: Basisfall, optimistischer Fall, pessimistischer Fall, vielleicht ein oder zwei Störungsszenarien obendrein. Prognosen innerhalb dieser Welten sind deterministisch; Unsicherheit wird implizit durch Service-Level-Ziele, Sicherheitsbestandsformeln und ein gewisses Urteilsvermögen gehandhabt. Sobald das favorisierte Szenario ausgewählt wurde, wird von der Organisation erwartet, dass sie sich darauf „ausrichtet“ und die Einhaltung anhand bekannter KPIs misst.

Der Prozess wirkt strukturiert und kollaborativ. Er liefert Pläne, die in PowerPoint erklärt werden können. Er befriedigt das verständliche menschliche Bedürfnis, uns selbst eine Geschichte über das Morgen zu erzählen.

Aber es ist ein unzureichender Ansatz, um über ein System nachzudenken, das unter unaufhörlicher Variabilität Millionen von Einheiten produziert, bewegt und bepreist.

Die irreduzible Unsicherheit von supply chains

In der Fertigung ist es oft möglich, sich Stabilität zu erkaufen. Investieren Sie in bessere Maschinen, engere Toleranzen, mehr Sensoren, und die Fehlerraten sinken. Die Zufälligkeit nimmt ab.

Supply chains bieten diesen Komfort nicht. Die relevante Unsicherheit liegt im menschlichen Verhalten und in der Politik: Nachfrageschwankungen, Wettbewerberbewegungen, Werbeaktionen, Preisänderungen, Engpässe in der vorgelagerten Versorgung, Streiks, regulatorische Überraschungen. Sie können Ihre Daten und Modelle verbessern – und das sollten Sie absolut – aber Sie werden niemals eine deterministische Zukunft kaufen.

Wenn Sie dies akzeptieren, führt das natürlich zu einer anderen Frage. Anstatt zu fragen: „Was ist unser Plan für das nächste Quartal?“, beginnen Sie zu fragen: „Angesichts all dessen, was wir heute wissen, wie verteilt sich die Zukunft wahrscheinlich, und wie sollten wir darauf wetten?“

Hier kommt probabilistisches Forecasting ins Spiel.

Was probabilistisches Forecasting wirklich ist

Probabilistisches Forecasting wird oft missverstanden als eine schicke Methode, um Konfidenzintervalle um eine traditionelle Prognose zu zeichnen. Das ist nicht der Punkt.

Für eine supply chain weist eine probabilistische Prognose allen relevanten Ergebnissen Wahrscheinlichkeiten zu: wie viele Einheiten wir möglicherweise in der nächsten Woche verkaufen, wie lange ein Lieferant tatsächlich für die Lieferung benötigt, wie wahrscheinlich es ist, dass ein Produkt zurückgegeben wird, wie oft eine wichtige Maschine ausfällt. Anstatt einer einzigen prognostizierten Zahl für die Nachfrage und einer „durchschnittlichen“ Lieferzeit erhalten wir für beides vollständige Wahrscheinlichkeitsverteilungen.

Diese Perspektive ist in der Statistik nicht neu, aber sie stellt einen echten Paradigmenwechsel in der Praxis der supply chain dar. In Vorträgen und Interviews habe ich probabilistisches Forecasting als eine der wichtigsten Veränderungen in über einem Jahrhundert Prognoswissenschaft beschrieben – nicht, weil die Mathematik exotisch wäre, sondern weil es uns endlich ermöglicht, Forecasting auf sinnvolle Weise mit Entscheidungsfindung zu verbinden.

Sobald wir Verteilungen anstelle einzelner Zahlen haben, können wir etwas tun, was die Szenarienplanung nicht vermag: Wir können eine Entscheidung gleichzeitig über alle plausiblen Zukünfte hinweg evaluieren.

Entscheidungen als wirtschaftliche Wetten auf Verteilungen

Betrachten Sie ein sehr einfaches Beispiel. Sie entscheiden, wie viel von einem Produkt Sie für den nächsten Monat bestellen sollen.

Wenn Sie sich auf eine einzelne Prognose verlassen, erhalten Sie eine Zahl – sagen wir 1.000 Einheiten – und legen etwas Sicherheitsbestand „für alle Fälle“ an. Möglicherweise betrachten Sie auch ein paar Szenarien: Was, wenn die Nachfrage 20% höher ist, was, wenn ein Lieferant verspätet eintrifft. Jedes Szenario fühlt sich wie eine andere Welt an. Sie passen die Bestellmenge nach oben oder unten an, verhandeln und wählen schließlich eine Zahl.

Wenn Sie sich auf probabilistische Prognosen verlassen, ist die Logik eine andere. Sie haben eine Verteilung für die Nachfrage; vielleicht besteht eine geringe Chance, dass die Verkäufe extrem hoch ausfallen, und eine nicht unerhebliche Chance, dass sie sehr niedrig sind. Sie haben eine Verteilung für die Lieferzeit; einige Lieferungen erfolgen prompt, andere nicht. An die Ergebnisse sind wirtschaftliche Größen geknüpft: die Marge, die Sie erwirtschaften, wenn Sie verkaufen, die Strafe (explizit oder implizit), wenn ein Lagerleerstand eintritt, die Kapitalkosten, die in den Beständen gebunden sind, das Risiko der Veralterung.

Nun können Sie das erwartete wirtschaftliche Ergebnis für Bestellmengen von 800, 900, 1.000 Einheiten usw. berechnen. Jede Bestellmenge wird zu einer Wette, deren Ausbeute über den gesamten Wahrscheinlichkeitsraum hinweg bewertet wird und nicht nur anhand einiger handverlesener Szenarien. Sie können Entscheidungen bevorzugen, die im Durchschnitt gut abschneiden und robust gegenüber Ausreißern sind, anstatt solche, die in einem PowerPoint-Szenario gut aussehen, aber zerfallen, sobald die Realität geringfügig vom Plan abweicht.

Dies beschränkt sich nicht auf den Lagerbestand. Die gleiche Logik gilt für Netzwerkdesign, Kapazitätsreservierungen, Sortimentsgestaltung und sogar die Preisgestaltung. Überall dort, wo wir knappe Ressourcen unter Unsicherheit verteilen, können wir dieselbe Frage stellen: Welche Entscheidung hat unter der probabilistischen Sicht der Zukunft und unseren wirtschaftlichen Annahmen die höchste erwartete, risikoadjustierte Rendite?

Die übliche Szenarienplanung verfügt über eine solche Kalkulation nicht. Bestenfalls bietet sie einige isolierte Momentaufnahmen und überlässt es dem Management, die Kompromisse visuell einzuschätzen.

Warum ein paar Szenarien nicht ausreichen

Das erste Problem der Szenarienplanung ist die Granularität. Moderne supply chains operieren in einem Ausmaß, das den Szenarienansatz fast komisch grob erscheinen lässt. Wir könnten Millionen von SKU–Standort–Zeit-Kombinationen zu entscheiden haben, jede mit ihrem eigenen Nachfrageverhalten, ihrem eigenen Lieferzeitprofil und ihren eigenen Empfindlichkeiten gegenüber Preis und Promotion. Gegen diese feinkörnige Realität stellen wir vielleicht drei oder vier Erzählungen über die Zukunft auf.

Selbst wenn diese Erzählungen perfekt wären, wären sie immer noch zu wenig. Aber sie sind nicht perfekt. Sie sind das Ergebnis von Urteil, Politik und Gewohnheit. Welche Szenarien niedergeschrieben werden, ist an sich ein zufälliger Prozess, der mehr von organisatorischen Ängsten als von statistischen Beweisen beeinflusst wird.

Das zweite Problem ist, dass den Szenarien selten explizite Wahrscheinlichkeiten zugewiesen werden. Wir haben „Base“, „Upside“, „Downside“, aber wir geben nicht an, ob der Upside-Fall zu fünf Prozent oder zu fünfzig Prozent wahrscheinlich ist. Die IBP-Literatur spricht begeistert von kontinuierlicher Szenarienplanung, aber in der Praxis bedeutet das mehr und schnellere Simulationen, nicht kalibrierte Wahrscheinlichkeitsverteilungen.

Das dritte Problem ist, dass die Szenarienplanung dazu neigt, auf einem hohen Aggregationsniveau zu operieren. Wir erstellen Szenarien basierend auf dem Gesamtumsatz, der Gesamtkapazität, vielleicht ein paar Schlüsselkunden oder Produktfamilien. Inzwischen wird der eigentliche wirtschaftliche Schaden in einer supply chain durch lokale Missverhältnisse verursacht: das eine Bauteil, das fehlt und das Flugzeug am Boden hält, der eine Modeartikel, der in übermäßigem Maße überkauft wurde, die eine Region, die dauerhaft unterversorgt ist. Diese Ausfälle treten in aggregierten Szenariendiagrammen fast nie klar zutage.

Szenarien sprechen uns an, weil sie narrativ, benennbar und diskutierbar sind. Sie passen zu unseren kognitiven Beschränkungen. Aber supply chains sind keine narrativen Objekte; sie sind stochastische Systeme mit vielen Freiheitsgraden. Ein paar Geschichten können dieser Realität nicht gerecht werden.

Die versteckten Kosten der Jagd nach Genauigkeit und Szenarien

Seit Jahrzehnten investieren Unternehmen enorme Anstrengungen in die Verbesserung der Prognosegenauigkeit, als wäre sie offensichtlich mit besseren wirtschaftlichen Ergebnissen verbunden. Wir messen MAPE und ähnliche Kennzahlen, starten Forecast-Value-Add-Initiativen und feiern kleine Verbesserungen als Siege. Doch in der Praxis ist die Korrelation zwischen „besserer“ Genauigkeit und besseren Ergebnissen in der Gewinn- und Verlustrechnung oft schwach, manchmal sogar negativ.

In anderen Arbeiten habe ich argumentiert, dass diese Fixierung auf Genauigkeit eine große, langsame Ablenkung darstellt. Man kann die Genauigkeit verbessern, indem man bei intermittierender Nachfrage mehr Nullen vorhersagt und damit versehentlich der supply chain den benötigten Lagerbestand entzieht. Man kann die Genauigkeit verbessern, indem man dem neuesten Verkaufssignal aggressiv folgt und dabei unbeabsichtigt den Bullwhip-Effekt verstärkt. Man kann beeindruckende Szenariodecks erstellen, die zu einer mangelhaften Umsetzung führen.

Das tiefere Problem besteht darin, dass „Genauigkeit“ und „Szenarioabdeckung“ Planungsmetriken sind, die in einer Zahlenwelt existieren, die von Preisen losgelöst ist. Sie bewerten, wie nah Prognosen an den tatsächlichen Mengen liegen oder wie gut Szenarien die Anliegen eines Managers abdecken, sagen jedoch nichts über die wirtschaftlichen Konsequenzen von Entscheidungen aus. Ein kleiner Prognosefehler bei einem kritischen Ersatzteil kann weitaus schädlicher sein als ein großer Prognosefehler bei einem langsam drehenden Zubehörteil, dennoch gewichten Genauigkeitsmetriken sie ähnlich.

Probabilistisches Forecasting ermöglicht es uns, die gesamte Diskussion wieder auf die Wirtschaftlichkeit zu zentrieren. Anstatt zu fragen, wie nah wir an der realisierten Zahl dran sind, fragen wir, ob unsere Entscheidungen, bewertet über die gesamte Ergebnisspanne hinweg, gute risikoadjustierte Renditen erzielen. Die Szenarienplanung, selbst wenn sie mit ausgefeilten Werkzeugen versehen ist, ermutigt uns, die Geschichten zu optimieren statt das Geld.

Wie probabilistisches Denken die Praxis verändert

Die Hinwendung zu Wahrscheinlichkeiten statt zu Szenarien hat mehrere praktische Konsequenzen.

Erstens zwingt es uns, explizit darauf hinzuweisen, wo Unsicherheit tatsächlich liegt. Nachfrage und Lieferzeit sind keine „Parameter“, die in einem Planungssystem festgelegt werden, sondern Zufallsvariablen, die modelliert und kontinuierlich aktualisiert werden müssen, sobald neue Daten eintreffen. Dies gilt ebenso für die Zuverlässigkeit und Renditen in vorgelagerten Prozessen wie für die Kundennachfrage.

Zweitens erfordert es, dass wir den Ergebnissen Geld beilegen. Eine probabilistische Prognose ohne wirtschaftliche Perspektive ist nur wenig besser als eine deterministische. Wir müssen wissen, was ein Lagerleerstand kostet, was ein Überbestand kostet, was ein verlorener Verkauf wert ist, wie man ungenutzte Kapazitäten bewertet. Diese Größen sind unvollkommen und manchmal unangenehm zu schätzen, aber sie sind der einzige Weg, Entscheidungen sinnvoll zu vergleichen.

Drittens führt es naturgemäß zur Automatisierung. Sobald Sie den erwarteten, risikoadjustierten Ertrag einer Nachbestellung, einer Preisänderung oder einer Verlagerung berechnen können, gibt es keinen Grund, jede Entscheidung in Meetings zu diskutieren. Sie können es der Software überlassen, täglich Tausende oder Millionen kleiner Entscheidungen zu treffen, während sich die Menschen darauf konzentrieren, das wirtschaftliche Modell zu gestalten, die Annahmen zu validieren und die Situationen zu handhaben, in denen das Vertrauen in das Modell gering ist.

Das unterscheidet sich grundlegend von einem IBP-Prozess, dessen Schwerpunkt ein monatlicher Szenario-Workshop ist. Anstelle eines Planungrituals, das periodisch einen Plan erneuert, erhalten wir einen wirtschaftlichen Motor, der kontinuierlich Kompromisse unter Unsicherheit abwägt.

Wo Szenarien noch hinpassen

Ich behaupte nicht, dass Unternehmen das Wort „Szenario“ verbieten sollten. Vorstellungskraft ist in jeder komplexen Unternehmung unerlässlich. Aufsichtsräte und Führungskräfte benötigen Erzählungen, um über langfristige Investitionen, strategische Risiken, regulatorische Veränderungen und technologische Neuerungen nachzudenken.

Allerdings spielen Szenarien in einer probabilistischen supply chain eine andere Rolle. Sie sind keine handgefertigten Zukünfte, denen das Planungssystem folgen muss. Sie sind Illustrationen, die aus dem zugrunde liegenden probabilistischen Modell abgeleitet oder von diesem eingeschränkt werden.

Wenn wir einen schweren, aber plausiblen Abwärtstrend untersuchen wollen, erfinden wir ihn nicht von Grund auf; wir belasten die Verteilungen in einer Weise, die mit der Geschichte und dem Expertenwissen übereinstimmt, und lassen dieselbe Entscheidungsmaschine die Konsequenzen berechnen. Wenn wir das Aufwärtspotenzial einer aggressiveren Preisstrategie aufzeigen wollen, nutzen wir das probabilistische Modell, um zu simulieren, wie die Nachfrage reagieren könnte, und quantifizieren die Bandbreite möglicher Ergebnisse.

Auf diese Weise werden Szenarien zu lehrreichen Ansichten einer probabilistischen Realität, nicht zu deren Ersatz.

Über scenario-zentrierte supply chains hinausgehen

Das Mainstream-Playbook hatte lange Gültigkeit: deterministische Prognosen, Sicherheitsbestände, monatliche Konsenspläne und ein paar Szenarien obendrauf. Es hat ein gewisses Maß an Struktur gebracht, aber auch viele Organisationen in eine Denkweise eingeschlossen, die zunehmend unvereinbar mit der Komplexität und Volatilität moderner supply chains ist.

Die Alternative ist nicht mystisch. Es geht einfach darum, Unsicherheit ernst zu nehmen und sie in der einzigen Sprache auszudrücken, die skaliert: Wahrscheinlichkeit. Sobald wir Nachfrage, Lieferzeiten und andere Schlüsselfaktoren als Zufallsvariablen behandeln; sobald wir Ergebnissen Preise zuordnen; sobald wir Entscheidungen als Wetten über vollständige Verteilungen statt als Reaktionen auf einige wenige Geschichten bewerten, beginnt die traditionelle Szenarienplanung wie das auszusehen, was sie ist: ein Bewältigungsmechanismus für das Fehlen eines ordentlichen, probabilistischen, entscheidungszentrierten Motors.

Wir brauchen keine weiteren Szenarien. Wir brauchen bessere Wahrscheinlichkeiten und eine supply chain, die weiß, was sie damit anfangen soll.