Buch: Einführung in die Supply Chain (Volltext)

Unbearbeiteter Volltextauszug aus dem Buch Einführung in die Supply Chain (September 2025) von Joannes Vermorel.
Diese Seite dient der Volltextsuche. Eine ansprechend gestaltete Fassung bietet diese englischsprachige Vorschau.

1 Grundlagen

Darin liegt der ganze Unterschied zwischen einem schlechten und einem guten Ökonomen: Der eine bleibt bei der sichtbaren Wirkung stehen; der andere berücksichtigt sowohl die sichtbare Wirkung als auch jene, die man voraussehen muss. Dieser Unterschied ist gewaltig [..] der schlechte Ökonom strebt einen kleinen gegenwärtigen Vorteil an, auf den ein großer künftiger Schaden folgt, während der wahre Ökonom einen großen künftigen Vorteil sucht und dafür das Risiko einer geringen gegenwärtigen Härte in Kauf nimmt. What is Seen and What is Not Seen (1850), Frédéric Bastiat

Supply Chain ist eine Abstraktion: ein geistiges Werkzeug, das die Anstrengungen vieler koordiniert, um physische Güter kostengünstig und zuverlässig bereitzustellen. Dieses Instrument wurde entwickelt, um die ungeheure Komplexität unserer industrialisierten Zivilisation zu bewältigen. Eine Supply Chain lässt sich weder sehen noch anfassen. Fabriken, Lager, Schiffe und Lastwagen sind zwar sichtbar, aber sie sind nicht die Supply Chain. Diese liegt im Geflecht der Erwartungen, das jene Vermögenswerte miteinander verbindet. Supply Chain ist eine Absicht, kein Gegenstand.

In den vergangenen zwei Jahrzehnten ist die Automatisierung zu einem zentralen Anliegen der Supply Chain geworden. War das 20. Jahrhundert das Jahrhundert der Mechanisierung körperlicher Arbeit, so geht es im 21. entschieden um die Mechanisierung geistiger Arbeit. Die Komplexität der meisten großen Supply Chains übersteigt schon heute bei Weitem das, was selbst die gewissenhaftesten Führungskräfte bewältigen können. Deshalb muss Supply Chain so betrachtet und verstanden werden, dass die Möglichkeiten moderner Computer bestmöglich genutzt werden.

Sich der Supply Chain zu nähern, ist anspruchsvoll. Sie ist zugleich abstrakt – sie verlangt, über Begriffe wie Zeit oder die menschliche Natur nachzudenken – und konkret: Alltägliche Einzelheiten wie die maximale Tonnage eines Containers oder nationale Feiertage müssen berücksichtigt werden. Am schwierigsten ist, wie Bastiat zu Recht feststellte, sich vorzustellen, was man nicht sehen, sondern nur voraussehen kann. Die Verbindung zwischen Ökonomie und Supply Chain reicht tatsächlich tief.

Wir brauchen daher eine präzise Definition von Supply Chain: eine Grundlage für die folgenden Kapitel.

Supply Chain ist sowohl ein Forschungsgebiet als auch eine betriebliche Praxis. Das Forschungsgebiet ist deskriptiv: Es beschreibt den Fluss physischer Güter, indem es dessen innere Prinzipien und Eigenschaften aufdeckt. Ziel ist eine vorausschauende Theorie, die sowohl die unmittelbaren als auch die langfristigen Folgen jedes Einflussfaktors auf diesen Fluss bewertet. Manche Hebel, etwa eine Bestellung bei einem Lieferanten, liegen im Einflussbereich des Unternehmens; andere, etwa der Eingang einer Kundenbestellung, nicht. Letztlich bestimmen diese Folgen die langfristige Rentabilität des Unternehmens.

Die betriebliche Praxis ist präskriptiv. Sie soll die Organisation und die Methoden gestalten, die den Fluss physischer Güter innerhalb des Unternehmens – und möglicherweise darüber hinaus – am besten lenken. Ziel ist es, jene Perspektiven, Werkzeuge und Praktiken zu bestimmen, die allgemein als erstrebenswert gelten, um Supply Chains zu verbessern. Umgekehrt sollten Praktiken, die der Rentabilität im Allgemeinen schaden, als solche erkannt werden. Natürlich beruht der präskriptive Ansatz auf deskriptiver Analyse: Das Verständnis der Entscheidungsfolgen soll das Unternehmen zu besseren Entscheidungen führen.

1.1 Entscheidungen

Eine Entscheidung weist eine knappe Ressource einem bestimmten Zweck zu und schließt dadurch zuvor verfügbare Alternativen aus. Gibt ein Unternehmen beispielsweise Geld aus, um eine zusätzliche Einheit eines Produkts zu kaufen, steht dieses Geld für keinen anderen Zweck mehr zur Verfügung. Im Laufe der Zeit wird das Unternehmen Mittel für neue Käufe benötigen – möglicherweise zurückgewonnen durch die Veräußerung oder anderweitige Nutzung des zuvor erworbenen Produkts. Vorerst bleibt das Geld infolge der Entscheidung gebunden. Supply-Chain-Entscheidungen sind jene Teilmenge wirtschaftlicher Entscheidungen, die den Güterfluss betreffen; viele wirtschaftliche Entscheidungen haben mit einem solchen Fluss überhaupt nichts zu tun.

Alle Ressourcen sind knapp, nicht nur Geld. Bestand ist eine weitere grundlegende Ressource in der Supply Chain. Wird beispielsweise eine Einheit aus dem Lager an eine Filiale versandt, kann sie an keine andere mehr gehen. Später könnte das Unternehmen dasselbe Produkt im Lager wieder auffüllen oder sogar die ursprüngliche Einheit aus der Filiale zurückholen. Zumindest vorerst ist diese Bestandseinheit jedoch infolge der Entscheidung gebunden.

Auch Preisentscheidungen spielen in der Supply Chain eine entscheidende Rolle. Den Preis eines Produkts festzulegen schafft eine Marktbedingung für seinen Austausch und schließt damit für diesen Verkauf andere Preisoptionen aus. Die Marktnachfrage ist zwar stets mit Unsicherheit verbunden, doch der gewählte Preis vermittelt, welchen Wert das Unternehmen seinem Bestand beimisst. Im Laufe der Zeit können Unternehmen ihre Preisstrategien für spätere Verkäufe an die Rückmeldungen des Marktes anpassen.

Jede bewusste Handlung, die verändert, was sich bewegt, wohin, wann oder in welcher Menge, ist eine Supply-Chain-Entscheidung. Eine Bestellung aufzugeben, einen Lastwagen einzuplanen, einen eingehenden Container einem Lager statt einer Cross-Docking-Anlage zuzuweisen oder den Preis eines langsam drehenden Artikels zu senken: All dies verändert den Materialfluss innerhalb betrieblicher Lieferzeiten und fällt daher eindeutig in den Zuständigkeitsbereich der Supply Chain.

Vorhaben mit nur mittelbarem Einfluss – Grundlagenforschung und -entwicklung zu finanzieren, eine Werbekampagne in Auftrag zu geben oder eine neue Region zu erkunden – können den Fluss dagegen irgendwann beeinflussen, tun dies aber über mehrere Zwischenschritte. Ihre Bedeutung ist strategisch statt operativ; sie liegen somit außerhalb des hier behandelten Bereichs. In der Praxis ist die Grenze klar: Unter den Hunderten von Hebeln, die ein Planer jede Woche bedient, lässt sich nur eine Handvoll nicht sofort zuordnen. In diesen seltenen Fällen hat die Einordnung – Supply Chain oder nicht – einen vernachlässigbaren Einfluss auf die Rentabilität.

Was diese Einsicht gewöhnlich behindert, ist keine analytische Schwierigkeit, sondern betriebliche Tradition. Über Jahrzehnte haben Unternehmen bestimmte Hebel – Preise, Merchandising, Sortimentsentscheidungen – zum ausschließlichen Hoheitsgebiet von Marketing oder Vertrieb erklärt und damit aus den Gesprächen über Supply Chain verbannt. Doch gerade diese Hebel prägen die Nachfrage und damit jede nachgelagerte Güterbewegung. Auf den folgenden Seiten werden sie dort behandelt, wo sie logisch hingehören: mitten im Zuständigkeitsbereich der Supply Chain.

1.2 Optionalität

Bei einer Entscheidung wird zwischen konkurrierenden Optionen gewählt. Dass einem Unternehmen mehrere Optionen offenstehen, ist jedoch keineswegs garantiert. Hat es beispielsweise für ein Produkt nur einen Lieferanten ermittelt, beschränkt sich seine Wahl auf Bestelldatum und Bestellmenge bei diesem Lieferanten. Erweist sich dieser als zu unzuverlässig oder zu teuer, muss das Unternehmen womöglich auf weitere Bestellungen verzichten, was voraussichtlich sowohl das Unternehmen als auch seine Kunden verärgert. Günstige Optionen zu entwickeln ist daher entscheidend. Optionalität ist unverzichtbar, weil jede Prognose eines Unternehmens unabhängig von der eingesetzten Technologie mit einer nicht weiter reduzierbaren Unsicherheit verbunden ist.

Die Optionen einer Supply Chain werden durch die zu ihrer Schaffung erforderlichen Kapazitäten – und damit durch die Kosten – begrenzt. Die Aufmerksamkeit der Führungskräfte und die Aufmerksamkeit der Organisation insgesamt sind weitere knappe Ressourcen, die sorgsam zugeteilt werden müssen. Mehrere zuverlässige Lieferanten zu haben ist vorzuziehen. Dafür muss man sie jedoch ermitteln, qualifizieren und vertraglich binden, um rechtzeitig bestellen zu können. Je nach Umständen ist diese Aufmerksamkeit möglicherweise besser darin investiert, die Beziehung zum bisherigen – und vielleicht besten – Lieferanten zu vertiefen.

Ungenutzte Optionen als bloße Gemeinkosten anzusehen, die das Management kürzen sollte, ist naiv und verfehlt. Ein Unternehmen kann durchaus zu viel in Optionalität investieren: Der zusätzliche Nutzen nimmt dann ab, wenn weitere Optionen keine entsprechenden Vorteile mehr bringen. Solche Überinvestitionen sind dennoch selten, auch wenn der Erhalt von Optionen Außenstehenden kostspielig erscheinen mag.

Zahlreiche Optionen liegen auf der Hand und werden dennoch aus praktischen Gründen ausgeschlossen. Das geschieht immer dann, wenn sie sich nicht ohne Weiteres bewerten lassen. Ein Einzelhandelsnetz mit vielen Filialen kann etwa gelegentlich die Möglichkeit erkennen, Bestände auszugleichen, indem es die optimale Route für einen Lastwagen wählt, der nacheinander Waren aufnimmt und ablädt. Muss dieser Ausgleich jedoch von Hand oder mit ungeeigneten Standardwerkzeugen geplant werden, überfordert die kombinatorische Explosion Menschen und Tabellenkalkulationen sehr schnell. Ohne spezialisierte Optimierungssoftware, die Millionen von Routenpermutationen in Sekunden durchgehen kann, wird diese Klasse von Optionen stillschweigend als „zu komplex“ abgetan und gelangt nie zur Entscheidung.

Häufiger werden Optionen nur zeitweise bewertet, vor allem wegen der begrenzten Aufmerksamkeit oder der begrenzten Werkzeuge des Unternehmens. Beispielsweise bestellt ein Unternehmen womöglich nur einmal pro Woche bei einem Lieferanten – nicht weil wöchentliche Zyklen an sich Einschränkungen oder Vorteile hätten, sondern schlicht weil die tägliche Zusammenstellung von Bestellungen zu viel Zeit kosten würde. Eine tägliche Prüfung bedeutet nicht, täglich zu bestellen. Sie bedeutet, die Möglichkeit einer Bestellung täglich zu prüfen, selbst wenn an den meisten Tagen keine Bestellung erfolgt.

1.3 Physische Güter

Supply Chain befasst sich mit dem Fluss physischer Güter. Nimmt man die Güter weg, bleibt kaum mehr als Finanzwesen und Handel übrig. Die Praxis vollzieht sich in drei wiederkehrenden Schritten: Zunächst wird Geld in Güter umgewandelt – Bestandseinheiten, die bei Lieferanten gekauft werden; dann werden diese Güter bearbeitet – geprüft, gelagert, transportiert oder umgewandelt; schließlich werden die Güter wieder zu Geld, sei es durch direkten Verkauf oder durch ihren Verbrauch bei der Herstellung weiterer Produkte und Dienstleistungen.

Dieser Prozess soll sich unbegrenzt wiederholen, allerdings nie auf genau dieselbe Weise, da sich jeder Aspekt des Flusses mit der Zeit verändert. Nur die Existenz des Flusses bleibt konstant: Er besteht so lange, wie das Unternehmen existiert.

Physische Güter unterliegen Beschränkungen, denen man nicht ausweichen kann. Jede Handlung an ihnen – kaufen, bewegen, umwandeln – verbraucht Geld; doch auch jedes Unterlassen – behalten, warten, lagern – fordert einen impliziten Tribut. Geld wird ausgegeben, ob die Güter fließen oder stillstehen. Der einzige Hebel besteht darin, jene Mischung aus Handeln und Unterlassen zu wählen, die die Gesamtkosten minimiert und dabei die Optionalität bewahrt. Diese Realitäten bleiben unsichtbar, wenn Güter in modernen Handelssystemen auf elektronische Kennungen reduziert werden. Wer im Hochfrequenzhandel mit Kupfer handelt, muss sich nicht darum kümmern, wo das Metall liegt, wie es vor Oxidation oder Diebstahl geschützt ist oder ob es das zulässige Gesamtgewicht eines Zwanzig-Fuß-Containers einhält. Supply-Chain-Praktiker müssen sich dagegen mit jeder dieser Beschränkungen auseinandersetzen. Der Markt belohnt Unternehmen, die sowohl die expliziten Kosten des Handelns als auch die impliziten Kosten des Unterlassens beherrschen.

Der Umgang mit physischen Gütern wird durch Materie, Energie, Raum und Zeit begrenzt. Kisten können nicht durch Wände hindurchtunneln, Paletten können die Tragkraft ihrer Gabelstapler nicht übersteigen, und ein Schiff, das gestern Shanghai verlassen hat, wird morgen nicht in Rotterdam anlegen. Die Informationsebene, die diese Bewegungen steuert, ist dagegen praktisch elastisch: Ein handelsüblicher Laptop kann Millionen von Permutationen pro Sekunde untersuchen, ein bescheidener Cloud-Cluster Milliarden bewältigen.

Elastisch heißt nicht trivial. Rohdaten in handlungsrelevante Erkenntnisse zu verwandeln, ist teuflisch schwierig – Rauschen, Mehrdeutigkeit und schiere Datenmenge trüben gemeinsam das Bild. Doch jede Minute, die ein Planer auf die Aktualisierung eines Berichts wartet, und jeder durch „Systembeschränkungen“ verzögerte Nachschublauf zeugen von einem Konstruktionsfehler. Der Engpass sollte bei Stahl und Diesel liegen, nicht in einer SQL-Abfrage.

Die Zeitmaßstäbe verdeutlichen das. Ein Algorithmus, der Beschaffungsempfehlungen für tausend SKUs in fünfzig Millisekunden berechnet, arbeitet augenblicklich im Vergleich zu den zwei Wochen, die zur Herstellung der Güter nötig sind, und den sechs Wochen für ihren Transport über einen Ozean. Verglichen mit Atomen bewegen sich Bits mit Lichtgeschwindigkeit; jede Verzögerung einer Entscheidung, die neben der physischen Lieferzeit ins Gewicht fällt, ist unnötige Verschwendung.

Die Größenordnung erzählt dieselbe Geschichte. Zehn Millionen Kartons aufzulisten kostet Centbeträge an Speicherplatz und Millisekunden an CPU-Zeit. Diese Kartons unterzubringen erfordert hektarweise Regale, ganze Flotten von Förderanlagen und Heerscharen von Arbeitskräften. Wird ein Projekt als „durch Datenmengen blockiert“ bezeichnet, sind zusätzliche Gabelstapler nie die Lösung, sondern stets bessere Datenmodellierung und schlankere Software.

Kurz gesagt sollte der begrenzende Faktor einer gut geführten Supply Chain die Realität selbst sein – Kubikmeter, Kilowatt, Kalendertage. Liegt der Engpass im digitalen Cockpit – stockende Dashboards, Optimierer, die in ein Zeitlimit laufen, Planer, die ihre Optionen „nicht sehen können“ –, hat das Management eine leicht erschließbare Chance gefunden. Reibungsverluste bei Entscheidungen zu beseitigen ist keine Kosmetik. Es ist der wichtigste Hebel, mit dem moderne Rechner aus denselben knappen Ressourcen mehr Ertrag herausholen.

1.4 Variabilität

Jede Supply-Chain-Entscheidung ist eine Wette auf den Zustand des Unternehmens und seines Marktes in dem Moment, in dem sich die Güter schließlich bewegen. Da es immer Zeit braucht, Atome zu bewegen oder umzuwandeln – manchmal Stunden, oft Tage –, muss die Entscheidung in eine grundsätzlich unsichere Zukunft reichen. Diese Zukunft kann den heutigen Annahmen entsprechen oder stark davon abweichen und einen sorgfältigen Plan in einen Verlust verwandeln – oder ebenso leicht in einen unerwarteten Gewinn.

Bestellt ein Unternehmen beispielsweise bei einem Lieferanten in Übersee, muss es mit mehreren Unsicherheiten umgehen. Verzögerungen in Produktion und Transport sind grundsätzlich unvorhersehbar, da weder der Hersteller noch der Frachtführer vollkommen zuverlässig ist. Außerdem können zufällige Transportschäden die Menge der erhaltenen Güter vermindern. Schließlich bleibt ungewiss, wie viel Kunden künftig für diese Güter zu zahlen bereit sein werden. Erschwerend kommt hinzu, dass das Unternehmen die Preisstrategien seiner Wettbewerber während und nach der Lieferung nicht beeinflussen kann.

Ein kurzer Vergleich zwischen dem isolierten Fertigungsprozess und der Supply Chain als Ganzem verdeutlicht die Natur der Variabilität. In der Fabrik ist jede Abweichung von der Nenndicke eines Stahlblechs, der Reinheit eines Reagenzes oder dem Zeitablauf eines Bestückungsarms ein Fehler. Variabilität ist ein Feind, den man immer besiegen kann – zu einem Preis. Dieser Preis sinkt weiter, während Sensoren, Aktoren und Algorithmen die Regelung immer näher an den atomaren Maßstab bringen; die Halbleiterindustrie liefert dafür hinreichenden Beleg. Mit genügend Kapital lässt sich die verbleibende Streuung um den angestrebten Mittelwert beliebig klein machen. In der Supply Chain verhält es sich umgekehrt: Nachfrage, Lieferzeiten, Lieferantenzuverlässigkeit und Wettbewerbsaktionen entstehen aus dem Handeln unzähliger unabhängiger Akteure, deren Verhalten sich nicht technisch beseitigen lässt. Mit keinem Geld der Welt lässt sich eine deterministische Zukunft kaufen. Die einzige vernünftige Haltung besteht darin, Variabilität zu erwarten, Optionen zu entwickeln und Entscheidungen so zu gestalten, dass Unsicherheit zu Gewinn statt zu Verlust führt.

Supply Chains sind der weiteren Welt tatsächlich in einem Ausmaß ausgesetzt, das weit über das einer geschlossenen Fertigungsumgebung hinausgeht. Kein Unternehmen kann sich vollständig vor äußeren Kräften abschirmen – ob sie nun von Kunden, Lieferanten, Aufsichtsbehörden, dem Militär oder Wettbewerbern ausgehen. Neben menschengemachten Faktoren stören auch Naturereignisse – etwa Schneestürme, Überschwemmungen, Waldbrände, Tsunamis, Erdbeben und Pandemien – weiterhin Supply Chains, obwohl die Zahl der menschlichen Opfer solcher Katastrophen im vergangenen Jahrhundert glücklicherweise deutlich zurückgegangen ist.

Anders als in einem Fertigungsprozess, in dem Variabilität unter dem Strich stets schädlich ist, lässt sie sich in der Supply Chain häufig in einen Wettbewerbsvorteil verwandeln. Betrachten wir einen Hersteller von abgefülltem Wasser, der bewusst Abfüllkapazitäten weit über seiner durchschnittlichen Nachfrage aufbaut. Meist stehen die zusätzlichen Linien still. Tritt jedoch eine Hitzewelle auf – ein Ereignis, das nur in einer Handvoll Sommer pro Jahrzehnt vorkommt –, kann das Unternehmen seine Produktion über Nacht hochfahren, während Wettbewerber ihre Bestände rationieren. Der vorübergehende Mengensprung zusammen mit dem Aufpreis, den Verbraucher bei drückender Hitze bereitwillig zahlen, macht die Investition in den stillstehenden Stahl mehr als wett. Die überschüssige Kapazität ist hier eine im Voraus erworbene Option, die gezielt extremes Wetter zu Geld machen soll – ein Lehrbuchbeispiel dafür, wie Variabilität in Gewinn umgewandelt wird.

Kurz gesagt eröffnet Variabilität immer dann, wenn sie Risiken mit sich bringt, zugleich Chancen. Tatsächlich verraten Risiken und Chancen mehr über die Eigeninteressen eines Beobachters als über ihre eigene Natur. Reiseveranstalter, die Ausflüge zum Ätna organisieren, haben ein Eigeninteresse daran, dass der Vulkan aktiv bleibt. Für sie ist ein aktiver Vulkan, anders als für die Menschen im antiken Pompeji, keine Katastrophe, sondern eine entscheidende Einnahmequelle.

1.5 Beherrschung

Eine Supply Chain zu beherrschen bedeutet, günstige Optionen zu entwickeln und dabei gerade so viele Ressourcen zu binden, dass man heute rentabel und morgen widerstandsfähig bleibt. Diese Beherrschung ist nie die Leistung eines einzelnen Planers. Sie entsteht aus der koordinierten Zusammenarbeit vieler Disziplinen.

Selbst in gut abgestimmten Organisationen machen fünf hartnäckige Eigenschaften Supply Chains schwer beherrschbar: ihre Immaterialität, ihre nur vermittelte Beobachtbarkeit, ihre Komplexität, ihre Vernetzung und ihr vertrackter Charakter. Die folgenden Seiten untersuchen jede dieser Eigenschaften und zeigen, wie aus einem Hindernis ein Hebel für Wettbewerbsvorteile werden kann.

Alle sichtbaren Ressourcen – Fabriken, Lastwagen, Paletten, selbst Menschen – sind für die Supply Chain nur durch die Absicht von Bedeutung, die sie belebt. Supply Chain ist daher im Kern immateriell: ein Geflecht von Erwartungen über den künftigen Austausch von Gütern, Geld und Dienstleistungen.

Betrachten wir eine einzelne Milchflasche in einem Supermarktregal. So greifbar sie ist, rechtfertigt sich ihre Anwesenheit nur durch zwei ineinandergreifende Wetten. Der Händler setzt darauf, dass ein Kunde die Flasche kauft, bevor sie verdirbt; der Kunde setzt darauf, dass der Händler das Regal gefüllt hält. Diese Wetten bleiben stumm, solange sie aufgehen, und werden erst dann schmerzlich hörbar, wenn sie scheitern – wenn die Milch verdirbt oder das Regal leer ist.

Diese Immaterialität ist das erste Hindernis auf dem Weg zur Beherrschung. Erwartungen tauchen in keiner Bilanz auf. Sie müssen aus ihren Symptomen erschlossen werden – Fehlbeständen, Überbeständen, abweichenden Lieferzeiten, schwindenden Margen. Wie Ökonomen kommen Supply-Chain-Praktiker voran, indem sie die verborgenen Annahmen aufdecken, die in jeder Mindestbestellmenge (MOQ), jedem Wiederauffüllungszyklus und jedem Aktionskalender stecken. Beherrschung beginnt erst, wenn diese Annahmen offengelegt, quantifiziert und hinterfragt werden.

Moderne Supply Chains lassen sich nicht direkt beobachten; jeder Einblick wird durch Softwareaufzeichnungen vermittelt. Was Planer als physisch vorhandenen Bestand, offene Bestellungen oder unterwegs befindliche Mengen lesen, ist lediglich eine digitale Darstellung, zusammengesetzt von einer über Jahrzehnte zusammengewachsenen Anwendungslandschaft. Entscheidend ist: Diese Landschaft entstand nicht als wissenschaftliches Experiment zur Erfassung der relevantesten Daten – entgegen dem, was viele akademische Darstellungen nahelegen –, sondern als Flickwerk von Werkzeugen, die den täglichen Betrieb aufrechterhalten sollten. Daher bestimmt diese Landschaft sowohl die Sichtbarkeit als auch das Vokabular des Flusses; die Atome selbst bleiben einen Schritt entfernt.

Praktiker sorgen sich häufig um numerische Ungenauigkeiten – einen Fehler bei einer zyklischen Bestandszählung, einen verspäteten Barcode-Scan. Solche Fehler sind jedoch geringfügig und gewöhnlich begrenzt. Die eigentliche Gefahr liegt in der semantischen Verschiebung. Ein Feld, das gestern confirmed_order bedeutete, kann nach einem Anbieter-Patch oder einer improvisierten Behelfslösung eines Nutzers morgen etwas ganz anderes erfassen, während seine Bezeichnung unverändert bleibt. Bedeutungen verändern sich schneller als Zählwerte, und Verzerrungen vervielfachen sich, wenn Daten zwischen Systemen wandern. Jeder Datensatz ist daher eine Hypothese über die Realität, nicht die Realität selbst, und muss fortlaufend neu überprüft werden.

Die Komplexität von Supply Chains übersteigt die Leistungsfähigkeit jedes einzelnen Verstandes bei Weitem, unabhängig vom betriebenen Aufwand. Selbst überschaubare Unternehmen jonglieren heute mit Hunderttausenden von SKUs (Stock Keeping Units). Ein Teil dieser Ausbreitung ist unbeabsichtigt – überkommene Vorschriften, planlose Prozesse, schlecht zusammengeflickte Software. Ein immer größerer Anteil ist jedoch beabsichtigt: bewusst eingeführte Vielschichtigkeit, weil sie das Wertversprechen erweitert.

Der E-Commerce verdeutlicht das. Eine Zahnbürste an ein Einzimmerapartment zu liefern erfordert Tourenplanung auf der letzten Meile, Paketverfolgung und Rückführungslogistik – Schritte, die bei der Anlieferung einer Palette an einen Verbrauchermarkt entfallen. Die zusätzlichen Ebenen sind unbestreitbar komplex, ersparen Kunden jedoch den Weg und rechtfertigen daher einen Aufpreis. In der Luftfahrt verkaufen Triebwerkshersteller keine Hardware mehr, sondern „nach Betriebsstunden abgerechnete Leistung“. Damit richten sie sich genau nach dem Nutzen für Fluggesellschaften und verlagern zugleich die Variabilität der Instandhaltung auf das MRO-Netzwerk des Herstellers. Ebenso erschwert eine Modemarke, die ihr Sortiment von 1.000 auf 10.000 SKUs erweitert, Einkauf, Lagerhaltung und Preisreduzierungen. Die größere Auswahl erweitert jedoch die erreichbare Kundschaft und festigt deren Treue.

Solche essenzielle Komplexität rechtfertigt ihren Aufwand, weil sie einen monetarisierbaren Kundennutzen schafft – sofern sie rentabel beherrscht wird. Was übrig bleibt – Eigenheiten der Compliance, Phantom-SKUs, überholte Richtlinien –, ist akzidentelle Komplexität und sollte beseitigt werden. Beide zu unterscheiden, die akzidentelle zu unterdrücken und die essenzielle zu nutzen, ist eine der großen Herausforderungen der Supply Chain im 21. Jahrhundert.

Supply Chains funktionieren als Systeme in dem von Russell Ackoff beschriebenen Sinn: Die Leistung des Ganzen entsteht aus den Wechselwirkungen seiner Teile, nicht aus der isolierten Spitzenleistung jedes einzelnen. Sie sind daher von Natur aus vernetzt. Jede Entscheidung, wie klein auch immer, wirkt sich auf das gesamte Netzwerk aus. Betrachten wir eine einzelne Bestandseinheit in einem Regionallager. Sobald ein Planer sie Filiale A zuweist, verlieren alle anderen Filialen augenblicklich diese Option. Eine lokale Entlastung – die Vermeidung eines Fehlbestands in Filiale A – kann zugleich künftige Engpässe in den Filialen B, C und D anlegen. Dieser Nullsummenkonflikt ist strukturell, denn jedes Produkt, jeder Lieferant, jeder Lastwagen und jede Minute an Aufmerksamkeit der Führungskräfte greift auf dieselben begrenzten Ressourcenvorräte zu.

Wirtschaftliche Kräfte verstärken diese Kopplungen. Kunden erwarten, dass sich ergänzende Artikel gemeinsam verfügbar sind; Frachtführer nennen Preise für volle Lkw-Ladungen, nicht für einzelne Paletten; ein Förderband amortisiert seinen Kapitaleinsatz nur bei gebündelten Mengen. Der Versuch, einen einzelnen Knoten isoliert zu „optimieren“, verlagert lediglich Kosten oder Risiken an eine andere Stelle der Supply Chain. Solches mechanisches Denken nach dem Prinzip „Teile und herrsche“ – ausgezeichnet für Maschinen – scheitert bei Supply Chains, weil es die Rückkopplungen ignoriert, die Entscheidungen über Zeit und Raum hinweg verbinden.

Beherrschung verlangt deshalb Systemdenken: Jeden Hebel danach zu bewerten, wie er den gesamten Fluss beeinflusst, heute wie in Zukunft. Nur ein Unternehmen, das die Zuteilung von Lagerbeständen, die Einsatzplanung von Lastwagen, Wiederauffüllungsregeln und Preisgestaltung als Facetten desselben Entscheidungsraums betrachtet, kann wechselseitige Abhängigkeit von einem Nachteil in einen Vorteil verwandeln.

Die Probleme, mit denen Supply Chains konfrontiert sind, sind vertrackt – auf Englisch wicked, hier nicht im moralischen Sinn von „böse“, sondern im technischen Sinn, den Rittel und Webber geprägt haben, um Herausforderungen zu beschreiben, die sich verändern, sobald man eingreift. Ein vertracktes Problem hat keine präzise Formulierung und keine endgültige Lösung; jede „Reparatur“ gestaltet gerade das System um, das sie in Ordnung bringen soll.

Ein konkretes Beispiel verdeutlicht das. Angenommen, ein Unternehmen kündigt einen Bonus an, der an „94 % Prognosegenauigkeit“ geknüpft ist. Sobald der Lebensunterhalt der Planer von dieser Zahl abhängt, besteht der schnellste Weg darin, Horizonte zu verkürzen, SKUs zusammenzuwerfen oder Sicherheitsbestände aufzupolstern, bis die Rechnung aufgeht. Das Betriebskapital schießt in die Höhe, der Service verschlechtert sich, doch das Dashboard leuchtet grün. Die Kennzahl wurde zum Ziel und hörte damit auf, eine gute Kennzahl zu sein – Goodharts Gesetz in aller Deutlichkeit.

Das Paradox reicht tief. Supply-Chain-Management braucht explizite numerische Ziele, damit Optimierer – häufig Software, die gegen persönliche Interessen immun ist – diese unerbittlich verfolgen können. Doch sobald ein Ziel bekannt gegeben wird, setzt es neue Anreize für Beschäftigte, Lieferanten und sogar Wettbewerber, die Regeln zu ihren Gunsten auszureizen. Keine Vorgabe bleibt lange optimal, und jede offensichtliche, statische oder vorhersehbare Regel wird unterlaufen, während sich die Akteure anpassen. Der vertrackte Charakter widerlegt somit die naive akademische Hoffnung auf saubere Paare aus „Problem + Lösung“: Beherrschung liegt darin, sowohl die Ziele als auch die Algorithmen, die sie verfolgen, fortlaufend neu zu prüfen.

1.6 Abschließende Gedanken

Die täuschend knappe Definition von Supply Chain birgt eine radikale Perspektive. Sobald jeder Hebel, der Güter bewegt, als Daten erfasst ist, müssen Entscheidungen nicht mehr darauf warten, dass ein Planer auf „OK“ klickt. Algorithmen können sie umsetzen, prüfen und verfeinern, Tag und Nacht, zu vernachlässigbaren Grenzkosten. Automatisierung – verstanden als softwaregestützte Entscheidungsfindung ohne menschliches Eingreifen – steht davor, für die Planungsarbeit im Büro das zu leisten, was das Fließband für die Handarbeit geleistet hat.

Weit mehr als bloße Arbeitskostenarbitrage erschließt diese Automatisierung eine Produktivität, die sich von Tabellenkalkulationen beherrschte Organisationen kaum vorstellen können. Viele Unternehmen beschäftigen inzwischen mehr Analysten mit der Pflege von Tabellen als Arbeitskräfte mit dem Umgang mit Kartons. Doch eine einzige Entscheidungsengine kann beide übertreffen, Verzögerungen und Fehler drastisch verringern und zugleich knappe Talente für neue, anspruchsvollere Herausforderungen freisetzen.

Noch wichtiger ist, dass Software Entscheidungsräume durchstreifen kann, die Menschen nie erschließen werden. Kontinuierliche Preisanpassungen bei viralen Nachfragespitzen, die Umleitung von Seecontainern während der Fahrt oder ein stündlicher kontinentaler Bestandsausgleich werden greifbar, sobald Rechenleistung – und nicht menschliche Geduld – den Engpass bildet. So wie der E-Commerce den Einzelhandel neu erfunden hat, statt den Telefonverkauf aufzupolieren, wird Optimierung ohne menschliches Eingreifen Supply Chains umgestalten, statt lediglich die Abläufe von gestern zu beschleunigen.

Die seit dem UNIVAC I (1951) angesammelte quantitative Supply-Chain-Literatur quillt über vor einschüchternder Algebra und petabytehungrigen Algorithmen. Dennoch gelingt es ihr weiterhin nicht, moderne Rechner für greifbare Supply-Chain-Ergebnisse zu nutzen. Ihre Raffinesse zielt in die falsche Richtung: Sie optimiert, was sich leicht zählen lässt, statt dessen, was wirtschaftlich entscheidend ist, klammert sich an fragile Punktprognosen und bricht angesichts der kombinatorischen Vielfalt realer Optionen zusammen. Weil sie am Ziel vorbeigeht, macht sie aus den heutigen nahezu kostenlosen Gigaflops bloßes Hintergrundrauschen, während Planer weiter mit Tabellen kämpfen. Den qualitativen Führungsempfehlungen ist es nicht besser ergangen: Bibliotheken sind voller Supply-Chain-„Handbücher“, die nur wenige Führungskräfte lesen und von denen noch weniger profitieren würden.

Ein auffälliges Symptom dieses Vakuums ist die große Zahl autodidaktischer Praktiker in großen Unternehmen. Zu Recht duldet die Gesellschaft keine autodidaktischen Chirurgen – die Kluft zwischen Amateuren und ausgebildeten Fachleuten ist zu groß, um Menschenleben zu riskieren. Stehen jedoch Milliardenwerte an Bestand auf dem Spiel, verlassen sich Unternehmen routinemäßig auf Planer, die ihr Handwerk aus mündlich überliefertem Gruppenwissen und Blogbeiträgen zusammengesetzt haben. Der Vergleich ist schonungslos und unterstreicht, wie wenig entwickelt die Disziplin weiterhin ist.

Die gängigen Methoden haben nicht bloß zu wenig geleistet. In vielen Fällen haben sie aktiv in die Irre geführt und Scheingenauigkeit sowie Heldentaten in Tabellenkalkulationen an die Stelle einer skalierbaren Wissenschaft gesetzt. Ihre Schwächen – und der Weg über sie hinaus – werden im letzten Kapitel dieses Buchs ohne Umschweife untersucht.

Die folgenden Kapitel tragen die wissenschaftlichen Bausteine zusammen, die nötig sind, um die Beherrschung der Supply Chain in Software zu fassen und jene Optimierung ohne menschliches Eingreifen zu ermöglichen, die Führungskräfte von morgen für selbstverständlich halten werden. Überliefertes Halbwissen durch eine präzise, rechnergeeignete Wissenschaft zu ersetzen ist die Voraussetzung dafür, Variabilität und Optionalität von wiederkehrenden Kopfschmerzen in wiederholbare Gewinne zu verwandeln.

2 Geschichte

Die Definitionen von Logistik, Supply Chain und Supply-Chain-Management (SCM) gehen auseinander: Manche beschränken „Supply Chain“ auf den physischen Güterfluss und reservieren „SCM“ für dessen Koordination; andere behandeln die Begriffe als Synonyme. Anbieter, Berater und Praktiker verdrehen die Begriffe weiter, um Organigrammen und Verkaufsargumenten zu schmeicheln. Ein kurzer historischer Exkurs hilft, die daraus entstehende Zersplitterung zu erklären.

Supply-Chain-Ideen bewegen sich zwischen zwei Polen: euklidischer Präzision und dem ständig seine Gestalt wechselnden KI-Jargon. Die Bezeichnungen ändern sich jedes Jahrzehnt; die zugrunde liegende Aufgabe – Optionalität im Fluss physischer Güter zu beherrschen – bleibt gleich. Wer Sachkenntnis in Logistik, Operations Research, Supply Chain oder Unternehmensoptimierung beansprucht, verrät damit häufig mehr über seinen eigenen Blickwinkel als über das Fachgebiet.

Dieses Kapitel verfolgt zwei Ziele. Erstens zeichnet es nach, wie die lose, ständig wechselnde Bezeichnung Supply Chain aus älteren Begriffen wie Logistik und Operations Research hervorging, und zeigt, dass ihre heutige Bedeutung weiterhin vorläufig ist. Zweitens veranschaulicht es die konfrontative Denkhaltung, die sich durch den Rest des Buchs zieht. Im Folgenden wird jedes Schlagwort mit den Anreizen verknüpft, die es hervorgebracht haben. Anbieter posaunen Neuheiten hinaus, um Lizenzen zu verkaufen; Berater verpacken die Ideen von gestern neu, um Folien zu verkaufen; Führungskräfte, die fürchten, ins Hintertreffen zu geraten, übernehmen die Sprache, bevor sie die Substanz prüfen. Diese skeptische Haltung beizubehalten schützt Praktiker vor kostspieligen Trugbildern, lässt aber weiterhin echte Innovationen hervortreten.

2.1 Vom frühen 19. Jahrhundert bis zur Vorkriegszeit im 20. Jahrhundert

Lange bevor „Logistik“ oder „Supply Chain“ geprägt wurden, war die Tätigkeit selbst die Lebensader jedes Stadtstaats. Rom war auf afrikanische Getreideflotten angewiesen, Amsterdam auf Holzkonvois aus dem Ostseeraum und Edo auf Reiskähne, deren Fahrten auf günstige Gezeiten abgestimmt waren. In jedem Fall stellte sich dasselbe dauerhafte Rätsel: Tag für Tag unter Unsicherheit die räumliche Kluft zwischen Produktion und Verbrauch zu überbrücken. Die Herausforderung bleibt; Jargon und Analysewerkzeuge ändern sich. Die ersten systematischen mathematischen Ansätze tauchten erst im späten 18. Jahrhundert auf – dieser Geschichte wenden wir uns nun zu.

Versteht man unter der modernen Supply-Chain-Ära das analytische Streben nach betrieblichen Verbesserungen, beginnt sie in dieser Zeit. 1781 veröffentlichte der französische Mathematiker Gaspard Monge seine Schrift Memoir on the Theory of Embankments and Rubble (Mémoire sur la théorie des déblais et des remblais). Darin schlug er vor, den Arbeitsaufwand für Erdbewegungen zur Einebnung eines Geländes mit Erhebungen und Vertiefungen zu minimieren.

Der Begriff Logistik, einst austauschbar mit Supply Chain verwendet, nahm in der ersten Hälfte des 19. Jahrhunderts in einem militärischen Kontext Gestalt an. Die früheste belegte Verwendung – logistique – findet sich im Summary of the Art of War (Précis de l’Art de la Guerre) (1830) des Schweizer Offiziers Antoine-Henri Jomini¹. Logistik bedeutete, Ressourcen – Menschen, Ausrüstung, Material – zur richtigen Zeit an den richtigen Ort zu bringen. Sie verfeinerte das bis in die Antike zurückreichende Konzept der militärischen Versorgung und Verwaltung.

1840 führte die britische Post die „Uniform Penny Post“ ein: ein frühes ziviles Beispiel für das, was wir heute Operations Research nennen würden. Der Mathematiker und Ingenieur Charles Babbage stellte Kostentabellen zusammen, die zeigten, dass die Entfernung nur geringfügig zu den Postkosten beitrug; die eigentlichen Kostentreiber waren Einsammlung, Sortierung und endgültige Zustellung. Auf Grundlage dieser quantitativen Erkenntnisse beschloss das Parlament einen landesweiten Einheitstarif von einem Penny pro Brief. Diese Entscheidung vergrößerte das Postaufkommen und damit die Reichweite des Handels radikal. Babbages Studie nahm moderne Supply-Chain-Analytik vorweg, indem sie überlieferte Vorstellungen durch Messung und Optimierung ersetzte. Sein späteres Streben nach programmierbaren Rechenmaschinen, das in der Difference Engine gipfelte, zielte darauf ab, genau jene statistischen Tabellenberechnungen zu automatisieren, die seine Arbeit zum Postwesen erforderte.

1888 formulierte der Ökonom Francis Ysidro Edgeworth irischer und spanischer Abstammung eine Einsicht, die später als „Zeitungsverkäuferproblem“ bekannt wurde. Seine erstmals in Mathematical Theory of Banking vorgestellte Idee beschrieb die Herausforderung, den optimalen Lagerbestand zu bestimmen, wenn überschüssiger Bestand am Ende einer Periode entsorgt werden muss, wie es täglich mit unverkauften Zeitungen geschieht. Dieser Beitrag verband statistische Risikoanalyse mit betrieblicher Problemlösung – eine Perspektive, die sich erst rund ein Jahrhundert später allgemein durchsetzen sollte.

Der Aufstieg einer aktienbesitzenden Mittelschicht in den Vereinigten Staaten am Ende des 19. Jahrhunderts brachte wiederum die frühen Wirtschaftsprognostiker hervor. Unter diesen Pionieren erlangten Roger Babson und Irving Fisher zu Beginn des 20. Jahrhunderts besondere Bekanntheit. Sie warben für quantitative Methoden zur Zuteilung von Ressourcen an Einzelpersonen und Unternehmen – ein Geist, der in vielen modernen Angeboten für Unternehmenssoftware nachklingt. Sie leisteten zudem Pionierarbeit bei statistischen Verfahren zur Zeitreihenprognose.

Die Entwicklung der Ökonomie in der ersten Hälfte des 20. Jahrhunderts brachte zahlreiche Methoden zur Lösung kleiner betrieblicher Aufgaben hervor. Mehrere Lösungsversuche führten zu Theorien und Formeln, die sich zu dauerhaften Glaubenssätzen der Supply Chain entwickeln sollten. So wurde die Formel für die wirtschaftliche Bestellmenge (EOQ) – ein Standard der Supply Chain – 1913 von Ford Harris eingeführt und in den 1930er-Jahren als Wilson-Formel bekannt gemacht.

2.2 Zweiter Weltkrieg und Nachkriegsentwicklungen

Mit dem Ausbruch des Zweiten Weltkriegs kehrte das Fachgebiet zu seinen militärischen Wurzeln zurück. Großbritannien versammelte fast 1.000 Männer für das, was zu Operations Research wurde, von der britischen Armee definiert als „eine wissenschaftliche Methode, ausführenden Dienststellen eine quantitative Grundlage für Entscheidungen über die ihrer Kontrolle unterliegenden Operationen zu liefern“. Die Anstrengungen brachten durchschlagende Ergebnisse: weniger Artilleriegeschosse, um feindliche Flugzeuge abzuschießen, und höhere Überlebenschancen für britische Schiffe und Flugzeuge.

Getragen von seinem Ansehen aus Kriegszeiten breitete sich Operations Research in akademischen Kreisen rasch aus. Das Aufkommen universell einsetzbarer programmierbarer Rechner ermöglichte es der Fachgemeinschaft, Methoden zu untersuchen, deren Berechnung von Hand völlig unpraktikabel gewesen wäre. Hardwaregrenzen beschränkten den Großteil der Forschung der 1950er- und 60er-Jahre auf statische oder stationäre Probleme – also solche, von denen angenommen wurde, dass sie sich im Zeitverlauf nicht ändern. Beispielsweise ist die Bestimmung von Lagerstandorten zur Versorgung eines Filialnetzes bei angenommener konstanter Nachfrage ein stationäres Problem. Dagegen ist die Optimierung von Zuteilungsprozessen für Lagerbestände und von Auslieferungsrouten dynamisch, da diese Probleme auf Schwankungen bei Nachfrage, Lieferzeiten, Verkehr, Fahrerverfügbarkeit, Lkw-Wartung und vielem mehr reagieren. Dynamische Probleme überforderten die damalige Hardware und wurden weitgehend beiseitegeschoben.

Obwohl Operations Research Führungskräfte in Unternehmen zunächst begeisterte, begann seine Anziehungskraft in den 1970er-Jahren zu schwinden. In den 1980er-Jahren war das Kriegsansehen verblasst, und die Interessen der Unternehmen hatten sich verschoben². Die 1970er-Jahre brachten neue Fortschritte, darunter Rechner, die Barcodes nutzen konnten³. Zusammen mit Codds relationaler Datenbank von 1970 sollten Barcodes Supply Chains und ihre digitale Landschaft in den folgenden Jahrzehnten umgestalten. Aus diesem Zusammentreffen entstand das Bestandsmanagementsystem – ein früher Vorläufer moderner Unternehmenssoftware.

In Softwarekreisen bezeichnete „Management“ damals die Routineaufgaben unterer Führungsebenen. Das sogenannte „Managementsystem“ sollte den Manager vollständig ersetzen. Obwohl ihre Arbeit überwiegend aus Büroaufgaben bestand, gehörten diese Manager zu einer gebildeten Belegschaft, die sorgfältige und genaue Aufzeichnungen führen konnte. Zudem hatten diese Büroangestellten Positionen inne, deren Autorität und Ansehen das der Arbeiter übertrafen, die für die physische Bewegung der Güter verantwortlich waren.

Mit dem Aufkommen von Managementsystemen erkannten Softwareanbieter bald, dass Supply-Chain-Management zwei unterschiedliche Seiten hat: Buchführung und Entscheidungsfindung. Buchführung bedeutet, Bestandsmengen elektronisch zu verfolgen und routinemäßige Büroaufgaben zu erledigen. Entscheidungsfindung bedeutet, die für das Unternehmen optimalen Bestellungen und Bestandszuteilungen zu bestimmen. Anbieter wollten ursprünglich die Rolle des Managers automatisieren; bei der Buchführung gelang dies leicht, doch die Entscheidungsfindung erwies sich als weitaus komplexer – weit jenseits der Möglichkeiten der Hardware der 1970er-Jahre.

„Buchführung“ besaß jedoch nicht die Anziehungskraft von „Management“. Softwareanbieter wählten den besser vermarktbaren Begriff – selbst auf Kosten der Klarheit –, weil er das Bild ihrer Produkte aufwertete. In der Folge übernahm die Softwarebranche „Management“ weithin in Systembezeichnungen: WMS (Warehouse Management System), CRM (Customer Relationship Management), PLM (Product Lifecycle Management) usw.

Die Allgegenwart von „Management“ verwässerte schließlich das Ansehen des Titels „Manager“. In den 2020er-Jahren bedeutet „Manager“ häufig, nur sich selbst zu managen, etwa in den Rollen Project Manager, Office Manager oder Account Manager. Beschäftigte mit tatsächlicher hierarchischer Autorität profitieren dagegen gewöhnlich von spezifischeren Berufsbezeichnungen als „Manager“. Stattdessen erhalten sie etwa Titel wie „Lead“ oder „Leader“.

„Supply-Chain-Management“ bezeichnet somit die Tätigkeiten von Managern im traditionellen betrieblichen Sinn – Personen mit formaler Autorität. „Supply Chain“ ist dagegen weiter gefasst und bezeichnet sowohl die Praxis als auch das akademische Fachgebiet.

2.3 Von den 1980er-Jahren bis in die frühen 2000er-Jahre

In den 1980er-Jahren erweiterten Softwareanbieter ihren Tätigkeitsbereich über Bestände hinaus auf Aufträge, Zahlungen, Gehälter und mehr. Verteilte Software war für Anbieter noch nicht wirtschaftlich tragfähig. Wollte ein Unternehmen daher ein System zur Bestandsbuchführung und ein anderes zur Gehaltsbuchführung erwerben, galt die spätere Integration beider Systeme gewöhnlich als unpraktikabel. Anbieter bündelten die Funktionen deshalb in einem einzigen Großrechner-Monolithen.

Nach ihrem Ruhm in der Nachkriegszeit war die Logistik im Ansehen hinter Finanzwesen und Marketing zurückgefallen. Ein unverblümter Spruch, der damals in großen Konsumgüterunternehmen kursierte, fasste die geltende Rangordnung zusammen: „Kluge Leute gehen ins Marketing, zuverlässige in die Produktion und diejenigen, denen beide Eigenschaften fehlen, in die Logistik.“ Obwohl der Spruch deutlich von freundschaftlicher Rivalität zwischen betrieblichen Berufsgruppen geprägt war, traf er eine weitverbreitete Wahrnehmung des gesunkenen Status der Logistikfunktion.

Eine Erklärung dafür ist, dass Logistik bis in die 1980er-Jahre weitgehend empirisch blieb. Das ursprüngliche Versprechen von Operations Research, Logistik in eine moderne analytische Wissenschaft zu verwandeln, war verblasst. 1979 fasste Russell Ackoff, ein amerikanischer Pionier der betrieblichen Ära von Operations Research, die Lage in seinem Aufsatz The Future of Operational Research is Past zusammen:

Operations Research ist tot, auch wenn es noch nicht begraben wurde. Ich halte auch die Aussicht auf seine Wiederauferstehung für gering, weil die Gründe für seinen Untergang so wenig verstanden werden […] Das Leben von OR [Operations Research] war kurz. Es wurde hier in den späten 1930er-Jahren geboren. Bis Mitte der 60er-Jahre hatte es in akademischen und wissenschaftlichen Kreisen sowie im Management breite Anerkennung gefunden. Meiner Ansicht nach ging dieser Zugewinn mit einem Verlust seines Pioniergeists, seines Sendungsbewusstseins und seiner Innovationskraft einher. Überleben, Stabilität und Ansehen erhielten Vorrang vor Entwicklung, und sein Niedergang begann.

In den 1980er-Jahren stagnierte die Entscheidungsfindung, während die Buchführung florierte. Bis zum Ende des Jahrzehnts hatten viele Unternehmen ihre Transaktionsabläufe digitalisiert. Elektronische Aufzeichnungen ermöglichten neue Arten, den Betrieb zu überwachen; einfache Summen und Durchschnitte, fortlaufend neu berechnet, begannen die betriebliche Praxis umzugestalten.

Nach bescheidenen Anfängen im frühen 20. Jahrhundert wurden Beratungsfirmen bis zum frühen 21. Jahrhundert zu Unternehmensgiganten. Neben anderen Faktoren gab die Verbreitung elektronischer Aufzeichnungen in den 1980er-Jahren der Unternehmensberatung erheblichen Auftrieb.

Trotz der banalen Beobachtung, dass die einzige Beschäftigung von Beratern darin zu bestehen scheint, mit Tabellenkalkulationen und Folien zu ringen⁴, lautet die betriebliche Begründung, dass Berater Wirkung verkaufen. Diese elektronischen Aufzeichnungen schufen zahlreiche Möglichkeiten, verschiedenste Prozesse zu verbessern, ohne dafür besondere analytische Raffinesse aufbieten zu müssen.

Die dauerhafte Herausforderung der Beratung ist die Differenzierung. Da die Eintrittsbarrieren niedrig sind, ist es schwierig, ein Angebot aufrechtzuerhalten, das sich weiterhin vom Wettbewerb unterscheidet. Es überrascht daher kaum, dass es für Berater äußerst reizvoll ist, die Entwicklung der Unternehmenssprache zu beeinflussen. Ein inzwischen klassischer Schachzug besteht darin, alle paar Jahre neue Begriffe zu prägen – oder zumindest zu übernehmen –, um Angebot und Marke aufzufrischen. Die Autorität, die aus der vermeintlichen Verbindung mit einem neuen, modischen Schlagwort entsteht, schafft einen höchst begehrten Wettbewerbsvorteil, zumindest bis Wettbewerber ihn unweigerlich nachahmen.

Supply Chain Management (SCM) wurde 1982 vom britischen Logistiker Keith Oliver geprägt, der in die Beratung gewechselt war. Sales and Operations Planning (S&OP) wurde 1985 vom amerikanischen Softwareingenieur Richard Ling geprägt, der ebenfalls Berater geworden war. Beide Perspektiven kreisen um die Idee, die verschiedenen Unternehmensfunktionen durchgängig aufeinander abzustimmen. Beide Praktiken wären ohne die zunehmende Verfügbarkeit digitaler Unternehmensaufzeichnungen abstrakt geblieben.

Mit Unterstützung von Softwareanbietern verbreiteten sich die von Beratern propagierten Praktiken und verlangten neue Fähigkeiten. Logistikleiter wurden dafür verantwortlich, Zeitreihenprognosen zu erstellen und Servicegradparameter einzustellen, wie es die Sicherheitsbestandsformel veranschaulicht. Diese neuen, stärker analytischen Aufgaben bedeuteten einen erheblichen Wandel gegenüber traditionellen Logistikleitern. Diese waren vor allem Führungskräfte vor Ort, die große Teams von Lagerarbeitern und Lkw-Fahrern führen konnten – keineswegs eine Kleinigkeit.

In den 1990er-Jahren integrierten große Anbieter eine verwirrende Vielfalt von Buchführungsprozessen in Softwaremonolithen. Der Klarheit halber hätten diese Produkte ERM („Enterprise Resource Management“) heißen sollen; diese Bezeichnung setzte sich jedoch nie durch. Inzwischen hatte sich die Rechnerhardware so weit entwickelt, dass die Entscheidungsfindung nicht mehr als unlösbar galt. Unternehmenskunden erkannten bald, dass diese Werkzeuge trotz aller Behauptungen auf Buchführung beschränkt waren.

Dennoch begannen viele Anbieter, in die Entscheidungsaspekte der Supply Chain zu investieren, oder nahmen solche Investitionen wieder auf. Sie wollten Verwechslungen mit ihren auf Buchführung beschränkten Wettbewerbern vermeiden und differenzierten deshalb ihre Angebote. Aus diesem Grund prägten Anbieter mit Unterstützung von Marktanalysten den Begriff ERP (Enterprise Resource Planning). In der Unternehmenssoftware wurde „Planung“ zum Schlachtruf, der Entscheidungsfähigkeit signalisierte. Mit einem Gesamtplan, der dank verbesserter Rechnerhardware bis auf die feinste Ebene reicht, wird theoretisch tatsächlich jede Entscheidung zu einer bloßen Frage der büromäßigen Ausführung⁵. In der Praxis verbanden Planungsmodule Punktprognosen für Zeitreihen mit deterministischer Bestandsoptimierung. Ziel war eine technologische Lösung, die den Manager der unteren Führungsebene vollständig und auf einen Schlag ersetzen sollte, statt schrittweise.

Bald bezeichneten konkurrierende Anbieter ihre Produkte als ERPs, unabhängig davon, wie wenig Planung sie tatsächlich enthielten. Zugegeben: Unternehmensprodukte sind von Natur aus komplex, da sie eine große Bandbreite von Szenarien abdecken sollen; die Intransparenz betrifft häufig Kunden und sogar die Anbieter selbst. Dadurch hatten Anbieter erheblichen Spielraum bei der Auswahl jener Fähigkeiten, die sie in ihren Marketingunterlagen hervorheben wollten. Man könnte sogar argumentieren, dass eine einfache Absatzprognose mit gleitendem Durchschnitt als „Planung“ durchgeht und damit die Bezeichnung ERP rechtfertigt. Viele Anbieter machten sich diesen semantischen Taschenspielertrick zunutze.

Ab den 1990er-Jahren konzentrierten sich neue Anbieter ausschließlich auf die Entscheidungsfindung. Sie positionierten sich als analytische Schicht über der Transaktionsschicht der ERPs, die wohl besser ERMs geheißen hätten. Im Supply-Chain-Kontext ließen sich diese Anbieter grob in zwei Lager einteilen: das algorithmische und das forensische. Beide nutzten dieselben elektronischen Aufzeichnungen aus den bereits vorhandenen Unternehmenssystemen.

Das algorithmische Lager konzentrierte sich auf Verfahren zur Zeitreihenprognose sowie auf die Verfahren zur Bestandsoptimierung, die dem Planungsparadigma zugrunde liegen. Da ERPs Planung bereits für sich beanspruchten, war zusätzliche „Planung“ schwer zu vermarkten. Neue Anbieter prägten mit Hilfe von Analysten „Advanced Planning System“ (APS). Anders ausgedrückt: „Ja, Ihr ERP bietet bereits Planung, aber unsere ergänzende Lösung bietet fortgeschrittene Planung.“

Das forensische Lager konzentrierte sich auf betriebliche Berichte, die Managern helfen sollten, bessere Entscheidungen zu treffen. ERPs boten bereits „Business Reporting“. Softwareanbieter machten daher – erneut mit Unterstützung von Analysten – „Business Intelligence“ (BI) als Bezeichnung für diese Werkzeugklasse populär⁶. Technisch bedeuteten die mehrdimensionalen Würfel der BI eine bemerkenswerte Abkehr von Codds relationalem Modell zwei Jahrzehnte zuvor.

2.4 Gegenwärtige Entwicklungen

2025 sind die Nachfolger beider Lager – des algorithmischen und des forensischen – weiterhin aktiv. Im algorithmischen Lager wird Integrated Business Planning mit besonderem Nachdruck auf maschinelles Lernen beworben, das als überlegener Nachfolger älterer statistischer Verfahren angepriesen wird. Im forensischen Lager propagieren manche Konzepte wie „digitale Zwillinge der Supply Chain“ oder „Supply Chain Control Towers“, die der Unternehmensführung Erkenntnisse liefern sollen.

All dies zeigt, dass die kreative Neuetikettierung bestehender Produkte mit den neuesten Schlagwörtern – eine bis in die 1970er-Jahre zurückreichende Praxis – weiterhin verbreitet ist. Der Fall der „Planungsfunktionen“ war lediglich ein kleines Scharmützel in der Geschichte der Unternehmenssoftware. Rechnerhardware und Software haben sich in den vergangenen 70 Jahren mit beeindruckendem Tempo weiterentwickelt. Aufgrund der ständigen Hardwarefortschritte stellt technologische Veralterung heute wohl die größte Bedrohung für Anbieter von Unternehmenssoftware dar. Neuere Hardware macht einst Unmögliches machbar, verlangt aber in der Regel eine vollständige Neukonstruktion der Software, um ihre Fähigkeiten auszuschöpfen. Angesichts dieser Realität ist es wesentlich einfacher – und kostengünstiger –, das eigene Angebot neu zu etikettieren, als es vollständig neu zu konstruieren, um die jüngsten technologischen Entwicklungen umfassend zu nutzen.

Softwareanbieter stehen vor einem praktischen Beispiel des klassischen Gefangenendilemmas. Gemeinsam würden sie von ehrlicherer und transparenterer Kommunikation über ihre Produkte profitieren. Versprechen, die sich nicht einlösen lassen, führen unweigerlich zu kostspieligen Problemen für beide Seiten. Übertreibt ein Anbieter seine Behauptungen jedoch stärker als seine Wettbewerber, gewinnt er einen strategischen Marktvorteil, indem er seine Lösung für Kunden attraktiver erscheinen lässt. Zu viel zu versprechen und zu wenig zu liefern sind somit wenig überraschende Folgen der Dynamik von Unternehmenssoftware.

Die sprachliche Inflation erfasste bald das Organigramm selbst. Supply-Chain-Leiter tauchten in den frühen 2000er-Jahren auf – manchmal als bloße Umbenennung des bisherigen Logistikleiters, manchmal als neu geschaffene Rolle, die funktionsübergreifende Analytik vorantreiben sollte. In den 2020er-Jahren befassten sich Logistikleiter selten mit anspruchsvoller prädiktiver Analytik, während Supply-Chain-Leiter kaum das tägliche Lagergeschäft führten.

Obwohl fortgeschrittene Analytik – maschinelles Lernen und mathematische Optimierung – seit etwa drei Jahrzehnten verfügbar ist, bleibt ihre Anwendung in Supply-Chain-Abteilungen die Ausnahme; Tabellenkalkulationen dominieren weiterhin die Entscheidungsfindung.

Heute kümmert sich ein Logistiker um Lagerhaltung und Transport. Wird die Logistik ausgelagert, heißen die Anbieter „Third-Party Logistics Providers“ (3PLs); sie erhalten für jede Bestandsbewegung einen elektronischen Auftrag. Ironischerweise profitieren 3PLs von Ineffizienzen, obwohl die Logistik ursprünglich auf dem Prinzip beruhte, Ressourcen zur richtigen Zeit an den richtigen Ort zu bringen: Sie berechnen sowohl Bestandsbewegungen als auch Lagerdauer. Je mehr Bewegungen und je länger die Lagerzeiten, desto höher sind folglich die Einnahmen des Logistikers.

2.5 Öffentliche Wahrnehmung

Im vergangenen Jahrzehnt ist „Supply Chain“ in den allgemeinen Medien immer gebräuchlicher geworden. In der Berichterstattung bezeichnet eine „Supply Chain“ ein Netzwerk spezialisierter Unternehmen, die – manchmal sehr eng – zusammenarbeiten, um anspruchsvolle Produkte wie Halbleiter oder Automobile bereitzustellen. Nachrichten über eine „Supply Chain“ gehen typischerweise von negativen Ereignissen aus, etwa einem verheerenden Hafenbrand. Diese betreffen nicht nur ein einzelnes Unternehmen, sondern wirken sich auf ein Netzwerk voneinander abhängiger Unternehmen aus und verstärken dadurch die ursprünglichen Folgen.

Journalisten fragen häufig, was getan werden sollte, um solche Probleme künftig zu verhindern. Diese berechtigte Perspektive übersieht jedoch, dass es keine zentrale Instanz gibt, die solche „Supply Chains“ steuert. In diesem Kontext besteht eine Supply Chain tatsächlich aus zahlreichen unkoordinierten Unternehmen. Zudem würde die Einführung einer solchen Instanz – etwa durch staatliche Eingriffe – die Lage wahrscheinlich verschlechtern, da ihr die nötigen Informationen für eine wirksame Ressourcenallokation fehlten. Wie Friedrich Hayek in The Use of Knowledge in Society (1945) feststellte, ist relevantes Wissen unter unzähligen Menschen in unterschiedlichen Unternehmen weit verstreut. Keine einzelne Instanz kann diese dezentralen Informationen jemals vollständig nutzen, und jeder Versuch, einen „Kapitän“ einzusetzen, führt unweigerlich zur Fehlallokation von Ressourcen.

Solche berichtenswerten Ausfälle sind emergente Eigenschaften der wirtschaftlichen Arbeitsteilung. Jede Arbeitsteilung bringt eine inhärente Fragilität mit sich: Gerät ein hoch spezialisiertes Segment ins Stocken, breiten sich die Auswirkungen in der gesamten Wirtschaft aus. Die einzige Alternative zu dieser Fragilität besteht darin, auf Arbeitsteilung zu verzichten – ein unvernünftiger Vorschlag. Er würde die Kosten der täglich verbrauchten physischen Güter, von Toilettenpapierrollen bis hin zu Smartphones, dramatisch erhöhen. Die enormen Vorteile der Arbeitsteilung sind seit Jahrhunderten gut verstanden; ihre erste Formalisierung geht auf David Ricardo und sein Gesetz des komparativen Vorteils im 19. Jahrhundert zurück.

Arbeitsteilung kennzeichnet jedoch auch Märkte: Menschen handeln gerade deshalb miteinander, weil Spezialisierung beiden Seiten nützt. Die von den Medien beobachteten „Supply Chains“ sind lediglich Gruppen eng voneinander abhängiger Unternehmen, die aufgrund der Wettbewerbsvorteile ihrer jeweiligen Spezialisierung entstehen.

Supply Chains werden auch mit Outsourcing gleichgesetzt, das als „Diebstahl“ von Arbeitsplätzen im wohlhabenderen Westonia zugunsten des ärmeren Ruritania wahrgenommen wird. Unter modernen Bedingungen ist der Zugang zu billigen Arbeitskräften in Übersee jedoch selten mehr als ein nachrangiges Anliegen. Ginge es bei Supply Chains ausschließlich um die billigsten Arbeitskräfte, wäre Afrika ein bevorzugter Supply-Chain-Partner fortgeschrittener Nationen. Doch das Gegenteil ist der Fall: Fortgeschrittene Nationen handeln vor allem untereinander. Die am wenigsten entwickelten Länder – häufig mit den billigsten Arbeitskräften – sind im Welthandel weitgehend abwesend.

In der Praxis überwiegen Infrastruktur, Technologie und Kapitalbedarf gewöhnlich reine Arbeitskostenüberlegungen. Beispielsweise senkte der Containerisierungsboom der 1950er- und 60er-Jahre die Seefrachtkosten drastisch, erforderte aber auch massive Hafenmodernisierungen. Diese konnten sich nur Länder mit umfangreichen Kapitalinvestitionen und stabilen regulatorischen Rahmenbedingungen leisten. In jüngerer Zeit erfordert hochwertige Elektronik fortschrittliche Robotik, strenge Qualitätsstandards, eine zuverlässige Stromversorgung und spezialisierte Ingenieure – Komplexitäten, neben denen der Vorteil geringfügig niedrigerer Löhne verblasst. Länder mit leistungsfähigen Logistiknetzen, verlässlichen Rechtssystemen und einer kritischen Masse an technischem Know-how profitieren deshalb von großen Handelsvolumina mit ähnlich entwickelten Nationen, während Regionen ohne diese Voraussetzungen von den Möglichkeiten moderner Supply Chains häufig weitgehend abgeschnitten bleiben.

2.6 Ausblick

Die Supply-Chain-Terminologie bleibt im Fluss, und Anbieter sind aktiver denn je. Einige Beratungen werben für die „agile“, „dynamische“ und „ganzheitliche“ Supply Chain sowie für „Supply-Chain-Design“. Manche verzichten ganz auf den Zusatz „Supply Chain“, etwa bei Flowcasting oder Demand Driven Material Requirements Planning (DDMRP). Alle diese Paradigmen befassen sich mit ähnlichen Problemen, obwohl sich ihre Methoden und Verfahren erheblich unterscheiden.

Da in den vergangenen 70 Jahren über eine Million wissenschaftliche Aufsätze und mehr als zehntausend Bücher veröffentlicht wurden, gilt das Gebiet „Supply Chain“ allgemein als ausgereift. Dennoch verlassen sich Unternehmen weiterhin auf Heuristiken in Tabellenkalkulationen, die den gängigen Supply-Chain-Theorien wenig ähneln.

Man könnte den Praktikern Unkenntnis der umfangreichen Literatur vorwerfen; dieser Vorwurf ist kaum haltbar. Die meisten großen, international tätigen Unternehmen stehen unter scharfem Wettbewerbsdruck. Angesichts dessen, wie wenig sich die vorherrschende Theorie im letzten halben Jahrhundert entwickelt hat, ist die Behauptung anhaltender Unkenntnis auf Unternehmensseite schwer glaubhaft.

Eine einfachere These lautet, dass die vorherrschende Theorie unzulänglich ist: Die Praxis weicht ab, weil die Theorie fehlerhaft ist und die erwarteten Gewinne ausbleiben. Anders gesagt verharrt Supply Chain trotz ihrer umfangreichen Literatur in einem vorwissenschaftlichen Stadium, in dem Wissen keine konsistenten und vorhersehbaren Ergebnisse hervorbringt.

Über siebzig Jahre hinweg machten die Buchführungsschichten gewaltige Fortschritte – Barcode-Scans, Echtzeitdatenbanken, Buchführung in der Cloud. Doch die Regeln, die entscheiden, was gekauft, hergestellt, bewegt oder bevorratet werden soll, ähneln noch immer den Lehrbüchern aus der Mitte des Jahrhunderts. Auf der Transaktionsseite war der Fortschritt spektakulär; auf der Entscheidungsseite ist er zum Stillstand gekommen. Die Ursache ist nicht technischer, sondern erkenntnistheoretischer Art: Dem Fachgebiet fehlt ein belastbarer Weg, dauerhafte Einsicht von modischer Doktrin zu unterscheiden.

Diese Kluft zu erklären – und letztlich zu schließen – erfordert eine Pause in der historischen Erzählung. Das nächste Kapitel wechselt deshalb von der Chronologie zur Erkenntnistheorie. Bevor wir Abhilfen vorschlagen, untersuchen wir, wie Behauptungen entstehen, wer von welchen Erzählungen profitiert und welche Prüfungen Ideen bestehen müssen, bevor sie auch nur eine einzelne Palette steuern dürfen. Erst wenn diese Maßstäbe ausdrücklich feststehen, kann der seit fünf Jahrzehnten unterbrochene Fortschritt in der Entscheidungsfindung ernsthaft wieder einsetzen.

3 Erkenntnistheorie

Eine Supply Chain zu verbessern beginnt damit, das Wissen zu verbessern, das sie steuert. Dieses Kapitel wechselt deshalb von den Mechanismen der Güterbewegung zu der erkenntnistheoretischen Frage, die jeder Empfehlung vorausgeht: Wie entscheiden wir, ob eine Idee über Supply Chain es verdient, geglaubt, finanziert und umgesetzt zu werden? Diese Frage zu beantworten ist keine müßige Philosophie. Es ist der einzige Schutz vor modischen Doktrinen, Hochglanzfolien und „bewährten“ Algorithmen, die routinemäßig Budgets verschlingen, ohne die Leistung zu verbessern.

Supply-Chain-Wissen ist ungewöhnlich fehleranfällig. Unsicherheit verwischt die Rückkopplung zwischen Entscheidung und Ergebnis; Anreize belohnen selbstsicheres Geschichtenerzählen stärker als sorgfältige Prüfung; und allein die physischen Zeitverzögerungen globaler Güterflüsse machen kontrollierte Experimente selten. Deshalb beherrschen Tabellenkalkulationen weiterhin die tägliche Praxis, während Fachzeitschriften und Bücher von Theorien überquellen, die – auf dem Papier – Überlegenheit beanspruchen. Die Spannung ist erkenntnistheoretischer, nicht technischer Art: Uns fehlt eine belastbare Methode, dauerhafte Einsicht von kurzlebigem Hype zu trennen.

Dieses Kapitel verfolgt deshalb drei Ziele:

1. Einordnung. Wir verorten Supply Chain auf der Landkarte des Wissens – als angewandten Zweig der Ökonomie – und zeigen, warum ihre Verwechslung mit Mathematik, Soziologie oder bloßer Datenerfassung systematisch zum Scheitern führt.

2. Validierung. Wir untersuchen, was in einem Gebiet als Beleg zählt, in dem randomisierte Versuche selten sind, kontrafaktische Verläufe dominieren und Erfolg am Gewinn statt an Eleganz oder Konsens gemessen wird.

3. Korruption. Wir analysieren, wie Akteure – Wissenschaftler, Berater, Softwareanbieter – trotz guter Absichten den Wissensfluss unbewusst verzerren, und skizzieren Schutzmaßnahmen, die seine Integrität trotz widerstreitender Anreize erhalten.

In diesem gesamten Buch bezeichnet der Singular „Supply Chain“ die Disziplin, während sich der Plural „Supply Chains“ auf die konkreten, von Unternehmen betriebenen Güterflüsse bezieht. Aufgabe der Disziplin ist es, jede konkrete Supply Chain – keinen idealisierten Archetyp – mit Entscheidungen auszustatten, die unter Unsicherheit den langfristigen Gewinn erhöhen. Den Begriff dagegen auf ganze Märkte auszudehnen führt in die allgemeine Ökonomie und verwischt den hier gewählten praktischen Blickwinkel.

Am Ende dieses Kapitels wird der Leser einen Maßstab besitzen, um jede folgende Behauptung zu beurteilen – ob algorithmisch, organisatorisch oder technologisch: Verteilt diese Idee knappe Ressourcen rentabler, wenn Variabilität und widerstreitende Anreize berücksichtigt werden? Diesen Maßstab festzulegen ist die Voraussetzung für die anschließenden Analysen.

3.1 Ökonomie

Supply Chain muss als angewandter Zweig der Ökonomie verstanden werden, nicht als eigenständige Disziplin. Diese Hierarchie zu übersehen ist vielleicht der häufigste – und schwerwiegendste – erkenntnistheoretische Fehler in der Literatur. Dieser eine Fehler erklärt zu einem großen Teil, warum sich das gängige Supply-Chain-Wissen in der Praxis als unfruchtbar erweist.

Leider wird auch die Ökonomie selbst häufig missverstanden, obwohl ihre Kerngedanken recht einfach sind. Der britische Ökonom Lionel Robbins formulierte die gewöhnlich als klassisch angesehene Definition der Ökonomie:

Robbins’ Satz ist dichter, als er zunächst erscheint; jedes Wort hat Gewicht. Ressourcen umfassen weit mehr als Bargeld. Fertigungsstunden, Palettenstellplätze, Lkw-Kapazität, die Aufmerksamkeit von Führungskräften und sogar das Wohlwollen eines Lieferanten gehören dazu. Alles, was eingesetzt werden kann, um ein Bedürfnis zu befriedigen – oder zurückgehalten werden kann, um ein anderes zu befriedigen –, geht in die Rechnung des Ökonomen ein.

Knappheit ist die universelle Beschränkung. In jeder Gesellschaft übersteigen die Wünsche die Mittel: ob auf einem mittelalterlichen Gut mit zu wenig Ackerland, in einer durch Stahlquoten begrenzten Planwirtschaft oder in einem risikokapitalfinanzierten Start-up im Wettlauf mit seinem Geldverbrauch. Knappheit ist keine Eigenart des Kapitalismus; sie gehört zum Menschsein.

Alternative Verwendungsmöglichkeiten bringen die Härte der Opportunitätskosten zum Ausdruck. Eine Tonne Kupfer, die zu Stromkabeln gewalzt wird, kann nicht zugleich zu Patronenhülsen gestanzt werden. Eine Stunde Aufmerksamkeit, die ein Planer darauf verwendet, einer verspäteten Sendung nachzugehen, kann nicht das Sortiment der nächsten Saison verfeinern. Jede Zuteilung schließt ihre Alternativen aus, und der entgangene Nutzen ist der verborgene Preis jeder Wahl.

Weil diese drei Elemente – Ressourcen, Knappheit und alternative Verwendungsmöglichkeiten – im Feudalismus, Sozialismus und Kapitalismus gleichermaßen bestehen, bleibt die Ökonomie unabhängig von der Gesellschaftsordnung gültig. Die Mechanismen, die Knappheit auflösen, unterscheiden sich – Preise, Warteschlangen, Erlasse –, nicht jedoch die zugrunde liegende Abwägung. Supply-Chain-Praxis muss daher auf einem ökonomischen Fundament ruhen, unabhängig davon, wem das Unternehmen gehört oder wie Märkte organisiert sind.

Stellt man dies unserer Definition von Supply Chain gegenüber, wird der Zusammenhang deutlich:

Supply Chain ist die Beherrschung der Optionalität angesichts von Variabilität bei der Steuerung des Flusses physischer Güter.

Im Umgang mit Knappheit verläuft Supply Chain grundsätzlich parallel zur Ökonomie. „Optionalität“ bezeichnet hier die alternativen Verwendungsmöglichkeiten, die das Unternehmen zunächst entwickeln und dann nutzen muss. Jede Supply-Chain-Entscheidung verwendet eine knappe Ressource mit alternativen Einsatzmöglichkeiten. Jeder gekaufte Artikel konkurriert mit allen anderen möglichen Käufen, und jeder hergestellte Artikel mit Alternativen, die dieselben Materialien hätten nutzen können. Ebenso konkurriert jeder Standort, der eine zusätzliche Versandeinheit erhält, mit allen anderen Standorten um genau diesen Artikel aus dem Lager.

Kurz gesagt wäre Supply Chain von Ökonomie nicht zu unterscheiden, wenn wir uns allein auf die Zuteilung knapper Ressourcen konzentrierten. Sie unterscheidet sich jedoch in mehreren wichtigen Punkten von ihr. Erstens bezeichnet „Beherrschung“ die gewinnorientierte Haltung von Unternehmen. Supply Chain ist eine angewandte Wissenschaft; anders als das breitere Feld der Ökonomie will sie präskriptiv und nicht bloß deskriptiv sein. Die Ökonomie erklärt zwar, warum manche Menschen wohlhabender sind als andere, beansprucht aber nicht, Menschen unmittelbar zu größerem Wohlstand zu führen – außer indirekt durch ein besseres Verständnis der Marktmechanismen.

Zudem beschränkt sich der Gegenstandsbereich der Supply Chain auf den Fluss physischer Güter – einen kleinen Teilbereich der Ökonomie. Fragen des geistigen Eigentums etwa – Patente und Urheberrechte, die Produktionsentscheidungen prägen – gehören zur Ökonomie, außer dort, wo sie die Produktion trotz ausreichender physischer Ressourcen einschränken.

Durch das Element der Variabilität verengt sich der Gegenstandsbereich weiter; ohne Variabilität wäre eine Frage kein Supply-Chain-Thema mehr. Betrachten wir beispielsweise einen Lagerprozess, der sich nahezu perfekt automatisieren lässt und dadurch eine strikte Obergrenze für die Zeit zum Kommissionieren und Verpacken festlegt – vorausgesetzt, die Ankunftsrate bleibt unter einem Schwellenwert. In solchen Fällen nimmt Supply Chain die Automatisierung als gegeben hin, ohne die wirtschaftlichen Entscheidungen zu hinterfragen, die sie ermöglicht haben.

Supply Chain richtig einzuordnen ist entscheidend, weil man sich der Disziplin regelmäßig aus fehlgeleiteten Blickwinkeln nähert – steriler Mathematik, büromäßiger Buchführung oder Managementplattitüden –, während ihr eigentliches Fundament die Ökonomie ist und immer war.

Entgegen der verbreiteten Ansicht ist die Ökonomie keineswegs eine „trostlose Wissenschaft“. Zugegeben: Die numerische Gewissheit der meisten Naturwissenschaften kann sie nicht erreichen; der freie Wille der Beteiligten schließt dies aus. Gleichwohl können viele ökonomische Prinzipien als so gut gesichert gelten, wie es bei einer wissenschaftlichen Theorie überhaupt möglich ist.

Betrachten wir den gut dokumentierten Fall von Mietobergrenzen. Deckelt eine Regierung Mieten unterhalb des markträumenden Niveaus, folgen mehrere vorhersehbare Ergebnisse. Eigentümer verlieren den Anreiz, bestehende Wohnungen instand zu halten oder zu verbessern, da sie diese Kosten nicht durch höhere Mieten zurückgewinnen können. Bauträger werden zurückhaltender, und langfristige Engpässe entstehen. Diese verlängern Wartelisten, verringern die Auswahl und verschlechtern die Wohnqualität. Solche Wirkungen werden in unterschiedlichen Städten und Epochen immer wieder beobachtet. Sie zeigen, wie bemerkenswert beständig ökonomische Prinzipien trotz kultureller und zeitlicher Unterschiede bleiben.

Ein nahezu identischer Mechanismus zeigt sich innerhalb einzelner Unternehmen, sobald ein Produkt unter seinem markträumenden Preis verkauft wird. Stellen wir uns einen Unterhaltungselektronikhersteller vor, der eine neue Konsole bewusst zu einem Preis von 20 % unter dem markträumenden Niveau auf den Markt bringt, in der Hoffnung, „den Kunden zu begeistern“. Die Nachfrage überfordert sofort die kurzfristige Produktionskapazität. Der Einzelhandel ist leergekauft, Wartelisten entstehen, und – besonders aufschlussreich – Zwischenhändler auf dem grauen Markt (Scalper) kaufen die knappen Konsolen zum Listenpreis, nur um sie online zum tatsächlichen Marktpreis weiterzuverkaufen. Die Marge, auf die das Unternehmen freiwillig verzichtet, fällt vollständig diesen Zwischenhändlern zu, während Endkunden weiterhin den höheren Betrag zahlen. Das Unternehmen gibt Einnahmen auf, verärgert treue Kunden und schadet seiner Marke, indem es unorganisiert wirkt.

Kann das Unternehmen seine Produktion nicht schnell genug steigern, um den unerwarteten Anstieg zu bedienen, besteht die wirtschaftlich vernünftige Abhilfe darin, die selbst auferlegte Preisobergrenze aufzuheben und die Preise so lange steigen zu lassen, bis die Nachfrage der Kapazität entspricht.⁷ Jede andere Regelung subventioniert lediglich ein Ökosystem von Arbitrageuren, deren einziger Beitrag darin besteht, die Differenz zwischen dem begrenzten Preis und dem tatsächlichen markträumenden Preis einzustreichen.

Den Gesetzen der Ökonomie lässt sich ebenso wenig entgehen wie denen des Elektromagnetismus. Wer Supply Chain nicht als angewandte Ökonomie einordnet, erhält bestenfalls Theorien und Praktiken, die Praktiker zu Recht ignorieren, und schlimmstenfalls Entscheidungen, die Unternehmen schaden.

3.2 Mathematik

In akademischen Kreisen ist es ein verbreiteter Fehler, Supply Chain als Zweig der Mathematik zu betrachten. Das Buch Fundamentals of Supply Chain Theory (2019) von Snyder und Shen ist ein klassischer Vertreter dieses Irrwegs. Trotz über einer Million veröffentlichter Aufsätze⁸ hat die akademische Supply-Chain-Literatur in den vergangenen sieben Jahrzehnten wenig zur realen Praxis beigetragen. Supply Chains werden mit wenigen Ausnahmen weiterhin von Tabellenkalkulationen gesteuert. Ein Unternehmen erzielt eher einen Gewinn durch den Kauf von Lotterielosen als durch die Einführung irgendeines „nachweislich optimalen“ Verfahrens zur Bestandsoptimierung. Dennoch scheinen Tausende von Forschern diesem Ansatz ihre Laufbahn gewidmet zu haben. Es ist erstaunlich, dass die Fachgemeinschaft so lange in einem derart gewaltigen Irrtum verharrt hat.

Wird Supply Chain als Zweig der Mathematik behandelt, reduziert man sie auf eine Reihe mathematischer Knobelaufgaben. Das Zeitungsverkäufermodell – bei dem ein Zeitungsverkäufer unter unsicherer Nachfrage entscheidet, wie viele Exemplare er bevorraten soll, wobei unverkaufte Exemplare wertlos werden – ist eines der ältesten und bekanntesten Beispiele. Ein weiteres klassisches Beispiel ist die wirtschaftliche Bestellmenge, definiert als jene Bestellmenge, die bei konstanter künftiger Nachfrage die gesamten Lagerhaltungs- und Bestellkosten minimiert. Zur Lösung dieser Aufgaben dienen gewöhnlich analytische Methoden, Wahrscheinlichkeitstheorie oder Algorithmen.

In diesem Paradigma beginnt die Supply-Chain-Aufgabe mit einer formalen Beschreibung des physischen Güterflusses: Produkte, Standorte, Gleichungen für Nachfrage und Lieferzeiten sowie Beschränkungen. Aus dieser Formalisierung leiten die Autoren eine mathematische Lösung ab, idealerweise mit beweisbaren Eigenschaften, mindestens aber eine anhand – oft synthetischer – Daten validierte Heuristik.

Innere Widerspruchsfreiheit genügt nicht; entscheidend ist, ob der Ansatz den Kontakt mit der Realität übersteht. Es kommt darauf an, ob ein numerisches Rezept dem Kontakt mit Lastwagen, Lieferzeiten und Kunden standhält. Das von uns gewählte Kriterium – und seine Folgen für dieses Buch – wird nachfolgend unter Falsifizierbarkeit erläutert.

Klar gesagt: Eine Theorie, die nur überlebt, weil sie sich der Realität nicht aussetzt, sagt uns nichts darüber, wie Lastwagen fahren, wie Kunden kaufen oder wie Paletten warten. Innere Widerspruchsfreiheit garantiert Richtigkeit nur innerhalb der durch die Annahmen errichteten Mauern. Sobald diese Mauern auf die erste Aktionsspitze oder die erste Zollverzögerung treffen, wird aus der „optimalen“ Entscheidungsregel wieder eine nicht überprüfbare Vermutung.

Als Zweig der Mathematik behandelt, bleiben Supply-Chain-Aufgaben von realen Bedingungen losgelöst. Unter einigen Annahmen – stationäre Nachfrage, konstante Lieferzeit, unverderbliche Güter usw. – lässt sich beispielsweise eine Wiederauffüllungsregel als optimal beweisen. Keine reale Supply Chain kann einem solchen Ergebnis widersprechen: Es ist unmöglich, ein Experiment zu entwerfen, das es infrage stellt. Die Lösung beruht ausschließlich auf der inneren Widerspruchsfreiheit, die sich aus den Annahmen des Problems ergibt.

Verfechter dieses Ansatzes würden zweifellos einwenden, die Aufgaben seien nicht zufällig ausgewählt worden. Im Gegenteil: Man habe sie sorgfältig so gestaltet, dass sie die Herausforderungen realer Supply Chains genau abbilden. Zudem berufen sich viele Aufsätze auf Datensätze „aus der Praxis“ und berichten von strengen Tests anhand dieser Daten.

Die Praxis widerlegt diese Behauptung jedoch klar und nachdrücklich. Unternehmen setzen diese vermeintlich „optimalen“ Methoden weder zur Steuerung ihrer Supply Chains ein, noch übernehmen sie irgendeine ihrer Varianten, nicht einmal als Inspirationsquelle. Wären diese Algorithmen tatsächlich wertvoll, würde die Fachgemeinschaft ähnliche Umbrüche erleben wie die Softwarewelt, in der überlegene Verfahren – Transaktionsdatenbanken, Cloud Computing, Deep Learning – rasch übernommen werden.

Auch die Behauptung, Unternehmen kennten diese „modernen“ Supply-Chain-Methoden nicht, hält einer Prüfung nicht stand. Seit den späten 1970er-Jahren haben Anbieter von Unternehmenssoftware Tausende solcher Methoden in ihre Produkte eingebaut. Doch sie werden ausnahmslos verworfen, während Supply-Chain-Praktiker rasch zu ihren Tabellenkalkulationen zurückkehren.

Nach Ockhams Rasiermesser lautet die einfachste Erklärung: Diese mathematisch sauberen „Knobelaufgaben“ erzeugen keine wiederholbaren, gewinnrelevanten Verbesserungen, sobald sie mit dem Durcheinander des Tagesgeschäfts konfrontiert werden. Weil sie weder die Gesamtkosten senken noch die Servicegrade in einem Ausmaß erhöhen, das ihren Einführungsaufwand aufwiegt, legen Praktiker sie völlig vernünftigerweise beiseite und kehren zu Werkzeugen zurück – selbst zu Tabellenkalkulationen –, die sich bewährt haben.

Schließlich könnte ein großer Teil des scheinbaren „Fortschritts“ in diesem Zweig der Mathematik bloße Illusion sein. Forschung ist ebenso anfällig für Moden wie jeder andere Wissenszweig. In den 1960er-Jahren waren explizite analytische Lösungen für Supply-Chain-Aufgaben in Mode, in den 1990er-Jahren gewannen parametrische Zeitreihenmodelle an Popularität, und in den 2020er-Jahren liegen Monte-Carlo-Simulatoren im Trend. Autoren, die sich auf aktuelle wissenschaftliche Moden konzentrieren, tragen nicht zwangsläufig zu echtem Fortschritt – oder dessen Ausbleiben – auf diesem Gebiet bei. Zugleich werden frühere Strömungen als „veraltet“ abgestempelt, unabhängig davon, was die betreffenden Aufsätze möglicherweise zu realen Supply Chains beigetragen haben.

3.2.1 Falsifizierbarkeit

Nachdem feststeht, dass die mathematische Haltung allein keine Supply Chain steuern kann, brauchen wir ein positives Kriterium, um Wissen, das eine Palette steuern darf, von ungeeignetem Wissen zu unterscheiden.

Eine entscheidende Perspektive auf komplexe Theorien entstand in der ersten Hälfte des 20. Jahrhunderts mit den Arbeiten Karl Poppers⁹. In seinem lebenslangen Versuch, Wissenschaft zu charakterisieren, führte Popper das Kriterium der empirischen Falsifikation ein. Es ist für dieses Buch zentral. Eine Begebenheit aus seinem Leben beleuchtet dieses Kriterium.

Im ersten Kapitel seines Buchs „Conjectures and Refutations“ (1963) erklärt Popper, wie seine Jugenderfahrungen in Wien um 1919 seine Vorstellung von Falsifizierbarkeit als Kennzeichen der Wissenschaft prägten. Er stellt fest, dass Einsteins Relativitätstheorie kühne Vorhersagen machte – und damit riskierte, durch Beobachtungen widerlegt zu werden –, während der Marxismus und auch die Freudsche Psychoanalyse bei jedem Auftauchen widersprechender Belege durch Ad-hoc-Erklärungen immer wieder „gerettet“ wurden. Physiker, die Einsteins Theorie prüften, begrüßten die Möglichkeit einer Falsifikation und suchten sie sogar gezielt. Sie nutzten Beobachtungen, etwa die Ablenkung des Sternenlichts an der Sonne während einer Sonnenfinsternis, um zu prüfen, ob die Theorie standhielt. Physiker suchten die größtmögliche Konfrontation mit der Realität und verfolgten jene Ansätze, die eine Theorie am ehesten zerlegen konnten.

Marxisten dagegen „immunisierten“ ihre Doktrin gegen Widerlegung, indem sie Ereignisse so umdeuteten, dass sie zur Theorie passten. Die marxistische Theorie sagte beispielsweise voraus, die proletarische Revolution werde zuerst dort stattfinden, wo es die meisten Fabrikarbeiter gab, also in Großbritannien. Doch die Revolution ereignete sich 1917 im zaristischen Russland, einem der am wenigsten industrialisierten Länder Europas. Statt die Theorie als widerlegt zu verwerfen, änderten Marxisten ihre Auslegung, um zu erklären, warum die Revolution zuerst im am wenigsten industrialisierten Land stattfinden würde.

Offensichtlich vertraten die Physiker die richtige intellektuelle Haltung. Aus dieser Haltung sollten schließlich zwei Monumente unseres heutigen Verständnisses des Universums hervorgehen: die allgemeine Relativitätstheorie und die Quantenphysik. Zwei Theorien, die sich als außerordentlich fähig erwiesen, Vorhersagen von empirischer Bedeutung zu machen. Die marxistische Theorie wurde dagegen immer wieder von Dutzenden Ländern widerlegt, die von dieser Doktrin inspirierte Reformen umsetzten und damit trostlose wirtschaftliche Ergebnisse erzielten, zur Verblüffung ihrer marxistischen Ökonomen¹⁰.

Diese Beobachtungen führten Popper dazu, die Falsifizierbarkeit zu formulieren. Sie verdeutlicht die radikale Asymmetrie zwischen Wahrheit und Falschheit in der Wissenschaft. Keine Theorie lässt sich jemals als wahr beweisen; sie lässt sich nur widerlegen. Um eine Theorie – etwa die allgemeine Relativitätstheorie – vollständig zu beweisen, müsste man tatsächlich überprüfen, dass jeder Himmelskörper überall und jederzeit den von ihr formulierten Gesetzen folgt. Das ist offensichtlich vollkommen unmöglich. Bestenfalls können wir eine lange Reihe von Messungen sammeln, die mit der Theorie übereinstimmen. Darüber hinaus können wir ihre Gültigkeit nur auf den Rest des Universums extrapolieren. Das Gegenteil ist jedoch viel leichter erreichbar: Ein einziges Paar von Himmelskörpern¹¹, das der Theorie widerspricht, genügt, um zu beweisen, dass sie falsch ist.

Bestenfalls können wir also lediglich versuchen, eine Theorie zu widerlegen. Damit ein solcher Versuch überhaupt stattfinden kann, muss sie sich jedoch einem empirischen Validierungsprozess aussetzen, der prinzipiell scheitern könnte. Popper bezeichnete solche Theorien als falsifizierbar. Daraus folgt: Je länger eine Theorie unerbittlichen experimentellen Angriffen standhält, desto mehr Vertrauen verdient sie. Eine nicht falsifizierbare Theorie lässt sich dagegen nicht widerlegen; solche Theorien gehören nicht zum wissenschaftlichen Wissen. Falsifizierbarkeit ist heute weithin als einer der zentralen Grundsätze der Wissenschaft anerkannt.

Zurück zur Supply Chain: Falsifizierbarkeit zeigt, was an der rein mathematischen Haltung falsch ist. Sie ist gegen Widerlegung immun. Sie gehört zur angewandten Mathematik, nicht zu den Naturwissenschaften. Daher ist die Richtigkeit der aus dieser Perspektive abgeleiteten numerischen Rezepte oberflächlich. Sie spiegelt lediglich die Übereinstimmung mit einem anfänglichen Bündel von Annahmen wider. Diese Rezepte hängen vollständig von der Richtigkeit ihrer Prämissen ab und bleiben darüber hinaus auch gegenüber noch alltäglicheren Problemen ungeschützt.

Falsifizierbarkeit ist wichtig, weil Supply Chain nach Gewinn beurteilt wird, nicht nach Eleganz. Eine Empfehlung, die sich nicht als falsch erweisen lässt, wenn Regale leer bleiben oder Bestände anschwellen, ist keine betriebliche Wissenschaft, sondern mathematisches Geschichtenerzählen. Mathematische Strenge ist unverzichtbar, sofern sich ihre Prämissen empirisch infrage stellen lassen.

3.2.2 Die Anreize der akademischen Welt

Bevor wir konkrete Beispiele für die überzogenen Annahmen untersuchen, die diese Modelle lähmen, müssen wir fragen, warum die akademische Welt sie weiterhin verficht. Die Antwort liegt in den Anreizen, die wissenschaftliche Laufbahnen prägen: Fachzeitschriften belohnen Neuartigkeit und formale Eleganz, nicht betriebliche Wirkung. Deshalb wendet sich die Forschung ganz von selbst Aufgaben zu, die sich veröffentlichen lassen, statt solchen, die sich praktisch bewähren.

In The Future of Operational Research is Past (1979) benennt Russell Ackoff eine Reihe von Problemen, die sein Fachgebiet untergraben. In heutigen Begriffen ist „Operational Research“ gleichbedeutend mit „Supply Chain“, und Ackoffs Kritik bleibt heute uneingeschränkt relevant. Zu diesen Problemen gehören:

1. Erfundene Probleme zu lösen;

2. Das Ziel als selbstverständlich vorauszusetzen;

3. Systemeigenschaften zu ignorieren;

4. Anzunehmen, die Zukunft sei erkennbar;

5. Nach innen gerichtet zu sein, und das zunehmend;

6. Rationalismus, der für Vernunft gehalten wird.

Mehr als vier Jahrzehnte später mag es erstaunlich erscheinen, dass die akademische Welt diese grundlegenden Probleme weiterhin übersieht, insbesondere angesichts von Ackoffs großem Ansehen. Betrachtet man jedoch die Anreize, überrascht dieses Verhalten weniger.

Wissenschaftler werden vor allem entlang zweier eng miteinander verknüpfter Achsen beurteilt. Zuerst kommt die Zahl der verfassten Aufsätze und deren Wirkung innerhalb der wissenschaftlichen Echokammer – wobei Wirkung hier kaum mehr bedeutet als die Häufigkeit, mit der andere Aufsätze sie zitieren. Ob die zitierte Idee jemals eine Beschaffungsrechnung senkt, eine Lieferzeit verkürzt oder einen Fehlbestand verhindert, geht in diese Kennzahl nicht ein.

Die zweite Achse ist die Lehrleistung. In der Praxis reduziert sie sich darauf, wie gut der Dozent dasselbe zitierungsorientierte Material an die nächste Generation angehender Wissenschaftler vermitteln kann. Dieser doppelte Maßstab erzeugt einen selbstbezüglichen Kreislauf. Intellektuelle werden allein danach beurteilt, wie gut sie andere Intellektuelle überzeugen. Lehrstellen werden von jenen besetzt und Lehrpläne von jenen geschrieben, die die Kunst, Fachkollegen zu überzeugen, bereits beherrschen. Empirische Wirksamkeit – die Fähigkeit einer Idee, den Kontakt mit Gabelstaplern, Zöllen oder Kunden zu überstehen – geht nie in die Rechnung ein.

Mathematische Probleme, die zum Thema Supply Chain passen, liefern daher einen unerschöpflichen Strom veröffentlichungsfähiger Aufgabenstellungen und Lösungen. Zusätzliche Beschränkungen, veränderte Nachfragegleichungen, eine andere Netzwerktopologie oder weitere Terme in Zielfunktionen erzeugen nahezu endlose Varianten. Jede Variante liefert ideales Material für eine wissenschaftliche Veröffentlichung. Zudem können die Besonderheiten eines Unternehmens, das selbst einen kleinen Datensatz teilen möchte, einen einzigartigen und damit neuen Blickwinkel auf das Thema bieten. Dies nährt zwangsläufig die Illusion, die Lösung einer isolierten Knobelaufgabe sei für das gesamte Fachgebiet von Bedeutung.

Die akademische Welt behandelt Supply Chain daher unerbittlich als Zweig der Mathematik, weil dies gemessen an der eingesetzten Zeit der bequemste Weg zu veröffentlichten Aufsätzen ist. Zudem weisen diese Aufsätze die modischen Merkmale „großer Wissenschaft“ auf: Gleichungen, Algorithmen und quantitative Ergebnisse. Indem Autoren Supply-Chain-Forschung als angewandte Mathematik einordnen, umgehen sie die strengen Falsifikationsprüfungen, denen sich die Naturwissenschaften routinemäßig stellen müssen.

In der Lehre hängen Beförderungen von studentischen Bewertungen und Bestehensquoten ab. Lehrende haben daher jeden Anreiz, Stoff zu vermitteln, der dem entspricht, was ihre Kollegen in Prüfungen abfragen werden. Wieder erhält Kontinuität Vorrang vor der Konfrontation mit der Realität.

Außerdem ist Mathematik ungewöhnlich leicht zu lehren – vorausgesetzt, der Vortragende versteht den Stoff. Anders als in den Naturwissenschaften braucht es keine fragwürdigen Kompromisse, um die Darstellung in die vorgesehene Zeit zu pressen. Der Vortragende kann einfach Zahl und Komplexität der Aufgaben an die verfügbare Zeit anpassen.

Auch bei der Benotung sind mathematische Knobelaufgaben äußerst bequem. Ihre Zahl und Komplexität lassen sich präzise auf die Prüfungssituation abstimmen, was eine nahezu fehlerfreie, objektive Bewertung mit minimalem Aufwand ermöglicht. Leider entstehen dadurch Aufgaben, die den chaotischen, mehrdeutigen und komplexen Realitäten tatsächlicher Supply Chains kaum ähneln. Intellektuelle lehren künftige Intellektuelle den Stoff früherer Intellektueller, ohne einen äußeren Prüfstein, der diesen Kreis durchbricht.

Ganz gleich, wie schlecht dieser Ansatz – Supply Chain als angewandte Mathematik zu behandeln – in der Praxis abschneidet: Er bedient weiterhin die dauerhaften Anliegen jener, die eine akademische Laufbahn anstreben. Wie Ackoff zeigt, genügt es deshalb nicht, lediglich nachzuweisen, dass dieser Forschungsansatz fehlgeleitet ist. Die zugrunde liegenden schädlichen Anreize in der akademischen Welt müssen angegangen werden – eine Aufgabe, die vollständig außerhalb des Rahmens dieses Buchs liegt.

Zur Klarstellung: Es ist nichts grundsätzlich falsch daran, das Thema Supply Chain in der Mathematik – oder in Gebieten wie Analysis, Algorithmik und Statistik – zu verwenden, wenn sich ein mathematisches Problem am besten durch eine Supply-Chain-Metapher veranschaulichen lässt. Betrachten wir etwa das berühmte Königsberger Brückenproblem, das Leonhard Euler 1736 löste. Gesucht war ein Weg durch die Stadt, der jede der sieben Brücken genau einmal überquert. Euler bewies, dass keine Lösung existiert, führte den Begriff des Graphen ein und ebnete damit den Weg für die Topologie.

Unter diesen Umständen ist ein Aufsatz nur dann etwas wert, wenn er einen eigenständigen mathematischen Wert besitzt: Deckt er eine verborgene Wahrheit oder Struktur auf? Ist die Darstellung besonders elegant? Ebnet die Methode den Weg zur Lösung anderer, scheinbar unverbundener mathematischer Probleme? Andernfalls gilt die Arbeit als wertlos. Die bloße Verwendung eines Supply-Chain-Themas kann einer Arbeit, die im Kern zur Mathematik gehört, keinen Wert verleihen.

Jeder mit der Literatur vertraute Leser weiß, dass Supply-Chain-Aufsätze, die diesen Maßstab erfüllen, außerordentlich selten sind.

3.2.3 Die Fallstricke der Sicherheitsbestände

Die Schwächen der umfangreichen Literatur aufzuzeigen, die Supply Chain als Mathematik behandelt, ist eine gewaltige Aufgabe. Bei rund einer Million zu hinterfragender Aufsätze grenzt sie an das Unbewältigbare – ein anschauliches Beispiel für Brandolinis Gesetz, wonach es gewöhnlich eine Größenordnung mehr Aufwand erfordert, Unsinn zu widerlegen, als ihn zu produzieren.

Um die Diskussion überschaubar zu halten, konzentrieren wir uns auf ein weithin akzeptiertes Konzept – Sicherheitsbestände –, um die allgemeinen Schwächen einer mathematischen Betrachtung von Supply Chain zu veranschaulichen.

Ein Sicherheitsbestand ist der Puffer, der nötig ist, um für eine bestimmte SKU (Stock Keeping Unit) einen gewünschten Servicegrad zu erreichen. Der Servicegrad ist hier als die Häufigkeit definiert, mit der während eines bestimmten Zeitraums ein Fehlbestand vermieden wird. Das Modell nimmt an, dass die Nachfrage während der Lieferzeit normalverteilt und die Lieferzeit konstant ist. Diese Annahmen liefern eine geschlossene Formel für den erforderlichen Bestand.

Abbildung: Im Sicherheitsbestandsmodell wird der Bestellpunkt als Summe aus Arbeitsbestand (mittlere Nachfrage während der Lieferzeit) und Sicherheitsbestand (skalierte Abweichung der Nachfrage während der Lieferzeit) festgelegt.

Da die Berechnung lediglich von historischem Interesse ist, wird sie hier ausgelassen. Es genügt festzuhalten, dass das Modell eine explizite Formel liefert, die sich mit minimalem Aufwand für Programmierer und Rechner leicht in einer Tabellenkalkulation berechnen lässt.

Sicherheitsbestände sind jedoch grundlegend fehlerhaft – „Gefahrenbestände“ wäre treffender –, weil die falsche Beschreibung schlechte Ergebnisse erzeugt. Einen Lichtblick gibt es: Sicherheitsbestände dienen als einfacher Lackmustest, um grobe Inkompetenz auf dem Gebiet der Supply Chain zu erkennen.

Sicherheitsbestände weisen drei Hauptprobleme auf. Jedes davon genügt, um bei der Anwendung in einer realen Supply Chain befriedigende Ergebnisse auszuschließen. Die ersten beiden sind Kategorienfehler, das dritte ist technischer Natur.

Der erste – und schädlichste – Fehler ist der methodische Isolationismus. Sicherheitsbestandsformeln betrachten jede SKU, als wäre sie der einzige Anspruchsteller auf die Bilanz, und versuchen, für diesen Artikel im luftleeren Raum eine „optimale“ Menge zu berechnen. Doch jede zusätzliche Einheit bindet Geld, das den Bestand eines anderen Produkts hätte finanzieren oder auf beliebige rentablere Weise eingesetzt werden können. Alle SKUs konkurrieren tatsächlich um denselben begrenzten Vorrat an Betriebskapital. Jedes Modell, das diese Konkurrenz ignoriert, ist blind für genau jene Abwägungen, die es steuern soll.

Abgesehen von Kleinstunternehmen befasst sich keine Supply Chain mit nur einer SKU; Unternehmen verwalten gewöhnlich Hunderte, wenn nicht Tausende. Zudem unterscheidet sich die Wiederauffüllung einer SKU grundlegend von der Steuerung des Nachschubs über viele SKUs hinweg. Die beiden Probleme sind radikal verschieden. Sicherheitsbestände erkennen nicht einmal an, dass SKUs nicht isoliert behandelt werden können. Schon ihre Definition umgeht das Problem, das gelöst werden muss: die Verteilung von Geld auf Bestände.

Zweitens bleibt das Sicherheitsbestandsrezept hoffnungslos unvollständig, selbst wenn wir vorübergehend akzeptieren, jede SKU isoliert zu behandeln. Es beruht darauf, einen „Zielservicegrad“ zu wählen – einen aus der Luft gegriffenen Prozentsatz – und diese Zahl anschließend so zu behandeln, als sei sie von Natur aus mit dem Gewinn verbunden. Die Formel erklärt nie, warum 95 % besser sein sollten als 92 % oder 97 %. Sie überlässt schlicht die schwierigste Ermessensentscheidung dem Machtwort des Managements und verfährt, als wäre die Frage geklärt.

Befürworter erwidern bisweilen, ein höherer Servicegrad steigere „im Allgemeinen“ die Rentabilität. Doch Korrelation ist keine Kausalität. Wird der Wert zu hoch angesetzt, häufen sich Ladenhüter, sobald sich die Nachfrage verschiebt; liegt er zu niedrig, wechseln frustrierte Kunden zur Konkurrenz. Da die Mathematik jeden Zielwert zwischen 0 % und 100 % erlaubt, steht der Praktiker am Ende wieder am Anfang: vor der eigentlichen wirtschaftlichen Frage, wie viel Kapital in welche Artikel fließen soll. Der Sicherheitsbestandsapparat leistet nichts zu ihrer Beantwortung.

Der dritte und letzte Fehler ist statistische Naivität. Reale Nachfrage ist fast nie glockenförmig: Über lange Zeit tritt sie nur sporadisch auf, dann springt sie ohne Vorwarnung, und ihre Extremwerte kommen viel häufiger vor, als eine Normalverteilung zuließe. Lieferzeiten sind ähnlich ungebärdig. Sie häufen sich um verschiedene Modi – „pünktlich“, „Zollverzögerung“, „Fehlbestand beim Lieferanten“ usw. –, statt sich um einen einzigen symmetrischen Gipfel zu scharen. Diese Muster sind die Regel, keine Ausreißer. Jedes Modell, das sie ignoriert, beginnt mit den falschen Koordinaten.

Lehrbücher und Software klammern sich an die Normalverteilungskurve, weil sie die Algebra sauber hält, nicht weil sie zu den Daten passt. Grundsätzlich könnte man Verteilungen mit erhöhtem Nullanteil, schweren Verteilungsschwänzen oder Mischverteilungen einsetzen, um die Theorie zu reparieren. Damit nimmt man ihr jedoch ihre einzige Tugend: Einfachheit. Sobald die Rechnung undurchsichtig wird, verliert das Sicherheitsbestandsrezept seinen einzigen praktischen Reiz, behält aber sämtliche zuvor genannten Kategorienfehler. Ist eine Methode weder realistisch noch einfach, bleibt nichts, was für sie spricht.

Das Vakuum, das die mathematisch sterile akademische Welt hinterlässt, wird leider rasch gefüllt. Berater und Autoren von Wirtschaftsbüchern treten hinein und lassen das Pendel ins andere Extrem ausschlagen: Sie geben Zahlen zugunsten von Erzählungen auf. Während der akademische Irrtum Supply Chain als Knobelaufgabe ohne Anreize behandelt, macht der Beraterirrtum daraus eine Geschichte ohne Quantifizierung. Beide Lager ignorieren den ökonomischen Kern, nur von entgegengesetzten Enden des Spektrums aus. Der nächste Abschnitt untersucht, wie sich diese soziologische Wende trotz ihrer Verpackung in inspirierender Prosa als ebenso unzuverlässig erweist wie die Gleichungen, die sie angeblich ergänzt.

3.3 Soziologie

Sterilisiert der akademische Weg Supply Chain zu abstrakten Knobelaufgaben, schlägt der Beratungsweg ins entgegengesetzte Extrem aus: Er macht die Disziplin zu einem Katalog soziologischer Beobachtungen und abgedroschener Führungsempfehlungen. Unternehmensberater haben deshalb in den vergangenen vier Jahrzehnten die Supply-Chain-Publikationen beherrscht und jedes Problem als Frage von Kultur, Teamarbeit und „Best Practices“ dargestellt. Ihr Ausstoß ist gewaltig: Weit über 10.000 Titel finden sich unter „Supply Chain Management“¹². Dynamic Supply Chains (2015) von John Gattorna ist ein klassisches Beispiel für dieses Genre – und für seine erkenntnistheoretische Schwäche: Überzeugende Anekdoten ersetzen überprüfbare Belege und hinterlassen dem Leser Geschichten statt fundierten Wissens.

Diese Literatur gehört eindeutig zum Ratgebergenre. Sie richtet sich an Mitglieder der Unternehmensführung – oder an Manager, die dorthin aufsteigen möchten –, die glauben, dass die Beherrschung eines neuen Schlagworts sowohl die Unternehmensleistung steigern als auch die eigene Beförderung beschleunigen wird. Der Berater als Autor nimmt seinerseits die Haltung eines Gurus ein, dessen Einsicht sich tageweise mieten lässt.

Jedes Buch entfaltet sich dann entlang zweier vorhersehbarer Achsen. Die Strategieachse bietet eine Handvoll Slogans – gewöhnlich drei bis fünf –, die zu erklären versprechen, wie man über Supply Chain „denken“ sollte. Die Disziplin wird in saubere Quadranten, Wellen oder Reifestufen zerschnitten. Die Organisationsachse verwandelt diese Slogans in eine Checkliste von Ritualen: Lenkungsausschüsse, funktionsübergreifende Workshops, Zuständigkeitsmatrizen und Ähnliches, alles als schlüsselfertige Wege zur Umsetzung präsentiert.

Um den Schwung zu erhalten, wird die Erzählung mit geliehener Autorität durchsetzt: prägnante Aussagen von Führungskräften der Fortune 500, Zitate von Navy SEALs über Widerstandsfähigkeit und minutiöse Nacherzählungen von Sportsiegen in letzter Minute. Abgesehen davon, dass sie die Prosa kurz belebt, verleiht eine Sportanekdote – oder das Zitat eines Athleten – Supply-Chain-Argumenten keinerlei zusätzliche Beweiskraft. Berühmtheit in Sport oder Unterhaltung hat nichts mit der Zuteilung von Paletten und Bestellungen zu tun. Solche Gastauftritte erzeugen die Illusion der Praxiserprobung; tatsächlich liefern sie Farbe, keinen Beweis.

Das Genre bedient sich zunächst eines vertrauten Tricks: der Schlagwortinflation. Begriffe wie „agil“, „digitaler Zwilling“ oder „KI-gestützt“ werden so lange wiederholt, bis sie unausweichlich klingen. Ihre Definitionen bleiben jedoch dehnbar genug, um auf jede Situation zu passen. Hinter dem Glanz finden sich nur zeitlose Binsenweisheiten – „Die Welt verändert sich, Sie müssen sich anpassen“ –, die als Offenbarungen neu verpackt werden. Taxonomien, die Unternehmen in „Vorreiter“ und „Nachzügler“ oder „Innovatoren“ und „Mitläufer“ unterteilen, kleiden Tautologien in die Form von Ablaufdiagrammen und erzeugen die Illusion von Tiefe, wo keine ist.

Der zweite Trick ist künstlich erzeugte Dringlichkeit. Autoren rücken eine Handvoll angeblich vernachlässigter Hebel ins Rampenlicht – Lieferantennähe, Kundenzentrierung, Nachhaltigkeit, Kultur – und verkünden feierlich, dass eine sofortige Eskalation an die Unternehmensspitze lebenswichtig sei. Diese Rahmung nach dem Muster „Jetzt handeln oder untergehen“ lässt sich im Sitzungssaal nicht falsifizieren. Sie lenkt Aufmerksamkeit und Budget geschickt auf die vom Berater bevorzugte Initiative, ohne je die Opportunitätskosten gegenüber all den anderen Beschränkungen abzuwägen, die eine funktionierende Supply Chain einhalten muss.

Der letzte Trick ist geliehene Autorität. Fallstudien werfen mit den Namen bewunderter Marken um sich, führen ausgewählte Erfolgskennzahlen vor und streuen Zitate von Sportlern oder Veteranen militärischer Spezialeinheiten ein. Der implizite Schluss ist trügerisch: „Unternehmen X ist berühmt; Unternehmen X befürwortet diesen Ansatz; also schafft dieser Ansatz Berühmtheit.“ Korrelation wird stillschweigend gegen Kausalität eingetauscht, und die Fehlschläge, die den Zauber brechen würden, werden ausgeblendet.

Diese rhetorischen Mittel sind keine harmlose Unterhaltung. Sie verdrängen das quantitative Denken, das echte Verbesserung erfordert. Indem diese Literatur Plattitüden in Ansehen und Dringlichkeit hüllt, schmeichelt sie Führungskräften und vermittelt ihnen das Gefühl entschlossenen Handelns, während der tatsächliche Güterfluss unverändert bleibt. Entfernt man die Logos und die motivierenden Anekdoten, bleibt nichts übrig, was einer analytischen Prüfung standhalten könnte.

Anders gesagt behandelt der Beratungskanon Fehlfunktionen der Supply Chain als Problem menschlicher Beziehungen, dessen Lösung in einer Umgestaltung des Gruppenverhaltens liegt. Seine bevorzugten Variablen sind Rollen, Rituale und Erzählungen; seine Instrumente sind Workshops, Grundsatzvereinbarungen und Anreizmatrizen. Diese Sichtweise ist Organisationssoziologie wie aus dem Lehrbuch: Sie untersucht, wie Gruppen ihren Zusammenhalt wahren, wie Status ausgehandelt wird und wie Normen durchgesetzt werden, und verordnet anschließend Zeremonien, die diese sozialen Konstrukte neu ausrichten sollen. Paletten, Container und Lieferzeiten erscheinen nur als Requisiten in einer Erzählung, deren eigentliche Hauptfiguren um Einfluss ringende Abteilungen sind. Ob die Tonnage tatsächlich reibungsloser fließt, gilt als emergentes Nebenprodukt besserer sozialer Harmonie. Diese Literatur ist daher in Methode und Ziel soziologisch, auch wenn sie sich selten als solche bezeichnet.

Selbst wenn diese Literatur echte Einsichten enthielte – was sie selten tut –, führt es Verbesserungsbemühungen in die Irre, Supply Chain vorwiegend als soziologisches Unterfangen zu behandeln. Betrachten wir ein Gedankenexperiment: Stellen wir uns für die nahe Zukunft eine Plattform vor, auf der eine einzige autonome künstliche Intelligenz (KI) jedes Nachfragesignal, jede Aktualisierung einer Lieferzeit und jede Kostenkurve aufnimmt und anschließend ohne menschliches Eingreifen jede Bestellung, Preisänderung und Routenanweisung ausgibt. In dieser Welt bleibt nichts mehr „abzustimmen“ oder zu „befähigen“; das gesamte Gerüst aus Ausschüssen, Workshops und Anreizmatrizen verschwindet über Nacht. Doch die wirtschaftliche Substanz der Disziplin bleibt bestehen: Knappe Ressourcen müssen weiterhin unter Variabilität zugeteilt werden. Die KI würde sich auf Prinzipien der Optionalität, der Opportunitätskosten und des Risikos stützen – auf den Kern der Ökonomie –, nicht auf irgendeine Theorie abteilungsübergreifender Machtpolitik. Das Gedankenexperiment verdeutlicht die Hierarchie: Organisatorische Konstrukte sind vorübergehende Behelfslösungen, die wir nur errichten, weil Menschen, langsamer und knapper als CPUs, sich koordinieren müssen. Die Automatisierung trägt diese soziologische Hülle bereits ab. Preisbots, Routenoptimierer und Zuteilungsengines erledigen heute Aufgaben, die einst ganze Abteilungen beschäftigten – so wie ein Laptop die versicherungsmathematischen Tabellen ersetzte, die früher ganze Heerscharen von Sachbearbeitern rechtfertigten. Bis zur vollständigen Automatisierung bleiben Menschen eingebunden. Der Kompass, der sie führt, muss wirtschaftlich und operativ bleiben, nicht soziologisch.

Zugegeben: Einige Supply-Chain-Herausforderungen widersetzen sich noch der Software. Sobald die nötigen Schritte ausdrücklich feststehen, ist es vertretbar, sich vorübergehend auf menschliche Intelligenz zu stützen, bis modernste Methoden sie automatisieren können. Übersteigt die Arbeitslast die Kapazität einer Person, setzt man weitere Menschen ein und organisiert sie entsprechend. Selbst dann sollte Soziologie das letzte Mittel sein. Darauf zu bestehen, dass eine geistige Aufgabe „menschliche Intelligenz erfordert“, bedeutet tatsächlich einzugestehen: „Ich habe keine klare Vorstellung davon, wie dieses Problem zu lösen ist, aber wenn es hart auf hart kommt, wird schon jemandem etwas einfallen.“

Seit mehr als zwei Jahrhunderten wird immer wieder der Fehler begangen, menschliche Beteiligung als Tugend an sich zu behandeln. Die Ludditen – britische Weber und Textilarbeiter, die sich im frühen 19. Jahrhundert gegen mechanisierte Webstühle und Wirkmaschinen wandten – sind das klassische Beispiel dafür. In Supply Chains ist menschliche Beteiligung am täglichen Mikromanagement von Millionen SKUs nicht von sich aus wünschenswert. Fehlende Mechanisierung setzt vorhersehbare Grenzen – lange Bearbeitungsverzögerungen, geringere Reaktionsfähigkeit und mittelmäßige Zuteilungen –, weil die zuständigen Menschen nicht sämtliche relevanten quantitativen Faktoren abwägen können.

Zusammengenommen erklären diese von Beratern vorangetriebenen Tricks, warum Hochglanzkonzepte Container, Preise und Bestellungen so oft genau dort belassen, wo sie zuvor waren. Sie verwandeln Ressourcenallokation in Gruppentherapie und verwechseln Harmonie mit Gewinn. Um die handfesten Kosten der Verwechslung von Soziologie mit der Beherrschung von Supply Chain zu erkennen, untersuchen wir nun die Vorzeigedoktrin dieser Literatur: Sales and Operations Planning.

3.3.1 Die Fallstricke von S&OP

Sales and Operations Planning (S&OP) wird seit vier Jahrzehnten als Heilmittel gegen funktionale Silos angepriesen und verkörpert doch gerade den soeben aufgedeckten soziologischen Irrtum. Sein ausgefeilter Sitzungskalender sucht Konsens über eine einzige – höchst unsichere – Prognose und verlangt anschließend von jeder Abteilung, sich ihr zu verpflichten. Umbenannte Varianten wie Integrated Business Planning (IBP) erben dieselbe Schwäche: Sie behandeln Preisgestaltung, Einkauf und Kapazität als betriebliches Ritual statt als wirtschaftliche Optimierung. Weil S&OP sowohl einflussreich als auch symptomatisch ist, dient es als einziges Beispiel in der folgenden Kritik, obwohl das Argument gleichermaßen für alle seine Doppelgänger gilt.

Seit dem Aufstieg des Großkonzerns im 19. Jahrhundert liefert Spezialisierung den Großteil dessen, was wir „Skaleneffekte“ nennen. Indem Teams ihren Fokus verengen, vertiefen sie ihre Fachkenntnisse, steigern ihre Produktivität und machen Ergebnisse vorhersehbarer. Doch jede neue Spezialisierung öffnet eine weitere Naht, die wieder mit dem Ganzen vernäht werden muss. Je größer das organisatorische Gewebe wird, desto schwieriger wird dieses Vernähen durch die kombinatorisch wachsenden Verbindungen.

Hinkt die Koordination hinterher, sind die Fehlleistungen dramatisch. Das Marketing kann Nachfrage anheizen, die Fabriken nicht bedienen können, und damit Werbebudgets verschwenden und Kunden enttäuschen. Die Fertigung kann Lager mit Einheiten überschwemmen, die der Markt nicht aufnimmt. Sobald die Lagerhaltungskosten jede plausible Marge übersteigen, erzwingt dies Notverkaufsrabatte oder vollständige Abschreibungen.

Sales and Operations Planning (S&OP) wurde in den frühen 1980er-Jahren als ritualisierter Waffenstillstand zwischen den gerade beschriebenen Lagern entwickelt. Sein Versprechen war einfach: Alle Funktionen kommen an einem gemeinsamen Termin zusammen, einigen sich auf eine einzige Sicht der künftigen Nachfrage und leiten daraus abgestimmte Versorgungs-, Kapazitäts- und Finanzpläne ab. Theoretisch garantiert die Sitzung, dass diejenigen, die Nachfrage schaffen – Vertrieb, Marketing, Merchandising –, und diejenigen, die sie bedienen – Beschaffung, Fertigung, Logistik –, den Raum mit einer Verpflichtung auf dieselben Zahlen und dieselben Beschränkungen verlassen.

Der Ansatz gewann in den 2000er-Jahren an Fahrt, als ERP-Anbieter und Beratungen begannen, S&OP-Dashboards, Reifegradmodelle und Benchmarking-Erhebungen zu verkaufen. Trotz der glänzenden Werkzeuge bleiben die Mechanismen spartanisch: ein rollierender Horizont von 18 bis 24 Monaten, eine Konsensprognose, bisweilen als „ein gemeinsamer Zahlensatz“ bezeichnet, und eine monatliche Abfolge von Vorablektüre und Workshops, in denen die Zahlen so lange zurechtmassiert werden, bis jeder Vice President zustimmen kann.

Historisch betrachtet ist S&OP weniger ein Durchbruch als eine moderne Fortsetzung von Alfred Sloans Produktionskonferenzen der Unternehmensführung bei General Motors in den 1920er-Jahren. Das Vokabular hat sich geändert, die Absicht ist dieselbe: eine institutionelle Routine durchzusetzen, die verhindert, dass Funktionsimperien auseinanderdriften, wenn Variabilität sie auseinanderzureißen droht.

Trotz seiner Langlebigkeit bricht S&OP bei genauer Prüfung zusammen. Vier strukturelle Mängel untergraben die Praxis und zeigen, warum man ihr aus erkenntnistheoretischer Sicht die Steuerung knapper Ressourcen nicht anvertrauen kann.

1. Die Prognoseillusion. S&OP beginnt mit der Annahme, dass eine einzelne Zeitreihenprognose der Nachfrage nicht nur existiert, sondern präzise genug ist, um Kapazität, Preise und Bestände Monate im Voraus zu steuern. Diese Prämisse behandelt eine unsichere Zukunft als bekannte Konstante und macht den schwierigsten Teil des Problems zu einem Eingabewert für eine Tabellenkalkulation. Indem das Ritual Unsicherheit als Gewissheit tarnt, unterbricht es die Rückkopplung, die andernfalls prüfen würde, ob diese Zahlen jemals Vertrauen verdienten.

2. Das Entscheidungsvakuum. Nachdem S&OP eine Konsensprognose der Nachfrage herbeigezaubert hat, überlässt es jede quantitative Entscheidung – Beschaffungslose, Produktionspläne, Routenpläne – den Heuristiken, die das jeweilige funktionale Silo ohnehin verwendet. Der Ansatz liefert kein wirtschaftliches Kriterium dafür, eine Zuteilung einer anderen vorzuziehen. Er beglaubigt lediglich anderswo getroffene Entscheidungen. Erkenntnistheoretisch ist dies Buchführung, die sich als Optimierung ausgibt.

3. Überbordende Rituale. Der monatliche Takt von Vorbesprechungen, Abstimmungsworkshops und Prüfungen durch die Unternehmensleitung wird als Heilmittel gegen mangelhafte Koordination präsentiert. Doch das Heilmittel wächst mit der Mitarbeiterzahl, nicht mit der Physik des Güterflusses. Jede zusätzliche SKU, Transportrelation oder Verkaufsaktion verlangt einen weiteren Foliensatz, keinen schärferen Algorithmus. Die Komplexität ist akzidentell – durch Sitzungen geschaffen –, statt essenziell – durch Atome und Lieferzeiten bedingt.

4. Willkürliche Taxonomien. S&OP teilt die Zeit in operative, taktische und strategische Kategorien ein und reduziert die Realität auf eine zweiachsige Matrix „Nachfrage versus Angebot“. Diese Einteilungen sind rhetorische Hilfsmittel, keine empirischen Entdeckungen. Sie lassen sich nach Belieben umordnen, ohne die wirtschaftlichen Ergebnisse zu verändern. Eine Theorie, deren Parameter frei veränderlich sind, lässt sich nicht falsifizieren und kann daher kein verlässliches Wissen ansammeln.

Zusammen erklären diese Mängel, warum Unternehmen, die S&OP einführen, häufig zu selbst erstellten Tabellenkalkulationen zurückkehren: Die Praxis bietet Prozesstheater ohne Vorhersagekraft. Eine Sitzung kann vorübergehenden Konsens erzwingen, aber nicht aufzeigen, welche Entscheidung unter Variabilität und widerstreitenden Anreizen den langfristigen Gewinn maximiert. Solange ein Ansatz seine Annahmen nicht empirischer Prüfung aussetzt und seine Vorgaben nicht auf Opportunitätskosten gründet, gehört er zur organisatorischen Folklore, nicht zur Wissenschaft der Supply Chain.

Wir wenden uns nun der Wirtschaftsgeschichte zu, um zu untersuchen, wie ähnliche erkenntnistheoretische Fehltritte in der Vergangenheit gewirkt haben und welche Lehren sie für die Gegenwart bereithalten.

3.4 Wirtschaftsgeschichte

Die Wirtschaftsgeschichte verzeichnet, was tatsächlich geschah: die gezahlten Preise, die bewegten Güter, die durchstandenen Krisen. Für den Kontext ist sie unverzichtbar. Doch wie Ludwig von Mises in Human Action (1949) betonte, interpretieren sich Fakten nicht selbst. Erst eine vorausgehende ökonomische Theorie kann ihnen Bedeutung zuweisen, indem sie Ursachen, Wirkungen und kontrafaktische Verläufe nachzeichnet. Kurz gesagt muss Ökonomie der Wirtschaftsgeschichte vorausgehen. Wir brauchen zunächst einen logischen Rahmen, bevor wir die Vergangenheit sinnvoll nacherzählen können.

Dieselbe Reihenfolge gilt für Supply Chain. Dashboards voller Lieferzeithistogramme, Servicegraddiagramme und Lagerumschlagszahlen sind nichts weiter als Chroniken. Ohne eine Theorie der Opportunitätskosten und der Optionalität kann ein Analyst nicht beurteilen, ob eine Bestandsreduzierung um 20 % brillant oder fahrlässig war. Daten werden erst zu Wissen, wenn sie durch eine ökonomische Perspektive gefiltert werden. Andernfalls handelt es sich um Buchführung, die sich als Erkenntnis ausgibt.

In der täglichen Praxis verschwimmt die Unterscheidung zwischen Chronik und Erklärung jedoch regelmäßig. Analysten füllen Dashboards, Anbieter veröffentlichen Benchmarkberichte, und Berater führen Vorher-nachher-Fallstudien vor. All dies erzählt, was geschehen ist, schweigt aber darüber, was bei anderen Entscheidungen hätte geschehen können. Die Aufzeichnung erzählt eine Geschichte; sie diagnostiziert nie die Mechanismen, die diese Geschichte hervorgebracht haben.

Betrachten wir einen Händler, der eine Bestandsreduzierung um 20 % verkündet. Ohne eine Theorie der Opportunitätskosten ist diese Schlagzeile bedeutungslos: Wurde tatsächlich Betriebskapital ohne Serviceverlust freigesetzt, oder wurden leere Regale lediglich in ein Quartal verschoben, über das noch nicht berichtet wurde? Die Bücher enthalten keine Zeilen für Verkäufe, die nie zustande kamen, Sortimentserweiterungen, die nie versucht wurden, oder Preisexperimente, die nie stattfanden. Die Geschichte verzeichnet nur den eingeschlagenen Weg, nie die benachbarten Wege, die unerforscht blieben.

Benchmarks verstärken das Problem. Unternehmen nach „Bestandsreichweite in Tagen“ oder „Lagerumschlag“ zu ordnen lädt zur Nachahmung ein, ignoriert aber strategische Unterschiede wie Sortimentsbreite, Serviceversprechen oder Preissetzungsmacht. Eine Kennzahl zu kopieren, ohne ihren Kontext zu reproduzieren, ist Cargo-Kult-Optimierung: Das Ritual bleibt erhalten, die Ökonomie nicht.

Die Lehre entspricht der Kritik an Mathematik und Soziologie: Wirtschaftsgeschichte ist eine ergänzende Erkenntnisquelle, kein Fundament. Nachträglich gesammelte Fakten sind unverzichtbar, müssen aber durch eine vorausschauende ökonomische Perspektive gefiltert werden, die kontrafaktische Verläufe und Opportunitätskosten abwägt. Ohne diese Perspektive wird Geschichte zum zahlenkundigen Geschichtenerzählen – beruhigend zu lesen, aber machtlos, wenn es darum geht, den nächsten Container zu steuern. Beherrschung beginnt deshalb mit Theorie, prüft diese an der Erfahrung und lässt erst dann die Bücher künftige Zuteilungen leiten.

3.5 Hilfswissenschaften

Hilfswissenschaften sind die Disziplinen, auf die Supply Chain regelmäßig für Fakten, Beweise oder Werkzeuge zurückgreift: Statistik für Unsicherheit, Informatik für Automatisierung, empirische Psychologie für menschliche Verzerrungen, Luftfahrttechnik für Treibstoffeffizienz und so weiter. Der Ausdruck stammt aus der Geschichtsschreibung, in der Gebiete wie Paläografie oder Dendrochronologie seit dem sechzehnten Jahrhundert als Hilfswissenschaften bezeichnet werden, weil sie Belege liefern, ohne Geschichte zu schreiben. Die Hierarchie ist erkenntnistheoretisch, nicht abwertend: Supply Chain ist den dauerhaften Wahrheiten, die diese Wissenschaften ermitteln, untergeordnet. Verfeinern Statistiker die Bedeutung eines Konfidenzintervalls oder weisen Flugzeugingenieure ein günstigeres Flugprofil nach, muss sich der Praktiker unverzüglich anpassen. Entscheidend ist, dass das Wissen verlässlich ist, nicht, auf welchem Weg es gewonnen wurde.

Unterordnung bedeutet jedoch keine Verschmelzung. Supply Chain ist kein multidisziplinärer Eintopf aus Mathematik, Softwareentwicklung, Psychologie und Logistik. Sie bleibt ein eigenständiger angewandter Zweig der Ökonomie, dessen einziger Auftrag darin besteht, knappe Ressourcen unter Variabilität zuzuteilen. Hilfswissenschaften werden nur insoweit herangezogen, wie ihre Erkenntnisse helfen, diesen Auftrag zu erfüllen. Ihre internen Debatten, ihr Jargon und ihre Prestigekämpfe können getrost ignoriert werden. Ein Praktiker braucht gerade genug Vertrautheit, um das richtige Werkzeug zu wählen und zu erkennen, wann es versagt – nicht mehr und nicht weniger.

Wie viel Vertrautheit nötig ist, hängt von der Verpackung ab. Ist eine hilfswissenschaftliche Erkenntnis in ein robustes Artefakt eingebettet – einen Barcode-Scanner, eine Optimierungsengine, einen integrierten Schaltkreis –, kann der Supply-Chain-Fachmann sie als Blackbox behandeln und sich auf die wirtschaftlichen Abwägungen konzentrieren. Ist die Verpackung dünn, wie noch immer bei den meisten verhaltensökonomischen Forschungen, muss er die Box öffnen, die Grenzen verstehen und von Hand ausgleichen.

Historiker liefern die Analogie. Die Dendrochronologie kann einen Schild auf den Sommer 1519 datieren und damit jede Behauptung widerlegen, er sei 1515 in der Schlacht bei Marignano eingesetzt worden. Dennoch verwechselt kein Historiker das Studium von Baumringen mit dem Schreiben von Geschichte. Supply Chain sollte dieselbe Disziplin pflegen: Jede Hilfswissenschaft rücksichtslos nutzen, aber niemals das Steuer aus der Hand geben.

Das Prinzip der Unterordnung wird deutlich, wenn die Mikrobiologie nicht verhandelbare Grenzen setzt. Laborarbeit zeigt, dass die meisten durch Lebensmittel übertragenen Krankheitserreger exponentiell wachsen, sobald die Produkttemperatur länger als einige Stunden über 5 °C liegt. Kühlkettenrichtlinien verlangen daher, dass gekühltes Fleisch den Betrieb mit weniger als 4 °C verlässt und vor dem Eintreffen beim Kunden niemals 7 °C überschreitet. Ob Planer die Wachstumskurven von Listerien aufsagen können, ist unerheblich. Sobald Mikrobiologen diese Schwellenwerte festlegen, muss der Supply-Chain-Fachmann entscheiden, ob er für Kühlcontainer bezahlt, dichtere Auslieferungsrouten fährt oder den Vertriebsradius verkleinert. Die Temperaturbeschränkung selbst steht jedoch nicht zur Debatte.

Die Werkstoffkunde vermittelt dieselbe Lehre. Druckprüfungen zeigen, dass ein gewöhnlicher 7 mm dicker zweiwelliger Wellpappkarton zusammenbricht, sobald die Auflast ungefähr 8 kN übersteigt. Ein Distributionszentrum, das solche Kartons sechs Paletten hoch stapelt, hat deshalb sein Gewicht pro Karton auf etwa 18 kg begrenzt – es sei denn, es wechselt zu dreiwelliger Verpackung, verringert die Stapelhöhe oder investiert in Regale. Die Hilfswissenschaft liefert die Randbedingungen; Supply Chain wägt die wirtschaftlichen Zielkonflikte innerhalb dieser Grenzen ab.

Supply Chain ordnet sich ihren Hilfswissenschaften unter, weil diese Gebiete schneller und schärfer zwischen Wahrheit und Irrtum unterscheiden können. In Physik oder Chemie kann ein vor dem Mittagessen durchgeführtes Laborexperiment eine schlechte Hypothese zu vernachlässigbaren Kosten vernichten. Die Ergebnisse sind schnell verfügbar, wiederholbar und eindeutig. Supply-Chain-Behauptungen lassen sich dagegen, ebenso wie ökonomische Behauptungen, nur in der unordentlichen Welt von Fabriken, Lastwagen und Filialen prüfen. Feldversuche erstrecken sich über Monate, verbrauchen echtes Geld und liefern selten ein eindeutiges Ja oder Nein. Weil ihre Rückkopplung langsamer und verrauschter ist, muss Supply Chain die Strenge ihrer Hilfswissenschaften übernehmen und zugleich akzeptieren, dass ihr eigenes Wissen allmählicher wächst.

Supply Chain übernimmt jedoch nicht die Ziele ihrer Hilfswissenschaften. Sie kauft lediglich deren Erkenntnisse als Rohmaterial. Flugzeugingenieure mögen beweisen, dass ein Tankstopp auf halber Strecke den Treibstoffverbrauch eines Ultralangstreckenflugs um acht Prozent senkt. Dennoch muss der Praktiker diese Einsparung gegen längere Transportzeit, zusätzliche Landegebühren, Überstunden der Besatzung und mögliche Kundenabwanderung abwägen. Das Kriterium ist wirtschaftlicher Ertrag, nicht technische Eleganz: Jede Ressource – Kerosin, Stunden, Kapital, Wohlwollen – hat Opportunitätskosten, die vor einer Entscheidung bewertet werden müssen. Hilfswissenschaften liefern Fakten; Supply Chain weist ihnen Wert zu.

Supply Chain mag multidisziplinär erscheinen, weil ihre tägliche Praxis auf Statistik, Informatik, Maschinenbau und sogar Verhaltenspsychologie zurückgreift. Dieser Eindruck verwechselt Werkzeuge mit Zielen. Als Wissenschaft ist Supply Chain ein Zweig der angewandten Ökonomie mit dem alleinigen Auftrag, zu entscheiden, wie knappe Ressourcen durch Raum und Zeit fließen sollen. Hilfswissenschaften liefern lediglich Messungen, Algorithmen oder Maschinen, die diesem Auftrag dienen; sie definieren ihn nicht neu. Die Naturwissenschaften gehen dagegen gerade deshalb ineinander über, weil Atome nichts von den Fachbereichsmauern wissen, die Physik von Chemie oder Biologie trennen. Ihre Grenzen sind pädagogische Hilfsmittel. Supply Chain ist daher nicht im erkenntnistheoretischen Sinn multidisziplinär, sondern nur im praktischen Sinn, dass sie viele importierte Ergebnisse nutzt.

Ob ein Praktiker in ein Hilfsgebiet eintauchen muss, hängt von zwei Hebeln ab. Die wirtschaftliche Hebelwirkung misst, wie viel Gewinn an dem ergänzenden Wissen hängt; die Qualität der Verpackung misst, wie viel dieses Wissens in zuverlässige Artefakte eingebettet vorliegt. Je größer die Hebelwirkung und je schlechter die Verpackung, desto mehr persönliche Beherrschung ist erforderlich.

Wirtschaftliche Hebelwirkung bezeichnet die Gewinnempfindlichkeit gegenüber einer Hilfswissenschaft. Spart eine Anpassung des Luftstroms in einem Reinraum nur einen unbedeutenden Betrag pro Charge, ist die Hebelwirkung gering, und die Einstellung kann ein fester Ablauf bleiben. Dagegen kann eine Verkürzung der Verweilzeit in einem kontinuierlich betriebenen chemischen Reaktor um nur fünf Minuten den stündlichen Durchsatz um sechs Prozent erhöhen. Zugleich sinkt jedoch die Umwandlungsausbeute, und die Zusammensetzung der Kuppelprodukte verschiebt sich: Die erste Qualitätsstufe erzielt einen Aufpreis, während die zweite und dritte Produktfraktion mit Abschlag verkauft oder nachbearbeitet werden müssen. Die zusätzliche Menge, die geringere Ausbeute und der veränderte Kuppelproduktmix wirken sich auf Bestände, vertragliche Zuteilungen und Preisstufen aus. Weil der Zielkonflikt erheblich ist und sich die Steuerungslogik in dichten Prozessdiagrammen verbirgt, müssen Planer die Reaktionskinetik gut genug verstehen, um Kapazität gegen Marge abzuwägen, bevor sie die Änderung genehmigen. Tiefes Fachwissen ist daher nur dort erforderlich, wo große Hebelwirkung auf dünne Verpackung trifft. Anderswo kann das Hilfsgebiet bedenkenlos ein geschlossenes Modul bleiben.

Integrierte Schaltkreise veranschaulichen umgekehrt eine hervorragende Verpackung. Sie verkörpern ein Jahrhundert Quantenmechanik hinter einer Fünf-Volt-Schnittstelle. Planer nutzen die Rechenleistung, ohne je die Bändertheorie zu studieren. Düsentriebwerke verbergen Thermodynamik und Werkstoffkunde ebenso sauber; ein Netzwerkoptimierer braucht lediglich eine Treibstoffverbrauchstabelle. Am anderen Ende liegt die empirische Psychologie. Erkenntnisse wie Ankereffekt, Verlustaversion und hyperbolische Diskontierung erreichen Manager überwiegend als Prosa. Weil die Verpackung dünn, die Hebelwirkung – Preisgestaltung, Verkaufsförderung, Verhandlung – aber groß ist, müssen Supply-Chain-Führungskräfte die Konzepte selbst verstehen oder riskieren, genau jene Verzerrungen zu wiederholen, die das Fachgebiet dokumentiert.

Daraus folgt eine praktische Faustregel: Tiefes Fachwissen ist nur dort nötig, wo große Hebelwirkung auf dünne Verpackung trifft. Fehlt einer dieser Hebel, kann die Hilfswissenschaft ein geschlossenes Modul bleiben.

Kurz gesagt verschieben Hilfswissenschaften die Grenzen, während die Supply-Chain-Praxis entscheidet, wann diese Grenzen wichtig sind. Liefert die Statistik ein engeres Intervall, die Werkstoffkunde eine leichtere Palette oder die Informatik einen schnelleren Solver, verschiebt sich die wirtschaftliche Hebelwirkung der entsprechenden Entscheidung – und mit ihr muss sich die Aufmerksamkeit der Führungskräfte verschieben. Ist ein Durchbruch dagegen in ein zuverlässiges Artefakt eingeschlossen, kann er als Infrastruktur behandelt werden und muss nicht weiter geistige Aufmerksamkeit beanspruchen. Die Kunst besteht darin, eine aktuelle Landkarte darüber zu führen, welche Bestandteile noch genaue Prüfung verlangen und welche die „Blackbox“-Schwelle überschritten haben. Vernachlässigt man diese Landkarte, entsteht ein Vakuum, das bald mit übertriebenen Verkaufsversprechen und Beraterfolklore gefüllt wird – ein Muster, das wir als Nächstes unter dem Titel epistemische Korruption untersuchen.

3.6 Epistemische Korruption

Wenn ein Wissenssystem in erheblichem Maße seine Integrität verliert und nicht mehr jene Arten verlässlichen Wissens liefert, die von ihm erwartet werden, können wir dies als epistemische Korruption bezeichnen. Epistemische Korruption entsteht häufig, weil das System für Interessen vereinnahmt wurde, die einigen der ihm zugeschriebenen zentralen Ziele widersprechen. Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science (2021), Sergio Sismondo.

Vieles, was heute als Supply-Chain-Wissen gilt, ist korrumpiert: Es verbessert Supply Chains nicht, obwohl es genau das behauptet. Dahinter stecken jedoch weder große Verschwörungen noch finstere Machthaber oder Bestechung. Autoren, die stark verzerrtes Supply-Chain-Material produzieren, sind selten unehrlich; meist sind sie sich des Problems nicht bewusst. Der Großteil der epistemischen Korruption, unter der Supply Chain leidet, entspringt strukturellen Fehlanreizen. Der Rest dieses Kapitels behandelt hartnäckige Fehlvorstellungen, deren Schaden weit über Supply Chain hinausreicht.

Als angewandter Zweig der Ökonomie verspricht Supply-Chain-Wissen Wohlstand: Es soll Unternehmen wohlhabender machen, manchmal sogar reich. Jeder Supply-Chain-Praktiker und jedes interne Team hat den Antrieb, überlegenes Wissen zu entwickeln, um Wettbewerber zu übertreffen. Folglich besteht wenig Anreiz, ihre Entdeckungen öffentlich zu machen. Entdecken Unternehmen eine kontraintuitive, aber wirksame Heuristik zur Bestandsoptimierung, schützen sie diese lieber als Geschäftsgeheimnis.

Die lautstärksten Verbreiter von Supply-Chain-„Wahrheiten“ sind jene, die Beratung zu Geld machen: Wissenschaftler, Berater und Softwareanbieter. Jeder von ihnen handelt unter Anreizen, die verzerren, was er zur Veröffentlichung auswählt.

Erstens die akademische Welt: Privat oder öffentlich finanzierte Professoren konkurrieren durch Veröffentlichungen um Studierende und Anerkennung – ein klassischer Fall von „Publish or perish“. Akademische Autoren haben selten Gelegenheit, ihre Supply-Chain-Behauptungen in der Praxis zu prüfen. Selbst wenn sie mit Unternehmen zusammenarbeiten, bleiben ihre Laufbahnen weitgehend von realen Ergebnissen abgeschirmt. Tatsächlich unterstreicht die Neigung, Supply Chain als Sammlung mathematischer Knobelaufgaben zu betrachten, den Einfluss struktureller Anreize.

Mathematische Knobelaufgaben zu erfinden und zu lösen verlangt begrenzten Einfallsreichtum, insbesondere dann, wenn sowohl die neue Aufgabe als auch ihre Lösung bloße Varianten bekannter Fälle sind. Da die Gültigkeit der Lösung allein von innerer Widerspruchsfreiheit abhängt, wie bei jedem mathematischen Beweis, ist der Autor von der Last befreit, eine Bestätigung in der Realität zu suchen. Reale Daten in synthetischen Benchmarks zu verwenden ist kaum mehr als eine Nebelwand. Es zeigt weiterhin nicht, welche Ergebnisse ein tatsächlicher Einsatz hervorgebracht hätte.

Zweitens die Berater, deren Kunden Führungskräfte in Unternehmen sind. Anders als Wissenschaftler müssen sich Berater den realen Folgen ihrer Theorien stellen, und diese Verantwortlichkeit wird häufig zum Vorteil. Zweifelt ein Manager an einem Projekt, wird ein Berater als Puffer hinzugezogen: Der Erfolg wird dem Manager zugerechnet, der Misserfolg fällt auf den Berater zurück. Im Bewusstsein dieser Dynamik entlassen Manager selten Berater mit mittelmäßiger Erfolgsbilanz. Allgemeiner vermeiden Berater gewöhnlich verbindliche Empfehlungen, da ihre Rolle im Kern darin besteht, zu einem Kunden niemals „nein“ zu sagen.

Drittens die Softwareanbieter, einschließlich des Autors dieses Buchs. Unternehmenssoftware zu entwickeln ist ein langsamer und unordentlicher Prozess. Das Endprodukt ist gewöhnlich undurchsichtig und verschachtelt. Wäre es anders, würde es als Selbstbedienungsprodukt für Einzelpersonen und kleine Unternehmen vermarktet. Auch die Kunden von Softwareanbietern sind Manager. Allerdings sind jene, die den Anbieter auswählen, in der Regel nicht diejenigen, die das Produkt nutzen. Manager ziehen oft ihre Mitarbeiter hinzu, um eine fundiertere Entscheidung zu treffen. Genau hier kommen widerstreitende Anreize ins Spiel. Die meisten Softwareprodukte sollen zumindest teilweise die Produktivität verbessern, was häufig eine Verringerung der Mitarbeiterzahl bedeutet. Sich auf die Meinungen unterstellter Mitarbeiter zu verlassen bevorzugt systematisch jenen Anbieter, der den Status quo – und damit die Mitarbeiterzahl – am besten bewahrt. Da Managern oft die Zeit fehlt, das nötige Fachwissen zur Produktbeurteilung zu erwerben, überlassen sie einen großen Teil der Bewertung externen Autoritäten.

Aufgrund dieser Dynamik ist die Fallstudie zum klassischen Werbeinstrument der Unternehmenssoftware geworden. Weil inzwischen so viele „Belege“ des Fachgebiets durch diesen Kanal fließen, verdient er im nächsten Abschnitt eine genaue Untersuchung.

3.6.1 Fallstudien

Unter den Kanälen, über die diese widerstreitenden Anreize Belege verzerren, dominiert einer: die betriebliche Fallstudie. Fallstudien sind aufwendige Werbesendungen für ein Unternehmenspublikum – nicht mehr und nicht weniger. Dennoch hängen viele Unternehmen der gefährlichen Illusion an, Fallstudien seien wahrheitsgetreu, insbesondere wenn der genannte Kunde erreichbar ist. Die Realität sieht anders aus. Bestenfalls verdeutlicht eine Fallstudie, was der Anbieter zu verkaufen versucht. Sie kann nicht beurteilen, wie sehr der zitierte Kunde profitiert hat, geschweige denn, was der Anbieter einem anderen Unternehmen liefern würde. Räumen wir mit dieser Illusion auf.

Eine „Software“-Fallstudie leidet an zwei inhärenten Mängeln, von denen jeder für sich tödlich ist: Fehlanreizen und Selektionsverzerrung.

Es besteht kein Zweifel, dass der Anbieter einen starken Anreiz zur Beschönigung hat: Vorteile werden vergrößert, Probleme, die Erträge schmälern, unterdrückt. Die Stimme des Kunden soll einen Realitätsabgleich liefern. In der Praxis hat der Kunde jedoch ebenso starke Anreize zur Beschönigung wie der Anbieter. Ein Verkauf an ein Unternehmen erfordert tatsächlich eine oder mehrere Führungskräfte, die sich für die betreffende Lösung einsetzen. Diese Fürsprecher bürgen faktisch für den Anbieter¹³. Ihre Behauptungen werden zudem durch höchst überzeugende Kennzahlen untermauert. Supply Chains sind komplex genug, um zu garantieren, dass sich eine kurze Liste günstiger Kennzahlen finden lässt, gleichgültig, wie schlecht die Initiative funktioniert. Falls nötig, lassen sich Kennzahlen sogar ganz unverhohlen fälschen. Außer Personen mit genauer Kenntnis der Initiative wird niemand in der Lage sein, den Behauptungen der Fallstudie zu widersprechen – Außenstehende am allerwenigsten. Betriebliche Fallstudien sind schon ihrer Anlage nach nicht reproduzierbar.

Bei einem derart eklatanten Interessenkonflikt, verstärkt durch ein vollständiges Fehlen von Rechenschaftspflicht, ist Verzerrung unvermeidlich. Selbst Menschen mit gefestigtem Charakter, die im Alltag für ihre Ehrlichkeit bekannt sind, können verzerrten Anreizen erliegen, wenn ihr Ruf oder ihr Lebensunterhalt auf dem Spiel steht. Damit soll nicht ihre moralische Integrität angezweifelt werden. Vielmehr gilt es, den starken Einfluss anzuerkennen, den beruflicher Druck, die Wahrnehmung durch Kollegen und persönlicher Ehrgeiz auf ansonsten bewundernswerte Menschen ausüben können. Wenn Projekterfolg in beruflichen Aufstieg, Einladungen zu Vorträgen oder innerbetriebliches Ansehen mündet, kann es selbst den integersten Menschen nahezu unmöglich sein, neutral zu urteilen. Der Interessenkonflikt ist schlicht eingebaut.

Aus diesen Gründen ist es völlig wirkungslos, den Kunden anzurufen, um eine Fallstudie zu „verifizieren“. Abgesehen vom seltenen Fall einer vollständigen Erfindung werden die beteiligten Manager gern alles Geschriebene bestätigen – genau so, wie es ihre Anreize erwarten lassen. Schlimmer noch: Der „menschliche Kontakt“ verleiht den Behauptungen unverdiente Glaubwürdigkeit, schlicht weil die meisten Führungskräfte einen positiven Eindruck bei denen hinterlassen, die sich an sie wenden¹⁴.

Selbst unter der unplausiblen Annahme, der Kunde sage die Wahrheit, bleibt die Fallstudie als Methode durch Selektionsverzerrung unheilbar fehlerhaft. Anbieter bedienen viele Kunden, und Fallstudien werden nicht zufällig ausgewählt. Naturgemäß wählt der Anbieter die günstigsten Fälle. Diese vom Anbieter gesteuerte Auswahl garantiert massive Verzerrungen.

Ein Anbieter kann tatsächlich inkompetent sein – die meisten Initiativen werden stillschweigend als Fehlschläge eingestellt – und dennoch Erfolge vorweisen. Für den Anschein von Erfolg in der Unternehmenssoftware genügt es, das Chaos zu übernehmen, das ein anderer inkompetenter Anbieter hinterlassen hat.

Inkompetente Anbieter gibt es reichlich, und Unternehmen, die sie auswählen, zeigen mangelndes Urteilsvermögen. Es überrascht deshalb nicht, wenn ein Unternehmen, das einmal einen inkompetenten Anbieter gewählt hat, erneut einen ähnlich inkompetenten auswählt, sobald der erste Fehlschlag diskret eingestanden wurde. In dieser zweiten Runde wird man jedoch einige Lehren gezogen haben und manche schweren Fehler vermeiden. Der zweite Anbieter wird daher, obwohl er ebenso inkompetent ist wie der erste, höchstwahrscheinlich etwas vergleichsweise Besseres liefern. Selbst ein Versehrter kann die Latte überspringen, wenn sie nur tief genug liegt. Aus diesem relativen Erfolg entsteht dann eine Fallstudie, die die Kompetenz des zweiten Anbieters verherrlicht.

Es ist zwecklos, die Voreingenommenheit von Autoren im Supply-Chain-Gebiet zu beklagen, ebenso wie es zwecklos ist, darauf zu hoffen, dass eines Tages ein „unvoreingenommener“ Autor erscheint. Einen neutralen Beobachter gibt es nicht. Jede Supply-Chain-Theorie auf die Probe zu stellen erfordert die Mitwirkung eines gewinnorientierten Unternehmens. Neutral zu bleiben bedeutet, inkompetent zu bleiben. Im Elfenbeinturm reiner Forschung ist keine Lösung zu finden. Widerstreitende Anreize und die von ihnen erzeugten Verzerrungen sollten als inhärentes Merkmal von Supply Chain betrachtet werden.

Das bedeutet: Die Methoden, mit denen Supply-Chain-Wissen erzeugt wird, sollten danach beurteilt werden, ob sie diese Verzerrungen abmildern statt verstärken können. Idealerweise sollten sie genau zu diesem Zweck entworfen und ausgerichtet werden.

3.7 Negatives Wissen

Nachdem wir untersucht haben, wie Supply-Chain-„Wissen“ fehlgeht, brauchen wir eine praktische Gegenmaßnahme. Der verlässlichste erste Schritt ist negatives Wissen: ein sorgfältig gepflegtes Verzeichnis dessen, was vorhersehbar scheitert, stets griffbereit und als Veto gegen verlockende, aber ruinöse Vorhaben durchgesetzt. Die folgende Darstellung erklärt, warum dieses Verzeichnis wichtig ist und wie es genutzt werden sollte.

Lenkt positives Wissen den Verstand in die richtigen Richtungen, hält negatives Wissen ihn von den falschen fern. In modernen Bildungssystemen fehlt negatives Wissen weitgehend. Lehren gilt als Vermittlung „gültigen“ Wissens an Schüler und Studierende. Selbst an Hochschulen sind Vorlesungen selten, in denen Professoren sich auf Themen wie „verbreitete Irrtümer“ oder „was gut klingt, aber nicht funktioniert“ einlassen. Daher fehlt negatives Wissen auch in der Supply-Chain-Literatur weitgehend; Supply Chain bildet hier keine Besonderheit.

Supply Chain eignet sich jedoch bemerkenswert gut für negatives Wissen. Gescheiterte Supply-Chain-Initiativen gibt es reichlich, doch allzu oft werden sie beiseitegeschoben, obwohl sie als wertvolle Quelle negativen Wissens behandelt werden sollten. Jedes Unternehmen, das seit den 1980er-Jahren eine größere Supply Chain betreibt und noch immer mit Tabellen statt mit tatsächlich automatisierten Systemen arbeitet, hat mit ziemlicher Sicherheit ein halbes Dutzend solcher Fiaskos erlebt. Die Ironie reicht bis in die späten 1970er-Jahre zurück, als Softwareanbieter erstmals vollständige Automatisierung versprachen und Erwartungen weckten, die sie bis heute nicht erfüllt haben. Statt diese Fehlschläge verblassen zu lassen, sollte ein Unternehmen jeden einzelnen gründlich untersuchen und Fehleranalysen erstellen, die die oberste Führung wie Kronjuwelen hütet. Indem die Organisation seziert, was schiefging – ein überzogenes Verkaufsversprechen, eine verworrene Befehlskette oder ein hartnäckiger Altprozess –, lernt sie, frühe Warnzeichen zu erkennen und wenige Jahre später nicht dasselbe Muster zu wiederholen.

Ein Unternehmen könnte etwa den großen Plan verfolgen, ein vollständig automatisiertes Bestandssystem in Dutzenden Lagern einzuführen. Die Initiative kann aus vielerlei Gründen scheitern: neu eingeführte Software widerspricht jahrzehntealten Abläufen, verschiedene Abteilungen stellen unvereinbare Anforderungen, oder die Technologie des Anbieters erweist sich als unzureichend, sobald glänzende Vorführungen realen Bedingungen weichen. Ohne gründliche Fehleranalyse läuft das Unternehmen Gefahr, drei Jahre später schlafwandelnd in ein unheimlich ähnliches Vorhaben zu geraten. Ein sorgfältig dokumentierter Fehlschlag stärkt dagegen das Unternehmen, so schmerzhaft seine erneute Betrachtung sein mag. Er legt die Fallstricke offen, die glatte Versprechen oder nachlässige Führung schaffen. Wer aus gescheiterten Initiativen nicht lernt, ist dazu verdammt, dieselben Fehler erneut zu finanzieren – und in Supply Chain vervielfachen sich die Kosten im Laufe der Jahre nur weiter.

Kommt ein Supply-Chain-Fiasko ans Licht, verdient es besondere Aufmerksamkeit und höhere Glaubwürdigkeit, gerade weil niemand einen Anreiz hat, es offenzulegen. Die Beteiligten verbergen ihre Fehlschläge fast immer. Wird eine Katastrophe öffentlich, ist sie gewöhnlich zu groß oder zu teuer, um unter den Teppich gekehrt zu werden. Dieses negative Wissen sollte bewahrt und untersucht werden, denn Einzelheiten eines Fehlschlags verbreiten sich nicht leicht und sind in Büchern oder wissenschaftlichen Aufsätzen nahezu unmöglich zu finden. Ein Manager, der sich dieselbe teure Lektion ersparen möchte, sollte diese seltenen Enthüllungen aufgreifen und sorgfältig prüfen. Jede zeigt nicht nur ein schlechtes Ergebnis, sondern auch die schlechte Idee, die dazu geführt hat.

Negatives Wissen hat Bestand, weil seine Grundlagen nicht auf vorübergehenden Eigenheiten des Marktes beruhen. Ist eine Methode oder ein Paradigma im Kern fehlerhaft, wird keine Veränderung der Umstände diesen Fehler jemals beheben. Supply Chain ist voller solcher Fehlgriffe. Stack Ranking¹⁵ mag beispielsweise unkompliziert erscheinen. Doch in einem Gebiet, das enge Zusammenarbeit zwischen Teams verlangt, zersetzt es genau das Vertrauen, das diese Teams zum Funktionieren brauchen. Ebenso mag es auf dem Papier sauber aussehen, der Nachfragemodellierung eine Normalverteilung aufzuzwingen. Supply-Chain-Daten folgen jedoch selten einer ordentlichen Glockenkurve. Gerade die Nachfrageschocks und seltenen Ereignisse, die den realen Betrieb prägen, übersieht dieses Modell. Diese Fehler sind keine Produkte des Augenblicks. Es ist völlig unvernünftig, sich vorzustellen, Stack Ranking oder die Normalverteilung könnten durch genügend Anpassungen plötzlich geeignet werden. Ihre Mängel sind eingebaut. Supply-Chain-Führungskräfte verschwenden wertvolle Zeit und Ressourcen, wann immer sie in der Hoffnung auf ein anderes Ergebnis zu diesen Werkzeugen greifen.

Negatives Wissen ist oft viel leichter zu verstehen als sein positives Gegenstück. Man kann Tage damit verbringen, die Funktionsweise einer spaltenorientierten Datenbank zu studieren. Es ist jedoch wesentlich einfacher – und praktischer –, sich zu merken, dass solche Datenbanken für Erfassungssysteme ungeeignet sind. Jedes Unternehmen, das einen stark transaktionsgeprägten Arbeitsablauf über eine spaltenorientierte Architektur abwickelt, entdeckt rasch, dass er quälend langsam läuft und enorme Rechenressourcen verbraucht, wodurch die Hostingkosten steigen. Ein Unternehmen macht diese Erfahrung womöglich nur einmal, bevor es den gesamten Aufbau verwirft und den Fehltritt nie wiederholt. In diesem Sinn erspart negatives Wissen einem Manager, jede Nuance der Ursachen eines technologischen Scheiterns zu beherrschen. Es genügt zu wissen, dass die Technologie scheitern wird, und diese Sackgasse ganz zu meiden.

Umgekehrt eignet sich negatives Wissen besonders für Supply Chain, weil verlässliches positives Wissen so schwer zu gewinnen ist.

Experimente in Supply Chain sind schwieriger durchzuführen, als es zunächst scheint. Kein großes Unternehmen möchte mit der Leistung eines weitverzweigten Netzwerks spielen, dessen Ausfälle zugleich Bestände, Transport und Kundenzufriedenheit treffen können. Selbst ein scheinbar bescheidener Versuch kann ganze Betriebsbereiche stören und trotzdem nur einen flüchtigen Eindruck davon vermitteln, ob er tatsächlich geholfen oder die Last lediglich auf einen anderen Teil der Supply Chain verlagert hat. Ein Händler, der mit kleineren, häufigeren Lieferungen experimentiert, könnte lokale Fehlbestände in einer Handvoll Filialen verringern, nur um festzustellen, dass die Transportkosten in die Höhe schießen und Distributionszentren, die bereits mit komplexen Zeitplänen jonglieren, zusätzliche Schwierigkeiten bekommen. Das ist der wiederkehrende Fluch der Supply Chain: Probleme werden häufig nur verschoben statt beseitigt.

Zudem ist jedes Supply-Chain-Experiment wie jedes ökonomische Experiment bekanntermaßen schwer zu wiederholen. Keine zwei Zeitpunkte bieten identische Bedingungen, und Marktdruck, organisatorische Beschränkungen sowie der menschliche Faktor lassen sich niemals vollständig reproduzieren. Was im vergangenen Jahr bei einem bestimmten Nachfragemuster funktionierte, kann spektakulär scheitern, wenn sich Kundenvorlieben ändern oder ein neuer Wettbewerber in den Markt eintritt. Im Hintergrund lauern stets Störfaktoren, die Ursache und Wirkung verschleiern. Erklärt ein Unternehmen ein Experiment für „erfolgreich“, interpretiert es gewöhnlich lokale Daten aus einem bestimmten Blickwinkel – oft ohne zu erkennen, dass sich die übergeordneten Verhältnisse bereits verändert haben. Statt uns zu abschließenden Wahrheiten zu führen, erinnern solche Versuche meist daran, wie zerbrechlich und schwer greifbar diese Wahrheiten sein können.

Sogenannte „Best Practices“ dürfen nicht ungeprüft übernommen werden. Professoren, Berater und Softwareanbieter verfolgen jeweils ihre eigenen Ziele, und keiner richtet sich nach dem, was ein Unternehmen tatsächlich braucht. Professoren konzentrieren sich auf Theorien, die sich für Forschungsaufsätze und die Benotung im Unterricht eignen. Beides sagt wenig darüber aus, ob diese Theorien reale Ergebnisse liefern. Berater wiederum verlangen nach Originalität, um sich von ihresgleichen abzuheben; Neuartigkeit allein beweist jedoch nichts. Indem sie Randthemen ins Rampenlicht rücken und als dringlich darstellen, lenken sie die Unternehmensspitze von weit drängenderen Anliegen ab. Unterdessen erweitern Softwareanbieter unablässig ihren Funktionsumfang, um jede Anforderung einer Ausschreibung abzuhaken. Dabei räumen sie selten ein, wie diese zusätzlichen Schichten die Wartbarkeit an ihre Grenzen treiben.

Selbst wenn eine kluge Idee in der Praxis Fuß fasst, kann sie ihren Vorsprung verlieren, sobald zu viele sie übernehmen. Eine sogenannte Best Practice bietet keinen Vorteil mehr, wenn sie in einer Branche weithin verbreitet ist. Konkurrenten passen sich an und zehren die Gewinne auf, die diese Praxis einst brachte. Dieser Effekt ist nicht auf Supply Chain beschränkt, fällt hier aber besonders stark ins Gewicht, weil so viele konkurrierende Akteure – Anbieter, Berater, sogar akademische Kreise – einen Anreiz haben, eine neue Technik zur universellen Lösung zu erklären. Echter Fortschritt liegt anderswo. Keine einzelne Methode ist so robust, dass sie im Rampenlicht massenhafter Übernahme unverändert bestehen bleibt. Was als Best Practice gilt, hängt davon ab, dass Konkurrenten es nicht tun. Sobald sie aufholen, verschwindet ihr Wert.

Die Landkarte der erkenntnistheoretischen Fallstricke ist nun vollständig: modische Mathematik, von Geschichten getriebene Soziologie, korrumpierte Belegketten und die Fehlanreize, die alle drei am Leben halten. Diesem Labyrinth zu entkommen erfordert einen Bezugsrahmen, der sich nicht mit den Moden verschiebt, sowie eine Leitplanke, die uns davon abhält, wieder in dieselben Gräben zu steuern. Die Ökonomie liefert den Rahmen; negatives Wissen liefert die Leitplanke. Nur indem wir jede Supply-Chain-Behauptung in Opportunitätskosten, Gewinn und Verlust übersetzen und zugleich Muster aktiv zurückweisen, die vorhersehbar Wert zerstören, können wir Alternativen auf neutralem Boden vergleichen und Wunschdenken als solches entlarven. Mit diesen Maßstäben verlässt das nächste Kapitel die Erkenntnistheorie und wendet sich den Grundprinzipien zu. Es greift die elementaren Gesetze der Ökonomie wieder auf und zeigt, wie sie jede nachfolgende Entscheidungsregel dieses Buchs verankern.

4 Ökonomie

Die Supply Chain ist ein angewandter Zweig der Ökonomie, die ihrerseits ein Zweig der Praxeologie ist, der Lehre vom menschlichen Handeln. Supply Chains entstehen, wenn Menschen in großem Maßstab gemeinsam handeln, um ihre materiellen Lebensbedingungen zu verbessern.

In Kapitel 1 haben wir Supply Chain als die Beherrschung der Optionalität angesichts von Variabilität definiert. Optionalität betrachtet die „alternativen Verwendungsmöglichkeiten“ der allgemeinen Ökonomie aus Unternehmenssicht: Jede Entscheidung weist eine knappe Ressource einer Option zu und schließt die übrigen aus. Die Ökonomie ist keine ferne Kulisse – sie ist die Grammatik der Supply-Chain-Praxis.

Leider ist die Ökonomie nach wie vor eine Wissenschaft, die weitgehend missachtet und ignoriert wird. In traditionellen wie sozialen Medien sprechen viele selbsternannte „Ökonomen“ nicht als Wissenschaftler, sondern als politische Ideologen¹⁶.

Interessenkonflikte verschärfen die Lage: Viele Ökonomen beziehen ihre Gehälter direkt oder indirekt von genau den Staaten, deren Politik sie kommentieren. Bewusst oder unbewusst verengt eine solche Finanzierung das Spektrum der Ansichten, die ohne berufliches Risiko geäußert werden können¹⁷. Wenn sich Ideologie als neutrale Analyse ausgibt, vertieft sich das Misstrauen der Öffentlichkeit nur noch.

4.1 Grundlegende ökonomische Prinzipien

Lesern, die mit der Ökonomie nicht vertraut sind, empfehlen wir Basic Economics (2000) von Thomas Sowell. Die Lektüre ist keine Voraussetzung, doch ihre Erkenntnisse bilden eine Grundlage für Studium und Praxis der Supply Chain. Wie Sowells andere Werke ist das Buch außergewöhnlich klar und auch einem Publikum ohne fachliche Vorkenntnisse zugänglich. Vor allem verdeutlicht es, dass die Ökonomie gegenüber Politik und anderen Ideologien strikt neutral ist. Den allgemeinen Gesetzen der Ökonomie kann man nicht entgehen: Sie gelten gleichermaßen, unabhängig davon, wie sich die Gesellschaft organisiert, ob im Kapitalismus, Sozialismus oder Feudalismus. Gesetze wie das von Angebot und Nachfrage, das der abnehmenden Erträge und Ricardos komparativer Vorteil sind für die Supply Chain grundlegend.

Diese grundlegenden Gesetze bestimmen jeden Tausch, den eine Supply Chain organisiert.

Gesetz von Angebot und Nachfrage. Auf einem freien Markt steigt der Preis eines Gutes, wenn die Nachfrage das Angebot übersteigt, und fällt, wenn das Angebot die Nachfrage übersteigt. Das Preissignal ist keine willkürliche Konvention; es ist das Instrument, das knappe Güter zuteilt. Als während der Erholung nach den Lockdowns 2021 ankommende Seecontainer knapp waren, vervierfachten sich die Frachtraten. Verlader, denen die Container am meisten wert waren, akzeptierten den Aufschlag und verschifften ihre Waren rechtzeitig; Ladungen mit geringerem Wert warteten, bis wieder Kapazität verfügbar war. Der Mechanismus mag brutal erscheinen, doch er weist eine knappe Ressource stillschweigend ihrer wertvollsten Verwendung zu und ermutigt zugleich die Frachtführer, in zusätzliche Kapazität zu investieren.

Gesetz der abnehmenden Erträge. Wird ein Produktionsfaktor erhöht, während alle anderen konstant bleiben, nimmt die durch jede zusätzliche Einheit erzeugte Mehrproduktion irgendwann ab. Verdoppelt man die Zahl der Kommissionierer in einem Versandzentrum, verdoppelt sich der Paketdurchsatz beinahe – bis Engpässe an den Packstationen begrenzend wirken. Dieselbe Kurve zeigt sich beim Aufbau von Pufferbeständen: Die erste Palette senkt das Risiko eines Fehlbestands erheblich, die zehnte bietet nur noch ein winziges Maß an zusätzlicher Absicherung. Den Knick dieser Kurve zu finden, ist ein zentrales ingenieurtechnisches Problem der Supply Chain.

Ricardos Gesetz des komparativen Vorteils. Selbst wenn eine Partei jedes Gut absolut effizienter herstellt, profitieren beide Parteien vom Handel, wenn sich jede darauf spezialisiert, was sie relativ am besten kann. Ein Schweizer Mikrobearbeitungsbetrieb, der hochpräzise Zahnräder herstellt, und eine indonesische Fabrik, die Baumwollhemden webt, gewinnen beide durch den Austausch ihrer Erzeugnisse, trotz der Unterschiede bei Löhnen und Qualifikationen. Supply Chains stellen die Infrastruktur bereit – Schifffahrtsrouten, Lagerhäuser, Informationssysteme und Verträge –, die komparative Vorteile in greifbare Überschüsse verwandelt.

Diese drei Gesetze dienen der Veranschaulichung; sie sind keine vollständige Aufzählung. Zahlreiche weitere Begriffe kommen hinzu – Opportunitätskosten, Zeitpräferenz, unternehmerischer Gewinn und Verlust –, doch diese drei genügen, um zu zeigen, warum sich jede Entscheidung über Bestände, Routen oder Preise letztlich auf dieselbe Frage zurückführen lässt: Wie lassen sich knappe Ressourcen unter Unsicherheit am besten ihrer wertvollsten Verwendung zuführen?

4.2 Märkte und Supply Chains

Die bemerkenswerte Verbesserung der materiellen Lebensbedingungen der Menschheit in den letzten drei Jahrhunderten lässt sich weitgehend auf die freie Marktwirtschaft zurückführen. Sie hat die Entwicklung nahezu aller Wissenschaften und Technologien finanziert, die uns heute zugutekommen. In den entwickelten Ländern, in denen inzwischen ein immer größerer Teil der Menschheit lebt, betragen die realen Preise für Lebensmittel und Industrieerzeugnisse nur einen Bruchteil ihres Niveaus vor einem Jahrhundert.

Die Beherrschung der Supply Chain ist eine der vielen Innovationen, die freie Märkte vorantreiben, um mit weniger Ressourcen mehr zu leisten. Supply Chains sind zwar auf ergänzende Technologien angewiesen, doch ihre Existenz deutet typischerweise auf breite Zugänglichkeit hin: Ohne sie lassen sich Güter weiterhin herstellen, allerdings zu Kosten, die nur wenige Privilegierte tragen können.

Die besseren materiellen Lebensbedingungen in entwickelten Ländern beruhen zu einem großen Teil auf effizienten Supply-Chain-Abläufen. Fortschritte in Wissenschaft und Technik ermöglichen uns zwar außergewöhnliche Leistungen – etwa das Überleben im Orbit –, doch zwischen vereinzelten technischen Kunststücken und den zuverlässig nutzbaren Wundern, die der breiten Masse zugänglich sind, liegt ein gewaltiger Unterschied. Diese Lücke wird weitgehend durch robuste Supply Chains überbrückt, die das Rückgrat unserer industriellen Zivilisation bilden.

Ein aufschlussreiches Gegenbeispiel liefert die Sowjetunion. Unter der Zentralplanung war fast jeder große Hersteller zu extremer vertikaler Integration gezwungen, weil es schlicht keine verlässlichen Partner gab. Eine Kühlschrankfabrik in Leningrad betrieb ihren eigenen Holzplatz für Kisten, ihre eigene Glashütte für Einlegeböden und sogar einen Milchviehbetrieb zur Versorgung der Werkskantine. Was auf dem Papier wie beneidenswerte Selbstversorgung aussah, war tatsächlich das Symptom einer Wirtschaft, in der Vertrauen, Spezialisierung und Preissignale ausgelöscht worden waren.

Da Märkte fehlten, die Pünktlichkeit und Qualität belohnten, waren „Partner“ lediglich andere Ministerien, die liefern mussten, was sie konnten, wann immer sie konnten. Die Fabriken sicherten sich daher ab, indem sie vorgelagerte Kapazitäten im eigenen Haus duplizierten und Vorräte an Vorleistungen für Monate, mitunter Jahre horteten. Fertigwaren erging es nicht besser: Sie warteten oft wochenlang auf Eisenbahnwagen und waren damit selbst dem chronischen Wagenmangel der Gosplan-Zeitpläne ausgeliefert. Lieferzeiten, die ein westliches Unternehmen in den Bankrott getrieben hätten, galten als Routine, und die Verschwendung zeigte sich in jeder Kennzahl. Die Frachttonnenkilometer je Produktionseinheit lagen um ein Mehrfaches über denen von Marktwirtschaften, während der spezifische Energieverbrauch für Stahl, Textilien oder Brot westliche Vergleichswerte weit übertraf.

Diese Episode ist für heutige Manager relevant: Die Leistungsfähigkeit einer Supply Chain ist nicht in erster Linie eine Frage geschickter Heuristiken oder größerer Lagerhäuser. Sie ist vor allem eine Frage der Anreize in Verbindung mit einer angemessenen Wirtschaftsrechnung. Wenn sich Preise frei bewegen und Verträge durchgesetzt werden, gedeiht die Spezialisierung. Lange, empfindliche Netzwerke werden dann nicht nur möglich, sondern sind auch weitaus effizienter als monolithische Giganten. Entfallen diese Anreize oder diese Wirtschaftsrechnung, ziehen sich die Netzwerke nach innen zurück, bis jede Fabrik zu einer Festung wird, die ihre eigenen Rohstoffe hortet. Komplexität verschwindet nicht; sie tritt lediglich als Verschwendung wieder hervor.

Vor den 1950er-Jahren waren Flugreisen ein extravaganter Luxus, der dem Militär und den Wohlhabenden vorbehalten war. Eine Reihe von Innovationen machte das Fliegen dann sicher und erschwinglich und damit alltäglich. Eine Schlüsselinnovation waren Gondeltriebwerke – Flugzeugtriebwerke, die in Gondeln unter den Tragflächen angebracht sind –, ein Konzept, bei dem die Sud Aviation Caravelle 1955 Pionierarbeit leistete. Diese Gondeln entkoppelten die Triebwerkswartung von der Wartung des Hauptrumpfs, senkten die Betriebskosten erheblich und ebneten Flugzeugen wie der Boeing 707 im Jahr 1957 den Weg, Flugreisen für die breite Bevölkerung zugänglich zu machen.

Bislang profitiert die Raumfahrtindustrie noch nicht von modernen Supply-Chain-Praktiken, vor allem aufgrund technologischer Grenzen. Eine Handvoll wohlhabender Unternehmer hat Flüge in den Orbit gekauft, doch die Preise sind für die meisten Menschen weiterhin unerschwinglich. Nach Jahrzehnten der Stagnation entwickelt SpaceX Technologien weiter – allen voran wiederverwendbare Raketen –, die eines Tages eine Supply Chain im Weltraum ermöglichen könnten. Sobald diese Technologien beherrscht werden, werden etablierte Supply-Chain-Prinzipien die Kosten erheblich senken.

Ein historisches Beispiel für diese Dynamik ist die rasche Verbreitung des Containertransports in der Seeschifffahrt während der 1950er- und 1960er-Jahre. Der standardisierte intermodale Container war ein Durchbruch, der Umschlagkosten und Transportzeiten drastisch verringerte. Sobald diese Technologie etabliert war – was entsprechend ausgestattete Häfen, Kräne und Schiffe voraussetzte –, entstand um sie herum eine neue Generation von Supply Chains. Häfen, die ihre Anlagen nicht modernisierten und keine Containerstandards integrierten, fielen zurück; diejenigen, die auf Container setzten, wurden zu wichtigen Knotenpunkten des Welthandels. Ebenso organisieren Innovatoren ihre Supply Chains rasch neu, sobald eine neue Technologie ausreift – ob wiederverwendbare Raketen oder fortschrittliche Robotik –, um diese Fortschritte zu nutzen. Dabei setzen sie sowohl auf Modularität als auch auf Standardisierung, um ein zuvor unerreichtes Ausmaß und eine ebensolche Kosteneffizienz zu erzielen.

Allgemeiner erweitern technologische Fortschritte das Spektrum der verfügbaren Optionen, und die Supply Chain entscheidet, wie diese für größtmögliche wirtschaftliche Effizienz am besten genutzt werden.

4.3 Der Wert von Supply Chains

Supply Chains sind aus der Marktwirtschaft entstanden, weil sie effizient sind. Die erste echte Supply Chain zu datieren, ist müßig: Das Phänomen entstand allmählich und lässt sich bis in die Antike zurückverfolgen. Zudem entstanden Supply Chains, ohne dass visionäre Planer Unternehmen gezielt zu dem geführt hätten, was wir heute als Supply Chains erkennen. Die Unternehmen folgten schlicht der empirisch feststellbaren Effizienz, und diese führte sie zu den Supply Chains, die heute existieren. Moderne Unternehmen lassen sich inzwischen zwar mit der ausdrücklichen Absicht entwerfen, eine überlegene Supply Chain auf den Markt zu bringen, doch diese Perspektive ist recht jung – und kam größtenteils erst nach den Supply Chains selbst auf.

Supply Chains existieren, weil sie eine Handvoll struktureller Mechanismen erschließen, die dauerhafte Wettbewerbsvorteile schaffen. Die folgenden Seiten untersuchen diese Mechanismen und zeigen, wie die Gestaltung einer Supply Chain mehr Wert erzeugen kann, als bloße Größe es je könnte.

Diese Mechanismen unterscheiden sich etwas vom traditionellen Begriff der Skaleneffekte, unter dem man im Allgemeinen höhere Effizienz mit zunehmender Größe versteht. Diese Effizienz ergibt sich typischerweise aus dem Zusammenspiel fixer und variabler Produktionskosten. Funktionen wie Entwicklung, Marketing, strategische Unternehmensführung und Compliance sind unabhängig von der Produktionsmenge weitgehend fix, während Beschaffung, Transport und Verarbeitung von Gütern mit dem Volumen skalieren.

Skaleneffekte sind eine grundlegende Form der Flussoptimierung: Ein höheres Volumen senkt die Grenzkosten. Im Tagesgeschäft verfügen Supply-Chain-Fachleute jedoch selten über Hebel, um das Volumen so weit zu erhöhen, dass zusätzliche Skaleneffekte entstehen. Sprunghafte Veränderungen des Flusses gehören in den Bereich M&A, also Fusionen und Übernahmen, nicht in die Supply Chain.

Über Skaleneffekte hinaus entsteht zusätzlicher Wert dadurch, wie ein Unternehmen seinen Fluss durch vier wiederkehrende Kräfte gestaltet: Standardisierung (die innewohnende Variabilität zähmen), Bestandsbündelung (Bestände zusammenführen, um Zufälligkeit abzufedern), Losbildung (Bewegungen bündeln, um die Handhabungskosten je Einheit zu senken) und Vielseitigkeit (Anlagen so gestalten, dass sie mehreren Zwecken dienen). Diese Kräfte setzen an unterschiedlichen Hebeln an – Information, Raum, Zeit und Kapital –, verfolgen aber dasselbe Ziel: aus denselben knappen Ressourcen mehr Leistung zu gewinnen. Die nächsten Abschnitte untersuchen diese Kräfte der Reihe nach, beginnend mit der Standardisierung.

4.3.1 Standardisierung

Variabilität ist der natürliche Zustand physischer Dinge. Keine zwei Bäume sind exakt gleich; dasselbe gilt für Steine, Kühe, Menschen und Grundstücke. Oft verschwimmen die Grenzen: Gehört heruntergefallenes Obst noch zum Baum? Erstreckt sich das Eigentum an einem Grundstück von den Tiefen der Erde bis zu den Sternen darüber? Auch unsere Handlungen weisen eine inhärente Variabilität auf. Schon das Hinlegen eines Apfels erlaubt zahllose Varianten; keine zwei Platzierungen sind exakt gleich. Der Apfel kann auf den Boden fallen, wieder aufgehoben und ins Regal zurückgelegt werden. Zählt das noch als dieselbe Handlung? Auch wenn der Boden schmutzig ist? Dennoch setzen wir in der industriellen Zivilisation voraus, dass sich im Fluss physischer Güter beinahe jedes „Ding“ und jede „Handlung“ sauber identifizieren und zählen lassen. Das ist kein Zufall, sondern das Ergebnis jahrhundertelanger Bemühungen, den Fluss beherrschbar zu machen – eines Prozesses, den man Standardisierung nennt.

Standardisierung ist eine lose Sammlung von Praktiken, die den Güterfluss innerhalb von Unternehmen und über Märkte hinweg beherrschbar machen. Tatsächlich erschwert die allen Dingen innewohnende Variabilität alles. Jeder gekaufte oder verkaufte Artikel unterscheidet sich in seinen Eigenschaften und deshalb häufig auch im Preis. Jeder Fertigungsprozess muss fortwährend angepasst werden, um den winzigen Unterschieden seiner ständig wechselnden Einsatzgüter Rechnung zu tragen. Diese Komplikationen beanspruchen Aufmerksamkeit des Managements – einen kostspieligen Einsatzfaktor – und schwächen die Fähigkeit des Unternehmens, Skaleneffekte zu erzielen. Sie verursachen auch kognitive Kosten für Kunden, die beurteilen müssen, ob ein Artikel für seine vorgesehene Verwendung geeignet ist.

Einem heutigen Leser mag das abstrakt erscheinen. Die überwiegende Mehrheit der Güter ist standardisiert und wird innerhalb enger physischer Toleranzen in Masse hergestellt. Unterschiede zwischen Einheiten sollten nicht wahrnehmbar sein; zwei Einheiten desselben Produkts sollten sich visuell nicht unterscheiden lassen. Wenn eine solche Unterscheidung möglich ist, führen wir Kunden den Unterschied instinktiv auf irgendeinen Mangel zurück¹⁸. Selbst Obst und Gemüse aus dem Laden werden heute sorgfältig nach Größe und anderen Merkmalen sortiert, wodurch die Variabilität auf einen Bruchteil der natürlichen Unterschiede bei der Ernte sinkt. In der Industrie bedeutet Qualität vor allem die Abwesenheit unbeabsichtigter Abweichungen.

Wir erwarten außerdem ein hohes Maß an Modularität und Interoperabilität zwischen Betriebsmitteln. Dank spezieller Containerkräne gelangen Container nahtlos vom Schiff auf den Lkw. Eine begrenzte Auswahl an Reifengrößen deckt nahezu alle Lkw ab. Standardisierte Palettenanordnungen nutzen den Containerraum optimal aus, und Gabelstapler, die für Paletten gebaut sind, bewegen diese effizient. Auf jeder Stufe werden Barcodes gedruckt und später gescannt, häufig von einem anderen Unternehmen. Letztlich beruhen Modularität und Interoperabilität auf sorgfältiger Standardisierung, die ganze Klassen von Abläufen vereinfacht.

Noch vor einem Jahrhundert war die Lage jedoch grundlegend anders. Die meisten massengefertigten Artikel wiesen weiterhin wahrnehmbare Unterschiede auf. Interoperabilität bestand lokal, nicht weltweit, und Modularität blieb weitgehend auf einzelne Unternehmen beschränkt. Nach dem Zweiten Weltkrieg nahmen Umfang und Tiefe der Standards gemeinsam mit den modernen Supply Chains zu. Die Bewegung hatte entschiedene Fürsprecher, insbesondere W. Edwards Deming, dessen Qualitätsmethoden die Standardisierung zu einer Priorität der Unternehmensführung machten.

Standardisierung ist eine entscheidende Voraussetzung dafür, den Fluss auf große Mengen auszuweiten: Ohne sie sind viele Prozesse nicht durchführbar, Marken sind Qualitätsmängeln ausgesetzt, Manager jagen Ausreißern hinterher, und die meisten Skaleneffekte bleiben unerreichbar.

Infolgedessen ist der Fluss überwiegend diskret geworden: Einzelne Einheiten, die Stück für Stück gezählt werden, bewegen sich nun durch das Netzwerk, statt anonymer Tonnen oder Liter. Für Sand, Rohöl und Getreide bleiben Massengutverfahren bestehen, doch bei allem, was auch nur etwas Wert besitzt, ist eine mit Barcode versehene, scanfertige Einheit der Normalfall.

Diese Diskretheit verstärkt die Optionalität enorm. Ein Eisenbahnwagen Ethanol bietet eine Wahl – versenden oder zurückhalten –, während eine Palette mit 120 Bohrmaschinen 120 getrennte Wahlmöglichkeiten bietet: Jede Bohrmaschine kann aus der Gruppe herausgelöst, umgeleitet, neu bepreist, in ein Set aufgenommen oder für später zurückgehalten werden. Jede SKU funktioniert somit wie ein Optionsticket, dessen Wert davon abhängt, wo, wann und gegenüber wem die Option letztlich ausgeübt wird.

Der Vorteil liegt auf der Hand: Die feine Granularität erlaubt es einem Unternehmen, Bestände zu neu entstehenden Nachfrageinseln umzuleiten, winzige Preisunterschiede durch Arbitrage zu nutzen und sich erst zum spätestmöglichen Zeitpunkt festzulegen. Der Nachteil ist ebenso klar: Der Entscheidungsraum explodiert. Ein Planer, der früher zwei Container im Monat disponierte, muss nun täglich Tausende kleinster Bewegungen koordinieren. Fehlen geistige Kapazität oder Rechenleistung, greift das Management auf grobe Regeln zurück – Mindestbestellmengen, feste Zyklen, pauschale Zuteilungen – und beseitigt damit einen großen Teil der Flexibilität, für die es bezahlt hat. Diskretheit ist also ein zweischneidiges Schwert: Sie vervielfacht die Möglichkeiten und erhöht zugleich den Bedarf an Automatisierung, die diese sichten und in eine Rangfolge bringen kann. Auf dieses Spannungsverhältnis kommen wir bei der Erörterung von Entscheidungsprozessen zurück.

Die Handhabung einzelner Einheiten ist nicht kostenlos: Karton, Barcode und zusätzliche Handgriffe verursachen jeweils zusätzliche Kosten von einigen Cent. Doch bei allem oberhalb der billigsten Massengüter werden diese Centbeträge vom Nutzen präziser Zuteilung weit übertroffen. Auf den folgenden Seiten wird jede Einheit als handelbare Option behandelt; die Frage lautet dabei stets, welche Ausübung den langfristigen Gewinn maximiert. Mit dieser diskreten Grundlage können wir uns nun der zweiten strukturellen Kraft zuwenden: der Bestandsbündelung.

4.3.2 Bestandsbündelung (Pooling)

Die Bestandsbündelung konzentriert Bestände an einem Ort – oder unter dem Dach eines einzigen Unternehmens –, um mehrere Nachfrageströme zu bedienen. Ist der Zusatzaufwand dieser Konzentration vernachlässigbar, erbringt die Bündelung dieselbe Leistung mit weniger Kapital als mehrere unabhängige Bestände. In der Praxis ist sie rentabel, wenn die Einsparungen bei den Bestandskosten den zusätzlichen Aufwand für die Bedienung der Nachfrage übersteigen. Beispielsweise erhöht die Konzentration von Beständen an einem Ort typischerweise die Transportkosten gegenüber einer Versorgung von mehreren Standorten aus.

Die Bestandsbündelung mildert die Variabilität der Supply Chain gemäß dem Gesetz der großen Zahlen: Ein zentraler Bestand kann ungleichmäßige Nachfragespitzen in verschiedenen Segmenten flexibel auffangen und so den Gesamtbestand verringern, der zur Aufrechterhaltung der Servicegrade erforderlich ist. Stellen wir uns einen Tisch vor, an dem der Champagner für den gesamten Empfang steht, statt vieler kleinerer Tische. Die Bündelung der Ressourcen senkt das Risiko, dass einem einzelnen Tisch der Champagner ausgeht, und stellt sicher, dass alle bedient werden. Natürlich kann die Bündelung die Versorgung auf der letzten Meile erschweren, wenn sie die Güter zu weit vom Verbrauchsort entfernt platziert.

Betrachten wir ein Unternehmen, das zwischen einem einzigen großen Distributionszentrum und mehreren kleineren Lagern abwägt. Ein einziges Zentrum bündelt die Nachfrage effizient und senkt den Gesamtbestand, verursacht aber auch Zusatzaufwand: längere durchschnittliche Transportwege und mehr Handhabung am Knotenpunkt. Manager müssen diese Logistikkosten gegen die Einsparungen an Betriebskapital abwägen. Ist die regionale Produktnachfrage eng korreliert, etwa aufgrund von Saisonalität oder landesweiten Kampagnen, bietet ein einziges Lager weniger Nutzen. Korrelierte Nachfrage und die Flexibilität der Kunden, das Geschäft oder den Vertriebskanal zu wechseln, schmälern die theoretischen Gewinne der Bündelung. Vergleichende Simulationen oder ein Pilotversuch prüfen in der Regel, ob die Bestandseinsparungen zusätzliche Ausgaben und Verzögerungen überwiegen und damit ein positiver Nettowert entsteht.

Theoretisch kann die Bestandsbündelung das Betriebskapital drastisch senken; in der Praxis schmälern Reibungsverluste die Gewinne und verursachen Zusatzaufwand. Dennoch bleibt sie in vielen Zusammenhängen attraktiv.

Lässt man den zusätzlichen Transportaufwand beiseite, fallen die Gewinne aus zwei Gründen geringer aus. Erstens sind Nachfrageströme niemals unabhängig; vielmehr ist zu erwarten, dass sie recht stark korreliert sind. Märkte sind miteinander verbunden. Zwar können Anstiege und Rückgänge einander ausgleichen, doch das typische Muster ist ein Gleichlauf, kein gegenseitiges Aufheben. Korrelation hat viele Ursachen, häufig das Handeln des Unternehmens selbst. Beispielsweise erhöht eine landesweite Werbung die Nachfrage an vielen Standorten gleichzeitig. Bei vollkommen korrelierten Strömen erfordert die Bündelung für einen gegebenen Servicegrad ebenso viel Betriebskapital wie eine dezentrale Verteilung.

Zweitens kann ein Kunde bei einem Nachfrageanstieg und einem örtlichen Fehlbestand einen anderen Standort aufsuchen und den damit verbundenen Zusatzaufwand auf sich nehmen. Dies ist in dichten Einzelhandelsnetzen üblich, in denen mehrere Geschäfte innerhalb derselben Stadt konkurrieren. Wenn Kunden die Verfügbarkeit online prüfen können, verstärkt dies den Effekt: Es bewegt sie bis zu einem gewissen Grad dazu, bei den Bestandsregeln des Unternehmens mitzuwirken. Akzeptieren Kunden den Zusatzaufwand alternativer Versorgungsstandorte vollständig, bringt die Bestandsbündelung keinen Nutzen: Dieselbe Bestandsreduzierung wäre auch ohne Zusammenlegung erreichbar gewesen.

Ließe sich die Zukunft vollkommen vorhersehen, brächte die Bestandsbündelung keinen Nutzen; sie würde lediglich Zusatzaufwand durch eine suboptimale Platzierung verursachen. Gerade weil sich die Unsicherheit der Zukunft nicht beseitigen lässt, ist die Bündelung so weit verbreitet.

Hinsichtlich der Optionalität verringert die Bestandsbündelung die Zahl der Optionen, aber weder deren Häufigkeit noch deren Vielfalt. Sie vereinfacht daher die Supply-Chain-Aufgabe etwas. Unternehmen setzen jedoch selten allein wegen dieser Vereinfachung auf Bündelung. Empirisch bestimmen vor allem Überlegungen zu unverkäuflichen Beständen und Regalfläche die Auswahl geeigneter Lagerorte für ein bestimmtes Produkt.

4.3.3 Losbildung

Während die Bestandsbündelung Bestände im Raum konzentriert, konzentriert die Losbildung den Fluss in der Zeit. Bei der Losbildung werden Artikel in größeren Losen statt einzeln bearbeitet. Das senkt die Bearbeitungskosten je Einheit, verringert aber die Fähigkeit, kleine Mengen bereitzustellen.

Losbildung ist in der Logistik allgegenwärtig: Sobald der Fluss einen Schwellenwert überschreitet, werden Einheiten zu größeren Losen umgepackt. Eine typische Folge lautet: \(N\) Einheiten in einem Karton zusammenfassen; \(N\) Kartons zu einer Palettenlage bündeln; \(N\) Lagen zu einer vollen Palette zusammenstellen; schließlich \(N\) Paletten in einen Container packen. Diese Bündelung senkt unmittelbar die Handhabungskosten, sowohl innerhalb eines Betriebs (Intralogistik) als auch zwischen Betrieben. Gebündelte Einheiten lassen sich einfacher handhaben und zählen, und ihre Verpackung bietet häufig zusätzlichen physischen Schutz.

Auch in der Fertigung ist Losbildung üblich: Typischerweise wird eine große Menge eines einzigen Produkts gefertigt, bevor ein Wechsel oder eine Pause erfolgt. Dieses Vorgehen minimiert Rüstzeiten und andere unproduktive Arbeit, etwa Neukalibrierungen, und erleichtert auch die Logistik nach der Produktion. In der Prozessindustrie, beispielsweise der Chemie, führen Skaleneffekte wie höhere Ausbeuten zu riesigen Anlagen und entsprechend großen Chargen.

Losbildung erhöht die inhärente Variabilität des Flusses und verstärkt die Auswirkungen externer Marktschwankungen. Intern steigt die Variabilität, weil die Losbildung das Schicksal vieler Einheiten miteinander verknüpft. Werden 100 Einheiten einzeln von verschiedenen Kurierdiensten versandt, wäre es überraschend, wenn alle verloren gingen. Werden jedoch alle 100 Einheiten mit einem Lkw transportiert, betrifft das geringe Verkehrsunfallrisiko nun alle zugleich. Formal erhöht die Losbildung die Varianz im Fluss.

Losbildung verstärkt externe Variabilität. Der häufigste Mechanismus ist ein längerer Flusszyklus. Die Losbildung verringert die Häufigkeit von Beschaffung, Transport und Produktion. Umgangssprachlich wird dieser verlängerte Zyklus als „längere Lieferzeit“ bezeichnet. Bei der Losbildung ist die Lieferzeit der Zeitraum, den das Unternehmen warten muss, bevor es das nächste Los anstoßen kann. Größere oder seltenere Lose binden mehr Betriebskapital in Beständen, weil Artikel weit im Voraus gekauft oder produziert werden müssen. Sie verringern auch die Flexibilität: Eine falsch eingeschätzte Nachfrage verwandelt übergroße Lose in Überbestände oder lang anhaltende Fehlbestände, deren Korrektur jeweils kostspielig ist. Ein längerer Zyklus zwingt das Unternehmen, länger weiterzuarbeiten, bevor es erneut entscheiden kann. Beispielsweise vergrößert eine falsch eingeschätzte Nachfrage bei Losbildung die Überbestände oder verlängert Fehlbestände, je nachdem, ob die Nachfrage über- oder unterschätzt wurde.

Losbildung verringert die Optionalität, indem sie sowohl die Häufigkeit als auch die Zahl der Entscheidungen innerhalb eines Zeitraums, etwa eines Monats, senkt. Fehlt eine angemessene Automatisierung, wird die Losbildung häufig vor allem zur Vereinfachung der Supply Chain eingesetzt. Diese Abwägung lässt dem Unternehmen jedoch weniger Optionen und weniger Flexibilität, sich an Marktveränderungen anzupassen. In der Praxis wählen Unternehmen allzu oft große Lose, weil ihnen die Kapazität oder die Managementressourcen fehlen, um häufigere, detailliertere Entscheidungen zu bewältigen. Dies spiegelt eine menschliche oder organisatorische Grenze wider, keine physische Notwendigkeit.

Mit geeigneter Automatisierung wird der Zusatzaufwand häufiger Entscheidungen über physische Güter minimal, oft vernachlässigbar. Indem die Automatisierung die Koordinationskosten senkt, verbessert sie das Verhältnis von Risiko und Ertrag kleinerer Lose und verringert sowohl Bestandskosten als auch Lieferzeiten. Während moderne Computer im Nanosekundenbereich arbeiten, sind physische Güter tatsächlich auf Zeitskalen von Zehntelsekunden (0,1 s) begrenzt – ein Unterschied, der dem langsameren Tempo physischer Prozesse Rechnung trägt, ohne Schäden zu verursachen. Für einen modernen Computer erscheint der Fluss physischer Güter daher beinahe eingefroren¹⁹.

4.3.4 Vielseitigkeit

Vielseitigkeit bezeichnet Kapitalgüter – langlebige Betriebsmittel wie Maschinen, Fahrzeuge oder Anlagen, die den Fluss physischer Güter ermöglichen –, die mehrere unterschiedliche Funktionen oder sogar ein ganzes Spektrum von Aufgaben erfüllen können. Zu jedem Zeitpunkt kann ein Kapitalgut jedoch nur einem Zweck dienen. Das Unternehmen muss daher jedem Kapitalgut für diesen Zeitpunkt einen bestimmten Zweck zuweisen.

Ein Lager, das beispielsweise auf die Einhaltung einer kontrollierten Raumtemperatur ausgelegt ist, etwa 15°C–25°C, könnte auch mit Geräten ausgestattet sein, die eine Kühlkette unterstützen können, etwa bei 12°C–14°C. Selbst wenn diese Kühlkettenfähigkeit anfangs ungenutzt bleibt, kann sie eine sinnvolle Investition sein, um künftigen Marktschwankungen zu begegnen.

Vielseitigkeit ist beabsichtigt: Sie erhöht die Anpassungsfähigkeit des Unternehmens und erweitert sein Spektrum an Optionen. Sie bringt stets Zusatzaufwand mit sich, der mit den umfassenderen Fähigkeiten verbunden ist. Unter sonst gleichen Bedingungen kostet ein vielseitiges Kapitalgut wegen dieser breiteren Fähigkeiten mehr als ein spezialisiertes. In der Praxis wird dieser Zusatzaufwand meist durch Modularisierung ausgeglichen – und durch deren häufige Begleiterin, die Standardisierung.

Modularisierung zerlegt einen Prozess in kleinere, austauschbare Einheiten, die sich für unterschiedliche Aufgaben leicht neu konfigurieren lassen. Sobald diese Einheiten standardisiert sind, konkurrieren Unternehmen intensiv um ihre Herstellung. Dies führt typischerweise zu erheblichen Skaleneffekten und lässt Unternehmen kaum eine andere Wahl, als modulare Kapitalgüter einzusetzen, um wettbewerbsfähig zu bleiben. Ein Nachteil ist die steigende Gesamtkomplexität des Flusses, weil Abläufe allein deshalb unterteilt werden, damit sie zu weithin verfügbaren Modulen passen.

Die moderne Logistik veranschaulicht Modularisierung durch Barcodes, Verladerampen und Frachtcontainer. Ohne die intensive Standardisierung des 20. Jahrhunderts wären die Vorteile der Modularisierung weit geringer. Ein Unternehmen kann einen Barcode drucken und erwarten, dass ein anderes ihn liest, weil beide denselben Standard verwenden. Ein Lkw kann an einem Standort beladen und an einem anderen entladen werden, weil die Rampenhöhen zu seiner Bauweise passen.

Auch die moderne Fertigung hat sich entsprechend verändert. Unternehmen nutzen heute für die meisten Prozesse standardisierte Einheiten und greifen nur bei Schritten, die einen einzigartigen Wettbewerbsvorteil bieten, auf maßgefertigte Kapitalgüter zurück. Häufig besteht die gesamte Fertigungsanlage aus standardisierten Komponenten, sodass sich ein Unternehmen durch deren einzigartige Auswahl und Anordnung unterscheidet. Zudem hat der stetige Fortschritt programmierbarer Steuerungen in ihren verschiedenen Formen diese Komponenten nicht nur modular, sondern auch äußerst vielseitig gemacht.

Jedes vielseitige Kapitalgut benötigt seinen eigenen Einsatzplan. Zu jedem Zeitpunkt muss das Unternehmen entscheiden, ob es ein Betriebsmittel einem anderen Zweck zuweist. Bei manchen Betriebsmitteln ist diese Entscheidung einfach und in die Praxis eingebettet; beispielsweise verkehren Lkw-Flotten typischerweise auf festen Routen. Umgekehrt bleibt die Vielseitigkeit mancher Betriebsmittel ungenutzt: Eine Anlage kann jahrelang ein enges Produktspektrum herstellen, selbst wenn sich die Marktbedingungen verändern.

Die Vielseitigkeit der Kapitalgüter vervielfacht die Zahl der Optionen, die dem Unternehmen offenstehen. Mit derselben Ausstattung können nicht nur unterschiedliche Güter gehandhabt werden; auch dieselbe Leistung, ob Transport oder Umwandlung, lässt sich auf vielfältige Weise erbringen, da sich die Fähigkeiten vielseitiger Kapitalgüter häufig überschneiden. Beispielsweise sind Koffer-Lkw und Sattelauflieger beim Gütertransport nahezu austauschbar; nur die schwersten Ladungen erfordern einen Sattelauflieger.

Jedes Betriebsmittel hat jedoch eigene Anschaffungs- und Betriebskosten. Außerdem wird jedes Betriebsmittel, ob es als vergänglich bezeichnet wird oder nicht, mit der Zeit durch Verschleiß zugrunde gehen. Daher steht viel auf dem Spiel, wenn es darum geht, für jede Aufgabe zum richtigen Zeitpunkt das richtige Betriebsmittel einzusetzen, um das Ergebnis mit möglichst geringen Kosten zu erreichen.

4.3.5 Von Kräften zu Entscheidungsregeln

Aus ökonomischer Sicht sind diese Kräfte – Standardisierung, Bestandsbündelung, Losbildung und Vielseitigkeit – vier Wege, die Grenze neu zu gestalten, an der knappe Ressourcen auf alternative Verwendungsmöglichkeiten treffen.

Jede Kraft entspricht einer elementaren wirtschaftlichen Abwägung. Standardisierung senkt die Grenzkosten zulasten der Vielfalt; Bestandsbündelung setzt Betriebskapital frei, indem sie längere Transportwege auf der ersten Meile in Kauf nimmt; Losbildung nimmt Bestandsrisiken zugunsten geringerer Handhabungskosten in Kauf; und Vielseitigkeit verwandelt Investitionsausgaben in Realoptionen, deren Wert sich nur dann verwirklicht, wenn das Entscheidungssystem den richtigen Zeitpunkt für ihre Ausübung wählen kann. Gemeinsam erweitern sie den Optionsraum weit schneller, als die Aufmerksamkeit des Managements ihm folgen kann.

Angesichts einer kombinatorischen Explosion von Optionen greifen Unternehmen häufig zu einfachen Zuteilungsregeln. Ein Unternehmen mit zwei Lagern und einer Lkw-Flotte könnte beispielsweise festlegen, dass täglich ein Lkw zwischen den beiden Betrieben hin- und zurückfährt, um Bestände auszugleichen. Diese Regel wird mit der unausgesprochenen Absicht eingeführt, den starren Fahrplan für den Bestandsausgleich zu nutzen. Die zu transportierenden Güter werden nicht festgelegt; stillschweigend wird jedoch angenommen, dass die Manager die täglich zugeteilte Kapazität für einen ausgewogenen Bestand nutzen. Diese „Ein-Lkw“-Regel ist allerdings allzu schlicht: An manchen Tagen wären zwei Lkw vorzuziehen, an anderen würden geringe Bestandsungleichgewichte rechtfertigen, die Rundfahrt aufzuschieben. Solche einfachen Regeln lassen sich durch Software umsetzen, die die richtigen Mitarbeiter zum richtigen Zeitpunkt benachrichtigt; andernfalls hätte ein Sachbearbeiter sie mit geringem Aufwand überwachen können.

Die Steuerung der Supply Chain durch solche einfachen Regeln ist jedoch weitgehend ein Überbleibsel. Sie spiegelt Beschränkungen wider, die mit dem Aufkommen digitaler Supply Chains ihre Bedeutung verloren haben. Einfache Regeln waren unerlässlich, solange ein Sachbearbeiter für ihre Ausführung zuständig war. Wird die Regel jedoch einem Computer übertragen, kann sie wesentlich dynamischer gestaltet werden, während der Verarbeitungsaufwand vernachlässigbar bleibt. Verbessert diese zusätzliche Komplexität die Supply Chain, folgt daraus eine weit überlegene Ressourcenzuteilung. Kehren wir zum Beispiel zurück: Eine fortgeschrittenere Regel sollte nicht nur die auszugleichende Bestandsmenge berücksichtigen, sondern auch den Nutzen des Ausgleichs mit alternativen Verwendungen der Lkw vergleichen, etwa der Bedienung von Kundenaufträgen. Sind die Lkw der Engpass und die Bestandsungleichgewichte zwischen den beiden Lagern hinnehmbar, sollten alle Lkw für Kundenlieferungen eingesetzt werden.

Anders als Bestandsbündelung und Losbildung, die die Zahl der Optionen verringern, vermehrt die Vielseitigkeit der Kapitalgüter diese. Es gibt a priori keinen Grund anzunehmen, dass alle diese Optionen wirtschaftlich gleichwertig sind. Im Gegenteil: Viele Optionen sind schlecht, und unter einem gegebenen wirtschaftlichen Modell der Supply Chain ist eine die beste. Software auf moderner Computerhardware macht es vergleichsweise einfach, eine äußerst große Zahl von Optionen zu durchsuchen. Die Einzelheiten dieses Prozesses sind hier unwichtig; entscheidend ist, dass Vielseitigkeit tiefgreifende Folgen für Supply Chains hat.

Da jede Entscheidungsregel letztlich eine Zuteilungsregel ist, bemisst sich ihr Wert wirtschaftlich, nicht verfahrenstechnisch: Sie muss die risikoangepasste Rendite der Ressourcen erhöhen, die sie steuert. Statische Heuristiken ließen sich rechtfertigen, als Menschen den rechnerischen Engpass bildeten. Sobald jedoch ein Computer die Regel ausführt, werden die Opportunitätskosten zum Maßstab, nicht die Bequemlichkeit der Sachbearbeitung. Automatisierung ist daher nur insofern von Bedeutung, als sie es ermöglicht, dass Preissignale – im Modell als Bewertungen und Abzinsungssätze ausgedrückt – bis in jede einzelne Mikroentscheidung vordringen. Letztlich ist eine Entscheidungsregel genau in dem Maße gerechtfertigt, in dem sie Gewinn erzeugt.

In der Praxis kann die kombinatorische Explosion durch vielseitige Kapitalgüter überwältigend wirken und entzieht sich häufig leicht der menschlichen Übersicht. Moderne Supply-Chain-Software versucht jedoch nicht einfach, jede Möglichkeit durch vollständiges Durchprobieren zu bewältigen. Wie im Kapitel Entscheidungen erörtert wird, können fortgeschrittene Analyseverfahren, unterstützt durch Solver und heuristische Algorithmen, diese Komplexität beherrschbar machen.

4.4 Das Ziel der Supply Chain

Im ersten Kapitel wurde Supply Chain als die Beherrschung der Optionalität angesichts von Variabilität bei der Steuerung des Flusses physischer Güter definiert. Beherrschung ist hier keine abstrakte Tugend: Sie ist die konkrete Fähigkeit, Optionalität in Geld zu verwandeln und das Unternehmen zugleich vor den negativen Folgen der Unsicherheit zu schützen. In einer Marktwirtschaft ist der Maßstab dafür eindeutig: langfristiger Gewinn, ausgedrückt in harter Währung. Das praktische Ziel der Supply-Chain-Arbeit besteht daher darin, die risikoangepasste Rendite des Unternehmens auf jede knappe Ressource zu erhöhen, mit der sie zu tun hat – Kapital, Kapazität, Zeit, Wohlwollen –, indem sie sowohl die Bandbreite als auch die Qualität der ausübbaren Optionen fortlaufend verbessert.

Dieses Ziel schließt jede nachgeordnete Absicht ein, die ein Praktiker verfolgen mag. Höhere Servicegrade, kürzere Lieferzeiten, schlankere Bestände, umweltfreundlichere Transporte, zufriedenere Lieferanten, sicherere Arbeitsbedingungen – all das zählt, aber nur insoweit, als es unmittelbar oder durch Risikominderung zum Kapitalwert des Unternehmens beiträgt. Die Supply Chain ist keine Moralphilosophie; sie ist ein angewandter Zweig der Ökonomie, der nach Maßgabe der Geschäftsbücher besteht oder untergeht. Gewinnstreben darf nicht mit kurzsichtigen Kostensenkungen oder der Karikatur eines „nackten“ Gewinnmotivs verwechselt werden. Es ist die disziplinierte Suche nach der Zuteilung, die den langfristigen Überschuss maximiert und dabei sowohl Variabilität als auch Optionalität berücksichtigt.

Der restliche Abschnitt entfaltet diese These. Zunächst betrachten wir erneut Gewinn und Verlust als unverzichtbare Rückkopplung, die einem Unternehmen zeigt, ob seine Supply-Chain-Entscheidungen Wert schaffen oder vernichten. Anschließend erklären wir, warum innerhalb des Unternehmens objektive Bewertungen zwingend sind, obwohl alle Bewertungen auf individueller Ebene subjektiv sind, und wie der Begriff der Rendite unterschiedliche Entscheidungen über die Zeit hinweg vergleichbar macht. Schließlich behandeln wir häufige moralistische, apokalyptische oder institutionelle Einwände gegen das Gewinnstreben und zeigen, warum keiner davon eine Supply Chain von den Gesetzen der Ökonomie entbindet.

4.4.1 Gewinn und Verlust

Gewinn und Verlust sind keine buchhalterische Spielerei; sie sind die Anzeigetafel einer Gesellschaft, die auf Zustimmung statt auf Zwang beruht. Wenn zwei Parteien handeln, erwartet jede, danach besser dazustehen – andernfalls kommt kein Geschäft zustande. Gewinne entstehen daher nur im Bereich des freiwilligen Tauschs. Wird eine Zuteilung hingegen durch Gewalt oder durch eine Regulierung erzwungen, die diese nachahmt, verschwindet die Möglichkeit eines Gewinns selbst. An ihre Stelle treten Tribut, Steuern oder Plünderung²⁰. Ökonomisch betrachtet liegen menschliche Beziehungen auf einem Kontinuum zwischen herrschaftlichem Befehl und ungehindertem Handel. Gewinne entstehen nur auf der letzteren Seite.

Dennoch stellt eine lautstarke Strömung der öffentlichen Meinung Gewinn nach wie vor als seinem Wesen nach ausbeuterisch dar²¹. Diese Sicht verwechselt Gewinn mit Plünderung: Letztere wird mit Gewalt genommen, während Ersterer nur entstehen kann, wenn beide Parteien zustimmen und sich nach dem Tausch für bessergestellt halten. So betrachtet besitzt Gewinn einen moralischen Vorzug: Er wird ausschließlich dadurch verdient, dass man anderen dient. Verluste spielen die spiegelbildliche Rolle. Sie warnen Unternehmer davor, dass Kunden andere Verwendungen ihrer knappen Ressourcen vorziehen. Weit davon entfernt, schädlich zu sein, wirken Verluste als Immunsystem des Marktes: Sie stoppen weitere Verschwendung und lenken Arbeit, Kapital und Erfindungsgeist auf dringendere Zwecke um.

Die Geschichte macht den Gegensatz anschaulich: Vor der kommerziellen Revolution des 17. Jahrhunderts wurden Vermögen typischerweise durch die Eroberung einer Provinz, die Besteuerung der Bauern oder das Werben um königliche Gunst angehäuft. Seit dem Aufstieg offener Märkte hat sich der Weg zum Wohlstand umgekehrt: Rockefeller raffinierte Petroleum billiger als jeder andere, Akio Morita miniaturisierte Elektronik für die breite Masse, Ingvar Kamprad brachte einem sparsamen Planeten flach verpackte Möbel nahe. Wo Gewinne dem Wettbewerb ausgesetzt sind, steigt die Effizienz rasant; wo über Zuteilung per Dekret entschieden wird, folgen Warteschlangen, Knappheit und Rost.

Supply Chains übersetzen dieses Prinzip in Paletten, Container und Transportverbindungen. Standardisierung senkt Stückkosten, Bestandsbündelung setzt Betriebskapital frei, Losbildung wägt Handhabungskosten gegen Reaktionsfähigkeit ab, und Vielseitigkeit verwandelt Anlagegüter in sprungbereite Optionen. Keiner dieser Hebel verrät jedoch, wann man aufhören sollte. Der einzige unparteiische Schiedsrichter ist die Gewinn-und-Verlust-Rechnung: Rechnen sich der zusätzliche SKU, das größere Los oder die verstärkte Kiste, wenn Variabilität und Opportunitätskosten berücksichtigt sind? Lautet die Antwort ja, wächst der Fluss; lautet sie nein, schrumpft er, und Kapital wandert in bessere Verwendungen.

Praktiker verfehlen daher den Kern, wenn sie „Servicegrad“, „Lagerumschlag“ oder irgendeiner anderen lokalen Kennzahl isoliert nachjagen. Solche Indikatoren zählen nur insoweit, als sie die langfristige Rendite des Unternehmens erhöhen. Das Ziel bleibt stets dasselbe: den Abstand zwischen dem zu maximieren, was Kunden freiwillig zahlen, und dem, was die Supply Chain unwiderruflich verbraucht, unter Berücksichtigung der Risiken, die die Unsicherheit mit sich bringt.

Die folgenden Abschnitte zerlegen die üblichen Einwände gegen das Gewinnmotiv und zeigen, wie eine klare Gewinn-und-Verlust-Perspektive die Gestaltung der Supply Chain sowohl gegen tabellarische Spitzfindigkeiten als auch gegen fromme Parolen schützt.

4.4.2 Objektive Bewertungen

Die Ökonomie beginnt mit einer einfachen Beobachtung: Nur Individuen können fühlen, denken und handeln; daher können auch nur Individuen etwas einen Wert zuschreiben. Diese Bewertungen sind subjektiv und ordinal. Jemand kann sagen, dass er Kaffee dem Tee vorzieht, doch es gibt keine Arithmetik, mit der sich diese beiden Präferenzen addieren, subtrahieren oder mitteln ließen. Für den Analysten kommt erschwerend hinzu, dass sich die Rangfolge morgen ohne Vorwarnung umkehren kann. Keine Tabellenkalkulation kann einen „innewohnenden“ Preis für den ersten Schluck Wasser, den hundertsten oder den tausendsten festlegen; das Wertparadox bleibt eine Eigenschaft menschlichen Handelns, kein Fehler.

Statistische Modelle können natürlich lernen vorherzusagen, wie viel eine Person mit durchschnittlichen finanziellen Mitteln für einen Espresso zahlen wird oder mit welcher Wahrscheinlichkeit sie einen gefüllten Warenkorb stehen lässt. Doch die Prognose verwandelt eine private Präferenz nicht in eine objektive Größe. Sie charakterisiert die Subjektivität lediglich als Wahrscheinlichkeitsverteilung: für den Handel nützlich, aber ohne Aussage über den Wert.

Dieser Punkt torpediert die Arbeitswerttheorie, die Preise an die Zahl der in einem Gut „verkörperten“ Arbeitsstunden binden wollte. Diamanten sind nicht teuer, weil Bergleute schuften, sondern weil Käufer das Funkeln schätzen. Beschlösse morgen jeder, Quarz sei schöner, würden Diamantminen trotz unveränderten Arbeitseinsatzes schließen.

Als 2019 ein Großbrand in Notre-Dame ausbrach, wurden die Besucher rasch evakuiert. Obwohl keine Menschenleben mehr auf dem Spiel standen, setzten einige Feuerwehrleute ihr eigenes Leben einer großen Gefahr aus, um zu retten, was sie als zeitlose Kunstwerke betrachteten. Ökonomisch gesehen fällten sie ein Werturteil und stellten bloße Gegenstände über ihr eigenes Leben. Die meisten Menschen hätten in derselben Situation nicht ebenso gehandelt und hätten aufgehört, ihr Leben zu riskieren, sobald klar gewesen wäre, dass keine weiteren Leben gefährdet waren. Es ist sinnlos, zu berechnen, wie viel diese Gegenstände in Arbeitsstunden „wert“ sind und wie viel es kosten würde, nahezu perfekte Nachbildungen herzustellen. Aus Sicht dieser Männer war der historische und künstlerische Wert der Gegenstände jedem späteren Versuch, sie zu ersetzen, kategorisch überlegen. Freie Individuen können durch ihr Handeln völlig beliebige Werturteile umsetzen. Die Aufgabe der Ökonomie besteht nicht darin, zu beurteilen, ob solche Werturteile gut oder schlecht sind; sie erkennt lediglich deren unaufhebbare Subjektivität an.

Unternehmen können sich solche Eigenheiten jedoch nicht leisten. In einem Unternehmen mag der CEO Trüffel lieben und der CFO sie hassen, doch die einzig zulässige Frage lautet: „Zahlen Kunden genug und früh genug, um unsere Kosten zu decken?“ Individuelle Präferenzen lassen sich nicht addieren; sie heben sich auf. Übrig bleibt das unpersönliche Urteil des Marktes, aufgezeichnet als Geldeingang und Geldausgang.

Entscheidet ein Mitarbeiter, dass sein Unternehmen bestimmte Optionen ohne Rücksicht auf das Gewinnmotiv wertschätzen müsse – „wir sollten dieses umweltfreundliche Produkt auf Lager halten, auch wenn es sich nie verkauft“ –, handelt er weder gut noch fürsorglich. Er täuscht sich lediglich selbst, indem er sein eigenes Werturteil auf das Unternehmen projiziert. Damit erweist er dem Unternehmen und dem Markt einen Bärendienst, weil er gegen die Wünsche der Verbraucher handelt und stattdessen seiner jeweiligen Lieblingssichtweise den Vorzug gibt. Ist der Mitarbeiter mit dem grundsätzlichen Auftrag des Unternehmens nicht einverstanden, ist es selbstverständlich seine Pflicht als freies Individuum, zu kündigen und anderswo Arbeit zu suchen. Meinungsverschiedenheiten über den erklärten Unternehmenszweck dürfen nicht durch Sabotage der Abläufe von innen beigelegt werden.

Ein Unternehmen ist somit ein Instrument gesellschaftlicher Zusammenarbeit: Es bündelt Kapital, Talent und Informationen, um die dringendsten Wünsche zu erfüllen, die andere Menschen durch ihre Käufe zum Ausdruck bringen. Gewinne und Verluste verwandeln diese verstreuten Signale in einen objektiven Maßstab, den jeder Planer ablesen kann: Werden mehr Geldeinheiten eingenommen als ausgegeben, fließen Ressourcen zu höher bewerteten Wünschen; im umgekehrten Fall werden sie verschwendet. Die Supply-Chain-Praxis muss jede Bewertung an diesem Maßstab verankern, niemals am persönlichen Geschmack. Denn nur Preise erlauben es, Millionen subjektiver Rangordnungen zu einem objektiven Maß zusammenzuführen.

Die nächste Frage lautet daher, wie sich zwei rentable Optionen vergleichen lassen, die sich zeitlich unterscheiden – mithilfe von Renditen.

4.4.3 Rendite

Wann immer zwischen dem Einsatz einer Ressource und ihrem Ertrag Zeit liegt, reicht einfache Gewinnarithmetik nicht mehr aus. Ökonomen nennen dieses universelle Phänomen Zeitpräferenz: Identische Güter sind umso mehr wert, je früher sie verfügbar sind. Eine jetzt servierte Tasse Kaffee ist mehr wert als dieselbe Tasse, die für nächste Woche versprochen wird; ein Lieferant verlangt gewöhnlich einen Aufschlag, wenn die Zahlung um neunzig Tage aufgeschoben wird.

Zeitpräferenz ist zunächst eine individuelle Eigenschaft. Jeder Mensch zinst künftigen Nutzen nach seinen persönlichen Umständen ab, und der Markt verdichtet diese Abzinsungen zum Zinssatz. Der Zinssatz quantifiziert daher auf gesellschaftlicher Ebene, wie stark gegenwärtige Güter künftigen Gütern vorgezogen werden.

Unternehmen unterliegen derselben Logik. Geld, das heute eingeht, kann reinvestiert, zur Begleichung von Verbindlichkeiten verwendet oder als Puffer gegen Unsicherheit eingesetzt werden; Geld, das erst nächstes Jahr eingeht, kann das nicht. Deshalb berücksichtigen Unternehmen bei jeder Investitionsprüfung explizite Kapitalkosten – ihre kollektive Zeitpräferenz. Wie attraktiv ein Vorschlag für sich genommen auch sein mag: Überwindet er diese Hürde nicht, vernichtet er Wert, sobald die Opportunitätskosten des Wartens berücksichtigt werden.

Sobald die Zeitpräferenz anerkannt ist, muss die Gewinnoptimierung die Zeit berücksichtigen. Konkret sollte das Unternehmen die Optionen mit der höchsten Rendite wählen. Konzeptionell wird diese, unter Vernachlässigung nachgeordneter Komplikationen, wie folgt berechnet:

\[ \mathtt{RoR}=\frac{\text{Einnahmen} - \text{Ausgaben}}{\text{Ausgaben} \times \text{Zeitraum}} \]

Dabei bezeichnet Zeitraum die Zeit, die benötigt wird, bis die zugehörigen Einnahmen und Ausgaben realisiert sind. Die Rendite (RoR, Rate of Return) wird als Prozentsatz je Zeiteinheit ausgedrückt. Ist die RoR größer als null, arbeitet das Unternehmen rentabel; ist sie kleiner als null, arbeitet es mit Verlust. Beim Vergleich zweier Optionen ist die höhere Rendite vorzuziehen, sofern beide auf denselben Zeitraum normiert sind.

Betrachten wir beispielsweise ein Einzelhandelsgeschäft, das zwischen zwei Produkten wählen kann, die in einem bestimmten Regal präsentiert werden sollen. Beide Produkte werden für 3 Geldeinheiten verkauft, bei einer durchschnittlichen Nachfrage von 1 Einheit pro Tag. Das erste Produkt kostet 1 Geldeinheit je Einheit, das zweite 2 Geldeinheiten je Einheit. Die Lagerkosten werden, abgesehen von der Regalfläche, als vernachlässigbar betrachtet. Außerdem ist das Regal groß genug, um so viele Einheiten aufzunehmen, dass Fehlbestände vernachlässigbar werden. In dieser Situation weist das erste Produkt eine RoR von 200 % pro Tag auf, gegenüber 50 % pro Tag beim zweiten. Somit sollte das erste Produkt bevorzugt werden, weil es die höhere RoR hat. Dieses Ergebnis überrascht nicht: Die Produkte sind identisch, außer dass das erste die doppelte Bruttomarge des zweiten aufweist. Die RoR liefert lediglich das Rangordnungskriterium, das diese Wahl formalisiert.

In typischen Supply-Chain-Situationen führt die Maximierung der RoR tendenziell dazu, Produkten mit höheren Mengen oder schnellerem Umschlag mehr Kapazität, Bestand und Regalfläche zuzuteilen. Optimiert werden muss jedoch die RoR, nicht willkürliche nichtökonomische Kennzahlen wie Servicegrade. Viele Supply-Chain-Autoren verwechseln die lose Korrelation zwischen höherer RoR und höheren Mengen oder Umschlägen mit Kausalität. Daher werden häufig Verfahren zur Bestandsklassifikation vorgeschlagen, die Produkte entsprechend ihren Mengen und/oder ihrer Unregelmäßigkeit in Klassen²² einteilen und die Ressourcenzuteilung an dieser Einteilung ausrichten. Diese Verfahren verwechseln Korrelation mit Kausalität: Die RoR muss optimiert werden. Ihre nur lose damit verbundenen Folgen nachzuahmen, ist ein Kategorienfehler, der geringere Renditen erzeugt.

In der Praxis bringt die Rendite eine Reihe von Komplikationen mit sich:

1. Die Berechnung der RoR hängt von der Zurechnung der Einnahmen und Ausgaben ab – einem schwierigen Problem.

2. Einnahmen und Ausgaben fallen nicht gleichzeitig an; ein gemeinsamer Zeitraum existiert selten.

3. Einnahmen sollten möglichst früh und Ausgaben möglichst spät anfallen; Zahlungsströme müssen abgezinst werden.

4. Der zeitliche Abstand zwischen künftigen Ausgaben und künftigen Einnahmen muss die Liquiditätsbeschränkung des Unternehmens berücksichtigen.

5. Abhängigkeiten zwischen Optionen machen die RoR pfadabhängig von der Reihenfolge ihrer Auswahl.

6. Sowohl künftige Einnahmen als auch künftige Ausgaben sind unsicher, und diese Unsicherheit muss modelliert werden.

Keine dieser Komplikationen erweist sich in der Praxis als unüberwindbar, auch wenn sie alle ein gewisses Maß an Näherung mit sich bringen.

4.4.3.1 Zurechnung von Einnahmen und Ausgaben

Die RoR spiegelt eine idealisierte Sicht auf physische Flüsse wider. Beschränkungen erfordern jedoch eine nichttriviale wirtschaftliche Modellierung. Um die RoR einer bestimmten Option zu berechnen, muss diese daher aus dem Unternehmen herausgelöst werden, typischerweise durch wirtschaftliche Zurechnung. Dieser Punkt wird weiter unten behandelt. Für den Moment genügt die Feststellung, dass es keine Eins-zu-eins-Zuordnung zwischen Einnahmen, Ausgaben und Optionen gibt. Die RoR ist folglich eine Modellierungsperspektive auf die Supply Chain, keine selbstverständliche Wahrheit.

Betrachten wir beispielsweise ein Einzelhandelsgeschäft mit zwei alternativen Produkten. Das erste Produkt benötigt täglich erneuerte Bestände im Wert von 100 Geldeinheiten, um tägliche Einnahmen von 140 Geldeinheiten zu erzeugen. Das zweite Produkt benötigt Bestände im Wert von 150 Geldeinheiten, um tägliche Einnahmen von 200 Geldeinheiten zu erzeugen. Beide Produkte beanspruchen im Geschäft exakt dieselbe Regalfläche. In diesem Fall beträgt die RoR des ersten Produkts 40 % pro Tag, die des zweiten 33 %. Nach dem Grundsatz, die Optionen mit der höchsten RoR zu wählen, sollte der Ladeninhaber also das erste Produkt wählen. Diese Wahl überrascht jedoch: Sie fällt auf das Produkt, das im Zeitverlauf letztlich weniger absoluten Bruttogewinn erzeugt. Für ein Geschäft, dessen Kostenstruktur von Fixkosten geprägt ist, erscheint das falsch.

Tatsächlich ignorierte das obige naive Modell die Fixkosten des Geschäfts. Verfeinern wir das Modell, indem wir den Produkten einen Teil der Fixkosten zurechnen. Der zugerechnete tägliche Fixkostenbetrag beträgt 40 Geldeinheiten. Damit betragen die täglichen Kosten des ersten Produkts \(100+40=140\) Geldeinheiten, die des zweiten \(150+40=190\) Geldeinheiten. Unter diesem überarbeiteten Modell beträgt die RoR des ersten Produkts 0 % pro Tag, die des zweiten 5,3 %. Daher sollte nach diesem verfeinerten Modell das zweite Produkt bevorzugt werden.

Diese Situation ist keine Ausnahme: Was als das Beste gilt, hängt vom gewählten wirtschaftlichen Modell der Supply Chain ab. Leider entscheidet kein einzelnes, einfaches Kriterium darüber, welches Modell überlegen ist. Die Angemessenheit hängt davon ab, wie gut jedes Modell die wirtschaftliche Realität erfasst, für die es Orientierung bieten soll. Diese Herausforderung ist ein Problem allgemeiner Intelligenz. Das bedeutet nicht, dass alles beliebig ist; auf diese Art von Herausforderungen kommen wir später zurück.

4.4.3.2 Aperiodische Rendite

In Finanzlehrbüchern ist die Rendite (RoR) fast immer an einen festen Horizont gebunden – einen Monat, ein Quartal, ein Jahr –, weil dies dem Takt von Rechnungslegung und Besteuerung entspricht. Auf der Mikroebene der Supply-Chain-Ausführung passen solche Kalender jedoch schlecht. Eine Bestellung aufzugeben, eine Preissenkung einzuleiten, eine Palette zuzuteilen oder einen Lkw einzuplanen, sind atomare Entscheidungen, deren Aus- und Einzahlungen in unregelmäßigen Abständen anfallen. Ein Zwölfmonatsmaßstab verschleiert ihren eigentlichen Zweck: Kapital so schnell wie möglich erneut einzusetzen.

Die aperiodische RoR beseitigt das kalendarische Korsett. Statt jede Option in ein willkürliches Zeitfenster zu zwängen, stellt sie eine einzige Frage: Nach welcher Zeit wird die Option das von ihr gebundene Geld zurückgezahlt und begonnen haben, ihren Überschuss durch Wiederanlage zu vermehren? Diese aus der Option selbst bestimmte Zeitspanne wird zum impliziten Zeitraum in der RoR-Formel. Daraus ergibt sich eine Rendite mit Zinseszinseffekt, die zwischen Entscheidungen vergleichbar ist, obwohl jede ihrem eigenen Zeitmaß folgt.

Da die Berechnung auf der Ebene einzelner Optionen erfolgt, streuen die Ergebnisse stark: Unterschiede um eine oder sogar zwei Größenordnungen sind alltäglich. Die Wiederauffüllung eines schnell drehenden Artikels mit hoher Marge kann, aperiodisch ausgedrückt, 1.000 % pro Jahr übertreffen, während der Nachschub eines Langsamdrehers im nächsten Gang womöglich kaum 10 % erreicht. Eine solche Streuung ist kein Modellierungsfehler. Sie ist das Signal, das dem Kapital zeigt, wo es dringend gebraucht wird und wo es still zugrunde geht.

Operativ verschiebt die aperiodische RoR einen Cursor entlang der Zahlungsstrom-Zeitachse der Option und berechnet für jeden Zeitpunkt die Rendite, die gelten würde, wenn die Position dann geschlossen würde. Sie behält den Höchstwert; das Datum dieses Maximums wird zum impliziten Horizont der Option. Die Kennzahl erfasst in einer einzigen Zahl sowohl die Höhe des Gewinns als auch das schnellste Tempo, in dem sich das gebundene Kapital durch Wiederanlage vermehren kann. Die genaue Regel wird im Anhang erläutert.

4.4.3.3 Abgezinste Zahlungsströme

Der vorherige Unterabschnitt führte die Rendite als Maßstab dafür ein, wie schnell sich eingesetztes Kapital durch Wiederanlage vermehrt. Geschwindigkeit ist jedoch nur die Hälfte der zeitlichen Betrachtung. Eine heute erhaltene Geldeinheit ist mehr wert als dieselbe Geldeinheit im nächsten Quartal, weil die frühere Geldeinheit inzwischen reinvestiert, als Puffer gehalten oder einfach verzinst werden kann. Der abgezinste Zahlungsstrom ist die numerische Übersetzung der Zeitpräferenz: Jede künftige Ein- oder Auszahlung wird mit einem Abzinsungsfaktor multipliziert, der mit der Zeit kleiner wird, sodass jede Geldbewegung in „heutigen Geldeinheiten“ ausgedrückt wird. Der Abzinsungsfaktor leitet sich aus den Kapitalkosten des Unternehmens ab, also dem effektiv für Liquidität gezahlten Zins. Die genaue Formel findet sich im Anhang.

Anders ausgedrückt misst der abgezinste Zahlungsstrom den absolut verdienten oder verlorenen Betrag unter Berücksichtigung des Zeitwerts des Geldes. Aus Supply-Chain-Sicht stellt der Zinssatz die Finanzierungskosten des Unternehmens dar. Im Finanzwesen dient dieser Satz häufig auch als Stellvertreter für die mit Verzögerungen verbundene Unsicherheit. In Supply-Chain-Anwendungen lässt sich Unsicherheit jedoch besser durch andere, später erläuterte Mechanismen behandeln.

Eine praktische Veranschaulichung abgezinster Zahlungsströme bei Versand- und Bestandsentscheidungen bietet die Modebranche, die häufig mit langen Lieferzeiten und Liquiditätsbeschränkungen konfrontiert ist. Stellen wir uns eine Modemarke im mittleren Segment vor, die ihre neue Kollektion sechs Monate vor Saisonbeginn bestellen muss. Die Marke vereinbart Bedingungen mit einer erheblichen Anzahlung im Voraus und Fälligkeit des Restbetrags beim Versand. Selbst wenn Fremdkapital beispielsweise nur 10 % pro Jahr kostet, kann die effektive Rendite dieser frühen Bestellungen ein Vielfaches dieses Werts betragen. Denn das Kapital der Marke ist lange gebunden, bevor Einnahmen entstehen, und jede Fehleinschätzung bei Größe, Farbe oder Stil erhöht die tatsächlichen Kosten der Waren. Wenn die Saison beginnt, senkt die Marke möglicherweise die Preise langsam drehender Artikel. Dies erhöht die Opportunitätskosten des Geldes, das in eine aussichtsreichere Produktlinie hätte investiert werden können. Umgekehrt kann eine gut gewählte Bestellung, die der Nachfrage entspricht, zum vollen Preis rasch umgeschlagen werden und eine Rendite erzielen, die die Kapitalkosten weit übersteigt. Damit wiegt das Zusammenspiel langer Lieferzeiten, langer Zahlungsfristen und Marktunsicherheit bei der Bestimmung der tatsächlichen Rentabilität jeder Supply-Chain-Entscheidung häufig schwerer als das allgemeine Zinsniveau.

In der Praxis ist bei Supply-Chain-Entscheidungen das allgemeine Zinsniveau weniger bedeutsam als die Rendite, die weitgehend vom Lagerumschlag bestimmt wird. Dies soll die Bedeutung von Zinssätzen nicht bestreiten. Doch eine Bestandseinheit, die je Umschlag 10 % erwirtschaftet und zehnmal jährlich umgeschlagen wird, wächst mit Wiederanlage auf \(1.1^{10}\approx 2.59\), also um 159 % pro Jahr. Ein einzelnes Unternehmen verkauft häufig Produkte, deren Renditen zwischen 1 % und 1.000 % pro Jahr liegen. Dieses breite Spektrum entsteht weitgehend durch Bestandsumschläge, die von täglich bis jährlich reichen. Aufgrund solcher Extreme unterscheidet sich die gewinnmaximierende Servicequalität erheblich von Produkt zu Produkt. Entsprechend verschieden sind die Bestandsstrategien.

Eine jährliche Rendite von 1.000 % ist für den isoliert betrachteten Fluss eines Produkts innerhalb der Supply Chain nicht untypisch, übersteigt aber um mehr als eine Größenordnung das, was im Finanzwesen als „plausibel“ gilt. Natürlich lässt diese Berechnung Fixkosten außer Acht, vor allem die Infrastruktur. Sobald diese Kosten berücksichtigt werden, entsprechen die effektiven Renditen in Supply Chains denen der Gesamtwirtschaft.

4.4.3.4 Zahlungsstrom und Betriebskapital

Zinssätze setzen die Untergrenze der Liquiditätskosten; deshalb sind sie für jede Supply Chain von Bedeutung. In der Praxis bewegen sie sich jedoch meist in einem vergleichsweise engen Korridor, etwa bei ungefähr 10–20 % pro Jahr, während die Renditen von Bestandszyklen regelmäßig zwei Größenordnungen umspannen. Folglich beschränkt Planer meist nicht der genaue Preis des Geldes, sondern dessen Verfügbarkeit. Ein Einkäufer, der Geld zu 12 % statt zu 8 % aufnehmen kann, wird dennoch handeln, wenn der finanzierte Bestand durch Wiederanlage 300 % pro Jahr erwirtschaftet. Umgekehrt ist ein Kredit zu nominal 2 % nutzlos, sobald die Kreditlinie ausgeschöpft ist. Die Steuerung der Zahlungsströme ist daher entscheidend, insbesondere in Unternehmen, die Geld überweisen müssen, lange bevor die Ware Monate später den Zoll passiert oder das Regal erreicht. Modekollektionen, Spielzeug für die Feiertage und Hightech-Geräte sind alltägliche Beispiele.

Nehmen wir etwa ein Unternehmen, dem seine Bank eine revolvierende Kreditlinie gewährt, begrenzt auf 25 % des durchschnittlichen Umsatzes der vergangenen drei Jahre und mit einem einheitlichen Zinssatz von 10 % pro Jahr. Bis zu dieser Grenze lässt sich Geld über Nacht abrufen. Sobald die Obergrenze erreicht ist, erfordert jede weitere Geldeinheit jedoch eine neue Verhandlung und kann verweigert werden. Alternative Rettungsanker – Eigenkapitalzufuhr, Mezzanine-Fremdkapital, Lieferantenfactoring – existieren durchaus, doch keiner lässt sich über Nacht sichern, und alle verursachen erheblich höhere explizite und implizite Kosten. Liquidität wird daher durch eine abschnittsweise verlaufende Kurve bepreist, nicht durch eine einzige Zahl. Jedes Modell, das einen einheitlichen Zinssatz unterstellt, ignoriert genau die Nichtlinearität, die in der Praxis am häufigsten zuschlägt.

Die Nichtlinearitäten beim Zugang zu Liquidität erklären, warum Zahlungsbedingungen in der Supply Chain oft von größter Bedeutung sind. Diese Bedingungen bestimmen maßgeblich, wie viel Betriebskapital das Unternehmen benötigt. Langfristig verbessert ein geringerer Betriebskapitalbedarf die Rentabilität, indem er die an Kreditgeber gezahlten Zinsen senkt. Kurzfristig macht er häufig den Unterschied zwischen einem reibungslos arbeitenden Unternehmen und einem Unternehmen aus, das zu schlechteren Entscheidungen gezwungen ist, weil ihm bessere Optionen mangels Liquidität verschlossen bleiben.

Eine Modemarke muss beispielsweise die Stücke ihrer neuen Kollektion möglicherweise mehr als sechs Monate vor Saisonbeginn bestellen. Lieferanten in Übersee können erhebliche Vorauszahlungen verlangen. Erwartet die Modemarke stärkere Verkäufe dieser Kollektion, gibt sie womöglich größere Bestellungen auf. Eine unzureichende Kreditlinie kann sie jedoch daran hindern. In diesem Fall fallen die Bestellungen kleiner aus, was später möglicherweise erhebliche Fehlbestände verursacht. Aus Sicht des Kreditgebers ist die Obergrenze selbstverständlich nicht willkürlich: Er teilt schlicht nicht den Optimismus der Marke über einen außergewöhnlich großen Erfolg der Kollektion.

Die Annahme eines einheitlichen Zinssatzes trifft selten zu, auch wenn sie in manchen Situationen eine akzeptable Näherung darstellt. Der einfachste Fall liegt vor, wenn das Unternehmen auf Liquidität zugreifen kann, die seine rentablen Supply-Chain-Möglichkeiten weit übersteigt. Ein etwas subtilerer Fall liegt vor, wenn das Unternehmen einen negativen Betriebskapitalbedarf hat.

Zur Veranschaulichung betrachten wir einen Einzelhändler, dessen Filialbestand monatlich umschlägt und dessen Lieferanten eine vernachlässigbare Lieferzeit haben. Nehmen wir an, die Lieferanten werden zwei Monate nach der Lieferung bezahlt, und die Produkte werden im Geschäft mit einer Bruttomarge von 20 % verkauft. Unter diesen Bedingungen hat der Einzelhändler für jeweils vier Geldeinheiten Warenwert im Geschäft einen Betriebskapitalbedarf von \(-2\) Geldeinheiten. Bis die Ware bezahlt werden muss, ist der Bestand im Durchschnitt zweimal umgeschlagen und hat zwei Geldeinheiten Bruttogewinn erbracht. Hier hat der Einzelhändler einen negativen Betriebskapitalbedarf, zumindest bei ausschließlicher Betrachtung des Zahlungsstroms.

Dieses Beispiel darf nicht mit negativen Zinssätzen verwechselt werden; der Einzelhändler unterliegt weiterhin den Marktzinsen.

Kehren wir zum typischeren Fall einer kurzfristigen Obergrenze des Betriebskapitals zurück: Um die Optionen zu vergleichen, wird eine numerische Methode benötigt. Konzeptionell lässt sich eine zulässige Menge von Optionen wählen, die insgesamt die Betriebskapitalbeschränkung einhält – ein Vorgehen, das dem Einsatz eines allgemeinen Solvers ähnelt. Es können jedoch auch einfachere Heuristiken verwendet werden, etwa die Einführung einer zeitabhängigen Komponente für den Preis des Geldes.

4.4.3.5 Abhängige Optionen

Die Renditekennzahl identifiziert die beste nächste Verwendung des Kapitals, doch die Optionen selbst stehen selten für sich allein. Die meisten greifen auf dieselben begrenzten Ressourcen zurück – Geld, Regalfläche, Fahrzeugkapazität – und wirken deshalb aufeinander ein. Diese Wechselwirkungen können konkurrierend sein, wenn zwei SKU um denselben Platz ringen; komplementär, wenn Kaffee und Zucker gegenseitig ihren Absatz steigern; oder sequenziell, wenn die zweite Palette erst sinnvoll wird, nachdem die erste zugeteilt wurde. Diese Kopplungen zu erkennen, ist eine Voraussetzung dafür, die Kennzahl in fundierte Entscheidungen zu übersetzen.

Eine praktische Heuristik für abhängige Optionen besteht darin, die Rendite eine fortlaufende Auswahl einzelner Optionen steuern zu lassen. Man wählt die Option mit der aktuell höchsten Rendite, aktualisiert alle verbleibenden Renditen entsprechend den gerade gebundenen oder freigesetzten Ressourcen, wählt erneut und wiederholt dies, bis alle Beschränkungen bindend sind. Informatiker nennen dies einen Greedy-Algorithmus; sein Ergebnis ist eine priorisierte Liste. Da jede Aktualisierung die aktuellen Beschränkungen weitergibt, muss die Liste nicht vollkommen absteigend geordnet bleiben. Die meisten Renditen sinken mit zunehmender Konkurrenz; einige können sogar steigen, wenn eine Komplementarität erschlossen wird. Dennoch bleibt jeder Schritt der zu diesem Zeitpunkt beste verfügbare Zug. Bei schwachen Kopplungen genügt dieser Greedy-Durchlauf; bei engen Kopplungen, etwa in der Tourenplanung oder der Produktionsreihenfolge, übertrifft ein aufwendigerer Solver, der viele kombinatorische Pfade untersucht, die Heuristik, wobei er auf derselben Bewertungsgrundlage beruht.

Betrachten wir beispielsweise die Aufgabe, ein Einzelhandelsgeschäft wieder aufzufüllen. Auf Grundlage der Rendite wird eine Einheit ausgewählt, die dem Geschäft hinzugefügt werden soll: diejenige mit der höchsten Rendite. Sobald diese eine Einheit dem Geschäft gedanklich hinzugefügt wurde, werden die Renditen angepasst. Die nächste Einheit desselben Produkts weist eine geringere Rendite auf, da sich beim Anhäufen von Beständen im selben Geschäft abnehmende Erträge zeigen. Auf Basis der überarbeiteten Renditen wird dann eine zweite Einheit ausgewählt. Der Vorgang wird wiederholt, bis die Regalkapazität des Geschäfts erreicht ist.

Greedy-Optimierung bietet mehrere wesentliche Vorteile. Erstens erfordert sie nichts weiter als die Ermittlung der Renditen der Optionen. Zweitens ist das Verfahren einfach und beobachtbar: Die priorisierte Liste vermittelt ein vollständiges Bild vom Fortschritt des Algorithmus. Drittens ist es bei sachgemäßer Implementierung typischerweise um Größenordnungen schneller als Alternativen ohne Greedy-Ansatz.

Eine naive Implementierung dieser Greedy-Optimierungslogik verursacht einen quadratischen Rechenaufwand in Bezug auf die Zahl der konkurrierenden Optionen. Für die meisten Supply-Chain-Situationen mit Tausenden von Optionen ist quadratischer Aufwand unvertretbar hoch. Es gibt jedoch Methoden, die über den Rahmen dieser Erörterung hinausgehen und diesen Zusatzaufwand verringern, indem sie die Komplexität auf quasilineare Laufzeit reduzieren.

Die meisten Supply-Chain-Aufgaben eignen sich gut für Greedy- oder Quasi-Greedy-Verfahren, weil die Optionen nur lose gekoppelt sind. Das ist kein Zufall: Unternehmen vermeiden bewusst Systeme, die kryptografischen Rätseln ähneln; was für einen Computer schwierig ist, stellt auch den menschlichen Verstand vor Herausforderungen.

Beispielsweise kann ein Fachhändler, der drei technische Produkte – A, B und C – verkauft, die typischerweise in einem festen Verhältnis gemeinsam als Set gekauft werden, etwa zwei Einheiten von A, fünf von B und sieben von C, seine Bestandsverwaltung vereinfachen. Statt drei separate Artikel zu verfolgen, behandelt er das vormontierte Set \(K\) als einen einzigen Bestandsartikel und hält zugleich einen kleinen Überschuss einzelner Komponenten für Ausnahmefälle vor. Diese Zusammenfassung verringert die Komplexität und vereinfacht den Nachschub.

Greedy-Optimierung eignet sich jedoch nicht für jedes Supply-Chain-Szenario; Tourenplanung und Produktionsplanung sind wichtige Ausnahmen. Allgemeiner eignen sich Probleme mit Abfolgen stark voneinander abhängiger Entscheidungen nicht für die Greedy-Methode. Dennoch lassen sich viele, wenn nicht die meisten Supply-Chain-Situationen mit kleinen Anpassungen quasi-greedy behandeln. Werden beispielsweise gleichzeitig Bestellungen bei mehreren Lieferanten aufgegeben, von denen jeder eine eigene Mindestbestellmenge (MOQ) vorgibt, kann eine Greedy-Strategie unzulässige Ergebnisse erzeugen: etwa eine Reihe unvollständiger Bestellungen, die bei begrenztem Budget die Mindestmengen nicht erreichen. Eine kleine Heuristik genügt jedoch, um diese Grenze zu überwinden. Man kann Lieferanten schrittweise ausschließen, beginnend bei denen mit den geringsten Renditen, und das Budget auf die verbleibenden Lieferanten umverteilen.

Die Komplikationen durch abhängige Optionen untergraben zwar nicht den Grundsatz, die Optionen mit der höchsten Rendite auszuwählen, können aber naive Auswahlverfahren wirkungslos machen. Um diese Komplexität zu bewältigen, ist spezielle Optimierungssoftware erforderlich, häufig als Solver bezeichnet. Diese Solver optimieren insbesondere anhand einer Vielzahl von Verlustfunktionen, also der jeweils zu minimierenden Größe. Dieses Thema wird später im Kapitel Entscheidungen behandelt.

4.4.3.6 Unsichere Rendite

Wechselseitige Abhängigkeiten waren die erste Hürde, Unsicherheit ist die zweite. Selbst nachdem wir erfasst haben, wie Optionen um Geld, Kapazität oder Regalfläche konkurrieren, wissen wir noch nicht, welche Zahlen tatsächlich eintreten, wenn sich diese Optionen entfalten. Nachfrage, Lieferzeiten, Ausbeuten und Spotpreise schwanken allesamt außerhalb der Kontrolle des Planers. Der leitende Grundsatz bleibt dennoch bestehen: Wähle die Option mit dem größten wirtschaftlichen Ertrag, gemessen nicht an einem Einzelwert, sondern im Erwartungswert. In der Praxis wird jeder deterministische Ertrag durch sein wahrscheinlichkeitsgewichtetes Gegenstück ersetzt: plausible Szenarien auflisten, jedem eine Wahrscheinlichkeit zuordnen, in jedem Zweig die deterministische Formel anwenden und anschließend die Ergebnisse mitteln. Dies ergibt eine erwartete Rendite, die sich wie zuvor zwischen Optionen vergleichen lässt.

Die probabilistische Perspektive ist konzeptionell einfach, bringt aber ihre eigenen Herausforderungen mit sich. Erstens müssen Wahrscheinlichkeiten geschätzt werden; darin liegt der Kern probabilistischer Prognosen. Zweitens hängt die Zukunft von Entscheidungen ab, die noch nicht getroffen wurden: Die Rendite einer Option hängt davon ab, wie künftige Optionen ausgewählt werden. Die Auswahl gegenwärtiger und künftiger Optionen unter Unsicherheit ist der Kern der stochastischen Optimierung.

Probabilistische Prognosen und stochastische Optimierung sind technische Themen, die im Kapitel Die Zukunft behandelt werden. Die probabilistische Sicht auf die Rendite ist jedoch keine bloße theoretische Kuriosität. Mit geeigneter Software können und sollten reale Supply-Chain-Optionen mit dieser Methode bewertet werden. Natürlich sind Näherungen unvermeidlich, denn die Zahl möglicher Zukünfte ist unendlich. Das schmälert jedoch nicht den praktischen Wert des Ansatzes.

4.4.4 Vetternwirtschaft und Vereinnahmung der Regulierung

Das Gewinnmotiv wird oft als kaltblütiges Streben nach „mehr um jeden Preis“ karikiert. In Wirklichkeit ist Gewinn auf einem Wettbewerbsmarkt schlicht der Beifall dafür, die dringendsten Wünsche fremder Menschen mit dem geringsten Einsatz knapper Ressourcen zu erfüllen. Gewinn ist daher ein Ergebnis, kein Glaubensbekenntnis.

Hinter dem einen Wort „Gewinn“ stehen drei grundverschiedene Verhaltensweisen. Echtes Gewinnstreben erwirtschaftet Margen durch eine überlegene Kombination aus Verfügbarkeit, Qualität und Preis. Langfristiger Gewinn hängt deshalb davon ab, das Wohlwollen von Kunden, Lieferanten und Mitarbeitern zu pflegen. Taktiken der verbrannten Erde, die die heutige Tabellenkalkulation erfreuen, aber die Optionen von morgen aushöhlen, erweisen sich als selbstschädigend, sobald ihre vollständige Rendite berechnet wird.

Eine zweite Verhaltensweise ist das „nackte“ Gewinnmotiv, das die Populärkultur so gern verurteilt: Abfälle in Flüsse kippen, Lieferanten schikanieren oder Kunden mit Lockangeboten ködern und ihnen dann etwas anderes unterschieben. Solches Verhalten ist nicht die logische Folge des Gewinnstrebens, sondern die Folge einer fehlerhaften Wirtschaftsrechnung. Werden Geldstrafen, Gerichtsverfahren, die Abwanderung talentierter Mitarbeiter und Markenschäden auf ihren Gegenwartswert zurückgeführt, verschwindet das Trugbild. Moderne Supply-Chain-Analytik ist gerade dazu da, diese verborgenen Kosten sichtbar zu machen, indem sie sie in Schattenbewertungen übersetzt, die jede Entscheidung disziplinieren.

Die dritte Verhaltensweise ist Vetternwirtschaftskapitalismus und die Vereinnahmung der Regulierung. Ein Unternehmen, das Lobbyarbeit für Zölle, exklusive Lizenzen oder verbindliche Standards betreibt, erzielt keinen Gewinn; es schöpft Renten ab. Kein Kunde wird besser bedient – Ressourcen werden lediglich durch politische Privilegien umgelenkt. Renten verzerren jedes Supply-Chain-Signal: Die Optionalität schrumpft, Innovation stockt, und die scheinbare Rendite wird durch Gesetze statt durch Leistung gestützt.²³

Die in diesem Buch vorgestellte Disziplin verfolgt den ersten Weg und schützt das Unternehmen zugleich gegen die beiden anderen. Alle folgenden Techniken setzen einen offenen Markt voraus: Sie messen jede Option daran, was ein wachsamer Wettbewerber morgen tun könnte, nicht an einem Privileg, das gestern im Parlament gesichert wurde. Stellt man echten Wettbewerb wieder her, wird dieselbe Optimierungsmaschinerie zu einem Motor der Wohlstandsschaffung. Lässt man Renten anwachsen, kann noch so viel prognostische Raffinesse die wirtschaftliche Grundlage nicht retten.

4.4.5 Überökonomische Ziele

Ein wiederkehrender Einwand gegen gewinnorientierte Unternehmen ist die Berufung auf überökonomische Ziele: Zwecke, die angeblich über bloßen Geldfragen stehen und deshalb rechtfertigen, sich über die Disziplin von Preisen, Kosten und Opportunitätskosten hinwegzusetzen. Diese Forderungen treten meist in zwei Formen auf. Die erste ist moralistisch: die Überzeugung, das Unternehmen solle über den Dienst am Kunden hinaus eine ethische oder gesellschaftliche Agenda vorantreiben. Die zweite ist apokalyptisch: die Vorhersage einer drohenden Katastrophe, die einen sofortigen Verzicht auf Rentabilität verlangt, um das Unheil abzuwenden. Beide Kategorien werden auf den folgenden Seiten untersucht.

Für Unternehmen, die auf offenen Märkten arbeiten, löst die Berufung auf einen höheren Zweck die Knappheit nicht auf; sie versieht Abwägungen lediglich mit neuen Etiketten. Jede Palette, jede Arbeitsstunde und jede Geldeinheit, die einem Ziel gewidmet werden, werden einem anderen zwangsläufig vorenthalten. Wirtschaftsrechnung ist daher keine frei wählbare Weltanschauung, sondern der einzige schlüssige Weg, Alternativen zu vergleichen. Institutionen, die auf Zwang beruhen – etwa Armeen –, liegen gerade deshalb außerhalb des Geltungsbereichs dieses Buches, weil ihre Ressourcen nicht durch freiwilligen Tausch zugeteilt werden. Für alle anderen Organisationen ist der behauptete Vorrang überökonomischer Ziele eine Illusion. In der Praxis müssen sie weiterhin entscheiden, ob die Umlenkung von Ressourcen weg von ihrem Kernauftrag langfristig Wert schafft oder vernichtet.

4.4.5.1 Moralistische Anliegen

In Supply-Chain-Begriffen behauptet ein moralistisches Anliegen, dass Menschen von etwas weniger oder mehr konsumieren sollten; folglich solle das Unternehmen helfen, den gewünschten gesellschaftlichen Wandel herbeizuführen. Die Einzelheiten variieren nach Zeit und Ort.

Beispielsweise könnte eine vorherrschende Religion in Ruritanien erklären, der Milchkonsum Erwachsener sei ein Zeichen der Verderbtheit, und Milch müsse Kindern vorbehalten bleiben. Daraufhin könnte ein ruritanisches Unternehmen freiwillig sowohl die Menge als auch die Vielfalt der für Erwachsene angebotenen Milchflaschen reduzieren und so den scheinbar wünschenswerten gesellschaftlichen Wandel aktiv vorwegnehmen. Ein solcher Schritt wird den Markt jedoch kaum beeinflussen. Entgegen der beliebten Vorstellung von „wirtschaftlicher Macht“ kann ein Unternehmen Kunden nicht zwingen, seine Produkte zu kaufen oder auf sie zu verzichten. Kürzt es willkürlich die Produktion von Milchflaschen, deren Marke sich an Erwachsene richtet, wird schon ein einziger Wettbewerber seine Produktion erhöhen, sodass die Nachfrage weiterhin im selben Maß befriedigt wird.

Ist die öffentliche Stimmung in Ruritanien gegen abgefüllte Milch für Erwachsene jedoch so stark, dass viele Kunden andere, nicht damit zusammenhängende Produkte boykottieren, kann es vernünftig sein, sich vollständig von dieser Produktlinie zu trennen – möglicherweise durch den Verkauf der Sparte, wenn sich ihre Produktion von anderen Linien abspalten lässt. Dieses Vorgehen unterscheidet sich grundlegend davon, lediglich das Angebot zu senken, in der irrigen Hoffnung, dadurch die gesamte Marktnachfrage zu verringern.

Typische moralistische Anliegen betreffen Lebensmittel oder Getränke, die als unangemessen gelten, entweder wegen angeblicher Schäden für Einzelpersonen oder wegen Schäden, die bei der Herstellung entstehen. Veganismus ist beispielsweise eines der jüngeren Glaubensbekenntnisse in einer ansonsten äußerst vielfältigen Sammlung solcher Überzeugungen. Diese Anliegen erstrecken sich auch auf das Herkunftsland und beruhen häufig auf falschen merkantilistischen²⁴ Vorstellungen vom Handel – etwa „wir befinden uns im Wirtschaftskrieg mit Ruritanien“ – oder auf der Wahrnehmung der dortigen Arbeitsbedingungen, etwa „Ruritanien lässt zu, dass seine Unternehmen seine Bürger ungebührlich ausbeuten“.

Moralistische Ansichten betreffen die Supply Chain nur insoweit, als die Bereitstellung einer bestimmten Art von Gut oder die Nutzung eines bestimmten Produktionsfaktors ihre allgemeine Handlungsfähigkeit beeinträchtigen könnte. Markenschäden können Kunden vertreiben oder die Attraktivität des Unternehmens für mögliche Mitarbeiter verringern. Diese Anliegen sind real und lassen sich wie jedes andere Risiko quantifizieren. Wirtschaftliche Berechnungen können ergeben, dass solche Risiken übermäßig hoch sind, und nahelegen, dass das Unternehmen ein Marktsegment verlassen sollte, um künftige Verluste zu minimieren. Diese Berechnungen dürfen jedoch nicht mit den persönlichen Werturteilen der Supply-Chain-Mitarbeiter verwechselt werden.

Die Herausforderung wird allerdings dadurch heikler, dass Mitarbeiter²⁵ bei moralistischen Anliegen Fehlanreizen unterliegen. Indem ein Mitarbeiter öffentlich auf ein moralistisches Anliegen drängt – ein Vorgang, der als Tugendsignalisierung bezeichnet wird –, stellt er sich als besonders tugendhaft dar, tugendhafter als seine Kollegen. Tugendsignalisierung war und bleibt wirksam, weil die Politik innerhalb von Unternehmen tendenziell diejenigen belohnt, die sich am stärksten an die vorherrschenden gesellschaftlichen Normen anpassen, nicht ausschließlich diejenigen, die die Rentabilität des Unternehmens voranbringen.

Innerhalb einer Supply Chain trägt jedoch nicht der tugendsignalisierende Einzelne die Kosten des geänderten Vorgehens, sondern das Unternehmen selbst und bis zu einem gewissen Grad der Markt, der weniger angemessen bedient wird, bis ein Wettbewerber die Lücke füllt. Unternehmensleitungen müssen deshalb gegenüber solcher Tugendsignalisierung wachsam bleiben. Große Unternehmen sind besonders anfällig für diese Art asozialen Verhaltens, das die Autorität der nominellen Hierarchie und deren Fähigkeit untergräbt, das Unternehmen auf den Dienst am Kunden auszurichten.

4.4.5.2 Apokalyptische Befürchtungen

Im Laufe der Geschichte hat eine Faszination für die Vernichtung einen beträchtlichen Teil der Menschheit erfasst. Diese morbide Faszination zu untersuchen und zu verstehen, warum sie über Jahrtausende fortbestand, ist eine Aufgabe der Psychologie, Soziologie und Geschichte. Supply Chains betrifft sie nur insoweit, als sie die Geschäftstätigkeit beeinträchtigt. Die Geschichte liefert zwei Beobachtungen: Erstens waren Ausmaß und Auswirkungen apokalyptischer Befürchtungen gewaltig; zweitens veränderten sich ihre Einzelheiten von Jahrzehnt zu Jahrzehnt drastisch. Betrachten wir eine kurze Liste moderner Weltuntergangsszenarien, die einst in Mode waren.

• Überbevölkerung (18.–19. Jahrhundert): Das rasche Bevölkerungswachstum während der ersten industriellen Revolution ließ zahlreiche Intellektuelle glauben, das Bevölkerungswachstum werde die Nahrungsmittelproduktion zwangsläufig überholen und zu weitverbreiteten Hungersnöten und zum gesellschaftlichen Zusammenbruch führen. (Siehe An Essay on the Principle of Population (1798) von Thomas Malthus.)

• Degeneration der Rasse (1920er–1930er-Jahre): Von Eugenik und pseudowissenschaftlichen Rassentheorien beeinflusste Ängste vor rassischer und genetischer Degeneration sagten den Niedergang von Zivilisationen durch die Vermischung von Rassen voraus. (Siehe The Passing of the Great Race (1916) von Madison Grant.)

• Kommunistische Machtübernahme und Rote Angst (1950er-Jahre): Der Aufstieg der Sowjetunion und die Ausbreitung des Kommunismus weckten Ängste vor einer weltweiten kommunistischen Machtübernahme und führten in den Vereinigten Staaten zur Roten Angst und zum McCarthyismus. (Siehe The Naked Communist (1958) von W. Cleon Skousen.)

• Chemische Landwirtschaft (1960er-Jahre): Die schädlichen Auswirkungen von Pestiziden, insbesondere DDT, auf Umwelt und öffentliche Gesundheit rückten umfassendere Befürchtungen über industrielle Verschmutzung und ökologischen Zusammenbruch in den Vordergrund. (Siehe Silent Spring (1962) von Rachel Carson.)

• Nuklearer Winter und globale Abkühlung (1970er-Jahre): Während des Kalten Krieges verbanden sich Ängste vor einem nuklearen Winter – einer globalen Abkühlung als Folge eines Atomkriegs – mit Befürchtungen über eine mögliche natürliche Eiszeit. (Siehe The Cooling: Has the Next Ice Age Already Begun? (1976) von Lowell Ponte.)

• Ressourcenerschöpfung (1970er–1980er-Jahre): Zahlreiche Vorhersagen besagten, der Menschheit gingen grundlegende Ressourcen wie Erdöl und Mineralien aus, was zum gesellschaftlichen Zusammenbruch führen werde. (Siehe The Limits to Growth (1972) von Meadows et al.)

• Zugang zu Süßwasser (1980er–1990er-Jahre): Es wurde vorhergesagt, dass die Erschöpfung und Verschmutzung von Süßwasserressourcen zu schwerer Knappheit und Konflikten um Wasser führen würden. (Siehe Cadillac Desert: The American West and Its Disappearing Water (1986) von Marc Reisner.)

• Saurer Regen (1990er-Jahre): Es wurde befürchtet, dass industrielle Emissionen, die sauren Regen verursachen, Wälder, Seen und Gebäude verwüsten und weitreichende ökologische Schäden anrichten würden. (Siehe Acid Rain: Its Causes and its Effects on Inland Waters (1992) von B. J. Mason.)

• Ozonabbau (1990er-Jahre): Die Ausdünnung der Ozonschicht durch Kältemittelgase, die zu stärkerer ultravioletter Strahlung, Hautkrebs und ökologischen Störungen führt. (Siehe Ozone Diplomacy: New Directions in Safeguarding the Planet (1991) von Richard Elliot Benedick.)

• Globale Erwärmung (2000er-Jahre): Es wurde vorhergesagt, dass steigende Konzentrationen von „Treibhausgasen“ katastrophale Klimaveränderungen verursachen würden, darunter einen Anstieg des Meeresspiegels, extremes Wetter und den Verlust biologischer Vielfalt. (Siehe An Inconvenient Truth: The Crisis of Global Warming (2006) von Al Gore.)

• Klimawandel (2010er–2020er-Jahre): Aufbauend auf der Erzählung von der globalen Erwärmung umfasst der Klimawandel weiter gefasste Befürchtungen über unvorhersehbare und schwerwiegende Umweltauswirkungen, die den Fortbestand der menschlichen Zivilisation bedrohen. (Siehe The Uninhabitable Earth: Life After Warming (2019) von David Wallace-Wells.)

Diese Liste umfasst die vergangenen 150 Jahre, könnte aber Jahrtausende zurückreichen. Ihr Zweck ist nicht, diese Bedrohungen zu bestätigen oder zu widerlegen; solche Urteile gehören nicht in die Supply Chain, sondern in die jeweiligen Fachwissenschaften. Vielmehr veranschaulicht sie das Ausmaß des Phänomens und die Unbeständigkeit der konkreten Bedrohungen.

Apokalyptische Befürchtungen sind überökonomisch, weil ihnen die Auffassung zugrunde liegt, dass die Welt und damit die Marktwirtschaft untergehen oder in einen unwiederbringlich verschlechterten Zustand geraten werden, wenn man nicht handelt. Definitionsgemäß steht eine apokalyptische Befürchtung über jedem einzelnen Wunsch eines Individuums. Schließlich kann kein Individuum anders als unbedeutend sein, wenn es gegen die mögliche Auslöschung eines beträchtlichen Teils der Menschheit, womöglich ihrer Gesamtheit, abgewogen wird.

Bei apokalyptischen Ängsten, die aus der Mode gekommen sind, ist offensichtlich, dass Unternehmen, die seinerzeit Ressourcen für diese Anliegen bereitstellten, schwer fehlgeleitet waren und sich dadurch erheblich selbst schadeten. Nur wenige Manager würden noch behaupten, eine Einstellungspolitik, die Angehörige einer religiösen Minderheit ausdrücklich diskriminiert, entspreche den besten wirtschaftlichen Interessen des Unternehmens. Ebenso würden heute nur wenige Manager behaupten, großzügige Spenden an Wohltätigkeitsorganisationen und politische Bewegungen, die Eugenik befürworten, trügen tatsächlich zur Verbesserung der Menschheit bei. Doch vor nicht allzu langer Zeit waren beide Vorgehensweisen unter gebildeten und wohlmeinenden Menschen weit verbreitet, die sich auf einen als gesichert geltenden „wissenschaftlichen“ Konsens stützten²⁶.

Diese apokalyptischen Befürchtungen stören Supply Chains, weil ihr überökonomischer Anspruch die Wirtschaftsrechnung außer Kraft setzt. Unternehmen müssen jedoch weiterhin knappe Ressourcen zuteilen. Die Apokalypse schafft Knappheit nicht ab. Wenn es darum geht, Kunden zufriedenzustellen, gibt es keine Alternative zur Wirtschaftsrechnung. Wenn ein Anliegen wichtiger ist als die Zufriedenheit der Kunden, warum sollte man ihm dann weniger als sämtliche Ressourcen widmen?

Wie König Richard in Richard III ausruft: „Ein Pferd, ein Pferd! Mein Königreich für ein Pferd!“

Allgemeiner spiegelt die Vorstellung, irgendein Anliegen bei der Zuteilung knapper Ressourcen genieße einen überökonomischen Status und stehe kategorisch über alltäglichen Anliegen, ein tiefes Missverständnis der Ökonomie wider. Zu Gewinnen und Verlusten gibt es keine Alternative.

4.4.5.3 Non-Profit-Organisationen

In den meisten westlichen Ländern gewährt das Steuerrecht Organisationen, die als „Non-Profit“ bezeichnet werden, besondere Befreiungen, anders als jenen, die als „For-Profit“ gelten. Ob solche Steuerbefreiungen und regulatorischen Erleichterungen²⁷ der Gesellschaft insgesamt nützen, liegt außerhalb der Supply Chain. Für das allgemeine Verständnis der Ökonomie ist diese Bezeichnung jedoch äußerst unglücklich und stiftet in der breiten Öffentlichkeit enorme Verwirrung. Schlimmer noch: Viele Autoren von Supply-Chain-Büchern teilen diese Verwirrung und schreiben Non-Profit-Organisationen beinahe mystische Eigenschaften zu, womit sie populäre, aber irrige Vorstellungen wiederholen. Diese Autoren glauben fälschlich, Vereinigungen, also sogenannte „Non-Profit“-Organisationen, seien von den Prinzipien von Gewinn und Verlust ausgenommen. Das ist offenkundig falsch. Vereinigungen unterliegen denselben ökonomischen Gesetzen und folgen, soweit sie eine Supply Chain betreiben, denselben Prinzipien. Folglich ist eine Technik zur Verbesserung von Supply Chains unabhängig vom steuerlichen Status gleichermaßen gültig – oder gleichermaßen ungültig.

Einige wenige Tatsachen genügen. Beide Arten von Organisationen werden von Unternehmern vorangetrieben. Manche Unternehmer, die gewinnorientierte Organisationen führen, scheitern und sind am Ende ärmer als zu Beginn. Umgekehrt haben manche Leiter von Non-Profit-Organisationen Erfolg und beziehen Gehälter weit über dem Landesdurchschnitt. Manche rentablen Unternehmen schütten Dividenden aus, andere nicht. Sowohl Unternehmen als auch Vereinigungen erleben Korruptionsskandale. Beide benötigen Kunden, die sie finanzieren²⁸. Kunden haben Erwartungen, und in beiden Fällen bevorzugen sie die effizientere Organisation, wenn ein Wettbewerber mehr für weniger bietet. Beide wachsen, wenn sie mehr einnehmen als ausgeben; beide gehen bankrott, wenn sie mehr ausgeben als einnehmen.

Eine Vereinigung als „Non-Profit“ zu bezeichnen, ist eine Fehlbenennung: Gewinn und Verlust sind die Grundtatsachen der Ökonomie. Die Organisation nimmt Ressourcen ein und gibt sie aus. Übersteigen die Einnahmen die Ausgaben, entsteht Gewinn. Übersteigen die Ausgaben die Einnahmen, entsteht Verlust. Gewinn und Verlust existieren auch ohne Buchhalter. Führt ein Buchhalter die Bücher, wird die Lage klarer; er schafft weder Gewinn noch Verlust, sondern macht sie lediglich sichtbar.

In der Marktwirtschaft streben alle Akteure danach, die dringendsten Wünsche ihrer Kunden zu erfüllen. Dies gilt für Unternehmen und Vereinigungen gleichermaßen. Sorgen sich Kunden beispielsweise um die Entwaldung, können sie Geld dafür ausgeben, Bäume zu pflanzen oder pflanzen zu lassen. Mit einer Spende an eine Vereinigung, die sich der Wiederaufforstung widmet, fällen Kunden ein Werturteil: Sie kaufen künftige Wälder; eine Welt mit mehr Wäldern ist ihr Lohn. Stehen mehrere gleichermaßen engagierte Organisationen zur Auswahl und kann eine davon je Geldeinheit doppelt so viel Wald wachsen lassen, werden Kunden sie bevorzugen. Entdecken sie später, dass die Vereinigung sämtliche Einnahmen für Werbung ausgegeben und keinen Baum gepflanzt hat, werden sie sich zu Recht betrogen fühlen und wahrscheinlich auf weitere Spenden verzichten.

Dass die Zahlung eines Kunden und die Leistung einer Vereinigung einander nicht unmittelbar entsprechen, ist lediglich eine technische Einzelheit. Dasselbe Muster findet sich in Unternehmen: Die städtische Müllabfuhr wird meist über eine jährliche Pauschale und nicht je erbrachter Leistung bezahlt, dennoch sind viele dieser Anbieter gewinnorientiert.

Eine Organisation als „Non-Profit“ zu bezeichnen, ist ebenso unsinnig, wie sie als „schwerkraftfrei“ zu bezeichnen. Naturgesetze dulden keinen Widerspruch; die Gesetze der Ökonomie bilden keine Ausnahme. Wie Gewinne verteilt werden – ob sie an Anteilseigner ausgeschüttet, in weitere Kapitalgüter reinvestiert oder zur Erhöhung der Mitarbeiterlöhne verwendet werden –, ist eine technische Einzelheit. Steuersysteme beeinflussen diese Einzelheiten erheblich, aber nicht auf eine Weise, die sich kategorisch etwa von der Subventionierung einer Branche wie der Solarenergie unterscheidet. Es handelt sich lediglich um einen von vielen Ansätzen, mit denen Regierungen den Markt bei der Verteilung von Subventionen untergliedern. Subventionen verleihen Vereinigungen keine besondere wirtschaftliche Macht.

Letztlich bleiben die inneren Beweggründe von Unternehmern für Außenstehende unerkennbar, unabhängig davon, ob ihre Organisationen gewinnorientiert oder nicht gewinnorientiert sind. Vielleicht treibt sie aufrichtig die Verbesserung der Lage ihrer Mitmenschen an; vielleicht jagen sie lediglich der Eitelkeit und der öffentlichen Aufmerksamkeit nach, die eine erfolgreiche Vereinigung begleitet. Menschen können lügen; sie können sich auch verändern. Was mit selbstsüchtiger Absicht beginnt, kann sich mit der Zeit zu echtem Altruismus entwickeln; das Gegenteil ist ebenfalls möglich.

Die Supply Chain kann daher keine kategorische Unterscheidung zwischen angeblichen Non-Profit-Organisationen und gewinnorientierten Organisationen treffen. Diese Unterscheidung gehört ins Steuerrecht, nicht in die Supply Chain. Autoren, die Vereinigungen einzigartige Supply-Chain-Eigenschaften zuschreiben, betreiben entweder Tugendsignalisierung, indem sie sich mit edlen Anliegen in Szene setzen, oder sind ideologisch fehlgeleitet und schreiben diesen Organisationen beinahe mystische Eigenschaften zu.

4.4.5.4 Streitkräfte

Non-Profit-Organisationen veranschaulichen, dass Gewinn und Verlust selbst unter altruistischen Vorwänden unausweichlich bleiben. Streitkräfte bilden einen anderen Fall: eine Institution, die eindeutig zur Ökonomie gehört, der aber die üblichen gewinnorientierten Rückkopplungen fehlen. Armeen erzielen keine Einnahmen, indem sie Dienstleistungen an eine Kundschaft verkaufen; vielmehr werden sie durch Steuern finanziert, die eine souveräne Staatsgewalt erhebt. Diese Abhängigkeit von staatlichem Zwang befreit sie nicht von Knappheit; sie verändert nur die Art der Ressourcenzuteilung. Ökonomische Gesetze verschwinden nicht in Gegenwart von Waffen und Uniformen: Jede Kugel und jedes Fass Treibstoff unterliegen denselben Beschränkungen wie der Rest der Wirtschaft.

Ökonomisch betrachtet gehört ein „Militär“ zu den umfassendsten zentralplanerischen Strukturen moderner Gesellschaften. Streitkräfte müssen Ausrüstung instand halten, Versorgungsgüter beschaffen, Truppen unterstützen und Macht in unterschiedlichen Regionen entfalten. Diese Tätigkeiten lassen sich jedoch nicht anhand des Gewinn-und-Verlust-Rahmens bewerten, der auf Marktakteure angewendet wird. Während ein privates Unternehmen seine Ausgaben fortlaufend gegen Kundenzahlungen abwägt, wird das Militär ohne freiwilligen Tausch finanziert und unterliegt daher keiner unmittelbaren Marktdisziplin. Die unsichtbare Hand, die in privaten Unternehmen Effizienz fördert, wird durch Anweisungen von oben ersetzt, die eine abgestimmte Strategie statt kurzfristiger finanzieller Erträge verfolgen.

Das Fehlen von Gewinnsignalen erspart den Streitkräften jedoch nicht die Probleme der Wirtschaftsrechnung. Wie Ludwig von Mises in Socialism (1922) und Human Action (1949) zeigte, gibt es keinen verlässlichen Maßstab zur Unterscheidung rentabler von unrentablen Verwendungen, wenn ein zentraler Planer die Ressourcenzuteilung außerhalb des Preisbildungsprozesses zu steuern versucht. Ohne die von freien Märkten erzwungene Disziplin ist Fehlallokation nahezu garantiert. Solche Fehlallokationen bleiben in Friedenszeiten verborgen, wenn der Haushalt als eine einzige Position erscheint, treten aber offen zutage, sobald den Streitkräften kritische Ausrüstung fehlt oder sie über Überschüsse an veraltetem Gerät verfügen. Dieselben Herausforderungen betreffen große Unternehmen mit komplexen Supply Chains, doch Armeen stehen ihnen in größerem Maßstab gegenüber, mit Folgen auf Leben und Tod.

In der heutigen Zeit spiegeln Verteidigungshaushalte in Milliardenhöhe komplexe Abwägungen auf höchster politischer Ebene wider. Die klassische Analogie „Kanonen oder Butter“ verdeutlicht, dass jede dem Militär zugeteilte Einheit nicht für zivile Güter ausgegeben wird: Schulen, Krankenhäuser, Straßen oder andere produktive Vorhaben. Die Streitkräfte erzielen keinen „Gewinn“, wenn sie ihren Auftrag erfüllen; vielmehr erhalten sie anhaltende politische Unterstützung, um mehr davon zu tun. Wird eine neue Generation von Kampfflugzeugen oder Kriegsschiffen in Auftrag gegeben, steht keine Kundenschlange bereit, deren Zahlungsbereitschaft die Ausgaben rechtfertigen würde. Die Rechtfertigung ergibt sich stattdessen aus tatsächlichen oder vermeintlichen strategischen Notwendigkeiten, die außerhalb der üblichen Rechenschaftsmechanismen des Marktes liegen.

Natürlich versuchen Streitkräfte, die Fallstricke der Zentralplanung durch Ersatzkennzahlen abzumildern: „Bereitschaft“, „Einsatzfähigkeit“, „Machtprojektion“ und andere strategische oder bürokratische Indikatoren. Diese sind zwar nützlich, ersetzen aber nicht die Unmittelbarkeit von Gewinn und Verlust. Ein siegreicher Feldzug erzeugt für die Streitkräfte keinen Einnahmenüberschuss, ebenso wenig wie ein langwieriger Konflikt unmittelbar als Verlust verbucht wird. Lang anhaltende Konflikte können größere Verteidigungshaushalte und erweiterte Infrastruktur hervorbringen, ohne dass eine wirksame wirtschaftliche Nutzung klar nachgewiesen wäre. Entscheidungen fallen wieder an die Politik zurück – an das, was die Öffentlichkeit oder ihre Vertreter für vertretbar halten –, statt an Abwägungen, die durch freiwillige Nachfrage geprägt sind.

Diese Beschränkungen erzeugen besondere Supply-Chain-Herausforderungen für Streitkräfte. Die Nachfrage ist höchst unsicher und wird von geopolitischen Ereignissen statt von Verbraucherpräferenzen bestimmt. Zur Absicherung gegen Krisen werden große Vorräte gehalten, und die Lieferzeiten für Spezialausrüstung wie Atom-U-Boote oder Tarnkappenflugzeuge können außergewöhnlich lang sein. Fehlt einer Armee ausreichend Kapazität, kritische Komponenten selbst herzustellen, muss sie sich an private Rüstungsunternehmen wenden. An diesem Punkt tritt ein Teil der Supply Chain wieder in den Bereich des Marktwettbewerbs ein, zumindest auf dem Papier: Lieferanten werden zu ausgehandelten Preisen bezahlt, und Staaten versuchen häufig, mehrere Auftragnehmer gegeneinander antreten zu lassen, um die Kosten zu senken. Politische Eingriffe und regulatorische Komplexität verzerren diese Prozesse jedoch oft und führen zu „Cost-plus“-Verträgen und anderen Vereinbarungen, die allzu häufig in Vetternwirtschaftskapitalismus ausarten. Ein Anschein von Marktdisziplin mag daher bestehen, doch sie bleibt gewöhnlich lückenhaft und wird von bürokratischer Politik überschattet.

Ebenso gilt Hayeks Wissensproblem aus The Use of Knowledge in Society (1945) auch für das Militär. Die für die Ressourcenzuteilung relevanten Informationen sind weit verstreut. Örtliche Einheiten kennen ihre logistischen und strategischen Beschränkungen aktuell und genau, doch die großen Zuteilungsentscheidungen treffen übergeordnete Kommandostellen. Strenge Hierarchien von oben nach unten unterdrücken Signale von unten nach oben und entziehen den höheren Ebenen das lokale Wissen, das sie für fundierte Entscheidungen über Beschaffung, Einsatz oder Instandhaltung benötigen. De facto agiert die Rüstungsindustrie als abgeschlossener Mikrokosmos der Zentralplanung: Wie kompetent oder wohlmeinend Offiziere und Bürokraten auch sein mögen, auf dem Übermittlungsweg gehen entscheidende Informationen verloren, wodurch das Risiko von Fehlallokationen steigt.

Dennoch bleiben alle relevanten Ressourcen knapp. Fehlende Versorgungsgüter können ganze Feldzüge scheitern lassen, und umgekehrt können übermäßige Vorräte veralteter Ausrüstung die Fähigkeit des Militärs beeinträchtigen, Modernisierungen zu finanzieren. Wie in jeder großen Bürokratie fügen routinemäßige Verbesserungsbemühungen zudem weitere Prozessebenen hinzu: neue Ausschüsse, neue Aufsichtsgremien, neue Planungsschritte. Mit der Zeit entwickeln diese Ebenen eine eigene Trägheit, die Kurskorrekturen erschwert. Ohne eine Gewinnprüfung, die Verschwendung aussortiert, können ganze Beschaffungsprogramme weit über ihre sinnvolle Lebensdauer hinaus fortbestehen. Politisch bevorzugte Programme bleiben bestehen, selbst wenn sie auf dem Schlachtfeld wenig Vorteil bringen. Ökonomisch ergibt sich daraus eine strukturelle Unfähigkeit, den Ressourceneinsatz zu optimieren. Streitkräfte können diese Beschränkungen nicht frei abwerfen: Sie können nicht zu agilen, vom Gewinn geleiteten Kräften werden. Sie erfüllen Aufgaben außerhalb freiwilliger Zusammenarbeit, und der Preis dieser Ordnung ist das Fehlen unmittelbarer Rückmeldungen vom Markt.

Eine letzte Besonderheit der Streitkräfte ist ihre Anfälligkeit für abrupte Neuausrichtungen, typischerweise nach einem Wechsel der politischen Führung. Haushaltsänderungen können je nach wahrgenommener Bedrohung drastisch ausfallen, nach oben wie nach unten. Wechselnde Bündnisse, neue Verträge oder Kriegsmüdigkeit können die militärischen Prioritäten allesamt neu ordnen. Private Unternehmen auf einem freien Markt passen sich ebenfalls plötzlichen Veränderungen an, können sich aber auf Gewinnsignale stützen, die sie zu besseren Zuteilungen führen. Armeen hingegen müssen ihre Supply Chains nach Vorgaben von oben umgestalten und tragen dabei den Zusatzaufwand einer großen Bürokratie, die gleichzeitig neue Doktrinen entwickeln, alte verwerfen und ganze Fahrzeug- und Ausrüstungsflotten neu ausrichten muss.

Streitkräfte veranschaulichen somit eine extreme Ausprägung derselben Planungsprobleme, denen große integrierte Unternehmen gegenüberstehen. Der Staat misst den Erfolg seiner Armeen nicht daran, wie wirksam sie Verbraucherwünsche erfüllen; es gibt keinen direkten Kanal, über den die Unzufriedenheit der Verbraucher auf den Militärhaushalt wirkt. Dennoch bleiben Ressourcen knapp und müssen weiterhin verteilt werden, weshalb die Logik der Ökonomie nach wie vor gilt. Das Fehlen von Gewinn-und-Verlust-Signalen lässt sich teilweise durch Ersatzkennzahlen ausgleichen. Solche Ersatzgrößen reichen jedoch bei Weitem nicht an die Breite und Feinheit von Marktpreisen heran. Auch wenn Armeen außerhalb eines Marktkontexts operieren, unterliegen daher jeder Konflikt, jede Mobilisierung in Friedenszeiten und jede logistische Vorbereitung hinter den Kulissen dem eisernen Gesetz der Knappheit. Obwohl Krieg häufig als reine Politik oder Strategie behandelt wird, ist er im Kern auch ein komplexes Zuteilungsproblem, dem kein Dekret entgehen kann.

4.4.6 Lösungen und Abwägungen

Es gibt keine Lösungen. Es gibt nur Abwägungen.
A Conflict of Visions (1987), Thomas Sowell.

Supply Chains sind strikt an die Gesetze der Ökonomie gebunden. Jede Zuteilung einer Ressource schließt alle anderen unmittelbar verfügbaren Verwendungen aus. Eine Entscheidung ist nur dann richtig, wenn es für die Ressource keine bessere Verwendung gibt; Rentabilität reicht nicht aus – sie muss maximal sein.

Jede Bestandszuteilung trägt die Opportunitätskosten der besten Alternative. Sobald eine Einheit aus dem Lager an ein Geschäft eines Einzelhandelsnetzes versandt wurde, steht sie nicht mehr für andere Geschäfte zur Verfügung. War es die letzte Einheit und geht sie an ein absatzschwaches Geschäft, während andere lebhaft verkaufen, war diese Zuteilung wahrscheinlich ein Fehler. Besser wäre es, die letzte Einheit an das Geschäft mit der dringendsten Nachfrage zu senden. In beiden Fällen wird die Einheit wahrscheinlich verkauft. Sie dorthin zu schicken, wo die Nachfrage am größten ist, richtet das Netzwerk jedoch an den dringendsten Kundenwünschen aus. Bleibt die Einheit im mittelmäßigen Geschäft liegen, kann sie ins Lager zurückgebracht und erneut an ein geeigneteres Geschäft versandt werden. Das verursacht allerdings zusätzliche Transportkosten, und während des Transports dient die Einheit niemandem.

Ein Verkauf jetzt steht der Möglichkeit gegenüber, später rentabler zu verkaufen. Das spätere, rentablere Ergebnis muss keinen höheren Preis erfordern. Eine Schraube, die für 1 Geldeinheit gekauft und für 2 verkauft wird, erbringt beispielsweise 1 Geldeinheit Bruttomarge. Gehört diese Schraube – die letzte im Bestand – jedoch zu einem Bündel, etwa einer Maschine, die für 100 Geldeinheiten verkauft wird und deren Komponenten 50 kosten, dann bringt der Einzelverkauf jetzt 1 Geldeinheit, lässt aber 50 Geldeinheiten entgehen, falls ein Käufer für das Bündel eintrifft, bevor weitere Schrauben beschafft werden können. Erwartet das Unternehmen bald einen Käufer für das Bündel, ist der Einzelverkauf der Schraube trotz seiner Rentabilität die falsche Supply-Chain-Entscheidung. Richtig ist es, die Schraube auf Lager zu halten, um den Verkauf des Bündels zu ermöglichen.

Ressourcen sind vielfältig, und die daraus entstehenden Abwägungen sind es noch mehr. Dennoch reduzieren viele Supply-Chain-Autoren Entscheidungen auf Bestandskosten gegenüber Fehlbeständen, Kosten gegenüber Liquidität gegenüber Service oder Angebot gegenüber Nachfrage. Diese niedrigdimensionalen Sichtweisen sind verfehlt. Indem sie einige ingenieurtechnische Abwägungen, die stärker in der Buchführung als in der Ökonomie wurzeln, zu ersten Prinzipien erheben, verdecken sie den einzigen universellen Maßstab: die Wirtschaftsrechnung.

In jeder Branche ist die Supply Chain ein fortwährender Drahtseilakt zwischen Verbesserungen, die einander ausschließen. Senkt man den ausgezeichneten Preis, steigt die Absatzmenge gewöhnlich stark an; doch jeder nachgelassene Prozentpunkt geht direkt zulasten der Bruttomarge. Im Luxussegment kann dies die Marke so stark entwerten, dass unverkaufte Einheiten am Ende lieber vernichtet als verbilligt werden. Erweitert man das Sortiment um zusätzliche Farben oder Größen, freuen sich die Kunden, doch Beschaffungs-, Lager- und Qualitätskontrollkosten steigen ebenso schnell. Nimmt man Ersatzlieferanten hinzu, um sich gegen verspätete Lieferungen abzusichern, wird die Widerstandsfähigkeit mit einer schwächeren Verhandlungsposition im Einkauf erkauft. Längere Ladenöffnungszeiten bringen zusätzliche Besucher und zugleich eine höhere Lohnrechnung. Stellt man befristet Kommissionierer ein, um eine saisonale Spitze zu bewältigen, steigt der Durchsatz, während Fehler und Schwund zunehmen. Wechselt man zu einem kleinen spezialisierten Komponentenhersteller, wirkt das Endprodukt hochwertiger – sofern der kleine Betrieb seinen Termin nicht verpasst. Lockert man die Rückgaberegeln zur Stärkung der Kundentreue, schwellen die Kosten der Rückwärtslogistik an. Schlägt man verderbliche Waren täglich um, um maximale Frische zu erzielen, sieht das Regal tadellos aus; die bewusst knapperen Bestände garantieren jedoch mehr Fehlbestände. Jeder Hebel trägt diesen Doppelcharakter. Planer jonglieren jederzeit mit Dutzenden solcher Dilemmata.

Diese Liste ließe sich über alle Branchen und ihre jeweiligen Abwägungen hinweg nahezu endlos fortsetzen. Außerdem kann fast jede benannte Ressource weiter zerlegt werden. Die Bezeichnung ist praktisch, letztlich aber eine Näherung. Nehmen wir beispielsweise an, die Lagerkapazität beträgt 10.000 \(m^2\). In Wirklichkeit sind nicht alle diese \(m^2\) gleichwertig. Einige liegen nahe an Verladerampen oder Förderbandenden. Die Kapazität lässt sich genauer in 2.000 „Premium“-\(m^2\) und 8.000 „reguläre“ \(m^2\) aufteilen.

Ressourcen und Abwägungen lassen sich stets mit einer willkürlichen Taxonomie versehen, die so viele Klassen enthält, wie man möchte. Innerhalb eines bestimmten Unternehmens kann eine solche Taxonomie die Kommunikation erleichtern. Über den gesamten Markt hinweg sind solche Übungen weitgehend sinnlos. Sie liefern keine besseren Ergebnisse als die Alltagssprache.

Der einzige praktische Zugang zu diesen Abwägungen ist die Wirtschaftsrechnung. Sie wägt diese Widersprüche gegeneinander ab, um zu einer angemessenen Supply-Chain-Entscheidung zu gelangen. Sie verdeutlicht auch, dass keine Entscheidung ein uneingeschränktes Gut ist, eine reine Gewinnquelle, sondern eine Mischung aus erwarteten Gewinnen und Verlusten.

4.5 Fragen der Bewertung

Supply-Chain-Entscheidungen sind im Grunde Wetten: Jede setzt heute eine knappe Ressource für eine Folge unsicherer Konsequenzen von morgen ein. All diese Wetten in einer einzigen monolithischen Berechnung bewerten zu wollen, ist aussichtslos. Der Entscheidungsraum ist viel zu groß und verändert sich zu schnell. Die praktische Abhilfe besteht darin, die Gesamtberechnung in handliche Fragmente zu zerlegen, eines je Option, und jedes Fragment mit einer Bewertung auszustatten. Eine Bewertung ist keine buchhalterische Kuriosität, sondern ein Instrument: ein in Geld ausgedrückter Wert, der Optionen vergleichbar macht, sodass sie Stück für Stück statt alle auf einmal verglichen, geordnet und ausgewählt werden können. Gute Bewertungen legen Opportunitätskosten offen und treiben die zuvor eingeführten Optimierungsverfahren an; fehlerhafte Bewertungen lenken das Unternehmen unbemerkt in systematische Fehlallokationen.

So betrachtet bilden Bewertungen die unverzichtbare Brücke zwischen der konkreten Welt der Paletten und Lkw und dem abstrakten Bereich der Wirtschaftsrechnung. Sie übersetzen verschiedenartige Ereignisse – einen zusätzlichen Tag Haltbarkeit, einen verärgerten Kunden, eine verspätete Lieferantenzahlung, einen überfüllten Kommissioniergang – in eine einzige Skala, mit der Software im Millisekundentakt arbeiten kann. Der Bau dieser Brücke folgt stets demselben Weg.

Zuerst entwirft das Unternehmen ein explizites wirtschaftliches Modell, das klärt, welche Flüsse wichtig sind und wie sie mit Gewinn und Verlust zusammenhängen. Zweitens rechnet es jede beobachtete Geldeinheit den Entscheidungen zu, die sie hervorgebracht haben, sodass jede Mikroentscheidung ihren angemessenen Anteil an gemeinsamen Kosten und Nutzen trägt. Drittens projiziert es diese Zahlungsströme unter Berücksichtigung der Unsicherheit in die Zukunft und ergänzt Schattenanpassungen dort, wo die bloßen Geschäftsbücher wesentliche Risiken oder Vorteile wie Wohlwollen oder Markenschäden nicht erfassen würden.

Die nächsten Unterabschnitte untersuchen diese drei Schritte nacheinander. Sie zeigen, wie ein explizites wirtschaftliches Modell die Berechnung verankert, warum Zurechnung sowohl unvermeidlich als auch umstritten ist und wie Projektionen, ergänzt um Schattenbewertungen und interne Bewertungen, aus den Daten von gestern handlungsrelevante Erkenntnisse für morgen machen.

4.5.1 Das wirtschaftliche Modell

Die Wirtschaftsrechnung beginnt mit einem expliziten wirtschaftlichen Modell: einer knappen, aber transparenten Abbildung, die jede operative Wahl – kaufen, herstellen, bewegen, vorhalten, bepreisen – mit ihren projizierten finanziellen Folgen verknüpft. In der Praxis übersetzt das Modell den Fluss von Atomen in Geldströme, indem es vier Elemente festlegt: die Analyseeinheit, etwa SKU, Palette oder Maschinenstunde; den Zeithorizont, über den sich Folgen entfalten; die Zurechnungsregeln für gemeinsame Kosten und Einnahmen; sowie die Abzinsungskonvention, die unterschiedliche Zeitpunkte vergleichbar macht. Sein Zweck ist keine prophetische Genauigkeit. Es soll die sonst unsichtbaren Abwägungen offenlegen, damit einander ausschließende Optionen nach einem einzigen Maßstab geordnet werden können: der risikoangepassten Rendite. Da Supply Chains auf mehreren miteinander verflochtenen Zeitskalen arbeiten, bestehen meist mehrere Teilmodelle nebeneinander: ein kurzzyklisches Nachschubmodell mit Schwerpunkt auf dem Lagerumschlag, ein Beschaffungsmodell, das Lieferantenrabatte und Mindestbestellmengen abbildet, und ein Kapazitätsmodell, das zeigt, wie sich Produktionsbeschränkungen in Geld niederschlagen. Jedes ist eine Facette derselben Disziplin: physische Entscheidungen in abgezinste Zahlungsströme zu übersetzen.

Eines der einfachsten wirtschaftlichen Modelle ist beispielsweise das des reinen Händlers. Der reine Händler kauft und verkauft lediglich Güter, ohne sie zu transportieren, und belässt sie oft für einen vereinbarten Zeitraum in der Obhut des Verkäufers. Seine Strategie besteht darin, billig zu kaufen und teuer zu verkaufen. Das maßgebliche Modell reduziert sich auf die projizierte Bruttomarge: Verkaufspreis je Einheit abzüglich Einkaufspreis je Einheit. Variabilität entsteht durch den Verkaufspreis, der zum Kaufzeitpunkt unbekannt ist. Reine Händler erfüllen verschiedene Funktionen auf dem Markt, etwa Verkäufer vor Preisschwankungen zu schützen oder ihnen den Umgang mit zahlreichen kleineren Kunden zu ersparen.

Während der reine Händler eine extreme Vereinfachung darstellt, bringen reale Supply Chains unweigerlich zahlreiche Feinheiten mit sich. Das wirtschaftliche Modell ist immer eine Näherung. Manche Näherungen sind beabsichtigt, weil sie helfen, das Modell beherrschbar zu halten. Beispielsweise sind alle Güter vergänglich: Nach ausreichend langer Zeit rostet selbst sogenannter rostfreier Stahl. Bei vielen Gütern ist die Haltbarkeit jedoch so lang, dass die Vergänglichkeit vernachlässigbar ist. In solchen Fällen ist es vernünftig, sie im Modell auszulassen.

Andere Näherungen sind unbeabsichtigt und spiegeln operative Unsicherheit wider. Wissen lässt sich verfeinern, wird aber unvollständig bleiben. Beispielsweise können sich im Bestand Mängel verbergen, die erst Kunden bemerken, von denen manche später eine Erstattung oder einen Umtausch verlangen. Die Qualitätskontrolle kann Mängel auf ein nahezu vernachlässigbares Niveau reduzieren, doch die Möglichkeit bleibt bestehen, und Wissen wird niemals absolut.

Der Entwurf des Modells, einschließlich seiner Struktur und beabsichtigten Näherungen, ist ein Problem allgemeiner Intelligenz. Solche Probleme eignen sich nicht für „mechanistische“ Lösungen. Die Angemessenheit des Modells ist stets eine Frage übergeordneter Urteilskraft. Ein wirtschaftliches Modell lässt sich empirisch falsifizieren – oder zumindest lassen sich seine Näherungsfehler quantifizieren und als übermäßig groß beurteilen –, doch der Entwurf des Modells selbst erfordert höhere Formen des Denkens. Orientierung und Prinzipien können vorgegeben werden, aber kein knappes formales Regelwerk wird diese Aufgabe zufriedenstellend erledigen.

Obwohl der Modellentwurf eine Frage allgemeiner Intelligenz bleibt, lässt sich dennoch sehr viel automatisieren. Die Auswertung des Modells und seine Nutzung bei Entscheidungen können vollständig automatisiert werden. Das Modell muss überarbeitet werden, wenn sich Unternehmen und Markt weiterentwickeln. Dieser Prozess verläuft jedoch gewöhnlich langsam im Vergleich zu den Schwankungen im Fluss von Gütern und Materialien. Für die meisten Unternehmen bleibt ein passendes wirtschaftliches Modell Monate, wenn nicht Jahre gültig; ein Datenwert zum Fluss, etwa ein Bestandsniveau, bleibt es Stunden.

4.5.2 Implizite Bewertungen

Viele Unternehmen umgehen das Problem der Wirtschaftsrechnung für die Supply Chain, indem sie auf prozentbasierte Entscheidungsregeln und ähnliche nichtökonomische Methoden zurückgreifen. Diese Regeln steuern die Entscheidungen in der Supply Chain. Sie verbinden typischerweise manuelle und automatisierte Abläufe, ohne ausdrücklich eine ökonomische Perspektive einzunehmen. Der einzige Vorzug dieses Ansatzes liegt darin, den mit der Wirtschaftsrechnung selbst verbundenen Zusatzaufwand zu vermeiden. Ansonsten kann dieser Ansatz nur noch als rückständig gelten, unabhängig davon, wie erfolgreich das Unternehmen aufgrund von Faktoren ist, die nichts mit seiner Supply Chain zu tun haben, etwa einer überlegenen Markenführung.

Für einen Kleinstbetrieb – einen einzelnen Lebensmittelladen, eine familiengeführte Werkstatt, einen Reparaturladen um die Ecke – ist der Verzicht auf formale Bewertungen nicht rückständig, sondern pragmatisch. Die knappste Ressource des Inhabers ist seine eigene Zeit: Jede Stunde, die er für den Aufbau einer Tabellenkalkulation aufwendet, konkurriert mit dem Reinigen von Regalen, Kundengesprächen oder schlicht damit, den Betrieb am Laufen zu halten. Wenn zwei Stunden Rechnen bestenfalls eine Handvoll Geldeinheiten bei der Bestellung für die nächste Woche einsparen, erzielen diese Stunden eine höhere und sicherere Rendite, wenn sie in die Instandhaltung oder den direkten Verkauf fließen. In diesem Umfeld nähern einfache Faustregeln – „nachbestellen, wenn nur noch zwei Einheiten übrig sind“, „das Brotregal niemals leer werden lassen“ – das Optimum gut genug an. Sobald Mengen, Produkte und Standorte zunehmen, kehrt sich die Rechnung um: Die Kosten der Fehlallokation übersteigen den Verwaltungsaufwand rasch. Jenseits dieser Schwelle ist das Festhalten an impliziten Bewertungen keine Sparsamkeit mehr, sondern Selbstsabotage.

Nach dieser Einschränkung kehren wir zum Hauptstrang unserer Argumentation zurück. Sicherheitsbestände, Min/Max-Bestellpunkte und zeitbasierte Puffer sind typische nichtökonomische Entscheidungsregeln. Jede spuckt eine Zahl aus – einen Prozentsatz, eine Stückzahl oder „Nachfragetage“ –, die eine Bestellung auslöst. Keine enthält jedoch eine in Geld ausgedrückte Bewertung. Sie werden auf ingenieurtechnische Ziele eingestellt – Liefererfüllungsquote, Zykluszeit, optische Beruhigung –, ohne je zu fragen, was die nächste Einheit wert ist. Kapitalkosten, Margenvarianz und Opportunitätskosten kommen in den Formeln nirgends vor. Ein Unternehmen kann solche Regeln fehlerfrei ausführen und dennoch Ressourcen fehlleiten, weil der optimierte Maßstab von Gewinn und Verlust abgekoppelt ist.

So sehr diese Regeln die Wirtschaftsrechnung auch ignorieren: Gewinne und Verluste entstehen trotzdem. Der Berechnung kann man ausweichen, ihren Folgen nicht. Beispielsweise ist die irrige Vorstellung verbreitet, Prozentwerte sollten in Richtung 100 % gesteuert werden, etwa bei Servicegraden, die Sicherheitsbestände bestimmen. Größere vorgehaltene Mengen weisen offensichtlich abnehmende Erträge auf. Irgendwann entsprechen die Abschreibungskosten übermäßiger Bestände den Fehlbestandskosten; darüber hinaus erzeugen weitere Bestandserhöhungen Verluste. Werden nichtökonomische Entscheidungsregeln verwendet, gibt es keinen Grund anzunehmen, ihre internen Parameter lägen nahe an den Einstellungen, die die Renditen maximieren würden.

Ein Lichtblick ist, dass diese Einstellungen wahrscheinlich nicht katastrophal sind: Wären sie es, hätte das Unternehmen seinen Betrieb eingestellt. Der Überlebendenbias ist erheblich: Beobachtbar bleiben nur Unternehmen, die den Bankrott vermieden haben; die übrigen sind definitionsgemäß verschwunden. Insofern beweist eine nichtökonomische Entscheidungsregel, mit der ein Unternehmen über Jahre zahlungsfähig geblieben ist, durchaus einen gewissen Wert.

Konzeptionell lässt sich jede nichtökonomische Entscheidungsregel als ökonomische umschreiben. Dazu führt man eine Reihe von Bewertungen ein, die nicht deshalb gewählt werden, weil sie reale Gewinne und Verluste angemessen abbilden, sondern weil sie rechnerisch dieselben Entscheidungen hervorbringen. Diese Übung verdeutlicht den grundlegenden Mangel nichtökonomischer Regeln: Es sind ökonomische Regeln, die auf fehlerhaften Bewertungen beruhen.

Somit lässt sich jede nichtökonomische Entscheidungsregel verbessern, indem man sie zunächst ausdrücklich als ökonomische Regel umschreibt und anschließend die Bewertungen näher an ihre tatsächlichen Werte bringt. Ein solcher Umweg ist vor allem von theoretischem Interesse; in der Praxis gibt es selten eine Rechtfertigung dafür, die Situation derart umständlich anzugehen. Gelegentlich kann dies gerechtfertigt sein, wenn das bestehende Transaktionssystem unflexibel ist und beispielsweise nur mit Sicherheitsbeständen arbeiten kann. Will oder kann das Unternehmen sein System dann nicht modernisieren, wird es in den mühsamen Prozess gezwungen, implizite Bewertungen explizit zu machen und sie auf sinnvollere Werte einzustellen. Dieser Prozess erfordert erhebliches Reverse Engineering, ist anfällig für Implementierungsfehler, treibt die Wartungskosten in die Höhe und muss der letzte Ausweg bleiben.

Nachdem die nichtökonomischen Regeln zur Steuerung des Flusses nun als grobe, oft fehlerhafte Bewertungen neu gefasst sind, stehen noch zwei praktische Hürden zwischen Buchführung und umsetzbaren Mikroentscheidungen. Zurechnung fragt: „Welche Geldeinheiten der Vergangenheit gehören zu welchen früheren Entscheidungen?“ Sie entwirrt die kausalen Fäden, die Kosten und Einnahmen miteinander verweben. Projektion fragt dann: „Welches Muster an Geldströmen wird morgen angesichts dieser Fäden am wahrscheinlichsten entstehen?“ Sie führt das Bild unter Unsicherheit in die Zukunft fort. Die nächsten beiden Unterabschnitte behandeln diese zusammengehörenden Herausforderungen in dieser Reihenfolge.

4.5.3 Zurechnung von Ausgaben und Einnahmen

Die Zurechnung verbindet jede Geldeinheit, die durch die Geschäftsbücher fließt, wieder mit der operativen Entscheidung, die sie ausgelöst hat. In der Welt des reinen Händlers ist die Zuordnung trivial: ein Kauf, ein Verkauf, eine Bruttomarge. Sobald ein Unternehmen Güter lagert, auf Routen verteilt, umwandelt oder bewirbt, verschwindet diese Eins-zu-eins-Symmetrie. Ein einziger eingehender Container füllt Hunderte von SKU auf; eine Preissenkung belebt eine ganze Kategorie; eine fehlende Dichtung hält eine komplette Montagelinie an. Werden diese verflochtenen Wirkungen nicht entwirrt, bleibt der „Wert“ des Versands einer zusätzlichen Palette oder der Verkürzung einer Lieferzeit um einen Tag reine Vermutung. Die Zurechnung liefert daher die quantitative Kausalität, die rohe Buchungseinträge in entscheidungstaugliche Daten verwandelt und eine mikroanalytische Bewertung Option für Option ermöglicht.

Betrachten wir die Aufgabe, den Einkaufspreis je Einheit für eine Reihe von Produkten zu bestimmen, die alle vom selben Lieferanten bezogen werden können. Dieser Stückeinkaufspreis ist entscheidend für die Frage, ob die Einheiten bei diesem Lieferanten oder bei einem Wettbewerber gekauft werden sollten. In unserem Beispiel weist der Lieferant Stückpreise aus, doch diese Preise sind an Bedingungen geknüpft. Er erhebt nämlich eine pauschale Liefergebühr, die die Kosten für den Einsatz eines Lkw widerspiegelt. Das Kundenunternehmen steht vor einer Abwägung: kleine Bestellungen mit geringen Bestandskosten und hohen Liefergebühren oder große Bestellungen mit hohen Bestandskosten und geringen Liefergebühren. Unabhängig von Größe und Häufigkeit der Bestellungen enthalten die Lieferantenrechnungen eine Mischung aus Artikel- und Lieferpositionen. Das Zurechnungsproblem besteht darin zu entscheiden, wie diese Positionen bei der Berechnung der Stückeinkaufspreise zugeordnet werden sollten.

Nehmen wir der Klarheit halber an, dass der Kunde zwei Produkte bestellt, eines in großer und das andere in kleiner Menge. Praktisch besteht die einzige „wirtschaftliche“ Möglichkeit, das zweite Produkt zu bestellen, darin, es einer Bestellung mit vielen Einheiten des ersten Produkts anzuschließen. Das zweite Produkt „fährt mit“ im Bestellstrom des ersten. In dieser Situation ist es verlockend, die Liefergebühren proportional zu den Ausgaben auf beide Produkte aufzuteilen. Damit würden fast alle Liefergebühren dem ersten Produkt zugerechnet, während für das zweite nur ein kleiner Anteil verbliebe. Durch diese Zurechnung erhöht sich der „angepasste“ Einkaufspreis beider Produkte um einen festen Prozentsatz. Diese Überlegung ignoriert jedoch die Kopplung der beiden Produkte. Wechselt das Unternehmen für das erste Produkt zu einem günstigeren Lieferanten, kann es am Ende schlechter dastehen, weil die Einsparungen beim ersten Produkt durch die weiterhin anfallenden Liefergebühren für die Bestellung des zweiten Produkts aufgezehrt werden. Eine solche Entscheidung erhöht effektiv den Stückpreis des zweiten Produkts.

Das Zurechnungsproblem beschränkt sich jedoch nicht auf Ausgaben; es betrifft auch Einnahmen. Betrachten wir beispielsweise ein Geschäft, das einen erheblichen Preisnachlass auf ein bestimmtes Produkt gewährt. Die Einnahmen aus diesem Produkt steigen stark an, weil mehr Einheiten verkauft werden, wenn auch mit geringerer Bruttomarge. Die Wirkung der Aktion endet dort nicht. Durch ihr ursprüngliches Interesse am rabattierten Produkt veranlasst, kaufen Kunden auch ergänzende Produkte. Somit steigen ebenfalls die Einnahmen mehrerer komplementärer Produkte. Es mag so aussehen, als seien diese Einnahmen zum vollen Preis erzielt worden, doch diese Sicht ist irreführend. Ohne den Preisnachlass auf das „Zugpferd“ wären die anderen Produkte nicht im selben Umfang gekauft worden. Statt den gesamten durch den Rabatt verursachten Einnahmenrückgang naiv dem ersten Produkt zuzuordnen, ist es daher richtiger, diesen Rückgang entsprechend der indirekten Absatzförderung auf alle ergänzenden Produkte zu verteilen.

Allgemeiner sind Kopplungen in der Supply Chain allgegenwärtig: Artikel werden gemeinsam gekauft, transportiert, gelagert, umgewandelt und verkauft. Jeder dieser Vorgänge bringt fixe oder gemeinsame Kosten mit sich. Umgekehrt gehen fast alle Mechanismen zur Erzeugung von Einnahmen mit Ausstrahlungseffekten einher: Markenbekanntheit und -treue, Impulskäufe über die ursprüngliche Absicht hinaus usw. Die Zurechnung ordnet Ausgaben und Einnahmen so neu, dass sie enger an den Entscheidungen ausgerichtet sind. Damit ist sie einer der Schlüsselmechanismen für die Wirtschaftsrechnung, die benötigt wird, um die besten verfügbaren Optionen des Unternehmens zu erkennen. In hohem Maße definiert die Zurechnung die Struktur der Wirtschaftsrechnung selbst.

Die Richtigkeit einer Zurechnung lässt sich nicht mathematisch beweisen. Ihre Unrichtigkeit lässt sich nur dann nachweisen, wenn sie Ausgaben oder Einnahmen aus dem Nichts entstehen lässt oder wenn die zugrunde liegende Arithmetik fehlerhaft ist. Diese Probleme sind jedoch vergleichsweise trivial, und selbst fehlerhafte Zurechnungen können einen derart grundlegenden Maßstab der „Richtigkeit“ noch erfüllen.

In den meisten Ländern gibt es sehr viele Regeln, meist aus der Rechnungslegung, um solche Zurechnungen vorzunehmen. Beispielsweise können diese Regeln darauf abzielen, „Verkäufe mit Verlust“ zu verhindern, gemäß einer halbwegs willkürlichen Definition von „Verlusten“²⁹. Diese Regeln sollen steuerliche oder regulatorische Zwecke erfüllen. Ihre Gültigkeit reicht nicht über ihr ursprüngliches Ziel hinaus. Es wäre ein schwerer Fehler, sie für analytische Zwecke wiederzuverwenden. Die Supply Chain muss regulatorische Anforderungen erfüllen, aber dabei bleibt es.

Jedes Zurechnungsschema bringt eigene Verzerrungen mit sich. Aus Informationssicht ist die Zurechnung ein Verfahren zur Dimensionsreduktion. Kehren wir zum obigen Beispiel mit einem mengenstarken und einem mengenschwachen Produkt zurück: Wir haben zwei Artikelpreise und eine Liefergebühr. Indem wir die Liefergebühr den Produkten selbst zurechnen, projizieren wir eine dreidimensionale Situation in einen zweidimensionalen Raum. Diese Projektion vereinfacht den Entscheidungsprozess, da jedes Produkt einen Schattenpreis erhält, der die Liefergebühr widerspiegelt. Sie kann jedoch zu Fehlentscheidungen führen, wenn diese Schattenpreise die ursprüngliche Situation verzerrt wiedergeben. Im Allgemeinen lassen sich durch das Zusammenfalten von Dimensionen nicht alle Eigenschaften des ursprünglichen Raums vollkommen erhalten.

Optimierungsverfahren, die mit hohen Dimensionen umgehen können, können das Zurechnungsproblem abmildern oder sogar beseitigen. Verfügen wir beispielsweise über ein numerisches Rezept, das die sechs Dimensionen zweier Lieferanten, die um dieselben zwei Produkte konkurrieren, unmittelbar verarbeiten kann – also vier Stückpreise und zwei Liefergebühren –, ist keine Zurechnung nötig: Das Rezept erfasst die höhere Dimensionalität des Problems.

Die Zurechnung gehört zur Ökonomie, nicht zur Wirtschaftsgeschichte, da sie die Richtigkeit und Vollständigkeit der Aufzeichnungen als gegeben voraussetzt. Sie vereinfacht den Problemraum durch Dimensionsreduktion und bewahrt dabei ein relevantes wirtschaftliches Modell, also eines, das die Ausgangswerte der Ausgaben und Einnahmen für die Bewertung von Optionen verlässlich abbildet. Sobald diese Ausgangswerte feststehen, muss zum zweiten Mechanismus übergegangen werden: der Projektion.

4.5.4 Projizierte Ausgaben und Einnahmen

Wirtschaftsgeschichte darf nicht mit der Ökonomie im eigentlichen Sinne verwechselt werden. Vergangene Ausgaben und Einnahmen können, von gelegentlichen Erfassungsfehlern abgesehen, mit Gewissheit bestimmt werden. Künftige Ausgaben und Einnahmen sind hingegen immer unsicher. Ihre Unsicherheit ist nicht beseitigbar. Wie aktuell oder zahlreich die Transaktionsbeobachtungen auch sein mögen, sie können niemals vollständig erzählen, was geschehen wird. Denn die Zukunft hängt von Entscheidungen ab, die noch getroffen werden müssen. Einige davon trifft das Unternehmen selbst, andere treffen Dritte, beispielsweise Kunden und Lieferanten.

Da Supply-Chain-Optionen nach ihren eingeschätzten wirtschaftlichen Erträgen ausgewählt werden, beruhen sie letztlich auf projizierten und damit zwangsläufig unvollkommenen Bewertungen. Es gibt Situationen, in denen Unterschiede zwischen den Bewertungen der jüngsten Vergangenheit und der nahen Zukunft als unbedeutend gelten. Solche Situationen sind jedoch selten. In der Supply Chain überwiegt das Gegenteil. Veranschaulichen wir diese Aussage kurz.

Wenn ein Einzelhändler beschließt, eine weitere Einheit mit einem ausgezeichneten Preis von einer Geldeinheit ins Regal aufzunehmen, müssen zwei einander ergänzende Projektionen erstellt werden.

Zuerst kommen die projizierten Auszahlungen. Vom Augenblick, in dem der Artikel das Geschäft erreicht, bis zu dem Tag, an dem er es verlässt, bindet er Kapital und verursacht Bestandshaltungskosten: Miete für die beanspruchte Fläche, Löhne für Mitarbeiter, die ihn bewegen oder zählen, Versorgungsleistungen, Schwund, Versicherung und die Opportunitätskosten des in der Einheit selbst gebundenen Geldes. Diese Ausgaben fallen Tag für Tag an, und ihr Erwartungswert ist strikt positiv. Wären sie tatsächlich vernachlässigbar, bestünde die rationale Strategie darin, die Verkaufsfläche unbegrenzt auszuweiten – eine reductio ad absurdum, die bestätigt, dass die Kosten real und erheblich sind.

Als Zweites kommen die projizierten Einzahlungen. Die ausgezeichnete Geldeinheit ist nur ein möglicher Preis: Bleibt die Nachfrage zurück, muss der Preis der Einheit möglicherweise gesenkt werden; verschlechtert sich ihr Zustand, muss sie womöglich abgeschrieben werden; unterbieten Wettbewerber den Preis, zieht das Geschäft möglicherweise nach. Umgekehrt können eine plötzliche Nachfragespitze oder allgemeine Inflation den realisierten Preis über den ausgezeichneten Preis treiben. Der beim Verkauf erwartete Geldeingang beträgt daher fast nie exakt eine Geldeinheit – meist weniger, gelegentlich mehr. Erst nachdem beide Zahlungsströme auf den Gegenwartswert abgezinst wurden, kann der Einzelhändler entscheiden, ob die zusätzliche Einheit im Bestand den langfristigen Gewinn erhöht oder senkt.

Allgemeiner ist das Projektionsproblem ebenso heikel wie das Zurechnungsproblem. Während das obige Beispiel einfach ist – die Messung verzögert sich lediglich um einen Bestandszyklus –, lassen sich viele Aspekte empirisch schwerer fassen. Dennoch können auch diese von entscheidender Bedeutung sein. Zwischen der Einfachheit einer Messung und der Bedeutung für das Unternehmen besteht keine Korrelation.

Betrachten wir eine Modemarke, die am Saisonende Preisnachlässe gewährt, um die aktuelle Kollektion abzuverkaufen. Zwei verschiedene Kräfte wirken dabei. Erstens erhöht der Rabatt den Absatz, allerdings zulasten der Bruttomarge. Zweitens gewöhnt er die Kunden daran, künftig vergleichbare Rabatte zu erwarten, und untergräbt damit ihre Zahlungsbereitschaft: Manche verschieben ihre Käufe bis zu den Schlussverkäufen. Diese Erosion mag sich verlangsamen, doch über ausreichend lange Zeit ist ihr Einfluss auf die Einnahmen der Marke erheblich. Bei vielen, wenn nicht den meisten Marken kann dieser Effekt den ersten durchaus weit übertreffen. Eine solche Erosion zu quantifizieren, ist zwar nicht unmöglich, aber alles andere als einfach.

Jede Bewertung umfasst eine Projektion: eine numerische Aussage über die Zukunft, eine „Prognose“, die nicht auf Nachfrage allein beschränkt ist. Vergangene Ausgaben, Einnahmen und deren Zurechnungen liefern die Ausgangsbasis für die Berechnung dieser Projektionen. Historische Ausgangswerte dürfen jedoch nicht mit ihren Projektionen gleichgesetzt werden. Die Zukunft hängt von noch nicht getroffenen Entscheidungen ab. Jede scheinbar genaue Projektion kann völlig ungenau werden, wenn spätere Entscheidungen geändert werden. Dieses Problem ist grundlegend und lässt sich nicht allein durch statistische Methoden beseitigen, mögen sie noch so ausgefeilt sein. Abmildern lässt es sich durch Methoden, die die inhärente Unsicherheit anerkennen.

Die wirtschaftliche Leistungsfähigkeit einer Supply-Chain-Entscheidung hängt weitgehend von Qualität und Verlässlichkeit ihrer zugrunde liegenden Projektionen ab. Obwohl die Bewältigung dieser Herausforderung typischerweise viel Statistik erfordert, ist es ein Fehler, sie als rein statistisches Problem zu behandeln. Eine Projektion muss nämlich zuallererst nach ihrer wirtschaftlichen Relevanz beurteilt werden – einem anspruchsvolleren Kriterium als bloßer statistischer Genauigkeit.

Der restliche Abschnitt nimmt zwei besondere Kategorien von Projektionen genauer in den Blick, die eine eigene Behandlung verdienen. Zuerst die Schattenbewertungen: Zahlen, die in keiner Buchungszeile vorkommen, aber geschaffen werden müssen, um schwer fassbare und zugleich wirtschaftlich entscheidende Wirkungen zu erfassen. Danach wenden wir uns den internen Bewertungen zu, den internen Verrechnungspreisen für Zwischenkomponenten, die nie auf den externen Markt gelangen und dennoch innerhalb des Unternehmens um Geld, Platz und Aufmerksamkeit konkurrieren. Beide Gruppen folgen der gerade entwickelten allgemeinen Logik, bringen aber jeweils eigene Fallstricke und praktische Techniken mit sich.

4.5.4.1 Schattenbewertungen

Die wirtschaftlichen Auswirkungen einer Entscheidung werden gewöhnlich ermittelt, indem das heute ausgegebene und das morgen eingenommene Geld projiziert werden. Viele Wirkungen zweiter Ordnung – verlorenes Wohlwollen, Misstrauen der Lieferanten, Erschöpfung der Mitarbeiter – erscheinen jedoch nie in den Geschäftsbüchern, obwohl sie sich später in barem Geld niederschlagen. Wer sie ignoriert, landet bei der Karikatur eines kurzsichtigen, tabellengetriebenen Buchhalters, der dieses Quartal „optimiert“ und dabei unbemerkt das nächste Jahr zerstört. Um dieser Falle zu entgehen, müssen Praktiker Schattenbewertungen einführen: explizite, in Geld ausgedrückte Schätzungen, die unsichtbare Folgen greifbar machen. Diese Zahlen sind Annahmen; es gibt für sie keine historische Ausgangsbasis. Ohne solche Anpassungen beschränkt sich die Berechnung jedoch auf naive Kostensenkungen, die langfristige Optionalität und letztlich Gewinn opfern.

Betrachten wir ein Einzelhandelsbeispiel: Findet ein Kunde in einem Geschäft nicht das, was er erwartet hat, verzögert sich sein Kauf zumindest. Verliert er das Interesse, entfällt er möglicherweise ganz. Stattdessen besucht er vielleicht einen Wettbewerber, findet das Produkt und bevorzugt schließlich dieses Geschäft. Solche Servicefehler geschehen still und hinterlassen keine Spur in den Transaktionsaufzeichnungen. Dennoch haben sie reale Folgen: Sowohl kurzfristige als auch langfristige Einnahmen leiden.

Bewertet ein Einzelhändler seine Bestände ausschließlich anhand beobachteter Verkäufe, übersieht er, wie unzureichender Service seinen Kundenstamm aushöhlt. Anders ausgedrückt hält das Geschäft, wenn es den Bestand unterbewertet und man Beschränkungen der Regalkapazität beiseitelässt, letztlich einen suboptimalen Bestand. Erkennt das Unternehmen dies, kann es eine „Fehlbestandsstrafe“ einführen, eine Schattenbewertung, die die langfristigen Kosten entgangener Verkäufe erfassen soll. In die Wirtschaftsrechnung aufgenommen, erhöht diese Strafbewertung den zugeschriebenen Wert der Bestandshaltung und veranlasst das Geschäft, mehr Bestand vorzuhalten.

Allgemeiner lässt sich das Wohlwollen³⁰, das ein Unternehmen bei Kunden, Lieferanten und Mitarbeitern genießt, am besten durch Schattenbewertungen erfassen. Obwohl sich die Einzelheiten zwischen Organisationen unterscheiden, beeinflussen die meisten Supply-Chain-Entscheidungen dieses Wohlwollen. Schattenbewertungen berücksichtigen daher bei der Bewertung von Optionen diese weiterreichenden Folgen besser.

Beispielsweise können Lieferanten durch unregelmäßige Beschaffung geschädigt werden, also schwankende Bestellmengen und unbeständige Bestellhäufigkeiten. Indem Unternehmen den Bestellfluss glätten und die Nachfrage vorhersehbarer machen, bewegen sie Lieferanten dazu, ihre Preise zu senken. In diesem Zusammenhang lenkt eine Schattenbewertung, die Bestellvariabilität bestraft, das Einkaufsverhalten in die gewünschte Richtung.

Ebenso leiden Mitarbeiter unter übermäßiger Arbeitsbelastung. Erhält die Belegschaft eines Lebensmittelladens beispielsweise an einem Tag mehr Artikel, als sie während der regulären Arbeitszeit in die Regale räumen kann, wird sie möglicherweise zu ungeplanten Überstunden gezwungen. Außerdem frustrieren verstreut liegende statt ordentlich eingeräumte Bestände sowohl Mitarbeiter als auch Kunden. Eine Schattenbewertung, die übermäßige Liefermengen bestraft, hilft, die Versendungen aus dem Lager zu glätten.

In der Praxis sind Schattenbewertungen häufig grobe Schätzungen, und das ist akzeptabel: Ungefähr richtig zu liegen, ist besser, als exakt falsch zu liegen. Schwer fassbare, aber folgenreiche Faktoren zu übersehen, ist verfehlt. Dieses Versäumnis führt zu „Fachidiotenlösungen“, die technisch höchst ausgefeilt sein können und dennoch am Kern vorbeigehen. Später werden wir erörtern, wie experimentelle Optimierung eine robustere Lösung für Bewertungen bietet. Für den Moment ist eine sachkundige Näherung jedoch besser, als bedeutsame Faktoren zu ignorieren.

4.5.4.2 Interne Bewertungen

Ein grundlegendes Merkmal der Marktwirtschaft ist die Preisbildung. Bei fertigen oder „verkäuflichen“ Gütern müssen Unternehmen innerhalb der Grenzen arbeiten, die Marktpreise setzen. Ein Unternehmen kann seine Preise nach unten lenken, durch kostensenkende Innovationen, oder nach oben, durch sorgfältige Markenführung wie bei Luxusgütern. Marktpreise gelten jedoch immer. Selbst ein Unternehmen mit einem patentgestützten Monopol muss seine Preise mit Blick auf die Alternativen am Markt anpassen. Marktpreise setzen keine vollkommenen Substitute voraus.

Nicht verkäufliche Güter profitieren dagegen nicht unmittelbar von Marktpreisen. Solche Güter sind in der Fertigung üblich, wo die Produktion häufig zahlreiche Zwischenkomponenten erfordert, von denen einige aus extern bezogenen Unterkomponenten zusammengesetzt werden. Diese Zwischenerzeugnisse existieren typischerweise nur innerhalb des Produktionsprozesses des Unternehmens. Ihnen fehlen die Ergänzungen, die sie verkäuflich machen würden: technische Dokumentation, etablierte Vertriebskanäle, Marketingmaterialien und Compliance-Verfahren. Allerdings sind nicht alle Zwischenprodukte unverkäuflich. Beispielsweise kann ein Hersteller sowohl Pumpen als auch Klimaanlagen herstellen, wobei Erstere Teil Letzterer sind und zugleich eigenständig verkauft werden.

Nicht verkäufliche Güter erfordern Investitionen sowohl in Produktionskapazität als auch in ausreichende Bestände. Wird eine nicht verkäufliche Komponente ausschließlich in einem einzigen Fertigprodukt verwendet, ist ihre Bewertung relativ einfach³¹: Die Kosten des Fertigprodukts können anteilig auf seine Komponenten verteilt werden. Dient eine Komponente jedoch mehreren Fertigprodukten, wird die Bewertung jeder zusätzlichen Bestandseinheit schwieriger, da sie von der Wahrscheinlichkeit ihrer Verwendung in den unterschiedlichen Produkten abhängt.

Nehmen wir beispielsweise an, ein Hersteller verwendet eine Komponente in zwei Produkten, die in gleichen Mengen verkauft werden: Produkt A erbringt eine Bruttomarge von 10 Geldeinheiten, Produkt B nur 1 Geldeinheit. Der Wert der Herstellung einer zusätzlichen Einheit dieser Komponente hängt davon ab, welchem Produkt sie zugutekommt. Ist reichlich Bestand von Produkt A vorhanden, während Produkt B ausverkauft ist, ist die nächste Einheit für Produkt B wertvoller. Ist umgekehrt Produkt A ausverkauft und Produkt B gut bevorratet, ist die zusätzliche Einheit für Produkt A wertvoller, das eine höhere Marge bietet. Der Wert der zusätzlichen Komponente hängt somit entscheidend von den nachgelagerten Beständen und Produktmargen ab.

In der Praxis kann ein Hersteller zahlreiche Produkte und Komponenten handhaben. Die Produktionszyklen unterscheiden sich häufig, und die Nachfrage schwankt sowohl in der Menge als auch im Preis. Für jedes Produkt wird typischerweise ein eigener Bestand gehalten, oft auf mehrere Standorte verteilt, und die Fertigung kann in unterschiedlich großen Losen erfolgen. Diese Bedingungen erschweren die Bewertung von Komponentenbeständen.

Die Rendite jeder Investition in Verbindung mit nicht verkäuflichen Gütern – ob die Anschaffung von Kapitalausstattung oder der Einsatz von Ressourcen zur Herstellung zusätzlicher Einheiten – muss anhand ihrer projizierten Auswirkungen auf Einnahmen und Ausgaben des Unternehmens bewertet werden. Wie die zuvor eingeführte Zurechnung dienen interne Bewertungen als Verfahren zur Dimensionsreduktion: Sie fassen komplexe, mehrdimensionale Wirkungen zu einer erwarteten Rendite zusammen.

In größeren, vertikal integrierten Unternehmen nehmen Häufigkeit und Bedeutung interner Bewertungen zu. In solchen Unternehmen sind nicht verkäufliche Güter häufig zahlreicher als Fertigprodukte und machen einen größeren Anteil des Bestandswerts aus. Die Bewertung dieser Vermögenswerte wird daher entscheidend.

4.5.4.3 Die Rolle des Marktes

Interne Bewertungen sind von Natur aus schwierig. Je größer und vertikal integrierter Unternehmen werden, desto mehr ähneln ihre Supply-Chain-Probleme den Ressourcenzuteilungsproblemen, mit denen Regierungen im Sozialismus und seiner Zentralplanung konfrontiert sind. Der Sozialismus wurde tatsächlich vielfach und an vielen Orten umgesetzt. Wie führende Ökonomen in der ersten Hälfte des 20. Jahrhunderts voraussagten, scheiterten all diese Versuche und führten ausnahmslos zu allgemeiner Verarmung. Der Sozialismus mit seiner zwangsläufigen Zentralplanung scheitert daran, dass er das Problem der Bewertung knapper Ressourcen zu lösen versucht – eine Herausforderung, die nur der freie Markt in großem Maßstab bewältigen kann. Ebenso können Unternehmen interne Bewertungen zwar in kleinem Maßstab genau vornehmen, doch große Firmen stoßen häufig auf erhebliche negative Skaleneffekte, die ihr Wachstum begrenzen. Fehlerhafte interne Bewertungen sind dabei ein wesentlicher Faktor.

Auf einem freien Markt signalisieren Preise den Wirtschaftsakteuren, wie Ressourcen zugeteilt werden sollten. Übersteigt die Nachfrage das Angebot, steigen die Preise und regen Investitionen in das knappe Produkt an. Umgekehrt drückt ein Überangebot die Preise und fördert die Verlagerung zu rentableren Möglichkeiten. Ist eine Supply Chain vergleichsweise einfach, mit wenigen Produkten, wenigen Zwischenprodukten und kurzen Lieferzeiten, lassen sich Marktpreise leicht in Entscheidungen über die Ressourcenzuteilung übersetzen. In solchen Fällen lösen die Marktpreise selbst einen entscheidenden Teil der Supply-Chain-Aufgabe, ohne dass tiefe Einsichten oder fortgeschrittene Analytik nötig wären³².

Wenn große Unternehmen ihre Supply Chains in Tiefe und Komplexität ausweiten, schwächt sich die Verbindung zwischen Planung und Rückmeldungen durch Marktpreise ab, und die Herausforderungen vervielfachen sich. Dieses Problem war den Unternehmern des 19. Jahrhunderts wohlbekannt. In seinem Testament of a Furniture Dealer (1976) bringt der IKEA-Gründer Ingvar Kamprad es jedoch unverblümt auf den Punkt:

Aber vergesst nicht, dass übertriebene Planung die häufigste Ursache für den Tod von Unternehmen ist.

Tatsächlich haben große Unternehmen, ganz ähnlich wie Regierungen, die den Sozialismus versuchen, keine andere Wahl, als eine Expertenkaste zu ernennen – etwa Angebots- und Nachfrageplaner, Category Manager, Nachfrageprognostiker und Bestandsmanager –, die sich um die Ressourcenzuteilung kümmert. Obwohl sich diese Rollen in ihrem Umfang nur wenig unterscheiden, ist die Gesamtaufgabe gewaltig: Unternehmen müssen Hunderte wirtschaftlicher Faktoren berücksichtigen und Tausende interner Bewertungen vornehmen, während sie zugleich der inhärenten Unsicherheit der Zukunft ausgesetzt sind. Fehlerhafte Bewertungen erzeugen unrentable Entscheidungen.

Mit wachsender Organisation verschieben sich die Anreize: Mittlere Führungskräfte ziehen es zunehmend vor, Schuldzuweisungen zu vermeiden, statt schrittweisen Verbesserungen nachzujagen, und die Risikobereitschaft sinkt mit der Unternehmensgröße. Daher stützen sie sich auf etablierte Prozesse und halten oft starr an ihnen fest, unabhängig von deren wirtschaftlichem Nutzen. Liefern diese Prozesse wiederholt unrentable Ergebnisse, reagiert die Bürokratie mit zusätzlichen Regeln, längeren Checklisten und weiteren Arbeitsschritten. Im Kern wächst die Bürokratie unabhängig von jeder wirtschaftlichen Rechtfertigung.

Negative Skaleneffekte, nicht mangelnder Ehrgeiz, bremsen gewöhnlich sehr große, vertikal integrierte Unternehmen. Mit der Zahl der Organisationsebenen driften interne Bewertungen ab, und jede neue Ebene verstärkt die daraus folgenden Fehlallokationen. Um ihre Anpassungsfähigkeit zurückzugewinnen, trennen sich Unternehmen typischerweise von Randaktivitäten – durch Auslagerung, Abspaltungen oder Gemeinschaftsunternehmen – und verstärken ihre Anstrengungen in Segmenten, in denen ihr komparativer Vorteil offensichtlich ist und externe Marktpreise eine schnelle, eindeutige Rückkopplung bieten.

5 Information

Jede Supply-Chain-Entscheidung ist eine Wette unter Unsicherheit; um etwas zu taugen, muss sie informiert sein. Für den fachfremden Leser vielleicht überraschend, ist „informiert“ nicht bloß eine Metapher: Seit den 1940er-Jahren gibt die Informationstheorie dem Wort eine präzise, quantitative Bedeutung. Dieses Kapitel klärt, was „informiert sein“ für eine moderne Supply Chain bedeutet.

Zwei Tatsachen begründen die folgenden Überlegungen. Erstens sind heutige Supply Chains ihrem Wesen nach digitale Objekte. Ihre Zustände und ihre Geschichte liegen in Geschäftssystemen; eine Supply Chain als „digital“ zu bezeichnen, ist überflüssig, denn keine größere Supply Chain kann ohne Software arbeiten. Zweitens setzt die vorherrschende Supply-Chain-Theorie Daten regelmäßig mit Information gleich: Sie behandelt die Größen, über die sie entscheiden will – Nachfrage, Lieferzeiten, Servicegrade –, als unmittelbar beobachtbar. Tatsächlich verfügt das Unternehmen nur über grobe Spuren wie Kundenaufträge, Sendungen, Rücksendungen und Bestandskorrekturen, aus denen diese Größen erschlossen werden müssen. Gerade das Übergehen dieser Unterscheidung erklärt, warum elegante Formeln so oft an den rohen Nebenprodukten von Unternehmenssystemen scheitern. Dieses Missverhältnis zwischen Theorie und Praxis lässt viele Initiativen scheitern: Unternehmen versuchen, Ideen aus der Zeit vor dem Computer auf Infrastrukturen des Computerzeitalters aufzupfropfen.

Um uns hier zurechtzufinden, müssen wir drei Begriffe auseinanderhalten, die die Alltagssprache vermischt: Daten, Information und Wissen. Daten sind aufgezeichnete Symbole – Bytes in Tabellen, Protokollzeilen, Barcodes. Information ist die Fähigkeit dieser Symbole, Unsicherheit aufzulösen, eine Größe, deren Messung wir Shannon verdanken. Wissen ist die kausale Struktur, die es einem Geist – ob menschlich oder maschinell – erlaubt, Information in Entscheidungen zu verwandeln, die die Renditen des Unternehmens verbessern. Wer diese Begriffe verwechselt, schafft naive Rezepte, die auf dem Papier ausgefeilt wirken, im Produktivbetrieb aber schlechter abschneiden als grobe Heuristiken.

Die Digitalisierung hat Menschen bereits als Verwahrer von Daten verdrängt; dieselbe Entwicklung untergräbt nun ihre Rolle als Verwahrer von Information und Wissen. Mit dem explosionsartigen Wachstum der Mengen und Aktualisierungsfrequenzen bestimmt die Architektur der Systeme – nicht die persönliche Gewitztheit ihrer Nutzer –, worüber das Unternehmen gut entscheiden kann und worüber nicht. Zu verstehen, wo Information im Unternehmen tatsächlich liegt, wird damit zu einer strategischen Frage.

Seit den 1970er-Jahren gliedern drei Softwareklassen dieses „Wo“: Erfassungssysteme führen Arbeitsabläufe aus und speichern Transaktionen, Berichtssysteme beschreiben das Geschehene, und Intelligenzsysteme entscheiden, was als Nächstes geschehen soll. Die meisten Enttäuschungen in Unternehmen entstehen dadurch, dass diese Rollen vermischt werden – etwa indem man von Geschäftsbüchern erwartet, dass sie denken, oder von Analyseschichten, dass sie als maßgebliche Datenquellen dienen.

Dieses Kapitel geht schrittweise vor: Zunächst trennen wir Daten, Information und Wissen und verankern „Information“ in Shannons Theorie. Anschließend untersuchen wir, wie diese Begriffe innerhalb der drei dominierenden Klassen von Unternehmenssoftware auftreten – und regelmäßig verzerrt werden. Auf dieser Grundlage befassen wir uns mit der unübersichtlichen Semantik von Geschäftsdaten, den Erzählungen über „schlechte Daten“ und den Anreizen, durch die Aufzeichnungen vom Interesse des Unternehmens abweichen. Schließlich kommen wir auf das implizite, sogenannte Alltagswissen zurück, das noch in den Köpfen der Menschen steckt, und zeigen, wie auch dieses schrittweise kodifiziert werden kann. Damit bereiten wir das folgende Kapitel über Intelligenz und die vollständige Mechanisierung der Entscheidungsfindung vor.

5.1 Daten, Information und Wissen

Daten, Information und Wissen sind drei Wörter, die auf Präsentationsfolien und in Anbieterbroschüren gern austauschbar verwendet werden; in der Praxis zerstört ihre Verwechslung Architekturen und Entscheidungsregeln. Rohe Aufzeichnungen, also Daten, so zu behandeln, als lösten sie bereits Unsicherheit auf, also als wären sie Information, oder verringerte Unsicherheit so zu behandeln, als enthielte sie bereits ein handlungsleitendes kausales Modell, also Wissen, ist kein kleiner semantischer Fehltritt. Es ist die Grundursache für Dashboards, die nie entscheiden, „Planungsmodule“, die nie planen, und Nachanalysen, die weiterhin „schlechte Daten“ für Fehler verantwortlich machen, die tatsächlich methodischer Natur sind.

Daten sind von Systemen erfasste Symbole – Bytes in Tabellen, Protokollzeilen, Barcodes; für sich genommen sagen sie nichts darüber aus, wie groß unsere verbleibende Unsicherheit ist. Information ist das, was uns diese Symbole im Kampf gegen Unsicherheit einbringen; sie lässt sich quantifizieren und budgetieren. Wissen ist die explizite oder implizite Struktur, die eine Intelligenz befähigt, Information in Entscheidungen umzusetzen, die die Renditen des Unternehmens systematisch verbessern. Wer diese Ebenen zusammenwirft, begünstigt zwei spiegelbildliche Fehler. Erstens horten Unternehmen immer mehr Daten und Rechenkapazität, überzeugt davon, dass Menge Information ersetzen könne; am Ende sitzen sie auf Petabytes minderwertiger Nebenprodukte, die an der entscheidenden Unsicherheit kaum etwas ändern. Zweitens verwechseln sie Information mit Wissen und erwarten, dass Berichte oder KPIs das Geschäft „steuern“; Menschen gleichen dies dann manuell aus, indem sie Ad-hoc-Regeln und überlieferte Vorstellungen einbringen, die niemals formalisiert, versioniert oder getestet werden.

Für eine moderne Supply Chain sind diese Unterscheidungen operativ relevant. Wer nicht sagen kann, wo Information liegt, kann nicht sagen, welches System maßgeblich ist; wer nicht sagen kann, wo Wissen liegt, kann nicht sagen, wer – oder was – für die Entscheidungen verantwortlich ist. Unter diesem Blickwinkel werden „Erfassungssysteme“, „Berichtssysteme“ und „Intelligenzsysteme“ zu unverzichtbaren architektonischen Vorgaben: Erfassungssysteme halten die meisten Daten, Berichte legen Informationsfragmente offen, und Intelligenz macht Wissen operativ nutzbar, um Aufträge zu erteilen. Von einer dieser Ebenen zu erwarten, dass sie die Aufgaben der anderen übernimmt, ist Wunschdenken – und ein verlässlicher Weg, sowohl Budgets als auch Glaubwürdigkeit zu verbrennen.

Im Folgenden werden daher keine Definitionen bloß um einer Taxonomie willen wiederholt. Wir beginnen mit der mechanischen Natur von Daten – bloßen Symbolen – und den technischen Gegebenheiten ihrer Speicherung und ihres Abrufs. Anschließend verankern wir „Information“ in Shannons quantitativer Behandlung von Unsicherheit und zeigen, warum viele scheinbar „reichhaltige“ Datensätze für die anstehenden Entscheidungen wenig Informationsgehalt besitzen. Schließlich wenden wir uns dem am schwersten fassbaren der drei Begriffe zu, dem Wissen, und verknüpfen es mit dem Code, den Rezepten und den Menschen des Unternehmens: Wo liegt es tatsächlich, wie sollte es gepflegt werden, und wie lässt es sich schrittweise mechanisieren? Nur wenn ein Unternehmen diese drei Ebenen auseinanderhält, kann es hoffen, Entscheidungssysteme zu bauen, die zugleich informiert und verlässlich sind.

5.1.1 Datenspeicherung

Daten sind aufgezeichnete Symbole. Es können Zahlen, Zeichen, Pixel oder beliebige andere diskrete Markierungen sein, die ein System zuverlässig speichern und abrufen kann. Für sich genommen tragen diese Symbole keine Bedeutung; erst eine vereinbarte Interpretation – ein Schema, ein Codebuch, ein Protokoll – macht daraus etwas, worüber ein Unternehmen nachdenken kann. Ein Barcode, eine Kundenkennung, eine Bestellposition oder der Messwert eines Temperaturfühlers sind allesamt „Daten“ in diesem strengen, mechanischen Sinn.

Auf Computern werden diese Symbole letztlich als Binärziffern kodiert und zu Bytes zusammengefasst, mit 8 Binärziffern je Byte³³. Moderne Speichergeräte, die nur wenige Gramm wiegen³⁴, können mehr als 1 TB beziehungsweise \(10^{12}\) Bytes fassen. Schon ein Terabyte entzieht sich der intuitiven Vorstellung. Die Ausgabe der Encyclopaedia Britannica von 1768–1880 umfasst 143 Bände, deren Textinhalt insgesamt 336 MB beansprucht – etwa 3.000-mal weniger als 1 TB. Selbst mit hochauflösenden Bildern kommt die Enzyklopädie nur auf 23,5 GB, also rund 400-mal weniger als 1 TB. Bei effizienter Darstellung kann 1 TB die Einzelhandelstransaktionen eines großen Netzwerks aus mehr als einem Jahrzehnt speichern.

Aus Supply-Chain-Sicht ermöglichen große Datenspeicherkapazitäten die Sammlung umfangreicher elektronischer Aufzeichnungen. Diese erfassen sowohl den aktuellen Zustand der Supply Chain als auch die detaillierte Folge der Ereignisse, die zu ihm geführt haben, einschließlich des Flusses physischer Güter. Sie können auch Marktdaten wie die Preise von Wettbewerbern enthalten. All diese Daten liegen in den Erfassungssystemen des Unternehmens, auf die wir noch näher eingehen.

Die Speicherkapazität moderner Hardware ist so gewaltig, dass sich die Zahlen nur schwer verinnerlichen lassen – und diese Kluft wird mit dem technischen Fortschritt nur noch wachsen. Moderne digitale Technologieumgebungen umfassen regelmäßig 10 bis 15 Größenordnungen: von CPU-Zyklen im Nanosekundenbereich bis zu einen Tag dauernden Stapelverarbeitungen, von Bytes auf eingebetteten Geräten bis zu Petabytes in Data Warehouses. Dagegen liegen zwischen einem Einpersonenbetrieb und den größten Unternehmen der Erde „nur“ etwa sieben Größenordnungen, von 1 bis zu 10 Millionen Beschäftigten. Die Größen sind vollkommen messbar; schwierig ist es, eine Intuition für Phänomene zu entwickeln, die sich um einen Faktor von einer Billion oder mehr unterscheiden.

Mit wachsenden Kapazitäten werden auch Abruf und Verarbeitung des Gespeicherten schwieriger. Der Marktdruck treibt jedoch den Rest der Technik – Bandbreite, RAM, CPU – gewöhnlich weit genug voran, damit der zusätzliche Speicher wirtschaftlich nutzbar bleibt. Eilt die Speicherung ihren ergänzenden Komponenten zu lange voraus, stocken die Investitionen in immer dichtere Medien schlicht, bis die übrige Hardware aufgeholt hat und weitere Fortschritte wirtschaftlich wieder sinnvoll werden.

Ein Speicherchip im Grammbereich enthält heute mehr Bits, als ein einzelner Geist – oder tausend davon – jemals im Arbeitsgedächtnis halten könnte. Diese schiere Kapazität erklärt, warum Geschäftssysteme schon vor Jahrzehnten de facto zu den Verwahrern fast aller relevanten Supply-Chain-Informationen wurden. Ein Supply-Chain-Entscheidungsprozess ist folglich nur dann wirklich informiert, wenn er die gewaltigen Bestände nutzt, die in den Erfassungssystemen des Unternehmens liegen.

Die Größe moderner Datenspeicher bringt zwei verschiedene Fallstricke mit sich. Supply-Chain-Praktiker, die mit Informationstechnologie wenig vertraut sind, unterschätzen oft, wie viele Daten für Supply-Chain-Zwecke gespeichert und verarbeitet werden können. Daher bleiben wesentliche Daten unaufgezeichnet, werden zu früh gelöscht oder gar nicht erst erhoben. Wären diese Daten verfügbar, könnten sie genutzt werden, um Entscheidungsprozesse weiter zu verfeinern. Die zwei häufigsten Fehler bestehen darin, nicht alle Ereignisse aufzubewahren, die die Geschäftssysteme betreffen, und historische Daten nach drei bis fünf Jahren zu verwerfen, obwohl die gesamte Geschichte nahezu unbegrenzt erhalten bleiben könnte³⁵.

Beispielsweise bieten zwar alle Bestandsverwaltungssysteme manuelle Bestandskorrekturen, um Abweichungen zwischen physischen Beständen und elektronischen Aufzeichnungen zu beheben, doch manche protokollieren diese Korrekturen nicht. Dabei ist ihre vollständige Historie unerlässlich, um die Grundursachen von Bestandsfehlern zurückzuverfolgen. Idealerweise sollte jedes Ereignis erfasst werden, das letztlich den Zustand des Geschäftssystems verändert³⁶.

Umgekehrt nutzen Softwareingenieure, denen die Fähigkeiten von Computerhardware durchaus bekannt sind, diese oft aus, indem sie leicht zu implementierende Lösungen ressourceneffizienten vorziehen. Dadurch nutzt Software die Hardware häufig ineffizient, besonders Unternehmenssoftware im Vergleich zu Anwendungen für Verbraucher. Bei Verbrauchersoftware sind Käufer und Nutzer in der Regel dieselbe Person, und die Reaktionsgeschwindigkeit der Anwendung ist ein entscheidender Faktor für ihre Verbreitung³⁷. Ingenieure verwenden daher einen großen Teil ihrer Arbeit darauf, jeden Rechenzyklus bestmöglich zu nutzen.

Bei Unternehmenssoftware ist der Käufer dagegen selten der Nutzer, und Vorführungen laufen meist mit Beispieldaten, die weit kleiner sind als die Daten im Produktivbetrieb. Die tatsächliche Leistung wird deshalb kaum geprüft. Zudem übersteigen die Gesamtkosten der Anwendung trotz ineffizienter Nutzung von Rechenressourcen ihre Hardwarekosten gewöhnlich bei Weitem. Bei Leistungsproblemen wird daher häufig einfach mehr Hardware eingesetzt, statt die grundlegende Effizienz der Software zu verbessern. Allgemeiner haben die meisten Anbieter von Unternehmenssoftware nur mäßige Anreize, in die Ressourceneffizienz ihrer Technologie zu investieren.

Ressourceneffizienz ist wichtig, weil dieselbe Information auf viele Arten kodiert werden kann, von denen manche erheblich sparsamer sind als andere. Ein Datensatz von 1 GB, also \(10^{9}\) Bytes, mag reichhaltiger und informativer erscheinen als einer von 1 KB beziehungsweise \(10^{3}\) Bytes. Mehr Bytes bedeuten jedoch nicht zwangsläufig mehr Information. Beispielsweise kann die Zahl 123 als einzelnes Byte gespeichert werden oder als eine Million Bytes mit einer Million führender Nullen.

Eine Million Bytes zur Darstellung einer kleinen Zahl zu verwenden, ist eine offensichtliche Verschwendung von Rechenressourcen. Dennoch legt Unternehmenssoftware in ihren Datenbanken häufig redundante Kopien derselben Daten an. In relationalen Datenbanken vergrößern solche redundanten Darstellungen den Speicherbedarf von Unternehmenssoftware typischerweise um einen Faktor von zehn, manchmal sogar hundert. Verschiedene technische Gründe rechtfertigen diese redundanten Darstellungen. Sie liegen außerhalb unseres Themas, werfen aber eine wichtige Frage auf: In welchem Verhältnis steht die gewählte Darstellung zur Information selbst?

5.1.2 Informationstheorie

Unternehmensaufzeichnungen lassen sich als Daten speichern. Daten werden zwar üblicherweise in Bytes gemessen, doch diese Einheit sagt nicht aus, wie viel Information sie enthalten. Dieselbe Aufzeichnung lässt viele Darstellungen zu, von denen manche weniger Speicher benötigen als andere. Die zugrunde liegende Information bleibt unabhängig von ihrer Schreibweise gleich. Beispielsweise entspricht 1776 in römischen Ziffern MDCCLXXVI; die Information ändert sich nicht. Die Informationstheorie untersucht, was Information ist – und wie sie gemessen, gespeichert und übertragen wird.

Claude Shannon begründete in den 1940er-Jahren die moderne Informationstheorie. Sie ist eine grundlegende Hilfswissenschaft der Supply Chain. Diese Theorie beruht auf Wahrscheinlichkeit und definiert Information als die Fähigkeit, Unsicherheit aufzulösen. Um den Zusammenhang zwischen Unsicherheit und Information zu veranschaulichen, betrachten wir zwei Geschäfte, die jeweils 100 Produkte führen. Wir konzentrieren uns auf die Bestandsmengen, insgesamt 100 Zahlen, und vergleichen die Information, die zur Verwaltung zweier sehr unterschiedlicher Geschäfte gehört.

Das erste ist ein Geschäft für Luxusuhren. Von jeder Uhr im Sortiment wird höchstens eine Einheit vorgehalten. Wird eine Uhr verkauft, wird rasch Ersatz geliefert, damit das Sortiment vollständig bleibt. Das zweite ist ein Baustofflager am Stadtrand für große Mengen. Nachschub kommt selten und in großen Losen, typischerweise als volle Lkw-Ladung. Im Uhrengeschäft kennt ein gewissenhafter Leiter wahrscheinlich jederzeit den genauen Bestand. Die Bestandsmenge liegt normalerweise für alle Uhren bei 1; bei gerade verkauften Uhren fällt sie bis zur Wiederauffüllung vorübergehend auf 0. Da die meisten Uhren bei 1 und nur wenige kurzzeitig bei 0 liegen, kann sich der Leiter die Mengen leicht merken. Im Baustofflager liegen die Bestandsmengen dagegen zwischen 0 und 10.000 Einheiten. Ein Leiter mag sich merken, welche Produkte fehlen oder kürzlich aufgefüllt wurden, doch selbst ein gewissenhafter Leiter kann sich nicht die genauen Mengen aller 100 Produkte einprägen. Beide Geschäfte verfolgen 100 Artikel, dennoch enthält das Uhrengeschäft weit weniger Information als das Baustofflager.

Die Informationstheorie präzisiert diesen Unterschied. Der Begriff der Entropie quantifiziert Information; sie wird in Bits, gelegentlich auch „Shannons“, gemessen. Zur Veranschaulichung der Entropie genügt es, zum Beispiel zurückzukehren. Nehmen wir an, das Uhrengeschäft hat einen Servicegrad von 95 %: Jede Uhr ist mit einer Wahrscheinlichkeit von 5 % nicht vorrätig, andernfalls liegt ihr Bestand bei 1. Nehmen wir weiter an, die Bestandsmengen des Geschäfts am Stadtrand seien zwischen 0 und 9999 gleichverteilt. Eine Gleichverteilung ist zwar unrealistisch, genügt aber für diese Veranschaulichung.

Die Entropie beträgt für das Luxusuhren-Geschäft etwa 29 Bits und für das Baustofflager am Stadtrand 1328 Bits; die ausführliche Berechnung steht im Anhang. Die Entropie des Baustofflagers ist nahezu \(50\times\) so groß wie die des Uhrengeschäfts. Deshalb kann selbst ein gewissenhafter Leiter dessen Bestand nicht im Kopf verfolgen.

Aus Supply-Chain-Sicht klärt die Informationstheorie, was komplex in einem Supply-Chain-System bedeutet. Eine Supply Chain widersetzt sich einer knappen Beschreibung: Schon für eine durchschnittliche sind Millionen Bits erforderlich, für eine große Milliarden. Dieser enorme Bedarf ist kein Artefakt der Darstellung, sondern eine grundlegende Eigenschaft der Supply Chain. Die zur Bestimmung ihres Zustands erforderliche Information übersteigt bei Weitem das, was sich irgendeine Gruppe von Menschen merken könnte – geschweige denn, dass sie die Zustandsänderungen über Jahre verfolgen könnte.

Um täglich informierte Supply-Chain-Entscheidungen zu erzeugen, werden daher Millionen Bits als Eingabe benötigt, die den Zustand abbilden, und weitere Millionen als Ausgabe, die die Entscheidungen darstellen. Deshalb ist Software für moderne Supply Chains grundlegend: Ohne sie wäre ihr Betrieb unmöglich. Bevor sich Geschäftssysteme Anfang der 1970er-Jahre verbreiteten, waren Supply Chains weit weniger komplex als heute. Dieser Komplexitätsschub geht unmittelbar auf Fortschritte der Computerhardware zurück. Unternehmen verwalten heute mehr SKU, Lieferanten, Standorte, Preisschemata und Kanäle als je zuvor und nutzen moderne Computerhardware, um diese erhöhte Komplexität zu bewältigen.

Obwohl Supply Chains komplexer geworden sind, wurden viele Quellen akzidenteller Komplexität gebändigt. Bei physischen Gütern verbreiteten sich Standardisierung, enge Toleranzen und formale Qualitätskontrolle in der ersten Hälfte des 20. Jahrhunderts zunehmend. Die digitale Wende der 1970er-Jahre trieb die Standardisierung noch weiter. Das moderne Konzept der SKU, der Stock-Keeping Unit, setzt voraus, dass alle vorgehaltenen Einheiten physisch identisch sind.³⁸ Der Inhalt einer SKU lässt sich in einer einzigen Zahl zusammenfassen: dem physisch vorhandenen Bestand.

Heutigen Lesern mag es schwerfallen zu glauben, dass sich im 19. Jahrhundert selbst massengefertigte Artikel von Einheit zu Einheit deutlich unterschieden. In solchen Supply Chains hätte ein Bestandsverwaltungssystem, hätte es existiert, Einzelheiten jeder Einheit verfolgen müssen, um den Bestand genau abzubilden. In der Praxis wurde das Problem anders gelöst: Verkäufer gewährten für minderwertige Einheiten direkt vor Ort Preisnachlässe.

Die Informationstheorie liefert grundlegende Einsichten für die Supply Chain, besonders bei der Frage, ob eine Datenquelle Entscheidungen verbessern kann.

Diese Perspektive verdeutlicht beispielsweise, warum kleinteilige manuelle Eingriffe wie Anpassungen von Prognosen oder Bestandsregeln zwecklos sind. Stützen sich Nachfrageplaner bei diesen Korrekturen auf historische Daten, fügen sie dem System kein einziges Bit Information hinzu. Sie lindern lediglich Mängel der bestehenden numerischen Rezepte, die auf genau denselben Daten beruhen. Damit ein solcher manueller Prozess das System besser informiert, muss er also „frische“ Informationsbits einbringen. Nehmen wir an, eine auf Intuition oder Vorwissen beruhende Zahl enthält weniger als 10 Bits Information. Selbst wenn ein Mitarbeiter täglich 100 aussagekräftige Zahlen liefert, ergibt das nur 1000 Bits – unter der unrealistischen Annahme vollständiger Unabhängigkeit. Ein System, das Millionen Bits verarbeitet, wird durch weitere 1000 Bits wahrscheinlich nicht wesentlich besser informiert. Ein Mitarbeiter mag gelegentlich Information mit überproportionaler Wirkung liefern; dann stellt sich jedoch die Frage, woher solche Einsichten stammen und wie wahrscheinlich sie sich verlässlich wiederholen lassen.

Allgemeiner hilft die informationstheoretische Sicht einzuschätzen, inwieweit eine Datenquelle Supply-Chain-Entscheidungen informieren kann. Wie das vorige Beispiel zeigte, fügt die Verarbeitung von Daten keine Information hinzu; sie kann nur offenlegen, was bereits in den ursprünglichen Daten enthalten war. Sie verdeutlicht auch, dass Datenvolumen und Informationsgehalt nicht miteinander korrelieren müssen.

Um Information in informierte Entscheidungen umzusetzen, wird jedoch noch eine weitere Zutat benötigt: Wissen.

5.1.3 Wissen

Wissen ist das theoretische und praktische Verständnis eines Gegenstands. Es umfasst die Einsichten, Regeln und Prinzipien, die das kausale Modell prägen, das sich ein Geist von diesem Gegenstand bildet³⁹. Dieses kausale Modell ermöglicht es dem Geist, herzuleiten, warum ein Gegenstand so ist, wie er ist, und wohin er sich entwickelt. Wissen verwandelt Beobachtungen in Handlungen, die den Gegenstand in einen besseren Zustand überführen.

Für Supply-Chain-Zwecke greifen wir nur auf einen winzigen Bruchteil des Wissens der Menschheit zurück. Uns geht es ausschließlich um Supply Chains; der Wissensumfang ist auf diesen Zweck begrenzt. Wissen zählt nur dann als Supply-Chain-Wissen, wenn es die Entscheidungen des Unternehmens verbessert. Im weitesten Sinne umfasst Supply-Chain-Wissen ein breites Spektrum an Themen. Wie jedoch das frühere Kapitel Erkenntnistheorie erläutert hat, müssen wir zwischen dem Kerngebiet der Supply Chain und ihren Hilfswissenschaften unterscheiden, da sie Wissen auf deutlich unterschiedliche Weise organisieren und weiterentwickeln.

Information lässt sich vollständig mathematisch beschreiben und ist eine unintelligente, mechanische Angelegenheit, deren Speichermedium unerheblich ist. Wissen dagegen ist schwer fassbar und untrennbar mit dem Geist verbunden, der es hervorbringt.

Gibt man zwei Studenten dasselbe Physiklehrbuch, gewinnt der eine daraus womöglich Einsichten weit über dessen Beispiele hinaus, während der andere vielleicht nie die Verbindung zwischen Beispielen und Prinzipien herstellt. Was ein Leser gewinnt, ist subjektiv: Das Wissen eines Buches bleibt latent, bis jemand es liest. Bis dahin ist es lediglich ein Datenspeicher. Sein Inhalt bleibt unabhängig von der Papierqualität derselbe – und sogar unabhängig davon, ob es überhaupt gedruckt wird; die elektronische Kopie ist inhaltsgleich.

Da Wissen und allgemeine Intelligenz miteinander verflochten sind, setzt ein vollständiges Verständnis des einen ein vollständiges Verständnis der anderen voraus. Das eine ohne die andere zu definieren, bleibt zwangsläufig unvollständig. Allgemeine Intelligenz ist weiterhin Gegenstand aktiver Forschung. Die Fortschritte auf diesem Gebiet haben sich in den vergangenen sieben Jahrzehnten beschleunigt und bemerkenswerte Ergebnisse hervorgebracht. Zugleich haben wir jedoch erkannt, wie sehr wir unsere Unwissenheit auf diesem Gebiet unterschätzt haben. Im Kapitel Intelligenz kommen wir darauf zurück.

Ebenso wichtig ist der Ort des Wissens: Wo liegt es im Unternehmen tatsächlich? Für die Anwendung von Wissen auf Supply-Chain-Zwecke ist das eine entscheidende Frage. Zwei verbreitete, aber vereinfachende Sichtweisen greifen zu kurz. Die erste und häufigste Fehlvorstellung lautet, Wissen liege ausschließlich bei Experten und in ihren Begleitmaterialien wie Aufsätzen, Büchern und Kursen. Der akademische Betrieb nährt diese Sicht oft; viele Professoren betrachten sich als Gipfel der Expertise. Die zweite Vorstellung besagt, Wissen sei gleichmäßig über das Unternehmen verteilt. Dahinter steht häufig der fehlgeleitete Wunsch, alle Mitarbeiter in die Supply-Chain-Bemühungen des Unternehmens einzubeziehen. Um den Ort des Wissens zu klären, müssen wir weiter präzisieren, was wir mit Wissen meinen.

In seinem wegweisenden Aufsatz The Use of Knowledge in Society von 1945⁴⁰ unterscheidet Friedrich Hayek zwischen „Fachwissen“ und „Alltagswissen“. Fachwissen umfasst Lehrbücher, Formeln, Quellcode, Richtlinien und Vorschriften. Der grundlegende Fehler, so Hayek, besteht darin, Fachwissen für die einzige Wissensart zu halten.

Hayek ergänzt eine zweite, entscheidende Art: das Alltagswissen. Es umfasst die Kleinigkeiten, die an die Umstände einer bestimmten Zeit und eines bestimmten Orts gebunden sind. Ein Lkw-Fahrer kennt beispielsweise das gesunde Brummen eines Motors und veranlasst Reparaturen, bevor Probleme auftreten. Dieses Wissen wird geschärft, wenn der Fahrer regelmäßig denselben Lkw fährt und mit der Zeit dessen besondere Eigenheiten versteht. Es ist informell und undokumentiert, aber oft unerlässlich, damit Dinge zuverlässig erledigt werden.

Die Supply Chain verbindet somit Fachwissen, das bei einem kleinen Kreis liegt, mit Alltagswissen, über das ein viel größerer Kreis verfügt. In beiden Fällen können die Wissensträger Mitarbeiter sein – müssen es aber nicht. Beispielsweise können Teile des Fachwissens an einen Anbieter von Unternehmenssoftware und Teile des Alltagswissens an ein externes Reparaturunternehmen delegiert werden.

Seit einem Jahrhundert arbeiten Unternehmen daran, alltägliches Know-how durch kodifizierte Regeln zu ersetzen. Alltagswissen bleibt wichtig – was man nicht weiß, kann einem schaden –, doch seine Informalität erzeugt Reibung in großen Unternehmen. Diese wollen ihre Prozesse möglichst gut reproduzierbar machen, um unbeabsichtigte Schwankungen von Qualität, Kosten oder Verzögerungen im Fluss physischer Güter zu verringern. Aus dieser Sicht behindert Alltagswissen die Standardisierung von Prozessen.

Der Aufstieg der Unternehmenssoftware in den vergangenen fünf Jahrzehnten hat diesen Trend verstärkt: Software verkörpert Fachwissen und beschleunigt den Wandel. Sie mechanisiert die Anwendung von Wissen und liefert bei erfolgreicher Einführung erhebliche Produktivitätsgewinne. Allerdings ist Software teuer einzurichten und noch teurer zu warten, besonders in komplexen Unternehmensumgebungen. Die Kodifizierung eines Prozesses bringt zwei Vorteile: leichtere Reproduzierbarkeit und engere Steuerung durch Software.

In einer modernen Supply Chain ist der Quellcode, der die numerischen Rezepte des Unternehmens implementiert, zusammen mit seinen unterstützenden Artefakten wie Tests, Notebooks, Konfiguration und Dokumentation der wertvollste Bestand an Fachwissen des Unternehmens. Anders als Präsentationsfolien oder informelle Überlieferungen im Team ist dieser Bestand handlungsfähig: Er setzt Information in Entscheidungen um, ohne auf eine Besprechung zu warten. Entscheidend ist, dass dieser Codebestand keine statische Formelsammlung ist. Er ist ein lebender Korpus, der gepflegt, versioniert und fortwährend anhand der Rückmeldungen von Gewinn und Verlust hinterfragt werden muss.

Da der Codebestand Information ist, lässt er sich seinerseits durch Software analysieren. Statische Analyse, Typsysteme, Linter, Profiler, formale Tests und Simulationsumgebungen machen das Wissen in Maschinengeschwindigkeit sowohl prüfbar als auch verbesserbar. Da dieses Wissen umgekehrt untrennbar mit den Köpfen verbunden ist, die es weiterentwickeln, gehören auch die Ingenieure, die den Codebestand warten und erweitern, zu diesem Vermögenswert: Ohne verantwortliche Pflege setzt Verfall ein, Bedeutungen verschieben sich, und das Unternehmen gleitet unbemerkt zurück zu überlieferten Vorstellungen.

Damit schließt sich der Kreis. Daten sind Symbole. Information ist ihre Fähigkeit, Unsicherheit zu verringern. Wissen ist die zunehmend in Code erfasste kausale Struktur, die diese verringerte Unsicherheit systematisch in bessere Zuteilungen knapper Ressourcen umsetzt. Für die Supply Chain bedeutet „das Wissen besitzen“, den Code, der es verkörpert, zu besitzen und zu betreiben.

5.2 Klassen von Unternehmenssoftware

Der größte Teil der Information, die eine moderne Supply Chain benötigt, liegt in Unternehmenssoftware. Diese Anwendungen erfüllen jedoch unterschiedliche epistemische Rollen. Die vorangegangenen Seiten trennten Daten, Information und Wissen; dieser Abschnitt überträgt die Dreiteilung auf Software. Was das Unternehmen erfasst – Daten –, berichtet – Information – und entscheidet – operativ nutzbar gemachtes Wissen –, liegt in drei unterschiedlichen Systemklassen. Ihre Verwechslung, etwa die Erwartung, Geschäftsbücher sollten denken oder Dashboards maßgebliche Datenquellen sein, gehört zu den kostspieligsten Fehlern von Unternehmen.

Seit den 1970er-Jahren dominieren drei Klassen die Softwarelandschaften von Unternehmen: Erfassungssysteme, Berichtssysteme und Intelligenzsysteme. Dutzende spezialisierter Werkzeuge existieren, etwa CAD für die Konstruktion oder Virtualisierung für die IT. Hinsichtlich Budget und Bedeutung für die Supply Chain werden sie jedoch von diesen drei Klassen weit übertroffen. Im Folgenden benennen wir jede Klasse präzise, erklären, warum ihre Zuständigkeiten getrennt bleiben müssen, und zeigen, wie ihre Vermischung Leistung und Verantwortlichkeit beschädigt.

Seine wichtigsten Vorzüge sind Verlässlichkeit, Nachvollziehbarkeit und Konsistenz. „Intelligenz“ ist weder erforderlich noch erwünscht. Ein Erfassungssystem digitalisiert und vereinfacht Aufgaben, die andernfalls mit Stift und Papier erledigt würden. Fast alle Transaktionssysteme – ERP, CRM, WMS, PLM, MRP – gehören zu dieser Klasse. Architektonisch stehen bei ihnen CRUD-Operationen, also Erstellen, Lesen, Aktualisieren und Löschen, im Mittelpunkt; dahinter liegt eine relationale Datenbank. Nebenläufigkeitskontrolle, Prüfbarkeit und starke Konsistenz bestimmen den Entwurf. Aufwendige Analytik und Optimierung gehören hier nicht hin: Sie entziehen anderen Vorgängen gemeinsame Ressourcen, verschlechtern die Nutzererfahrung und verwischen die Verantwortlichkeit, die Geschäftsbücher erhalten müssen.

Es fügt keine Information hinzu, sondern formt lediglich Vorhandenes um. Berichtssysteme automatisieren, was Sachbearbeiter und Analysten früher von Hand erledigten: Summen, Durchschnittswerte, Pivot-Auswertungen, Dashboards. Sie setzen auf Erfassungssystemen auf und sind ihrem Wesen nach beschreibend. Für die moderne Supply-Chain-Praxis ist ihr Nutzen begrenzt: Sie bleiben hilfreich für Compliance, forensische Untersuchungen und die Aufsicht durch das Management, aber nicht als Eingaben für Optimierungsverfahren. Eine Berichtsschicht als Grundlage der Entscheidungsfindung bringt Informationsverlust, Bedeutungsverschiebungen und zusätzliche Verzerrungen mit sich, ohne wirtschaftlichen Gewinn.

Es tut dies über eine eng begrenzte API und stellt Protokolle bereit, die präzise genug sind, um anhand der Rückmeldungen von Gewinn und Verlust hinterfragt zu werden. Es verwaltet fast keine eigenen Stammdaten und besitzt nur sehr wenig Benutzeroberfläche. Ein Intelligenzsystem ersetzt die manuellen, über Tabellenkalkulationen vermittelten Schritte, die gewöhnlich zwischen Berichten und Ausführung liegen. Es verarbeitet maßgebliche Daten, berechnet Optionen, wägt sie wirtschaftlich gegeneinander ab und schreibt Aufträge, Zuteilungen, Preise oder Zeitpläne verbindlich in das Geschäftsbuch. Seine Entwicklungskultur, sein Laufzeitprofil und sein Verantwortlichkeitsmodell unterscheiden sich grundlegend von denen der Erfassungs- und Berichtssysteme. Diese Klasse wird im Kapitel Entscheidungen eingehender untersucht.

Im Unternehmen kommen zuerst Erfassungssysteme, dann Berichtssysteme und zuletzt Intelligenzsysteme. Berichts- und Intelligenzsysteme sollen auf Erfassungssystemen aufsetzen, gegebenenfalls unterstützt durch Data Lakes oder Data Warehouses. Unternehmen begehen oft den Fehler, die Klassen zu vermischen und von einem einzigen Produkt Wert über seine natürlichen Grenzen hinaus zu erwarten; solche Versuche scheitern ausnahmslos. Erfassungssysteme geben erbärmliche Intelligenzsysteme ab und umgekehrt.

Der zweite Fehler besteht darin, ein Intelligenzsystem auf einem Berichtssystem betreiben zu wollen. Ein Berichtssystem ist eine sekundäre Informationsquelle. Die ursprünglichen Daten werden stets verändert, um sie für die Berichterstattung geeigneter zu machen. Diese Umformungen verursachen nicht nur Informationsverlust, sondern bringen auch Komplikationen und Verzerrungen mit sich. Im Kontext des Berichtssystems sind diese Umformungen zwar gerechtfertigt, doch die Daten bilden das tatsächliche Geschehen nicht mehr genau ab.

Beispielsweise können die von Business Intelligence gemeldeten Wochenverkäufe bereits um Rücksendungen bereinigt sein. Bei häufig zurückgesandten Artikeln können solche Zahlen den Bestand unterschätzen, der zur Aufrechterhaltung eines bestimmten Servicegrads erforderlich ist.

Die Idee, ein Intelligenzsystem auf einem Berichtssystem zu betreiben, ist verlockend, weil die dort dargestellten Daten in menschlichen Augen klarer und besser geordnet wirken als ihre ursprüngliche Entsprechung im Erfassungssystem. Es fühlt sich daher so an, als würde dies dem Intelligenzsystem helfen. Das ist jedoch falsch. Die informationstheoretische Perspektive erklärt, warum: Das Berichtssystem enthält nicht nur weniger Information, sondern fügt auch eine eigene Schicht von Komplikationen hinzu.

Ein klares Verständnis dieser drei Softwareklassen ist unerlässlich, damit moderne Supply-Chain-Praxis in einem Unternehmen Fuß fassen kann.

5.2.1 Die Stellung der Software

Die Supply Chain ist heute durch Software begrenzt: Was das Unternehmen beobachten, behalten und letztlich entscheiden kann, wird weniger durch Gabelstapler und Verladebuchten beschränkt als durch Schemata, APIs und Laufzeitumgebungen. Software in der Gesamtarchitektur falsch einzuordnen, ist keine pedantische IT-Frage, sondern ein wirtschaftlicher Fehler, der jede Entscheidung des Unternehmens unbemerkt belastet. Soll das falsche System denken oder werden dem richtigen die benötigten Daten vorenthalten, schrumpft die Optionalität, wirkt Variabilität härter, und Betriebskapital bleibt aus Gründen gebunden, die in keiner Gewinn-und-Verlust-Rechnung auftauchen.

Die vorangegangenen Seiten trennten Daten, Information und Wissen und ordneten sie drei Softwareklassen zu: Erfassungs-, Berichts- und Intelligenzsystemen. Dieser Abschnitt klärt, warum die Trennung in der Praxis durchgesetzt werden muss, statt sie lediglich auf Folien anzuerkennen. Bevor wir untersuchen, wie die meisten Autoren hier irren, müssen wir deutlich machen, worum es geht: die maßgebliche Zuständigkeit für die Fakten bei der Erfassung, für ihre Darstellung bei den Berichten und für die Hebel, die tatsächlich Geld und Atome bewegen, bei der Intelligenz. Die Verwechslung dieser Rollen bringt Verantwortlichkeiten durcheinander, treibt durch Ressourcenkonkurrenz die Kosten hoch und sorgt dafür, dass „schlechte Daten“ für etwas verantwortlich gemacht werden, das in Wahrheit ein Entwurfsfehler ist.

Vor diesem Hintergrund können wir betrachten, wie der Supply-Chain-Diskurs Software regelmäßig falsch einordnet: entweder als irrelevantes Detail, das auf magische Weise beliebige von einer Formel verlangte Zahlen bereitstellt, oder als glänzendes Organigramm austauschbarer Module, die zusammengenommen angeblich „Best Practice“ ergeben.

Supply-Chain-Autoren lassen sich typischerweise zwei Lagern zuordnen. Akademisch orientierte Autoren behandeln Unternehmenssoftware als Abstraktion und nehmen an, Zahlen wie Verkäufe oder Bestandsmengen seien einfach „da“. Woher sie kommen, wird selten erörtert; ihre Beschaffung wird so beiläufig behandelt wie die Wahl einer Schaufelmarke durch einen Bauunternehmer. Um ihren Geltungsbereich auszuweiten, bieten sie eine Auswahl von Modellen an, von denen einige auf Eingaben wie Fehlbestandsaufzeichnungen angewiesen sind und andere sie umgehen. Die Unternehmen sollen dann wählen, was zu den tatsächlich vorhandenen Daten passt.

Autoren aus Beratungsfirmen stützen sich auf modische Schlagwörter und breiten kunstvolle Diagramme und Reifegradmatrizen aus, die Softwaremodule wie Puzzleteile behandeln. Sie verordnen stufenweise „Einführungsreisen“, doch die Stufen erhalten selten mehr als den Glanz einer Folienpräsentation. Griffige Botschaften für Führungskräfte gibt es im Überfluss; harte technische Substanz ist knapp.

Beide Sichtweisen bleiben hinter einer rigorosen Behandlung der Supply Chain zurück. „Verkaufsdaten“ oder „Bestandsdaten“ als selbstverständlich zu behandeln, verrät Unkenntnis der Realität von Unternehmenssoftware; Werkzeuge ohne ihre zugrunde liegenden Mechanismen oder Märkte zu beschreiben, ist nicht besser. Allzu oft ist das Ergebnis kaum mehr als ein Verkaufsgespräch im wissenschaftlichen Gewand.

Software ist eine unverzichtbare Hilfswissenschaft der Supply Chain, und ihre Beherrschung lässt sich nicht auf Spezialisten abschieben – ebenso wenig, wie ein moderner Arzt die Chemie auslagern kann. Ein Unternehmen muss seine eigene Softwarelandschaft verstehen, um seine Supply Chain gut zu betreiben.

5.3 Erfassungssysteme

Erfassungssysteme sind die Geschäftsbücher eines Unternehmens: Sie bilden operative Arbeitsabläufe ab, erfassen jede Transaktion und Zustandsänderung und werden dadurch zum maßgeblichen Gedächtnis für Güter in Bewegung. In modernen Supply Chains sind sie der einzige skalierbare Verwahrer von Information: Was das Unternehmen beobachten und behalten kann, liegt dort – nicht in den Köpfen der Menschen.

Dieser Abschnitt behandelt Erfassungssysteme als das, was sie sind: unverzichtbar, aber epistemisch und technisch begrenzt. Sie sind auf Verlässlichkeit, Nachvollziehbarkeit und Nebenläufigkeitskontrolle ausgelegt. Sie wurden nicht dafür gebaut, Berichte zu erstellen, geschweige denn Entscheidungen zu treffen. Sie mit Berichts- oder Intelligenzsystemen zu verwechseln, gehört zu den häufigsten – und teuersten – Fehlern von Unternehmen.

Wir gehen in fünf Schritten vor: Erstens erinnern wir an den historischen Weg, der zu den heutigen ERP-, CRM-, WMS-Systemen und ihren Verwandten führte. Zweitens zerlegen wir ihren CRUD-Entwurf und die daraus folgende Entwicklung zur austauschbaren Standardware. Drittens untersuchen wir die technologische Entwicklung, durch die jedes Erfassungssystem mit der Zeit anschwillt und funktionale Überschneidungen sowie Albträume bei der Synchronisierung verursacht. Viertens benennen wir die harten funktionalen Grenzen, die es verbieten, aufwendige Analytik oder Optimierung in das Geschäftsbuch hineinzudrängen. Fünftens schließen wir mit dem Dilemma des Anbieters: dem strukturellen Anreiz, Geschäftsbücher trotz ihrer inhärenten Grenzen als „intelligente“ Plattformen zu vermarkten.

Vor diesem Hintergrund lässt sich der Rest des Abschnitts als praktischer Leitfaden lesen: wie man Erfassungssysteme für das, was sie gut können, konsequent ausnutzt und wie man sie von einer Entscheidungsrolle fernhält, für die sie nie konzipiert wurden.

5.3.1 Der Ursprung der Unternehmenssoftware

Erfassungssysteme entstanden Ende der 1970er-Jahre und verbreiteten sich in den 1980er- und 1990er-Jahren rasch. Ihre Aufgabe bestand darin, papierintensive Büroarbeit – insbesondere Buchhaltung und Bestandsführung – in elektronische Arbeitsabläufe zu überführen. Indem sie jede Transaktion und Bestandsbewegung erfassten, beseitigten sie ganze Klassen von Bearbeitungsfehlern und erhöhten nach der Einführung von Barcodescannern die Produktivität. Bis Ende der 1990er-Jahre hatten die meisten großen Unternehmen mehrere solcher Systeme eingeführt, um ihre routinemäßigen Verwaltungsaufgaben zu automatisieren.

Sinkende Hardwarekosten trugen diesen Aufstieg. Von 1970 bis 2000 galt das Moore’sche Gesetz: Die Zahl der Transistoren verdoppelte sich ungefähr alle zwei Jahre, während sich die Preise kaum bewegten. Arbeitsspeicher, Datenspeicher, Bandbreite und Ein-/Ausgabe entwickelten sich ähnlich, sodass die digitale Speicherung von Transaktionen Ende der 1990er-Jahre um Größenordnungen billiger war als die entsprechenden Papierlösungen.

In der Flut von Produkten zur Datenerfassung setzten sich zwei Bezeichnungen durch: ERP (Enterprise Resource Planning) und CRM (Customer Relationship Management). Zieht man das Marketing ab, sind beide vom selben Schlag: ein CRUD-Geschäftsbuch, um das Arbeitsabläufe gelegt wurden. Der einzige wirkliche Unterschied ist der Ausgangspunkt: ERP ist um das Produkt herum organisiert, einschließlich seiner Stücklisten, Arbeitspläne und Bestände; CRM um den Kunden und die Vertriebspipeline. Sobald ein Anbieter Fuß gefasst hat, wachsen beide Familien auf dieselbe Weise: angrenzende Entitäten anbauen, immer mehr Module bündeln und Nischenkonkurrenten übernehmen. Ende der 1990er-Jahre waren die meisten ERP- und CRM-Systeme zu ausufernden Monolithen angeschwollen und hatten damit den Boden für die im Folgenden behandelten technischen Probleme bereitet.

Eine der Ursachen war technischer Natur: Paketvermittelte Netzwerke wurden in den 1960er-Jahren konzipiert, doch wirklich verteilte Unternehmenssysteme blieben bis Ende der 1990er-Jahre eine Nische. Unternehmen betrieben daher zentrale Großrechner, und die Integration zwischen Anbietern war entweder ruinös teuer oder unmöglich. Das bestehende System zu erweitern, war billiger, als ein neues anzuschließen.

Immer größere Codebestände zu entwickeln und zu betreiben, ist jedoch teuer. In den 2000er-Jahren verbilligten allgemein verfügbare Integrationswerkzeuge – Open-Source-ETL-Werkzeuge und Web-APIs – die Verbindung von Systemen. So kamen spezialisierte Erfassungsanwendungen wieder auf und holten sich Aufgaben von den Monolithen zurück.

Die alten Monolithen schrumpften jedoch nie, und bald blähten sich auch die neuen Nischenwerkzeuge auf: Jedes Erfassungssystem wächst nach demselben Muster weiter. Daher die Buchstabensuppe aus WMS, OMS, PIM, PLM, SRM und unzähligen Verwandten: unterschiedliche Ausgangspunkte, weitgehend dieselbe Architektur und derselbe Wachstumspfad.

In der Supply-Chain-Arbeit ist der ERP-Monolith in der Regel die wichtigste Datenquelle, weil er die Einkaufs- und Verkaufsbücher führt. Die Bezeichnung Enterprise Resource Planning ist ein Marketingkonstrukt: Ein ERP plant nicht im wirtschaftlichen Sinne, unter Unsicherheit zwischen Optionen abzuwägen; es führt ressourcenbezogene Arbeitsabläufe aus und erfasst sie – Bestellungen, Bestände, Rechnungen – und bringt bestenfalls Verwaltungsschritte wie Freigaben, terminierte MRP-Bedarfsauflösungen und Statuswechsel anhand von Benutzern eingegebener Parameter in eine Reihenfolge.⁴¹ Dies „Planung“ zu nennen, vermengt Buchführung mit Entscheidungsfindung und nährt den immer wiederkehrenden Mythos, ein Erfassungssystem könne zugleich als Intelligenzsystem dienen.

5.3.2 Der CRUD-Entwurf

Nahezu jedes heutige Erfassungssystem folgt dem CRUD-Muster – Create, Read, Update, Delete, also Erstellen, Lesen, Aktualisieren, Löschen –, das Ende der 1970er-Jahre mit relationalen Datenbanken entstand⁴². Die Benutzeroberflächen haben sich von grünen Textbildschirmen zu glänzenden Webanwendungen entwickelt; die Prinzipien im Hintergrund haben sich dagegen kaum verändert. Die Werkzeuge sind jedoch so weit vorangekommen, dass Erfassungssysteme seit Mitte der 2000er-Jahre kaum mehr als austauschbare Standardware sind.

In der Praxis meint „die Datenbank“ eine relationale SQL-Engine: eine Menge von Tabellen, jeweils mit typisierten Spalten für Zahlen, Text, Datumswerte und so weiter sowie Datenzeilen. Andere Entwürfe existieren, sind für Unternehmenssoftware aber weit weniger wichtig. Relationale Datenbanken verknüpfen Tabellen über Paare aus Primär- und Fremdschlüsseln. Beispielsweise kann eine Zeile in Orders eine ProductID enthalten, die auf die entsprechende ProductID in Products verweist; die Engine verbietet eine Bestellung, die sich auf ein nicht existierendes Produkt bezieht.

Die Dialekte der Anbieter unterscheiden sich, doch der 1992 veröffentlichte Kern von SQL‑92 funktioniert überall, und die meisten CRUD-Anwendungen brauchen trotz späterer, aufwendigerer Erweiterungen selten mehr. Die Feinheiten von SQL gehen über den Rahmen dieses Buches hinaus; grundlegende SQL-Kenntnisse sollten jedoch zum Fundament eines modernen Supply-Chain-Praktikers gehören.

Der CRUD-Entwurf beginnt mit der Definition von Entitäten: Gruppen von Tabellen, welche die von der Anwendung verwalteten Geschäftskonzepte abbilden. Dabei kann es sich um Produkte, Kunden, Bestände, Lieferanten, Verträge, Mitarbeiter, Zahlungen und Ähnliches handeln. Zudem passen die meisten Geschäftskonzepte nicht in eine einzige Tabelle. Ein Kundenauftrag kann beispielsweise eine Tabelle Orders mit einer Transaktion pro Zeile und eine weitere Tabelle OrderDetails erfordern, die alle in jedem Auftrag enthaltenen Artikel auflistet.

Jede Entität erhält Bildschirmmasken, über die Benutzer ihre Datensätze entsprechend dem zugrunde liegenden Datenbankparadigma erstellen, lesen, aktualisieren oder löschen. Häufig werden diese Masken von Teilen der Geschäftslogik begleitet, die Änderungen an der Datenbank als mechanische Folgen der Benutzereingaben automatisieren und typischerweise irgendeinem Arbeitsablauf folgen.

Die Komplexität einer CRUD-Anwendung nimmt fast immer schleichend zu: Neue Entitäten kommen hinzu, bestehende werden erweitert. Neue Masken vermehren sich; alte sammeln zusätzliche Optionen an. Arbeitsabläufe werden ausdrucksstärker, indem weitere Optionen die nach der Dateneingabe ablaufende Automatisierung genauer steuern. Theoretisch könnte die Komplexität sinken; praktisch verhindern die vorherrschenden Anreize dies. Darauf kommen wir als Nächstes zurück.

CRUD-Anwendungen sind, wie der Name im Englischen nahelegt, krude. Lässt man die grundlegende Schicht selbst einschließlich der Datenbank beiseite, ist weder am Entwurf noch an der Ausführung einer CRUD-Anwendung irgendetwas auch nur entfernt „intelligent“. Die Softwareprinzipien hinter den in einer CRUD-Anwendung umgesetzten Regeln und Verhaltensweisen sind grundsätzlich jedem zugänglich, der die Mittelstufe abgeschlossen hat. Es läuft auf arithmetische Operationen hinaus, die sich mit WENN-DANN-Anweisungen abwechseln, und auf wenig mehr. Natürlich kann das Geschäft selbst kompliziert sein und Regeln sowie Verhaltensweisen umfassen, die weit über das Verständnis eines Mittelstufenschülers hinausgehen. In solchen Fällen bietet das CRUD-Paradigma lediglich eine mühsame Zerlegung in elementare Verarbeitungsschritte.

Die Einfachheit von CRUD machte es jahrzehntelang zum Standardmuster für Geschäftsanwendungen; seit Mitte der 2010er-Jahre haben Open-Source-Softwarestapel es zur austauschbaren Standardware gemacht. Diese Werkzeuge machen Softwareentwickler bei der Entwicklung von CRUD-Anwendungen wesentlich produktiver als bei fast jeder anderen Art von Software. Insbesondere dienen CRUD-Anwendungen in den meisten Vorführungen von Programmierumgebungen als Vorzeigebeispiel. Zudem bleibt es zwar bekanntlich schwierig, Softwareentwickler einzustellen, doch CRUD-Entwicklung ist weitgehend für Berufseinsteiger – und für mittelmäßige erfahrene Entwickler – zugänglich und stellt die mit Abstand einfachste Art von Softwareentwicklung dar.

Viele Unternehmen bezahlen noch immer zu viel für CRUD-Erfassungssysteme und unterschätzen, wie gründlich Open-Source-Werkzeuge sie zur austauschbaren Standardware gemacht haben. Anbieter nutzen diesen Erkenntnisrückstand, um die Preise hoch zu halten. Wie nützlich und geschäftskritisch ein Erfassungssystem auch sein mag: Diese Art von Produkt lässt sich heute sowohl schnell als auch kostengünstig entwickeln. Dennoch zahlen viele Unternehmen Softwareanbietern aus festgefahrenen Gewohnheiten weiterhin jährliche Gebühren, die über den Kosten einer internen Neuentwicklung solcher Systeme liegen. Natürlich profitieren die Anbieter von dieser Verwirrung und sind Meister darin geworden, das Unvermeidliche hinauszuzögern: die Preise der von ihnen verkauften Geschäftsbücher zu senken. Auch diese Situation ergibt sich aus der technologischen Entwicklung von Erfassungssystemen.

5.3.3 Technologische Entwicklung

Erfassungssysteme sind im Gegensatz zu den Tabellenkalkulationen, die sie ersetzten, starr und weniger ausdrucksstark. Selbst ein äußerst leistungsfähiges Erfassungssystem deckt heute nur einen Bruchteil dessen ab, was eine lose Sammlung von Tabellenkalkulationen ermöglicht. Mit losen Tabellen können Mitarbeiter jederzeit von formalisierten Prozessen abweichen, solange ihre Kollegen zustimmen. Schritte oder Anforderungen lassen sich überspringen; zu jeder Regel können Ausnahmen gemacht werden; oder umgekehrt kann eine beliebige Ermessensentscheidung eine Anfrage ablehnen, die „blinde“ Regeln als zulässig einstufen würden. Natürlich kostet diese Freiheit Verlässlichkeit und Produktivität, da sich Tabellenkalkulationen einer weitreichenden Automatisierung widersetzen.

Anbieter bringen ein Erfassungssystem typischerweise mit einer kleinen Menge von Entitäten sowie den zugehörigen Masken und Arbeitsabläufen auf den Markt. Die technischen Ressourcen eines jungen Anbieters sind begrenzt, und weitere Entwicklung ergibt keinen Sinn, wenn sich das Produkt trotz seiner Einschränkungen so, wie es ist, verkaufen lässt. Zudem ist es vergeblich, eine Geschäftsanwendung ohne detaillierte Rückmeldungen weiterzuentwickeln, bevor Kunden sie in ihre Prozesse eingebettet haben. Während der ursprüngliche Kern somit auf einer a priori gebildeten Sicht des Marktes beruhen kann, entstehen Erweiterungen fast ausnahmslos in enger Zusammenarbeit mit einigen wenigen Kunden.

Geschäftskundenmärkte haben nicht die Tiefe von Verbrauchermärkten. Sobald ein Produkt an einen Geschäftskunden verkauft wurde, nutzt der Anbieter diese Position daher ganz natürlich, um demselben Kunden erneut etwas zu verkaufen: Upselling⁴³. Einem bestehenden Kunden zusätzliche Module zu verkaufen, ist wesentlich billiger, als einen neuen zu gewinnen. Letzteres verlangt, sämtliche unternehmensinternen Hürden für eine neue Ausgabenposition zu überwinden, etwa in einer Ausschreibung gegen Wettbewerber anzutreten.

Bei Erfassungssystemen findet sich stets eine weitere Entität, die ergänzt oder angereichert werden kann, sodass der Anbieter den nächsten Verkauf rechtfertigen kann. Unabhängig vom Funktionsumfang des Produkts lassen sich immer weitere Geschäftskonzepte und Varianten von Arbeitsabläufen hinzufügen. Nichts in der Technologie von Erfassungssystemen erzwingt eine Konsistenz, die das Wachstum begrenzen würde. Beispielsweise lässt sich ein Bestandsverwaltungssystem um die Kundenverwaltung erweitern; umgekehrt lässt sich ein Kundenbeziehungsmanagementsystem um die Bestandsverwaltung erweitern. Tatsächlich bieten die meisten großen ERP-Anbieter CRM-Funktionen und umgekehrt die meisten großen CRM-Anbieter ERP-Funktionen. Es läuft darauf hinaus, weitere Tabellen, weitere Masken und weitere Geschäftslogik hinzuzufügen, ad infinitum. Lässt man maßgeschneiderte Anpassungen für einzelne Kunden beiseite, wird das Erfassungssystem zur Summe der Eigenheiten seines gesamten Kundenstamms.

Jedes kommerziell gepflegte Erfassungssystem wächst weiter, bis der Anbieter insolvent wird oder die Produktlinie vollständig einstellt. Da die Entwicklungskosten eine superlineare Funktion der Zahl der Entitäten sind – die Umsetzung doppelt so vieler Entitäten kostet also mehr als das Doppelte –, verlangsamt sich die Wachstumsrate des Produkts hinsichtlich seiner Funktionen und Fähigkeiten mit der Zeit meist, selbst wenn der Anbieter im Zuge des Unternehmenswachstums sein Entwicklungsteam weiter vergrößert. Obwohl diese superlinearen Kosten das ansonsten unbegrenzte Komplexitätswachstum hemmen, werden viele Erfassungssysteme nach zwei Jahrzehnten fortlaufender Entwicklung zu Funktionsmastodonten. Zahlreiche verbreitete Erfassungssysteme, auch solche für kleinere Unternehmen, bringen es auf mehr als 10.000 Tabellen, die meisten mit Dutzenden von Feldern.

Für Anbieter von Erfassungssystemen ist der Weg unablässig wachsender Komplexität praktisch unwiderstehlich. Selten genutzte Entitäten zu streichen, bringt schlicht keinen Vorteil: Es verärgert die wenigen Kundenunternehmen, die sie verwenden, wie klein ihre Zahl auch sein mag, während es alle anderen Kunden gleichgültig lässt. Leider führt dieser Weg zu einer vorhersehbaren Bastardisierung des Produkts. Die Zusammenarbeit mit Kunden ist zwar ein wesentlicher Bestandteil der Entwicklung von Unternehmenssoftware, doch manche Kunden liegen mit ihren Anforderungen falsch. Andere vertreten enge Nischen, die keine maßgeschneiderten Funktionen rechtfertigten. Wieder andere setzen Begriffe oder Konzepte durch, die denen des Anbieters widersprechen. So wird jedes aktiv weiterentwickelte Erfassungssystem mit der Zeit zu einem Lovecraft’schen Gebilde, das den Verstand derjenigen gefährdet, die es zu lange betrachten.

In A Deepness in the Sky (1999) zeichnet der amerikanische Science-Fiction-Autor Vernor Vinge ein unheimlich treffendes Bild langjähriger Softwarevorhaben:

Hier gab es Programme, die vor fünftausend Jahren geschrieben worden waren, bevor die Menschheit die Erde je verlassen hatte. Das Wunder daran – das Grauen daran, sagte Sura – war, dass diese Programme im Gegensatz zu den nutzlosen Wracks aus Canberras Vergangenheit noch immer funktionierten! Und über eine Million verschlungener Vererbungsstränge liefen viele der ältesten Programme noch immer in den Eingeweiden des Qeng-Ho-Systems. Man nehme die Zeitrechnung der Händler. Die Korrekturen zwischen Bezugssystemen waren unglaublich kompliziert – und ganz unten lag ein kleines Programm, das einen Zähler laufen ließ. Sekunde für Sekunde zählten die Qeng Ho von dem Augenblick an, in dem zum ersten Mal ein Mensch den Mond der Alten Erde betreten hatte. Doch wenn man noch genauer hinsah … lag der Ausgangszeitpunkt tatsächlich etwa hundert Millionen Sekunden später, bei der 0-Sekunde eines der ersten Computerbetriebssysteme der Menschheit.

Hinter all den obersten Schnittstellen lagen also Schicht um Schicht unterstützender Software. Ein Teil davon war für völlig andere Situationen entworfen worden. Hin und wieder führten die Widersprüche zu tödlichen Unfällen. Trotz aller Romantik der Raumfahrt wurden die häufigsten Unfälle schlicht von uralten, falsch eingesetzten Programmen verursacht, die sich endlich rächten.

„Wir sollten alles neu schreiben“, sagte Pham.

„Das hat man versucht“, berichtigte Bret, der gerade aus den Kältekammern zurückgekehrt war. „Aber selbst die obersten Ebenen des Codes für die Flottensysteme sind gewaltig. Du und tausend deiner Freunde müsstet etwa ein Jahrhundert arbeiten, um ihn nachzubauen.“ Trinli grinste boshaft. „Und weißt du was? Selbst wenn ihr es tätet, hättet ihr am Ende eure eigenen Widersprüche. Und ihr wärt noch immer nicht mit all den Anwendungen vereinbar, die man ab und zu brauchen könnte.“

Diese Spirale der Anhäufung ist für den Käufer jedoch kein ehernes Gesetz. Mehrere große Organisationen haben ihre Geschäftsbücher schlank gehalten, indem sie ergänzende Arbeitsabläufe in abtrennbare Beiwagen verlagerten: kleine Dienste oder Plug-ins, die über eine API-Grenze mit dem Kern verbunden sind. Da die Plug-ins dem Kunden gehören, von ihm versioniert und – entscheidend – nach Belieben entsorgt werden, sammelt sich der Ballast am Rand, wo er entfernt werden kann, ohne den maßgeblichen Datenspeicher anzutasten.

Ein radikalerer Hebel ist die schrittweise Stilllegung von Funktionen. Entgegen der landläufigen Weisheit, „niemand schreibt ein ERP neu“, tun viele Unternehmen genau dies – nur nicht mit einem einzigen heroischen Kraftakt. Das bewährte Muster ist der Strangler: eine dünne Fassade vor den Monolithen setzen, eine einzelne, in sich geschlossene Funktion wie Preisberechnung, Retourenfreigabe oder Steuermodul an einen von Grund auf neu entwickelten Dienst weiterleiten, die entsprechenden Tabellen einfrieren und sie nach einer Auslauffrist physisch löschen. Wiederholt man dies jedes Quartal, wird aus dem unmöglichen Big Bang eine Folge beherrschbarer Operationen.

Diese Vorgehensweisen beseitigen nicht den Anreiz des Anbieters, immer weitere Erweiterungspakete zu verkaufen; sie geben lediglich dem Kunden seine Handlungsfähigkeit zurück. Nichts zwingt ein Unternehmen dazu, das nächste glänzende Zusatzmodul zu installieren, wenn die laufenden Kosten der Komplexität die Kosten eines schlanken Ersatzes übersteigen. In der Praxis ergeben sich die niedrigsten langfristigen Gesamtkosten daraus, das zentrale Geschäftsbuch als heiligen Boden und alles andere als entbehrlichen Code zu behandeln. Komplexitätswachstum ist der Normalfall, kein Schicksal – vorausgesetzt, die Organisation pflegt die Disziplin, ihren eigenen Garten immer wieder zurückzuschneiden.

5.3.4 Funktionale Überschneidungen

Stammdaten⁴⁴ sind das erste Opfer funktionaler Überschneidungen. Sobald zwei Erfassungssysteme nebeneinander bestehen, darf man keine 1-zu-1-Zuordnung der Entitäten voraussetzen. Attribute, die identisch aussehen – „Produktgewicht“, „Bestelldatum“, „Lieferantencode“ –, unterscheiden sich regelmäßig in Bedeutung, Einheit, zeitlichem Bezug und Zuständigkeit. Was das ERP product_family nennt, entspricht möglicherweise nur ungefähr dem, was das PIM als category speichert; lead_time im MRP kann eine Beschaffungszusage sein, während das WMS einen empirischen Durchschnitt erfasst. Der sogenannte „Golden Record“ ist eine Managementfiktion: In Wirklichkeit ist jedes System für bestimmte Attribute zu bestimmten Zeiten bei bestimmten Anwendungsfällen führend.

Diese Zersplitterung ist nicht bloß ein lästiges Verwaltungsproblem, sondern der wichtigste Treiber von Bedeutungsverschiebungen; siehe den Abschnitt Semantik der Daten. Wenn die Schemata überlappender Geschäftsbücher nicht isomorph sind, wird die Information zu einem einzigen Geschäftsfakt über Tabellen, Systeme und Teams verstreut, ohne kanonische Regel für ihren Abgleich. Programme für das Stammdatenmanagement (MDM) versuchen, diese Realität mit zentralen Datenknoten und Regeln zur Auswahl überlebender Attributwerte zu überdecken. Ohne eine klar geregelte Zuständigkeit je Attribut und ein prüfbares Entscheidungssystem fügen sie jedoch lediglich ein weiteres System mit Überschneidungen und eine weitere zu pflegende Synchronisierungsschicht hinzu.

Funktionale Überschneidungen zwischen Erfassungssystemen von Drittanbietern ergeben sich unmittelbar aus deren technologischer Entwicklung und treffen Stammdaten am härtesten. Da Softwareanbieter ihren jeweiligen Funktionsumfang immer weiter ausdehnen, sind Kollisionen unvermeidlich; ungewiss bleibt nur ihr Zeitpunkt. Größere Anbieter sind zudem besonders anfällig, da sie durch die fortlaufende Ausweitung ihres Funktionsumfangs gewachsen sind. Dieses Problem ist auf Systeme von Drittanbietern beschränkt; selbst ein bescheidenes Maß an interner Abstimmung verhindert bei Eigenentwicklungen gewöhnlich solche Überschneidungen.

In der Praxis erfordern sich überschneidende Systeme Prozesse zur Datensynchronisierung. Die Synchronisierung von Stammdaten ist besonders tückisch: Schemata sind selten isomorph, Attribute tragen unterschiedliche Bedeutungen, und die maßgebliche Zuständigkeit je Attribut – welches System wofür und wann führend ist – wird selten ausdrücklich festgelegt. Solche Synchronisierungen sind ausnahmslos Ad-hoc-Softwareprojekte. Der Markt für Unternehmenssoftware ist schlicht zu zersplittert, um die Entwicklung sofort einsetzbarer Synchronisierungswerkzeuge zu rechtfertigen.

Eine Zwei-Wege-Synchronisierung zwischen Erfassungssystemen, bei der in beiden Systemen Änderungen möglich sind und jede Änderung im einen an das andere weitergegeben werden muss, erfordert typischerweise mindestens eine Größenordnung mehr Aufwand als eine Ein-Wege-Integration, bei der ein System als „Master“ und das andere als „Slave“ gilt. Eine Zwei-Wege-Datensynchronisierung muss widersprüchliche Änderungen und deren Auflösung behandeln. Das ist wesentlich schwieriger, als einfach sämtliche Änderungen vom Master in den Slave zu kopieren und dort Bestehendes zu überschreiben. Bei Stammdaten, an denen mehrere Abteilungen ständig unterschiedliche Teilmengen der Attribute bearbeiten, ist dieses Konfliktpotenzial die Regel, nicht die Ausnahme. Trotz überaus raffinierter Algorithmen für diesen Fall sollte eine N-Wege-Datensynchronisierung mit N größer als 2 grundsätzlich als Abscheulichkeit gelten.

Selbst wenn die IT sorgfältig festlegt, welches System für welchen Bereich führend ist, sind die meisten großen Systeme am Ende sowohl Master als auch Slave – je nach Bereich. Beispielsweise kann für dieselbe SKU das ERP beim Preis und das PIM bei den beschreibenden Inhalten maßgeblich sein. So kann das CRM für „Kunden“ Master sein, für „Lieferanten“ jedoch dem ERP als Slave folgen.

Diese Überschneidungen stellen eine gewaltige, dauerhafte Hürde dar, die Unternehmen immer wieder unterschätzen. Insbesondere bei der Auswahl des nächsten Softwareanbieters schätzen Unternehmen häufig beeindruckende Funktionslisten, wie der typische RFQ-Prozess (Request for Quotation, Angebotsanfrage) mit seinen oft Hunderten von Anforderungen zeigt. Daher wählen Unternehmen tendenziell große Anbieter mit unnötig komplexen Produkten und folgen dabei der vermeintlich vernünftigen Intuition qui peut le plus, peut le moins: Wer mehr kann, kann auch weniger. Diese fehlgeleitete Intuition führt jedoch ausnahmslos zur Auswahl von Anbietern mit gewaltigen funktionalen Überschneidungen. Diese erweisen sich als äußerst kostspielig.

Solche Überschneidungen sind nicht bloß eine Zusatzlast für die IT; sie verfälschen unmittelbar die Bedeutung. Darauf kommen wir im Abschnitt Semantik der Daten zurück. Dort zeigen wir, wie schwer fassbare, von der jeweiligen Zeile abhängige Bedeutungen Optimierungsbemühungen unbemerkt zum Scheitern bringen.

Erstens steigt der Aufwand der IT-Abteilung zur Lösung von Synchronisierungsproblemen stark superlinear, also wesentlich schneller als die Zahl der Entitäten. Schon bald erscheint der Tokioter U-Bahn-Plan einfacher als der Synchronisierungsgraph, den die IT pflegen muss. Inzwischen erlebt man häufig, dass IT-Abteilungen praktisch bankrottgehen: Sie können die Pflege des Synchronisierungsgraphen angesichts des endlosen Stroms von Updates ihrer Erfassungssysteme von Drittanbietern nicht mehr bewältigen.

Zweitens sind diese Überschneidungen für Mitarbeiter bei der Dateneingabe eine dauerhafte Quelle der Verwirrung, da dieselben Entitäten an mehreren Stellen angezeigt und bearbeitet werden können. Softwareanbieter haben keinen Anreiz, die „Versklavung“ von Teilen ihrer Produkte durch Konkurrenzprodukte zu erleichtern, um diese Verwirrung einzudämmen. Aus ihrer Sicht hält selbst eine ungenutzte Funktion die Tür für das nächste Upselling offen. Zudem widerspricht die Vorstellung, ein Unternehmen solle dafür bezahlen, dass Funktionen aus einem System entfernt werden, schlicht dem gesamten Paradigma des Marktes für Unternehmenssoftware.

Drittens stehen alle Versuche, die Daten in einem Berichts- oder Intelligenzsystem zu nutzen, vor einem Spiegelkabinett: Dieselbe Information taucht an mehreren Stellen auf. Sekundärdaten, wie sie Synchronisierungsprozesse erzeugen, sollten für diese Zwecke jedoch nicht verwendet werden. Sie können veraltet, verschlechtert oder subtil verändert sein und in nachgelagerten Prozessen verheerende Folgen haben. Für jede Information muss daher sichergestellt werden, dass der maßgebliche Originaldatensatz gelesen wird.

Obwohl die Geschichte der Unternehmenssoftware kurz ist, ist die interne Entwicklung von Erfassungssystemen trotz ihrer Mängel der einzige gangbare Weg, die unablässigen Kosten funktionaler Überschneidungen zwischen Erfassungssystemen von Drittanbietern zu vermeiden. Glücklicherweise ist die Entwicklung solcher Erfassungssysteme, wie bereits erwähnt, für alle praktischen Zwecke zur standardisierten Routine geworden.

5.3.5 Funktionale Grenzen

Erfassungssysteme schaffen zwar Wert für die Unternehmen, die sie betreiben, doch ihr möglicher Beitrag ist strikt begrenzt. Sie sind bestenfalls verbesserte Geschäftsbücher. Insbesondere sind sie weder wirksame Berichtssysteme noch Intelligenzsysteme; diese Ziele stehen technologisch im Widerspruch zu ihren grundlegenden Aufgaben.

Ein großer Teil des Werts eines Erfassungssystems stammt aus seiner Datenbank, seinem transaktionalen Kern. Das System ist grundsätzlich zentralisiert aufgebaut – genau so, wie es das Unternehmen benötigt. Hält das System beispielsweise den Bestand einer bestimmten SKU vor, muss jeder Benutzer oder Agent bei einer Abfrage denselben Wert sehen. Wenn zudem jemand 1 Einheit beansprucht, darf diese Einheit keinem konkurrierenden Anspruch zugeteilt werden. Um die Integrität des elektronischen Bestands zu wahren, muss das System konkurrierende, gleichzeitige Ansprüche auf dasselbe Datum koordinieren: eine Einheit im Bestand.

Allgemeiner bezeichnet man diese Klasse von Problemen als Ressourcenkonkurrenz: Konflikte um den Zugriff auf gemeinsam genutzte Ressourcen wie Arbeitsspeicher, Festplatten oder andere Hardware. Ressourcenkonkurrenz ist bekanntlich schwierig zu lösen, da es dabei häufig auf eine Verringerung der Latenz hinausläuft. Doch die Fortschritte bei der Latenz kamen bereits vor mehr als einem Jahrzehnt weitgehend zum Stillstand, bei vielen einzelnen Problemen schon vor mehr als zwei Jahrzehnten. Inzwischen wird die Latenz weitgehend durch die Lichtgeschwindigkeit selbst begrenzt. Beispielsweise breiten sich Datenpakete im Internet mit ungefähr zwei Dritteln der Lichtgeschwindigkeit im Vakuum aus. Das lässt wenig Raum für weitere Verbesserungen⁴⁵. Ein weiteres Beispiel: In etwa 0,3 Nanosekunden, ungefähr einem einzigen CPU-Taktzyklus, kann Licht nur eine Strecke von etwa 5 cm hin und zurück zurücklegen.

Es gibt Techniken, um Ressourcenkonkurrenz bei rechenintensiven Prozessen zu mindern: horizontale Partitionierung (Sharding), die Trennung von Lese- und Schreibzugriffen, asynchrone Warteschlangen, CQRS⁴⁶/Event Sourcing, verteilte Sperren, Saga- und Orchestrierungsmuster und weitere. Jede davon tauscht jedoch genau die Vorzüge, die ein Erfassungssystem maximieren muss – Einfachheit, Nachvollziehbarkeit, starke Konsistenz –, gegen operative und semantische Komplexität ein: nachgelagerten Prozessen zu erklärende Eventual Consistency, doppelte Lese- und Schreibpfade, aufwendige Wiederholungs- und Kompensationslogik, fragile verteilte Transaktionen, höhere Anforderungen an die Beobachtbarkeit, langsamere Schemaänderungen und schwierigere Prüfungen. Kurz gesagt lässt sich ein Geschäftsbuch mit solchen Mustern skalieren, doch der Preis sind Mehrdeutigkeit und Fragilität genau dort, wo das Unternehmen eine maßgebliche, glasklare Wahrheit braucht. Alles rechnerisch „Schwergewichtige“ sollte daher aus dem Geschäftsbuch ausgelagert und einem Berichts- oder Intelligenzsystem übertragen werden.

Ressourcenkonkurrenz erklärt weitgehend, warum Geschäftsanwendungen heute nicht grundsätzlich reaktionsschneller sind als in den frühen 2000er-Jahren. Die Bearbeitung einer Entität verursacht noch immer eine für Benutzer wahrnehmbare Verzögerung von mehreren zehn Millisekunden. Verzögerungen von einer Sekunde oder mehr bei scheinbar einfachen Vorgängen sind weiterhin üblich. Das überrascht angesichts der Tatsache, dass Hardware heute bei gleichen Kosten um Größenordnungen leistungsfähiger ist als vor zwei Jahrzehnten. Die Stagnation spiegelt jedoch die ausbleibenden Fortschritte bei der Latenz wider; auch die Ressourcenkonkurrenz verbessert sich nicht.

Da die Ressourcen innerhalb eines Erfassungssystems gemeinsam genutzt werden, muss jede Operation so leichtgewichtig wie möglich sein. Jede aufwendige Operation droht dem System die Ressourcen zu entziehen und die Dienstqualität für andere, gleichzeitig ablaufende Operationen zu verschlechtern. Deshalb müssen Entscheidungsprozesse innerhalb eines Erfassungssystems strikt vermieden werden. Entscheidungen erfordern das Abwägen zahlreicher Optionen und benötigen um Größenordnungen mehr Rechenleistung als einfache arithmetische Operationen oder logische Regeln.

Betrachten wir ein Beschaffungsoptimierungsverfahren, das 10 Sekunden CPU-Zeit benötigt, um die Bestellmenge einer einzigen SKU zu berechnen. In einem Intelligenzsystem, das offline oder auf einem eigenen Cluster läuft, ist dieser Aufwand belanglos; selbst 100 Sekunden können vernünftig sein, um noch einige Basispunkte herauszuholen. Innerhalb eines Erfassungssystems ist dieselbe Berechnung jedoch katastrophal: Bei Zehntausenden von SKUs pro Tag werden aus 10 Sekunden je SKU Dutzende CPU-Stunden, die mit Transaktionslasten konkurrieren, Bildschirmmasken blockieren und die Nutzererfahrung verschlechtern. Selbst 1 Sekunde je SKU würde noch unvorhersehbare Latenzen verursachen, wo das Geschäftsbuch niedrige, stabile Antwortzeiten garantieren muss. Aufwendige Optimierung gehört daher außerhalb des Geschäftsbuchs: Das Erfassungssystem sollte kompakte Ergebnisse, etwa Bestellpositionen, dauerhaft speichern, statt die kombinatorische Suche durchzuführen, aus der sie hervorgegangen sind.

Theoretisch gibt es Alternativen zu CRUD, mit denen sich schwergewichtige und leichtgewichtige Operationen verschachteln lassen. In der Praxis untergraben diese Alternativen jedoch genau die Gründe, aus denen CRUD attraktiv ist. Einfacher und praktischer ist es, sämtliche „schwergewichtigen“ Operationen vom Erfassungssystem zu trennen. Deskriptive Statistik gehört in Berichtssysteme, Entscheidungsfindung in Intelligenzsysteme. Hält man die drei Klassen strikt entkoppelt, wird die Ressourcenkonkurrenz weitgehend gemildert.

Jenseits der Ressourcenkonkurrenz auf niedriger Ebene liegt ein gewichtigeres Hindernis: Die Entwicklungskulturen der drei Softwareklassen sind grundlegend unvereinbar. Aus der Ferne erscheinen die Klassen ähnlich, denn bei allen wird Code geschrieben. Die Arbeit in den verschiedenen Klassen unterscheidet sich jedoch so sehr wie das Streichen eines Hauses von der bildenden Kunst. Beide Tätigkeiten verwenden Farbe; viel mehr haben sie nicht gemeinsam. Diese Feinheiten im Einzelnen zu erläutern, liegt außerhalb unseres Rahmens. Es genügt festzuhalten, dass Anbieter seit fünf Jahrzehnten ihre angestammte Klasse verlassen – meist mit erbärmlichen Ergebnissen, besonders wenn Spezialisten für Erfassungssysteme in Intelligenzsysteme expandieren. Dennoch versuchen es die Anbieter weiter und ignorieren die vorhersehbaren Fehlschläge, die darauf folgen.

5.3.6 Das Dilemma des Anbieters

Der Mehrwert eines Erfassungssystems ist grundsätzlich begrenzt. Sobald das System einen hinreichend großen Funktionsumfang abdeckt und sich als verlässlich erweist, kommen keine weiteren Vorteile hinzu. Softwareanbieter, die Erfassungssysteme verkaufen, waren sich dieser Grenze seit jeher schmerzlich bewusst. Deshalb hat seit Ende der 1970er-Jahre fast jeder erfolgreiche Anbieter von Erfassungssystemen versucht, in Intelligenzsysteme vorzustoßen.

Um zu verstehen, warum, betrachten wir einen Buchhalter. Ein hervorragender Buchhalter bietet gegenüber einem lediglich kompetenten kaum einen greifbaren Zusatznutzen. Deshalb stellen Unternehmen keine „Superstar“-Buchhalter zum Hundertfachen des Gehalts ein; Buchhaltung liefert nur begrenzten Wert. Marketing hingegen kann unbegrenzt Wert schaffen. Ein Marketinggenie kann eine Marke auf scheinbar unmögliche Weise wiederbeleben und Vermögen für die Aktionäre schaffen. Daher suchen Unternehmen regelmäßig kreative „Superstars“ und bezahlen sie fürstlich.

Ein Erfassungssystem leistet einen Beitrag wie ein Buchhalter. Ist die Arbeit ordentlich und gewissenhaft erledigt, bleibt nichts Weiteres zu erwarten. Der Mehrwert eines Intelligenzsystems, also des Motors der Entscheidungsfindung, ähnelt dagegen dem eines Marketingtalents. Für praktische Zwecke gibt es keine Obergrenze für die Qualität einer geschäftlichen Entscheidung.

Dementsprechend ist die Zahlungsbereitschaft für neuere, bessere Erfassungssysteme begrenzt. Diese grundlegende Erkenntnis ist nicht neu und wurde von Softwareanbietern bereits in den 1970er-Jahren als solche erkannt. Bis in die frühen 1990er-Jahre hatten erfolgreiche Anbieter kaum Entwicklungskapazitäten übrig, nachdem sie Funktionen ergänzt und mit dem stetigen Hardwarefortschritt Schritt gehalten hatten. Das änderte sich in den 1990er-Jahren und veranlasste viele, sich als „ERP“-Anbieter neu zu positionieren. Das neue „P“ für Planning, also Planung, signalisierte den Anspruch, Intelligenzsysteme zu sein. Ähnliche Schritte gab es bei anderen Varianten von Erfassungssystemen. Wie erwähnt sind diese Versuche jedoch weitgehend gescheitert und scheitern weiterhin, mitunter spektakulär.

Als Nebenwirkung verwirrt das Marketing der Anbieter häufig Führungskräfte. Da die Unterscheidung zwischen Erfassungs-, Berichts- und Intelligenzsystemen in der breiten Öffentlichkeit relativ unbekannt bleibt, werben Anbieter ausnahmslos mit dem Versprechen besserer Entscheidungen. Kurz gesagt wird jedes Unternehmenssoftwareprodukt als Intelligenzsystem angepriesen. Ein System, das lediglich Bestandsbewegungen protokolliert, während Sachbearbeiter die Wiederauffüllung erledigen, sollte beispielsweise weder weniger Überbestände noch weniger Fehlbestände versprechen. Dennoch sind solche Behauptungen allgegenwärtig.

Aus Käufersicht schaffen drei einfache Faustregeln Klarheit.

Erstens wird ein echtes Intelligenzsystem nahezu ohne Dateneingabemasken ausgeliefert. Intelligenz verarbeitet maßgebliche Aufzeichnungen; sie verlangt von Benutzern weder tägliche Neueingaben noch „Bestätigungen“. Jedes zusätzliche Formular ist ein verräterisches Zeichen für ein verkleidetes Geschäftsbuch und verwischt die Verantwortlichkeit: Bei schlechten Ergebnissen kann der Anbieter stets behaupten, „der Benutzer hat die falsche Zahl eingegeben“. Ein echtes Intelligenzsystem verantwortet seine Entscheidungen von Anfang bis Ende: Seine Eingaben sind die Aufzeichnungen des Unternehmens; seine Ausgaben – Bestellungen, Zuteilungen, Preise, Zeitpläne – lassen sich anhand von Gewinn und Verlust prüfen. Keiner Partei bleibt ein täglicher administrativer Ausweg.

Zweitens darf das Berechnungssystem nicht vorgeben, eine eigenständige Lösung zu sein. Abgesehen von seinem eigenen Code, seiner Konfiguration und seinen Prüfprotokollen bewahrt es keinen dauerhaften Geschäftszustand auf. Etwaige Arbeitstabellen oder Caches sind von vornherein entbehrlich. Es liest das maßgebliche Erfassungssystem, berechnet Empfehlungen und schreibt sie über eine eng begrenzte, versionierte API zurück. Sobald Stammdatentabellen, Werkzeuge zur Erstellung von Arbeitsabläufen oder Module zur Benutzerverwaltung auftauchen, wird ein Erfassungssystem angeboten, das sich als „KI“ verkleidet.

Drittens muss das Geschäftsmodell die Gebühren an der wirtschaftlichen Qualität der gelieferten Entscheidungen ausrichten, nicht an Mitarbeiterzahlen, Speichervolumen oder Seitenaufrufen. Preise je Benutzerplatz, Seitenaufruf oder Gigabyte erzeugen den Fehlanreiz, mehr Menschen einzubinden, Dashboards zu vermehren und Daten zu horten, denn der Umsatz des Anbieters wächst dann mit der organisatorischen Ineffizienz. Ein echtes Intelligenzsystem sollte im Gegenteil die meisten administrativen Benutzerplätze überflüssig machen. Verträge sollten die Vergütung daher an den Entscheidungsdurchsatz und/oder einen gemessenen Anteil des geschaffenen Werts koppeln, etwa an risikoangepasste Senkungen des Betriebskapitals, höhere Bruttomargen oder Verbesserungen der Dienstqualität bei konstantem Kapitaleinsatz. Ausdrückliche Obergrenzen sollten dabei das Risiko für beide Parteien begrenzen.

Zusammengenommen schließen diese negativen Tests die meisten „intelligenten Plattformen“ aus und erlauben dem Praktiker, seine Aufmerksamkeit und sein Budget auf die wenigen Angebote mit einer glaubwürdigen Chance auf bessere Supply-Chain-Entscheidungen zu konzentrieren.

Ein häufiger Fehltritt besteht darin, ein Erfassungssystem allein deshalb zu erneuern, weil es „alt aussieht“. Führungskräfte sehen die rasanten Fortschritte der IT und schließen daraus, das neuere System müsse viel besser sein. Außerdem sind Erscheinungsbild und Bediengefühl der neuesten Anbieterversionen meist attraktiver als beim alten System. Dieser Schluss ist irreführend. Fortschritte bei Softwaretechnologien bedeuten nicht, dass die Erfassungssysteme selbst Fortschritte machen.

Im Gegenteil haben sich die grundlegenden Technologien und Konzepte von Erfassungssystemen seit den 1980er-Jahren kaum weiterentwickelt. Der heutige Fortschritt konzentriert sich fast ausschließlich darauf, die Entwicklungskosten bereits weitgehend standardisierter Technologien zu senken. Bei der Erneuerung von Erfassungssystemen sollte das vorrangige Ziel daher darin bestehen, die Gebühren an die Anbieter zu reduzieren. Ebenso werden die Vorteile eines besseren Erscheinungsbilds und Bediengefühls meist überschätzt: War das alte System reaktionsschnell, machen aufwendigere Masken die Mitarbeiter selten produktiver. Hochproduktive Benutzeroberflächen wirken auf Neueinsteiger oft abweisend, gerade weil ihnen die unterstützenden Führungsfunktionen fehlen, welche die Produktivität behindern, sobald Mitarbeiter das System kennen.

In ihrer Gesamtheit haben die Anbieter von Erfassungssystemen ohne Absprachen oder auch nur Koordination einen anhaltenden Zustand der Verwirrung in der breiten Öffentlichkeit gefördert. Anfang der 2020er-Jahre zahlten die meisten Unternehmen mehr für Erfassungssysteme als zwei Jahrzehnte zuvor, obwohl diese seit über einem Jahrzehnt zur austauschbaren Standardware geworden waren. Dieser Zustand reicht über unsere Supply-Chain-Fragen hinaus, doch Supply-Chain-Software liefert möglicherweise das anschaulichste Beispiel. Er verdeutlicht erneut den von widerstreitenden Interessen geprägten Charakter der Supply-Chain-Herausforderungen, bei denen die Anreize nur teilweise übereinstimmen.

Erfassungssysteme sind somit unverzichtbar und zugleich eng begrenzt. Sie sind die maßgeblichen Geschäftsbücher des Unternehmens, nicht seine Rechner oder Strategen. Sobald sie umfangreiche Berichte erstellen, optimieren oder „planen“ sollen, folgen Ressourcenkonkurrenz, Bedeutungsverschiebungen und ein Nebel unklarer Verantwortlichkeiten. Die richtige architektonische Haltung ist spartanisch: das Geschäftsbuch schlank, zentral und langweilig halten; deskriptive Analytik in Berichtssysteme verlagern; Entscheidungsfindung in Intelligenzsysteme verlagern; jede Schnittstelle durch eine eng begrenzte, versionierte API einfassen; funktionale Überschneidungen unerbittlich zurückschneiden, selbst gegen den Widerstand der Anbieter.

Die Folgerung betrifft das Management ebenso wie die Technik. Behandeln Sie das ERP und seine Verwandten als heiligen Boden: Es bewahrt Fakten und setzt Arbeitsabläufe durch, nichts weiter. Jede zusätzliche Funktion, die sich einschleicht – KPIs, Prognosen, Optimierungsverfahren, Was-wäre-wenn-Szenarien –, belastet unbemerkt die Leistung, trübt die Semantik und zerstreut die Verantwortung. Was rechnerisch schwergewichtig oder probabilistisch ist oder wirtschaftliche Abwägungen erfordert, gehört außerhalb des Geschäftsbuchs.

Nachdem Rolle und Grenzen der Erfassungssysteme nun ausdrücklich feststehen, können wir uns ihrem Inhalt zuwenden: den Daten. Der nächste Abschnitt untersucht, wie aus diesen rohen Symbolen Information wird, warum die Semantik und nicht fehlende Zeilen die eigentliche Schwierigkeit darstellt, warum „schlechte Daten“ der falsche Sündenbock sind und wie man das extrahiert, dokumentiert und robust macht, was die Entscheidungssysteme benötigen werden.

5.4 Daten

Geschäftsdaten in digitaler Form sind mit Abstand die wichtigsten Informationsquellen für Supply-Chain-Entscheidungen. Sie werden vor allem über die Erfassungssysteme des Unternehmens gesammelt. Es gibt andere Quellen, doch sie sind weit weniger wichtig. Aus Sicht der Supply Chain liegt die relevante Information in diesen Daten; diese Information zu extrahieren, erweist sich als schwieriger als gemeinhin angenommen. Ebenso wird die Komplexität der Daten unterschätzt.

Daten sind entscheidend, weil Supply Chains nicht unmittelbar beobachtbar sind; man sieht sie nur durch die Aufzeichnungen des Unternehmens. Man könnte argumentieren, dass Supply Chains schon lange vor dem Aufkommen von Computern nicht mehr unmittelbar und sinnvoll mit den Sinnen zu erfassen waren. Tatsächlich brachte der Aufstieg der Großkonzerne Ende des 19. Jahrhunderts Heerscharen von Buchhaltungskräften mit sich. Schon damals sah man die Supply Chain also nur durch die von diesen Mitarbeitern geführten Geschäftsbücher. Viele Gegenstände menschlicher Erkenntnis sind wie Supply Chains den Sinnen nicht unmittelbar zugänglich; die Folgen sind erheblich.

Wie bereits erwähnt ignorieren viele Supply-Chain-Autoren Software entweder oder behandeln sie oberflächlich. Daten bilden keine Ausnahme. Insbesondere werden Daten gewöhnlich mit der in ihnen enthaltenen Information gleichgesetzt, als wäre die Umwandlung der einen in die andere selbstverständlich. Nichts könnte weiter von der Wahrheit entfernt sein, und allein diese Umwandlung beansprucht häufig mehr als die Hälfte des technischen Aufwands einer Supply-Chain-Initiative. Zudem ist sie keineswegs bloß eine softwaretechnische Detailfrage, sondern erfordert ein tiefes Verständnis der Supply-Chain-Aufgabe. Daher ist die Vorstellung grundlegend verfehlt, man könne diese Arbeit an die IT oder an Spezialisten delegieren, die nicht in erster Linie Supply-Chain-Spezialisten sind.

Vor diesem Hintergrund wird bei jeder stockenden Planungsinitiative eine Standarderklärung hervorgeholt: Die Daten sind schlecht. Vergangene, selten untersuchte Fehlschläge werden als Beweis vorgeführt. Die Parole ist bequem: Sie spricht Anbieter und Integratoren frei, schiebt die Schuld einem diffusen Sündenbock zu und entmutigt jede Untersuchung der Geschäftsbücher. In digitalisierten Supply Chains sind die Transaktionsaufzeichnungen gewöhnlich gut genug. Was fehlt, ist die harte Arbeit, Aufzeichnungen in Information umzuwandeln – Bedeutungen zu klären, Herkunft und maßgebliche Zuständigkeit festzustellen – und diese anschließend in Entscheidungen zu überführen. Die folgenden Abschnitte trennen diese Schritte und benennen ausdrücklich, wie sie scheitern können.

5.4.1 Ursprung der Daten

Die meisten Geschäftsdaten liegen in Erfassungssystemen, doch diese sammeln sie nur beiläufig. Erfassungssysteme sollen die Informationsprozesse des Unternehmens digitalisieren und dadurch verlässlicher und produktiver machen. Daten sind nicht das angestrebte Ergebnis, sondern ein Nebenprodukt dieser Vorgänge. Diese Erkenntnis ist einfach, ihre Folgen werden jedoch häufig missverstanden.

Die Daten sind so organisiert, dass sie die Eigenheiten des Systems widerspiegeln. Solche Besonderheiten entstehen aus subtilen Leistungsgrenzen, Überbleibseln abgebrochener Upgrades, veralteten Konzepten aus einer früheren Entwicklungsphase oder den alltäglichen Kompromissen der Softwareentwicklung.

Zwei alltägliche Beispiele sollen konkret zeigen, wie Datensatzstrukturen technische Abwägungen und nicht analytische Bedürfnisse widerspiegeln.

Vor Jahrzehnten speicherte ein wohlmeinender Entwickler, der an einem noch heute verbreiteten ERP arbeitete, Produktretouren zusammen mit Verkaufsaufträgen in der Tabelle sales, versehen mit negativen Mengen. Mit diesem Trick ergibt die Summe der Verkäufe über einen Zeitraum eine Zahl, die „fast“ um Retouren bereinigt ist. Der Entwurf hat jedoch mehrere Nachteile und erweist sich in der Praxis als weit weniger clever. Bei der Dienstqualität führt die Orientierung an Nettoverkäufen zu einer zu optimistischen Einschätzung von Fehlbeständen. Werden in einer Woche 10 Einheiten verkauft und in der nächsten 3 zurückgegeben, mussten in der ersten Woche mindestens 10 und nicht 7 Einheiten im Bestand sein, um die Nachfrage zu bedienen. Lassen sich umgekehrt die meisten retournierten Einheiten aufbereiten und erneut verkaufen⁴⁷, erzeugt eine Wiederauffüllung kurz vor Saisonende wahrscheinlich erhebliche Überbestände, da der Bestand durch die eingehenden Retouren ohnehin zunimmt. Allgemeiner sind Retouren keine Verkäufe. Beide können zwar Felder wie Kunden- und Produktkennungen gemeinsam haben, doch ihre Vermengung in einer Tabelle erzwingt Spalten, die nur für eines von beiden sinnvoll sind, etwa ein Feld cause_of_return.

Betrachten wir die einfache Benutzeroberfläche eines Onlineshops. Nach jeder Transaktion muss der physisch vorhandene Bestand vermindert werden, damit die Verfügbarkeit für spätere Kunden aktuell bleibt. Die Aktualisierung erfolgt durch ein einfaches UPDATE der Tabelle, in der diese Werte stehen; nennen wir sie stock. Wie jedoch praktisch jedes Team hinter einem einigermaßen beliebten Shop festgestellt hat⁴⁸, erzeugt die Aktualisierung von stock nach jeder Transaktion starke Ressourcenkonkurrenz in der Datenbank, und zwar genau bei dieser Tabelle. stock ist beträchtlich groß, typischerweise mit Zehn- oder Hunderttausenden von Zeilen, und jede Aktualisierung kann eine Kaskade in der Benutzeroberfläche der Anwendung auslösen. Die übliche Lösung besteht darin, eine Tabelle pending_updates hinzuzufügen, die Bestandsänderungen in eine Warteschlange stellt. Bei jeder Transaktion werden Zeilen zu pending_updates hinzugefügt, statt stock zu aktualisieren. Dann wird ungefähr jede Minute pending_updates geleert und stock gesammelt aktualisiert. Die Information über den physisch vorhandenen Bestand verteilt sich dadurch auf zwei Tabellen statt auf eine. Das Muster ist solide, doch ein Supply-Chain-Spezialist muss entscheiden, ob es weiterhin vertretbar ist, pending_updates allein der Einfachheit halber zu ignorieren.

Viele weitere Fälle erzählen dieselbe Geschichte: Daten in Erfassungssystemen waren nie für Data-Science-Arbeit gedacht. Für die Entwickler der Software war dies bestenfalls ein Nebenaspekt, häufig erst eine nachträgliche Überlegung.

Führungskräfte sind häufig überrascht, wie viel Zeit und Aufwand es kostet, die richtigen Informationen aus Unternehmenssystemen zu extrahieren. Viele schreiben den Mehraufwand einer vermeintlichen Ineffizienz der IT-Abteilung und überkomplizierten Werkzeugen zu. IT-Spezialisten, die sich hinter technischer Undurchsichtigkeit verstecken, um Kosten und Verzögerungen zu rechtfertigen, verstärken diesen Eindruck. Diese Sicht ist jedoch falsch. Daten in Erfassungssystemen sind leicht zugänglich, und sofern eine gängige Datenbank verwendet wird, sind die Abfragewerkzeuge schlicht ausgezeichnet. Kosten und Verzögerungen sind hoch, weil es überraschend schwierig ist, Daten in Information umzuwandeln – besonders, wenn IT-Spezialisten dies ohne die erforderliche Fachkenntnis des Anwendungsgebiets versuchen.

5.4.2 Semantik der Daten

Ein typisches Erfassungssystem eines Unternehmens speichert Zehntausende von Feldern; bei den größten sind es mehr als hunderttausend. Die Semantik dieser Felder – was sie bedeuten, welchem Zweck sie dienen und welches Verhalten sie auslösen – ist gewöhnlich bestenfalls lose dokumentiert. Diese Dokumentation kann vom ursprünglichen Anbieter oder bei internen Systemen vom Unternehmen selbst stammen. Individuelle Erweiterungen, die bei Unternehmenssoftware allgegenwärtig sind, verwischen die Bedeutung weiter. In der Praxis gibt es selten mehr als einen kurzen Absatz je Feld, der allzu oft lediglich den Feldnamen umschreibt.

Um zu verstehen, warum Semantik wichtig ist, betrachten wir ein einziges Feld: „Bestelldatum“. Dieser eine Zeitstempel könnte den Zeitpunkt des Kaufabschlusses, der letzten Bearbeitung, der Bestätigung oder der endgültigen Zahlungsabwicklung bezeichnen. Jede Lesart führt zu einer anderen operativen Realität: Sie verschiebt gemessene Lieferzeiten, verändert Kennzahlen für Servicegrad und mengenbezogenen Lieferbereitschaftsgrad und beeinflusst die Erfassung von Zahlungsströmen und Verbindlichkeiten. Mehrdeutigkeit auf dieser Ebene verfälscht unbemerkt jede nachgelagerte Berechnung.

In einer idealen Welt wären zwei Bedingungen erfüllt: Die Entwickler hinterließen eine präzise Dokumentation auf Feldebene, und das Management setzte alltägliche Arbeitsweisen durch, die die Bedeutungen im Betrieb stabil hielten. In der Praxis zerstören drei Kräfte dieses Ideal: Alter – Systeme und Notizen überleben ihre Autoren –, Inkonsistenz auf Feldebene – Bedeutungen verschieben sich zwischen Modulen und Versionen – und benutzergetriebene Semantik – Benutzer zweckentfremden Felder, um ihre Arbeit zu erledigen. Die nächsten Absätze untersuchen diese Kräfte nacheinander.

Nach Softwaremaßstäben sind die meisten Erfassungssysteme alt; zwei oder drei Jahrzehnte sind üblich. Frühe Implementierungen enthielten selten eine Dokumentation auf Feldebene, und selbst dort, wo sie vorhanden war, sind die Autoren längst weitergezogen. Der Code wurde so oft ausgebessert, migriert und erweitert, dass sich die ursprüngliche Absicht aus den Commit-Nachrichten nicht mehr rekonstruieren lässt. Entscheidend ist, dass die Semantik der Felder untrennbar mit dem an sie geknüpften Verhalten verbunden ist, das sich zwischen Versionen und Modulen verändert. Das Gesamtergebnis ist vorhersehbar: Große Teile der Bedeutung gehen schlicht verloren, und ihre Rekonstruktion kommt einem Reverse Engineering gleich – einer langsamen und teuren Aufgabe. Veraltete oder völlig überholte Notizen sind die Geißel langjähriger Softwarevorhaben.

Verlust ist nur die halbe Geschichte. Während sich die Abläufe anpassen, sammeln sich auch informell neue Bedeutungen an. Teams erfinden Behelfslösungen, deuten Bezeichnungen um und knüpfen neue Arbeitsabläufe an geeignete Felder. Mit der Zeit werden diese Ad-hoc-Praktiken zum faktischen Vertrag des Systems, unabhängig von der Absicht des Anbieters oder dem, was noch im Handbuch steht. Diese entstehende, undokumentierte Schicht treibt die Bedeutungsverschiebung: Die „aktuelle Bedeutung“ eines Feldes ist das, wofür die Menschen bei der Dateneingabe es nun verwenden. Sie kann sich je nach Standort, Zeitraum oder Rolle unterscheiden. Um sie festzuhalten, muss man die Praxis beobachten und darf nicht bloß Schemata lesen.

In der Praxis bleibt diese Verschiebung den Benutzern aus strukturellen Gründen verborgen. Bedeutungen sammeln sich über Jahre an, oft länger, als jemand eine bestimmte Rolle innehat. Die heutige Interpretation fühlt sich deshalb einfach so an, „wie das System funktioniert“. Stellt die Anwendung zwei annähernd gleichbedeutende Felder wie Discontinuation Date und Phase-out Date bereit und löst keines von beiden eine sichtbare Automatisierung aus, geben die Teams ihnen eine zweckmäßige interne Bedeutung und arbeiten weiter. Ob diese Bedeutung der Absicht des Anbieters entspricht, ist unerheblich; entscheidend ist, dass sich die Menschen vor Ort auf eine Lesart einigen und sie konsequent verwenden. Niemand wird Volume mit „Schuhabsatzhöhe“ verwechseln, doch viele werden sich durchaus vernünftigerweise darauf einigen, dass Discontinuation Date den Zeitpunkt bezeichnet, ab dem Restbestände in einen verbilligten Abverkauf gehen. Da die meisten Felder überhaupt kein Verhalten auslösen, ist es vergebliche Mühe, die Semantik des Anbieters zu erraten. Die eigentliche Arbeit besteht darin, sicherzustellen, dass alle im Unternehmen dieselbe Semantik verwenden.

Außerdem hängt die Semantik eines Feldes häufig von der jeweiligen Zeile ab; nicht alle Werte eines Feldes bedeuten dasselbe. Ein Beispiel sahen wir oben bei der „Bestellmenge“, die bei positivem Wert einen Kauf und bei negativem Wert eine Retoure bezeichnet. Allgemeiner hängt die Semantik eines Feldes häufig vom Wert eines anderen oder mehrerer anderer Felder ab. Die Dokumentation kann nicht bloß ein Wörterbuch von Feldern sein; Bedeutung verändert sich mit dem Kontext. Um die zeilenabhängige Semantik zu erfassen, muss sie die betreffende Geschäftslogik abdecken. Auch dies ist eine kostspielige, langwierige Arbeit, die durch die jahrelange Weiterentwicklung des Systems noch erschwert wird.

Letztlich bestimmen diejenigen, die Daten eingeben – Mitarbeiter, Kunden, sogar Lieferanten –, die Bedeutung, was auch immer die Entwickler einst beabsichtigten. Zweckentfremdet beispielsweise der Einkauf ein undurchsichtiges, früher ungenutztes und mit obskuren Incoterms verknüpftes Feld, um die Transportroute eines Lieferanten zu kodieren, dann wird dessen Semantik zur Transportroute und entspricht nicht mehr der ursprünglichen Dokumentation. Ein Feld zweckzuentfremden, ist zwar kaum eine gute Praxis, geschieht aber regelmäßig. Da die Semantik von Feldern selbst unter günstigen Bedingungen schwierig ist, machen Teams zudem echte Fehler und schreiben zahlreichen Feldern Bedeutungen zu, die beinahe, aber eben nicht ganz stimmen.

Die Semantik von Feldern präzise zu bestimmen, ist schwierig; selbst „marktführende“ Systeme erweisen sich erstaunlicherweise und ausnahmslos als undurchsichtig. Diese Arbeit ist keine Pedanterie: Ohne stabile Bedeutungen lassen sich rohe Datensätze nicht in Information umwandeln, die ein Entscheidungssystem nutzen kann. Neben den genannten praktischen Hindernissen bleibt eine weitere Hürde: Wir müssen überprüfen können, ob die von uns zugeschriebenen Bedeutungen tatsächlich richtig sind.

Selbst eine bescheidene Supply-Chain-Initiative erfordert typischerweise die Dokumentation von mindestens hundert Feldern. Je Feld braucht man gewöhnlich eine halbe bis ganze Seite, um die entscheidungsrelevante Semantik festzuhalten: Definition, Einheiten und zulässige Werte, Herkunft und maßgebliche Zuständigkeit, zeilenabhängige Interpretationen, Abhängigkeiten zwischen Feldern und konkrete Beispiele. Diese Notizen sollten sich auf die eigenen Daten des Unternehmens stützen. Einfache Verteilungen, Wertebereiche und Anzahlen bringen häufig das Wesentliche zum Vorschein. Beispielsweise führt ein typischer Verbrauchermarkt in unserem Portfolio mehr als 100.000 SKUs, was Algorithmen ausschließt, deren Aufwand superlinear mit der Artikelzahl wächst. Das semantische Dossier für einen „kleinen“ Umfang umfasst daher leicht hundert Seiten oder mehr. Angesichts dieses Volumens wäre es unvernünftig zu erwarten, dass alles darin sachlich richtig ist. Fehler, von groben Irrtümern bis zu subtilen Missverständnissen, werden die Dokumentation durchziehen. Daher braucht es eine Methode, um die Gültigkeit dieses Wissens zu prüfen und die Fehler auszusortieren.

Zusätzliche Prüfungen, auch durch Fachkollegen, finden selten jeden Fehler. Hat sich ein Missverständnis erst in der Dokumentation verfestigt, braucht es gewöhnlich ein neues Element, um es aufzudecken. Dieses Element muss eine Rückmeldung aus der realen Welt sein, die aus einem Entscheidungsprozess stammt, der unter anderem auf diesem Wissen beruht. Führt fehlerhaftes Wissen zu tragfähigen Entscheidungen, ist der Fehler harmlos und die Frage gegenstandslos. Die Einzelheiten dieser Methodik, der experimentellen Optimierung, werden in einem späteren Kapitel erläutert. Für den Moment genügt es festzuhalten, dass die Gültigkeit der Semantik letztlich auf empirischen Rückmeldungen beruhen muss, die bei der praktischen Anwendung dieses Wissens zur Erzeugung von Entscheidungen entstehen.

5.4.3 Datenkapriolen

Wie alles andere in der Supply Chain richten sich auch Daten nach den Anreizen derjenigen, die sie erzeugen und sammeln. Wie bereits erwähnt weichen diese Anreize häufig von den Interessen des Unternehmens ab. Das führt zu zahlreichen Eigenheiten in den Daten, manche unbedeutend, andere folgenreich.

Betrachten wir ein tatsächliches Missgeschick eines großen Herstellers. Das Unternehmen litt unter chronischen Überbeständen. Ein Blick auf vergangene Bestellungen zeigte regelmäßig überzogene Einkäufe als deren Hauptursache. Um die Situation zu korrigieren, wählte das Management einen neuen Supply-Chain-Anbieter, der die Wiederauffüllung vollständig automatisieren und die gut gemeinten, aber fehlgeleiteten Ermessensentscheidungen des Einkaufsteams ausschalten sollte. Tests vor dem Produktivstart zeigten, dass die übermäßigen Bestellungen verschwanden. Bei einem starken, unerwarteten Nachfragerückgang konnten weiterhin Überbestände entstehen, doch sofortige Überbestände ohne größere Marktbewegungen waren beseitigt. Die Lösung wirkte vielversprechend.

Zwei Monate nach dem Produktivstart gab es jedoch weiterhin übermäßige Nachbestellungen. Das Ergebnis war rätselhaft: Die Bestellungen hatten keine Ähnlichkeit mit den Ausgaben des Rezepts.

Eine genauere Untersuchung ließ eine banale Ursache vermuten: Bestellungen wurden noch immer von Hand in das ERP eingegeben, weil die bidirektionale Integration verschoben worden war; das IT-Team war überlastet. Die Extraktion historischer Daten aus dem ERP, einem ehrwürdigen vier Jahrzehnte alten System, war automatisiert, das Zurückschreiben neuer Bestellungen hingegen nicht. Das Entscheidungssystem erzeugte Bestellungen ohne menschliches Eingreifen; Sachbearbeiter tippten sie dann täglich erneut in das ERP ein. Dieser verbliebene manuelle Zwischenschritt wurde zu unserem Hauptverdächtigen.

Nach Tagen sorgfältiger Prüfung wurde jedoch klar, dass es zwar eine manuelle Dateneingabe gab, dieser Schritt aber äußerst gewissenhaft ausgeführt wurde und die Mitarbeiter die Mengen unter keinen Umständen absichtlich veränderten. Damit geriet erneut die neue Lösung unter Hauptverdacht. Eine Prüfung der Protokolle zeigte jedoch schnell, dass sie diese übermäßigen Bestellungen niemals erzeugt hatte. Datumsangaben und Produkte stimmten überein, Mengen nicht. Die Verwirrung wuchs: Tag für Tag entsprachen die am Vortag in das ERP eingegebenen Bestellungen exakt den Ausgaben der Lösung. Doch Tage oder sogar Wochen später schnellten manche Nachbestellmengen plötzlich hoch, und die nächste Bestandsprüfung bestätigte den Überschuss.

Die Nachbestellungen schienen ohne Rhythmus oder erkennbaren Grund spontan anzuschwellen. Deshalb untersuchte das Team des Anbieters diese Vorfälle genauer. Ein überraschendes Muster trat hervor: Die Sprünge betrafen vor allem Bestellungen, die gegen Quartalsende aufgegeben worden waren. Da die Lieferzeiten je Produkt variierten, verteilten sich die Überbestandsereignisse recht gleichmäßig, was das Muster verdeckt hatte. Das Kalendermuster war eindeutig menschlichen Ursprungs, doch die handelnden Personen blieben ein Rätsel.

Wochenlange Nachforschungen führten die Teams des Anbieters zu den Wareneingangsrampen, an denen die Waren aus den von Lieferanten gecharterten Lastwagen entladen wurden. Die Wareneingangsteams führten mehrere Qualitätssicherungsschritte durch. Einer davon bestand darin, die Einheiten zu zählen und sicherzustellen, dass ihre Zahl der bestellten Menge entsprach. Bei einer Abweichung bot das ERP wenig Möglichkeiten, diesen Sonderfall zu behandeln. Tatsächlich bestand die einzige offiziell unterstützte Vorgehensweise darin, die Lieferung als nicht konform zu erklären und vollständig zurückzusenden. Die Wareneingangsteams hatten jedoch gelernt, dass dies unweigerlich den Zorn der Produktion hervorrief. Waren Güter bestellt worden, wurden sie benötigt; ohne sie kam die Produktion zum Stillstand, was die Kollegen wütend machte.

Um damit umzugehen, hatten die Wareneingangsteams vor Jahrzehnten eine Hintertür in das ERP eingerichtet. Damit eine Lieferung nicht wegen einer einzigen abweichenden Einheit zurückgeschickt werden musste, passte das Team über diese Funktion die Bestellmenge an die eingegangene Menge an. Anschließend erhielt der Lieferant den angepassten Betrag, der dem tatsächlichen Wareneingang entsprach. Jahrelang funktionierte diese Anordnung, bis die Hintertür praktisch allen außer dem Wareneingangsteam in Vergessenheit geraten war.

Mit der Zeit bemerkten einige Lieferanten, dass kleine Überlieferungen ohne auch nur einen Anruf akzeptiert wurden. Das war ungewöhnlich: Kunden schickten überschüssige Einheiten normalerweise zurück oder beschwerten sich zumindest lautstark. Einige Lieferanten begannen, diesen Ablauf auszunutzen. Wenn sie gegen Quartalsende hinter ihren Zielen lagen, verwendeten sie den Hersteller als Ausgleichsposten. Zunächst blähten sie die Bestellungen nur geringfügig auf, doch das Schweigen des Herstellers ermutigte sie bald dazu, wesentlich größere Mengen zu liefern.

Sobald das Muster verstanden war, ließen sich die Lieferanten, die den Ablauf ausnutzten, leicht identifizieren. Eine Reihe von Anrufen bei den wenigen überführten Lieferanten beendete die explosionsartigen Sprünge über Nacht.

Obwohl das Muster rätselhaft war und der Supply-Chain-Leistung offensichtlich schadete, waren die Daten überraschenderweise grundsätzlich richtig. Die bestellten Mengen waren real und korrekt, wie der physisch vorhandene Bestand eindeutig belegte. Der Fehler lag in der tatsächlich geltenden Wiederauffüllungsregel: Die Lieferanten durften entscheiden, was immer sie wollten. Das hatte der Hersteller nie vorgesehen.

Datenkapriolen sind nicht immer so verwickelt wie dieses Beispiel. Unbeabsichtigte Fehlanreize entstehen jedoch regelmäßig in jeder größeren Supply Chain und führen zu allen möglichen Merkwürdigkeiten in den Daten. Wir haben bereits einen verbreiteten Irrtum in Supply-Chain-Kreisen angesprochen: Datenprobleme als Angelegenheiten zu behandeln, die man IT-Spezialisten überlassen sollte. Das obige Beispiel zeigt deutlich, warum dieser Ansatz gewöhnlich scheitert. Supply-Chain-Daten zu verstehen, ist in erster Linie Sache von Supply-Chain-Spezialisten.

5.4.4 Schatten-IT

In Organisationen bezeichnet Schatten-IT die Systeme einzelner Abteilungen, die ohne Aufsicht der zentralen IT betrieben werden und von deren Existenz das zentrale IT-Team möglicherweise nicht einmal weiß.⁴⁹ Schatten-IT gibt es in praktisch jedem großen Unternehmen, wenn auch in sehr unterschiedlichem Ausmaß. Aus Supply-Chain-Sicht handelt es sich überwiegend um lose Erfassungs- und Berichtssysteme, häufig um eine Mischung aus beidem. Schatten-IT ist für die Supply Chain wichtig, weil ihr Erfassungsteil oft wertvolle Daten enthält. Beispielsweise fehlen in ERP-Systemen häufig bestimmte Bestellrestriktionen, die für einzelne Lieferanten gelten. Um eine gültige Nachbestellung zusammenzustellen, stützt sich der Praktiker daher auf sein eigenes Schattensystem mit einer vollständigen Übersicht der einschlägigen Restriktionen.

Tabellenkalkulationen sind mit Abstand die verbreitetste Technologie der Schatten-IT. Jeder Arbeitsablauf, bei dem Mitarbeiter mit einer gemeinsam genutzten Tabelle arbeiten, gehört fast mit Sicherheit zur Schatten-IT. Die IT weiß, dass Tabellenkalkulationen verwendet werden, und die Software selbst ist genehmigt. Ein auf Tabellenkalkulationen beruhendes Erfassungssystem besitzt jedoch nicht das, was die IT von jedem beaufsichtigten System erwarten sollte: Versionierung, Backups, Prüfpfade, fein abgestufte Berechtigungen und so weiter.

Neben Tabellenkalkulationen werden auch einfache Datenbanken⁵⁰ häufig in der Schatten-IT eingesetzt. Sie erlauben ausgereiftere Erfassungssysteme, die ein Mindestmaß an Korrektheit auf Typebene erzwingen, etwa dass ein Wert eine Zahl oder ein Datum ist. Doch wie bei Tabellenkalkulationen fehlen ihnen die begleitenden Prozesse, die langfristige Wartbarkeit gewährleisten: Versionierung, Backups und Ähnliches.

Der Antrieb hinter Schatten-IT ist einfach: Die zentrale IT ist für Monate, manchmal Jahre, überlastet; deshalb bauen die Fachabteilungen selbst, worauf sie nicht warten können. Das Paradoxe ist, dass Schatten-IT selten aus übermäßigem Softwareeifer entsteht, sondern aus zu wenig Softwarekultur. Software berührt inzwischen fast jeden Arbeitsablauf. Die meisten Probleme einzelner Abteilungen sind daher zum Teil Softwareprobleme. Erwartet die Organisation, dass eine einzige zentrale IT-Gruppe sie alle löst, ist Überlastung garantiert.

Das kulturelle Defizit vergrößert den Rückstand. Außerhalb der IT fehlt Teams häufig das Vokabular, um Anforderungen zu formulieren, sie wirtschaftlich zu priorisieren oder den Entwicklungsaufwand abzuschätzen. Lieblingsprojekte werden als „Quick Wins“ angepriesen, wesentliche Bedürfnisse wegen ihrer unspektakulären Erscheinung verschoben, und Tickets kommen als Lösungen an – „ein Feld hinzufügen“ – statt als Probleme – „wir müssen die doppelte Abrechnung von Retouren verhindern“. Die zentrale IT, bedrängt von schlecht formulierten Anfragen, wirkt untätig; Fachabteilungen, die Ergebnisse liefern müssen, greifen zu Tabellenkalkulationen und Ad-hoc-Datenbanken. Reibung wird zum Normalfall, und auf beiden Seiten sinkt die Produktivität.

Auch die zentrale IT steckt in einer Zwickmühle: Mitarbeiter offenbaren verständlicherweise nur ungern das ganze Ausmaß ihrer Schatteninitiativen. Diese laufen häufig mit stillschweigender Zustimmung des Managements und verstoßen eindeutig gegen IT-Richtlinien. Dadurch erfahren ausgerechnet diejenigen, die diese Werkzeuge in geordnete Bahnen lenken könnten, erst von ihnen, wenn etwas schiefgeht. Von der zentralen IT zu erwarten, sie solle „die Daten liefern“, ist daher unrealistisch; ein großer Teil bleibt ihr strukturell verborgen.

Der Ausweg ist klar, wenn auch nicht einfach: die Erfassungssysteme der Schatten-IT eines nach dem anderen durch kleine, wartbare CRUD-Anwendungen ersetzen. Zuerst die Geschäftsbücher, später die Berichte. Aufzeichnungen können verloren gehen; Berichte lassen sich neu berechnen, sobald die zugrunde liegenden Tabellen verlässlich sind. Konkret: die produktiv genutzte Tabelle oder Desktop-Datenbank schreibgeschützt einfrieren, ein minimales Schema entwerfen, das den tatsächlichen Arbeitsablauf widerspiegelt, einen eng umrissenen CRUD-Dienst mit Versionierung, Backups, Prüfprotokollen und Berechtigungen bereitstellen, die bisherigen Daten übernehmen, die Benutzer umleiten und die alte Datei stilllegen. Dann wiederholen. Sobald die Daten in einem produktionsreifen Speicher liegen, lassen sich die umgebenden Berichte schnell und kostengünstig neu schreiben.

Supply-Chain-Spezialisten müssen diese Bereinigung verantworten. Software ist eine Hilfswissenschaft der Praxis und keine Aufgabe, die man auslagert. Die zentrale IT sollte die Leitplanken bereitstellen – Laufzeitumgebung, Sicherheit, Backups –, doch Umfang, Reihenfolge und Semantik müssen von denjenigen bestimmt werden, die den Güterfluss verstehen.

5.4.5 Abgeleitete Daten

Unternehmenssysteme speichern mehr als Fakten. Neben Aufzeichnungen über Ereignisse – Verkäufe, Wareneingänge, Bestandszählungen, Preisvereinbarungen, kalendarische Restriktionen – liegen große Mengen dessen, was ich abgeleitete Daten nennen werde: aus anderen Aufzeichnungen erzeugte Zahlen wie Aggregationen, Prognosen, optimale Bestellmengen (EOQs), Sicherheitsbestände, Klassifikationsmerkmale und Ähnliches. Abgeleitete Daten fügen keine neue Information hinzu; sie drücken lediglich neu aus, was bereits im Geschäftsbuch steht. Ein Anfänger erwartet, dass jede Tabelle und jedes Feld „neue“ Daten enthält; in der Praxis besteht die Mehrzahl der Tabellen einer ausgereiften Anwendung aus Artefakten. Zur Klarstellung bezeichnen Faktendaten die ursprünglichen Aufzeichnungen über den Güterfluss und abgeleitete Daten alles, was daraus berechnet wird.

Nicht alle abgeleiteten Daten sind gleich. Eine Klasse ist sachlich begründet: Arbeits- oder temporäre Tabellen – materialisierte Sichten, Caches, denormalisierte Zusammenfassungen –, die aus Leistungsgründen oder zur betrieblichen Vereinfachung eingeführt wurden. Sie sollen das System reaktionsschnell halten und sind entbehrlich, weil sie jederzeit aus den Faktendaten neu berechnet werden können. Die andere Klasse ist epistemischer Zierrat: in Geschäftsbüchern gespeicherte Planungsartefakte wie Prognosen, EOQs, „Servicegrade“, ABC-Kennzeichnungen und so weiter. Auch diese Tabellen enthalten keine neue Information; sie frieren lediglich die Ausgabe eines Rezepts ein. Mit Aufzeichnungen vermischt verwischen sie Verantwortlichkeiten, vervielfachen Widersprüche und führen später Berichts- und Intelligenzsysteme in die Irre.

Nachfrageprognosen sind ein klassisches Beispiel solcher Artefakte. Allgemeiner sind fast alle in Unternehmen vorgehaltenen Planungsdaten nichts anderes als abgeleitete Daten. Leider halten viele Praktiker diese Artefakte für Trittsteine auf dem Weg zu einem Intelligenzsystem; in der Praxis sind es Landminen.

Bevor wir untersuchen, warum Planungsartefakte irreführen, wollen wir eine harmlose Unterklasse abgeleiteter Daten abhaken. Entwickler führen häufig „Arbeits-“ oder temporäre Tabellen ein – materialisierte Sichten, denormalisierte Zusammenfassungen, Staging-Bereiche –, allein um CRUD-Geschäftsbücher reaktionsschnell zu halten oder aufwendige Logik zu zerlegen. Diese Tabellen sind Hilfsmittel, kein Wissen; sie enthalten keine Information über die zugrunde liegenden Fakten hinaus und können nach Belieben neu berechnet werden. Für die Entscheidungsfindung sollten Praktiker sie weitgehend ignorieren.

Fehlgeleitete Praktiker fühlen sich ganz natürlich von Artefakten wie Absatzprognosen, optimalen Bestellmengen, Sicherheitsbeständen und Servicegraden angezogen, weil diese Aggregate „verdaulich“ wirken. Sie verdichten Tausende von Ereignissen auf Zeilenebene zu einer Handvoll Zahlen. Eine wöchentliche Verkaufssumme scheint wesentlich handlungsrelevanter als eine Seite von Transaktionen; die Informationsdichte für den menschlichen Leser ist daher hoch. Diese Bequemlichkeit darf jedoch nicht mit Neuheit verwechselt werden: Die Zahlen enthalten genau das, was die zugrunde liegenden Fakten bereits implizierten, und nichts darüber hinaus. Solche Zusammenfassungen als primäre Eingaben für ein Entscheidungssystem zu behandeln, verwechselt leichte Verdaulichkeit mit zusätzlicher Information und verrät ein Missverständnis der eigentlichen Aufgabe.

Erstens enthalten abgeleitete Daten keine neue Information. Sie sind deterministische Funktionen der Faktendaten. Solange sich die zugrunde liegenden Fakten exportieren lassen, kann jede Prognose, jede EOQ, jeder „Servicegrad“ und jede ABC-Kennzeichnung außerhalb des ursprünglichen Systems neu berechnet werden. Zudem stehen CRUD-Geschäftsbücher aufwendigen Berechnungen kulturell und technisch entgegen. Anspruchsvolle Analytik gehört in dafür gebaute Umgebungen; diese Zahlen außerhalb einer CRUD-Umgebung neu zu berechnen, ist sowohl einfacher als auch verlässlicher, als das Geschäftsbuch für die Rechenarbeit zurechtzubiegen.⁵¹

Anders ausgedrückt, und um die Diskussion wieder mit Information zu verbinden: Abgeleitete Daten enthalten null neue Bits. Sie sind deterministische Funktionen der Faktendaten des Unternehmens, bestenfalls verlustbehaftete Verdichtungen, die für menschliche Leser bequem sind. Wer solche Artefakte als primäre Eingaben behandelt, vermengt Darstellung mit Wissen: Jede Unsicherheit, die sie scheinbar auflösen, wurde bereits durch die zugrunde liegenden Aufzeichnungen aufgelöst, nicht mehr und nicht weniger.

Warum wimmelt es in Geschäftsbüchern dann von diesen Tabellen? CRUD-Systeme sind dafür gebaut, Arbeitsabläufe reaktionsschnell und prüfbar zu halten, nicht aufwendige Optimierung durchzuführen. Deshalb materialisieren Anbieter Zwischenberechnungen wie Prognosen, EOQs, Sicherheitsbestände und ABC-Kennzeichnungen, damit die Masken schnell laden und das Geschäftsbuch sich als „Planung“ ausgeben kann. Diese Vorberechnung verbreitet sich, weil sie günstig zu speichern und leicht vorzuführen ist, nicht weil sie Information hinzufügt.

Zweitens ist der Umgang mit diesen Artefakten erheblich schwieriger als die Arbeit mit primären Faktendaten, häufig um eine Größenordnung oder mehr. Ereignisse im Güterfluss sind durch die Physik begrenzt; Artefakte lediglich durch den praktisch im Überfluss vorhandenen Speicher. In Softwareprodukten, die Geschäftsbücher, Berichterstattung und „Planung“ vermengen, vermehren sich abgeleitete Artefakte, bis sie das Schema dominieren. Nicht selten gibt es zehnmal so viele abgeleitete Tabellen wie Faktentabellen. Die Folge ist vorhersehbar: mehr Volumen, das bewegt, abgeglichen und verwaltet werden muss, bei geringem oder völlig ausbleibendem Informationsgewinn.

Drittens spiegeln die in CRUD-Anwendungen eingebetteten analytischen Artefakte, abgesehen von rein operativen Caches und materialisierten Sichten, fast immer naive, überholte Ansätze wider, die in moderner Praxis nichts zu suchen haben. Das ist kein Zufall, sondern eine Folge der CRUD-Entwicklungskultur: Geschäftsbücher sollen Arbeitsabläufe auf relationalen Datenbanken reaktionsschnell und prüfbar halten. Deshalb neigen Anbieter zu Rezepten, die sich (a) in SQL ausdrücken, (b) günstig vorberechnen und (c) leicht vorführen lassen. Prognosetabellen, optimale Bestellmengen, „Servicegrade“ und ABC-Kennzeichnungen erfüllen alle drei Kriterien; die Bewertung von Optionalität, die SKU-übergreifende Kapitalabwägung oder risikoangepasste Portfolioentscheidungen tun dies nicht. Das Ergebnis ist eine stetige Ansammlung fragiler Zahlen, die vereinfachende Annahmen im Geschäftsbuch festschreiben, Verantwortlichkeiten verwischen – welche Zahl ist maßgeblich: das Artefakt oder die Fakten, aus denen es entstand? – und nachgelagerte Vorhaben irreführen, indem sie Bequemlichkeit als Wissen ausgeben. Hätten die Autoren wirtschaftlich fundierte Entscheidungen statt schneller Masken und Verkaufsunterlagen angestrebt, wären diese Artefakte von Anfang an niemals in das Erfassungssystem gemischt worden.

Nicht jede Aussage über die Zukunft ist ein abgeleitetes Datum. Manche auf die Zukunft datierten Einträge sind selbst Fakten: Entscheidungen oder Zusagen, die das Unternehmen oder seine Partner binden. Hat die Marketingabteilung beispielsweise formell ein Budget für eine Werbekampagne genehmigt, die Anfang des nächsten Jahres beginnt, einschließlich Zeitplan, regionaler Aufteilung und Zuteilung auf Kanäle, dann wird dieser Eintrag nicht aus anderen Aufzeichnungen berechnet. Er ist eine neue Restriktion, die Zahlungsströme und Kapazitäten verändert, unabhängig davon, wie sich die Nachfrage später entwickelt. Dasselbe gilt für bereits mit einem Lieferanten vereinbarte Preisänderungen mit festem Wirksamkeitsdatum, geplante Geschäftseröffnungen oder -schließungen mit verbindlichen Terminen oder eine regulatorische Änderung mit feststehendem Inkrafttreten. Solche Einträge sollten als Fakten erfasst werden, mit klarer Herkunft, Gültigkeitszeiträumen, Geltungsbereich und Widerrufsregeln.

Allgemeiner spiegelt die Gewohnheit, abgeleitete Artefakte als Eingaben für ein Intelligenzsystem zu behandeln, eine planungszentrierte Weltsicht wider, die Planung auf ein Podest hebt. Doch Planung und die von ihr erzeugten Artefakte sind in der Supply Chain zweitrangig. Entscheidend sind die umgesetzten Entscheidungen, die knappe Ressourcen binden. Zwischenberechnungen wie Zeitreihenprognosen verdienen nicht denselben Rang, besonders wenn sie weit entfernte Entscheidungen wie die Wiederauffüllung der nächsten Saison unterstützen: Sie sind vorläufig und werden mehrfach überarbeitet, bevor sich Geld oder Atome bewegen.

Intelligenzsysteme existieren, um Entscheidungen auszugeben – Bestellungen, Zuteilungen, Preise, Zeitpläne –, die knappe Ressourcen binden. Während es den Optionenraum untersucht, erzeugt das Berechnungssystem eine Spur von Zwischenberechnungen: Bewertungen, Simulationen, Szenarioprotokolle, vorläufige Prognosen. Dies sind abgeleitete Daten: Sie enthalten keine neue Information über Eingaben und Code hinaus. Sie sind für Prüfbarkeit und Diagnose nützlich, aber vorübergehende technische Nebenprodukte, keine Stammdaten. Die einzigen dauerhaften Ausgaben sind die Entscheidungen selbst, die über eine eng begrenzte Schnittstelle in das Erfassungssystem zurückgeschrieben werden müssen. Diese Einträge sind keine „Artefakte“, sondern neue Fakten: Verpflichtungen, die das Unternehmen ausführen wird und die sich später in Wareneingängen, Bewegungen und Verkäufen verwirklichen.

Ein Intelligenzsystem sollte daher maßgebliche Fakten aus Erfassungssystemen verarbeiten, gegebenenfalls ergänzt um wenige externe Datenströme mit klarer Herkunft, und nicht die in Geschäftsbüchern oder Berichtswerkzeugen eingefrorenen Artefakte. Wird eine Zusammenfassung benötigt, sollte sie im Berechnungssystem aus den zugrunde liegenden Fakten neu berechnet werden. Vorberechnete Artefakte zu übernehmen, importiert lediglich die Annahmen anderer und deren Informationsverlust.

5.4.6 Externe Daten

Mit externen Daten meinen wir Signale, die nicht aus den eigenen Erfassungssystemen des Unternehmens stammen und sich daraus nicht rekonstruieren lassen. Sie müssen von außen beschafft werden: von öffentlichen Websites, offiziellen Veröffentlichungen, Sensordatenströmen Dritter oder kommerziellen Datenhändlern. Lassen sich die Bytes allein aus internen Geschäftsbüchern ableiten, sind sie nicht extern, sondern interne oder abgeleitete Daten. Externe Daten zu nutzen, kann Wert schaffen, doch die Kosten für Beschaffung, Bereinigung und Pflege sind hoch und zehren häufig an der Rendite. Als Faustregel sollte zuerst der wirtschaftliche Wert interner Daten ausgeschöpft werden. Wiederkehrende Ausnahmen sind die veröffentlichten Preise von Wettbewerbern und einige sorgfältig kuratierte branchenspezifische Datensätze.

Das größte Hindernis bei externen Daten sind die Kosten ihrer Beschaffung, Bereinigung und laufenden Aktualisierung. Anders als die eigenen Geschäftsbücher des Unternehmens sind externe Datenströme unregelmäßig, nur teilweise strukturiert und selten auf interne Schemata oder Aktualisierungszyklen abgestimmt. Interne Aufzeichnungen wachsen meist mit dem Unternehmen, externe Quellen dagegen nicht. Wenn externe Daten sich lohnen, gehören sie gewöhnlich zu drei wiederkehrenden Gruppen: (1) Wettbewerbsbeobachtung – veröffentlichte Preise, Sortimente und Konditionen von Konkurrenten –, die unmittelbar die Nachfrage beeinflussen und die Preisgestaltung begrenzen; (2) Wetterbeobachtungen und kurzfristige Prognosen, die kurzfristige Zuteilungen und Zeitpläne unterstützen können; und (3) Datenspuren aus sozialen Medien, theoretisch attraktiv, praktisch aber meist wenig lohnend.

Jede Gruppe bringt eigene Schwierigkeiten mit sich: bei Wettbewerbsdaten die Zuordnung und Normalisierung von Artikeln zwischen Katalogen; beim Wetter örtlicher Bezug, begrenzte Prognosehorizonte und große Volumina; bei sozialen Medien Rauschen, Manipulation und schwache Kausalzusammenhänge. Die nächsten Unterabschnitte behandeln sie in dieser Reihenfolge, beginnend mit der Wettbewerbsbeobachtung.

5.4.6.1 Wettbewerbsbeobachtung

Wettbewerbsbeobachtung im Supply-Chain-Sinn bedeutet, öffentliche Signale der Konkurrenz zu sammeln – veröffentlichte Preise, Sortimente mit Modellen und Farben sowie Konditionen wie Garantien und Lieferzusagen – und sie in die eigenen Entscheidungen einzubeziehen. Es handelt sich vor allem um ein Problem externer Daten: Diese Signale stehen nicht in unseren Geschäftsbüchern; sie müssen beschafft, unserem Katalog zugeordnet, bereinigt und aktuell gehalten werden.

Wirtschaftlich ist der Zusammenhang unmittelbar: Der Preis rationiert knappe Güter und koordiniert die Substitution. Kleine Preisbewegungen, unsere eigenen oder die eines Konkurrenten, verändern sowohl das Gesamtvolumen als auch den Marktanteil, manchmal abrupt, sobald Gegenmaßnahmen einsetzen. Um Kapital und Bestand rational zuzuteilen, muss die Supply Chain daher Preise, Sortimente und Konditionen der Konkurrenz verfolgen und diese Signale in ihre Entscheidungen einfließen lassen.

Vor den späten 1990er-Jahren war das Sammeln veröffentlichter Konkurrenzpreise mühsame Büroarbeit. Mit der Verbreitung des E-Commerce in den 2000er-Jahren wurden Preise auf öffentlichen Websites leicht zugänglich. Selbst Preise gewerblicher Güter, die früher hinter Angebotsanfragen verborgen blieben, treten inzwischen zutage, denn schon ein einziger Wiederverkäufer kann sie veröffentlichen. Daher entstand in den 2000er-Jahren eine kleine Branche von Web-Scraping-Spezialisten und Werkzeugen, die unordentliche Seiten auslesen und dabei menschliche Besucher imitieren⁵².

Heute können Unternehmen kostengünstig umfangreiche, mehrmals täglich aktualisierte Datensätze kaufen, die die Sortimente ihrer Wettbewerber abbilden. Die Nutzung bleibt arbeitsintensiv; mehrere Hürden bestehen fort.

Daten aus der Wettbewerbsbeobachtung sind wesentlich stärker verrauscht als die internen Aufzeichnungen des Unternehmens. Web-Scraper stützen sich auf zahlreiche Heuristiken, die gelegentlich einen Wert falsch lesen⁵³. Selbst bei hoher Gesamtqualität müssen falsche Werte weiterhin erkannt und unschädlich gemacht werden.

Auf den meisten Märkten lässt sich unser Katalog nicht 1-zu-1 auf den eines Konkurrenten abbilden. Selbst wenn ein Wettbewerber den „gleichen“ Artikel verkauft, unterscheiden sich seine SKU, Packungsgröße, Farbauswahl oder mitgeliefertes Zubehör. Die Zuordnung ist daher ein Matching-Problem, kein bloßes Nachschlagen. Ein praktikabler Ansatz umfasst drei Schritte: (1) Kandidatenpaare anhand kostengünstiger Signale erzeugen, etwa gemeinsamer Herstellerreferenzen, GTIN/EAN/UPC, normalisierter Titel, wesentlicher Attribute wie Größe, Volumen oder Nennleistung sowie, sofern vorhanden, Bild-Embeddings; (2) jeden Kandidaten mit mehreren unabhängigen Tests bewerten – Textähnlichkeit, Attributkompatibilität, stimmiger Preis je Einheit sowie Regeln für Bündel und Varianten –, um einen Konfidenzwert zu erhalten; (3) den vollständigen Zuordnungsgraphen mit Eins-zu-viele- und Viele-zu-eins-Beziehungen samt Zeitstempeln aufbewahren, statt nur einer einzelnen „besten“ Verknüpfung. Sortimente verändern sich, und die richtige Zuordnung kann mit der Zeit wechseln. Moderne Sprach- und Bildmodelle erleichtern Schritt (1), machen die Schritte (2) und (3) aber nicht überflüssig. Ohne eine prüfbare Zuordnungsschicht mit versionierten Regeln und Konfidenzschwellen werden nachgelagerte Preisvergleiche numerisch präzise und wirtschaftlich falsch sein.

Nicht nur das Datenvolumen ist wichtig, sondern auch dauerhafte Speicherung und Herkunft. Wettbewerbsdatenströme sind nicht „eine Zeile je SKU, Konkurrent und Tag“. Um Prüfbarkeit und wirtschaftlichen Nutzen zu erhalten, muss das Unternehmen Folgendes aufbewahren: (i) jede rohe Beobachtung mit zeitgestempelter URL, Seiten- oder API-Momentaufnahme und verwendeter Parser-Version; (ii) den vollständigen Zuordnungsgraphen mit Bewertungen je Kante und zeitgestempelten Regelversionen; (iii) Normalisierungsregeln und Einheitenumrechnungen in ihrer damaligen Form; (iv) jede erkannte Änderung an Preis, Verfügbarkeit, Variantenangebot oder Bündelzusammensetzung. Preise können sich mehrmals täglich ändern; Marktplätze zeigen mehrere verkäuferspezifische Angebote; Varianten und Zubehör erscheinen und verschwinden. Diese Volatilität auf einen einzigen „Tagespreis“ zu reduzieren, verwirft genau das Signal, das wir für Zuteilung und Preisgestaltung brauchen.

In der Praxis umfasst der Wettbewerbsdatenbestand häufig 10–100 \(\times\) so viele Zeilen wie das eigene Transaktionsprotokoll des Unternehmens und ein noch weit größeres Bytevolumen, wenn rohe HTML-/JSON-Momentaufnahmen zur Nachvollziehbarkeit archiviert werden.⁵⁴ Moderne Hardware bewältigt dieses Volumen; die eigentlichen Kosten liegen in der Infrastruktur: Importpipelines, die Änderungen an Websites verkraften, Anomaliedetektoren zur Neutralisierung von Scraper-Fehlern, regelmäßige Neuzuordnungen bei veränderten Sortimenten und Qualitätssicherungskennzeichnungen, die zweifelhafte Beobachtungen isolieren, ohne den Datenstrom anzuhalten. Vernachlässigt man eines davon, ist der Datensatz zahlenreich, aber erkenntnisarm.

Insgesamt ist Wettbewerbsbeobachtung bedeutsam und erschwinglich genug, um in die meisten Supply Chains einbezogen zu werden. Kann ein Projekt jedoch ohne Wettbewerbsdaten starten, sollte dieser Datenstrom später ergänzt werden, sobald das zentrale Rezept produktiv läuft.

5.4.6.2 Wetterdaten

Viele Kategorien – Bekleidung, Getränke, Haus und Garten, Autozubehör – sind wetterabhängig. Weil das Wetter die Nachfrage bewegt, ist es verlockend, die Supply Chain von Prognosen steuern zu lassen. Die richtige Frage lautet jedoch nicht, ob Wetterdaten genutzt werden sollten, sondern wann sie tatsächlich zu einer Entscheidung beitragen. Zwei praktische Achsen sind ausschlaggebend: der Entscheidungshorizont in Stunden, Tagen oder Wochen und die räumliche Granularität, auf der das Unternehmen handelt – Geschäft, Stadt oder Region. Eine Prognose enthält nur dann nützliche Information, wenn ihr Horizont und ihr örtlicher Bezug zur Entscheidung passen. In der Praxis begrenzen zwei harte Restriktionen den Ertrag wettergestützter Entscheidungen.

Horizont: Jenseits von ungefähr zehn Tagen nähern sich moderne Prognosen wieder den saisonalen Durchschnittswerten an. Von den empirischen Regeln des frühen 20. Jahrhunderts bis zu heutigen hochauflösenden Satellitenbildern haben stetige Fortschritte die Prognosen verbessert; dennoch bleiben sie entschieden kurzfristiger Natur. Entscheidungen mit mehr als zehn Tagen Vorlauf werden durch Wetterdatenströme daher nicht besser informiert als durch einfache, anhand der eigenen Historie gemessene Saisonalität.

Örtlicher Bezug: Wetter ist ausgesprochen lokal. Die Bedingungen können zwischen Orten, die nur wenige Kilometer oder sogar nur wenige Stunden voneinander entfernt sind, stark abweichen, während große Unternehmen auf Hunderttausenden oder sogar Millionen von Quadratkilometern verkaufen und tätig sind. Ein Wettersignal hilft nur, wenn es auf derselben räumlichen Granularität verfügbar ist, auf der wir handeln können – Geschäft, Route, Stadt oder Region –, unseren Anlagen und Kunden zugeordnet wurde und innerhalb der relevanten Lieferzeit liegt. Diese Übereinstimmung erfordert hochauflösende Raster und dichte historische Reanalysen, um den statistischen Zusammenhang zwischen Wetter und Nachfrage zu kalibrieren. Die nächsten zehn Tage und mehrere Jahre Historie abzudecken, ergibt rasch Datensätze von mehreren zehn Gigabyte, häufig eine Größenordnung größer als das eigene Transaktionsprotokoll des Unternehmens. Moderne Hardware bewältigt dieses Volumen, doch die technische Anbindung ist nicht trivial. Werden Entscheidungen auf einer gröberen Ebene getroffen, etwa regionale Zuteilungen, mitteln sich kleinräumige Signale weitgehend heraus und der Ertrag schrumpft.

Außerdem ist Wetter kein eindimensionales Phänomen. Typische Parameter sind Temperatur, Luftfeuchtigkeit, Windgeschwindigkeit und -richtung, Niederschlag, Luftdruck, Sichtweite und Bewölkung. Je nach Gütern erweisen sich manche Parameter als irrelevant; sie zu identifizieren, erfordert dennoch Arbeit. Bei der Stromnachfrage genügt oft die Temperatur, während andere Produkte von einer anderen Mischung von Wetterfaktoren abhängen.

Schließlich können asymmetrische Risiken einer bestimmten Supply-Chain-Entscheidung den Nutzen wetterangereicherter Prognosen zunichtemachen. Betrachten wir Damenrasierer. In westlichen Ländern weisen diese Produkte eine ausgeprägte Quasi-Saisonalität auf: Die Nachfrage schnellt in der Woche unmittelbar vor dem ersten heißen Frühlingswochenende hoch. Im übrigen Jahr bleibt sie dagegen niedrig. Für ein Geschäft mit breitem Warensortiment ist es klüger, auf eine Just-in-time-Wiederauffüllung in letzter Minute zu verzichten, sobald ein heißes Wochenende absehbar wird. Ist die Prognose falsch, erfolgt die Wiederauffüllung zu spät und das Geschäft verpasst seine einmalige jährliche Gelegenheit, diese Produkte zu verkaufen. Eine tragfähige, risikoangepasste Entscheidung besteht darin, bereits im frühen Frühjahr aufzufüllen. Ein erstes heißes Frühlingswochenende wird es fast sicher geben; ungewiss ist sein genaues Datum. Eine Packung kleiner, unverderblicher Produkte einige zusätzliche Wochen im Regal zu halten, ist wesentlich billiger, als den Nachfragesprung wegen einer schlechten Prognose zu verpassen.

Wetter hilft nur dort, wo sein Signal die beiden bereits genannten harten Grenzen übersteht: Horizont – ungefähr zehn Tage – und örtlicher Bezug – die Einheit, auf der das Unternehmen handeln kann. Außerhalb dieses Fensters dominieren die physikalischen Grenzen der Prognose und die Kosten der technischen Anbindung, während saisonale Muster und risikoangepasste Entscheidungsregeln stärker ins Gewicht fallen. Werkzeuge mögen diese Schwierigkeiten später abmildern; vorerst ist Wetter jedoch eine Ergänzung und kein Fundament der Planung.

5.4.6.3 Daten aus sozialen Medien

In den 2010er-Jahren faszinierten Daten aus sozialen Medien Führungskräfte stärker als jede andere externe Quelle. Als Millionen von Verbrauchern begannen, dort Wünsche und Meinungen zu äußern, schien ein Unternehmen, das sein Angebot anhand dieser Informationen laufend verfeinerte, seine Konkurrenten übertreffen zu können. Statt sich auf Verkaufsdaten zu stützen, die mit wochenlanger Verzögerung sichtbar wurden, hoffte man, die Marktstimmung in Echtzeit zu erfassen. Zudem sollten soziale Medien Informationen jenseits des aktuellen Unternehmensangebots enthalten und damit Hinweise für die Einführung neuer Produkte liefern.

Doch Daten aus sozialen Medien brachten nie die von den Anbietern versprochenen Reichtümer; die erwarteten Vorteile blieben aus. Diese Daten sind ausgesprochen schwer zu nutzen, weil sie extrem und häufig böswillig verrauscht sind. Sockenpuppenkonten sind allgegenwärtig; echte Benutzer trollen oder manipulieren; der Einfluss von Influencern wächst und schwindet. Aufgeblähte Reichweitenzahlen, ob Aufrufe oder Abonnenten, sind alltäglich. Plattformen haben wenig Anreiz, den Verkehr von Klickfarmen⁵⁵ zu beseitigen, der diese Zahlen in die Höhe treibt.

Selbst bei höherer Qualität bleibt es aufwendig, Beiträge automatisch und in großem Maßstab präzisen Teilen des Unternehmensangebots zuzuordnen. Öffentliche Rückmeldungen helfen Design- oder Entwicklungsteams offensichtlich dabei, subtile Mängel oder umgekehrt Verbesserungsmöglichkeiten aufzudecken. Rückmeldungen zur Supply Chain sind dagegen meist wenig hilfreich. Das Unternehmen braucht keine sozialen Netzwerke, um zu erfahren, dass jüngste Lieferungen verspätet waren; seine Erfassungssysteme und die Anbindungen an Transportunternehmen liefern diese Information bereits.

Schließlich bleiben die Verarbeitungskosten erheblich. Anders als ähnlich große, vollständig numerische Datensätze wie Wetterdaten sind Daten aus sozialen Medien weitgehend unstrukturiert und bestehen fast ausschließlich aus Texten und Bildern. Die jüngsten Fortschritte bei multimodalen LLMs, also großen Sprachmodellen, erleichtern die Verarbeitung, doch ihr Betrieb in großem Maßstab bleibt teuer und langsam.

Unter den externen Quellen haben Daten aus sozialen Medien das schlechteste Kosten-Nutzen-Verhältnis. Die Extraktion ist mühsam, und die Erkenntnisse lassen sich aus Supply-Chain-Sicht selten in Handlungen umsetzen. In der Praxis sollten Unternehmen für Supply-Chain-Arbeit auf diese Daten verzichten, bis jede andere Quelle ausgeschöpft ist.

5.5 Alltagswissen

Ein häufiger Einwand gegen die Mechanisierung der Entscheidungsfindung lautet, dass Menschen vieles wissen, was nicht in den Erfassungssystemen des Unternehmens steht. Diese Aussage ist zwar eine Binsenweisheit – das Lagerpersonal kennt die Farbe der Türgriffe, ein Wissen, das fast sicher nicht im System steht –, doch daraus folgt nicht, dass eine nahezu vollständige Automatisierung unmöglich ist. Vielmehr hält sich in Öffentlichkeit und Unternehmen eine verbreitete Mystik um die Einbindung von Menschen, als besäße der menschliche Geist übernatürliche Eigenschaften, die kein Computer nachbilden könnte.

Beginnen wir damit, die Aussage Menschen wissen Dinge im Hinblick auf Information und Wissen zu präzisieren. Mitarbeiter kennen sich zweifellos mit den am Güterfluss beteiligten Prozessen aus, sind aber nicht notwendigerweise umfassend informiert, insbesondere über die Einzelheiten seines ständig wechselnden Zustands. Der menschliche Geist kann sich nicht verlässlich Tausende täglicher Bestandspositionen, Tausende Kundenaufträge und Hunderte ausstehender Lieferantenlieferungen merken. Selbst einfachste Computer übertreffen seine Fähigkeit, Information zu speichern und abzurufen, bei Verlässlichkeit wie Geschwindigkeit bei Weitem.

Heute sitzt hinter fast jeder verbliebenen manuellen Supply-Chain-Entscheidung ein Planer, der sich ausschließlich auf die von den Unternehmenssystemen angezeigte Information stützt. Wo Erfassungssysteme nicht ausreichen, greifen Mitarbeiter zu Tabellenkalkulationen, ihrem Schatten-IT-Sicherheitsnetz, um die fehlende Information zusammenzutragen. Diese verbreitete Praxis zeigt, dass Supply Chains de facto von digitaler Information abhängen. Ob diese ordentlich in gut entwickelte Erfassungssysteme integriert oder wahllos über eine lose Sammlung von Tabellenkalkulationen verteilt ist, ändert nichts: Für alle praktischen Zwecke existiert die Information nur in digitaler Form.

Erinnern wir uns an die im Abschnitt Wissen getroffene Unterscheidung zwischen Fachwissen und Alltagswissen. Fachwissen – Formeln, Quellcode, vertragliche Regeln – liegt bereits schriftlich vor und ist damit ein natürlicher Ausgangsstoff für die Mechanisierung. Alltagswissen dagegen verbleibt in stillschweigenden Praktiken: dass Transporteur X nach 4 Uhr nachmittags nie mehr auftaucht, dass sich Lastwagen „Bessie“ nur mit gutem Zureden in den ersten Gang bringen lässt oder dass ein bestimmter Lieferant jeden zweiten Dienstag die Zollpapiere vergisst. Skeptiker vollständiger Automatisierung fürchten in Wahrheit, dieser unscharfe Rest werde verschwinden, sobald Menschen nicht mehr eingebunden sind.

Die Abhilfe besteht nicht im Verzicht auf Automatisierung, sondern in schrittweiser Kodifizierung. Wann immer ein Mitarbeiter sich auf eine ungeschriebene Regel stützt, die eine wesentliche Entscheidung verändert, muss diese Regel offengelegt, aufgeschrieben und wie jeder andere produktive Code unter Versionskontrolle gestellt werden. Mit der Zeit entsteht in der Organisation ein lebendiger, von Fachkollegen geprüfter Bestand, ein Supply-Chain-Handbuch, aus dem Entwickler deterministische Regeln, statistische A-priori-Annahmen oder Trainingslabels für das künftige Intelligenzsystem gewinnen können.

Ein solches Handbuch zu pflegen, verlangt eine unternehmensweite Schriftkultur. Besprechungsprotokolle, Nachanalysen, Simulationsnotebooks und korrigierende SQL-Codeabschnitte sollten als erstrangige Arbeitsergebnisse behandelt und in einem gemeinsamen Repository zur Suche, Prüfung und Überarbeitung gespeichert werden. Geschriebene Worte verfallen langsam; mündliche Überlieferungen verflüchtigen sich über Nacht. Je früher ein Unternehmen diese Disziplin annimmt, desto schneller nähert es sich vollständig informierten, maschinell ausgeführten Entscheidungen.

Der auf Information gestützte Einwand gegen Automatisierung hält daher nicht stand. Damit sind jedoch weder das Wissen selbst noch die zu seiner Nutzung erforderliche Intelligenz behandelt. Der Einwand lässt sich neu formulieren: Selbst wenn alle nötige Information vorliegt, wissen wir weiterhin nicht, wie wir ihre Umwandlung in Entscheidungen formalisieren können. Mitarbeiter können dies, aber nicht erklären, wie – zumindest nicht präzise genug, um eine verlässliche Nachbildung durch einen Computer zu ermöglichen. Dieser Einwand hat Berechtigung und wird später im Kapitel Intelligenz wieder aufgegriffen.

5.6 Schlechte Daten

In den vergangenen vier Jahrzehnten waren Supply-Chain-Planungsinitiativen eine fast ununterbrochene Folge von Fehlschlägen. Das zeigt sich daran, dass in den meisten Unternehmen produktionsreife Entscheidungsprozesse ohne menschliches Eingreifen fehlen. Auf diese Aussage werden wir später ausführlicher zurückkommen; halten wir zunächst fest, dass schlechte Daten zur beliebtesten Ausrede geworden sind. Softwareanbieter, Softwareintegratoren und Data Scientists schreiben ihre ausbleibenden Ergebnisse gleichermaßen und ausnahmslos unzureichenden Daten zu. Diese Erklärung hält einer genaueren Prüfung jedoch nicht stand.

Seit Ende der 1990er-Jahre sind alle größeren Supply Chains digitalisiert: Jeder Einkauf, jede Lieferung, jeder Verkauf und jeder Produktionslauf wird irgendwo in einem Erfassungssystem protokolliert. Das bedeutet weder, dass diese Systeme alle relevanten Aspekte des physischen Flusses erfassen, noch, dass sie frei von Einschränkungen und anderen Problemen sind. Dennoch ist der Kern der Transaktionshistorie großer Unternehmen seit mehr als zwei Jahrzehnten digital.

Empirisch weisen die in Erfassungssystemen gehaltenen Transaktionsdaten fast ausnahmslos Fehlerquoten von nur einem falschen Eintrag unter tausend auf. Diese Genauigkeit überrascht nicht. Ein präzises Geschäftsbuch zu führen, ist für Unternehmen eine Überlebensfrage: Offene Kundenschulden müssen eingetrieben werden, und Lieferantenrechnungen dürfen nicht zweimal bezahlt werden. Wer an diesen Grundlagen regelmäßig scheitert, geht entweder mit Sicherheit bankrott oder wird bestenfalls von einem besser geführten Konkurrenten übernommen, denn diese Probleme lassen sich weitgehend beheben. Trotz Schutzmaßnahmen rutschen gelegentlich Bearbeitungsfehler durch, doch sie sind zu selten, um die Supply-Chain-Optimierung wesentlich zu beeinflussen.

Nichttransaktionale Daten in Erfassungssystemen haben typischerweise eine geringere Qualität als Transaktionsdaten, gerade weil falsche Einträge nicht systematisch wirtschaftliche Sanktionen auslösen. Im Supply-Chain-Kontext sind diese Daten jedoch selten völliger Müll. Die meisten großen Unternehmen sind diszipliniert genug, dass ihre Aufzeichnungen den täglichen Betrieb widerspiegeln. Das Hauptproblem nichttransaktionaler Daten sind fehlende Einträge, wenn Mitarbeiter die Dateneingabe umgehen können. Bei schlechter Nutzererfahrung kann das Überspringen der Eingabe der einzige praktikable Weg sein, produktiv zu bleiben. Diese Felder bleiben jedoch gerade deshalb leer, weil sie für den Fortgang des Güterflusses nicht entscheidend sind.

In gewisser Weise beweist schon die Tatsache, dass das Unternehmen weiterarbeitet, dass die Daten „gut genug“ sind. Vor Jahrzehnten führten manche Abteilungen Sicherungskopien auf Papier, doch solche Praktiken sind aus großen Supply Chains verschwunden. Stehen Daten nicht in den Systemen des Unternehmens, existieren sie nicht. Fehlende nichttransaktionale Daten verhindern daher keine Supply-Chain-Optimierung, sondern begrenzen lediglich ihre Wirksamkeit. Zudem schränken dieselben Datengrenzen auch Mitarbeiter ein, die die Aufgabe manuell erledigen. Nur in wenigen Situationen reicht die Information in den Köpfen der Menschen zur Optimierung aus. Stattdessen stützen sie sich auf kontextfreie Regeln, die den Güterfluss mit spärlichen Daten aufrechterhalten, möglicherweise ineffizient. Solche Regeln sind jedoch kein Vorrecht des menschlichen Geistes; Software kann sie nachbilden.

Betrachten wir beispielsweise ein Einzelhandelsnetz mit einem Lager, das einige Dutzend Franchisegeschäfte versorgt. Jeden Tag senden die unabhängig betriebenen Geschäfte Bestellungen an das Lager und erwarten deren Erfüllung am nächsten Tag. Die insgesamt bestellte Tagesmenge kann jedoch den physisch vorhandenen Lagerbestand übersteigen. In dieser Situation lautet die Standardregel einfach: „Wer zuerst kommt, mahlt zuerst.“ Diese naive Regel lädt zur Manipulation ein: Geschäfte bestellen zu viel, sobald sie einen möglichen Engpass vermuten, und verschärfen dadurch das Problem. Eine bessere Regel würde den Restbestand über das Netz verteilen, statt ihn vollständig den frühesten Anspruchstellern zu gewähren. Eine solche Verfeinerung erfordert jedoch mehr Daten, also mehr Kontext.

Diese Beobachtungen lassen an der verbreiteten Behauptung zweifeln, „schlechte Daten“ brächten die meisten Supply-Chain-Projekte zu Fall. Schließlich laufen die meisten Initiativen auf eine Planung des Güterflusses hinaus, die nur Transaktionsdaten benötigt, welche vorhanden und verlässlich sind. Eine alternative, überzeugendere Erklärung ist, dass die meisten Technologen – Softwareanbieter, Softwareintegratoren, interne Data Scientists – die bereits in den Erfassungssystemen des Unternehmens liegenden Daten nicht zu nutzen vermögen. Tatsächlich neigen Supply-Chain-Bücher ebenso wie Software dazu, das Problem abzutun: Datenaufbereitung wird vollständig ignoriert und implizit als so einfache Aufgabe behandelt, dass sie keine besonderen Methoden oder Technologien verdient.

Doch wie im vorangegangenen Abschnitt erläutert wurden Erfassungssysteme nie für Data Science entwickelt und werden es voraussichtlich auch nie sein. Große Unternehmen betreiben häufig viele, mitunter Dutzende funktional überlappender Erfassungssysteme. Eine solche chaotische Anwendungslandschaft entsteht durch Fusionen und Übernahmen, durch aufeinanderfolgende Einführungen, bei denen alte Systeme nie stillgelegt werden, und durch immer neue funktionale Anforderungen. Daher ist Datenaufbereitung, insbesondere die präzise Bestimmung der Feldsemantik, für jedes größere Unternehmen ausnahmslos eine gewaltige Herausforderung. Bewältigen können sie nur Supply-Chain-Spezialisten.

Kurz gesagt dienen „schlechte Daten“ oft als bequemer Sündenbock für schlichte Inkompetenz. Externe Quellen leiden zwar häufig unter überwältigenden Qualitätsproblemen, doch das gilt nicht für die vom Unternehmen selbst betriebenen Erfassungssysteme.

6 Intelligenz

Intelligenz ist jene schwer fassbare Fähigkeit, mit der Menschen ihre Wünsche formulieren und die zu deren Erfüllung nötigen Handlungen planen. Es liegt auf der Hand, dass Supply Chain, verstanden als Beherrschung der Optionalität, erhebliche Intelligenz erfordert, um profitabel zu funktionieren. Eine grob gesteuerte Supply Chain bürdet dem Unternehmen jedoch laufend vermeidbare Zusatzkosten auf – Kosten, die eine gezieltere Ressourcenallokation ersparen würde.

In einem ungehinderten Markt werden intelligent geführte Unternehmen belohnt, während die anderen ausscheiden. Bemerkenswert am Markt ist, dass er Fähigkeiten hervorbringt, die seine Teilnehmer nicht ausdrücklich verstehen. Zuvor haben wir gesehen, wie der Markt Preise hervorbringt; nun sehen wir, dass er auch intelligente Unternehmensführung hervorbringt. Diese Fähigkeiten entstehen nur indirekt – als aggregierte Eigenschaft des Marktes insgesamt. Eine Führungskraft muss sich weiterhin auf ihre eigene Intelligenz verlassen, um ihr Unternehmen und insbesondere dessen Supply Chain zu verbessern.

Intelligenz zu verstehen ist für die Supply Chain entscheidend, weil sich inzwischen vieles davon technisch konstruieren und an Computerhardware delegieren lässt. Tatsächlich ist es seit weit über einem Jahrzehnt möglich, die alltäglichen operativen Entscheidungen, die den Warenfluss aufrechterhalten, in großem Maßstab ohne menschliches Eingreifen zu automatisieren. Damit wird nicht behauptet, allgemeine Intelligenz sei „gelöst“. Vielmehr lässt sich beobachten, dass spezialisierte, technisch konstruierte Intelligenz bei eng umrissenen Aufgaben bereits eine übermenschliche Beständigkeit und große Produktivitätsgewinne liefert. Die heute allgegenwärtigen Routenplanungs-Apps sind ein unaufdringlicher, aber eindrucksvoller Beleg dafür.

Die architektonische Form dieser technisch konstruierten Fähigkeit ist das Intelligenzsystem. Bevor wir allgemeine und spezialisierte Intelligenz gegenüberstellen, betrachten wir diese Systeme für sich: wie sie in einer modernen Supply Chain entstehen, wie sie rohe Aufzeichnungen ohne menschliches Eingreifen in profitable Entscheidungen verwandeln und warum ihre Entwurfsprinzipien so stark von denen der CRUD-Anwendungen abweichen, die Unternehmenssoftware dominieren.

6.1 Intelligenzsysteme

Intelligenzsysteme mechanisieren die Entscheidungsfindung. Anders als Erfassungs- oder Berichtssysteme sind sie als Ersatz für menschliche Bediener konzipiert, nicht für die Interaktion zwischen Mensch und Maschine. Ein Intelligenzsystem soll die profitabelsten Entscheidungen erzeugen und diese vollständig ohne menschliches Eingreifen treffen.⁵⁶ Für die meisten Unternehmen bildet konsequente Automatisierung den Grundstein der Rentabilität. Intelligenzsysteme übertragen dieses Prinzip auf Aufgaben, die traditionell Büroangestellten übertragen wurden. Unsere Fähigkeit, ein Intelligenzsystem zu entwickeln, hängt unmittelbar davon ab, ob wir Intelligenz mechanisieren können – allgemeine ebenso wie spezialisierte.

Obwohl letztlich jede Unternehmensfunktion – Marketing, Finanzen, Personalwesen und so weiter – ihre eigenen Intelligenzsysteme haben wird, gehört Supply Chain zu den vielversprechendsten Bereichen. Jede größere Supply Chain erfordert täglich Zehntausende, manchmal Millionen von Entscheidungen. Ohne Intelligenzsysteme braucht es Dutzende oder gar Hunderte Sachbearbeiter, allein um den Warenfluss aufrechtzuerhalten. Anfang der 2020er Jahre beschäftigten viele Händler und Hersteller mehr Büroangestellte mit der Aktualisierung von Tabellenkalkulationen als gewerbliche Mitarbeiter mit der Handhabung der Waren selbst. Gewerbliche Tätigkeiten werden seit zwei Jahrhunderten mit Nachdruck mechanisiert – ein Prozess, der noch andauert. Dagegen stammen nahezu alle Produktivitätsgewinne durch Unternehmenssoftware in den vergangenen fünf Jahrzehnten allein aus Erfassungssystemen. Die Zahl der Büroangestellten ist kaum gesunken; die zunehmende Komplexität der Supply Chains hat die Gewinne aufgezehrt.

Dabei erwartete man schon von den ersten, in den 1970er Jahren eingeführten Bestandssteuerungssystemen eine weitreichende Automatisierung der Entscheidungsfindung⁵⁷. Diese Systeme beruhten fast ausnahmslos auf dem Sicherheitsbestandsparadigma oder geringfügigen Varianten davon: Für jede SKU wird der Puffer anhand einer Nachfrageprognose, einer eingegebenen Lieferzeit und eines angestrebten Servicegrads bemessen. Die Methode setzt voraus, dass die Nachfrageunsicherheit einer Normalverteilung folgt. Ursprünglich erwartete man, dass ein solches System Bestandsentscheidungen automatisch erzeugen könnte, unter geringer Aufsicht durch Mitarbeiter, die gelegentlich Parameter aktualisieren. Diese Erwartung erwies sich als falsch; die Systeme blieben äußerst arbeitsintensiv.

Im 21. Jahrhundert wurde nach einigen Jahrzehnten des Stillstands die praktische Automatisierung alltäglicher Supply-Chain-Entscheidungen durch Systeme möglich, die ausdrücklich als Intelligenzsysteme entwickelt wurden. Für Supply-Chain-Praktiker lässt sich deren Bedeutung kaum überschätzen: Die moderne Supply-Chain-Praxis ist größtenteils ein spezialisiertes Softwarevorhaben. Sie besteht darin, eigens für die Supply Chain bestimmte Intelligenzsysteme zu entwickeln. Diese grundlegende Einsicht entgeht Autoren, Beratern und Wissenschaftlern im Bereich Supply Chain gleichermaßen regelmäßig. Deshalb gelingt es dem traditionellen Paradigma nicht, die Supply-Chain-Praxis in einen produktiven Vermögenswert zu verwandeln.

6.1.1 Ein produktiver Vermögenswert

Was, wenn wir Mitarbeiter schulen und sie gehen? Gewiss, aber was, wenn wir es nicht tun und sie bleiben? (alte Geschäftsweisheit)

Vor dem Einsatz von Software mussten Unternehmen für jede Routineentscheidung Sachbearbeiter einstellen und halten, gleichgültig wie klein, alltäglich oder repetitiv diese Entscheidung war. Mit der Zahl der Entscheidungen wuchs auch die Zahl der Sachbearbeiter und ihrer Vorgesetzten. Ein Unternehmen konnte seinen Fokus verengen, um diese Personalzahl zu senken, allerdings nur durch eine Verkleinerung seines Angebots. Aus dieser Sicht sind die Mitarbeiter ein reiner Betriebsaufwand (OPEX): Ihre Arbeitstage werden verbraucht und hinterlassen nach der Entscheidung keinen dauerhaften Vermögenswert.

Selbst mit Schulungen und ausgefeilter Organisation haben große Belegschaften ihre Kompetenzgrenze längst erreicht. So wurde etwa APICS⁵⁸ (American Production and Inventory Control Society) 1957 gegründet; ihre Lehren sind seit Jahrzehnten unverändert. Trotz allem, was viele Autoren aus der Beraterwelt weiterhin propagieren, ist heute kaum mehr als ein geringer Ertrag davon zu erwarten, Supply-Chain-Prozesse oder -Organisationen umzugestalten, solange man im Paradigma der Zeit vor der Software verankert bleibt.

Der grundlegende Vorschlag hinter einem Intelligenzsystem lautet, diese Betriebsausgaben in Investitionsausgaben zu verwandeln. Schon die in seinen Aufbau investierten Personentage verbessern das System selbst. Betrieb und Wartung kosten weiterhin Geld, doch als Software verursacht es typischerweise nur einen Bruchteil der Personalkosten, die nötig wären, um dieselben Ergebnisse manuell zu erzielen. Durch das Intelligenzsystem selbst nimmt die Supply-Chain-Praxis somit die konkrete Gestalt eines produktiven Vermögenswerts an. Dieser Vermögenswert ist produktiv, weil er dem Unternehmen durch die automatisierten Entscheidungen laufend Erträge weit über seine Betriebskosten hinaus einbringt.

Anders als bei einer Sachbearbeiterschaft, die sich nur bis zu einem gewissen Punkt schulen lässt, gibt es für die von einem Intelligenzsystem zu erwartende Supply-Chain-Leistung keine a priori feststehende Obergrenze. Erstens wird es möglich, bestimmte Ineffizienzen oder Fehler praktisch endgültig zu beseitigen. Denn unabhängig davon, wie gut geschult und gewissenhaft die Verantwortlichen sind, treten in jedem manuellen Prozess gelegentlich Bearbeitungsfehler auf. Zusätzliche Redundanzen in manuellen Prozessen – etwa weitere Prüfungen durch Kollegen oder Vorgesetzte – sind zudem meist kontraproduktiv, weil sie den Fluss verlangsamen und zusätzliche Hürden und Kosten schaffen. Zweitens lässt sich jede Entscheidung durch mehr Daten, genauere Prädiktoren und wirksamere Optimierer weiter verfeinern … ohne eingebaute Obergrenze für deren Ausgereiftheit. Software kann bereits heute Erkenntnisse und Fähigkeiten bündeln, für deren Ansammlung es andernfalls mehrerer Menschenleben bedürfte; und das ist seit Jahrzehnten so⁵⁹.

Da die Wartung eines Intelligenzsystems ein Problem allgemeiner Intelligenz ist, ist bislang kein System vollständig autonom. Seit Anfang der 2010er Jahre betreiben jedoch immer mehr Unternehmen Intelligenzsysteme, die den alltäglichen Vollzug ihrer Supply Chains weitgehend ohne menschliches Eingreifen ermöglichen⁶⁰. Numerische Rezepte bleiben wochen-, wenn nicht monatelang unverändert.

6.1.2 Eine verworrene Entstehung

Seit den 1970er Jahren haben Anbieter von Supply-Chain-Software immer wieder behauptet, ihre Produkte würden die Planung automatisieren. In der Praxis erfüllten sich diese Versprechen nicht: Die ausgelieferten Systeme trafen keine Entscheidungen ohne menschliches Eingreifen, und für die meisten Anbieter gilt das auch Mitte der 2020er Jahre noch.⁶¹ Echte Intelligenzsysteme entstanden erst im späten 20. Jahrhundert, zunächst in großem Maßstab im quantitativen Finanzwesen als algorithmische Handelsplattformen – häufig „Handelsalgorithmen“ oder „automatisierte Handelssysteme“ genannt. Ab den 1980er Jahren setzten Finanzinstitute Algorithmen ein, um Handelsentscheidungen zu automatisieren, und ersetzten damit bei verschiedenen Marktaktivitäten menschliche Händler. Diese Systeme sollten riesige Mengen an Marktdaten analysieren, profitable Handelsgelegenheiten erkennen und Transaktionen mit einer für Menschen unerreichbaren Geschwindigkeit ausführen. Ihr Erfolg verdeutlichte das umwälzende Potenzial einer Mechanisierung der Intelligenz und schuf einen Präzedenzfall für andere Branchen.

In anderen Branchen, insbesondere im Bereich Supply Chain, hält die Verwechslung von Erfassungs- und Intelligenzsystemen jedoch seit dem Aufkommen der Unternehmenssoftware in den 1970er Jahren an. Softwareanbieter tragen, unterstützt von Marktanalysten, maßgeblich dazu bei, sie aufrechtzuerhalten. Kurz gesagt: Erfassungssysteme sind leicht zu entwerfen, bieten aber begrenzte Erträge; Intelligenzsysteme sind schwer zu entwerfen, haben aber ein gewaltiges Potenzial. Deshalb stellen die meisten Anbieter ihre Erfassungssysteme als Intelligenzsysteme dar, um die Zahlungsbereitschaft potenzieller Kunden zu erhöhen. So plump diese Marketingtechnik ist, sie wirkt weiterhin: Auch in den 2020er Jahren zahlen Unternehmen noch hohe Gebühren für Technologien – CRUD-Anwendungen –, die seit über einem Jahrzehnt austauschbare Standardware sind. Viele Führungskräfte sind trotz mehrerer Jahrzehnte gegenteiliger empirischer Belege weiterhin überzeugt, dass Erfassungssysteme zur Qualität ihrer Geschäftsentscheidungen beitragen.

Der Wert, den ein Erfassungssystem liefern kann, ist unabhängig von der Qualität der Lösung strikt begrenzt. Sobald das System nahezu vollkommene Zuverlässigkeit und vollständige funktionale Abdeckung erreicht, gibt es nichts mehr zu verbessern. Bei vielen Prozessen – Rechnungsstellung, Bestandserfassung, Zeiterfassung … – wurde dieser Endzustand vor über einem Jahrzehnt erreicht. So wie es keinen Unterschied macht, den besten Buchhalter der Welt statt eines hervorragenden Buchhalters zu beschäftigen, macht das allerbeste Erfassungssystem gegenüber einem hervorragenden keinen Unterschied.

Anbietern von Unternehmenssoftware waren die inhärenten Grenzen von Erfassungssystemen immer schmerzlich bewusst. Von Anfang an stellten sie die „besseren Entscheidungen“ in den Mittelpunkt ihrer Kommunikation, die Unternehmen dank ihrer Softwareprodukte treffen würden. Im Bereich Supply Chain behaupten Anbieter beispielsweise ausnahmslos, ihre Lösungen führten zu niedrigeren Beständen und weniger Fehlbeständen, selbst wenn die Software Bestandsentscheidungen tatsächlich vollständig den Mitarbeitern des Kundenunternehmens überlässt – wie es bei ERP-Systemen ausnahmslos der Fall ist. Anbieter von Berichtssystemen folgten später einem ähnlichen Ansatz und warben mit Entscheidungen, die bestenfalls indirekt aus ihren Berichten hervorgingen.

Der Kern der technologischen Herausforderung liegt darin, dass sich weder ein Erfassungs- noch ein Berichtssystem in der Praxis zu einem Intelligenzsystem erweitern lässt. Zur Verteidigung der frühen Softwareanbieter der 1970er Jahre sei gesagt, dass die Gründe damals nicht ohne Weiteres erkennbar waren. Daher glaubten die Anbieter höchstwahrscheinlich selbst, ihre frühen Erfassungssysteme würden mit der Zeit auch Entscheidungsprozesse umfassen. Doch bis Ende der 1990er Jahre hatten Dutzende bemerkenswerter gescheiterter Versuche gezeigt, dass dieser Übergang nicht stattfinden würde.

6.1.3 Kultur und Anreize

Die Automatisierung der Supply-Chain-Entscheidungsfindung ging nicht von den Pionieren der Unternehmenssoftware aus, die in den 1990er Jahren zu Giganten heranwuchsen. Das überrascht gleich doppelt: Diese Anbieter hatten durch ihre Erfassungssysteme nicht nur umfassenden Einblick in Supply Chains, sondern warben auch unablässig damit, genau diese Prozesse verbessern zu können. Zu verstehen, warum sie keine Intelligenzsysteme für die Supply Chain hervorbrachten, ist wichtig, denn Unternehmen, die ihre Supply Chains modernisieren, werden auf dieselben Probleme stoßen.

Man könnte einwenden, die Software des späten 20. Jahrhunderts sei unzureichend und die Anbieter seien allzu optimistisch gewesen; diese Erklärung ist zweifelhaft. Dieselben Anbieter – vor allem ERP- und CRM-Anbieter – hatten nämlich selbst ein Jahrzehnt, nachdem manche Unternehmen nachweislich die Supply-Chain-Entscheidungsfindung mechanisiert hatten, noch keinen Kurswechsel vollzogen. Ihnen fehlten Entwürfe, die eine solche Automatisierung ermöglicht hätten. Technologische Hürden bestanden also durchaus, waren aber nicht das Haupthindernis.

Das erste Problem sind die Anreize. Anbieter von Erfassungssystemen richten ihre Gebühren in der Regel an der Nutzerzahl aus; selbst Gebühren, die nicht an die Personalzahl gekoppelt sind, etwa für Support, folgen ihr in der Praxis. Dadurch haben Anbieter einen Anreiz, Eigenschaften hinzuzufügen, die den Personalbedarf erhöhen, und einen Gegenanreiz, ihre Produkte auf dessen Senkung auszurichten. Intelligenzsysteme, deren ausdrückliches Ziel die Automatisierung der Entscheidungsfindung ist, laufen dieser Ausrichtung unmittelbar zuwider.

Daher überrascht es nicht, dass die oft hochprofitablen Anbieter von Erfassungssystemen wenig Anlass haben, Technologien zu finanzieren, die ihre heutigen Ertragsquellen aushöhlen könnten. Wenn uns die Ökonomik eines lehrt, dann, dass Anreize zählen. Hängt die Rentabilität einer Organisation davon ab, dass ein Durchbruch ausbleibt, sind die Visionäre innerhalb dieser Organisation bedeutungslos⁶².

Das zweite Problem ist die Ingenieurskultur. Wie erwähnt, werden Erfassungssysteme fast ausschließlich nach dem CRUD-Paradigma entwickelt. Verglichen mit den Alternativen verlangt CRUD für die Wartung und Erweiterung einer Anwendung wesentlich weniger ingenieurtechnisches Können. Für Anbieter von Erfassungssystemen ist dies zu einem Grundpfeiler des Personalmanagements geworden. So können sie größere Teams einsetzen und zugleich ihre Abhängigkeit von technischem Talent verringern. Intelligenzsysteme bringen dagegen ausnahmslos schwierige ingenieurtechnische Herausforderungen mit sich, die mit den Trivialitäten von CRUD kaum vergleichbar sind. Wenig überraschend scheut sich eine Belegschaft, die sich oft seit einem Jahrzehnt oder länger fast ausschließlich mit „einfachen“ Problemen befasst, vor wirklich schwierigen Aufgaben. Als anekdotischer Beleg mag dienen, dass nahezu alle Durchbrüche der Informatik in den vergangenen zwei Jahrzehnten von Unternehmen für Verbrauchersoftware kamen⁶³, während sich bedeutende Beiträge von Anbietern von Erfassungssystemen für Unternehmen kaum benennen lassen.

Ein Unternehmen sollte daher bei der Einführung eines Intelligenzsystems Anbieter meiden, die auf Erfassungssysteme spezialisiert sind. Weil Erfassungssysteme zuerst eingeführt werden, sind Führungskräfte stets versucht, sich an den etablierten Anbieter zu wenden, der sich bereits als vertrauenswürdig erwiesen hat. Leider ist dieses Vertrauen hier fehl am Platz: Die Eigenschaften, die einen Anbieter bei Erfassungssystemen erfolgreich machen, sind bei Intelligenzsystemen durchweg kontraproduktiv.

6.1.4 Widersprüchliche Entwurfsanforderungen

Über Anreize und Kultur hinaus scheitern Versuche, Erfassungssysteme um Entscheidungsfindung zu erweitern, weitgehend an widersprüchlichen Entwurfsanforderungen. Leistung, Zuverlässigkeit und Wartbarkeit sind für beide Kategorien wichtig, doch was diese Begriffe konkret verlangen, unterscheidet sich drastisch.

Wenn wir später Technologien für Intelligenzsysteme in der Supply Chain untersuchen, wird deutlich werden, dass ein solches System nicht sinnvoll aus einer CRUD-Anwendung hervorgehen kann und am besten eigenständig entwickelt wird. Schon grundlegende Überlegungen zeigen, wie groß die Kluft zwischen Erfassungs- und Intelligenzsystemen ist.

6.1.4.1 Leistung

Ein Erfassungssystem muss mit geringer Latenz reagieren: Unabhängig von Eingabe oder Bildschirm sollten Aktionen innerhalb von Millisekunden abgeschlossen sein – idealerweise in weniger als 100 ms –, damit die Verzögerung unmerklich bleibt. Bei längeren Verzögerungen sinkt die Produktivität bei alltäglichen Vorgängen. Obwohl 100 ms schnell klingen, sorgen Warteschlangen dafür, dass ein System mit diesem Durchschnittswert dennoch mehrsekündige Verzögerungen verursacht – Latenzen, die Nutzer bemerken und als störend empfinden.

In einem Erfassungssystem muss deshalb jeder Vorgang innerhalb eines festen Ressourcenbudgets in praktisch konstanter Zeit abgeschlossen werden. Da alle Vorgänge um denselben Transaktionskern konkurrieren, wird jeder „schwergewichtige“ Vorgang dem System irgendwann Ressourcen entziehen und die Latenzen zahlreicher Vorgänge verschlechtern. Bei Tausenden Funktionen ist schon eine einzige Ausnahme riskant. Die meisten Unternehmen mit „langsamen“ Geschäftssystemen leiden heute unter den vorhersehbaren Folgen schwergewichtiger Vorgänge, die nie im Erfassungssystem hätten implementiert werden dürfen.

Ein solcher kostspieliger Vorgang lässt sich leicht unbeabsichtigt einführen. Schon das Summieren einer unbegrenzten Zahl von Zeilen – etwa zur Berechnung des gleitenden Jahresdurchschnitts der Einnahmen einer Produktkategorie – ist problematisch. Dabei handelt es sich um eine grundlegende Berechnung der deskriptiven Statistik. Mit Algorithmen vertraute Leser mögen einwenden, dass sich die meisten deskriptiven Statistiken mit konstantem Ressourcenaufwand fortschreiben und abrufen lassen. Das stimmt, doch eine solche Raffinesse ist unpraktikabel⁶⁴. Erstens liegt der Vorzug von CRUD gerade darin, keine algorithmische Expertise vorauszusetzen. Zweitens schleichen sich bei Tausenden Funktionen zwangsläufig Leistungsprobleme ein. Der vollständige Verzicht auf solche Vorgänge ist die einzige skalierbare Absicherung.

Für ein Intelligenzsystem gelten ganz andere Leistungsanforderungen. Betrachten wir die Entscheidung, wann und wie viel bei einem Lieferanten in Übersee bestellt werden soll. Obwohl diese Entscheidung zeitkritisch ist, sind Minuten oder sogar Stunden für eine Optimierung sinnvoll, wenn sie zu einer besseren Bestellung führt. Eine Obergrenze von 100 ms für eine Entscheidung festzulegen, deren Folgen sich erst über Wochen entfalten, ergibt keinen Sinn. Intelligenzsysteme sollen die besten Entscheidungen erzeugen, deren technische Entwicklung sich das Unternehmen leisten kann. Solange die zusätzlichen Erträge die Rechenausgaben weit übersteigen, ist ein höherer Aufwand vernünftig.

6.1.4.2 Zuverlässigkeit

Zuverlässigkeit bedeutet für Erfassungssysteme etwas ganz anderes als für Intelligenzsysteme. Fällt ein Erfassungssystem aus, kommen alle davon abhängigen Prozesse sofort zum Stillstand. So kann beispielsweise bei einem Ausfall des Bestandssystems die Kommissionierung unmöglich werden. Bei der Entwicklung eines Erfassungssystems ist es daher entscheidend, dessen Betrieb jederzeit aufrechtzuerhalten. Weil CRUD-Anwendungen Aufgabenbereiche voneinander trennen, wirken die meisten Fehler lokal: Sie betreffen nur einen Bildschirm oder Prozess. Das Erfassungssystem trotz eines erkannten Problems weiterlaufen zu lassen, ist meist besser, als es bis zur Fehlerbehebung abzuschalten. Es sollte sogar möglich sein, das System im laufenden Betrieb zu korrigieren, denn die Behebung eines lokalen Problems darf den Rest des Unternehmens nicht beeinträchtigen. Diese Fähigkeit – Hot-Patching – gilt allgemein als technisch schwierig. Über die relationale Datenbank-Engine stellt das CRUD-Paradigma Hot-Patching jedoch weitgehend bereit. Softwareingenieure, die ein Erfassungssystem entwickeln, benötigen daher in der Praxis selten Expertise im verteilten Rechnen, um eine nahezu vollkommene Verfügbarkeit zu erreichen.

Besteht dagegen der Verdacht, dass ein Intelligenzsystem fehlerhaft arbeitet, gebietet die Vorsicht, es anzuhalten und die Ursache zu untersuchen, bevor der Betrieb wieder aufgenommen wird. Fehlerhafte Entscheidungen können enorme Kosten verursachen. Eine maßlos überhöhte Bestellung bei einem Lieferanten in Übersee führt beispielsweise fast zwangsläufig zu Wertminderungen des Bestands, wenn nicht zu dessen vollständiger Abschreibung.

In einem Intelligenzsystem ist die wirtschaftliche Qualität der Entscheidungen folglich wichtiger als die Verfügbarkeit. Sinkt das Vertrauen, sollte die Engine anhand ausdrücklicher Heuristiken bewusst und schnell anhalten. Das verhindert teure Fehler und ist meist die profitabelste Wahl. Diese Abbruchheuristiken sind nicht die „Warnmeldungen“ und „Ausnahmen“, die entstehen, wenn ein Erfassungssystem zum Entscheidungswerkzeug ausgedehnt wird. CRUD-Entwürfe können die Feinheiten nichttrivialer Entscheidungen nicht abbilden, sodass sich Sonderfälle häufen: Eine einfache Wiederauffüllungslogik scheitert an Produkteinführungen, Kannibalisierung, Sonderangeboten von Wettbewerbern und anderen alltäglichen Störungen. Die Anwendung abzuschalten ist jedoch inakzeptabel. Sonderfälle treten so häufig auf, dass das Werkzeug die meiste Zeit stillstünde; und da es zugleich das Erfassungssystem ist, würde sein Stopp den Betrieb lähmen. Deshalb protokolliert das Werkzeug eine Ausnahme und reicht den Fall an einen Menschen weiter. Ein echtes Intelligenzsystem tut das Gegenteil: Die Entscheidungs-Engine hält an, und ihr Betrieb wird erst wieder aufgenommen, nachdem eine programmatische Korrektur – eine Änderung der Logik – eingespielt wurde. Fälle manuell abzuarbeiten ist keine Option.

6.1.4.3 Wartbarkeit

Auch bei der Wartbarkeit unterscheiden sich die beiden Kategorien deutlich. Sobald einem Erfassungssystem neue Entitäten hinzugefügt wurden, sind die Kunden von ihnen abhängig: Daten wurden gespeichert, und Prozesse stützen sich nun darauf. Die Schwierigkeiten beginnen, wenn Entitäten sich überschneiden und nicht mehr wartbar werden. Überschneidungen erzeugen eine nicht zu behebende Verwirrung – Entitäten können weder entfernt noch auch nur beschnitten werden. Sie verursachen zudem Konflikte bei der Weiterentwicklung der Software. Ähnliche Situationen entstehen, wenn Entitäten schlecht definiert oder mehrdeutig sind oder auf andere Weise die semantische Integrität der Gesamtheit der Entitäten beeinträchtigen. Bei einem Erfassungssystem hängt Wartbarkeit daher vor allem davon ab, Entitäten und die ihnen zugeordneten Verhaltensweisen sorgfältig zu prüfen.

Die bloße Größe des Codebestands ist in einem Erfassungssystem außerdem für sich genommen kein Wartbarkeitsproblem. Viele solcher Systeme enthalten Tausende Entitäten in Zehntausenden Tabellen. Größere Codebestände erhöhen den Aufwand bei der Erweiterung des Produkts, gefährden aber nicht die Kontinuität. Selbst eine hypothetische vollständige Neuentwicklung über mehrere Jahre wäre akzeptabel. Das ist zwar nicht wünschenswert, aber auch keine vorrangige Sorge: Keine Situation verlangt eine sofortige vollständige Neuentwicklung. Entwickelt sich das Geschäft in eine Richtung, die in den bestehenden Erfassungssystemen nicht vorgesehen war, ist es vertretbar, sie um ein neues System zu ergänzen. Die Integration kann schwierig sein, aber bei Weitem nicht so schwierig wie eine vollständige Neuentwicklung der älteren Systeme.

Ein Intelligenzsystem ist dagegen wartbar, wenn es sich angesichts bislang unbekannter Bedingungen schnell so umgestalten lässt, dass der Betrieb wieder aufgenommen werden kann. Solche Bedingungen können durch einen drastischen Strategiewechsel, eine plötzliche Marktveränderung oder jeden anderen Faktor entstehen, der den Warenfluss grundlegend verändert. Ein Intelligenzsystem sollte alltägliche Schwankungen bewältigen, doch von einer spezialisierten Intelligenz kann man nicht erwarten, dass sie mit radikalen Umbrüchen zurechtkommt. Dazu braucht es allgemeine Intelligenz, die in computergestützter Form nicht ohne Weiteres verfügbar ist.

So stellten während der weltweiten Panik von 2020 einige Luftfahrt-MROs angesichts des starken Rückgangs des Passagierverkehrs die Reparatur bestimmter Rotables (reparierbarer Komponenten) ein und lagerten nicht einsatzfähige Teile ein, um liquide Mittel zu schonen. Reparaturen können ein Drittel des Teilepreises kosten. Wenn wegen des geringeren Verkehrs ein Überbestand einsatzfähiger Teile vorliegt, ist es sinnvoll, diese Ausgaben aufzuschieben. Vor 2020 galt die Lagerung nicht einsatzfähiger Teile nicht als praktikabel, und gewöhnlich gab es keinen Prozess, mit dem sich auf eine Reparatur verzichten ließ. Alle reparaturfähigen Rotables wurden standardmäßig repariert. Die beispiellosen Marktbedingungen machten diese Entscheidungsregel hinfällig. Von einem vor 2020 entwickelten Intelligenzsystem eine angemessene Reaktion auf die Lockdowns jenes Jahres zu erwarten, wäre unvernünftig gewesen. Produktiv eingesetzte Systeme mussten umfassend verändert werden, um der neuen Realität gerecht zu werden.

Da neue Bedingungen eine vollständige Neuentwicklung der Entscheidungslogik verlangen können, muss diese machbar bleiben. In der Praxis sollte das Team innerhalb von Stunden eine grobe Neufassung und innerhalb von Tagen eine ausgereifte Fassung erstellen können. Zwischen solchen Extremen sollte es beim Auslösen einer Abbruchheuristik möglich sein, den Fall innerhalb von Stunden, womöglich in weniger als einer Stunde, zu untersuchen und zu beheben. Das setzt voraus, dass ein Ingenieur jederzeit direkt in die Kernlogik einsteigen kann, um Probleme zu beurteilen und bei Bedarf sofort zu korrigieren.

Der Codebestand eines Intelligenzsystems sollte deshalb klein und übersichtlich bleiben – idealerweise von einem einzigen Ingenieur beherrschbar. Man sollte davon ausgehen, dass die bestehende Logik irgendwann auf Bedingungen trifft, unter denen sie keine sinnvollen Entscheidungen mehr erzeugen kann. Dann bleibt keine andere Wahl, als die allgemeine Intelligenz eines fähigen Mitarbeiters heranzuziehen, um die Logik für die neue Realität umzugestalten. Im Kern bedeutet Wartbarkeit bei einem Intelligenzsystem, es im Falle einer Störung mehr oder weniger vollständig neu schreiben zu können.

6.1.5 Kein Problem ohne Lösung

Intelligenzsysteme stehen und fallen damit, wie sie das Geschäftsspiel fassen, das sie spielen sollen. Selbst ein fehlerfreier Optimierer vernichtet Wert, wenn er das falsche Ziel verfolgt. Bevor wir Software in unserem Auftrag denken lassen, müssen wir deshalb genau klären, worüber sie nachdenken soll. Das erweist sich als überraschend schwierig.

Von der Grundschule bis zur Universität werden Lernenden „Probleme“ zur Lösung vorgelegt. Viele, wenn nicht die meisten Noten hängen entscheidend davon ab, ob sie Lösungen für diese Probleme finden. Dieser Ansatz hält sich weniger wegen seines pädagogischen Werts als vielmehr deshalb, weil er den Einrichtungen eine einfache, vermeintlich objektive Möglichkeit zur Benotung bietet. Dieses lösungsorientierte Denken ist jedoch tief in unserer industrialisierten Kultur verankert und hat mindestens zwei bemerkenswerte Folgen. Diese sind für die Supply Chain und allgemein für wirklich schwierige Vorhaben von großer Bedeutung.

Erstens gibt es einen beinahe instinktiven Widerwillen, über „Probleme“ nachzudenken. Bildungseinrichtungen trainieren und belohnen das Finden von Lösungen, nicht das Erfinden von Problemen. Nach zwei Jahrzehnten in diesen Einrichtungen ist dieses Muster bei den meisten von uns tief verwurzelt. Deshalb fällt es uns oft schwer, ein Problem zu formulieren, solange noch keine Lösung in Sicht ist. Über Lösungen nachzudenken fällt uns leicht – wir haben Tausende Stunden damit verbracht –, während die meisten kaum darin geübt sind, über die Probleme selbst nachzudenken.

Folglich ignorieren Praktiker und Autoren häufig große Supply-Chain-Probleme, schlicht weil keine fertige Lösung zur Hand ist. Dazu gehören Preisstaffeln, Kannibalisierung, gegnerisches Verhalten, Modellunsicherheit und Optimierung unter Unsicherheit – alles folgenreiche Fragen, denen der heutige Supply-Chain-Diskurs weitgehend ausweicht. Unternehmen begegnen diesen Problemen indirekt durch Unternehmensrichtlinien, also betriebliche Rezepte, die das Geschäft am Laufen halten. Selten benennen sie jedoch ausdrücklich das genaue Problem, das jede Richtlinie lösen soll. Für ein Intelligenzsystem ist dieses Versäumnis fatal: Der Code optimiert getreu die Fragestellung von gestern, während der Markt längst zu einem anderen Spiel übergegangen ist.

Zweitens wird das Hinterfragen der Problemstellung selbst instinktiv als Infragestellung von Autorität wahrgenommen. Nach zwei Jahrzehnten in Bildungseinrichtungen weiß schließlich jeder Lernende, dass die Antwort das spielt keine Rolle auf eine gestellte Frage eine schlechte Note garantiert. Allzu oft ist diese Antwort dennoch die richtige. Sorgfältig auszuwählen, welche Probleme man angeht, ist grundlegend. Ressourcen – Zeit, Rechenleistung, Menschen – sind stets begrenzt, sodass wir nicht jedes denkbare Problem angehen können. Eine der wichtigsten Fähigkeiten eines Unternehmers besteht darin, klug zu wählen, welche Probleme er lösen will. Diese Sichtweise unterscheidet sich grundlegend von derjenigen der Mitarbeiter. Diese sollen gewöhnlich nicht nur ein vorgegebenes Problem lösen, sondern dabei auch einer kodifizierten, in Unternehmensrichtlinien verankerten Methode folgen.

Sowohl Wissenschaft als auch Wirtschaft erhalten Anreize aufrecht, die davon abhalten, die Problemstellung selbst zu hinterfragen. An Universitäten hängen Veröffentlichungen, Fördermittel und die Gewinnung von Studierenden davon ab, innerhalb offiziell anerkannter Forschungsgebiete zu bleiben. Wissenschaftler dürfen jedes „relevante“ Thema verfolgen – sofern es in den Kanon ihrer Disziplin passt. Max Planck beschrieb diese Dynamik in seiner Scientific Autobiography (1950): Eine neue wissenschaftliche Wahrheit setzt sich nicht dadurch durch, dass sie ihre Gegner überzeugt und ihnen die Augen öffnet, sondern vielmehr dadurch, dass ihre Gegner schließlich sterben und eine neue Generation heranwächst, die mit ihr vertraut ist.

In Unternehmen nimmt die Lösung jedes Problems die Gestalt eines Organigramms und einer Budgetposition an. Das Problem zu hinterfragen bedroht deshalb den Status quo und schafft Gewinner und Verlierer unter den Führungskräften. Machtpolitik ist in großen Unternehmen unvermeidbar und stellt eine große Hürde dar, wenn Probleme neu gefasst werden sollen. Die Unternehmensgeschichte zeigt, dass Organisationen ebenso wie Menschen sterben – und dass die Weigerung, sich neuen Problemen zu stellen, eine wesentliche Ursache ihres Niedergangs ist.

Das erste Ergebnis eines Projekts für ein Intelligenzsystem ist daher kein Code, sondern eine klare, überprüfbare Formulierung des wirtschaftlichen Problems. Erst wenn diese Formulierung einer gezielt kritischen Prüfung standgehalten hat, sollten Optimierung, Prognose und Datenaufbereitung beginnen. Nachdem die technischen und kulturellen Grundlagen gelegt sind, können wir den Blick weiten und uns erneut der Intelligenz an sich zuwenden: zunächst ihrer allgemeinen Form, dann den spezialisierten Varianten, mit denen die Supply-Chain-Praxis täglich zu tun hat.

6.2 Allgemeine Intelligenz

Intelligenzsysteme enthalten eng begrenzte, an Software gebundene Schlussfolgerungsverfahren. Allgemeine Intelligenz ist dagegen unabhängig von einem bestimmten Problem und muss bei keiner einzelnen Aufgabe herausragen. Ihr Kennzeichen ist die Fähigkeit, sowohl die Formulierung als auch die Lösung von Problemen zu verbessern. Rätsel und Geschichten – Mittel zur Entwicklung der Intelligenz von Kindern wie Erwachsenen – begleiten die Menschheit seit Urzeiten. Ein Rätsel ist eine Übung, die den Geist um seiner selbst willen schärfen soll. Geschichten erfüllen eine ähnliche Aufgabe, nutzen aber unsere emotionale Reaktion, um das Einprägen zu erleichtern.

Die vor über 5.000 Jahren erfundene Schrift versteht man am besten als Verstärker menschlicher allgemeiner Intelligenz, nicht als deren Ursache. Sie lagert Gedächtnis aus: Sichtweisen, Erkenntnisse und Fakten lassen sich aufzeichnen, kritisieren und neu kombinieren, lange nachdem ihre Urheber gestorben sind. Der Buchdruck und viel später das Web senkten die Kopierkosten, erweiterten die Möglichkeiten der Koordination und beschleunigten so diese Rückkopplung. Mehr Speicher erzeugt jedoch für sich genommen weder Verständnis noch Urteilsvermögen. Ein grammleichtes Gerät kann Literatur für viele Menschenleben speichern und trotzdem völlig unintelligent sein. Memorieren ist keine Intelligenz.

Intelligente Tiere wie Orcas und Schimpansen geben kulturelles Können – etwa Kniffe bei der Jagd oder Nahrungssuche – an ihre Jungen weiter. Sie zeigen bemerkenswerte Intelligenz, doch allgemeine Intelligenz bleibt ihnen versagt. Entgegen früheren philosophischen Theorien scheint kein einzelnes Merkmal ausschließlich menschlich zu sein. Komplexe Sprache, individuell benannte Artgenossen, Humor, Werkzeuge, formale Logik und Theory of Mind⁶⁵ gibt es in schwächerer Ausprägung auch im Tierreich. Der Übergang von Intelligenz zu allgemeiner Intelligenz ist daher eine unscharfe Schwelle: Viele geistige Fähigkeiten müssen eine quantitative Grenze überschreiten, bevor ein qualitativer Sprung erfolgt.

Bis Anfang der 2020er Jahre war die gezielte Selbstverbesserung allgemeiner Intelligenz ausschließlich dem Menschen vorbehalten und ausgesprochen handwerklich. Der Geist entzieht sich einer „Ingenieurtechnik“ im Sinne unbegrenzter, reproduzierbarer Verbesserungen. Jahrtausende der Pädagogik haben viele Verfahren hervorgebracht, doch niemand erwartet auf diesem Gebiet einen Durchbruch, zumindest nicht in absehbarer Zukunft⁶⁶. Eine neue Sprache, lineare Algebra oder Thermodynamik lässt sich nicht über Nacht beherrschen; diszipliniertes Lernen bleibt der einzige Weg.

In den 2010er Jahren konnten spezialisierte Intelligenzen sich bereits in eng umgrenzten Bereichen selbst verbessern – das bekannteste Beispiel ist Go⁶⁷. Anfang der 2020er Jahre kam ein Wendepunkt: große Sprachmodelle, deren größte Ausführungen einen erkennbaren Funken allgemeiner künstlicher Intelligenz zeigen⁶⁸. Wie der Buchdruck oder das Web erweitern diese Modelle die Fähigkeit der Menschheit, ihre eigene Intelligenz zu verfeinern.

Auf dieser Grundlage können wir „allgemeine Intelligenz“ näher bestimmen. Die nächsten drei Unterabschnitte betrachten das Thema aus verschiedenen Blickwinkeln. Erstens fragen wir, wann eine Fragestellung zu einem Problem allgemeiner Intelligenz wird, dessen Optionenraum sich formalen Grenzen entzieht. Zweitens untersuchen wir Sachbearbeitertätigkeiten in Supply-Chain-Teams, um zu zeigen, warum sie spezialisierte und keine allgemeine Intelligenz erfordern und somit reif für die Automatisierung sind. Drittens beurteilen wir große Sprachmodelle, den derzeit aussichtsreichsten Ansatz für technisch konstruierte allgemeine Intelligenz, und trennen echte Beiträge vom Hype. Zusammen machen diese Sichtweisen aus einer philosophischen Idee eine praktische Orientierung für moderne Supply Chains.

6.2.1 Probleme allgemeiner Intelligenz

Probleme allgemeiner Intelligenz sind ihrem Wesen nach offen. Jede Lösung vertieft lediglich unser Verständnis und erzwingt eine neue Formulierung, die wiederum eine neue Lösung verlangt. Dieser Kreislauf lässt sich nie endgültig unterbrechen: Haltepunkte sind teilweise willkürlich – ein pragmatischer Waffenstillstand, bestimmt durch die gegenwärtigen wirtschaftlichen Bedingungen, Werkzeuge und Aufmerksamkeitsgrenzen –, bis die Realität eine neue Formulierung erzwingt. Solche Probleme mögen subjektiv selten erscheinen, weil die meisten „Probleme“, sobald sie benannt sind, umgehend mit formalen Grenzen versehen werden, um sie handhabbar zu machen. In ihrer unverhüllten Form sind jedoch nahezu alle geschäftlichen Probleme solche der allgemeinen Intelligenz.

Unternehmerisches Gewinnstreben ist ein klares Beispiel für ein Problem allgemeiner Intelligenz. Kapital, Zeit und Aufmerksamkeit der Führungskräfte eines Unternehmens sind endlich; die Möglichkeiten ihres Einsatzes sind praktisch unbegrenzt und verändern sich fortwährend. Der Unternehmer muss jederzeit entscheiden, ob er sich auf die beste derzeit bekannte Option festlegt oder Ressourcen für die Suche nach einer besseren aufwendet – im Wissen, dass die Suche selbst genau diese knappen Ressourcen verbraucht. Weil sich der Optionenraum mit Technologien, Wettbewerbern und Vorschriften verändert, schließt keine feste Formalisierung das Problem ab. Unternehmertum gehört daher eindeutig zur allgemeinen Intelligenz. Die Geschichte zeigt, wie Unternehmer immer wieder Branchen neu definieren oder erfinden, die ihre Vorgänger sich nie vorgestellt hatten.

Das Tourenplanungsproblem – optimale Routen für eine Fahrzeugflotte zu wählen, die vorgegebene Kunden bedienen muss – ist dagegen der Archetyp eines begrenzten Problems. Seine Lösung mag schwierig sein⁶⁹, erfordert aber keine allgemeine Intelligenz. Jede Lösung muss der formalen, graphentheoretischen Aufgabenstellung entsprechen. Die Menge der Optionen ist endlich, wenn auch astronomisch groß, und jeder Kandidat hat dieselbe Form: eine unter einem festen Kostenmodell bewertete Permutation von Haltepunkten und Zeitpunkten. Ein wirklich überraschender Zug kommt nie vor.

Jedes Problem beginnt als ein Durcheinander, das allgemeine Intelligenz erfordert. Es in ein handhabbares, „begrenztes“ Problem zu verwandeln, ist selbst eine Leistung allgemeiner Intelligenz⁷⁰. Entscheidend ist, ob die gewählte Formalisierung angemessen ist. Die Wissenschaft mag Rätsel unbegrenzt katalogisieren, doch Unternehmen müssen sich für eine Problemfassung entscheiden, weil jede Ressource nur einmal zugeteilt werden kann. Auf diesen methodischen Punkt kommen wir später zurück.

Umgekehrt lässt sich jedes begrenzte Problem wieder zu einem Problem allgemeiner Intelligenz erweitern, indem man den Rahmen verändert, der es „begrenzt“ hat. Mitunter wird dies als „Schummeln“ abgetan, weil es gegen die ursprünglichen Regeln verstößt. Bei der Tourenplanung setzt das Lehrbuchproblem einen festen Kundenkreis, feste Leistungsversprechen, eine feste Flotte und feste Preise voraus. Sobald wir einen dieser Punkte neu aushandeln – entlegene Lieferungen streichen oder verschieben, anders bepreisen, Abholstationen oder einen Paketdienst hinzunehmen, Fahrzeugtypen wechseln, Lieferzeitfenster erweitern oder Lieferungen sogar ganz überflüssig machen, wie Streaming es bei Kassetten tat –, löst sich das ursprüngliche Problem auf. Wir haben keine klügere Route gefunden, sondern das Spiel verändert. Diese Neufassung, also das Verändern von Beschränkungen, Verpflichtungen oder Erträgen, ist genau die Arbeit allgemeiner Intelligenz.

Frühere Kapitel haben gezeigt, dass mehrere Supply-Chain-Herausforderungen echte Probleme allgemeiner Intelligenz sind. Drei stechen hervor. (1) Die Wahl des wirtschaftlichen Modells, das festlegt, wie Handlungen sich in Kosten, Einnahmen, Risiken und Beschränkungen übersetzen – der Maßstab, den wir optimieren. (2) Die Definition des Optionenraums: der Menge zulässiger Handlungen, Zeitpunkte und Mengen, die das Unternehmen in Betracht ziehen will. Eine Entscheidung ist eine Auswahl aus dieser Menge, nicht die Menge selbst. (3) Die Entwicklung numerischer Rezepte, die anhand von Daten innerhalb dieses Optionenraums Entscheidungen auswählen, um unter Einhaltung der Beschränkungen risikoangepasste Renditen zu maximieren. Weil gegnerisches Verhalten von Wettbewerbern, Mitarbeitern, Lieferanten, Kunden oder Softwareanbietern fortwährend gegen die Grenzen drängt, kann nur allgemeine Intelligenz diese Fragen bewältigen. Die Geschichte der Lieferanten, die ein schwaches ERP ausnutzten, um überschüssige Ware zu liefern, ist ein Beispiel für eine solche Unterwanderung.

Viele veröffentlichte Arbeiten zur Supply Chain halten starr an begrenzten Formulierungen fest und lassen die Entwurfsentscheidungen, die allgemeine Intelligenz erfordern – Ziel, Beschränkungen und Optionenraum –, unausgesprochen. Das macht solche Probleme nicht unlösbar. In der Praxis gilt es, diese verborgenen Entscheidungen offenzulegen: das wirtschaftliche Ziel in Geldgrößen ausdrücken, zulässige Optionen aufzählen und Abbruchbedingungen festlegen. Anschließend wird die Arbeit in begrenzte Teilprobleme zerlegt, die eine Maschine lösen kann. Die nächsten Abschnitte zeigen konkrete Vorgehensweisen dafür und für weitere Überarbeitungen, wenn die Realität Widerstand leistet. Dieses Vorgehen bleibt zwangsläufig unvollständig – Probleme allgemeiner Intelligenz lassen sich nicht „abschließen“ –, reicht aber aus, um ohne menschliches Eingreifen profitable Entscheidungen zu erzeugen.

6.2.2 Sachbearbeitertätigkeiten in der Supply Chain

Supply-Chain-Herausforderungen erfordern erhebliche allgemeine Intelligenz. Ein hartnäckiger Irrtum besagt, dass derselbe Maßstab auch für Routineentscheidungen gelten müsse. Das ist nicht der Fall. Sie verlangen lediglich spezialisierte Intelligenz: strukturierte Prozesse, die sich technisch entwickeln und an Software übergeben lassen.

Der Irrtum entspringt überholten Praktiken. In vielen Unternehmen entscheiden Sachbearbeiter noch immer etwa darüber, ob eine Nachschubbestellung ausgelöst werden soll. Sie wenden dabei durchaus Regeln mit Intelligenz an, doch allgemeine Intelligenz ist kaum beteiligt – bei genauerem Hinsehen nahezu gar nicht.

Diese Regeln sind gewöhnlich geringfügige Abwandlungen von Praktiken der 1970er Jahre⁷¹. Sachbearbeiter verbessern die Grundlagen selten; sie führen die Regeln lediglich aus und pflegen sie. Selbst die Parameterpflege, etwa das Anpassen von Servicegraden, ist eine spezialisierte, regelgebundene Aufgabe. Auch hier spielt allgemeine Intelligenz keine Rolle.

Bessere Berichtswerkzeuge erhöhten zwar die Produktivität, verbesserten jedoch nicht die Entscheidungen selbst. Mitarbeitern die Suche nach Bestandsmengen und Verkaufshistorien zu ersparen ist nützlich. Zahlen einfach bereitzustellen verrät aber noch nicht, wie sich daraus Gewinn erzielen lässt.

Unverblümt gesagt ist der Supply-Chain-Sachbearbeiter des 21. Jahrhunderts⁷² das Bürogegenstück zum Fabrikarbeiter des 20. Jahrhunderts. Jeder Tag beginnt damit, eine Anwendung, häufig eine Tabellenkalkulation, zu öffnen und sich mühsam durch Hunderte Zeilen zu arbeiten. Der Kreislauf ist endlos: Die Leistungsstärksten werden Ausbilder oder Vorgesetzte und halten ihn damit am Leben. Ein Schreibtisch verleiht für sich genommen keine „Intelligenz“. Angesichts der heutigen Technologie werden diese Sachbearbeitertätigkeiten bald in die Geschichtsbücher gehören – zur allgemeinen Erleichterung überholt.

Das angesammelte Können genau dieser Sachbearbeiter ist jedoch alles andere als entbehrlich. Ihre alltäglichen Heuristiken, über Jahre im Umgang mit Eigenheiten von Softwareanbietern, Sonderfällen in Katalogen und improvisierten Behelfslösungen geschärft, bilden das implizite Fachwissen, das die Intelligenzsysteme von morgen aufnehmen, formalisieren und übertreffen müssen. Automatisierung ist daher keine Zurückweisung ihrer Expertise. Sie ist das Mittel, das sie bewahren, in größerem Maßstab nutzbar machen und endlich von der Plackerei befreien wird, die sie heute unter ihren Möglichkeiten hält.

Bevor wir betrachten, wie Routineaufgaben verschwinden, sollten wir uns vergegenwärtigen, warum Führung über „Soft Skills“ in Supply-Chain-Teams so wichtig war. Als Planung manuell oder halbmanuell erfolgte, verwendeten Führungskräfte den größten Teil ihrer Energie darauf, Heerscharen von Sachbearbeitern zu koordinieren: Prioritäten gegeneinander abzuwägen, Reibungen zwischen Silos zu glätten und einen Stillstand der Abläufe zu verhindern. Diese Anforderung entfällt, sobald Entscheidungen automatisiert werden. Wenn eine technisch konstruierte und schließlich künstliche Intelligenz die Planungslast trägt, schrumpft das Koordinationsproblem zusammen; eine Handvoll Spezialisten kann ein sehr großes Arbeitsvolumen steuern.

Der Auftrag verändert sich. Statt Menschen zusammenzuhalten, übernimmt die Führungskraft die Verantwortung für die Maschine, die die Entscheidungen trifft. Diese Verantwortung hat vier Bestandteile: (1) das wirtschaftliche Ziel in Geldgrößen ausdrücken und den zulässigen Optionenraum festlegen; (2) die Entscheidungsqualität sichern – durch Audits, Abbruchheuristiken und bei Bedarf Parallelbetrieb; (3) Semantik und Datenherkunft betreuen, damit die Eingaben vertrauenswürdig bleiben; (4) ein kleines, ingenieurtechnisch denkendes Team einstellen und schützen, das die Logik kurzfristig verändern kann. Charisma und Empathie helfen weiterhin, insbesondere wenn Finanzen, Merchandising und Betrieb auf ein gemeinsames Ziel ausgerichtet werden sollen. Sie können jedoch technische Verantwortung nicht ersetzen. Unternehmen, die an Sachbearbeiterabläufen festhalten, werden weiterhin Soft-Skill-Theater belohnen, selbst wenn ihre Margen schwinden. Auf dieses Thema kommen wir bei der manuellen Prognose zurück.

6.2.3 Große Sprachmodelle

Die Anfang der 2020er Jahre aufgekommenen großen Sprachmodelle (LLMs) markieren einen Meilenstein in sieben Jahrzehnten rasanten Softwarefortschritts. Die leistungsfähigsten LLMs zeigen wohl den ersten Funken allgemeiner Intelligenz und verdienen deshalb genaue Aufmerksamkeit. Sie sind für die Supply-Chain-Praxis bedeutsam, auch wenn viele von Anbietern beworbene „Anwendungsfälle“ bloßer Unsinn sind, der auf Modewörtern mitschwimmt.

Konzeptionell tut ein LLM genau eines: Es liest eine Symbolfolge, sagt das nächste Symbol voraus und hängt es an die Eingabe an. Die Eingabefolge ist der Prompt; der Erzeugungsvorgang heißt Sequenzvervollständigung. Symbole könnten einzelne Zeichen sein, doch die Leistung verbessert sich, wenn das Modell mit Zeichengruppen arbeitet, den sogenannten Tokens. Ein Vokabular umfasst typischerweise \(\sim\)100.000 Tokens. Vor der Inferenz wird Text tokenisiert und danach detokenisiert, sodass wieder lesbare Sprache entsteht⁷³.

Intern weist ein LLM allen möglichen nächsten Tokens Wahrscheinlichkeiten zu. Statt stets das wahrscheinlichste zu wählen, kann man aus dieser Verteilung ziehen und so Zufälligkeit einführen, die durch einen Temperaturparameter gesteuert wird. Bei Temperatur = 0 entsteht eine deterministische Ausgabe.

LLMs haben ein festes Kontextfenster: die maximale Anzahl von Tokens für Prompt und Ausgabe zusammen. Wird diese Grenze überschritten, werden die ältesten Tokens abgeschnitten und ihre Informationen gehen verloren. Heute fassen Modelle häufig über 100.000 Tokens, ungefähr 100 Textseiten. Verfahren wie Retrieval-Augmented Generation (RAG) erweitern die praktische Reichweite, liegen aber außerhalb dieser Erörterung.

Ein Modell auszuführen, also Inferenz zu betreiben, ist einfach; eines zu erzeugen, also zu trainieren, ist weit schwieriger. LLMs sind Deep-Learning-Netze mit Milliarden von Parametern, die als Tensoren⁷⁴ angeordnet und überwiegend durch Operationen der linearen Algebra miteinander verknüpft werden.

Solche Korpora enthalten typischerweise eine Billion Tokens oder mehr. Das Training verarbeitet den Korpus Token für Token und verschiebt die Parameter⁷⁵ jedes Mal ein wenig in Richtung einer genaueren probabilistischen Vorhersage des nächsten Tokens. Nachdem der öffentliche Korpus verarbeitet wurde, wird das Training mit einem wesentlich kleineren Korpus wiederholt. Dieser soll das Erzeugungsverhalten des Modells dem eines hilfreichen Assistenten annähern. Dieser letzte Vorgang heißt Fine-Tuning.

Diese Zusammenfassung verdeutlicht auch, warum die Modelle vortrainiert heißen: Anders als bei den meisten Modellen des maschinellen Lernens müssen Nutzer keinen eigenen Datensatz mitbringen; ihn stellt derjenige bereit, der das Modell trainiert.

LLMs verkörpern eine befremdliche, nichtmenschliche Art von Intelligenz. Softwareanbieter übertreiben ihre Fähigkeiten, während viele Supply-Chain-Experten und ganze Organisationen sie herunterspielen und als Kuriosität behandeln, die Theorie und Praxis unverändert lässt. Beide Haltungen sind falsch. LLMs sind weder Magie noch bedeutungslos. Sie verlangen grundlegende Prompting-Fähigkeiten⁷⁶ und eine geeignete Anbindung an Werkzeuge; ohne diese wirkt jedes Modell „dumm“. Ihre Leistung hängt stark von der Aufgabe ab: Bei Arithmetik und strengen numerischen Berechnungen sind sie unterdurchschnittlich, beim Wiederlesbarmachen minifizierten Codes, beim Refactoring von Standardcode oder beim Umformulieren fragiler Geschäftsregeln dagegen übermenschlich. Ein kompetenter Praktiker nutzt sie mit begründeten Vorannahmen darüber, wo sie glänzen und wo sie scheitern werden. In diesem Sinne gehört Prompting inzwischen ebenso wie Tabellenkalkulation und Textverarbeitung zur Grundausstattung für Büroarbeit.

Heutige Modelle sind außerdem multimodal. Die meisten führenden LLMs können von sich aus Bilder verarbeiten, und viele erzeugen inzwischen auch Bilder. Dieselbe Integration erfasst zunehmend Audio, sowohl Spracherkennung als auch Sprachsynthese, indem Pixel oder Wellenformen in Pseudo-Tokens gezwängt werden. Jenseits dieser nativen Modalitäten stammen die eindrucksvollen „Zusatzfähigkeiten“, die Menschen beobachten – Websuche, Codeausführung, Informationsabruf, Optimierer und Simulatoren –, jedoch weiterhin von einem Orchestrator, der über dem Modell liegt. Das Modell gibt einen strukturierten Werkzeugaufruf aus; der Orchestrator ruft das externe Werkzeug auf; das Ergebnis wird in den Kontext zurückgeführt, und die Vervollständigung geht weiter.⁷⁷ Ein LLM ohne Werkzeuganbindung ist eine scharfsinnige Autovervollständigung. Dieselben Gewichte verhalten sich mit Werkzeuganbindung wie ein kompetenter Analyst mit Browser, Taschenrechner und Terminal. Die Intelligenz in den Gewichten ist unverändert; die Fähigkeiten und damit der Nutzen sind es nicht.

Moderne Sprachmodelle zeigen aus zwei Gründen einen Funken allgemeiner Intelligenz: Sie können Code schreiben und Chain-of-Thought-Prompts folgen. Ihr Code bleibt hinter dem eines erfahrenen Ingenieurs zurück, übertrifft aber bereits die Arbeit gering qualifizierter IT-Mitarbeiter. Die Fähigkeit, Software zu schreiben, ist grundlegend, weil Selbstverbesserung – das Kennzeichen allgemeiner Intelligenz – sie voraussetzt.

Chain-of-Thought-Prompting bringt ein Modell dazu, laut nachzudenken. Schon der Zusatz „Denken wir Schritt für Schritt nach.“⁷⁸ zu einem Prompt erhöht oft die Genauigkeit der Antwort, doch die zusätzlichen Begründungs-Tokens steigern die Rechenkosten. Die folgende Abbildung veranschaulicht diesen Effekt.

Chain of Thought (CoT) hilft, indem es das Modell zwingt, eine Aufgabe innerhalb seines Kontextfensters in kleinere Schritte zu zerlegen. Jenseits dieses Fensters behält das Modell keine Erinnerung; kein verborgener Zustand wird von einer Antwort zur nächsten weitergetragen. CoT verwendet lediglich mehr Tokens zur Inferenzzeit, um Zwischenschritte der Argumentation offenzulegen. Das verbessert die Zuverlässigkeit gewöhnlich bis zu einem gewissen Punkt, mit abnehmenden Erträgen und festen Grenzen durch das Kontextfenster. Neuere Systeme führen diese Erweiterung zunehmend im Hintergrund aus und verbergen die rohe Abfolge in „Denkmodi“, um Nutzern lange Monologe zu ersparen. CoT ist ein Budget zur Inferenzzeit für schwierigere Fragen, keine neue Fähigkeit in den Modellgewichten.

Trotz ihrer Attraktivität benötigen große Sprachmodelle für dieselbe Aufgabe typischerweise eine Million Mal mehr Rechenaufwand als klassische Algorithmen. Hardwarefortschritte werden die Kosten pro Token senken, doch diese Modelle dürften eigens entwickeltem Datenverarbeitungscode niemals ebenbürtig werden. Sie sollten Aufgaben vorbehalten bleiben, die mit einfachen Algorithmen nicht erreichbar sind.

Sprachmodelle sind für die Supply Chain vor allem auf zwei Arten bedeutsam: Erstens beschleunigen sie das Schreiben und die Pflege numerischer Rezepte samt ihrer Dokumentation; zweitens extrahieren sie Merkmale aus Rohtext. Auf beides kommen wir später zurück. Andere Anwendungen sind zweitrangig.

6.2.3.1 Fehlgebrauch großer Sprachmodelle

Seit Anfang der 2020er Jahre stellen viele Anbieter von Unternehmenssoftware kühne, oft unsinnige Behauptungen über künstliche Intelligenz (KI) auf. Sie verbergen die Einzelheiten nicht, um Geheimnisse zu schützen, sondern um zu verschleiern, wie wenig Technologie dahintersteckt. Der Großteil des Hypes dreht sich um große Sprachmodelle (LLMs). Zerlegen wir die wichtigsten Behauptungen.

Unsere KI prognostiziert genauer: Sprachmodelle eignen sich schlecht für Zeitreihenprognosen oder numerische Aufgaben jeglicher Art. Sowohl bei der Genauigkeit als auch beim Rechenaufwand ist ihre Leistung schon im Vergleich zu einfachen statistischen Modellen miserabel, von Spitzenmodellen ganz zu schweigen. Vortrainierte Prognosemodelle, eine Idee nach dem Vorbild der LLMs, werden derzeit intensiv erforscht. Anderswo mögen sie helfen, doch wie das Kapitel Die Zukunft zeigt, sind sie für die Supply-Chain-Praxis eine Sackgasse.

Unsere KI verarbeitet all Ihre Daten: Pro Byte sind Sprachmodelle teuer und langsam, und daran wird sich auf absehbare Zeit nichts ändern. Schon Megabytes an Daten durch ein Sprachmodell zu verarbeiten ist in der Regel ein nichttrivialer Vorgang, der Minuten dauert. Große Unternehmen haben Terabytes an Aufzeichnungen in ihren Geschäftssystemen. Einen vollständigen Unternehmensdatensatz auch nur ein einziges Mal durch ein LLM zu schicken, wird noch jahrelang so langsam und teuer bleiben, dass es praktisch ausscheidet. Abgesehen von den Kosten tut ein LLM nur eines: Sequenzen vervollständigen. Dieses Werkzeug ist vielseitig, doch riesige nichttextuelle Datensätze hindurchzuzwingen bringt keinen erkennbaren Vorteil.

Unsere KI spricht mit Endnutzern: Weil Softwareanbieter pro Nutzer abrechnen, verkauft sich Ineffizienz: Jeder zusätzliche Sachbearbeiter, der mit der Software kämpfen muss, bedeutet zusätzliche Einnahmen. Ein LLM an einen Bildschirm anzuflanschen, um eine „Chat“-Oberfläche zu schaffen, verschlimmert die Lage nur: Gespräche sind langsam und ermüdend. Chatbots gehören in den Helpdesk, nicht in Unternehmensabläufe mit hohem Durchsatz. Menschen an einer klaren, effizienten Oberfläche zu schulen ist einem trägen Dialog jedes Mal überlegen.

In der Unternehmenssoftware sind LLMs die heutige Mode, eine in einer langen Reihe, die bald von der nächsten abgelöst wird. Seit vierzig Jahren herrschen CRUD-Systeme vor, und diese unter Anbietern von Erfassungssystemen dominante Kultur widersetzt sich der sinnvollen Integration neuer Ideen, selbst wenn diese tragfähig sind.

6.2.4 Missverständnisse über Intelligenz

Die Populärkultur trägt die Idee künstlicher Intelligenz (KI) seit Jahrzehnten weiter, und viele heutige Vorstellungen in Führungsetagen sind noch immer von Theorien des 20. Jahrhunderts darüber geprägt, wie „Intelligenz“ auszusehen habe. Das ist bedeutsam, weil diese Vorstellungen unmittelbar in Supply-Chain-Entscheidungen einfließen: Sie bestimmen, welche Projekte finanziert, welche Risiken gefürchtet und welche Hebel nicht genutzt werden. Bevor wir Entscheidungen mechanisieren, müssen wir die Mythen ausräumen, die Führungskräfte zwischen Lähmung und Leichtgläubigkeit schwanken lassen.

Für die Supply Chain ist nicht entscheidend, ob Maschinen „wie wir denken“ werden, sondern ob Software systematisch bessere Wetten darüber abschließen kann, was sich wohin, wann und in welcher Menge bewegt – ohne menschliches Eingreifen und mit überprüfbaren wirtschaftlichen Ergebnissen. Irrtümer über KI treiben Unternehmen in zwei spiegelbildliche Fehler: Alarmismus, der profitable Automatisierung mit der Begründung hinauszögert, „KI sei gefährlich“, und Anthropomorphismus, der menschenähnliche Gespräche mit Entscheidungsfähigkeit verwechselt und fragilen Spielzeugen grünes Licht gibt.

Die nächsten Seiten untersuchen drei hartnäckige Missverständnisse: die „Singularität“, die dem Turing-Test zugeschriebene Auffassung, menschlich klingende Gespräche bedeuteten allgemeine Intelligenz, und das Moravec-Paradoxon, das fälschlich als Beleg für die Grenzen von Maschinen gelesen wird. Wir fassen sie in betrieblicher Hinsicht neu. Der Maßstab für Intelligenz in diesem Buch ist rein wirtschaftlich: höhere risikoangepasste Renditen aus denselben knappen Ressourcen. Nach diesem Maßstab sind die meisten filmreifen Sorgen irrelevant und die meisten vorführfreundlichen Chatbots Ablenkungen.

6.2.4.1 Die Singularität

Die Singularität stellt sich eine KI vor, die sich so schnell selbst verbessert, dass sie die Menschheit überflügelt und uns dann entweder transzendiert oder versklavt. Unzählige Actionfilme variieren dieses Thema, doch Hollywood versteht von KI nicht mehr als von realer Ballistik. Für die Supply-Chain-Praxis ist diese Mythologie ein Non sequitur. Systeme, die über Nachbestellungen, Preise, Routen oder Zuteilungen entscheiden, sind eng umrissene, prüfbare Programme mit begrenzten Optionenräumen, ausdrücklichen Zielen und Abschaltmechanismen. Sie „erwachen“ nicht, sondern optimieren unter Beschränkungen. Die Mechanisierung von Wiederauffüllung oder Tourenplanung abzulehnen, weil „KI außer Kontrolle geraten könnte“, ist so, als lehne man Gabelstapler aus Angst vor Roboteraufständen ab: Man nimmt sichere gegenwärtige Verschwendung in Kauf, um eine spekulative ferne Gefahr zu vermeiden. Die wirklichen Risiken sind alltäglich und beherrschbar – schlechte Ziele, nachlässige Semantik, ungetesteter Code –, ebenso wie die Schutzmaßnahmen: Parallelbetrieb, Abbruchheuristiken, Codeprüfungen und wirtschaftliche Audits. Debatten über existenzielle Risiken haben keinen Einfluss darauf, ob ein Unternehmen bei der täglichen Zuteilung knapper Ressourcen das Beste einsetzen sollte, was die Informatik zu bieten hat.

Auch wenn in der Öffentlichkeit der Eindruck entstehen mag, die Technologie habe 2022⁷⁹ praktisch über Nacht einen Sprung gemacht, trifft das keineswegs zu. Tatsächlich verlief der Fortschritt in den vergangenen sieben Jahrzehnten langsam, schrittweise und mühsam. Zudem wird nicht eine einzige Sache verbessert, sondern es wird an Dutzenden weitgehend unabhängigen Fronten gearbeitet: bessere Paradigmen, bessere Algorithmen, bessere Hardware, bessere Datensätze, bessere Methoden und bessere Codebestände. All diese Verbesserungen stammen von einer vielfältigen Schar Mitwirkender. Zwar kann man auf etwas stoßen, das die menschliche Intelligenz übertrifft; die Vorstellung, eine solche Entität werde sich in einem Ereignis zu einem transzendenten Wesen erheben, ist jedoch weit hergeholt.

Sobald wir den „Ereignischarakter“ aus der Entstehung allgemeiner künstlicher Intelligenz herausnehmen, lässt sich nur schwer erklären, warum sie jemals eine Bedrohung darstellen sollte, die zur Auslöschung der Menschheit führt. Jeder bösartigen Entität und jeder von bösartigen Menschen betriebenen Entität werden ähnlich leistungsfähige Entitäten entgegentreten, die Armeen, Nachrichtendienste, Unternehmen oder sogar Universitäten und Hobbyisten entwickeln. Allgemeine künstliche Intelligenz wird eine späte Ergänzung der bereits langen Liste von Technologien sein, die bei missbräuchlicher Verwendung immensen Schaden anrichten können.

Eine solche Entität wird das Produkt einer hoch entwickelten industriellen Zivilisation sein und auf deren komplexe und fragile Supply Chains angewiesen bleiben. Die Halbleiterfertigung zählt schon heute zu den kompliziertesten Branchen. Denkbare „Alternativen“ – neuromorphe, photonische, quantenbasierte oder biosynthetische Substrate – sind bestenfalls auf Laborniveau und beruhen ihrerseits auf denselben Werkzeugen, Materialien und Präzisionsfertigungsverfahren der Halbleitertechnik. Kurz gesagt gibt es heute keinen industriellen, siliziumfreien Weg zum Rechnen, der diese Supply Chains umgeht. Die weitere Existenz solcher Entitäten wird noch Jahrzehnte, wenn nicht Jahrhunderte, von der aktiven Unterstützung der Menschheit abhängen. Die Menschen werden reichlich Zeit und Gelegenheit haben, die unvermeidlichen Probleme anzugehen, die bislang den Aufstieg jeder Technologie begleitet haben.

Untergangsprophezeiungen sind uralt, und die meisten Experten und Politiker stimmen ein, um sich selbst größer erscheinen zu lassen.

6.2.4.2 Der Turing-Test

1950 entwarf der britische Informatiker Alan Turing sein Imitationsspiel, später Turing-Test genannt. Der Kerngedanke lautet: Kann ein Mensch in einem ausschließlich textbasierten Gespräch nicht zuverlässig zwischen Mensch und Maschine unterscheiden, gilt die Maschine als allgemein intelligent.

Die üblichen Einwände gegen den Test kreisen um Bewusstsein und Selbstbewusstsein; für die Supply Chain gehen sie am Thema vorbei. Uns interessiert nicht, ob eine Maschine „menschlich klingt“, sondern ob sie verlässlich Entscheidungen trifft, die unter Unsicherheit höhere risikoangepasste Renditen liefern.

Entscheidend ist, dass Supply-Chain-Intelligenz mit bloßem Auge nicht unmittelbar erkennbar ist. Menschen haben keinen sechsten Sinn dafür, ob „200 Einheiten nächste Woche“ etwas zu viel oder zu wenig sind. Selbst ex post erfordert die Beurteilung einer Entscheidung kontrafaktische Überlegungen – was geschehen wäre, wenn wir anders gehandelt hätten – und Zeithorizonte, die zu den Lieferzeiten passen. Diese Bewertung ist schwierig: Ergebnisse sind verrauscht, treten verzögert ein und sind mit Tausenden parallelen Entscheidungen verflochten.

Eine Engine, die schlecht oder überhaupt nicht spricht, kann daher „unintelligent“ wirken, während sie unauffällig immer mehr Wert schafft. Umgekehrt kann ein redegewandter Chatbot Gespräche nach Art des Turing-Tests bestehen und das Unternehmen dennoch in Verluste steuern. In den 2010er Jahren täuschten einfache Bots zur Mustererkennung häufig menschliche Prüfer: rhetorisch überzeugend, betrieblich nutzlos. Die Lehre bleibt gültig: Menschlichen Stil nachzuahmen steht in keinem Zusammenhang mit Entscheidungsqualität.

Ein praktisches Beispiel: Eine gute Nachschub-Engine kann viele winzige Bestellungen zu ungewöhnlichen Zeitpunkten aufgeben, die Preise von Langsamdrehern täglich um wenige Cent ändern oder einen Container zu einem wenig angesagten Cross-Docking-Standort umleiten. Einem Planer mögen solche Schritte kleinlich oder sogar falsch vorkommen; in den Büchern senken sie jedoch Lagerhaltungskosten, verringern Abschreibungen und beschleunigen den Rückfluss liquider Mittel. Ein Werkzeug dagegen, das sich hervorragend „erklärt“, zugleich aber überkommene MOQs und Losbildungskalender beibehält, erntet in Besprechungen Beifall und lässt das Betriebskapital unbemerkt ausbluten.

Der einzig sinnvolle Test ist wirtschaftlicher Art. Nennen wir ihn einen wirtschaftlichen Turing-Test: Liefert das Intelligenzsystem im Parallelbetrieb oder anhand begründeter kontrafaktischer Überlegungen, bei denselben Beschränkungen und derselben Prüfspur, nach Berücksichtigung sämtlicher Kosten für Bestand, Logistik, Preisnachlässe, Arbeit und Kapital einen höheren risikoangepassten Betriebsgewinn als der bisherige Prozess? Wenn ja, behandeln wir es als intelligent, gleichgültig wie wortkarg seine Oberfläche ist. Wenn nein, kann keine noch so geschliffene Gesprächsführung es retten.

So faszinierend das Imitationsspiel bleibt, für unser Fach ist es daher kein angemessenes Kriterium. Intelligenzsysteme für die Supply Chain sollten nach überprüfbaren wirtschaftlichen Ergebnissen über geeignete Zeithorizonte beurteilt werden, nicht nach ihrer Fähigkeit zu plaudern.

6.2.4.3 Das Moravec-Paradoxon

Der amerikanische Informatiker Hans Moravec beobachtete in den 1980er Jahren, dass scheinbar einfache Aufgaben – eine Teekanne greifen und Tee eingießen – zu den schwierigsten gehören, die künstliche Intelligenz nachbilden soll. Dagegen haben sich Aufgaben, die einst als Zeichen von Genialität galten, etwa die Diagonalisierung von Matrizen, für Maschinen als unkompliziert erwiesen.

Das Paradoxon löst sich jedoch auf, sobald man seine verborgene Prämisse benennt. Es setzt voraus, dass die Bewegungsfähigkeit von Tieren und die dahinterliegende Planung erlernt (nurture) statt angeboren (nature) sind. Anders gesagt gilt der Erwerb von Bewegungsfähigkeit als Ergebnis eines Lernprozesses, der sich in den vergangenen vier Jahrzehnten als unglaublich schwer künstlich nachzubilden erwiesen hat.

Bei näherem Hinsehen ist an diesen Fähigkeiten wenig oder gar kein Lernen beteiligt. Fohlen und ihre Verwandten unter den Equiden stehen und laufen innerhalb von Stunden. Das ist kein „Lernen“, sondern eine schnelle Kalibrierung eines nahezu fertigen motorischen Systems. Die kognitiven Strukturen sind fast vollständig vorhanden; das System braucht nur einen kleinen Anstoß, damit sich die Bahnen festigen.

Beim Menschen ist die Angeborenheit weniger sichtbar: Unsere im Vergleich zu anderen Säugetieren übergroßen Köpfe erzwingen eine frühere Geburt, sodass sich die motorischen Schaltkreise außerhalb des Mutterleibs fertig entwickeln müssen. Was viele als „Lernen“ des Säuglings wahrnehmen, ist kognitive Entwicklung, die ungehindert weiterginge, wenn er noch einige Monate im Mutterleib bliebe.

Diese weitgehend angeborenen Schaltkreise sind Produkte der Evolution, über rund 800 Millionen Jahre und unzählige Generationen verfeinert. Kein Wunder, dass Maschinen Mühe haben, mit der Bewegungsfähigkeit von Tieren mitzuhalten. Die Herausforderung ähnelt der Entwicklung eines Geräts, das Bäume bei der Umwandlung von Sonnenlicht in Strukturmaterial oder Ribosomen beim Zusammenbau von Makromolekülen übertrifft. Die Evolution in Spielen zu schlagen, die sie seit Äonen spielt, ist ungeheuer schwierig.

Bewegungsfähigkeit beruht auf Hunderten eng verflochtenen Heuristiken; selbst eine Schnecke findet sich im dreidimensionalen Labyrinth der Vegetation zurecht. Gut gewählte Heuristiken können „intelligent“ erscheinen, sofern der Handlungsraum eng begrenzt ist, wie im Fall der Schnecke.

In der Natur war Bewegungsfähigkeit ein notwendiger evolutionärer Weg zur allgemeinen Intelligenz: Das Leben konnte von seinen einzelligen Ursprüngen nicht unmittelbar zur allgemeinen Intelligenz springen, ohne zuvor die Fortbewegung zu lösen. Maschinen unterliegen keiner solchen Beschränkung, solange Menschen Energie und Materialien bereitstellen, während wir die verbleibenden Hürden überwinden, etwa die Entwicklung industrieller Ersatzlösungen für Muskelfasern. Die Evolution löste diese Probleme auf Arten, die sich nicht industrialisieren lassen; wir müssen sie neu lösen.

Die Konsequenz für die Supply Chain wird leicht übersehen. Aufgaben, die Menschen „einfach“ erscheinen – durch einen belebten Gang gehen, einen Karton greifen, einen Kollegen erkennen –, sind genau jene, die die Evolution über Hunderte Millionen Jahre abgestimmt hat. Dagegen entspricht schnelle Ressourcenallokation in großem Maßstab, also das Ordnen von Millionen kleinster Optionen mit verzögerten, stochastischen Erträgen, dem Gegenteil dessen, wofür sich unser Gehirn entwickelt hat. Das Arbeitsgedächtnis ist winzig, Aufmerksamkeit störanfällig, und unsere Intuition für Wahrscheinlichkeiten ist bekanntlich schwach. Maschinen kehren dieses Profil um: Sie tun sich mit tierischer Bewegung schwer, sind aber hervorragend darin, riesige Optionsmengen aufzuzählen, kontrafaktische Verläufe zu bewerten und Pläne jede Minute neu zu berechnen. Der Spott „KI kann nicht einmal Wäsche falten“ ist daher irrelevant für die Frage, ob Software Planer dabei übertreffen kann, 50.000 SKUs neu zu bepreisen, Bestände über mehrere Lagerstufen auszugleichen oder Container bei schwankenden Lieferzeiten während der Reise umzuleiten. Im Sinne Moravecs sind dies Probleme, die Maschinen von Natur aus liegen.

Daraus folgen zwei betriebliche Schlussfolgerungen. Erstens sollte die Automatisierung von Entscheidungen weder von Fortschritten in der Robotik noch von geschliffener Gesprächsführung abhängig gemacht werden. Der maßgebliche Maßstab bleibt der zuvor eingeführte wirtschaftliche: Liefert die Engine unter denselben Beschränkungen einen höheren risikoangepassten Gewinn als der bisherige Prozess? Zweitens ist zu erwarten, dass Maschinen Menschen zuerst dort überholen, wo Planer am meisten ins Schwitzen kommen: bei kombinatorischer Allokation, Preisgestaltung im Wettbewerb, dem Ausgleich über mehrere Lagerstufen und dynamischer Neuplanung. Nichts davon verlangt eine menschenähnliche Allgemeinheit; spezialisierte Intelligenz innerhalb klar definierter Grenzen genügt – genau das Einsatzgebiet von Supply-Chain-Engines.

Kurz gesagt ist die Nachbildung tierischer Bewegungsfähigkeit keine Abkürzung zur allgemeinen Intelligenz. Sie ist ein Bündel schwieriger, aber im Wesentlichen spezialisierter Probleme. Ihre Lösung kann die Arbeit an allgemeiner künstlicher Intelligenz inspirieren oder gelegentlich mit Erkenntnissen unterstützen; dennoch bleibt diese ein eigenständiges Vorhaben.

6.3 Spezialisierte Intelligenz

Ein spezialisiertes Problem ist eines, dessen Optionen durch ausdrückliche formale Regeln begrenzt sind; es zu lösen verlangt spezialisierte Intelligenz. Die akademischen Supply-Chain-Rätsel sind typische Beispiele. Jede Lösung, ob einfache Heuristik oder großes hyperparametrisches Modell, gilt allein aufgrund der Qualität ihrer Ergebnisse als „intelligent“. Eine Methode nur deshalb für „klüger“ zu erklären, weil sie undurchschaubar wirkt, ist ein Fehler.

Die Supply Chain wird genau dann handhabbar, wenn ihre ausufernden Fragen allgemeiner Intelligenz in viele begrenzte Allokationsprobleme zerlegt werden. Jedes begrenzte Problem legt drei Elemente fest: (1) die Optionsmenge – was wohin, wann und in welcher Menge bewegt werden darf; (2) die Beschränkungen – Kapazitätsgrenzen, Kalender, MOQs, Leistungsversprechen und die Häufigkeit, mit der die Entscheidung neu geprüft wird; und (3) die Bewertung – einen in Geld ausgedrückten Maßstab, der Chancen und Nachteile unter Unsicherheit bepreist. Sobald diese Elemente ausdrücklich feststehen, lautet die Aufgabe nicht mehr „Plane die Supply Chain“, sondern „Wähle aus den zulässigen Optionen diejenigen, die die risikoangepasste Rendite maximieren“.

Diese Zerlegung ist kein rhetorisches Mittel, sondern der technische Schritt, der Software ohne menschliches Eingreifen ermöglicht. Eine SKU an einem Standort über einen bestimmten Horizont aufzufüllen, den heutigen Preis eines Langsamdrehers zu wählen, Kartons einem Lkw-Haltepunkt zuzuordnen oder die Reparatur eines Rotables anzunehmen oder aufzuschieben – all dies sind spezialisierte, überprüfbare Entscheidungen über die Ressourcenallokation. Lose gekoppelte Probleme lassen sich mit hoher Frequenz durch Greedy-Verfahren bearbeiten; eng gekoppelte lassen sich bündeln und mit aufwendigeren Verfahren optimieren. Die Grenzen bleiben revidierbar: Ändern sich die wirtschaftlichen Verhältnisse, erweitern wir die Optionsmenge oder passen die Bewertung an. Solange die Grenzen gelten, kann ein Intelligenzsystem die Entscheidung jedoch automatisieren, prüfen und verbessern.

Die Geschichte künstlicher Intelligenz ist ein Spiel mit ständig verschobenen Zielpfosten. Forscher wählen ein schwieriges Problem, bezeichnen dessen Lösung als „echte KI“ und geben ihr, sobald das Problem gelöst ist, einen anderen Namen, bevor sie sich der nächsten Herausforderung zuwenden. Jeder Triumph gilt bald als alltäglich, und der Kreislauf beginnt von Neuem.

Dieses Muster erklärt, warum ausgereifte Lösungen oft „unintelligent“ wirken: Sie werden routinemäßig und mechanisch. Intelligenz sollte nach der Qualität der Entscheidungen beurteilt werden, nicht danach, wie undurchschaubar die Mechanik wirkt. Ausgefeilte Modelle können sich als „klüger“ ausgeben, bearbeiten aber weiterhin eine begrenzte Aufgabe. Echte Fragen allgemeiner Intelligenz müssen gesondert angegangen werden.

Entgegen der Intuition ist die erste brauchbare Lösung selten die einfachste; Einfachheit zu erreichen ist eine eigene, oft schwierigere Aufgabe. Fortschritt führt nicht vom Einfachen zum Ausgefeilten, sondern von unübersichtlichen Prototypen zu schlanken Kernen. Maxwells elektromagnetische Theorie begann mit mehr als zwanzig Gleichungen; Heaviside verdichtete sie später zu den vier, die wir heute verwenden. Ebenso werden die verschlungenen Antworten von heute zu den eleganten Prinzipien von morgen.

Derselbe Kreislauf befeuert KI-Booms und -Zusammenbrüche: Menschen verwechseln die Lösung eines schwierigen Nischenproblems mit der Lösung allgemeiner Intelligenz, und Investoren reiten auf dem daraus entstehenden Hype. Allgemeine Intelligenz ist schwierig, doch unzählige spezialisierte Probleme müssen noch schwieriger sein. Sollten wir jemals eine allgemeine Intelligenz bauen, wird jedes dann noch ungelöste Problem definitionsgemäß schwieriger sein; andernfalls wäre es zuerst gelöst worden.

Die Höhen und Tiefen des KI-Etiketts sollten die Errungenschaften der Informatik seit dem Zweiten Weltkrieg nicht verdecken, von denen viele für die Supply Chain zentral sind. Das Gebiet ist mittlerweile so breit, dass jeder Überblick zwangsläufig unvollständig bleibt. Die folgenden Seiten greifen jedoch die für die Supply-Chain-Praxis wichtigsten Themen heraus.

6.3.1 Algorithmen

Algorithmen sind präzise Verfahrensrezepte, die für eine genau bestimmte Eingabe terminieren und eine korrekte Antwort zurückgeben. In den 1930er Jahren durch Church, Turing und Kolmogorov formalisiert, wurden Algorithmen zum Rückgrat der Informatik des 20. Jahrhunderts. Viele frühe „KI“-Erfolge der 1950er Jahre – topologisches Sortieren, Wegefindung in Graphen, Löser für lineare Gleichungssysteme – heißen heute schlicht Algorithmen.

Formal könnte jedes Programm, das für alle zulässigen Eingaben anhält, als „Algorithmus“ bezeichnet werden. In der Praxis verwenden Informatiker den Begriff enger. Ein Algorithmus ist ein atomarer, wiederverwendbarer Baustein, dessen Problemstellung unabhängig von jedem Datensatz, jeder Oberfläche und jedem Server ist. Dazu gehören ein Beweis, dass er für jede gültige Eingabe die festgelegte Ausgabe liefert, sowie eine Analyse seines Zeit- und Speicherbedarfs bei wachsender Eingabegröße.

Eine „atomare“ Aufgabe lässt sich nicht in kleinere, unabhängige, zweckmäßige Teilaufgaben zerlegen. Das Rendern einer Webseite umfasst dagegen Hunderte Schritte, vom Tokenisieren des HTML bis zum Anpassen des Zeichenabstands, und ist somit nicht atomar.

Zu einem Algorithmus gehört ein Korrektheitsbeweis; ohne einen solchen Beweis handelt es sich lediglich um eine Heuristik. Die kombinierten Fermat-Fibonacci-Tests etwa erkennen Primzahlen zuverlässig, doch ihnen fehlt weiterhin ein Korrektheitsbeweis. Daher bleiben sie Heuristiken.

Der Wert eines Algorithmus liegt letztlich in seiner Leistung. Für die meisten Aufgaben gibt es zwar Brute-Force-Verfahren, doch ein guter Algorithmus erreicht dasselbe Ergebnis mit weit weniger Rechenaufwand und Speicher. Gelegentlich lässt sich sogar Optimalität beweisen, wobei die Feinheiten der Komplexitätstheorie den Rahmen dieses Kapitels sprengen.

Algorithmen und die sie unterstützenden Datenstrukturen bilden das Fundament von Software; jede später erörterte Methode beruht auf ihnen. Entsprechend sind sie eine Hilfswissenschaft der Supply Chain, auch wenn gut entworfene Werkzeuge Praktiker von ihren Einzelheiten abschirmen können, wie wir noch sehen werden.

Leser, die tiefer einsteigen möchten, sollten den Klassiker Introduction to Algorithms von Cormen et al. (3. Auflage, 2009) heranziehen. Der Anhang enthält ein ausgearbeitetes Beispiel: den Algorithmus zum topologischen Sortieren.

Das im Kapitel Information eingeführte CRUD-Muster verdankt seinen Erfolg dem Umstand, dass Teams damit Unternehmenssoftware ausliefern können, ohne über tiefes algorithmisches Können zu verfügen. In der Unternehmens-IT wurde daraus ein Karriereweg: Viele fähige Entwickler bauen jahrzehntelang Formulare und Berichte, ohne je zu lernen, Algorithmen zu entwerfen und zu analysieren. Innerhalb von Erfassungssystemen ist diese Lücke harmlos, weil dort CRUD-Vorgänge mit konstanter Laufzeit dominieren und die Datenbank die schwere Arbeit übernimmt. Sobald wir die Geschäftsbücher verlassen und uns an Optimierung versuchen, wirkt sie lähmend. Sie erklärt auch die kulturelle Dominanz von CRUD und spiegelbildlich, warum Anbieter, die bei der Datenerfassung brillieren, bei Intelligenzsystemen so häufig scheitern: Diese verlangen algorithmische Modellierung, Kontrolle der Komplexität und gezielte Leistungsoptimierung – Fähigkeiten, die CRUD-Gewohnheiten weder vermitteln noch bei der Personalauswahl begünstigen.

6.3.2 Operations Research

Operations Research entstand im Zweiten Weltkrieg und befasste sich mit Fragen der Ressourcenallokation⁸⁰ im Krieg – wo Radaranlagen aufzustellen waren, wie Konvois zu führen und knappe Flugzeuge zuzuteilen waren – und nach 1945 mit geschäftlichen Fragen. Das Gebiet brachte viele Algorithmen hervor, allen voran Dantzigs Simplexverfahren von 1947. Anders als die Informatik interessierte es sich jedoch weniger für atomare Probleme als für durchgängige Anwendungen. Der schottische Funkingenieur Robert Watson-Watt definierte Operations Research 1947 so:

Quantitativ zu untersuchen, ob die nutzende Organisation aus dem Betrieb ihrer Ausrüstung den bestmöglichen Beitrag zu ihrem Gesamtziel erzielt.

Watson-Watts Formulierung erinnert an die einleitende Definition der Supply Chain in diesem Buch; Operations Research ist ihr Vorläufer. Zwischen den 1950er und 1970er Jahren brachte das Gebiet Simulationen, Ökonometrie, stochastische Modelle und mathematische Optimierung hervor. Viele dieser Zweige entwickelten sich später zu eigenständigen Disziplinen und entfernten sich vom Dach der Operations Research.

Die bedeutendsten Beiträge der Operations Research, zumindest unter jenen, die nicht zu eigenen Fachgebieten umklassifiziert wurden, sind Verfahren zur Transportoptimierung, linearen und quadratischen Programmierung, ganzzahligen Programmierung und ähnlichen Aufgaben. All diese Aufgaben haben eine gemeinsame Struktur: Entscheidungsvariablen müssen so gewählt werden, dass sie eine Zielfunktion maximieren, die ein Ziel aus der realen Welt abbildet. Diese Problemfassung liegt noch immer dem Großteil geschäftlicher Entscheidungsfindung und auch dem Ansatz dieses Buches zugrunde.

In den 1970er Jahren blieb Operations Research hinter ihren Ambitionen zurück. Wie bereits erwähnt, brachte der amerikanische Pionier Russell Ackoff dieses Empfinden 1979 in seinem Artikel The Future of Operational Research is Past zum Ausdruck. Die meisten Entscheidungen über Ressourcenallokation wurden 1979 weiterhin manuell getroffen, und so ist es bei den meisten bis heute. Ackoff nannte mehrere grundlegende Ursachen:

• Mangelhaftes Systemdenken: Experten verließen sich auf vereinfachte Kausalität erster Ordnung.

• „Pseudooptimale“ Ergebnisse, die von gekünstelten Zielfunktionen bestimmt wurden.

• Fragile Antworten, die einen vollkommen bekannten, unveränderlichen Kontext voraussetzen.

• Die Bereinigung realer „Problemknäuel“ zu Spielzeugproblemen, ohne die Praxis zu verändern.

Diese Kritik trifft weiterhin zu. Große Teile der Supply-Chain-Literatur wiederholen dieselben Fehler – ein Grund dafür, dass so wenig davon den Kontakt mit der Realität übersteht⁸¹.

In den 1980er Jahren wandelte sich Operations Research zu „OR“, dem Akronym, und spezialisierte sich auf Software-„Solver“ für Optimierungsmodelle in domänenspezifischen Sprachen. Damit etablierte sich OR als Teilgebiet der Informatik.

Kommerzielle Solver bilden eine gesunde Softwarenische und bewältigen viele Entwurfsaufgaben gut. Numerical Optimization (2006) von Nocedal und Wright ist weiterhin das maßgebliche Überblickswerk, auch für lernbasierte Varianten. Abgesehen von Varianten der Tourenplanung werden Solver in der Supply Chain selten eingesetzt, weil drei anhaltende Grenzen ihren Nutzen beschneiden.

Erstens konzentrieren sie sich ausschließlich auf deterministische statt stochastische Optimierung. Damit können sie nicht mit Unsicherheit umgehen, einem ständigen Merkmal von Supply Chains.

Zweitens bieten sie entweder Skalierbarkeit oder Ausdrucksstärke, aber nicht beides. Für Supply-Chain-Zwecke skalieren Solver nur in linearen oder quadratischen Modellen, die zu einfach sind, um reale Supply-Chain-Situationen abzubilden.

Drittens stellen Solver mathematische Reinheit über praktische Ausdrucksstärke⁸². Lineare und quadratische Programmierung können zwar Optimalität bescheinigen, beschreiben die reale Welt aber so schlecht, dass die „optimale“ Antwort ausnahmslos nutzlos ist.

Auch wenn man die Reinheit beiseitelässt, skalieren Solver weiterhin schlecht. Bei einer konkreten Aufgabe, etwa der Tourenplanung, entwickeln Unternehmen oft Ad-hoc-Code, statt fertige Werkzeuge zu verwenden. In Supply Chains ist das Problem besonders ausgeprägt, weil dort mehrere zehn Millionen Entscheidungsvariablen, mehrere je SKU, üblich sind.

Das Erbe der Operations Research liegt somit weitgehend in den Fachgebieten, die ursprünglich aus ihr hervorgingen. Die heutige OR hat wenig mit den Zielen zu tun, die Operations Research einst erreichen wollte. Zudem haben ihre bevorzugten Verfahren zwar Vorzüge und beachtliche Erfolge vorzuweisen, dürften aber kaum zur Supply Chain zurückkehren.

6.3.3 Statistisches Lernen

Die Idee, aus aufgezeichneten Beobachtungen algorithmisch auf einen Prozess zu schließen, entstand in den 1950er Jahren, zeitgleich mit den frühesten Schriften über künstliche Intelligenz. Weil einzelne Beobachtungen Teillösungen kodieren können, überschneiden sich Lernen und Optimierung seit Langem⁸³. Frühe Arbeiten über künstliche neuronale Netze wurden einst unter dem Dach der Operations Research veröffentlicht; heute werden sie eindeutig dem „Lernen“ zugerechnet.

Bis Anfang der 1990er Jahre blieb das Interesse an Lernverfahren aus zwei Hauptgründen begrenzt. Erstens fehlte Computern die Leistung, um durch Lernen etwas Wesentliches zu erreichen. Deshalb bevorzugte man nichtlernende Ansätze wie Expertensysteme⁸⁴. So wurde Deep Blue, das erste Schachprogramm, das 1997 den amtierenden Weltmeister Garri Kasparow schlug, als Expertensystem entwickelt. Außerdem gab es kaum öffentliche Trainingsdatensätze, weil das Sammeln und Verteilen großer Datensätze bis Ende der 1990er Jahre unerschwinglich teuer blieb. Der MNIST-Datensatz enthält 60.000 Trainingsbilder und 10.000 Testbilder, jeweils eine handgeschriebene Ziffer als 28×28-Graustufenbild. Er schuf eine gemeinsame Grundlage, die eine Forschergeneration voranbrachte und Validierung sowie Leistungsvergleiche standardisierte.

Zweitens blieb hochdimensionales Lernen bis Ende der 1990er Jahre rätselhaft. Die klassische Statistik setzt voraus, dass die Zahl der Variablen gegenüber der Zahl der Beobachtungen klein ist. Bei 100 Beobachtungen kann man einer Regression mit zwei Variablen vertrauen; bei zehn Variablen häufen sich Scheinmuster; bei 10.000 Variablen versagen Standardmethoden. Paradoxerweise führte mehr Information zu weniger Erkenntnis.

Die erste überzeugende Antwort auf den Fluch der Dimensionalität lieferte die von den 1960er bis in die 1990er Jahre entwickelte Vapnik-Chervonenkis-Theorie (VC)⁸⁵. Sie führte zu Support Vector Machines, erstmals 1995 implementiert⁸⁶, und stellte einen mathematischen Rahmen zur Eindämmung der Überanpassung bereit. Support Vector Machines bewiesen ihren Nutzen bald anhand realer Datensätze.

Die VC-Theorie fasste das Ziel statistischer Modellierung neu: die Generalisierung zu maximieren, also die Leistung auf ungesehenen Daten. Obwohl wir die Genauigkeit auf Daten, über die wir nicht verfügen, nicht messen können, beweist die VC-Theorie eine obere Schranke für den tatsächlichen Fehler: den empirischen Fehler zuzüglich eines Modellkomplexitätsterms, der vom Entwurf des Modells abhängt. Diese Formalisierung verfeinert den klassischen Bias-Varianz-Zielkonflikt: Modelle mit geringer Kapazität weisen einen hohen Bias auf, solche mit hoher Kapazität eine hohe Varianz. Abbildung \ref{fig:under-over-fitting} zeigt Unteranpassung, korrekte Anpassung und Überanpassung. Diese Theorie ebnete den Weg für statistische Modelle, die selbst dann verlässliche Ergebnisse liefern können, wenn die Zahl der Eingabedimensionen die Zahl der Beobachtungen bei Weitem übersteigt.

In der Anwendung wurden Support Vector Machines rasch durch alternative Verfahren abgelöst: (Gradient) Boosting (1999)⁸⁷ und Bagging (2001)⁸⁸. Deren mathematische Analysen zeigten ebenfalls, dass sie sich hinsichtlich der Überanpassung gutartig verhielten. Gemeinsam führten diese Ideen zu Gradient-Boosting-Maschinen, die bei vielen Aufgaben ungefähr ein Jahrzehnt lang den Stand der Technik bildeten. Bis heute sind Gradient-Boosting-Maschinen beliebt, insbesondere wenn nur wenige Beobachtungen vorliegen.

Diese Entwicklungen hatten eine außerordentliche Wirkung: Die eingebaute Kapazitätskontrolle von Boosting, Bagging und SVMs erlaubte Theoretikern, enge Schranken für Überanpassung zu beweisen – Zusicherungen, die konkurrierenden Ansätzen fehlten. Ende der 1990er Jahre und über weite Teile der 2000er Jahre veranlasste dieses statistische Gütesiegel Forscher dazu, nahezu jeden konkurrierenden Ansatz beiseitezuschieben. Allmählich wurde jedoch deutlich, dass weder theoretischer Feinschliff noch technische Raffinesse diese Methoden über bestimmte feste Grenzen hinausführen konnten. Die Technologie war faktisch zum Stillstand gekommen. Der französisch-amerikanische Informatiker Yann LeCun brachte die Stimmung auf den Punkt, indem er sie als kaum mehr als „hochgejubelten Schablonenabgleich“ abtat.

Trotz dieser Grenzen bleiben die Ideen des statistischen Lernens ein Grundpfeiler moderner Statistik und eine wesentliche Hilfswissenschaft der Supply Chain. Einen zugänglichen, reich bebilderten Überblick bietet das Lehrbuch The Elements of Statistical Learning (2009) von Hastie et al. Auf Boosting und Bagging beruhende Modelle sind nach wie vor besonders leistungsfähig, wenn Daten knapp, aber hochdimensional sind. Sie benötigen wesentlich weniger Ressourcen als die meisten Alternativen, bieten allerdings keinen Weg zur allgemeinen Intelligenz.

6.3.4 Deep Learning

In den 2010er Jahren wurde Deep Learning zum dominierenden Paradigma des maschinellen Lernens. Es stammt von künstlichen neuronalen Netzen ab, kristallisierte sich aber erst heraus, nachdem das Fachgebiet biologische Metaphern hinter sich gelassen und sich Siliziumhardware zugewandt hatte. Bemerkenswerterweise sind seine Grundideen einfacher als die seiner biologisch inspirierten Vorgänger.

Konzeptionell ist ein Deep-Learning-Modell eine feste Schaltung von Gleitkommaoperationen, parametrisiert durch Gleitkommazahlen. Die meisten Schichten führen Matrixmultiplikationen aus, unterbrochen durch Rektifikatoren. Diese brechen die Linearität: Hintereinandergeschaltete lineare Abbildungen bleiben linear, weshalb eine nichtlineare Aktivierung erforderlich ist. Zusätzliche Komponenten – Faltungen, Pooling- oder Softmax-Schichten – erlauben dem Modell, unterschiedliche Eingabemodalitäten und Ausgabeformate zu verarbeiten.

Betrachten wir erneut die Erkennung handgeschriebener Ziffern im MNIST-Datensatz. Wird jedes 28×28-Bild zu 784 Zahlen abgeflacht und durch drei Gewichtsmatrizen mit Rektifikatoren geführt, entsteht ein mehrschichtiges Perzeptron mit 234.752 Parametern – winzig nach heutigen Maßstäben (siehe Abbildung \ref{fig:perceptron}). Seine Ausführung, also Inferenz, erfordert nur drei Matrixmultiplikationen und zwei Rektifikator-Aktivierungen; Einzelheiten stehen im Anhang.

Abbildung: Ein kompaktes mehrschichtiges Perzeptron mit 4 Schichten (784-256-128-10) zur Erkennung handgeschriebener Ziffern.

Bislang haben wir die Architektur festgelegt und festgestellt, dass sich die Inferenz auf drei Matrixmultiplikationen und zwei Rektifikatoren reduziert. Nun müssen noch die Zahlen innerhalb dieser Matrizen gefunden werden. In der Praxis wollen wir ein gut trainiertes Netz, das für jedes Eingabebild der tatsächlich vorhandenen Ziffer die höchste Bewertung zuweist. Training ist daher eine Suche im Parameterraum nach Werten, die eine gewählte Klassifikationsverlustfunktion minimieren. Deep Learning bewältigt diese Suche durch drei aufeinander abgestimmte Schritte: Initialisierung – sinnvolle zufällige Anfangsgewichte wählen, damit die Aktivierungen numerisch stabil bleiben; Gradient – berechnen, wie eine infinitesimale Änderung jedes Gewichts den Verlust verändern würde; und Abstieg – anhand dieser Gradienten die Gewichte schrittweise zu einem geringeren Verlust verschieben. Zusammen verfeinern diese Schritte die Gewichte des Netzes iterativ, bis sich die Leistung stabilisiert.

Initialisierung – Die Gewichte beginnen als gaußsches Rauschen und werden sofort neu skaliert, sodass die Aktivierungen von Schicht zu Schicht ungefähr den Mittelwert null und die Varianz eins behalten. Diese einfache Vorsichtsmaßnahme verhindert, dass das Produkt vieler linearer Operationen explodiert (Überlauf) oder zu numerischem Staub schrumpft (Unterlauf). Wenn keine Regel in geschlossener Form greift, skaliert ein kurzer Probedurchlauf durch das Netz die Werte empirisch neu, um diese Invariante zu erhalten.

Gradient – Der Gradient gibt jedem Parameter vor, in welche Richtung und wie weit er sich bewegen soll, um den gewählten Verlust zu senken. Moderne Frameworks bestimmen ihn durch automatische Differenzierung, die Ableitungen durch den Berechnungsgraphen führt. Der Rechenaufwand entspricht ungefähr einem zusätzlichen Vorwärtsdurchlauf; der Speicherbedarf ist jedoch höher, weil Zwischenaktivierungen zwischengespeichert werden müssen. Frühere Deep-Learning-Werkzeugsätze nutzten handcodierte Gradientenrückpropagation. Dass die Fachgemeinschaft Jahrzehnte brauchte, um die aus den 1960er Jahren stammende automatische Differenzierung zu übernehmen, erinnert daran, dass Fortschritt selten geradlinig verläuft.

Abstieg – Durch stochastischen Gradientenabstieg (SGD) werden Gradienten zu Aktualisierungen. Dieses Arbeitspferd aus den 1950er Jahren dominiert Deep Learning noch immer. SGD zieht eine Beobachtung oder, zur besseren Hardwareauslastung, eine kleine Gruppe von Beobachtungen, einen sogenannten Mini-Batch, verschiebt die Gewichte in Gradientenrichtung und wiederholt den Vorgang. Mini-Batching tauscht zusätzlichen Rechenaufwand gegen erheblich kürzere reale Laufzeit, indem es parallele Kerne nutzt. Varianten mit Momentum, adaptiven Lernraten oder entkoppeltem Gewichtsabbau verfeinern die grundlegende Aktualisierung.

Deep Learning stieß mehrere Dogmen des statistischen Lernens um und prägt weiterhin, was sich aus Unternehmensdaten erschließen lässt – und was nicht.

6.3.4.1 Der doppelte Abstieg

Deep-Learning-Modelle sind hyperparametrisch: Sie enthalten gewöhnlich mehr Parameter als Trainingsbeispiele. Die 234.752 Parameter des obigen Perzeptrons übertreffen die 60.000 Bilder von MNIST bei Weitem. Die statistische Theorie sagt starke Überanpassung voraus, doch die Praxis zeigt etwas anderes.

Die Ende der 2010er Jahre entdeckte Kurve des doppelten Abstiegs half zu erklären, warum viele Statistiker die Behauptungen des Deep Learning anfangs bezweifelten. Geschult auf den klassischen U-förmigen Bias-Varianz-Zielkonflikt, waren sie irritiert, wenn größere Netze kleinere mitunter übertrafen, statt sich überanzupassen. Der doppelte Abstieg zeigt, warum: Mit wachsender Modellkapazität sinkt der Testfehler zunächst (gute Generalisierung), steigt dann an (Überanpassung) und sinkt jenseits einer zweiten Schwelle erneut, wenn sehr große, überparametrisierte Modelle neue Bereiche mit geringem Fehler erreichen (siehe Abbildung \ref{fig:double-descent}).

Links auf der Kurve des doppelten Abstiegs, im klassischen Bereich, hat das Netz zu wenige Parameter und zeigt deshalb Unteranpassung. Fügt man Gewichte hinzu, sinkt der Testverlust, bis er am günstigen Punkt ein erstes Minimum erreicht. Geht man darüber hinaus, kippt das Modell in klassische Überanpassung: Die zusätzliche Kapazität merkt sich nun Rauschen schneller, als sie Signal lernt. Kurioserweise sinkt der Trainingsfehler in diesem Bereich weiterhin gleichmäßig, obwohl der Testfehler steigt. Dieses Verhalten verwirrte Statistiker lange, weil sie ein viel früheres Auseinanderlaufen der beiden Kurven erwartet hatten.

Weiter rechts, im Deep-Learning-Bereich, kehrt sich das Muster um. Sobald die Parameterzahl eine zweite, wesentlich höhere Schwelle überschreitet, beginnt der Testverlust wieder zu sinken: Größer ist tatsächlich besser, wie Deep-Learning-Praktiker seit Anfang der 2010er Jahre behauptet hatten. Doch jeder zusätzliche Genauigkeitsgewinn kostet überproportional viel Rechenleistung und Energie, sodass die Erträge rasch abnehmen. Modernste Netze arbeiten inzwischen weit jenseits dieser Schwelle und tauschen gewaltige Hardwarebudgets gegen die letzten Bruchteile eines Prozentpunkts an Leistung.

Für Supply Chains ist die Botschaft zwiespältig: Riesenmodelle gewinnen an Genauigkeit, beeinträchtigen aber die Wartbarkeit. Kleinere bleiben beweglich, fallen jedoch in das klassische Dilemma von Unter- und Überanpassung zurück. Hybride Entwürfe, die beide Ansätze verbinden, sind häufig die bessere Wahl.

6.3.4.2 Hardwaregespür

Künstliche neuronale Netze (ANNs) haben eine deutliche Schwäche: Sie nutzen Rechenressourcen äußerst ineffizient. Siliziumchips ähneln biologischen Neuronen so wenig, dass selbst ein rudimentäres digitales Neuron Rechenzyklen verschwendet. Deep Learning überwand dieses Handicap, indem es übernahm, was Renningenieure Mechanical Sympathy nennen: ein Gespür für die Mechanik. In der frühen Formel 1 fuhren nicht jene Fahrer die schnellsten Runden, die ständig am Limit fuhren, sondern jene, die spürten, wie viel Belastung Motor, Getriebe und Bremsen vertrugen, und ihr Tempo so anpassten, dass das Auto unversehrt die Zielflagge erreichte. Auf Code übertragen bedeutet dieses Hardwaregespür, Algorithmen und Daten so anzuordnen, dass sie mit den Eigenschaften von Caches, Vektoreinheiten und Speicherbussen arbeiten, statt ihnen entgegenzuwirken. Sobald sich diese Denkweise durchgesetzt hatte, legten Forscher nostalgische Neuronenmetaphern ab und behielten nur, was den reinen Rechendurchsatz maximierte.

Frühe ANNs verwendeten beispielsweise die Sigmoid-Aktivierungsfunktion, die wegen ihrer Ähnlichkeit zur Biologie gewählt worden war. Ihre Exponentialfunktion wird von Hardware jedoch langsam berechnet. Der einfachere Rektifikator (ReLU) erwies sich als schneller und setzte sich rasch durch.

Anfang der 2010er Jahre wirkte es fast ketzerisch, Cachezeilen, Vektorbreiten und Speicherbusse als vorrangige Entwurfsbedingungen zu behandeln. Die Fachrichtungen Algorithmik, Operations Research und statistisches Lernen waren auf hardwareunabhängiger Theorie aufgebaut: Man beweist eine bessere asymptotische Komplexitätsklasse und überlässt es dem Mooreschen Gesetz, lästige konstante Faktoren auszugleichen. Diese Konstanten zu optimieren – etwa durch eine anders angeordnete Matrix oder eine SIMD-Instruktion Rechenzyklen einzusparen – galt als Fleißarbeit, deren Nutzen die nächste Prozessorgeneration bald zunichtemachen würde. Deep-Learning-Forscher stellten diese Sicht auf den Kopf. Sie zeigten, dass peinlich genaue Aufmerksamkeit für Hardwaredetails Beschleunigungen ermöglichen konnte, die durch Eleganz bei der algorithmischen Komplexität allein unerreichbar waren.

Die frühe Suche nach immer größeren Netzen wurde von der biologischen Metapher angetrieben: Mit rund 100 Milliarden Neuronen wurde das menschliche Gehirn zu einem informellen Größenmaßstab für ANNs. Experimente machten die Metapher bald überflüssig: Die Leistung stieg schlicht deshalb, weil die Modelle größer wurden. Unterdessen kehrte sich die Datenlage um. In den 1990er Jahren waren öffentliche Datensätze knapp; in den 2010er Jahren wuchsen sie schneller, als Netze sie verarbeiten konnten. An jedem verfügbaren Beispiel zu trainieren wurde unpraktikabel, und gewaltige Informationsbestände blieben ungenutzt.

Daraus entstand ein Wettrüsten: immer größere Modelle, gespeist von immer größeren Datensätzen. Das ImageNet-Netz aus Toronto von 2012 hatte 60 Millionen Parameter und lief auf GPUs; ein Jahrzehnt später laufen Transformer mit Billionen Parametern auf eigens entwickelten Chips. Der Größenboom brachte auch schwergewichtige Werkzeuge hervor. Googles 2015 veröffentlichtes TensorFlow wuchs auf mehr als vier Millionen Codezeilen an – eine industrielle Leistung, die in der Ära des statistischen Lernens mit ihren Bibliotheken von 10.000 Zeilen undenkbar gewesen wäre.

Der Wettlauf um immer größere Modelle drängte Entwickler auch zu immer kleineren Gleitkommaformaten. Weil die Transistorzahl und damit der Energieaufwand schneller wachsen als die Bitbreite, bringt weniger Präzision überproportionale Beschleunigungen: Auf heutigen GPUs kann sich der arithmetische Durchsatz beim Wechsel von 32 Bit auf 16 Bit vervierfachen. Deep-Learning-Systeme der frühen 2010er Jahre verwendeten ausschließlich 32-Bit-Gleitkommazahlen – einen sicheren Standard, der noch immer für die meisten Supply-Chain-Berechnungen ausreicht, sofern pathologische Sonderfälle vermieden werden. Manche Aufgaben profitieren weiterhin von 64 Bit. Anfang der 2020er Jahre waren Training mit 16 Bit und Inferenz mit 8 Bit jedoch zur Routine geworden, ermöglicht durch eine günstige gemeinsame Entwicklung von GPU- und CPU-Hardware. Die Forschung untersucht inzwischen Gewichte mit 1 Bit und sogar mit weniger als 1 Bit. Das zeigt, dass die Untergrenze brauchbarer Präzision noch nicht erreicht ist.

Hardwaregespür ist für die Supply-Chain-Praxis wichtig. Der Schweizer Informatiker Niklaus Wirth warnte in den 1990er Jahren davor, dass Software oft schneller langsamer wird, als Hardware schneller wird – ein heute als Wirthsches Gesetz bekanntes Muster. Weil es allgemein an Interesse an Hardwareeffizienz mangelt, laufen viele Geschäftssysteme heute trotz wesentlich besserer Chips nicht schneller als im Jahr 2000. In dieser Verlangsamung zeigt sich das Wirthsche Gesetz. Deep-Learning-Kniffe lassen sich nicht pauschal übernehmen, verdeutlichen aber, wie umsichtiges Programmieren gewaltige Gewinne erschließt. Supply-Chain-Fachleute brauchen daher zumindest ein praktisch brauchbares Verständnis von Hardwaregespür.

6.3.4.3 Nichtkonvexe Optimierung

Anfang der 2000er Jahre folgte die mathematische Optimierung noch immer dem ursprünglichen Vorgehen der Operations Research. Drei Grundsätze bestimmten es. Praktiker des statistischen Lernens, einschließlich der Anhänger von Support Vector Machines, übernahmen es vollständig.

Erstens behandelte die frühe Optimierungstheorie lokale Minima als praktisch unüberwindbare Mauer: In nichtkonvexen Landschaften konnte man ihnen prinzipiell entkommen, tat es in realen Projekten aber fast nie. Diese Annahme brachte einen ganzen Zweig hervor, die konvexe Optimierung, deren ausdrücklicher Zweck darin besteht, dieses Hindernis zu umgehen. Weil eine konvexe Funktion keine lokalen Senken, sondern nur ein einziges globales Minimum hat, konvergiert jeder gutartige Abstiegsalgorithmus dorthin. Eine ausführliche Darstellung der Beweise, Algorithmen und Anwendungen, die auf dieser Eigenschaft beruhen, bietet Convex Optimization (2004) von Boyd und Vandenberghe.

Abbildung: Eine reellwertige Funktion mit lokalen und globalen Extrema.

Zweitens erwartete man bei nichtkonvexen Problemen von jeder respektablen Methode eine Schranke für den Abstand ihrer Lösung vom globalen Optimum. Dazu gibt man eine obere Schranke für die Lücke zwischen der besten bekannten Lösung und dem globalen Minimum an. Verfahren wie Branch-and-Bound und Branch-and-Cut bieten solche Garantien. Anders als die konvexe Optimierung, die von hochgradig skalierbaren Verfahren profitiert, skalieren diese allgemeinen Methoden jedoch schlecht. Wie bereits erwähnt, ist die geringe Skalierbarkeit solcher Solver seit Langem einer der Hauptgründe für ihre begrenzte Verbreitung im Supply-Chain-Umfeld.

Die Deep-Learning-Gemeinschaft warf diese klassische Sicht über Bord. Sie griff zu einem groben Werkzeug, dem stochastischen Gradientenabstieg, und wandte es auf nichtkonvexe Landschaften an, ohne sich von der Furcht vor lokalen Minima aufhalten zu lassen. Dieser Ansatz erwies sich als außerordentlich erfolgreich und ermöglichte Modelle mit Billionen Parametern, eine in den 2000er Jahren unvorstellbare Größenordnung.

Eine neue Sicht entstand: Das Hindernis waren nicht mehr lokale Minima, sondern breite, flache Plateaus. Nach vorherrschender Auffassung werden lokale Minima mit steigender Dimensionalität äußerst selten. Daher versagt die aus niedrigdimensionalen Beispielen gewonnene Intuition in hohen Dimensionen⁸⁹. Stattdessen bilden riesige Bereiche mit kleinen Gradienten, „Plateaus“, die größte Herausforderung für Abstiegsverfahren.

Drittens werden Optimalitätsbeweise für (hyper)parametrische Modelle im Bereich des doppelten Abstiegs bedeutungslos. Der Trainingsverlust kann stark fallen und nahe null verharren, doch diese winzigen Restwerte sagen wenig darüber aus, wie das Modell generalisieren wird. Schlimmer noch: Viele im Deep Learning bevorzugte Verlustfunktionen, etwa die Kreuzentropie, haben nicht einmal echte Minima⁹⁰.

Die Deep-Learning-Gemeinschaft hatte zwar eigene Gründe, die aus der Operations Research übernommene klassische Haltung zur Optimierung abzulehnen. Diese Ablehnung ist aber auch für die Supply Chain bedeutsam. Sie zeigt, dass das klassische Paradigma unter kontraintuitiven Grenzen leidet, die rund sechs Jahrzehnte lang, von den 1950er bis zu den 2000er Jahren, unbemerkt blieben. Im Folgenden werden wir sehen, dass die Supply Chain weitere Gründe hat, diese klassische Haltung abzulehnen, und dass alternative, weit wertvollere Paradigmen existieren.

6.3.4.4 Die Trickkiste

Jedes Programmierparadigma bietet ein eigenes gedankliches Modell der Softwarearbeit mit zentralen Konzepten, Praktiken und Werkzeugen. Die meisten vertreten klare Vorstellungen zur Datendarstellung und zur Steuerung des Programmverhaltens.

Deep Learning war das erste⁹¹ breit angenommene programmatische Lernparadigma. Anfang der 2010er Jahre irritierte es Forscher, weil es den vorherrschenden Erwartungen im maschinellen Lernen widersprach.

Bis dahin konzentrierten sich Fachartikel und Software auf das fertige Produkt: das Modell, das bereit war, auf einem neuen Datensatz trainiert zu werden. Deep Learning unterschied sich durch seinen Fokus auf Architekturen, numerische Kniffe und Leitprinzipien für den Modellbau. Während Werkzeugsätze für statistisches Lernen wie scikit-learn⁹² Dutzende Modelle enthielten, lieferten diejenigen für Deep Learning kein einziges mit. Das Fachgebiet brauchte einen großen Teil der 2010er Jahre, um diesen Wandel zu verarbeiten. Der alte Ansatz – ein neues Modell identifizieren, einen Benchmark ausführen und Ergebnisse veröffentlichen – wurde überholt. Das Neue lag nicht mehr im Modell selbst oder in seiner statistischen Charakterisierung. Selbst Informatikstudierende im ersten Jahr konnten ein „einzigartiges“ Deep-Learning-Netz zusammenbasteln, indem sie aus den verfügbaren Tensoroperationen Schichten herauspickten, und es an einem von vielen öffentlichen Datensätzen testen. Eine kurze Zeit lang wurden Deep-Learning-Konferenzen und -Zeitschriften mit Artikeln überflutet, die kaum mehr als solche Zusammenstellungen waren. Trotz ihrer „Einzigartigkeit“ blieben diese Beiträge oft belanglos.

Deep-Learning-Architekturen sind das moderne Gegenstück zu den einst von Operations Research propagierten „Modellen“. Sie lassen dem Data Scientist jedoch erheblichen Spielraum bei der endgültigen Ausgestaltung des Netzes, das trainiert und eingesetzt werden soll.

Die wertvollsten Beiträge wurden als „Trickkiste“ des Deep Learning bekannt: kleine, modulare Anpassungen, die Teile eines Netzes verbessern, statt das Ganze neu zu definieren. Strategien zur Gewichtsinitialisierung, Momentenschätzer, Lernratenpläne, Dropout, Early Stopping, Residualverbindungen, dichte Verbindungen, Aufmerksamkeitsmechanismen, Transformer-Architekturen, Batch-Normalisierung, Gradientenakkumulation, Hyperparameteroptimierung, Datenerweiterung, Positionskodierung, Pruning, Quantisierung, Wissensdestillation und Niedrigrangfaktorisierung bilden neben anderen nur eine kleine Teilmenge dieser wachsenden „Trickkiste“. Diese Beiträge, zumindest die bedeutenden, erwiesen sich jedoch als stark kumulativ. Ein Verfahren schließt selten ein anderes aus, sofern beide nicht derselben Klasse angehören.

Seit den 1960er Jahren befassen sich viele Paradigmen – funktionale, objektorientierte, verteilte, reaktive und weitere – mit allgemeinen Softwarefragen. Daneben entstanden spezialisierte Paradigmen wie die relationale Algebra, etwa SQL für relationale Datenbanken. Welches Paradigma das „beste“ ist, bleibt umstritten; kein ernsthaftes Softwareprojekt wird jedoch ohne ein oder mehrere Paradigmen unternommen. Schon die Wahl einer Programmiersprache ist eine Paradigmenwahl.

Die zentrale Lehre für Supply Chains lautet: Das richtige Paradigma zu wählen ist auch außerhalb reiner Softwarearbeit wichtig. Deep Learning hat als Programmierparadigma den Stand der Technik im maschinellen Lernen neu definiert. Das wirft die Frage auf, ob andere Gebiete wie Supply Chain von ähnlich spezialisierten Paradigmen profitieren könnten. Wie wir sehen werden, sind eigens zugeschnittene Programmierparadigmen für die Supply Chain von vorrangiger Bedeutung.

6.3.5 Die generative Ära

2022 schafften es einige bahnbrechende Veröffentlichungen, bald unter dem Banner „Generative KI“ zusammengefasst, aus der Nischenforschung in die weltweiten Schlagzeilen. ChatGPT, der im November 2022 von OpenAI vorgestellte Gesprächsassistent, und Stable Diffusion, das im August 2022 von Forschern der LMU München und der Universität Heidelberg veröffentlichte Text-zu-Bild-Modell, wurden augenblicklich zu Meilensteinen der Textvervollständigung beziehungsweise Bilderzeugung. Ihr scheinbarer Erfolg über Nacht verdeckte Jahre stetigen, offenen Fortschritts der breiteren Deep-Learning-Gemeinschaft. 2022 änderte sich nicht die zugrunde liegende Wissenschaft, sondern die Verpackung. Erstmals konnten Nichtfachleute große vortrainierte Modelle über eine einfache Weboberfläche aufrufen und binnen Sekunden eindrucksvolle Ergebnisse erhalten. Dieser Wendepunkt machte aus einer akademischen Kuriosität eine allgemein verbreitete Produktkategorie. Obwohl diese Systeme eindeutig auf Deep-Learning-Grundlagen beruhen, stellen sie auch einige frühe Annahmen des Paradigmas infrage, etwa zur Datenqualität und zum Entwurf von Verlustfunktionen. In diesem Sinne stellt die „generative Ära“ eine echte zweite Generation der Deep-Learning-Praxis dar, nicht bloß eine Erweiterung der ersten.

Erstens begannen Anbieter, standardmäßig vortrainierte Modelle auszuliefern – ein grundlegender, wenn auch unerwarteter Fortschritt. Mit vortrainierten Modellen müssen Endnutzer sich nicht mehr um die Erzeugung von Modellen, also die Lernphase, kümmern und können sich auf deren Nutzung, die Inferenzphase, konzentrieren. Das erleichterte die Einführung erheblich. Es ebnete auch den Weg für hybride Lernprozesse, bei denen sich ein Deep-Learning-Netz aus vortrainierten Komponenten zusammensetzen und um einen trainierbaren Teil ergänzen ließ. Obwohl mehrstufige Lernprozesse älter sind als Deep Learning, fügte das generative Paradigma eine neue Dimension hinzu und veranlasste die Fachgemeinschaft des maschinellen Lernens, weitere Open-Source-Praktiken zu übernehmen: Neben Code wurden nun auch Modelle geteilt.

Zweitens kennzeichnet die generative Ära ein nahezu unstillbarer Appetit auf Daten in Web-Größenordnung. Jahrzehntelang galt der Spruch „garbage in, garbage out“ (GIGO), also „Müll rein, Müll raus“: Minderwertige Eingaben verurteilen die Ausgaben eines Modells zum Scheitern. Heutige Text- und Bildgeneratoren trainieren jedoch auf Milliarden nur leicht gefilterter Seiten und Bilder, die unmittelbar aus dem offenen Web extrahiert wurden, und liefern dennoch Texte und Bilder, deren Qualität die durchschnittliche Qualität dieses Rohmaterials übertrifft. Ihre Ergebnisse sind keineswegs fehlerfrei, aber unverkennbar besser als der Median ihrer Quellen. Dieses Ergebnis widerlegt das ältere GIGO-Credo. Solche Datenmeere zu nutzen ist jedoch nur möglich, wenn die Software mit ausgeprägtem Hardwaregespür geschrieben wird und jeden Rechenzyklus sowie jede Speicherbank ausnutzt, die die Hardware bietet.

Drittens zeigen immer größere Modelle emergente Fähigkeiten, für die ihre Verlustfunktionen nie ausgelegt waren. Große Sprachmodelle (LLMs) beginnen beispielsweise Übersetzungsfähigkeiten zu zeigen, sobald sie Milliarden Parameter erreichen und auf Milliarden Tokens trainiert werden. Die Verlustfunktion bildet jedoch nur die Vorhersage des nächsten Tokens ab; Übersetzung berücksichtigt sie nicht. Ebenso zeigen Text-zu-Bild-Modelle emergente Fähigkeiten wie Stilübertragung, die über ihre Trainingsdaten hinausgehen.

Diese Fähigkeiten stellen eine aus der Operations Research übernommene Annahme auf den Kopf. Bis dahin galt allgemein, dass sich ein Optimierungsproblem am besten lösen lasse, indem der Prozess anhand genau der Kennzahl gesteuert wird, mit der die endgültige Lösung bewertet wird. Ersatzverlustfunktionen, also Näherungen des tatsächlichen Verlusts, waren nur akzeptabel, wenn sie erhebliche Rechenvorteile boten: ein Kompromiss zwischen Lösungsqualität und Ressourcen. Die emergenten Fähigkeiten generativer Modelle haben jedoch wiederholt zuvor führende Methoden übertroffen, die durch direktere Verlustfunktionen gesteuert wurden.

In der generativen Ära ist der Zusammenhang zwischen dem Bewertungsergebnis für eine bestimmte Aufgabe und der Verlustfunktion, die den stochastischen Gradientenabstieg steuert, schwach geworden. Selbstüberwachtes Lernen hat das zuvor dominierende überwachte Lernen verdrängt. Die Intuition hinter selbstüberwachtem Lernen lautet, dass die Menge ungelabelter Daten⁹³ die der gelabelten Daten typischerweise bei Weitem übersteigt. Wenn das Lernen von der engen Aufgabe, „Labels“ vorherzusagen, gelöst wird und sich stattdessen auf intrinsische Eigenschaften der Daten konzentriert, kann es die zugrunde liegende Struktur besser erfassen.

Generative Modelle haben zwar den Stand der Technik im maschinellen Lernen neu definiert; sie für Supply-Chain-Zwecke zu nutzen ist jedoch nicht so selbstverständlich, wie viele Softwareanbieter behaupten. Relationale Datensätze machen den Großteil der für die Supply Chain relevanten Daten aus. Weder Textvervollständigungs- noch Text-zu-Bild- oder Bild-zu-Text-Modelle eignen sich jedoch gut für deren Verarbeitung. Zwei Anfang der 2020er Jahre häufig von Anbietern vorgebrachte Behauptungen verdienen eine Widerlegung.

Erstens eignen sich große Sprachmodelle für Text, nicht für numerische Zeitreihenprognosen. Zwar gibt es Vorschläge⁹⁴, die arithmetischen Fähigkeiten solcher Modelle zu verbessern. Diese Entwicklungen dürften Sprachmodelle aber kaum konkurrenzfähig gegenüber Modellen machen, die gezielt für numerische Verarbeitung entwickelt wurden. Bestenfalls könnten große Sprachmodelle zu einem äußerst verwickelten Weg werden, das zu erreichen, was einfache parametrische Modelle mit einem winzigen Bruchteil der Rechenressourcen leisten.

Zweitens beeinträchtigen Chat-Oberflächen gewöhnlich die Produktivität. Ein Gespräch mit einem Chatbot ist erheblich langsamer als herkömmliche Navigation. Jede Aufgabe, die regelmäßig wiederholt werden soll, verdient eine „traditionelle“ Benutzerführung statt einer schwerfälligen Gesprächsoberfläche. Im Unternehmensumfeld wird erwartet, dass Mitarbeiter im System geschult sind und es beherrschen, nicht dass sie sich darin „irgendwie durchschlagen“. Die Unternehmensperspektive unterscheidet sich grundlegend von der Endverbraucherperspektive, bei der man unabhängig von der Aufgabe von weniger sachkundigen Nutzern ausgeht.

In der Supply Chain glänzen große Sprachmodelle beim Entwerfen numerischer Rezepte und beim Erleichtern der informellen Arbeit rund um Entscheidungen. Auf diese Beiträge kommen wir später zurück.

7 Die Zukunft

Jede Supply-Chain-Entscheidung enthält eine unausgesprochene Behauptung: „Wir erwarten, dass die künftigen Bedingungen des Unternehmens die heutige Ressourcenallokation rentabel machen werden.“ Diese Prognose mag unausgesprochen bleiben, doch umgehen lässt sie sich nicht. Ein Unternehmen kann die Herausforderung des Prognostizierens ignorieren; die Folgen kann es nicht ignorieren.

Die Zukunft – und allgemeiner die Zeit – ist daher für die Supply Chain von großer Bedeutung. Doch Zeit ist ein trügerisch schwieriges Thema: nicht weil sie zu abstrakt wäre, sondern weil sie selbstverständlich erscheint und sich bewusstem Nachdenken entzieht. Die Zukunft gleicht der Luft, die wir atmen: allgegenwärtig und dennoch unsichtbar.⁹⁵ Bei solchen Themen ist man versucht, Vorannahmen als gegeben hinzunehmen und die gedankliche Arbeit ganz zu überspringen. Die Chemie hat uns gelehrt, dass jahrtausendealte Vorstellungen über Luft falsch waren⁹⁶. Ebenso prägen in der Supply Chain ungeprüfte Vorstellungen über morgen – häufig eine stillschweigende Fortschreibung des Gestern – unbemerkt Preise, Kapazitäten und Bestände. Sind sie falsch, verfestigen sie sich zu Plänen, die knappe Ressourcen fehlleiten und Fehler im gesamten Fluss weitertragen.

Um die Diskussion zu verankern, verbindet dieses Kapitel die einfache Beobachtung, dass jede Entscheidung eine Wette auf morgen ist, mit den Instrumenten, die solche Wetten rentabel machen. Es geht in drei Schritten vor.

Erstens legen wir die unausgesprochenen Weltsichten offen, die bestimmen, wie Unternehmen über die Zukunft denken. Ein großer Teil der Praxis des zwanzigsten Jahrhunderts geht auf eine teleologische Weltsicht zurück: Das Morgen wird durch Prognosen und einen technisch ausgearbeiteten Plan festgelegt. Dem steht eine pragmatische Weltsicht gegenüber: Das Morgen wird als ein Feld von Chancen unter Unsicherheit betrachtet, und Optionen werden bewahrt, damit das Unternehmen handeln kann, wenn die Aussichten günstig werden.

Zweitens untersuchen wir, warum prognosegetriebene Planung im Geschäftsleben zusammenbricht, selbst wenn sie mathematisch sauber aussieht: Der Zeitreihenformalismus ebnet das Wesentliche ein; die Zukunft wird von noch nicht getroffenen Entscheidungen geprägt; kleine Zahlen, Losbildung, gegnerisches Verhalten und schwere Verteilungsränder zerstören die ordentliche Symmetrie zwischen Vergangenheit und Zukunft. Das Ergebnis sind eine fragile Koordination und bürokratische Rituale.

Drittens stellen wir Prognoseinstrumente zusammen, die zur pragmatischen Weltsicht und zur zuvor eingeführten Ökonomik der Optionalität passen. Wir ersetzen Punktzeitreihen durch probabilistische Prognosen für Nachfrage, Lieferzeiten, Preise und Warenrücksendungen, ergänzen hochdimensionale Prognosen für Warenkörbe, Substitution und Ansteckungseffekte und führen funktionale Prognosen ein, die mit den eigentlichen Objekten des Flusses arbeiten statt mit gleichmäßig verteilten Zeitintervallen. Diese Werkzeuge erraten nicht „die“ Zukunft; sie bepreisen Alternativen und machen Opportunitätskosten explizit.

7.1 Weltsichten

[Eine Weltsicht] ist das, was wir ahnen oder empfinden, bevor wir eine systematische Argumentation entwickelt haben, die man als Theorie bezeichnen könnte [..] Eine Weltsicht ist unsere Vorstellung davon, wie die Welt funktioniert [..] Alle Weltsichten sind bis zu einem gewissen Grad vereinfachend – auch wenn dieser Ausdruck gewöhnlich den Weltsichten anderer vorbehalten bleibt, nicht der eigenen. A Conflict of Visions (1987), Thomas Sowell.

Unter all den unausgesprochenen Vorstellungen, die uns umgeben, prägen die mächtigsten unsere Intuition über die Kausalität der betrachteten Gegenstände – hier der Supply Chains. Diese Intuition bestimmt, wie wir Situationen einordnen, wie wir Probleme sehen und ob wir sie überhaupt sehen. Hier bezeichnet Weltsicht diese Intuition über Kausalität.

Die Weltsicht geht der Theorie voraus, die Theorie den Modellen. Weltsichten durchdringen Unternehmen: ihre Kulturen, Praktiken und Prozesse. Sie sind wichtig, weil sie dem Denken als grober Kompass dienen. Unter den unendlich vielen Themen, die unsere Aufmerksamkeit beanspruchen könnten, entscheiden Weltsichten darüber, was des Nachdenkens wert ist.

Ein Beispiel ist „Day 1“, wie es Amazons Gründer Jeff Bezos vertritt. Diese Weltsicht betont eine dauerhafte Start-up-Mentalität – kontinuierliche Innovation und vorausschauendes Handeln –, um die Stagnation von „Day 2“ zu vermeiden. Jeder Tag soll wie der erste behandelt werden: schnelle Entscheidungen fördern, Experimente wagen, auch auf die Gefahr des Scheiterns hin, und langfristigen Chancen den Vorzug vor kurzfristigen Gewinnen geben. Mit dieser „Day 1“-Mentalität will Amazon seinen Unternehmergeist bewahren und jene Selbstzufriedenheit vermeiden, die größere, reifere Organisationen plagt.

Doch auch die entgegengesetzte Weltsicht hat ihre Anhänger. Flugkapitän Chesley „Sully“ Sullenberger, berühmt für die Notlandung auf dem Hudson River, die 155 Menschenleben rettete, bemerkte: „42 Jahre lang habe ich kleine, regelmäßige Einzahlungen auf dieses Konto aus Erfahrung, Bildung und Training geleistet. Und am 15. Januar reichte das Guthaben für eine sehr große Abhebung.“ Diese Sicht dominiert die Luftfahrt. Sie bekämpft Selbstzufriedenheit nicht durch disruptive Innovation, sondern durch unablässige Verfeinerung der bestehenden Praxis. Frühere Fehler wurden mit Blut bezahlt, und künftige werden es ebenfalls.

Weltsichten bestimmen, wie Menschen instinktiv an komplexe Systeme herangehen – Systeme, die sich dem vollständigen, unmittelbaren Erfassen durch den menschlichen Verstand entziehen. Betrachten wir eine Einzelhandelsfiliale, die Mühe hat, ausreichende Bestände zu halten, und deren Regale zur Hälfte leer sind. Die instinktiven Diagnosen werden je nach Vorstellung davon, wie die Supply Chain funktioniert, stark auseinandergehen.

Nehmen wir einen Professor für Supply-Chain-Analytik. Er macht womöglich instinktiv Ungenauigkeiten in den Nachfrageprognosen verantwortlich, die den Nachschub steuern. In dieser Weltsicht liegt die Verantwortung für die Servicequalität bei einer technologischen Lösung: bei Software. Diese Sicht erstreckt sich auf sein akademisches Umfeld, dessen Forschung den Entwurf und die Genauigkeit solcher Software beeinflusst und damit eine technologiezentrierte Perspektive verstärkt.

Ein Regionalleiter derselben Kette macht dagegen womöglich eine schlechte Filialführung verantwortlich. In dieser Weltsicht sind Menschen – Filialleiter und Mitarbeiter – dafür zuständig, die Filiale effizient zu führen. Die Verantwortung liegt zunächst bei denjenigen, die dem Problem am nächsten sind. Diese Sicht bezieht auch die Unternehmensleitung ein: Sie lässt einen unfähigen Filialleiter auf seinem Posten, was die menschenzentrierte Perspektive weiter unterstreicht.

Diese beiden Weltsichten gehen von denselben leeren Regalen aus, verorten die Verantwortung und damit die Lösung jedoch an völlig unterschiedlichen Stellen. Die eine sucht eine technologische Lösung, die andere eine Führungslösung. Eine dritte, ebenso plausible Diagnose liegt außerhalb des Unternehmens: Überhandnehmender Ladendiebstahl lässt die ausgestellten Bestände verschwinden. Ob das Problem der Filiale tatsächlich auf fehlerhafte Software, schlechte Führung oder eine ungünstige Lage der öffentlichen Ordnung zurückgeht, ist natürlich eine ganz andere Frage. Weltsichten beweisen nichts; sie bestimmen lediglich unsere unmittelbare Einschätzung komplexer Situationen.

Weltsichten haben Folgen. Die Geschichte zeigt, dass viele Unternehmen ihre Märkte dank der eigentümlichen Weltsichten ihrer Gründer beherrschten – treffend als „Visionäre“ bezeichnet⁹⁷. Doch dieselben Weltsichten können Unternehmen mit der Zeit zum Scheitern führen. Daher ist es für jedes Unternehmen sinnvoll, die vorherrschenden Weltsichten seiner Führung zu erkennen und ihre Eignung für das Geschäft zu beurteilen.

Anders als Unternehmensstrategien werden Weltsichten selten diskutiert, geschweige denn nach Vor- und Nachteilen abgewogen. Innerhalb desselben Unternehmens können Menschen grundverschiedene Weltsichten vertreten. Weil diese selten ausgesprochen werden, haben Mitarbeiter das Gefühl, andere zögen immer dann zurück, wenn sie selbst vorwärtsdrängen – und umgekehrt. Unterschiedliche Weltsichten werden jedoch selten als Ursache benannt.

7.1.1 Werte

In Politik wie Wirtschaft betonen Führungspersonen häufig unterschiedliche Werte, um sich von ihren Rivalen abzugrenzen. Den Satz „Wir haben nicht dieselben Werte“ hört man auf allen Seiten. Diese Perspektive hat durchaus ihre Berechtigung, verdeckt jedoch häufig den tiefgreifenden Einfluss der Weltsichten.

In A Conflict of Visions (1987) bemerkt Thomas Sowell treffend, dass Menschen unterschiedliche Deutungen derselben Tatsachen meist auf unterschiedliche Werte zurückführen. Häufig unterscheiden sich die Werte weit weniger, als die Formel „Wir haben nicht dieselben Werte“ vermuten lässt. In der Politik etwa dürfte es schwerfallen, jemanden zu finden, der Armut, Kriminalität oder Krieg befürwortet. Trotz gemeinsamer Werte gegen diese Übel führen die Weltsichten die Menschen jedoch zu völlig unterschiedlichen Lösungen.

Dasselbe gilt für Supply Chains. Unabhängig von Tätigkeitsfeld oder Branche streben Unternehmen nach Rentabilität, Wachstum, Servicequalität und weniger Verschwendung. Unternehmen, die solche Werte offen ablehnen, sind selten, sofern es sie überhaupt gibt. Unterschiedliche Weltsichten führen zu deutlich unterschiedlichen Strategien und Praktiken, die allesamt auf dieselben Werte ausgerichtet sind.

Betrachten wir Amazons Gründer Jeff Bezos, der häufig eine unablässige Konzentration auf den Kunden betont hat. Er sagte einmal: „Das Allerwichtigste ist, sich geradezu besessen auf den Kunden zu konzentrieren. Unser Ziel ist es, das kundenorientierteste Unternehmen der Erde zu sein.“ Das ist eine Wertebekundung, und zwar eine recht gewöhnliche. Führungskräfte setzen Kunden öffentlich nur selten herab. Wird eine dabei ertappt, behält sie anschließend selten ihre Position. Amazon zeichnet sich nicht durch seine erklärten Werte aus, die mit denen der meisten Unternehmen übereinstimmen, sondern durch seine besondere Weltsicht und Kultur.

Wenn wir beurteilen, wie das Verständnis der Zukunft die Supply-Chain-Praxis prägt, müssen wir daher bedenken, dass Menschen grundverschiedene Lösungen vorschlagen können, obwohl sie dieselben Werte teilen. Meist wurzeln die Unterschiede in widerstreitenden Weltsichten.

7.1.2 Zeit

Das Verstreichen der Zeit prägt unsere Erfahrung und unser Weltverständnis. Es ist so konkret und allgegenwärtig, dass es schwerfällt, von der Zeitdimension zu abstrahieren. Doch viele, wenn nicht die meisten Herausforderungen der Supply Chain verdienen diese Betrachtung, und sei es nur, um die zugrunde liegenden zeitbezogenen Weltsichten offenzulegen. Deshalb stellen wir eine Reihe von Fragen zur Zeit. Ihre Beantwortung ist an dieser Stelle unwichtig und wird nicht versucht. Stattdessen wollen wir die Weltsichten, also die Intuitionen über Kausalität, charakterisieren.

Halten wir die Zukunft für erkennbar oder für unerkennbar?

Prognosen sind nur so wertvoll wie jener Teil des Morgen, der sich praktisch vorwegnehmen lässt. Ist die Zukunft zumindest teilweise erkennbar, sind Prognosen mächtige Instrumente; wird sie von Rauschen beherrscht, sind sie bloße Zeremonie. Planung übernimmt dieselbe Voraussetzung: Sie lohnt sich nur, wenn sich einige Merkmale der Zukunft zuverlässig genug vorhersehen lassen, um verbindliche Festlegungen daran auszurichten. Weichen die Ergebnisse regelmäßig von den Erwartungen ab, wird Planungsaufwand zu Verschwendung.

Sehen wir die Zukunft als vorherbestimmt an? Oder als veränderbar?

Steht die Zukunft fest, ist eine Prognose eine vorzeitige Messung eines Zustands, der eintreten wird; ihre Genauigkeit bemisst sich an der Übereinstimmung mit dem tatsächlichen Ergebnis. Ist die Zukunft gestaltbar, wirkt eine Prognose als verhaltensprägende Anweisung; ihre Genauigkeit bemisst sich daran, wie eng die Ausführung dem Plan folgt.

Sehen wir Unsicherheit als Mangel oder als Risiken und Chancen?

Kaum jemand bestreitet, dass die Zukunft unsicher ist. Eine Sicht behandelt diese Unsicherheit als einen zu minimierenden Mangel: durch genauere Prognosen, engmaschigere Kontrollen und rasche Korrekturen. Die andere betrachtet sie als Rohmaterial, das zu bepreisen, abzusichern und gelegentlich bewusst anzunehmen ist, wenn die Aussichten dafür sprechen.

Halten wir früheres Handeln für besser, als eine spätere, besser informierte Entscheidung abzuwarten?

Spontan getroffene, weitreichende Entscheidungen erscheinen manchen als unbesonnen, anderen als entschlossen. Ebenso gilt Untätigkeit entweder als willensschwaches Zögern oder als Stärke, auf bessere Informationen zu warten.

Sehen wir Wissen als Eigenschaft des Unveränderlichen oder als die besonderen Umstände von Zeit und Ort?

Wissenschaftliches Wissen zielt auf Beständigkeit: Theorien werden als zeitlose Aussagen formuliert, und Reproduzierbarkeit setzt ein Phänomen voraus, das sich nicht mit Datum oder Ort verändert. Geschäftliches Wissen ist das Gegenteil. Sobald eine Tatsache allgemein bekannt ist, bricht ihr privater Wert ein. Einen Vorsprung schaffen die besonderen Umstände von Zeit und Ort: Wer will was, zu welchem Preis, angesichts der heutigen Kapazitäten und Beschränkungen? Wertvolles Wissen ist daher örtlich gebunden, aktuell und vergänglich.

Sehen wir die Vergangenheit als grundlegenden Vermögenswert, auf dem sich aufbauen lässt, oder als fehlerhaftes Erbe, das zur Selbstzufriedenheit verleitet?

Gründer können auf einem leeren Blatt beginnen; jeder Nachfolger erbt einen Status quo. Die eine Haltung behandelt dieses Erbe als einen sich vermehrenden Vermögenswert: Fähigkeiten, Lieferantenbeziehungen, Daten und Routinen, die durch Verfeinerung Risiken und Kosten senken. Die andere sieht darin eine Last: versunkene Kosten, erstarrte Gewohnheiten und interne Interessengruppen, die Entscheidungen auf den Markt von gestern ausrichten.

Sehen wir Investitionen in Menschen als unbegrenzt wertsteigernd an, oder bleibt diese Wertsteigerung Technologien und Techniken vorbehalten?

Manche sehen menschliche Fähigkeiten als etwas, das sich stetig weiterentwickelt. Durch Übung, Rückmeldungen und bessere Denkmodelle werden Planer immer schneller und genauer; Schulungsausgaben ähneln daher einer Kapitalinvestition. Andere erwarten ein frühes Plateau: Sobald Kompetenz erreicht ist, kommen dauerhafte Fortschritte vor allem durch bessere Techniken und Software zustande; Investitionen sollten deshalb Werkzeugen statt Menschen gelten. Die eingenommene Haltung bestimmt wesentlich, was überhaupt als „Investition“ zählt.

Diese Fragen sind natürlich falsche Dichotomien: Die Wahrheit kann zwischen den Polen liegen, vom Kontext abhängen oder sich ganz anderswo befinden. Weit entfernt von bloßen philosophischen Gedankenspielen zeigen diese Fragen, dass unsere Intuition über Zeit und Zukunft Folgen hat. Unterschiedliche Weltsichten führen nicht nur zu unterschiedlichen Lösungen: Menschen sind sich womöglich nicht einmal darüber einig, welche Probleme es zu lösen lohnt.

In Supply-Chain-Kreisen sind die Ansichten über Zeit und Zukunft weitgehend zu dem zusammengewachsen, was wir die teleologische Weltsicht nennen: der Überzeugung, dass sich das Morgen durch Prognosen im Voraus festlegen und anschließend durch Befolgung eines Plans technisch verwirklichen lässt. Im Laufe des 20. Jahrhunderts wurde diese Sicht vorherrschend und bleibt auch im 21. Jahrhundert der Normalfall. Sie wird selten benannt, kaum hinterfragt und von den meisten Autoren wie auch von Unternehmenssoftware stillschweigend vorausgesetzt. Der nächste Abschnitt macht diese Weltsicht explizit und untersucht ihre Folgen.

7.2 Die teleologische Weltsicht

Die Zukunft bleibt nur jenen unzugänglich, die sich die mathematischen Instrumente der modernen Wissenschaft nicht zu eigen gemacht haben. Welche Schwächen unsere heutigen Prognosemodelle auch noch plagen mögen, die unaufhaltsame Kraft des Fortschritts wird sie letztlich beheben. Zudem sagen uns diese Instrumente nicht nur, was geschehen wird, sondern auch warum. Anders als sein primitiver Vorgänger überlässt die moderne Führungskraft daher nichts dem Zufall. Ihre Pläne wurzeln nicht mehr in der fehlbaren Intuition der Menschen; sie werden vielmehr mit jener Präzision konstruiert, die dieses Maschinenzeitalter kennzeichnet.

Diese Zeilen erfassen den Kern der teleologischen Weltsicht⁹⁸. Im Laufe des 20. Jahrhunderts wurde sie zur vorherrschenden Sicht in intellektuellen Kreisen. Als Intellektuelle bezeichnen wir Menschen, die ihren Lebensunterhalt mit dem Verkauf ihrer Ideen verdienen – Schriftsteller, Historiker, Akademiker –, statt konkrete Dienstleistungen oder Produkte zu verkaufen. Diese Definition enthält kein Urteil über Intelligenz; sie bezeichnet lediglich Berufe. Ein Journalist ist beispielsweise ein Intellektueller, ein Neurochirurg dagegen nicht. Dennoch kann man vom Neurochirurgen erwarten, dass er besser ausgebildet und intelligenter ist als der Journalist; das erwartet jeder Patient, der sein Leben in die Hände des Chirurgen legt.

Hat eine Sicht erst einmal intellektuelle Kreise erfasst, breitet sie sich häufig aus und prägt die öffentliche Meinung⁹⁹. In Supply-Chain-Kreisen wurde die teleologische Weltsicht unter Autoren wie Praktikern zur vorherrschenden, wenn nicht sogar zur einzigen Sicht. Anbieter von Unternehmenssoftware verankerten sie durch Arbeitsabläufe und Technologien, die alternativen Sichtweisen wenig oder gar keinen Raum ließen.

Leider ist diese Weltsicht ebenso beliebt wie fehlerhaft. Trotz einer Fülle gegenteiliger Belege bleibt sie eine der verführerischsten ökonomischen Ideen aller Zeiten. Sie aus der Supply Chain zu verdrängen, ist eine gewaltige, aber notwendige Aufgabe. Zunächst müssen wir untersuchen, woher diese Sicht stammt und wie ihre Supply-Chain-Ableger entstanden.

7.2.1 Historische Entstehung

Die moderne quantitative Prognose¹⁰⁰ – im Gegensatz zum traditionellen Wahrsager, Auguren, Orakel oder Propheten – entstand Anfang des 20. Jahrhunderts in den Vereinigten Staaten mit der ersten Generation von Wirtschaftsprognostikern. Die Nachfrage nach Prognosen wurde durch eine investierende Mittelschicht befeuert, die es damals in dieser Form nur in den Vereinigten Staaten gab. Zu Beginn des 20. Jahrhunderts besaß nur eine halbe Million Amerikaner Aktien; Ende der 1920er Jahre waren es 10 Millionen. Diese frühen Prognostiker waren überzeugt, ihre Techniken würden wirtschaftliche Unsicherheit letztlich zu einem Relikt der Vergangenheit machen:

Woche für Woche erklärte sein [Roger Babsons] Newsletter den Lesern, wirtschaftliche Ereignisse seien weder zufällig noch ungewiss, sondern würden von Kräften beherrscht, die sich durch sorgfältiges Studium verstehen ließen. Nach der Panik von 1907 begann er, regelmäßig Prognosen zu veröffentlichen. […] Er lieferte Vorhersagen zu allem, von Preisen über Beschäftigung bis zum Absatz. —Walter A. Friedman, Fortune Tellers (2013)

Babsons Selbstsicherheit wurde zum Vorbild für Wirtschaftskommentatoren des gesamten Jahrhunderts. Sein Kerngedanke bestand darin, Newtons drittes Gesetz¹⁰¹, auch als Gesetz von Wirkung und Gegenwirkung bekannt, auf die Wirtschaft zu übertragen. Er war überzeugt, damit ließe sich der Verlauf der Wirtschaft letztlich ebenso vorhersehbar machen wie die Bahnen der Himmelskörper. Obwohl diese Vorstellung heute weithin als naiv und verfehlt gilt, waren die Prognostiker der Mitte des 20. Jahrhunderts ebenso zuversichtlich wie Babson; sie verlagerten ihr Vertrauen lediglich von der Newtonschen Mechanik auf die Statistik.

Der 1921 gegründete Gosplan der Sowjetunion begann 1925 mit der Herausgabe von Jahresplänen. Das Komitee stützte sich unmittelbar auf die teleologische Vorstellung, die Zukunft lasse sich bezwingen. Doch es produzierte nichts als unrealistische, unausführbare Pläne. Die Ergebnisse waren katastrophal. Die sowjetischen Ökonomen Nikolai Schmeljow und Wladimir Popow schreiben: „Das Verwaltungssystem zeichnete sich durch ökonomische Romantik, tiefgreifenden ökonomischen Analphabetismus und eine unglaubliche Übertreibung der tatsächlichen Wirkung aus, die der ‚Verwaltungsfaktor‘ auf wirtschaftliche Prozesse und auf die Motivation der Bevölkerung ausübte.“

Die Populärkultur spiegelte diese Überzeugungen wider: Isaac Asimovs Science-Fiction-Reihe Foundation (1951) erfasst die vorherrschenden Ansichten der damaligen Intellektuellen. Im Zentrum der Handlung steht eine fiktive Theorie, die „Psychohistorik“, die Teilchenphysik und Soziologie verbindet und nahezu vollkommene Vorhersagekraft erreichen soll, wenn gewaltige Menschenmengen beteiligt sind. Allerdings räumt Asimov ein, dass manche Einzelpersonen diese Vorhersagekraft durchkreuzen können. Dazu bedarf es jedoch praktisch eines Halbgottes: eines Menschen mit ungeheuren übersinnlichen Kräften.

Die meisten Intellektuellen des zwanzigsten Jahrhunderts blieben von der letztlichen Vorhersagbarkeit menschlicher Angelegenheiten vollkommen überzeugt, auch wenn Wirtschaftsprognosen immer wieder scheiterten. Gosplans Versagen lässt sich teilweise den allgemeinen Mängeln des Sozialismus zuschreiben, doch auch marktorientierte amerikanische Pioniere wie Moody’s und Standard & Poor’s erlitten Rückschläge. Beide begannen mit dem Verkauf von Anlagepublikationen – Handbüchern, Unternehmensübersichten und Börsenbriefen mit ausdrücklichen Prognosen –, statt lediglich vergangene Geschäftszahlen tabellarisch aufzuführen. Bis zur Mitte des Jahrhunderts hatten sich beide Unternehmen auf Bonitätsbewertungen verlegt: ein „sichereres“ Geschäft, das ihnen die Peinlichkeit zwangsläufig fehlerhafter Prognosen ersparte.

Die Rückschläge der Prognostik bremsten Operations Research nicht: Als das Fach in den 1950er und 1960er Jahren aufstieg, übernahm es die teleologische Sicht. Die Zukunft wurde als bekannte Modelleingabe behandelt, entweder unter stationären Bedingungen oder in Form einer Zeitreihenprognose. Ende der 1970er Jahre waren Zeitreihen zum Eckpfeiler quantitativer Supply-Chain-Theorien geworden. Mit dem Aufstieg von S&OP (Sales and Operations Planning) am Ende des 20. Jahrhunderts nahm die Bedeutung von Zeitreihenprognosen weiter zu. Ihr Rang und ihre Bedeutung blieben bis in die frühen 2010er Jahre im Wesentlichen unangefochten.

7.2.2 Das Zeitreihenparadigma

Eine Zeitreihe ist eine Folge von Werten einer Größe, die zu aufeinanderfolgenden Zeitpunkten beobachtet werden, gewöhnlich in gleichen Abständen¹⁰². Führt man die Reihe über den heutigen Tag hinaus fort, erhält man eine Prognose, genauer eine Zeitreihenprognose. Zeitreihen können alles Mögliche darstellen, von der Anzahl der Sonnenflecken bis zur Bevölkerung eines Landes. Die meisten Supply-Chain-Autoren und Softwarelösungen nutzen sie jedoch vorwiegend zur Darstellung der Nachfrage, gemessen in Stück oder in Geld.

Abbildung: Historische Zeitreihe bis zur Gegenwart (durchgezogen) und ihre Prognose (gestrichelt).

Eine Zeitreihe ist eine unbegrenzte Zahlenfolge auf einem Maßstab, wobei „0“ den heutigen Tag bezeichnet. Alles links davon ist bereits geschehen; alles rechts davon muss erst erschlossen werden. In der Praxis füllen wir diese Stellen mit Prognosen und behandeln Zeit in getrennten, gleichmäßig verteilten Schritten: Tagen, Wochen und so weiter.

Dieser Formalismus verdeutlicht einige Annahmen, auf denen das Zeitreihenparadigma beruht. Erstens haben Zeitreihen weder Anfang noch Ende, ähnlich einer geometrischen Geraden. Natürlich wird jede grafische Darstellung aus praktischen Gründen auf einen endlichen Abschnitt begrenzt. Dieses Teilstück darf jedoch nicht mit dem Ganzen verwechselt werden.

Zweitens sind Zeitreihen hinsichtlich ihrer Zeitdimension strukturell symmetrisch. Mit „strukturell“ meinen wir nicht, dass vergangene und künftige Werte übereinstimmen, sondern lediglich, dass sie von gleicher Art sind. Sie unterscheiden sich nur durch die Trennlinie beim Zeitpunkt null, die eine Frage der Konvention ist.

Drittens verwenden Zeitreihen eine diskrete Zeitachse. Diese Wahl vereinfacht sowohl ihre Darstellung als auch die darauf aufbauenden analytischen oder prognostischen Modelle erheblich.

Diese drei Annahmen entsprechen der vorherrschenden Sicht in den Naturwissenschaften. Ein Meteorologe, der die Temperaturen an einem bestimmten Ort untersucht, verwendet dasselbe Paradigma. Zwar beginnen die Aufzeichnungen zu einem bestimmten Datum, doch er zweifelt nicht daran, dass man Temperaturen auch früher hätte aufzeichnen können. Umgekehrt können die Messungen unbegrenzt fortgesetzt werden. Obwohl sich die Temperatur kontinuierlich verändert, werden die Aufzeichnungen bewusst diskretisiert, etwa durch eine tägliche Messung zu einer festen Uhrzeit, um die Analyse zu erleichtern. Schließlich sind die physikalischen Gesetze nahezu vollkommen zeitsymmetrisch¹⁰³.

Die Vorherrschaft des Zeitreihenparadigmas in Supply-Chain-Kreisen zu Beginn des 21. Jahrhunderts lässt sich kaum übertreiben. Nahezu die gesamte Prognoseliteratur dreht sich um Nachfragezeitreihen. Nur wenige Autoren erkennen andere Prognosegegenstände jenseits der Nachfrage an¹⁰⁴, und noch weniger andere Prognosestrukturen jenseits von Zeitreihen. Prognostizieren ist faktisch zum Synonym für „Nachfragezeitreihen prognostizieren“ geworden.

Ebenso verwendet die „angewandte Optimierung“, Erbin von Operations Research, nach Möglichkeit überwiegend Zeitreihen als Eingabe. Auch hier erkennen nur wenige alternative Perspektiven an.

Auf der Softwareseite stützen sich die meisten Berichtssysteme auf OLAP-Würfel (Online Analytical Processing), die konstruktionsbedingt dem Zeitreihenparadigma folgen. Eine ihrer Dimensionen ist ausnahmslos die Zeit. Entscheidend ist, dass solche Würfel mit alternativen, ausdrucksstärkeren Strukturen jenseits von Zeitreihen unvereinbar sind.

Auf der Führungsebene rückt die verbreitete Praxis von S&OP (Sales and Operations Planning) Zeitreihen eindeutig ins Zentrum. Funktionsübergreifende Teams kommen zusammen, um ein einziges Ergebnis zu erstellen: den strategischen Plan. In der Praxis ist dieser Plan ein Bündel von Zeitreihen, gewöhnlich die projizierten Verkäufe des Unternehmens, verteilt auf künftige Zeitintervalle.

7.2.3 Planung mit Zeitreihen

Im Geschäftsleben ist eine Zeitreihenprognose keine neutrale Projektion wie in den Naturwissenschaften; sie ist zugleich eine verbindliche Festlegung. Sobald eine Prognose genehmigt ist, bildet sie die Grundlage für Budgets, Kapazitätsreservierungen und Nachschubtermine. Die Organisation arbeitet anschließend darauf hin, diese Zahlen einzuhalten; die Prognose wird weniger zur Schätzung des Morgen als zur Anweisung, es entsprechend zu gestalten.

Sind die Prognosen einmal festgelegt und wird die künftige Nachfrage als bekannt behandelt, bleibt nur, die Ressourcen so zu koordinieren, dass sie diese Nachfrage rechtzeitig und zu minimalen Kosten decken. In der teleologischen Sicht bedeutet Planung, die künftige Nachfrage festzulegen und ihr die passenden Ressourcen zuzuweisen.

Wird die Zukunft tatsächlich als feststehend behandelt – eine bekannte Tagesnachfrage für jede SKU an jedem Standort –, reduziert sich das Planungsproblem auf Arithmetik: Die materiellen Entscheidungen, also was zu kaufen, herzustellen oder zu bewegen ist; wo; wann; und wie viel, werden mechanisch aus der Prognose selbst abgeleitet¹⁰⁵. Die Ausführung beschränkt sich dann darauf, die Einhaltung „des Plans“ zu messen. Beträgt beispielsweise die morgige E-Commerce-Prognose für eine bestimmte SKU im Auftragsabwicklungszentrum genau 2 Einheiten, ist ein geringerer Bestand ein geplanter Fehlbestand; ein höherer Bestand ist definitionsgemäß ein vermeidbarer Überbestand, den ein genauer terminierter Nachschub „hätte“ verhindern sollen.

Sobald die Prognose als „der Plan“ geheiligt ist, verlagert sich die Handlungsmacht des Unternehmens auf das Ritual, diese Zahl festzulegen. Die Prognose sitzt auf dem Thron; alles andere ist Befolgung. Daher die Revierkämpfe um die Planungsgrundlage: keine Auseinandersetzung über statistische Qualität, sondern eine getarnte Budgetverhandlung. Prognostikern erscheint das Gerangel widersinnig; für Führungskräfte ist „Genauigkeit“ nebensächlich. Der eigentliche Gewinn besteht in einem größeren Anteil an Kapital, Kapazität und Aufmerksamkeit für das eigene Herrschaftsgebiet.

Die Koordination stößt dann auf eine strukturelle Unvereinbarkeit: Prognosen sind in einer Geometrie formuliert, Ressourcen in einer anderen. Die Planungsgrundlage kann Wochenwerte je SKU enthalten, während Lastwagen täglich, aber nie sonntags abfahren; die Produktion wird anhand von Umrüstungen zu Losen gebündelt; Bestellungen unterliegen Mindestbestellmengen und Mengenrabattstaffeln. Eine kleine Armee von Planern muss deshalb jedes Detail rückwärts terminieren: Mengen zwischen Tagen verschieben, Bestellungen vor Annahmeschluss unterbringen, hier aufpolstern, dort kürzen, damit die Aufzeichnungen zur Planungsgrundlage zu passen scheinen. Außenstehenden erscheint diese Betriebsamkeit als „Entscheidungen treffen“. Tatsächlich ist der Ermessensspielraum minimal: Die Planbefolgung begrenzt die Auswahl, und die verbleibenden Freiheitsgrade sind administrativer statt wirtschaftlicher Natur.

Diese Sicht erklärt auch, warum Supply-Chain-Autoren, Praktiker und Softwareanbieter die Preisgestaltung fast immer ignorieren. Weil Preise die Nachfrage beeinflussen, gehören sie tatsächlich zur Supply Chain, wie wir im gesamten Buch vertreten. Die klassische Haltung folgt jedoch der teleologischen Sicht und blendet sie vollständig aus. Man erwartet schlicht, dass Preise vor und unabhängig von der Planungsphase festgelegt werden. Für den traditionellen Angebots- und Nachfrageplaner sind Preise gegeben: weder zu bewerten noch zu hinterfragen.

Diese Vorstellung von Planung, bei der eine Prognose die Ressourcenallokation steuert, ist in heutigen Supply-Chain-Kreisen so vorherrschend, dass nur wenige überhaupt Alternativen anerkennen. Meinungsverschiedenheiten beschränken sich auf die Wahl von Prognosemethoden, Bestandsmodellen und Koordinationsabläufen. Doch trotz ihrer Beliebtheit hat die teleologische Planung Nachteile und verdient eine kritische Prüfung.

7.2.4 Grenzen der Planung

Nennen wir hier also jene Illusion den teleologischen Fehlschluss, nach der man genau weiß, wohin man geht, in der Vergangenheit genau wusste, wohin man ging, und andere in der Vergangenheit erfolgreich waren, weil sie wussten, wohin sie gingen. Antifragile: Things that Gain from Disorder (2012) von Nassim Nicholas Taleb

Planung, wie sie aus der teleologischen Weltsicht hervorgeht, ist zutiefst fehlerhaft. Dennoch bleibt sie trotz eines Jahrhunderts gegenteiliger Belege – besonders berüchtigt sind die Fiaskos des sowjetischen Gosplan – die zentrale Doktrin großer öffentlicher wie privater Organisationen. Nur wenige Ideen haben die intellektuellen Kreise des 20. Jahrhunderts so vollständig verführt und dabei so wenig geleistet. Bevor wir untersuchen, warum diese Faszination anhält, klären wir zunächst die technischen Mängel der Planung, beginnend mit den Unzulänglichkeiten von Zeitreihen.

Als mathematische Struktur eignen sich Zeitreihen schlecht dazu, geschäftliche Situationen abzubilden. Es ist verlockend, aber grundlegend verfehlt, die in den Naturwissenschaften verwendeten Zeitreihen einfach zu übernehmen. Der Kern des Problems liegt darin, dass Zeitreihen im Geschäftsleben ganze Facetten des untersuchten Phänomens kategorisch ausblenden.

Betrachten wir den Meteorologen, der jeden Tag am selben Ort eine Temperaturmessung vornimmt: die interessierende Zeitreihe. Er weiß, dass sich die Messung mit etwas besserer Ausrüstung präziser gestalten ließe. Er weiß, dass man zweimal messen könnte, im Abstand von einer Minute oder von 100 Metern. Von keiner dieser Verbesserungen ist jedoch zu erwarten, dass sie das Bild grundlegend verändert. Messungen lassen sich stets präziser oder feiner aufgelöst gestalten, allerdings mit abnehmendem Nutzen. Die Zeitreihe ist eine Näherung, deren Art und Ausmaß der Meteorologe jedoch kontrolliert. Er ist niemals nur „Sekunden“ oder „Meter“ von einem grundlegenden Durchbruch entfernt, der sein Wetterverständnis umstürzen würde.

Das Geschäftsleben folgt diesen Regeln nicht. Scheinbar geringfügige Änderungen der Messung können die Lagebeurteilung grundlegend verändern. Betrachten wir ein Unternehmen, das seit Jahren dasselbe Produkt verkauft. Der Absatz ist mit etwa 1.000 Einheiten pro Woche stabil und schwankt kaum. Wie wahrscheinlich ist es, dass die Nachfrage nach diesem Produkt nächste Woche auf null fällt und für immer dort bleibt? Um diese Frage zu beantworten, betrachten wir zwei Situationen mit identischen historischen Zeitreihen des Wochenabsatzes.

Betrachten wir zwei Nachfragestrukturen, die dieselbe Wochensumme von etwa 1.000 Einheiten erzeugen: Fall A – 1.000 unabhängige Kunden kaufen jeweils ungefähr eine Einheit pro Woche; Fall B – ein einziger Kunde kauft ungefähr 1.000 Einheiten pro Woche. Die historische Zeitreihe der Wochensummen über Jahre sieht in beiden Fällen identisch aus, doch die Extremrisiken unterscheiden sich. In Fall A müssten praktisch sämtliche Kunden verloren gehen, damit der Absatz nächste Woche auf null sinkt – ein Vorgang, der sich, sofern keine Katastrophe eintritt, über viele Wochen oder Monate erstreckt. In Fall B genügt eine Entscheidung eines Käufers; das Risiko des vollständigen Zusammenbruchs entspricht der Abwanderungswahrscheinlichkeit dieses einen Kunden.

Betrachten wir die Folgen für den Bestand. In Fall A zeigen sich Rückgänge gewöhnlich schrittweise, sodass Bestände verringert werden können, sobald sich die Abwanderung abzeichnet; Abschreibungen bleiben meist begrenzt. In Fall B ist eine hohe Abschreibung keine Frage des Ob, sondern des Wann: Sobald der einzige Käufer abspringt, wird der für ihn angesammelte Bestand zum Überhang. Zwei Situationen mit identischen Wochenabsatzzeitreihen haben somit gegensätzliche Risikoprofile und verlangen unterschiedliche Entscheidungen.

Betrachten wir eine zweite Situation: Eine Filiale verkauft durchschnittlich 10 Einheiten einer bestimmten SKU pro Woche. Sie ist sieben Tage geöffnet und erhält täglich Nachschub. Welcher physisch vorhandene Bestand ermöglicht einen verlässlichen Service? Die Punktprognose für die tägliche Nachfrage beträgt \(\approx 1.4\) Einheiten, doch zwei Nachfragestrukturen mit derselben Zeitreihe verlangen gegensätzliche Bestände.

Variante A – viele kleine Warenkörbe. Zehn verschiedene Kunden kaufen im Laufe der Woche jeweils eine Einheit. Bei täglichem Nachschub reichen an den meisten Tagen etwa 5–6 physisch vorhandene Einheiten: Ein Tageszyklusbestand plus ein kleiner Puffer deckt das gewöhnliche Rauschen ab.

Variante B – wenige große Warenkörbe. Ein Kunde pro Woche kauft 10 Einheiten auf einmal. Bei weniger als 10 Einheiten ist für diesen Besuch ein Fehlbestand garantiert; ein ordentlicher Service erfordert mindestens 10. Da zwei solche Kunden am selben Tag kommen können, liegt die maßgebliche Größenordnung bei 20, möglicherweise 30.

Die Zeitreihe ist in beiden Varianten identisch, doch der wirtschaftlich sinnvolle Bestand unterscheidet sich um den Faktor vier oder mehr. Entscheidend ist die Verteilung der Warenkorbgrößen, nicht der auf Tagesintervalle verteilte Durchschnitt.

Wie diese beiden Beispiele zeigen, ebnen Zeitreihen selbst bei einer einzigen SKU entscheidende Aspekte des Flusses ein. Sie sind eine verlustbehaftete Darstellung der Transaktionshistorie: Die Projektion verwirft Informationen, und anders als in der Meteorologie erweist sich das Verlorene häufig als wesentlich. Die resultierenden Pläne funktionieren deshalb ausnahmslos schlecht, weil sie entscheidende Aspekte der Situation ignorieren. Da die Schwäche im Zeitreihenparadigma selbst liegt, ist es eine Illusion, sie durch höhere Raffinesse beheben zu wollen. Weitere Reihen, längere Horizonte in die Vergangenheit oder Zukunft, feinere Auflösung oder genauere Punktprognosen lösen das Problem nicht.

Viele weitere ähnliche Beispiele ließen sich anführen. Selbst für eine einzige SKU versagen Zeitreihen: bei verderblichen Waren, da jede Einheit ihre eigene Haltbarkeit hat; bei reparierbaren Artikeln mit jeweils eigenem Lebenszyklus; bei der Rückwärtslogistik, in der Rücksendungen Verwirrung stiften; bei Produkteinführungen, für die noch keine Reihe vorliegt, und so weiter. Tatsächlich ist es schwer, eine Branche zu finden, in der ein beträchtlicher Teil des Geschäfts mit dem Zeitreihenparadigma und damit mit der „Planung“ unvereinbar ist.

Diese Einschränkungen bei einzelnen SKUs verschwinden mit zunehmender Größe nicht; sie vervielfachen sich. In einem größeren Unternehmen mit Tausenden SKUs erzeugen die Zeitreihenperspektive und die darauf aufbauenden Planungsrituale dieselben Fehler, nur verstärkt. Betrachten wir ein Sportbekleidungsunternehmen mit eigenen Filialen, das unter vielen anderen Artikeln einen schwarzen Rucksack verkauft. Aus Planungssicht erstellt das Unternehmen für diesen Rucksack eine 12-monatige Absatzprojektion, richtet die Produktion danach aus und wiederholt die Übung für das gesamte Sortiment. Die Praxis ist so verbreitet, dass kaum jemand sie hinterfragt, doch ihre Voraussetzung ist falsch.

Die Projektion ist unsinnig. Eine auffällige Platzierung in den Filialen würde die Nachfrage erhöhen; eine Beschränkung des Rucksacks auf den E-Commerce würde sie dämpfen. Führt das Unternehmen viele Rucksackvarianten in verschiedenen Farben und Größen ein, werden diese die Nachfrage nach dem ursprünglichen Rucksack kannibalisieren. Setzt das Unternehmen einen aggressiven Preis und macht den Rucksack zum Zugpferd einer Marketingkampagne, die neue Kunden in das Filialnetz locken soll, wird die Nachfrage wesentlich höher sein, als wenn er lediglich ein unauffälliges Produkt in einem riesigen Sortiment ist.

Der Plan ergibt keinen Sinn, weil jede Projektion von Entscheidungen abhängt, die noch zu treffen sind, während die Übung so verfährt, als wären sie bereits getroffen. Sobald der Plan vorliegt, müssen Sachbearbeiter ihre Wahlmöglichkeiten rückwärts rekonstruieren, damit spätere Festlegungen scheinbar zu ihm passen. In der Praxis ist der Plan nicht unmöglich; „machbar“ wird er jedoch nur durch kostspielige Näherungen: Expresszuschläge, überhöhte Puffer, künstliche Glättung und aufgeschobene Verpflichtungen halten die Aufzeichnungen im Einklang, während sie die Wirtschaftlichkeit untergraben. Machbarkeit ist hier ein rechnerisches Artefakt statt einer betrieblichen Wahrheit.

Dass Gosplan unausführbare Pläne erzeugte, war weder besonders noch überraschend. Dieser Mangel liegt in der teleologischen Planung selbst. Unternehmenslenker, Feudalherren und Politkommissare, die dieselbe Sicht übernehmen, würden ebenfalls bei unausführbaren Plänen landen. Um zu verstehen, warum, muss man sich in Erinnerung rufen, dass Supply Chain im Kern ein wirtschaftlicher Prozess ist: die Allokation von Ressourcen mit alternativen Verwendungsmöglichkeiten.

Wenn Führungskräfte einen Plan entwerfen, verfügen sie implizit über Tausende knappe Ressourcen und erwarten, dass diese zur richtigen Zeit, am richtigen Ort, in der richtigen Menge und zu den richtigen Kosten bereitstehen. Die Wahrscheinlichkeit einer vollkommenen Übereinstimmung zwischen den zahllosen Erwartungen des Plans und den tatsächlich verfügbaren Ressourcen des Unternehmens, zu jeder Zeit und an jedem Ort im gesamten Planungshorizont, liegt praktisch bei null.

Zeitreihenplanung und allgemeiner die teleologische Weltsicht bleiben nicht bloß hinter den Erwartungen zurück; sie lenken Anstrengungen in die falsche Richtung. Dennoch sind sie bis weit ins 21. Jahrhundert der Normalfall in den meisten Unternehmen und nahezu jedem Supply-Chain-Forum. Wie konnte eine wiederholt widerlegte Vorstellung zur Orthodoxie werden? Die Erklärung liegt weniger in der Logik als in den Anreizen. Der nächste Abschnitt untersucht diese Anreize, also die bürokratische Anziehungskraft der Planung, und zeigt, warum die Doktrin trotz ihrer schlechten Ergebnisse fortbesteht.

7.2.5 Bürokratische Anziehungskraft

Unternehmen sind in die Idee des strategischen Plans verliebt. Sie müssen dafür bezahlen, herauszufinden, wohin sie gehen. Doch es gibt keine Belege dafür, dass strategische Planung funktioniert; anscheinend gibt es sogar Belege dagegen. Der Managementforscher William Starbuck hat einige Arbeiten veröffentlicht, die die Wirksamkeit der Planung widerlegen: Sie macht das Unternehmen blind für Optionen, weil es sich auf einen nicht opportunistischen Handlungskurs festlegt. Antifragile: Things that Gain from Disorder (2012), Nassim Nicholas Taleb.

Gosplan mag verschwunden sein, doch sein Geist lebt in großen Unternehmen und Behörden fort. Die teleologische Weltsicht ist unbestreitbar anziehend, aber nicht allein wegen Unwissenheit oder Dummheit. Ihr Beharrungsvermögen verdankt sie weniger der Unwissenheit als Anreizen, die Planungstheater belohnen. Solange diese Anreize nicht benannt und angegangen werden, bleibt die Doktrin bestehen.

Im Kern ist Planung eine bürokratische Funktion, die Spezialisten im Backoffice ausüben. Diese Funktion ist unvermeidlich: Das Unternehmen braucht einen Mechanismus, um ein verflochtenes Gemisch von Ressourcen über Zeiten und Orte hinweg zu verteilen. Die Spezialisten greifen selten unmittelbar in den physischen Fluss ein; sie koordinieren ihn indirekt. Das Allokationsproblem spiegelt den gesteuerten Fluss wider und ist zu verwickelt, als dass eine einzelne Person es durchgängig bewältigen könnte. Weil die Arbeit analytisch und datenintensiv ist, sind Spezialisten dabei deutlich produktiver als Generalisten. Die Arbeitslast auf die gesamte Führungsebene zu verteilen, ist daher selten praktikabel; sinnvoll ist es, die Aufgabe bei einer kleinen Gruppe von Planern zu bündeln.

Wie in jeder Bürokratie wird Misserfolg bestraft, häufig hart, während Erfolg kaum wahrgenommen wird. Ein erfolgreicher Verkäufer, der beispielsweise einen Umsatz in doppelter Höhe seines erwarteten Jahresziels erzielt, hat eine starke Verhandlungsposition für eine deutliche Gehaltserhöhung. Ein Planer, dessen Bestandsabschreibungen halb so hoch ausfallen wie die seiner Kollegen, erhält dagegen selten vergleichbare Anerkennung. Der Erfolg eines Verkäufers gilt als persönlich, die Leistung eines Planers hingegen als abhängig von vielen anderen Akteuren innerhalb und außerhalb des Unternehmens, etwa Lieferanten. Umgekehrt wird ein Verkäufer selten entlassen, weil ihm ein lukratives Geschäft entgangen ist. Ein Planer, der eine hohe Abschreibung auslöst, muss dagegen mit schweren beruflichen Folgen rechnen, wenn der Verlust auf seinen vorgeschlagenen Plan zurückgeführt wird.

Ob gerechtfertigt oder nicht, solche Vorannahmen durchziehen große Unternehmen, insbesondere das mittlere Management. Mitglieder der Planungsbürokratie lernen deshalb schnell, dass es sicherer ist, sich der Verantwortung zu entziehen, als gelegentliche Erfolge für sich zu beanspruchen. Vorhersehbar verdrängt eine prozessorientierte Kultur die Ergebnisorientierung. Gestützt wird dies dadurch, dass „gute Planung“ als Einhaltung kodifizierter Prozesse neu definiert wird. Dieser Kunstgriff macht die Bürokratie nahezu unangreifbar: Erfolg wird als fortgesetzte Befolgung jener Regeln umdefiniert, die sie sich selbst geschrieben hat.

Leider bringt bloße Prozessbefolgung in der Planung wenig greifbaren Ertrag. Unternehmensplanung unterscheidet sich von der Flugsicherheit, wo jeder inzwischen seltene Absturz untersucht wird, um Anpassungen zu finden, die eine Wiederholung verhindern. Planungsfehler sind dagegen so häufig und so gravierend, dass solche Anpassungen oft mindestens ebenso viele Mängel neu einführen, wie sie beheben. Mittelmäßigkeit bleibt deshalb ein dauerhaftes Merkmal der Planung.

Insbesondere erzeugen Zeitreihenprognosen für das Planungsteam eine Verantwortungsfalle. Am Einsatzpunkt ist eine Punktprognose garantiert falsch; treten Fehlmengen oder Überschüsse auf, wird die Abweichung sichtbar und innerhalb des Unternehmens den Prognostikern zugerechnet. Bürokratien vermeiden eine solche persönliche Angriffsfläche. Die übliche Reaktion besteht darin, die „Verantwortung“ für die Prognose zu verbreitern und Vertrieb, Marketing, Finanzen und Betrieb in das Ritual einzubeziehen – nicht vorrangig, um die Zahlen zu verbessern, sondern damit jeder Fehler zu einem kollektiven wird.

Dieses Manöver tritt gewöhnlich als große „kollaborative“ Initiative auf, die eine Verbesserung der Prognosegenauigkeit verspricht. S&OP (Sales and Operations Planning) ist eine der beliebtesten Varianten solcher Initiativen. Die endlosen S&OP-Sitzungen sorgen dafür, dass zahlreiche weitere Beteiligte die Prognosen mitunterzeichnen. Es gibt keinen empirischen Beleg dafür, dass solche Sitzungen die Planungsqualität verbessern. Tatsächlich zeigen die Belege, dass große Gremien fast immer schlechtere Ergebnisse liefern, unabhängig von der jeweiligen Aufgabe.

Kurz gesagt spricht teleologisches Prognostizieren Sachbearbeiter an, weil sie damit sowohl Entscheidungen als auch deren Folgen ausweichen können. Prognosen dienen als beruflicher Schutzpuffer, der die Verantwortung für die daraus entstehenden Ressourcenallokationen ablenkt. Anschließend verändern die Planer den Prognoseprozess, häufig unter dem Etikett „kollaborativ“, um ihre persönliche Angriffsfläche noch weiter zu verringern.

Obwohl eine einfache Analyse die Mängel der teleologischen Sicht offenlegt, ist es häufig schwierig, diese Kritik auf ein bestimmtes Unternehmen anzuwenden. Oft verbergen sich die Mängel hinter methodischen Anbauten, die dem Planungsprozess einen „wissenschaftlichen“ Anstrich verleihen.

Kritik ist keine Methode. Unternehmen brauchen weiterhin einen Kompass – einen, der nicht vorgibt, das Morgen sei eine feststehende Verlängerung des Gestern. Die Alternative besteht darin, Unsicherheit als Eingabe statt als Mangel zu behandeln, Optionalität als einen aufzubauenden und einzusetzenden Vermögenswert zu betrachten und Entscheidungen nach ihrem risikoangepassten Gewinnbeitrag statt nach ihrer Plantreue zu beurteilen. Diese unter Unternehmern verbreitete und in Bürokratien seltene Haltung verortet die Handlungsmacht wieder in der Allokation statt in der Prognose, die zu deren Rechtfertigung verwendet wird. Wir nennen dies die pragmatische Weltsicht, die wir als Nächstes untersuchen.

7.3 Die pragmatische Weltsicht

Das Chaos der Zukunft lässt sich nicht beseitigen. Kunden sind wankelmütig, Mitarbeiter launisch und Lieferanten unzuverlässig. Doch die Konkurrenz steht vor demselben Durcheinander. Man muss nicht perfekt sein, nur besser. Jede Unebenheit eröffnet auch eine Überholmöglichkeit. Entschlossenes Handeln schlägt ausgefeilte Planung, und das Glück belohnt die Vorbereiteten. Vorbereitung ist daher die Kunst, Chancen zu schaffen, statt den morgigen Markt exakt zu erraten.

Diese Bemerkungen verdichten die pragmatische Weltsicht. Das teleologische Lager betrachtet die Zukunft als eine Reise, die eine immer detailliertere Karte verlangt: die Prognose. Ist die Karte genau genug, braucht es kein weiteres Instrument; sie allein soll den Reisenden an ein bekanntes Ziel führen. Ohne eine solche Karte zu reisen, erscheint den Anhängern dieser Sicht leichtsinnig.

Die pragmatische Weltsicht setzt dagegen auf eine fortlaufende Chancenbewertung: ein Peilsignal statt einer Karte. Ist dieses Signal verlässlich, besteht Fortschritt darin, sich stetig in seine Richtung zu bewegen. Das Ziel im Voraus zu kennen, erhöht die Geschwindigkeit nicht; ein sich veränderndes Gelände macht statische Karten bald nutzlos.

Obwohl Unternehmer sie täglich praktizieren, lehnen viele Intellektuelle die pragmatische Weltsicht ab. Ihre Verachtung entspringt weniger Zweifeln an ihrer Wirksamkeit als moralischen Untertönen, als offenbare ihre Übernahme einen Charakterfehler.

Das erste Stigma entsteht aus der stillschweigenden Verbindung der pragmatischen Weltsicht mit Glücksspiel und anderen Formen müßiger Spekulation. Der Unternehmer wagt zwar etwas, doch das ist keine „müßige“ Spekulation, und der Vorgang soll sowohl für ihn als auch für seine Kunden rentabel sein. Bringt etwa ein Unternehmer ein Produkt auf den Markt, das ein Riesenerfolg wird, kann dieser Erfolg als unverdient gelten, weil sein wirtschaftlicher Beitrag dem unaufmerksamen Beobachter gering erscheint. Um diesen einen Erfolg zu erzielen, hat er jedoch womöglich Dutzende Produkte eingeführt und mit jedem erfolglosen Produkt Geld verloren. Außerdem entscheiden allein die Verbraucher, ob ein Produkt eine geringfügige Variante oder eine grundlegende Verbesserung ist. Ein großer kommerzieller Erfolg legt nahe, dass sie etwas besonders Ansprechendes gefunden haben. Leider bleiben die Kosten der Erkundung vieler Ansätze zur besseren Bedienung des Marktes für Außenstehende weitgehend unsichtbar. Deshalb wird Erfolg häufig als reines Glück abgetan, wie ein Lottogewinn.

Das zweite Stigma entsteht aus charakteristischen Verhaltensweisen, die viele Beobachter für ausbeuterisch halten. Wieder richten die Beobachter ihren Blick auf die tatsächlichen oder vermeintlichen Vorteile des Unternehmers und verzerren damit ihre Wahrnehmung. Zunächst findet auf einem freien Markt eine Transaktion nur statt, wenn beide Seiten zustimmen. Welchen Preis der Verkäufer auch verlangt: Der Käufer kann folglich nicht „ausgebeutet“ werden, ohne diesem Preis zuzustimmen¹⁰⁶. Ein Unternehmen, das tragbare Stromgeneratoren rasch in eine sturmgeschädigte Region bringt, kann beispielsweise weit mehr als den „normalen“ Preis verlangen. Daran ist jedoch nichts ausbeuterisch. Käufer werden nicht zum Kauf gezwungen, und wer einen Generator kauft, hält seine Lage damit für besser als ohne ihn¹⁰⁷. Allgemeiner prägen in der pragmatischen Weltsicht die Preise den Fluss: Günstig kaufen und teuer verkaufen ist seine Triebkraft. Dennoch wird dies häufig fälschlich als ausbeuterisch dargestellt, weil unaufmerksame Beobachter nicht erkennen, dass „günstig kaufen, teuer verkaufen“ kein Glücksfall ist, sondern ständige Anstrengung erfordert und unvermeidliche finanzielle Risiken mit sich bringt.

Seit dem 19. Jahrhundert haben intellektuelle Kreise daran gearbeitet, die pragmatische Weltsicht zu stigmatisieren¹⁰⁸, und diese Wahrnehmung in der Öffentlichkeit verbreitet. Viele Eigenheiten dessen, was heute als „Mainstream“-Supply-Chain-Theorie gilt, etwa das Ausweichen vor dem offensichtlichen Einfluss des Preises auf die Nachfrage, gehen wesentlich auf diese Stigmatisierung zurück.

Doch über Wahrheit entscheidet nicht die Beliebtheit; die pragmatische Weltsicht ist der teleologischen sowohl konzeptionell als auch empirisch überlegen. Konzeptionell nimmt sie die gewinnorientierte Perspektive samt ihren Begleitmerkmalen auf. Gegnerisches Verhalten etwa hat in der teleologischen Sicht keinen Platz, fügt sich in die pragmatische Sicht jedoch selbstverständlich ein. Empirisch erweist sich die pragmatische Weltsicht gegenüber dem umgebenden Chaos als widerstandsfähiger, weil sie wesentlich weniger von der Richtigkeit eines Plans abhängt und dadurch bessere risikoangepasste Entscheidungen hervorbringt. Schon der Begriff der „Chancen“ ist beispielsweise in der pragmatischen Weltsicht selbstverständlich, fehlt aber in der teleologischen.

7.3.1 Nicht reduzierbare Unsicherheit

Die pragmatische Weltsicht geht davon aus, dass die Zukunft entschieden unsicher ist, ohne damit zu behaupten, sie sei vollkommen unerkennbar. Sie unterstellt weder, mögliche Zukünfte seien undenkbar, noch, sie seien alle gleich wahrscheinlich. Im Gegenteil: Manche Zukünfte sind nach dieser Sicht deutlich wahrscheinlicher als andere, lassen sich erkennen, und Ressourcen können deshalb so allokiert werden, dass sie diesen wahrscheinlichen Zukünften dienen. Dadurch lassen sich Kunden gewissenhafter und rentabler bedienen.

Die pragmatische Weltsicht hält einen Teil des Morgen für vorhersehbar, häufig nur in groben, strukturellen Zügen. Vieles von dem, was wir wissen, ist vergleichend – „Ein Gramm Gold wird mit an Sicherheit grenzender Wahrscheinlichkeit teurer bleiben als ein Gramm Silber“ – oder relational: „SKU A wird sich bei gleichem Preis häufiger verkaufen als SKU B.“ Dieses Wissen ist betrieblich nützlich, passt aber schlecht in äquidistante Punktzeitreihen, die für jedes Datum nur eine Zahl anbieten. Die Felder einer Zeitreihe können weder Ungleichungen noch Rangfolgen oder bedingte Aussagen ausdrücken; sie ebnen relative Tatsachen zu absoluten Schätzungen ein.

Selbst wenn das Wissen nicht vergleichend ist, widersetzt sich seine Struktur dem Zeitreihenschema. Betrachten wir die Luftfahrt: Die weltweiten Passagierzahlen steigen in den meisten Jahren, unterbrochen von seltenen, schweren Einbrüchen. Eine Punktzeitreihe zwingt uns, für jedes künftige Datum eine Zahl zu wählen. Sie kann „fast immer aufwärts, außer in katastrophalen Einbruchsjahren mit geringer Wahrscheinlichkeit“ nicht abbilden. Asymmetrie und Extremrisiken erfordern Wahrscheinlichkeitsverteilungen oder Regimevariablen statt eines einzigen Referenzverlaufs. Kurz gesagt ist der Zeitreihenformalismus zu eng für jene Aussagen, die Unternehmen einen echten Vorsprung verschaffen.

Aus diesem Blickwinkel ist die pragmatische Sicht nicht weniger „prognostisch“ als die teleologische; sie verwendet lediglich eine andere Grammatik. Statt Zeitintervalle mit einem einzigen Referenzverlauf zu füllen, weist sie Gruppen von Ergebnissen Wahrscheinlichkeiten zu und hält vergleichende Tatsachen fest: etwa, dass SKU A bei gleichen Preisen wahrscheinlich häufiger verkauft wird als SKU B, dass eine Hitzewelle den Wasserabsatz steigert oder dass Lieferzeiten einen schweren rechten Verteilungsrand aufweisen. Entscheidend ist nicht eine einzelne Zahl pro Datum, sondern die bepreiste Menge von Alternativen, die diese Aussagen erschließen. Eine Prognose gilt insofern als „gut“, als sie einen wirtschaftlichen Vorsprung schafft und es dem Unternehmen ermöglicht, sich besser als seine Konkurrenten festzulegen, abzuwarten, abzusichern oder Preise anzupassen – nicht, weil sie ein akademisches Fehlermaß minimiert.

Anders als die teleologische Sicht, die das Morgen zu einem einzigen Mengenverlauf über die Zeit einebnet, behandelt die pragmatische Sicht die Zukunft als ein Portfolio von Unsicherheiten über den gesamten Fluss. Die nachgefragte Menge ist nur eine Variable. Preise und Geschäftsbedingungen können sich ändern; ein Konkurrent kann seine Garantie von drei auf fünf Jahre verlängern und damit eine Reaktion erzwingen; Produktmix und Substitution verändern sich mit der Sortiments- und Warenpräsentation. Lieferzeiten schwanken, häufig mit schweren Verteilungsrändern bei Verzögerungen; Beschaffungs- und Betriebskosten verändern sich; Lieferanten und Produktionslinien fallen gelegentlich aus. Jeder dieser Aspekte verdient eine eigene Wahrscheinlichkeitsverteilung, weil er die Opportunitätskosten ebenso stark verändert wie die Nachfrage. Die praktische Aufgabe besteht darin, diese Unsicherheiten gemeinsam zu bepreisen, statt vorzugeben, eine einzige skalare Prognose könne sie alle vertreten.

In der pragmatischen Sicht gibt es nicht eine Zukunft, sondern eine grenzenlose Vielzahl. Diese Vielzahl auf eine Handvoll Szenarien zu reduzieren, geschweige denn auf eine einzige Prognose, ist Wunschdenken. Weil die Zukunft nur teilweise erkennbar und voller Unsicherheiten ist, lassen sich nicht alle plausiblen Ergebnisse aufzählen. Jeder Versuch, einen umfassenden „großen Masterplan“ zu entwerfen, grenzt deshalb an Selbsttäuschung.

Stattdessen betrachtet die pragmatische Sicht Planung als den Versuch, unterschiedliche und widersprüchliche Erkenntnisse über die Zukunft miteinander zu vereinbaren, um Ressourcen möglichst rentabel zu allokieren. Auf ein unwahrscheinliches Ergebnis in großem Umfang zu setzen, kann vertretbar sein, wenn die Erträge hoch sind und die Risiken aufwiegen. Umgekehrt kann ein sehr wahrscheinliches Ergebnis keinerlei Allokation rechtfertigen, wenn es keinen Gewinn verspricht, wie sicher es auch sein mag.

Zusammengefasst behandelt die pragmatische Weltsicht das Morgen als ein Portfolio verschiedenartiger Anhaltspunkte. Sie weigert sich, diese in eine einzige Zeitreihenbasis zu pressen, und bewahrt jeden in seiner ursprünglichen Form: Wahrscheinlichkeiten, Regime, Ungleichungen und vergleichende Aussagen. Das praktische Problem ist die Synthese, also aus unterschiedlichen Anhaltspunkten stimmige Entscheidungen abzuleiten. Diese Aufgabe fällt den Werkzeugen zu, nicht der Weltsicht. Der Rest dieses Kapitels führt die Theorie und die Instrumente für diese Synthese ein.

Vor dem Instrumentarium steht ein Grundsatz: In der pragmatischen Sicht kommt die Entscheidung, die Allokation selbst, zuerst.

7.3.2 Opportunistische Allokationen

Die pragmatische Weltsicht betrachtet die Zukunft nicht als feststehende „Grundlage“ zu liefernder Einheiten, sondern als fortlaufenden Strom von Chancen: manche erschreckend unrentabel, andere sehr lukrativ. Jede Entscheidung ist vor allem eine wirtschaftliche Bewertung der Chance, die ergriffen werden soll.

In der pragmatischen Weltsicht steht die Entscheidung an oberster Stelle: die bewusste Allokation knapper Ressourcen für eine Chance. Prognosen sind Eingaben für diese Wahl; in der teleologischen Weltsicht trägt dagegen die Prognose die Krone. Dieser scharfe, charakteristische Schwerpunkt erschwert jeden Dialogversuch zwischen den Anhängern beider Weltsichten. Für den pragmatischen Vertreter sind Prognosen ausgefeilt, aber letztlich nachrangig; die Notwendigkeit entschlossenen Handelns übertrumpft sie vollständig. Für den teleologischen Vertreter sind Prognosen und der zugehörige Plan untrennbar mit rationalem Handeln verbunden. Entscheidungen ohne Grundlage in einem Plan gelten bestenfalls als kurzsichtig und schlimmstenfalls als launenhaft.

Obwohl die pragmatische Weltsicht grundlegend opportunistisch ist, blickt sie ebenso weit voraus wie die teleologische. Jede Ressourcenallokation bringt unvermeidliche Opportunitätskosten mit sich. Daher kann eine scheinbar rentable Chance verworfen werden, weil sich dadurch eine bessere eröffnen könnte oder weil sie umgekehrt Probleme hervorbringen könnte, die die erwarteten Gewinne aufzehren.

Betrachten wir beispielsweise eine Fluggesellschaft, die ein teures, reparierbares Flugzeugteil an eine andere vermietet, damit eines von deren Flugzeugen nicht wegen des fehlenden Bauteils am Boden bleiben muss¹⁰⁹. Weil das Teil dringend benötigt wird, kann die vermietende Fluggesellschaft von ihren Branchenkollegen einen sehr hohen Mietpreis verlangen. Dennoch wird sie die Vermietung häufig ablehnen, selbst wenn das Geschäft nach einfachen Rechnungslegungsregeln auf dem Papier überaus rentabel erscheint. Sie muss nämlich ihre eigene Flotte berücksichtigen. Durch die Vermietung steigt das Risiko, dass eines ihrer eigenen Flugzeuge gerade deshalb am Boden bleibt, weil genau dieses Teil fehlt. Die Kosten dieses Risikos können den Mietgewinn vollständig aufwiegen, trotz eines auf dem Papier äußerst rentablen Preises.

Die teleologische Weltsicht umgeht das Thema Opportunitätskosten dagegen vollständig. Aus ihrer Perspektive gilt der Plan entweder als machbar, sodass kein Kunde unbedient bleibt, oder als nicht machbar; dann werden die Nachfrageprognosen überarbeitet und so weit abgesenkt, bis der Plan wieder machbar wird. In der teleologischen Weltsicht ist schon der Begriff der Chance, zusammen mit nahezu allen anderen Supply-Chain-Fragen, in der Zeitreihenprojektion der künftigen Nachfrage begraben.

Diese Opportunitätskosten exakt zu berechnen, ist in der Praxis schwierig, und die pragmatische Weltsicht erkennt das an. Als Alternative zur ausdrücklichen Kopfrechnung über Opportunitätskosten bevorzugt sie deshalb vergleichende Bewertungen. Sollte das Unternehmen beispielsweise seine letzte Einheit einem neuen, aber unbekannten Kunden zuweisen oder sie stillschweigend für einen treuen Kunden reserviert halten, den es nicht enttäuschen will? Vergleichende Bewertungen können zwar mit ausgefeilten Methoden vorgenommen werden, doch die pragmatische Weltsicht betont eine allgemeine Vorliebe dafür, jede Allokation im Licht ihrer Alternativen zu betrachten.

Durch solche vergleichenden Bewertungen lässt sich auch entscheiden, ob überhaupt allokiert werden soll: Gibt es für dieselbe Allokation eine vorzuziehende spätere Chance, sollte die gegenwärtige verworfen werden. Das Unternehmen kann beispielsweise aufhören, zusätzliche Einheiten zu kaufen, und Geld für später zurückhalten, wenn die vorhandenen Bestände weiter abgebaut und die Bedürfnisse klarer geworden sind.

Die pragmatische Weltsicht benötigt daher keinen „Plan“ im Sinne der teleologischen Weltsicht. Ressourcen werden schrittweise allokiert, bis die Opportunitätskosten für eine Fortsetzung als zu hoch gelten. Vorzuziehende spätere Chancen genügen dem Unternehmen, um seine Ressourcen nicht durch verfrühte Allokationen zu erschöpfen. Trotz ihrer opportunistischen Haltung ist die pragmatische Weltsicht somit nicht kurzsichtiger als die teleologische. Beide stützen sich auf Einschätzungen der Zukunft und sind deshalb vorausschauend, auch wenn sich die Form ihrer Prognosen unterscheidet.

Sobald Allokationen vergleichbar sind, lassen sie sich priorisieren. Eine einzige, fortlaufend neu sortierte Prioritätenliste kann den gesamten Fluss steuern, während neue Informationen jede Bewertung verändern. Auf Unternehmensebene umfasst diese Liste leicht Millionen Einträge, einen für jede zulässige Allokation, weit jenseits dessen, was Menschen pflegen können. Die pragmatische Weltsicht sagt, was geordnet werden soll und warum. Wie diese Rangfolge gepflegt und umgesetzt wird, ist eine technische Frage, die wir bei der Einführung der Instrumente behandeln werden, mit denen sich diese Weltsicht im großen Maßstab mechanisieren lässt. Zunächst brauchen wir noch eine Zutat: die Erkenntnis, dass die Zukunft kein Spiegel der Vergangenheit ist, sondern die Folge noch zu treffender Entscheidungen – die Asymmetrie der Zeit.

7.3.3 Asymmetrie der Zeit

Anders als die in den Naturwissenschaften verbreitete Perspektive, nach der viele Gesetze praktisch zeitumkehrsymmetrisch sind und das Morgen einen weiteren Abschnitt desselben Prozesses bildet, betrachtet die pragmatische Weltsicht die Zukunft als durch noch nicht getroffene Entscheidungen geprägt. Im Geschäftsleben ist das Morgen kein Spiegel des Gestern, sondern die Folge heutiger Festlegungen. Zu prognostizieren und dabei die Entscheidung aufzuschieben, kehrt die Kausalität um: Entscheidungen verursachen Ergebnisse, nicht umgekehrt.

Wir haben bereits das Beispiel eines Sportbekleidungsunternehmens betrachtet, das Rucksäcke verkauft. Der künftige Absatz lässt sich nicht als bloße Projektion des vergangenen Absatzes verstehen, denn das Unternehmen kann die Nachfrage in vielen Dimensionen gestalten: den Preis senken, ein größeres Rucksackmodell einführen, eine neue Farbe anbieten, Werbung bezahlen, den Artikel auffällig in den Filialen präsentieren und so weiter. Aus pragmatischer Sicht ergibt es daher keinen Sinn, das kommende Jahr als Verlängerung des vergangenen zu behandeln. Das kommende Jahr unterscheidet sich kategorisch vom vergangenen.

Noch verstörender für teleologische Planer ist, dass die pragmatische Weltsicht die Abhängigkeit von noch nicht getroffenen Entscheidungen als völlig normal betrachtet. Heutige Festlegungen können ausdrücklich von späteren Entscheidungen abhängig gemacht werden: Wir sichern und bepreisen Optionen heute gerade deshalb, um morgen mit frischeren Informationen entscheiden zu können, wenn die Opportunitätskosten klarer sind. Für den pragmatischen Praktiker ist das kein Zirkelschluss, sondern Vorsicht: jetzt handeln, um die künftige Auswahl zu erweitern, und die Auswahl selbst aufschieben, bis der Markt mehr offenbart hat.

Eine Modemarke könnte beispielsweise mit einem bewährten Lieferanten vorab eine umfangreiche Kapazitätszusage aushandeln und bezahlen. Diese Zusage versetzt den Lieferanten in die Lage, Rohstoffe wie Textilien und Leder offensiv zu beschaffen. Das verringert das Risiko von Verzögerungen durch spätere Beschaffungsschwierigkeiten und ebnet zugleich den Weg für niedrigere Einkaufskosten. Zum Zeitpunkt der Zusage hat die Marke jedoch noch nicht entschieden, was sie bestellen wird. In der pragmatischen Weltsicht können diese Einzelheiten warten. Sofern die Kapazität im Großen und Ganzen stimmt, ist es besser, die Bestellung aufzuschieben, denn dadurch bleibt die Möglichkeit erhalten, spätere Bestellungen an den jüngsten Wünschen des Marktes auszurichten.

Der Wert bewahrter Optionen ist ein weiterer Eckpfeiler der pragmatischen Weltsicht. Sobald sich ein Unternehmen auf einen Handlungskurs festlegt, verliert es einen Teil seiner Handlungsmacht. Löst ein Hersteller beispielsweise ein Produktionslos aus, werden die Rohstoffe verbraucht und stehen nicht mehr für einen anderen Produktionslauf zur Verfügung. Verpflichtet sich derselbe Hersteller, das Produktionslos nächsten Monat auszulösen, sind die zugehörigen Rohstoffe ebenso faktisch für diese künftige Produktion reserviert.

Über direkte Festlegungen hinaus schwinden Optionen auch durch Präzedenzfälle: den Sperrklinkeneffekt. Sobald ein Verhalten beobachtet wird, passen die Gegenparteien ihre Erwartungen an und machen eine Umkehr kostspielig. Eine Modemarke, die eine Saison mit starken Preisnachlässen beendet, erzieht ihre Kunden dazu, Käufe aufzuschieben und in der nächsten Saison dieselben Rabatte zu erwarten; eine „vorübergehende“ Serviceverbesserung wird zum neuen Standard; ein einmaliger Verzicht auf die Mindestbestellmenge wird zur neuen Regel. Wie bei einer mechanischen Sperrklinke ist die Bewegung in Richtung weiterer Festlegung leicht, während die Rückbewegung auf Widerstand stößt. In der pragmatischen Sicht wird jede Handlung nicht nur nach ihrer unmittelbaren Marge bepreist, sondern auch danach, wie sie die morgige Optionsmenge erweitert oder verkleinert. Schritte, die künftige Wahlmöglichkeiten festschreiben, müssen eine höhere Hürde nehmen als solche, die Flexibilität bewahren.

Allgemeiner wird ein festgelegter Teil der Zukunft funktional identisch mit der Vergangenheit, weil er sich nicht mehr beeinflussen lässt, selbst wenn die Ereignisse technisch noch nicht eingetreten sind. Die pragmatische Weltsicht betrachtet die Zukunft nicht nur als grundlegend verschieden von der Vergangenheit; sie legt auch Wert darauf, das zu bewahren, was die Zukunft unterscheidet: die Handlungsmacht des Unternehmens. Für pragmatische Praktiker ist die Festlegung auf einen endgültigen Handlungskurs das letzte Mittel, das erst eingesetzt wird, wenn der Nutzen der Festlegung ihre Opportunitätskosten überwiegt.

Vertreter der teleologischen Weltsicht empfinden diese Haltung oft als wankelmütig oder launisch. Es gibt keine Verpflichtung gegenüber dem früheren eigenen Ich, sondern nur gegenüber förmlichen Vereinbarungen mit Dritten. Nach einem künftigen Handlungskurs gefragt, wird ein Vertreter der pragmatischen Sicht beispielsweise schlicht seine beste Einschätzung abgeben, ohne besonders an dieser Aussage zu hängen. Es ist nur eine Option, vorläufig die wahrscheinlichste, aber ohne Gewissheit. Neben ihr besteht eine riesige Zahl von Alternativen, die zusammengenommen sogar wahrscheinlicher sind. Später, während sich die Ereignisse entfalten, wird der Kurs anhand neuer Informationen angepasst.

Aus teleologischer Sicht wird die Existenz eines zugrunde liegenden Plans als selbstverständlich vorausgesetzt: Er ist die zentrale Kennzeichnung der Zukunft. Die Möglichkeit, dass es überhaupt keinen Plan gibt, ist nahezu undenkbar und wird, wenn sie sich zeigt, verächtlich als Dilettantismus behandelt. Eine Änderung des Handlungskurses bedeutet deshalb eine Änderung des Plans. Das gilt als Ausdruck eines zugrunde liegenden Problems: entweder einer mangelhaften Ausführung, die vom Plan abweicht, oder eines von Anfang an unzureichenden Plans¹¹⁰.

Eine Zukunft zu quantifizieren, die als abhängig von noch zu treffenden Entscheidungen gilt, wirft zahlreiche technische Schwierigkeiten auf. Insbesondere erweisen sich Zeitreihenprognosen und die meisten Planungsinstrumente der teleologischen Weltsicht als ungeeignet. Da die Supply-Chain-Literatur so gut wie nichts zur Unterstützung der pragmatischen Weltsicht bietet, stützen sich die meisten ihrer Vertreter auf überschlägige Berechnungen. Teleologische Planer halten diese Berechnungen für grob. Doch wie sich im Folgenden zeigen wird, können Instrumente der pragmatischen Weltsicht den klassischen Planungsmethoden an Raffinesse ebenbürtig sein und sie häufig sogar übertreffen.

7.3.4 Überlegenheit der pragmatischen Weltsicht

Obwohl die pragmatische Weltsicht in intellektuellen Kreisen nahezu keine Unterstützung findet¹¹¹, ist sie der teleologischen Weltsicht weit überlegen. Empirisch zeigt sich: Wenn erfolgreiche Unternehmer ihre Weltsicht offenlegen, tendieren sie ausnahmslos zur pragmatischen Sicht. Ingvar Kamprad (Ikea), Jeff Bezos (Amazon) und Warren Buffett (Berkshire Hathaway) gehören zu jenen, die sich öffentlich entsprechend geäußert haben. Erfolgreiche Unternehmer widmen fast ihre gesamte Kraft der Führung ihrer Unternehmen und schreiben deshalb nicht so viele Aufsätze oder Bücher wie Intellektuelle, die auf diese Tätigkeit spezialisiert sind. Entsprechend selten sind Schriften zugunsten der pragmatischen Weltsicht.

Außerdem gibt es reichlich empirische Belege für die kläglichen Ergebnisse der teleologischen Weltsicht. Sieben Jahrzehnte lang zwang der sowjetische Gosplan mehr als 100 Millionen Menschen schwere wirtschaftliche Ineffizienzen auf. Allgemeiner gerieten große mehrjährige Pläne im privaten wie öffentlichen Sektor häufig aus der Bahn und verursachten immense Kosten. Umgekehrt sind Erfolge einer umfassenden Gesamtplanung, die den Wohlstand eines großen Unternehmens begründet hätten, nicht bekannt. Bestenfalls werden Pläne mit begrenztem Mehraufwand an Kosten und Verzögerungen ausgeführt; mehr bedeutet „Erfolg“ hier nicht.

Diese Beobachtungen – Erfolge mit der pragmatischen Weltsicht ebenso wie Misserfolge ohne sie – gehen weitgehend auf einen einzigen Faktor zurück: den Umgang mit Unsicherheit. Die teleologische Weltsicht versucht, Unsicherheit zu beseitigen; die pragmatische nimmt sie an. Teleologische Methoden sind deshalb anfällig für Schocks, während pragmatische Methoden dieselben Schocks abfedern oder sogar von ihnen profitieren können.

In einer Welt mit geringer oder ganz ohne Unsicherheit könnte die teleologische Weltsicht Hervorragendes leisten. In einer solchen Welt leben wir nicht. Freie Märkte allein genügen, um für alle Beteiligten erhebliche Unsicherheit zu schaffen. Sie verstärken geringfügige Unterschiede sogar enorm. Walmart trieb beispielsweise Wettbewerber in die Insolvenz: Kmart im Jahr 2002 und Sears im Jahr 2018. Walmart ließ Kmarts Umsatz von über 36 Milliarden US-Dollar im Jahr 1994 auf null sinken, obwohl es nur 2,2% günstiger war¹¹². Auf einem freien Markt führt eine um 1% schlechtere Leistung als die eines Konkurrenten gewöhnlich innerhalb von ein oder zwei Jahrzehnten zu einem Verlust des Marktanteils von 100%. Selbst wenn marktunabhängige Unsicherheitsquellen – Kriege, Hagelstürme, Erdbeben und Epidemien – überwunden wären, würde nicht reduzierbare Unsicherheit somit weiterhin freie Märkte prägen.

Supply-Chain-Instrumente, ob Algorithmen oder Methoden, die die pragmatische Weltsicht unterstützen, sind rar. Das ist eine wenig überraschende Folge ihrer geringen Unterstützung in intellektuellen Kreisen. Die meisten Praktiker verlassen sich auf Erfahrung und die daraus erwachsende Intuition. Doch nichts hindert uns daran, solche Werkzeuge einzuführen – ein Vorhaben, das diese Kapitel Schritt für Schritt verfolgen.

7.4 Vorhersagbarkeit menschlicher Angelegenheiten

Die Leistung einer Supply Chain hängt davon ab, wie gut das Unternehmen, seine Führungskräfte ebenso wie seine Softwaresysteme, künftige Ereignisse vorwegnehmen kann. Dazu gehören vor allem menschliche Entscheidungen. Naturereignisse vollkommen vorherzusagen, ist denkbar, wenn auch jenseits einfacher Zyklen wie der Gezeiten selten erreichbar; vollkommene Voraussicht in menschlichen Angelegenheiten ist dagegen unmöglich. Schon ein widerspenstiger Kunde¹¹³, der seine Meinung ändert, genügt, um eine angeblich „perfekte“ Prognose zu untergraben. Gewohnheiten machen Handlungen kurzfristig jedoch in gewissem Maße vorhersehbar.

Stellt beispielsweise ein Supermarktleiter eine Packung Joghurt mit einem Preisschild ins Regal, erwartet er, dass ein Kunde sie kauft. Außerdem erwartet er, dass der Verkauf deutlich vor dem Verfallsdatum stattfindet. Zutreffende Erwartungen halten Abschreibungen und Fehlbestände im Zaum – eine Disziplin, die die meisten Supermärkte beherrschen. Rentable Supermärkte beweisen, dass solche Erwartungen im großen Maßstab zum Geschäftsalltag gehören können.

Im Allgemeinen bleiben Supply Chains rentabel, weil ihre Verantwortlichen künftige Ereignisse gut vorwegnehmen. Meist bedeutet das, Entscheidungen anderer zu antizipieren. Bis ins späte 19. Jahrhundert stützte sich dieser Vorgang auf Intuition und Erfahrung. Anfang des 20. Jahrhunderts entstanden formale analytische Methoden, und die Genauigkeit von Modellen wurde allmählich rigoros gemessen. Nach 1950 blühten diese Methoden auf, getragen von stetig wachsender Rechenleistung. Damit begann das Zeitreihenparadigma, das, wie bereits erörtert, zum vorherrschenden Prognoseansatz in der Supply Chain wurde.

Doch die Zeitreihenperspektive ist im Geschäftsleben fragil. Sie abstrahiert gerade jene Stellhebel weg, durch die sich morgen von gestern unterscheidet, und verdichtet seltene, diskrete Ereignisse zu gebrochenen Durchschnittswerten. Wo sie hilft, tut sie dies aus nur zwei Gründen: kurzfristiger Beharrung und kalendarischen Zyklen. Wir untersuchen diese begrenzten Stärken und ersetzen die Perspektive anschließend durch Instrumente, die zur Ökonomik des Flusses passen: (i) probabilistische Prognosen, die Nachfrage, Lieferzeiten, Preise und Warenrücksendungen mit Verteilungen versehen; (ii) hochdimensionale Prognosen, die Warenkörbe, Substitution und Wechselwirkungen zwischen Artikeln, Kanälen und Standorten erfassen; und (iii) funktionale, von Entscheidungsregeln abhängige Prognosen, die mit den eigentlichen Objekten des Flusses – Bestellungen, Allokationen und Preisen – statt mit gleichmäßig verteilten Zeitintervallen arbeiten. Diese Werkzeuge erraten nicht „die“ Zukunft; sie bepreisen Alternativen und machen Opportunitätskosten explizit.

7.4.1 Beharrung und Zyklen

Zeitreihenprognosen behandeln menschliche Angelegenheiten als periodische Messungen, die in die Zukunft fortgeschrieben werden. Sobald die vergangenen Zahlen aufgezeichnet sind, besteht die Aufgabe darin, sinnvolle Werte für künftige Zeitpunkte vorzuschlagen, so wirklichkeitsgetreu, wie es unsere Werkzeuge erlauben.

Angesichts von Millionen Arbeiten¹¹⁴ über Zeitreihenprognosen lässt sich die wahrgenommene Bedeutung dieses Paradigmas in der akademischen Welt kaum übertreiben. Für einen Literaturbestand dieser Größenordnung hat es jedoch überraschend wenig zu bieten. Es beruht auf zwei Prinzipien, die Zeitreihenmodellen Vorhersagekraft verleihen: Beharrung und Zyklen. Sie sind wichtig, doch ihre Grenzen liegen auf der Hand.

Beharrung¹¹⁵ bezeichnet im Supply-Chain-Kontext die kurzfristige Zurückhaltung der Menschen, ihre Gewohnheiten zu ändern. Diese Zurückhaltung ist nicht bloße Sturheit; Veränderungen verursachen häufig erhebliche Kosten. Zu beurteilen, ob eine Veränderung den Status quo verbessert, kann beträchtlichen Aufwand erfordern, und ihre Einführung kann den Wert bestehender produktiver Vermögenswerte untergraben.

Ein Hersteller kann beispielsweise beschließen, seine Werkzeugmaschinen von einem günstigeren Lieferanten zu beziehen. Da Werkzeugmaschinen keine einfachen Standardgüter sind, ist die Prüfung ihrer Eignung zeitaufwendig. Teams müssen umgeschult und Prozesse angepasst werden, um die neuen Maschinen bestmöglich zu nutzen. Schließlich können vorhandene Ersatzteile den Großteil ihres Wertes verlieren, wenn sie mit den Maschinen des neuen Lieferanten nicht kompatibel sind.

Beharrung erklärt somit, warum die Modellfamilie der gleitenden Durchschnitte, einschließlich der exponentiellen Glättung, häufig eine brauchbare kurzfristige Grundlage liefert: Die nahe Zukunft ähnelt der jüngsten Vergangenheit. Zudem prägt Beharrung nicht nur die Nachfrage, sondern auch Lieferzeiten, Rücksendequoten, Fehlerquoten, Einkaufs- und Verkaufspreise und vieles mehr.

Wenn sich Gewohnheiten ändern, schwindet die Vorhersagekraft der Beharrung; der Lindy-Effekt sagt uns, wie schnell.

Ist ein Buch seit vierzig Jahren lieferbar, kann ich erwarten, dass es weitere vierzig Jahre lieferbar bleibt. Überlebt es aber ein weiteres Jahrzehnt, und das ist der entscheidende Unterschied, wird erwartet, dass es noch weitere fünfzig Jahre lieferbar bleibt. Als einfache Regel erklärt dies, warum Dinge, die schon lange existieren, nicht wie Menschen „altern“, sondern umgekehrt „altern“. Jedes Jahr, das ohne Verschwinden vergeht, verdoppelt die zusätzliche Lebenserwartung. Das ist ein Zeichen einer gewissen Robustheit. Die Robustheit einer Sache ist proportional zu ihrer Lebensdauer! Antifragile: Things That Gain from Disorder (2012), Nassim Nicholas Taleb.

Der Lindy-Effekt gilt für Gewohnheiten ebenso wie für Gegenstände und ist in einer veränderlichen Welt entscheidend für den Umgang mit Allokationsrisiken. Erhebliche Investitionen verlangen eine Beharrung, die zugleich stark und dauerhaft ist. Praktiker verwenden den Lindy-Effekt, um die Dauer eines solchen Beharrungseffekts einzuschätzen.

Ein zweiwöchiger Absatzschub bei Frühstücksflocken kann beispielsweise einem Supermarkt genügen, um seinen Bestand zu erhöhen. Die Marke, die denselben Schub beobachtet, könnte eine Kapazitätserweiterung dagegen um mehrere Monate aufschieben. Die Wette des Supermarkts ist bescheiden; ist der Schub vorübergehend, wird der Überbestand mit der Zeit abgebaut. Die Kapazitätsinvestition der Marke ist hingegen viel größer und muss abgeschrieben werden, wenn der Schub nachlässt.

Zyklen erfassen die menschliche Neigung, Entscheidungen am Kalender auszurichten. In der Praxis gibt es nur wenige stabile, nutzbare kalendarische Regelmäßigkeiten: Tageszeit, Wochentag, Tag des Monats und Tag des Jahres. Alles andere von dauerhaftem Wert ist eine Variante oder Kombination dieser vier, ergänzt um eine Handvoll quasizyklischer Ereignisse, die dem gregorianischen Kalender nicht genau folgen.

Tageszeit. Filialen haben Öffnungszeiten; im E-Commerce gibt es Bestellannahmeschlüsse und spätabendliche Spitzen. Untertägige Aufzeichnungen zeigen ausgeprägte Tagesmuster, etwa Flauten in der Mittagspause oder Spitzen am Tagesende. In Tagesdaten verschwinden untertägige Zyklen weitgehend aus dem Blick, abgesehen von dadurch hervorgerufenen Wochentagseffekten: Sonntagsschließungen setzen etwa die Einzelhandelsnachfrage auf null.

Wochentag. Haushalte kaufen am Wochenende ein; die B2B-Nachfrage konzentriert sich auf Montag bis Freitag; Rücksendungen häufen sich montags. Bei vielen Sortimenten erklärt das Wochenprofil mehr Varianz als jeder andere einzelne Faktor.

Tag des Monats. Gehaltszahlungen, Sozialleistungen, Rechnungsläufe und Ziele zum Periodenende erzeugen „Hockeyschläger“-Verläufe am Monatsende, insbesondere beim Versand. Die Unterscheidung ist wichtig: Eine Versandspitze zum Monatsende ist gewöhnlich ein Artefakt bürokratischer Freigaben, kein tatsächlicher Verbrauch. Behandeln Sie sie als Kalendereffekt auf die beobachteten Flüsse, nicht als dauerhaften Anstieg der zugrunde liegenden Nachfrage.

Tag des Jahres. Jahreszeiten, Urlaub und staatliche Feiertage dominieren das Jahresprofil. „Saisonalität“ ist hier kein Mysterium, sondern der Abdruck des Kalenders in den Gewohnheiten: Heizgeräte im Winter, Sandalen im Sommer. Auch „Events“ im Einzelhandel sind kalendergebunden; Black Friday, in den USA der Tag nach dem vierten Donnerstag im November¹¹⁶, richtet die Warenkörbe jedes Jahr verlässlich neu aus.

Neben den vier Grundfrequenzen gibt es einige Quasizyklen: religiöse oder mondabhängige Ereignisse wie Ramadan, chinesisches Neujahr oder Ostern verschieben sich gegenüber dem gregorianischen Jahr. Sie müssen mit expliziten, ortsspezifischen Kalendern statt mit naiven Monatsindizes behandelt werden.¹¹⁷ Schulkalender und örtliche Feste gehören zur selben Kategorie: diskrete Kalender mit vorhersehbaren Datumslisten, keine frei schwebenden „Muster“, die es zu entdecken gilt.

Aus Modellierungssicht ist ein kleiner Satz multiplikativer Indizes, einer je relevantem Kalenderfaktor, die sparsamste Behandlung; bei schwacher Evidenz werden sie gegen \(1\) regularisiert. Geografie und Kanal verdienen getrennte Indizes: Was sich samstags im Einzelhandel verkauft, tut dies im B2B oft nicht. Schließungen bedeuten strukturelle Nullen statt zu ergänzender Werte; SKUs mit dünn besetzten Zeitreihen nutzen durch hierarchisches Pooling die Information ähnlicher SKUs mit. So bleibt der Kalender über Sortimente hinweg explizit und übertragbar.

Klar gesagt: Sobald Beharrung, also die kurzfristige Fortdauer von Gewohnheiten, und ein kompakter Kalender aus den vier Grundzyklen und einigen expliziten Quasizyklen berücksichtigt sind, ist fast das gesamte praktisch nutzbare Signal ausgeschöpft, das Zeitreihenmodelle gewinnen können. Ausgefeilte Zerlegungen – Fourier-Feuerwerke, exotische Verzögerungen, barocke Zustandsautomaten – bewähren sich im Geschäftsleben selten außerhalb der Trainingsdaten. Alles jenseits von Beharrung und Kalender gehört zu anderen Instrumenten, etwa für Preisgestaltung, Verkaufsaktionen, Substitution und Lieferzeitmodellierung, nicht zur Zeitreihenperspektive selbst.

Der nächste Abschnitt zeigt, dass die verbleibende Jagd im Kreis innerhalb des Zeitreihenparadigmas der Supply Chain verschwindend geringe Erträge bringt, sobald Beharrung und Kalender berücksichtigt sind.

7.4.2 Die Sackgasse

Trotz Zehntausender neuer Arbeiten pro Jahr erweist sich die Zeitreihenprognostik für Supply Chains¹¹⁸ seit Jahren als technologische Sackgasse. Am deutlichsten zeigt dies das Ergebnis des M5, eines großen öffentlichen Prognosewettbewerbs aus dem Jahr 2020, des bis dahin größten, der auf einem Datensatz mit Walmart-Verkäufen auf Filialebene beruhte.

Bei diesem Wettbewerb belegte ein Team von Lokad, einem Spezialisten für Supply-Chain-Software, den ersten Platz auf SKU-Ebene¹¹⁹: der am wenigsten aggregierten Ebene und aus Supply-Chain-Sicht letztlich der einzigen, die für Entscheidungen über den Fluss zählt. Sein siegreiches Prognosemodell¹²⁰ war ein einfaches multiplikatives parametrisches Modell, das ausschließlich die im vorigen Abschnitt eingeführte Beharrung und die Zyklen nutzte. Zudem bestand die überwiegende Mehrheit der Parameter aus einfachen Zyklusindizes, also multiplikativen Koeffizienten für die Faktoren „Wochentag“, „Tag des Monats“ und „Monat des Jahres“.

Auf SKU-Ebene übertraf dieses Modell ausgefeiltere Ansätze, darunter Deep-Learning-Modelle mit Millionen Parametern und Gradient-Boosting-Modelle mit Tausenden Bäumen. Auf anderen Aggregationsebenen blieb die Genauigkeit dieses einfachen Modells nahe an derjenigen der Sieger.

Bei 909 Teams aus aller Welt im M5 wurde gewiss jede namhafte Zeitreihenmethode erprobt. Am Ende erreichte dennoch ein einfaches Modell eine vergleichbare, wenn nicht bessere Genauigkeit als seine raffinierteren Gegenstücke. Der Grund ist einfach: Kein Modell konnte über Beharrung und Zyklen hinaus wertvolle Informationen aus den historischen Zeitreihen gewinnen. Keinem Modell gelang dies, weil solche Informationen in den M5-Zeitreihen nicht enthalten sind.

Für das Lokad-Team war dieses Ergebnis keineswegs überraschend. Es bestätigte eine Erkenntnis, die etwa ein Jahrzehnt zuvor nach zahlreichen Vergleichstests von Zeitreihenprognosen auf Datensätzen Dutzender Unternehmenskunden entstanden war. In diesen Datensätzen verbergen sich weder unentdeckte Zyklen noch latente Zeitversätze, durch die eine Reihe eine andere vorhersagt, noch geheime Trends, die auf ihre Entdeckung warten¹²¹. Allgemeiner gibt es in Geschäftsaufzeichnungen keine weiteren Muster, die sich mit raffinierteren Zeitreihenprognosemodellen erschließen ließen.

Das Fehlen von Belegen ist kein Beleg für das Fehlen. Auch wenn alternative Zeitreihenmuster jenseits von Beharrung und Zyklen bislang unauffindbar bleiben, könnten solche Muster noch entdeckt werden. Nach einer derart überwältigenden Menge an Forschung ist ein Durchbruch jedoch unwahrscheinlich. Die Vorhersagekraft von Beharrung und Zyklen war bereits am Ende des Zweiten Weltkriegs erkannt. Der M5-Wettbewerb zeigte dann, dass 70 Jahre und Millionen Arbeiten später keine weiteren Prinzipien entdeckt worden waren. Das meiste, was seitdem als „Fortschritt“ galt, verfeinerte lediglich die Parametrisierung dieser beiden Effekte: glattere Trendterme für die Beharrung und immer feinere Kalenderindizes für die Zyklen. Sobald eine saubere multiplikative Grundlage vorliegt, entstehen daraus nur noch geringfügige Verbesserungen mit stark abnehmenden Erträgen.

Es gibt zahlreiche nutzbare Muster jenseits von Beharrung und Zyklen, doch sie liegen außerhalb der engen Grenzen des Zeitreihenparadigmas. Um sie zu nutzen, muss dieses Paradigma daher aufgegeben werden.

Dass ständig neue Zeitreihen-„Fortschritte“ auftauchen, liegt weniger an Missverständnissen als an Anreizen: Neuheit lässt sich besser vermarkten als das Eingeständnis, dass jenseits von Beharrung und Zyklen kaum noch Signal zu gewinnen ist. Daher die Parade von Varianten, Jahrzehnt für Jahrzehnt, die jeweils jene Technik übernehmen, die in der Informatik gerade in Mode ist¹²². Für Supply-Chain-Prognosen bringen diese Wellen wenig Substanz, wie die oben genannten M5-Ergebnisse zeigen.

7.4.3 Das Gesetz der kleinen Zahlen

Als Prognoseprinzipien sind Beharrung und Zyklen unbestreitbar mächtig. Sind große Zahlen im Spiel, lassen sich menschliche Angelegenheiten allein mit diesen beiden Prinzipien recht gut vorhersagen. Beispielsweise können Stautermine in Frankreich Jahre im Voraus nahezu sicher vorhergesagt werden. Diese Staus spiegeln zig Millionen Einzelentscheidungen wider, die in lebenslangen Gewohnheiten verwurzelt sind. Die Verkehrsinfrastruktur entwickelt sich zwar weiter, doch langsam genug, um solche Prognosen über einige Jahre kaum zu beeinträchtigen.

Leider geht es in Supply Chains grundlegend um kleine Zahlen. Sobald eine den Fluss kennzeichnende Zahl groß wird, etwa 20 überschreitet, kommt es aufgrund der damit verbundenen Skaleneffekte zur Losbildung, und die Zahl sinkt wieder.

Veranschaulichen wir dieses Prinzip an einer örtlichen Lieferung kleiner mechanischer Teile. Ein einzelnes dringendes Teil fährt mit dem Motorroller. Mit steigender Menge ändert sich das Transportmittel in diskreten Schritten: Einige Dutzend Teile werden zu einem Bündel eingeschweißt und fahren bei der nächsten Kuriertour mit; mehrere Bündel kommen in einen Karton und werden per Lieferwagen versandt; ein Stapel Kartons wird zu einer Palette, die ein mittelschwerer Lastwagen transportiert; eine Handvoll Paletten rechtfertigt eine Komplettladung. In der Praxis bewegt sich der Fluss in Quanten – Einheit → Bündel → Karton → Palette → Lastwagenladung – statt jeweils um eine einzelne Einheit.

Supply-Chain-Zeitreihen sind deshalb fast ausnahmslos dünn besetzt, das heißt, die Beobachtungen sind überwiegend null, und sprunghaft, das heißt, die von null verschiedenen Beobachtungen schwanken stark.

Abbildung: Eine glatte Zeitreihe mit hohem Volumen und Wochenzyklus (durchgezogene Linie) im Vergleich zu einer dünn besetzten, sprunghaften Reihe (graue Balken).

Zeitreihenmethoden schneiden bei dünn besetzten Reihen schlecht ab: Sie liefern gebrochene Tagesmengen, etwa 0,3 Einheiten pro Tag, die am Einsatzpunkt keine betriebliche Bedeutung haben und sich gegenüber realen Entscheidungen wenig überraschend als ungenau erweisen. Ein verbreitetes Linderungsmittel besteht darin, die geringe Besetzung durch Aggregation zu „verbergen“: das Zeitintervall verlängern, also Tage \(\rightarrow\) Monate, oder den Umfang erweitern, also SKU \(\rightarrow\) Kategorie.

Selbst wenn Aggregation technisch genauere Zeitreihenprognosen liefert, ist sie jedoch kaum mehr als eine optische Täuschung. Die Struktur der Entscheidung, also der Ressourcenallokation, bestimmt die Auflösung der Prognose, nicht umgekehrt.

Betrachten wir beispielsweise einen Filialleiter, der monatlich einige Gläser einer bestimmten Senfmarke verkauft. Seine Nachschubentscheidung hat zwei Felder: ein Datum, also wann nachbestellt wird, und eine Menge, also wie viele Einheiten. Er muss wissen, ob heute ein guter Tag für die Nachbestellung ist, nicht, ob dieser Monat der richtige Monat dafür ist. Ebenso muss er wissen, wie viele Gläser derselben Marke und Größe nachzubestellen sind. Eine Einschätzung in Einheiten der Produktkategorie Würzmittel ist für ihn nutzlos.

Das Gesetz der kleinen Zahlen erklärt, warum die Hoffnung auf technisch erzeugte präzise Zeitreihenprognosen weitgehend fehlgeleitet ist, selbst in Situationen, die nicht mit noch zu treffenden Entscheidungen verflochten sind. Kleine Zahlen machen die Daten auf nicht reduzierbare Weise sprunghaft. Das ist kein vorübergehender Mangel heutiger statistischer Instrumente, der bald durch bessere behoben würde. Im Gegenteil: Welche numerischen Instrumente wir auch in die Supply Chain einführen, sie müssen auf kleine Zahlen und anderweitig begrenzte Datensätze zugeschnitten sein.

Diese Beschränkungen verlangen weder ein feineres Zeitraster noch ein ausgefeilteres Glättungsverfahren, sondern eine andere Grammatik. Bei kleinen Anzahlen und diskreten Handlungen ist die sinnvolle Prognoseeinheit nicht „eine Zahl für nächsten Dienstag“, sondern eine Wahrscheinlichkeitsverteilung über zulässige Ergebnisse: wie viele, wenn überhaupt, und wie spät. Das erste Instrument dieser Grammatik ist die probabilistische Prognose: eine Verteilung, die dünn besetzte Daten, ganzzahlige Mengen und Überraschungen mit schweren Verteilungsrändern berücksichtigt und gleichermaßen auf Nachfrage, Lieferzeiten, Warenrücksendungen und Preise anwendbar ist. Zur Veranschaulichung beginnen wir mit Lieferzeiten und Nachfrage.

7.4.4 Probabilistische Prognosen

Probabilistische Prognostik betrachtet alle möglichen künftigen Ergebnisse eines Ereignisses und weist jedem eine Wahrscheinlichkeit zu. Eine probabilistische Prognose ist die vollständige Menge dieser Wahrscheinlichkeiten. Eine nicht probabilistische, klassische Prognose, die ein einzelnes Ergebnis festlegt, ist eine Punktprognose. Dieser Ausdruck wird selten verwendet, weil „Prognose“ gewöhnlich „Punktprognose“ bedeutet. Probabilistische Prognostik ist für die Supply Chain grundlegend, weil sie das Gesetz der kleinen Zahlen sowohl theoretisch als auch empirisch aufnimmt. Sie markiert unsere erste wesentliche Abkehr vom Paradigma äquidistanter Punktzeitreihen.

Probabilistische Prognosen quantifizieren Unsicherheit über den gesamten Fluss hinweg, nicht nur bei der Nachfrage. Das ist unser zweiter Bruch mit der vorherrschenden Praxis: Wir versehen jeden unsicheren Einflussfaktor, der Geld und Atome bewegt, mit Verteilungen – Lieferzeiten, mengenbezogene Lieferbereitschaftsgrade im Wareneingang, Lieferantenzuverlässigkeit, Einkaufs- und Verkaufspreise, Rücksendungen, Ausschuss und verfügbare Kapazitäten. Im gesamten Buch wird „probabilistisch“ in diesem weiten Sinn verwendet. Zur Veranschaulichung betrachten wir schwankende Lieferzeiten. Weder Lieferant noch Frachtführer sind vollkommen zuverlässig; ungeplante Verzögerungen treten auf. Wir benötigen die Verteilung der Zeit bis zum Eingang einer gerade aufgegebenen Bestellung. Eine probabilistische Lieferzeitprognose liefert genau diese Verteilung. Das folgende Histogramm fasst die Wahrscheinlichkeiten für jeden einzelnen Tag zusammen.

Abbildung: Beispielhafte Lieferzeitverteilung: An den links liegenden Tagen ist eine Lieferung unmöglich; der Höhepunkt liegt bei der nominalen Lieferzeit von 3 Tagen; längere Verzögerungen bilden ein Risiko mit schwerem Verteilungsrand.

Das Histogramm zeigt, dass eine Lieferung in weniger als drei Tagen die Wahrscheinlichkeit null hat. Das spiegelt die Mindesttransportzeit der gewählten Versandart wider. Der Modus der Verteilung liegt am dritten Tag, an dem die Wahrscheinlichkeit am höchsten ist. Das ist die nominale Lieferzeit: die erwartete Dauer, wenn sowohl Lieferant als auch Frachtführer planmäßig arbeiten. Kleine, aber von null verschiedene Wahrscheinlichkeiten reichen weit nach rechts; sie stehen für Störungen, die Lieferzeiten weit über den Nominalwert hinaus verlängern. Im schlimmsten Fall trifft die Lieferung nie ein.¹²³

Wie Punktprognosen lassen sich auch probabilistische Prognosen aus historischen Daten berechnen. Lassen wir die technischen Einzelheiten der Modellierung beiseite und klären wir, was probabilistische Prognosen zur Entscheidungsfindung in der Supply Chain beitragen.

Probabilistische Prognosen vermitteln reichhaltigere Informationen als Punktprognosen. Sie sind jedoch nicht von sich aus genauer. Wahrscheinlichkeiten fügen eine Informationsdimension hinzu, die Punktprognosen fehlt. Insbesondere lässt sich eine probabilistische Prognose auf eine Punktprognose reduzieren, indem man den Mittelwert oder Median der Verteilung nimmt. Eine genauere probabilistische Prognose erzeugt daher mechanisch eine genauere Punktprognose. Liegen ein probabilistisches Modell und ein Punktmodell vor, muss empirisch geprüft werden, welches genauer ist. Als Modellklassen haben „probabilistische“ und „Punkt“-Modelle keinen systematischen Genauigkeitsvorteil. Dennoch sind die zusätzlichen Informationen probabilistischer Modelle häufig entscheidend für Supply-Chain-Entscheidungen.

Kehren wir zum obigen Beispiel schwankender Lieferzeiten zurück: Die Einzelheiten der Verteilung sind entscheidend für den Umgang mit dem Risiko verspäteter Lieferungen. Anzunehmen, dass Waren zur medianen Lieferzeit eintreffen, wäre ein schwerer Fehler: Definitionsgemäß käme die Hälfte der Sendungen zu spät. Den Betrieb auf einen weit rechts liegenden Verteilungswert, ein hohes Quantil, auszurichten, wäre umgekehrt ebenso unvernünftig. Die meisten Waren kämen viel früher und verursachten Probleme wie überhöhte Bestände.

Lieferzeiten sind nur eines von vielen Beispielen, in denen Variabilität und Unsicherheit Supply-Chain-Entscheidungen entscheidend beeinflussen.

Kehren wir zur früheren Variante mit einem einzigen Käufer aus Grenzen der Planung zurück. Angenommen, eine Fabrik liefert seit Jahren täglich 1.000 Einheiten an einen einzigen Kunden. In Zeitreihenbegriffen ist die Punktprognose eine waagerechte Linie bei 1.000. Ergänzen wir nun Informationen, die die Zeitreihe ignoriert: Die Kundenbeziehung ist langlebig, aber nicht unsterblich; die wöchentliche Abwanderungswahrscheinlichkeit beträgt etwa 0,1%. In einem Jahr, also nach 52 Wochen, beträgt die erwartete Tagesnachfrage \((1-0.001)^{52}\times 1000 \approx 934\) Einheiten. Mathematisch vielleicht korrekt, betrieblich jedoch unsinnig. In einem Jahr wird die Tagesnachfrage entweder 1.000 oder 0 betragen.¹²⁴ Jeder Kapazitätsplan auf der Grundlage von „934 Einheiten pro Tag“ wird Ressourcen fehlallokieren.

Eine probabilistische Prognose macht das Zusammenbruchsrisiko dagegen explizit: Der größte Teil der Wahrscheinlichkeitsmasse bleibt bei „weiterhin 1.000“, während eine kleinere Masse über den Horizont auf „fällt auf 0“ entfällt. Diese Sicht führt zu einer zweigleisigen Entscheidungsregel: den laufenden Service sichern, solange die Kundenbeziehung besteht, und für ihren späteren Verlust vorsorgen. Die Punktprognose versucht, eine einzige „wahre“ Zukunft vorherzusagen, und mittelt das Risiko weg; die probabilistische Sicht bepreist Alternativen und verhindert den Planungsfehler, zu dem die waagerechte Linie verleitet.

Probabilistische Prognostik zeigt somit Dinge, die eine Punktperspektive nicht erkennen lässt. Beim Versuch, „die eine wahre Zukunft“ zu erfassen, bleibt die Punktprognose für ansonsten offensichtliche Muster blind. Zudem erlaubt die probabilistische Perspektive gewöhnlich, zusätzliche Daten jenseits der engen historischen Zeitreihe zu nutzen oder mehr Signal aus denselben Daten zu gewinnen. Ein weiteres Beispiel veranschaulicht dies.

Betrachten wir einen Baumarkt mit einem Produkt, von dem durchschnittlich 0,5 Einheiten pro Tag verkauft werden. Der Klarheit halber nehmen wir trotz der fehlenden Realitätsnähe eine konstante Nachfrage ohne Zyklen an. Die Filiale erhält täglich Nachschub aus einem Lager, das ähnliche Filialen versorgt. Die Nachfrageprognose ist erneut eine waagerechte Reihe von 0,5 Einheiten pro Tag. Betrachten wir nun die unten dargestellte probabilistische Prognose der täglichen Nachfrage.

Abbildung: Histogramm diskreter Nachfrage: insgesamt abnehmender Verlauf mit ausgeprägten Spitzen bei 4 und 8 Einheiten.

Das Produkt ist nämlich ein Eckenschutz zur Kindersicherung. Obwohl sich die Schutzelemente einzeln kaufen lassen, erwerben die meisten Kunden sie in Vielfachen von 4. Das Histogramm zeigt dies: Die Wahrscheinlichkeiten einer Tagesnachfrage von 0, 4, 8 und 12 Einheiten sind wesentlich höher als bei anderen Anzahlen. Diese probabilistische Nachfrageprognose macht deutlich, dass die Filiale 8 Einheiten, möglicherweise 12, vorrätig halten sollte, um eine hohe Servicequalität zu bieten. Dieser Bestand hätte sich aus der bloßen Betrachtung einer durchschnittlichen Nachfrage von 0,5 Einheiten pro Tag nicht ableiten lassen.

Probabilistische Prognosen nehmen nicht nur das Gesetz der kleinen Zahlen auf, sondern ersparen auch den Umgang mit unsinnigen gebrochenen Projektionen. Zwar können 0,5 Einheiten pro Tag eine bequeme Abstraktion sein, um die Nachfrage nach einem abgepackten Produkt zusammenzufassen, doch Kunden können keine Bruchteile von Einheiten kaufen: Nur ganzzahlige Mengen sind zulässig. Viele Autoren und Softwarelösungen tun dieses Problem ab, doch diese Haltung ist verfehlt. Bestand lässt sich nur in ganzzahligen Mengen auffüllen. Eine gebrochene Punktprognose zu akzeptieren, führt grobe Näherungen ein, die gelegentlich erheblichen Mehraufwand für das Unternehmen verursachen können.

Ist die Nachfrage je Zyklus beispielsweise sporadisch, etwa 0,1 Einheit pro Periode, besteht ein echtes Risiko, dass sie auf null gerundet wird. Geschieht dies, wird kein Bestand mehr nachgeliefert; die beobachtete Nachfrage verschwindet, und der Fluss kommt zum Stillstand. Weit entfernt von einem theoretischen Sonderfall ist diese Situation, ein Bestandsstillstand, ein alltägliches Problem bei Bestandsregeln, die von Punktprognosen statt von probabilistischen Prognosen gesteuert werden. Allgemeiner passen probabilistische Prognosen von Natur aus zum überwiegend diskreten Charakter des Flusses, einer Folge des zuvor erörterten Standardisierungsprinzips.

Obwohl sich jede Verteilung auf eine einzelne Zahl reduzieren lässt, etwa Mittelwert, Median oder Modus¹²⁵, gehen dabei jene Informationen verloren, die der probabilistischen Sicht ihren Wert geben. Der Nutzen liegt in der gesamten Form: ihren Asymmetrien, Verteilungsrändern und mehreren Gipfeln, nicht in einem ausgewählten „zentralen“ Wert. Keine einzelne Zusammenfassung kann diese Informationen bewahren. Das nächste Kapitel zeigt, wie Entscheidungen die vollständige Verteilung nutzen können, statt sie wieder auf einen einzelnen Punkt zu reduzieren.

Probabilistische Prognosen zu erzeugen, ist wohl technisch anspruchsvoller als Punktprognosen zu erstellen. Im Zeitalter leistungsfähiger Computer ist der Mehraufwand jedoch weitgehend belanglos, sofern geeignete Methoden verwendet werden. Angesichts dieser Hürde mag man versucht sein, umgekehrt vorzugehen: zunächst eine Zeitreihenpunktprognose berechnen und diese anschließend in eine probabilistische Prognose umwandeln. Beispielsweise lässt sich eine Summe über einen Abschnitt durch eine Normalverteilung annähern, wie es bei Sicherheitsbeständen mitunter geschieht.

Leider liefert dieser Ansatz keinen der beabsichtigten Vorteile. Probabilistische Prognosen sind überlegen, weil sie mehr Informationen enthalten, doch diese zusätzlichen Informationen entstehen nicht aus dem Nichts. Sie werden durch Verfahren gewonnen, die eigens darauf ausgelegt sind, historischen Daten mehr Informationen zu entnehmen als Methoden zur Erstellung von Punktprognosen.

Eine weitere Feinheit: Eine probabilistische Prognose ist nicht schon dadurch bestätigt, dass das tatsächlich eingetretene Ergebnis unter ihrer Verteilung eine von null verschiedene Wahrscheinlichkeit hatte. Entscheidend ist, welches Gewicht das Modell diesem Ergebnis zuweist. Ein gutes Modell konzentriert Wahrscheinlichkeit dort, wo die Realität gewöhnlich liegt, und hält sie anderswo zurück. Ein schlechtes Modell tut das Gegenteil: Es verstreut winzige Wahrscheinlichkeiten überall oder weist Ereignissen, die wöchentlich eintreten, 1% zu. Probabilistische Prognosen sollten daher nicht nach binären Treffern beurteilt werden, sondern danach, wie viel Wahrscheinlichkeit sie dem tatsächlich Geschehenden zuweisen und dabei so konzentriert bleiben, wie es die Evidenz zulässt. Das erfordert geeignete Bewertungsregeln, sogenannte Proper Scoring Rules, die gut kalibrierte, scharf konzentrierte Verteilungen belohnen und unangebrachte Sicherheit bestrafen.

Entsprechend beurteilen wir probabilistische Modelle mit auf Verteilungen zugeschnittenen Kennzahlen. Probabilistische Maße wie die Log-Likelihood sind zwar weniger vertraut als ihre Gegenstücke für Punktprognosen, etwa der mittlere absolute Fehler, aber nicht geheimnisvoll. Die Einzelheiten dieser Maße sind technisch und für die gegenwärtige Diskussion nicht entscheidend. Vorerst können wir mit dem Wissen fortfahren, dass es diese Maße gibt und dass sie bei zwei probabilistischen Modellen anzeigen, welches als „bestes“ gilt.

7.4.5 Schwere Verteilungsränder

In den Naturwissenschaften folgen viele Phänomene Normalverteilungen, auch Gauß-Verteilungen genannt – eine bemerkenswerte Tatsache. Beispielsweise ist die Körpergröße von Männern in der Weltbevölkerung annähernd normalverteilt. Dasselbe gilt für ihr Gewicht. Selbst wenn wir die Stichprobe etwa auf blauäugige Männer oder auf Männer nördlich des 45. Breitengrads beschränken, bleibt die Verteilung annähernd normal. Ähnliche Normalverteilungen erhalten wir für Körpertemperatur, Knochendichte oder die Dauer von Schlafzyklen.

Abbildung: Normalverteilung mit leichten Rändern, zentriert bei 3 und mit Standardabweichung 1. Zum Vergleich siehe das Lieferzeithistogramm.

Normalverteilungen sind in der Natur allgegenwärtig. Lufttemperaturen, Niederschläge und Windgeschwindigkeiten folgen über wöchentliche oder längere Horizonte Normalverteilungen. Sie treten auch bei Abweichungen der scheinbaren Sternhelligkeit und bei Genexpressionsniveaus in menschlichen und nichtmenschlichen Populationen auf.

Als mathematische Werkzeuge sind Normalverteilungen außergewöhnlich bequem. Sie verfügen über einfache analytische Ausdrücke, einfache geschlossene Formen, allgegenwärtige Open-Source-Bibliotheken und eine reichhaltige Algebra: Summen normalverteilter Größen bleiben normalverteilt, und passend skalierte Summen vieler Zufallsvariablen konvergieren gegen eine Normalverteilung und so weiter.

Es überrascht nicht, dass die meisten Supply-Chain-Autoren Normalverteilungen verwenden; diese Sicht ist jedoch grundlegend falsch. Sobald menschliche Entscheidungen ins Spiel kommen, sind leichte Verteilungsränder die Ausnahme. Die meisten geschäftlich relevanten Variablen haben schwere Ränder: Extreme Ergebnisse treten wesentlich häufiger auf, als die Glockenkurve zulässt; Verteilungen sind gewöhnlich schief; ihre Ränder dominieren die Gesamtsummen. Sie als normalverteilt zu modellieren, unterschätzt Risiken systematisch und bepreist Chancen falsch.

Betrachten wir ein Stadion mit 10.000 Zuschauern. Keine einzelne Person kann auch nur 0,1% der gesamten Körpermasse dieser Menschenmenge ausmachen; menschliches Gewicht hat aus biologischen Gründen leichte Verteilungsränder. Beim Nettovermögen verhält es sich umgekehrt: Ein Besucher kann durchaus mehr besitzen als alle anderen zusammen. Vermögen hat schwere Verteilungsränder¹²⁶.

Allgemeiner führt alles, was unternehmerischem Erfolg ähnelt, zu Ergebnissen mit schweren Verteilungsrändern. Die führenden 10 Smartphone-Marken verkaufen mehr Geräte als alle übrigen Marken zusammen. In jedem beliebigen Jahr verkaufen die weltweit führenden 100 Musikkünstler mehr Songs als alle anderen Künstler zusammen. Bei französischen Präsidentschaftswahlen haben die drei führenden Kandidaten stets mehr Stimmen erhalten als die zwei Dutzend Kandidaten hinter ihnen.

Auch Supply-Chain-Flüsse sind anfällig für Schocks mit schweren Verteilungsrändern: Die Nachfrage kann nahezu ohne Vorwarnung auf unwahrscheinliche Höhen springen. Im Dezember 1973 löste ein beiläufiger Scherz des Late-Night-Moderators Johnny Carson in The Tonight Show über eine bevorstehende Toilettenpapierknappheit einen landesweiten Ansturm aus. Die Regale leerten sich nicht, weil sich das Angebot geändert hatte, sondern die Erwartungen. Fast fünf Jahrzehnte später zeigte dieselbe SKU denselben Verteilungsrand aus einem anderen Anlass: Im März 2020 legten Haushalte angesichts der Unsicherheit der Lockdowns Vorräte an Grundbedarfsgütern an, und der Toilettenpapierabsatz in den USA stieg etwa auf das Achtfache¹²⁷ – ein dramatischer Ausschlag bei einem gewöhnlich gleichmäßig verkauften Artikel. Unterschiedliche Auslöser, ein Gerücht und ein politischer Schock, führten zur gleichen betrieblichen Realität: Ein langer, dünner Verteilungsrand wurde zu einer plötzlichen, überwältigenden Welle.

Auch gezielte Marketingkampagnen können den Absatz deutlich steigern. Nike erhöhte beispielsweise mit seiner „Just Do It“-Kampagne und einem starken Produkt seinen heimischen Marktanteil bei Sportschuhen von 18% auf 43% und steigerte den weltweiten Umsatz zwischen 1988 und 1998 von 877 Millionen US-Dollar auf 9,2 Milliarden US-Dollar. Bis 2021 erreichte er 44,5 Milliarden US-Dollar, etwa eine Verfünfzigfachung innerhalb weniger Jahrzehnte.

Ingenieurleistungen können ebenso dazu führen, dass ein Unternehmen seinen Markt vollständig beherrscht. Im Jahr 2024 brachte SpaceX etwa 90% der weltweiten Tonnage in die Umlaufbahn. Noch bemerkenswerter ist, dass es dies mit nur einem winzigen Bruchteil jener Investitionen erreichte, die seine Wettbewerber – fast ausschließlich staatliche Programme – für den Aufbau orbitaler Startkapazitäten getätigt hatten.

Die Nachfrage ist nicht das einzige Phänomen mit schweren Verteilungsrändern; die meisten Flussvariablen weisen sie ebenfalls auf. Preise können auf erstaunliche Niveaus ausschlagen, und zwar in beide Richtungen. Am 20. April 2020 fiel etwa der Preis für Rohöl der Sorte West Texas Intermediate erstmals unter null und erreichte −37,63 US-Dollar pro Barrel. Ursache waren auslaufende Terminkontrakte: Ihre Inhaber waren zur physischen Abnahme verpflichtet, die Lager waren voll, und sie stießen die Kontrakte zu jedem Preis ab, um logistische und finanzielle Folgen zu vermeiden.

Auch Lieferzeiten zeigen extremes Verhalten. Im Jahr 2023 meldete Airbus einen Auftragsbestand von über 7.000 Flugzeugen, etwa 7–8 Jahresproduktionen bei damaliger Kapazität. Die hohe Nachfrage nach treibstoffsparenden Modellen wie der A320neo-Familie trug wesentlich dazu bei. Der Auftragsbestand spiegelt auch die hohen Kapitalkosten je Einheit und die langen Produktionszeiten wider. Zudem litten andere bedeutende Flugzeughersteller unter vergleichbar großen Auftragsrückständen.

Aus Supply-Chain-Sicht sind schwere Verteilungsränder wichtig, weil Gewinne und Verluste von Extremereignissen dominiert werden. Weit davon entfernt, unvorhersehbar zu sein, garantieren die allgegenwärtigen Verteilungen mit schweren Rändern das regelmäßige Auftreten extremer Ereignisse. Probabilistische Prognosen allein genügen daher nicht; Modelle müssen die schweren Verteilungsränder von Supply-Chain-Phänomenen abbilden.

Umgekehrt unterschätzt jedes Supply-Chain-Modell, das Normalverteilungen oder andere Verteilungen mit leichten Rändern verwendet, garantiert das Risiko und erzeugt folglich fragile Entscheidungen. Diese Fragilität gefährdet das Überleben des Unternehmens: Märkte bestrafen sie beim Eintreten von Extremen, besonders wenn umsichtigere oder opportunistischere Wettbewerber vorhanden sind.

Das Auftreten von Normalverteilungen in Supply-Chain-Materialien, seien es Publikationen oder Software, sollte als Lackmustest für Inkompetenz gelten. Das schließt alle Methoden mit leichten Verteilungsrändern ein, etwa Sicherheitsbestände. Schon ein flüchtiger Blick auf empirische Verteilungen realer Supply Chains zeigt nämlich, dass die Normalverteilung nicht annähernd eine vernünftige Anpassung liefert¹²⁸. Wer solche Methoden empfiehlt, offenbart damit, dass er sich nicht einmal die Mühe gemacht hat, eine reale Supply Chain anzusehen. Ein Unternehmen, das diesen Unsinn in welcher Gestalt auch immer übernimmt, tut lediglich seinen Konkurrenten einen Gefallen.

7.4.6 Der Preis des Wissens

Probabilistische Prognosen verflechten zwei unterschiedliche Arten von Unsicherheit. Ihre Trennung schafft Klarheit sowohl für die Modellierung als auch für das Handeln.

Bei Lieferzeiten aus Übersee bringen Wettersysteme und Hafenstaus eine Variabilität ein, die keine Partei beseitigen kann. Selbst bei vollkommener Information und einer unbegrenzten Historie schwankt weiterhin der Tag, an dem ein Container das Terminal verlässt. Diese nicht reduzierbare Variabilität ist aleatorisch.

Hat das Unternehmen dagegen erst eine Handvoll Bestellungen bei einem neuen Lieferanten aufgegeben, ist die Form der Lieferzeitverteilung kaum bekannt. Jede zusätzliche Bestellung, klarere Zeitstempel und präzisere Incoterms verringern diese Unwissenheit. Das ist epistemische Unsicherheit: Unsicherheit über unser Modell des Phänomens, nicht über das Phänomen selbst.

Die Unterscheidung ist wichtig, weil die vergangenen Beobachtungen, aus denen Punktprognosen oder probabilistische Prognosen erzeugt werden, in der Supply Chain nicht vom Himmel fallen. Sie sind das Ergebnis früherer Entscheidungen, also früherer Ressourcenallokationen. Wissen über die Zukunft wird somit bezahlt. Ein Filialnetz kann beispielsweise in ausgewählten Filialen ein zusätzliches Produkt ins Regal stellen, um sein Nachfragepotenzial einzuschätzen. Das ist eine Investition sowohl in die Ware als auch in die Regalfläche, deren Erträge ungewiss sind.

Ressourcen zu investieren, um epistemische Unsicherheit zu verringern, also Wissen zu erwerben, ist für Supply Chains grundlegend. Für Vertreter der pragmatischen Weltsicht ist es so selbstverständlich, fortlaufend knappe Ressourcen zur Erkundung des Marktes einzusetzen, dass es kaum einer Erwähnung bedarf. Es ist schlicht die natürliche Art, Geschäfte zu betreiben.

Mainstream-Autoren der Supply Chain, die überwiegend der teleologischen Sicht folgen, verschweigen diese Verflechtung von Allokationen und Wissen jedoch nicht bloß, sondern leugnen sie. Zwar erkennen die meisten, dass Marktwissen nicht aus dem Nichts entsteht, doch für Erkenntnisse jenseits historischer Daten wenden sie sich „Marktstudien“ und ähnlichen bürokratischen Instrumenten zu¹²⁹.

Aus teleologischer Sicht besteht der Hauptvorteil einer Marktstudie darin, dass sie das Planungsparadigma vollkommen unangetastet lässt. Die Studie soll vor Beginn der Planung abgeschlossen sein und jene Informationen liefern, die bei fehlenden historischen Daten für genaue Zeitreihenprognosen nötig sind. Gedanklich trennen Marktstudien den Wissenserwerb sauber von dessen Nutzung. Doch wie viele gut klingende Ideen scheitert dies in der Praxis.

Im Kapitel Entscheidungen kommen wir auf diesen Zusammenhang zurück und zeigen, wie Entscheidungen so abgestimmt werden können und häufig sollten, dass sie den Wert verringerter epistemischer Unsicherheit erschließen.

7.4.7 Hochdimensionale Prognosen

Weil unter „Prognose“ fast immer „Zeitreihenprognose“ verstanden wird, bleiben andere Formen unbeachtet. Der Zeitreihenformalismus ist eng und deckt nur einen Bruchteil realer Supply-Chain-Situationen ab. Doch nur mangelnde Vorstellungskraft hält uns davon ab, umfassendere Prognoseformen zu erkunden.

In der Praxis ist eine Zeitreihenprognose eindimensional. Selbst wenn der Horizont viele Perioden umfasst, wird der Fehler für jedes Datum isoliert bewertet; die Mehrperiodenprognose zerfällt in einen Stapel unabhängiger Einperiodenprognosen. Ob die Zahlen aus einem gemeinsamen Modell oder aus unverbundenen Formeln stammen, spielt für die Bewertung keine Rolle: Gängige Genauigkeitsmaße behandeln sie als getrennte Schätzungen und ignorieren die gemeinsame Bewegung der Fehler über den Horizont. Diese Blindheit wird bedeutsam, sobald Entscheidungen Zeitpunkte, Artikel oder Standorte miteinander koppeln.

Um zu zeigen, warum hochdimensionale Genauigkeit wichtig ist, betrachten wir einen idealisierten Fall mit zwei Produkten. Eine Filiale verkauft zwei unterschiedliche Produkte, die einander vollkommen ersetzen¹³⁰. Beide verderben am Tagesende und werden täglich nachgeliefert. Die Nachfrage nach den beiden Produkten beträgt 10 Einheiten pro Tag; solange Bestand vorhanden ist, wählen Kunden zufällig zwischen ihnen.

Drei mögliche Tagesprognosen veranschaulichen den Punkt:

• (A) 5 Einheiten und 5 Einheiten

• (B) 10 Einheiten und 0 Einheiten

• (C) 6 Einheiten und 6 Einheiten

Angesichts der Substitution muss ein geeignetes Genauigkeitsmaß (A) und (B) denselben Verlust beziehungsweise Wert zuweisen. Beide Erwartungen sind gleich gut, unter unseren vereinfachenden Annahmen sogar perfekt. Das Maß muss (C) jedoch schlechter bewerten, weil es die Gesamtnachfrage um 2 Einheiten überschätzt. Kein eindimensionales Maß kann beide Anforderungen erfüllen. Nur ein Maß, das beide Artikel gemeinsam betrachtet, erkennt, dass (A) und (B) gleichauf liegen und (C) schlechter ist. Alle klassischen Maße, etwa der mittlere absolute Fehler oder der mittlere quadratische Fehler, stufen (C) fälschlich über (B) ein. Der einzige Weg vorwärts besteht darin, die Perspektive auf ein 2-dimensionales Genauigkeitsmaß zu erweitern.

Das Beispiel legt die Grenzen einer eindimensionalen Sicht offen. Um ihre Bedeutung zu verstehen, wenden wir uns nun einem realistischeren probabilistischen Beispiel zu.

Betrachten wir ein Lebensmittelgeschäft und sein Sortimentsproblem: die Auswahl der genauen Liste unterschiedlicher Artikel, die ins Regal kommen sollen. Kunden kaufen selten nur einen Artikel; die meisten gehen mit einem Warenkorb aus mehreren Produkten. Ein besseres Sortiment führt im Durchschnitt zu größeren oder rentableren Warenkörben.

Jedes Sortiment hat dennoch Fehlbestände: Ist ein Regal leer, können Kunden einen Ersatzartikel wählen. Substitution mildert den Fehlbestand. Umgekehrt kann der Kunde nicht nur auf den fehlenden Artikel verzichten, sondern auch auf die ergänzenden Artikel, die er kaufen wollte. Der Ansteckungseffekt verschärft den Fehlbestand.

Nur durch die Untersuchung historischer Warenkorbdaten lassen sich diese Substitutionen und Ansteckungseffekte analysieren. Liegen Warenkorbdaten vor, bieten sie einen natürlichen Ausgangspunkt, um die Beziehungen zwischen Produkten aus Kundensicht zu beurteilen. Werden zudem Kundenkarten verwendet, lassen sich Folgen von Warenkörben rekonstruieren, die jeweils einem bestimmten Kunden zugeordnet sind. Kundenkartendaten ergänzen die Warenkorbdaten für solche Analysen.

Die technischen Einzelheiten sind hier nicht nötig. Entscheidend ist, dass die relevante Information in den Warenkorbdaten liegt. Ohne sie scheitert die Verhaltensanalyse an fehlender Information, wie ausgefeilt unser Vorhaben auch sein mag.

Werden Verkaufsdaten dagegen zu Zeitreihen eingeebnet, wissen wir nicht einmal, wie viele verschiedene Kunden die Filiale an einem bestimmten Tag betreten haben. Substitutionen und Ansteckungseffekte sind nicht erkennbar, weil nur unsichere Korrelationen zwischen zugleich dünn besetzten und sprunghaften Zeitreihen übrig bleiben. Zeitreihen allein können keine Verhaltensanalyse tragen.

Kehren wir zur Sortimentsfrage zurück: Eine Warenkorbprognose unter der Bedingung des gewählten Sortiments bietet eine unmittelbare Lösung. Können wir künftige Warenkörbe bei einem veränderten Sortiment vorhersagen, lässt sich beurteilen, ob dieses dem bisherigen überlegen sein wird, zumindest hinsichtlich des Absatzvolumens.

Als Punktprognose verstanden ist eine „verlässliche“ Warenkorbprognose ein Kategorienfehler. Ein einzelner Warenkorb enthält oft zehn oder mehr SKUs; die Zahl der Kombinationen explodiert, und Kunden greifen am Regal frei zu Ersatzartikeln. Den genauen Warenkorb im Voraus benennen zu wollen, erscheint unmöglich und ist es auch; deshalb wird die Idee regelmäßig verworfen. Der Fehler liegt im Ansatz: Entscheidend ist nicht ein erratener Warenkorb, sondern die Wahrscheinlichkeiten gemeinsamer Käufe und der wechselseitig absatzsteigernde Einfluss der Artikel – genau die Struktur, der wir uns als Nächstes zuwenden.

Probabilistisch betrachtet ergibt sich jedoch ein völlig anderes Bild. Offensichtlich ist nicht jeder denkbare Warenkorb gleich wahrscheinlich. Beispielsweise ist jeder Warenkorb unwahrscheinlich, der zwei Produkte enthält, die in der Historie nie gemeinsam beobachtet wurden. Eine Wahrscheinlichkeitsverteilung über den Raum der Warenkörbe aufzustellen, mag technisch gewaltig erscheinen, doch die Gemeinschaft des maschinellen Lernens hat für solche Prognosen eine umfangreiche „Trickkiste“ entwickelt.

Indem die Punktprognoseperspektive alles auf „die eine wahre Zukunft“ einebnet, erweckt sie den falschen Eindruck, die Qualität einer Erwartung lasse sich punktweise beurteilen, also Dimension für Dimension. Das ignoriert jedoch die Abhängigkeiten innerhalb des Systems. In einer probabilistischen Perspektive werden diese Abhängigkeiten durch die Unwahrscheinlichkeit bestimmter Ergebnisse sichtbar. Die Nachfrage kann steigen oder fallen, doch es ist unplausibel, dass sie in Gebieten mit ungeraden Postleitzahlen steigt und in solchen mit geraden Postleitzahlen fällt. Diese Beobachtung erfordert eine hochdimensionale Perspektive.

In Supply Chains sind solche Abhängigkeiten allgegenwärtig, gerade weil sie, wie wir gesehen haben, Systeme sind. Der Erfolg eines Produkts kann seine Ersatzprodukte kannibalisieren; ein am Boden gebliebenes Flugzeug kann eine Kaskade verpasster Anschlüsse auslösen; günstigere Energie kann die Margen einer ganzen Branche erhöhen. Die Eröffnung eines großen Vorzeigegeschäfts kann neue Kunden anziehen, die das Geschäft aller benachbarten Läden geringfügig verbessern, unabhängig davon, was diese verkaufen. Ebenso kann eine erfolgreiche Marketingkampagne den Absatz sämtlicher Produkte einer Marke steigern.

Hochdimensionale Genauigkeitsmaße zu entwerfen, ist technisch anspruchsvoll und liegt außerhalb dieses Kapitels. Entscheidend ist das Prinzip: Gemeinsame Prognosen müssen in der Geometrie der Entscheidung beurteilt werden, als Ganzes, nicht Koordinate für Koordinate. Für multivariate Verteilungen gibt es geeignete Bewertungsregeln, mit denen sich Modelle nach einem einfachen Kriterium vergleichen lassen: Konzentrieren sie Wahrscheinlichkeit dort, wo die Realität gewöhnlich liegt, und bewahren sie dabei die Abhängigkeiten, die die Wirtschaftlichkeit bestimmen? Auf dieser Grundlage bleibt noch die Handlungsmacht: Eine Prognose, die unsere eigenen Stellhebel ignoriert, projiziert weiterhin den Status quo. Abhilfe schafft es, Prognosen von der Entscheidungsregel abhängig zu machen, die das Unternehmen anwenden will. Solche an Entscheidungsregeln gebundenen Erwartungen nennen wir funktionale Prognosen. Sie sind das Thema des nächsten Abschnitts.

7.4.8 Funktionale Prognosen

Der künftige Zustand der Supply Chain hängt von Entscheidungen ab, die noch zu treffen sind. Entscheidungen Dritter — von Kunden, Lieferanten und Wettbewerbern — sollten wie jede andere Unsicherheit prognostiziert werden. Diese Entscheidungsprozesse können für das Unternehmen schließlich auf Dauer Blackboxes bleiben. Die eigenen bevorstehenden Entscheidungen des Unternehmens verdienen dagegen eine andere Behandlung. Schließlich muss das Unternehmen seine eigenen Entscheidungen nicht erraten; es kontrolliert seine Entscheidungsfindung.

In ihrer üblichen Verwendung räumen Prognosen dem Unternehmen wenig Handlungsmacht ein. Sie beschreiben, was unter unveränderten Entscheidungsregeln wahrscheinlich ist, nicht, was unter anderen Regeln geschehen könnte. Sie setzen die Entscheidungen voraus, die zum Zeitpunkt der Berechnung des Referenzverlaufs bereits getroffen wurden, und bleiben blind für jene, die noch zur Wahl stehen. Ein Hersteller kann heute seine Preise senken und zu Recht feststellen, dass die prognostizierte Nachfrage steigt; dieselbe Prognose kann jedoch nichts über die Preisänderung im nächsten Monat oder eine noch nicht beschlossene Werbeaktion aussagen. Kurz: Der Referenzverlauf projiziert den Status quo — ein kontrafaktisches Szenario, in dem „nichts Neues getan“ wird. Das hilft bei der Orientierung, ersetzt aber keine Entscheidung.

Um zu verstehen, warum noch offene Entscheidungen wichtig sind, betrachten wir eine Modemarke. Die Marke bringt zwei Kollektionen pro Jahr heraus; die Produkte werden vor Beginn der Saison bestellt. Nehmen wir an, dass während der Saison keine Nachbestellungen erfolgen. Zu Saisonbeginn bietet die Marke die Produkte zum vollen Preis an. Für jedes Produkt entspricht die geplante Menge dem erwarteten Saisonabsatz; zum Saisonende tritt ein Fehlbestand ein. Die Mengen sind so festgelegt, dass kein Schlussverkaufsrabatt erwartet wird.

Bis zum Saisonende bleiben jedoch einige Produkte hinter den Erwartungen zurück, sodass unverkaufter Bestand übrig bleibt. Die Preisregeln des Unternehmens sehen für diese Produkte zum Saisonende hohe Rabatte vor, gerade um den Bestand abzuverkaufen.

Bei dynamischer Preisgestaltung kann die Marke vernünftigerweise mit größeren Beständen in die Saison starten als bei festen Preisen. Fällt die Nachfrage höher aus als prognostiziert, bringt der zusätzliche Bestand Gewinn. Wird die Nachfrage dagegen überschätzt, ermöglichen die Regeln dennoch einen Abverkauf mit minimalem Verlust. Die Preisgestaltung ist kein technisches Detail; sie ist ein wesentlicher Bestandteil der Strategie der Marke zur Steuerung des Güterflusses.

Eine „gewöhnliche“ Nachfrageprognose, ob probabilistisch oder nicht, kann die durch diese Regeln ausgelösten Absatzverläufe nicht erfassen. Bei der Berechnung des Referenzverlaufs gibt es keinen Grund dafür, dass die projizierte Nachfrage am Saisonende einen späten, durch Rabatte ausgelösten Anstieg aufweist. Rabatte entstehen nur, wenn die Nachfrage überschätzt wurde; bei einer genauen Nachfrageprognose wäre der Anfangsbestand niedriger und ein Schlussverkaufsrabatt unnötig. Die Regeln bewirken eine teilweise Selbstkorrektur der Nachfrage: Der Absatz passt sich den Beständen nur in dem Maße an, in dem die Rabatte kräftig genug ausfallen.

Eine funktionale Prognose bezieht dagegen ausdrücklich eine oder mehrere Entscheidungsregeln ein. Diese Regeln werden als gegeben angenommen; sie werden nicht aus historischen Daten gelernt. Außerdem bleiben sie innerhalb der Prognoselogik gesondert abgegrenzt. Damit ein Modell „funktional“, also durch Entscheidungsregeln bedingt, ist, sollte man daher eine Regel durch eine andere ersetzen und unmittelbar die entsprechend geänderte Prognose erhalten können. In diesem Sinne ist ein funktionales Modell unvollständig: Ohne die erforderlichen Entscheidungsregeln kann es keine Prognosen erzeugen.

Wie wir gleich sehen werden, müssen funktionale Modelle nicht wesentlich schwieriger zu implementieren sein als ihre nicht durch Entscheidungsregeln bedingten Gegenstücke. Ihre Gültigkeit zu beurteilen, ist jedoch eine knifflige Aufgabe. Solange die dem funktionalen Modell übergebenen Regeln nahe an jenen bleiben, die das Unternehmen in der Vergangenheit angewandt hat, sollte sich ein gut konstruiertes Modell vernünftig verhalten. Betritt eine Regel dagegen unerprobtes Terrain, wird die Gültigkeit des Modells ungewiss.

Kehren wir zum obigen Beispiel zurück: Hat die Marke bislang Schlussverkaufsrabatte zwischen 15% und 30% gewährt, stützen die Daten die Modellierung beliebiger Kombinationen innerhalb dieses Bereichs. Lässt die Marke ihr funktionales Nachfragemodell jedoch mit Rabatten zwischen 30% und 60% laufen, sind die ausgegebenen Zahlen bestenfalls höchst spekulativ. Diesen Vorhersagen fehlt eine unmittelbare empirische Grundlage; die Reaktion der Kunden auf unerprobte Preise zu extrapolieren, kann sehr überraschende Ergebnisse liefern.

Abgesehen von eng begrenzten Situationen ist die Frage, ob ein funktionales Modell unter einer beliebig neuartigen Entscheidungsregel sinnvolle Zahlen liefert, leider ein Problem der allgemeinen Intelligenz. Die Beurteilung muss auf den konkreten Fall zugeschnitten sein. Beispielsweise kann man die neue Regel in begrenztem Umfang erproben, allein um weitere empirische Daten zu gewinnen. Dieser Prozess heißt Exploration und wird im nächsten Kapitel behandelt.

Ohne funktionale Prognosen projiziert ein Unternehmen lediglich den Status quo und wiederholt seine bisherigen Entscheidungsregeln. Will es sich weiterentwickeln, muss es projizieren können, wie sich erwogene Änderungen dieser Regeln auf den Güterfluss auswirken.

Im Kleinen sind funktionale Prognosen selbstverständlich, auch wenn sie selten so genannt werden. Betrachten wir einen Bäcker im Viertel, der seine Öffnungszeiten festlegt. Längere Öffnungszeiten ermöglichen mehr Käufe — frühe Pendler und späte Einkäufer können einkaufen —, verbrauchen aber eine knappe Ressource: Zeit mit seiner Familie und zur Erholung. Die maßgebliche Prognose ist keine einzelne Zahl („Die morgige Nachfrage beträgt 180 Brote“), sondern eine Funktion, die Entscheidung und Ergebnis verbindet („Erwarteter Absatz als Funktion der Öffnungszeiten“). Indem der Bäcker die Eingabe — den Zeitplan — wählt, erzeugt er teilweise selbst die Nachfrage, die er bedienen will; das ist die funktionale Sichtweise.

Im Großen, wenn Tausende von Prognosen erzeugt werden, verfallen viele Unternehmen aus bürokratischer Trägheit in Projektionen des Status quo. Diese Haltung tut ihnen selbstverständlich keinen Gefallen. Leider vertreten die meisten Supply-Chain-Lehrbücher — und die darauf aufbauende Software — dieselbe Sichtweise.

Technisch sind funktionale Prognosen aus zwei Gründen wichtig.

Erstens aus einem softwaretechnischen Grund: Sie erzwingen eine saubere Trennung zwischen dem Prognosekern — Modellen, die Aufzeichnungen in probabilistische Aussagen über Nachfrage, Lieferzeiten, Preise, Retouren und Kosten überführen — und der als Software konkretisierten Entscheidungsregel: explizitem Code und Parametern, die Preisgestaltung, Allokation, Serviceregeln und andere Stellhebel umsetzen. Nach dieser Trennung lässt sich derselbe Prognosekern unter mehreren zulässigen Entscheidungsregeln einsetzen; Regeln lassen sich ohne erneutes Training austauschen; und die wirtschaftliche Wirkung jeder Regel wird überprüfbar.

Zweitens aus einem statistischen Grund: Prognosemodelle lernen nur, was frühere Entscheidungsregeln sichtbar gemacht haben. Verlässt eine Regel diese Datengrundlage — durch neue Preisspannen, eine andere Häufigkeit von Werbeaktionen oder neue Serviceversprechen —, wird die Prognose zur Extrapolation. Bei einem solchen Wechsel der Entscheidungsregeln nimmt die Präzision ab und die Unsicherheit zu; Ergebnisse sollten als vorläufig gelten, bis Messungen unter der neuen Regel vorliegen.

Unter Beachtung dieser Einschränkungen schlägt die funktionale Prognose eine Brücke von „Was ist wahrscheinlich?“ zu „Was würden wir tun, wenn …?“. Das naheliegende Instrument, um diese Brücke im großen Maßstab zu nutzen, ist ein Simulator: ein stochastisches, diskretes Modell, das Entscheidungsregeln einbettet und Unsicherheiten fortpflanzt. Ihm wenden wir uns nun zu.

7.4.9 Stochastische Simulationen

Eine Simulation ist ein Modell, das ein reales System nachbildet und uns beobachten lässt, wie sich dessen Zustand im Zeitverlauf entwickelt. Mit wachsender Rechenleistung verbreiteten sich Simulatoren, darunter auch Supply-Chain-Versionen, die häufig als „digitale Zwillinge“ vermarktet werden¹³¹. Richtig verstanden ist ein Simulator eine hochdimensionale probabilistische Prognose: Er erzeugt viele plausible Zukünfte — mit impliziten Häufigkeiten — statt eines einzigen vorbestimmten Verlaufs. So eingesetzt ist die Simulation ein legitimes Instrument, um künftige Zustände einer Supply Chain vorwegzunehmen. Da dieser probabilistische Charakter jedoch selten ausdrücklich benannt wird, werden Ergebnisse allzu häufig für bare Münze genommen; Annahmen bleiben ungeprüft, und kaum jemand macht sich die Mühe zu prüfen, ob die simulierten Verteilungen dem ähneln, was der Betrieb tatsächlich hervorbringt.

Supply-Chain-Simulatoren unterscheiden sich stark, doch fast alle haben drei Merkmale gemeinsam: Sie sind mikroanalytisch, diskret und stochastisch.

Ein mikroanalytischer Simulator mit Bottom-up-Ansatz zerlegt das System in kleinste Einheiten, für die einfache Regeln gelten. Dazu gehören Akteure — Kunden oder Lieferanten — und unbelebte Einheiten wie SKUs. Die mikroanalytische Sicht nimmt an, dass die Komplexität des Systems nur scheinbar besteht und aus der wiederholten Anwendung einfacher Regeln entsteht.

Ein diskreter Simulator — zeitdiskret oder ereignisdiskret — durchläuft eine Folge von Ereignissen. Jedes Ereignis tritt zu einem bestimmten Zeitpunkt ein und markiert eine Zustandsänderung im System. Zwischen den Ereignissen ändert sich nichts — ein Kunstgriff, der die Softwareimplementierung des Simulators erheblich vereinfacht.

Ein stochastischer Simulator, oft Monte-Carlo-Simulator genannt, verwendet nichtdeterministische Regeln, die zufällige Ergebnisse erzeugen. Daher liefern wiederholte Durchläufe unter identischen Anfangsbedingungen unterschiedliche Resultate. Verwenden Sie nach Möglichkeit deterministische Regeln; behalten Sie stochastische Regeln den Unbekannten vor, entsprechend unserem unvollkommenen Wissen über die Entwicklung des Systems.

Simulatoren sind Instrumente der funktionalen Prognose: Sie bilden explizite Regeln zur Steuerung des Güterflusses auf vorhergesagte Ergebnisse ab. Indem der Simulator Entscheidungsregeln kodiert — was wann gekauft, hergestellt, bewegt und zu welchem Preis angeboten werden soll — und dabei betriebliche Einschränkungen einbezieht, erzeugt er Prognosen, die durch diese Regeln bedingt sind. Gerade auf diese Bedingtheit kommt es an: Sie stellt alternative Regeln auf dieselbe Grundlage und lässt uns ihre wirtschaftlichen Folgen quantifizieren.

Wer diese Bedingtheit umgeht, ist fast immer zu groben Näherungen gezwungen. Wer beispielsweise die Nachfrage als unabhängig von der Servicequalität behandelt — also annimmt, dass wiederholte Fehlbestände den beobachteten Absatz niemals senken —, macht den Simulator blind für genau das Verhalten, das die Entscheidungsregel hervorruft. Ein solches Modell überschätzt systematisch die erreichbaren Mengen, bewertet Optionen falsch und lenkt Entscheidungen in die falsche Richtung. Im Folgenden bezeichnet „funktionale Prognose“ diese durch Entscheidungsregeln bedingte Vorhersage und keine unbedingte Zeitreihe.

Die Softwareimplementierung solcher Simulatoren ist konzeptionell einfach. Eine Hauptschleife durchläuft die Kanten eines Graphen, der den Güterfluss darstellt. Knoten stehen üblicherweise für SKUs — oder für Aggregate, wenn eine feinere Granularität zu aufwendig ist. Jeder Knoten trägt einen kleinen Satz von Regeln, entweder deterministische — etwa den Bestand je ausgehender Einheit zu verringern — oder stochastische — etwa die Nachfrage für den Zeitraum zufällig zu ziehen. Jeder Durchlauf der Hauptschleife steht für einen diskreten Zeitschritt, meist einen Tag, möglicherweise einen kürzeren Zeitraum.

Wenn man es mit der Gültigkeit nicht allzu genau nimmt, lässt sich ein solcher Güterflusssimulator oft in wenigen Tagen bauen. Daher seine Beliebtheit bei Anbietern von Unternehmenssoftware. Der funktionale Entwurf ist verlockend: Er liefert beliebig feingranulare Vorhersagen unter Entscheidungsregeln. Ohne strenge Validierung ist dieses Vertrauen jedoch fehl am Platz.

Tatsächlich können Simulatorergebnisse blanker Unsinn sein — und sind es oft. Die Plausibilität einer Regel garantiert nicht ihre Richtigkeit; ebenso wenig gewährleistet die Kombination zweier gültiger Regeln, dass der Simulator sie richtig zusammenführt. Auch gewöhnliche Programmierfehler schleichen sich in seine Codebasis ein. Wie bereits erwähnt, können neuartige Entscheidungsregeln die stochastischen Regeln untergraben, wenn die Simulation „unerforschtes“ Terrain betritt. Letztlich ist Gültigkeit eine empirische Frage, die durch Messungen geklärt werden muss.

Eine Dualität verbindet probabilistische Prognosen und stochastische Simulationen. Aus einer probabilistischen Prognose lassen sich Stichproben gemäß der zugrunde liegenden Wahrscheinlichkeitsverteilung erzeugen; solche Stichprobenwerte werden üblicherweise als Zufallsrealisierungen bezeichnet. Aus einer vollständigen probabilistischen Prognose lassen sich die stochastischen Regeln ableiten, die das System antreiben; umgekehrt offenbart die Beobachtung eines Simulators die Wahrscheinlichkeiten aller Ergebnisse. Somit kann ein Simulator die vollständige Wahrscheinlichkeitsverteilung über alle zulässigen Zustände schätzen; folglich lässt sich aus einem Simulator eine probabilistische Prognose ableiten.

In der Praxis erschweren zahlreiche technische Einzelheiten die Umwandlung zwischen probabilistischer Prognose und Simulator. Die probabilistische Prognose ist womöglich nicht feingranular genug, um alle Regeln des Simulators festzulegen. Umgekehrt kann die Zahl der Durchläufe, die zur Schätzung aller Wahrscheinlichkeiten erforderlich ist, unvertretbar groß sein. Dennoch bedeutet die Dualität, dass für stochastische Simulationen dieselben Genauigkeitsmaße gelten wie für probabilistische Prognosen.

Behandeln Sie einen Simulator daher wie jede andere Prognose: Quantifizieren Sie seine Genauigkeit. Diese Arbeit ist technisch anspruchsvoll; wer auf eine quantitative Beurteilung verzichtet, lädt kostspielige Fehler geradezu ein.

8 Entscheidungen

Supply-Chain-Praxis ist die fortwährende Allokation knapper Ressourcen unter Unsicherheit. Das Ziel ist kein Plan, sondern ein profitabler Güterfluss: Geld in Waren verwandeln, Waren in Leistungen, Leistungen wieder in Geld — und dabei jene Optionen erhalten, denen künftige Informationen Wert verleihen werden. Schon mittelgroße Unternehmen treffen täglich Tausende solcher Allokationen, die größten Millionen. Das Entscheidungssystem darf deshalb nicht aus Ad-hoc-Lösungen bestehen. Es muss Wahlmöglichkeiten explizit machen, bepreisen, in eine Reihenfolge bringen und ausführen, damit Software sie ohne menschliches Eingreifen sicher in großem Maßstab ausgeben kann. Systematisierung schützt nicht nur davor, dass ein eigenmächtig handelnder Einkäufer das Betriebskapital aufbraucht; sie soll Entscheidungen hervorbringen, die im Erwartungswert überlegene risikoangepasste Renditen erzielen.

Um die Lücke zwischen Grundsatz und Praxis zu schließen, präzisieren wir nun den in Kapitel 1 erstmals umrissenen Begriff der Entscheidung.

Eine noch so präzise Definition lässt zwei praktische Fragen offen. Erstens: Wo beginnt und endet eine Entscheidung, sobald Zeit und Zufall ins Spiel kommen? Zweitens: Nach welchem einheitlichen Kriterium werden Alternativen verglichen, wenn sie auf dieselben knappen Vorräte zugreifen — Geld, Kapazität, Aufmerksamkeit? In der Supply Chain ist eine Entscheidung keine Zeile in einem Plan. Sie ist eine Festlegung für den Güterfluss, die auf einer hinreichend feinen Ebene getroffen wird, um wirtschaftlich einen Unterschied zu machen, unter Unsicherheit erfolgt und in einem Verzeichnis festgehalten wird, das künftige Ereignisse auf die Probe stellen werden.

Damit solche Festlegungen berechnet und geprüft werden können, müssen vier Bestandteile offengelegt werden. Zuerst der Entscheidungsrahmen: Der gegenwärtige Handlungsspielraum — zulässige Schritte, Zulässigkeitsprüfungen, Takt und die wenigen Sperrklinkeneffekte, die morgige Optionen beseitigen — muss aufgeschrieben werden, idealerweise als Code. Dann folgt eine probabilistische Sicht auf nahe Zukünfte: Nachfrage, Lieferzeiten, Rücksendungen, Zuverlässigkeit und alle weiteren Verteilungen, die Ergebnisse wesentlich beeinflussen. Drittens müssen sämtliche Kosten und Erträge in Geld ausgedrückt und Verantwortlichen zugeordnet werden — Fehlbestandskosten, Veralterung, Kapitalkosten je Zeiteinheit, Überlastung, Verspätungsgebühren, der Optionswert des Wartens —, damit verschiedenartige Reibungsverluste in einer gemeinsamen Rechnung vergleichbar werden. Schließlich werden marginale Festlegungen nach ihrer erwarteten, risikoangepassten aperiodischen Rendite geordnet; diejenigen, die die Mindestanforderung erfüllen, werden ausgegeben, protokolliert und später an den tatsächlich eingetretenen Ergebnissen gemessen.

Die bisherigen Kapitel haben diese Haltung vorbereitet: Optionalität und Variabilität (Kapitel 1) liefern den Raum möglicher Schritte und erklären, warum eine probabilistische Sicht zwingend ist; die Ökonomie (Kapitel 4) liefert das in Geldeinheiten ausgedrückte Ziel; Information und Intelligenz (Kapitel 5–6) grenzen die Rollen von Aufzeichnungen, Berichten und Entscheidungs-Engines ab. Dieses Kapitel setzt diese Bestandteile in die Praxis um. Es beginnt damit, die Entscheidung zu durchdenken: den Rahmen offenzulegen, Artefakte zu verbannen, die ökonomische Rechnung prüfbar zu machen und das Denken am Rand wiederherzustellen. Die folgenden Abschnitte untersuchen die Ausführung ohne menschliches Eingreifen und die Optimierungsverfahren, die sich für wiederkehrende Entscheidungen unter Unsicherheit eignen. So wird jede Festlegung zu einer kleinen, bepreisten Wette, die das Unternehmen sowohl ex ante begründen als auch ex post prüfen kann.

8.1 Die Entscheidung durchdenken

Eine Entscheidung ist nach der obigen Definition eine Festlegung, die Alternativen beseitigt. Die Entscheidung zu durchdenken beginnt deshalb einen Schritt früher: bei der Auswahl, welche Alternativen überhaupt gesehen und wie sie bepreist werden. In den meisten Unternehmen bleibt dieser vorgelagerte Schritt unausgesprochen. Man spricht in der Grammatik vertrauter „Regeln“ — FIFO, volle Lastwagen, Mindestbestellmengen, Regalpläne —, sodass die Wahl offensichtlich erscheint und das nicht Gewählte unsichtbar bleibt. Die Gefahr liegt nicht in einem Schreibfehler, sondern in einer metaphysischen Verschiebung: Eine Regel tritt stillschweigend an die Stelle der wirtschaftlichen Frage, die sie beantworten sollte. Diese Verschiebung rückgängig zu machen — die Frage wieder offenzulegen, Artefakte an ihrem Platz zu halten, die Ökonomie explizit zu machen und am Rand zu denken — verwandelt das Entscheiden von einem Ritual in eine wissenschaftliche Praxis, die sich automatisieren lässt.

8.1.1 Den Entscheidungsrahmen offenlegen

Manager neigen dazu, von Lösungen auszugehen — keine Torheit, sondern eine richtige und nützliche Heuristik. Der Raum denkbarer „Probleme“ ist grenzenlos — auch einen Antigravitationsantrieb zu entwickeln ist ein Problem —, und ohne die Spur einer Lösung wären die meisten Untersuchungen vergeblich. Doch ein Denken, das von Regeln ausgeht, versteinert schnell. „Filialen nach FIFO beliefern“ beginnt als brauchbare Faustregel und verhärtet sich im Laufe der Zeit zur Doktrin; jede Ausnahme wird mit einer weiteren Regel geflickt, und bald steuert das Unternehmen anhand einer angesammelten Kasuistik.

Was vor jeder Regel offengelegt werden muss, ist der Entscheidungsrahmen. Er bildet die konkrete, überprüfbare Grenze der Handlungsmacht für den gegenwärtigen Entscheidungszyklus: Was lässt sich jetzt verändern und was nicht? Welche Optionen sind zulässig? Welche Zufallseinflüsse werden eine Rolle spielen? Welche Festlegungen würden die Zukunft durch Sperrklinkeneffekte einengen? Und zu welchen Preisen wird dieser Ausschnitt der Wirklichkeit bewertet? Der Rahmen sollte aufgeschrieben, nicht bloß beschrieben werden. In einer modernen Organisation existiert er als Code: ein kurzes Programm, das zulässige Schritte aufzählt, Zulässigkeitsprüfungen kodiert und die Bewertungsfunktion aufruft. Ist das Programm lang, ist der Rahmen verworren; ist das Programm undurchsichtig, ist der Rahmen politisch.

Ist der Rahmen einmal offengelegt, lässt dieselbe Situation verschiedene Schritte zu. Nehmen wir einen Importeur, der Container „Produkt für Produkt füllt, bis sie voll sind“, und den Rest auf die nächste Abfahrt verschiebt. Die Regel klingt umsichtig; der Rahmen, den sie verbirgt, ist allerdings sehr eng. Macht man die zulässigen Optionen explizit — gemeinsame Beladung über Lieferantengrenzen hinweg, vorübergehendes Cross-Docking in andere Regionen, mit Abfahrtsterminen abgestimmte Preisanpassungen, späte Festlegung zwischen ähnlichen Artikeln —, sucht die Optimierung nicht mehr innerhalb eines einzigen Korridors, sondern durchstreift einen kleinen Atlas. Der Gewinn entsteht weniger durch einen klügeren Solver als durch eine bessere Frage. Die Gestaltung des Problems ist nicht das Sahnehäubchen; sie ist der Kuchen.

8.1.2 Artefakte verbannen

Sobald ein Entscheidungsrahmen besteht, tauchen im Mechanismus numerische Artefakte auf: Prognosen, Puffer, Servicegrade, ABC-Kategorien, Budgets und ihre zahllosen Verwandten. Als Zwischendarstellungen sind sie oft nützlich, so wie ein Chemiker Reagenzien verwendet, die den Labortisch nie verlassen. Schwierigkeiten beginnen, wenn ein Artefakt aus dem Labor entkommt und als Ziel auf den Thron gesetzt wird. Dann greift Goodharts Gesetz: Das Maß wird zum Ziel und hört auf zu messen.

Der Servicegrad ist der klassische Ausreißer. Er begann als Ersatzgröße für eine in Geld ausgedrückte Abwägung zwischen Fehlbestands- und Lagerhaltungskosten; er endete als Prozentsatz, der die Organisation kommandiert. Planer erhöhen ihn, um sich sicher zu fühlen, die Finanzabteilung senkt ihn, um Geld freizusetzen; keine Seite muss Preise nennen. Die Prognosegenauigkeit spielt für die teleologische Planung dieselbe Rolle: Ihre Verbesserung wird gefeiert, selbst wenn der Gewinn sinkt.

Artefakte gehören an die Leine. Innerhalb der Entscheidungs-Engine sind sie als vorübergehende Koordinaten zulässig, die eine Berechnung handhabbar machen; außerhalb besitzen sie keine eigenständige Berechtigung. Eine Wiederauffüllung ist nicht „gut“, weil ihre SKU einen Servicegrad von 97% erreicht hat; sie ist gut, weil sie angesichts der im Rahmen berücksichtigten Optionen, Restriktionen und probabilistischen Zukünfte die risikoangepasste Rendite des Unternehmens maximiert hat. Die Engine kann durchaus eine Verteilung der täglichen Nachfrage, einen aus den Fehlbestandskosten abgeleiteten Schatten-„Servicegrad“ und eine Betriebskapitalbelastung je Einheit und Tag berechnen; sie darf diese sogar zur Prüfung ausgeben. Doch Dashboards und Anreize müssen sich auf Entscheidungen und deren realisierte wirtschaftliche Ergebnisse stützen, nicht auf die Laborgeräte, die bei ihrer Berechnung geholfen haben.

Es gibt einen zweiten Grund, Artefakte vom Altar zu verbannen: Sie sind systematisch schwerer zu bewerten als die Entscheidung selbst. Eine Sicherheitsbestandszahl besitzt keine über Artikel, Saisons oder Regionen hinweg unveränderliche wirtschaftliche Bedeutung; ihr Nutzen zehrt von den verborgenen Kosten und Chancen, für die sie stellvertretend steht. Ein solches Chamäleon in einen KPI zu verwandeln, lädt die Bürokratie dazu ein, den Güterfluss zu besiedeln. Die Abhilfe besteht darin, jedes Artefakt als internes, vorläufiges Objekt zu behandeln, das bei Bedarf aus maßgeblichen Aufzeichnungen neu berechnet, niemals von Hand gepflegt, niemals zum Ziel gemacht und verworfen wird, sobald sich eine bessere interne Darstellung anbietet.

Artefakte sind nicht nur numerisch. Organisationen schaffen auch bürokratische Artefakte — Richtlinien und Abgrenzungen —, die als grobe Schutzvorkehrungen für von Menschen betreute Abläufe begannen und später zu Regeln erstarrten, die sich an die Stelle der wirtschaftlichen Frage setzen. Verlassen solche Artefakte das Labor und erhalten institutionellen Rang, verzerren sie Entscheidungen genauso wie zuvor die Servicegrade: Das Mittel wird zum Zweck.

Wie der britische Historiker Cyril Northcote Parkinson in Parkinson’s Law (1957) warnte, „dehnt sich Arbeit so aus, dass sie die für ihre Erledigung verfügbare Zeit ausfüllt“. Bürokratien wachsen reflexartig; große Organisationen mit umfangreichen Supply Chains bilden keine Ausnahme. Mit ihrem Wachstum sammeln sich sachfremde Regeln und interne Abgrenzungen in ihren Entscheidungsprozessen an. Sie zeigen sich vor allem als erfundene Restriktionen und erfundene Silos — beide untergraben die Effizienz und verwischen die Verantwortlichkeit.

Erfundene Restriktionen entstehen meist nach einem Missgeschick. Roger aus dem Einkauf bestellt versehentlich die Absatzmenge von achtzehn Monaten; daraufhin erlässt die Geschäftsführung eine Richtlinie, die Bestellungen auf „sechs Monatsabsätze“ begrenzt, gemessen anhand eines gleitenden Durchschnitts. In manuellen Abläufen wenden Sachbearbeiter diese Grenze mit gesundem Menschenverstand an: Sie ignorieren sie bei neuen Produkten ohne Historie, bei stark saisonalen Artikeln, deren Vergleichswert zwölf Monate zurückliegt, bei schnell wachsenden Produkten, deren Zukunft die Vergangenheit weit überragt, oder bei geplanten Aktionen, deren Absatzsteigerung gezielt herbeigeführt wird. Eine ohne menschliches Eingreifen laufende Engine kann Regeln nicht „vernünftig ignorieren“; sie hält sich entweder an den Wortlaut oder gilt als regelwidrig.¹³²

Die Abhilfe entspricht dem Umgang mit numerischen Artefakten: Solche Regeln bleiben intern in der Engine und werden als Zulässigkeitsprüfungen und bepreiste Kosten ausgedrückt, nicht als öffentliche Gebote. Ist ein Einkauf oberhalb einer naiven „Sechsmonatsgrenze“ gelegentlich vernünftig, gehört die Grenze als in Geldeinheiten ausgedrücktes Ärgernis in die Zielfunktion, nicht als Veto; Neuheit, Saisonalität und gezielt erzeugte Absatzsteigerungen werden zu expliziten Merkmalen des Rahmens, nicht zu überlieferten Ausnahmen. Eine als Code formulierte, bepreiste Regel mit klarer Zuständigkeit ist verständlich und anfechtbar; eine als Erlass formulierte Regel lädt zu Manipulation ein und erstickt die Automatisierung.

Erfundene Silos zerlegen eine einzige wirtschaftliche Frage in eine Folge von Artefakten, damit Teams mit schwachen Werkzeugen damit zurechtkommen. Ein Modehändler steuert beispielsweise den Fluss vom Lager zur Filiale über drei Artefakte: eine Sortimentsliste (was eine Filiale führen darf), eine Erstausstattung (wie viel zu Beginn) und eine Nachschubregel (was später geschickt wird). Die Choreografie wirkt ordentlich; stillschweigend erzeugt sie Restriktionen. Die Sortimentsliste bindet Regalfläche im Voraus und verbietet Substitutionen, die frühe Abverkäufe rechtfertigen würden; die Erstausstattung bindet vorab Arbeits-, Hauptlauftransport- und Präsentationskapazitäten, die der Nachschub anschließend zurückkaufen muss — oft mit Aufpreis; die Nachschubregel gibt dann vor, den Rest zu optimieren. Geld bleibt liegen, weil die zugrunde liegende Frage — wo erzielt eine weitere Einheit angesichts der aktuellen Restriktionen die höchste risikoangepasste Rendite? — in durch Artefakte begrenzte Verfahren zerlegt wurde, bevor sie durchgängig gestellt werden konnte.

Auch hier müssen Artefakte an der Leine bleiben. Silos dürfen diese Artefakte pflegen; die Entscheidung darf ihnen nicht gehören. Die Engine sollte den durchgängigen Rahmen sehen — zulässige Schritte, gemeinsame Restriktionen und Preise — und einen einzigen Fluss von Festlegungen erzeugen. Verlangt die Unternehmenssteuerung organisatorische Grenzen, muss die Schnittstelle Preise und Zulässigkeit übermitteln, keine Quoten und Vetos: Das Distributionszentrum (DC) veröffentlicht Schattenpreise für knappe Ressourcen; Filialen veröffentlichen Fehlbestandskosten; das Sortiment ist ein Vorschlag, den die Engine erweitern darf, wenn es sich wirtschaftlich rechtfertigt. Anders gesagt: Die Zeremonie bleibt lokal, die Ökonomie einheitlich.

Sind die numerischen und bürokratischen Artefakte erst als interne, bepreiste und vorläufige Objekte gezähmt, ist die Bühne für die einzig wichtige Debatte bereitet: die Preise selbst. Der nächste Abschnitt wendet sich unmittelbar diesem Punkt zu.

8.1.3 Die Ökonomie des Gesamtsystems

Das vorige Kapitel hat Geld als gemeinsamen Maßstab des Unternehmens etabliert. Die Ökonomie des Gesamtsystems verlangt, jede Entscheidung aus Sicht des gesamten Unternehmens zu bepreisen, nicht anhand eines Abteilungs-KPI. In der Praxis bedeutet das: Die Preise in der Zielfunktion — Fehlbestandskosten, Veralterung, Regalüberlastung, Verspätungsgebühren, Betriebskapitalkosten, Optionswert des Wartens, Verlust an Wohlwollen — werden einmal unternehmensweit festgelegt, benannten Verantwortlichen zugeordnet, versioniert und offengelegt. Verborgene Preise werden dadurch nicht neutral; sie verzerren den Fluss zugunsten derjenigen, die sie eingeschleust haben. Eine verborgene Bewertung von Rückständen ist eine private Agenda im Gewand der Wissenschaft.

Eine systemweite ökonomische Rechnung erfordert keine Volksabstimmung über jede Geldeinheit; sie erfordert Zahlen, die funktionsübergreifend verständlich und anfechtbar sind. Die Finanzabteilung sollte unternehmensweite Kapitalkosten und Liquiditätsgrenzen veröffentlichen; operative Teams sollten sie in Belastungen je Einheit und Tag übersetzen, die Bestandshalbwertszeiten und Restwerte widerspiegeln. Das Merchandising sollte keine „98% Verfügbarkeit“ verlangen, ohne den nächsten Prozentpunkt in Geldeinheiten pro Tag zu bepreisen; die Logistik sollte nicht auf Schwellen für volle Lkw bestehen, ohne die Überlastung und die Übertragungseffekte zu bepreisen, die sie vermeiden. Wo Märkte bestehen, übernimmt man externe Preise; wo keine bestehen, schafft und verteidigt man interne Bewertungen. Um zwischen Silos abzuwägen, sollten knappe gemeinsam genutzte Ressourcen — Rampenzeitfenster, Regalfläche, Produktionslinienzeit, Kapital — Schattenpreise tragen: von der Engine berechnete, vorläufige Zahlen, welche die aktuellen Opportunitätskosten einer weiteren verbrauchten Einheit ausdrücken. Sie ersetzen Quoten und Vetos; sie sind keine neue Richtlinie. Wir kommen bei den sequenziellen Entscheidungen weiter unten darauf zurück. Das Ziel ist keine Einstimmigkeit, sondern Vergleichbarkeit in der Gewinn-und-Verlust-Rechnung des Unternehmens. Sobald Kosten und Erträge in der gemeinsamen Geldeinheit ausgedrückt sind, konkurrieren Optionen, die bisher in verschiedenen Provinzen lebten — „eine Erstattung über die Richtlinie hinaus gewähren“, „eine weitere Einheit eines Long-Tail-SKU kaufen“, „einen Lkw zurückhalten, um eine Tour aufzufüllen“, „die Rückgabefrist für diese Kundengruppe verlängern“ — in derselben Rechnung.

Diese Systemsicht klärt auch die Verantwortlichkeit. Bleibt eine Entscheidung nach Eintritt ihrer Ergebnisse systematisch hinter den Erwartungen zurück, zeigt das Dossier, ob der Fehler im Rahmen (ausgelassene Optionen), in den Prognosen (schlecht kalibrierte Verteilungsränder) oder in den Preisen (falsch angesetzte Kosten) liegt. Korrekturen richten sich dann auf den fehlerhaften Bestandteil, statt in vagen Forderungen nach „besserer Zusammenarbeit“ zu versickern. Lokale KPIs verlieren ihr Alibi: Eine Maßnahme, die einer Abteilungskennzahl schmeichelt, anderswo aber Geldeinheiten vernichtet, wird durch die Gesamtrechnung entlarvt. Verborgene Preise erzeugen Politik; offene Preise auf Systemebene erzeugen Leistung. Sind unternehmensweite Preise vorhanden, kehrt die Engine zu ihrer natürlichen Haltung zurück: am Rand zu denken, auf Grundlage einer einzigen Rechnung.

8.1.4 Den Rand in den Mittelpunkt stellen

Ökonomie ist eine marginalistische Disziplin; richtig betrieben gilt dasselbe für die Supply Chain. Die relevante Frage lautet fast nie: „Was ist in dieser Saison der richtige Bestand für diesen SKU?“, sondern: „Welche risikoangepasste Rendite erzielt eine weitere Einheit — hier, jetzt — angesichts aller bereits getroffenen Festlegungen?“ Die Antwort ist eine Zahl in Geldeinheiten je Einheit und Zeiteinheit, und sie verschiebt sich mit der Festlegung. Am Rand zu denken zwingt dazu, Granularität, Zeit und Unwägbarkeiten in den Blick zu nehmen.

Zuerst die Granularität. Entscheidungen sollten auf der feinsten Ebene berechnet werden, die ihre Wirtschaftlichkeit wesentlich verändert. Bei Standardgütern ist die Einheit ein Stück; beim Transport ein Halt oder ein Kubikmeter; bei reparierbaren Umlaufteilen in der Luftfahrt eine Seriennummer, deren Zyklen und Betriebsstunden zwei Teile mit derselben P/N wirtschaftlich unvergleichbar machen. Eine Fluggesellschaft kann mit gutem Grund eine bestimmte Einheit zur Erfüllung einer AOG-Anfrage (Aircraft On Ground) eines Wettbewerbers verkaufen und zugleich eine andere, scheinbar identische Einheit behalten, um ihr eigenes Extremrisiko abzusichern; die marginalen Werte unterscheiden sich, weil die abgesicherten Zukünfte verschieden sind.

Dann die Zeit. Marginale Werte sind aperiodisch: Sie müssen die Halbwertszeit der Belastung berücksichtigen, nicht nur die Lieferzeit. Eine Kiste, die bei Zahlungsaufschub innerhalb von zwei Tagen verkauft wird, kann sehr profitabel sein, während dieselbe Kiste, im Voraus bezahlt und über acht Wochen verkauft, nur mittelmäßig abschneidet. Ordnet die Engine zulässige Schritte nach ihrer aperiodischen Rendite — wie im Kapitel Ökonomie begründet —, bevorzugt sie ganz natürlich Wetten mit schnellem Umlauf und belastet lang anhaltende Sperrklinkeneffekte, sofern deren Gewinnpotenzial nicht entsprechend groß ist.

Schließlich die Unwägbarkeiten. Grenzerträge beruhen auf Verteilungen, nicht auf Punkten. Die zusätzliche Einheit, die unter der Medianprognose profitabel erscheint, kann ruinös sein, sobald man eine Lieferzeitverteilung mit schweren Rändern berücksichtigt; umgekehrt wird eine Einheit, die in einem Modell mit leichten Verteilungsrändern verschwenderisch wirkt, attraktiv, wenn ein seltener, aber katastrophaler Fehlbestand richtig bepreist wird. Deshalb ist eine probabilistische Prognose kein Luxus: Sie ist die Grundlage, auf der die Grenzrechnung arbeitet.

In großem Maßstab verwandelt dieses Denken am Rand die tägliche Arbeit des Unternehmens in eine fortwährende Neuordnung von Millionen Mikrooptionen. Jede neue Festlegung verändert die Grenzlinie: Schattenpreise entstehen an engen Restriktionen, konkurrierende Schritte verändern die Erträge, der gestern beste nächste Schritt wird heute zum drittbesten. Ein statischer Plan kann bewegliche Ränder nicht bepreisen; eine Entscheidungs-Engine kann es. Sie zaubert keine Gewissheit herbei; sie berechnet in jedem Augenblick die beste nächste Wette und trägt sie mit Begründung in das Verzeichnis ein. Der Rest ist bloße Buchführung.

Die Entscheidung so zu durchdenken — der Rahmen explizit, die Artefakte gezähmt, die ökonomische Rechnung offen, die Grenzbetrachtung souverän — fügt keine Zeremonie hinzu. Es entfernt Aberglauben. Zugleich entspricht es der pragmatischen Weltsicht des vorigen Kapitels: Entscheidungen werden zu kleinen, überprüfbaren Wetten unter Unsicherheit, geleitet von Preisen, die das Unternehmen zu verteidigen bereit ist, und revidiert, während die Wirklichkeit sichtbar wird.

8.2 Warum automatisieren

Computer sind unzuverlässig, aber Menschen sind noch unzuverlässiger. Jedes System, das von menschlicher Zuverlässigkeit abhängt, ist unzuverlässig. Eines der vielen Murphy’schen Gesetze.

Die vorigen Seiten definierten eine Entscheidung als überprüfbare Festlegung, die Alternativen beseitigt und nur durch ihre erwartete risikoangepasste Rendite gerechtfertigt ist. Sobald der Rahmen explizit und die ökonomische Rechnung offengelegt ist, wird eine Supply Chain zu dem, was sie ihrem Wesen nach immer war: einer Mühle zahlloser kleiner Wetten, deren Vorteil am Rand erwirtschaftet wird. Im heutigen Maßstab ist der relevante Vorteil für Sachbearbeiter ohne Hilfsmittel unerreichbar. Was sie erschöpft, ist nicht das Rechnen — Tabellenkalkulationen nehmen ihnen diese Last bereits ab —, sondern die schiere Kombinatorik zulässiger Optionen, die Anforderungen probabilistischen Denkens bei schweren Verteilungsrändern und die fortwährende Neubepreisung von Restriktionen, während sich die Wirklichkeit verändert. Liegt der spürbare Engpass in SQL-Dashboards statt in Stahl und Diesel, hat das Unternehmen beschlossen, sich ausgerechnet in jenem Bereich zu begrenzen, in dem Grenzen am wenigsten einschränken: beim Rechnen.

Es gibt einen zweiten, leiseren Grund für die Automatisierung: kontrollierte Wiederholung. Ein manueller oder halbmanueller Prozess verändert sich jedes Mal, wenn sich die Menschen ändern; Personalfluktuation, lokale Korrekturen und wechselnde Aufmerksamkeit machen die gestrige Vergleichsbasis mit der heutigen unvergleichbar. Ein Prozess ohne menschliches Eingreifen lässt sich dagegen duplizieren, gezielt verändern und messen. Zwei numerische Rezepte können parallel auf Grundlage derselben Aufzeichnungen laufen — eines maßgeblich, eines im Schatten — und dabei dasselbe Personal nutzen, weil keines tägliche Aufsicht verlangt. So gemessen ist Fortschritt keine Meinungsfrage mehr; er wird zu einer geprüften Differenz in Geldeinheiten.

Tabellenkalkulationen machten Sachbearbeitung erträglich; wirksam machten sie sie nie. Ihre „Logik“ ist ein Gewirr von Ad-hoc-Formeln, die weder einen Rahmen kodieren noch Unsicherheit bepreisen. Das Ergebnis ist bekannt: Eingriffe in letzter Minute, aufeinandergetürmte Sicherheitspuffer und eine ritualisierte Eile, in der ein Sachbearbeiter vor dem Mittagessen hundert Mengen endgültig festlegen muss. Es ist verlockend zu glauben, mehr Zeit für alle führe zu besseren Antworten. In der Praxis bläht die Pause die Belegschaft auf, vertieft Silos und verzögert Festlegungen — jede Verzögerung bedeutet Opportunitätskosten, die selten auf dem Dashboard, aber immer in der Gewinn-und-Verlust-Rechnung auftauchen.

Automatisierung bedeutet hier nicht, „mehr Software einzusetzen“. Sie ist die institutionelle Entscheidung, die zuvor eingeführten Intelligenzsysteme unter normalen Bedingungen Entscheidungen ohne menschliches Eingreifen berechnen, ausgeben und protokollieren zu lassen. Im Folgenden betrachten wir diese Haltung aus mehreren Blickwinkeln: als Vermögenswert, als Disziplin für Eingriffe, als kulturellen Wendepunkt und als natürliche Folge einer ein Jahrhundert währenden Entwicklung vom Management zur Maschinerie.

8.2.1 Ein produktiver Vermögenswert

Automatisierung verwandelt das Entscheiden von vergänglicher Arbeitsleistung in ein Kapitalgut. Ein Intelligenzsystem ist kein Bericht, der einen Planer „unterstützt“; es ist eine Engine, die im Namen des Unternehmens Geldeinheiten nach einer begründbaren Zielsetzung bindet. Das Ausgabenprofil kehrt sich um: Was OPEX war — Stunden, in denen Zellenwerte verschoben wurden —, wird zu CAPEX: einer Codebasis, deren Betriebskosten gegenüber der Zahl ihrer verarbeiteten Wahlmöglichkeiten vernachlässigbar sind. Jeder Entwicklungstag, der in die Verbesserung dieses Vermögenswerts fließt, schafft zusätzlichen Wert: Entweder werden Entscheidungen besser, Berechnungen billiger oder die Pflege leichter. Geschieht nichts davon, sollte kein weiteres Geld ausgegeben werden.

Dieser Vermögenswert ist produktiv, weil er den Rahmen und die Preise kodiert. Unausgesprochene Heuristiken, die einst in Memos und Sitzungen lebten, wandern in versionsverwalteten Code. Die Engine liest maßgebliche Aufzeichnungen, erschließt die relevanten Verteilungen (Nachfrage, Lieferzeiten, Rücksendungen, Reparaturzeiten), bewertet unter diesen Verteilungen zulässige Optionen und schreibt überprüfbare Festlegungen zurück. Das tut sie in dem Takt, den die Wirklichkeit verlangt, nicht in dem Tempo, das ein Gremium erträgt. Parallelbetrieb wird zur Routine: Das bisherige Rezept führt die Feder, während ein Herausforderer Schattenentscheidungen erzeugt und sich eine saubere A/B-Differenz in der Rechnung ansammelt. Sinkt das Vertrauen — wirken die Verteilungsränder schlecht kalibriert, beginnt eine Restriktion unerwartet zu binden —, setzen Abbruchheuristiken die Ausgabe aus; die Rückfalllösung besteht nicht aus tausend Ausnahmen, sondern aus einem Stopp und einer Korrektur.

Software lässt sich kostengünstig betreiben und, wenn sie klein und verständlich bleibt, kostengünstig pflegen. Ihre Leistungsgrenze ist nicht die menschliche Geduld, sondern die in ihr kodierte Ökonomie. Jede echte Einsicht — über Substitution, Aufschub oder Beschleunigung, Umleitung, den Optionswert des Wartens — kann in Code aufgenommen und fortan im Maschinenmaßstab angewendet werden. Die Grenze der Sachbearbeitung verschwindet; es bleibt die strategische Grenze, die dadurch gesetzt wird, wie gut das Unternehmen bepreisen kann, was ihm etwas wert ist.

8.2.2 Manuelle Eingriffe

Automatisierung wirft immer die Frage auf, wann man eingreifen sollte. Ein Not-Aus gehört zu jeder angetriebenen Maschine; routinemäßige „manuelle Korrekturen“ weisen gewöhnlich auf einen Konstruktionsfehler hin.

Anbieter mildern fragile Automatisierung seit Langem ab, indem sie Benutzer zu menschlichen Koprozessoren ernennen. Warnmeldungen und „Ausnahmen“ fluten die Posteingänge; Planer sollen die meisten Ausgaben prüfen und viele davon überschreiben. Dieses Muster verfehlt den Zweck. Braucht ein System einen Menschen, der schlechte Entscheidungen abfängt, wird dieser Mensch ihm bald misstrauen, und die Organisation kehrt zum Tabellenkalkulationstheater mit zusätzlichen Schritten zurück.

Die Abhilfe liegt in der Architektur, nicht in Ermahnungen. Erstens muss die Engine so gebaut sein, dass jede ausgegebene Entscheidung aus sich heraus stimmig ist: innerhalb zulässiger Optionen eingeordnet, in Geldeinheiten bepreist und unter einer probabilistischen Zukunftssicht begründet. Zweitens muss die Engine bei Unsicherheit anhalten, statt zu belästigen. Ein Stopp ist kein Rückzug aus der Verantwortung; er verschafft Zeit für die einzigen Eingriffe, die Ergebnisse dauerhaft verbessern: Änderungen am Rahmen, an den Preisen oder an der Semantik der Prognosen. Drittens entsteht Vertrauen durch den Entwurf: Parallelbetrieb vor der Umstellung, sichtbare Dossiers für jede Festlegung, explizite und versionierte Bewertungen sowie nachträglich gemessene Differenzen. Im Kapitel Engineering werden wir diese Disziplin experimentelle Optimierung nennen.

Eingriffe verschwinden nicht; ihr Wesen ändert sich. Ein seltener, gezielter Eingriff verändert eine Bewertung („die Fehlbestandskosten für diese Kundengruppe waren zu niedrig angesetzt“), schränkt die Optionsmenge ein („diesen Monat keine Lithiumbatterien per Luftfracht versenden“) oder behebt einen semantischen Fehler („die Bedeutung dieses Felds hat sich nach dem ERP-Patch geändert“). Er kritzelt nicht einfach eine andere Zahl auf eine Bestellung und lässt die Maschine unberührt.

8.2.3 Kultur und Unruhe

Steigende Produktivität verunsichert unweigerlich die Etablierten. Tiberius lehnte Kräne ab; die Ludditen zertrümmerten Webstühle. Moderne Unternehmen bleiben weder von Ängsten noch von Politik verschont, und für Büroangestellte kommt eine neue Wendung hinzu: Sie sollen helfen, ihre eigenen Arbeitsplätze zu automatisieren.

Das Paradox löst sich auf, sobald die Rollen klar erkennbar sind. Mechanisiert werden soll die mühsame Sachbearbeitung, welche die Heuristiken von gestern ausführt. Aufgewertet werden sollen die Formulierung von Rahmen und Preisen, die Pflege der Semantik und der schnelle Umbau der Logik, wenn sich die Welt verändert. Softwarekulturen haben diese Spannung vor Jahrzehnten gelöst. Sie schätzen Menschen, die sich an der Tastatur überflüssig machen — weil der Wert zum nächsten Problem wandert: Das Werkzeug wird zum Vermögenswert; der Ingenieur geht weiter. Wo man sich dieser Kultur widersetzt, entscheiden Märkte, keine Memos. Unternehmen, die sich weigern, diesen Vermögenswert fortlaufend auszubauen, werden von solchen verdrängt, die es tun.

Führungskräfte können diese Kultur nicht von der Stange kaufen, aber sie können die Anreize beseitigen, die sie vergiften. Belohnen Sie die Qualität von Entscheidungen, nicht die Zahl der Arbeitsplätze. Bezahlen Sie Anbieter für Ergebnisse, nicht für Anmeldungen. Befördern Sie diejenigen, die bessere Rahmen und Bewertungen beitragen, nicht die Verwalter größerer Dashboards. Geben Sie vor allem den wenigen, die die Engine tatsächlich umbauen können, den Auftrag, dies schnell zu tun — ihre Hebelwirkung übertrifft einen ganzen Raum menschlicher Disponenten bei Weitem.

Zwei wiederkehrende Muster verdienen es, offengelegt zu werden. Erstens gilt die Mitarbeiterzahl weiterhin als Ersatzgröße für Status. Manager, die mehr „Arbeitsplätze“ unter sich versammeln, gewinnen Budget und Einfluss; Automatisierung, die solche Plätze drastisch reduziert, fühlt sich wie eine Herabstufung an. Kehren Sie die Währung um. Knüpfen Sie Prestige an die Verbesserung je Person und je Watt. Machen Sie den Abbau personell besetzter Arbeitsplätze zum ausdrücklichen Ziel und feiern Sie Teams, die sich an der Tastatur überflüssig machen; in einer Softwarekultur ist das Aufstieg, kein Rückzug.

Zweitens machen nutzerbezogene Lizenzen und „Engagement“-Kennzahlen Anbieter zu Mitverantwortlichen dafür, dass Menschen im Ablauf bleiben. Ein System, das nach Anmeldungen, Klicks oder „aktiven Benutzern“ abrechnet, steht wirtschaftlich im Widerspruch zu einem Ablauf ohne menschliches Eingreifen. Verträge sollten nach den vom Unternehmen gewünschten Ergebnissen bepreist werden — Umfang der ohne menschliches Eingreifen ausgegebenen Festlegungen samt Prüfpfad, gemessene Verbesserung gegenüber einer Vergleichsbasis im Parallelbetrieb, Zeit für den Umbau der Logik nach einer Rahmenänderung —, nicht nach den Sachbearbeiterbewegungen, die das Werkzeug auslöst. Wird für Ergebnisse statt für Bildschirme bezahlt, richten sich die Anreize auf Automatisierung aus, statt gegen sie.

Hüten Sie sich schließlich vor Kennzahlentheater: Hängen Boni von Genauigkeitsprozentsätzen oder Pünktlichkeitswerten ab, die von Bewertungen in Geldeinheiten losgelöst sind, fließt die Energie in die Verbesserung des Indikators statt der Wirtschaftlichkeit.

8.2.4 Die Sonderstellung des Menschen

Die Behauptung, „ein Computer dürfe niemals eine Managemententscheidung treffen, weil er nicht zur Verantwortung gezogen werden kann“¹³³, wirkt menschenfreundlich; tatsächlich ist sie verworren. Die meisten großen Organisationen wenden bereits umfassende Regelwerke an, die keinen Ermessensspielraum lassen. Eine Kreditsperre bei überfälligen Forderungen wird durchgesetzt, ob nun ein Mensch die Schaltfläche anklickt oder ein Programm dies tut. Die Verantwortung liegt bei den Urhebern der Regeln und den Führungskräften, welche die darin kodierten Preise und Restriktionen gebilligt haben, nicht beim Sachbearbeiter, der sie ausführt.

Aus symbolischen Gründen auf einer menschlichen Hand zu bestehen, verschlechtert sowohl die Geschwindigkeit als auch die Qualität. Es begünstigt zudem ein schlimmeres Versagen: unsichtbare Verantwortung. Lebt eine Regel in einer Tabellenkalkulation und wird eine Routineausnahme in eine Zelle gekritzelt, lernt niemand etwas. Lebt dieselbe Regel im Code und erzwingt ein Ausreißer einen Stopp, wird der Entwurf sichtbar geändert. Der relevante Test ist wirtschaftlich, nicht anthropomorph: Erzielt das System bei denselben Eingaben, denselben zulässigen Optionen und demselben Prüfpfad einen höheren risikoangepassten Betriebsgewinn als das bisherige Verfahren? Wenn ja, ist es für diese Aufgabe „intelligent genug“.

8.2.5 Vom Management zur Maschinerie

Das Rätsel ist nicht, warum Automatisierung wünschenswert ist, sondern warum es so lange dauerte, bis sie außerhalb weniger Nischen zur Routine wurde. Während des größten Teils des 20. Jahrhunderts waren Entscheidungsprozesse zwangsläufig Managementprozesse; nur der menschliche Geist konnte Informationen verarbeiten und vernünftige Wahlentscheidungen hervorbringen. Die Frage lautete daher, wie man die Arbeit auf viele Köpfe verteilt. Beratungsautoren schlugen ausgefeilte Geflechte aus Gremien und Kalendern vor, um diese Aufteilung erträglich zu machen. Der grundlegende Fehler blieb unausgesprochen: Was für einen Teil „am besten“ ist, entspricht selten dem Besten für das Ganze. Eine Abteilung für Wohnbedarf, die eine Million Geldeinheiten mit einer erwarteten Rendite von zehn Prozent einsetzt, kann ohne böse Absicht verhindern, dass die Küchenbedarfsabteilung dieselbe Million mit fünfzehn Prozent einsetzt. Wie fein die Organisation auch aufgeteilt wird, alle Manager schöpfen aus denselben begrenzten Vorräten an Geld, Bestand, Kapazität und Aufmerksamkeit.

Bürokratische Methoden versuchten, dies durch mehr Kommunikation zu heilen. Sitzungen, Memos und Eskalationen transportierten Wissensfragmente nach oben und anschließend nach unten, in der Hoffnung auf Abstimmung. Doch Allokation ist quantitativ; ohne eine gemeinsame Preisrechnung fällt Koordination auf Hierarchie zurück. Die im Krieg entstandene Operations Research versprach eine andere Zukunft: Algorithmen sollten die Allokation durchgängig optimieren. Hardwarebeschränkungen, grobe Datensemantik und eine Vorliebe für deterministische Spielzeuge wirkten zusammen, um dieses Versprechen zu entschärfen. Ende der 1970er-Jahre schrieb Russell Ackoff bereits ihren Nachruf.

Tabellenkalkulationen füllten das Vakuum. Sie vervielfachten die Sachbearbeitungskapazität, froren das Entscheiden aber auf einer vorwissenschaftlichen Stufe ein. Versuche, sie durch „Planungsmodule“ zu ersetzen, scheiterten, weil diese Module dieselbe deterministische Haltung und dieselbe Verehrung von Artefakten übernahmen. Benutzer kehrten zu Dateien zurück; Anbieter fügten weitere Bildschirmmasken hinzu. Die Entscheidungslast landete wieder bei den Büroangestellten, deren Reihen inzwischen größer waren als die der Arbeiter, die Kartons bewegen.

Die ökonomische Logik änderte sich nie: Wiederkehrende Supply-Chain-Entscheidungen können und sollten automatisiert werden. Die Voraussetzungen reiften im Stillen. Erfassungssysteme stabilisierten sich; einst exotische probabilistische Methoden wurden alltäglich; Hardware wurde billig; und eine neue Architekturgattung — Intelligenzsysteme — entstand, um neben Aufzeichnungen und Berichten zu arbeiten, statt vorzugeben, sie zu ersetzen. Bei Vorreitern sind Entscheidungs-Engines, die völlig ohne menschliches Eingreifen arbeiten, seit mehr als einem Jahrzehnt im Produktivbetrieb¹³⁴. Dieses Muster wird sich verbreiten, und Tabellenkalkulationen werden ihren Platz als Schweizer Taschenmesser behalten — nützlich im Notfall, abwesend an der Produktionslinie.

Zwei weitere, oft übersehene Hindernisse erklären die lange Verzögerung. Erstens ist es von Natur aus tückisch, eine Entscheidung auf viele Köpfe zu verteilen. Es gibt keine natürliche Reihenfolge, die lokale Entscheidungen vertauschbar macht. Werbebudgets, Regalfläche und Fabrikkapazität für ein neues Produkt beschränken einander; welches Team auch immer „zuerst handelt“, sperrt die anderen in einen schlechteren Korridor. Die richtige Lösung ist kein weiteres Gremium, sondern eine einheitliche Optimierungsinstanz, die die Expertise jedes Teams dort einbezieht, wo sie hingehört — in Bewertungen, Restriktionen und Szenarien —, während der Solver daraus eine einzige Festlegung ableitet. Die gestrigen Festlegungen gehen nach ihrer Ausführung als Daten wieder ein; der nächste Zyklus spielt auf einer engeren, aber klareren Bühne. Zweitens sammeln Organisationen erfundene Restriktionen an, um sich vor ihren eigenen früheren Fehlern zu schützen. Manuelle Prozesse überleben, indem sie diese Regeln ignorieren, wenn der gesunde Menschenverstand es verlangt; Software kann das nicht. Die Kosten der Automatisierung werden deshalb vorab durch das Entfernen oder Neubepreisen solcher Restriktionen bezahlt; die Dividende fließt dauerhaft in Form klarerer Rahmen und höherer Renditen.

Der größere Entwicklungsbogen ist vertraut. In den vergangenen drei Jahrhunderten ersetzten gewinnorientierte Unternehmer unablässig Arbeit durch Kapital, und der Anteil der Arbeiter sank entsprechend. In vielen industrialisierten Regionen übersteigt die Zahl der Menschen, die den Güterfluss verwalten, inzwischen die Zahl derer, die ihn physisch bewegen¹³⁵. Der nächste Produktivitätszuwachs wird daraus entstehen, den Sachbearbeitungsanteil der Büroarbeit wegzuautomatisieren. Der Widerstand wird energisch sein; die Ökonomie wird geduldig sein — und entscheidend.

Zum Schluss ein Wort zum technologischen „Warum nicht früher?“. Bis vor Kurzem fehlten drei Voraussetzungen. Aufzeichnungen waren zu fragil, um als maßgebliche Tatsachengrundlage zu dienen; probabilistisches Denken war zu schwerfällig, um es in alltäglichen Code einzubetten; und Anbieter wurden dafür belohnt, CRUD zu Intelligenzpreisen zu verkaufen. Alle drei Punkte haben sich verschoben. Erfassungssysteme haben bei Nutzen und Zuverlässigkeit ein Plateau erreicht; probabilistische Werkzeugketten passen auf einen Laptop; und Käufer haben gelernt, Buchführung, Berichtswesen und Entscheidungs-Engines auseinanderzuhalten. Sind diese Voraussetzungen vorhanden, ist das Argument für Automatisierung nicht rhetorisch, sondern arithmetisch.

Kurz gesagt: Wir automatisieren nicht, um einen Plan aufzupolieren, sondern um die Ökonomie wieder ans Steuer zu setzen. Entscheidungs-Engines ohne menschliches Eingreifen verlagern den Engpass dorthin, wo er hingehört — zu Atomen und Stunden —, und liefern zugleich die eine Voraussetzung für dauerhafte Verbesserung: vergleichbare Experimente, die täglich im großen Maßstab laufen und bei denen Geldeinheiten auf dem Spiel stehen.

8.2.6 Wo anfangen

Automatisierung ist kein Slogan; sie ist ein Allokationsproblem: Wo sollte die nächste Geldeinheit an Entwicklungsaufwand eingesetzt werden, damit sich Entscheidungen ohne menschliches Eingreifen am schnellsten amortisieren? In der Praxis ist der maßgebliche Begriff die Schwierigkeit eines Entscheidungsprozesses, wirtschaftlich verstanden als Kehrwert der erwarteten Rendite von Investitionen in seine Verbesserung. Hohe erwartete Rendite, geringe Schwierigkeit; niedrige erwartete Rendite, hohe Schwierigkeit. Zwei Fälle sind besonders wichtig. Die Grundschwierigkeit sind die Kosten, einen Güterfluss von betreuten Tabellenkalkulationen zu einer ohne menschliches Eingreifen arbeitenden Entscheidungs-Engine mit explizitem Rahmen zu überführen. Die marginale Schwierigkeit sind die Kosten, aus einem bereits automatisierten Güterfluss den nächsten Leistungszuwachs herauszuholen.

Der Punkt ist einfach und anschaulich: Größe senkt die Grundschwierigkeit. Wiederholen sich Millionen kleiner, ähnlicher Festlegungen und lässt sich der Rahmen aufschreiben — zulässige Optionen, Zulässigkeitsprüfungen und in Geld ausgedrückte Preise —, amortisieren sich die ersten Automatisierungsschritte meist schnell. Kleine, eigenwillige Nischen verbinden dagegen geringen Ertrag mit hoher marginaler Schwierigkeit; sie sind der schlechteste Ausgangspunkt und sollten zuletzt angegangen werden, so verlockend ihre scheinbare Handhabbarkeit auch sein mag.

Nehmen wir einen Lebensmittelhändler, dessen nationales Distributionszentrum jede Nacht 800 Filialen versorgt. Die Automatisierung des Versands vom DC zu den Filialen hat einen kurzen, verständlichen Rahmen: Zulässige Schritte lauten „heute Nacht 0/1/2 Einheiten von SKU \(i\) an Filiale \(j\) schicken“; Zulässigkeitsprüfungen betreffen das Lkw-Ladevolumen, Rampenzeitfenster und Filialobergrenzen; Preise sind Fehlbestandskosten, Alterung, Hauptlauftransport und Handhabung sowie ein Schattenpreis für den Bestand im Distributionszentrum; Verteilungen betreffen den Abverkauf am nächsten Tag und das Risiko verspäteter Lkw. Ein einziges numerisches Rezept deckt dann täglich Zehntausende homogener Mikroentscheidungen ab, sodass sich ein erster Durchlauf — schrittweiser Greedy-Aufbau unter diesen Preisen, mit einem Stopp bei sinkendem Vertrauen — schnell amortisiert. Beginnt man dagegen mit einem Spezialfluss — vierteljährlichen Pop-up-Sortimenten für zwölf Flagship-Stores, verflochten mit Visual-Merchandising-Regeln, Ad-hoc-Einführungsveranstaltungen und Planogrammpolitik —, erhält man wenig Skaleneffekt und undurchsichtige Preise; der „Rahmen“ besteht überwiegend aus Zeremonie. Der große Fluss ist einfacher als die Pfütze: Größe senkt die Grundschwierigkeit, Eigenwilligkeit erhöht sie.

Ingenieure lesen Laufzeitkurven von Solvern oft falsch. Bei einem festgelegten Verfahren führt die Vergrößerung eines Modells — mehr Variablen, mehr Restriktionen — fast immer zu einem überlinearen Wachstum des CPU- und Speicherbedarfs.¹³⁶ Diese Kurve ist eine Eigenschaft der Methode, nicht des Geschäftsproblems. Die Ökonomie liefert Hebel, welche die Kurve ignoriert: den Rahmen überall dort vergröbern, wo Granularität kein Geld bewegt; Horizonte bis zur nächsten Eingriffsmöglichkeit verkürzen; fragile harte Grenzen durch bepreiste Kosten ersetzen; und dem Solver durch Warmstarts und Zerlegungen helfen, damit die gestrige Antwort die heutige Suche beschleunigt. Das Ziel ist keine algebraische Reinheit, sondern eine risikoangepasste Rendite innerhalb eines vernünftigen Rechenbudgets, Tag für Tag. In der Praxis übertrifft eine grobe, aber bepreiste Formulierung, die zuverlässig läuft, „exakte“ Modelle, die ihr Zeitlimit überschreiten — und beide schlagen die Tabellenkalkulationsbürokratie, sobald der Maßstab groß genug ist.

Daraus ergibt sich eine praktische Priorisierung. Beginnen Sie dort, wo der Rahmen kurz und verständlich ist: Optionen lassen sich ohne Heldentaten aufzählen, Zulässigkeitsprüfungen sind mechanisch statt politisch, und die Preise, welche die Zielfunktion bestimmen — Fehlbestandskosten, Veralterung, Kapitalkosten je Zeiteinheit, Optionswert des Wartens —, lassen sich benennen, Verantwortlichen zuordnen und versionieren. Bevorzugen Sie Flüsse, deren Takt der Engine Zeit zum Denken lässt (Minuten bis Stunden): Einkauf und Konsolidierung in Übersee, Versand vom DC an Filialen, Bestandsausgleich im Netzwerk, Bereitstellung reparierbarer Teile. Verschieben Sie Mikronischen, deren Wirtschaftlichkeit auf ungeklärten, impliziten Preisen beruht — hier liegen zunächst Führungsprobleme vor, erst danach technische. Lassen Sie vor allem Messungen entscheiden: Führen Sie Herausforderer im Parallelbetrieb gegen bisherige Verfahren aus, rechnen Sie Differenzen in Geldeinheiten innerhalb eines klaren Verantwortungsfensters zu und übernehmen Sie die neue Variante nur, wenn sich die Verbesserung bezahlt macht.

So gesehen ist die Frage „Wo anfangen?“ kein Geheimnis. Gehen Sie zuerst die größten Entscheidungsströme an, akzeptieren Sie angenäherte Antworten, welche die Ökonomie und den Rahmen respektieren, und lassen Sie die ohne menschliches Eingreifen laufende Engine darauf aufbauen. Kleine Probleme fühlen sich sicherer an; große sind leichter.

8.3 Entscheiden heißt optimieren

Wahlentscheidungen zu mechanisieren erfordert einen Formalismus, der einer Maschine sagt, was sie bevorzugen und wann sie aufhören soll. Die „Optimierung“, ein Zweig der angewandten Mathematik, liefert diesen Formalismus — allerdings erst, wenn er dem wirtschaftlichen und iterativen Charakter realer Entscheidungen angepasst wird. Die lehrbuchmäßige Haltung — ein Modell formulieren, es einem generischen Solver übergeben, einen nachweislich optimalen Plan abwarten — geht in der Praxis fehl. Was funktioniert, ist bescheidener und zugleich mächtiger: ein Optimierungsrahmen, der zulässige Schritte offenlegt, ihre Folgen in Geld bepreist, probabilistische Sichtweisen auf morgen aufnimmt und so konstruiert ist, dass er ohne menschliches Eingreifen immer wieder läuft, während sich die Welt verändert.

8.3.1 Das Optimierungsparadigma

Die klassische Notation der mathematischen Optimierung spricht von Variablen, Restriktionen und einer Zielfunktion (siehe Anhang). Wir behalten diesen Dreiklang bei, verschieben aber seine Bedeutung so, dass er zur Entscheidungsgrammatik passt, die weiter oben in diesem Kapitel sowie in Ökonomie und Intelligenz entwickelt wurde.

Variablen sind keine groben Gesamtmengen („die Menge für SKU X in diesem Monat“), sondern marginale Festlegungen auf der feinsten Ebene, die wirtschaftlich einen Unterschied macht. Bei manchen Problemen ist diese Ebene eine Einheit, ein Halt oder ein Kubikmeter; bei reparierbaren Umlaufteilen kann es eine bestimmte Seriennummer sein, deren Historie sie wirtschaftlich einzigartig macht. Das Denken in marginalen Festlegungen hält die Engine auf die Renditerechnung ausgerichtet: Die Frage lautet nie „Was ist der richtige Bestand?“, sondern „Ist eine weitere Einheit hier und jetzt mehr wert als in ihrer nächstbesten Verwendung?“

Restriktionen sind Zulässigkeitsprüfungen, die entscheiden, welche Optionen ausgeübt werden dürfen. Sie sollten als Code formuliert werden, der einen vorgeschlagenen Schritt prüft und ihn entweder zulässt oder mit Begründung verwirft. In der Wirklichkeit der Supply Chain sind nur sehr wenige Grenzen wirklich absolut: Fast jeder Engpass lässt sich gegen einen Preis oder eine Verzögerung lockern. Es ist daher klug, viele „Restriktionen“ als bepreiste Kosten in die Zielfunktion zu verschieben und nur jene wenigen beizubehalten, die physikalische Unmöglichkeiten oder gesetzliche Verbote abbilden. So werden verschiedenartige Reibungsverluste — Rampenüberlastung, Überstunden der Mannschaft, Regalumbauten — in derselben Geldrechnung vergleichbar, und die Engine kann unter Unsicherheit den am wenigsten schlechten Kompromiss finden.

Die Zielfunktion ist eine in Geld ausgedrückte Bewertung, die dem Ziel des Unternehmens entspricht: die erwartete, risikoangepasste Rendite zu maximieren. Sie ist kein als Ökonomie verkleidetes Prozentziel. Eine nützliche Zielfunktion muss ihre angenommenen Preise explizit machen: Fehlbestandskosten, Veralterung, Kapitalkosten je Zeiteinheit, Verspätungsgebühren, Verlust an Wohlwollen, Optionswert des Wartens. Verborgene Preise erzeugen Politik; offene Preise erzeugen Leistung.

Prognosen gehen als vollwertige Eingaben ein. Weil Ergebnisse von Zukünften abhängen, die zum Teil nicht erkennbar sind, bewertet die Engine Pläne nicht anhand eines einzigen geratenen Verlaufs, sondern anhand von Verteilungen — über Nachfrage, Lieferzeiten, Rücksendungen, Zuverlässigkeit und manchmal Preise. Die Zielfunktion bleibt eine deterministische Funktion ihrer Eingaben; der Zufall steckt in den Prognoseobjekten, die sie speisen. Diese Trennung hält Kausalität verständlich und Verantwortung zuordenbar, wenn eine Wette enttäuscht: War der Rahmen eng, die Bewertung verfehlt oder die Prognose schlecht kalibriert? Der aufwendige probabilistische Apparat wird im nächsten Abschnitt entwickelt; hier genügt es, darauf zu bestehen, dass eine Entscheidungs-Engine von Anfang an für Verteilungen statt für Punkte gebaut werden muss.

Zum Schluss ein Wort zur Formulierung. Die Doktrin der Jahrhundertmitte versuchte, Problemstellung und Lösung zu trennen — eine „deklarative“ Datei für das Problem, ein Blackbox-Solver für den Rest¹³⁷. Diese Trennung schmeichelt der Eleganz; sie behindert die Praxis. Eine täglich laufende Entscheidungs-Engine profitiert davon, dass ihr Modell der Methode hilft: Variablenreihenfolgen, welche die Ökonomie widerspiegeln; Warmstarts aus der gestrigen Lösung; Zerlegungen entlang von Geografie oder Lebenszyklen; Caches, die aufwendige Teilberechnungen behalten; Zulässigkeitsprüfungen, die frühzeitig abbrechen. Das ist keine Unreinheit, sondern Hardwaregespür im Zusammenspiel zwischen Problem und Maschine.

8.3.2 Über Optimalität

Innerhalb eines festen Rahmens — endliche Ressourcen, explizite zulässige Schritte, benannte Preise — gibt es eine beste Allokation. Das ist wichtig: „Gut genug“ bedeutet keine Aufgabe der Strenge, sondern die Anerkennung, dass die Ökonomie und nicht die Algebra entscheidet, wann eine Suche aufhören sollte.

Daraus folgen zwei Lehren. Erstens weisen Supply-Chain-Probleme bei den meisten Hebeln abnehmende Erträge auf. Zusätzlicher Bestand verbessert den Service, bis er es nicht mehr tut; zusätzliche Beschleunigungsmaßnahmen dämpfen Verspätungen, bis sie es nicht mehr tun; ein breiteres Sortiment erhöht die Reichweite, bis es die Aufmerksamkeit verstopft. Diese Krümmung ist eine gute Nachricht: Sie verwandelt unsere diskrete Suche in etwas, das Pseudogradienten zulässt. Greedy-Schritte, lokale Verbesserungen, Austausch innerhalb von Nachbarschaften und Entscheidungsregeln mit kurzem Vorausblick führen — von passenden Preisen geleitet und mit probabilistischen Eingaben gespeist — schnell nach oben. Diese Probleme sind nicht kryptografisch; das Umlegen eines Bits macht Zulässiges nicht unmöglich und lässt den Wert nicht auf null zusammenbrechen.¹³⁸. Algorithmen, die ausschließlich abstrakte Räume aufteilen und lineare Relaxationen verschärfen, arbeiten sich meist an der falschen Geometrie ab; wirtschaftliche Restriktionen sind selten früh genug eng genug, damit sich das Beschneiden von Halbräumen lohnt.

Zweitens gilt „das Optimum“ nur unter bestimmten Voraussetzungen. Ändern Sie den Rahmen, und der Gipfel verschiebt sich. Fügen Sie einen Abverkaufskanal hinzu; erlauben Sie an Abfahrtstermine gekoppelte Preisanpassungen; erweitern Sie, was gemeinsam geladen werden darf; lassen Sie späte Festlegungen zwischen nahezu austauschbaren Artikeln zu: Das gestrige Ideal wird zum heutigen lokalen Hügel. Das ist kein Versagen der Optimierung; es ist ihr Zweck. In Kuhns Begriffen findet gewöhnlicher Fortschritt innerhalb eines Paradigmas statt; sprunghafte Veränderungen entstehen durch einen Wechsel des Paradigmas.¹³⁹ Eine lebendige Entscheidungs-Engine muss deshalb für experimentelle Optimierung gebaut sein: Herausforderer im Parallelbetrieb gegen bisherige Verfahren laufen lassen, sie nur übernehmen, wenn gemessene Differenzen es rechtfertigen, und andernfalls kostengünstig zurückkehren. Die Besessenheit von Zertifikaten globaler Optimalität in Spielzeugwelten endet hier; die Währung ist die in den Büchern des Unternehmens gemessene Verbesserung.

8.3.3 Der Solver im Inneren

Ein Solver ist die Softwarekomponente, die anhand eines Rahmens, von Prognosen und Preisen den zulässigen Raum durchsucht und Festlegungen vorschlägt. Er ist das Herz der Engine, aber nicht die Engine selbst. Um ihn herum liegen die unverzichtbaren Organe: semantische Adapter zum Lesen maßgeblicher Aufzeichnungen; probabilistische Module zum Erzeugen von Verteilungen; Bewertungsverzeichnisse, die Preise und Verantwortliche offenlegen; Abbruchheuristiken, die bei sinkendem Vertrauen die Ausgabe aussetzen; und der Übergabemechanismus, der Vorschläge zu Fakten macht und sie im nächsten Zyklus wieder einliest.

Weil die Engine unter Unsicherheit arbeitet und ihre Arbeit wiederholt, erweisen sich mehrere technische Grundhaltungen als entscheidend.

Erstens: Stochastische Steuerung schlägt deterministische Planung. Der Solver sollte zulässige Schritte nach ihrer erwarteten, risikoangepassten Rendite unter den bereitgestellten Wahrscheinlichkeitsverteilungen ordnen. Sequenzielle Abhängigkeiten — der heutige Schritt prägt die morgigen Optionen — lassen sich behandeln, indem man Entscheidungsregeln statt einzelner Handlungen optimiert, typischerweise in einer Schleife mit rollierendem Horizont, in der jeder Zyklus mit aktuelleren Informationen neu rechnet. Funktionale Prognosen — Simulatoren, die „Was würden wir tun, wenn …?“ auf Ergebnisverteilungen abbilden — sind der natürliche Partner einer solchen Suche nach Entscheidungsregeln. Die Mathematik ist unkompliziert; das Neue besteht darin, sie klein, verständlich und überprüfbar genug zu machen, um täglich zu laufen.

Zweitens: Kosten zähmen nicht durchsetzbare Grenzen. In einer stochastischen Welt ist „X niemals überschreiten“ entweder unmöglich oder ruinös. Die Bepreisung von Überschreitungen bringt Grenzen unter ein Dach und richtet sie auf das Geldziel aus. Die Sprache wahrscheinlichkeitsbeschränkter Nebenbedingungen kann für die Diskussion nützlich sein; die Arbeit leisten die Preise. Auf nicht durchsetzbare Grenzen — und das Verhältnis zwischen wahrscheinlichkeitsbeschränkten Nebenbedingungen und bepreisten Kosten — kommen wir im Folgenden zurück.

Drittens: Für wiederholtes Lösen entwerfen. Die meisten Supply-Chain-Entscheidungen sind keine einmaligen Probleme des industriellen Entwurfs (etwa die Standortwahl für Lager oder die Festlegung von Transportverbindungen), sondern kleine, stochastische Allokationen, die morgen unter leicht veränderten Tatsachen erneut getroffen werden. Ein Solver, der hier erfolgreich sein soll, muss Verteilungen aufnehmen, Optionen in Geldeinheiten bepreisen und sich kostengünstig anhalten und erneut ausführen lassen. Das Ergebnis ist kein monolithischer Plan mit Zertifikat, sondern ein stetiger Strom besserer Wetten auf einer gemeinsamen Rechnungsgrundlage. Diese Haltung widerspricht der vorherrschenden OR-Haltung — einmalige globale Modelle mit statischen Restriktionen —, weshalb nur eine Handvoll Unternehmen Solver im täglichen Betrieb einsetzen.

Viertens: Vertrauen durch Beobachtbarkeit ermöglichen. Jede ausgegebene Entscheidung muss ein Dossier mitbringen: die berücksichtigten zulässigen Optionen, die verwendeten Preise und Verteilungen, die marginalen Differenzen, die die Wahl begründet haben, und die vor der Ausgabe bestandenen Prüfungen. Parallelbetrieb sollte der Standard sein: Das bisherige Rezept führt die Feder, während ein Herausforderer Schattenentscheidungen schreibt; gemessene Unterschiede summieren sich in Geldeinheiten. Wenn etwas verdächtig wirkt — schlecht kalibrierte Verteilungsränder, eine beginnende bindende Restriktion —, anhalten. Benutzer mit „Ausnahmen“ zu überschwemmen macht sie zu unbezahlten Koprozessoren und lehrt sie, dem System zu misstrauen. Ein sauberer Stopp lädt zu den einzigen hilfreichen Eingriffen ein: Änderungen am Rahmen, an den Preisen oder an der Semantik.

Zum Schluss ein nüchternes Wort zum Werkzeugkasten, der unter dem OR-Etikett verkauft wird. Nach sieben Jahrzehnten Forschung und zwei weiteren mit immer schnellerer Hardware bleiben generische lineare und gemischt-ganzzahlige Solver im täglichen Supply-Chain-Betrieb Randerscheinungen. Sie tauchen bei einmaligen Entwurfsaufgaben auf — Standortplanung für Netzwerke, langfristigen Kapazitätsstudien — sowie in einigen eng begrenzten Nischen. Die wiederkehrenden, mit Unsicherheit beladenen Entscheidungen, die täglich Geldeinheiten bewegen, steuern sie fast nie. Das ist kein Starrsinn der Manager; Instrument und Phänomen passen nicht zusammen.

Klassische OR-Technologie setzt eine Welt voraus, in der Supply Chains nicht leben. Unsicherheit wird in Punktersatzgrößen oder „Sicherheitsterme“ mit leichten Verteilungsrändern gepresst; Ziele werden in Artefakteinheiten — Servicegraden, Genauigkeitsprozentsätzen, Auslastung — statt in Geld formuliert; und ein monolithischer Plan wird erzeugt, als sei die Ausführung ein einmaliger Plan statt einer stochastischen Regelschleife, die sich im operativen Takt wiederholt. Das Modellierungsbekenntnis, das „reine Problemstellung“ von „unreiner Methode“ trennt, verbietet dann genau jene Hinweise, welche die Praxis braucht: bepreiste Kosten für nicht durchsetzbare Grenzen, explizite Schattenpreise für gemeinsam genutzte Ressourcen, Warmstarts aus den gestrigen Festlegungen und Regeln für den Greedy-Aufbau, gesteuert durch Verantwortungsfenster. Konfrontiert mit schweren Verteilungsrändern, Sperrklinkeneffekten und Optionswerten überschreitet das globale MILP entweder sein Zeitlimit, optimiert das Falsche oder liefert einen fragilen Ablaufplan, der beim ersten Kontakt mit der Wirklichkeit zusammenbricht.

Die empirische Lösung ist einfach und unspektakulär. Behandeln Sie Solver als Unterprogramme innerhalb einer größeren, ökonomisch informierten stochastischen Suche, statt als Herrscher über die Entscheidung. Lassen Sie probabilistische Prognosen die Zukünfte liefern; lassen Sie die Zielfunktion ausschließlich in Geldeinheiten sprechen; verschieben Sie die meisten „harten“ Grenzen in bepreiste Kosten; berechnen Sie marginale Festlegungen im von der Wirklichkeit erlaubten Takt neu; halten Sie bei sinkendem Vertrauen an; lassen Sie Herausforderer parallel zu bisherigen Verfahren laufen; und betten Sie fachliche Strukturen überall dort ein, wo sie Rendite erkaufen. Klassische Grundbausteine — Zuordnung, kostenminimaler Fluss, Rucksackproblem, Tourenplanung — bleiben unschätzbar wertvoll, aber nur, wenn sie mit passenden Preisen gespeist und in eine Schleife eingefügt werden, die Unsicherheit, Wiederholung und Sperrklinkeneffekte respektiert.

So betrachtet lautet das Urteil über OR im operativen Betrieb nicht, dass die Mathematik falsch sei, sondern dass die Haltung nicht passt. Werkzeuge für stationäre Spielzeuge und einmalige Pläne können die Kombinatorik von Optionen unter Unsicherheit mit schweren Verteilungsrändern nicht bewältigen, wenn der Gewinn in diesen Rändern liegt. Rechenleistung sollte deshalb dort eingesetzt werden, wo sie Geldeinheiten erkauft: für bessere Rahmen, bessere Preise und bessere probabilistische Sichtweisen, nicht für Optimalitätszertifikate zur falschen Frage. Der nächste Abschnitt bepreist die Rechenleistung selbst.

8.3.4 Die Ökonomie des Rechnens

Optimierung hat ihren Preis. CPU-Minuten, verstrichene Stunden, Entwicklungstage — jede Ressource muss genauso gerechtfertigt werden wie jede andere: durch ihre erwartete, risikoangepasste Rendite. Der relevante Horizont ist operativ. Kommissionierroboter neu zu disponieren legt einen Millisekundentakt nahe; Einkauf in Übersee tut das nicht. Anbieter hausieren mit „Echtzeit“, als wäre Zeit an sich eine Tugend; das ist sie nicht. Der richtige Takt ist derjenige, bei dem sich eine weitere Einheit Rechenaufwand in Geldeinheiten nicht mehr bezahlt macht.

Daraus folgen zwei praktische Konsequenzen. Erstens muss man akzeptieren, dass manche Entscheidungszyklen „absichtlich langsam“ sind. Große, stochastische, hochdimensionale Suchen lassen sich nicht auf Latenzen von hundert Millisekunden drücken, ohne entweder den Rahmen auszuhöhlen oder die Zielfunktion zu trivialisieren. Amdahls Gesetz¹⁴⁰ schlägt zu, sobald die Engine breite Zusammenhänge berücksichtigen muss, um lokale Dummheit zu vermeiden. Zweitens sollte man ein geordnetes Nachlassen der Leistung vorsehen. Führen Sie einen schnellen Durchlauf aus, der mit günstigen Heuristiken und guten Preisen 80% des Werts erfasst; setzen Sie das restliche Budget dort ein, wo Schattenpreise nach Aufmerksamkeit schreien; hören Sie auf, wenn die erwartete Verbesserung je Minute unter die Kosten dieser Minute fällt. Weil die Engine ihre Arbeit wiederholt, wird der morgige Durchlauf die heutigen Reste mit aktuelleren Informationen und einem besseren Warmstart ernten.

Dieselbe Rechnung bestimmt die Modellgröße. Größere Instanzen sind in keinem metaphysischen Sinn „schwieriger“; mit einem festgelegten Verfahren sind sie lediglich teurer. Überschreitet eine Methode ein vernünftiges Budget, wechseln Sie die Methode, vergröbern Sie die Granularität, wo es die Ökonomie erlaubt, oder verkürzen Sie den Horizont. Die gemessene Verbesserung entscheidet, nicht ästhetische Reinheit.

Zusammengefasst ist Optimierung die Sprache, in der eine Entscheidungs-Engine Präferenzen unter Unsicherheit ausdrückt. Wird sie um marginale Festlegungen, Preise und zulässige Schritte neu gefasst, für Wiederholung, Anhalten und Prüfung instrumentiert und mit Gespür für Hardware wie Ökonomie konstruiert, wird sie zu dem, was das Automatisierungsprogramm braucht: kein Orakel, das einen Plan diktiert, sondern ein unermüdlicher Sachbearbeiter der Absichten des Unternehmens, der fortwährend die nächste beste Wette vorschlägt und sie — leserlich — in das Verzeichnis einträgt.

8.4 Entscheiden unter Unsicherheit

Entscheidungen sind bepreiste Wetten auf Zukünfte, die wir nicht kontrollieren. Weiter oben in diesem Kapitel haben wir die Haltung übernommen, die solche Wetten berechenbar macht: Die Zielfunktion ist deterministisch und in Geld ausgedrückt, während Unsicherheit über probabilistische Prognosen eingeht — Verteilungen der relevanten Sachverhalte (Nachfrage, Lieferzeiten, Zuverlässigkeit, Rücksendungen, manchmal Preise). Wir vergraben den Zufall nicht in der Zielfunktion; wir speisen die Engine mit Verteilungen und lassen sie zulässige Festlegungen nach ihrer erwarteten, risikoangepassten Rendite ordnen.

Diese Haltung weicht von der teleologischen Weltsicht ab (Kapitel Die Zukunft), die Unsicherheit als Mangel behandelt, der durch bessere Punktprognosen technisch beseitigt werden soll. Schon kleine Fehler in solchen Punktschätzungen können unstetige Folgen haben: Eine Turbine, die wegen einer einzigen fehlenden Leitschaufel stillsteht, ist weit weniger wert als „99,98% einer Turbine“, und ein um 1% günstigerer Wettbewerber kann 100% Ihres Absatzes auslöschen. In Supply Chains liegen Gewinn und Verlust in den Verteilungsrändern. Methoden, die gegen einen einzigen geratenen Verlauf optimieren, erzeugen deshalb Zuversicht anstelle von Robustheit.

Nichts davon hängt am Wortschatz. Das Problem „stochastische Optimierung“ zu nennen, erkennt lediglich an, dass Zukünfte durch Verteilungen dargestellt werden und die Bewertung im Erwartungswert erfolgt (und, wo gerechtfertigt, mit expliziten Risikoanpassungen). In der Praxis kommt es darauf an, wo Unsicherheit mitgeführt und wie sie bepreist wird. Wie oben begründet, gehört sie in die Prognosen, die in die Zielfunktion eingehen, nicht in die Zielfunktion selbst; und die richtigen Preise sind die unternehmenseigenen, in Geldeinheiten ausgedrückten Kosten und Erträge — Fehlbestandskosten, Veralterung, Kapitalkosten je Zeiteinheit, Überlastung, Verspätungsgebühren, Optionswert des Wartens.

Man könnte versucht sein zu folgern, dass der „deterministische“ und der „stochastische“ Fall nach der Bildung von Erwartungswerten auf dieselbe Mathematik zusammenfallen. In der Praxis tun sie das nicht. Deterministische Rezepte fördern fragile Pläne, ignorieren schwere Verteilungsränder und verstecken Abwägungen hinter Artefakt-KPIs; eine für Verteilungen entworfene Engine muss dagegen Verteilungsränder bepreisen, Bewertungen offenlegen, bei sinkendem Vertrauen anhalten und im von der Wirklichkeit erlaubten Takt erneut laufen. Dieser Unterschied in der Haltung — kein Wechsel der Symbole — bestimmt die Ergebnisse.

Auf dieser Grundlage wendet sich der Rest des Abschnitts den operativen Folgen des Entscheidens unter Unsicherheit zu. Zunächst untersuchen wir, wie punktbasierte Methoden systematisch fragile Entscheidungen hervorbringen: Entscheidungen, die auf dem Papier schlank aussehen und anschließend finanziell ausbluten, wenn die Welt vom Median abweicht. Danach behandeln wir nicht durchsetzbare Restriktionen, denen man mit Preisen oder explizit begrenzten Risiken begegnen muss statt mit Erlassen; wir bepreisen Lernen über die Abwägung zwischen Exploration und Exploitation; und wir begründen die Finanzierung von Optionen, die heute unrentabel sind, aber gegen die morgigen Verhältnisse absichern. Jedes Thema verwendet dieselbe Grammatik: zulässige Schritte, probabilistische Sichtweisen und eine einzige Geldrechnung.

8.4.1 Fragile Entscheidungen

In diesem Buch ist eine Entscheidung fragil, wenn eine kleine Abweichung vom angenommenen „typischen Fall“ einen unverhältnismäßigen Rückgang ihrer risikoangepassten Rendite verursacht. Operativ zeigt sich Fragilität sowohl in einer höheren Varianz realisierter Renditen als auch — sobald schwere Verteilungsränder und Sperrklinkeneffekte richtig bepreist sind — in einem niedrigeren Erwartungswert als bei konkurrierenden Schritten, die Optionen offenhalten. Bei Fragilität geht es nicht um Katastrophen, sondern um die alltäglichen Überraschungen, die jeden Fluss heimsuchen: ein Lieferant, der zu wenig liefert, ein Lkw, der ein Zeitfenster verpasst, eine Filiale, die einen Tag schließt, ein Beitrag, der viral geht und ein Regal leert. Jedes Ereignis überrascht lokal; in der Gesamtheit tun sie es nicht.

Fragilität wird weitgehend durch Entscheidungsregeln erzeugt. Die teleologische Haltung — eine verordnete Zukunft, ein Plan zu ihrer Umsetzung und Leistungskennzahlen, welche die Einhaltung überwachen — bringt Entscheidungen hervor, die auf dem Papier wunderbar schlank aussehen und finanziell ausbluten, sobald die Welt auch nur einen kleinen Umweg nimmt. Punktprognosen pressen Zukünfte in einen einzigen Verlauf; „harte“ Grenzen werden als Erlasse behandelt; die Auslastung wird bis zur Sättigung getrieben; Puffer werden mit Formeln gerechtfertigt, für deren verborgene Preise niemand verantwortlich ist. Solche Verfahren sind Variabilität nicht bloß ausgesetzt; sie erhöhen deren Kosten, indem sie genau jene Optionen beseitigen, denen Variabilität Wert verleiht. Präziser ist es deshalb, von fragilen Entscheidungsregeln zu sprechen — Regeln, die systematisch fragile Entscheidungen erzeugen.

Zwei strukturelle Merkmale machen diese Regeln brüchig. Erstens sind die meisten Erträge in der Supply Chain asymmetrisch: Die Verlustseite liegt in den Verteilungsrändern, während das Gewinnpotenzial begrenzt ist. Eine fehlende Komponente kann ein Millionen teures Flugzeug am Boden halten; ein um 1% höherer Preis als beim Wettbewerber kann den Verkauf vollständig zunichtemachen. Ersatzmodelle mit leichten Verteilungsrändern und Planung für den Medianfall verbergen diese Abgründe und bewerten damit die Option, ihnen auszuweichen, zu niedrig. Zweitens beseitigen operative Sperrklinkeneffekte Alternativen. Eine verfrühte Filialallokation, die unter einer Basisprognose harmlos aussah, verhindert, morgen eine bessere Anfrage zu bedienen; eine „Volle-Lkw“-Routine, die nach Kalender versendet, schließt die morgige Konsolidierung aus. Entscheidungen, die durch frühe Festlegung die „Effizienz“ auf dem Papier maximieren, verkaufen in der Praxis Optionen billig und kaufen Ärger teuer ein.

Der äußere Eindruck ist trügerisch. Fragile Entscheidungen wirken effizient: Lkw fahren sichtbar voll ab, Distributionszentren wirken leer, die Belegschaft wirkt schlank und die Bestände liegen sehr nahe an der Grenze. Nicht fragile Entscheidungen wirken auf den ersten Blick etwas „verschwenderisch“: Ein kleiner Teil der Kapazität bleibt verfügbar, ein Bestandspool wird im Distributionszentrum zurückgehalten, ein zweiter Lieferant bleibt erhalten, einige reparierbare Teile werden vorpositioniert. Doch sobald Verteilungsränder und Sperrklinkeneffekte in Geld bepreist sind, liefert die scheinbar konservative Haltung eine höhere erwartete, risikoangepasste aperiodische Rendite. Die Prämie, mit der man Spielraum kauft, ist eine Optionsprämie; sie zahlt sich aus, wann immer die Welt den Median verfehlt — was sie zuverlässig tut.

Ein alltägliches Beispiel verdeutlicht den Punkt. Betrachten wir die Linienwartung eines Verkehrsflugzeugs bei knapper Bodenzeit. Der Arbeitsumfang ist ungewiss, bis die ersten Verkleidungen geöffnet werden; eine einzige fehlende Leitschaufel kann das Flugzeug lahmlegen und eine Kaskade verpasster Anschlüsse auslösen. Eine deterministische Routine, die ein auf den „Durchschnittsauftrag“ bemessenes Teilekit bereitstellt, wirkt ex ante schlank und scheitert teuer, sobald der Bedarf an einigen Teilen sprunghaft steigt. Eine pragmatische Routine beginnt mit Verteilungen für den unsicheren Arbeitsumfang und die Zeiten bis zur Rückkehr aus der Reparatur, versieht Terminverzögerungen mit Kosten in Geldeinheiten und bepreist jedes zusätzliche Teil als Option gegen diese Kosten. Das entstehende Kit ist nicht „minimal“, sondern profitabel. Unbenutzte Teile gehen zurück in den Bestand; ihre Lagerhaltungskosten sind gering gegenüber dem vermiedenen Verlust, wenn die Verteilungsränder zuschlagen. Dieselbe Logik gilt für jeden unwahrscheinlichen Fehlbestand mit hohen Folgekosten: Schwere Verteilungsränder dominieren, und eine Rechnung mit leichten Verteilungsrändern erzeugt Fragilität.

Ein zweites Beispiel liegt im Wareneingang. Angenommen, ein Lager hat mit zufälligen Terminabweichungen der Lieferanten und einer endlichen Zahl von Wareneingangstoren zu tun. Ein wöchentlicher, plankonformer Bestellkalender häuft gelegentlich Schiffsankünfte an und überlastet die Rampe; als Abhilfe bleibt Krisenmanagement: Aufschübe, Standgelder für Fahrer und Container¹⁴¹, Mannschaften mit Überstunden sowie außer Vertrag gezahlte Vorrangprämien für knappe Rampenzeitfenster.

Eine pragmatische Haltung behandelt Ankünfte und Rampenzeiten als Verteilungen, bepreist Überlastung durch explizite Überlastungskosten (dieselbe Ökonomie, die als Standgelder, Containergebühren, Überstunden oder Prämien für vorrangige Zeitfenster sichtbar wird) und lässt die Entscheidungs-Engine Bestellungen aufschieben oder vorziehen, bis die erwartete, risikoangepasste Rendite des nächsten Loses die Schattenkapitalkosten des Unternehmens zuzüglich des Optionswerts des Wartens übersteigt. Der Takt wird zum Ergebnis der Ökonomie statt zu einer Kalendervorgabe; die Rampe ist nicht „ständig beschäftigt“, aber es versickern keine Geldeinheiten mehr.

Weiter stromabwärts ist verfrühte Allokation eine weitere leise Quelle von Fragilität. Knappe Einheiten früh an schwache Filialen zu senden, friert sie dort ein, wo sie langsam umschlagen, und verhindert, die Gewinner zu bedienen, die sich einige Tage später zeigen. Eine pragmatische Routine versieht unter Druck stehenden Bestand im Distributionszentrum mit einem sichtbaren Schattenpreis — Geldeinheiten je Einheit und Tag, welche die Option darstellen, morgen eine bessere Anfrage zu bedienen — und gibt eine Einheit nur dann an eine Filiale frei, wenn deren Grenzrendite den Rückhaltepreis des Distributionszentrums übersteigt. Der Durchsatz steigt gewöhnlich dort, wo er am meisten zählt, obwohl mehr Einheiten etwas länger im Distributionszentrum liegen. Fragile Regeln verbessern den Anschein von „Geschäftigkeit“; robuste verbessern die Ökonomie.

Fragilität verursacht auch Arbeitskosten, die Dashboards entgehen. Fragile Regeln prallen auf die Wirklichkeit, erzeugen lange Warteschlangen von Ausnahmefällen und ziehen Planer als menschliche Koprozessoren ein. Die Organisation gewöhnt sich an ständige Beschleunigungsmaßnahmen, manuelle Umreihungen und nachträgliche Eingriffe. Dieses Krisenmanagement bindet die Aufmerksamkeit, die zum Aufbau des anstehenden Kapitalguts nötig wäre: einer kleinen, verständlichen Entscheidungs-Engine, die Rahmen, Preise und probabilistische Sichtweisen kodiert, ohne menschliches Eingreifen läuft und Verbesserungen aufeinander aufbaut. Fragile Regeln verlieren nicht nur an schlechten Tagen Geldeinheiten; sie hindern das Unternehmen auch daran, die Zeit zu investieren, die schlechte Tage seltener und billiger machen würde.

Nicht fragile Entscheidungen zu konstruieren verlangt keine Heldentaten, sondern einen Haltungswechsel. Die pragmatische Weltsicht behandelt Unsicherheit als Rohstoff des Gewinns. Praktisch bedeutet das: (i) Verteilungen — über Nachfrage, Lieferzeiten, Zuverlässigkeit, Rücksendungen und manchmal Preise — als vollwertige Eingaben zulassen; (ii) alle Reibungsverluste in Geldeinheiten ausdrücken — Fehlbestandskosten, Überlastung, Alterung, Verspätungsgebühren, Optionswert des Wartens — und unternehmensweit Verantwortung für diese Preise übernehmen; und (iii) einen stochastischen Optimierer marginale Festlegungen nach ihrer erwarteten, risikoangepassten aperiodischen Rendite ordnen lassen. Kleine, bepreiste Spielräume ergeben sich von selbst: etwas gebündelter Bestand im Distributionszentrum, einige erhaltene Transportalternativen, bemessene Reserven bei kritischen Ressourcen, eine maßvolle Überausstattung von Kits, wo extreme Ereignisse hohe Kosten verursachen. Das sind keine Talismane gegen Pech, sondern Optionen, die gekauft werden, weil ihr erwarteter Ertrag die Prämie übersteigt.

Ein einfacher Test macht Fragilität in der Praxis sichtbar. Bricht eine Empfehlung unter kleinen, realistischen Veränderungen der Eingaben zusammen, stützt sie sich auf Kalenderrituale statt auf bepreiste Takte, drückt sie „Exzellenz“ in Artefakten — Genauigkeitsprozentsätzen, Servicezielen, Auslastungswerten — statt in Geldeinheiten aus und verlangt sie ständig menschliche „Ausnahmen“, um erträglich zu bleiben, dann ist sie fragil. Kann eine Routine dagegen ihren Rahmen erklären, ihre Verteilungen zeigen, ihre Preise benennen, ihre Schwelle zwischen Handeln und Warten verteidigen und Dossiers erzeugen, die dem Kontakt mit realisierten Ergebnissen standhalten, ist sie wahrscheinlich robust — selbst wenn sie dem ungeübten Auge etwas „verschwenderisch“ erscheint.

Sobald Unsicherheit anerkannt wird, ist ein letzter Bestandteil unvermeidlich: Viele Grenzen lassen sich nicht bei jedem Würfelergebnis garantieren. Rampenzeitfenster, Fahrerdienstpläne, Kommissionierplätze und Batterieladezyklen werden gelegentlich durch unglückliche Zufälle belastet, auch wenn die Entscheidungen vernünftig sind. Die richtige Behandlung besteht nicht darin, Zufall zu leugnen, sondern ihn zu bepreisen. Der nächste Abschnitt wendet sich diesen nicht durchsetzbaren Restriktionen zu und zeigt, wie man sie mit Wahrscheinlichkeitsschranken behandelt — oder besser mit expliziten Kosten in derselben Geldeinheit, die jede andere Abwägung bestimmt.

8.4.2 Nicht durchsetzbare Restriktionen

In einer stochastischen Welt sind die meisten „Restriktionen“ keine Naturgesetze, sondern mit Kosten hinterlegte Präferenzen. Sie als Erlasse zu behandeln, die bei jedem Würfelergebnis gelten müssen, erzeugt fragile Pläne und teures Krisenmanagement. Der zuvor eingeführte Rahmen legt die richtige Trennung bereits nahe. Einige wenige Grenzen sind wirklich hart — gesetzliche Verbote, physikalische Unmöglichkeiten, Sicherheitsbarrieren — und gehören in Zulässigkeitsprüfungen, die vorgeschlagene Schritte unmittelbar verwerfen. Alles andere ist weich: Es lässt sich gegen einen Preis oder eine Verzögerung verletzen und gehört daher als explizites, in Geldeinheiten ausgedrücktes Ärgernis in die Zielfunktion.

Betrachten wir beispielsweise ein Unternehmen, das Nachschubbestellungen für ein Lager aufgibt. Das Lager hat eine maximale Wareneingangskapazität. Treffen zu viele Lkw am selben Tag ein, muss das Personal einige wegschicken, damit sie später wiederkommen. Das ist teuer und störend, weil es Lkw bindet, die für spätere Lieferungen vorgesehen waren. Deshalb verteilt man Nachschubbestellungen bewusst über die Zeit, um übermäßig viele Anlieferungen an einem einzelnen Tag zu vermeiden. Lieferanten können jedoch Schwierigkeiten bekommen. Unvorhergesehene Verzögerungen können vereinzelt dazu führen, dass ursprünglich für verschiedene Termine geplante Lieferungen am selben Tag zusammentreffen. Da Lieferantenverzögerungen zufällig sind — und ihre Verteilungen oft schwere Ränder haben —, lassen sich solche Kollisionen nie ausschließen. Dafür wären unpraktikabel lange Abstände zwischen aufeinanderfolgenden Bestellungen nötig. Abstände zwischen Bestellungen verringern das Risiko, die Wareneingangskapazität zu überschreiten, können es aber nicht beseitigen.

Allgemeiner besteht bei den meisten Supply-Chain-Restriktionen auch bei sorgfältigem Umgang ein reales Risiko der Verletzung. Das Unternehmen hat definitionsgemäß keine Kontrolle über seine Kunden oder Lieferanten. Auch seine eigenen Mitarbeiter kontrolliert es nicht vollständig; sie können aus verschiedenen Gründen ausfallen. Doch obwohl Vollkommenheit nicht von dieser Welt ist, kann das Unternehmen seine Entscheidungsfindung darauf ausrichten, diese Restriktionen einzuhalten. Betrachten wir zwei Ansätze.

Wahrscheinlichkeitsbeschränkte Nebenbedingungen bieten ein weniger strenges Kriterium. Statt darauf zu bestehen, dass eine Restriktion bei allen Ergebnissen eingehalten wird, verlangen sie ihre Einhaltung mit einer Mindestwahrscheinlichkeit. Ein pragmatischer Ansatz besteht darin, ein kleines, explizit quantifiziertes Risiko eines Regelverstoßes zuzulassen — etwa die Wahrscheinlichkeit einer Rampenüberlastung unter 5% zu halten. So bleiben Verletzungen selten und kontrolliert.

Die Hauptschwäche wahrscheinlichkeitsbeschränkter Nebenbedingungen liegt jedoch darin, dass sie im Kern nicht wirtschaftlich sind — oder vielmehr darin, dass die wirtschaftliche Abwägung in einem willkürlichen, für akzeptabel gehaltenen Prozentsatz verborgen ist, einer dimensionslosen Zahl. Man kann diesen Prozentsatz zwar an die wirtschaftlichen Verhältnisse der Situation anpassen, schafft damit aber ein neues zu lösendes Problem.

Mit Kosten belegte Restriktionen sind eine einfachere Alternative: Die Restriktionen werden über Kosten in die Zielfunktion verschoben. Jeder Verstoß gilt als kostspieliges Ärgernis, und der Optimierer wägt diese Kosten gegen den erwarteten Nutzen der Entscheidung ab. Jede Verletzung verursacht hohe Kosten. Die Optimierung minimiert dann die erwarteten Gesamtkosten und begünstigt so von selbst zulässige oder nahezu zulässige Lösungen. Hinreichend hohe Kosten schrecken von Verstößen ab und lenken den Optimierer zu nahezu zulässigen Lösungen.

Mit Kosten belegte Restriktionen eignen sich für die Supply-Chain-Optimierung, weil sie operative Grenzen in derselben monetären Sprache ausdrücken, die das Modell bestimmt. Fast jeder Engpass lässt sich grundsätzlich gegen einen Preis lockern, und der Kostenterm erfasst diesen Preis explizit. Der Optimierer sucht deshalb nach Plänen, die ruinöse Ausgaben vermeiden, ohne von starren Regeln eingezwängt zu werden. Entscheidend ist: Weil jede Belastung in Geld angegeben wird, lassen sich Dutzende heterogener Grenzen nahtlos zu einer einzigen Zielfunktion addieren. Dadurch kann das Modell in hochkomplexen Umgebungen gut skalieren.

8.4.3 Exploration versus Exploitation

Entscheidungen wiederholen sich. Jeder Zyklus aktualisiert unsere Annahmen, und diese Annahmen steuern den nächsten Zyklus. Historische Daten sind daher nicht neutral; sie sind das Nebenprodukt der gestrigen Entscheidungen. Hat ein Händler einen SKU nie über 9,99 bepreist, enthalten die Aufzeichnungen keine Belege für die Nachfrage bei 10,99. Ein Solver, der nur „ausschöpft“ — also heute immer das wählt, was unter dem aktuellen Modell am besten aussieht —, friert stillschweigend die blinden Flecken des Modells ein. Die Gewinne erreichen dann ein Plateau, nicht weil die Welt ausgeschöpft wäre, sondern weil das Unternehmen nicht mehr lernt, wo höhere Renditen möglich wären.

Die pragmatische Haltung (Kapitel Die Zukunft) behandelt diese Endogenität als Entwurfsbedingung. Gelegentlich müssen wir einen Schritt wählen, der in der heutigen Rechnung etwas schlechter abschneidet, weil die dadurch erzeugte Beobachtung die morgige Rechnung um mehr verbessert als die entgangenen Geldeinheiten. Wirtschaftlich kauft das Unternehmen eine kleine Option auf Wissen. Die praktische Frage ist nicht philosophisch — ob man „Neues ausprobieren“ sollte —, sondern quantitativ: Wann übersteigt der erwartete Wert der Information die Opportunitätskosten des Experiments?

Zwei Arten von Unsicherheit sind relevant. Aleatorische Unsicherheit ist inhärenter Zufall; kein Aufwand kann sie beseitigen. Epistemische Unsicherheit ist Unwissen; sie lässt sich durch das Sammeln der richtigen Beobachtungen verringern (vgl. Kapitel Die Zukunft). Exploration ist die bewusste Verringerung epistemischer Unsicherheit, wenn ihre erwartete Dividende — bessere Entscheidungen über den relevanten Horizont — den unmittelbaren Minderertrag des Versuchs überwiegt.

Ein kleines, konkretes Beispiel verdeutlicht die Endogenität. Betrachten wir eine Sportgetränkelinie, die in hundert Filialen verkauft wird. Im Unternehmen gilt seit Langem die informelle Doktrin, „zehn Geldeinheiten“ seien der ideale Preis für Impulskäufe; die Preisdatenbank ist deshalb um 9,99 reich gefüllt und oberhalb von 10,49 nahezu leer. Das Nachfragemodell erbt diese Verzerrung und rät auf Nachfrage erneut dazu, nahe 9,99 zu bleiben. Eine pragmatische Routine wirkt dieser Trägheit entgegen, ohne die Marke aufs Spiel zu setzen. Sie bestimmt für zwei Wochen eine winzige Testgruppe — etwa acht Filialen mit typischer Besucherfrequenz —, erhöht dort den Preis auf 10,49 und schätzt die lokale Preisreaktion neu. Die Kosten sind die während des Tests gegenüber dem Status-quo-Preis geschätzten entgangenen Margen (oder abgeschreckten Kunden); die Dividende ist die Verbesserung, welche die neu ermittelte Reaktion bei Anwendung auf die übrigen zweiundneunzig Filialen ermöglicht. Übersteigt die erwartete, in Geldeinheiten ausgedrückte Dividende die Kosten des Experiments, ist der Preisversuch vernünftig — selbst wenn die acht Filialen während des Tests schlechter abschneiden.

Exploration beschränkt sich nicht auf die Preisgestaltung. Ein Einkäufer, der einem neuen Lieferanten mit ungewisser Zuverlässigkeit gegenübersteht, kann einige bewusst kleine, frühe Bestellungen aufgeben, um den Rand der Lieferzeitverteilung kennenzulernen, bevor er große Mengen bindet. Ein Netzwerkplaner kann in einer Region ein begrenztes Cross-Docking-Konzept erproben, um Überlastungskosten zu messen, statt sie anzunehmen. Ein Merchandiser kann einige Artikel mit geringem Abverkauf absichtlich ausverkaufen lassen (in sicherem Maßstab), um tatsächliche Substitutionsraten zu ermitteln, statt aus zensierten Daten zu extrapolieren. In jedem Fall bepreist die Engine den Versuch wie jeden anderen Schritt: Zulässige Optionen sind benannt, Zukünfte probabilistisch und sämtliche Folgen — Fehlbestandskosten, Alterung, Überlastung, Kapitalkosten je Zeiteinheit — in derselben Geldrechnung ausgedrückt.

Diese Abwägung ist in der Literatur als „Exploration versus Exploitation“ bekannt.¹⁴² Das klassische Banditenbild ist nützlich, solange wir die Ökonomie im Blick behalten. Das Ziel ist nicht, abstrakten „Regret-Schranken“ nachzujagen, sondern im operativen Takt zu entscheiden, ob ein marginaler Versuch dieselbe Hürde überwindet, die für jede Festlegung gilt: erwartete, risikoangepasste aperiodische Rendite. Drei Entwurfsgewohnheiten halten den Prozess verständlich und überprüfbar:

Erstens sollten Versuche klein und begrenzt bleiben. Das Verantwortungsfenster begrenzt die Zurechnung; der Umfang (Anzahl der Filialen, Transportverbindungen, SKUs) begrenzt das Verlustpotenzial. Kleinheit ist keine Zaghaftigkeit; so bepreisen wir Lernoptionen sauber und vergleichen sie mit ihren Dividenden.

Zweitens muss die Lerndividende explizit sein: die erwartete Verbesserung über den Zeitraum, in dem die revidierte Regel gelten wird, abzüglich Alterung, Preisnachlässen, Überlastung und Kapitalbelastung. Verborgene „Vorteile“ zählen als null; es zählen nur Geldeinheiten in der Rechnung.

Drittens gehört Exploration in dieselbe ohne menschliches Eingreifen laufende Engine. Ein Versuch ist kein Sonderprojekt; er ist ein weiterer zulässiger Schritt mit einem Dossier: die A-priori-Annahme, die vorgeschlagene Veränderung, das Zeitfenster, die Preise und die Regel für Übernahme oder Rücknahme, sobald Ergebnisse vorliegen. Sinkt das Vertrauen der Engine, setzen Abbruchheuristiken den Versuch genauso aus wie die gewöhnlichen Ausgaben.

Diese Haltung erklärt auch, warum die teleologische Weltsicht Exploration nicht aufnehmen kann. Unter dem Schema Prognose–Plan–Einhaltung sind Entscheidungen nur die letzte Zeile eines deterministischen Programms; Prognosen leben getrennt von Handlungen; und „Genauigkeit“ wird als von Geldeinheiten losgelöster Prozentsatz überwacht. In einer solchen Welt gibt es kein Budget für den Kauf von Information, weil das Verfahren voraussetzt, bereits zu wissen, was zählt. In der pragmatisch betrachteten Welt sind schnelle, bepreiste Versuche dagegen eine Quelle von Vorteilen: Sie verringern epistemische Unsicherheit dort, wo es sich lohnt, und lassen das Unternehmen dort zuerst handeln, wo sich eine kleine Erkenntnis vervielfacht.

Wir wenden uns nun vom Kauf von Information dem Kauf von Versicherung zu. Exploration finanziert Beobachtungen, die das Modell verändern; Optionen zu pflegen finanziert Fähigkeiten, die heute unrentabel sind, sich unter bestimmten Verhältnissen aber reichlich auszahlen würden. Die Grammatik bleibt dieselbe: zulässige Schritte, probabilistische Zukünfte, eine einzige Geldrechnung.

8.4.4 Optionen pflegen

Resilienz bedeutet, Optionen zu finanzieren, die heute unrentabel sind, bei veränderten Bedingungen aber künftige Gewinne erhalten könnten. Ob ein bestimmtes Spektrum an Optionen — angeboten von einem Lieferanten, einem Frachtführer oder einer Montagelinie — für das Unternehmen wertvoll ist, hängt tatsächlich von den herrschenden Marktbedingungen ab. Ändern sich diese, können bestimmte Optionen stark an Wert gewinnen oder verlieren. Das Unternehmen kann sich gegen solche Risiken absichern, indem es die richtigen Optionen pflegt.

Beispielsweise bezieht ein Unternehmen mit Sitz in Westonia ein Teil derzeit vielleicht von einem Lieferanten in Ruritania. Lokale Alternativen in Westonia sind gegenüber diesem Lieferanten leider nicht wettbewerbsfähig. Zudem erfüllen ihre Teile die Spezifikationen des Unternehmens nicht vollständig. Das Unternehmen ist mit seinem Lieferanten aus Ruritania vollkommen zufrieden. Doch die Regierung Westonias könnte einen massiven Zoll auf Einfuhren aus Ruritania erheben. Tatsächlich haben sich mehrere aufstrebende Politiker ausdrücklich für solche Zölle ausgesprochen. Würden sie eingeführt, würden sie die Gewinne stark schmälern, und das Unternehmen könnte nicht auf lokale Lieferanten wechseln, weil deren Teile die Spezifikationen verfehlen. Um sich gegen dieses Risiko abzusichern, wählt das Unternehmen daher einen lokalen Lieferanten aus und hilft ihm, seine Produktion so zu verbessern, dass die Teile die Spezifikationen erfüllen. Die meisten Bestellungen gehen weiterhin an den Lieferanten aus Ruritania, doch das Unternehmen pflegt die lokale Alternative, die bei Einführung des Zolls seine Gewinne retten könnte.

Optionen zu pflegen kann viele Formen annehmen. Das Unternehmen könnte ungenutzte Kapazität finanzieren — Personal, Lagerung, Produktion oder Transport. Es könnte hohe Dienstleistungsgebühren im Gegenzug für günstige Kündigungsklauseln zahlen (um die Miete oder das Leasing eines Fahrzeugs, eines Gebäudes oder einer Industrieanlage zu beenden). Es könnte die Effizienz einer Montagelinie senken, um ihre Umrüstbarkeit zu erhöhen und das Spektrum der mit ihr herstellbaren Ausführungen zu erweitern.

Der Zweck der Optionspflege besteht darin, das Unternehmen auf Bedingungen vorzubereiten, die unwahrscheinlich, aber keineswegs unmöglich sind. Anders als bei der zuvor erörterten Abwägung zwischen Exploration und Exploitation dient die Investition nicht der Entdeckung. Von Anfang an steht fest, dass die Option unwirtschaftlich ist, solange die gegenwärtigen Marktbedingungen fortbestehen. Die Investition ist eine Absicherung.

Um die Wirtschaftlichkeit zu bewerten, müssen drei Größen quantifiziert werden: (1) die Wahrscheinlichkeit des auslösenden Ereignisses, (2) die Einsparungen, welche die Option unter diesen Bedingungen erbringen würde, und (3) die Kosten ihrer Pflege. Übersteigen die wahrscheinlichkeitsgewichteten Einsparungen die Pflegekosten, ist die Absicherung profitabel.

Auch hier ergibt die Pflege von Optionen nur unter der pragmatischen Weltsicht Sinn. Die teleologische Weltsicht behandelt die Zukunft als bekannte Größe. Deshalb werden Optionen verworfen, die nicht unmittelbar wirtschaftlich tragfähig sind. Ohne eine tragende Begründung fällt es der Unternehmensleitung tatsächlich schwer, „unnötige“ Ausgaben zu rechtfertigen — insbesondere solche, die mit sehr pessimistischen Bedingungen zusammenhängen, welche den derzeit von der Führung bevorzugten Kurs hinfällig machen würden.

8.5 Sequenzielle Entscheidungen

Viele Supply-Chain-Entscheidungen sind sequenziell: Der Ertrag eines heutigen Schritts hängt von den Schritten ab, die das Unternehmen morgen wählen wird. Gegenwärtige Festlegungen beseitigen Alternativen und verändern die Optionsmenge des nächsten Zyklus — ein Sperrklinkeneffekt, der in „Asymmetrie der Zeit“ (Kapitel Die Zukunft) beschrieben wurde. Das scheinbare Paradox — „Wie kann ich jetzt optimieren, wenn die morgige Entscheidung noch offen ist?“ — ist alltäglich: Einkäufe in Übersee, die einen Container füllen müssen; Filialbelieferungen, die spätere Allokationen vorwegnehmen; Produktionslose, die Kapazität bis zum nächsten Rüstvorgang binden.

In diesem Kapitel behandeln wir solche Situationen nicht als isolierte einmalige Optimierungen, sondern als Regeln für das Handeln über die Zeit. Das saubere formale Objekt ist eine Entscheidungsregel.

Eine Entscheidungsregel zu konkretisieren bewirkt zweierlei. Erstens macht es den Rahmen sichtbar: zulässige Schritte und Zulässigkeitsprüfungen; die in Geld ausgedrückten Preise (Kosten und Erträge), die das Unternehmen zu verteidigen bereit ist; und die probabilistische Zukunftssicht, die jede Wahl informiert. Zweitens ermöglicht es eine Bewertung im geschlossenen Regelkreis über eine funktionale Prognose — einen Simulator, der antwortet: „Wenn wir dieser Regel folgen, welche Ergebnisverteilung sollten wir erwarten?“ Dieses Paar — Entscheidungsregel und funktionale Prognose — erlaubt es, vorgeschlagene Regelwerke mit demselben Maßstab zu vergleichen wie einmalige Entscheidungen: der erwarteten, risikoangepassten Rendite.

Allerdings rechtfertigt es selten die damit verbundene Undurchsichtigkeit und den Rechenaufwand, jedes sequenzielle Problem in eine vollständige Suche nach Entscheidungsregeln zu verwandeln. Der Raum möglicher Regeln ist riesig; sie nur auf der Ebene vollständiger Verläufe zu bewerten, verdeckt marginale Zurechnungen; und naiver Vorausblick wird für den täglichen Betrieb zu teuer. In der Praxis behalten wir die marginalistische Haltung bei — kleine, überprüfbare Festlegungen nach Geldeinheiten je Zeiteinheit zu ordnen — und verwenden einige disziplinierte Instrumente, die die sequenzielle Kopplung erfassen, ohne eine vollständige Entscheidungsregel zu konkretisieren.

Ein durchgängiges Beispiel macht das anschaulich. Angenommen, ein Einkäufer muss eine Bestellung in Übersee aufgeben, die nur wirtschaftlich ist, wenn sie auf einen vollen Container aufgerundet wird. Die Mischung kann viele SKUs umfassen, doch jede heute geladene Einheit muss die Nachfrage decken, bis der nächste Container desselben Lieferanten ankommt. Dessen Ankunftsdatum hängt jedoch von einer Entscheidung ab, die das Unternehmen noch nicht getroffen hat. Eine wörtlich verstandene, einmalige Optimierung kann die heutige Bestellung nicht bewerten, ohne die morgige vorauszusetzen. Eine Entscheidungsregel löst diese Abhängigkeit auf („bestellen, wenn der Schattenpreis des nächsten Containers \(S\) übersteigt; Einheiten nach Grenzrendite unter Gewichts- und Volumenrestriktionen zuteilen“), und eine funktionale Prognose projiziert unter dieser Regel die Verteilungen von Lieferzeiten, Nachfrage und Rampenkapazitäten.

Der Rest dieses Abschnitts zeigt, wie sich der Großteil dieser Kopplung mit leichteren Mitteln behandeln lässt: ein Verantwortungsfenster, das den Horizont begrenzt, über den die heutige Bestellung zur Rechenschaft gezogen wird (nächster Unterabschnitt); die Ökonomie des Wartens, die die Option des Aufschubs bepreist und eine Renditeschwelle für das Handeln setzt; Permutationsinvarianz, die den Greedy-Aufbau gebündelter Allokationen rechtfertigt — mit Einschränkungen, wo die Reihenfolge tatsächlich zählt (Tourenplanung, Werkstattplanung); und das Aufschubprinzip, das späte Festlegung bevorzugt, um künftige Optionen offenzuhalten. Nur wenn Latenz oder Maßstab es verlangen, führen wir eine explizite, parametrisierte Suche nach Entscheidungsregeln durch.

8.5.1 Verantwortungsfenster

Sequenzielle Entscheidungen erzeugen ein Zurechnungsproblem: Der heutige Schritt verändert die morgigen Optionen, und der morgige Schritt wird wiederum die heutigen Folgen korrigieren oder verstärken. Eine Engine, die täglich laufen muss, benötigt eine Regel, die jeder Festlegung Folgen zuordnet, ohne die gesamte Zukunft zu simulieren. Das praktische Instrument ist ein Verantwortungsfenster: ein begrenzter Horizont, über den die gegenwärtige Entscheidung zur Rechenschaft gezogen wird, während spätere Entscheidungen den Rest übernehmen.

Das Fenster ist kein Planungszeitintervall, sondern ein Zurechnungsprinzip. Es beantwortet zwei Fragen: Ab wann beginnen wir, Ergebnisse der heutigen Festlegung zuzurechnen, und bis wann dauert diese Verantwortung, bevor sie an die nächste Entscheidung derselben Klasse übergeht?

Bei einer Bestellung in Übersee, die einen Container füllen muss, ist der natürliche Beginn nicht der Kalendertag der Bestellerfassung, sondern der Tag, an dem die Waren nach Produktion und Transport nutzbar werden — denn erst dann kann die Entscheidung anfangen, Geldeinheiten zu verdienen oder zu verlieren. Das Ende ist der erste spätere Zeitpunkt, ab dem eine nachfolgende Bestellung vernünftigerweise die Verantwortung übernehmen kann. In der Praxis ist es eine robuste Konvention, das Fenster mit der Ankunft des übernächsten Containers aus derselben Quelle zu beenden. Der unmittelbar „nächste“ Container korrigiert oder verstärkt noch teilweise die heutige Wahl; nach dem „übernächsten“ ist die Verantwortung tatsächlich gewandert. Bei täglichem Filialnachschub reicht das Fenster dagegen typischerweise von der heutigen nächtlichen Lieferung bis zur morgigen; der Takt selbst liefert die Grenze.

Innerhalb des Fensters wird die Entscheidung in Geld bewertet, im Einklang mit dem Unternehmensziel. Während des Fensters realisierte Verkäufe (oder Verbräuche) werden gutgeschrieben; auftretende Fehlbestände werden nach expliziten, in Geldeinheiten ausgedrückten Kosten belastet, die entgangene Marge, Wohlwollen und etwaige Kaskadeneffekte auf benachbarte Artikel widerspiegeln. Bestand, der am Ende des Fensters übrig bleibt, darf nicht unter den Teppich gekehrt werden. Zwei Verfahren sind praktisch und je nach Fall dem Grundgedanken nach gleichwertig. Das erste ist eine Endbewertung: Der Restbestand wird behandelt, als würde er sofort zu seinem erwarteten Restwert liquidiert, abzüglich der erwarteten Lagerhaltungs- und Handhabungskosten bis zu dieser Liquidation. Das zweite — bei langen Verteilungsrändern oft einfacher und konservativer — besteht darin, den gesamten erwarteten Strom künftiger Lagerhaltungs- und Veralterungskosten der Entscheidung anzulasten, die den Bestand geschaffen hat. Diese „Sperrklinken“-Behandlung erkennt an, dass spätere Entscheidungen einen zu großen Einkauf nicht rückgängig machen können, ohne für Preisnachlässe, Lagerung und Abschreibungen zu bezahlen; die Belastung bleibt zu Recht beim Verursacher.

Die Grenzen des Fensters zu bestimmen ist eine probabilistische Aufgabe. Meist genügen zwei Verteilungen. Erstens legt eine Lieferzeitverteilung Wahrscheinlichkeitsmasse auf die Termine, an denen die Festlegung wirksam wird. Zweitens markiert eine Verteilung der nächsten Gelegenheit zur erneuten Entscheidung das Übergabedatum. Diese zweite Prognose ist insofern „unrein“, als sie unser eigenes künftiges Verhalten projiziert; doch auf den relevanten Bündelungsebenen — Containerabfahrten, Fabrikumrüstungen, wöchentlichen Versandzeitfenstern — wird der Takt weitgehend durch äußere Faktoren (Annahmeschlusszeiten, Schiffsfahrpläne, MOQs) bestimmt und erweist sich als stabil genug für Prognosen mit nützlicher Genauigkeit. Sind Zyklen starr — nächtliche Filialbelieferungen, Produktionsfreigaben zum Schichtende —, liefert der Kalender selbst das Ende.

Den Horizont abzuschneiden verpflichtet uns, das Dahinterliegende zu bepreisen. Die bereits erwähnten Fehlbestandskosten sind ein Beispiel: Sie stehen für den Rückgang von Wiederholungskäufen und Substitutionsdynamiken, die wir bewusst nicht über mehrere Saisons simulieren. Ähnliche Schattenbewertungen sind manchmal auch andernorts nötig. Eine Modemarke, die am Saisonende aggressiv reduziert, kann feststellen, dass hohe Rabatte Kunden das Warten beibringen; der langfristige Nachfrageschaden ist real, lässt sich über künftige, noch nicht einmal entworfene Kollektionen aber schwer modellieren. Ein kleiner Rabattmalus je Einheit — in Geldeinheiten ausgedrückt und innerhalb des Fensters angewendet — hält die Engine ehrlich, ohne den Simulator in eine mehrjährige Saga zu verwandeln. Wie immer müssen Preise explizit sein, klare Verantwortliche haben, versioniert und offengelegt werden; verborgene Kosten werden nicht neutral, sondern launenhaft.

Ein kurzes Beispiel verdeutlicht den Gedanken. Angenommen, ein Importeur bestellt heute einen vollen Container. Das Bewertungsfenster beginnt, wenn der Container abgefertigt und die Ware verfügbar ist; es endet mit der Ankunft des übernächsten Containers auf derselben Transportverbindung. Alle dazwischen erfolgten Verkäufe werden der heutigen Bestellung gutgeschrieben; alle Fehlbestände im selben Zeitraum werden entsprechend den Fehlbestandskosten belastet. Am Ende des Fensters verbleibende Einheiten erhalten eine Endbewertung — oder, beim Sperrklinkenansatz, die erwarteten künftigen Lagerhaltungs- und Preisnachlasskosten werden vollständig der heutigen Bestellung angelastet. Der nächste Container wird unter denselben Regeln in seinem eigenen Fenster bewertet; die Verantwortung wird nicht doppelt gezählt. Diese Konvention macht die täglich laufende Engine handhabbar und überprüfbar und bewahrt zugleich wirtschaftlichen Realismus dort, wo er zählt: in den Verteilungsrändern und in den irreversiblen Kosten, die spätere Entscheidungen nicht beseitigen können.

Das Verantwortungsfenster passt zur zuvor entwickelten marginalistischen Haltung. Es lässt den Solver mit probabilistischen Eingaben einen Schritt vorausdenken, Folgen sauber zurechnen und fortfahren. Seine Gültigkeit ist empirisch, nicht theoretisch: Grenzen wählen, parallel gegen bisherige Verfahren laufen lassen, Differenzen in Geldeinheiten messen und anpassen. In der Praxis bewährt sich dieses Instrument in einem breiten Spektrum sequenzieller Situationen — Einkauf in Übersee, Glättung des Lagerwareneingangs, Filialbelieferung —, weil es den Blick dort hält, wo die Ökonomie liegt: auf bepreisten Optionen und Zukünften mit schweren Verteilungsrändern, nicht auf spekulativen mehrjährigen Erzählungen.

8.5.1.1 Die Ökonomie des Wartens

Jedes sequenzielle Problem enthält eine stille Option: vorerst nichts tun. Warten erhält Optionen und lässt Informationen zusammenkommen; jetzt zu handeln fixiert eine Rendite und beseitigt Alternativen. Die Engine sollte Verzögerung explizit bepreisen und eine Schwellenregel verwenden. Handeln Sie nur, wenn die erwartete, risikoangepasste aperiodische Rendite des besten zulässigen Schritts die Schattenkapitalkosten zuzüglich des Optionswerts des Wartens übersteigt. Unterhalb dieser Hürde wird aufgeschoben.

Operativ wird daraus eine einfache, wiederholbare Disziplin. Berechnen Sie täglich oder in einem von der Wirklichkeit bestimmten Takt den besten nächsten Schritt innerhalb des aktuellen Verantwortungsfensters neu; übersteigt seine Rendite die Schwelle, führen Sie ihn aus und protokollieren die Festlegung; andernfalls warten Sie. Wurde gerade ein Container bestellt, ist der Container gleich am nächsten Tag meist unrentabel: Nachfrage hat sich noch nicht angesammelt, Konsolidierungsmöglichkeiten sind spärlich und im Wareneingang drohen Überlastungskosten. Im Laufe der Tage sammeln sich Mengen an, die gemeinsame Beladung verbessert sich und die erwartete Rendite steigt; sobald sie die Hürde überwindet, wird die Bestellung aufgegeben. Die Regel lautet nicht „wöchentliche Zyklen aus Tradition“, sondern „immer dann, wenn die Ökonomie es rechtfertigt“.

Dieselbe Logik bestimmt den nachgelagerten Versand. Betrachten wir ein Mode-DC, das einige wenige Einheiten eines überragenden Bestsellers hält. Heute eine Einheit einer schwachen Filiale zuzuteilen, kann unter einer Punktprognose harmlos wirken; morgen wird es zu einem teuren Sperrklinkeneffekt, wenn eine starke Filiale danach fragt und keine mehr übrig ist. Statt zu versuchen, die gesamte Saison vorzuschreiben, versehen Sie knappen DC-Bestand mit einem Schattenpreis: einer Opportunitätsbelastung in Geldeinheiten je Einheit und Tag, welche die Option darstellt, später eine bessere Anfrage zu bedienen. Geben Sie erst an eine Filiale frei, wenn deren Grenzrendite — berechnet unter der aktuellen probabilistischen Sicht auf Abverkauf und Fehlbestandskosten — den Schattenpreis des DC übersteigt. Weit davon entfernt, den Durchsatz zu schmälern, erhöht solche Geduld ihn tendenziell dort, wo er sich am meisten lohnt; verfrühte Allokation verringert den realisierten Durchsatz oft, weil sie Bestand dort einfriert, wo er langsam umschlagen wird.

Warten ist kein Zaudern; es ist eine bepreiste Entscheidung wie jede andere. Die Schwelle berücksichtigt sowohl die Kapitalkosten des Unternehmens als auch seine Toleranz für Extremrisiken. Sie trägt auch die zuvor besprochenen Abbruchheuristiken: Sinkt das Vertrauen der Engine (fehlkalibrierte Verteilungsränder, ungewöhnlich bindende Restriktionen), pausieren die Ausgaben, bis Rahmen, Preise oder Semantik repariert sind. So verwandeln das Verantwortungsfenster und die Ökonomie des Wartens gemeinsam viele sequenzielle Probleme in einen jeweils einen Schritt vorausblickenden Greedy-Aufbau, der auf Gewinn ausgerichtet bleibt. Der nächste Unterabschnitt zur Permutationsinvarianz zeigt, warum ein solcher Greedy-Aufbau oft funktioniert — und wo die Reihenfolge tatsächlich zählt.

8.5.2 Permutationsinvarianz

Viele Supply-Chain-Allokationen werden in Losen umgesetzt: Ein Container wird mit einer Mischung von SKUs gefüllt; eine Linie produziert eine Serie von Einheiten; ein Lkw verlässt das DC mit Ladung für mehrere Filialen. In diesen Situationen zählen wirtschaftlich die endgültige Multimenge marginaler Festlegungen im Los und die von ihr erfüllten Restriktionen (Gewicht, Volumen, Zeitfenster, Annahmeschlusszeiten) — nicht die gedachte Reihenfolge, in der die atomaren Festlegungen gewählt wurden. Hängen Zulässigkeitsprüfungen nur von Gesamtwerten ab und werden Kosten und Erträge für die Artikel im Los symmetrisch bepreist, ist die Zielfunktion — bis auf vernachlässigbare Buchführungseffekte — invariant gegenüber jeder Permutation der Mikroallokationen, aus denen das Los besteht.

Diese Beobachtung ist in Verbindung mit den zuvor eingeführten Instrumenten mächtig. Das Verantwortungsfenster begrenzt den Horizont, über den ein Los zur Rechenschaft gezogen wird; die Ökonomie des Wartens liefert eine Schwelle: Handeln Sie nur, wenn der beste zulässige Schritt die Schattenkapitalkosten zuzüglich des Optionswerts des Aufschubs übersteigt. Sind beide gegeben, lässt sich das Los nach dem Greedy-Prinzip zusammenstellen: Bei jedem Schritt werden die Schattenpreise knapper Ressourcen neu berechnet und die nächste zulässige Einheit mit der höchsten erwarteten, risikoangepassten aperiodischen Rendite gewählt; man stoppt, wenn Kapazität bindet oder die Schwelle nicht mehr erreicht wird. Da die Bewertung des Loses gegenüber Permutationen seiner Bestandteile unempfindlich ist, zielt dieser schrittweise Aufbau auf die relevante Menge (den Inhalt des Loses), nicht auf eine zeremonielle Reihenfolge ohne wirtschaftliche Berechtigung.

Zwei Einschränkungen verdeutlichen, was behauptet wird — und was nicht. Erstens ist der Endwert eines Loses zwar unabhängig von der Reihenfolge, der marginale Wert einer bestimmten Einheit aber pfadabhängig: Frühe Auswahlen treffen auf lockerere Restriktionen als späte. Genau deshalb muss der Greedy-Aufbau nach jeder Ergänzung die Schattenpreise neu berechnen; Neubepreisung behandelt die Pfadabhängigkeit, während die entstehende Menge das Ziel bleibt. Zweitens ist Permutationsinvarianz kein Beweis globaler Optimalität; sie ist die technische Begründung für eine Suche, die bei Problemen mit vorherrschenden abnehmenden Erträgen und bepreisten Kosten schnell in höhere Lagen gelangt — genau die Geometrie, die zuvor unter Über Optimalität besprochen wurde. Die Engine wiederholt ihre Arbeit im operativen Takt; der morgige Durchlauf beginnt mit besserem Warmstart und engerem Suchraum, und der Fenstermechanismus rechnet Folgen zu, ohne die gesamte Zukunft zu simulieren.

Konkrete Fälle verdeutlichen den Punkt. Beim Füllen eines Überseecontainers hängt die Zulässigkeit von Gesamtwerten (Gewicht/Volumen) und Annahmeschlussdaten ab, während Wert durch die Mischung entsteht, die sich innerhalb des Bewertungsfensters verkauft. Es ist vernünftig, Einheiten — möglicherweise über viele SKUs hinweg — in absteigender Reihenfolge ihrer Grenzrendite hinzuzufügen, immer dann zu pausieren, wenn die Ökonomie des Wartens „noch nicht“ sagt, und fortzufahren, wenn sich Nachfrage und Möglichkeiten gemeinsamer Beladung ansammeln. Beim Versand vom DC an Filialen trägt der DC-Bestand einen Schattenpreis, der die Option widerspiegelt, morgen eine bessere Anfrage zu bedienen (vgl. Die Ökonomie des Wartens). Eine Filiale erhält eine Einheit nur, wenn ihre Grenzrendite diesen DC-Schattenpreis übersteigt; innerhalb einer Abfahrtswelle werden dann nach dem Greedy-Prinzip Einheiten ergänzt, bis die bepreisten Kosten und Kapazitäten des Lkw zum Aufhören raten. Das Ergebnis ist oft ein höherer realisierter Durchsatz dort, wo er am meisten zählt. Verfrühte Allokationen frieren Bestand an ertragsschwachen Standorten ein — eine Geschäftigkeit, die den Durchsatz drückt, sobald die Saison echte Gewinner offenbart.

Permutationsinvarianz hilft außerdem, Modelle klein und überprüfbar zu halten. Losrestriktionen — MOQs, Anreize für volle Lkw, Rampenüberlastung — werden besser als Zulässigkeitsprüfungen und bepreiste Kosten über die versandte Menge ausgedrückt als durch Verfahrensregeln, die eine Auswahlreihenfolge vorschreiben. Erstere liefern klare Preise und saubere Stopps; Letztere erzeugen Artefakte und Ausnahmebehandlung. Da der Wert des Loses nicht von einer zeremoniellen Reihenfolge abhängt, kann der Solver frei die nächste beste marginale Festlegung vorschlagen, ihr Dossier protokollieren und dies wiederholen, bis die Schwelle greift.

8.5.2.1 Reihenfolgeabhängige Allokationen

Nicht alle sequenziellen Probleme erlauben Permutationsinvarianz. Manche Klassen sind ihrem Wesen nach reihenfolgeabhängig: die Route eines Fahrzeugs, die Auftragsfolge in einer Werkstatt mit Rüstzeiten und knappen Qualifikationen, der Weg eines Kommissionierers durch ein automatisches Lager. Dort hängen die zurückgelegte Strecke, Warteschlangen und Blockaden oder Rüstverluste unmittelbar von der Reihenfolge der Aufgaben ab. Zwei Halte in einer Milk-Run-Tour zu vertauschen kann eine zusätzliche Fahrstunde verursachen; zwei Schritte in einem MRO-Arbeitsumfang zu vertauschen kann die Durchlaufzeit um einen Tag verlängern. In solchen Fällen ist die Reihenfolge wirtschaftlich real, und das Modell muss das ausdrücken.

Die Methodik bleibt jedoch mit diesem Kapitel konsistent. Wir halten den Rahmen explizit (zulässige Schritte und Zulässigkeitsprüfungen), die Ökonomie offen (bepreiste Kosten für Verspätung, Überstunden, verpasste Zeitfenster und Alterung) und nehmen probabilistische Sichtweisen auf Nachfrage, Fahrzeiten, Reparaturdauern und Zuverlässigkeit auf. Die Aufgabe des Solvers besteht dann darin, eine Reihenfolge vorzuschlagen, nicht bloß eine Menge. Verantwortungsfenster begrenzen weiterhin die Zurechnung — Schichtende, Tagesende, Rückkehr zum Depot —, und bepreiste Kosten bringen nicht durchsetzbare Grenzen in die Zielfunktion. Der Grundsatz bleibt: Reihenfolge nur dort explizit machen, wo sie Geld verändert; andernorts als Artefakt behandeln und den Greedy-Aufbau durch Permutationsinvarianz rechtfertigen lassen.

Zusammengenommen begünstigen Permutationsinvarianz und die Ökonomie des Wartens eine späte Festlegung. Hängt die Bewertung eines Loses von seinem Inhalt ab, nicht aber von der Zeremonie seiner Auswahl, ist es klug, Festlegungen aufzuschieben, bis die Grenzrenditen die Schwelle übersteigen, und das Los dann per Greedy-Aufbau schnell zusammenzustellen. Der nächste Abschnitt, das Aufschubprinzip, formalisiert diese Haltung und zeigt, wie sich Flüsse so gestalten lassen, dass verbindliche Entscheidungen so spät wie praktikabel getroffen werden. Dadurch bleiben Optionen erhalten und Renditen unter Unsicherheit steigen.

8.5.3 Das Aufschubprinzip

Permutationsinvarianz und die Ökonomie des Wartens weisen auf eine allgemeine Regel für sequenzielles Arbeiten hin: spät festlegen. Das Unternehmen gewinnt seinen Vorteil, indem es irreversible Entscheidungen aufschiebt, bis Informationen eintreffen, die die Rangfolge der Optionen wesentlich verändern, und zugleich einen angemessenen Preis für die Verzögerung ansetzt. Unter der teleologischen Weltsicht (Kapitel Die Zukunft) ist Aufschub ein Ärgernis, das die Planeinhaltung erschwert. Unter der pragmatischen Weltsicht ist Aufschub eine bepreiste Option: Er erhält Alternativen und wird nur ausgeübt, wenn seine erwartete, risikoangepasste Rendite die relevante Hürde überwindet.

Aufschub — auch späte Festlegung genannt — bedeutet, den Fluss so zu gestalten, dass verbindliche Entscheidungen nicht früher getroffen werden, als es die Ökonomie rechtfertigt. Halten Sie Güter, Kapazitäten und Festlegungen in allgemeinen, neu zuordenbaren Zuständen, bis die erwartete risikoangepasste aperiodische Rendite der Festlegung (i) die Schattenkapitalkosten, (ii) den Optionswert des Wartens und (iii) die Aufschubprämie übersteigt — die zusätzlichen Kosten, die gezahlt werden, um Optionen offenzuhalten.

Die Prämie ist greifbar: Halbfertigbestände halten, die später spezialisiert werden können; Bereitschaftsvergütungen für alternative Lieferanten zahlen; Färberei- oder Kit-Zusammenstellungskapazität reservieren; zusätzliche Handhabung bezahlen, um Bestand im Distributionszentrum gebündelt zu halten; und in anspruchsvollere Orchestrierung investieren. Aufschub ist keine „kostenlose Flexibilität“; er ist eine Wette darauf, dass der Wert von Information und Optionalität die Prämie und etwaige Alterungsrisiken innerhalb des Verantwortungsfensters mehr als aufwiegt. Richtig angewendet verkürzt Aufschub tendenziell die Halbwertszeit von Entscheidungen (siehe Den Kurs ändern weiter unten), indem er Festlegungen näher an den Zeitpunkt rückt, an dem sie sich auszuzahlen beginnen, und teure Fehlallokationen verringert, die sonst fortbestehen würden.

Späte Festlegung nimmt mehrere wiederkehrende Formen an, die alle demselben wirtschaftlichen Test unterliegen.

Aufschub der Ausgestaltung. Ein Modeimporteur kann sich früh auf Rohgewebe und Zutaten festlegen (günstige, allgemein verwendbare Vorprodukte) und die teuren Spezialisierungen — Färbung, Waschung, Etikettierung, Größenmix, geografische Aufteilung — aufschieben, bis frühe Abverkäufe zeigen, welche Artikel und Farben schwere Verteilungsränder aufweisen. Die zulässigen Optionen werden explizit: jetzt fertigstellen und breit versenden oder einige Wochen warten und das fertigstellen, was die Gewinner tatsächlich aufnehmen werden. Die Entscheidungs-Engine bepreist den Restwert der Nachzügler, die Fehlbestandskosten der Gewinner, die Spezialisierungskosten und die Prämie für die Bereithaltung der Färberei; sie legt sich dann nur fest, wenn die erwartete aperiodische Rendite die Schwelle übersteigt.

Aufschub der Allokation. Knappe Einheiten zu früh an Filialen zu versenden friert sie dort ein, wo sie langsam umschlagen. Sie mit einem sichtbaren Schattenpreis (Geldeinheiten je Einheit und Tag) im DC zu halten, bewahrt die Option, morgen eine bessere Anfrage zu bedienen. Eine Filiale erhält eine Einheit nur dann, wenn ihre Grenzrendite — berechnet unter der aktuellen probabilistischen Sicht auf Abverkauf und Fehlbestandskosten — den Rückhaltepreis des DC übersteigt (siehe Die Ökonomie des Wartens). Der Durchsatz steigt typischerweise dort, wo er am meisten zählt, weil Gewinner zuerst versorgt werden und Nachzügler nicht horten.

Aufschub der Fertigstellung oder Kit-Zusammenstellung. Varianten früh zu färben, zu Kits zusammenzustellen, zu verpacken oder regional anzupassen legt das Unternehmen auf eine noch unbekannte Nachfrageaufteilung fest. Unfertige Erzeugnisse allgemein verwendbar zu halten und spät fertigzustellen lässt Bestellungen den Mix offenbaren. Die Prämie besteht in zusätzlicher Handhabung und der Bereitschaftsvergütung für Kapazität im Fertigstellungsschritt; der Nutzen sind weniger Abschreibungen auf die falschen Varianten und eine kürzere Entscheidungshalbwertszeit, weil Bestand erst spezialisiert wird, wenn ein Abnehmer vorhanden ist.

Zeitlicher Aufschub. Auf eingehenden Transportverbindungen fällt ein Container, der bestellt wird, „weil Dienstag ist“, meist durch den wirtschaftlichen Test. Mit den Tagen sammeln sich Mengen an, die gemeinsame Beladung verbessert sich und die Überlastungskosten im Wareneingang verändern sich. Rechnen Sie täglich neu; geben Sie die Bestellung an dem Tag aus, an dem das beste zulässige Los die durch Schattenkapitalkosten, Optionswert des Wartens und Aufschubprämie definierte Schwelle übersteigt. Der Takt wird zum Ergebnis der Ökonomie, nicht des Kalenders.

Aufschub von Preisentscheidungen. Preise prägen Nachfrage; Preisnachlässe oder Aktionen aufzuschieben, bis sich Unsicherheit verringert hat, kann einem vorgegebenen Preispfad überlegen sein. Funktionale Prognosen (Kapitel Die Zukunft) machen die Preisregel explizit und lassen die Engine „jetzt reduzieren“ mit „noch eine Woche warten“ auf derselben Geldgrundlage vergleichen. Die Prämie ist hier das Risiko, auf gealtertem Bestand sitzen zu bleiben, wenn sich das Fenster schließt; der Nutzen besteht darin, mehr aus den Gewinnern zu holen, ohne Kunden das Warten beizubringen.

Operativ ist Aufschub die Kunst, Festlegungen in Entscheidungen zu entbündeln, die sich spät verbindlich treffen lassen. Zerlegen Sie den Monolithen („alle Artikel, Mengen, Ziele und Termine neun Monate im Voraus entschieden“) in gestufte Mikroentscheidungen, die zur Physik des Flusses passen. Legen Sie sich früh auf Vorprodukte mit geringem Informationsbedarf und langen Vorlaufzeiten fest; verschieben Sie Spezialisierungen mit hohem Informationsbedarf und kurzen Vorlaufzeiten; halten Sie Bestand gebündelt, bis sich seine Zuweisung lohnt; und vereinbaren Sie flexible Mengen sowie späte Spezifikationen, wo die Prämie tragbar ist. Manager „vereinfachen“ sequenzielle Probleme oft, indem sie sie versteifen — Sortimente einfrieren, Umverteilungen während der Saison verbieten, Preispfade festschreiben —, nicht weil die Physik es verlangt, sondern weil von Menschen betreute Abläufe nicht damit zurechtkommen. Bei Intelligenzsystemen ohne menschliches Eingreifen sollte der Engpass in Atomen und Stunden liegen, nicht im Entscheidungsapparat; späte Festlegung wird dann nicht nur machbar, sondern zur Routine.

Wie jede Heuristik hat das Aufschubprinzip Grenzen seines Geltungsbereichs. Wo Reihenfolge von Natur aus Folgen hat — Fahrzeugrouten, Werkstattreihenfolgen, Kommissionierwege —, ist die frühe Festlegung das Problem, und die Reihenfolge muss optimiert statt aufgeschoben werden. Regulatorische Vorabgenehmigungen, knappe Umrüstqualifikationen oder verderbliche Güter können ebenfalls harte Grenzen setzen, jenseits derer Warten sich nicht mehr lohnt. Die Abhilfe besteht nicht darin, auf Aufschub zu verzichten, sondern die Grenze später Festlegung so weit stromaufwärts zu verschieben, wie Wirtschaftlichkeit und Zulässigkeit es erlauben, und den Rest in der Zielfunktion explizit zu bepreisen: Kosten für Verspätung, Alterung, Überstunden oder verpasste Zeitfenster.

In der Praxis ist die Regel einfach und wiederholbar. Berechnen Sie in dem von der Wirklichkeit vorgegebenen Takt den besten zulässigen Festlegungsschritt innerhalb des aktuellen Verantwortungsfensters neu. Legen Sie sich nur fest, wenn seine erwartete, risikoangepasste aperiodische Rendite die Summe aus Schattenkapitalkosten, Optionswert des Wartens und Aufschubprämie übersteigt. Andernfalls warten Sie. Wo sich späte Festlegung technisch nicht ermöglichen lässt oder Latenzen im Bereich einiger zehn Millisekunden bleiben müssen, sind vorberechnete, parametrisierte Regeln angebracht — das Thema des nächsten Unterabschnitts, der Suche nach Entscheidungsregeln.

8.5.4 Suche nach Entscheidungsregeln

Die vorigen Seiten behandelten sequenzielle Entscheidungen, ohne eine „Entscheidungsregel“ zu konkretisieren. Ein Verantwortungsfenster begrenzte die Zurechnung; die Ökonomie des Wartens bepreiste Untätigkeit; Permutationsinvarianz rechtfertigte den Greedy-Aufbau; späte Festlegung erhielt Optionen. Bei vielen Flüssen genügt das und ist überlegen: Es hält die Granularität marginal, die Preise explizit und die Überlegungen verständlich. Doch es gibt Fälle, in denen wir Berechnung in eine Regel verdichten müssen, die sich im Millisekundentakt anwenden lässt, oder in denen die Physik des Problems die Reihenfolge wesentlich statt zeremoniell macht. In solchen Fällen geben wir die ökonomische Haltung nicht auf; wir kodieren sie in einer Entscheidungsregel und durchsuchen den Raum solcher Regeln.

Eine Entscheidungsregel ist nach der früheren Definition ein Algorithmus, der Zustände unter benannten Preisen und probabilistischen Prognosen auf zulässige Handlungen abbildet. Diese Definition in die Praxis umzusetzen dient einem einzigen Zweck: aufwendige Berechnungen vorzuverlagern — in eine stochastische Offline-Suche —, damit die Inferenz zum Entscheidungszeitpunkt schnell und zuverlässig ist. Ist das Latenzbudget großzügig (Minuten bis Stunden), ist es meist besser, die beste marginale Festlegung mit frischen Prognosen neu zu berechnen, als eine Entscheidungsregel vorzuhalten. Ist das Latenzbudget eng (einige zehn Millisekunden), oder müssen Tausende unabhängiger Agenten gleichzeitig mit lokalen Informationen handeln — Kommissionierflotten in einem automatisierten Lager, dynamische Lagerplatzvergabe in einem Shuttle-Lager, reihenfolgeabhängige Auftragsfolgen mit knappen Umrüstqualifikationen —, wird eine gut entworfene Entscheidungsregel zum passenden Träger der bereits in diesem Kapitel entwickelten Ökonomie.

Hüten Sie sich vor der Verlockung „stationärer Beweise“. Die Literatur ist reich an analytischen Entscheidungsregeln, die nur in Spielzeugwelten „optimal“ sind — stationäre Nachfrage, leichte Verteilungsränder, additive Kosten, keine Sperrklinkeneffekte. Unsere Welt ist unwegsam: Verteilungen verschieben sich, Verteilungsränder dominieren und Festlegungen beseitigen Optionen. Optimalität in Symbolen sollte niemals höher gewichtet werden als gemessene Verbesserungen in einem wirklichkeitsgetreuen Simulator und später im produktiven Parallelbetrieb.

Wann ist also die Suche nach Entscheidungsregeln angebracht? Immer dann, wenn Reihenfolge tatsächlich Geld verändert und nicht schnell genug neu berechnet werden kann; wenn Berechnung ohne wirtschaftliche Einbußen aus dem kritischen Pfad genommen werden muss; wenn Tausende kleiner Agenten aus lokalen Sichtweisen heraus stimmig handeln müssen; und wenn eine einfache, parametrisierte Regel den Geist von Aufschub, marginaler Bewertung und bepreisten Restriktionen mit um Größenordnungen geringerer Latenz tragen kann. Gelten diese Bedingungen nicht, bleiben die bereits eingeführten leichteren Instrumente vorzuziehen: Zurechnung in Zeitfenstern, Ökonomie des Wartens, Permutationsinvarianz und späte Festlegung. Sie verlagern den Engpass zurück zu den Atomen, halten Optionen offen, bis sich die Festlegung lohnt, und vermeiden, gestrige Überzeugungen in Regeln einzuschließen, die altern werden.

Richtig platziert vervollständigt die Suche nach Entscheidungsregeln das Bild, statt es gänzlich zu ersetzen. So verwandelt ein Unternehmen tiefgehende, langsame Berechnung in schnelles, wiederholtes Handeln und bewahrt dabei dieselbe wirtschaftliche Grundlage: Entscheidungen bleiben marginale Wetten, in Geldeinheiten bepreist, unter probabilistischen Zukünften begründet und revidiert, während sich die Wirklichkeit zeigt. Der nächste Abschnitt wendet sich von Regeln zur Trägheit und quantifiziert, wie belastend eine Festlegung tatsächlich ist — ihre Belastung und ihre Halbwertszeit —, damit das Unternehmen zwischen zwei gleich profitablen Schritten jenen bevorzugt, der einen früheren Kurswechsel erlaubt.

8.6 Den Kurs ändern

In einem freien Markt ist Veränderung die einzige Konstante. Den Kurs ändern zu können ist für jedes Unternehmen eine Überlebensfrage. Doch jede Supply-Chain-Entscheidung geht mit einem Sperrklinkeneffekt einher: Sind Ressourcen einmal zugeteilt, stehen sie nicht mehr unmittelbar für andere Verwendungen bereit. Manche Entscheidungen wirken endgültig, etwa ein Fertigungsprozess, der Rohstoffe verbraucht; andere wirken umkehrbar, etwa das Verschieben von Bestand zwischen Lagern. Aus wirtschaftlicher Sicht lassen sich diese Entscheidungen in jedem Fall rückgängig machen, auch wenn der dafür nötige Zeit- und Geldaufwand unterschiedlich ist.

Bei Entscheidungen mit gleichen projizierten Renditen sollte ein Unternehmen jene bevorzugen, die mit geringeren zugrunde liegenden Bindungen von Zeit oder Geld einhergehen. Unnötig große Festlegungen zu vermeiden ist entscheidend, um das Unternehmen beweglich zu halten und durch diese Beweglichkeit den unvermeidlichen Marktschocks standzuhalten.

Unter der teleologischen Sicht — prognostizieren, planen, einhalten — gibt es überhaupt keinen operativ brauchbaren Begriff von Agilität. Die Zukunft wird als durchzusetzender Ablaufplan behandelt, und die Instrumente tendieren zu Indikatoren, welche die Planeinhaltung überwachen: Prognosegenauigkeit, Servicegradprozentsätze, Auslastung, Lagerumschlag. Solche Messgrößen sagen wenig über die Fähigkeit des Unternehmens zum Kurswechsel aus; sie belohnen das Festhalten an einem geratenen Verlauf und bleiben blind für die Zeit, die nötig ist, um Festlegungen aufzulösen. Agilität ist jedoch die Fähigkeit, Bindungen bei neuen Informationen schnell und zu tragbaren Kosten abzubauen oder neu zuzuweisen.

Um Agilität wirtschaftlich zu erörtern, müssen wir Ersatzgrößen der Planeinhaltung durch Maße ersetzen, die Festlegungen über die Zeit bepreisen. Der klassische Dreiklang — Lieferzeit, Betriebskapital und Lagerumschlag — bleibt im Blick, wird aber durch zwei operative Größen neu gefasst, welche die Dauer explizit machen: die Belastung, die eine Entscheidung auferlegt (Geld \(\times\) Zeit), und die Halbwertszeit dieser Belastung (die Zeit, die nötig ist, um die Hälfte der durch die Entscheidung gebundenen Ressourcen freizusetzen).

Lieferzeit im weiten Sinn ist die Verzögerung zwischen einer Entscheidung und der erneuten Verfügbarkeit einer Ressource. Betriebskapital ist die Differenz zwischen Umlaufvermögen und kurzfristigen Verbindlichkeiten¹⁴³. Der Lagerumschlag misst, wie oft der Bestand innerhalb eines Jahres verkauft oder verbraucht wird. Zusammengenommen sagen uns diese Indikatoren, wie viel Kapital gebunden ist, ignorieren aber weitgehend, wie lange; die folgenden Begriffe Belastung und Halbwertszeit behandeln diesen blinden Fleck.

Unter sonst gleichen Bedingungen erhöhen eine kürzere Lieferzeit, weniger Betriebskapital und ein höherer Lagerumschlag die Fähigkeit zum Kurswechsel. Diese Begriffe charakterisieren tatsächlich die allgemeine Trägheit des Unternehmens: seine Unfähigkeit, den Kurs sofort zu ändern, weil es zuerst die Masse der gegenwärtig durchfließenden Vermögenswerte liquidieren und dabei ihren Wert bewahren muss.

Allerdings sind diese Begriffe für das Verständnis der Unternehmensträgheit nur begrenzt nützlich. Damit ist nicht gesagt, dass sie falsch oder auch nur fehlgeleitet sind; vielmehr erlaubt der Gegenstand — die Charakterisierung der Unternehmensträgheit — alternative Begriffe, die operativ überlegen sind.

8.6.1 Die Belastung einer Entscheidung

Die (Finanzierungs-)Belastung einer Entscheidung über den Güterfluss quantifiziert die zugrunde liegende Ressourcenbindung als Produkt aus dem Wert einer Ressource und der Lebensdauer der damit geschaffenen Güter, in den Einheiten Geld \(\times\) Zeit.

Betrachten wir ein einfaches Beispiel. Kauft das Unternehmen ein Los im Wert von 10 Geldeinheiten und verkauft es 5 Tage später weiter, beträgt die Belastung \(L = 10 \times 5 = 50\). Verkauft das Unternehmen dagegen die Hälfte des Loses 5 Tage später und die andere Hälfte 20 Tage später, beträgt die Belastung \(L = \frac{10}{2} \times 5 + \frac{10}{2} \times 20 = 125\).

Die zweite Situation verursacht eine mehr als doppelt so hohe Belastung wie die erste, weil das Unternehmen den Bestand mehr als doppelt so lange hält.

Nehmen wir nun an, die Zahlung für das Los wird um 12 Tage aufgeschoben. Die Belastung der ersten Situation ist faktisch null, weil keine Finanzierung nötig ist: Der Lieferant wird nach dem Verkauf der Waren bezahlt. Die Belastung der zweiten Situation beträgt \(L = \frac{10}{2} \times (20 - 12) = 40\).

Zahlungsaufschub kann den Finanzierungsdruck zur Aufrechterhaltung des Flusses erheblich verringern.

Belastung misst das über die gesamte Lebensdauer einer Entscheidung gebundene Betriebskapital, nicht nur das an einem Berichtsstichtag. Während gewöhnliche Betriebskapitalzahlen eine Momentaufnahme liefern, versieht die Belastung jede gebundene Geldeinheit mit einer Dauer. Für ein Unternehmen unter Finanzierungsdruck ist diese zeitgewichtete Kennzahl — zusammen mit der erwarteten Rendite betrachtet — der präzisere Wegweiser, um Optionen zu ordnen und knappes Kapital in seine besten Verwendungen zu lenken.

Viele Unternehmen verlangen eine Managementfreigabe, sobald eine Bestellung eine Schwelle übersteigt. Die Regel prüft Größe und mögliche Liquiditätswirkung, übersieht jedoch den Lebenszyklus der Güter. Eine kleine Bestellung kann Kapital monatelang binden, während ein großer Rückstandsauftrag über Nacht erledigt sein kann. Belastung erfasst diese verborgene, zeitabhängige Bürde unmittelbar.

Unternehmen tragen oft Bestandswert gegen Umschlag auf, um Kapitalfallen zu erkennen; Belastung verbindet beides bereits in einer einzigen Kennzahl.

8.6.2 Die Halbwertszeit einer Entscheidung

Die Halbwertszeit einer Entscheidung ist die verstrichene Zeit — typischerweise in Tagen gemessen —, bis sich ihre Belastung durch Verkauf, Verbrauch oder Leistungserbringung halbiert.

Betrachten wir eine Bestellung in Übersee, deren Lieferung 10 Wochen dauert und bei der nach Ankunft eines vollen Containers 20 Wochen vergehen, bis die Hälfte des Bestands verkauft ist. Die Halbwertszeit beträgt somit \(7\,(10+20)=210\,\text{Tage}\).

Der Physik entlehnt misst die Halbwertszeit die Zeit, bis sich die Belastung einer Entscheidung halbiert; sie liefert eine Zeitdimension, die die Lieferzeit allein verdeckt. Tatsächlich unterschätzt die Lieferzeit die Wirkungsdauer einer Entscheidung immer dann, wenn Losbildung beteiligt ist. Eine ähnliche Kritik gilt für Zykluszeit und Lagerumschlag. Natürlich ist die Schwelle „Hälfte“ willkürlich; stattdessen ließe sich jedes Quantil verwenden. Im vorigen Beispiel betrüge die 75%-Lebensdauer des Einkaufs bei konstanter Nachfrage \(280\) Tage.

Die Halbwertszeit misst, wie schnell sich eine Entscheidung auflösen lässt; lange Halbwertszeiten halten das Unternehmen auf seinem gegenwärtigen Kurs fest und untergraben seine Agilität.

Zudem widersteht die Halbwertszeit Manipulation besser als die Lieferzeit: Einen Indikator zu manipulieren — die Zahl gut aussehen zu lassen, ohne die Wirklichkeit zu verbessern — wird leichter, wenn die Kennzahl ignoriert, wie lange Kapital gebunden bleibt. Dahinter stehen oft fehlgeleitete Anreize, die den Indikator selbst belohnen statt der Ergebnisse, die er abbilden soll. Unternehmen, die Agilität anstreben, gehen das Problem tatsächlich oft an, indem sie Lieferzeiten verkürzen. Eine häufige Falle besteht jedoch darin, Lieferzeiten auf Kosten der Halbwertszeiten zu senken.

9 Engineering

Die moderne Supply-Chain-Praxis arbeitet mit mindestens einer Ebene der Vermittlung: Menschen entwickeln Entscheidungsprozesse, und diese Prozesse geben unzählige Routineentscheidungen aus, die den Fluss steuern. Die Artefakte, die diese Entscheidungen ausgeben, sind numerische Rezepte: Programme, die maßgebliche Datensätze einlesen, explizite wirtschaftliche Bewertungen enthalten und Festlegungen ausgeben, die sich umsetzen und prüfen lassen¹⁴⁴. In den vorangegangenen Kapiteln — Information, Intelligenz und Entscheidungen — haben wir dargelegt, dass solche Systeme ohne menschliches Eingreifen laufen müssen, wenn das Unternehmen Urteilsvermögen in einen produktiven Vermögenswert statt in eine endlose administrative Last verwandeln soll. Dieses Kapitel behandelt die Engineering-Prinzipien, die solche Systeme ermöglichen und ihren Wert fortlaufend steigern lassen.

Der Gegenstand ist bewusst eng gefasst. Wir werden allgemeine Softwarethemen nicht erneut durchgehen: UI¹⁴⁵-Frameworks, Authentifizierung, CI/CD-Infrastruktur¹⁴⁶, Steuerungsebenen, Nachrichtenbusse oder die Verbindungen zu und von Erfassungssystemen. Zu diesen Hilfswissenschaften gibt es reichlich Literatur. Uns geht es um die Schnittstelle zwischen wirtschaftlichem Denken und Code: Wie steckt man zulässige Optionen ab, bildet Unsicherheit ab, ohne sie einzuebnen, bewertet Abwägungen in Geld und erhält die Prüfbarkeit, damit die Entstehung einer Entscheidung noch Monate später nachvollziehbar bleibt? Die Darstellung bleibt bewusst nichttechnisch — ohne Algebra und ohne Codebeispiele —, damit wir die grundlegenden Entscheidungen klar benennen können, durch die ein Intelligenzsystem ohne menschliches Eingreifen sicher, wiederholt und rentabel Entscheidungen ausgibt.

Zwei Klarstellungen bilden die Grundlage des Folgenden. Erstens bezeichnet „numerisches Rezept“ den gesamten Apparat, auf den es in der Praxis ankommt: nicht nur Prognose- und Optimierungsverfahren, sondern auch die Instrumentierung, die erkennen lässt, warum eine Empfehlung sinnvoll ist, die Abbruchbedingungen, die die Ausgabe bei sinkendem Vertrauen stoppen, und die Dossiers, anhand derer Praktiker in Geldgrößen nachvollziehen können, von welchen Annahmen das System damals ausging. Zweitens ist zwar die Anwendungslandschaft jedes Unternehmens eigentümlich, doch die hier vertretene Engineering-Haltung ist allgemeingültig: explizite Rahmen statt stillschweigender Konventionen, probabilistische Sichtweisen statt punktueller Ersatzgrößen, mit Kosten belegte Restriktionen statt nicht durchsetzbarer harter Gebote und Reproduzierbarkeit statt Heldentaten.

LLMs verdienen eine kurze Anmerkung. Ihre Rolle wächst und wird entscheidend werden, weil sie die Kosten für Entwurf, Refactoring, Tests und Dokumentation numerischer Rezepte senken. Sie ersetzen jedoch keine technische Kompetenz. LLMs liefern weder die wirtschaftliche Problemfassung, noch klären sie die Datensemantik oder erzwingen Determinismus und Prüfbarkeit; sie beschleunigen lediglich die Hände, die die Arbeit verrichten. Behandelt man sie als fähige Schreiber — instrumentiert, überprüft und begrenzt —, verkürzen sie die Iterationsschleife, die experimentelle Arbeit verlangt. Behandelt man sie als Orakel, begünstigen sie subtile, kostspielige Fehler.

Zum Schluss ein Aufruf zum Handeln: Wettbewerbsvorteile beruhen nicht mehr auf einem größeren Stapel Dashboards — sofern sie das je taten —, sondern darauf, über eine kleine, ingenieurmäßig arbeitende Kompetenz zu verfügen, die die wirtschaftliche Logik des Unternehmens in Software fasst und ohne menschliches Eingreifen laufen lässt. Der nächste Abschnitt erklärt, warum sich diese Kompetenz nicht als fertige „Planungsschicht“ kaufen lässt und warum Programmierbarkeit bei Intelligenzsystemen keine Geschmacksfrage, sondern eine Voraussetzung für Sicherheit und Gewinn ist.

9.1 Warum programmieren

Bevor wir fortfahren, eine Eingrenzung. Im Kapitel Information haben wir Erfassungssysteme, Berichtssysteme und Intelligenzsysteme unterschieden. Das Folgende betrifft die letzte Kategorie. Register und Workflow-Systeme — ERP, WMS, CRM — lassen sich erfolgreich als Standardprodukte anbieten, weil sie einzelne Ereignisse erfassen und regelbasierte Abläufe durchsetzen; ihre Entitäten sind konstruktionsbedingt weitgehend entkoppelt. Die überschaubaren Kopplungen, die Workflows einführen, lassen sich durch Konfiguration ausdrücken, und COTS (Commercial off-the-shelf) genügt. Einer solchen Standardisierung widersetzt sich das System, das diese Datensätze zu wirtschaftlich bewerteten Entscheidungen zusammensetzt, die ohne menschliches Eingreifen ausgegeben werden.

Das Aufkommen von Unternehmenssoftware Ende der 1970er-Jahre verlängerte die von Operations Research genährte Nachkriegshoffnung, dass die quantitativen Probleme der Supply Chain eine geschlossene, dauerhafte Formulierung zuließen. Anbieter und Wissenschaftler wollten diese Lösungen in wiederverwendbaren Frameworks festhalten, damit nichttechnische Nutzer die Entscheidungsfindung ein für alle Mal „konfigurieren“ könnten. Dieses für Register sinnvolle Vorhaben wurde unverändert auf Intelligenzsysteme übertragen.

Ein halbes Jahrhundert später hat sich dieses Versprechen für Intelligenzsysteme nicht erfüllt. Die Einführung von COTS-„Planungssystemen“ dauert Monate oder Jahre, mobilisiert Heerscharen von Spezialisten und endet dennoch in Behelfslösungen aus Tabellenkalkulationen, sobald diese Systeme auf die Feinheiten eines lebendigen Flusses treffen. Das Scheitern ist strukturell: Allgemeine Vorlagen passen nicht zu den unternehmensspezifischen Kopplungen.

Geschlossene analytische Lösungen sind fragil, weil sie voraussetzen, dass sich alles, was entschieden werden muss, im Voraus vollständig aufzählen lässt. Die Realität weigert sich, mitzuspielen. Der einzige dauerhafte Vorteil, den Tabellenkalkulationen trotz ihrer vielen Mängel genießen, ist genau ihre Programmierbarkeit. Sie erlaubt Praktikern, Besonderheiten in Code zu fassen, sobald diese wirtschaftlich relevant werden. Programmierbarkeit ist keine Annehmlichkeit, sondern die wesentliche Eigenschaft eines Intelligenzsystems.

Harmlos wirkende Mengen legen diese Fragilität offen. Betrachten wir Kabel als Meterware. Ein Registereintrag „10.000 Meter physisch vorhanden“ verbirgt, was Zulässigkeit und Wert tatsächlich bestimmt: Zusammensetzung und Zuschnitt. Zehn Rollen von je einem Kilometer und tausend Rollen von je zehn Metern ergeben beide 10.000 Meter, stellen aber gegensätzliche wirtschaftliche Vermögenswerte dar, sobald die von Kunden benötigten Längen, Verschnitt und Reststücke bewertet werden. Die Einheit — Meter — verdeckt den Zustand, über den bei Entscheidungen nachgedacht werden muss.

An Kabeln ist nichts exotisch. Ähnliche, völlig gewöhnliche Eigenheiten durchziehen jede Branche. In der Luftfahrt weisen Umlaufteile und reparierbare Komponenten asymmetrische Kompatibilitäten auf: Teile können einander in einer Richtung ersetzen, aber nicht in der Gegenrichtung, sobald seriennummernspezifische Revisionsstände und Komponenten mit begrenzter Lebensdauer berücksichtigt werden. In der Mode verändern sich explizite und implizite Substitutionen mit dem Sortimentskalender und den Größen-Farb-Abstufungen. Im Heimwerkerbereich verbinden Abhängigkeiten auf Projektebene die Artikel: Ein Wasserhahn ohne passendes Siphon-Set oder Anschlussstücke ist unverkäuflicher Bestand. Im Lebensmittelhandel treffen kurze Haltbarkeiten auf aggressive Preisnachlassregeln, Nebenkanäle und Lieferantenrabatte, die Bestände innerhalb weniger Tage neu bewerten. Im E-Commerce werden SKUs beim Versand durch Verpackung, Regeln der Frachtführer und Annahmeschlusszeiten für Lieferungen miteinander gekoppelt. Die „Kabel“ jeder Branche sind innerhalb des Fachgebiets alltäglich und für allgemeine Vorlagen tödlich.

Weil Supply Chains Systeme sind, bleiben solche Eigenheiten nicht auf Randbereiche beschränkt. Über gemeinsame Kapazitäten, Warenkörbe und Kundenerwartungen koppeln sie sich an den übrigen Fluss. Sie zur manuellen Bearbeitung auszugrenzen, verlagert lediglich Kosten und Risiken. Ließen sie sich isolieren, würde ein kleiner, teilautonomer Prozess genügen; das lassen sie sich aber nicht. Eine in irgendeiner Ecke entdeckte Restriktion — Rollenlängen, seriennummernbezogene Kompatibilitäten, Größen-Farb-Abstufungen — verändert das zulässige Sortiment, bewertet Optionen neu, verschiebt den Wareneingangstakt und gestaltet die Zusammenstellung von Aufträgen sowie das Serviceversprechen um.

Softwareanbieter stoßen auf ein unerbittliches Engineering-Gesetz, wenn sie versuchen, diese Kopplungen in ein Standardprodukt aufzunehmen: Die Wechselwirkungen wachsen schneller als der Funktionsumfang. Jede neue „Kernfunktion“, die tatsächlich mit den anderen interagiert, vervielfacht den Testumfang und die Sonderfälle; eine bescheidene Erweiterung solcher Funktionen um 25 % kann den Engineering-Aufwand leicht verdoppeln. Die Kostenkurve ist superlinear, weil das Produkt die Besonderheiten vieler Unternehmen zugleich abdecken muss, während jedes Unternehmen nur seine eigenen benötigt.

Dagegen erlauben die verfügbaren einfachen Programmierwerkzeuge — allen voran Tabellenkalkulationen — den Praktikern, sich auf die wenigen Komplikationen zu konzentrieren, die in ihrem Umfeld tatsächlich bestehen. Indem sie den Umfang auf ihre eigenen wirtschaftlichen Gegebenheiten begrenzen, umgehen sie die Größennachteile, an denen allgemeine Lösungen scheitern. Das erklärt stärker als bloße Gewohnheit, warum Teams nach teuren „Planungseinführungen“ zu Tabellenkalkulationen zurückkehren.

Nichts davon spricht gegen Erfassungssysteme. CRUD-Anwendungen, die maßgebliche Ereignisse speichern und regelbasierte Workflows durchsetzen, lassen sich als Standardprodukte anbieten; ihre Entitäten sind konstruktionsbedingt weitgehend entkoppelt, und ihre Kopplungen sind explizit, lokal und prüfbar. Die Schwierigkeiten beginnen erst, wenn dieselbe Haltung auf ein Intelligenzsystem ausgedehnt wird, dessen eigentlicher Zweck darin besteht, unternehmensspezifische Kopplungen unter Unsicherheit zu bewältigen.

Fertige Entscheidungssysteme wären eine beruhigende Aussicht für nichttechnische Führungskräfte; sie würden das Programmieren zu einer Kompetenz zweiter Klasse herabstufen. Leider schließt die Natur von Intelligenzsystemen dies aus. Ohne allgemeine künstliche Intelligenz kann kein endlicher Katalog von Vorlagen die Kopplungen vorwegnehmen, die für ein bestimmtes Unternehmen zu einem bestimmten Zeitpunkt relevant sind. Das Streben nach Konfigurierbarkeit anstelle von Programmierbarkeit ist Wunschdenken.

Damit bleibt uns die Aussicht, ad hoc programmierte Lösungen für die Supply Chain einzusetzen. Die Aufgabe ist weniger abschreckend, als sie erscheinen mag, denn Tabellenkalkulationen sind programmierbar, und diese Eigenschaft hat ihrem beträchtlichen Erfolg in Supply-Chain-Kreisen nicht im Wege gestanden. Sie wirft jedoch die Frage auf, ob unsere Werkzeuge für dieses Vorhaben geeignet sind, angefangen bei der Wahl der Programmierparadigmen. Seit den 1950er-Jahren wurden Tausende Programmiersprachen entwickelt. Es wäre unvernünftig anzunehmen, sie seien alle gleichermaßen geeignet, Supply-Chain-Herausforderungen zu bewältigen. Insbesondere hat die Beliebtheit einer Sprache oder eines Werkzeugs außerhalb von Supply-Chain-Kreisen wenig mit ihrer Eignung für Supply-Chain-Herausforderungen zu tun.

9.2 Experimentelle Optimierung

Supply-Chain-Herausforderungen sind zumindest undurchsichtig und mitunter auch vertrackt. Eine undurchsichtige Herausforderung ist durch hohe epistemische Unsicherheit gekennzeichnet: Wir stehen vor bekannten Unbekannten und häufig auch vor unbekannten Unbekannten. Eine vertrackte Herausforderung ist noch schlimmer: Sie verändert sich, während man versucht, sie zu bewältigen — selbst wenn ein Dritter handelt, gewöhnlich ein Wettbewerber. Vertrackte Herausforderungen fügen sich keiner statischen formalen Lösung.

Undurchsichtigkeit ist eine inhärente Eigenschaft der Erfassungssysteme, auf denen die Ausführung des Flusses beruht. Wie im Kapitel Information erläutert, ist schon die Ermittlung der korrekten Semantik aller relevanten Daten ein gewaltiges, fehleranfälliges Unterfangen. In der Praxis wählt selbst ein bescheidenes numerisches Rezept Hunderte Felder aus Zehntausenden Feldern aus, die über Hunderte Tabellen verteilt sind.

Vertracktheit entsteht immer dann, wenn die Angemessenheit einer Reaktion davon abhängt, was Wettbewerber tun oder unterlassen. Eine Ausrichtung auf hohe Preise und hohe Verfügbarkeit kann beispielsweise florieren, wenn die meisten Konkurrenten niedrige Preise und knappe Bestände anstreben; sie kann ins Wanken geraten, sobald diese zur gleichen Ausrichtung auf Premiumpreise und hohen Service übergehen.

Die experimentelle Optimierung¹⁴⁷ ist der Grundstein des numerischen Engineerings für die Supply Chain. Sie geht sowohl die Undurchsichtigkeit als auch die gelegentliche Vertracktheit von Supply-Chain-Herausforderungen unmittelbar an. Die experimentelle Optimierung nutzt Rückmeldungen aus der „realen Welt“, um das numerische Rezept iterativ zu verbessern. Erstens beseitigt sie gewöhnliche Programmierfehler mit wirtschaftlichen Folgen. Diese Fehler sind vielfältig und häufig und lassen sich nicht allein durch sorgfältige Prüfung des Codes vermeiden. Zweitens ebnet sie den Weg zur Entdeckung geeigneter Optimierungskriterien. Ohne experimentelle Optimierung scheitern Versuche, überlegene Softwaretechnologien für die Supply Chain einzusetzen, unweigerlich, und die Praktiker kehren schließlich zu ihren Tabellenkalkulationen zurück.

9.2.1 Cartesianismus

Supply-Chain-Autoren — und damit auch die meisten Anbieter von Unternehmenssoftware — behandeln numerische Rezepte als rein intellektuelles Vorhaben von oben nach unten. Zunächst setzen sie die Situation voraus: SKU-Zahlen, Netzwerktopologie, Restriktionen, zu optimierende Kennzahlen und ähnliche Einzelheiten. Aus diesem Gepäck leitet der Experte eine Lösung ab. Die Lösung nimmt gewöhnlich die Form eines Frameworks an, mit dem die endgültigen numerischen Rezepte zusammengestellt werden. Das Framework soll Variationen aufnehmen und in vielen Situationen wiederverwendbar sein.

Dieser Ansatz ist als cartesische Perspektive bekannt, benannt nach dem französischen Philosophen René Descartes aus dem 17. Jahrhundert. Der Cartesianismus betont die reine Vernunft und die Kraft des Geistes. Nach seiner Auffassung ist die Erkenntnis der Wahrheit im Grunde eine rein intellektuelle Übung. Aus einer kleinen Menge selbstverständlicher Wahrheiten soll sorgfältiges, methodisches Denken zu tieferen, komplexeren Schlussfolgerungen gelangen.

Obwohl Vernunft Autoritäten, Mystik, korrupten Anreizen oder drogeninduzierten Visionen zweifellos vorzuziehen ist¹⁴⁸, ist der Cartesianismus nicht frei von Mängeln — gerade in der Supply Chain. An dem anfänglichen Gepäck, das angeblich eine bestimmte Supply-Chain-Situation charakterisiert, ist nämlich nichts selbstverständlich. In der Praxis besteht es aus einer wahllosen, übermäßigen Ansammlung von Bestandteilen fragwürdiger Gültigkeit.

Autoren wissen gewöhnlich, dass ein rein intellektuelles Framework ein unbefriedigendes Angebot ist. Daher implementieren sie es und führen zahlreiche In-silico-Experimente damit durch. Diese nehmen die Form von Benchmarks, Backtests und anderen Simulationen an. Solche „Experimente“ sollen die Tragfähigkeit und Leistungsfähigkeit des Frameworks unter plausiblen Bedingungen zeigen.

Leider beweist eine „plausible“ Testbatterie, der man ein Framework unterzieht, wenig — schon gar nicht dessen Tragfähigkeit beim Betrieb einer realen Supply Chain. Bestenfalls entdecken solche Tests grobe Probleme, etwa Skalierungsschwierigkeiten, die andernfalls den Betrieb beeinträchtigen würden. Doch diese In-silico-Validierungen kommen dem gesuchten Nachweis nicht annähernd gleich. Wir suchen belastbare Garantien dafür, dass der Einsatz des resultierenden numerischen Rezepts dem Unternehmen unter dem Strich nützt.

Solche Garantien entstehen nicht durch zusätzlichen Formalismus, sondern durch Falsifizierbarkeit im Sinne Poppers (siehe Kapitel Erkenntnistheorie). Jedes numerische Rezept ist eine Vermutung darüber, wie das Unternehmen knappe Ressourcen binden sollte; seine Prämissen müssen in der Welt, die es steuern soll, scheitern können. Benchmarks und Backtests sind nützliche Vorabprüfungen — sie untersuchen innere Konsistenz und Skalierbarkeit —, konfrontieren das Rezept aber nicht mit gegensätzlichen Anreizen, Bedeutungsverschiebungen und Ereignissen aus schweren Verteilungsrändern, die den laufenden Fluss bestimmen. Die angemessene Antwort auf die cartesische Haltung ist daher methodisch, nicht algebraisch: Die Umgebung muss so gestaltet werden, dass das Rezept früh und häufig auf die Realität trifft und Widerlegung zur wichtigsten Quelle des Fortschritts wird.

9.2.2 Gewöhnliche Probleme

Wenn ein Supply-Chain-Praktiker ein numerisches Rezept implementiert, ist die erste Charge erzeugter Entscheidungen nahezu garantiert unbefriedigend. Viele Zahlen, die das Rezept liefert, werden „unsinnig“ sein — auf diesen Begriff kommen wir gleich zurück. Die Ursachen solcher unsinnigen Entscheidungen sind gewöhnlich einfach. Fünf Kategorien untergraben numerische Rezepte häufig: gewöhnliche Programmfehler, Datensemantik, Restriktionen, wirtschaftliche Einflussfaktoren und Strategie.

Erstens: gewöhnliche Programmfehler. Ein numerisches Rezept, das einer realen Supply Chain gerecht wird, umfasst Tausende Codezeilen — ganz zu schweigen von den Millionen in allgemeinen Softwareabhängigkeiten. Sieben Jahrzehnte Softwareentwicklung haben uns eines gelehrt: Der einzige fehlerfreie Code ist ungeschriebener Code. Geeignete Paradigmen können die Lage verbessern, doch eine vollständige Beseitigung ist nicht in Sicht — insbesondere dann, wenn Software aus vielen Händen kombiniert wird und Probleme an den Schnittstellen entstehen.

Zweitens: Probleme mit der Datensemantik. Diese Kategorie wurde bereits im Kapitel Information behandelt. Grundsätzlich liegt die Semantik jeder Datenbankspalte — etwa „Bestelldatum“ — im Auge des Bedieners. Versteht ein Bediener unter „Bestelldatum“ den Tag, an dem der Lieferant seine Bereitschaft zur Ausführung der Bestellung bestätigt hat, dann ist dies die Semantik, was auch immer die Dokumentation des Erfassungssystems besagt. Da ein modernes Erfassungssystem Zehntausende Spalten umfasst, von denen sich viele auf mehrere Arten auslegen lassen, sind Missverständnisse unvermeidlich. Solche Fehlinterpretationen können die erzeugten Entscheidungen stark verzerren.

Drittens sind Restriktionen häufig entweder unausgesprochen oder erfunden. Eine unausgesprochene Restriktion ist nicht ordnungsgemäß dokumentiert. Bob, der sich um die Nachschubversorgung des Lagers kümmert, weiß beispielsweise, dass das Team bei mehr als 5.000 eingehenden Einheiten pro Tag in Schwierigkeiten gerät und teure Überstunden leisten muss, um Schritt zu halten. Bob hat dies vor einem Jahr gelernt, als er einige Monate im Lagerteam mitarbeitete. Diese Durchsatzgrenze wurde jedoch nie dokumentiert, weshalb ein numerisches Rezept sie vollständig ignoriert. Umgekehrt entstehen erfundene Restriktionen immer dann, wenn die tatsächliche Restriktion als zu verwickelt für eine halbmanuelle Lösung gilt. So werden Preisstaffeln eines Lieferanten häufig durch eine Mindestbestellmenge (MOQ) ersetzt, die dem vom Einkauf als akzeptabel betrachteten Stückpreis entspricht. Doch diese Restriktion ist erfunden: Unterhalb der sogenannten MOQ zu bestellen, ist möglich, sofern das Unternehmen einen höheren Stückpreis akzeptiert. Ein Rezept, dem diese Feinheit entgeht, baut häufig Überbestände auf, weil es die MOQ erzwingt.

Viertens können wirtschaftliche Einflussfaktoren falsch eingeschätzt werden. Wie im Kapitel Ökonomie gezeigt, ist Bewertung schwierig. Die wirtschaftliche Analyse des Flusses erfordert zahlreiche Heuristiken zur Zurechnung von Ausgaben und Einnahmen. Zudem lassen sich viele langfristige Wirkungen nur grob schätzen. Beispielsweise dürften Rabatte die Zahlungsbereitschaft des Kunden untergraben und ihn dazu bringen, zunehmend opportunistisch auf die nächste Verkaufsaktion zu warten. Diesen Effekt zu quantifizieren, ist schwierig, weil die relevanten Zeiträume in Jahren gemessen werden. Ein Rezept, das auf einer falschen wirtschaftlichen Logik beruht, erzeugt vorsichtig wirkende Entscheidungen, die mit der Zeit die erwarteten Renditen verfehlen.

Fünftens kann die Strategie des Unternehmens auf dem Papier gut aussehen, in der Umsetzung aber nicht. So kann die Führung „höchste Kundenzufriedenheit“ priorisieren, nur um festzustellen, dass böswillige Akteure großzügige Zugeständnisse — kulante Rücknahmen oder Lieferungen über Nacht — missbrauchen. Allgemeiner spiegelt die Strategie gewöhnlich zu einem großen Teil ein intuitives Verständnis der wirtschaftlichen Grundlagen des Unternehmens wider. Dieses Verständnis kann daher in die richtige Richtung weisen und dennoch das Kleingedruckte übersehen, das den gezielten Einsatz alternativer Strategien verlangen kann. Grundsätzlich garantiert die Natur der Märkte — und ihr unablässiger Wandel —, dass Wettbewerber jede gegebene Strategie mit der Zeit untergraben werden.

Die Wahrscheinlichkeit, aus einem neu entworfenen numerischen Rezept geeignete Entscheidungen zu erhalten, ist verschwindend gering. „First-Time-Right“ anzustreben — eine in der Fertigung verbreitete Haltung — ist in der Supply Chain Wunschdenken. Die vorherrschende Komplexität und Undurchsichtigkeit sind dafür zu groß. Diesen ersten Entwurf zu verbessern, ist jedoch sehr wohl möglich. Es läuft darauf hinaus, die „unsinnigen“ Entscheidungen zu identifizieren und anschließend zu beseitigen.

9.2.3 Unsinnige Entscheidungen

Eine Supply-Chain-Entscheidung ist „unsinnig“, wenn sie dem Unternehmen höchstwahrscheinlich unbeabsichtigte Verluste bescheren wird. Ein frisch entworfenes numerisches Rezept erzeugt unweigerlich zahlreiche unsinnige Entscheidungen. Über den unmittelbaren finanziellen Schaden hinaus untergraben sie zu Recht das Vertrauen der Praktiker in die Automatisierung selbst. Bleiben sie unbehandelt, garantiert allein ihr Auftreten in den Ergebnissen, dass die Praktiker das Rezept aufgeben und zu Tabellenkalkulationen zurückkehren.

Zunächst ist festzuhalten: Unsinnige Entscheidungen zu erkennen, ist zwar ein Problem allgemeiner Intelligenz (vgl. Kapitel Intelligenz), aber kein Problem außergewöhnlicher Intelligenz. Eine sorgfältige manuelle Prüfung durch einen Praktiker — Zahl für Zahl — genügt, um die meisten Übeltäter aufzuspüren. Die Haupthürde ist nicht das Können des Praktikers, sondern der schiere Zeitaufwand, den eine solche Prüfung in großem Maßstab erfordert.

Die Schwierigkeit ähnelt der Suche nach unglaubwürdigen Wendungen in einem Roman. Leitlinien können die Aufgabe beschleunigen, doch es besteht keine Aussicht, diese Herausforderung im Rahmen einer engen Formalisierung vollständig zu bewältigen. Die meisten Leser erkennen dennoch mühelos, wenn eine Geschichte die Grenzen dessen überschreitet, was noch als „plausibel“ gelten kann.

Entgegen der Intuition sind unsinnige Entscheidungen häufig die einzige Möglichkeit, Mängel im numerischen Rezept sichtbar zu machen. Wird man mit einer unsinnigen Entscheidung konfrontiert, muss man die Rechenfolge zurückverfolgen, die zu ihr geführt hat. In Software spiegelt ein Fehler fast immer eine falsche Annahme wider. Etwas wird für wahr gehalten, obwohl es tatsächlich nicht wahr ist. Schon durch ihre Existenz hilft die unsinnige Entscheidung dem Praktiker, genau zu bestimmen, welche Annahme falsch ist.

9.2.4 Iterative Falsifikation

Die experimentelle Optimierung ist eine Methodik, die das numerische Rezept in seiner jeweils aktuellen Form zu falsifizieren versucht. Sie erkennt an, dass Supply-Chain-Entscheidungen wiederholt an der Realität geprüft werden müssen und dass diese Prüfungen eine grundlegende Rolle dabei spielen, verborgene Fehler selbst in der sorgfältigsten Lösung aufzudecken. Statt vorzugeben, das Problem sei im Voraus vollständig festgelegt, versucht die experimentelle Optimierung, Probleme in einer iterativen, praktischen Schleife aufzudecken und zu beheben.

Der Prozess läuft wie folgt ab:

1. Ein numerisches Rezept vorschlagen — eine Softwareroutine oder ein Skript —, das verfügbare Daten (Prognosen, Kosten, Restriktionen) in explizite Supply-Chain-Entscheidungen (Bestellungen, Fertigungslose, Allokationen) umwandelt.

2. Das Rezept in einer hinreichend stabilen Umgebung ausführen, um reale oder realitätsnahe Entscheidungen zu erzeugen, und es so mit der ungeschönten Komplexität eines laufenden Datenbestands konfrontieren — ohne vorzugeben, „schwierige“ Produkte oder Standorte ließen sich bequem ausschließen.

3. „Unsinnige“ Entscheidungen identifizieren; diese Aufgabe erfordert gewöhnlich menschliche Prüfung: Führungskräfte oder Analysten untersuchen Ausreißer, verdächtige Allokationen oder auffallend große Bestellungen, bis sie die Ursache finden. Diese kann in einer falschen Datensemantik, einem übersehenen Kostentreiber oder einer neu entstandenen Restriktion liegen.

4. Die Instrumentierung verfeinern und das Rezept überarbeiten: Fehlende Daten oder Merkmale — etwa die Varianz der Lieferzeit oder neue Kategorien von Lieferantenrestriktionen — bestimmen die nächste Revision. Auch die explizite Kostenstruktur kann angepasst werden, wenn die Iteration zeigt, dass der Kostenansatz für Fehlbestände unrealistisch niedrig ist oder verschwenderische Überbestände verursacht.

5. Wiederholen, bis die Schleifen keine neuen „unsinnigen“ Ergebnisse mehr erzeugen; mit der Zeit nehmen eklatante Mängel ab, und die Lösungen werden robuster und entsprechen der wirtschaftlichen Realität der Supply Chain besser.

Eine besondere Stärke dieses iterativen Ansatzes besteht darin, dass er zur unmittelbaren Falsifikation einlädt. Erscheinen die vorgeschlagenen Entscheidungen des Rezepts problematisch — selbst nur für wenige SKUs oder Standorte —, muss eine Annahme hinterfragt und korrigiert werden. Dies steht im Gegensatz zur rein mathematischen Sicht auf Optimierung, bei der Optimalitätsbeweise wenig Hilfe bieten, wenn die reale Welt nicht zum ursprünglichen Modell passt. Die experimentelle Optimierung begrüßt solche Abweichungen: Jeder Mangel und jede „unsinnige“ Empfehlung bieten die Gelegenheit, tiefer liegende Fehler offenzulegen.

9.2.5 Instrumentierung

Die experimentelle Optimierung hängt stark von der Instrumentierung ab. Die Datenpipeline muss eine rasche Vorbereitung und Ausführung jeder neuen Iteration ermöglichen. Dauert die Bereitstellung jeder Revision Wochen, kann der Prozess mit seiner Umgebung nicht Schritt halten. Deshalb braucht es sorgfältig versionierte Daten, reproduzierbare Abläufe und die Möglichkeit einer „Zeitreise“, bei der vergangene Zustände und Ergebnisse untersucht werden.

Man könnte erwarten, dass Kennzahlen — Lagerumschlag, mengenbezogene Lieferbereitschaftsgrade, Prognosegenauigkeit — letztlich über Erfolg oder Misserfolg entscheiden. Diese Maße sind wichtig, laufen den Ereignissen jedoch hinterher und können durch veränderte Bedingungen verzerrt werden. Zudem lassen sich Kennzahlen manipulieren. Unternehmen, die unter Druck stehen, ihre Servicegrade zu erhöhen, können beispielsweise schlicht überall Überbestände aufbauen. Einige Monate später führen die aufgeblähten Bestände zu Kostenüberschreitungen. Als Reaktion werden dem ursprünglichen System neue Restriktionen aufgesetzt. Dieses Hin und Her zwischen Kennzahlen und Verhalten kann zu einem Geflecht wechselnder Regeln verkommen, das die Leistungsfähigkeit verschleiert.

Bei der experimentellen Optimierung ist das deutlichste Fortschrittssignal das Ausbleiben grober Fehltritte. Die von der Software vorgeschlagenen Entscheidungen erscheinen Tag für Tag sinnvoll, ohne manuelle Korrekturen oder Eingriffe in letzter Minute. Müssen Supply-Chain-Teams nicht mehr die Hälfte ihrer Arbeitszeit „Brände löschen“, erzielt das Unternehmen bereits eine bessere Leistung: weniger Störungen, weniger hektische erneute Sendungen, weniger sonderbare Behelfslösungen im Lagerbetrieb. Mit der Zeit spiegeln diese operativen Gewinne wider, dass die Entscheidungen besser mit korrekten Kostenstrukturen und verlässlicherer Datensemantik übereinstimmen — Verbesserungen, die sich schließlich auch in den üblichen Kennzahlen zeigen werden. Selbst wenn es dauert, bis sich die übergeordneten Zahlen anpassen, ist das Verschwinden „unsinniger“ Entscheidungen ein untrügliches Erfolgszeichen.

9.2.6 Kontinuierliche Verbesserung

Anders als ein Ansatz mit geschlossener Lösung, der vorgibt, die Supply Chain ein für alle Mal zu „lösen“, behauptet die experimentelle Optimierung nicht, zu einem stabilen Optimum zu konvergieren. Supply Chains entwickeln sich weiter, Restriktionen ändern sich, der Produktmix verschiebt sich, neue Fabriken eröffnen, Verkaufsaktionen werden gestartet oder Preiskriege brechen aus. Daher schließt sich die Schleife nie. Ein gut abgestimmtes Rezept, das heute nur noch wenige unsinnige Ergebnisse liefert, kann morgen erhebliche Aktualisierungen verlangen, wenn eine weltweite Pandemie, ein neuer Wettbewerber oder eine veränderte strategische Ausrichtung des Unternehmens auftreten. Selbst ohne äußere Schocks rechtfertigen neue Erkenntnisse — etwa neu entdeckte Kostentreiber — weitere Anpassungen.

Dieser ständige Wandel ist kein Mangel. Im Gegenteil: Er unterstreicht, dass die Beherrschung der Supply Chain darin besteht, Veränderungen zu koordinieren, bevor sie sich unkontrolliert fortpflanzen. Indem die Organisation jede Änderung als kleines, überprüfbares Experiment gestaltet, gewinnt sie sowohl Widerstandsfähigkeit als auch Klarheit über ihren Zweck. Statt eine endgültige Formel zu verkünden, werden Supply-Chain-Spezialisten zu Hütern eines lebendigen Prozesses, der unvermeidliche Störungen als neue Eingaben aufnimmt.

Die experimentelle Optimierung verbindet zwei Ideen, die häufig getrennt bleiben. Erstens verfolgt sie einen quantitativen Anspruch: Eine Supply Chain lässt sich am besten durch Zahlen steuern, die Algorithmen systematisch verarbeiten und neu kombinieren. Zweitens erkennt sie die Falsifizierbarkeit an: Am sichersten lässt sich eine Methode bestätigen oder widerlegen, indem man ihre Ergebnisse realen Bedingungen aussetzt. Ob ein bestimmter Plan „sinnvoll“ ist, weiß man erst, wenn er auf Rohdaten aus der Fertigung, dem Lager oder dem Verkaufsregal trifft.

Indem die experimentelle Optimierung darauf besteht, dass jeder Vorschlag den Härtetest der Realität durchläuft, macht sie Fehler zu Katalysatoren des Lernens. Der zyklische Prozess — instrumentieren, entscheiden, Unsinn erkennen, korrigieren und erneut ausführen — garantiert nicht, dass alle verborgenen Restriktionen und Kostentreiber auf einmal entdeckt werden. Er stellt vielmehr sicher, dass der gesamte Ansatz, wie unvollständig oder vorläufig er auch sein mag, am Auftrag der Supply Chain ausgerichtet bleibt: die bestmöglichen Entscheidungen innerhalb nicht weiter vereinfachbarer komplexer Flüsse. Durch wiederholte Prüfungen wird der Reichtum des Fachgebiets — mitsamt seiner Widerspenstigkeit — zum Motor schrittweisen Fortschritts statt zu einer unüberwindbaren Hürde.

9.3 Whiteboxing

Ein undurchsichtiges numerisches Rezept liefert Ergebnisse — Preise, Nachbestellmengen, Nachschubpläne —, bleibt aber für genau die Praktiker undurchdringlich, die darauf angewiesen sind. In modernen Supply Chains neigt jede nichttriviale Datenpipeline zu diesem „Blackbox“-Verhalten, bei dem das numerische Rezept mehrere Automatisierungsschichten oder schwer verständliche mathematische Modelle umfasst. Selbst Lösungen auf der Grundlage einfacher Formeln — etwa Sicherheitsbestände, die aus Annahmen über „normalverteilte Nachfrage“ abgeleitet werden — werden in der Praxis zu Blackboxes, sobald sie Tausende Artikel mit jeweils eigenen Feinheiten und Restriktionen verarbeiten.

Whiteboxing wirkt dieser Undurchsichtigkeit entgegen. Es erkennt an, dass keine fortgeschrittene Datenpipeline von sich aus transparent ist. Ohne gezielte Anstrengung bleibt die Logik eines numerischen Rezepts im Code verborgen und zwingt Praktiker zur Wahl zwischen zwei unbefriedigenden Möglichkeiten: dem System blind vertrauen oder auf vollständig kontrollierbare Tabellenkalkulationen zurückgreifen, denen die Leistungsfähigkeit oder Skalierbarkeit fehlt, um die tatsächliche Komplexität des Flusses zu bewältigen. Whiteboxing eröffnet einen dritten Weg: Es bewahrt eine leistungsfähige Automatisierung und macht zugleich das „Warum“ hinter jeder Empfehlung sichtbar.

Ein Kernprinzip des Whiteboxing ist, dass Klarheit den Menschen dienen muss, die unmittelbar mit Supply-Chain-Entscheidungen arbeiten. Undurchsichtigkeit kann viele Formen annehmen: gewaltige Datentabellen, ungeprüfte Restriktionen oder fortgeschrittene Machine-Learning-Algorithmen, die nur eine Handvoll Data Scientists interpretieren kann. Die Antwort besteht nicht darin, sämtliche Berechnungen auf Spielzeugformeln zu vereinfachen; das würde die Rechenmöglichkeiten verschenken, die zur Bewältigung komplexer Flüsse erforderlich sind. Whiteboxing beschreitet vielmehr den anspruchsvolleren Weg, die wichtigsten wirtschaftlichen Einflussfaktoren jeder Entscheidung offenzulegen. Neben den reinen Allokationszahlen sollte das Rezept eine kurze Liste möglichst relevanter wirtschaftlicher Kennzahlen anzeigen. Bei einer Bestellempfehlung könnten dazu der aktuelle Bestand, die Lieferzeit, das prognostizierte Fehlbestandsrisiko in Geldgrößen und die Überbestandskosten gehören, falls die vorgeschlagene Menge zu hoch ausfällt. Diese wenigen Spalten bieten zwei wesentliche Vorteile: Erstens ermöglichen sie dem Praktiker schnelle Plausibilitätsprüfungen; zweitens zeigen sie genau, wo die Entscheidung schiefgehen könnte, falls sich eine Annahme oder eine Datenangabe als falsch erweist.

Eine solche Transparenz setzt voraus, dass die Datenpipeline dem Nutzer nahegebracht wird. Praktiker müssen erklärende Kennzahlen hinzufügen, entfernen oder anpassen können, ohne ein monatelanges IT-Projekt anzustoßen. So wie die experimentelle Optimierung schnelle Iterationen verlangt, um „unsinnige“ Entscheidungen aufzudecken und zu beseitigen, erfordert Whiteboxing schnelle Iterationen an den Dashboards selbst. Wirkt eine Entscheidung verdächtig, verfeinert oder ergänzt das Team eine erklärende Kennzahl, führt die Pipeline mit Reproduzierbarkeit vergangener Zustände erneut aus und untersucht, ob der neu offengelegte Einflussfaktor die Entscheidung erklärt oder einen Fehler aufdeckt. So lässt sich jede neue Kennzahl — ob Kosten entgangener Verkäufe oder Kosten der Containerfüllung — rasch testen und anpassen. Mit der Zeit fügen sich diese Kennzahlen zu einem kompakten Satz von Kosten- und Risikomaßen zusammen, die jede Empfehlung verständlich machen, ohne Nutzer mit belanglosen Kennzahlen zu überfluten.

Entscheidend ist, dass Whiteboxing weder allgemeinen Konsens noch eine perfekte Modellierung sämtlicher Restriktionen garantiert. Es soll vielmehr verhindern, dass Entscheidungen unvermittelt auf Unglauben stoßen oder „panische Eingriffe“ von Praktikern auslösen, die die dahinterliegende Logik nicht erkennen können. Transparenz senkt die Vertrauensschwelle für die Einführung von Automatisierung. Können Supply-Chain-Teams ein vorgeschlagenes Fertigungslos oder eine Nachbestellmenge mit einer sichtbaren Abwägung verbinden — etwa den Kosten eines möglichen Bandstillstands gegenüber den Lagerhaltungskosten zusätzlicher Teile —, akzeptieren sie das numerische Ergebnis leichter, selbst wenn es früheren Faustregeln widerspricht. Hält ein Ergebnis umgekehrt intuitiven Prüfungen nicht stand, lenkt Whiteboxing die Aufmerksamkeit auf einen möglicherweise fehlenden oder falsch bezeichneten Einflussfaktor und gibt damit die Richtung für die nächste Verbesserung vor.

Ein weiterer wesentlicher Aspekt des Whiteboxing ist sein Potenzial, organisatorische Reibung zu verringern. In vielen Unternehmen wandern Prognosen oder Nachschubpläne von Data-Science-Teams zu Supply-Chain-Führungskräften und anschließend zum Finanzbereich oder Lagerbetrieb, wobei jede Gruppe ihre eigenen Kennzahlen, Datendefinitionen und Restriktionen mitbringt. Diese komplexe Übergabe vervielfacht häufig die Verwirrung: Eine Führungskraft, die in einem System „1.200 Einheiten kaufen“ sieht, weiß womöglich nicht, dass andernorts ein Mengenrabatt berücksichtigt wurde. Indem Whiteboxing die wesentlichen Kosten und Restriktionen unmittelbar in den endgültigen Entscheidungen offenlegt, überbrückt es diese Übergaben. Beteiligte können in Geldgrößen erkennen, wie jeder Einflussfaktor gewichtet wurde. Sie können diese Werte korrigieren oder verfeinern, ohne die gesamte Pipeline zu zerlegen.

Whiteboxing ist keineswegs eine einmalige Aufgabe, sondern ein fortlaufendes Gestaltungsprinzip. Sobald sich eine Supply Chain weiterentwickelt — durch neue Lieferanten, veränderte Lieferzeiten oder angepasste strategische Ziele —, müssen sich auch die Transparenzmechanismen verändern. Andernfalls tauchen verborgene oder veraltete Annahmen wieder auf und schaffen neue Blackbox-Bereiche. Dauerhaftes Whiteboxing verlangt eine regelmäßige Zusammenarbeit zwischen Fachexperten und den Teams, die die numerischen Rezepte entwickeln. So wird sichergestellt, dass sich mit jedem veränderten Aspekt des Flusses auch die erklärenden Kennzahlen ändern.

Whiteboxing steht somit an der Schnittstelle zwischen Zuverlässigkeit und Glaubwürdigkeit. Es geht auf die praktischen Gegebenheiten moderner Supply Chains ein, in denen fortgeschrittene numerische Methoden ebenso unverzichtbar sind wie das Vertrauen der Menschen, die sie einsetzen. Ohne Whiteboxing bleibt selbst das technisch am besten entwickelte System unbrauchbar; mit ihm werden selbst anspruchsvolle Prozesse hinreichend verständlich, damit Praktiker sie übernehmen, verfeinern und Tag für Tag betreiben können.

9.4 Fermi-Zerlegung des schwer Fassbaren

Wie auch immer man an das numerische Rezept herangeht: Supply-Chain-Teams stoßen unweigerlich auf schwer fassbare Parameter. Dies sind Größen oder Kräfte, die sich nicht ohne Weiteres in einem Erfassungssystem finden und daher einer direkten Messung entziehen. Sie können strategischer Natur sein — etwa der erwartete Veröffentlichungstermin einer vielversprechenden Technologie, die noch entwickelt wird und von der eine Produkt-Roadmap implizit abhängt. Oder sie sind operativer Natur, etwa die Wahrscheinlichkeit, dass ein großer, aber finanziell angeschlagener Lieferant in den nächsten Quartalen Insolvenz anmeldet. Angesichts solcher Faktoren besteht der traditionelle Ansatz darin, das Problem zu umgehen. Praktiker lassen diese Parameter womöglich ganz aus der Automatisierung weg und kehren zu einem halbmanuellen Prozess zurück, der sich auf eine Mischung aus Meinungen, Vermutungen und vorsorglichen Absicherungen stützt. Diese Behelfslösung verdammt das numerische Rezept zur Abhängigkeit von ständigen menschlichen Eingriffen und untergräbt jede Aussicht auf echte Automatisierung.

Ein besserer Ansatz behandelt diese „unmessbaren“ Größen als vorrangige Ziele einer Analyse nach Fermi, ähnlich dem Vorgehen, das Philip E. Tetlock und Dan Gardner in „Superforecasting: The Art and Science of Prediction“ (2015) beschreiben. Die vom Physiker Enrico Fermi verbreitete Kernerkenntnis lautet: Eine scheinbar unmöglich zu bestimmende Größe lässt sich in eine Reihe leichter zugänglicher Schätzungen zerlegen, die miteinander multipliziert oder addiert eine glaubwürdige Schätzung der ursprünglichen Unbekannten ergeben. Berühmt ist Fermis Aufgabe an Studenten, zu schätzen, wie viele Klavierstimmer in Chicago arbeiteten — eine Zahl, die die meisten ohne offizielles Verzeichnis für nicht ermittelbar hielten. Zerlegt man das Problem jedoch in kleine, getrennte Teile — etwa die ungefähre Einwohnerzahl der Stadt, den Anteil der Haushalte mit Klavier und die Häufigkeit, mit der ein Klavier gestimmt wird —, kann die abschließende Schätzung der Wahrheit überraschend nahekommen.

Ein für die Supply-Chain-Praxis aussagekräftigeres Beispiel ist die Wahrscheinlichkeit, dass sich die Einfuhrzölle auf Waren aus Ruritania in den nächsten fünf Jahren verdoppeln. Diese Größe erscheint in keinem Register, bestimmt aber unmittelbar den Einkaufstakt, den Beschaffungsmix und die Preisgestaltung. Eine Fermi-Zerlegung macht die Schätzung handhabbar. Beginnen wir mit der Außenperspektive: Wir zählen, wie oft während des vergangenen Jahrhunderts der Beziehungen zwischen Westonia und Ruritania Zölle vergleichbarer Größenordnung erhöht oder gesenkt wurden und über welche Zeiträume. Diese historische Basisrate verankert die A-priori-Annahme fest. Dann beziehen wir die Innenperspektive ein: Wir lesen den gegenwärtigen politischen Diskurs in Westonia, beurteilen, ob die Regierungspartei für höhere oder niedrigere Zölle eintritt und ob das Thema in ihrem Programm zentral oder nebensächlich ist, und passen die A-priori-Annahme entsprechend an. Anschließend gewichten wir mithilfe von Umfragen oder Marktquoten plausible Wahlausgänge über den relevanten Horizont — beispielsweise zwei Jahre. Für jeden möglichen Ausgang beurteilen wir die bedingte Wahrscheinlichkeit, dass die siegreiche Partei eine Verdopplung anstreben würde. Schließlich betrachten wir mögliche Vergeltungswege: Ein von Ruritania eingeführter Zoll kann Gegenmaßnahmen Westonias auslösen. Wir spiegeln dieselben Überlegungen aus der Perspektive Ruritanias — seine Innenpolitik, seine historische Neigung zum Einsatz von Zöllen und die Bedeutung von Handelsspannungen —, um die Wahrscheinlichkeit zu bewerten, dass Westonias Schritt reaktiv statt proaktiv ist. Das Endergebnis ist keine Punktschätzung, sondern eine kalibrierte Wahrscheinlichkeit, die mit zunehmender Information revidiert werden kann.

Sobald diese Wahrscheinlichkeit vorliegt, lässt sie sich in monetär bewertete Entscheidungen übersetzen: den erwarteten Zollanstieg für betroffene SKUs, den Optionswert einer Beschleunigung oder Verschiebung von Importen vor Stichtagen, die gerechtfertigte Prämie für alternative Herkunftsländer mit geringerem Risiko und den Nutzen eines Aufschubs — einer späten Festlegung —, um zollsensible Verarbeitungsschritte im Ausland zu halten. Die Schätzung darf grob sein; entscheidend ist, dass sie explizit, prüfbar und den Einkaufs- und Lagerhaltungskosten gleichgestellt ist. So kann Software ohne menschliches Eingreifen sie gemeinsam mit anderen Einflussfaktoren abwägen.

Entscheidend ist, dass die Zerlegung des schwer fassbaren Parameters nicht mit der ersten im Code hinterlegten Schätzung enden sollte. Bei der experimentellen Optimierung unterliegen diese neu eingeführten Parameter denselben Falsifikationsschleifen wie alles andere. Dass die „Wahrscheinlichkeit einer Zollverdopplung“ nicht im Erfassungssystem stand, entzieht sie nicht der Prüfung; im Gegenteil, ihre Neuartigkeit verlangt besondere Wachsamkeit. Tritt eine unsinnige Entscheidung auf — etwa eine, die systematisch übergroße Eingangsbestellungen vorzieht und das Betriebskapital aufzehrt, um einem nie eintretenden Schock zuvorzukommen —, deutet dies darauf hin, dass die Wahrscheinlichkeit oder ihre wirtschaftliche Umsetzung überhöht ist. Steigen die Zölle umgekehrt tatsächlich sprunghaft an und zeigt das numerische Rezept keinerlei vorherige Absicherung — weder vorgezogene Sendungen noch diversifizierte Herkunftsländer oder Aufschub —, dann wurde die Wahrscheinlichkeit unterschätzt. Die Verfeinerung erfolgt iterativ: Jeder Durchlauf schärft die Logik anhand tatsächlicher Ergebnisse oder Beinahe-Fehlschläge, bis keine offensichtlich unsinnigen Entscheidungen mehr auftreten.

In der Praxis wird der Fermi-Ansatz außerdem zu einem wirksamen Schutz gegen die kognitiven Verzerrungen, die jede Schätzung begleiten. Die Schätzungen werden nicht aus einem vagen Eindruck hervorgezaubert, sondern in einer Kette kleinerer, greifbarerer Schätzungen verankert. Der Prozess fördert „aktive Aufgeschlossenheit“, eine bei Tetlocks Superforecastern dokumentierte Eigenschaft: Sie zerlegen ein Problem methodisch und wägen dann Außenperspektiven ab, um jeden Teil zu kalibrieren. Das gesamte Supply-Chain-Team kann — unmittelbar im Code oder in einem durch Whiteboxing transparent gemachten Dashboard — erkennen, wie die Wahrscheinlichkeit der Zollverdopplung berechnet wurde. Das fördert eine gemeinsame Ausrichtung und lädt zu gemeinsamer Feinabstimmung statt einseitigen Eingriffen ein. Hält ein Importverantwortlicher die Gewichtung der Wahlausgänge oder die Bedeutung der Handelspolitik in einem Wahlprogramm für unzutreffend, kann das Team diese einzelne Teilschätzung revidieren, statt die Methode zu zerlegen.

Obwohl die Fermi-Zerlegung arbeitsintensiv ist, erweitert sie auf unkomplizierte Weise die Verfahren, die ohnehin nötig sind, um ein numerisches Rezept vollständig automatisiert zu halten. Sobald Supply-Chain-Praktiker akzeptieren, dass kein Parameter zu ungreifbar für eine Zerlegung ist — selbst wenn dafür grobe Heuristiken nötig sind —, wird der Weg klar, solche schwer fassbaren Elemente in das System aufzunehmen. Wie bei „normalen“ Parametern führt man die Schätzung am besten unter sorgfältiger Instrumentierung ein, damit jeder produktive Durchlauf die ursprüngliche Logik bestätigen oder infrage stellen kann. Die Beherrschung der Supply Chain lebt von Iterationen statt einmaligen Festlegungen. Angesichts des Ungreifbaren besteht der größte Fehler nicht in einer anfänglichen Fehlschätzung, sondern darin, jede Schätzung zu verweigern und das Rezept dadurch zu einem teilweise manuellen Betrieb zu verurteilen.

Indem Supply-Chain-Praktiker das Fermi-Prinzip vollständig annehmen, können sie gerade jene Bereiche angehen, die zuvor als „nicht messbar“ galten¹⁴⁹. Statt sich ungreifbaren Elementen zu beugen, die Automatisierung verhindern, verwandeln sie diese in kleinere, handhabbarere Teile, die sich prüfen und verfeinern lassen. Wie bei allen Bestandteilen eines lebendigen numerischen Rezepts ist jede Näherung mit den realen Ergebnissen verknüpft, die sie hervorbringt, sodass die Supply Chain das mit der Zeit Gelernte aufnehmen kann. Die Alternative — solche schwer fassbaren Parameter stillschweigend als hoffnungslos zu verwerfen — stellt sicher, dass Automatisierung kaum mehr als ein Wunsch bleibt. Die Fermi-Zerlegung bietet einen entschieden praktischen Weg, selbst die am schwersten fassbaren Parameter explizit zu machen. So lassen sich alle entscheidenden Einflussfaktoren des Flusses, ob greifbar oder nicht, in ein ganzheitliches automatisiertes System integrieren.

9.5 Über Programmierbarkeit

In früheren Kapiteln haben wir dargelegt, dass moderne Supply Chains durch Software gesteuert werden müssen, die ohne menschliches Eingreifen prüfbare, wirtschaftlich bewertete Festlegungen ausgibt. Sobald wir eine programmatische Lösung von Supply-Chain-Problemen akzeptieren, stellt sich eine scheinbar gewöhnliche, tatsächlich aber grundlegende Frage: In welcher Sprache sollen diese Entscheidungen ausgedrückt werden? Das ist keine Laune bei der Werkzeugwahl. Eine Sprache legt fest, welche Ideen sich explizit machen lassen, welche Optionen ohne Verrenkungen aufgezählt werden können, wie Unsicherheit bewertet wird und wie die resultierenden Festlegungen Jahre später geprüft werden.

Seit dem Ende der 4GL-Episode ist das Fachgebiet dieser Frage weitgehend ausgewichen.¹⁵⁰ Das Vakuum haben Tabellenkalkulationen, an ERP-Systeme angeklebte Regel-Engines und Skripte in allgemeinen Programmiersprachen gefüllt. Jedes dieser Instrumente hat seinen Platz, doch keines eignet sich als natives Medium für Entscheidungen ohne menschliches Eingreifen im Maßstab einer Supply Chain.

Erfassungssysteme sprechen SQL, weil sie Fakten bewahren müssen, statt sie zu erfinden. SQL eignet sich hervorragend dazu, auszudrücken, was in einem Register ist — Zeilen und ihre Beziehungen —, nicht aber, was als Nächstes getan werden sollte, wenn Variabilität und Abwägungen ins Spiel kommen. Auf Transaktionssysteme aufgesetzte Regel-Engines versuchen, die Lücke mit einem Rinnsal von Wenn-dann-Klauseln zu schließen; mit der Zeit werden daraus fragile Ansammlungen, die niemand vollständig versteht, am wenigsten dann, wenn sich Anreize ändern. Skriptsprachen — heute meist Python, gestern VBA¹⁵¹, davor proprietäre Makros — sind leistungsfähige Prothesen für Analysten, doch gerade ihre Freiheit untergräbt jene Eigenschaften, die wir im Produktivbetrieb am dringendsten benötigen: Determinismus, Reproduzierbarkeit und strenge Kontrolle von Seiteneffekten. Sie erzeugen handwerkliche Werkzeuge; ohne menschliches Eingreifen arbeitende Entscheidungssysteme müssen industriell sein.

Eine geeignete Sprache für die Automatisierung von Supply-Chain-Entscheidungen muss mit der Ökonomie des Flusses und der Physik von Computern übereinstimmen. Ihre Objekte sollten jene sein, mit denen Praktiker tatsächlich arbeiten: typisierte Tabellen mit Schlüsseln für SKUs, Standorte und Datumsangaben; Arrays über diesen Tabellen; und — entscheidend — Zufallsvariablen, die Verteilungen von Nachfrage, Lieferzeiten und Retouren abbilden. Unsicherheit muss ein vollwertiges Sprachelement sein, zusammen mit einer Algebra, die Verteilungen in monetäre Ergebnisse überführt, sodass sich die erwartete, risikoangepasste Rendite jeder Handlung als kurze Formel statt als nachträgliche Simulation ausdrücken lässt. Preise müssen explizit sein: Währungsumrechnung und Rundung als eingebaute Funktionen. Auch die Zeit muss ein vollwertiges Element sein: Kalender und Kalenderalgebra. Sind diese Grundbausteine vorhanden, drückt das System die Entscheidung unmittelbar aus; fehlen sie, schmuggeln Praktiker sie stückweise ein, und die Codebasis verkommt zu Behelfslösungen.

Weil die Prüfbarkeit über das Gelingen oder Scheitern von Systemen ohne menschliches Eingreifen entscheidet, muss die Ausführung deterministisch sein. Dieselben Eingaben müssen dieselben Ausgaben erzeugen — bis auf den letzten Cent —, selbst bei paralleler Berechnung. Zufall muss, soweit er für stochastische Simulationen benötigt wird, explizit und reproduzierbar sein. Seiteneffekte müssen an den Grenzen isoliert werden: maßgebliche Datensätze lesen, Entscheidungen in einem seiteneffektfreien Kern berechnen und die resultierenden Festlegungen anschließend in das Register zurückschreiben. Diese Trennung der Verantwortlichkeiten ist keine akademische Ordnungsliebe; nur so werden nachträgliche Prüfungen und Vergleiche im Parallelbetrieb aussagekräftig.

Entscheidungslogik über Millionen von SKUs, Standorten und Datumsangaben lässt sich nicht als Prozession zeilenweiser Schleifen schreiben, ohne unter ihrem eigenen Gewicht zusammenzubrechen. Die Sprache benötigt deshalb eine Array- oder Tabellensemantik — vektorisierte Operationen über große, typisierte Sammlungen —, damit sich die meisten Programme als Algebra über Mengen statt als Choreografie von Iteratoren lesen. Solche Entwürfe fördern Hardwaregespür: Sie passen gut zu Caches und parallelen Recheneinheiten und machen große Probleme günstig genug, um sie häufig zu lösen.

Die Frage deklarativ oder imperativ? ist abstrakt betrachtet falsch gestellt. Wir brauchen eine imperative Hülle, um den Fluss zu organisieren — einlesen, berechnen, ausgeben —, und einen überwiegend deklarativen Kern, um Bewertungen und Restriktionen als Formeln über Tabellen und Verteilungen auszudrücken. In der Praxis heißt das: Zulässigkeitsprüfungen, Strafkosten und Preise werden als Ausdrücke formuliert, die das System analysieren, umordnen und teilweise neu berechnen kann. Die daraus entstehende Transparenz ermöglicht Abbruchheuristiken: Sinkt das Vertrauen, hält das System nach eigenen Kriterien an, statt Menschen mit Ausnahmen zu belästigen, die es nicht lösen kann.

Nichts davon ist eine Frage syntaktischer Vorlieben. Geschweifte Klammern oder Einrückung sind belanglos. Entscheidend ist die Semantik: Unsicherheit als vollwertiges Element, Geld und Zeit als ursprüngliche Bestandteile statt nachträglicher Ergänzungen, Isolation von Seiteneffekten, Determinismus, vektorisierte Auswertung und eine Laufzeitumgebung, die prüfungstaugliche Dossiers erzeugt. Allgemeine Programmiersprachen lassen sich durch Konventionen und Disziplin in diese Richtung biegen; die Erfahrung zeigt jedoch, dass Konventionen mit zunehmendem Maßstab und über die Zeit verfallen. Eine Supply-Chain-Sprache, die diesen Namen verdient, verankert diese Eigenschaften in ihrer eigenen Grammatik.

Der Rest dieses Abschnitts macht die Auswahlkriterien praktisch anwendbar. Wir untersuchen, wie sich die Sprachsemantik auf die Ausführung ohne menschliches Eingreifen (Determinismus und Reproduzierbarkeit), auf die Ökonomie (natives Geld, Preise und Strafkosten), auf Unsicherheit (probabilistische Grundbausteine und stochastische Simulation) sowie auf Wartbarkeit (kleine Kerne, lesbare Programme, gut vergleichbare Versionen von Artefakten) auswirkt. Das Ziel ist einfach: eine Sprache wählen, mit der das Unternehmen seine wirtschaftliche Logik einmal aufschreiben, in Maschinengeschwindigkeit ausführen und jede Festlegung ex post in Geldeinheiten rechtfertigen kann.

9.5.1 Programmierparadigmen

Ein Programmierparadigma ist der Rahmen, der prägt, wie Software konzipiert, strukturiert und ausgeführt wird. Es legt die Prinzipien zur Organisation von Daten, zur Definition von Operationen und zur Bestimmung des Kontrollflusses fest und leitet damit sowohl den Entwurf als auch die Ausführung.

Die Entwicklung geeigneter Programmierparadigmen für die Supply Chain ist wohl der wichtigste technische Beitrag überhaupt zu diesem Fachgebiet. Ein geeignetes Programmierparadigma erleichtert nämlich die Lösung der meisten — wenn nicht aller — Supply-Chain-Herausforderungen, unabhängig von ihren jeweiligen Komplikationen. Darin unterscheiden sich Programmierparadigmen vollständig von „Modellen“ oder anderen geschlossenen analytischen Lösungen, die konstruktionsbedingt fragil sind, sobald sie auf ungeplante Komplikationen treffen. Viele Verfahren sind von breitem Interesse — der stochastische Gradientenabstieg wäre ein perfektes Beispiel —, doch Programmierparadigmen sind in dieser Hinsicht unübertroffen. Die folgende kurze Liste stellt einige der für die Supply Chain relevantesten Programmierparadigmen vor.

Vertikale Integration bezeichnet eine Umgebung, die den gesamten Technologiestapel — von der Datenspeicherung über Verarbeitung und Logik bis zur Darstellung — in einem einzigen, kohärenten Medium bereitstellt. Das klassische Beispiel ist die Tabellenkalkulation: eine monolithische Anwendung, deren Raster zugleich Datenspeicher, Formel-Engine und Benutzeroberfläche ist, wobei die laufende Neuberechnung die drei verbindet. In einer solchen Umgebung gibt es keinen Bruch zwischen „wo die Fakten liegen“, „wie sie umgewandelt werden“ und „wie sie untersucht werden“; ein einziges Artefakt trägt alles.

Vertikale Integration ist wichtig, weil sie Übergaben entfallen lässt. Sie ermöglicht einer kleinen Zahl von Praktikern, die keine Softwarespezialisten sind, numerische Rezepte von Anfang bis Ende zu verfassen, auszuführen und zu prüfen. Dieselbe Person kann Datensätze einlesen, die Entscheidungslogik ausdrücken und die resultierenden Festlegungen visualisieren, ohne darauf zu warten, dass ein anderes Team eine API bereitstellt oder ein Dashboard anschließt. Ohne vertikale Integration wird das Zusammenstellen des Rezepts zu einem technischen Projekt, das nur Softwareexperten überlassen werden kann. Der Aufwand wuchert zur üblichen Prozession aus — Supply-Chain-Experten, Berater, Projektleiter, Datenbankadministratoren, Softwareentwickler, Datenanalysten —, deren Koordination ein größeres Schnittstellenproblem schafft als das ursprüngliche wirtschaftliche Problem. Tabellenkalkulationen zeigen sowohl die Anziehungskraft als auch die Grenzen dieses Musters: Sie machen vertikale Integration unmittelbar greifbar, zeigen aber zugleich, warum jenseits eines trivialen Maßstabs eine andere Grundlage erforderlich ist (siehe den folgenden Abschnitt „Tabellenkalkulationen“).

Reproduzierbarkeit vergangener Zustände bedeutet, dass die Umgebung den exakten Code und die exakten Daten so bewahrt, wie sie zu jedem Zeitpunkt der Vergangenheit vorlagen. Nutzer können in der Zeit zurückgehen und die damaligen Berechnungen erneut ausführen. Diese Art der durchgängigen Versionierung — Code + Daten — gewährleistet, dass Ergebnisse nicht nur grundsätzlich reproduzierbar, sondern auch für jeden historischen Zeitpunkt automatisch überprüfbar sind.

Bei Supply-Chain-Entscheidungen können selbst kleine Fehler äußerst kostspielig werden, wenn sie schlechte Entscheidungen erzeugen¹⁵². Allzu oft lässt sich das problematische Verhalten nicht reproduzieren, weil sich die Eingabedaten bereits verändert haben, wenn das Problem erkannt wird. Dadurch bleiben Fehler weitaus länger unbehandelt als wünschenswert. Die Reproduzierbarkeit vergangener Zustände ist entscheidend, um diese Mängel zu beseitigen, bevor Supply-Chain-Teams das Vertrauen in die Tragfähigkeit des numerischen Rezepts verlieren und zu ihren Tabellenkalkulationen zurückkehren.

Relationale Algebra arbeitet mit tabellarischen Daten, die gewöhnlich auf mehrere Tabellen verteilt sind, und verwendet dafür einen knappen Satz kombinierbarer Operationen wie Selektion, Projektion, Join und Aggregation. Aus diesen in den 1970er-Jahren formalisierten Operationen¹⁵³ ging die Technologiefamilie SQL (Structured Query Language) hervor, die in modernen Unternehmenssystemen weiterhin allgegenwärtig ist. Der wesentliche Vorzug der relationalen Algebra ist ihr deklarativer Charakter: Statt Schritt für Schritt vorzuschreiben, wie Operationen auszuführen sind, geben Entwickler und Analysten an, welche Ergebnisse sie wünschen, und überlassen die Mechanik dem Ausführungssystem.

Relationale Algebra ist für die Supply Chain von überragender Bedeutung, weil der überwältigende Teil der operativen Daten — Verkaufstransaktionen, Bestellungen, Bestände, Transportereignisse — in relationalen Datenbanken liegt. Das relationale Modell bietet eine systematische Möglichkeit, diese Teile zu verbinden, und stellt sicher, dass Joins über gemeinsame Schlüssel ein kohärentes Ganzes ergeben. Ohne relationale Algebra zur eleganten Zusammenführung dieser unterschiedlichen Quellen greifen Praktiker auf ein Geflecht von Ad-hoc-Behelfslösungen zurück — gewöhnlich unhandliche Makros in Tabellenkalkulationen —, die nicht nur fehleranfällig, sondern auch rechnerisch langsam sind. In der Praxis ist eine relationale Algebra wegen der inhärenten Komplexität der Supply Chain für jedes numerische Rezept unverzichtbar, das eine moderne Supply Chain unterstützt.

Array-Programmierung ist ein Paradigma, bei dem Operationen einheitlich auf ganze Datensammlungen, sogenannte Arrays, angewandt werden, statt von Entwicklern Schleifen über einzelne Elemente zu verlangen¹⁵⁴. Durch die gemeinsame Behandlung von Daten ermöglichen Array-Sprachen und -Bibliotheken¹⁵⁵ knappe Ausdrücke, die die mathematische Formulierung des Problems widerspiegeln. Statt fehleranfällige Schleifen zu schreiben, gibt der Praktiker übergeordnete Transformationen an — etwa arithmetische, logische oder statistische Operationen —, die automatisch auf jedes Element des Arrays übertragen werden. Da keine explizite Indizierung mehr nötig ist, verringert Array-Programmierung Off-by-one-Fehler und andere subtile Mängel erheblich. Zudem können die zugrunde liegenden Ausführungssysteme Sammeloperationen optimieren, weshalb Array-Code insbesondere bei großen Datenbeständen häufig schneller ist als gleichwertige schleifenbasierte Routinen.

Aus Supply-Chain-Sicht ist Array-Programmierung entscheidend, weil nahezu alle relevanten Entscheidungen für Tausende, wenn nicht Millionen von SKUs, Filialstandorten oder Zeitschritten zugleich berechnet werden müssen. Iterative oder schleifenbasierte Ansätze machen diesen Prozess aufwendiger zu programmieren, schwieriger zu debuggen und anfälliger für unbemerkte Fehler, besonders beim Umgang mit Sonderfällen oder komplexen Restriktionen. Der vektorisierte Stil der Array-Programmierung liefert dagegen kompakten, ausdrucksstarken Code, der sich nicht nur leichter prüfen, sondern auch einfacher erweitern lässt, wenn neue Produktlinien, Standorte oder Supply-Chain-Komplikationen hinzukommen. Diese größere Klarheit verringert das Risiko, dass subtile Logikfehler unentdeckt bleiben, während die Leistungsgewinne vektorisierter Operationen schnellere Iterationen ermöglichen. In der Praxis verbessern diese beiden Eigenschaften — Korrektheit und Agilität — die Fähigkeit eines Unternehmens erheblich, Prototypen seiner Entscheidungsprozesse zu entwickeln, sie zu verfeinern und mit Vertrauen produktiv einzusetzen.

Verteilter Datenfluss ist ein Programmierparadigma, das Berechnungen automatisch auf mehrere Rechner verteilt und Arbeitslasten wirksam aufteilt und parallelisiert, um gewaltige Datenmengen zu bewältigen. Statt Entwickler zu zwingen, Nebenläufigkeit Schritt für Schritt zu organisieren, stellen verteilte Datenflusssysteme Datentransformationen gewöhnlich als gerichtete azyklische Graphen (DAGs) dar, die anschließend von einem Rechnercluster parallel ausgeführt werden können¹⁵⁶. Dieser Ansatz fördert die Widerstandsfähigkeit gegen Teilausfälle — fehlerhafte Knoten lassen sich umgehen oder ersetzen, ohne den gesamten Auftrag anzuhalten — und nutzt moderne Cloud-Infrastrukturen auf natürliche Weise. Indem verteilter Datenfluss von den meisten technischen Einzelheiten der Netzwerkkommunikation und Prozesssynchronisation abstrahiert, können sich Praktiker auf den logischen Ablauf ihrer Berechnungen konzentrieren, statt mit grundlegenden Mechanismen der Nebenläufigkeit zu ringen.

Für die Supply Chain ist verteilter Datenfluss in zweierlei Hinsicht bedeutsam. Erstens erfordert der schiere Umfang vieler Vorgänge — über SKUs, Lager und Transportrouten hinweg — das Einlesen und Umwandeln gewaltiger Datenbestände. Ein zentralisiertes oder sequenzielles System wäre untragbar langsam und ließe Entscheidungsträger mit veralteten Ergebnissen zurück oder zwänge sie, den Umfang ihrer Analysen zu begrenzen. Zweitens erleichtert er die gemeinsame Nutzung von Rechenressourcen, die nur zeitweise benötigt werden. Muss eine Prognose beispielsweise nur einmal täglich aktualisiert werden, lassen sich die entsprechenden Rechenressourcen nach Bedarf beziehen und wieder freigeben, was die Infrastrukturkosten erheblich senkt. Allgemeiner sind verteilte Datenflüsse entscheidend, um bei stark schwankenden Arbeitslasten eine stabile Leistung zu erhalten.

Differenzielle Ausführung ist ein Programmierparadigma, bei dem das System Abhängigkeiten zwischen Berechnungen automatisch verfolgt und nur die von einer bestimmten Änderung betroffenen Teile des Ablaufs erneut ausführt. Statt die gesamte Pipeline von Grund auf neu zu durchlaufen, untersucht das System einen Berechnungsgraphen, der Datentransformationen als Knoten und Kanten darstellt, und ermittelt einen „Diff“ zwischen dem aktuellen und dem zuvor ausgeführten Graphen. Zwischenergebnisse, die weiterhin gültig sind, bleiben erhalten; nur neue oder veränderte Knoten werden neu berechnet. Zusätzlich kann das System auf intelligente Weise Caches für Zwischenresultate nutzen, deren Berechnung teuer oder zeitaufwendig ist, deren Ergebnisdaten aber relativ klein sind. Dadurch beschleunigt es spätere Durchläufe mit denselben Teilberechnungen. Dieses Paradigma unterscheidet sich sowohl von herkömmlicher Stapelverarbeitung als auch von rein inkrementellen Ansätzen, da es die Breite einer vollständigen Datenfluss-Engine mit der Selektivität feingranularer Aktualisierungen verbindet.

Aus Supply-Chain-Sicht ist differenzielle Ausführung entscheidend, weil numerische Rezepte von Natur aus iterativ sind. Praktiker ändern gewöhnlich einige Zeilen und führen das Rezept dann erneut aus, um die Plausibilität der bisher berechneten Ergebnisse zu prüfen. Da das fertige Rezept häufig Tausende Zeilen umfasst, erfordert seine Entwicklung Hunderte kleiner Iterationen. Ohne differenzielle Ausführung müsste bei jeder kleinen Skriptänderung der gesamte Bestand aller Daten erneut verarbeitet werden. Dies ist untragbar teuer und hemmt schnelle Iterationen, insbesondere bei Datenbeständen im Gigabyte-Bereich, die aus Unternehmenssystemen zufließen. Indem sich differenzielle Ausführung auf die minimale Menge zu erneuernder Berechnungen konzentriert, schont sie Ressourcen, verkürzt die Zeit bis zum Ergebnis und ermöglicht schnelle Rückkopplungsschleifen.

Die Algebra der Zufallsvariablen ist ein Programmierparadigma, in dem unsichere Größen als Zufallsvariablen modelliert und verarbeitet werden — nicht bloß als numerische Skalare oder Punktschätzungen. In dieser Umgebung lassen sich Addition, Multiplikation und andere arithmetische oder logische Operationen unmittelbar auf Zufallsvariablen anwenden und erzeugen neue Zufallsvariablen. Statt sämtliche Unsicherheit in fehleranfälligen Ad-hoc-Simulationen oder unstrukturierten Datentabellen zusammenzufassen, können Praktiker jeden unsicheren Faktor — Nachfrage, Lieferzeit, Einkaufspreise, Produktionsausbeute oder Retouren — als eigene Verteilung definieren. Interagieren diese Faktoren, kombiniert die Sprache ihre Verteilungen nahtlos durch einen kohärenten Satz probabilistischer Operationen. Der entstehende Code bildet die zugrunde liegenden stochastischen Phänomene eng ab und umgeht komplexe Schleifen oder gesonderte Monte-Carlo-Schritte. Indem dieses Paradigma Zufallsvariablen als vollwertige Sprachelemente behandelt, ermöglicht es präzise und transparente Transformationen der Unsicherheit entlang der gesamten Entscheidungspipeline.

Diese algebraische Behandlung der Unsicherheit ist für die Supply Chain angesichts der allgegenwärtigen Rolle probabilistischer Prognosen in der Risikoanalyse lebenswichtig. Im realen Betrieb reicht es nie aus, einer einzigen vermeintlich besten Schätzung zu folgen: Die Nachfrage steigt oft ohne Vorwarnung sprunghaft an, Teile kommen aus Gründen zu spät, die niemand vollständig versteht, und Wechselkurse schwanken auf eine Weise, die einfachen Vorhersagen spottet. Ohne eine explizite „Algebra“ zur Kombination dieser Verteilungen werden fast immer vereinfachende punktbasierte Analysen eingesetzt, die stillschweigend Informationen verwerfen, sobald Mittelwerte gebildet oder Worst-Case-Annahmen getroffen werden. Eine Algebra der Zufallsvariablen bewahrt dagegen die gesamte Wahrscheinlichkeitsverteilung von vorgelagerten Vorgängen — etwa der Lieferzeit eines Lieferanten — bis zu nachgelagerten Vorgängen — etwa der Bestandsplatzierung. So bleiben Unsicherheiten sichtbar, konsistent und mathematisch fundiert. Dieser Ansatz verringert nicht nur die Wahrscheinlichkeit kostspieliger Fehlberechnungen, bei denen eine kleine Unterschätzung zu Fehlbeständen oder eine geringe Überschätzung zu aufgeblähten Lagerhaltungskosten führen kann, sondern beschleunigt auch das Experimentieren.

Differenzierbare Programmierung ist ein Paradigma, das die Flexibilität allgemeiner Programmierung mit den Rechenverfahren der automatischen Differenzierung und gradientenbasierten Optimierung verbindet. Im Kern behandelt dieser Ansatz jeden Schritt einer Datentransformationspipeline als differenzierbare Funktion. Dadurch können Parameter mittels stochastischen Gradientenabstiegs oder verwandter Optimierer unmittelbar in jenem Code angepasst werden, der die Logik implementiert. Statt das Lernen in eine isolierte Umgebung auszulagern — etwa durch den Export von Daten in spezialisierte Machine-Learning-Werkzeuge —, macht differenzierbare Programmierung „trainierbaren Code“ zu einem vollwertigen Element. Jede Transformation, vom Parsen der Eingaben bis zur endgültigen Prognose, kann entworfen, mit Parametern versehen und automatisch aktualisiert werden, um eine gewählte Verlustfunktion zu minimieren. Dieses Paradigma geht über rein numerische Verfahren hinaus: Es webt Fachwissen unmittelbar in die parametrische Struktur der Modelle ein und sorgt dafür, dass diese Strukturen interpretierbar und mit den zugrunde liegenden Geschäftsprozessen im Einklang bleiben.

In der Supply Chain ist differenzierbare Programmierung besonders wirksam, weil sie mehrere entscheidende Lücken zugleich schließt. Erstens sind Supply-Chain-Daten bekanntlich dünn besetzt und heterogen; viele SKUs, Standorte oder Zeitabschnitte bieten nur begrenzte Beobachtungen, teilen jedoch übergeordnete Muster — etwa Wochenzyklen oder verkaufsförderungsbedingte Nachfrageschübe. Ein differenzierbares Programm kann diese Muster durch gemeinsame Parameter explizit modellieren und dadurch gegenüber vorgefertigten Blackbox-Ansätzen die statistische Effizienz steigern. Zweitens lässt sich schon die Form des Supply-Chain-Problems — seine Mischung aus relationalen Abfragen, Array-Transformationen und Zufallsvariablen — unmittelbar in einem parametrischen, lernfähigen Skript ausdrücken, statt Praktiker zu zwingen, einen „Sprache-in-der-Sprache“-Entwurf zusammenzuflicken. Diese Passung vereinfacht nicht nur Iterationen, sondern liefert auch transparentere Modelle, deren benannte Parameter — etwa „saisonale Amplitude“, „Verschiebung durch Hafenüberlastung“ oder „Black-Friday-Zuwachs“ — Fachexperten etwas sagen. Vor allem bietet differenzierbare Programmierung durch die Einbettung von Lernschleifen in den gewöhnlichen Daten- und Entscheidungsfluss eine einheitliche Umgebung, in der sich Prognose und Optimierung gemeinsam mit den tatsächlichen geschäftlichen Restriktionen weiterentwickeln können, statt als einmalige oder rein akademische Übung abseitszustehen.

Deterministische verteilte Zufallszahlenerzeugung (RNG) ist ein Programmierparadigma, das zwei scheinbar widersprüchliche Ziele miteinander vereinbaren soll: groß angelegte Monte-Carlo-Simulationen über mehrere Rechner hinweg zu nutzen und zugleich sicherzustellen, dass jeder Durchlauf — selbst in einem verteilten Cluster — bei gleichen Eingaben bitweise identische Ergebnisse liefert. Anders gesagt garantiert der Ansatz, dass Zufallsziehungen nach Festlegung ihrer Startwerte im gesamten Datenflussgraphen einem vorhersehbaren Muster folgen, unabhängig von wechselnden Arbeitslasten oder dynamischen Rechnerzuweisungen. Monte-Carlo-Verfahren übertreffen eine unmittelbare Algebra der Zufallsvariablen häufig dann, wenn sich das betrachtete Phänomen einer analytischen Zerlegung widersetzt. Naive Parallelisierung kann den Prozess jedoch leicht nichtdeterministisch machen und eine exakte Reproduktion der Ergebnisse von einem Durchlauf zum nächsten verhindern. Deterministische verteilte Zufallszahlenerzeugung vermeidet diese Falle durch einen sorgfältig abgestimmten Mechanismus zur Verwaltung pseudozufälliger Startwerte und zur Partitionierung. Damit verbindet sie die Flexibilität simulationsbasierter Ansätze mit der für rigoroses Engineering unverzichtbaren Reproduzierbarkeit.

Dieses Paradigma ist aus zwei Hauptgründen für die Supply Chain unverzichtbar. Erstens ist das Fachgebiet bereits von echter Unsicherheit durchdrungen: Nachfrageschocks, Lieferantenverzögerungen, Währungsschwankungen und vieles mehr. Führt die Softwareschicht zusätzlich ihren eigenen Zufall ein und erzeugt bei unveränderten Eingaben in jedem Durchlauf andere Ausgaben, können Führungskräfte Probleme weder zuverlässig diagnostizieren noch der Entscheidungspipeline vertrauen. Zweitens hängen Erfolg und Misserfolg von Supply-Chain-Initiativen von kontinuierlicher Iteration ab, da Praktiker ihre numerischen Rezepte häufig verfeinern, historische Szenarien erneut durchspielen und neue Ergebnisse mit alten Vergleichswerten abgleichen. Strenger Determinismus erspart ihnen die Jagd nach „Heisenbugs“, die bei erneuter Prüfung verschwinden, und gewährleistet, dass sich jede eine Woche oder ein Jahr später entdeckte Anomalie auf die genaue Kombination aus Daten und Code zurückführen lässt, die sie verursacht hat. Indem Supply-Chain-Teams die exakte Reproduzierbarkeit ihrer Simulationen und Prognosen erhalten, gewinnen sie die Prüfbarkeit und das Vertrauen, die für eine sichere Automatisierung von Entscheidungen nötig sind.

9.5.2 Tabellenkalkulationen

Der anhaltende Erfolg von Tabellenkalkulationen in der Supply Chain ist kein Zufall. Innerhalb eines einzigen Rasters bieten sie eine Form funktionaler reaktiver Programmierung, die eng mit vertikaler Integration verbunden ist: Datenspeicherung, formelgesteuerte Logik und eine visuelle Benutzeroberfläche existieren gemeinsam in einer einheitlichen Umgebung. Das Ergebnis ist eine nahezu perfekte Rückkopplungsschleife — ähnlich einer schnellen REPL¹⁵⁷ —, die einen sanften Einstieg ins Lernen ermöglicht. Supply-Chain-Praktiker können mit wenigen Zellen beginnen, eine Formel verändern und sofort das Ergebnis ihrer Anpassungen sehen. Diese Unmittelbarkeit steht in starkem Gegensatz zu klassischen Abläufen der Softwareentwicklung, bei denen Code geschrieben, paketiert und anschließend bereitgestellt werden muss, bevor sich Ergebnisse beobachten lassen.

Die programmatische Vielseitigkeit von Tabellenkalkulationen sollte nicht unterschätzt werden. Innerhalb weniger Minuten kann ein Nutzer Ad-hoc-Logik für Prognosen, Bestandskonsolidierung oder Was-wäre-wenn-Analysen zusammenstellen. Die Einstiegshürde ist niedrig: Supply-Chain-Führungskräfte müssen weder Datenbankadministratoren noch Softwareentwickler werden, um viele Alltagsberechnungen zu bewältigen. Obwohl Anbieter wiederholt versucht haben, Prognose oder Optimierung in „gebrauchsfertigen“ Analysemodulen zu kapseln, sind Tabellenkalkulationen durchweg beliebt geblieben. Das liegt daran, dass ihr funktionales reaktives Raster Sonderfälle und „kabelartige“ Komplikationen¹⁵⁸ flexibler aufnehmen kann als starre Standardlösungen.

Trotz dieser Stärken stehen Tabellenkalkulationen einer echten Automatisierung von Supply-Chain-Entscheidungen grundsätzlich entgegen. Praktiker nennen häufig „mangelnde Skalierbarkeit“ als Grund dafür, dass Tabellenkalkulationen oberhalb eines bestimmten Datenvolumens versagen — insbesondere wenn eine Arbeitsmappe über lokales Hosting auf einem einzigen Rechner gemeinsam genutzt wird. Die entfernte Bereitstellung von Tabellenkalkulationen kann zwar manche Leistungsprobleme lindern, beseitigt aber nicht die tiefer liegenden strukturellen Grenzen. Vor allem zwei dieser Grenzen vereiteln die Aussicht auf eine robuste Supply-Chain-Automatisierung.

Erstens sind Tabellenkalkulationen mit der Zeit von umfangreich duplizierter Logik durchzogen, die über Dutzende, mitunter Hunderte Arbeitsblätter und Arbeitsmappen verstreut ist. Jedes Mal, wenn ein Nutzer eine Formel kopiert oder für eine geringfügig andere SKU oder einen anderen Standort ein ähnliches Arbeitsblatt neu erstellt, laufen die Strukturen etwas weiter auseinander. Irgendwann kann niemand mehr sicher nachvollziehen, welche Zellen das Endergebnis bestimmen. Selbst kleine Änderungen werden riskant und können Abhängigkeiten zerstören, die in Zellbezügen verborgen sind. Sobald mehrere Menschen zusammenarbeiten, vervielfachen sich diese Probleme. Schlimmer noch: Tabellenkalkulationen fehlen gewöhnlich die robusten Funktionen für Versionierung, Modularität und Prüfung, die nötig sind, um eine sich rasch verändernde Codebasis im Blick zu behalten.

Zweitens lassen sich die Feinheiten der Supply Chain — Mehrquellenbeschaffung, Restriktionen bei der Containerfüllung, Lieferzeitvariabilität, unvollständige Stücklisten, mehrstufige Hierarchien — selten auf ordentliche zweidimensionale Raster reduzieren. Tabellenkalkulationen „zerschneiden“ jede Dimension gewaltsam in Zeilen und Spalten und erschweren dadurch schon mäßig komplexe Joins oder Querverweise. Eine einzelne SKU, die von zwei Lieferanten mit unterschiedlichen Kostenstrukturen und Lieferzeiten abhängt, kann beispielsweise künstliche Erweiterungen von Zellbereichen sowie zahlreiche „Hilfsblätter“ erfordern, die ein relationales Modell nachzubilden versuchen. Je mehr verzweigte Logik oder Abfragen über mehrere Tabellen eine Supply Chain benötigt, desto unhandlicher wird die Tabellenkalkulation.

Über diese unmittelbaren Hürden hinaus schneiden Tabellenkalkulationen auch gegenüber den Programmierparadigmen schlecht ab, die modernes Supply-Chain-Engineering am besten unterstützen:

• Die Reproduzierbarkeit vergangener Zustände wird bei großen Tabellenkalkulationen nahezu unmöglich: Dateiversionen lassen sich zwar speichern, doch jede Nutzerhandlung verändert das gemeinsame Dokument, häufig ohne präzise Kontrolle darüber, welche Zellen sich warum geändert haben. „Heisenbugs“ im Nachhinein zu debuggen, ist fast aussichtslos.

• Eine Algebra der Zufallsvariablen, differenzierbare Programmierung oder deterministische verteilte Zufallszahlenerzeugung lassen sich nicht praktikabel in typische Rasterformeln einbetten. Bestenfalls hängen Praktiker externe Makros oder Erweiterungen von Drittanbietern an, doch diese Behelfskonstruktionen ergeben selten robuste, produktionsreife Abläufe.

• Die Instrumentierung für LLMs — damit große Sprachmodelle Code automatisch erzeugen oder refaktorieren können — stößt durch die inhärente zweidimensionale Zerstreuung der Logik an Grenzen. Die meisten LLM-basierten Ansätze setzen eine stärker strukturierte Textumgebung voraus, in der logische Beziehungen explizit sind, statt in Zellbezügen und kurzlebigen Makros verborgen zu bleiben.

Grundsätzlich könnten Tabellenkalkulationen versuchen, einige dieser Mängel zu beheben — etwa durch leistungsfähigere Rechenwerke unterhalb des Rasters. Das Paradigma selbst bleibt jedoch unverändert: Es ist für menschliche Interaktion und Ad-hoc-Erkundung ausgelegt, nicht für die systematische Bewältigung ständig wechselnder Komplexität in groß angelegten Flüssen. Sobald sich ein Unternehmen zu kontinuierlichen Entscheidungen ohne menschliches Eingreifen verpflichtet — über Tausende oder Millionen SKUs und Hunderte Standorte hinweg —, werden die Risse sichtbar. Je mehr diese Risse mit kurzfristigen Reparaturen geflickt werden, desto verwickelter wird die Arbeitsmappe, bis niemand mehr dem fragilen Gebilde vertrauen kann.

Damit stellen Tabellenkalkulationen, obwohl sie unbestreitbar jahrzehntelang im Zentrum der Supply-Chain-Praxis standen, eine technologische Sackgasse dar. Ihr Scheitern ist nicht bloß eine Frage von „mehr Software“ oder „schnellerer Hardware“. Vielmehr widerspricht ihr gesamter Entwurf — rasterbasierte Formeln, manuelle Duplizierung von Logik, minimale Prüfunterstützung und ein impliziter Fokus auf lokale Nutzereingriffe — den Paradigmen, die eine Automatisierung in großem Maßstab erfordert. Gerade weil Tabellenkalkulationen bei einmaligen oder eng begrenzten Aufgaben glänzen, ebnen sie nicht den Weg zu robusten, vollständig automatisierten Supply-Chain-Prozessen.

9.5.3 Allgemeine Programmiersprachen

Bei all ihren Grenzen verweisen Tabellenkalkulationen auf eine umfassendere Wahrheit: Die Supply Chain erfordert Ad-hoc-Programmierung, der kein statisches „Standardprodukt“ gerecht werden kann. Grundsätzlich könnte jede allgemeine — „generische“ — Programmiersprache diesen Bedarf decken, zumal moderne Sprachen inzwischen weitgehend mehrere Paradigmen unterstützen. Ein Team könnte durch das Aufeinanderschichten von Bibliotheken die wesentlichen Anforderungen der Supply Chain nachbilden: Reproduzierbarkeit vergangener Zustände, Array-Programmierung, differenzielle Ausführung und mehr. In der Praxis verschlingt dieser Weg jedoch mehr Aufwand, als er einbringt.

Erstens erzeugen allgemeine Programmiersprachen akzidentelle Komplexität. Objektorientierte Muster werden beispielsweise unnötig aufwendig, wenn sie überwiegend tabellarische Supply-Chain-Daten modellieren. Uneingeschränkte Netzwerk- oder Systemaufrufe begünstigen Sicherheitsprobleme und sogenannte „Supply-Chain-Angriffe“ — Einschleusungen nicht in den unternehmenseigenen Code, sondern in ein Drittanbieterpaket, von dem er abhängt. Selbst rein mathematische Operationen zerfallen in ein Dickicht winziger Module. Je tiefer ein Team in dieses Ökosystem einsinkt, desto mehr Zeit verbringt es mit Feinheiten, die wenig mit der Allokation knapper Supply-Chain-Ressourcen zu tun haben.

Zweitens verpflichtet sich das Unternehmen durch die Nutzung einer allgemeinen Umgebung faktisch zu einem vollwertigen Softwareprojekt. Die Speicherschicht muss ausgewählt oder entwickelt und integriert werden; die Rechenschicht muss für große Datenmengen oder SKU-Bestände skalieren; die Darstellungsschicht muss für Supply-Chain-Nutzer programmiert oder angepasst werden. Diese Folge von Entscheidungen, die jeweils an eine andere Technologie gebunden sind, erschwert die Wartung der Lösung. Jede kleine Verschiebung — eine neue Datenbankversion, eine nicht mehr gepflegte Bibliothek — kann Inkompatibilitäten kaskadenartig auslösen. Innerhalb weniger Jahre setzt „Softwareverfall“ ein und entzieht tatsächlichen Supply-Chain-Verbesserungen Ressourcen.

Drittens zersplittert der Zusatzaufwand eines solchen Projekts fast immer das Fachwissen. Am Ende implementiert und pflegt ein kleiner Kreis von Softwarespezialisten, gewöhnlich mit wenig Supply-Chain-Erfahrung, den Code. Die eigentlichen Praktiker — jene, die die verwickelten Eigenheiten und unzähligen weiteren fachspezifischen Komplikationen verstehen — werden derweil an den Rand gedrängt. Sie müssen Änderungen indirekt vorschlagen, „Tickets“ einreichen und Anfragen durch mehrere Vermittlungsebenen schicken. Mit wachsendem Abstand zwischen Entdeckung und Bereitstellung verflüchtigt sich die Agilität. Im Extremfall wird die Lösung so spezialisiert, dass nur ihre ursprünglichen Autoren sie reparieren oder erweitern können — eine fragile Konstellation bei Personalwechseln oder Umstrukturierungen.

Viertens können allgemeine Programmiersprachen zwar theoretisch fortgeschrittene Paradigmen wie differenzierbare Programmierung oder deterministisches Monte Carlo unterstützen, tun dies aber selten auf kohärente Weise. Die einschlägigen Bibliotheken werden faktisch zu „Sprachen innerhalb der Sprache“. Eine Bibliothek verwaltet verteilte Datenflüsse, eine andere behandelt Zufallsvariablen, eine weitere versucht eine Datenversionierung für Zeitreisen. Jedes dieser Teilsysteme verlangt seine eigene Konfiguration, Datenstrukturen und Nutzungsmuster und vergrößert dadurch den kognitiven Zusatzaufwand. Was als eine einzige Entscheidungspipeline gedacht war, zerfällt in getrennte Werkzeugketten, von denen jede an ihren Nahtstellen auseinanderbrechen kann.

Keine dieser Herausforderungen ist unüberwindbar: Mit genügend Talent, Geld und Zeit kann das richtige Team auf einer allgemeinen Programmiersprache eine brauchbare Lösung aufbauen. Einige der größten Händler und Hersteller tun genau das. Dieser Weg ist jedoch so ressourcenintensiv, dass ihn nur Unternehmen von enormer Größe auf Dauer tragen können; selbst dann bleibt er fragil. Verbesserungen bei großen Sprachmodellen können Teile dieser Abläufe automatisieren — etwa Codegerüste erzeugen oder ältere Bibliotheken refaktorieren —, beseitigen aber nicht die mangelnde Passung zwischen einer frei gestaltbaren Sprache und den spezialisierten Anforderungen der Supply Chain. Paradoxerweise stärken bessere LLMs das Argument für domänenspezifische Umgebungen: Je geschickter sie Code schreiben und prüfen, desto mehr profitiert eine schlanke, auf die Supply Chain ausgerichtete Sprache von ihrer Unterstützung.

Kurzum: Keine absolute technische Hürde hindert eine allgemeine Programmiersprache daran, einen groß angelegten, vollständig automatisierten Supply-Chain-Prozess zu tragen. Ein solches Vorhaben verursacht jedoch Zusatzaufwand und Komplexität, die für die meisten Organisationen ungeeignet sind. Weil die Supply Chain dazu dient, Optionalität zu nutzen, statt darin zu ertrinken, erweist sich das Aufeinanderschichten mehrerer Paradigmen und Bibliotheken, von denen keines die drängenden Anforderungen des Fachgebiets nativ erfüllt, gewöhnlich als Umweg und nicht als Ziel.

10 Einführung

Bei der Einführung in die Supply Chain werden die vorangegangenen Kapitel — Ökonomie, Information, Intelligenz, Engineering und Entscheidungen — zu einer Maschine, die täglich fundierte Entscheidungen trifft. Diese Maschine ist ein Intelligenzsystem, das maßgebliche Datensätze ohne menschliches Eingreifen in prüfbare Festlegungen für den Güterfluss umwandelt. Das Ziel ist weder „bessere Transparenz“ noch eine schönere Prognose: Es besteht darin, Bestellungen, Umlagerungen, Ablaufpläne und Preisänderungen auszugeben, die konstruktionsbedingt wirtschaftlich sinnvoll sind, und sie im laufenden Betrieb zu verbessern.

Das zu liefernde Ergebnis ist operativ: Eine funktionierende Einführung liest Rohextrakte aus Erfassungssystemen ein, verfolgt ein in Geld ausgedrücktes Ziel unter probabilistischer Unsicherheit und schreibt Entscheidungen in die Register zurück. Sie zeigt sich an ihren Ausgaben — angelegten Zeilen in Bestelltabellen, gebuchten Umlagerungen, veröffentlichten Preisen —, ohne dass ein Planer jede Zeile durch eine Tabellenkalkulation schleusen muss. Alles, was hinter solchen Ausgaben ohne menschliches Eingreifen zurückbleibt, ist Projekttheater.

Drei Eigenschaften machen dieses System in der Praxis sicher und produktiv. Erstens Verantwortung: Ein kleines Team — idealerweise eine namentlich benannte Person — trägt die durchgängige Verantwortung für das numerische Rezept, also den Code, der Optionen absteckt, Abwägungen bewertet und tägliche Festlegungen erzeugt. Zweitens Transparenz: Jede Ausgabe wird von einem Dossier begleitet, das die wichtigsten wirtschaftlichen Einflussfaktoren offenlegt. So können Praktiker erkennen, warum die Entscheidung sinnvoll ist, und der Finanzbereich kann sie in Geldeinheiten prüfen. Drittens Reversibilität: Die Engine ist zustandslos und durch Abbruchheuristiken abgesichert; sie lässt sich innerhalb weniger Stunden parallel betreiben, in den Produktivbetrieb übernehmen oder zurücksetzen und hält an, wenn das Vertrauen sinkt.

Der Weg zu diesem Zustand ist nicht rätselhaft, verzeiht aber keine Nachlässigkeit. Er beginnt mit täglichen Rohextrakten — ungefiltert, schemagetreu und stabil —, führt über ein erstes Rezept, das täglich neben der manuellen Routine läuft, bis keine unsinnigen Zeilen mehr übrig bleiben, und mündet in einen schrittweisen Rollout, der Tabellenkalkulationen abschafft, statt die Engine darin einzuhüllen. Der Umfang wird so festgelegt, dass er Flüsse erfasst, die um dieselben knappen Ressourcen konkurrieren; Rollen werden auf das für die Arbeit Nötige begrenzt; die Steuerung folgt wirtschaftlichen Maßstäben, keinen Ritualen.

Die meisten Ursachen gescheiterter Einführungen sind bereits bekannt: Pilotprojekte, die im Nur-Lese-Modus bleiben und nie auch nur eine einzige Festlegung für den Güterfluss in die Register zurückschreiben; Teildatensätze, die Skaleneffekte verbergen; Cargo-Kult-Parameter, die aus Altsystemen kopiert werden; Ausschüsse, die über Prognosen statt über Entscheidungen debattieren; und Beschaffungsrituale, die den Anbieter mit dem besten Papierkram gegenüber jenem mit den besten Entscheidungen bevorzugen. Um diese Fallen zu vermeiden, braucht es dieselbe Haltung, für die dieses Buch durchgehend eintritt: das Problem in Geld fassen, Optionen explizit offenlegen, Unsicherheit unverfälscht abbilden und die administrative Arbeit Software überlassen, die ohne menschliches Eingreifen läuft.

Dieses Kapitel ist eine Anleitung für diese Haltung im Produktivbetrieb: Es zeigt, wie man bei Bedarf einen Partner auswählt, den Umfang so absteckt, dass die Engine rasch auf reale Restriktionen trifft, die Datenpipeline strukturiert, das Rezept schreibt, instrumentiert und robust macht, es parallel betreibt und auf Betrieb ohne menschliches Eingreifen umstellt sowie das laufende System intakt hält, während sich Rollen und Anreize verändern. Das Ziel ist keine zusätzliche Berichtsebene, sondern der Ersatz manueller Routinen durch einen Kapitalvermögenswert, der Entscheidungen in Maschinengeschwindigkeit ausgibt, prüft und verbessert.

Da viele Firmen nicht alles selbst entwickeln werden, beginnen wir mit den praktischen Fragen der Anbieterauswahl. Die hier empfohlene Methode — adversariale Marktforschung — passt besser zur Undurchsichtigkeit und den Anreizen von Software als RFP-Theater und entspricht der in früheren Kapiteln vertretenen Vorrangstellung der Ökonomie. Sobald der Partner ausgewählt ist, wenden wir uns Einrichtung und Umfang, dem numerischen Rezept, Systemeffekten, Rollen, Zeitrahmen sowie den Abläufen von Rollout und Wartung zu.

Der Kürze halber verwenden wir durchgehend folgende Begriffe: Ein Intelligenzsystem bezeichnet den einsetzbaren Vermögenswert, der maßgebliche Datensätze — ergänzt um einige geprüfte externe Datenquellen — ohne menschliches Eingreifen in prüfbare Festlegungen für den Güterfluss umwandelt und diese in die Register zurückschreibt. Sein logischer Kern — das Programm, das Optionen absteckt, Abwägungen bewertet, Unsicherheit abbildet und Zeilen ausgibt — ist das numerische Rezept.

10.1 Einen Anbieter auswählen

Die Komplexität moderner Supply Chains übersteigt bei Weitem das, was sich ohne Software bewältigen lässt. Den meisten fehlen die Mittel oder die Bereitschaft, diese Instrumente selbst zu entwickeln — auch wenn die Open-Source-Landschaft die finanzielle Belastung eines solchen Vorhabens stark verringert. Daher gibt es zahlreiche Anbieter von Supply-Chain-Software, und die meisten Unternehmen stehen ab einer gewissen Größe regelmäßig vor der Aufgabe, einen davon auszuwählen.

Die Softwarebranche weist jedoch eine außergewöhnliche Vielfalt auf und bleibt zugleich relativ undurchsichtig. Diese Undurchsichtigkeit hat viele Dimensionen: Fähigkeiten, Leistungsfähigkeit, Lizenzgebühren, Betriebskosten, Zuverlässigkeit, Wartbarkeit, Weiterentwickelbarkeit, Sicherheit und mehr.

Die Open-Source-Landschaft sollte grundsätzlich transparenter sein, da sich der Quellcode frei einsehen lässt. In der Praxis gibt es jedoch zwei wesentliche Einschränkungen. Erstens ist die technische Expertise, mit der sich eine bestimmte Open-Source-Technologie zuverlässig beurteilen lässt, selten zu finden. Eine Open-Source-Technologie nur deshalb für solide zu halten, weil sie aus einer bekannten Quelle stammt — etwa von einem großen Softwareanbieter —, ist ein seit Langem bewährtes Rezept für eine Katastrophe. Anbieter geben ständig Open-Source-Projekte auf, weil sie wenig zu verlieren haben. Zweitens bietet die Open-Source-Landschaft vor allem Komponenten statt Lösungen — insbesondere bei Unternehmenssoftware. Will ein Unternehmen diese Komponenten nutzen, muss es daher letztlich ein internes Softwareprojekt durchführen.

So wählen Unternehmen ihre Softwareanbieter wohl oder übel unter hoher Unsicherheit aus. Doch Software weist, wie die meisten intellektuellen Unternehmungen, eine extrem ungleiche Bandbreite von Beiträgen auf: von abgrundtiefer Dummheit bis zu menschlichem Erfindungsgeist in Höchstform. Verbindet man die inhärente Undurchsichtigkeit von Software mit einem Anbieterspektrum, in dem ein beträchtlicher Anteil „gefährlich — wenn auch charmant — inkompetent“ ist, wird es für Unternehmen zwingend, sehr genau hinzusehen, wen sie auswählen.

Den meisten großen Unternehmen ist zugutezuhalten, dass sie das Problem inzwischen anerkennen und beträchtlichen Aufwand in die Marktanalyse von Softwareanbietern investieren. Kein anderer Bereich zieht so hohe Ausgaben für Marktforschung an wie Software. Als anekdotischer Beleg genügt ein beiläufiger Blick auf Marktforschungsunternehmen: Ihre Softwaresegmente lassen alle anderen Segmente zusammengenommen geradezu winzig erscheinen.

Ja, die meisten Marktanalysen für Software übernehmen Methoden aus anderen Branchen; für Software sind diese Methoden dysfunktional. Fallstudien und Angebotsanfragen sind die Hauptschuldigen. Software verlangt einen anderen Ansatz: adversariale Marktforschung.

Die Fallstricke von Fallstudien — die bei der Anbieterauswahl häufig als Belege präsentiert werden — haben wir im Kapitel Erkenntnistheorie untersucht. Dieser Abschnitt konzentriert sich auf RFPs und eine verlässlichere Alternative: adversariale Marktforschung.

10.1.1 Angebotsanfragen

Angebotsanfragen¹⁵⁹ (Requests for Proposals, RFPs) sind ein bürokratisches Machtspiel innerhalb großer Organisationen. Bei Software sind RFPs weder rational noch wahrheitsgetreu noch informativ. Sie verkörpern die bürokratische Denkweise: die Fixierung auf den Prozess zulasten des Ergebnisses. Bei Intelligenzsystemen sind diese Mängel fatal: Checklisten können weder die Qualität von Entscheidungen ohne menschliches Eingreifen noch das Abbruchverhalten oder die Umschreibbarkeit unter Druck bescheinigen. Eine RFP lenkt das Unternehmen in Richtung Inkompetenz. Allzu oft gelten RFPs als unvermeidliche Plage jeder Organisation ab einer bestimmten Größe. Doch an dieser selbst auferlegten Plage ist nichts unvermeidlich. Ihre Abschaffung verlangt der obersten Führung lediglich ein bescheidenes Maß an Standhaftigkeit ab.

Betrachten wir ein Unternehmen, dessen Führung vor einer Softwareherausforderung — oder -chance — steht, die seine internen Ressourcen übersteigt. Nach einigen informellen Gesprächen mit einem oder zwei Anbietern entscheidet die Führung, dass ein Dritter die Herausforderung angehen soll.

Der RFP-Mythos soll sich in fünf Schritten entfalten. (1) Zunächst wird die Herausforderung schriftlich festgehalten. (2) Anschließend erstellen Mitarbeiter einen angeblich hochwertigen Fragenkatalog, der angemessene Antworten auf diese Herausforderung hervorbringen soll. (3) Die relevanten Anbieter werden ermittelt, und das zusammengestellte RFP-Dokument wird ihnen zugesandt. (4) Jeder Anbieter liefert pflichtbewusst wahrheitsgemäße, vollständige Antworten, die gesammelt und zusammengeführt werden. (5) Schließlich bewertet die Führung die Antworten objektiv und nachvollziehbar, um den besten Anbieter auszuwählen.

Leider ist jeder Schritt dieses Mythos falsch — oder wahnhaft.

(1) Das genaue Problem, das die Software lösen soll, klar aufzuschreiben, ist schwieriger, als die Software selbst zu schreiben. Für Uneingeweihte mag das rätselhaft klingen. Doch die meisten erfolgreichen Softwarevorhaben entstehen nicht aus überlegenen Lösungen für bekannte Probleme, sondern daraus, dass ein völlig neues Problem erkannt wird. Die Problemfassung ist eine offene Aufgabe. Formale Prozesse versteifen das Denken und mindern die Qualität der Erkenntnisse. Aus nahezu unendlich vielen Betrachtungsweisen einer Situation muss man jene Perspektive auswählen, die sich zur Umsetzung eignet. Anschließend müssen Hunderte — womöglich Tausende — Faktoren technisch integriert werden.

Unternehmensinterne Anreize untergraben das Vorhaben zusätzlich. Die wachsende Selbstzufriedenheit einer alternden Führungskraft kann durchaus der Kern des Unternehmensproblems sein. Doch niemand wird dies in ein halböffentliches Memorandum schreiben, das mit Dritten geteilt werden soll. Ein solches Dokument wird sorgfältig alles vermeiden, was als Beleidigung der beruflichen Fähigkeiten irgendeiner Person im Unternehmen ausgelegt werden könnte. Unweigerlich redet es um den heißen Brei herum und schützt Egos statt des Unternehmens. Das ist weit mehr als bloße Etikette: Es garantiert, dass der ausgewählte Anbieter einer Lösung nachjagt, die wenig mit dem tatsächlichen Problem zu tun hat.

(2) Mitarbeiter RFP-Fragen aufzählen zu lassen, liefert unweigerlich Stoff für Comedy-Sketche. Berater steuern zusätzliche Lachpunkte bei. Eigentlich sollte es um Fragen gehen, deren Antworten Unterscheidungen ermöglichen. Doch das Vorhaben verkommt zu etwas völlig anderem. Fragen werden formuliert, um Kollegen zu beeindrucken. Wer keine klugen Fragen hat, gleicht dies durch Menge aus. Fragen aus früheren RFPs werden ad infinitum wiederverwertet.

Alberne Fragen sind schlimm genug; Hunderte davon können eine gerade beginnende Initiative entgleisen lassen. Schlimmer noch: Sie verzerren die Angebote der Anbieter. Die meisten dieser Fragen sind verkappte Anforderungen. Statt einer ergebnisoffenen Untersuchung stecken sie eng ab, was als „Lösung“ gelten darf. Gewöhnlich lauten sie etwa: „Kann der Anbieter garantieren, dass Endnutzer X tun können, während sie mit Y interagieren?“ Ein Nein garantiert den sofortigen Ausschluss, selbst wenn „X tun, während man mit Y interagiert“ nachweislich eine furchtbare Idee ist.

Allgemeiner gehört die Haltung Es gibt keine dummen Fragen in die Grundschule. Jede Frage lenkt die Initiative. Alberne Fragen bringen alberne Antworten hervor. Außerdem beansprucht jede Frage einen Teil der geistigen Kapazität, die die Führung der Initiative widmen kann. Da die Aufmerksamkeit der Führungskräfte ohnehin stark beansprucht ist, genügen wenige schlechte Fragen, damit sie einen Anbieter anhand belangloser Kleinigkeiten auswählen.

(3) Die Vorauswahl von Anbietern erlaubt jemandem — oft nicht einmal einem Mitarbeiter, sondern etwa einem Berater —, die folgenreichste Entscheidung der RFP zu treffen, ohne dafür Rechenschaft ablegen zu müssen. In der Praxis bestimmt die Person, die die Anbieterliste zusammenstellt, implizit den Gewinner. Der Rest ist bloße Förmlichkeit, diktiert von der Unternehmensetikette.

Anbieter mag es viele geben. Eine Vorauswahl erscheint jedoch nur deshalb nötig, weil der Fragenkatalog unverhältnismäßig lang ist. So viele Antworten für mehr als eine Handvoll Anbieter auszuwerten, ist tatsächlich eine gewaltige Aufgabe. Diese Last ist eine außer Kontrolle geratene Folge eines dysfunktionalen Ansatzes.

(4) Anbieter, die RFPs beantworten, haben keinen Anreiz zur Wahrhaftigkeit. Die überwältigende Mehrheit der Fragen verlangt nach einer bestimmten Antwort: Kann Ihre Lösung X? Jeder halbwegs versierte Anbieter weiß genau, welche Antworten erwartet werden, und reagiert entsprechend. Zu erwarten, dass er sich an „die Wahrheit“ hält, ist wahnhaft. Software ist komplex, Unternehmenssoftware noch mehr. Fast alle Fragen lassen nahezu unendlich viele Interpretationen zu. Der Anbieter muss nicht lügen; ein wenig Fantasie genügt, um eine Auslegung zu erfinden, die jede Antwort „wahrheitsgemäß“ macht.

Selbst rechtlich verbindliche Antworten werden dadurch nicht wahrheitsgetreuer. Unternehmenssoftware ist undurchsichtig genug, um fast jede Aussage als wahrheitsgemäß auslegen zu können — insbesondere mit fähigen Anwälten an der Seite.

Solche Vereinbarungen — und andere Schikanen, die Softwareanbietern auferlegt werden — verschlechtern die Lage für das Unternehmen. Gute Anbieter wählen ihre Kunden bis zu einem gewissen Grad selbst aus. Sie ziehen sich zurück, wenn ein Interessent unangemessene Forderungen stellt. Schlechte Anbieter — verzweifelt, weil ihre Technologie nicht genügt — nehmen jeden bürokratischen Irrsinn bereitwillig auf sich; er ist ihr einziger Wettbewerbsvorteil. Unternehmen, die RFPs „ernst nehmen“, betreiben daher adverse Selektion. Gute Anbieter steigen aus, schlechte halten durch.

(5) Schließlich muss ein Softwareanbieter ausgewählt werden. Inzwischen hat sich ein gewaltiger Haufen angesammelt: verzerrte Antworten auf irrelevante Fragen. All dies setzt voraus, dass die ursprüngliche Problemstellung richtig war — eine fragwürdige Prämisse. Die RFP-Perspektive unterstellt, die oberste Führung könne allein durch Geisteskraft den besten Anbieter auswählen. Unsinn. In der Praxis ist es gewöhnlich noch schlimmer.

Oft findet eine positive Auswahl überhaupt nicht statt. Anbieter werden einer nach dem anderen per Veto ausgeschlossen, bis nur noch ein einziger infrage kommender Anbieter übrig bleibt. Für ein Veto genügt es, dass eine hinreichend einflussreiche Führungskraft „Bedenken“ äußert. Ob diese begründet sind oder lediglich eine Vorliebe ausdrücken, spielt kaum eine Rolle. Solange sie nicht gegen mehrere Anbieter zugleich ein Veto einlegt — was als missbräuchliche Einmischung gelten würde —, verleiht ihr der Einwand de facto ein Vetorecht. Größere Unternehmen sind risikoscheu. Wer eine Initiative unterstützt, die ein Kollege als riskant bezeichnet hat, gefährdet bei ihrem Scheitern die eigene Karriere.

Diese endgültige Auswahl garantiert keinen guten Anbieter. Im Gegenteil: Sie begünstigt Mittelmäßigkeit. Ein guter Anbieter dürfte tiefgreifende Veränderungen bewirken. Schließlich setzen beträchtliche Kapitalrenditen voraus, den Status quo zu verlassen. Ein solcher Schritt bringt unweigerlich jene Barone gegen sich auf, deren Lehen infrage gestellt werden. Diese Barone werden sich solchen Anbietern vehement widersetzen. Ein mittelmäßiger Anbieter bewirkt dagegen alles andere als tiefgreifende Veränderungen: Er umarmt den Status quo und stößt niemanden vor den Kopf. Leider garantiert dies, dass er bestenfalls wenig oder gar keine Rendite liefert.

RFPs sind somit zutiefst dysfunktional. Zudem erzeugen sie erhebliche Beschäftigungstherapie: Hunderte Fragen müssen geschrieben und Tausende Antworten gesichtet werden. Deshalb werden Berater beauftragt, RFPs zu steuern¹⁶⁰. Unweigerlich machen sie die Lage schlimmer: Die überflüssige Arbeit des Unternehmens ist ihre Einnahmequelle. Diese Arbeit aufzublähen, wird als „Prozessexzellenz“ verkauft. Offensichtlich irrelevante Fragen bleiben erhalten, um eine „durchgängige Abdeckung“ sicherzustellen. Abkürzungen, die den Prozess beschleunigen würden, werden als „unsicher“ oder „unerprobt“ abgetan. Am Ende neigen Berater fast immer zu dem Anbieter, der die einträglichsten Beratungsaussichten bietet.

10.1.2 Adversariale Marktforschung

Adversariale Marktforschung geht zwei grundlegende Probleme von Softwareprojekten unmittelbar an: Fehlanreize in der Beziehung zwischen Anbieter und Kunde sowie eine massive Informationsasymmetrie zugunsten der Anbieter. Sie ist weniger bürokratisch — und damit schlanker — sowie rationaler — und bringt daher mit höherer Wahrscheinlichkeit den richtigen Anbieter mit der richtigen Herausforderung zusammen.

Die Methode funktioniert wie folgt¹⁶¹: Sobald eine Führungskraft eine Softwarechance erkennt, die die Ressourcen des Unternehmens übersteigt, bittet sie einen Anbieter — gewöhnlich jenen, der diese Erkenntnis ausgelöst hat —, in ihrem Auftrag eine kurze Problemstellung zu verfassen. Diese sollte sich ausschließlich auf die Fassung der Herausforderung und die Besonderheiten des Unternehmens konzentrieren, nicht auf die Lösung des Anbieters.

Kann der Anbieter es nicht lassen, sein Angebot anzupreisen, sollte die Führungskraft diese Passagen einfach streichen; das Dokument ist ohnehin kurz. Sind Einzelheiten — etwa Kennzahlen zur Supply Chain — zu vertraulich, werden sie ungenauer gefasst, beispielsweise durch Rundung. Das Ziel ist, den Kern der Herausforderung zu bewahren, nicht das Kleingedruckte. Das resultierende Memorandum nennt den ursprünglichen Anbieter nicht und enthält keine übermäßig sensiblen Informationen.

Mit diesem kurzen Dokument wendet sich die Führungskraft an einige Wettbewerber des Anbieters. Bei deren Auswahl sind Vermutungen zulässig, solange es sich um plausible Alternativen handelt. Sie schickt jedem Wettbewerber das Memorandum mit dem Hinweis, dass es ein grober Entwurf sei, die Herausforderung möglicherweise falsch gefasst wurde und fachkundige Hilfe bei der Neuformulierung der Problemstellung gesucht werde. Außerdem bittet sie die Anbieter — einschließlich des ursprünglichen — um zwei weitere Dinge. Erstens um einen informellen, überschlägigen Vorschlag, der zur jeweils überarbeiteten Problemstellung passt. Zweitens um eine Liste von mindestens drei relevanten Konkurrenten, geordnet nach der eigenen Einschätzung des Anbieters. Zu jedem aufgeführten Konkurrenten müssen einige Absätze dessen wahrgenommene Stärken und Schwächen erläutern.

Sobald die Listen der Konkurrenten neue Wettbewerber aufzeigen, werden diese in die Untersuchung aufgenommen. Jeder Anbieter, der diese bescheidenen Beiträge nicht innerhalb von zwei Wochen liefert, wird ausgeschlossen. Die Untersuchung endet, wenn die Führungskraft wieder bei denselben Anbietern ankommt und offenbar kein Stein mehr ungewendet geblieben ist.

Nach Abschluss der Untersuchung führt die Führungskraft die Ergebnisse zusammen und erstellt für jeden Anbieter ein kurzes Dossier. Jedes enthält die Aussagen seiner Wettbewerber sowie seine Problemstellung und den dazugehörigen überschlägigen Vorschlag.

Schließlich prüft die Führungskraft die Ergebnisse mit höchstens zwei Kollegen, um einen Anbieter auszuwählen. Diese Auswahl verlangt Urteilsvermögen und lässt sich nicht starr formalisieren. Natürlich sollten die Einschätzungen der Wettbewerber eine wesentliche Rolle bei der Beurteilung jedes Anbieters spielen. Auch die Qualität seiner Problemstellung und seiner Beschreibungen der Konkurrenten sollte als verräterisches Zeichen von Kompetenz gelten — oder von Inkompetenz, wenn sie schlecht ausfällt. Die überschlägigen Vorschläge geben bei Gleichstand den Ausschlag. Damit die Auswahl prüfbar bleibt, werden die Untersuchungsergebnisse zusammen mit einem kurzen Memorandum archiviert, das die Gründe für die endgültige Entscheidung erläutert. Anschließend kehrt das Unternehmen zu seinem regulären Einkaufsprozess zurück und holt von diesem einen Anbieter voraussichtlich ein detailliertes Angebot und einen vollständigen Vertrag ein.

Wie bereits erläutert, geht adversariale Marktforschung die Mängel herkömmlicher Methoden wie RFPs (Angebotsanfragen) an. Untersuchen wir diese Behauptung, beginnend mit der Informationsasymmetrie.

Das Unternehmen wie bei RFPs seine eigene Problemstellung verfassen zu lassen, ist ein Rezept dafür, Anbieter zum Lügen zu bringen, bis sich die Balken biegen, damit ihre Lösungen passend erscheinen. Da Anbieter von Unternehmenssoftware weit mehr über ihre tatsächlichen Fähigkeiten wissen als ihre Kunden, lässt sich Wahrheit kaum von Vorspiegelung unterscheiden. Von einem Anbieter zu erwarten, dass er seine Technologie grundlegend verändert, um einem Kunden zu entsprechen, ist unangemessen. Gute Softwaretechnologie aufzubauen, dauert Jahre¹⁶². Bei jedem Kunden mag der Anbieter etwas besser abschneiden als bei früheren Initiativen, doch der Prozess ist quälend langsam und schrittweise.

Deshalb ist es entscheidend, den Anbieter die Problemstellung verfassen zu lassen. Hält er den Stift, hat er keinen Anreiz, eine Problemstellung zu formulieren, die schlecht zu seiner Technologie passt. Im Gegenteil: Er wird sie so eng wie möglich auf die vorhandene Lösung zuschneiden. Außerdem wissen Anbieter — vielleicht mit Ausnahme der inkompetentesten — wesentlich mehr als der Kunde darüber, wie das Problem zu fassen ist. Was der Kunde als ein Problem sieht, kann tatsächlich eine Reihe von Teilproblemen sein, die sich getrennt mit unterschiedlichen Technologien besser angehen lassen. Umgekehrt kann dieses „eine Problem“ lediglich die Spitze des Eisbergs sein und eine breitere Perspektive sowie einen völlig anderen technologischen Ansatz verlangen. Ein kompetenter Anbieter wird seine Beherrschung des Fachgebiets zeigen, indem er überzeugend begründet, durch welche Brille die Herausforderung betrachtet werden sollte.

Anbieter ihre Wettbewerber offenlegen zu lassen, begegnet der Auswahlverzerrung, unter der RFPs leiden. Die anfängliche Anbieterauswahl ist eine der wichtigsten Entscheidungen der gesamten Initiative. Der frühe Ausschluss einiger Anbieter garantiert nahezu, dass ein bevorzugter Anbieter ausgewählt wird. Solange die Untersuchung ein halbes Dutzend Anbieter oder mehr umfasst, werden nur wenige ihre Angemessenheit hinterfragen. Diese Schwachstelle ist ein offenes Geheimnis und wird in realen RFPs ausgiebig ausgenutzt.

Die von den Anbietern gemeinsam hervorgebrachte Gesamtliste lässt sich dagegen viel schwerer manipulieren. Jeder Anbieter hat eigene Verzerrungen und lässt womöglich absichtlich einen als zu bedrohlich empfundenen Wettbewerber weg. Doch die fehlende Koordination erschwert es, einen bestimmten Anbieter gezielt herauszugreifen. Zudem weiß jeder Anbieter, dass seine zur Schau gestellte Expertise auf dem Spiel steht. Er wird an der Qualität der von ihm genannten Wettbewerber gemessen. Wer dem Kunden eine Liste von Scheinkonkurrenten liefert — inkompetent oder irrelevant —, kennzeichnet sich selbst als inkompetent.

Manche Anbieter werden allerlei Ausreden dafür vorbringen, weshalb sie keine Wettbewerberliste liefern, geschweige denn diese beurteilen können. Doch auf einem freien Markt kann ein Unternehmen nicht glaubwürdig „auf dem neuesten Stand der Technik“ sein, während es völlig ignoriert, was seine Konkurrenten tun. Für Software gilt dies umso mehr, weil Fortschritt dort äußerst kleinschrittig ist. Anbieter, die ihre Wettbewerber nicht kennen, sind häufig; dies ist ein eindeutiges Zeichen völliger Inkompetenz und sollte entsprechend behandelt werden.

Das gesamte Frage-und-Antwort-Spiel zu umgehen, ist ein Vorzug, kein Fehler. Solche Fragebögen verkommen unweigerlich zu einem bürokratischen Monstrum. Irrelevante Fragen und verkappte Anforderungen beherrschen schließlich den Prozess. Sie frustrieren gute Anbieter und stärken schlechte. Dieses Spiel mitzuspielen, hat schlicht keinen Wert. Die Anreize sind falsch, und weder den Eingaben — den Fragen des Kunden — noch den Ausgaben — den Antworten der Anbieter — ist zu trauen.

Auch das Beharren auf überschlägigen Schätzungen ist beabsichtigt. Unternehmenssoftware ist keine exakte Wissenschaft. Ein kompetenter Anbieter braucht keine langwierige Prüfung, um die Gesamtkosten einer selbst entwickelten Lösung vernünftig abzuschätzen. Wer dazu nicht in der Lage ist, gibt ein eindeutiges Zeichen von Inkompetenz. Die Schätzung sollte mindestens die Gebühren des Anbieters, Zahlungen an unterstützende Dritte und die Kosten der für die Lösung eingesetzten internen Ressourcen abdecken. Einer der häufigsten Tricks bei falschen Kostenschätzungen besteht darin, die Nebenkosten jenseits der Anbietergebühr zu ignorieren. Zwar kann dieser Prozess einen Anbieter nicht daran hindern, einige Positionen auszulassen; die fehlende Zusammenarbeit zwischen den Anbietern sorgt jedoch für eine recht umfassende Abdeckung der erwarteten Ausgaben.

Herkömmliche RFPs zwingen Anbieter dagegen in schwindelerregende Listen alberner Anforderungen. Gute Anbieter wissen, dass es erheblicher Anstrengung bedarf, diesen Unsinn auszusortieren, und dass sie am Ende meist zahlreiche Funktionen von zweifelhaftem Nutzen implementieren müssen. Deshalb erhöhen Anbieter unweigerlich ihre Gebühren, wenn sie mit einer herkömmlichen RFP konfrontiert werden. Ebenso bereitwillig ignorieren sie alle Kosten, die ihnen nicht unmittelbar zuzurechnen sind, sofern diese nicht ausdrücklich in der RFP erwähnt werden.

Schließlich ist die Beurteilung durch Wettbewerber jene Information, die tatsächlich die Spreu vom Weizen trennt. Jede Software hat Stärken und Schwächen. Doch kein Anbieter — vielleicht mit Ausnahme der inkompetentesten — wird freiwillig die schlimmsten Mängel seiner eigenen Lösung offenlegen. Wird er gedrängt, schiebt er kleinere Bedenken als Zeichen vorgetäuschter Bescheidenheit vor. Bei etwas so Komplexem und Undurchsichtigem wie Unternehmenssoftware ist Ablenkung einfach. Konkurrenten werden dagegen nicht zögern, auf das Schlechte und das Hässliche hinzuweisen. Angesichts der Natur von Unternehmenssoftware sind Anschuldigungen oder abwertende Aussagen unnötig. Ein Anbieter kann den Kunden stattdessen schlicht dazu anregen, einige gut gewählte Aspekte des Konkurrenzangebots zu untersuchen. Relevante Punkte ins Blickfeld des Kunden zu rücken, ist zudem für sich genommen ein Kompetenznachweis.

Adversariale Marktforschung stärkt gute Anbieter. Sie können den Kunden in der Kunst der Anbieterbeurteilung schulen. Sie können die Herausforderung so fassen, dass die Einführung der Lösung die Rendite maximiert. Sie können niedrigere Preise anbieten, weil sie sich nicht durch erdrückenden bürokratischen Irrsinn kämpfen müssen. Der einzige Nachteil besteht darin, dass dies häufig mehr Standhaftigkeit verlangt, als selbstzufriedene Führungskräfte besitzen, die ihren eigenen bürokratischen Apparat nicht gegen sich aufbringen wollen.

Sobald ein Anbieter diese adversariale Untersuchung bestanden hat und ausgewählt wurde, kehrt die Arbeit zur eigentlichen Einführung zurück: Rohextrakte einrichten, das erste numerische Rezept verfassen und den Parallelbetrieb fortsetzen, bis keine unsinnigen Zeilen mehr übrig bleiben.

10.2 Den Umfang der Einführung festlegen

In der Praxis bedeuten „dieselben knappen Ressourcen“ einen gemeinsamen Bestandspool; gemeinsame vorgelagerte Kapazitäten — Formen, MOQs, Rabattstaffeln, Kreditlinien —; einen gemeinsamen Transportengpass — eine Route, ein Hafenpaar, eine Fahrzeugklasse —; und, regelmäßig vergessen, einen gemeinsam beanspruchten Anteil der Aufmerksamkeit von Führungskräften. Zu Beginn einer neuen Supply-Chain-Initiative müssen zunächst ihr letztlicher Zweck und die Grenzen ihres Tätigkeitsbereichs geklärt werden. Ein Unternehmen möchte beispielsweise die Produktionsreihenfolge oder Nachbestellmengen verbessern — oder mehrere Entscheidungsprozesse vereinen, die bislang auf zersplitterten Tabellenkalkulationen beruhten. In jedem Fall muss die Veränderung von Anfang an explizit sein: Welche Entscheidungen werden verändert, wer trägt dafür die Verantwortung, und wie werden sie in den täglichen Betrieb überführt?

Eine entscheidende Erkenntnis lautet: Eine Initiative, die lediglich „Transparenz“ verbessern oder beiläufige Kennzahlen erzeugen soll, kann für sich genommen keine dauerhaften Erträge erzielen. All diese Transparenzbemühungen — selbst die ausgefeiltesten Dashboards — bleiben hohl, wenn die Menschen in der Organisation weiterhin dieselben schrittweisen manuellen Entscheidungen treffen wie zuvor. Sobald das Ziel dagegen als Intelligenzsystem formuliert wird, das regelmäßig konkrete Handlungen wie Bestellungen oder Kapazitätsallokationen ausgibt und umsetzt, lässt sich jede Anforderung einfacher ausdrücken. Diese Konzentration darauf, im laufenden Betrieb täglich oder wöchentlich eine Entscheidung zu erzeugen — und ihr zu vertrauen —, zwingt das Unternehmen, Rollen und Ressourcen auf ein Ergebnis auszurichten, das von Beginn an in seinen wirtschaftlichen Gegebenheiten verankert ist.

Daraus folgt eine brauchbare Faustregel: Werden mehrere Filialen von einem Distributionszentrum versorgt, sind alle diese Filialen auf einmal einzubeziehen; sonst betreibt die Engine Arbitrage zwischen Tabellenkalkulationen statt zwischen Optionen. Sind zwei Fabriken oder zwei DCs (Distributionszentren) tatsächlich voneinander getrennt — kein gemeinsamer vorgelagerter Bestandspool, keine gemeinsamen nachgelagerten Haupttransportstrecken, kein gemeinsames Einkaufsteam —, können sie in getrennten Wellen eingeführt werden. Verbindet eine Form, MOQ oder Rabattstaffel eines Lieferanten mehrere Artikel, wird die gesamte Familie gleichzeitig einbezogen. Ist eine Haupttransportstrecke oder ein Hafenpaar der Engpass, umfasst der Geltungsbereich jeden dort verlaufenden Fluss. Müssen dieselben Planer über dasselbe Budget oder dieselbe Kreditlinie entscheiden, bleibt ihr Bereich zusammen: Führungsaufmerksamkeit ist ebenso endlich wie Paletten und Stunden.

Nicht weniger wichtig ist die Entscheidung, wie breit oder eng der Umfang sein sollte. Einer Initiative kann es gelingen, den Nachschub für ein einzelnes Werk zu automatisieren, während sie Probleme unabsichtlich anderswohin verschiebt — etwa nachgelagerte Engpässe erzeugt oder vorgelagert eine unpassende Preisgestaltung bewirkt. Geht es um fundierte tägliche Entscheidungen, erweist sich der Blick auf eine einzelne Produktlinie oder eine Handvoll Lager häufig als irreführend. Klein anzufangen mag „sicherer“ erscheinen, doch tiefe strukturelle Abhängigkeiten machen solche lokalen Pilotversuche häufig nicht repräsentativ. Ein eng gefasstes Projekt kann derart eingeschränkt sein, dass das Unternehmen nie erkennt, wie die Initiative unter der tatsächlichen Komplexität seines Betriebs abschneidet. Ein allzu breiter Umfang kann das Projekt andererseits unter jahrelangen Verzögerungen bei der Datenintegration begraben. Die richtige Balance erfasst in der Praxis alle wesentlichen Flüsse, die um dieselben Ressourcen konkurrieren — Bestand, Transport oder Produktionsanlagen —, und vermeidet zugleich entbehrliche Umwege in Funktionen mit geringem Einfluss auf Supply-Chain-Entscheidungen.

Ebenso entscheidend ist ein minimaler Satz klar definierter Rollen. Trotz der unzähligen Stellenbezeichnungen in einer großen Supply Chain muss nur eine Handvoll Positionen die Verantwortung dafür tragen, einen automatisierten Entscheidungsprozess zu unterstützen. Der Data Officer sorgt für die stetige Extraktion roher Transaktionsdaten — idealerweise als ungefilterten Dump —, damit die anschließende Aufbereitung flexibel und transparent bleiben kann. Ein Scientist übernimmt dann die Verantwortung für den technischen und analytischen Aufbau von den Rohdaten bis zur endgültigen empfohlenen Entscheidung. Ein im Tagesgeschäft tätiger Flow Manager — vor der Automatisierung ein Planer — steuert Kontextwissen bei, hinterfragt verdächtig wirkende Ergebnisse und klärt Restriktionen vor Ort. Schließlich steht eine Supply-Chain-Führungskraft bereit, bei Hindernissen zu schlichten. Sie stellt etwa sicher, dass bei Einführung eines neuen Distributionszentrums oder Softwarewerkzeugs die Modellierung hinter den Entscheidungen entsprechend überarbeitet wird, statt unbemerkt abzugleiten.

All diese Elemente — ein expliziter Fokus auf Entscheidungen, ein sinnvoll gewählter Umfang, klar definierte Rollen und ein begrenzter, aber verbindlicher Zeitrahmen für die Einführungsphase — ebnen den Weg für eine reibungslose Initiative. Sie verdeutlichen zugleich, dass es nicht um eine Formel oder ein theoretisches Optimum geht, sondern um ein lebendiges Rezept, das in einem sich wandelnden Umfeld aus Lieferanten, Kunden und betrieblichen Veränderungen aktualisiert und erneut ausgeführt wird. Steht diese Grundlage, betrachten wir als Nächstes ihren Kern: das numerische Rezept im Herzen des Intelligenzsystems, das jede relevante Information in jene konkreten alltäglichen Entscheidungen übersetzt, die den Güterfluss steuern.

Dieser Abschnitt greift erneut auf, wie eine Supply-Chain-Initiative zu fassen ist, damit sie die für den Betrieb erforderlichen täglichen oder wöchentlichen Entscheidungen erzeugt und zugleich die „weichen“ Elemente — Rollen und Führung — absichert, die ihre Ausrichtung auf die Unternehmensziele gewährleisten.

10.2.1 Das numerische Rezept

Für die Einführung — und ausschließlich zur Abgrenzung ihres Umfangs — lässt sich das numerische Rezept am besten als Vertrag an der Grenze der Initiative verstehen. Es hält drei Punkte im Code fest, die bei der Abgrenzung vorab geklärt werden müssen: die Entscheidungen, die die Engine ausgeben darf — und die Register, in die sie schreiben —; die Optionen, die sie berücksichtigen darf — und jene, die exogen bleiben —; sowie die gemeinsamen Ressourcen, die sie intern bewertet, im Gegensatz zu jenen, deren externe Schattenpreise sie einliest. Alles Weitere — die Haltung zu Prognosen, Entscheidungstheorie, das Debuggen „unsinniger“ Zeilen — wurde in früheren Kapiteln behandelt und wird hier nicht wiederholt.

Erstens die Entscheidungen: Ein abgegrenztes Rezept benennt seine Ausgaben präzise. Für den Nachschub sind es Zeilen, die in Bestell- oder Umlagerungsauftragstabellen eingefügt werden; für die Produktion Startzeiten und Mengen für eine endliche Menge von Fertigungsaufträgen; für die Preisgestaltung veröffentlichte Preisänderungen in einem vereinbarten Takt. Ausgaben müssen idempotent und zustandslos sein: Dieselben Eingaben erzeugen dieselben Ausgaben. Das Zurückschreiben lässt sich anhand einer Entscheidungskennung und eines Zeitstempels eindeutig abgleichen. Diese enge Festlegung verankert den Umfang in der Realität: Kann eine Entscheidung nicht in das Erfassungssystem zurückgeschrieben werden, liegt sie außerhalb des Geltungsbereichs.

Zweitens die Optionen: Der Umfang legt fest, was die Engine verändern darf und was sie als gegeben hinnehmen muss. Umfasst die Initiative den Versand vom Distributionszentrum an die Filialen, während die Preisgestaltung außerhalb liegt, wird der Preis eingelesen, nicht gewählt; seine Wirkungen gehen über das Geldregister des Unternehmens in das Ziel ein. Gehören Bestellungen in Übersee zum Umfang, die Auswahl des Frachtführers jedoch nicht, werden Transportarten als Kosten und Lieferzeitverteilungen übergeben, nicht als Wahlmöglichkeiten. Zulässige Handlungen ausdrücklich zu benennen, verhindert einen Rückfall in improvisierte Tabellenkalkulationen, die den Umfang informell erweitern und Verantwortlichkeit auslöschen.

Drittens die gemeinsamen Ressourcen: Der Umfang ist nur dann sinnvoll, wenn über jede bindende Ressource innerhalb des Geltungsbereichs entweder hier entschieden oder hier ihr Preis bestimmt wird. Bestandspools, Formenfamilien unter einer MOQ-Staffel, der Durchsatz von Verladerampen, die Kapazität eines Hafenpaars, Kreditlinien von Einkäufern und sogar Führungsaufmerksamkeit sind typische bindende Ressourcen. Überschreitet eine solche Ressource die Grenze, muss innerhalb des Geltungsbereichs ein vom Nachbarbereich gelieferter Schattenpreis eingelesen und berücksichtigt werden. Fehlt dieser Preis, betreibt die Engine Arbitrage zwischen Tabellenkalkulationen statt zwischen Optionen. Wird die bindende Ressource umgekehrt nach innen geholt, entfällt der externe Schattenpreis; die Kopplung wird internalisiert.

Ein abgegrenztes Rezept umfasst auch die Zurechnung. Sein Verantwortungsfenster — vom Zeitpunkt, an dem eine Festlegung eine Ressource bindet, bis zur übernächsten Möglichkeit, sie neu zuzuweisen oder zu liquidieren — ist explizit, einschließlich der Endbewertungen und Sperrklinkeneffekte. Innerhalb dieses Fensters trägt die Engine die in Geldeinheiten ausgedrückten Folgen ihrer eigenen Ausgaben — Strafkosten entgangener Verkäufe, Überbestandskosten, Überlastung, Preisnachlässe. Darüber hinaus werden Kosten als Endwerte angesetzt, statt sie unbegrenzt weiterzuverfolgen. Diese Grenze verhindert Doppelzählungen zwischen Initiativen und das vertraute Zuschieben von Schuld zwischen benachbarten Teams.

Die Abgrenzung verlangt Abbruchfähigkeit und Reversibilität an der Grenze. Die Engine muss von selbst anhalten, wenn Eingaben veraltet sind, exogene Schattenpreise fehlen oder Plausibilitätsprüfungen auf Dossierebene scheitern. Der Übergang zum Betrieb ohne menschliches Eingreifen setzt voraus, dass solche Stopps selten und diagnostizierbar sind. Reversibilität wird durch Zustandslosigkeit und deterministisches erneutes Ausführen erreicht: Der gestrige Durchlauf lässt sich aus versioniertem Code und versionierten Extrakten rekonstruieren, ohne „Datenverschiebungen“ oder „Nutzereingriffe“ als Ausrede anzuführen.

Die Datengrundlage folgt aus dem Umfang. Tabellen werden vollständig und schemagetreu täglich gespiegelt — oder häufiger, wenn der Entscheidungstakt es verlangt. Eine „hilfreiche“ vorgelagerte Bearbeitung ist unzulässig: Filter, Imputationen und Joins, die die Entscheidung beeinflussen, gehören in das Rezept, wo sie gemeinsam mit der wirtschaftlichen Logik geprüft werden können. Auch ein Mindestmaß an Whiteboxing gehört zum Vertrag: Spalten, die die wesentlichen Einflussfaktoren jeder Ausgabe in Geldeinheiten und Restriktionen offenlegen. Dieses Dossier lässt Finanzbereich und operativen Betrieb auf einen Blick erkennen, warum eine Zeile sinnvoll ist.

Zwei kurze Beispiele machen die Grenze greifbar. Ein Nachschubrezept für den Fluss vom Distributionszentrum zu den Filialen, das auf ein einzelnes DC begrenzt ist, gibt Umlagerungsaufträge für alle von diesem DC versorgten Filialen aus, verändert Mengen und Freigabezeitpunkte, liest Preise und Planogramme als exogene Größen ein und internalisiert die Personal- und Rampenkapazität des DC. Greift ein anderes DC auf denselben vorgelagerten Pool zu, muss das Rezept entweder einen Schattenpreis für diesen Pool einlesen oder den Geltungsbereich um das zweite DC erweitern; alles dazwischen begünstigt Arbitrage zwischen DCs über Tabellenkalkulationen. Ein auf eine Lieferantenfamilie begrenztes Rezept für den Einkauf in Übersee gibt Bestellungen einschließlich der Loszusammenstellung aus, internalisiert MOQ- und Rabattstaffeln sowie die gemeinsame Form, liest Frachtführerentscheidungen als bewertete Eingaben ein und rechnet nachgelagerte Kosten über einen Endwert bei der Übergabe an das Import-DC zu. Preisgestaltung oder Filialallokation bleiben bis zu einer späteren Welle außerhalb des Umfangs.

Schließlich wird erwartet, dass sich der Umfang weiterentwickelt. Der Vertrag stellt die Nahtstelle bereit: Sobald benachbarte Bereiche einbezogen werden, ersetzen endogene Entscheidungen exogene Schattenpreise, ohne dass der Kern umgeschrieben werden muss. So fügt sich der Umfang in der Einführungspraxis zusammen: Die Grenze ist keine rhetorische Präsentationsfolie, sondern ausführbarer Code, der Ausgaben, zulässige Handlungen, bindende Ressourcen, Preise und Stopps benennt. Der nächste Unterabschnitt untersucht, wie diese Grenzen mit dem übrigen System zusammenwirken.

10.2.2 Die Datenpipeline

Der Umfang wird erst dort real, wo er auf die Anwendungslandschaft trifft. Moderne Unternehmen arbeiten mit Silos — ERP für Transaktionen, WMS für Lagerplätze, TMS für Transporte, CRM für Aufträge —, jedes mit eigenem Schema, Takt und eigener Folklore. Eine Initiative abzugrenzen, ist deshalb kein abstraktes Ziehen von Grenzen. Es ist die Entscheidung, eine klare, dauerhafte Nahtstelle durch diese Silos zu schaffen und sie mit einer schlanken, unverfälschten und reproduzierbaren Datenpipeline aufrechtzuerhalten.

Das im vorigen Unterabschnitt definierte numerische Rezept liefert den logischen Geltungsbereich — Ausgaben, zulässige Optionen, gemeinsame bindende Ressourcen. Die Pipeline ist sein informationelles Gegenstück. Sie sollte die benötigten Tabellen in dem Takt spiegeln, den die Entscheidungen vorgeben. In der Praxis ist ein täglicher Abschlusszeitpunkt — eine ausdrücklich festgelegte Uhrzeit in UTC, nach der die Extrakte erstellt werden — vagen „Nahezu-Echtzeit“-Ambitionen überlegen, die die Herkunft verwischen. Aktualität ist eine wirtschaftliche Entscheidung: Beschleunigt wird nur, wenn der erwartete Mehrwert in Geldeinheiten die zusätzliche Reibung rechtfertigt. Andernfalls ist eine saubere tägliche Momentaufnahme vorzuziehen, die jeder identisch erneut verarbeiten kann. Teilauszüge und „Pilotausschnitte“ sind kontraproduktiv: Sie verdecken Skaleneffekte, verbergen semantische Eigenheiten und erzeugen auf Spielzeugteilmengen ein falsches Gefühl von Korrektheit. Der Bereich, den man optimieren will, ist auch der Bereich, den man spiegelt.

Jeder Extrakt muss unveränderlich und selbstbeschreibend sein. Tabellen werden zusammen mit einem kleinen Manifest verpackt, das den Stand des Datenabzugs, die Zeilenzahl je Tabelle, die kleinsten und größten fachlichen Zeitstempel sowie einen Fingerabdruck des Schemas festhält. Die Ablagen werden ausschließlich ergänzt: Die gestrigen Dateien werden nie bearbeitet; rückwirkende Korrekturen erscheinen als neue Fakten im heutigen Dump. Diese Disziplin garantiert zusammen mit der Reproduzierbarkeit vergangener Zustände eine bitgenaue Wiederholbarkeit: Ein Durchlauf lässt sich Monate später erneut ausführen, ohne sich auf „die Daten haben sich verändert“ herauszureden.

Löschungen und verspätete Korrekturen verlangen eine explizite Behandlung. Vollständige Momentaufnahmen sind ausgeklügelten Differenzen vorzuziehen. Ist dies nicht machbar, wird jede vorgelagerte Änderungserfassung (Change Data Capture) innerhalb des Geltungsbereichs in ein ausschließlich ergänztes Register überführt — Löschmarkierungen für endgültige Löschungen, versionierte Zeilen für Aktualisierungen. Das Ziel ist Einheitlichkeit: Das Rezept arbeitet mit einer einzigen, wachsenden Ereignishistorie, nicht mit einem beweglichen Ziel aus Änderungen am bestehenden Datenbestand.

Der Zugriff folgt dem Prinzip minimaler Berechtigungen: Ein Dienstkonto mit reinem Lesezugriff ruft die Extrakte ab; über die Pipeline schreibt die Initiative niemals in Erfassungssysteme zurück. Personenbezogene Daten sind zu minimieren; die meisten Supply-Chain-Entscheidungen haben keinen legitimen Bedarf daran. Die Nahtstelle bleibt schlank: Extrakte sind Fakten, keine Meinungen. Transformationen, die Entscheidungen verändern, gehören in das Rezept, wo sie gemeinsam mit der wirtschaftlichen Logik versioniert werden.

Die historische Tiefe sollte mindestens einen vollständigen Nachschubzyklus und, sofern Saisonalität relevant ist, zwei saisonale Spitzen umfassen. Mehr ist besser, doch „genug zum Lernen“ genügt: Unverfälschte Daten aus drei bis sechs Quartalen reichen aus, damit das Rezept konvergieren kann. Nachgelieferte historische Daten können die Tiefe später erweitern, ohne die Einführung zu gefährden. Externe Datenquellen — Feiertage, Preisindizes, Wetter für verderbliche Waren auf kurzen Transportstrecken — werden als vollwertige Tabellen mit eigenem Takt und eigener Herkunft eingebunden. Zuerst sind interne Aufzeichnungen zu nutzen; externe Informationen lohnen sich nur, wenn ihr Signal nachweislich stärker ist als das Rauschen, das sie einführen.

Eine „hilfreiche“ vorgelagerte Bearbeitung — maßgeschneiderte Filter, stille Imputationen, bereits verknüpfte Sichten — macht aus der Nahtstelle einen Nebel. Transformationen, die Entscheidungen beeinflussen, müssen im Rezept liegen, wo sie gemeinsam mit der wirtschaftlichen Logik versioniert und zusammen mit den resultierenden Ausgaben geprüft werden können. Aufzeichnungen bleiben Hypothesen über die Realität. Sie roh zu belassen, bewahrt ihre Herkunft und erlaubt es, Fehler auf ihr Quellsystem statt auf ein undokumentiertes Bereinigungsskript zurückzuführen.

Da Anwendungssilos nicht eigens für die Initiative auf neue Plattformen verlagert werden, muss die Abgrenzung ihre Kopplungen berücksichtigen, ohne sie vorab auflösen zu wollen. Liegt eine bindende Ressource innerhalb des Geltungsbereichs, werden ihre Restriktionen internalisiert; überschreitet sie die Grenze, kommt ihr Einfluss als Schattenpreis aus dem Nachbarbereich an. Durch Löschen unbequemer Daten „vereinfachen“ zu wollen — oder durch Isolieren eines winzigen Ausschnitts, der nicht mehr um gemeinsame Bestände, Kapazitäten, Routen oder Aufmerksamkeit konkurriert —, führt genau jene Arbitrage zwischen Tabellenkalkulationen wieder ein, die die Initiative abschaffen soll.

Technologisch sollte die Pipeline langweilig sein: ausschließlich ergänzte Momentaufnahmen, unveränderliche Dateien, durch Manifeste abgesicherte Extrakte und die Möglichkeit, jeden früheren Durchlauf bitgenau zu wiederholen. Diese bescheidene Disziplin macht die vom Vertrag des Rezepts verlangte Abbruchfähigkeit und Reversibilität in der Praxis wirksam. Speicher ist billig, voreilige Zusammenfassung nicht. Die einzige lohnende Komplexität liegt dort, wo Geldeinheiten den Besitzer wechseln: im Rezept, nicht in den Leitungen, die es versorgen.

Ist diese Nahtstelle geschaffen — originalgetreue Spiegelung auf der einen Seite, prüfbare Transformationen im Rezept auf der anderen —, kann der Umfang ohne Umbruch wachsen. Neue Bereiche werden einbezogen, indem externe Schattenpreise durch endogene Entscheidungen ersetzt werden; nichts anderes in der Pipeline muss neu erfunden werden. Der nächste Unterabschnitt weist die wenigen Rollen zu, die nötig sind, um diese Nahtstelle Tag für Tag aufrechtzuerhalten.

10.2.3 Rollen in der Initiative

Sobald der Umfang geklärt und auf die tägliche Erzeugung von Entscheidungen ausgerichtet ist, besteht der nächste entscheidende Schritt darin, die Verantwortung für jeden Teil des Prozesses festzulegen. Unternehmen unterhalten zwar häufig viele spezialisierte Rollen in der Supply Chain, doch nur wenige sind nötig, um einen automatisierten Entscheidungsablauf zu unterstützen. Zu viele Rollen verwässern lediglich die Verantwortung für das Endergebnis. Ein kleiner, klar definierter Rollensatz sorgt dagegen für Rechenschaftspflicht und hält den Weg von den Rohdaten bis zu den endgültigen Entscheidungen klar und nachvollziehbar.

Der Data Officer richtet die Datenpipeline ein und hält sie instand. Diese Rolle liegt an der Schnittstelle zwischen IT und Supply Chain, bleibt aber fest in der Disziplin der IT verankert. Ihr Hauptziel ist die Bereitstellung roher, ungefilterter Extrakte aus Erfassungssystemen wie ERP, WMS, CRM oder anderen Altanwendungen. Diese Datensätze täglich oder wöchentlich zuverlässig zu liefern, ist schwieriger, als es aussieht: Kleine Schemaänderungen, Teilaktualisierungen oder Eigenheiten der Nutzung bringen Extraktionsaufträge regelmäßig zum Scheitern. Sobald die Pipeline stabilisiert ist, erfordert sie nur wenig laufenden Aufwand. Entscheidend ist, dass diese Rolle nicht versucht, die Daten zu „reparieren“ oder zu „interpretieren“. Tritt eine schwerwiegende Anomalie auf — etwa ein negativer physisch vorhandener Bestand oder fehlende Transaktionen —, sollte der Data Officer die zuständigen Teams informieren, die zugrunde liegenden Aufzeichnungen aber weder überschreiben noch zurechtbiegen. So setzt sich die Initiative mit den tatsächlichen Daten auseinander, nicht mit einer unbekannten Transformation.

Der Supply Chain Scientist verantwortet das gesamte Rezept von den Rohdaten bis zu den täglichen Entscheidungen. Diese Rolle ist der logische Kern der Initiative. Während sich der Data Officer auf die Datenextraktion konzentriert, übersetzt der Scientist jeden Kostentreiber, jede operative Restriktion und jede strategische Präferenz in das Rezept selbst. Anders als ein typischer Datenanalyst oder „Data Scientist“ steht der Supply Chain Scientist persönlich dafür ein, den Prozess produktionsreif zu machen. Ist eine Empfehlung offenkundig falsch, muss er die Fehlerquelle aufspüren — sei es eine falsche Modellannahme, eine übersehene Lieferzeitrestriktion oder eine mangelnde Übereinstimmung mit den aktuellen finanziellen Zielen des Unternehmens. Mit der Zeit codiert er neue Erkenntnisse unmittelbar im Rezept und hält es so mit den veränderten betrieblichen Gegebenheiten im Einklang. Zwar verwendet er statistische Werkzeuge, Optimierungs-Engines oder Simulationsverfahren, doch sein Leitprinzip ist die Lieferung praktikabler täglicher Entscheidungen. Der Unterschied in der Haltung ist entscheidend: Dashboards oder Leistungskennzahlen mögen ihre Relevanz verlieren; tägliche automatisierte Entscheidungen dürfen das nicht.

Hinzu kommt der Executive Sponsor, der auf oberster Ebene Orientierung gibt und Streitfragen entscheidet. Supply-Chain-Entscheidungen spiegeln unweigerlich das umfassendere wirtschaftliche Kalkül des Unternehmens wider. Der Scientist muss daher mitunter Modellannahmen treffen — über Kosten, Margen, Abwägungen oder Lieferantenkonditionen —, die nur die oberste Führung bestätigen kann. Ein einzelnes Lager verlangt beispielsweise womöglich teurere Fracht für eine schnellere Wiederauffüllung, was jedoch dem unternehmensweiten Ziel widersprechen kann, Luftfrachtsendungen zu reduzieren. Bei Uneinigkeit klärt der Sponsor, wie Abwägungen zu priorisieren sind. Außerdem sichert er die notwendige politische und finanzielle Unterstützung des Projekts. Entdeckt der Scientist einen neuen Faktor — etwa noch bestehende Produktgarantien oder rechtliche Beschränkungen grenzüberschreitender Sendungen —, der eine tiefere Prozessänderung verlangt, hilft die direkte Beteiligung des Sponsors, organisatorische Hürden rasch zu überwinden.

Schließlich bleibt ein Flow Manager unverzichtbar — in früheren Prozessen ein Planer oder Bestandsmanager. Auch wenn die täglichen Entscheidungen irgendwann automatisiert sind, verschwinden die Komplexitäten der realen Welt nie. Der Flow Manager liefert operative Erkenntnisse aus dem Tagesgeschäft, die Datentabellen nicht erfassen können: etwa welcher Lieferant zu Teillieferungen neigt oder welche Verpackungslinien in Spitzenmonaten subtile Qualitätsprobleme zeigen. In den ersten Monaten des Parallelbetriebs von alter Tabellenkalkulation und neuem Rezept erkennt er „unsinnig“ wirkende Entscheidungen und gibt seine Beobachtungen weiter. Sobald sich die Automatisierung als stabil erweist, wandelt sich seine Aufgabe. Statt jeden Bestand im Detail zu prüfen, konzentriert er sich auf umfassendere Beziehungen zu Kunden und Lieferanten, bewältigt unerwartete Störungen wie ein überflutetes Lager oder eine über Nacht geänderte Regulierung und führt dieses Wissen an den Scientist zurück. Befreit von endlosen Tabellenaktualisierungen betreut er den Fluss über das gesamte Netzwerk hinweg und erhöht so Widerstandsfähigkeit und Reaktionsfähigkeit in der gesamten Supply Chain.

Kurz gesagt lässt sich Verantwortung auf vier Tätigkeiten zurückführen: Der Data Officer beschafft Fakten; der Supply Chain Scientist gibt die täglichen Festlegungen aus und hält die Engine bei sinkendem Vertrauen an; der Executive Sponsor entscheidet über Abwägungen und Grenzstreitigkeiten; der Flow Manager überwacht den Fluss vor Ort und meldet Anomalien zur weiteren Klärung.

Diese vier Rollen passen selbst in großen Konzernen in eine erstaunlich kompakte Struktur. Eine Person kann mehrere Projekte als Data Officer betreuen, und ein einzelner Scientist kann Hunderttausende SKUs verwalten. Von Anfang an klarzustellen, dass jede Verantwortung einem einzigen, leicht erkennbaren Bereich zugeordnet ist, verringert die Reibung zwischen Abteilungen und vermeidet jene endlosen Übergaben und Teilverantwortlichkeiten, die ehrgeizigere — und weniger fokussierte — Projekte häufig lähmen.

Sind diese Rollen besetzt, ist der Weg für eine konkrete, ungefähr sechsmonatige Einführungsphase bereitet — von der Datenextraktion bis zu einem stabilen, produktionsreifen Prozess.

10.3 Die Einführungsphase

Die Einführungsphase ist der Übergang von einer abgegrenzten Absicht zu Ausgaben ohne menschliches Eingreifen. Sobald Geltungsbereich, Rollen und Nahtstelle der täglichen Extrakte stehen, bleibt die Umsetzung mit expliziten Freigabekriterien: dem numerischen Rezept täglich eine Begegnung mit der Realität geben, erst bei erfüllten Bereitschaftskriterien fortfahren und manuelle Routinen abschaffen, ohne den Fluss zu unterbrechen.

Dieser Abschnitt greift Umfang, Rollen oder Ökonomie nicht erneut auf; sie wurden oben geklärt. Es geht um Takt und Kontrolle: Welche Voraussetzungen müssen in welcher Reihenfolge erfüllt werden, damit das Intelligenzsystem sicher übernehmen kann? Termine ergeben sich aus Kriterien — der Kalender ist eine Folge, kein Plan.

Die folgenden Seiten gehen diesen Weg: ein kurzer zeitlicher Überblick mit den Freigabekriterien, die tägliche Praxis, die uns dorthin bringt, die Abläufe von schrittweisem Rollout und Reversibilität sowie die Haltung zur langfristigen Pflege. Mit diesen Bausteinen wird der Übergang von Tabellenkalkulationen zu Entscheidungen ohne menschliches Eingreifen zur Routine statt zur Heldentat.

10.3.1 Zeitlicher Überblick

Sobald Umfang und Rollen feststehen, durchläuft die Einführung drei Stufen, die in den meisten Firmen ungefähr sechs Monate beanspruchen. Dieser Horizont ist eine empirische Erwartung, kein Versprechen: Der Kalender spiegelt stärker den organisatorischen Takt als die Rechenleistung wider. Eine Verzögerung von einigen Wochen deutet gewöhnlich eher auf Probleme der Steuerung oder Abgrenzung hin als auf „harte“ technische Grenzen.

Die erste Stufe endet erst, wenn die tägliche Datenextraktion vollständig und zuverlässig ist. Die vom numerischen Rezept benötigten Tabellen werden zu einem klar festgelegten täglichen Abschlusszeitpunkt schemagetreu gespiegelt; Extrakte sind unveränderlich und selbstbeschreibend; vergangene Durchläufe lassen sich bitgenau wiederholen; und vorgelagerte Eigenheiten werden ohne „hilfreiche“ Bearbeitung behandelt, die ihre Herkunft verwischen würde. Abbruchheuristiken sind so eingebunden, dass die Engine von selbst anhält, wenn Eingaben veraltet sind oder fehlen. In der Praxis ist diese Stufe abgeschlossen, sobald die Nahtstelle über einen längeren Zeitraum sauber und reproduzierbar funktioniert hat und Fehler dort zurückverfolgt und behoben wurden, statt sie nachgelagert zu flicken.

Die zweite Stufe endet, wenn das Rezept keine unsinnigen Entscheidungen mehr erzeugt. Bei stabiler Pipeline läuft das numerische Rezept täglich neben der bestehenden Routine. Jede Ausgabe wird von einem Dossier begleitet, das ihre wichtigsten wirtschaftlichen Einflussfaktoren durch Whiteboxing in Geldeinheiten offenlegt. Tag für Tag fließen Überraschungen in Semantik, Restriktionen oder Preise zurück, bis grobe Fehltritte verschwinden. Das Kriterium ist hier nicht Perfektion, sondern die Abwesenheit von Unsinn: Der Parallelbetrieb muss dauerhaft ohne unsinnige Zeilen auskommen. Verbleibende Unterschiede zur manuellen Routine betreffen marginale wirtschaftliche Abwägungen, keine Logikfehler.

Die dritte Stufe endet, wenn das Vertrauen für den Produktivbetrieb ausreicht. Dasselbe Rezept schreibt nun innerhalb eines begrenzten Bereichs zurück, abgesichert durch Abbruchheuristiken und konstruktionsbedingt reversibel: Ausgaben sind zustandslos und idempotent; Zurücksetzen und erneutes Ausführen sind Routine; und die Dokumentation ermöglicht einem anderen Scientist, innerhalb weniger Stunden eine Diagnose zu stellen und Änderungen zurückzunehmen. Die Instrumentierung ist überzeugend genug, damit Finanzbereich und operativer Betrieb Entscheidungen ohne Besprechungen prüfen können: Dossiers sind verständlich, Zurechnungen klar und das Verantwortungsfenster explizit. Nach einem kurzen, sauberen Rollout ohne menschliches Eingreifen in einem Teil des Bereichs ist die Übernahme in den Produktivbetrieb kein Vertrauenssprung mehr, sondern eine Formalität.

Diese Freigabekriterien verhindern ein Pilotfegefeuer. Dauert eine Stufe zu lange, wird die Ursache — unvollständige Extrakte, schleichend wachsender Umfang oder Preise ohne Verantwortlichen — eskaliert, statt den Kalender zu strecken. Umgekehrt verlagert es das Risiko lediglich in den Produktivbetrieb, eine Schwelle voreilig zu überschreiten, ohne ihre Bedingungen zu erfüllen. Die folgenden Seiten erläutern die tägliche Arbeit innerhalb jeder Stufe, ohne den bereits geklärten Umfang oder die Rollen erneut durchzugehen.

10.3.2 Iterative Einführung

Die Einführung setzt die im Kapitel Engineering vorgestellte Methode der experimentellen Optimierung operativ um: Das numerische Rezept wird täglich der realen Nahtstelle ausgesetzt; Falsifikation bestimmt die Änderungen; und Fortschritte erfolgen erst, wenn die resultierenden Entscheidungen sinnvoll sind. Hier geht es um die Praxis: wie diese Haltung im Produktivbetrieb gelebt wird, nicht um eine Wiederholung ihrer Theorie (vgl. Kapitel Engineering, Experimentelle Optimierung und Whiteboxing).

10.3.2.1 Täglicher Parallelbetrieb

Jeden Tag zum Abschlusszeitpunkt wird das Rezept durchgängig über den gesamten Geltungsbereich ausgeführt, mit demselben festgelegten Abschlusszeitpunkt und denselben zulässigen Handlungen wie später im Produktivbetrieb. Entscheidungen werden ausgegeben, aber nicht zurückgeschrieben; sowohl Ausgaben als auch ihre Dossiers werden archiviert und mit der bestehenden Routine verglichen. Der Durchlauf ist zustandslos und reproduzierbar: Bei gegebenem Extrakt und gegebener Codeversion sind die Ausgaben identisch. Abbruchheuristiken bleiben aktiv. Jeder Stopp gilt als Fehler an der Nahtstelle — fehlende Tabellen, veraltete Schattenpreise, Bedeutungsverschiebungen —, der vor dem nächsten Durchlauf zu beheben ist. Der Parallelbetrieb ist keine Demo, sondern das tägliche Labor, in dem das Rezept auf die Realität trifft, bis es keine Überraschungen mehr erzeugt.

10.3.2.2 Keine unsinnigen Entscheidungen

„Unsinnig“ bezeichnet jede Ausgabe, die eine harte physische oder rechtliche Restriktion verletzt, einer elementaren geschäftlichen Tatsache widerspricht oder bei den angegebenen Preisen eine offenkundig negative erwartete Rendite aufweist. Die dauerhafte Abwesenheit von Unsinn im gesamten Geltungsbereich ist das Freigabekriterium für das Ende des Parallelbetriebs und entspricht der zweiten Stufe im obigen zeitlichen Überblick. Marginale Abweichungen von der manuellen Routine verhindern die Übernahme nicht; über sie entscheidet das Register, und sie werden im Rollout des nächsten Abschnitts geklärt.

10.3.2.3 Sich weiterentwickelnde Instrumentierung

Um Falsifikation zu beschleunigen, wird jede Ausgabe von einem kurzen Dossier begleitet, das ihre wichtigsten wirtschaftlichen Einflussfaktoren in Geldeinheiten sowie die wenigen bindenden Restriktionen offenlegt. Das Dossierschema gehört zum Rezept und entwickelt sich mit ihm weiter. Es wird versioniert, lässt sich erneut ausführen und wird von demselben Code geschrieben, der die Zeilen erzeugt. Im Parallelbetrieb ermöglichen Dossiers den Praktikern, die Ursache einer Überraschung binnen Minuten zu finden; im Produktivbetrieb erlauben dieselben Dossiers dem Finanzbereich und dem operativen Betrieb, Entscheidungen ohne Besprechungen zu prüfen. Die Funktionsweise des Whiteboxing wurde zuvor entwickelt; hier behalten wir nur das bei, was die Einführung beschleunigt.

Wenn der Parallelbetrieb eine Zeit lang ohne unsinnige Zeilen funktioniert hat und Stopps selten und erklärt sind, kann dasselbe Rezept innerhalb eines begrenzten Bereichs mit dem Zurückschreiben beginnen. Die Abläufe dieser Umstellung — Auswahl des Umfangs, Sicherheitsventile und Reversibilität — behandeln wir als Nächstes unter Schrittweiser Rollout.

10.3.3 Schrittweiser Rollout

Der Übergang von täglichen parallelen Prüfungen zum tatsächlichen Verlassen auf das Intelligenzsystem ist eine Aufgabe des Risikomanagements. Die Veränderung muss entschlossen genug sein, damit das Unternehmen nicht beim ersten Anzeichen von Schwierigkeiten auf ältere manuelle Methoden zurückfällt, und zugleich vorsichtig genug, um großflächige Störungen zu vermeiden. Viele Organisationen zögern an diesem Punkt und halten das neue System als ewigen Piloten am Leben. Ein geordneter, entschiedener Übergang verhindert dagegen, dass die Initiative in der Schwebe bleibt.

10.3.3.1 Der erste Teilbereich

Ein verbreiteter Einstieg besteht darin, ein eng verknüpftes Segment der Supply Chain auszuwählen und automatisierte Entscheidungen zunächst nur dort wirken zu lassen. Ein einzelnes Distributionszentrum könnte etwa den täglichen Empfehlungen für eine bestimmte Kategorie folgen, oder ein Fertigungsstandort könnte den automatisierten Produktionsplan für eine einzelne Produktlinie ausführen. Idealerweise verfügen diese Produkte oder Einrichtungen bereits über stabile Daten und gut verstandene Restriktionen. Indem die Organisation die Ausgaben des Rezepts im laufenden Betrieb übernimmt — beispielsweise vorgeschlagene Bestellungen direkt an Lieferanten sendet —, kann sie prüfen, dass unter echten Betriebsbedingungen keine „unsinnigen Zeilen“ auftreten. Dieser erste Übergang dauert gewöhnlich eine oder zwei Wochen: lange genug, um zu bestätigen, dass grundlegende Kosten-, Bestands- und Lieferzeitannahmen korrekt in tägliche Handlungen übergehen.

Sobald sich die Leistung stabilisiert, kann ein größerer Teil des Netzwerks einbezogen werden. Umfasste die erste Welle beispielsweise ein Distributionszentrum, kann die nächste alle Distributionszentren derselben Region abdecken. Bei jeder Erweiterung müssen der Scientist und der Data Officer sicherstellen, dass dieselbe Architektur der Datenpipeline ohne neue Komplexitäten auf die zusätzlichen Standorte oder Produktlinien skaliert. Parallel bestätigt der Flow Manager, dass keine besondere lokale Regel übersehen wurde — etwa die strikte Vollpalettenanforderung eines Lieferanten. Dieses Muster — auswählen, Stabilität bestätigen, dann erweitern — wiederholt sich, bis alle relevanten Teile des ursprünglichen Umfangs abgedeckt sind.

10.3.3.2 Die manuelle Rückfalllösung abschaffen

Die schwierigere Aufgabe besteht darin, zu entscheiden, wie — und wann — die alten manuellen Schritte abgeschafft werden. Viele Unternehmen haben eine „Halbautomatisierung“ versucht: Planer prüfen jede vom System erzeugte Empfehlung und passen beim ersten Anzeichen eines Mangels Parameter von Hand an. Diese unbefristeten Doppelprüfungen wirken umsichtig, zehren die Gewinne aber stillschweigend auf. Nominelle Automatisierung verkommt zu einer aufgewerteten Vorschlagsmaschine, die ignoriert wird, sobald ihre Zahlen der Intuition widersprechen. Jede Stunde, die mit dem erneuten Hinterfragen oder Abtippen empfohlener Bestellungen verbracht wird, fehlt für Aufgaben, die eine Maschine nicht bewältigen kann — etwa Lieferantenbeziehungen aufzubauen oder neue Marktsignale zu analysieren.

Den Nutzen der Automatisierung tatsächlich auszuschöpfen, verlangt, den älteren Prozess aus dem aktiven Betrieb zu nehmen. Diese Entscheidung mag einen Vertrauenssprung zu erfordern scheinen. Doch bis dahin sollten die täglichen Vergleiche gezeigt haben, dass die neue Methode selten, wenn überhaupt, grobe Fehler erzeugt. Treten Anomalien auf — plötzlich stark steigende Lieferzeiten eines Lieferanten, eine unangekündigte Änderung eines Verpackungsstandards —, erweist sich ihre Korrektur im Rezept als systematischer und schneller als das Flickwerk der Tabellenkalkulationen. Da die Logik zentral im Code liegt, behebt eine einzige Korrektur mögliche Fehler über SKUs und Standorte hinweg. Diese Klarheit überzeugt Planer und mittlere Führungskräfte schließlich davon, dass die Übernahme Zeit spart, ohne Kontrolle abzugeben.

10.3.3.3 Mit Ausnahmen umgehen

Eine dynamische Supply Chain trifft unweigerlich auf Fälle, die das Rezept nicht vollständig vorausgesehen hat. Naturkatastrophen können ein Lager überfluten, oder ein Lieferant kann ausfallen. Dieselbe Automatisierung, die unter normalen Bedingungen funktioniert, braucht nun eine rasche Anpassung — entweder einen kurzfristigen Eingriff oder eine modellierte Restriktion. Unmittelbar nach Abschalten des alten manuellen Prozesses erscheint alles, was schiefläuft, dringend. Sprunghaft steigende Bestellempfehlungen oder die Unfähigkeit, große Losgrößen einzuhalten, müssen ohne den Rückhalt der alten Tabellenkalkulationen bewältigt werden.

Die Hauptverantwortung liegt hier beim Scientist. Da das Rezept zustandslos ist und die Entscheidungen jeden Tag aus dem gesamten Datenbestand neu berechnet, können Änderungen eingeführt werden, sobald die Annahmen klar sind. Muss eine durch Wasser beschädigte Einrichtung mit halber Kapazität arbeiten, kann der Scientist diese Grenze am nächsten Morgen codieren. Entscheidend ist, solche Ausnahmen in den gemeinsamen Code zu integrieren, statt sie als lokale Eingriffe in verstreuten Tabellenkalkulationen wieder auftauchen zu lassen. Auch nach der Krise bewahrt das Rezept diese Restriktion und hält sie für ein erneutes Auftreten bereit.

10.3.3.4 Ergebnisse messen

Mit der Ausweitung maschineller Entscheidungen auf das Netzwerk wächst auch der Umfang der Instrumentierung. Zuvor half sie, sprunghafte oder fehlerhafte Zeilen zu erkennen; nun beurteilt sie zusätzlich, ob die prognostizierten Verbesserungen bei Service, Kosten oder Reaktionsfähigkeit eintreten. Der Scientist vergleicht — gewöhnlich zusammen mit Verantwortlichen aus Finanzbereich und operativem Betrieb — die tatsächliche Nachfrage mit den Prognosen sowie realisierte Margen und Lieferzeiten mit ihren modellierten Gegenstücken. Diese 360-Grad-Sicht zeigt, wie gut die täglichen Entscheidungen der realen Variabilität standhalten. Entscheidend ist, dass diese Leistungsartefakte — etwa Genauigkeitsmaße oder Kostenvergleiche — vorrangig den iterativen Verbesserungen des Scientists dienen und keine neuen Aufsichtsebenen speisen sollen. Eine neue Lücke zwischen Prognose und Nachfrage kann auf eine subtile Verschiebung der Saisonalität oder veränderte Wettbewerbspreise hindeuten — eine Erkenntnis, die am besten in den Code des Rezepts zurückfließt. Werden diese Artefakte breit über die Abteilungen verteilt, droht die Organisation zur Prognoseanpassung durch Ausschüsse zurückzukehren und die Verantwortlichkeit zu verwässern.

Der maschinelle Rollout beruht auf zwei gleichzeitig eingesetzten Messformen. Erstens die Schwelle „kein Unsinn“: Bleibt die empfohlene Bestellung oder der Ablaufplan für den jeweiligen Tag offenkundig korrekt? Zweitens die längerfristigen Soll-Ist-Prüfungen: Spiegelt der Ansatz die tatsächlichen Kosten und Umsatzziele des Unternehmens wider? Beide Formen der Instrumentierung in der Codebasis zu halten — für den Scientist sichtbar und veränderbar —, erlaubt ihm, falsche Annahmen rasch zu lokalisieren. Das Unternehmen behält eine stabile durchgängige Perspektive, frei von jener Verwirrung, die durch unvollständige Nachverfolgung oder widersprüchliche Tabellenkalkulationen in getrennten Abteilungen entsteht.

10.3.3.5 Autonomie festigen

Über mehrere Monate schrittweisen Rollouts und verfeinerter Instrumentierung wird die Initiative zur täglichen Routine. Mitarbeiter, die zuvor hektisch Tabellenkalkulationen durchforsteten, richten ihre Aufmerksamkeit auf anspruchsvollere Aufgaben oder unmittelbare Ausnahmen, die in beweglichen Märkten unweigerlich auftreten. Das Vertrauen in das automatisierte System wächst stetig. Wenn der gesamte Geltungsbereich unter dem neuen Rezept läuft, vermisst niemand den manuellen Ansatz. Mitarbeiter erkennen, dass nicht jede Nachbestellentscheidung erneut ausgefochten werden muss. Führungskräfte sehen, dass Veränderungen der Nachfrage, Angebotsrestriktionen oder sogar Kostenstrukturen auf Rezeptebene rasch und konsistent berücksichtigt werden können.

Erfolgreiche Automatisierung löst einen kulturellen Wandel aus. Sobald Mitarbeiter erkennen, dass ein Teil der Supply Chain tatsächlich maschinell funktioniert, entdecken sie weitere Bereiche, in denen sich ein ähnlicher Ansatz anwenden lässt. Auch wenn diese Erweiterungen außerhalb des ursprünglichen Umfangs liegen, können sie auf der bewährten Pipeline, Instrumentierung und dem iterativen Prozess aufbauen. Diese Dynamik bewahrt die Organisation vor jener Stagnation, die nach herkömmlichen Softwareeinführungen häufig eintritt, wenn das System mit dem Produktivstart „eingefroren“ wird. Hier bleiben die täglichen Ausgaben des Systems verfeinerbar, gerade weil die Fähigkeit zu schnellen Iterationen von Beginn an in der Struktur der Initiative verankert war.

Der Übergang zur vollständigen Automatisierung ist nicht der Schlusspunkt. Als Nächstes stellt sich die Frage, wie diese neue Normalität erhalten und verbessert werden kann, damit das Rezept mit Änderungen der Unternehmensstrategie oder Marktbedingungen Schritt hält. Sobald ein gut erprobter maschineller Ansatz funktioniert, möchte zwar niemand zu Tabellenkalkulationen zurückkehren; dennoch braucht es fortlaufende Wachsamkeit gegen Selbstzufriedenheit. Der folgende Abschnitt erläutert, wie die Initiative inmitten ständiger Weiterentwicklung relevant bleibt und jedes Ereignis — von alltäglichen Veränderungen bis zu Störungen durch schwarze Schwäne — zur Gelegenheit wird, den automatisierten Prozess zu stärken.

10.3.4 Langfristige Pflege

Ein eingeführtes Intelligenzsystem ist niemals statisch. Wie ausgereift sein numerisches Rezept auch wirken mag, Geschäftsbedingungen und betriebliche Gegebenheiten entwickeln sich weiter. Neue Vorschriften können entstehen, Preisstrukturen sich ändern und Lieferzeiten oder Servicerestriktionen sich auf eine Weise verschieben, die das automatisierte Rezept nicht vorausgesehen hat. Eine Initiative, die sich nicht mehr anpasst, wird bald ebenso überholt sein wie das System, das sie ersetzt hat.

Pflege beschränkt sich in diesem Zusammenhang nicht auf Softwarepatches oder Reparaturen der Datenextraktion. Vor allem geht es darum, die Korrektheit und Relevanz der im Rezept codierten wirtschaftlichen Logik zu bewahren. Eröffnet das Unternehmen ein neues Distributionszentrum oder handelt es einen neuen Lieferantenvertrag aus, müssen die Kosten und Restriktionen hinter den täglichen Entscheidungen entsprechend überarbeitet werden. Das Rezept nicht zu pflegen, bedeutet in der Praxis entweder einen Rückfall in eine endlose Reihe manueller Eingriffe, die die Automatisierung untergraben, oder Entscheidungen hinzunehmen, die sich zunehmend von den Unternehmenszielen entfernen.

10.3.4.1 Unablässige Weiterentwicklung

Ein entscheidender Grund für systematische Pflege liegt darin, dass sich jedes Glied ständig weiterentwickelt: Neue SKUs werden eingeführt, alte ausgemustert, Marketingkampagnen kommen hinzu, und unerwartete Störungen erzwingen alternative Routen. Bleibt das Rezept in den Annahmen des Vorjahres gefangen, verpasst es neue Chancen und mindert neu auftretende Risiken nicht.

Diese Variabilität ist kein Mangel der Automatisierung, sondern eine Eigenschaft realer Märkte. Eine robuste Initiative nimmt Veränderungen auf, indem sie die Annahmen des Rezepts regelmäßig überprüft und Anomalien sichtbar macht, sobald die Datenpipeline große Abweichungen von normalen Bedingungen erkennt. Stark steigende Frachtkosten können eine tiefere Modellierung der Containerkapazitäten oder eine Neubewertung der bevorzugten Transportart verlangen. Ebenso können neue fortschrittliche Fertigungslinien die Abwägungen verändern: Einst optimierte Losgrößen werden womöglich verschwenderisch, wenn neue Linien kostengünstigeres und schnelleres Rüsten ermöglichen.

10.3.4.2 Finanzbereich und operativer Betrieb

Die Koordination von Rezeptaktualisierungen verlangt einen fortlaufenden Dialog zwischen dem Scientist und leitenden Verantwortlichen aus Finanzbereich und operativem Betrieb. Die tägliche Pflege kann kleinere Fragen behandeln — eine neue Lieferantenkennung oder eine neu kalibrierte Nachbestellregel. Wesentliche Änderungen wie eine neue Rabattstruktur oder ein anderer Umgang mit Betriebskapital sind dagegen ihrem Wesen nach strategisch.

Damit das Rezept mit den aktuellen finanziellen Gegebenheiten des Unternehmens übereinstimmt, muss es Änderungen der Kostenzurechnung oder Budgetrestriktionen abbilden. Da der Finanzbereich bestimmt, wie Kapital bewertet wird, sucht der Scientist dort Klarheit darüber, wie offensiv oder vorsichtig Bestände auf- oder abgebaut werden sollen, wie immaterielle Zusatzkosten — etwa Markenschäden durch eine ausgefallene Sendung — zu behandeln sind und wie Versandverzögerungen gegen die Kosten dringender Überstunden abzuwägen sind. Eine jährliche oder halbjährliche gemeinsame Prüfung stellt sicher, dass der Code weiterhin die strategische Ausrichtung des Unternehmens abbildet, statt in veraltete Muster abzugleiten. Will die oberste Führung die Expansion in neue Märkte priorisieren oder den Luftfrachteinsatz um einen bestimmten Prozentsatz senken, kann der Scientist diese Prioritäten nicht erraten; er muss frühzeitig und präzise informiert werden.

10.3.4.3 Zustandslose Implementierung

Ein dauerhaftes Gestaltungsprinzip wirksamer Pflege besteht darin, das Rezept zustandslos zu halten. Jeden Tag oder jede Woche berechnet es sämtliche Empfehlungen aus Rohdaten neu, ohne einen verborgenen Zustand fortzuschreiben. Dieser Ansatz verhindert, dass sich Fehler mit der Zeit aufschaukeln. Bläht eine vorgelagerte Störung die heutigen Bestände auf, kehrt der morgige Durchlauf nach Korrektur der Daten von selbst zu normalen Entscheidungen zurück. Das System kann „zurückschnappen“, sobald sich die Datenpipeline erholt, ohne nachwirkende Gespenster alter Berechnungen.

Zustandslose Entwürfe erleichtern auch die langfristige Pflege. Sobald der Scientist eine Kostenfunktion aktualisiert oder neue Restriktionen einführt, wirkt die Änderung unmittelbar im nächsten Durchlauf auf jede SKU und jeden Standort, die angepasst werden müssen. Ältere gespeicherte Zustände müssen nicht ausgeräumt werden, und es besteht kein Anlass zur Sorge, ein zuvor trainiertes Modell könnte veraltete Signale verinnerlicht haben. Jede Entscheidung neu zu berechnen, mag aufwendig wirken, doch moderne Infrastrukturen bewältigen diese Mengen für Supply Chains jeder Größe, insbesondere sobald die Datenextraktion beherrscht wird.

Dieses zustandslose Muster bewährt sich, wenn das System Nachfrageschübe oder abrupte Änderungen von Vorgaben bewältigen muss. Erlebt eine ganze Region einen ungewöhnlichen Bestellanstieg, kann der nächste tägliche Durchlauf ihn berücksichtigen, ohne an der Fehleinschätzung des Vortags festzuhängen. Das Rezept ist flexibel: Es passt sich an, sobald sich die Bedingungen verändern, und beseitigt damit die Versuchung, auf veraltete manuelle Pufferregeln zurückzugreifen, die einst einen fragilen Prozess stützen sollten.

10.3.4.4 Schwarze Schwäne

Jenseits der alltäglichen Variabilität liegt das Risiko schwerer, extremer Störungen: Lagerbrände, Überschwemmungen, Pandemien oder plötzliche behördliche Embargos. Solche schwarzen Schwäne werfen normale Kostenstrukturen, Kapazitätsrestriktionen und Distributionswege um. Zwar kann kein täglich laufendes Rezept Ereignisse weit außerhalb typischer Parameter vorwegnehmen, doch die Organisation kann sich auf den iterativen Ansatz stützen, mit dem die Initiative aufgebaut wurde. Schlägt eine Katastrophe zu, codiert der Scientist die neuen oder vorübergehenden Restriktionen unmittelbar im Rezept: Ein Standort arbeitet womöglich mit halber Kapazität oder wird vollständig umgangen; einer Notfallroute können die zehnfachen üblichen Versandkosten zugewiesen werden. Nach diesen kurzfristigen Anpassungen läuft das System erneut und zeigt unmittelbar, wie die neuen Restriktionen Allokationen oder Nachbestellzeilen verändern.

Ein schwarzer Schwan kann auch tiefere Veränderungen verlangen — alternative Flüsse aufzubauen oder Lieferzeiten für eine ganze Region drastisch zu revidieren. Das Prinzip bleibt bestehen: Das Rezept ist der einzige Integrationspunkt, daher werden neu entdeckte Restriktionen oder extreme Kosten dort eingeführt. Dieser Ansatz ist widerstandsfähiger als spontane Brandbekämpfung durch manuelle Eingriffe, die über Tabellenkalkulationen und Abteilungen verstreut sind. Jede validierte Korrektur wird Teil der Codebasis und hängt nicht länger von flüchtiger menschlicher Wachsamkeit ab.

Entscheidend ist, dass eine außergewöhnliche Krise zur Gelegenheit werden kann, das Risikobewusstsein des Unternehmens zu vertiefen. Zeigt der Ausfall eines Lieferanten, dass 90 % einer Schlüsselkomponente aus einer einzigen Quelle bezogen wurden, kann das Rezept dauerhaft um Regeln ergänzt werden, die eine übermäßige Abhängigkeit von einem einzelnen Anbieter verhindern. Dieselbe Instrumentierung, die den täglichen Prüfungen dient, kann solche Schwachstellen sichtbar machen. Mit der Zeit heben die Lehren aus Turbulenzen das Ausgangsniveau an und sorgen dafür, dass das System robuster daraus hervorgeht.

Langfristige Pflege bedeutet daher nicht nur Wachsamkeit gegenüber gewöhnlichem Abdriften, sondern auch eine strukturierte Reaktion auf plötzliche Schocks. Sowohl tägliche Aktualisierungen als auch dringende Korrekturen laufen in einem einzigen zustandslosen Rezept zusammen, das den Kern einer automatisierten Supply Chain bildet. Sobald ein Unternehmen sich an diesen Zyklus gewöhnt — kleine Schritte, regelmäßige Neukalibrierungen und krisenbedingte Überarbeitungen —, stellt es fest, dass der automatisierte Fluss aktuell bleibt. Die Initiative erweist sich als stabiler und flexibler als jedes Tabellenflickwerk, weil sie einen eingebauten Mechanismus fortlaufender Erneuerung besitzt.

An diesem Punkt verfügt die Initiative über eine stabile Architektur, der tägliche Betrieb läuft unter automatisierten Entscheidungen, und das Unternehmen ist sowohl auf Routineänderungen als auch auf große Überraschungen vorbereitet. Nun bleibt zu beurteilen, wie dies Rollen, Organisationsstrukturen und Stellenbeschreibungen neu definiert: Ein gut gepflegtes Rezept ersetzt nicht bloß alte Prozesse, sondern verändert die Supply-Chain-Belegschaft.

10.4 Organisatorische Veränderungen

Organisatorische Veränderungen sind unvermeidlich, sobald automatisierte Entscheidungen täglich durch das Unternehmen fließen. Die Abläufe einer klar abgegrenzten, iterativen Einführung mögen rein technisch wirken. Doch bald erkennen die Menschen im gesamten Unternehmen, dass viele Aufgaben, die zuvor Planer oder mittlere Führungskräfte erledigten, nun mit wenig menschlichem Eingreifen ablaufen. Mitarbeiter, die gewohnt sind, Daten zu sammeln, widersprüchliche Kennzahlen abzugleichen und mit Eingriffen in letzter Minute zu jonglieren, entdecken, dass der neue Prozess weniger Lücken zum Flicken lässt. Manche begrüßen die Entlastung und konzentrieren sich auf schwierigere Supply-Chain-Probleme, die sich der Automatisierung widersetzen. Andere spüren einen Bedeutungsverlust und wehren sich gegen die Veränderung, indem sie vermeintliche „Ausnahmen“ anführen oder darauf bestehen, das System könne „nicht jedes Detail erfassen“.

Doch sobald diese Details explizit dargelegt sind, lassen sie sich im Rezept codieren. Passte ein Planer beispielsweise Nachbestellmengen für einen Lieferanten an, der regelmäßig Teilpaletten verschickte, gehört diese Feinheit in den Code. Nach ihrer Aufnahme ist das Rezept nicht mehr auf Korrekturen in letzter Minute angewiesen. Befreit von ständiger Brandbekämpfung können Mitarbeiter den Umfang der Initiative erweitern oder Beziehungen zu Partnern stärken. Mit der Zeit muss das Unternehmen anerkennen, dass sich viele Alltagsroutinen verändert haben. Traditionelle Planer, die jeden Morgen Tabellenkalkulationen für Hunderte SKUs durchsuchten, erkennen die Überflüssigkeit solcher manuellen Prüfungen. Der Finanzbereich, der Prognosen einst als lose „bestmögliche Schätzungen“ betrachtete, die Vorsicht bei der Budgetierung verlangten, steht nun einem System gegenüber, das täglich Kapital bindet, sofern nichts anderes vorgegeben wird. Die IT-Abteilung, historisch mit ausstehenden Anfragen nach Berichten oder Kleinanwendungen überlastet, stellt fest, dass eine einzige gut konstruierte Pipeline viele verstreute Anpassungen ersetzt.

Diese Reibungen zu überwinden, verlangt eine klare Erklärung, weshalb die Initiative nicht nur andere Software, sondern auch eine Veränderung der Aufgabenverteilung erfordert. Wird den automatisierten Entscheidungen vertraut, nützt es dem Unternehmen nicht länger, mehrere Teams zu beschäftigen, die diese Entscheidungen nachbilden oder überschreiben. Statt endlose Tabellenkalkulationen zu betreuen, sollten Planungsmitarbeiter verbessern, wie jedes Produkt beschafft oder gelagert wird, Kostenannahmen verfeinern und neue Signale erfassen, die dem Algorithmus sonst verborgen blieben. Ebenso müssen Finanzverantwortliche dieselben Details nicht wieder und wieder Zeile für Zeile prüfen, wenn die wirtschaftlichen Einflussfaktoren im Rezept die beabsichtigten Restriktionen unverfälscht abbilden. Ihre Aufgabe besteht vielmehr darin, diese Einflussfaktoren anzupassen, wenn sich die Strategie ändert oder neue Ressourcengrenzen gelten.

Dieser Wandel verlangt auch neue Formen der Zusammenarbeit. Ein maschinelles System ist zugleich transparent und unflexibel: Es kann einen Widerspruch zwischen zwei Abteilungen nicht stillschweigend überdecken. Widerspricht eine Lagersteuerungsregel einer jüngsten Marketingoffensive, zeigt sich der Konflikt rasch in den täglichen Ausgaben. Solche Widersprüche aufzulösen, verlangt letztlich mehr als eine höfliche Besprechung oder eine Ad-hoc-Korrektur. Der Scientist — oder wer auch immer inzwischen das Rezept verantwortet — muss die aktualisierten Vorgaben aufnehmen und die Logik erneut ausführen. Damit dies ohne Chaos geschieht, muss die Organisation hinter einem einzigen automatisierten Prozess stehen, statt jedem Team zu erlauben, bei einem missliebigen Ergebnis seine persönliche Tabellenkalkulation wiederzubeleben. Wer an lokalen Behelfslösungen festhält, verwässert den Nutzen der Automatisierung für alle.

Die sichtbarste Veränderung vollzieht sich bei den Mitarbeitern der täglichen Planung. Zuvor gingen sie SKUs oder Standorte durch, passten Bestände an, prüften Lieferzeiten nach und griffen manuell ein, wenn sich Angebot oder Nachfrage abrupt änderten. Nun können sie strategischer arbeiten. Statt Hunderte Nachbestellzeilen zu prüfen, bestätigen sie etwa, dass neue Lieferantenverträge korrekt codiert sind, oder untersuchen einen unerwarteten Anstieg, den das Rezept als Ausreißer kennzeichnet. Ihre tägliche Arbeit besteht weniger aus mechanischer Dateneingabe und stärker aus Beziehungsaufbau, dem Entdecken neuer Kostentreiber und dem Vorausahnen von Marktveränderungen. Diese Entwicklung kann zunächst verunsichern. Manche Mitarbeiter halten ihre ursprüngliche Rolle — jeden Schritt manuell zu erledigen — womöglich weiterhin für unersetzlich. Sie versuchen möglicherweise, manuelle Teilprozesse am Leben zu halten. Doch sobald das System für eine kleine Teilmenge reibungslos läuft und auf einen größeren Umfang ausgeweitet wird, übertrifft die Konsistenz des Rezepts bald die verstreute menschliche Wachsamkeit.

Organisatorische Veränderungen können Unbehagen auslösen, ebnen aber den Weg zu einem agileren Unternehmen, das stärker auf seine tatsächlichen Prioritäten ausgerichtet ist. Soll eine strategische Initiative Transportkosten senken oder die gesamten Lieferzeiten verkürzen, lässt sie sich unmittelbar im Rezept umsetzen und anschließend an realen Aufträgen testen und messen — statt nur in einer Besprechung diskutiert zu werden. Planer können mitgestalten, wie Restriktionen modelliert werden, anstatt jeder Nachfrageänderung hinterherzulaufen. Führungskräfte erkennen deutlicher den Zusammenhang zwischen den von ihnen genehmigten Restriktionen und den folgenden Ergebnissen bei Bestands- oder Auftragserfüllungskennzahlen. Während unproduktive Routinen verschwinden, können Mitarbeiter, die zuvor von wiederkehrenden Aufgaben beansprucht waren, stärkere Lieferantenbeziehungen aufbauen, aussagekräftige Marktsignale erkennen und sicherstellen, dass Produkteinführungen oder -übergänge mit dem täglichen maschinellen Ansatz zusammenpassen.

Diese organisatorischen Anpassungen bilden das Rückgrat einer Supply Chain, die auf rigorosen automatisierten Entscheidungen aufbaut und gedeiht. In den folgenden Abschnitten wenden wir uns den unmittelbarsten Auswirkungen auf die Planer selbst zu, die sich in diesem neuen Rahmen zu „Flow Managern“ entwickeln. Anschließend untersuchen wir, wie die Rolle des Scientists zentral dafür wird, diese Entscheidungen noch lange nach der ersten Einführung zu erhalten und zu verbessern.

10.4.1 Planer und Flow Manager

Werden tägliche Entscheidungen vollständig automatisiert, verliert die traditionelle Rolle des Planers — Tabellenkalkulationen studieren, Nachbestellmengen anpassen und widersprüchliche Prioritäten abstimmen — schrittweise einen Großteil ihres alltäglichen Zwecks. In vielerlei Hinsicht ist dieser Wandel befreiend. Ohne die Last, kleinen Datenwidersprüchen nachzujagen oder wiederkehrende Heuristiken anzuwenden, kann dieselbe Person die höherwertige Rolle des Flow Managers übernehmen. Statt jede SKU im Detail zu steuern, überblickt sie nun das gesamte Versorgungsnetz, erkennt reale Ausnahmen und festigt die Zusammenarbeit zwischen Lieferanten, Frachtführern und internen Beteiligten.

10.4.1.1 Wiederkehrende Anpassungen

Planer waren gewöhnlich damit beauftragt, bewegliche Teile — Prognosedaten, Lieferzeiten von Lieferanten und lokale Restriktionen — durch manuellen Abgleich von Tabellenkalkulationen und systemgenerierten Zahlen aufeinander abzustimmen. Sie waren der „Klebstoff“, der Prozesse zusammenhielt, wenn die offizielle Software oder Prognose nicht genügte. In einem automatisierten Umfeld ist die Logik, die einst diese Tabellen füllte, jedoch im Rezept eingebettet, das die täglichen Entscheidungen erzeugt. Dieses Rezept produziert nicht bloß theoretische Zahlen: Es schlägt Nachbestellzeilen, Allokationen oder Kapazitätsbuchungen vor oder setzt sie um, jeweils verankert in den finanziellen Kosten und Restriktionen des Unternehmens. Verbrachte ein Planer früher womöglich jede Woche Stunden damit, nach verdächtigen Beständen oder Versandfehlern in letzter Minute zu suchen, kennzeichnet der Prozess Ausreißer nun automatisch und löst gezielte Eingriffe statt flächendeckender manueller Prüfungen aus.

Damit verlagert sich der Schwerpunkt der Rolle auf eine höhere Ebene. Statt Hunderte oder Tausende SKUs nach fehlerhaften Nachbestellberechnungen zu durchsuchen, kann der ehemalige Planer seine Energie in strategischere oder stärker beziehungsorientierte Aufgaben investieren. Er kann subtile Signale verfolgen, die numerischen Modellen womöglich entgehen — etwa eine neu erworbene Zertifizierung eines Lieferanten oder frühe Hinweise darauf, dass ein Frachtführer in bestimmten Regionen Schwierigkeiten hat. Außerdem kann er beurteilen, wo das Rezept von tieferen Erkenntnissen profitieren würde, etwa durch Echtzeit-Kapazitätsdaten einer kritischen Produktionslinie oder neue Rabattstaffeln eines Hauptlieferanten. Indem der Flow Manager diese Entdeckungen an den Scientist zurückgibt, stellt er sicher, dass sich das automatisierte Rezept ohne tägliches Rätselraten weiterentwickelt.

10.4.1.2 Der Stand des Konsenses

Diese Veränderung beseitigt häufig die wiederkehrenden Abstimmungsrunden — gewöhnlich als Sales and Operations Planning (S&OP) bekannt —, in denen Teams früher darüber debattierten, wie Prognosen anzupassen oder unsichere Kapazitäten zu behandeln seien. In vielen Unternehmen verkommen diese Sitzungen zu monatlichen oder vierteljährlichen Runden des Zahlenverschiebens, an deren Ende eine einzige Konsenszahl steht, die weiterhin von den betrieblichen Gegebenheiten losgelöst ist. Bestenfalls wiederholt ein solcher Prozess bekannte Restriktionen und Abteilungssichtweisen; schlimmstenfalls verdeckt er Konflikte und führt zu schwachen Kompromissen.

Steuert ein numerisches Rezept die täglichen Allokationen oder Produktionspläne, entfällt die langwierige Debatte darüber, welche Prognose „richtig“ ist. Alle relevanten Restriktionen — Lieferzeiten, Kostenstrukturen, Strafkosten für Fehlbestände — sind entweder im System enthalten oder nicht. Bringt eine Abteilung ein Anliegen vor, etwa einen Marketingplan, der kurzfristig Nachfragespitzen auslösen wird, ist die Antwort konkret: Das Rezept muss geändert werden, um die tatsächlichen wirtschaftlichen Folgen abzubilden. Man kann höhere Strafkosten für Fehlbestände bestimmter Aktionsartikel codieren oder teurere Fracht für plötzliche Anstiege berücksichtigen. Statt in wöchentlichen Besprechungen eine mittlere Prognose auszuhandeln, sorgen der Flow Manager und der Scientist dafür, dass sich operative Entscheidungen automatisch an aktualisierten Kosten- und Restriktionsmodellen ausrichten. Die alten Prognosedebatten werden damit weitgehend gegenstandslos: Jede „endgültige Zahl“, die tägliche Bestellungen prägt, ist in der wirtschaftlichen Logik des Unternehmens verankert, nicht in einem im Konferenzraum ausgehandelten Kompromiss.

10.4.1.3 Echte Ausnahmen

Da das numerische Rezept sich als Reaktion auf neue Daten selbst korrigiert, wird das tägliche manuelle Überschreiben von Entscheidungen für einzelne SKUs überflüssig. Die Wachsamkeit des Flow Managers richtet sich stattdessen auf tatsächlich ungewöhnliche Ereignisse — Fälle, die so weit außerhalb der Regeln des Rezepts liegen, dass sie realitätswidrige Entscheidungen erzeugen würden. Schließt etwa ein wichtiger Lieferant nach einem unvorhergesehenen technischen Ausfall ein Werk für zwei Wochen, erkennt der Manager eine erhebliche Störung. Statt Hunderte Nachbestellzeilen zu überschreiben, eskaliert er den Sachverhalt: „Unsere Lieferzeit von Lieferant A verdoppelt sich diesen Monat faktisch, und es gibt nur Teillieferungen.“ Der Scientist codiert die Änderung, das Rezept läuft erneut, und das gesamte System passt sich entsprechend an — von veränderten Nachbestellmengen bis bei Bedarf zu anderen Frachtführern. Im früheren manuellen Ansatz hätte ein solches Ereignis tagelange hektische E-Mail-Ketten und einmalige Tabellenänderungen in mehreren Regionen ausgelöst. Nun wird es als eine einzige Änderung der Logik behandelt.

Diese Schwerpunktverlagerung verringert die Reibung in der gesamten Organisation. Der Flow Manager muss nicht länger Zeile für Zeile verteidigen, wie er auf bestimmte Nachbestellmengen gekommen ist. Stattdessen kann er den größeren Verlauf von Nachfragespitzen oder Angebotsrestriktionen untersuchen. Bleiben bestimmte Artikel systematisch hinter den Serviceerwartungen zurück, lautet die Frage nicht „Warum hast du letzte Woche zu wenig nachbestellt?“, sondern „Wie können wir die Kostentreiber oder Lieferzeitannahmen neu fassen, damit das Rezept die Volatilität dieses Artikels erfasst?“ Echte Probleme werden rasch gelöst; alte Muster nach dem Motto „Wir erhöhen einfach die Prognose“ verschwinden.

10.4.1.4 Stratege, Verbindungsperson und Prüfer

Mit der Zeit steht die neu bezeichnete Rolle des Flow Managers an der Schnittstelle dreier Kernaufgaben. Erstens wird er zum Strategen: Nicht länger in täglicher Nachbestellmonotonie gefangen, verfeinert er die zugrunde liegende finanzielle Logik, weist auf künftige Erweiterungen — neue Lager oder Produktlinien — hin und schlägt eine Ausweitung des automatisierten Umfangs vor. Zweitens dient er als Verbindungsperson: Im Austausch mit Vertrieb, Marketing und Einkauf sammelt er Entwicklungen, die das automatisierte System noch nicht erfasst hat. Schließlich wirkt er als Prüfer: Er kontrolliert die Systemausgaben stichprobenartig auf Ausreißer, untersucht Anomalien und prüft, ob Kosten- oder Lieferzeitannahmen weiterhin den realen Bedingungen entsprechen.

Keine dieser Aufgaben ähnelt der klassischen Routine, jeden Morgen Sicherheitsbestände in einer Tabellenkalkulation anzupassen. Dieses alte Muster wird durch kontinuierliche Verbesserungszyklen ersetzt. Jeder Zyklus erweitert entweder die Abdeckung der Automatisierung — neue Produktfamilien, Kanäle oder Restriktionen — oder die Tiefe des Modells — bessere Näherungen für Versandkosten, neue Regeln für Losfertigung oder feinere Strafkostenstrukturen für verspätete Lieferungen. Der von administrativen Aufgaben befreite ehemalige Planer spielt eine Schlüsselrolle dabei, herauszufinden, welche Erweiterungen am wichtigsten sind.

10.4.1.5 Das weitere Team

Widmet der Flow Manager seine Energie strategischer Verbindungsarbeit, müssen sich auch die früheren Rollen von „Senior-Planern“ oder „Produktionskoordinatoren“ anpassen. In Organisationen, die an älteren Strukturen festhalten, versuchen womöglich weiterhin mehrere Mitarbeiter, tägliche Entscheidungen außerhalb des Systems nachzubilden. Diese Doppelarbeit führt nur erneut zu Verwirrung — keine zwei Tabellenkalkulationen spiegeln einander vollkommen. In Organisationen, die den Wandel annehmen, können Mitarbeiter, die sich einst auf manuelles Nachbestellen spezialisierten, dagegen zu Fachexperten werden. Sie konzentrieren sich etwa darauf, dass Gefahrguttransporte präzise Vorschriften einhalten, oder handeln mit Logistikpartnern wirksamere Vereinbarungen zur Verbesserung von Lieferzeiten aus.

Auch wenn S&OP- oder gemeinsame Prognosebesprechungen in ihrer traditionellen Form verschwinden mögen, bleiben einige Kommunikationskanäle erhalten. Der Unterschied ist, dass sie sich nicht mehr um das „Nachjustieren“ von Prognosen drehen. Stattdessen verbinden sie die Logik des Rezepts mit dem operativen Geschäft: Sie behandeln neue Filialerweiterungen, die anstehende Einstellung von Produktlinien, unerwartete Rohstoffzuschläge oder Markenschutzstrategien, deren fehlende Codierung zu suboptimalen täglichen Ausgaben führt. Jedes Gespräch beruht auf derselben integrierten Logik, die jede Entscheidung steuert. Die Beteiligten sprechen darüber, reale Einflussfaktoren anzupassen, statt darum zu feilschen, wessen Prognose richtig ist.

Mit dem Einzug der Automatisierung entwickelt sich die Rolle des Planers somit vom täglichen Mikromanagement zu einem handlungsfähigen Flow Manager. Indem der ehemalige Planer die Verantwortung übernimmt, operative Tatsachen zu erfassen — sowohl subtile als auch dramatische —, stellt er sicher, dass der maschinelle Entscheidungsprozess korrekt und rechtzeitig bleibt und sich fortlaufend verbessert. Befreit von Tabellenpflichten weitet sich sein Erkenntnisbeitrag auf das gesamte Netzwerk aus, von Beschaffungspartnern bis zur eigenen Fertigung, und schafft tiefere Synergien, als die alten Routinen je zuließen.

10.4.2 Der Supply Chain Scientist

Der Supply Chain Scientist trägt eine besondere Verantwortung: Er übersetzt die sich wandelnden wirtschaftlichen Gegebenheiten des Unternehmens in ein numerisches Rezept, das den täglichen Güterfluss steuert. Sobald sich das Unternehmen darauf festlegt, große Teile der manuellen Planung durch automatisierte Entscheidungen zu ersetzen, wird der Scientist zum Dreh- und Angelpunkt dieses Prozesses. Diese Rolle unterscheidet sich von herkömmlichen Stellen in der Geschäftsanalyse oder Prognose, weil sie sowohl die durchgängige Verantwortung für das Rezept als auch die unmittelbare Rechenschaftspflicht für dessen Rentabilität verlangt. Statt lediglich die Transparenz zu verbessern oder numerische Artefakte zu erzeugen, soll der Scientist korrekte, sich selbst anpassende Entscheidungen liefern, auf die im Produktivbetrieb Tag für Tag Verlass ist.

10.4.2.1 Die Verbindung zur IT

Technisch betrachtet arbeitet der Scientist an der Schnittstelle zu den Systemen und Daten des Unternehmens. Es wäre jedoch ein Fehler, ihn als Teil der IT-Funktion zu behandeln. Er muss sich auf die Modellierung von Supply-Chain-Entscheidungen konzentrieren können, statt sich mit einer langen Reihe von Datenintegrationsaufgaben herumzuschlagen, auf die die IT bereits spezialisiert ist. Der Scientist benötigt durchaus eine stabile Pipeline von Rohdatensätzen – ungefilterte Auszüge aus Transaktionen, Beständen, Lieferantenkonditionen und Ähnlichem. Sobald diese Pipeline eingerichtet ist, verlagert sich seine Aufgabe jedoch darauf, neue Erkenntnisse und Restriktionen, die die Bedingungen der Supply Chain widerspiegeln, in Code zu fassen. Die IT wiederum bleibt für die Datenextraktionen und die Infrastruktur zuständig.

Diese Aufgabenteilung kommt beiden Seiten zugute. Der Scientist vergrößert den Aufgabenrückstand der IT nicht durch endlose Anforderungen an spezialisierte Transformationen; der Data Officer in der IT liefert neutrale, tägliche Momentaufnahmen der Quellsysteme und überlässt dem Scientist sämtliche Verfeinerungen innerhalb des Rezepts. Gleichzeitig kann sich die IT-Abteilung auf ihren umfassenderen betrieblichen Auftrag konzentrieren: zentrale Anwendungen stabil zu halten und sicherzustellen, dass alle vorgelagerten Datenbanken und Datenzuführungen einwandfrei funktionieren. Sobald ein Problem auftritt, etwa die Umbenennung einer Tabelle im ERP oder ein fehlgeschlagener nächtlicher Export, arbeiten beide Seiten zügig zusammen: Die IT behebt die Störung in der Pipeline, und der Scientist nimmt mit den aktualisierten Daten den normalen Betrieb wieder auf. Es entstehen weder Reibungsverluste noch Unklarheiten darüber, wer für die Transformationslogik verantwortlich ist oder welche Änderungen unterwegs eingeführt wurden.

10.4.2.2 Zur Finanzabteilung

Aus dem Auftrag des Scientist folgt die Notwendigkeit, finanzielle Restriktionen tief in die täglichen Entscheidungen einzubetten. Kostentreiber – ob Frachtraten, Betriebskapitalgrenzen oder Margenziele – dürfen keine abstrakten Ideen bleiben, die durch Präsentationen geistern. Sie müssen ausdrücklich numerisch behandelt werden, damit jede Zuteilung ihre Abwägungen auf tatsächliche monetäre Gegebenheiten stützt. Der Scientist arbeitet daher nicht aus bloßer Förmlichkeit mit der Finanzabteilung zusammen, sondern aus Notwendigkeit: Verändern anstehende Werbekampagnen die erwarteten Margen oder schließen neue Kapitalrestriktionen bestimmte Bestandsniveaus aus, muss das Rezept entsprechend aktualisiert werden.

Dieser Austausch mit der Finanzabteilung findet regelmäßiger statt, als man annehmen könnte. Während des Rollouts der Initiative hält der Scientist üblicherweise eine Reihe kurzer Besprechungen ab, in denen er zeigt, wie sich die aktuellen Kostenannahmen – etwa Lagergemeinkosten oder Kostenansätze für beschleunigte Fracht – in täglichen Entscheidungen niederschlagen. Die Finanzabteilung erkennt möglicherweise verborgene Ungenauigkeiten, etwa eine übersehene Umschlaggebühr für Großlieferungen oder die ungenutzte Möglichkeit, Rabattstaffeln feiner zu berücksichtigen. Die Korrektur solcher Details kann die Lösung von einem naiven lokalen Optimum zu Entscheidungen führen, die die tatsächlichen Auswirkungen auf die Gewinn- und Verlustrechnung des Unternehmens besser widerspiegeln. So bleibt die Automatisierung finanziell „treffsicher“ – weder eine Budgetposition noch ein Profitcenter wird bloßen Vermutungen überlassen.

Auch wenn das Rezept mit der Zeit ausgereift ist, geben größere betriebliche oder strategische Veränderungen weiterhin Anlass zu neuen Modellierungsrunden. Eine übergeordnete Vorgabe – etwa die Kapitalkosten zu senken oder die Exposition gegenüber einer bestimmten Risikoklasse zu verringern – gelangt über die Finanzabteilung zum Scientist, der sie in überarbeitete Straffunktionen, Rabatte oder Beschaffungsregeln übersetzt. Die Wirkung zeigt sich bald darauf in den täglichen Ergebnissen, sodass die Finanzen des Unternehmens und seine tägliche Supply Chain aufeinander abgestimmt bleiben.

10.4.2.3 Zur Unternehmensleitung

Der Scientist ist weder CEO noch Executive Sponsor, nimmt aber eine Schlüsselrolle ein, sobald die Unternehmensspitze ihre strategischen Prioritäten ändert. Sobald sich die neue Richtung abzeichnet – der Eintritt in ein neues Land, der Wechsel zum Nearshoring, die Bevorzugung eines Premiumservice für bestimmte Produktlinien –, muss das numerische Rezept diese Prioritäten kodieren. Ohne diese umgehende Anpassung bleiben die mechanischen Entscheidungen in überholter Logik gefangen.

Ein direktes, kurzes Gespräch mit der Unternehmensspitze ein- oder zweimal im Jahr kann genügen. Es dient nicht dazu, kleinste Codeänderungen im Detail zu untersuchen. Vielmehr stellt es sicher, dass der Scientist das Gesamtbild versteht. Strebt das Unternehmen eine schnellere Expansion bei zugleich strengerem Kapitaleinsatz an, könnte der Scientist dies durch engere Bestandsbudgets für langsamdrehende Artikel oder höhere Kostenansätze für Notfallfracht abbilden. Die täglichen Ergebnisse des Rezepts verändern sich damit dort, wo sie das Unternehmensergebnis beeinflussen. Da der Code zustandslos ist, bleiben keine Zustände zurück, die den Übergang behindern. Schon innerhalb einer Woche nach der neuen Vorgabe der Unternehmensleitung könnte die Supply Chain Bestellungen erzeugen, die diesen strategischen Anforderungen entsprechen.

Diese rasche Anpassung zeigt, wie aus dem mechanischen Fundament der Supply Chain strategische Kohärenz entsteht: Sobald sich die Annahmen im Code ändern, verändert sich auch jede betroffene Entscheidung. Wo ein manueller Prozess einst monatelange schrittweise Nachschulungen für Dutzende Planer erforderte, wirkt hier eine einzige Aktualisierung sofort über das gesamte Produktsortiment oder Standortnetz hinweg.

10.4.2.4 Mehr als zwei Scientists

In vielen mittelgroßen Unternehmen kann ein einzelner Supply Chain Scientist – ergänzt durch einen zweiten zur Absicherung – ganze Entscheidungsströme abdecken. Wächst die Initiative jedoch, indem weitere Produktlinien hinzukommen oder anspruchsvollere Produktions- und Distributionsprobleme vertieft werden, können zusätzliche Scientists erforderlich sein. Die Leitung eines größeren Teams verlangt ein strengeres Vorgehen bei der Strukturierung des Rezepts.

Der erste Grundsatz besteht darin, möglichst viel gemeinsame Logik in einer einheitlichen Codebasis zu halten. Jeder Scientist kann unterschiedliche Teilbereiche betreuen – einer konzentriert sich auf Beschaffungsrestriktionen, ein anderer auf die Produktionsplanung –, doch alle arbeiten an demselben Gesamtkonzept. So wie Softwareingenieure Versionsverwaltung und Code-Reviews nutzen, übernehmen Scientists ähnliche Verfahren, um tägliche Änderungen zu koordinieren und sicherzustellen, dass eine Verbesserung in einem Bereich nicht versehentlich Restriktionen in einem anderen verletzt.

Entscheidend ist, dass Scientists vor allem Supply-Chain-Experten bleiben. Sie werden nicht eingestellt, um abstrakte Innovationen im maschinellen Lernen zu verfolgen. Führen sie Code-Reviews ein, geht es nicht darum, eine spezialisierte IT-Pipeline aufzubauen, sondern darum, tägliche Entscheidungen konsistent und fehlerfrei zu halten. Jeder Scientist lernt die Begründungen hinter den wesentlichen Codezeilen kennen – das „Warum“ ebenso wie das „Was“. Ein zentrales Handbuch¹⁶³, das die strategischen Beweggründe für jede Regel festhält, kann dabei unschätzbar wertvoll sein. Scheidet ein Scientist aus oder kommt ein neuer Mitarbeiter hinzu, verläuft der Wissenstransfer reibungsloser, und das Team muss die Feinheiten der Kostenannahmen oder die Restriktionen für Sonderfälle nicht erneut entdecken.

Wird eine Erweiterung auf diese Weise gehandhabt, kann das Scientist-Team geordnet wachsen und zugleich das Tempo seiner täglichen Iterationen beibehalten. Wie groß das Unternehmen auch wird: Jeder Aspekt – von neuen Rabattstrukturen bis zu verfeinerten Prognosen der Lieferzeiten – kann vom zuständigen Scientist bearbeitet und anschließend geordnet in das zentrale Rezept integriert werden.

10.4.2.5 Strikte Konzentration auf die Aufgabe

Obwohl Scientists viel programmieren, sind sie keine untergeordneten Softwareentwickler. Ihr Erfolg bemisst sich an den tatsächlichen Auswirkungen der täglichen Entscheidungen: weniger Fehlanpassungen der Bestände, höhere Margen oder eine schnellere Anpassung an ungewöhnliche Bedingungen. Sie verschwinden nicht im Aufgabenrückstand der IT und sind auch kein allgemeines „Data-Science“-Team, das flüchtigen Genauigkeitsbenchmarks hinterherjagt. Stattdessen konzentrieren sie sich konsequent auf umsetzbare Änderungen, die den Güterfluss so neu ordnen, dass er strategischen und finanziellen Zielen besser dient.

Diese Verankerung im Konkreten unterscheidet sie von Abteilungen, die sich mit Dashboards oder einmal pro Quartal erstellten Analysen beschäftigen. Wann immer sich das Umfeld verändert, muss der Scientist mit dem Code wiederholt kleine, zielgerichtete Schritte unternehmen und die Ergebnisse jedes Tages im Produktivbetrieb prüfen. Das Zusammenspiel mit der IT ist wesentlich, endet jedoch an der Grenze der Datenextraktion. Das Zusammenspiel mit der Finanzabteilung besteht fort und stellt sicher, dass die Kostentreiber auch bei Marktveränderungen glaubwürdig bleiben. Und das Zusammenspiel mit der Unternehmensspitze wird enger, sodass der automatisierte Prozess jede neue Richtung, die das Unternehmen einschlägt, rasch abbilden kann.

Verinnerlichen Unternehmen diese Gegebenheiten, erkennen sie, dass die Rolle des Scientist weder vorübergehend ist noch nach Abschluss des „Automatisierungsprojekts“ entbehrlich wird. So wie der Flow Manager den manuellen Planer bei den täglichen Aufgaben ersetzt, ersetzt der Scientist ein verschlungenes Netz von Teillösungen durch einen sich weiterentwickelnden, kodifizierten Ansatz. Strategische Aktualisierungen bleiben dauerhaft notwendig, und der Scientist steht bereit, jede Veränderung in die mechanische Logik einzubetten. Durch dieses fortlaufende Zusammenspiel bleibt eine Supply Chain dauerhaft relevant und mit den tatsächlichen wirtschaftlichen Einflussfaktoren verbunden.

Der Scientist ist somit ein neuer Typ von Fachkraft für den Unternehmensbetrieb: weder rein technisch noch rein auf Management ausgerichtet, sondern eine Verbindung aus beidem. Seine Autorität erwächst nicht aus einer formalen Führungshierarchie, sondern aus der täglichen Korrektheit und Anpassungsfähigkeit seines Codes. Im nächsten Abschnitt untersuchen wir genauer, welche typischen Fallstricke die „Data Science“ im Unternehmensumfeld erwarten und warum echte Supply Chain Scientists über oberflächliches Zahlenrechnen hinausgehen müssen, um dauerhaft erfolgreich zu sein.

10.4.3 Das Unternehmen als Ganzes

Jede Initiative, die Supply-Chain-Entscheidungen neu gestaltet, wirkt sich zwangsläufig auf das gesamte Unternehmensgefüge aus, ganz gleich, wie präzise ihr Umfang zu Beginn festgelegt wurde. Das numerische Rezept kann nicht isoliert arbeiten: Seine täglichen Ergebnisse müssen die Restriktionen, Ziele und Kostenstrukturen mehrerer Abteilungen widerspiegeln, von denen viele traditionell lokale Prozesse unterhalten haben, die von übergreifenden Belangen abgekoppelt waren. Die vorangegangenen Abschnitte zeigten, wie sich die Initiative um einen Supply Chain Scientist, den Data Officer, den Flow Manager und den Executive Sponsor herum organisieren lässt. Doch auch das übrige Unternehmen muss lernen, mit diesem neuen Entscheidungsprozess zusammenzuarbeiten und ihm letztlich zu vertrauen. Ohne einen einheitlichen Rahmen besteht die Gefahr, dass lokaler, kurzfristiger Druck aus Vertrieb, Marketing, Einkauf oder anderen Bereichen die mechanischen Ergebnisse außer Kraft setzt oder untergräbt.

Die eigentliche Stärke des Rezepts liegt jedoch gerade darin, jeden relevanten Einflussfaktor zusammenzuführen und täglich abzubilden, ohne verborgene Verzerrungen oder zersplitterte Aufsicht. Dafür muss jede Abteilung der Versuchung widerstehen, eigene vertrauliche Tabellenkalkulationen und Schattenprozesse zu unterhalten. Stattdessen muss sie ihre Restriktionen und Kostenstrukturen offenlegen, damit der Scientist sie unmittelbar kodieren kann. Hier muss die Unternehmensspitze, insbesondere der oberste Geschäftsführer oder CEO, entschieden eingreifen. Der CEO ist nicht die letzte Entscheidungsinstanz für wirtschaftliche Einflussfaktoren und kann es auch nicht sein; solche Details sind für die Unternehmensspitze zu feingliedrig. Vielmehr entscheidet er letztlich darüber, welche Abteilung für den jeweiligen Einflussfaktor verantwortlich ist, und stellt sicher, dass die Verantwortlichen mit dem Scientist zusammenarbeiten, statt das System zu umgehen. Besteht die Finanzabteilung darauf, bestimmte Kapitalkosten mit einem festgelegten Satz anzusetzen, werden diese Kosten zum anerkannten Standard. Legt der Einkauf fest, dass ein bestimmter strategischer Lieferant von Kürzungen der Bestellmengen ausgenommen werden soll, wird diese Entscheidung ausdrücklich modelliert. Die Vorgabe muss aus der zuständigen Abteilung kommen; sobald sie bestätigt ist, besteht sie jedoch nicht länger als ungeschriebene Regel, sondern ist in der täglichen Entscheidungslogik verankert.

Für Abteilungen, die ihre Zahlen zuvor nach Belieben angepasst haben, kann diese Regelung irritierend sein. Stellt ein Markenmanager fest, dass ein beliebtes Produkt im anstehenden Bestellplan fehlt, befürchtet er möglicherweise Umsatz- oder Marktanteilsverluste. Im alten Ansatz konnte er eilig die Nachbestellmenge in einer Tabellenkalkulation überschreiben, unabhängig davon, ob dies dem Unternehmensergebnis tatsächlich zugutekam. Glaubt der Markenmanager im neuen System, dass das Weglassen des Produkts einen Reputationsschaden verursacht, der kurzfristige Gewinnbelange bei Weitem überwiegt, muss er diesen Faktor an die zuständige Stelle herantragen, damit dessen finanzielle Kosten oder Kostenansätze im Rezept kodiert werden. Es geht nicht darum, dem mechanischen Prozess die „Schuld“ daran zu geben, dass er ein Markenerfordernis ignoriert. Vielmehr gilt es, dieses Erfordernis – ausgedrückt als Kostenansatz für Fehlbestände oder als Prämie für eine markenstärkende Verfügbarkeit – in die wirtschaftlichen Einflussfaktoren einzubetten. Von da an werden sich die täglichen Entscheidungen, die zuvor Reibung erzeugten, von selbst an der Priorität des Markenmanagers ausrichten, solange diese für die Gesamtstrategie des Unternehmens tatsächlich wichtig bleibt.

Ähnliche Spannungen entstehen mit dem Marketing, wenn eine Werbeaktion im endgültigen Plan fehlt oder sich ein beworbenes Produkt als nur knapp rentabel erweist und eine niedrige Nachbestellpriorität erhält. Hat das Marketingteam Belege dafür, dass eine Aktion den Verkauf ergänzender Artikel steigert, muss es zeigen, wie sich die zusätzlichen Einnahmen oder der zusätzliche Markenwert in einem wirtschaftlichen Ertrag niederschlagen. Sobald dieser zusätzliche Ertrag ausdrücklich benannt ist, integriert der Scientist ihn in den Code. Solche Marketingbelange werden dann nicht mehr durch Eingriffe in letzter Minute oder „abschließende Prognoseanpassungen“ behandelt, sondern werden Teil des täglichen mechanischen Prozesses: eine offene, dokumentierte Variable, die überarbeitet werden kann, wenn die Rückmeldungen aus dem Markt zeigen, dass die Aktion nicht zu den erwarteten Zusatzverkäufen geführt hat. Indem zuvor nur gruppenintern bekannte oder schwer greifbare Faktoren offen benannt werden, muss jede Abteilung entscheiden, ob ein lokaler Wunsch eine flüchtige Vermutung oder eine wesentliche wirtschaftliche Tatsache ist. Tatsächlich entsteht eine spieltheoretische Dynamik: Jede Abteilung erkennt, dass teilweise Kooperation – etwa ein unter der Hand überhöhter Bedarf, um sich Bestände zu sichern – keinen Vorteil mehr bringt. Das endgültige Rezept prüft täglich sämtliche Restriktionen; werden Kosten oder Nutzen nicht angegeben, werden sie auch nicht berücksichtigt. Die Aufgabe der Unternehmensspitze besteht darin, sicherzustellen, dass jeder Bereich seine Kosten und Gewinne ehrlich angibt, statt Bedarfszahlen zu manipulieren, um sich Ressourcen auf Kosten anderer zu sichern.

Auch der Einkauf mag sich zunächst bedroht fühlen, wenn das tägliche Rezept genaue Nachbestellpositionen und -zeitpunkte vorgibt und damit faktisch die manuellen Verhandlungen ersetzt, die manche Einkäufer für ihren wichtigsten Beitrag hielten. Die Einkaufsfunktion bleibt jedoch unverzichtbar, um offenzulegen, welche Lieferanten verlässliche Qualität bieten, welche verborgene Bedingungen stellen und auf welche man zugunsten neuer Beschaffungsstrategien möglicherweise verzichten sollte. Das Einkaufsteam muss das System weder überlagern noch auf Nebenabsprachen zurückgreifen; es gewinnt mehr Einfluss, indem es die Restriktionen der Lieferanten klar benennt. Gibt es Mindestlosgrößen, besondere Eingangsfrachttarife für Teillieferungen oder Treuerabatte von Lieferanten? Jede Nuance ist ein Teil des wirtschaftlichen Puzzles. Sobald sie kodiert ist, prägt sie die Ergebnisse des Rezepts. So beeinflusst der Einkauf tägliche Entscheidungen durch stabile, rationale Regeln statt durch wiederholte manuelle Nacharbeit.

Dieselbe Logik gilt für Entwicklungsteams und Produktdesigner, die neue Komponenten einführen oder Stücklisten anpassen wollen. Früher konnte eine Konstruktionsänderung die Planung unvorbereitet treffen und kurzfristige Engpässe auslösen, wenn das neu spezifizierte Teil übersehen wurde. Nun kennzeichnet der tägliche mechanische Prozess jedes unbekannte Teil sofort und macht sichtbar, dass dem neuen Artikel Kostenreferenzen oder Lieferzeiten fehlen. Das Entwicklungsteam kann Änderungen nicht mehr unbemerkt einschleusen; es muss gemeinsam mit dem Scientist festlegen, wie die neue Komponente Produktionsrestriktionen oder Gemeinkosten verändert. Diese erzwungene Zusammenarbeit bewahrt das Unternehmen vor unbemerkten Fehlanpassungen der Versorgung, die einst als „unvermeidlich“ galten.

Selbst die Finanzabteilung, die die Supply Chain lange als eine von Marken- oder Marketingprioritäten getrennte Kostenstelle betrachtet hat, muss klarstellen, wie Liquiditätsrestriktionen und Betriebskapitalziele in die täglichen Nachbestellmengen einfließen. Soll bei bestimmten Produktlinien mit minimalen Pufferbeständen gearbeitet werden oder signalisiert die Finanzabteilung veränderte Bestandsbewertungen, schlagen sich diese Aktualisierungen unmittelbar in Codeänderungen nieder. Die täglichen Ergebnisse spiegeln nicht mehr lediglich eine Prognose und eine Standardmarge wider; sie drücken die aktuelle Haltung der Finanzabteilung zum Kapitaleinsatz aus. Fragt sich ein leitender Manager, warum bestimmte SKUs zurückgefahren wurden, lässt sich die Verbindung von den finanziellen Restriktionen zu den automatisierten Entscheidungen direkt nachvollziehen – und vom Code des Scientist zurück zu den Restriktionen der Finanzabteilung. Es sind weder willkürliche Eingriffe nötig noch endlose Prognosebesprechungen; alle erkennen Ursache und Wirkung.

In einem solchen Umfeld stellt sich die Schuldfrage selten. Kommt es bei einer beworbenen SKU unerwartet zu einem Engpass im Regal, wird das Marketing das numerische Rezept hinterfragen – nicht um es zu untergraben, sondern um zu prüfen, ob die Wirkung der Werbeaktion korrekt berücksichtigt wurde. Der Scientist wiederum prüft, ob das Marketing tatsächlich alle relevanten Informationen offengelegt hat, etwa zusätzliche Markenrisiken oder Erträge aus Zusatzverkäufen. Falls nicht, besteht die Abhilfe in einer neuen oder überarbeiteten Kostenannahme. Mit der Zeit entwickeln sich diese abteilungsübergreifenden Interaktionen von reibungsreichen Scharmützeln zu konstruktiven Aktualisierungen der Rezeptparameter. Dieses Modell der Zusammenarbeit gedeiht nur, wenn die Unternehmensspitze vom CEO abwärts hinter dem Prozess steht und sich entschieden dagegenstellt, manuelle Manipulationen wieder einzuführen, sobald eine Abteilung mit einem Ergebnis unzufrieden ist.

Sobald jede Abteilung erkennt, dass Abstimmung durch die Anpassung gemeinsamer Annahmen entsteht und nicht durch das Ignorieren oder Überschreiben mechanischer Ergebnisse, begreift sie, dass die mechanischen Entscheidungen zur einzigen maßgeblichen Grundlage des Tagesgeschäfts geworden sind. Diese einheitliche Grundlage ist weder starr noch schwerfällig; sie passt sich an, sobald sich Kosten, eine Restriktion oder ein Margentreiber als relevant erweisen. Halb durchdachte, flüchtige Vermutungen nimmt sie nicht auf. Diese Dynamik kann in den ersten Monaten verunsichern, wenn Mitarbeiter entdecken, dass sie eine unbequeme Zahl nicht mehr stillschweigend in ihrer Tabellenkalkulation korrigieren können. Nach einem vollständigen Zyklus – häufig einem oder zwei Quartalen – erkennen sie jedoch, dass weniger Notfälle auftreten, weniger Revierkämpfe ausbrechen und die Supply Chain stimmiger wirkt.

Die Initiative wird damit zu mehr als einer Verbesserung der Supply Chain: Sie ist ein Mechanismus für kontinuierliches abteilungsübergreifendes Zusammenspiel. Jeder Unternehmensbereich – Marketing, Einkauf, Entwicklung, Finanzen und operativer Betrieb – erkennt, dass er seine Prioritäten in den täglichen Güterflüssen am besten sichert, indem er sie offen benennt und dann darauf vertraut, dass der mechanische Prozess sie konsequent umsetzt. Die Rolle des CEO besteht darin, sicherzustellen, dass jeder Bereich tatsächlich die Verantwortung für die von ihm geltend gemachten Kosten oder Nutzen übernimmt, und den endgültigen Code des Scientist als den Kanal zu bestätigen, über den diese Ansprüche die Entscheidungen verändern. Alles andere erzeugt Doppelarbeit oder Widerstand, der die Gewinne des neuen Systems schmälert.

Mit der Zeit entsteht eine Kultur, in der niemand gegen die täglichen Zahlen des Rezepts ankämpft, solange sie korrekt benannte Einflussfaktoren widerspiegeln. Hält das Marketing die angesetzten Markenkosten für zu niedrig, spricht es das Problem formell an. Stellt der Einkauf fest, dass sich die Zuverlässigkeit eines Lieferanten verbessert hat, aktualisiert er entweder den Kostenansatz für Fehlbestände oder die erwarteten Lieferzeiten. Nach und nach begreifen alle, dass taktische Manöver – etwa das Aufblähen von Prognosen – keinen Vorteil mehr bringen, weil das Rezept sämtliche Angaben mit tatsächlichen Daten abgleicht. Das gemeinsame Bestreben gilt der Verfeinerung numerischer Annahmen, nicht ihrer Sabotage.

Dieser Übergang zu einer einheitlichen, täglichen, mechanischen Orchestrierung mag in Unternehmen, die lange auf die Eigenständigkeit ihrer Abteilungen gebaut haben, einschneidend wirken. Zu den Vorteilen zählen eine starke Verringerung des ständigen Feuerlöschens, ein engeres Zusammenspiel von Markenführung, Marketing und Betrieb sowie eine verlässlichere Verbindung zwischen strategischen Zielen und der Umsetzung vor Ort. Sobald jede Abteilung akzeptiert, dass sie die Eingaben gestalten muss, statt die Ausgaben zu überschreiben, erreicht die Initiative jene unternehmensweite Zusammenarbeit, die für langfristigen Erfolg unerlässlich ist.

11 Stagnation

Supply Chain, wie sie in diesem Buch behandelt wird, ist eine Absicht, die durch Entscheidungen verwirklicht wird. Die eng gefasste These dieses Kapitels lautet, dass die Supply Chain als Disziplin weitgehend stagniert hat. Nicht weil keine Güter bewegt würden – das werden sie –, sondern weil die Entscheidungen der Unternehmen darüber, was wann, wohin und in welcher Menge bewegt werden soll, mit vier Jahrzehnten rechnerischer Möglichkeiten nicht Schritt gehalten haben. Die vorherrschende Haltung bleibt administrativ: Menschen gleichen Ausnahmen ab, die von Software erzeugt werden, die Fakten aufzeichnet und die Vergangenheit erzählt, aber selten Wetten eingeht.

Mit Stagnation meinen wir operativen Stillstand, der durch Bewegung verdeckt wird. Register sind digital und allgegenwärtig; Berichte aktualisieren sich im Minutentakt; Data Warehouses wachsen an; Akronyme und Dashboards vermehren sich. Doch die grundlegenden Abläufe der Allokation sind weitgehend dieselben wie Mitte der 1980er-Jahre: Punktprognosen werden als Gewissheit behandelt, Puffer an willkürliche Serviceziele geknüpft, Ersatzgrößen für Nachbestellentscheidungen in wöchentliche Takte eingebaut, und täglich wirbelt eine Flut von Genehmigungen durch das Unternehmen. Computer dienen als Erfassungs- und Berichtssysteme. Wo „Automatisierung“ auftaucht, handelt es sich meist um Alarmtheater – Listen, die die schwierigen Fälle an Menschen zurückreichen –, statt um ein Intelligenzsystem, das ohne menschliches Eingreifen prüfbare Festlegungen ausgibt.

Dieser Stillstand hat seinen Preis. Er unterdrückt systematisch das, was Geld bewegt: Variabilität mit schweren Verteilungsrändern, Kopplungen über Zeit und Raum hinweg und den Optionswert des Wartens. Mittelwerte vertreten Verteilungen; lokale Leistungskennzahlen vertreten Ökonomie; Goodharts Gesetz verwandelt Messgrößen stillschweigend in Ziele. Das Ergebnis ist ein administratives Gleichgewicht, das durch Puffer und Überstunden Kontinuität liefert, im Alltag jedoch Geldeinheiten versickern lässt und unter Belastung ins Wanken gerät.

Nichts davon ist unvermeidlich. Frühere Kapitel haben die fehlenden Instrumente zusammengetragen: probabilistische Sichtweisen auf die Zukunft statt punktförmiger Ersatzgrößen; Bewertungen in Geldeinheiten auf Unternehmensebene; und Intelligenzsysteme, die innerhalb von Entscheidungsrahmen neu rechnen, Abwägungen bepreisen und Entscheidungen ohne menschliches Eingreifen zurückschreiben – abgesichert durch Abbruchheuristiken, mittels Whiteboxing offengelegte Dossiers und experimentelle Optimierung im Parallelbetrieb. Werden diese Werkzeuge eingesetzt, erzeugen dieselben Vermögenswerte bessere Güterflüsse, weil sich die Entscheidungen ändern.

Was folgt, ist zugleich Synthese und Anklage. Das Fachgebiet hat nicht bloß versäumt, mit moderner Rechenleistung zu beschleunigen; es hat sich in einem stabilen, mittelmäßigen Gleichgewicht eingerichtet, das von Anreizen getragen wird, die Erzählungen stärker belohnen als ausgegebene Entscheidungen: akademische Denkaufgaben, die Umbenennung von Erfassung und Berichten in „Planung“ durch Anbieter, Beratungszeremonien und interne „Data Science“, die bei Erkenntnissen stehen bleibt. Die organisatorische Falle – der zweitrangige Status der Supply Chain und ihre Unterordnung unter die zentrale IT – verankert diese Ordnung.

Dieses Doppelbild – ein Güterfluss, der weiter liefert, und eine Disziplin, die stillsteht – führt zu dem folgenden Paradox.

11.1 Das Paradox des Erfolgs

Supply Chains werden für ihre Verlässlichkeit gelobt. Güter überqueren täglich Grenzen; Ladenregale bleiben selten lange leer; Unternehmen melden solide Ergebnisse und bauen zugleich ihre Netzwerke aus. Nach den sichtbaren Ergebnissen beurteilt, wirkt das Fachgebiet vital und widerstandsfähig.

Doch dieser äußerliche Erfolg verdeckt einen tieferen Stillstand. Über Jahrzehnte außerordentlicher Fortschritte beim Rechnen hinweg haben die meisten Organisationen Computer als Register und Dashboards behandelt statt als Entscheidungs-Engines. Was als „Automatisierung“ gilt, ist gewöhnlich eine Kaskade von Ausnahmen, die Menschen abgleichen müssen. Was als „Planung“ gilt, bleibt eine fragile Mischung aus deterministischen Prognosen, Ersatzgrößen für Nachbestellentscheidungen und manuellen Eingriffen, lediglich mit modernen Oberflächen neu eingekleidet. Kontinuität wird weniger durch technisch geschaffene Intelligenz erkauft als durch Puffer, Redundanz und administrative Wachsamkeit.

Darin liegt das Paradox: Zuverlässige Lieferung in großem Maßstab besteht neben intellektuellem Stillstand. Andere Bereiche haben billige Rechenleistung in Entscheidungen ohne menschliches Eingreifen verwandelt; die Supply Chain hat die Routinen von gestern weitgehend nur neu verpackt. Die viel gepriesenen Innovationen sind kosmetisch – neue Akronyme für alte Artefakte, neue Bildschirmansichten für alte Gewohnheiten –, während der Kern ein täglicher, durch Menschen vermittelter Zahlenabgleich bleibt.

Die Kosten dieses Stillstands zeigen sich selten in der Momentaufnahme eines Tages, denn der Güterfluss „liefert“ tatsächlich. Bei Schocks – abrupten Nachfrageverschiebungen, Transportstörungen – werden sie offenkundig, wenn Prozesse ins Wanken geraten, die auf Regelbefolgung statt auf die Anpassung an Unsicherheit ausgelegt sind. Noch schädlicher ist der stille, sich aufschaukelnde Verlust im Alltag: übergroße Sicherheitsbestände, unzureichend genutzte Optionen und Tausende Stunden, die in die Pflege von Tabellenkalkulationen statt in bessere Entscheidungen fließen. Teure Software wird angeschafft, verbessert aber selten die Entscheidungsqualität; ihre „Automatisierung“ verkommt zu Alarmtheater, das die schwierigen Aufgaben an Menschen zurückgibt. Heimtückischer als jeder sichtbare Fehlschlag sind die wachsenden Opportunitätskosten: Jeder Tag, an dem Variabilität als Ärgernis behandelt wird, statt sie zu bepreisen und zu nutzen, ist ein Tag, an dem Überschüsse, die moderne Rechenleistung erschließen könnte, einfach verdampfen.

Frühere Kapitel haben bereits verfügbare Gegenmittel skizziert: probabilistische Sichtweisen auf die Zukunft, ökonomisch verankerte Bewertungen und Intelligenzsysteme, die täglich ohne menschliches Eingreifen prüfbare Entscheidungen ausgeben und durch experimentelle Optimierung fortlaufend verbessert werden. Hier geht es nicht darum, diese Instrumente erneut zu begründen, sondern zu erklären, warum ein Fachgebiet, das sie übernehmen könnte, dies weitgehend unterlassen hat. Der nächste Abschnitt verfolgt die Wurzeln dieses Gleichgewichts – akademische Moden, die wirtschaftlichen Anreize der Anbieter, Beratungstheater und Unternehmensführung –, die eine nachweislich zentrale Funktion stabil und mittelmäßig halten.

11.2 Komplexität in der realen Welt

Die Berufung auf „Komplexität“ ist zur rituellen Entschuldigung für mittelmäßige Praxis geworden. Das Problem ist nicht, dass Supply Chains kompliziert sind – bereits unser erstes Kapitel unterschied essenzielle von akzidenteller Komplexität –, sondern dass die meisten Organisationen das wirtschaftlich Wesentliche auf eine Handvoll Ersatzgrößen reduzieren. Punktprognosen vertreten Unsicherheit; ein einziger „Servicegrad“ gibt sich als Gewinn aus; durchschnittliche Lieferzeiten tilgen jene Verteilungsränder, die den Schaden verursachen. Das Ergebnis ist kein Modell des Güterflusses, sondern eine ruhiggestellte Karikatur davon.

Vereinfachung ist kein Laster, wenn sie die Asymmetrien bewahrt, die Geld bewegen; sie ist ein Fehler, wenn sie diese auslöscht. Variabilität und Optionalität sind die Rohstoffe des Gewinns. Unterdrückt eine Darstellung schwere Verteilungsränder, Korrelationen, Losbildung oder Sperrklinkeneffekte, die morgige Optionen binden, leitet sie Entscheidungen nicht mehr an, sondern verbirgt, was dabei auf dem Spiel steht.

Es folgt keine weitere Taxonomie des Scheiterns, sondern eine konkrete Fallskizze. Eine kleine Episode aus dem Betrieb macht das Problem greifbar. Sie schlägt zugleich die Brücke zu jener Methode, die Stillstände in der Praxis immer wieder durchbricht: der experimentellen Optimierung (siehe die Kapitel Entscheidungen, Engineering und Einführung).

11.2.1 Eine Fallskizze aus dem Betrieb

Betrachten wir eine alltägliche Episode. Ein landesweit tätiger Einzelhändler betreibt zwei regionale Distributionszentren, jedes mit einer nominellen Wareneingangskapazität von vierzig Containern pro Tag. Der Einkauf arbeitet in einem wöchentlichen Takt, der sich an MOQs und Rabatten der Lieferanten orientiert; das Planungssystem berechnet Meldebestände aus Punktprognosen und durchschnittlichen Lieferzeiten; Lager-KPIs verfolgen Rampenauslastung und Umschlag; Filialen werden nach der „Regalverfügbarkeit“ beurteilt. Kein Bösewicht, nur vernünftige lokale Ziele.

Jeden Montag treffen sechzig bis siebzig Container im DC West ein. Bis Mittag sind die Tore ausgelastet; Lastwagen stehen still; Standgelder steigen; ein Teil der Fracht verschiebt sich auf Dienstag, die letzten Reste auf Mittwoch. Unterdessen weisen die Filialregale zur Wochenmitte Lücken bei Long-Tail-SKUs auf, die am Montag in großen Mengen „unterwegs“ waren, physisch jedoch erst am Mittwoch angenommen werden konnten. Kein Dashboard lügt: Der Service sieht im Wochendurchschnitt gut aus; die Rabattstaffel wurde ausgeschöpft; die Rampenauslastung erreichte einen Spitzenwert; der Lagerumschlag hält sich. Dennoch versickern überall Geldeinheiten – in wartenden Lastwagen, Überstunden und vorübergehenden Fehlbeständen –, während sich die Organisation dafür beglückwünscht, „Ziele zu erreichen“.

Um dieses Bild zu korrigieren, braucht es nichts Raffiniertes; erforderlich ist, das Bild anzuerkennen. Im Parallelbetrieb wurde ein schlankes numerisches Rezept eingeführt: Lieferzeiten als Verteilungen mit schweren rechten Rändern; ein Schattenpreis für die Rampenüberlastung, der jenseits von vierzig Containern pro Tag nichtlinear steigt; MOQs der Lieferanten als Kostenansätze statt als Gebote; und entscheidend eine tägliche Bewertung von Bestellungen, ohne die Verpflichtung, täglich zu bestellen. Die Engine konnte „vorerst nichts tun“ ausgeben, sobald der Optionswert des Wartens die erwartete risikoangepasste Rendite überstieg.

Am ersten Tag löste ein unsinniges Ergebnis den Stopp aus: ein für Montag geplanter Eingang von achtundvierzig Containern an einer Rampe für vierzig Container. Dossiers legten die Einflussfaktoren in Geldeinheiten offen, und der Fehler wurde beseitigt: Wöchentliche Lose wurden durch gestaffelte Freigaben ersetzt, die Rabatte bewahrten und zugleich den Wareneingang glätteten. Innerhalb von vier Wochen Parallelbetrieb gingen Standgelder und Überstunden im Wareneingang deutlich zurück; Regallücken bei Long-Tail-Artikeln zur Wochenmitte nahmen ab, ohne das Betriebskapital zu erhöhen; die Rabatte wurden weiterhin ausgeschöpft. Keine Heldentaten, keine große Umorganisation: dieselben Vermögenswerte, dieselben Lieferanten, dieselben Filialen – nur die Entscheidungen änderten sich.

Die Lehre lautet nicht: „Montage sind schlecht.“ Sie lautet, dass die tatsächliche Komplexität ökonomischer und zeitlicher, nicht algebraischer Natur war. Mittelwerte verbargen Verteilungsränder; eine einzige Servicekennzahl verbarg unterschiedliche Erträge; harte „Restriktionen“ wurden elastisch, sobald sie einen Preis erhielten. Computer taten nichts, was menschliche Planer nicht grundsätzlich auch hätten tun können. Sie taten es lediglich jeden Tag für Tausende kleinster Optionen, ohne Ermüdung, und machten die relevanten Reibungen in Geld sichtbar.

11.2.2 Lokales Maximum

Die Episode zeigt, warum mittelmäßige Gleichgewichte bestehen bleiben. Jede Funktion saß auf einem gut zu verteidigenden Hügel: der Einkauf auf Rabatten und MOQs, die Lager auf Auslastung, die Filialen auf Verfügbarkeit, die Finanzabteilung auf Umschlag. Die Hügel waren real; der Berg lag anderswo. Versuche, einen einzelnen Hügel isoliert zu „optimieren“, verlagerten lediglich den Schmerz. Das ist die im ersten Kapitel beschriebene Vertracktheit: Ziele sind über Zeit und Raum hinweg gekoppelt, und Messgrößen werden zu Zielen, sobald Existenzen von ihnen abhängen.

Um einem lokalen Maximum zu entkommen, braucht es kein Manifest, sondern lediglich einen sicheren, mechanischen Weg, bessere Entscheidungen auszuprobieren und sie beizubehalten, wenn sie sich auszahlen. Experimentelle Optimierung bietet genau das: parallele Ausführung auf Extrakten vom Tagesabschluss; rasches Anhalten bei Unsinn; Offenlegung der Einflussfaktoren in Geldeinheiten; Übernahme nur bei gemessener Verbesserung; kostengünstiges Zurücksetzen. Da die Methode Abwägungen auf Unternehmensebene bepreist, löst sie viele erfundene „Restriktionen“ in Kostenansätze auf und verwandelt Abteilungsvetos in einstellbare, prüfbare Parameter.

In der Praxis ist die Hürde selten die Physik; sie ist die Erzählung. Solange Mittelwerte und einzelne KPIs Erfolg erzählen, wirkt das Gleichgewicht akzeptabel. Ersetzt man die Erzählung durch tägliche, prüfbare und in Geldeinheiten bewertete Festlegungen, zeigen sich die vermeintlichen „Restriktionen“ als das, was sie sind: Entscheidungen. Der nächste Abschnitt untersucht, warum die Institutionen, die diese Entscheidungen schärfen sollen – Wissenschaft, Anbieter, Berater –, stattdessen so häufig Mittelwerte und KPIs lehren.

11.3 Warum das Gleichgewicht hält

Schlechte Ideen brauchen keine Schocks, um zu überleben. Eine Supply Chain kann funktionsfähig bleiben, während ihre Methoden zurückfallen. Das Gleichgewicht besteht fort, weil die Anreize schwach und fehlgeleitet sind: Jeder Akteur, der die Disziplin mitgestaltet, bezieht eine stille Rente daraus, dass Entscheidungen durch Menschen vermittelt bleiben und sich die Verantwortung dafür abstreiten lässt, während niemand in Geldeinheiten für die Qualität von Entscheidungen ohne menschliches Eingreifen bezahlt wird.

Solche Gleichgewichte überdauern, weil sie eine niedrige Hürde nehmen. Lastwagen fahren weiter, Rabatte werden ausgeschöpft, Dashboards bleiben grün, und niemand muss seine Karriere für eine mutigere Alternative aufs Spiel setzen. Solange kein existenzieller Schock eintritt, überwiegen die lokalen Vorteile des Nichtstuns häufig die unsicheren Gewinne einer Neuordnung der Entscheidungen. Solange der Apparat gut genug funktioniert, bleibt der Veränderungsdruck schwach.

Die Mechanismen sind banal. Lange Rückkopplungsschleifen verwässern Verantwortung; Dashboards ersetzen Ökonomie durch Zielwerte; Pilotprojekte werden dort inszeniert, wo Scheitern nicht wehtun kann; „Ausnahmen“ leiten die schwierigsten Fälle an Menschen zurück und schirmen damit fragile Logik gegen Falsifikation ab. In einem solchen Umfeld wächst Mittelmäßigkeit stillschweigend an. Was als Umsicht gilt – Warnungen vor dem Handeln, manuelle „Validierung“, Konsens über eine einzige Prognose –, bewahrt lediglich eine administrative Schleife, die Unsicherheit weder bepreist noch daraus lernt.

Um diese Schleife herum liegt ein Interessengeflecht, das den Veränderungsdruck dämpft. Die Wissenschaft wird für Denkaufgaben und Veröffentlichungen belohnt, nicht für Entscheidungen, die dem Kontakt mit Verladerampen und Annahmeschlüssen standhalten; sie poliert stilisierte Modelle, die sich leicht benoten und schwer in den Betrieb überführen lassen. Softwareanbieter verdienen ihre Margen mit Nutzerlizenzen, Speicher und Upgrades von Erfassungs- und Berichtssystemen; echte Automatisierung würde Nutzerzahlen senken und Bildschirmansichten abschaffen. Berater verkaufen Choreografie – Workshops, Matrizen, „Abstimmung“ –, deren Ergebnisse Code und Ökonomie unberührt lassen; der Auftrag endet, die Rituale bleiben, und der Tabellenfluss setzt wieder ein. Unternehmensinterne Data-Science-Teams, gemessen an Projekten und Dashboards, bleiben bei Erkenntnissen stehen; die Verantwortung für die in Geldeinheiten ausgedrückte Festlegung liegt anderswo, ebenso der Anreiz, Annahmen zu überarbeiten, wenn die Realität widerspricht. Im Unternehmen bleibt die Supply Chain zweitrangig und der zentralen IT untergeordnet: Budgets bevorzugen Register, die niemals ausfallen, gegenüber Engines, die entscheiden müssen; Risiko wird als Abweichung von der Plattform definiert statt als wirtschaftlicher Verlust.

Preise signalisieren diese Anreize so deutlich wie auf jedem Markt. Anbieter rechnen Zugang ab, nicht Verbesserung; Berater Aufwand, nicht Gewinne; Wissenschaftler Neuartigkeit, nicht Widerstandsfähigkeit; interne Teams Artefakte, nicht ausgegebene Entscheidungen. Goodharts Gesetz erledigt dann den Rest: Sobald eine Kennzahl berufliche Sicherheit verspricht, optimiert die Organisation diese Kennzahl. Die „Prognosegenauigkeit“ verbessert sich durch kürzere Horizonte und größere Puffer; der „Servicegrad“ steigt mit Beständen, die niemand bepreist; „Plantreue“ wird gefeiert, während Lastwagen an einer überlasteten Rampe stillstehen.

Die obige Fallskizze ist typisch, nicht außergewöhnlich. Nichts in der Physik verhinderte den wöchentlichen Anlieferstau; er blieb bestehen, weil die Maßstäbe jedes Silos – Rabatte, Auslastung, Verfügbarkeit – lokal waren, während die verlagerten Kosten – Standgelder, Überstunden, Lücken zur Wochenmitte – anderswo getragen wurden. Wo niemand ausdrücklich für die unternehmensweite Ökonomie der Entscheidung verantwortlich ist, verfestigen sich administrative Gleichgewichte zur Gewohnheit. Das Schweigen von Gewinn und Verlust auf der Ebene der kleinsten Einzelentscheidung lässt Erzählungen – „Best Practice“, „Branchenstandard“, „ein gemeinsamer Zahlensatz“ – die Leere füllen.

Die folgenden Abschnitte untersuchen die wichtigsten Stützen dieses Gleichgewichts. Die Bindung der Wissenschaft an publizierbare Denkaufgaben, die Umbenennung von Erfassung und Berichten in „Intelligenz“ durch Anbieter, während diese die Intelligenz mittels Alarmtheater an Nutzer auslagern, die mit Schlagwörtern gespickten Beratungszeremonien, die vor dem Code haltmachen, und die Abschirmung unternehmensinterner Data Science von Verantwortung tragen allesamt zu einem stabilen, aber mittelmäßigen Zustand bei. Die organisatorische Falle – der zweitrangige Status der Supply Chain und ihre Unterordnung unter die zentrale IT – zementiert diese Ordnung. Nichts davon verlangt Bosheit. Es genügt, dass Anreize von prüfbaren, in Geldeinheiten ausgedrückten Entscheidungen ohne menschliches Eingreifen entkoppelt sind. Solange diese Kopplung nicht wiederhergestellt wird, hält das Gleichgewicht.

11.4 Wer es aufrechterhält

Der Stillstand überdauert nicht durch Bosheit, sondern durch verteilte Anreize. Vier Gruppen, die aus ihrer eigenen Sicht jeweils vernünftige Ziele verfolgen, erhalten gemeinsam ein stabiles, aber mittelmäßiges Gleichgewicht aufrecht: Wissenschaft, Anbieter von Unternehmenssoftware, Berater und unternehmensinterne Data-Science-Programme. Jede Gruppe liefert etwas, das die anderen nachfragen – publizierbare Denkaufgaben, vermarktbare Plattformen, vertrauensbildende Zeremonien und Dashboards mit „Erkenntnissen“ –, während der tägliche Akt der Allokation dort verbleibt, wo er seit Langem liegt: bei menschlichen Sachbearbeitern, die Ausnahmen abgleichen.

Die hier gewählte Perspektive ist adversarial, nicht feindselig. Frühere Kapitel haben bereits dargelegt, wie tragfähiger Fortschritt aussieht: die prüfbare Ausgabe von in Geldeinheiten bewerteten Entscheidungen ohne menschliches Eingreifen. An diesem Maßstab können wir untersuchen, wie jede Gruppe, indem sie ihren eigenen Anreizen folgt, Praktiken fortschreibt, die diese Hürde nie nehmen.

Wir beginnen mit der Wissenschaft, deren erklärter Auftrag – Wissen voranzubringen – sie zum natürlichen Gegenmittel gegen Stagnation hätte machen sollen. Stattdessen hat sie durch eine beharrlich falsche Fassung der Supply Chain allzu oft die Rhetorik der Wissenschaft geliefert, ohne die Substanz von Entscheidungen ohne menschliches Eingreifen.

11.4.1 Wissenschaft

Universitäten und Fachzeitschriften versprechen Wissenschaft; in der Fertigung kommen Tabellenkalkulationen an. Die Kluft ist keine Geschmacksfrage, sondern eine Frage der Problemfassung. Wie in Erkenntnistheorie erläutert, ist Supply Chain angewandte Ökonomie: Sie bepreist Optionen unter Variabilität, um knappe Ressourcen rentabel zuzuteilen. Sie als „angewandte Mathematik“ neu zu fassen – als Katalog sauberer Denkaufgaben mit bequem feststehenden Annahmen –, erzeugt Aufsätze, die sich gut lesen und schlecht übertragen lassen. Operativ zählt kein Theorem über einen idealisierten Meldebestand, sondern die Frage, ob Software ohne menschliches Eingreifen Aufzeichnungen in prüfbare, in Geldeinheiten ausgedrückte Festlegungen verwandeln kann, die dem Kontakt mit Rampen, Annahmeschlüssen, Rabatten und Lieferzeiten mit schweren Verteilungsrändern standhalten.

Diese falsche Problemfassung erklärt, warum die Ergebnisse der akademischen Hauptströmung in der Praxis so selten Wirkung zeigen. Die kanonischen Artefakte – Punktprognosen, an Serviceziele gebundene gaußsche Sicherheitsbestände, deterministische Pläne – unterdrücken genau das, was Geld bewegt: Verteilungsränder, Korrelationen, Losbildung und Sperrklinkeneffekte, die morgige Optionen binden. Werden diese Artefakte in Software eingebaut, tauchen sie als Alarmtheater wieder auf: Die fragile Logik gibt die schwierigen Fälle an Menschen zurück, die damit de facto zur Intelligenz werden. Die Organisation beglückwünscht sich anschließend dafür, „Best Practices zu befolgen“, während Planer den administrativen Abgleich fortsetzen, den Computer eigentlich beenden sollten.

Der Denkaufgabenfilter verschärft das Problem. Ein publizierbarer Aufsatz entsteht am leichtesten, wenn die Welt so weit vereinfacht wird, dass sich zeigen lässt, wie eine geschlossene Formel oder ein kleiner Solver ein Spielzeug „optimiert“. Hier kommt eine weitere Restriktion hinzu, dort ein weiterer Index; Ergebnisse werden für synthetische Instanzen oder bereinigte Extrakte berichtet. Nichts in diesem Arbeitsablauf zwingt die Autoren jedoch dazu, ihre Prämissen der Falsifikation in der Praxis auszusetzen. Im Geschäftsleben verdient Wissen erst dann Vertrauen, wenn es Wetten eingeht – Entscheidungen ohne menschliches Eingreifen ausgibt – und den Gewinn verbessert. Ohne solche Ausgaben ist die Hürde nicht genommen, so elegant die Mathematik für sich betrachtet auch aussehen mag.

Die Vernachlässigung von Datensemantik und Softwareengineering ist ebenso aufschlussreich. Wie in Information ausführlich beschrieben, werden moderne Güterflüsse durch überlappende Erfassungs- und Berichtssysteme vermittelt, in denen Feldbedeutungen abdriften und „abgeleitete Daten“ – Prognosen, ABC-Kennzeichnungen, Puffer – keine neue Information enthalten. Ein tragfähiges Intelligenzsystem, also die Engine, die Entscheidungen ohne menschliches Eingreifen ausgibt, muss daher (i) maßgebliche, aber unordentliche Aufzeichnungen einlesen, (ii) Unsicherheit mitführen, ohne sie einzuebnen, (iii) Abwägungen auf Unternehmensebene in Geldeinheiten bepreisen und (iv) Festlegungen mit prüffähigen Dossiers zurückschreiben. Die meisten akademischen Darstellungen retuschieren diese Schnittstelle weg. Sie unterstellen saubere, stationäre Eingaben und enden dort, wo die Arbeit entscheidend wird: bei Semantik, Ökonomie und Code, der täglich in großem Maßstab läuft.

Der passende Prüfstand ist seit Langem verfügbar. Intelligenz, Entscheidungen und Einführung haben eine Mindestdisziplin dargelegt: Parallelbetrieb auf Extrakten vom Tagesabschluss für den gesamten Geltungsbereich; Abbruchheuristiken, die die Engine bei sinkendem Vertrauen stoppen; Dossiers, die per Whiteboxing die monetären Einflussfaktoren jeder Zeile zeigen; Übernahme nur bei gemessener Verbesserung; Reversibilität durch Zustandslosigkeit und Reproduzierbarkeit vergangener Zustände. Ein wissenschaftlicher Beitrag, der operativen Wert beansprucht, sollte sich innerhalb dieses Prüfrahmens konkret verwirklichen, sodass Fehler als „unsinnige Zeilen“ sichtbar und durch überarbeitete Kosten, Restriktionen oder Semantik beseitigt werden, nicht durch Ausnahmelisten und Besprechungen. Aufsätze, die diese Schwelle nicht überschreiten, sind Chroniken oder Vermutungen, kein Supply-Chain-Wissen.

Die Lehrpläne spiegeln die Literatur wider. Masterstudiengänge konzentrieren sich weiterhin auf Zeitreihenspielereien aus den 1980er-Jahren, an willkürliche Serviceziele gekoppelte gaußsche Sicherheitsbestände und ABC-Klassifizierungen für den Unterricht. Programmierung und Data Engineering gelten als Zubehör; Unternehmenssemantik und probabilistische Ökonomie kommen kaum vor. Absolventen lernen, Tabellenkalkulationen und fertige „Planungs“-Module zu beaufsichtigen, statt numerische Rezepte zu verfassen, die Aufzeichnungen in Ausgaben ohne menschliches Eingreifen verwandeln. Der beste Student spürt die Grenze und wandert in andere MINT-Fächer ab, in denen Code, Daten und Falsifikation das Ansehen bestimmen. Die übrigen besetzen die Stellen in jener administrativen Schleife, die die Literatur voraussetzt.

Nichts davon verurteilt die Mathematik. Dauerhafte mathematische Beiträge gibt es in unserem Fach durchaus, doch sie treten als Unterroutinen innerhalb eines ökonomischen und ingenieurtechnischen Rahmens auf: Ergebnisse der Warteschlangentheorie, die Überlastungskosten kalibrieren; Komponenten der linearen Programmierung, die eine Lastwagenladung zusammenstellen; Konzentrationsschranken, die die Ränder der Nachfrageverteilung regularisieren. Der Fehler besteht darin, die Unterroutine mit dem System zu verwechseln. Ein Optimierer mit dem falschen Ziel, falscher Semantik oder ohne einen Weg zum Betrieb ohne menschliches Eingreifen ist kein Fortschritt, sondern ein auf Hochglanz polierter Umweg.

Eine tragfähige wissenschaftliche Agenda liegt auf der Hand. Supply Chain ist zuerst als angewandte Ökonomie zu behandeln; Mathematik, Statistik und Informatik sollen diesem Zweck dienen. Geliefert werden müssen Artefakte, die laufen: Code, der semantisch unverfälschte Extrakte einliest; Preisstaffeln in Geldeinheiten statt „Serviceziele“; probabilistische Prognosen, die anhand geeigneter Bewertungsregeln (Proper Scoring Rules) und wirtschaftlicher Verbesserung statt rückblickender Anpassung bewertet werden; numerische Rezepte, deren Logik durch Whiteboxing offengelegt wird, damit Praktiker jede Festlegung prüfen können. Vor allem gilt es, die Disziplin der experimentellen Optimierung anzunehmen: in der Praxis iterieren, bis der Unsinn verschwindet, und anschließend veröffentlichen, was Bestand hatte. Zitate mögen folgen; falls nicht, werden es die Geldeinheiten tun.

11.4.1 Softwareanbieter

Anbieter von Unternehmenssoftware erhalten das Gleichgewicht nicht durch Verschwörung aufrecht, sondern durch wirtschaftliche Anreize und die Passung ihrer Technik. Wie in Information erläutert, gibt es drei unterschiedliche Softwarefamilien: Erfassungssysteme – maßgebliche Register und Arbeitsabläufe –, Berichtssysteme – Erzählungen der Vergangenheit – und Intelligenzsysteme – Engines, die ohne menschliches Eingreifen prüfbare Entscheidungen ausgeben. Die meisten Anbieter verkaufen Erfassung oder Berichte und verpacken anschließend Erweiterungen als „Planung“ oder „Optimierung“, um Wachstum zu erzielen. Die Kategorienverwechslung ist nicht semantisch, sondern operativ. Ein vorrangig für CRUD ausgelegtes Register kann keine umfangreichen Analysen beherbergen, ohne die Latenz zu beeinträchtigen; ein Berichtsstack, der zum Umformen von Aggregaten gebaut wurde, kann keine Unsicherheit mitführen oder Abwägungen in Geldeinheiten bepreisen. Geben sich Erfassung oder Berichte als Intelligenz aus, fällt der Güterfluss in administrative Bearbeitung zurück.

Das vorherrschende Muster ist Alarmtheater. „Automatisierung“ nimmt die Form einer Ausnahmeliste an, die die schwierigen Fälle an Menschen zurückgibt. Nutzer, zu menschlichen Koprozessoren umgedeutet, gleichen dürftige Regeln manuell mit Realitäten mit schweren Verteilungsrändern ab. Nichts an dieser Haltung verbessert die Intelligenz der Software; sie verbirgt deren Fehlen lediglich hinter modernen Oberflächen. Die Anreize passen zusammen: Anbieter rechnen nach Nutzern, Speicher und Modulen ab, nicht nach Verbesserung; echte Entscheidungen ohne menschliches Eingreifen würden Nutzerzahlen und Bildschirmansichten verringern. In Intelligenz haben wir den kulturellen Gegensatz festgehalten: Anbieter von Erfassungssystemen optimieren CRUD-Produktivität und Verfügbarkeit; Intelligenzsysteme optimieren wirtschaftliche Entscheidungsqualität unter Unsicherheit. Erstere haben keinen Anreiz, Letztere aufzubauen.

Hypezyklen verstärken die Fehlpassung. Alle paar Jahre verspricht eine Welle von „KI-gestützter Planung“, „digitalen Zwillingen“ oder „Control Towers“ einen klaren Bruch mit Tabellenkalkulationen. Start-ups werden aufgekauft und in Suites integriert; die Erweiterung erbt die Erfassungs- oder Berichts-DNA ihres Wirts und taucht als konfigurierbares Regelwerk mit Warnungen wieder auf. Die Kombinatorik bleibt ungelöst; Variabilität wird auf Mittelwerte eingeebnet; willkürliche Serviceziele vertreten Kosten. Das Ergebnis ist Kontinuität unter neuen Akronymen.

Analystenquadranten stabilisieren die Erzählung. Da die Bewertungsbranche von den Anbietern finanziert wird, die sie beurteilt, werden oberflächliche Funktionen und modische Etiketten belohnt. Die Liste der „Führenden“ ändert sich langsam; die Kriterien bevorzugen die Breite des Katalogs und verfügbare Referenzen gegenüber der Qualität von Entscheidungen ohne menschliches Eingreifen. Auf Kundenseite erzeugt das in Einführung kritisierte RFP-Theater adverse Selektion: Fragebögen kanonisieren die Artefakte von gestern, Demos belohnen Choreografie, und es gewinnt der Anbieter, der am besten Fragen beantwortet, die nie hätten gestellt werden dürfen. Sobald der Stack produktiv geht, kehrt die Ausnahmeliste zurück.

Operativ wiederholen sich dieselben Fehlermuster. Die Kategorienverwechslung erzeugt Ressourcenkonkurrenz – Optimierer innerhalb des Registers entziehen Arbeitsabläufen Ressourcen – und Informationsverlust – abgeleitete Artefakte werden eingelesen, als enthielten sie neue Information. Bedeutungsverschiebungen, die in einem Register unter menschlicher Aufsicht tolerierbar sind, werden tödlich, wenn sie in eine Entscheidungs-Engine einfließen, die niemand entscheiden lässt. Wo ein Intelligenzsystem aus rohen, maßgeblichen Aufzeichnungen neu rechnen und bewertete, prüfbare Festlegungen zurückschreiben würde, konsumiert die fertige „Planungs“-Schicht vorverdaute Zahlen und gibt Vorschläge aus, die Planer bearbeiten müssen, um Risiken zu vermeiden.

Nichts davon verlangt böse Absicht; es ist das vom Geschäftsmodell nahegelegte Gleichgewicht. Anbieter bepreisen Zugang, nicht Geldeinheiten; Käufer verlangen Bildschirmansichten, keine Ausgaben ohne menschliches Eingreifen. So bleibt eine stabile Mittelmäßigkeit bestehen. Die Abhilfe ist kein neuer Quadrant, sondern ein anderer Vertrag und eine andere Architektur: Erfassung, Berichte und Intelligenz strikt getrennt halten; die Entscheidungs-Engine als zustandslosen, erneut ausführbaren Vermögenswert betreiben, der Rohaufzeichnungen einliest, probabilistische Eingaben mitführt, Abwägungen in Geld bepreist und Festlegungen mit Dossiers zurückschreibt, die deren Einflussfaktoren offenlegen. Anbieter sind durch adversariale Marktforschung statt durch RFPs auszuwählen; bezahlt werden sollte im Verhältnis zum Umfang der Entscheidungen ohne menschliches Eingreifen und zur gemessenen Verbesserung. Wo diese Bedingungen erfüllt sind, stirbt Alarmtheater durch Nichtgebrauch; wo sie abgelehnt werden, tauchen Tabellenkalkulationen wieder auf – ein Ergebnis, das als die Diagnose zu lesen ist, die es darstellt.

11.4.2 Berater

Beratungsunternehmen gedeihen, indem sie Veränderungen versprechen, die bewahren, was ihre Kunden am wenigsten antasten wollen: die Anwendungslandschaft, das Organigramm und die täglichen Rituale, die Rechenschaftspflichten verteilen, ohne die Verantwortung für Ergebnisse zu übernehmen. Im zuvor beschriebenen Gleichgewicht verkaufen Anbieter Erfassung und Berichte unter dem Etikett „Planung“; Berater schließen den Kreis mit Rhetorik und Choreografie, die fragile Werkzeuge als Fortschritt erscheinen lassen. Das Ergebnis ist selten eine Entscheidung, sondern eine Erzählung: Reifegradmodelle, Quadranten, Roadmaps und Zeremonien, die den Routinen von gestern neue Namen geben.

Die Literatur, die diese Aufträge stützt, ist zugleich umfangreich und oberflächlich. Sie katalogisiert Horizonte, Fähigkeiten und Archetypen; sie zerlegt die Welt in saubere Ebenen und Reglerstellungen; sie vervielfacht 2×2-Matrizen, deren Ecken zu unendlich vielen Seiten einladen. Solche Segmentierungen sind kein Wissen, sondern Inszenierung. Sie weichen der ökonomischen Frage aus – welche Zuteilung knapper Ressourcen den Gewinn unter Variabilität verbessert – und ersetzen sie durch eine Taxonomie, die sich lehren und verkaufen lässt. Wie in diesem Buch durchgehend argumentiert wird, rechtfertigen Klassifikationen ihre Existenz nur, wenn sie vorhersagen; die meisten Beratungstaxonomien tun das nicht.

Während des Auftrags sorgen Schlagwörter für Schwung. „S&OP-Abstimmung“, „integrierte Geschäftsplanung“, „nachfragegesteuert“, „digitaler Zwilling“, „Control Tower“, „Resilienz durch Gestaltung“ – keines ist an sich absurd, doch alle werden regelmäßig als Deckmantel für unveränderte Entscheidungsschleifen eingesetzt. Das Arbeitsergebnis besteht aus Workshops, Taktdiagrammen und Ausschüssen für „eine einzige Zahl“. Dasselbe Muster kehrt wieder: Ausnahmelisten wachsen, Tabellenkalkulationen bilden Metastasen, und die schwierigsten Fälle – schwere Verteilungsränder, bindende Ressourcen, Sperrklinkeneffekte, widersprüchliche Semantik – werden höflich an genau jene Sachbearbeiter zurückgereicht, die die Software nicht entlastet hat.

Dieser Zyklus wiederholt sich, weil er sicher ist. Besprechungen neu zu organisieren, bedroht das ERP nicht; Phasen umzubenennen, setzt Prämissen keiner Falsifikation aus; ein „Zielbetriebsmodell“ zu veröffentlichen, erzwingt keine einzige in Geldeinheiten ausgedrückte Festlegung ohne menschliche Schlichtung. Der Auftrag stellt alle Gruppen zufrieden: Führungskräfte erhalten eine Fortschrittserzählung; das mittlere Management bewahrt durch rituelle Kontrollpunkte seine Vetos; Anbieter behalten ihre Module im Einsatz; der Berater geht mit Referenzen. Die Veränderung im Güterfluss ist vernachlässigbar.

Es gibt einen tragfähigen Maßstab, um Choreografie von Substanz zu trennen. In Information, Intelligenz, Entscheidungen und Einführung haben wir die Hürde festgelegt: täglicher Parallelbetrieb über den gesamten Geltungsbereich auf maßgeblichen Extrakten; Übernahme nur bei gemessener Verbesserung in Geldeinheiten. An diesem Maßstab sind die meisten Beratungseinsätze Nicht-Ereignisse: Sie geben keine Entscheidungen ohne menschliches Eingreifen aus, führen keine probabilistischen Zukunftsbilder mit, bepreisen keine Abwägungen und übernehmen keine Verantwortung für das Anhalten. Sie erzählen; sie teilen nicht zu.

Der wirtschaftliche Test ist einfach. Lässt sich ein Vorschlag morgen Nacht nicht auf den Tagesabschlussextrakten des Kunden ausführen, in Geldeinheiten prüfen und – falls er besteht – im Verhältnis zur Verbesserung vergüten, gehört er ins Theater, nicht in die Praxis. Sind Berater bereit, für Ausgaben ohne menschliches Eingreifen vertraglich einzustehen und Reversibilität sowie Verbesserung als Grundlage ihrer Honorare anzunehmen, hören sie auf, Berater im herkömmlichen Sinn zu sein; sie werden zu Mitautoren des numerischen Rezepts. Das ist selten, nicht weil die Arbeit mystisch wäre, sondern weil das vorherrschende Geschäftsmodell Zeremonien stärker belohnt als Code.

Der „Beraterzyklus“ – regelmäßige Transformationen, die dieselben Routinen umbenennen – wird fortbestehen, bis Käufer die Anreize umkehren. Das bereits in Einführung skizzierte Gegenmittel ist adversariale Marktforschung: Anbieter und potenzielle Berater sollen Problemstellungen verfassen und gegenseitig kritisieren; überschlägige Gesamtkostenschätzungen und Wettbewerberlisten sind einzufordern; bezahlt wird nur für den Umfang ohne menschliches Eingreifen und die gemessene Verbesserung. Bringt der Auftrag Entscheidungen ohne menschliches Eingreifen hervor, wird er fortgesetzt; erzeugt er Quadranten und Takte, lässt man ihn auslaufen. Der nächste Abschnitt zeigt, wie sich ein ähnliches Gleichgewicht innerhalb des Unternehmens unter dem Banner „Data Science“ reproduziert: Erkenntnisse ohne Verantwortung treten an die Stelle von Entscheidungen.

11.4.3 Unternehmensinterne Data Science

Innerhalb der Unternehmen hat „Data Science“ weitgehend dasselbe Gleichgewicht reproduziert, das Wissenschaft, Anbieter und Berater aufrechterhalten: Sie erzeugt Erkenntnisse, ohne Verantwortung für ausgegebene Entscheidungen zu übernehmen. Seit den frühen 2010er-Jahren haben Teams Dashboards, Pilotprojekte und Prognosen vervielfacht; doch nur wenige Organisationen können tägliche Bestellungen, Allokationen oder Preise vorweisen, die Code ohne menschliches Eingreifen ausgibt und in Register zurückschreibt. Die Arbeit wirkt modern, bleibt aber davor stehen, Wetten in der Welt einzugehen.

Drei Merkmale kehren wieder. Erstens bleiben die Ergebnisse auf Prognosen und KPIs konzentriert. Fehlerbalken, Genauigkeitswerte und saubere Diagramme gibt es reichlich, während das unternehmensweite Geldregister – der einzige gemeinsame Maßstab – fehlt. Unsicherheit wird beschrieben, nicht bepreist. Zweitens wird die Schnittstelle zum Engineering ausgespart. Modelle werden auf abgeleiteten Artefakten – ABC-Klassen, Puffern, „bereinigten“ Tabellen – statt auf maßgeblichen Aufzeichnungen aufgebaut; Feldbedeutungen driften ab; Abbruchbedingungen sind undefiniert. Ist eine Empfehlung fragil, reicht eine „Ausnahme“ den schwierigen Fall an einen Planer zurück. Drittens belohnen Anreize Präsentationsfolien und Machbarkeitsnachweise statt Festlegungen ohne menschliches Eingreifen. „Entscheidungsunterstützung“ wird zum bequemen Euphemismus dafür, die menschliche Schlichtung genau jener Entscheidungen zu bewahren, die Software treffen sollte.

Das Ergebnis ist Erkenntnistheater, das das Alarmtheater der Anbieter ergänzt. Planer gleichen schließlich fragile Regeln von Hand mit Realitäten mit schweren Verteilungsrändern ab. Die Kombinatorik, die Computer rechtfertigt – Millionen kleinster Optionen jeden Tag –, wird an Menschen zurückgegeben. Die administrative Bearbeitung bleibt bestehen, nun von Dashboards belebt.

Die Alternative ist gut erreichbar und wurde in diesem Buch vielfach skizziert. An die Stelle der Erkenntnisfabrik tritt ein Supply Chain Scientist, der ein numerisches Rezept verantwortet: ein kompaktes Programm, das maßgebliche Aufzeichnungen einliest, probabilistische Sichtweisen auf Nachfrage, Lieferzeiten und Zuverlässigkeiten mitführt, Abwägungen auf Unternehmensebene in Geldeinheiten bepreist und Entscheidungen ohne menschliches Eingreifen ausgibt. Der Scientist ist für die ausgegebenen Entscheidungen verantwortlich, nicht für Präsentationen. Diese Haltung zwingt unausgesprochene Annahmen ans Licht und bindet die Modellierung an die Ökonomie.

Die obige betriebliche Fallskizze – den Montagsstau durch Bepreisung der Rampenüberlastung zu glätten und „vorerst nichts tun“ als Option zuzulassen – ist typisch. Keine Umorganisation, keine neuen Lager: Dieselben Vermögenswerte leisten mehr, weil sich die Entscheidungen geändert haben. Das bewirkt Verantwortung im Tagesgeschäft. Sobald die Rampenkapazität einen Schattenpreis trägt, werden MOQs zu Kostenansätzen statt Geboten, Warten konkurriert wirtschaftlich mit Kaufen, und der Wochenrhythmus diktiert keine Verluste mehr. Ein Intelligenzsystem überführt solche Überlegungen in Praxis ohne menschliches Eingreifen; ein Data-Science-Dashboard tut das nicht.

Verantwortung erzwingt auch Verhältnismäßigkeit. Sobald Kosten, Restriktionen und Sperrklinkeneffekte durchgängig kodiert sind, werden marginale Gewinne in einem Teilmodell nur verfolgt, wenn sie an der Ausgabegrenze Geldeinheiten bewegen. Modische Kennzahlen – Prognosegenauigkeit, Servicegrad – verlieren ihren Talismanstatus; entscheidend ist die Verbesserung des risikoangepassten Betriebsgewinns nach dem Zurückschreiben. Die Zusammenarbeit verändert sich dann von selbst: Die Finanzabteilung veröffentlicht Kapitalkosten und Bewertungen; der Einkauf veröffentlicht Rabatte, MOQs und Zuverlässigkeiten; der operative Betrieb veröffentlicht Kapazitäten und Annahmeschlüsse. Das Rezept führt diese Eingaben jede Nacht im Parallelbetrieb zusammen, sodass sich Lernen dort aufbaut, wo es sich auszahlt.

So wird das interne Gleichgewicht durchbrochen. Data Science hört auf, den Güterfluss zu erzählen, und beginnt, ihn zu steuern – mit Absicherungen, die berechtigtes Vertrauen in die Automatisierung ermöglichen: tägliche Extrakte für reproduzierbare Durchläufe, zustandslose Berechnung, durch Whiteboxing offengelegte Dossiers und reversible Ausgaben. Die Kapitel Information, Intelligenz, Entscheidungen und Einführung haben den Prüfrahmen bereits festgelegt; hier ist der Punkt institutioneller Natur: Solange niemand für die Qualität von Entscheidungen ohne menschliches Eingreifen bezahlt wird, wird „Data Science“ weiterhin administrative Schleifen speisen. Der nächste Abschnitt gibt Lesern Ausschlussfilter für die Literatur an die Hand, die diese Schleifen nährt – Materialien, die geschäftig wirken, aber die Prüfungen auf Vorhersage, Bepreisung und Falsifikation nicht bestehen.

11.5 Die organisatorische Falle

Externe Gruppen – Wissenschaft, Anbieter, Berater – helfen zu erklären, warum das Gleichgewicht hält, doch die entscheidende Bremse liegt innerhalb der Unternehmen. Supply Chain behält einen zweitrangigen Status und ist der Unternehmens-IT de facto untergeordnet. Ansehen, Bürokratie und Ticketwartezeiten greifen ineinander, bis die Organisation administrative Wachsamkeit anstelle technisch geschaffener Intelligenz akzeptiert. Die Abhilfe ist kein weiterer Ausschuss, sondern eine strukturelle Neuzuordnung von Verantwortung und eine schlanke Nahtstelle für Daten, die den Güterfluss von Plattformvetos befreit.

11.5.1 Zweitrangiger Status

Supply Chain wird als „geschäftskritisch“ gelobt, aber als Randbereich behandelt. Weil Lastwagen weiterfahren und Regale gefüllt sind, folgert die Führung, dass nur schrittweiser Feinschliff gerechtfertigt sei. Der Anschein von Kontinuität wird zum Alibi für zu geringe Investitionen in Code und in die Menschen, die ihn schreiben. Es folgt eine sich selbst erfüllende Schleife: Begehrte Nachwuchskräfte streben anderswohin; die Abteilung erbt Routinen, statt Entscheidungen zu verfassen; Schattentabellen vermehren sich, um fragile „Planungs“-Erweiterungen auszugleichen; die daraus entstehende administrative Bearbeitung bestätigt das ursprüngliche Vorurteil, dass nichts Besseres möglich sei.

Die Kluft im Ansehen ist alt – Logistik als lästige Pflicht nach der „eigentlichen“ Arbeit an Produkt und Marke – und prägt weiterhin Personalbesetzung und Budgets. Besonders hartnäckig wird die Schleife durch ihren intellektuellen Anstrich: Einzelne, nichtökonomische KPIs – ein „Servicegrad von 98 %“, „Prognosegenauigkeit“ – geben sich als objektiv aus. Hängen Existenzen von solchen Ersatzgrößen ab, wachsen die Puffer, Ausnahmen werden an Menschen weitergegeben, und das Register strahlt, während Geldeinheiten versickern. Die Abteilung wirkt beschäftigt und sicher, obwohl sie sich jener probabilistischen Ökonomie verweigert, die Abwägungen in Geld messen und Alltägliches automatisieren würde.

11.5.2 Bürokratie und Ticketwartezeiten

Wo Intelligenz manuell erbracht wird, gedeiht Bürokratie. Warnungen und Ausnahmen werden durch Rituale geleitet – monatliche Konklaven für „eine einzige Zahl“, vorgelagerte Allokationsgremien, Genehmigungskaskaden –, deren eigentliche Aufgabe darin besteht, Rechenschaftspflichten zu verteilen, statt Entscheidungen zu verbessern. Jedes Ritual fügt eine Prozessebene hinzu, ohne Unsicherheit zu verringern; die Kombinatorik bleibt unverändert und wird nun lediglich durch mehr Hände gefiltert.

Ticketwartezeiten vervollständigen die Falle. Jede wesentliche Änderung – eine zusätzliche Restriktion, eine überarbeitete Kostenstaffel, eine subtile semantische Korrektur – verlangt Tickets für zentrale Systeme. Wochen werden zu Monaten, während Prioritäten nach Plattformrisiko statt erwarteter wirtschaftlicher Verbesserung sortiert werden. Bis ein Ticket abgearbeitet ist, hat sich das Geschäft weiterentwickelt, und der Patch ist bereits veraltet. Was eine tägliche, reversible Codeänderung innerhalb einer Entscheidungs-Engine sein sollte, wird als abteilungsübergreifendes Projekt neu gefasst; der Status quo setzt sich von selbst durch.

Der Kompromiss bewegt sich daher auf den kleinsten Schritt zu, den alle Beteiligten tolerieren können. Module für „maschinelles Lernen“ werden als Dashboards aufgepfropft, die schwierige Fälle an eine Ausnahmeliste abgeben; ERP-Upgrades vereinheitlichen Felder, lassen Entscheidungsregeln aber unberührt. Die Fassade verändert sich; die administrative Schleife bleibt.

11.5.3 Unterordnung unter die IT

Der Auftrag der Unternehmens-IT lautet Verfügbarkeit, Standardisierung und Regelkonformität. Für Erfassungs- und Berichtssysteme ist das angemessen. Für Intelligenzsysteme eignet es sich schlecht. Ist „Planung“ innerhalb des Registers untergebracht, konkurrieren umfangreiche Analysen mit Arbeitsabläufen; sitzt sie auf Berichtssichten, wird Unsicherheit eingeebnet, und Entscheidungen verkommen zu Alarmtheater – Nutzer als menschliche Koprozessoren. Budgets folgen dem Auftrag: Kapital fließt in CRUD-Plattformen; Entscheidungsautomatisierung wird als Modul gekauft und als Konfiguration plus Ausnahmen geliefert.

Risiko wird auf den Kopf gestellt: Die Abweichung von der Plattform gilt als Gefahr; wirtschaftlicher Verlust durch minderwertige Entscheidungen gilt als gewöhnliches Geschäft. Die Kontrolle darüber, welche Änderungen und Werkzeuge zugelassen werden, verhärtet daraufhin die Randbedingungen: Abgeleitete Artefakte werden als maßgeblich behandelt, Schemaänderungen geächtet und jedes Werkzeug, das nicht in die Suite aufgenommen werden kann, grundsätzlich abgelehnt. Unter einer solchen Steuerung münden selbst ernst gemeinte Versuche „fortschrittlicher Analytik“ in Dashboards, die die administrative Schleife speisen.

11.5.4 Anhäufung von Flicken

Halbe Maßnahmen häufen sich an. Eine vorübergehende Arbeitsmappe zum Glätten einer Rabattstaffel, ein maßgeschneiderter Bericht zum Abgleich zweier Stammdatenbestände, eine lieferantenspezifische Ausnahme im Werkzeug eines Einkäufers – von jedem dieser Hilfsmittel hängen bald andere ab, die sich auf seine Ergebnisse verlassen. Mit der Zeit bekommt das Flickwerk Verteidiger, und die Entfernung eines einzelnen Teils erscheint riskanter, als alles bestehen zu lassen. Was als Notbehelf begann, verhärtet sich zur Gewohnheit.

Die Anhäufung von Flicken zerstreut Verantwortung. Niemand verantwortet die wirtschaftliche Qualität des Ganzen; jedes Team verantwortet einen Ausschnitt und eine Erzählung. Das ist Vertracktheit im Kleinen: Das Problem wandelt sich, während sich jeder Flicken an seine Nachbarn anpasst, und Überleben wird mit Erfolg verwechselt.

Die Heilung liegt in der Architektur, nicht in Ermahnungen. Eine Nahtstelle, die Fakten übertragbar macht, und ein zustandsloses Rezept, das diese Fakten in bewertete, prüfbare Festlegungen verwandelt, lösen Flicken in Parameter auf. Mit täglichem Parallelbetrieb verliert die Vetomacht an Boden; Flicken werden entweder korrekt kodiert oder abgeschafft.

11.5.5 Nahtstelle und Verantwortung

Zwei strukturelle Schritte durchbrechen die Falle.

Erstens wird eine Nahtstelle eingerichtet: ein unverfälschter täglicher Extrakt, der die Erfassungssysteme abdeckt. Er ist absichtlich langweilig: ausschließlich ergänzte Momentaufnahmen mit Manifesten; genügend Historie für einen vollständigen Zyklus; keine „hilfreiche“ vorgelagerte Bearbeitung; Lesezugriffe mit minimalen Berechtigungen. Damit kann die Entscheidungs-Engine zustandslos und erneut ausführbar sein. Tickets, die einst auf eine Änderung der Register zielten, werden zu Codeänderungen auf einer privaten Kopie; Semantik wird empirisch geprüft statt per E-Mail ausgehandelt. Die Wartezeit schrumpft von Monaten auf Stunden, und Reversibilität wird zur Routine.

Zweitens wird der Supply Chain die Verantwortung für das numerische Rezept zugewiesen. Die Rollen folgen von selbst (siehe Einführung): Ein Data Officer betreibt die Nahtstelle; ein Supply Chain Scientist verfasst das Rezept; ein Executive Sponsor entscheidet über Preise und Grenzen; ein Flow Manager bringt Praxisgespür ein und eskaliert Anomalien. Anbieter und Berater werden an ausgegebenen Entscheidungen und gemessener Verbesserung beurteilt, nicht an Bildschirmansichten.

Ohne eine solche Nahtstelle und Verantwortung ist niemand auch nur in der Lage, die einzige operativ entscheidende Frage zu stellen, geschweige denn zu beantworten: Warum nutzen wir moderne Rechenleistung nicht, um mit Unsicherheit umzugehen und knappe Ressourcen rentabler zuzuteilen?

Diese beiden Schritte stufen Bürokratie und Plattformvetos von bestimmenden Kräften zu Parametern herab. Sobald eine Nahtstelle besteht und die Verantwortung klar ist, ist die Abteilung nicht länger eine zweitrangige Verwalterin fremder Software; sie wird zur Autorin ihrer eigenen Ökonomie in Code. Der Rest dieses Kapitels gibt dem Leser Filter an die Hand, um Materialien auszusortieren, die einem solchen Prüfrahmen nicht standhalten. Lässt sich ein Vorschlag nicht jede Nacht auf der Nahtstelle ausführen und lassen sich seine ausgegebenen Entscheidungen nicht in Geldeinheiten rechtfertigen, gehört er ins Theater, nicht in die Praxis.

11.6 Ausschlussfilter

Der Engpass ist heute nicht ein Mangel an Material, sondern dessen Überfluss. Mehr als eine Million Aufsätze und Zehntausende Bücher marschieren unter dem Banner „Supply Chain“ auf; der Stapel wächst jedes Jahr schneller, während die tägliche Praxis auf Tabellenkalkulationen konzentriert bleibt. Die einfachste Erklärung lautet, dass dem größten Teil dieser Produktion jene Eigenschaften fehlen, die Wissen operativ nutzbar machen – Eigenschaften, die Software ohne menschliches Eingreifen jede Nacht rentable, prüfbare Wetten eingehen lassen. Dieser Abschnitt bietet drei Filter, um auszusortieren, was nicht hilft: Trivialitäten, Autoritäten und Denkaufgaben. Sie sind keine Taxonomie der Literatur, sondern Werkzeuge, mit denen Leser ihre Aufmerksamkeit schützen können.

11.6.1 Trivialitäten

Trivialitäten katalogisieren die Welt – Listen, Matrizen, Horizonte –, ohne zu zeigen, warum die Einteilung essenziell und nicht akzidentell ist. Ockhams Rasiermesser gilt: Kategorien sind nicht über das Notwendige hinaus zu vermehren. Notwendigkeit bedeutet hier die Fähigkeit, vorherzusagen und in Geldeinheiten zu wirtschaften. Eine Segmentierung verdient ihren Platz nur dann, wenn ihre Kenntnis die Unsicherheit über künftige Ergebnisse verringert und die Allokationsentscheidungen der Engine ohne menschliches Eingreifen verbessert.

Das Periodensystem verdeutlicht den Maßstab: Das Raster der Chemie ist keine Dekoration; es verdichtet Kausalität. Die Ordnungszahl ordnet die Elemente so, dass ihr Verhalten in Reaktionen vorhersagbar wird; die Tabelle ist eine kompakte, falsifizierbare Theorie der Materie. Ein Großteil des Planungsjargons ist dagegen Kartografie ohne Geologie. „Planung“ in strategische, taktische und operative Horizonte aufzuteilen, sagt wenig aus, sofern die Aufteilung nicht unterschiedliche, in Geld ausgedrückte Entscheidungen unter Unsicherheit vorhersagt; andernfalls ist die Dreiteilung bloße Kulisse. Dasselbe gilt für ABC-Produktklassen, „Schnelldreher, Langsamdreher, Nichtdreher“, „lokale, regionale, nationale“ Standorte oder die unsterblichen 2×2-Quadranten¹⁶⁴, in denen „autokratisch versus konsensorientiert“ auf „erst denken, dann handeln versus erst handeln, dann denken“ trifft¹⁶⁵. Diese Instrumente sind leicht zu lehren und unbegrenzt neu kombinierbar; ihr Vorhersagegehalt ist gewöhnlich null.

Der Test ist unverblümt: Verändert die Übernahme einer Klassifikation die ausgegebenen Entscheidungen – Bestellungen, Umlagerungen, Preise – nicht, ist sie eine Trivialität. In der früheren betrieblichen Fallskizze verlangte nichts am wöchentlichen Anlieferstau einen neuen Quadranten oder Horizont. Die Lösung entstand durch die Bepreisung der Rampenüberlastung, den Ersatz von Mittelwerten durch Verteilungen und die Zulassung von „vorerst nichts tun“, sobald der Optionswert des Wartens überwog. Eine Handvoll Preise und Verteilungen bewegte Geldeinheiten; ein Regal voller Segmentierungen hätte das nicht getan.

11.6.2 Autoritäten

Ihr seid nicht in der Position, der Öffentlichkeit über irgendetwas Vorträge zu halten. Eröffnungsmonolog der Golden Globes (2020), Ricky Gervais.

Bekanntheit ist kein Beweis. Zitate von Führungskräften, Vorworte von Prominenten und Anekdoten über bekannte Marken unterhalten; sie entscheiden nicht. Die Berufung auf Autorität ist als Warnsignal zu behandeln, sofern sie nicht drei Brücken überschreitet: Falsifizierbarkeit, Kontrafaktisches und ausgegebene Entscheidungen. Falsifizierbarkeit bedeutet, dass sich die Behauptung nach ihrer Kodierung als falsch erweisen könnte; kontrafaktische Betrachtungen verlangen vom Sprecher anzugeben, was andernfalls wahrscheinlich geschehen wäre; ausgegebene Entscheidungen verlangen, dass die Behauptung präzise genug ist, um morgen Nacht Festlegungen ohne menschliches Eingreifen zu verändern.

Große Unternehmen verkomplizieren die Sache. Erfolg hängt an vielen Ursachen – Produkt, Marke, Kapitalstruktur –, während die Supply Chain bewusst verschwiegen bleibt. Selbst wo sie den Erfolg tatsächlich trägt, muss der öffentliche Sprecher nicht dessen Urheber sein; außergewöhnliche Beiträge sind ungleich verteilt, während viele bleiben und sehr wenig tun¹⁶⁶. Und diejenigen, die tatsächlich verantwortlich sind, haben Anreize, wirksame Methoden unausgesprochen zu lassen oder sie als verträgliche Rituale neu darzustellen. Zitate zu zählen, ist kein Weg zu Wissen.

Der operative Maßstab ist eng gefasst und fair. Ein Vorschlag eines berühmten Praktikers oder Anbieters verdient erst dann Aufmerksamkeit, wenn er sich als Code schreiben lässt, der zum Tagesabschluss maßgebliche Extrakte einliest, Entscheidungen ausgibt und jede Zeile in Geldeinheiten rechtfertigt. Bis dahin ist die Geschichte als Hypothese abzulegen und der Versuchung zu widerstehen, Prozesse darum herum aufzubauen. Autorität darf inspirieren; sie darf Falsifikation nicht ersetzen.

11.6.3 Denkaufgaben

Die akademische Supply-Chain-Literatur optimiert tendenziell das, was sich sauber schreiben, benoten und veröffentlichen lässt: stilisierte Denkaufgaben mit festen Annahmen. Denkaufgaben können reizvoll und mitunter als Unterroutinen nützlich sein. Sie werden schädlich, wenn sie als Supply-Chain-Wissen präsentiert werden, ohne jene Schnittstelle, an der Wissen leben muss: Semantik, Ökonomie und Code, der jeden Tag läuft. Das Problem ist nicht die Mathematik, sondern die falsche Problemfassung. Supply Chain ist angewandte Ökonomie unter Variabilität; ein Aufsatz, der nie Wetten eingeht – nie Entscheidungen ohne menschliches Eingreifen ausgibt –, ist noch nicht in der Arena angekommen.

Zwei Fragen trennen eine Unterroutine von einem System. Erstens: Kann der Vorschlag die ursprünglichen Aufzeichnungen einlesen, ohne ihre Bedeutung durch abgeleitete Artefakte reinzuwaschen? Zweitens: Führt er Unsicherheit mit und bepreist er Abwägungen bis an die Ausgabegrenze? Lautet eine der Antworten „nein“, bleibt der Beitrag eine Denkaufgabe. Der richtige Prüfrahmen wurde in diesem Buch durchgehend beschrieben: täglicher Parallelbetrieb auf Extrakten des gesamten Geltungsbereichs; Abbruchheuristiken; Dossiers, die die wichtigsten monetären Einflussfaktoren jeder Zeile offenlegen; Übernahme nur bei gemessener Verbesserung; Reversibilität durch zustandslose, erneut ausführbare Berechnung. Eine Methode, die diesem Prüfrahmen nicht standhält, ist nicht „in einem frühen Stadium“ – sie ist ungeprüft.

Dieser Filter ist nicht theoriefeindlich; er ist der Realität gegenüber aufgeschlossen. Ergebnisse der Warteschlangentheorie, die Überlastungskosten kalibrieren, Programmierbausteine, die eine Lastwagenladung zusammenstellen, Konzentrationsschranken, die schwere Verteilungsränder regularisieren – sie sind willkommen, sobald sie in ein numerisches Rezept eingebettet sind, das Geldeinheiten bewegt. Mathematische Eleganz, die keine Entscheidungen ohne menschliches Eingreifen hervorbringt, ist bloßes Geschichtenerzählen in Symbolen. Die Literatur wird sich modernisieren, wenn Aufsätze Code liefern, der denselben wirtschaftlichen Test besteht, den wir im Produktivbetrieb verlangen: Erhöht er bei denselben Restriktionen und demselben Prüfpfad den risikoangepassten Betriebsgewinn?

11.6.4 Die Filter anwenden

Konsequent angewandt, verdichten diese Filter eine Leseliste auf Materialien, die die ausgegebenen Entscheidungen verändern. Trivialitäten fallen Ockhams Rasiermesser zum Opfer, sofern sie keine in Geld ausgedrückte Vorhersagekraft zeigen; Autoritäten werden erst akzeptiert, wenn ihre Behauptungen im Parallelbetrieb falsifiziert werden können; Denkaufgaben kommen nur weiter, wenn sie sich mit prüfbaren Entscheidungen ohne menschliches Eingreifen verbinden. Deshalb geht so viel Aktivität mit so wenig Fortschritt einher: Das meiste, was zirkuliert, besteht diese Prüfungen nicht, obwohl es geschäftig wirkt. Die Abhilfe ist kein Zynismus, sondern Disziplin: Unsicherheit bepreisen, ausgegebene Entscheidungen verlangen und Geldeinheiten statt Qualifikationsnachweise entscheiden lassen.

11.7 Der Blick nach vorn

Beim Blick nach vorn geht es nicht um ein weiteres Manifest, sondern um eine andere Haltung. Der in diesem Buch durchgehend vorgeschlagene Maßstab ist praktisch und eng gefasst: Eine Supply Chain macht Fortschritte, wenn Software jede Nacht zum Abschlusszeitpunkt ohne menschliches Eingreifen prüfbare, in Geldeinheiten bewertete Festlegungen ausgibt – oder sich selbst anhält und erklärt, warum. Alles andere ist Inszenierung. Nach diesem Maßstab ist Fortschritt weder eine vierteljährliche Zeremonie noch eine neue Bildschirmansicht, sondern der stetige Ersatz administrativer Abgleiche durch einen mechanischen Fluss, der Unsicherheit ausdrücklich mitführt und Abwägungen auf Unternehmensebene bepreist.

Der Weg verlangt keine Offenbarung, sondern lediglich zwei dauerhafte Schritte, die Verantwortung dorthin legen, wo sie sich aufbauen kann. Erstens werden Fakten über eine Nahtstelle übertragbar gemacht: schemagetreue, unveränderliche Extrakte, die die Entscheidungs-Engine zustandslos und erneut ausführbar machen. Zweitens wird die Ökonomie des Unternehmens in einem numerischen Rezept verdichtet, das diese Extrakte einliest, probabilistische Zukunftssichten mitführt, Kostenansätze und Belohnungen in Geld zuweist und Entscheidungen ohne menschliches Eingreifen ausgibt. Durch Whiteboxing offengelegte Dossiers begleiten jede Ausgabe und zeigen die wenigen Einflussfaktoren, die in Geldeinheiten den Ausschlag gaben. Mit dieser Disziplin wird Verbesserung zur Routine: Falsifiziert die Realität eine Annahme, wird das Rezept geändert, erneut ausgeführt und wieder in Betrieb genommen. Nicht Fehler häufen sich an, sondern Wissen.

Menschen verschwinden nicht; ihre Arbeit gewinnt an Wirkung. Planer betreuen Entscheidungsrahmen und Preise, statt Vorschläge Zeile für Zeile zu bearbeiten. Die Finanzabteilung veröffentlicht Kapitalkosten und Bewertungen, die die Engine berücksichtigen muss; der Einkauf veröffentlicht Rabatte, MOQs und Zuverlässigkeiten als Preise statt als Vetos; der operative Betrieb veröffentlicht Kapazitäten und Annahmeschlüsse als prüfbare Restriktionen. Die Führung entscheidet über Abwägungen in Geld, nicht in Schlagworten, und trägt die Verantwortung für die seltenen Fälle, in denen die Engine anhält. Für alle gilt derselbe Test: Haben die ausgegebenen Entscheidungen die risikoangepasste Rendite des Unternehmens erhöht?

Alternativen – Alarmtheater, Planungstheater, Erkenntnistheater – lassen sich unbegrenzt am Leben halten, weil Lastwagen weiterfahren und Mittelwerte weiterhin beruhigen. Ihre Kosten sind in der Momentaufnahme eines Tages weitgehend unsichtbar, über Jahre jedoch erdrückend: vernachlässigte Optionen, falsch bepreiste Verteilungsränder, Aufmerksamkeit, die in die Pflege informationsloser Artefakte fließt. Etablierte Unternehmen stehen daher nicht vor der Wahl zwischen Stabilität und Risiko, sondern zwischen einem administrativen Gleichgewicht, das jeden Güterfluss stillschweigend belastet, und einer mechanischen Disziplin, die Unsicherheit rentabel macht.

Vor dem konstruktiven Programm müssen wir unverblümt benennen, was im Weg steht. Der nächste Unterabschnitt nennt die Gewohnheiten, die administrative Gleichgewichte garantieren, unabhängig von Software und Rhetorik. Erst wenn man sie verwirft, lässt sich der bessere Weg – bereits in früheren Kapiteln skizziert und mit bestehenden Registern vollständig vereinbar – ohne Weiteres einschlagen.

11.7.1 Was aufhören muss

Soll Fortschritt mehr als ein Schlagwort sein, müssen drei fest etablierte Aufführungen enden. Jede hat einen Stammbaum, jede schmeichelt der Professionalität, und jede bewahrt zuverlässig administrative Gleichgewichte, während Computer untätig bleiben.

Erstens muss Alarmtheater aufhören. Software, die sich „automatisiert“ nennt, aber Ausnahmelisten zum menschlichen Abgleich ausgibt, ist keine Automatisierung, sondern eine Oberfläche zum Aufschieben von Entscheidungen. Ein System, das nicht ohne menschliches Eingreifen zurückschreiben und seine Einflussfaktoren in Geldeinheiten offenlegen kann, reduziert Planer auf den manuellen Abgleich von Ausnahmen – und nennt das Fortschritt. Das Kriterium ist einfach und nicht verhandelbar: Entweder schreibt das Programm Festlegungen – Bestellungen, Allokationen, Preise – in die Register, oder es ist ein Berichtswerkzeug und sollte als solches beurteilt und gekauft werden. Alles, was tägliche Zeilenbearbeitung verlangt, um „sicher“ zu sein, gehört der Vergangenheit an. Nutzerlizenzen, Bildschirmansichten und Warnungen ersetzen keine ausgegebenen Entscheidungen.

Zweitens muss Planungstheater aufhören. Monatliche Konsensrituale um „einen gemeinsamen Zahlensatz“ ebnen Unsicherheit ein, wobei sich Unwissenheit als Präzision ausgibt. Prognosegenauigkeiten, Servicegradziele und andere Plantreuekennzahlen sind keine Ökonomie, sondern numerisch formulierte Etikette. Sie belohnen Puffer, nicht Urteilsvermögen; Regelbefolgung, nicht Gewinn. Werden Gebote zu „harten Restriktionen“ erklärt, verbergen sie meist unbepreiste Präferenzen; vertreten Mittelwerte mögliche Zukünfte, werden Verteilungsränder ignoriert, bis sie zubeißen. Die Abhilfe ist kein Anstand, sondern Preise: Die meisten Grenzen sind als mit Kosten in Geldeinheiten belegte Restriktionen zu behandeln; „vorerst nichts tun“ soll durch einen expliziten Optionswert des Wartens mit „jetzt festlegen“ konkurrieren; Plantreue ist durch den einzigen entscheidenden Test zu ersetzen: Haben die ausgegebenen Entscheidungen bei denselben Restriktionen und demselben Prüfpfad die risikoangepasste Rendite des Unternehmens erhöht? Ohne diese Disziplin werden Pläne weiterhin makellos aussehen, während Lastwagen an überlasteten Rampen stillstehen.

Drittens muss Erkenntnistheater aufhören. Dashboards, Control Towers und „digitale Zwillinge“, die nie eine Wette eingehen, sind Schmuckstücke. Dasselbe gilt für Pilotprojekte, die ewig in Sandboxes leben, Programme für „bloße Transparenz“, die keinen Hebel bewegen, und Beschaffungsrituale (RFPs), die Anbieter nach Choreografie statt nach dem Umfang von Entscheidungen ohne menschliches Eingreifen auswählen. Das Spiegelbild im Unternehmen ist eine Data-Science-Funktion, die Folien und Prototypen produziert, aber die Verantwortung für das Zurückschreiben verweigert. Der Maßstab ist wiederum mechanisch: nächtlicher Parallelbetrieb auf unverfälschten Extrakten; zustandslose, erneut ausführbare Berechnung; Anhalten bei Unsinn; Übernahme nur bei gemessener Verbesserung; konstruktionsbedingte Reversibilität. Alles, was dahinter zurückbleibt, erzählt den Güterfluss, trägt aber nichts zu ihm bei.

Diese drei Aufführungen – Warnungen statt Entscheidungen, Pläne statt Preise, Erkenntnisse statt ausgegebener Entscheidungen – bestehen fort, weil sie bequem sind und erlauben, Verantwortung abzustreiten. Sie enden in dem Augenblick, in dem die Führung in Geldeinheiten ausgedrückte Entscheidungen ohne menschliches Eingreifen statt Nutzerlizenzen und Zeremonien verlangt. Erst dann erhält das folgende konstruktive Programm überhaupt Raum, um zu wirken.

11.7.2 Zu einem besseren Weg

Der bessere Weg ist in seiner Routine unspektakulär und in seinen Folgen radikal. Er behandelt die morgige Unsicherheit als bepreisten Rohstoff und macht den Tagesabschluss zu einer disziplinierten Abrechnung. Aus maßgeblichen Aufzeichnungen berechnet ein kompaktes numerisches Rezept die zulässigen Handlungen des Unternehmens neu, führt probabilistische Zukunftssichten mit, ordnet Erträge und Kostenansätze in Geldeinheiten zu und schreibt entweder Festlegungen ohne menschliches Eingreifen zurück oder hält sich bei sinkendem Vertrauen selbst an. Nichts anderes zählt als Fortschritt. Alles Wesentliche – Optionen, Verteilungsränder, Kopplungen, Sperrklinkeneffekte – wird in Code ausgedrückt, der sich ohne Zeremonien prüfen, erneut ausführen und überarbeiten lässt.

Sobald diese Disziplin steht, verändert sich die Beschaffenheit des Tages. Zuerst verschwindet der Unsinn: Rampenüberlastung ist keine Überraschung mehr, die in wöchentlichen Dashboards weggemittelt wird; „MOQs als Gebote“ lösen sich in bepreiste Abwägungen auf; ein expliziter Optionswert lässt „vorerst nichts tun“ fair mit „jetzt festlegen“ konkurrieren. Vertrauen entsteht nicht in Besprechungen, sondern durch mittels Whiteboxing offengelegte Dossiers, die Zeile für Zeile in Geldeinheiten erklären, warum eine Bestellung aufgegeben, eine Umlagerung zurückgehalten oder ein Preis leicht verändert wurde. Falsifiziert die Realität eine Annahme, hält die Engine an; die Prämisse wird korrigiert; der Durchlauf wird wiederholt; der Güterfluss setzt sich fort. Falschliegen wird billig und reversibel; richtiges Handeln skaliert.

Zwei kurze Fallskizzen zeigen dies in der Praxis. Ein saisonales Modelabel beginnt mit großzügigen Wetten, ersetzt aber Push-Pläne durch eine Entscheidungsregel: Sortimente werden als Optionen bewertet; frühe Abverkäufe aktualisieren eine probabilistische Sicht auf Warenkorbebene; Preisnachlässe werden zu einer konkret abgebildeten Funktion statt zu nachträglicher Reue. Die Engine bepreist den Schaden von Fehlbeständen gegenüber Obsoleszenz in einem einzigen Register, lässt bei langer Halbwertszeit die späte Festlegung gewinnen und schreibt jede Nacht Allokationen und Preisänderungen ohne menschliches Eingreifen zurück. Die sichtbaren Wirkungen sind nicht theatralisch: weniger Umlagerungen zur Saisonmitte, kleinere Notverkäufe zum Saisonende und eine stabilere Bruttomarge. Unter der Oberfläche entstehen die Gewinne dadurch, dass Verteilungsränder zugelassen und bepreist werden und Aufschub gewinnt, wenn er gewinnen sollte.

In der Instandhaltung der zivilen Luftfahrt wird ein Pool reparierbarer Umlaufteile als Optionsportfolio gesteuert. Ungeplante Ausbauten werden als Ankünfte mit schweren Verteilungsrändern modelliert; die AOG-Exposition trägt einen Schattenpreis; Kannibalisierung, Miete, Reparatur und Kauf sind zulässige Handlungen, geordnet nach erwarteter risikoangepasster Rendite. In vielen Nächten ist Warten die rentabelste Handlung; in anderen positioniert die Engine Bestände vorsorglich anhand eines steigenden Risikoschattenpreises, nicht nach einem Kalender. Was früher eine E-Mail-Kette war, wird zu Versand- und Bestellaufträgen ohne menschliches Eingreifen. Jeder trägt ein Dossier, das in Geldeinheiten offenlegt, warum ein Teil zu diesem Luftfahrzeugkennzeichen geflogen ist, warum ein anderes im Regal blieb und warum angesichts der Streuung der Zeit bis zur Wiederinbetriebnahme eine Miete einer Reparatur überlegen war. Weniger Krisen werden durch Heldentaten „gelöst“, weil frühere Gebote weniger davon erzeugen.

Institutionelle Folgen ergeben sich von selbst. Rollen verschieben sich von Schlichtung zu Autorschaft: Planer betreuen Entscheidungsrahmen und Preise; die Finanzabteilung verantwortet Kapitalkosten und Bewertungen, die das Rezept berücksichtigen muss; der Einkauf veröffentlicht Rabatte, MOQs und Zuverlässigkeiten als Staffeln statt Vetos; der operative Betrieb benennt Kapazitäten und Annahmeschlüsse als prüfbare Restriktionen. Anbieter und Berater werden für den Umfang ohne menschliches Eingreifen und die gemessene Verbesserung bezahlt, nicht für Nutzerlizenzen, Bildschirmansichten oder Zeremonien. Budgets fließen zu dem einzigen Vermögenswert, der in diesem Jahrhundert kumulativ wächst: einer kleinen Codebasis, die die Ökonomie des Unternehmens festschreibt und sich durch experimentelle Optimierung verbessert.

Nichts davon verlangt eine Offenbarung. Die Instrumente für Entscheidungen ohne menschliches Eingreifen wurden bereits dargelegt. Zu verlangen ist eine andere Haltung: anzuerkennen, dass jede Festlegung eine Wette ist, deren Qualität ex ante in Geldeinheiten ausgedrückt und ex post geprüft werden kann, und die Arbeit so zu organisieren, dass Software diese Wetten in dem Takt eingeht, den die Realität zulässt.

Das Buch begann mit dem Beharren darauf, dass Supply Chain eine Absicht und kein Ding ist, und schließt damit, diese Absicht ausführbar zu machen. Kann ein Unternehmen jede nächtliche Festlegung in Geldeinheiten erklären und sich selbst anhalten, wenn es das nicht kann, hat es die Grenze überschritten, die Theater von Beherrschung trennt. Der Rest ist der langsame, sich verstärkende Aufbau von Wissen: jeden Abend ein wenig weiter zu sehen und genug vorauszusehen, um die morgige Rendite zu verdienen.

12 Technische Anmerkungen

12.1 Aperiodische Rendite

Dieser Anhang formalisiert die im Kapitel Ökonomie erwähnte aperiodische Rendite. Die Absicht ist praktisch: Jede Option – eine Mikroentscheidung, die knappe Ressourcen bindet – sollte nach der Geschwindigkeit eingeordnet werden, mit der ihr gebundenes Kapital zurückfließt und sich zu verzinsen beginnt. Da Zahlungsströme in der Supply Chain selten mit Kalenderperioden übereinstimmen, bestimmt die Option selbst ihren aussagekräftigsten Zeithorizont.

Wir betrachten ein diskretes Zeitraster \(t=0,1,\dots,T_{\texttt{max}}\) aus Tagen, Wochen oder Monaten. Dabei bezeichnen

\[ s(t)\in\mathbb{R}^+ \quad\text{und}\quad r(t)\in\mathbb{R}^+ \]

die mit der Option verbundenen, auf den Barwert abgezinsten Ausgaben beziehungsweise Einnahmen zum Zeitpunkt \(t\). (Soll abgezinst werden, sind künftige Beträge zunächst in Barwerte umzurechnen; siehe den nächsten Abschnitt.)

Wir definieren das gesamte von der Option benötigte Kapital – bewertet zum Zeitpunkt \(t=0\) – und die kumulierten Einnahmen bis zu einem beliebigen Stichtag \(T\):

\[ S \;\triangleq\; \sum_{t=0}^{T_{\texttt{max}}} s(t), \qquad R(T) \;\triangleq\; \sum_{t=0}^{T} r(t). \]

Die aperiodische Rendite ist dann

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}} \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Interpretation. Bewegen Sie einen Zeiger entlang der Zeitachse der Zahlungsströme der Option. Berechnen Sie für jeden Zeitpunkt \(T\) die Rendite pro Zeiteinheit, die Sie erzielt hätten, wenn Sie die Position zu diesem Zeitpunkt geschlossen hätten: den kumulierten Zufluss \(R(T)\), geteilt durch das gesamte von der Option benötigte Kapital \(S\), abzüglich eins, skaliert mit \(1/T\). Die Kennzahl behält den Höchstwert bei; der zugehörige Zeitpunkt \(T^\star\) ist der implizite Horizont der Option. Zwei Optionen mit sehr unterschiedlichen Zeitplänen werden vergleichbar, weil jede an ihrem eigenen günstigsten Rückflusszeitpunkt beurteilt wird.

Einheiten. Wird \(t\) in Tagen gemessen, ist \(\mathtt{RoR}_{\texttt{aper}}\) eine Tagesrendite. Die Umrechnung auf ein Jahr erfolgt, sofern gewünscht, durch Aufzinsung auf dem gewählten Raster, etwa \((1+\rho)^{365}-1\) bei einer Tagesrendite \(\rho\). Für kleine \(\rho\) ist die Multiplikation mit der Anzahl der Perioden eine grobe Näherung; bei hohen Renditen ist die Berücksichtigung des Zinseszinseffekts zuverlässiger.

Rechenbeispiel. Ein heutiger Kauf für 100 Geldeinheiten (\(S=100\)) führt zu zwei Abverkäufen: 60 Geldeinheiten an Tag 15 und 60 Geldeinheiten an Tag 30. Die Geschwindigkeiten pro Tag betragen

\[ \rho(15)=\frac{1}{15}\Bigl(\frac{60}{100}-1\Bigr)=-0.026\bar{6},\quad \rho(30)=\frac{1}{30}\Bigl(\frac{120}{100}-1\Bigr)=0.006\bar{6}. \]

Das Maximum liegt bei \(T^\star=30\) Tagen mit \(\rho^\star\approx 0.006\bar{6}\) pro Tag; über ein Jahr aufgezinst ergibt dies ungefähr \((1+0.006\bar{6})^{365}-1\approx 10.3\), also etwa \(1{,}030\%\) pro Jahr. Solche Größenordnungen sind auf Artikelebene alltäglich, weil sie schnelle Bestandsumschläge und keine portfolioweiten Renditen widerspiegeln.

Zwei Einschränkungen. Erstens eine positive Verzerrung: Die Kennzahl setzt voraus, dass das bei \(T^\star\) freigesetzte Kapital sofort in eine ebenso attraktive Gelegenheit reinvestiert werden kann. In der Praxis können vergleichbare Gelegenheiten erst mit Verzögerung auftreten. Zweitens eine negative Verzerrung: Einnahmen nach \(T^\star\) bleiben unberücksichtigt, um die Geschwindigkeit zu messen. Tatsächlich werden spätere Zuflüsse, sofern die Waren nicht verschrottet werden, weiterhin eintreten und den endgültigen Gewinn erhöhen. Beide Effekte sind akzeptabel, ja sogar nützlich, weil es hier nicht darum geht, den endgültigen Gewinn oder Verlust der Option festzustellen, sondern knappes Kapital vorrangig den Verwendungen mit der schnellsten Verzinsung zuzuführen.

12.2 Abgezinste Zahlungsströme

Wenn wir Zahlungsströme abzinsen, formulieren wir lediglich die frühere Erörterung der Zeitpräferenz in Geldeinheiten und auf einem diskreten Zeitraster neu. Eine später erhaltene Geldeinheit ist heute weniger wert, weil sie in der Zwischenzeit weder verwendet noch als Reserve gehalten oder reinvestiert werden kann. Discounted Cashflow (DCF) rechnet jeden künftigen Betrag in „heutige Geldeinheiten“ um. Nach dieser Umrechnung lässt sich die aperiodische Rendite des vorigen Abschnitts ohne weitere Änderung anwenden.

Legen wir ein Zeitraster \(t=0,1,\dots,T_{\texttt{max}}\) aus Tagen, Wochen oder Monaten fest. Dabei bezeichnet \(k\) die Kapitalkosten des Unternehmens je Rasterschritt; ändern sich die Finanzierungskosten mit der Zeit, etwa durch gestaffelte Kreditlinien oder vorübergehende Engpässe, schreiben wir \(k_t\). Der Abzinsungsfaktor, der einen Betrag zum Zeitpunkt \(t\) auf \(t=0\) zurückrechnet, lautet

\[ D(t)\;=\;\prod_{\tau=1}^{t}\frac{1}{1+k_\tau} \qquad\text{(bei konstantem $k$ gilt $D(t)=(1+k)^{-t}$).} \]

Seien \(r^{*}(t)\) und \(s^{*}(t)\) die nicht abgezinsten Einnahmen und Ausgaben zum Zeitpunkt \(t\), wobei sofortige Beträge bei \(t=0\) erfasst werden. Ihre auf den Barwert abgezinsten Entsprechungen sind

\[ r(t)\;=\;D(t)\,r^{*}(t), \qquad s(t)\;=\;D(t)\,s^{*}(t). \]

Der abgezinste Zahlungsstrom der gesamten Option, also der mit ihr verbundenen Folge von Zahlungen, beträgt dann

\[ \mathtt{DCF} \;=\; \sum_{t=0}^{T_{\texttt{max}}} \bigl(r(t)-s(t)\bigr) \;=\; \sum_{t=0}^{T_{\texttt{max}}} D(t)\,\bigl(r^{*}(t)-s^{*}(t)\bigr). \]

Diese Summe ist eine absolute Bewertung in heutigen Geldeinheiten: Ist sie positiv, schafft sie Vermögen; ist sie negativ, vernichtet sie Wert.

Verbindung zur aperiodischen Rendite. Im vorigen Abschnitt wurden \(r(t)\) und \(s(t)\) ausdrücklich als auf den Barwert abgezinste Zahlungsströme definiert. Um Optionen nach ihrer Geschwindigkeit einzuordnen, zinsen wir daher zunächst wie oben beschrieben ab und setzen anschließend die Barwertreihen unverändert in die Formel der aperiodischen Rendite ein. In Symbolen behalten wir \(S=\sum_{t=0}^{T_{\texttt{max}}} s(t)\) und \(R(T)=\sum_{t=0}^{T} r(t)\) bei und berechnen

\[ \mathtt{RoR}_{\texttt{aper}} \;=\; \max_{0<T\le T_{\texttt{max}}}\; \frac{1}{T}\Bigl(\frac{R(T)}{S}-1\Bigr). \]

Die Abzinsung berücksichtigt die Zeitpräferenz; die aperiodische Rendite gibt anschließend an, wie schnell die auf den Barwert abgezinste Ausgabe zurückfließt und sich zu verzinsen beginnt.

Die Wahl von \(k\). Verwenden Sie die marginalen Liquiditätskosten des Unternehmens auf dem Raster, mit dem Sie rechnen. Arbeiten Sie mit einem Jahressatz \(K\) auf einem Tagesraster, rechnen Sie ihn mit \(k=(1+K)^{1/365}-1\) auf einen Tagesschritt um; für Wochen oder Monate gilt dies entsprechend. Ist die Liquidität gestaffelt oder zeitabhängig, bilden Sie sie als Verlauf \(\{k_t\}\) ab; die Definition von \(D(t)\) berücksichtigt dies bereits. Im Finanzwesen ist es üblich, \(k\) „aufzupolstern“, um Unsicherheit abzubilden. In der Supply Chain vermeiden wir diese Doppelzählung: Unsicherheit wird durch die spätere probabilistische Behandlung der Renditen in diesem Anhang ausdrücklich berücksichtigt.

Kleines Rechenbeispiel auf einem Tagesraster. Geben Sie 100 Geldeinheiten bei \(t=0\) aus und erhalten Sie 60 Geldeinheiten an Tag 15 sowie 60 Geldeinheiten an Tag 30. Bei jährlichen Kapitalkosten von 10% beträgt der Tagesschritt \(k\approx(1.10)^{1/365}-1\). Die Abzinsungsfaktoren lauten \(D(15)\approx (1.10)^{-15/365}\) und \(D(30)\approx (1.10)^{-30/365}\). Der DCF beträgt

\[ -100 \;+\; 60\,D(15) \;+\; 60\,D(30) \;\approx\; 12.6\ \text{Geldeinheiten.} \]

Setzt man die Barwertreihen in die aperiodische Kennzahl ein, erhält man \(S=100\) und \(R(30)\approx 60\,D(15)+60\,D(30)\approx 112.6\), somit

\[ \mathtt{RoR}_{\texttt{aper}}\;\approx\;\frac{1}{30}\Bigl(\frac{112.6}{100}-1\Bigr)\;\approx\;0.0042\ \text{pro Tag}, \]

was aufgezinst ungefähr \((1+0.0042)^{365}-1\approx 2.6\) ergibt, also etwa \(260\%\) pro Jahr. Entscheidend ist nicht die genaue Zahl, sondern die Methode. Zinsen Sie zunächst ab, um alles in heutigen Geldeinheiten auszudrücken; vergleichen Sie dann die Optionen danach, wie schnell diese auf den Barwert abgezinsten Zuflüsse die auf den Barwert abgezinste Ausgabe zurückzahlen.

Praktische Hinweise. Die Einheiten müssen übereinstimmen: \(t\) wird im selben Zeitschritt wie \(k\) gemessen. Sind Zahlungen gestaffelt, etwa eine Anzahlung bei \(t=0\) und eine Restzahlung bei Versand, behandeln Sie jede als eigenes \(s^{*}(t)\). Zinssätze sind zwar relevant, doch in der Supply Chain dominieren meist die Bestandsumschläge. Die Abzinsung soll hier Optionen mit unterschiedlichen Zeitplänen wieder vergleichbar machen, damit die aperiodische Rendite sie sauber einordnen kann.

12.3 Informationsentropie

Dieser Anhang fasst die wenigen im Kapitel Information verwendeten Elemente von Shannons Theorie so zusammen, dass sie unmittelbar auf Bestandsbeispiele anwendbar sind. Wir beschränken uns auf diskrete Variablen und Logarithmen zur Basis 2, sodass die Einheit Bit ist; ein Wechsel der Logarithmusbasis skaliert lediglich die Einheit um.

Betrachten wir eine diskrete Zufallsvariable \(X\), die Zustände \(x\) mit Wahrscheinlichkeiten \(p(x)\) annimmt. Die Information, die wir erhalten, wenn wir erfahren, dass der Zustand \(x\) vorliegt – der Informationsgehalt –, beträgt

\[ \operatorname{I}(x)\;=\;-\log_{2} p(x)\quad\text{bits}. \]

Ein sicheres Ergebnis (\(p=1\)) trägt \(0\) Bit; seltenere Ergebnisse tragen mehr Bit.

Die Entropie von \(X\) ist der durchschnittliche Informationsgehalt:

\[ \mathrm{H}(X)\;=\;\mathbb{E}[\operatorname{I}(X)]\;=\;-\sum_{x} p(x)\,\log_{2} p(x)\quad\text{bits}. \]

Entropie hängt nur von den Wahrscheinlichkeiten ab, nicht davon, wie wir die Zustände benennen oder speichern. Sie lässt sich als die durchschnittliche Anzahl ausgewogener Ja/Nein-Fragen verstehen, die zur Bestimmung des Zustands nötig sind. Für unsere Zwecke genügen zwei unmittelbare Folgerungen:

• Hat \(X\) genau \(n\) gleich wahrscheinliche Zustände, dann gilt \(\mathrm{H}(X)=\log_{2} n\).

• Sind \(X_1,\dots,X_k\) unabhängig, addiert sich ihre gemeinsame Unsicherheit:

  \[ \mathrm{H}(X_1,\dots,X_k)\;=\;\sum_{j=1}^{k}\mathrm{H}(X_j). \]

(Sind Variablen korreliert, liegt die gemeinsame Entropie unter dieser Summe; wir nehmen hier Unabhängigkeit an, um die Darstellung einfach zu halten.)

Wir modellieren den Bestand jedes Produkts als diskrete Variable und behandeln verschiedene Produkte zunächst als unabhängig. Dadurch können wir die Entropie eines Geschäfts als das „100-Fache“ des Werts pro Produkt berechnen. Der nächste Unterabschnitt wendet diese Formeln auf zwei gegensätzliche Geschäfte an – ein Luxusuhrenfachgeschäft und ein Lager am Stadtrand – und beziffert den Unterschied. Eine kompakte, zugängliche Einführung in die umfassendere Theorie bietet James V. Stone, Information Theory: A Tutorial Introduction (2019).

Entropie zweier Geschäfte

Wir präzisieren nun den im ursprünglichen Kapitel verwendeten Gegensatz. Modellieren wir den physisch vorhandenen Bestand jeder SKU als diskrete Zufallsvariable und behandeln wir die SKUs zunächst als unabhängig.¹⁶⁷ Die Entropie des Geschäfts ist dann die Summe der Entropien pro SKU.

Luxusuhrenfachgeschäft. Von jeder SKU ist höchstens eine Einheit physisch vorhanden, mit einer Wahrscheinlichkeit von 95% für Verfügbarkeit und 5% für einen Fehlbestand. Eine einzelne SKU ist somit binär mit

\[ p(1)=0.95,\qquad p(0)=0.05. \]

Mit der binären Entropie ergibt sich

\[ \mathrm{H}_{\text{watch}}^{(1)} \;=\; -\,0.95\,\log_{2}(0.95)\;-\;0.05\,\log_{2}(0.05)\;\approx\;0.2864\ \text{bits}. \]

Für 100 unabhängige SKUs gilt

\[ \mathrm{H}_{\text{watch}} \;=\; 100\,\mathrm{H}_{\text{watch}}^{(1)} \;\approx\; 28.64\ \text{bits}. \]

Lager am Stadtrand. Nehmen wir für jede SKU an, dass der physisch vorhandene Bestand mit gleicher Wahrscheinlichkeit jede ganze Zahl von 0 bis 9.999 annehmen kann. Eine Gleichverteilung über \(n\) Zustände hat die Entropie \(\log_{2} n\), somit gilt pro SKU

\[ \mathrm{H}_{\text{depot}}^{(1)} \;=\; \log_{2}(10{,}000)\;\approx\; 13.2877\ \text{bits}, \]

und für 100 SKUs

\[ \mathrm{H}_{\text{depot}} \;=\; 100\,\mathrm{H}_{\text{depot}}^{(1)} \;\approx\; 1328.77\ \text{bits}. \]

Zahlenmäßig enthält das Lager etwa das \(\mathrm{H}_{\text{depot}}/\mathrm{H}_{\text{watch}} \approx 46.4\)-Fache an Bestandsinformation gegenüber dem Uhrengeschäft.

Im Sinne des Spiels „Zwanzig Fragen“ sind zur vollständigen Bestimmung des gesamten Bestandszustands der 100 SKUs im Uhrengeschäft durchschnittlich etwa 29 Ja/Nein-Antworten nötig; beim Lager sind es etwa 1.329. Gegenüber realistischen Bestandsverteilungen mit ausgeprägtem Maximum überschätzt die Annahme der Gleichverteilung die Entropie leicht, doch der Abstand bleibt in derselben Größenordnung. Diese Berechnung stützt die Aussage des Kapitels, dass zwei Sortimente gleicher Größe – 100 SKUs – ein radikal unterschiedliches Informationsgewicht haben können: eines gemessen in einigen Dutzend Bit, das andere in Kilobit. Daher ist Software für alles erforderlich, was über die einfachsten Güterflüsse hinausgeht.

12.4 Topologische Sortierung

Eine topologische Sortierung ordnet eine Menge von Elementen so an, dass jede Voraussetzung vor dem von ihr abhängigen Element erscheint. Die Eingabe ist ein gerichteter Graph, dessen Knoten Elemente – Aufgaben, Tabellen oder Komponenten – darstellen und dessen Pfeile „muss vorher kommen“ ausdrücken. Hat der Graph keinen gerichteten Zyklus, existiert eine solche Reihenfolge; gibt es einen Zyklus, kann keine Reihenfolge alle Voraussetzungen erfüllen.

Die Supply-Chain-Praxis ist voller solcher Vorrangstrukturen. Eine Stückliste verlangt Unterbaugruppen vor der Montage; ein tägliches numerisches Rezept muss Aufzeichnungen einlesen, bevor es Merkmale ableitet, Prognosen erstellen, bevor es Optionen bewertet, und Optionen bewerten, bevor es Bestellungen oder Umlagerungen ausgibt. In einem Intelligenzsystem wird diese Struktur als gerichteter azyklischer Graph (DAG) ausdrücklich dargestellt und bei jedem Durchlauf in dieser Reihenfolge ausgeführt.

Intuition. Beginnen Sie mit allem, was keine Voraussetzung hat, und tragen Sie es in eine Arbeitsliste \(S\) ein. Wählen Sie wiederholt ein Element \(n\) aus \(S\), geben Sie es aus und lockern Sie seine ausgehenden Pfeile: Jeder Nachfolger \(m\) hat nun eine Voraussetzung weniger; erreicht dieser Zähler null, wird \(m\) in \(S\) aufgenommen. Wurden am Ende einige Elemente nie ausgegeben, hängen sie wechselseitig voneinander ab: ein Zyklus.

Durchgerechnetes Supply-Chain-Beispiel. Betrachten wir eine winzige Stückliste: Schraube und Platte haben keine Voraussetzungen; Rahmen setzt Platte voraus; Baugruppe setzt Schraube und Rahmen voraus. Eine gültige Reihenfolge lautet:

\[ \text{Schraube},\ \text{Platte},\ \text{Rahmen},\ \text{Baugruppe}. \]

Beim Ausführen des Algorithmus enthält \(S\) zunächst Schraube und Platte; nach der Ausgabe von Platte sinkt der Eingangsgrad von Rahmen auf null, und das Element wird in \(S\) aufgenommen. Nachdem Schraube und Rahmen ausgegeben wurden, kann Baugruppe erzeugt werden. Die genaue Reihenfolge gleichzeitig zulässiger Elemente ist für die Korrektheit unerheblich, für die Reproduzierbarkeit jedoch relevant.

Korrektheit und Komplexität. Jede Kante \((u\!\to\!v)\) wird berücksichtigt, weil \(v\) erst ausgegeben werden kann, nachdem seine letzte Voraussetzung entfernt wurde, was erst nach der Ausgabe von \(u\) geschieht. Umgekehrt hatte ein ausgegebenes Element zu diesem Zeitpunkt keine unerfüllte Voraussetzung mehr. Mit Adjazenzlisten und einem einzigen Durchlauf über die Kanten benötigt das Verfahren lineare Zeit \(O(|V|+|E|)\) und linearen Speicherplatz. Machen Sie die Ausgaben in Produktivsystemen deterministisch, indem Sie Elemente aus \(S\) in einer festen Schlüsselreihenfolge entnehmen, etwa \((\texttt{site},\texttt{sku},\texttt{step})\). Dieselben Eingaben erzeugen dann bitgenau dieselbe Reihenfolge, was Prüfungen und die Wiederholung vergangener Zustände unterstützt.

Operativer Einsatz in einem Intelligenzsystem. Das tägliche numerische Rezept ist ein DAG: Rohextrakte einlesen, normalisieren, Merkmale ableiten, probabilistische Modelle anpassen oder aktualisieren, Bewertungen in Geldeinheiten berechnen und anschließend idempotente Rückschreibvorgänge ausgeben – Bestellungen, Umlagerungen und Preise. Die Laufzeitumgebung sortiert diesen Berechnungsgraphen topologisch und führt die Knoten entsprechend aus. Ein erkannter Zyklus ist kein Sonderfall, der „übersteuert“ werden darf; er verletzt die Semantik und muss die Engine anhalten, wie im Kapitel Intelligenz dargelegt, sowie einen kleinen Zyklus als Beleg offenlegen, damit die Logik oder der Datenvertrag korrigiert werden kann. Einen solchen Beleg zu erzeugen, ist einfach: Nachdem der Algorithmus mit \(|L|<|V|\) angehalten hat, folgen Sie Vorgängerverknüpfungen innerhalb des verbleibenden Teilgraphen, bis sich ein Knoten wiederholt; die so aufgedeckte Schleife ist die minimale Erklärung, die der Bediener benötigt.

12.5 Vierschichtiges Perzeptron

Ein vierschichtiges mehrschichtiges Perzeptron (MLP) ist das kleinste nützliche Exemplar dessen, was der Abschnitt „Deep Learning“ in Worten beschrieben hat: eine feste Schaltung aus linearen Abbildungen, getrennt durch einfache nichtlineare Gatter. Es eignet sich gut, um die Mechanik zu entmystifizieren, weil sich jeder Schritt auf gewöhnliche lineare Algebra zurückführen lässt.

Wir greifen die zuvor verwendete Spielzeugaufgabe mit handgeschriebenen Ziffern (MNIST) wieder auf; siehe Abbildung \ref{fig:perceptron} im Kapitel Intelligenz. Jedes Graustufenbild ist ein \(28\times 28\)-Array, dessen Werte auf Zahlen in \([0,1]\) umskaliert und zu einem Vektor \(\mathbf{x}\in\mathbb{R}^{784}\) abgeflacht werden. Das Netz berechnet Scores für die zehn Ziffern \(0,\dots,9\) und wandelt diese anschließend in Wahrscheinlichkeiten um. Die vorhergesagte Ziffer ist diejenige mit der höchsten Wahrscheinlichkeit.

Vorwärtsdurchlauf (Inferenz)

Das Netz schaltet drei affine Transformationen hintereinander, getrennt durch Gleichrichter. Mit Spaltenvektoren und elementweiser Anwendung der Nichtlinearitäten lautet die Berechnung:

\[ \begin{aligned} \mathbf{z}_1 &= \mathbf{W}_1\,\mathbf{x} + \mathbf{b}_1, & \quad \mathbf{a}_1 &= R(\mathbf{z}_1),\\ \mathbf{z}_2 &= \mathbf{W}_2\,\mathbf{a}_1 + \mathbf{b}_2, & \quad \mathbf{a}_2 &= R(\mathbf{z}_2),\\ \mathbf{y} &= \mathbf{W}_3\,\mathbf{a}_2 + \mathbf{b}_3. && \end{aligned} \]

Dabei sind \(\mathbf{W}_1\!\in\!\mathbb{R}^{256\times 784}\), \(\mathbf{W}_2\!\in\!\mathbb{R}^{128\times 256}\) und \(\mathbf{W}_3\!\in\!\mathbb{R}^{10\times 128}\) Gewichtsmatrizen; \(\mathbf{b}_1\!\in\!\mathbb{R}^{256}\), \(\mathbf{b}_2\!\in\!\mathbb{R}^{128}\) und \(\mathbf{b}_3\!\in\!\mathbb{R}^{10}\) sind Biasvektoren. Die Nichtlinearität ist der Gleichrichter

\[ R(u)\;=\;\max(0,u), \]

in koordinatenweiser Anwendung. Gleichrichter reichen nicht nur für die Ausdrucksfähigkeit aus; sie lassen sich auf Silizium auch kostengünstig auswerten, weshalb sie ältere sigmoidförmige Gatter verdrängt haben.

Die Ausgabe \(\mathbf{y}\in\mathbb{R}^{10}\) enthält einen Score pro Ziffer. Um Klassenwahrscheinlichkeiten zu erhalten, wenden wir die Softmax-Abbildung an:

\[ p_k \;=\; \frac{e^{y_k}}{\sum_{j=0}^{9} e^{y_j}} \quad\text{für}\quad k=0,\dots,9. \]

Der Klassifikator gibt \(\arg\max_k p_k\) aus; der vollständige Wahrscheinlichkeitsvektor \(\mathbf{p}\) ist beim Training nützlich, weil er Unsicherheit quantifiziert und eine glatte Verlustfunktion ermöglicht.

Training durch stochastischen Gradientenabstieg

Das Training wählt alle Gewichte und Biaswerte so, dass das Netz der richtigen Ziffer auch auf Bildern, die es nicht gesehen hat, eine hohe Wahrscheinlichkeit zuweist. Dabei bezeichnet \((\mathbf{x}^{(i)},\,t^{(i)})\) das \(i\)-te beschriftete Beispiel, wobei \(t^{(i)}\in\{0,\dots,9\}\) die tatsächliche Klasse ist. Die Standardverlustfunktion für einen Minibatch \(B\) ist die durchschnittliche Kreuzentropie

\[ \mathcal{L}_B \;=\; -\,\frac{1}{|B|}\sum_{i\in B}\log p_{\,t^{(i)}}(\mathbf{x}^{(i)}), \]

gegebenenfalls ergänzt um einen kleinen quadratischen Strafterm auf die Gewichte (Weight Decay), um Überanpassung einzudämmen. Moderne Frameworks berechnen den Gradienten von \(\mathcal{L}_B\) bezüglich jedes Parameters durch automatische Differenzierung. Ein Schritt des stochastischen Gradientenabstiegs (SGD) verschiebt die Parameter dann geringfügig in die Richtung, die den Verlust verringert:

\[ \theta \leftarrow \theta \;-\; \eta\,\nabla_{\theta}\,\mathcal{L}_B, \]

Dabei bezeichnet \(\theta\) die Gesamtheit aller \(\mathbf{W}_\ell,\mathbf{b}_\ell\), und \(\eta>0\) ist die Lernrate. Die Wiederholung dieser einfachen Schleife – einen Minibatch ziehen, den Vorwärtsdurchlauf ausführen, den Verlust auswerten und die Gradientenaktualisierung anwenden – senkt allmählich den Verlust auf zurückgehaltenen Bildern, bis keine Verbesserungen mehr eintreten. Varianten wie Momentum und adaptive Lernraten verfeinern dieselbe Idee; keine verändert das Grundprinzip.

Zwei praktische Entscheidungen sind für Stabilität und Geschwindigkeit wichtig, verkomplizieren die Darstellung aber nicht. Erstens werden die Gewichte so initialisiert, dass die Aktivierungen bei der Weitergabe weder explodieren noch verschwinden: Bei Gleichrichtern funktioniert eine Gaußverteilung mit Mittelwert null und der Skalierung \(\,\mathcal{N}(0,\;2/n_{\text{in}})\) gut, wobei \(n_{\text{in}}\) die Anzahl eingehender Verbindungen der Schicht ist. Zweitens werden Beispiele in kleinen zusammenhängenden Gruppen, den „Minibatches“, verarbeitet, um die Parallelität der Hardware zu nutzen; Inferenz und Training reduzieren sich dann auf eine Handvoll dichter Matrixprodukte (GEMMs) und kostengünstige Gleichrichter.

Größen, Kosten und was tatsächlich berechnet wird

Zählt man nur die Gewichte, enthält das \(784\!\to\!256\!\to\!128\!\to\!10\)-MLP

\[ 784\times256 \;+\; 256\times128 \;+\; 128\times10 \;=\; 234\,752 \]

trainierbare Zahlen; die drei Biasvektoren fügen lediglich vernachlässigbare \(256+128+10\) hinzu. Ein Vorwärtsdurchlauf besteht aus „drei Matrixprodukten und zwei Gleichrichtern“. Diese mechanische Sicht – lineare Algebra, unterbrochen von einem einfachen Gatter – ist das richtige gedankliche Modell. Dahinter steckt keine verborgene Magie; das Netz ist eine programmierbare Schaltung, deren Parameter durch Gradientenabstieg angepasst werden.

12.6 Mathematische Optimierung

Dieser Anhang ergänzt die Erörterung Das Optimierungsparadigma im Kapitel Entscheidungen. Sein Zweck ist praktisch: Er formuliert das Vokabular jenes Abschnitts – marginale Festlegungen, Zulässigkeitsprüfungen, bepreiste Kostenansätze, probabilistische Prognosen und wirtschaftliche Ziele – in einer minimalen mathematischen Form neu, die eine wiederholte Lösung ohne menschliches Eingreifen erlaubt.

Von Entscheidungen zu einem Modell

Eine Entscheidung ist eine endliche Menge marginaler Festlegungen. Dabei bezeichnet \(\mathcal{A}=\{a_1,\dots,a_n\}\) die zulässigen Mikrohandlungen für den aktuellen Zyklus: eine weitere Einheit kaufen, eine weitere Einheit der Filiale \(s\) zuweisen, einen weiteren Halt einplanen und so weiter. Die Auswahl einer Handlung wird durch \(x_i\in\{0,1\}\) festgehalten; der Vektor \(x\in\{0,1\}^n\) codiert die gesamte Festlegung. Der Rahmen macht \(\mathcal{A}\) explizit und ordnet jedem \(a_i\) die Daten zu, die zur Prüfung der Zulässigkeit und zur Bewertung der Folgen nötig sind.

Zulässigkeit wird durch Prüfungen ausgedrückt, die ein Kandidat \(x\) bestehen muss. Einige Grenzen sind absolut – gesetzliche Verbote, physische Unmöglichkeiten – und erscheinen als harte Prüfungen, die \(x\) unmittelbar zurückweisen. Die meisten operativen Grenzen lassen sich gegen einen Preis lockern; statt solche Verletzungen zu verbieten, bepreisen wir sie. Sei \(g_k(x,\omega)\) eine messbare Größe, die das Unternehmen begrenzen möchte, etwa die Rampenbelastung an einem Tag, Minuten außerhalb eines Zeitfensters oder Überstunden, berechnet unter einer Realisierung \(\omega\) der unsicheren Zukunft. Ein in Geldeinheiten ausgedrückter Kostenansatz \(C_k(g_k)\) überführt diese Präferenz in die Zielfunktion. Werden nur tatsächlich harte Grenzen als Prüfungen beibehalten, bleibt die Engine flexibel und ehrlich; bepreiste Kostenansätze machen verschiedenartige Unannehmlichkeiten in einem gemeinsamen Register vergleichbar.

Die Zielfunktion ist in Geld ausgedrückt. Innerhalb des mit der aktuellen Entscheidungsklasse verbundenen Verantwortungsfensters erzielt jede Mikrohandlung \(a_i\) Geldzuflüsse – Margen, Rabatte, Verwertungserlöse – und verursacht Geldabflüsse für Beschaffung, Handhabung, Bestandshaltung, Obsoleszenz, Überlastung und Verspätungsgebühren. Unter einer probabilistischen Sicht auf mögliche Zukünfte \(\Omega\) bewertet die Engine den erwarteten Wert von \(x\),

\[ J(x)\;=\;\mathbb{E}_\Omega\Bigg[\;\sum_{i=1}^{n} x_i\,v_i(\Omega)\;-\;\sum_{k} C_k\bigl(g_k(x,\Omega)\bigr)\;\Bigg], \]

wobei \(v_i(\Omega)\) den Nettobeitrag von \(a_i\) in Geldeinheiten über dieses Fenster nach Abzug aller gewöhnlichen Kosten bezeichnet. Risikoanpassungen, etwa eine höhere Bepreisung von Verlusten an den Verteilungsrändern, stecken in den Termen \(C_k\) und nicht in abstrakten Prozentsätzen. Beim Einordnen kleiner Alternativen, die Kapital unterschiedlich lange binden, empfiehlt das Kapitel Ökonomie einen Vergleich anhand der aperiodischen Rendite. Praktisch bedeutet dies, sowohl die erwartete Differenz in Geldeinheiten als auch das gebundene Kapital zu berechnen und anschließend die Geschwindigkeit mit der zuvor in diesem Anhang definierten Kennzahl auszuweisen. Der Solver kann \(J\) maximieren und für die ausgegebenen marginalen Festlegungen die zugehörigen aperiodischen Geschwindigkeiten angeben.

Unsicherheit wird in den Eingaben mitgeführt, nicht in der Zielfunktion versteckt. Das Zufallselement \(\Omega\) umfasst die Verteilungen, die das Unternehmen für Nachfrage, Lieferzeiten, Zuverlässigkeiten, Rücksendungen und jeden bepreisten exogenen Faktor unterhält. Die Zielfunktion \(J\) ist deterministisch, wenn diese Verteilungen gegeben sind. Diese Trennung hält Kausalität und Verantwortlichkeit nachvollziehbar, wenn Ergebnisse enttäuschen: Entweder hat der Rahmen Optionen ausgelassen, die Preise waren verfehlt oder die Prognosen schlecht kalibriert.

Kostenansätze gegenüber Wahrscheinlichkeitsschranken

Zwei Formalismen drücken „dies unter Kontrolle halten“ aus. Eine wahrscheinlichkeitsbeschränkte Nebenbedingung verlangt \(\mathbb{P}\bigl(g_k(x,\Omega)\leqslant \tau_k\bigr)\geqslant 1-\alpha_k\) für einen Schwellenwert \(\tau_k\) und eine Toleranz \(\alpha_k\). Eine mit Kosten belegte Restriktion setzt Kosten in Geldeinheiten \(C_k(g_k)\) für alle Werte von \(g_k\) an. Erstere verbirgt die Ökonomie in einem dimensionslosen \(\alpha_k\), das andernorts abgestimmt werden muss; Letztere drückt Abwägungen unmittelbar in Geld aus und lässt sich natürlich mit anderen Termen zusammenfassen. Im Supply-Chain-Betrieb, wo die meisten Grenzen gegen Kosten überschritten werden können, leistet die bepreiste Form die Hauptarbeit; reine Wahrscheinlichkeitsschranken bleiben am besten Schutzvorkehrungen für seltene sicherheitskritische Bereiche.

Eine zweckmäßige Wahl ist ein konvexer, ansteigender, häufig stückweise linearer Kostenansatz, der die Belastungskurve des Unternehmens annähert. Für eine Rampenbelastung \(q\) oberhalb einer weichen Kapazitätsgrenze \(K\) mit stark zunehmendem Schaden nach \(K+\Delta\) schreibt man \(C(q)=c_1\,(q-K)_+ + c_2\,(q-K-\Delta)_+\) mit \(c_2\gg c_1\). Die genauen Zahlen sind eine Frage der Ökonomie; sobald sie feststehen, findet der Solver die am wenigsten schlechten Kompromisse zwischen verschiedenartigen Reibungen.

Durchgerechnetes Mikromodell: einen Container füllen

Ein Importeur muss eine Bestellung für einen vollen Container aufgeben. Jede infrage kommende Einheit \(a_i\) hat ein Volumen \(w_i\) und einen erwarteten, auf das Verantwortungsfenster begrenzten Nettobeitrag in Geldeinheiten \(m_i(\Omega)\), der Beschaffung, Handhabung, Bestandshaltung, Obsoleszenz, Verwertung und Fehlbestandseffekte bereits umfasst. Die Containerkapazität beträgt \(W\) in derselben Einheit wie \(w_i\). Überfüllung ist möglich, verursacht aber schmerzhafte Kosten in Höhe von \(\lambda\) je überschüssiger Einheit.

Eine getreue Zielfunktion lautet

\[ \max_{x\in\{0,1\}^n}\;\mathbb{E}_\Omega\biggl[\sum_i x_i\,m_i(\Omega)\;-\;\lambda\Bigl(\sum_i x_i\,w_i - W\Bigr)_+\biggr], \]

unter harten Prüfungen wie rechtlichen Unvereinbarkeiten oder Zusammenladeverboten. Dies ist ein mit Kostenansätzen versehenes Rucksackproblem unter Unsicherheit. Ein einfacher, wirksamer Lösungsansatz entspricht der marginalen Sichtweise des Kapitels: In jedem Schritt wird ein Schattenpreis für die Kapazität berechnet, die zulässige Einheit mit dem höchsten erwarteten marginalen Verhältnis \(\frac{m_i}{w_i}\) oberhalb dieses Schattenpreises ausgewählt und die Schattenpreise neu berechnet. Der Vorgang endet, wenn die nächste Einheit die Schwelle der Ökonomie des Wartens nicht erreicht, also ihre erwartete risikoangepasste aperiodische Rendite unter Kapital plus Optionswert des Aufschubs liegt. Weil die Bewertung von der Menge im Container und nicht von der Zeremonie ihrer Auswahl abhängt, zielt dieser Greedy-Aufbau auf das wirtschaftlich Wesentliche; das Verantwortungsfenster und die Endbewertungen sorgen für eine saubere Zurechnung.

Durchgerechnetes Mikromodell: den Wareneingang glätten

Ein Lager hat mit zufälligen Abweichungen bei Lieferanten und einer begrenzten Zahl von Wareneingangstoren zu tun. Sei \(d_t(x,\Omega)\) die Anzahl der Ankünfte an Tag \(t\), die sich aus \(x\) unter \(\Omega\) ergibt. Überstunden, Wartezeiten von Fahrern, Standgelder und Störungen werden durch einen konvexen Kostenansatz \(C_{\text{dock}}(d_t)\) erfasst. Eine tägliche, in Geldeinheiten ausgedrückte Zielfunktion über den Horizont \(T\) lautet

\[ \max_{x}\;\mathbb{E}_\Omega\Bigg[\sum_i x_i\,m_i(\Omega)\;-\;\sum_{t=1}^{T} C_{\text{dock}}\bigl(d_t(x,\Omega)\bigr)\Bigg], \]

wobei wiederum nur tatsächlich harte Grenzen durch Prüfungen erzwungen werden. Der Optimierer zieht Bestellungen vor oder verschiebt sie, bis die erwartete Rendite des nächsten zulässigen Loses die Schattenkosten des Kapitals zuzüglich des Optionswerts des Wartens übersteigt, während das konvexe \(C_{\text{dock}}\) die Belastung ohne fragile Gebote verteilt.