DIE QUANTITATIVE SUPPLY CHAIN IN A NUTSHELL (ZUSAMMENFASSUNG VON VORLESUNG 1.2)

Obwohl die Quantitative Supply Chain (QSC) und Mainstream-Initiativen beide darauf abzielen, die bestmöglichen Geschäftsentscheidungen (und finanziellen Erträge) zu generieren, weicht erstere in mehreren wesentlichen Punkten von letzteren ab. Diese unterscheidenden Merkmale, wie sie im Supply Chain Manifest von Lokad dargelegt werden, fassen die Kernprinzipien zusammen, die Lokads Ansatz zur Supply Chain-Optimierung leiten. Über den Eingriff von Software hinaus plädiert QSC für eine generelle Neuausrichtung der Denkweise – eine, die den Fokus auf die wichtigeren, wenn auch weniger unmittelbar sichtbaren Kräfte richtet, die tatsächlich den größten Einfluss auf die supply chain ausüben.

Vorlesung ansehen

Alle möglichen Zukünfte

Per Definition ist eine supply chain-Initiative der Versuch, die zukünftige Nachfrage zu identifizieren und zu bedienen. Das Problem ist, dass die Zukunft (in allen Kontexten) von Natur aus und grundsätzlich ungewiss ist; es gibt eine außergewöhnlich breite Palette möglicher zukünftiger Ergebnisse, von denen jedes seine eigene Eintrittswahrscheinlichkeit besitzt. Der springende Punkt ist, dass nicht jedes Ergebnis gleich wahrscheinlich ist. Dasselbe gilt für supply chains, jedoch ignorieren herkömmliche Lösungen für das Problem der Nachfrage Unsicherheit, wie etwa Zeitreihenprognosen, einfach die Unsicherheit. Stattdessen konzentrieren sich traditionelle Lösungen darauf, einen einzigen zukünftigen Nachfragewert zu erzeugen, der später mit einer vordefinierten Sicherheitsbestand Formel verstärkt wird.

Dieser Ansatz ignoriert grundsätzlich die Vielzahl möglicher zukünftiger Nachfragewerte und setzt ein Unternehmen vollkommen dem Risiko aus, falls die Nachfrage die Erwartungen nicht erfüllt. QSC hingegen bezieht die Unsicherheit mit ein und identifiziert alle möglichen zukünftigen Nachfragewerte (mit von null verschiedenen Wahrscheinlichkeiten). Diese Erkenntnis ist das Ergebnis der probabilistischen Nachfrageprognose, die selbst die Grundlage von QSC bildet, und liefert ein weitaus detaillierteres Bild der zukünftigen Nachfrage als klassische Zeitreihenanalysen.

Alle möglichen Entscheidungen

Im Kern ist ein Unternehmen die Summe einer außergewöhnlichen Vielzahl von Entscheidungen und Restriktionen. Was die Entscheidungen betrifft, muss sich ein Unternehmen sowohl mit Makro- als auch mit Mikroentscheidungen auseinandersetzen; die Verlagerung einer Fabrik ins näher gelegene Ausland ist eine bedeutende Makroentscheidung, während die Entscheidung, die Einkaufsmenge um eine Einheit zu erhöhen oder zu verringern, eine routinemäßige Mikroentscheidung darstellt. Jede Entscheidung ist mit eigenen Opportunitätskosten verbunden – man kann nicht denselben Dollar zweimal ausgeben – und mit Konsequenzen, die das Unternehmen direkt und indirekt beeinflussen.

Allgemein begegnet ein supply chain-Praktiker einer größeren Anzahl von Mikroentscheidungen als von Makroentscheidungen. Diese Mikroentscheidungen sind oft die unscheinbarsten, stellen jedoch eine problematische Komplexitätsschicht dar, die zusätzlich erschwert wird, sobald ein Unternehmen seine Restriktionen (ganz zu schweigen von denen seiner Lieferanten und Kunden) berücksichtigt. Dies können Mindestbestellmengen (MOQs), wirtschaftliche Losgrößen (EOQs), Chargengrößen, verfügbare Regalfläche, Verfallsdaten usw. sein. Vor dem Hintergrund dieser Vielzahl von Parametern und dem Schatten künftiger Unsicherheiten ist das Konzept einer perfekten supply chain-Entscheidung bestenfalls utopisch.

Vielmehr zielt QSC darauf ab, alle möglichen Entscheidungen zu identifizieren. In diesem Zusammenhang ist eine Entscheidung „möglich“, wenn sie sofort umsetzbar ist, was bedeutet, dass sie voll und ganz den Restriktionen eines Unternehmens entspricht. Das Bewerten dieser möglichen Entscheidungen (auf der Suche nach der optimalsten) erfordert nicht nur ein ausgefeiltes Verständnis der Restriktionen eines Unternehmens, sondern auch ein sehr detailliertes Verständnis seiner wirtschaftlichen Treiber.

Wirtschaftliche Treiber

Übergeordnet priorisiert QSC die Reduktion von Fehlerkosten gegenüber der Steigerung der Prognosegenauigkeit. So kontraintuitiv es auch erscheinen mag, führt eine genauere Prognose nicht automatisch zu höheren Gewinnen oder einer besseren Unternehmensleistung. So könnte man beispielsweise einen Servicegrad von 99,99% garantieren, indem man einfach weitaus mehr Lagerbestand bestellt, als verkauft werden könnte. Im Hinblick auf die Kundenzufriedenheit gilt das Unternehmen als Erfolg. Allerdings würde diese Vorgehensweise zu enormen Abschreibungen führen, die sich nachteilig auf das Betriebsergebnis auswirken.

Daher besteht in gewissem Maße stets ein unvermeidbarer Kompromiss zwischen höherem Servicegrad und wirtschaftlichem Ertrag. QSC konzentriert sich nicht nur darauf, Fehlerkosten zu reduzieren, sondern betrachtet die Wirtschaftlichkeit auch sehr differenziert, indem sowohl erst- als auch zweitordnungseffekte berücksichtigt werden. Erstordnungstreiber können als die unmittelbar offensichtlichen und gewöhnlichen Faktoren betrachtet werden, die üblicherweise in Bilanzen und in herkömmlichen ERP-Systemen zu finden sind: Materialkosten, Bruttomargen, Lagerhaltungskosten usw. Zweitordnungstreiber sind differenzierter, weniger unmittelbar und in traditionellen Enterprise Software völlig abwesend. Diese Treiber repräsentieren die sekundären Auswirkungen der getroffenen Entscheidungen und sind eine abstraktere Besorgnis.

Betrachten Sie die nachgelagerten Effekte eines Fehlbestandes. In einem B2B-Kontext kann ein Unternehmen vertragliche Strafzahlungen für solche Fälle haben, was einen klaren finanziellen Anreiz darstellt, die Erreichung von Service Level Zielen sicherzustellen. Im B2C-Kontext sind diese Anreize jedoch weit weniger eindeutig. Es gibt keine explizite Service Level-Vereinbarung zwischen einem Unternehmen (zum Beispiel einem Supermarkt) und seinen Kunden, sodass es keinen traditionellen Mechanismus zur Messung der Auswirkungen eines Fehlbestandes gibt. Dies kann dazu führen, dass manche Praktiker die negativen Folgen eines unzureichenden Milchbestandes in den Regalen unterschätzen – oder gar völlig ignorieren.

QSC argumentiert jedoch, dass Fehlbestände bei einigen SKUs unverhältnismäßig hohe finanzielle Auswirkungen haben, die im Verhältnis zu ihren direkten Margenbeiträgen überproportional hoch sind. Mit anderen Worten, einige Artikel, wie Kühlschränke, werden typischerweise allein gekauft. Andere, wie Milch und Brot, werden zumeist zusammen gekauft, d. h. gemeinsam mit anderen Waren. Somit kann die Nichtverfügbarkeit bestimmter SKUs die gesamten Einkaufsentscheidungen eines Kunden beeinflussen.

Beispielsweise könnte eine Person vollkommen bereit sein, auf das Eintreffen ihres bevorzugten Kühlschrankmodells zu warten, während das Fehlen von Milch in einem Geschäft dieselbe Person dazu veranlassen könnte, das Geschäft zu verlassen und ihren Einkauf woanders fortzusetzen. Diese letztgenannten SKUs, auch wenn sie vielleicht nicht maßgebliche direkte Margentreiber sind, besitzen einen erheblichen Lagerwert aufgrund ihres indirekten Wertes: Sie begünstigen den Verkauf anderer Waren. Daher beschränkt sich in diesem Beispiel die Fehlbestandstrafe für Milch nicht nur auf die Milch selbst, sondern umfasst den Verlust aller anderen Artikel im Warenkorb.

Bei QSC wird dieser weniger offensichtliche Wert als Fehlbestandsabdeckung (ein Anreizantrieb) ausgedrückt und in priorisierte Bestandsverwaltungsprotokolle eingerechnet¹.

Kontrolle erfordert Automatisierung

Sobald ein Unternehmen alle möglichen zukünftigen Nachfragewerte identifiziert, die möglichen Entscheidungen berücksichtigt und sie in Bezug auf alle seine wirtschaftlichen Treiber bewertet hat, besteht der nächste Schritt in QSC darin, den Prozess der entscheidungsbasierten Optimierung der supply chain vollständig zu automatisieren (oder zumindest automatisiert empfohlene Entscheidungen zu generieren). Diese Automatisierung steht im direkten Gegensatz zur gängigen Praxis, nämlich Abteilungen von Sachbearbeitern mit Tabellenkalkulationen.

In Wirklichkeit ist eine supply chain ein dicht verteiltes System von Akteuren (z. B. Großhändler, Lieferanten, Kunden), Restriktionen (z. B. Lieferzeit, Budget, Service Levels) und externe Kräfte (z. B. Saisonalität, natürliche Katastrophen, Preise der Wettbewerber). Die Erwartung, dass ein menschlicher Geist (oder sogar ein Team von Geistern) all diesen Variablen auch nur für eine einzige SKU gerecht wird, ist schlichtweg unzumutbar – ganz zu schweigen von einem Katalog mit Tausenden von SKUs für mehrere Filialen.

Darüber hinaus ist jeder Innovationsversuch in einem solchen Rahmenwerk zum Scheitern verurteilt, da er zu Bürokratie und kostspieligen Umschulungen führen wird, die wiederum zu Verzögerungen und Ineffizienzen führen. Am anderen Ende dieses Spektrums versucht QSC, ein durchgängiges numerisches Rezept zu implementieren, das alle trivialen, alltäglichen supply chain-Entscheidungen für das operative Management generiert. Es sind genau diese Entscheidungen, die zu viel Aufmerksamkeit in Dollar verbrauchen und wertvolle Ressourcen von weitaus dringlicheren Angelegenheiten ablenken.

QSC behandelt supply chain somit eher als Vermögenswert denn als Kostenfaktor; es ist ein Prozess, der optimiert (und automatisiert) werden sollte, um seinen größten Wert zu entfalten².

Der Supply Chain Scientist

Eine beliebige supply chain-Software, so beeindruckend sie auch sein mag, kann sich nicht selbst steuern, geschweige denn die Verantwortung für die erzeugten Ergebnisse übernehmen. Die Effektivität eines numerischen Rezepts ist tatsächlich durch das Fachwissen des Data Scientist begrenzt, der es implementiert und überwacht. Bei Lokad wird diese Rolle vom Supply Chain Scientist (SCS) übernommen.

Ein Supply Chain Scientist ist unter anderem damit betraut, die Daten für die QSC-Initiative zu verarbeiten und die erfolgreiche Implementierung des numerischen Rezepts zu überwachen. Die Etablierung einer gültigen Datensemantik (was die Daten tatsächlich bedeuten) erfordert beträchtliches Geschick, da der Erfolg von QSC nicht nur auf der Datenverarbeitung basiert, sondern auch darauf, Sinn daraus zu ziehen. Trotz aller Fortschritte in der KI bleibt dies ein von Menschen geleiteter Prozess.

Beispielsweise mag die Analyse einfacher historischer Verkaufsdaten relativ unkompliziert erscheinen, aber dieser Datensatz kann irreführend sein, bedingt durch eine Vielzahl verschachtelter und übersehener Faktoren. Die Daten können unbewusst Promotionen enthalten, wodurch sie nicht die wahre Nachfrage nach regulären Waren widerspiegeln. Alternativ kann die Historie Rücksendungen beinhalten, was zu einem weiteren falschen Eindruck der Nachfrage führt. Der Begriff Menge pro Tag unterliegt ebenfalls zahlreichen Interpretationen; er könnte den Tag widerspiegeln, an dem ein Verkauf stattfand, oder die Zeit, zu der eine Vorbestellung angenommen wurde, oder den Zeitpunkt, an dem die Zahlung des Kunden eingegangen ist. Dies sagt jedoch nichts über die zusätzliche Komplexität aus, die ein ERP eines Unternehmens in den Prozess einbringen könnte.

All dies soll sagen, dass die Interpretation der Daten schwierig ist und einen hochqualifizierten Supply Chain Scientist erfordert, der den Prozess übernimmt sowie den täglichen Betrieb des numerischen Rezepts überwacht³.

Hinweise