Entscheidungsorientierte Optimierung

learn menu

die Quantitative Supply Chain konzentriert sich darauf, automatisierte hochleistungsfähige supply chain Entscheidungen zu generieren. Der Fokus liegt nicht darauf, numerische Artefakte, wie z. B. wöchentliche Prognosen, bereitzustellen. Diese Artefakte werden als willkürliche interne Berechnungen betrachtet, die lediglich dazu genutzt werden, die endgültigen Entscheidungen zu berechnen. Wir definieren eine Entscheidung als eine Antwort auf ein supply chain problem, die umgesetzt werden kann und eine greifbare, wenn auch nicht physische, Auswirkung auf den supply chain selbst hat. Aus der Perspektive der klassischen supply chain Planung mag es etwas überraschend erscheinen, dass man sich auf supply decisions konzentriert, da diese nicht entlang der üblichen Trennlinien von Planung und Betrieb definiert werden. Dennoch erleichtert der Fokus auf Entscheidungen die tatsächliche Optimierung des supply chain dramatisch. In diesem Abschnitt klären wir das Konzept einer supply chain Entscheidung, überprüfen die häufigsten Arten von Entscheidungen und charakterisieren wesentliche Aspekte der entscheidungsorientierten Perspektive.

Eingrenzung der zulässigen Entscheidungen

die Quantitative Supply Chain nimmt eine stark numerische und statistische Haltung gegenüber supply chain Herausforderungen ein. Diese Haltung ist jedoch nicht für alle Herausforderungen die geeignete Perspektive. Um zu beurteilen, ob die quantitative Perspektive für eine Herausforderung geeignet ist, müssen die folgenden Bedingungen erfüllt sein:

  • Wiederholbarkeit : Die Erarbeitung eines numerischen Rezepts zur Lösung der Herausforderung erfordert Aufwand, der mit Kosten verbunden ist. Um einen supply chain gewinnbringend zu optimieren, muss sichergestellt werden, dass der Optimierungsprozess selbst nicht mehr kostet als der erwartete Nutzen. Als Faustregel gelten routinemäßige Probleme, z. B. Nachfüllung, die täglich oder wöchentlich angegangen werden müssen, als wesentlich geeignetere Kandidaten für einen quantitativen Ansatz als außergewöhnliche Probleme, z. B. die Expansion in ein neues Land.
  • Eingeschränkte Entscheidungen: Um die Komplexität der Softwarelösung im Griff zu behalten, ist es vorteilhaft, sich auf supply chain Herausforderungen zu konzentrieren, die durch eine klar definierte Typologie von Entscheidungen, idealerweise hoch numerische Entscheidungen, gelöst werden können. Zum Beispiel ist die Entscheidung, ein Produkt komplett nicht mehr zu lagern, weil die Nachfrage zu gering ist, um diese zusätzliche Belastung des supply chain zu rechtfertigen, eine sehr eng gefasste Fragestellung, die ein stark automatisierter Prozess problemlos beantworten kann. Im Gegensatz dazu ist die Entscheidung, die Arbeitspraktiken eines Lagers –Managementteams zu ändern, ein sehr offenes Problem, das nicht gut für eine Automatisierung geeignet ist.
  • Historische Daten: Softwarelösungen können nicht in einem Vakuum arbeiten. Das Wissen zur Bewältigung der supply chain Herausforderung kann als manuell definierte Regeln in die Software eingebettet werden; jedoch ist es eine sehr schwierige Aufgabe, einen großen Bestand konsistenter und leistungsfähiger Entscheidungsregeln zu erstellen. Die meisten modernen Ansätze extrahieren umfangreiches relevantes Wissen aus den historischen Daten (Verkaufshistorie, Einkaufshistorie etc.) und beschränken die Regelwerke auf klar definierte supply chain Richtlinien, z. B. Mindestbestellmengen (MOQs), von denen wir sicher nicht möchten, dass die Software versucht, diese aus den historischen Daten zu extrapolieren.

Mit dem Fortschritt in der Softwaretechnik und insbesondere im Bereich Machine Learning erweitert sich das Spektrum der Entscheidungen, die computerbasierten Systemen zugänglich sind, jedes Jahr. Zum Beispiel waren die frühen Bestandsoptimierungssysteme auf Produkte mit mindestens mehreren Monaten Verkaufshistorie beschränkt, während die neueren Systeme alle Produkte unterstützen, einschließlich solcher, die noch nicht einmal verkauft wurden.

Außerdem ermöglicht die Softwaretechnik manchmal die Bewältigung von Problemen, die von einem supply chain Experten manuell als unlösbar betrachtet wurden. Zum Beispiel können moderne Bestandsoptimierungssysteme vorhersagen, welche Lagerbestände am wahrscheinlichsten ungenau sind, was eine priorisierte Nachzählung des Bestands erlaubt – eine Funktion, die den traditionelleren Ansatz des linearen Nachzählens aller SKUs übertrifft.

Beispiele für supply chain Entscheidungen

Supply chains sind unglaublich vielfältig, und was in einem bestimmten Sektor eine primäre Herausforderung darstellt, mag in einem anderen lediglich anekdotisch erscheinen. In diesem Abschnitt geben wir einen kurzen Überblick über typische Entscheidungen, die aus der Perspektive der Quantitative Supply Chain gut passen.

  • Bestellaufträge : die exakten Mengen zu entscheiden, die von jedem Lieferanten für jedes Produkt gekauft werden sollen. Diese Entscheidung wird täglich aktualisiert, auch wenn an den meisten Tagen kein tatsächlicher Bestellauftrag zu erwarten ist. Der Bestellauftrag sollte alle Bestellbeschränkungen (MOQs) sowie die Transportbeschränkungen (z. B. Container) berücksichtigen. Außerdem könnte der Bestellauftrag auch die Wahl eines Transportmodus (See vs. Luft) mit der Möglichkeit eines Transportmix beinhalten.
  • Produktionsaufträge : die exakten Mengen zu entscheiden, die produziert werden sollen. Der Produktionsauftrag sollte alle Produktionsbeschränkungen berücksichtigen, die minimale Produktionschargen erfordern können. Zudem kann die maximale Produktionskapazität geringer sein als der Marktbedarf in der Hochsaison, sodass vorab Vorräte aufgebaut werden müssen, um die Hochsaison zu bewältigen.
  • Bestandsausgleich : zu entscheiden, ob Einheiten, die derzeit an einem Standort auf Lager sind, an einen anderen Standort verlagert werden sollen, typischerweise weil die Lagerbilanz nicht mehr mit der projizierten zukünftigen Nachfrage differenziert nach Standort übereinstimmt. Auch hier wird die Entscheidung täglich aktualisiert, selbst wenn es an den meisten Tagen für die meisten Produkte wirtschaftlich nicht rentabel ist, sie zwischen den Standorten zu verschieben.
  • Bestandsliquidation : zu entscheiden, ob Einheiten, die derzeit auf Lager sind, entweder vernichtet oder über einen sekundären – typischerweise stark rabattierten – Kanal verkauft werden sollen. Tatsächlich kann toter Bestand unnötig Lager füllen und dadurch Kosten verursachen, die den wirtschaftlichen Wert des Bestands übersteigen. Je nach Sektor kann der Bestand entweder über Promotionen liquidiert oder über spezialisierte Kanäle bzw. durch reine Vernichtung abgewickelt werden.
  • Lagerhaltung vs. Drop Shipping : zu entscheiden, ob ein Produkt in ausreichender Nachfrage steht, um den direkten Kauf, die Lagerung und Auslieferung zu rechtfertigen oder ob es besser wäre, das Produkt im Bedarfsfall von einem Drittanbieter drop-shipped zu haben. Produkte mit Drop Shipping generieren typischerweise geringere Margen, verursachen jedoch auch geringere Lagerhaltungskosten. Die Entscheidung besteht darin, die genaue Liste der Produkte zu definieren, die auf Lager gehalten werden sollen, während die Gesamtheit der Bestandsvielfalt überschaubar bleibt.
  • Gezielte Bestandsaufnahme: zu entscheiden, ob eine SKU nachgezählt werden sollte, aufgrund der möglichen Ungenauigkeit des elektronischen Bestands, der möglicherweise nicht mit der tatsächlich verfügbaren Anzahl an Einheiten im Regal übereinstimmt. Diese Entscheidung ist ein Kompromiss zwischen den Arbeitskosten, die mit der Nachzählung verbunden sind, und den negativen Auswirkungen von Phantominventar auf die supply chain performance. In der Praxis sind Bestandsungenauigkeiten in öffentlich zugänglichen Einzelhandelsgeschäften wesentlich größer als in mit Personal eingeschränkten Lagern oder Produktionsstätten.

Es sei darauf hingewiesen, dass bestimmte Sektoren ihre eigenen Entscheidungssätze haben. Die folgenden Beispiele könnten als stärker kontextabhängig betrachtet werden als die oben aufgeführten.

  • Sortiment im Einzelhandel: zu entscheiden, welche genaue Liste von Produkten in jedem Einzelhandelsgeschäft präsent sein soll. Manchmal übersteigt der vollständige Produktkatalog die Kapazität eines bestimmten Geschäfts erheblich; daher kann jedes Geschäft nur einen Teil des Katalogs ausstellen. Die Optimierung des Sortiments maximiert die Leistung des Einzelhandelsgeschäfts angesichts der Ladenkapazität. Zudem wird die Herausforderung bei Sektoren wie Luxusgütern noch komplexer, da das Geschäft typischerweise nicht mehr als eine Einheit pro Produkt des ausgewählten Sortiments auf Lager hat.
  • Opportunistischer Austausch: zu entscheiden, wann der Austausch eines Produkts akzeptabel ist und wann es profitabel ist, diesen durchzuführen. Zum Beispiel könnte ein Fresh-Food-E-Commerce Lieferungen akzeptieren, die wenige Tage vor dem geplanten Termin erfolgen, was das Problem mit sich bringt, dass es zu einem späten Fehlbestand für ein bereits bestelltes Frischprodukt kommt und somit die ursprüngliche Kundenbestellung verändert wird. In dieser Situation könnte es für den Einzelhändler profitabler und für den Kunden ein besserer Service sein, ein gut ausgewähltes alternatives Produkt anzubieten.
  • Opportunistischer Desinvestition: zu entscheiden, ob Bestände – typischerweise reparierbare Teile, die ursprünglich für den internen Verbrauch gedacht waren – weiterverkauft werden sollen. Der Bestand an reparierbaren Teilen wechselt typischerweise zwischen den Zuständen einsatzfähig und nicht einsatzfähig, da Teile gewartet, zurückgeholt, repariert und schließlich erneut gewartet werden. Unter bestimmten Umständen, wie beispielsweise einem Nachfragerückgang, kann der Bestand an einsatzfähigen Teilen den Bedarf des Unternehmens bei Weitem übersteigen. In diesem Fall besteht ein Kompromiss zwischen dem Weiterverkauf des Teils im Aftermarket – typischerweise zu einem rabattierten Preis, um einen Teil des ursprünglichen Bestandswerts wiederzugewinnen – und dem erhöhten Risiko, eine zukünftige Teileanforderung nicht rechtzeitig bedienen zu können.
  • Beibehalten von nicht einsatzfähigem Bestand: zu entscheiden, ob ein nicht einsatzfähiger, jedoch ansonsten reparierbarer Teil sofort repariert oder die Reparatur aufgeschoben und der Teil als nicht einsatzfähig gelagert werden soll. Während die Reparatur von Teilen oft kostengünstiger ist als der Kauf neuer Teile, mag der aktuelle Bestand an einsatzfähigen Teilen ausreichen, um den Bedarf über einen langen Zeitraum zu decken. Daher ist das Aufschieben der Reparatur ein Kompromiss zwischen der Verlagerung der Reparaturkosten in die Zukunft – mit der Möglichkeit, dass diese Kosten eventuell gar nicht anfallen, wenn sich die Marktnachfrage in der Zwischenzeit auf alternative Teile verlagert – und dem erhöhten Risiko, eine zukünftige Teileanforderung nicht rechtzeitig bedienen zu können.
  • Opportunistische Beschaffung: zu entscheiden, wann es sich lohnt, eine Beschaffungsoperation durchzuführen, um einen Preisbenchmark für ein bestimmtes Teil zu etablieren. In einigen Branchen ist der Preis von Teilen relativ undurchsichtig. Die Ermittlung des aktuellen Preises eines Teils, möglicherweise eines sehr teuren Geräts, kann mehrere Tage an Aufwand erfordern. Wenn im Betrieb tausende Teile benötigt werden, besteht ein Kompromiss zwischen dem Kauf teurerer Teile und den damit verbundenen Personalkosten der Beschaffungsoperationen.
  • Bewahrung von Bundles: zu entscheiden, wann es sinnvoll ist, die letzte Einheit eines bestimmten Produkts als Einzelverkauf zu verkaufen oder diese Einheit für einen späteren Verkauf als Teil eines Bundles zu behalten. Tatsächlich gibt es Situationen, in denen die Verfügbarkeit von Bundles, also Kombinationen von Teilen oder Produkten, von großer Bedeutung ist, während die Verfügbarkeit einzelner Teile weniger wichtig ist. Dennoch kann der Verkauf des letzten Teils als Einzelteil einen Engpass für das größere, wichtigere Bundle verursachen. Damit besteht ein Kompromiss zwischen dem Vorteil, jetzt ein einzelnes Teil ordnungsgemäß auszuliefern, und dem Nachteil, später mit einem gravierenderen Engpass für ein Bundle konfrontiert zu werden.

Bis sie formell definiert sind, werden supply chain Entscheidungen in der Regel eher implizit getroffen, möglicherweise von Personen, aber auch von Softwaresystemen. Zum Beispiel trifft eine Min/Max Bestandskonfiguration implizit mehrere Entscheidungen und nicht nur bezüglich der nachzubestellenden Menge: Solange der Max-Wert ungleich null ist, bleibt das Produkt im Sortiment. Ebenso erfolgt keine Bestandsaufnahme, bevor eine Nachfüllung ausgelöst wird, was eine weitere implizite Entscheidung darstellt, usw. Leider verhindert genau dieses Fehlen einer formellen Definition der Entscheidungen typischerweise eine systematische Verbesserung der supply chain Performance, die durch diese Entscheidungen erzielt wird.

Numerische Artefakte vs. Entscheidungen

Wenn man sich komplexen supply chain Problemen gegenübersieht, besteht die Gefahr, dass Praktiker das Ziel und die Mittel verwechseln. Zum Beispiel ist die Erstellung einer wöchentlichen Nachfrageprognose für eine SKU, wenn es um eine Nachfüllung geht, nur eine Zutat, die von einigen, aber nicht allen, numerischen Rezepten benötigt wird, um die nachzubestellende Menge zu berechnen. Die wöchentliche Prognose ist lediglich eine Zwischenberechnung, während die bestellte Menge die endgültige Entscheidung darstellt. Aus der Perspektive der Quantitative Supply Chain bezeichnen wir diese Zwischenberechnungen als numerische Artefakte. Die Quantitative Supply Chain verweigert nicht die Bedeutung numerischer Artefakte; sie betont jedoch, dass diese Artefakte nur das sind: wegwerfbare, vorübergehende numerische Ausdrücke, die zum Endergebnis beitragen: supply chain Entscheidungen.

Was die numerische Optimierung betrifft, so ist es ein Trugschluss zu denken, dass die Optimierung der numerischen Artefakte anhand willkürlicher mathematischer Kennzahlen, z. B. Nachfrageprognosen optimiert nach WMAPE (gewichteter mittlerer absoluter prozentualer Fehler), mechanisch finanzielle Renditen erzielt. Auch wenn dies kontraintuitiv erscheinen mag, ist dies im supply chain in der Regel nicht der Fall. Supply chain Probleme sind typischerweise hoch asymmetrisch. Zum Beispiel kann in der Luft- und Raumfahrt ein fehlendes Teil im Wert von 200 USD ein 200-Millionen-USD-Flugzeug am Boden halten. Die Anzahl der Teile, die auf Lager gehalten werden, wird nicht notwendigerweise primär durch die erwartete Nachfrage bestimmt: Die Kosten des Teils im Vergleich zu den Kosten, es nicht zu haben, können den Bestellprozess völlig dominieren.

Im Gegensatz dazu betont die Quantitative Supply Chain, dass letztlich nur Entscheidungen wirklich zählen, weil sie die einzigen greifbaren Elemente sind, die echte und messbare finanzielle Auswirkungen auf das Unternehmen haben. Daher ist es zwar von primärer Bedeutung, die Leistung der Entscheidungen zu hinterfragen, aber das supply chain Management sollte auch eine gesunde Portion Skepsis gegenüber KPIs haben, die auf unverbindlichen, nicht fixierten, vorübergehenden numerischen Ergebnissen wie wöchentlichen oder monatlichen Nachfrageprognosen beruhen.

Eingeschränkte Entscheidungen zwischen Realität und Fiktion

Supply chain Entscheidungen sind typischerweise an Beschränkungen gebunden: Antworten sind nur gültig, wenn sie eine Reihe numerischer Beschränkungen erfüllen. Zum Beispiel können Bestellungen MOQs (Mindestbestellmengen) unterliegen, die eine nichtlineare Beschränkung darstellen. Außerdem hat das Lager eine begrenzte Kapazität - eine weitere nichtlineare Beschränkung.

Häufig entstehen die Beschränkungen aus grundlegenden wirtschaftlichen Treibern, die mit Supply chain Operationen verbunden sind: unter Berücksichtigung des aktuellen Produktpreisniveaus; der Vertrieb eines Produkts kann nur wirtschaftlich tragfähig sein, wenn die Produkte palettiert verkauft werden und folglich das Produkt nur in Losgrößen von beispielsweise 50 Einheiten verkauft werden kann, die eine beladene Palette darstellen.

Es kommt jedoch auch vor, dass die Beschränkungen aus willkürlichen organisatorischen Regeln resultieren. Zum Beispiel könnte ein Unternehmen entschieden haben, dass das jährliche Einkaufsbudget für eine Abteilung auf 1 Million USD begrenzt wird. Diese Budgetierungsbeschränkung wird festgelegt, lange bevor die Verkäufe der Abteilung tatsächlich bekannt sind. In einer solchen Situation wird erwartet, dass die Einkaufsentscheidungen eine nichtlineare Beschränkung einhalten, die das Ergebnis eines relativ willkürlichen Budgetierungsprozesses ist.

die Quantitative Supply Chain versucht, die realen supply chain Beschränkungen so weit wie möglich abzubilden, während sie neueren, möglicherweise überarbeiteten Organisationen die Möglichkeit bietet, ohne die Fesseln zu operieren, die durch willkürliche Aspekte früherer Prozesse auferlegt wurden. In der Tat sind in supply chain die meisten willkürlichen Beschränkungen das Ergebnis eines Mangels an Automatisierung: wenn das “optimale” Budget pro Abteilung nicht zuverlässig täglich unter Berücksichtigung aller bereichsübergreifenden unternehmensweiten Anliegen neu geschätzt werden kann, ist es naheliegend, stattdessen auf ein jährliches oder vierteljährliches Budget zurückzugreifen.

Entscheidungen erfordern Priorisierung und Koordination

Fast alle supply chain Entscheidungen sind voneinander abhängig: Jede zusätzliche Einheit, die von einem Lieferanten gekauft wird, belegt zusätzlichen Platz im Lager, bis das Lager voll ist, und dann kommen die Operationen zum Erliegen. Diese Abhängigkeiten sind in der Regel indirekt und aus numerischer Sicht schwer zu bewältigen, mindern aber ihre Bedeutung aus supply chain - und sogar strategischer - Perspektive nicht. Wenn das gesamte Service Level bei 99% liegt, was sehr gut ist, aber der größte Kunde unter einem Service Level von 85% leidet, weil alle Lagerengpässe zufällig in einer Gruppe von Produkten auftreten, die von genau diesem Kunden gekauft werden, steht das Unternehmen vor einem ernsthaften Risiko, seinen größten Kunden zu verlieren.

Die Priorisierung von Entscheidungen ist typischerweise die einfachste Methode, um das Beste aus den gemeinsam genutzten, aber begrenzten Ressourcen innerhalb der supply chain herauszuholen. Zum Beispiel, da sowohl die Lagerkapazität als auch das Betriebskapital begrenzt sind, besteht das Ziel nicht bloß darin, eine zusätzliche Einheit von Bestand zu kaufen, die zufällig profitabel ist, sondern darin, die nächste Einheit von Bestand zu identifizieren, die sich als die profitabelste Einheit im gesamten Produktkatalog erweist. Wenn die Beständeinkaufentscheidungen isoliert behandelt würden, bestünde das Risiko, den Lagerplatz oder das Einkaufsbudget mit Produkten niedriger Rentabilität zu erschöpfen.

In der Praxis erfordert diese Priorisierung eine beträchtliche Veränderung der analytischen Software, die die supply chain unterstützt. Anstatt jede Entscheidung isoliert zu behandeln, wie es bei primitiven supply chain Methoden, z. B. Min/Max-Inventar, der Fall ist, müssen alle Entscheidungen zusammengeführt und nach ihrer jeweiligen geschätzten Rentabilität bewertet werden. Ein solcher Prozess ist mit modernen Softwarelösungen machbar, er erfordert jedoch erheblich mehr Rechenressourcen im Vergleich zu frühen supply chain Methoden.

Die Koordination von Entscheidungen ist erforderlich, um alle bereichsübergreifenden Beschränkungen zu bewältigen, die für supply chain Operationen gelten. Zum Beispiel, wenn Waren bei einem ausländischen Lieferanten bestellt werden, könnte ein starker wirtschaftlicher Anreiz bestehen, einen vollen Container zu bestellen. Daher besteht die Herausforderung nicht so sehr darin, Mengen pro Produkt zu wählen, sondern Mengen auszuwählen, die in der Summe genau mit der Containerkapazität übereinstimmen. Bereichsübergreifende Beschränkungen sind in der supply chain allgegenwärtig: die Abstimmung des Sortiments einer neuen Modekollektion, die Gewährleistung eines hohen Service Level für Kunden, die in einem Baumarkt nach einer Liste von Produkten suchen, das Vermeiden der Erschöpfung eines zentralen Lagers durch überdimensionierte Bestellungen eines einzelnen Geschäfts zum Nachteil der anderen Geschäfte usw.

Die traditionelle und höchst ineffiziente Methode, solche Koordinationsprobleme anzugehen, besteht darin, eine zweistufige Berechnung durchzuführen, die zunächst das Koordinationsproblem ignoriert und anschließend die anfängliche numerische Ausgabe überarbeitet, um dem Problem gerecht zu werden. Am oben eingeführten Containerbeispiel orientiert, können wir erstens die wünschenswerten Bestellmengen berechnen, wobei der Containeraspekt völlig außer Acht gelassen wird; zweitens können wir diese Mengen so anpassen, dass die Gesamtsumme tatsächlich in einen Container passt. Die Hauptschwäche einer solchen zweistufigen Berechnung besteht darin, dass die zweite Stufe sämtliche wirtschaftlichen Treiber, die in die Berechnung der ersten Stufe eingeflossen sind, vollständig ignoriert. Mit anderen Worten, die Überarbeitung der Ergebnisse in der zweiten Stufe kann alle Bemühungen, die in die Ermittlung profitabler Entscheidungen in der ersten Stufe geflossen sind, “rückgängig machen”. Moderne Software geht solche Situationen an, indem sie numerische Solver einführt, die in der Lage sind, solche bereichsübergreifenden Beschränkungen direkt zu adressieren. Nochmals, diese Solver erfordern dramatisch mehr Rechenressourcen als ihre naiven zweistufigen Gegenstücke, aber angesichts der heutzutage typischerweise verfügbaren Rechenressourcen ist dies unproblematisch.