FAQ: Glossar
Lokads Ansatz zur Optimierung von supply chain Entscheidungen stützt sich auf verschiedene Perspektiven und Werkzeuge aus unterschiedlichen Fachgebieten – nicht nur auf die supply chain selbst. Dazu zählen unter anderem Machine Learning (ML), künstliche Intelligenz (KI), probabilistische Vorhersagen, Philosophie und Wirtschaftswissenschaften. Daher wird unsere Terminologie von einer Vielzahl an Disziplinen beeinflusst. Diese Seite soll erklären, wie (und warum) Lokad diese Begriffe im Kontext der supply chain Optimierung verwendet – sowie die spezifische Nuance, die wir vermitteln möchten.
Zielgruppe: Die supply chain und/oder Planungsabteilungen.
Zuletzt geändert: Mai 2024

Was bedeutet “Supply Chain”?
Für Lokad ist supply chain sowohl eine Praxis als auch ein Studienfeld, das wie folgt definiert werden kann:
supply chain ist die Beherrschung von Optionalität angesichts von Variabilität bei der Verwaltung des Flusses physischer Güter.
Optionalität bezieht sich auf die Fähigkeit, die richtige “Option” unter vielen konkurrierenden Alternativen auszuwählen. Diese ausgewählte “Option” wird zur “Entscheidung”. Alle Entscheidungen, die den Fluss physischer Güter bestimmen – wie Nachbestellungen, Produktionsaufträge und Preisänderungen – werden berücksichtigt. Darüber hinaus bedeutet Optionalität, die Optionen überhaupt erst zu ermöglichen. So zielt etwa der Ressourceneinsatz zur Identifizierung alternativer Lieferanten darauf ab, dem Unternehmen weitere Möglichkeiten zu eröffnen.
Variabilität bezeichnet die unvermeidbare Unsicherheit, die mit dem zukünftigen Zustand des Marktes verbunden ist, d.h., dass sich die Bedingungen von Moment zu Moment erheblich ändern können. Dies liegt daran, dass supply chains per Definition Kräften ausgesetzt sind, die vom Unternehmen nicht vollständig kontrolliert werden können. Zu diesen Kräften zählen die Kundennachfrage, Rohstoffpreise, Lieferzeiten von Zulieferern usw. Folglich müssen – gleichgültig, welche Methoden oder Instrumente für die supply chain verwendet werden – das Problem unvollständiger Kenntnisse und inhärenter Risiken direkt angegangen werden.
Schließlich ist der Fluss physischer Güter entscheidend und unterscheidet die Beherrschung der supply chain von beispielsweise dem Finanzhandel. Supply chains sind naturgemäß durch ihre physische Beschaffenheit begrenzt – die Stakeholder (z.B. Kunden, Lieferanten, Großhändler, Transportunternehmen, Produzenten usw.) sind geografisch verteilt. Welche Methoden oder Instrumente auch immer eingesetzt werden, um diese Stakeholder zu vernetzen, müssen die zahlreichen typischen Einschränkungen – etwa Mindestbestellmenge (MOQ), Mindestbestellwert (MOV), Komplettladungen, begrenzter Lagerplatz und die generelle Kapazität eines Unternehmens zur Abwicklung ein- und ausgehender Bestellungen – direkt (und angemessen) berücksichtigen.
Was ist die „Mainstream supply chain Perspektive“?
Mainstream supply chain Perspektive (MSCP) oder klassische supply chain Perspektive bezeichnet mehrere fehlerhafte Annahmen und Praktiken, die man typischerweise antrifft, darunter:
-
MSCP geht davon aus, dass die Zukunft perfekt vorhersehbar ist. Methoden wie die klassische Zeitreihenprognose versuchen, die Zukunft als einen einzelnen Wert darzustellen (z.B. Nachfrage, Rückläufer, Ausschussraten, Lieferzeiten etc.). Dies ist fehlerhaft, da die Zukunft naturgemäß unvorhersehbar ist (d.h. zukünftige Unsicherheiten können mit Prognosen nicht vollständig eliminiert werden). Somit ist es aus Sicht des Risikomanagements suboptimal, nur einen zukünftigen Wert zu identifizieren (da Wahrscheinlichkeitsdimensionen fehlen).
-
MSCP geht davon aus, dass supply chain selbst keinem gegnerischen Verhalten unterliegt. Zu keinem Zeitpunkt berücksichtigt die MSCP, dass Stakeholder (z.B. Mitarbeiter, Kunden, Lieferanten, Partner, Wettbewerber usw.) eigene Agenden haben können, die sich nachteilig auf ihre supply chain auswirken.
-
MSCP geht von Beobachtbarkeit aus. In Wirklichkeit operiert jedes große Unternehmen über eine unglaubliche, undurchsichtige Applikationslandschaft (Softwareanwendungen), wodurch die direkte Beobachtung der supply chain äußerst schwierig wird.
-
MSCP fehlt die Falsifizierbarkeit. Es ist immun gegen die Realität. Unabhängig davon, wie unzureichend die in Mainstream-Lehrbüchern oder Anbieterpräsentationen beschriebenen Techniken in der Praxis sind, kann keines dieser Verfahren durch Rückmeldungen aus der realen Welt widerlegt werden.
Seit den 1980er Jahren haben die meisten großen Unternehmen mehrere Lösungen zur supply chain Optimierung implementiert, doch viele (wenn nicht die meisten) dieser Unternehmen arbeiten immer noch mit Tabellenkalkulationen. Dies ist ein weiterer wesentlicher Aspekt der MSCP: Softwareanbieter sind Meister im Ablenken von Schuldzuweisungen und geben unweigerlich den supply chain Praktikern die Schuld, dass sie „dem Prozess nicht folgen“ oder „nicht adäquate Parameter verwenden“ können.
Die Realität ist jedoch einfacher: Die MSCP-Theorie selbst funktioniert nicht, und supply chain Praktiker greifen auf ihre Tabellenkalkulationen zurück, da ihre groben Heuristiken (wenn auch weit von perfekt entfernt) die in MSCP-Lehrbüchern dargestellten „ausgereiften Methoden“ übertreffen.
Genau aus diesem Grund hat Lokad 2011 eine Neudefinition der supply chain als Studienfeld und Praxis in Angriff genommen. Wir bezeichnen diese Reform als die Quantitative Supply Chain.
Die MSCP wird perfekt durch eine Reihe klassischer Lehrbücher veranschaulicht:
- Production and Operations Analysis, Seventh Edition, von Steven Nahmias und Tava Lennon Olsen, 2015
- Inventory and Production Management in Supply Chains, Fourth Edition, von Edward A. Silver, David F. Pyke und Douglas J. Thomas, 2016
- Fundamentals of Supply Chain Theory, Second Edition, von Lawrence V. Snyder und Zuo-Jun Max Shen, 2019
Was ist Nachfrageplanung?
Aus der Mainstream supply chain Perspektive ist Nachfrageplanung die Gesamtheit der Prozesse, die ein Unternehmen nutzt, um die zukünftige Nachfrage zu quantifizieren. Die implizite Erkenntnis hinter der Nachfrageplanung ist, dass, sobald die zukünftige Nachfrage genau eingeschätzt wurde, die adäquate Verwaltung der supply chain hauptsächlich in der korrekten und rechtzeitigen Zuweisung von Ressourcen besteht, sodass das Unternehmen dem Markt „gerade so viel“ liefert.
Nachfrageplanungsprozesse umfassen rückblickende Methoden, wie die statistische Analyse historischer Verkaufszahlen und die Prognose daraus abgeleiteter Zeitreihen. Zudem beinhalten sie zukunftsorientierte Techniken, etwa die Zusammenarbeit mit Vertrieb und Marketing, um anhand unternehmensinterner Zielvorgaben die Zahlen zu verfeinern.
Jedoch ist aus Lokads die Quantitative Supply Chain (QSC) Perspektive die Nachfrageplanung ein veraltetes Konzept, das in der modernen supply chain keinen Platz hat. Stattdessen besagt QSC, dass die Ausführung der supply chain robotisiert erfolgen sollte, getrieben von numerischen Rezepten, die typischerweise eine Phase der prädiktiven Modellierung sowie eine anschließende Phase der stochastischen Optimierung beinhalten.
Die Phase der prädiktiven Modellierung umfasst alle Aspekte der „Prognose“ – nicht nur der zukünftigen Nachfrage, sondern auch sämtlicher anderer Unsicherheitsquellen (z.B. zukünftige Lieferzeiten, zukünftige Rohstoffpreise, zukünftige Kundenrückläufer etc.). Die stochastische Optimierungsphase beinhaltet alle Bestandteile der „Entscheidungsfindung“ (z.B. die Festlegung der nachzubestellenden Mengen, die Zuteilung des vorhandenen Bestands über das Vertriebsnetz, Neu-Preisfestsetzungen) – ein Bereich, der traditionell von der Nachfrageplanung getrennt wird.
Die Nachfrageplanung ist aus mehreren Gründen veraltet.
Erstens geht man davon aus, dass Menschen in die Durchführung der „quantitativen Bewertung der Zukunft“ eingebunden werden sollten. Dies ist eine völlige Verschwendung von Zeit und Energie. Menschen sollten zwar an der Erstellung der numerischen Rezepte, die die prädiktiven Modelle unterstützen, beteiligt sein (wie es die Rolle von Lokads Supply Chain Scientists vorsieht). Die prädiktiven Modelle selbst sollten jedoch vollkommen unbeaufsichtigt arbeiten, da es keinen Mehrwert bietet, wenn Menschen manuell in einen Prozess eingreifen, der typischerweise täglich Tausende – wenn nicht Millionen – von Zahlen generiert.
Zweitens: Da die „manuelle Nachfrageplanung“ bereits langsam und kostspielig ist, bleiben den Unternehmen meist keine Ressourcen mehr, um alle anderen Unsicherheitsquellen (z.B. Lieferzeiten, Rückläufer, Qualität etc.) zu adressieren. Obwohl die Einschätzung der zukünftigen Nachfrage entscheidend ist, ist sie nicht die einzige Unsicherheitsquelle. Zukünftige Lieferzeiten, zukünftige Rohstoffpreise, zukünftige Preise von Wettbewerbern, zukünftige Kundenrückläufer etc. sind weitere wichtige Unsicherheitsquellen, die ebenfalls quantitativ bewertet werden müssen.
Zusammenfassend ist die Nachfrageplanung eine veraltete Sichtweise darauf, wie supply chains orchestriert werden sollten. Diese Perspektive entstand vor dem Zeitalter der Computer und hat noch einige Jahrzehnte länger überlebt, als sie sollte. An dieser Stelle muss sie durch geeignetere Ansätze ersetzt werden, wie etwa Lokads QSC-Perspektive.
Was bedeutet „Quality of Service”?
Im Kontext der supply chain Optimierung bezeichnet „Quality of Service“ (QoS) die Fähigkeit eines Unternehmens, seine Kunden zu bedienen und dabei deren implizite Erwartungen zu erfüllen. QoS ist weder eine Kennzahl noch etwas Greifbares – es spiegelt die Absicht des Unternehmens wider, seine Kunden angemessen zu bedienen. QoS ist somit richtungsweisend, aber vage.
Der Versuch, die impliziten Erwartungen der Kunden aufzudecken, ist ein umfangreiches und facettenreiches Problem. Kundenbefragungen sind mit zahlreichen Schwierigkeiten verbunden. So können Kunden höflich behaupten, sie seien mit dem Service voll zufrieden und trotzdem zur Konkurrenz gehen. Umgekehrt können Kunden lautstark reklamieren und dabei dennoch hingebungsvoll loyal bleiben.
Außerdem ist QoS niemals ein eindimensionales Problem. Kannibalisierung und Substitution sowie Preisunterschiede verschleiern in der Regel, was “Verfügbarkeit” für den Kunden wirklich bedeutet. Häufig müssen auch bereichsspezifische Aspekte berücksichtigt werden. So mögen Kunden, obwohl im Regal noch reichlich Joghurts vorhanden sind, diese als inakzeptabel empfinden, wenn sie alle in drei Tagen ablaufen.
In der Praxis können Kennzahlen, die QoS angemessen annähern, nur durch eine sorgfältige und fundierte Analyse des Geschäfts ermittelt werden. Dies erfordert tiefes Nachdenken und Empathie gegenüber den Kunden. Bestimmte Methodologien helfen dabei, hochwertige und naheliegende Kennzahlen zu identifizieren, wie beispielsweise experimentelle Optimierung – ein von Lokad eingeführter Ansatz.
Einer der größten Fehler der Mainstream supply chain Perspektive besteht darin, Servicelevels – also die Wahrscheinlichkeit, dass ein Artikel nicht ausverkauft ist – als angemessenen Stellvertreter für QoS darzustellen. Dies ist nahezu immer falsch. Servicelevels ignorieren vollständig die allgegenwärtige Kannibalisierung und Substitution in den meisten Branchen. Ebenso vernachlässigen sie lumpy demand, bei der der Kunde viele Artikel gleichzeitig verfügbar benötigt, um zufrieden zu sein (z.B. ein Professor, der Bücher für eine ganze Klasse kauft, oder mehrere identische Lichtschalter, die für ein Renovierungsprojekt benötigt werden). Außerdem verkennen Servicelevels die Bereitschaft des Kunden, mehr zu bezahlen, um schneller bedient zu werden, oder umgekehrt, weniger zu zahlen, wenn sich der Service verzögert.
Zusammenfassend ist QoS eine erstrebenswerte Perspektive. Sie spiegelt wider, was das Unternehmen optimieren möchte, auch wenn die Optimierungskriterien schwer fassbar bleiben, da das Unternehmen vor einem wicked problem steht. QoS ist das richtungsweisende Prinzip, das die Suche nach Kennzahlen leiten wird, die glaubwürdige Stellvertreter dieser Bestrebung sind. Servicelevels und andere naive Kennzahlen dürfen nicht mit einem angemessenen Stellvertreter für QoS verwechselt werden.
Was ist ein „AI Pilot“?
Dies bezeichnet die generelle Automatisierung der Orchestrierung einer supply chain mithilfe von KI. Der AI Pilot umfasst sowohl die Entscheidungsprozesse (z.B. wie viel soll ich produzieren?) als auch die alltäglichen unterstützenden Prozesse (z.B. die Beschaffung aktueller MOQ-Werte für einen bestimmten Lieferanten). Lokad prägte diesen Begriff Anfang 2024. Der AI Pilot als Softwarelösung wird von Lokads Supply Chain Scientists entwickelt. Wir erstellen pro Kundenunternehmen einen Pilot, wobei es viele Gemeinsamkeiten zwischen unseren Implementierungen gibt. Der AI Pilot läuft auf Lokads Plattform, die über Big Data und Machine Learning-Fähigkeiten verfügt. Der AI Pilot ist ein von Lokad erbrachter Service, der in der Regel monatlich abgerechnet wird.
Für weitere Informationen darüber, wie AI Pilots funktionieren, konsultieren Sie unseren Langform-Podcast zu diesem Thema.
Was bedeutet „die Quantitative Supply Chain“?
Die „die Quantitative Supply Chain“ (QSC) ist ein Satz von Methodologien und Technologien, den Lokad in den 2010er Jahren eingeführt hat. Sie umfasst Techniken wie probabilistische Vorhersage, stochastische Optimierung und differenzierbares Programmieren, die in der Mainstream supply chain Perspektive fehlen. Zudem beinhaltet sie Methodologien wie experimentelle Optimierung, supply chain personae und adversariale Marktforschung, die ebenfalls in der Mainstream supply chain Perspektive nicht vertreten sind.
Der Begriff „die Quantitative Supply Chain“ wurde 2017 im Buch des Lokad-Gründers Joannes Vermorel The Quantitative Supply Chain geprägt. Das QSC-Manifest lässt sich wie folgt zusammenfassen:
- Alle möglichen Zukünfte müssen berücksichtigt werden; für jede Möglichkeit eine Wahrscheinlichkeit.
- Alle machbaren Entscheidungen müssen in Betracht gezogen werden; Möglichkeiten vs. Wahrscheinlichkeiten.
- Wirtschaftliche Treiber müssen zur Priorisierung machbarer Entscheidungen herangezogen werden.
- Kontrolle erfordert die Automatisierung jeder alltäglichen Aufgabe.
- Ein supply chain scientist muss die Verantwortung für die numerischen Ergebnisse übernehmen.
Die Quantitative Supply Chain kann als das Studienfeld betrachtet werden, das alle Materialien zusammenführt, die für die praktische Umsetzung eines AI Pilot für eine gegebene supply chain benötigt werden.
Was ist „Supply Chain as a Service“?
Aus der Ferne kann Lokad als ein Unternehmen für Unternehmenssoftware beschrieben werden. Bei näherem Hinsehen unterscheidet sich Lokad jedoch erheblich von dem, was man von einem Softwareanbieter erwarten würde. Lokad liefert nicht nur robotisierte supply chain Entscheidungen, sondern übernimmt auch die Verantwortung für die Performance der supply chain, die sich aus diesen Entscheidungen ergibt. Unsere Supply Chain Scientists überwachen und verfeinern kontinuierlich die Automatisierung, die wir für jeden unserer Kunden eingeführt haben. Somit ermöglicht ein Abonnement bei Lokad unseren Kunden eine rentablere Umsetzung ihrer supply chain.
Dieser Ansatz unterscheidet sich stark von beispielsweise einem SaaS-(Software-as-a-Service)-Angebot, bei dem das Kundenunternehmen letztlich für alles, was zählt, verantwortlich bleibt. Bei SaaS wird die IT-Abteilung lediglich von der Verwaltung einer weiteren Anwendung entlastet, aber darüber hinaus passiert nichts. Wenn etwas schiefgeht – etwa bei schwankender Nachfrage, chaotischen Lieferungen, unvollständigen Daten etc. – liegt es vollständig an den supply chain Teams, das Problem zu lösen. Beim SCaaS hingegen ist es Lokads Aufgabe, dies in die Hand zu nehmen. Natürlich ist dies in der Praxis eine Zusammenarbeit zwischen Lokad und seinem Kunden. Dennoch hat sich Lokad verpflichtet, Ergebnisse zu liefern und nicht bloß dafür zu sorgen, dass die Server laufen.
Was ist ein „numerisches Rezept“?
Lokad automatisiert Prozesse der Entscheidungsfindung in der supply chain, und wir bezeichnen die Softwarekomponenten, die diese Automatisierung tatsächlich umsetzen, gemeinhin als unsere „numerischen Rezepte“. Diese numerischen Rezepte sind typischerweise recht komplex, da sie die inhärenten Komplexitäten der supply chain selbst widerspiegeln. Die Rezepte stellen eine Mischung aus zahllosen alltäglichen Datenaufbereitungsschritten dar, die mit anspruchsvollen analytischen Schritten – typischerweise maschinellem Lernen oder mathematischen Optimierungsalgorithmen – verknüpft sind.
Wir verwenden den Begriff „Rezept“ anstelle von „Algorithmus“, da diese Rezepte keineswegs so „rein“ sind, wie es die meisten Softwareingenieure von Algorithmen erwarten würden. Zudem gilt zwar, dass ein Algorithmus ein klar definiertes Problem lösen soll, was bei unseren Rezepten in der Regel nicht der Fall ist. Letztlich steht die End-to-End-Performance der supply chain auf dem Spiel, und dies ist ein offenes sowie unscharf definiertes Problem. Daher ist die Bewertung des Rezepts ebenso komplex, wenn nicht sogar komplexer als dessen Erstellung.
Was sind „alltägliche supply chain Entscheidungen“?
Eine supply chain Entscheidung ist eine Entscheidung, die reale Konsequenzen für den Warenfluss hat. Beispielsweise wirken sich Nachfüllungen des Inventars, Produktionsaufträge und Preisänderungen entscheidend auf den Warenfluss aus.
Moderne supply chains beinhalten typischerweise täglich Zehntausende, manchmal sogar Millionen von Entscheidungen. Als Faustregel gilt, dass jede einzelne SKU (Storage Keeping Unit) ungefähr ein halbes Dutzend Entscheidungen umfasst – einschließlich des Nichtstuns, das ebenfalls eine Entscheidung ist (wenn auch eine triviale).
Diese (täglichen) Entscheidungen werden häufig als „alltäglich“ bezeichnet, weil sie vollständig automatisiert werden können. In diesem Sinne bedeutet „alltäglich“ nicht „unwichtig“.
Entscheidungen stehen im Gegensatz zu „numerischen Artefakten“ (Dinge, die wichtig erscheinen, aber keinerlei substanziellen Einfluss auf die betreffende supply chain haben). Tatsächlich führt der vermehrte Einsatz von analytics oft zu erheblicher Verwirrung zwischen beiden. Beispielsweise können eine Nachfrageprognose, eine ABC-Klassifizierung, ein Sicherheitsbestand oder ein Servicelevel als numerische Artefakte betrachtet werden. Diese Elemente können zwar bei der Ermittlung tatsächlicher Entscheidungen eine Rolle spielen, allein für sich genommen sind sie jedoch völlig unbedeutend. Es spielt keine Rolle, wenn die Prognose falsch ist, solange die Inventarnachfüllung angemessen erfolgt – das Umgekehrte gilt jedoch eindeutig nicht.
Lokad konzentriert sich auf „Entscheidungen“ statt auf „numerische Artefakte“, da zu viele Unternehmen vor lauter Zahlen den Wald vor lauter Bäumen nicht mehr sehen. Ganz im Gegenteil, sie verfügen über so viele Leistungsindikatoren (Artefakte), dass sie gar nicht mehr wissen, was mit den von ihnen getroffenen Entscheidungen tatsächlich geschieht. Unser Fokus auf „Entscheidungen“ garantiert, dass Lokad das verfolgt, was für unsere Kunden wirklich von Bedeutung ist (eine bessere supply chain Performance), anstatt willkürlichen Indikatoren (numerischen Artefakten) hinterherzujagen.
Was ist ein „numerisches Artefakt“?
Ein numerisches Artefakt bezeichnet eine Zahl, die als wichtig empfunden wird, auch wenn sie keinerlei direkte oder greifbare Konsequenzen für die supply chain des Unternehmens hat. Beispielsweise sind Servicelevels numerische Artefakte. Numerische Artefakte sind nicht real, sondern Abstraktionen – oft willkürlich von einem Praktiker ausgewählt.
Beispielsweise könnte ein Servicelevel von 98 % verbergen, dass zahlreiche Kunden aufgrund früherer mangelhafter Servicequalität bereits vollständig aufgehört haben zu bestellen. Außerdem können numerische Artefakte nicht direkt gesteuert werden. Ein Unternehmen kann mehr Nachfüllaufträge erteilen, aber es kann nicht einseitig festlegen, dass die Servicelevels 98 % betragen, da letztlich die Kunden entscheiden, wie viel eines bestimmten Produkts konsumiert wird.
Numerische Artefakte stehen definitionsgemäß im Gegensatz zu „Entscheidungen“, die reale Konsequenzen für das Unternehmen haben. Entscheidungen liegen zudem vollständig im Ermessen des Unternehmens. Typische supply chain decisions umfassen Nachfüllaufträge, Produktionsaufträge, Preisänderungen usw. Anders als numerische Artefakte ist jede falsche Entscheidung ein unwiderruflicher Verlust für das Unternehmen. Beispielsweise kann die ABC-Klassifizierung (ein numerisches Artefakt) eines Artikels völlig falsch oder ungenau sein, aber solange es weder zu Überbeständen noch zu Lagerengpässen kommt, spielt das keine Rolle. Hingegen kann ein einzig überdimensionaler Einkaufsauftrag (Entscheidung) einen gut bestückten Artikel in einen massiven Abschreibungsfall verwandeln.
Im Laufe der Jahre hat Lokad auf die harte Tour gelernt, dass numerische Indikatoren meist illusionär und fehlgeleitet sind. Häufig charakterisieren Prognosegenauigkeiten und Servicelevels das eigentliche Problem – nämlich die profitable Prognose und Befriedigung der Nachfrage – vollkommen falsch. Wir müssen uns auf die „Fehler in Dollar“ einer Entscheidung konzentrieren und nicht auf die „Fehler in Prozent“ eines numerischen Artefakts.
Was bedeutet „robotisiert“?
Lokad robotisiert („automatisiert“) repetitive supply chain decisions und macht sie damit alltäglich. Das bedeutet, dass alle täglichen Entscheidungen, die Lokad anvertraut werden (z. B. Produktionsaufträge, Preisänderungen, Lagerzuteilungen), vollständig unbeaufsichtigt generiert werden. Als Faustregel gilt, dass die meisten unserer Kunden wochenlang ohne direkten Eingriff von Lokad operieren können – vorausgesetzt, die Marktbedingungen ändern sich nicht zu drastisch. Unsere Supply Chain Scientists verbessern kontinuierlich die numerischen Rezepte, die wir eingeführt haben, aber es wird kein Supply Chain Scientist benötigt, um die supply chain Entscheidungen eines beliebigen Tages zu generieren – unsere numerischen Rezepte sind dafür ausgelegt, unbeaufsichtigt zu laufen.
Dieser Ansatz unterscheidet sich radikal von dem, was unsere Mitbewerber (andere Anbieter von Unternehmenssoftware) anbieten. In ihrem Fall werden supply chain practitioners wie die „menschlichen Koprozessoren“ ihres Systems behandelt. Sobald die Praktiker die Arbeit mit einer Software einstellen, passiert im Unternehmen nichts mehr, da ihre Zeit ausschließlich der Produktion von supply chain Entscheidungen gewidmet ist.
Im Gegensatz dazu wandelt Lokad jede einzelne Minute der supply chain practitioners in eine Investition zur Verbesserung des numerischen Rezepts um, das die Robotisierung der Entscheidungen ermöglicht. Hören die supply chain practitioners auf zu arbeiten, so wirkt sich das nicht auf die robotisierte Ausführung des numerischen Rezepts aus. Das numerische Rezept stellt einfach ein, sich zu verbessern. Würde dies über einen längeren Zeitraum anhalten, hätte dies zwangsläufig zur Folge, dass die Qualität der Entscheidungen verfällt, da das numerische Rezept – aufgrund veränderter Marktbedingungen – an Relevanz verliert.
Lokad hat jedoch eine Reihe selbstüberwachender Mechanismen zur Früherkennung eines solchen Qualitätsverfalls implementiert und kann so eine manuelle Überprüfung des numerischen Rezepts auslösen (zunächst durch einen Supply Chain Scientist und anschließend durch einen Praktiker des Kundenunternehmens).
Was ist eine „supply chain Initiative“?
Dies bezieht sich speziell auf ein supply chain Projekt, das aus der „die Quantitative Supply Chain“ (QSC) Perspektive von Lokad vorangetrieben wird. Ziel einer solchen Initiative ist es, eine bestimmte Kategorie von robotisieren supply chain Entscheidungen zu robotisieren und dabei eine übermenschliche Performance zu erreichen. Das Ziel einer solchen Initiative besteht nicht nur darin, ein spezifisches Problem innerhalb der supply chain des Kunden zu verbessern, sondern systemische, unternehmensweite Verbesserungen zu erzielen.
Lokads supply chain Initiativen befassen sich typischerweise mit Einkaufsaufträgen, Produktionsaufträgen, Lagerzuteilungen, Preisänderungen, fein abgestimmten Produktionsplänen usw. Im Wesentlichen kümmern wir uns um alle alltäglichen, sich wiederholenden Entscheidungen, die nötig sind, um die supply chain des Kunden funktionsfähig zu halten.
Die supply chain Initiative soll von Lokads Supply Chain Scientists (SCSs) geleitet werden. Ein SCS ist dafür zuständig, alle notwendigen numerischen Rezepte zu erstellen, die erforderlich sind, um die betreffenden supply chain Entscheidungen zu automatisieren. Zudem ist der SCS dafür verantwortlich, die numerischen Rezepte zu visualisieren (z. B. mittels Berichten und Dashboards), damit die Kunden (insbesondere das obere Management) nachvollziehen können, wie und warum die Automatisierung eine übermenschliche Performance liefert.
Das Ergebnis einer Lokads supply chain Initiative besteht darin, das vom SCS für den Kunden erstellte numerische Rezept(e) in Produktion zu nehmen. Dieses Ergebnis automatisiert Entscheidungen und verwandelt die supply chain effektiv in einen produktiven Vermögenswert für den Kunden – ähnlich wie ein Gerät die Produktion physischer Güter automatisiert.
Was ist „experimentelle Optimierung“?
Experimentelle Optimierung ist eine Methodik, die von Lokad angewandt wird, um Probleme anzugehen, bei denen zu Beginn des Optimierungsprozesses der Begriff der „Verbesserung“ unklar ist. Diese Unklarheit resultiert daraus, dass die Optimierungskriterien (Metriken) und ihre gewünschten Niveaus entweder nicht bekannt sind oder, selbst wenn sie vorher festgelegt wurden, nicht sofort in finanziellen Begriffen (z. B. Rentabilität, ROI etc.) gerechtfertigt werden können. Ziel der „experimentellen Optimierung“ ist es, eine rigorose (manche würden sagen „wissenschaftliche“) Methode zu etablieren, um zu quantifizieren, was „Verbesserung“ für eine supply chain aus finanzieller Sicht bedeutet.
Nehmen wir zum Beispiel ein Modegeschäft, das seine Servicequalität verbessern möchte. Eines der Hauptprobleme besteht darin, dass es schwierig ist zu bestimmen, was „Servicequalität“ für den durchschnittlichen Kunden wirklich bedeutet – bedingt durch die unterschiedlichen Einkaufsgewohnheiten von Männern und Frauen sowie durch den Einfluss von Substitutionen. Substitutionen machen es naturgemäß schwer, zu erkennen, wie Kunden Ihr Angebot wahrnehmen, selbst wenn sie einen Kauf getätigt haben – etwa, wenn ein schlichtes schwarzes T-Shirt anstelle eines schlichten weißen T-Shirts gekauft wird, das nicht vorrätig ist. Auf dem Papier wurde ein Verkauf getätigt, aber das Fehlen des schlichten weißen T-Shirts könnte das Ende der Kundenloyalität signalisieren, insbesondere wenn dies regelmäßig vorkommt. Zudem verbringen Männer seltener Zeit damit, mehrere Artikel zu durchstöbern als Frauen, weshalb das Nichtvorhandensein des exakt gewünschten Artikels (oder einer passenden Substitution) entscheidend für einen Kauf sein kann. Folglich könnten die Annahmen des Managements über das eigene Geschäft (und die Kunden) irreführend sein und deren Lagerstrategien in die falsche Richtung lenken.
Zu diesem Zweck besteht die experimentelle Optimierung darin, eine Reihe von Experimenten durchzuführen, die die Optimierungskriterien selbst – also das Instrument, das quantifiziert, ob die supply chain besser oder schlechter ist (z. B. „Servicequalität“) – in Frage stellen. Im Kern besteht die Methode darin, ein Kriterium auszuwählen, eine mathematische Optimierung (bzw. genauer gesagt eine stochastische Optimierung) anhand dieses Kriteriums durchzuführen und die daraus resultierenden supply chain Entscheidungen zu bewerten. Diese Bewertung erfolgt nicht aggregiert, sondern im Vergleich zu den extrem unsinnigen Entscheidungen, die schlichtweg nicht korrekt sein können. Das Kriterium muss dann so modifiziert werden, dass diese unsinnigen Entscheidungen schrittweise eliminiert werden, bis keine mehr übrig sind.
Das daraus resultierende Kriterium wurde also durch eine Reihe von Experimenten ermittelt. Anders als aus der klassischen Optimierungsperspektive, die davon ausgeht, dass die Kriterien im Voraus bekannt sind und von der Realität nie in Frage gestellt werden, werden die Kriterien in der experimentellen Optimierung durch wiederholte Konfrontation mit realen Gegebenheiten aufgedeckt.
Um zum vorherigen Modebeispiel zurückzukehren: Eine experimentelle Optimierung könnte darauf hindeuten, dass die Umverteilung des bereits vorhandenen Bestands zwischen den Filialen die optimale Lösung ist oder dass es ausreicht, die Auslagen in jeder Filiale einfach umzugestalten, um mehr Verkehr und eine gesteigerte wahrgenommene Servicequalität zu erzielen. Diese Schlussfolgerungen werden erst nach wiederholten Experimenten mit (einem „Feinjustieren“) dem numerischen Rezept erkennbar.
Supply chain ist, wie jedes andere System, mehr als die Summe seiner Teile. Tatsächlich besteht der Fluch der supply chain darin, dass die meisten vermeintlichen Verbesserungen lediglich Probleme verlagern, anstatt sie zu lösen, da die Probleme als lokale Angelegenheiten und nicht als systemweite Phänomene behandelt werden. Beispielsweise impliziert eine Erhöhung der Servicelevels in der Regel auch eine Zunahme der Inventarababschreibungen. Daher kann ein einzelnes, isoliertes Element innerhalb eines Systems nicht verändert werden, ohne den Rest des Systems ebenfalls zu beeinflussen. Folglich ist es stets schwierig zu quantifizieren, ob etwas das System (die supply chain) verbessert oder verschlechtert. Darüber hinaus wird diese Schwierigkeit im speziellen Fall von supply chains dadurch verstärkt, dass es in der Regel lange dauert, bis Ereignisse sich entfalten. Im Fall des zuvor genannten Modegeschäfts können Männer einem Geschäft, das konsequent die Artikel bereithält, die sie wünschen, unglaublich treu sein – angetrieben von der schieren Bequemlichkeit, nicht allzu lange einkaufen zu müssen. Folglich können Lagerengpässe die Kundenloyalität verheerend beeinträchtigen und sich erst nach längerer Zeit bemerkbar machen (da Männer möglicherweise nur wenige Male im Jahr einkaufen, jedoch bei jedem Besuch viele Artikel erwerben, um den Wert jedes Einkaufs zu maximieren). Diese Überlegungen und Eventualitäten erschweren alle naiven Ansätze zur Quantifizierung der supply chain Performance, weshalb Lokad eine Lösung befürwortet, die auf experimenteller Optimierung beruht.
Für eine detailliertere Perspektive gibt es einen ausführlichen Vortrag über Experimentelle Optimierung für Supply Chain.
Was ist „probabilistische Prognose“?
Die probabilistische Prognose ist der Prozess, alle möglichen zukünftigen Werte/Ergebnisse/Szenarien (z.B. die Nachfrage nach einer bestimmten SKU) zu identifizieren und jedem Wert eine Wahrscheinlichkeit zuzuweisen. Diese Wahrscheinlichkeit gibt an, wie wahrscheinlich es ist, dass dieser Wert „real“ wird (z.B. könnte man eine 3%-Wahrscheinlichkeit haben, 4 Einheiten zu verkaufen; eine 4%-Wahrscheinlichkeit, 5 Einheiten zu verkaufen; eine 2%-Wahrscheinlichkeit, 6 Einheiten zu verkaufen; usw.). Numerisch betrachtet ergibt die Summe dieser Wahrscheinlichkeitsverteilung (alias „probabilistische Prognose“) 100 % der potenziellen Werte (z.B. Nachfrage).
Eine Prognose wird als „probabilistisch“ bezeichnet, wenn der prognostizierte Wert eine Wahrscheinlichkeitsverteilung und nicht ein einzelner Punkt ist. Probabilistische Prognosen stehen im Gegensatz zu den traditionellen Punktprognosen, die in der Mainstream-Supply-Chain-Theorie dominieren. Der wesentliche Vorteil probabilistischer Prognosen liegt darin, dass sie die irreduzible Unsicherheit der Zukunft berücksichtigen, anstatt vorzutäuschen, dass die „perfekte“ Prognose gleich um die Ecke liegt, wenn nur ein etwas genaueres Modell gefunden werden könnte. Probabilistische Prognosen quantifizieren die Unsicherheit, und diese Quantifizierung ist grundlegend, um später risikoadjustierte supply chain Entscheidungen zu treffen. Ohne probabilistische Prognosen sind Entscheidungen fragil, da sie die alltäglichen Schwankungen (z.B. Nachfrage, Vorlaufzeit), die selbst unter normalen Marktbedingungen zu erwarten sind, völlig außer Acht lassen.
Es ist anzumerken, dass jede punktuelle Zeitreihenprognose „mathematisch“ in eine Wahrscheinlichkeitsverteilung umgewandelt werden kann. Genau dies geschieht bei Sicherheitsbeständen, da sowohl Nachfrage als auch Vorlaufzeit mit Normalverteilungen (gaußsche Verteilungen) gekoppelt werden können. Allerdings, obwohl solche Techniken nominell Wahrscheinlichkeitsverteilungen erzeugen, verfehlen sie zugleich völlig den eigentlichen Punkt. Das Kernproblem, das eine probabilistische Prognose lösen soll, besteht darin, eine reichhaltigere Prognose zu erstellen – eine Prognose, die mehr Information enthält als eine Punktprognose. Diese probabilistische Prognose ist nicht notwendigerweise genauer, so wie ein Farbfoto nicht zwangsläufig eine höhere Auflösung bietet als ein Schwarzweißfoto. Durch ihre Konstruktion fehlt einer Punktprognose diese zusätzliche Dimension. Selbst wenn ein mathematischer Trick angewendet wird, um Wahrscheinlichkeiten hinzuzufügen, werden diese Wahrscheinlichkeiten fast gänzlich konstruiert sein, ähnlich wie die Kolorierung eines Bildes sehr plausibel wirken kann, dabei aber faktisch inkorrekt ist.
Zusammenfassend stellen probabilistische Prognosen eine der zentralen Datenverarbeitungsstufen dar, die für die prädiktive Optimierung einer supply chain notwendig sind.
Was ist „allgemeine Prognose“?
Eine Prognosetechnik wird als „allgemein“ bezeichnet, wenn sie Daten unterstützt, die sich nicht als Zeitreihen darstellen. Zwar sind Zeitreihenprognosen sehr nützlich für Visualisierungszwecke, doch letztlich handelt es sich um ein vereinfachtes und eindimensionales Modell, das es nicht vermag, Ereignisse so abzubilden, wie sie sich in einer realen supply chain entfalten.
Die Betrachtung mehrerer Zeitreihen löst das Problem ebenfalls nicht.
Zum Beispiel:
- Wiederholungskäufe bei denselben Kunden können nicht mit Zeitreihen modelliert werden, da eine Nachfrage-Zeitreihe den Ursprung jeder gekauften Einheit vollständig glättet.
- Kannibalisierung oder Substitution können nicht in Zeitreihen dargestellt werden, da die Abhängigkeiten zwischen den Artikeln verloren gehen.
- Wettbewerber, die im Wettbewerb stehen bezüglich Preisen, Mengenrabatten, Servicelevels usw. können von einer Zeitreihe nicht erfasst werden, da diese kausalen Faktoren nicht abgebildet werden können.
In der Mainstream-Supply-Chain-Theorie sind Zeitreihenprognosen das Alpha und das Omega. Doch eine sorgfältige Betrachtung realer Situationen sollte zeigen, dass Zeitreihenprognosen immer eine schwerwiegende, fehlgeleitete Vereinfachung der Wirklichkeit darstellen – siehe die oben genannten Beispiele. In Lokads die Quantitative Supply Chain (QSC)-Theorie gilt: Es ist besser, annähernd richtig zu liegen, als exakt falsch zu sein. So zu tun, als ob ein reales Problem (z.B. Substitutionen) nicht existiere, beseitigt das Problem nicht.
Aus diesem Grund hat Lokad seit den frühen 2010er-Jahren eine ganze Reihe überlegener Prognosetechnologien entwickelt und vorangetrieben, die allgemeinere Prognoseformen liefern (über einfache Zeitreihenprognosen hinaus). Gemäß unserer QSC erfordert jede einzelne Unsicherheitsquelle ihre eigene probabilistische Prognose. Diese „allgemeinen Prognosen“ werden nicht durch „Prognosemodelle“ bereitgestellt, sondern durch programmatische Machine-Learning-Paradigmen, wie differenzierbares Programmieren.
Was ist „klassische Prognose“?
Mit „klassischer Prognose“ ist die punktuelle Zeitreihenprognose gemeint. Punktuelle Zeitreihenprognosen sind in der Mainstream-Supply-Chain-Theorie so allgegenwärtig, dass viele Menschen, darunter auch viele supply chain practitioners, gar nicht realisieren, dass punktuelle Zeitreihenprognosen lediglich eine Form statistischer Prognosen darstellen. Tatsächlich gibt es eine Vielzahl alternativer Formen statistischer Prognosen, wobei die punktuelle Zeitreihenprognose eine der simplistischsten ist.
Hinweis: Eine vereinfachte Prognose ist nicht zwangsläufig etwas Schlechtes. Tatsächlich ist Lokad der Ansicht, dass Prognosesoftware nicht komplizierter sein sollte, als es zur Erfüllung ihrer Aufgabe erforderlich ist. Dennoch sind punktuelle Zeitreihenprognosen unerträglich simpel, wie in „Was ist allgemeine Prognose?“ gezeigt wurde.
Punktuelle Zeitreihenprognosen erlangten bereits zu Beginn des 20. Jahrhunderts Popularität – ein halbes Jahrhundert, bevor Firmencomputer aufkamen. Bis leistungsstarke Computer weit verbreitet erschwinglich wurden, waren punktuelle Zeitreihenprognosen die einzige Art statistischer Prognosen, die erstellt werden konnten. Trotz ihrer extremen Simplizität war die Erstellung von Zeitreihenprognosen bereits zu aufwendig, um die Investition zu rechtfertigen – zumal sie ohne die Rechenleistung moderner Computer durchgeführt wurden. Infolgedessen setzten die meisten Unternehmen allerlei Tricks ein, um den Bedarf an statistischen Prognosen von vornherein gänzlich zu eliminieren.
Es gibt zwei unterschiedliche und komplementäre Ansätze, um über klassische Prognosen hinauszugehen. Der erste Ansatz besteht darin, den Blickwinkel der „Punktprognose“ durch den der „probabilistischen Prognose“ zu ersetzen.
Probabilistische Prognosen, im Gegensatz zu ihren „punktuellen“ Pendants, liefern vollständige Wahrscheinlichkeitsdichten. Probabilistische Prognosen nehmen die irreduzible Unsicherheit der Zukunft an und quantifizieren diese explizit. Supply-chain-technisch sind probabilistische Prognosen den Punktprognosen bei weitem überlegen, da sie sich zur späteren Berechnung von risikoadjustierten supply chain Entscheidungen eignen. Im Gegensatz dazu ignorieren Punktprognosen alle Unsicherheitsquellen, weshalb die daraus abgeleiteten Entscheidungen von Natur aus fragil sind.
Der zweite Ansatz besteht darin, den Blickwinkel der „Zeitreihe“ durch eine höherdimensionale Alternative zu ersetzen. Zeitreihen sind von Natur aus eindimensional. Diese inhärente Einschränkung bedeutet, dass Zeitreihenprognosen schlichtweg nicht in der Lage sind, selbst die grundlegendsten Interdependenzen im Fluss von supply chain Gütern abzubilden.
Beispielsweise können Zeitreihenprognosen weder Kannibalisierung noch Substitution erfassen. Sie können auch nicht das Risiko erkennen, dass ein stetiges Verkaufsvolumen vollständig von einem einzigen Großkunden abhängt (z.B. in B2B-Situationen). Ebenso vermögen sie nicht, die Basket-Perspektive eines Kunden einzufangen, der in einem Supermarkt einkauft und alle notwendigen Zutaten für ein Rezept benötigt (d.h. das Fehlen eines einzelnen Artikels bewirkt, dass gar nichts gekauft wird). Lokad verwendet differenzierbares Programmieren, um prädiktive Modelle zu entwickeln, die über die eindimensionale Perspektive der Zeitreihe hinausgehen und die wirklich relevanten Informationen erfassen.
Zusammenfassend ist die klassische Prognose eine veraltete statistische Perspektive, die in einer modernen supply chain keinen Platz hat. Die Abhängigkeit von klassischen Prognosen – sprich punktuellen Zeitreihenprognosen – ist ein Rezept für Misserfolg, da diese Prognosen bestenfalls zu fragilen Entscheidungen und im schlimmsten Fall zu völlig falschen Entscheidungen führen. Stattdessen empfehlen wir den Einsatz allgemeiner probabilistischer Prognosen, typischerweise unter Nutzung eines programmatischen Machine-Learning-Paradigmas wie differenzierbares Programmieren.
Was ist die „Basket-Perspektive“?
Die Basket-Perspektive ist von herausragender Bedeutung in allen Branchen, in denen von den Kunden erwartet wird, viele Artikel auf einmal (in einer einzigen Transaktion) zu kaufen, anstatt nur einen einzelnen Artikel. Sie bezieht sich auf den wahrgenommenen Wert, wenn Käufe in Kombination und nicht isoliert getätigt werden. Mit anderen Worten: Der Wert, alle Artikel als Ganzes verfügbar zu haben, kann mehr sein als die Summe der getrennt erworbenen Einzelwerte. Diese Perspektive ist insbesondere für Branchen wie den allgemeinen Waren-Einzelhandel von entscheidender Bedeutung. Das Erkennen dieser gegenseitigen Abhängigkeit in der Nachfrage führt zu überlegenen supply chain Entscheidungen im Vergleich zu traditionellen Methoden, die den Kauf jedes SKUs als isoliertes Ereignis behandeln.
Beispielsweise betritt ein Kunde einen Supermarkt, um mehrere Artikel zu kaufen. Diese Artikel stellen eine Mischung aus lebenswichtigen Grundnahrungsmitteln (z.B. Milch, Brot und Eier) und optionalen Käufen (z.B. Speiseeis und Schokolade) dar. Falls im Supermarkt ein Artikel aus dem optionalen Sortiment (z.B. Schokolade) nicht vorrätig ist, wird der Kunde wahrscheinlich die anderen Artikel (Milch, Brot, Eier und Speiseeis) dennoch erwerben. Wenn jedoch ein lebenswichtiges Grundnahrungsmittel (z.B. Milch) nicht verfügbar ist, könnte der Kunde den Laden verlassen, ohne etwas zu kaufen, und zu einem Wettbewerber gehen, um seinen Einkauf abzuschließen. Somit wirkt sich der finanzielle Nachteil eines Mangels bei einem lebenswichtigen Artikel über diesen hinaus auf den gesamten Warenkorb aus.
Im Wesentlichen bestehen Beziehungen zwischen Produkten, und das Fehlen einzelner Artikel beeinflusst die Wahrscheinlichkeit, dass Kunden andere Produkte kaufen. Lokad bezieht dieses subtile, aber bedeutende Phänomen in seine Empfehlungen für supply chain Entscheidungen ein, um die Lagerbestände zu optimieren und Fehlbestände (geordnet von den schädlichsten bis zu den weniger schädlichen) zu reduzieren – was insgesamt den Umsatz, die Kundengewinne und die Kundenzufriedenheit verbessert.
Was ist ein “Supply Chain Scientist”?
Ein Supply Chain Scientist (SCS) ist die Person, die eine der die Quantitative Supply Chain (QSC)-Initiativen von Lokad bei einem Kunden anführt, z.B. die Bereitstellung risikoadjustierter Bestellungen, Lagerzuweisungslisten, Preise usw. Der Begriff „Supply Chain Scientist“ wurde 2017 von Joannes Vermorel, CEO und Gründer von Lokad, geprägt. Die primäre Aufgabe des SCS besteht in der Erstellung, Pflege und Verantwortlichkeit der numerischen Rezepte, die für die Entscheidungsfindung in einer bestimmten supply chain initiative verantwortlich sind.
Im Gegensatz zu einem Data Scientist, dessen Hauptaufgabe darin besteht, Modelle zur Unterstützung des Entscheidungsprozesses zu erstellen, übernimmt der SCS die persönliche Verantwortung für die Qualität der durch seine numerischen Rezepte generierten Entscheidungsempfehlungen. Darüber hinaus ist der SCS direkt dafür verantwortlich, sämtliche Instrumente (z.B. Dashboards, Berichte) zu entwickeln, die die Logik und Angemessenheit der generierten Entscheidungen erläutern. Es mag etwas paradox erscheinen, aber während Lokad die Automatisierung alltäglicher Entscheidungsprozesse betont, stellen wir die persönliche Verantwortung in den Mittelpunkt. Eine QSC ist kein „System“, das für die Leistung der supply chain verantwortlich ist, sondern eine Person, die die QSC vorantreibt.
Allerdings, obwohl ein SCS persönliche Verantwortung trägt, ist er in seiner Mission nicht allein. Lokad setzt alles daran, sicherzustellen, dass jeder SCS so viel Unterstützung wie möglich erhält. Dies beinhaltet, dem SCS alle notwendigen Software-Tools, mathematischen Instrumente, Methodologien, Schulungen und die Begleitung durch erfahrene SCS bereitzustellen.
Eine detailliertere Beschreibung dessen, was ein SCS leistet, findet sich in unserem speziellen Knowledge-Base-Artikel The Supply Chain Scientist.
Was ist ein “supply chain practitioner”?
Der Begriff “supply chain practitioner” bezieht sich im Allgemeinen auf all jene Personen, die traditionell an den supply chain Entscheidungen beteiligt oder für diese verantwortlich sind, welche das Unternehmen für seinen Betrieb benötigt. Da es keine einheitliche Terminologie gibt, variiert die Bezeichnung je nach Branche und Unternehmen. Übliche Varianten von „supply chain practitioner“ sind supply and demand planner, inventory analyst, demand forecaster, category manager, inventory manager, production manager, purchasing manager, pricing manager usw.
Die die Quantitative Supply Chain (QSC) bietet eine modernisierte Sicht auf die Rolle des supply chain practitioner. Während der traditionelle supply chain practitioner direkt dafür verantwortlich ist, den Entscheidungsfindungsprozess manuell zu unterstützen, empfiehlt die QSC, sämtliche sich wiederholenden Aufgaben vollständig zu automatisieren. Durch diese Robotisierung können sich supply chain practitioners auf Aufgaben konzentrieren, die dem Unternehmen einen höheren Mehrwert bieten. Insbesondere stehen supply chain practitioners an vorderster Front, wenn es darum geht, die numerischen Rezepte (also die Softwarekomponenten, die die Robotisierung der supply chain unterstützen) durch das Sammeln von Feedback und strategischen Informationen von Kunden und Lieferanten in Frage zu stellen.
Was bedeutet “supply chain executive”?
Für Lokad bezieht sich dieser Begriff speziell auf eine Person, die in der Lage ist, innerhalb des Unternehmens widersprüchliche Vorschläge bezüglich der robotisierten Entscheidungsprozesse gegeneinander abzuwägen, die die supply chain steuern.
Diese Rolle ist entscheidend in einer die Quantitative Supply Chain (QSC)-Initiative, die die Entscheidungsprozesse der supply chain durch explizite finanzielle Bewertungen, die mit Softwarelogik durchgeführt werden, vereinheitlicht. Die QSC zeigt alle Widersprüche und Unstimmigkeiten auf, die typischerweise im Unternehmen vorbestehen. Infolgedessen muss, um sicherzustellen, dass eine supply chain initiative nicht durch schiere Unentschlossenheit blockiert wird, eine Führungskraft der supply chain ernannt werden, die die Befugnis besitzt, widersprüchliche Vorschläge aus strategischer Perspektive abzuwägen (z. B. das Erreichen eines erwarteten Servicelevels um jeden Preis versus das Finden eines optimierten Sets von Entscheidungen innerhalb eines begrenzten Budgets).
Hinweis: Die QSC geht nicht davon aus, dass die Führungskraft der supply chain von Natur aus die Fähigkeit besitzt, immer „richtig“ zu liegen. Das Ausfiltern von Funktionierendem und Nichtfunktionierendem ist die Aufgabe der experimental optimization Methodik, die Lokad einsetzt, und nicht der Führungskraft der supply chain.
Was ist eine „risikoangepasste Entscheidung“?
Im Kontext der supply chain Optimierung gilt eine Entscheidung als risikoangepasst, wenn sie die wirtschaftlichen Kosten, die mit dem unsicheren zukünftigen Zustand des Marktes und der supply chain selbst verbunden sind, sorgfältig abwägt. Eine risikoangepasste Entscheidung ist „besser“ insofern, als dass unter Berücksichtigung aller möglichen Zukünfte und deren zugehörigen Wahrscheinlichkeiten das durchschnittliche finanzielle Ergebnis, das mit dieser Entscheidung verbunden ist, im Vergleich zu Alternativen höher ausfällt.
Risikoangepasste Entscheidungen neigen auch dazu, antikräfig zu sein (im Gegensatz zu fragilen Entscheidungen). Das bedeutet, dass ihre erwarteten wirtschaftlichen Gewinne für eine breite Palette zukünftiger Variationen einigermaßen gut (oder zumindest akzeptabel) bleiben. Diese Eigenschaft wird dadurch erreicht, dass alle nichtlinearen Beschränkungen und Kosten (z. B. Verderblichkeit) einbezogen werden.
Die implizite Annahme, die der Idee der risikoangepassten Entscheidungen zugrunde liegt, ist, dass die ernsthaften wirtschaftlichen Kosten an den Extremen liegen: Es ist die unerwartet hohe Nachfrage, die zu Lagerengpässen führt, und es ist die unerwartet niedrige Nachfrage, die zu Überbeständen führt. Dazwischen verläuft nahezu alles planmäßig, und etwaige Verbesserungen im planmäßigen Fall sind für das Unternehmen größtenteils vernachlässigbar.
Im Gegensatz dazu erzeugen die meisten Entscheidungsprozesse, die von der Mainstream-supply chain Theorie empfohlen werden, keine risikoangepassten Entscheidungen. Tatsächlich sind die Entscheidungen in der Regel fragil. Sie sind fragil (siehe ausführliche Erklärung unten), weil ihnen die eine kritische Zutat fehlt, um überhaupt eine risikoangepasste Entscheidung zu generieren: eine probabilistische Prognose. In der Tat, wenn die einzige verfügbare Prognose eine Punkt-Zeitreihenprognose ist, dann geht der Entscheidungsprozess implizit davon aus, dass ein einzelner zukünftiger Wert (z. B. Nachfrage), der als perfekt bekannt angenommen wird, den Ausschlag gibt. Dieser Ansatz führt zwangsläufig zu fragilen Entscheidungen, da sie sofort unzureichend werden, sobald eine Ausnahme oder ein unvorhergesehenes Risiko auftritt – etwas, das in der supply chain allzu häufig vorkommt und mit einer probabilistischen Prognose allzu leicht abzusehen ist.
Eine detailliertere (wenn auch technischere) Darstellung, wie risikoangepasste Entscheidungen in der Praxis abgeleitet werden, findet sich in unserem Tutorial Prioritized inventory replenishment in Excel with probabilistic forecasts und in unserem QSC-Vortrag Retail stock allocation with probabilistic forecasts.
Was ist eine fragile Entscheidung?
Im Kontext der supply chain Optimierung ist eine Entscheidung fragil, wenn kleinste Veränderungen der Marktbedingungen oder des Zustands der supply chain selbst die ursprünglich erwarteten wirtschaftlichen Gewinne untergraben. Die von der Mainstream-supply chain Theorie geförderten Entscheidungsprozesse führen zwangsläufig zu fragilen Entscheidungen – selbst unter milden Marktbedingungen, in denen nichts Auffälliges geschieht.
Nach unserer Auffassung müssen Entscheidungen risikoangepasst sein. Dies ist der Ansatz, den Lokads die Quantitative Supply Chain (QSC)-Philosophie empfiehlt. In der Praxis erfordert die Herstellung einer risikoangepassten Entscheidung zwei wesentliche Bestandteile: erstens probabilistische Prognosen und zweitens stochastische Optimierung.
Probabilistic forecasting quantifiziert die zukünftige Unsicherheit in Form einer Wahrscheinlichkeitsverteilung. Stochastic optimization berechnet die Entscheidung, die sich im Durchschnitt als „die beste“ erweist, wenn alle möglichen Zukünfte und deren jeweilige Wahrscheinlichkeiten berücksichtigt werden. Dies geschieht durch die Kombination der wirtschaftlichen Treiber, der Beschränkungen und der probabilistischen Prognosen.
Was ist epistemische Korruption?
Epistemische Korruption liegt vor, wenn ein Wissensbestand seine Integrität verliert und für die Menschen oder die Organisation, die auf dieses Wissen zur Verbesserung ihrer Tätigkeit angewiesen ist, seinen Wert einbüßt.
Das Gebiet der supply chain als Studienfeld hat seit dem Ende des Zweiten Weltkriegs leider einen schweren Fall epistemischer Korruption erlitten. Es gibt zwei primäre Ursachen für diesen gegenwärtigen Zustand:
Erstens hat die Wissenschaft, größtenteils unbeabsichtigt, vor Jahrzehnten den Ball fallen lassen. Während jedes Jahr Zehntausende von Papern veröffentlicht werden, können praktisch keines dieser Papiere reproduziert oder widerlegt werden (im popperschen Sinne der Falsifikation*). Im Gegensatz zu anderen Feldern, die nicht unter weit verbreiteter epistemischer Korruption leiden (z. B. der Forschung zu Algorithmen), werden supply chain Paper fast nie in realen Umgebungen verwendet, und wenn doch, dann sicher nicht lange.
Zweitens haben Marktanalysten, Softwareanbieter und Berater jahrzehntelang als Gegner agiert. Tatsächlich gibt es Gewinne, die daraus erzielt werden können, Probleme zu verlängern, anstatt sie anzugehen. Veraltete Methoden, die längst dem Untergang geweiht wären, werden von Akteuren am Leben erhalten, die viel zu eifrig darauf bedacht sind, den Status quo aufrechtzuerhalten. Merkwürdigerweise existiert der Status quo bereits so lange, dass die meisten dieser Menschen ehrlich behaupten können, dass die Methoden – aus ihrer Perspektive – „schon immer“ existiert haben, da die Probleme technisch gesehen tatsächlich älter sind als sie selbst.
Die Lösung für weit verbreitete Fälle epistemischer Korruption sind effektivere Methodologien und Methoden, die es Unternehmen ermöglichen, Weizen schneller (und besser) vom Spreu zu trennen. Zu diesem Zweck betreibt Lokad seit 2011 einen Neuaufbau der supply chain. Dieser neuartige Ansatz wird die Quantitative Supply Chain (QSC) genannt. Er umfasst alternative Techniken und Methodologien, wie probabilistic forecasting und experimental optimization.
Der Ausdruck „popperischer Falsifikationismus“ bezieht sich hier auf die von Karl Popper entwickelte Wissenschaftsphilosophie. Nach Popper muss eine Theorie falsifizierbar sein, damit sie als wissenschaftlich gilt – das heißt, es muss möglich sein, eine Beobachtung oder ein Experiment zu konzipieren, das die Theorie widerlegen könnte. Anders ausgedrückt sollten wissenschaftliche Theorien Vorhersagen treffen, die getestet und gegebenenfalls widerlegt werden können. Dieses Konzept ist entscheidend, um wissenschaftliche Theorien von nicht-wissenschaftlichen zu unterscheiden. Die supply chain Forschung fehlt (in der Regel) die Falsifizierbarkeit, da die Theorien nicht getestet und möglicherweise widerlegt werden können, was ihren wissenschaftlichen Wert untergräbt und zur epistemischen Korruption des Feldes beiträgt.
Was ist „Correctness by Design“?
Correctness by Design ist ein Prinzip, das die Bedeutung davon betont, sicherzustellen, dass das Design eines Systems bestimmte Arten von Fehlern oder Ausfällen von vornherein verhindert. Dieser Ansatz steht im Gegensatz zur gängigen Praxis, sich auf umfangreiche Tests und Qualitätskontrollen zu verlassen, um Probleme zu erkennen und zu beheben, nachdem sie aufgetreten sind. Das Ziel von Correctness by Design ist es, den Bedarf an kontinuierlicher Wartung zu minimieren und das Risiko katastrophaler Ausfälle, die aus komplexen Systemen resultieren können, zu reduzieren. Im Kontext der supply chain Optimierung ist Correctness by Design besonders relevant, da die analytische Schicht (die für die Entscheidungsprozesse zuständige Schicht) das ohnehin schon chaotische Umfeld der supply chain nicht weiter anreichern darf.
Numerische Rezepte – die dazu gedacht sind, die Entscheidungsprozesse der supply chain zu unterstützen – werden häufig mit generischen Werkzeugen implementiert, die kein Correctness by Design bieten. Infolgedessen scheitern solche numerischen Rezepte typischerweise an tausend kleinen Problemen. Die Produktion scheitert aufgrund von Index-Out-of-Range-Fehlern, Out-of-Memory-Fehlern, Race Conditions, numerischen Über- oder Unterläufen usw. „Move fast and break things“ ist eine akzeptable Ingenieurphilosophie für eine Lifestyle‑App, aber nicht für ein unternehmenskritisches Geschäftssystem.
Zu diesem Zweck hat Lokad Envision entwickelt, seine DSL (domänenspezifische Programmiersprache), die der prädiktiven Optimierung von supply chains mit Correctness by Design gewidmet ist. Lokad begann nicht mit Envision, als es 2008 gegründet wurde. Jahrelang haben wir auf universelle Programmiersprachen wie Python gesetzt. Es hat Jahre gedauert, bis wir erkannten, dass unsere Versuche mehrheitlich scheiterten wegen Python.
Noch verblüffender war, dass die Situation bei den Data-Science-Teams unserer eigenen Kunden exakt dieselbe war. Die Geschichte entwickelte sich fast immer auf dieselbe Weise: Innerhalb von drei Wochen hatte das Data-Science-Team einen scheinbar vielversprechenden Prototyp erstellt. Doch nach einem Jahr intensiver Bemühungen, um sicherzustellen, dass er in realen Produktionsumgebungen funktioniert, wurde das Projekt verworfen, da es nie den nötigen „Produktionsgrad“ erreicht hatte.
So kamen wir nach jahrelangem Schmerz und Elend 2012 zu dem Schluss, dass die Programmiersprache selbst das Kernproblem ist, das angegangen werden muss. Mit anderen Worten, Python war nicht die Lösung, sondern das Problem. Da es keine bessere Alternative gab, initiierte das Lokad-Engineering-Team einen jahrzehntelangen Entwicklungsaufwand, um eine DSL zu erstellen, die der supply chain gewidmet ist und all diese Probleme by design in vollem Umfang adressiert. So entstand Envision.
Mehr als ein Jahrzehnt später haben wir nun Lagerbestände im Wert von mehreren Milliarden (USD und EUR) unter der direkten Kontrolle der umfangreichen numerischen Rezepte, die in Envision geschrieben wurden. Envision hat nicht nur die Produktivität von Lokad’s Supply Chain Scientists dramatisch verbessert, sondern auch die Häufigkeit der „dummen“ und sehr kostspieligen Fehler enorm reduziert.
Zusammenfassend ist Correctness by Design eine Kernvoraussetzung für jede Programmiersprache, die zur Steuerung realer supply chains vorgesehen ist. Viele Softwareanbieter gehen dieses Problem aus reiner Nachlässigkeit oder Inkompetenz nicht direkt an, was unweigerlich immense Schäden für ihre Kunden verursacht.
Was ist „Maintainability“?
Maintainability im Kontext von supply chain Software bezieht sich auf die Fähigkeit des Unternehmens und seiner unterstützenden Softwareanbieter, seine Anwendungslandschaft funktionsfähig zu halten.
Was die „Verwaltung“ der supply chain betrifft, so ist „Maintainability“ eine relativ unkomplizierte Angelegenheit. Es gibt eine Vielzahl von Sicherheits- und Kompatibilitätsupdates, um die Software unter veränderten Bedingungen funktionsfähig zu halten (z. B. Änderungen von Betriebssystemen, Browsern, Datenbankversionen usw.). Sofern das Unternehmen keine funktionalen Änderungen an seinen Verwaltungsanwendungen wünscht, ist Maintainability weitgehend gegeben, wenn der Anbieter auch nur annähernd kompetent ist.
Die supply chain Optimierung ist jedoch ein ganz anderes Problem. Die numerischen Rezepte, die die Entscheidungsprozesse automatisieren, verlieren im Laufe der Zeit unweigerlich ihre Relevanz. Der Grund für diesen Verfall liegt nicht so sehr darin, dass der Markt wächst und schrumpft, da sich diese Art von Variation relativ unkompliziert numerisch in statische numerische Rezepte einfügt (z. B. ein gleitender Durchschnitt tut dies, wenn auch in grober Weise).
Vielmehr liegt die Ursache des Verfalls in der Weiterentwicklung der zu löschenden Probleme. Sich wandelnde Marktbedingungen erfordern nicht nur Antworten, die quantitativer Natur unterschiedlich sind, sondern grundlegend unterschiedliche Arten von Antworten. Beispielsweise mussten Versandhandelsunternehmen nie mit dem Problem umgehen, ihre SEM (Search Engine Marketing)-Investitionen so zu steuern, dass die Liquidation von Überbeständen unterstützt wird – eine Situation, mit der sich E-Commerce-Unternehmen routinemäßig konfrontiert sehen.
Supply chain optimization Software ist viel anfälliger für sich wandelnde Marktbedingungen als supply chain management Software. Stand 2024 ist es nicht ungewöhnlich, Unternehmen anzutreffen, die noch immer ein Inventarverwaltungssystem betreiben, das in den 1990er Jahren implementiert wurde (das möglicherweise noch einwandfrei zu funktionieren scheint), da sich die bürokratischen Aufgaben der Bestandsführung in den letzten 30 Jahren nahezu nicht verändert haben. Eine supply chain Optimierungslogik, die auch nur 3 Jahre relevant bleiben kann, ist jedoch äußerst selten.
Die meisten Anbieter von supply chain Optimierungslösungen erkennen dieses grundlegende Problem nicht an. Infolgedessen konzentrieren sich die Investitionen in der Regel stark auf den allerersten Zeitpunkt, wenn das Kundenunternehmen von den Anbietern an Bord geholt wird. In den ersten Monaten, in denen der Anbieter noch intensiv in die sich entwickelnde Einrichtung eingebunden ist, vermittelt die Lösung den Eindruck, zufriedenstellend zu sein. Nach 18 Monaten nach Abschluss der Onboarding-Phase durch den Softwareanbieter sind die numerischen Rezepte jedoch so verfallen, dass sie irrelevant geworden sind. Unweigerlich greifen supply chain practitioners auf ihre Tabellenkalkulationen zurück, die – obwohl sie einfach sind – gepflegt werden können, um einigermaßen relevant zu bleiben.
Das Problem der Maintainability ist einer der Hauptgründe, weshalb Lokad 2012 Envision entwickelte – eine DSL (domänenspezifische Programmiersprache), die der prädiktiven Optimierung von supply chains gewidmet ist. Tatsächlich erkannten wir in den frühen Jahren von Lokad (gegründet 2008), dass egal welche numerischen Rezepte wir erstellen konnten, diese – so häufig es auch vorkam und egal wie gut unsere anfängliche Implementierung war – alle etwa 18 Monate umfassend umgeschrieben werden mussten. Dies war der Preis, um die Automatisierung strikt mit der sich ständig ändernden Strategie und den Prioritäten unserer Kunden in Einklang zu halten. Daher wurde Envision speziell entwickelt, um dem Bedarf an ständigen Umschreibungen gerecht zu werden und Irrelevanz zu vermeiden.
Zusammenfassend lässt sich sagen, dass die Wartbarkeit – was die supply chain Optimierung betrifft – weitgehend von der Fähigkeit des Unternehmens bestimmt wird, routinemäßig die numerischen Rezepte neu zu schreiben, die die Ausführung seiner eigenen supply chain steuern. Während diese Fähigkeit von der Größe des Supply Chain Scientist Teams abhängt, das für diese Aufgabe bereitgestellt werden kann, ist sie auch stark von der Qualität der Programmiersprache abhängig, die zunächst zur Implementierung der numerischen Rezepte verwendet wurde.