FAQ: Bestandsoptimierung
Lokad begegnet Herausforderungen im Bestandsmanagement, indem es prädiktive Analysen einsetzt, um die supply chain Unsicherheit zu berücksichtigen und Entscheidungen mithilfe finanzieller Einblicke zu optimieren. Es berücksichtigt die einzigartigen Kundeneinschränkungen und verbessert die Transparenz der Entscheidungsfindung durch detaillierte Berichte und intuitive Dashboards.
Zielgruppe: supply chain Praktiker, Experten und Führungskräfte.
Zuletzt geändert: 30. Januar 2024

Überbestände und Fehlbestände sind die zwei offensichtlichsten Symptome unzureichender entscheidungsbezogener Maßnahmen im Inventarbereich, und diese Probleme lassen sich auf Richtlinien zurückführen, die die Ungewissheit ignorieren. Diese Ungewissheit tritt in vielen Formen auf, darunter schwankende Nachfrage, variierende Lieferzeiten und sporadische Rücksendungen. Lokad liefert eine überlegene Bestandsleistung genau deshalb, weil seine programmatischen prädiktiven Fähigkeiten die supply chain Unsicherheit berücksichtigen, anstatt sie zu ignorieren. Zum Beispiel verfügt Lokad über probabilistische Modellierungsfähigkeiten, um alle wirtschaftlichen Einflussfaktoren abzubilden, die mit den alltäglichen, sich wiederholenden supply chain Entscheidungen eines Kunden verbunden sind (z.B. Bestellungen, Produktionsaufträge, Lagerzuweisungen usw.). Dies ermöglicht es uns, den Kunden eine hochauflösende finanzielle Perspektive auf den Dollar-(oder Euro-)Wert jeder Entscheidung zu bieten. Lokad verfügt zudem über stochastische Optimierungsfähigkeiten, um letztlich die Entscheidungen zu empfehlen, die den Dollar-(oder Euro-)Ertrag jeder Entscheidung maximieren, wobei die einzigartigen Einschränkungen des Kunden berücksichtigt werden. Solche Einschränkungen umfassen bereichsübergreifende Anliegen wie Kannibalisierung und Substitution.
Bei jedem Schritt des Prozesses bieten Lokads umfangreiche, individuelle Berichtsfähigkeiten dem Kunden vollständige Transparenz. Intuitive Dashboards sind so gestaltet, dass sie die KPIs, die der Kunde wünscht und benötigt, klar ausdrücken und Lokads Berechnungen auf unkomplizierte Weise aufschlüsseln.
Zusammenfassung
Was die Bestandsoptimierung betrifft, wich Lokad vor mehr als einem Jahrzehnt vom als ‚Mainstream‘ geltenden Ansatz ab. Diese Abweichung ist mit der Verbesserung unserer Technologie nur gewachsen. Diese Technologie ermöglicht es Lokad, signifikante Verbesserungen in der supply chain der Kunden zu bewirken, jedoch besteht die größere Herausforderung oft darin, die Verbesserungen zu erklären – eine Aufgabe, die umso schwieriger wird, da Lokads Ansatz so unterschiedlich von dem ist, was supply chain Praktiker erwarten.
Das gängige Märchen der Bestandsoptimierung erzählt man folgendermaßen: Der Softwareanbieter im (Magic Quadrant) liefert 20% genauere Prognosen, und diese Prognosen werden in 20% weniger Fehlbestände und 20% weniger Bestände umgewandelt. Dieses Märchen enthält typischerweise mehrere aktuelle Schlagwörter: künstliche Intelligenz, Demand Sensing, Machine Learning, Blockchain, Digital Twins, In-Memory-Systeme usw. Allerdings ist diese Mainstream-Sicht ein Irrweg1. Im Gegensatz zu den meisten unserer Wettbewerber liefert Lokad tatsächlich erstklassige Prognosen2, und wir wissen, dass dies - für sich genommen - bei weitem nicht ausreicht, um eine zufriedenstellende Kapitalrendite zu erzielen.
Lokad ist vielleicht insofern einzigartig, als dass wir kaum ein Geheimnis daraus machen, wie wir eine überlegene Bestandsleistung erzielen. Wir haben eine öffentliche Vortragsreihe3 (insgesamt mehr als 50 Stunden und weiter wachsend), die das Kleingedruckte unserer Technologien und Methodologien offenlegt. Diese Reihe dient sowohl als Ressource als auch als Warnung für Kunden: Sobald man sieht, wie die “Tricks” eines Anbieters funktionieren, kann man sie nicht mehr ignorieren.
Probabilistische Vorhersage
Probabilistische Prognosen müssen verwendet werden. Diese Prognosen bieten eine direkte quantitative Bewertung der Ungewissheit, mit der man in der supply chain konfrontiert ist – z.B. der Ungewissheit hinsichtlich der Kundennachfrage und der Lieferzeiten der Anbieter. Anstatt vorzutäuschen, dass herkömmliche Zeitreihenprognosen (der “klassische Ansatz”) von selbst genau werden, gehen probabilistische Prognosen diese Probleme direkt an. Probabilistische Prognosen sind nicht unbedingt “genauer” – zumindest nicht per Design – aber das ist insofern irrelevant, als sie dazu dienen, eine völlig andere Geschichte über die Zukunft des Kunden zu erzählen – Details dazu werden in der Finanziellen Perspektive behandelt. Darüber hinaus verdient jede Quelle der Ungewissheit ihre eigene Prognose, nicht nur die Nachfrage. Lokad erstellt probabilistische Prognosen für Lieferzeiten, Rücksendungen, Ausschussraten usw.
Im Gegensatz dazu ignoriert der herkömmliche Ansatz der Zeitreihenprognosen die oben beschriebene Ungewissheit. Dadurch ist die supply chain selbst gegenüber völlig alltäglichen Risiken, wie der unberechenbaren Natur von Produkteinführungen, brüchig, wenn Punkt-Zeitreihenprognosen verwendet werden. Es ist sinnlos zu erwarten, dass Produkteinführungen jemals risikofrei werden, denn wenn ein Unternehmen in der Lage wäre, die Leistung seiner Produkteinführungen zuverlässiger zu bewerten, würde es diese neu gewonnene Fähigkeit zweifellos nutzen, um noch mehr Produkte auf den Markt zu bringen, wodurch die Ungewissheit in der betreffenden supply chain erneut eingeführt würde.
Automatisierte Entscheidungsfindung
Automatisierte (und überlegene) supply chain Entscheidungsfindung ist das einzige Endspiel, das es wert ist, verfolgt zu werden, da diese Entscheidungen die supply chain spürbar beeinflussen. Wenn die Bestandsoptimierungssoftware etwas anderes als die finalen Entscheidungen liefert, dann erfüllt die Software nicht ihre Aufgabe (oder Sie haben möglicherweise die falsche Software).
Zudem müssen diese automatisierten Entscheidungen alle Einschränkungen des Kunden berücksichtigen, wie z.B. Mindestbestellmengen (MOQs). Wenn die Software/das System ständig fehlerhafte Entscheidungen generiert, die manuell korrigiert werden müssen, dann ist das System mangelhaft und muss ersetzt werden. Echte supply chain Experten sind zu knapp und zu wertvoll, um für etwas anderes als die kontinuierliche Verbesserung der einzigartigen numerischen Vorgehensweise des Kunden4 eingesetzt zu werden. Lokad nutzt dieses numerische Rezept, um die Entscheidungsfindung in der supply chain zu automatisieren und so interne Experten zu entlasten, damit sie sich auf komplexere Fragestellungen und Strategien konzentrieren können.
Im Gegensatz dazu hebt die Mainstream-Sicht alle Arten von numerischen Artefakten hervor: ABC-Klassen (oder deren Pendant, ABC XYZ), Lagerumschlag, Sicherheitsbestände, wirtschaftliche Bestellmengen etc. Im Gegensatz zu supply chain Entscheidungen ist die Beziehung zwischen einem numerischen Artefakt und der Leistung der supply chain bestenfalls unklar. Darüber hinaus werden die meisten dieser Zahlen nur eingeführt, um einen halbmanuellen Entscheidungsprozess zu unterstützen, was zu einem fortwährenden Ressourcenverschwendung beim Kunden führt (z.B. Geld, Zeit und Mühe).
Infolgedessen wird nichts jemals wirklich behoben, da supply chain Praktiker ständig durch einen anhaltenden Feuerwehreinsatz abgelenkt werden, während im Hintergrund das zugrunde liegende System weiterhin suboptimale Entscheidungen trifft.
Finanzielle Perspektive
Die supply chain Entscheidungen müssen finanziell optimiert werden, d.h. in Bezug auf den Einfluss in Euro (oder Dollar) bewertet werden. Diese Bewertung muss alle relevanten wirtschaftlichen Einflussfaktoren widerspiegeln. Lokad hat Zugang zu den relevanten, greifbaren wirtschaftlichen Einflussfaktoren (die direkt in den Hauptbüchern des Kunden zu finden sind): Bruttomarge, Lagerhaltungskosten, Transportkosten usw. Darüber hinaus quantifiziert Lokad auch die immateriellen wirtschaftlichen Einflussfaktoren – jene, die berücksichtigt werden müssen, um wertvolle supply chain Entscheidungen zu treffen: Kundentreue, die Kulanz der Anbieter, der wahrgenommene Wert der Marke usw. Angesichts ihrer abstrakten Natur müssen diese Einflussfaktoren intelligent approximiert werden, auch wenn es weitaus besser ist, annähernd richtig zu liegen, als genau falsch. Dieser monetäre Wert wird letztlich dazu verwendet, alle unterschiedlichen Kräfte zu vereinen, die jede Bestandsentscheidung beeinflussen.5
Im Gegensatz dazu betont die Mainstream-Sicht Prozentzahlen, wie zum Beispiel Service Levels, während sie alle immateriellen wirtschaftlichen Einflussfaktoren vollständig ignoriert. Dies führt zu der Kurzsichtigkeit der empfohlenen Entscheidungen, die die breite Öffentlichkeit heute mit “Finanzen” in Verbindung bringt. Solche Entscheidungen werden an erfundenen numerischen Kriterien optimiert, die einfach nicht die langfristigen Interessen des Unternehmens widerspiegeln. Die Lösung besteht nicht darin, die Idee der Optimierung abzulehnen, sondern darin, zu überdenken, was überhaupt optimiert wird.
Häufig gestellte Fragen (FAQ)
1. Prinzipien
1.1 Helfen Sie dabei, das Bestandsmanagement zu optimieren? Was sind Ihre Fähigkeiten im Bestandsmanagement?
Lokad optimiert (und strafft) das Inventar, anstatt es zu verwalten. Bestandsoptimierung umfasst unter anderem die bestmöglichen Entscheidungen darüber, wie viel Bestand gekauft, wann er gekauft und wo er (neu) zugewiesen werden soll. Bestandsmanagement hingegen konzentriert sich auf die Verwaltung der elektronischen Aufzeichnungen, die den physischen Zustand des Inventars widerspiegeln, und darauf, diese Aufzeichnungen mit der Realität des Bestands in Einklang zu bringen. Bestandsoptimierung und Bestandsmanagement sind die beiden Hauptaspekte der Gesamtkontrolle des Inventars, und Lokad widmet sich vollständig dem Ersteren.
Hinsichtlich des Softwaredesigns unterscheiden sich die Anforderungen an ein Bestandsmanagementsystem erheblich von denen eines Bestandsoptimierungssystems. Tatsächlich stehen sie oft in völliger Opposition zueinander. Zum Beispiel erfordert das Bestandsmanagement Echtzeitreaktionen, andernfalls verzögern alltägliche Vorgänge wie die Kommissionierung, bis das System den Vorgang letztlich bestätigt.
Die Bestandsoptimierung hängt jedoch davon ab, gute Entscheidungen zu treffen, nicht notwendigerweise in Echtzeit. Eine Verzögerung von 5 Minuten, um eine optimierte Bestellung zu berechnen – die eine Vielzahl von Faktoren und Einschränkungen berücksichtigt – ist unbedeutend, wenn diese Bestellung dem Kunden letztlich Tausende von Dollar (oder Euro) einspart. Aus der Sicht des Kunden ist dies einer Situation vorzuziehen, in der mittelmäßige Bestellungen – können in weniger als 10 Millisekunden (d.h. in Echtzeit) erzeugt werden – was zu einem Verlust von Tausenden von Dollar (oder Euro) an unverkauftem Bestand führen könnte. Falls der Kunde kein Bestandsmanagementsystem im Einsatz hat, empfiehlt Lokad dringend, vor der Optimierung des Inventars ein solches zu installieren.
Hinweis: Die meiste für das Bestandsmanagement entwickelte Unternehmenssoftware behauptet auch, eine Funktionalität zur Bestandsoptimierung bereitzustellen. Dies ist ein trügerischer Anspruch. Diese unterschiedlichen Funktionen im Bestandsbereich erfordern unterschiedliche Softwareinterventionen.
Für einen direkten Vergleich von Bestandsoptimierung und Bestandsmanagement sowie der dazu erforderlichen Software, siehe Inventory Control.
1.2 Wie prognostizieren Sie den zukünftigen Bedarf an Inventar?
Lokad nutzt umfangreiche prädiktive Modellierungstechnologien, um alle unsicheren Faktoren vorherzusagen, die den zukünftigen Bedarf an Inventar beeinflussen. Zu diesen Faktoren gehören unter anderem die zukünftige Nachfrage und die zukünftigen Lieferzeiten, die den Inventarbedarf direkt beeinflussen. Je nach spezifischem Bereich gibt es jedoch häufig weitere Unsicherheitsquellen. So kann es beispielsweise zu Kundenrücksendungen (E-Commerce), Produktionsausbeuten, Ausschussraten usw. kommen. Um den Inventarbedarf zu ermitteln, kombinieren wir in der Regel eine kurze Reihe von Prognosen, die mehrere Unsicherheitsquellen berücksichtigen. Dieser Ansatz geht weit über die Möglichkeiten herkömmlicher Zeitreihenprognosen hinaus.
Darüber hinaus verfolgt Lokad einen Ansatz der probabilistischen Vorhersage. Das bedeutet, dass Lokad alle möglichen Zukünfte in Betracht zieht und deren jeweilige Wahrscheinlichkeiten quantitativ bewertet. Zudem umfasst unsere Plattform die notwendige Instrumentierung, um diese probabilistischen Prognosen zusammenzustellen oder zu kombinieren, wie etwa eine Algebra zufälliger Variablen (siehe unten). Zum Beispiel erhalten wir durch die Kombination einer probabilistischen Nachfrageprognose und einer probabilistischen Lieferzeitprognose eine probabilistische Lead Demand-Prognose, die die über die Lieferzeit integrierte Nachfrage darstellt. Der Lead Demand ist typischerweise eine Ausgangsbasis zur Bewertung des zukünftigen Inventarbedarfs.
Siehe Probabilistic Forecasting für weitere Informationen zu diesem Ansatz. Um mehr über unsere Instrumentierung zur Algebra zufälliger Variablen zu erfahren, lesen Sie Ranvars and Zedfuncs in unserer öffentlichen Envision-Dokumentation.
1.3 Berechnen Sie vergangene und zukünftige Inventarbestände basierend auf historischen Verkaufsdaten und Prognosedaten?
Ja, die Plattform von Lokad ist in der Lage, sowohl vergangene als auch zukünftige Inventarbestände unter Nutzung der historischen Transaktionsdaten des Kunden zu berechnen, einschließlich des Abflusses (z.B. Verkäufe) und des Zuflusses (z.B. Einkäufe). Wir verfügen über umfangreiche probabilistische Prognosefähigkeiten, nicht nur für die zukünftige Nachfrage, sondern auch für zukünftige Lieferzeiten, zukünftige Rücksendungen und alle anderen relevanten Unsicherheitsquellen.
Bezüglich vergangener Inventarbestände – da Lokads Lösung, die über unsere Plattform bereitgestellt wird, sowohl skalierbar als auch kosteneffektiv ist – empfehlen wir in der Regel, die Daten im Zeitverlauf aufzuzeichnen, typischerweise durch innerhalb der Lokad-Plattform erstellte Snapshots, falls diese Daten in den Geschäftssystemen nicht bereits historisiert sind, anstatt diese Daten neu zu berechnen. Tatsächlich kann selbst ein sorgfältig ausgearbeitetes Flussmodell die vergangenen Inventarbestände falsch widerspiegeln. Historische Snapshots der Inventarbestände sind von dieser Problematik nicht betroffen.
Bezüglich zukünftiger Lagerbestände sind zwei wichtige Elemente zu berücksichtigen. Erstens ist die Ungewissheit der Zukunft irreduzierbar. Zweitens hängen zukünftige Lagerbestände von Entscheidungen ab, die noch nicht getroffen wurden. Da die Ungewissheit der Zukunft irreduzierbar ist, ist es unklug – und ziemlich unrentabel – anzunehmen, dass eine einzige Projektion des zukünftigen Zustands des Lagerbestands als „ausreichend korrekt“ betrachtet werden kann. Stattdessen sollten wir alle möglichen Zukünfte und deren jeweilige Wahrscheinlichkeiten in Betracht ziehen. Dies ist ein viel reichhaltigerer Blick auf die Zukunft und ermöglicht es uns, risikoadjustierte Lieferkettenentscheidungen zu treffen, die gegenüber Abweichungen von der (klassischen) Vorhersage resilient sind. Lokad erzielt dies durch den Einsatz probabilistischer Prognosen.
Da zukünftiger Lagerbestand von Lieferkettenentscheidungen abhängt, die noch nicht getroffen wurden (z. B. zukünftige Bestellungen), benötigen wir ein sinnvolles System zur Umsetzung von Entscheidungen, um den möglichen zukünftigen Zustand(e) des Lagerbestands zu beurteilen. Dies erfordert, dass Entscheidungen automatisiert werden, um eine effektive Simulation zu ermöglichen. Wenn der Entscheidungsprozess halbmanuell erfolgt (d. h. mit subjektivem menschlichen Eingreifen), wird es unpraktisch, zu „simulieren“. Daher muss ein automatisiertes Entscheidungssystem zu Simulationszwecken verwendet werden.
1.4 Berechnen Sie Sicherheitsbestand, Mindest-/Höchstbestände, Bestellpunkt und EOQ (economic order quantity) unter Berücksichtigung der Einkaufspolitik?
Ja, die Plattform von Lokad ermöglicht es auf einfache Weise, einen herkömmlichen Lieferkettenansatz umzusetzen, der Sicherheitsbestände, Mindest-/Höchstbestände, Bestellpunkte und EOQs umfasst. Darüber hinaus ist es auch unkompliziert, all diese Elemente vollautomatisch zu aktualisieren. Dieser Lieferkettenansatz ist jedoch veraltet, da er in der Praxis schlechte Ergebnisse liefert. Zudem erfordert er umfangreiche und fortlaufende manuelle Korrekturen, um suboptimale Ergebnisse zu beheben, die das „System“ immer wieder generiert.
Im Gegensatz dazu empfiehlt Lokad einen weitaus überlegenen Ansatz, der darin besteht, die wirtschaftlichen Erträge auf Stückbasis für den Kauf jeder zusätzlichen Lagereinheit zu bewerten. Diese Berechnung stützt sich sowohl auf die probabilistischen Prognosen, die die Lokad-Plattform erstellt, als auch auf eine explizite ökonomische Modellierung der Konsequenzen der Einkaufsentscheidungen. Dieser Ansatz berücksichtigt die wirtschaftlichen Treiber, die den Einkaufsentscheidungen zugrunde liegen.
Infolgedessen ist die Reduzierung der Beschaffungskosten gegeben: Bestellungen werden wirtschaftlich optimiert, wodurch die Notwendigkeit entfällt, veraltete Formeln wie die Wilson-Formel (traditionell verwendet für EOQ-Berechnungen) einzuführen. Außerdem wird das Auslösen der Bestellung zu einer Frage des Ausgleichs zwischen den Kosten eines Ausverkaufs versus den Kosten eines Überbestands, wodurch Sicherheitsbestände, Mindest-/Höchstbestände und Bestellpunkte entfallen.
Darüber hinaus eignet sich der Ansatz von Lokad hervorragend für Aspekte, die mehrere SKUs (Lagerhaltungseinheiten) betreffen. Dazu zählen Kannibalisierung, Substitution, Mindestbestellmengen auf Lieferantenebene, Lager- oder Ladenkapazitäten und mehrere Ebenen. Der herkömmliche Lieferkettenansatz ist starr an eine strikte Mono-SKU-Perspektive gebunden. Folglich werden diese Aspekte per Design außer Acht gelassen. Unabhängig davon, wie ausgeklügelt eine Berechnung des Sicherheitsbestands auch sein mag (zum Beispiel), kann sie keine der cross-SKU-Bedenken adressieren, da die Formel (oder vielmehr die Formelkategorie) impliziert, dass SKUs isoliert verarbeitet werden.
1.5 Wie unterscheiden Sie Ihren Ansatz für hochwertige Artikel?
Lokads quantitative Lieferkettenstrategie empfiehlt nachdrücklich, jede Entscheidung in der Lieferkette in Bezug auf ihre (einzelnen und voneinander abhängigen) wirtschaftlichen Treiber zu optimieren, sodass hochwertige und niedrigwertige Artikel auf dieselbe Weise optimiert werden – wenngleich sich selbstverständlich die Details der Berechnungen unterscheiden.
Zu den relevanten wirtschaftlichen Treibern gehören naturgemäß – unter anderem – die Kosten und die Bruttomarge der zu optimierenden Lagerartikel. Hochwertige Artikel sind naturgemäß mit hohen Kosten und hohen Margen verbunden – zumindest in absoluten Zahlen. Die von Lokad durchgeführte Optimierung maximiert den dollarbasierten Ertrag der Lagerinvestitionen: Vereinfacht ausgedrückt, für jeden investierbaren 1 USD wählt Lokad den Artikel aus, der die höchste Rendite aufweist (denken Sie an ROI).*
Über die rein wirtschaftliche Bewertung hinaus gibt es weitere Einschränkungen, die die Generierung von Lagerentscheidungen beeinflussen, wie z. B. Mindestbestellmengen (MOQs). Dennoch umfasst Lokads Plattform alle notwendigen rechnerischen Fähigkeiten, um beide Arten von Aspekten in die Optimierung einzubeziehen. Alle wirtschaftlichen Treiber – und damit verbundenen finanziellen Faktoren – werden von Lokad vorgeschlagen und letztlich vom Kunden validiert.
Diese einheitliche, finanziell getriebene Perspektive der Optimierung bedeutet, dass Praktiker nicht länger eine große Anzahl von Sonderfällen, die von unterschiedlichen Richtlinien und Aspekten bestimmt werden, berücksichtigen müssen. Jeder Artikel – sei es hochwertig, niedrigwertig, unregelmäßig etc. – wird in Bezug auf die finanzielle Auswirkung jeder zusätzlichen Einheit für den Kunden optimiert.
*In großem Maßstab, erstellt Lokad eine sortierte Liste von Einkaufsentscheidungen, und nicht nur eine einzelne Empfehlung. Die Liste ist absteigend sortiert, beginnend mit dem Artikel, der die höchste finanzielle Rendite bietet. Siehe unser public demo account tutorial für eine detaillierte Erklärung, wie dies geschieht.
1.6 Berücksichtigen Sie die Abwicklungskosten von PO (Purchase Order) (z. B. Bestellung, Rechnungsstellung)?
Ja, Lokad empfiehlt eine finanzielle Perspektive, in der jede einzelne Entscheidung in der Lieferkette (einschließlich Bestellungen) in Bezug auf alle relevanten wirtschaftlichen Treiber optimiert wird. Insbesondere werden alle Gemeinkosten, die mit der Umsetzung der Entscheidungen verbunden sind – wie beispielsweise die Bearbeitungskosten – in diese Liste der wirtschaftlichen Treiber integriert. Lokads Supply Chain Scientists sind dafür verantwortlich, dass das ökonomische Modell, wie im numerischen Rezept implementiert, alle Chancen und Gemeinkosten des Kunden widerspiegelt.
Die Plattform von Lokad ist bemerkenswert ausdrucksstark und programmatisch, was es uns ermöglicht, Unterstützung für nahezu jede Art von Kosten und/oder Rabatten zu entwickeln, die im Bestellvorgang auftreten können – z. B. Mengenrabatte. Darüber hinaus ermöglicht die stochastische Optimierung von Lokad, Entscheidungen trotz der Nichtlinearitäten, die diese Kosten (oder Chancen) typischerweise darstellen, zu optimieren. So können die Bearbeitungskosten je nach bestellter Menge wenig variieren, was – unter sonst gleichen Bedingungen – den optimierten Bestellprozess zu (etwas) größeren und (etwas) selteneren Bestellungen veranlassen sollte, wenn die Bearbeitungskosten steigen. Mengenrabatte neigen ebenfalls dazu, die Optimierung in Richtung größerer und seltenerer Bestellungen zu lenken.
1.7 Kann das Beschaffungsteam die Auswirkungen von Auffüllstrategien auf den Kapitalbedarf simulieren? Können sie die Lagerbestände prognostizieren?
Ja, die Plattform von Lokad wurde so entwickelt, dass sie im weitesten Sinne die Prognose zukünftiger Lieferkettenbedingungen unter verschiedenen Richtlinien unterstützt. Zu diesen zukünftigen Bedingungen gehören zukünftige Lagerbestände, aber auch alle anderen kritischen zukünftigen Bedingungen der Lieferkette, wie die Auslastung der Kapazitäten (zum Beispiel Transport, Umschlag, Lagerung usw.). Die unterschiedlichen Richtlinien umfassen alternative Auffüllstrategien sowie alle anderen Entscheidungsarten, die die Ausführung der Lieferkette steuern (Lagerzuweisungen, Produktionsaufträge, Retouren, Preisänderungen usw.).
Darüber hinaus ist Lokad der Ansicht, dass es entscheidend ist, einen Prozess einzuführen, der sich stark auf vollständig automatisierte Entscheidungsfindung stützt (für die alltäglichen, repetitiven Entscheidungen in der Lieferkette). Es ist unrealistisch zu erwarten, dass eine „Simulation“ sinnvolle Ergebnisse liefert, wenn in der Praxis die tatsächliche Ausführung der Lieferkette von regelmäßigen subjektiven (und manuellen) Eingriffen durch Lieferkettenpraktiker abhängt. Per Design ignoriert die Simulation diese manuellen Eingriffe vollständig.
Generelle probabilistische Prognosen – nicht nur Nachfrageprognosen – sind ein weiterer entscheidender Bestandteil, um eine solche Simulation durchzuführen. Zukünftige Durchlaufzeiten, zukünftige Retouren und viele andere Faktoren, die zur zukünftigen Ungewissheit beitragen, müssen prognostiziert werden. Andernfalls arbeitet die Simulation auf der Grundlage fehlerhafter und unzuverlässiger Daten (d. h. Daten, die für andere wesentliche Quellen der Ungewissheit blind sind). Die Integration verallgemeinerter probabilistischer Prognosen ermöglicht es uns, aussagekräftige Simulationen zu erstellen, die die notwendige Granularität und Einsicht in die Lieferkette des Kunden bieten.
Weitere Informationen zu Lokads Prognoseperspektive finden Sie unter Probabilistic Forecasting.
1.8 Können Sie die wirtschaftlichen Indikatoren beschreiben, die Sie zur Unterstützung von Einkaufsentscheidungen verwenden?
Executive Summary: Die programmatische Plattform von Lokad ermöglicht es, eine breite Palette von wirtschaftlichen Treibern in Einkaufsentscheidungen einzubeziehen, einschließlich direkter (erster Ordnung) wie Bruttomarge und Versandkosten sowie indirekter (zweiter Ordnung) wie Fehlmengengebühren und Kundenloyalität. Diese Programmierbarkeit übertrifft traditionelle Unternehmenssoftware, die Benutzer oft auf einen vordefinierten Satz wirtschaftlicher Indikatoren erster Ordnung beschränkt und nicht die Flexibilität bietet, die Komplexität realer Lieferketten zu adressieren.
Wir empfehlen, alle relevanten wirtschaftlichen Treiber zu berücksichtigen, die von Kunde zu Kunde (etwas) variieren können. Im Allgemeinen lassen sich die relevanten Treiber in zwei umfassende Kategorien einteilen, die als Treiber erster und zweiter Ordnung bezeichnet werden. Treiber erster Ordnung umfassen alle Vorteile und Kosten, die mehr oder weniger direkt aus den Büchern des Kunden abgelesen werden können: Bruttomarge, Versandkosten, Lagerhaltungskosten, Bestellkosten etc. Treiber zweiter Ordnung sind nuancierter, weniger direkt und in der traditionellen Unternehmenssoftware vollständig abwesend. Dazu zählen die Kosten, etwas nicht vorrätig zu haben, wenn ein Kunde es wünscht (Fehlmengengebühr), die Kundenloyalität oder das Kundenvertrauen, die relative Bedeutung von Kundensegmenten oder geografischen Regionen usw.
Die Plattform von Lokad wurde so entwickelt, dass nahezu jeder wirtschaftliche Treiber berücksichtigt werden kann; wenn ein solcher Treiber in einer Tabellenkalkulation ausgedrückt werden kann, kann er auch mit Lokads Technologie ausgedrückt werden. In der Praxis sind Lokads Supply Chain Scientists dafür verantwortlich, eine umfassende Liste der relevanten wirtschaftlichen Treiber des Kunden vorzuschlagen. Diese Liste wird anschließend vom Kunden validiert und/oder ergänzt.
Diese umfangreiche Programmierbarkeit übertrifft bei weitem die Funktionalität, die in Unternehmenssoftware zu finden ist, bei der dem Kunden eine fest codierte Auswahlliste von wirtschaftlichen Indikatoren erster Ordnung zur Unterstützung von Einkaufsentscheidungen präsentiert wird. Solche Werkzeuge sind in der Praxis nicht in der Lage, die Nuancen und Vielfalt der Situationen, die in realen Lieferketten auftreten, zu bewältigen. Infolgedessen greifen Lieferkettenpraktiker, wenn sich die Unternehmenssoftware auf solche Methoden verlässt, unvermeidlich auf frühere Methoden (in der Regel Tabellenkalkulationen) zurück, um einen Treiber zu berücksichtigen, der in der ERP-Liste fehlte.
Zum Thema wirtschaftliche Indikatoren gibt es keinen Ersatz für vollständige programmgesteuerte Fähigkeiten. Obwohl Tabellenkalkulationen in der Tat programmatisch sind, fehlt ihnen die Korrektheit von vornherein und die Skalierbarkeit der Plattform von Lokad.
Siehe die Quantitative Supply Chain im Kurzüberblick für weitere Informationen zu Lokads Lieferkettenphilosophie, sowie diese Zusammenfassung für weitere Informationen zu Treibern erster versus zweiter Ordnung.
1.9 Geben Sie Lagerberichte mit den zugrunde liegenden Ursachen aus?
Ja, Lokads Plattform verfügt über umfangreiche Möglichkeiten, die Grundursachen des aktuellen Zustands des Lagerbestands des Kunden zu identifizieren.
Es ist hervorzuheben, dass die Identifizierung von ‚Grundursachen‘ keine triviale Aufgabe ist. Es erfordert immer umfangreiche Arbeit der Supply Chain Scientists von Lokad, um etwas zu identifizieren, das wirklich als Grundursache qualifiziert. Zum Beispiel können Überbestände auf überhöhte MOQs (Mindestbestellmengen) zurückgeführt werden. Dies kann wiederum durch schlecht verhandelte Konditionen des Beschaffungsteams erklärt werden. Allerdings könnten die suboptimalen Konditionen das Ergebnis überzogener Nachfrageerwartungen sein, basierend auf einer erwarteten Weiterentwicklung des Angebots des Kunden, die jedoch aufgrund von Verzögerungen im Marketingteam verschoben wurde. Daher kann es sehr schwierig sein, Korrelation und Kausalität zu trennen, insbesondere in der Lieferkette.
Glücklicherweise ist Lokads Plattform programmatisch. Dies ist eine entscheidende Voraussetzung, wenn es darum geht, unbestimmte Herausforderungen wie die Identifizierung von Grundursachen anzugehen. Fehler im System, die fehlerhafte Daten erzeugen, Praktiker, die Empfehlungen ignorieren oder manuell anpassen, falsch kategorisierte Produkte, denen das falsche saisonale Profil zugewiesen wird, sowie grundlegende menschliche Fehler (um nur einige zu nennen) können alle als Grundursachen qualifiziert werden. Ohne programmatische Fähigkeiten besteht keine Hoffnung, solchen Untersuchungen nachzugehen.
Viele Unternehmenssoftwares rühmen sich mit RCA (Root Cause Analysis)-Fähigkeiten oder Berichten, identifizieren jedoch in der Regel offensichtliche Symptome und nicht die tatsächlichen Grundursachen. Zum Beispiel, wenn die Software einen übermäßigen Bestellauftrag als Grundursache für einen Überbestand identifiziert, ist dies nicht besonders hilfreich, wenn die Software den Bestellauftrag überhaupt empfohlen hat. Dies ist besonders schädlich, wenn stillschweigend erwartet wird, dass Praktiker die fehlerhaften von der Software generierten Bestellaufträge manuell überschreiben.
Im Gegensatz dazu würde jede Grundursache, die auf das von Lokad für den Kunden erstellte numerische Rezept zurückgeführt wird, sofort eine Intervention des für das Konto zuständigen Supply Chain Scientist auslösen – typischerweise in Form einer korrigierenden Neufassung. Diese Umschreibefunktionalität ist nur möglich, weil Lokads Plattform programmatisch ist.
1.10 Über welche Analyse- und Berichtsfunktionen verfügen Sie, um die Leistung und Trends des Lagerbestands zu verfolgen?
Die Plattform von Lokad verfügt über umfangreiche, programmatische Analyse- und Berichtsfunktionen. Das bedeutet, dass jede Analyse – und insbesondere die Analyse der Lagerbestandsleistung – die in einer Tabellenkalkulation oder einem Business-Intelligence-Tool durchgeführt werden kann, auch in Lokads Plattform möglich ist.
Darüber hinaus ist Lokads Plattform sowohl skalierbar als auch kosteneffizient im Skalierungsprozess. Das bedeutet, dass es uns möglich ist, alles zu historisieren, einschließlich der Daten, die in den Geschäftssystemen nicht immer historisiert werden (z. B. historische Lagerbestände und historische Preise). Die Plattform nimmt auch eine prädiktive Haltung in Bezug auf die Lagerbestandsleistung ein. Tatsächlich hängt die Entscheidung, ob es zu viel oder zu wenig Lagerbestand gibt, von den Erwartungen an die zukünftige Nachfrage ab. Diese prädiktiven Fähigkeiten sind ebenfalls programmatisch, was bedeutet, dass sie nach Bedarf angepasst werden können.
Jenseits dieser rohen Plattformfähigkeiten ist Lokads empfohlener Ansatz in Bezug auf die Bestandsleistung zweigeteilt. Erstens, muss die Leistung auf die ursprünglichen supply chain Entscheidungen zurückgeführt werden, die den Bestand (bzw. das Fehlen von Bestand) erzeugt haben. Anstelle einer grundlegenden Ursache sind die Bestandsniveaus ein Symptom der vom Kunden (und seinem unterstützenden Softwareanbieter) getroffenen Maßnahmen, unabhängig davon, ob diese richtig oder falsch sind. Zweitens, muss die Leistung im Hinblick auf die finanzielle Wirkung (z. B. in Euro oder Dollar) bewertet werden, anstatt willkürlich festgelegte Prozentsätze, die mit KPIs (z. B. Servicelevel) verbunden sind.
Finanzbasierte Bewertungen sind entscheidend, um die zahlreichen Faktoren, die zu jeder einzelnen supply chain Entscheidung beitragen, wirksam auszugleichen. Lokads Plattform rationalisiert diese Praktiken und erleichtert es Analysten auf Kundenseite, ihre Bestandsleistung zu verstehen – unter Zuhilfenahme beliebig vieler anpassbarer Dashboards, die über ihr Lokad-Konto verfügbar sind.
1.11 Bieten Sie pro Kategorie TOP P/N (Teilenummern) Listen an, um hervorzuheben, wo das größte Verbesserungspotenzial liegt?
Executive Summary: Ja, Lokads Plattform kann pro Kategorie, Region und Zeitraum TOP P/N-Listen generieren und das Verbesserungspotenzial in Geldbeträgen bewerten, wobei umsetzbare Handlungsaufrufe gegenüber einer einfachen SKU-Priorisierung betont werden. Allerdings rät Lokad davon ab, sich ausschließlich auf die Leistungsverbesserung auf SKU-Ebene zu konzentrieren, und bevorzugt die systematische Verbesserung der numerischen Rezepte, die die supply chain Entscheidungen steuern, wobei die Berichterstattung auf SKU-Ebene lediglich als Hilfsmittel dient.
Mit Lokads Plattform ist es sehr einfach, pro Kategorie, Region, Zeitraum etc. TOP P/N-Listen der Teilenummern (oder SKUs – stock keeping units) zu generieren. Da Lokads Lösung programmatisch funktioniert, kann jede Liste, die in einer Tabellenkalkulation oder einem Business-Intelligence-Tool erstellt werden kann, auch in Lokads Plattform realisiert werden. Darüber hinaus kann das Verbesserungspotenzial durch die Kombination unserer prädiktiven Fähigkeiten mit unserer finanziellen Perspektive in Geldbeträgen (z. B. Euro oder Dollar) bewertet werden, anstatt durch willkürlich festgelegte Prozentsätze, die mit KPIs (z. B. Servicelevel) verknüpft sind.
Lokads bevorzugter Ansatz besteht darin, priorisierte Handlungsaufrufe zu berechnen, wobei die Prioritäten in Dollar oder Euro ausgedrückt werden, die erzielt werden, wenn die vorgeschlagene Maßnahme umgesetzt wird. Diese Handlungsaufrufe sind vielfältig und können die Beschleunigung oder Verschiebung einer Bestellung, die Identifizierung eines alternativen Lieferanten, die Erweiterung des Sortiments um zusätzliche Varianten, das Ausphasieren von Produkten aus dem Sortiment usw. umfassen. Im Gegensatz zu einer einfachen Priorisierung von P/Ns ist die Priorisierung von Handlungsaufrufen per Design vollständig umsetzbar. Der Handlungsaufruf muss nicht notwendigerweise auf P/N-Ebene erfolgen. Lokad ist in der Lage, sehr unterschiedliche Handlungsaufrufe in jeglicher Granularität auszudrücken, nicht nur auf P/N-Ebene.
Allerdings liegt hinter dieser Frage eine Perspektive, die Lokad für die supply chain nicht empfiehlt. Die Intention, die Leistung auf SKU-Ebene zu verbessern, besteht darin, die Aufmerksamkeit der supply chain Praktiker in einem Kontext zu priorisieren, in dem erwartet wird, dass SKUs manuell überprüft werden. Dieser Ansatz ist veraltet und nutzt die Zeit der supply chain Praktiker nicht angemessen. Bestandsprobleme, die bei einer bestimmten SKU auftreten, sind beinahe immer nicht spezifisch für diese SKU. Stattdessen stimmt etwas grundsätzlich mit dem numerischen Rezept nicht, und wenn dieses allgemeinere Problem nicht behoben wird, wird sich das Problem beim nächsten Mal über eine andere SKU manifestieren.
Daher sollte die Zeit der Experten in die systematische Verbesserung der numerischen Rezepte investiert werden, die die supply chain Entscheidungen steuern. Auch wenn die Berichtsfähigkeiten auf SKU-Ebene wichtig sind, dienen sie hauptsächlich als unterstützende Instrumente für die kontinuierliche Verbesserung der numerischen Rezepte und nicht als Mittel zur Priorisierung der Aufmerksamkeit.
2. Bestände & Servicelevel
2.1 Bieten Sie Berichte über den verfügbaren Lagerbestand an?
Ja, Lokads Plattform macht es einfach, einen Bericht zu erstellen, der die aktuellen Lagerbestände abdeckt. Lokad ist in der Lage, relationale Daten aus dem Geschäftssystem des Kunden zu verarbeiten, um solche Berichte zu generieren. Außerdem kann Lokads Plattform mit den Feinheiten umgehen, die mit den Lagerbeständen verbunden sind, wie z. B. reservierter Bestand oder nachbestellter Bestand. All diese Daten können von Lokad historisiert werden, selbst wenn sie im ursprünglichen Geschäftssystem nicht historisiert werden. Schließlich können diese Informationen entweder in Einzelstücken oder in finanziellen Einheiten entsprechend den vom Kunden bevorzugten Bewertungsregeln dargestellt werden. Die Berichte über den Lagerbestand basieren auf der letzten inkrementellen Synchronisation mit den Geschäftssystemen.
Diese Funktionalität ist jedoch nicht Lokads primäre Anwendung. Auch wenn Lokad in der Lage ist, Echtzeit-Lagerbestände für jede SKU zu prüfen, ist unsere Technologie als analytische Schicht über den transaktionalen Geschäftssystemen konzipiert. Diese Systeme bleiben zuständig für die Verwaltung des Bestands bei allen alltäglichen Transaktionsvorgängen, während Lokad darauf ausgelegt ist, die Intelligenz bei Bestandsentscheidungen zu optimieren.
2.2 Wie berechnen und optimieren Sie das Servicelevel des Bestands?
Executive Summary: Lokad liefert optimierte Servicelevels für den Bestand, indem probabilistische Prognosen mit stochastischer Optimierung integriert werden. Dieser Ansatz ermöglicht es, supply chain Entscheidungen an spezifische quantitative Kriterien anzupassen, wie etwa das Gleichgewicht zwischen hohen Servicelevels, minimalem Bestand und maximiertem ROI.
Lokad optimiert das Servicelevel des Bestands, indem probabilistische Prognosen und stochastische Optimierungsfunktionen kombiniert werden. Dies ermöglicht es uns, supply chain Entscheidungen so zu optimieren, dass sie jede quantitative Kennzahl widerspiegeln, die in Excel ausgedrückt werden könnte – nur besser. Insbesondere ist die Optimierung von Nachschubentscheidungen gemäß bestimmter Servicelevels – bei gleichzeitiger Minimierung des Bestands und Maximierung des ROI – sehr unkompliziert.
Probabilistische Prognosen sind außerordentlich mächtig, um sicherzustellen, dass supply chain Entscheidungen das beabsichtigte Servicelevel tatsächlich widerspiegeln, selbst wenn die Servicelevels sehr hoch sind (z. B. 98 % und höher). Klassische Zeitreihenprognosen (d. h. nicht-probabilistische) und deren herkömmliche Bestandsmethoden (z. B. Sicherheitsbestände) versagen systematisch unter diesen Bedingungen, da die zugrunde liegenden Modellannahmen (d. h. Normalverteilungen für Nachfrage und Lieferzeiten) durch die realen supply chain Bedingungen systematisch verletzt werden. Lokad kann, und optimiert gelegentlich, Servicelevels. Um dies zu erreichen, berücksichtigen wir die relevanten wirtschaftlichen Treiber: Lagerhaltungskosten, Kapitalkosten, Fehlmengenkosten, Bruttomarge usw. Anschließend berechnen wir die Servicelevels, die den Ertrag in Dollar pro ausgegebenem Dollar des Kunden maximieren.
Sobald dies erledigt ist, stellen unsere Kunden in der Regel fest, dass Servicelevels tatsächlich vollständig umgangen werden können. Lokad ist in der Lage, die oben genannten wirtschaftlichen Treiber zu nutzen, um die supply chain Entscheidungen direkt zu optimieren (anstatt sich auf willkürliche supply chain KPIs zu stützen). Dadurch haben Bestände Servicelevels, die die profitabelste Strategie für das Unternehmen widerspiegeln. Dies gilt, obwohl Lokad den Ertrag in Dollar pro ausgegebenem Dollar direkt optimiert und nicht Prozentsätze, die mit willkürlichen KPIs verknüpft sind.
“Willkürliche KPI” ist keine Übertreibung. Erstens beruht das Servicelevel typischerweise darauf, Kundenanfragen isoliert zu erfüllen, anstatt sie auf die profitabelste Weise zu bedienen. Letzteres ist eine wesentlich nuanciertere Perspektive, die die damit verbundenen Kosten berücksichtigt, hohe Servicelevels für SKUs zu erreichen, die an sich möglicherweise nicht besonders rentabel sind. Ignoriert man diese Perspektive, setzt man unnötige Bestandskosten (und Abschreibungen) fort. Dies liegt daran, dass willkürlich hohe Servicelevels per Design einen kontinuierlichen Fluss von toten Beständen erzeugen.
Zweitens entspricht das Servicelevel – ein willkürlicher, bürokratischer Prozentsatz – nicht der „Servicequalität“ für Kunden. Servicelevels lassen per Design alle Kannibalisierungen und Substitutionen außer Acht, die im Angebot vorhanden sind. Umgekehrt berücksichtigen Servicelevels ebenfalls nicht per Design alle Abhängigkeiten im Angebot, bei denen der Erhalt von Produkt A nur sinnvoll ist, wenn Produkt B ebenfalls verfügbar ist.
Drittens berücksichtigen Servicelevels, selbst aus der Perspektive einer einzelnen SKU, keine Großbestellungen – Situationen, in denen ein Kunde erwartet, dass eine bestimmte Menge zum Kauf verfügbar ist. In diesem Fall sind sowohl leere Regale als auch unzureichend bestückte Regale eine Gefahr für die Servicequalität.
Kurz gesagt, das Servicelevel ist ein veraltetes Instrument der supply chain, das nicht mit der „Servicequalität“ verwechselt werden darf, die nach wie vor genauso wichtig ist wie eh und je. Lokad erkennt an, dass ein rechtzeitiges Change Management eine Übergangsphase mit solchen KPIs erfordern kann, aber langfristig empfehlen wir dringend die überlegene wirtschaftliche Perspektive, die den Ertrag in Dollar pro ausgegebenem Dollar optimiert.
Siehe die Quantitative Supply Chain in a Nutshell für weitere Informationen zu Lokads finanzieller Perspektive.
2.3 Wie optimieren Sie die Bestandsniveaus und senken Lagerhaltungskosten?
Executive Summary: Lokad folgt einem zweistufigen Prozess. Erstens etablieren wir ein probabilistisches Prognosemodell. Dieses Modell ist eine verallgemeinerte Version der alten (heutzutage veralteten) Zeitreihenprognosemodelle, da es alle Unsicherheitsquellen abdeckt, nicht nur die Nachfrage. Zweitens wenden wir eine stochastische Optimierung an. Die stochastische Optimierung ist der Prozess, der die supply chain Entscheidungen, beispielsweise Nachfüllmengen, ermittelt. Die Optimierung wird als „stochastisch“ bezeichnet, weil das Optimierungskriterium störend/zufällig ist – etwas, das die unsicheren zukünftigen supply chain Bedingungen widerspiegelt.
Lokads bevorzugtes Optimierungskriterium spiegelt die wirtschaftlichen Treiber des Kunden wider. Daher quantifiziert Lokad beim Optimieren des Bestands eines Kunden ausdrücklich die verschiedenen Kosten (z. B. Lagerhaltungskosten, Betriebskapitalkosten, Abschreibungskosten usw.) sowie den Ertrag (z. B. Bruttomarge, Fehlmengenkosten usw.), um die Rentabilität zu maximieren. Dementsprechend passen wir die Bestände an, um die Lagerhaltungskosten zu minimieren, jedoch nur insoweit, als diese Einsparungen nicht durch Verluste aufgrund einer verschlechterten Servicequalität kompensiert werden.
Obwohl Lokads bevorzugtes Optimierungskriterium in der sorgfältigen Quantifizierung der wirtschaftlichen Treiber des Kunden verankert ist, können wir unsere Kriterien anpassen, um eine beliebige Anzahl alternativer Faktoren zu berücksichtigen. Lokads Plattform ist programmatisch, was bedeutet, dass sie an jedes vom Kunden gewünschte Kriterium angepasst werden kann, einschließlich solcher, die in einer herkömmlichen Excel-Tabelle ausgedrückt werden könnten.
Siehe Economic Drivers in supply chain und die Quantitative Supply Chain in a Nutshell für weitere Informationen zu Lokads finanzieller Perspektive.
2.4 Wie optimieren Sie Sicherheitsbestände, um Fehlbestände zu minimieren und gleichzeitig die Lagerhaltungskosten zu kontrollieren?
Executive Summary: Lokads risikoadjustierte Entscheidungen minimieren das tatsächliche finanzielle Risiko von Fehlbeständen, indem sie den Bestand bis zu dem Punkt erhöhen, an dem die zusätzlichen Lagerhaltungskosten die Kosten eines Fehlbestands übersteigen. Da die Optimierung mit einer konstanten, allgegenwärtigen Unsicherheit – die Zukunft ist unvorhersehbar – umgehen muss, ist stochastische Optimierung erforderlich. Traditionelle Prognose- und Optimierungsmethoden (d. h. deterministische Modelle) können mit den störenden/zufälligen zukünftigen Variablen nicht umgehen – probabilistische Prognosen in Verbindung mit stochastischer Optimierung hingegen schon.
Lokad optimiert alle Bestände – einschließlich Sicherheitsbestände – indem probabilistische Prognosen mit einer stochastischen Optimierung kombiniert werden. Die probabilistischen Prognosen umfassen die zukünftige Nachfrage und die zukünftigen Lieferzeiten sowie jede andere relevante Quelle der Unsicherheit. Die stochastische Optimierung kann so angepasst werden, dass sie jeglichen numerischen Kriterien entspricht, einschließlich der Minimierung von Fehlbeständen bei gleichzeitiger Einhaltung eines maximalen Lagerhaltungskostenlimits.
Probabilistische Prognosen sind in der Lage, die außergewöhnlichen Bedingungen, die Fehlbestände überhaupt erst verursachen, gezielt zu erfassen. Tritt ein Fehlbestand auf, geschieht dies typischerweise, weil entweder die Nachfrage oder die Lieferzeit unerwartet angestiegen ist – möglicherweise beides. Klassische Zeitreihenprognosemodelle (d. h. nicht-probabilistische) ermitteln nur einen einzelnen zukünftigen Wert (z. B. X) und verwerfen damit komplett alternative Werte (z. B. X+1, X-1 usw.), die sie als weniger wahrscheinlich – wenn auch keineswegs unmöglich – betrachten.
Infolgedessen sind klassische Zeitreihenprognosen weitgehend blind, wenn es darum geht, unwahrscheinliche Ereignisse, die zu einem Fehlbestand führen könnten, quantitativ zu bewerten. Wenn ein Unternehmen anstrebt, dass Fehlbestände weniger als 1 % der Zeit auftreten (z. B. pro Quartal), sind die Fehlbestände, die dennoch passieren, per Design Teil der obersten 1 % der extremsten Situationen.
Der Prozess der stochastischen Optimierung ist wesentlich, um die ursprünglichen probabilistischen Prognosen in supply chain Entscheidungen, wie zum Beispiel Bestandsnachfüllungen, zu überführen. Lokads Ansatz ist rein wirtschaftlich und drückt die Kosten von Fehlbeständen in Dollar (oder Euro) aus, neben den anderen Kosten wie den Lagerhaltungskosten.
Nach Einschätzung von Lokad ist das Modell der Sicherheitsbestände ein veraltetes Konzept, auch wenn es auf Kundenwunsch in unsere Plattform integriert werden kann. Wir empfehlen nachdrücklich, die quantitative supply chain Perspektive vollständig zu übernehmen, anstatt sich auf Methoden zu verlassen, die nicht zweckmäßig sind. Zum Beispiel ist vermutlich der größte Mangel von Sicherheitsbestandsmodellen, dass sie (per Design) nicht priorisieren können, welche von zwei SKUs, die kurz vor einem Fehlbestand stehen, am wichtigsten ist. Diese Herangehensweise betrachtet SKUs in strikter Isolation und unterminiert damit den Versuch, die supply chain als Ganzes zu optimieren.
Siehe Why Safety Stock is Unsafe und Retail stock Allocation with Probabilistic Forecasts für weitere Informationen zu diesen Punkten.
2.5 Berechnen und passen Sie die Sicherheitsbestände dynamisch auf der Ebene von Filialen und Lagern an?
Executive Summary: Ja, Lokads Plattform ermöglicht es, den gesamten Bestandsoptimierungsprozess zu aktualisieren, sobald neue Eingangsdaten vorliegen – typischerweise täglich. Als Faustregel halten wir alle Berechnungen unter 60 Minuten, einschließlich der Aktualisierung aller Prognosen und Entscheidungen für jede einzelne SKU an jedem Standort – Filialen und Lager eingeschlossen. Dieser flexible und skalierbare Ansatz ist nur dank Lokads spezifischer Engineering-Entscheidungen möglich.
Lokad’s Plattform betont ein „zustandsloses“ Design für supply chain Optimierung. Wir recyceln keine früheren Berechnungen, sondern rechnen bei jedem Eingang von Rohdaten alles neu. Obwohl dies den Einsatz von Rechenressourcen erhöhen kann, ist es die einzige effektive Methode (derzeit verfügbar), um die Integrität der Datenverarbeitung zu gewährleisten – etwas, das ohne Lokad’s zustandsloses Design gefährdet wäre. Die Alternative besteht darin, die Produktionsumgebung des Kunden zu einem Testgelände für halb-verifizierte Daten zu machen – etwas, das Lokad nicht empfiehlt.
Diese Aktualisierungen decken alle Einstellungen ab, die die supply chain Optimierung, die Lokad liefert, steuern. Falls vom Kunden gewünscht, können die Aktualisierungen auch Zeitreihenvorhersagen, Sicherheitsbestände und optimierte Servicelevels umfassen. Lokad empfiehlt jedoch dringend, dass sich die Kunden nicht auf diese veralteten Methoden verlassen, sondern die überlegene Optimierungskraft probabilistischer Vorhersagen und stochastischer Optimierung vollumfänglich nutzen.
Bitte konsultieren Sie Alles täglich erneuern für weitere Informationen zu diesem Punkt.
Siehe auch Stock levels & service levels 2.4 in diesem FAQ.
2.6 Bewerten Sie den Einfluss von Sicherheitsbestandsniveaus/Formeln auf die Aufrechterhaltung der gewünschten Servicelevels?
Ja, über Lokad’s Plattform kann ein supply chain Praktiker den Einfluss eines bestimmten Sicherheitsbestands auf das Servicelevel bewerten. Anders ausgedrückt, man kann ein Sicherheitsbestandsniveau wählen und das entsprechende Servicelevel ablesen. Die Plattform ermöglicht es dem supply chain Praktiker auch, weitere Faktoren zu bewerten, wie etwa die erwarteten Lagerkosten (oder mindestens die Lagerdauer, falls die wirtschaftlichen Eigenschaften der Bestände nicht angegeben wurden) und/oder das Risiko von toten Beständen.
Allerdings sind Sicherheitsbestände und Servicelevels weitgehend veraltete Konzepte. Obwohl es möglich ist, sie in unsere Plattform zu integrieren, empfiehlt Lokad keines von beiden. Probabilistische Vorhersagen und stochastische Optimierung – das Fundament von Lokad’s Optimierung – stellen in jeder Hinsicht eine überlegene Alternative dar.
Bitte konsultieren Sie Einzelhandelsbestandszuordnung mit Wahrscheinlichkeitsvorhersagen für weitere Informationen zu diesem Punkt.
Siehe auch Stock levels & service levels 2.4 in diesem FAQ.
2.7 Ermöglicht Lokad die Implementierung verschiedener Bestandsstrategien, jeweils mit spezifischen Servicelevels und Konfidenzintervallen, differenziert über mehrere organisationale Dimensionen (z. B. nach SKU, Produktkategorie und/oder Region)?
Executive summary: Ja, Lokad’s Plattform unterstützt die Differenzierung von Bestandsstrategien oder -richtlinien auf SKU-Ebene. Solche Strategien können differenzierte Einstellungen widerspiegeln – auf SKU-Ebene – unter Berücksichtigung variierender Servicelevel-Ziele, variierender Konfidenzintervalle (für Sicherheitsbestände) etc. Diese Strategien können auch auf jeder intermediären Granularität differenziert werden (nicht nur auf SKU-Ebene). Zum Beispiel ist es möglich, Einstellungen selektiv pro Region, pro Produktkategorie, pro Produkteigenschaft (z. B. Schwellenwert beim Artikelgewicht) anzuwenden.
Lokad’s Plattform ist programmatisch, daher können wir jede Bestandsstrategie umsetzen, die sich in einer Tabellenkalkulation ausdrücken ließe – unabhängig davon, wie willkürlich oder ungewöhnlich diese Strategie sein mag. Lokad’s Supply Chain Scientists führen diese Aufgaben durch und stellen sicher, dass das Ergebnis treu die ursprünglichen Intentionen des Kundenunternehmens widerspiegelt.
Obwohl die Plattform von Lokad zur Erreichung von Servicelevels genutzt werden kann, raten wir dringend davon ab. Die Plattform von Lokad ist am besten dazu geeignet, den Ertrag in Dollar pro ausgegebenem Dollar zu optimieren und nicht Prozentsätze, die mit willkürlichen KPIs verbunden sind. Tatsächlich gibt es zwei wesentliche Einwände gegen den Begriff „Servicelevel“.
Erstens, trotz eines ähnlichen Namens ist die Verbindung zwischen Servicelevel und Servicequalität – wie sie vom Verbraucher wahrgenommen wird – schwach. Viele supply chain Lehrbücher und folglich auch viele supply chain Softwarelösungen vermischen fälschlicherweise beide Begriffe. Servicelevels ignorieren vollständig das Spektrum aller möglichen Substitutionen sowie aller möglichen Abhängigkeiten zwischen Produkten. Servicelevels sind daher ein schlechter Indikator für ein tatsächliches Verständnis von Servicequalität.
Zweitens, die Servicelevels tragen durch ihren einseitigen Fokus auf den Aufwärtstrend (d. h. die Bedienung der Nachfrage) dazu bei, dass kontinuierlich Abschreibungen auf Bestände entstehen, was letztlich bedeutet, dass sie die Abwärtstendenz (d. h. das Zurückbleiben von Einheiten, die nie verkauft/angefragt/konsumiert werden) außer Acht lassen.
2.8 Können Sie Servicelevel und Lagerumschlag pro SKU oder pro P/N (Part Number) durchsetzen?
Ja, die Plattform von Lokad ermöglicht es uns, den Bestandsoptimierungsprozess auf ein gegebenes Servicelevel/Lagerumschlag auszurichten – bis hin zur SKU-Ebene oder auf jeder intermediären Granularitätsebene (P/N, Marke, Standort, Kategorie, Preispunkt etc.). In dieser Hinsicht kann die Plattform von Lokad Bestandsentscheidungen so steuern, dass sie jedes quantitative Ziel widerspiegeln, das der Kunde wünscht.
Es kann jedoch kein Anbieter garantieren, dass seine Einstellungen „durchgesetzt“ werden – zumindest nicht bei einer bestimmten SKU. Grundsätzlich hängen sowohl Servicelevels als auch Lagerumschlag vom Verhalten der Kunden ab. Wenn das Interesse an einem bestimmten Produkt plötzlich stark ansteigt, kann die daraus resultierende Nachfrage die Bestandslevels erheblich übersteigen, und das Servicelevelziel wird nicht erreicht. Entsprechend, wenn das Interesse sinkt, werden auch die Lagerumschlagsziele nicht erreicht.
Die probabilistische Vorhersagetechnologie von Lokad stellt sicher, dass im Durchschnitt über viele SKUs (d. h. Tausende) und über einen beträchtlichen Zeitraum (d. h. Wochen) die beobachteten Servicelevels und Lagerumschläge die gewünschten Einstellungen des Kunden widerspiegeln. Dies ist, praktisch gesehen, der „nächste“ Bereich, dem man vernünftigerweise nahekommt, wenn es darum geht, Einstellungen „durchzusetzen“, die letztlich von den Kunden bestimmt werden.
Siehe auch Stock levels & service levels 2.7 in diesem FAQ.
3. Überbestände
3.1 Wie integrieren Sie das Risiko von Bestandsabschreibungen?
Die von Lokad verwendeten probabilistischen Vorhersagen sind ein entscheidender Bestandteil der Bewertung von Bestandsabschreibungen. Durch probabilistische Vorhersagen bewertet Lokad alle möglichen Zukunftsszenarien – einschließlich weniger wahrscheinlicher – anstatt die gesamte Analyse auf einen einzigen zukünftigen, festgelegten Wert zu stützen (d. h. klassische Punkt-/Zeitreihenvorhersagen). In Wirklichkeit ist es der erwartete (wenn auch unwahrscheinliche, aber nicht unmögliche) starke Nachfragerückgang, der Bestandsabschreibungen verursacht – etwas, das probabilistische Vorhersagen explizit im Voraus quantifizieren sollen.
Sobald die probabilistischen Vorhersagen vorliegen, erzeugt Lokad risikoadjustierte supply chain Entscheidungen. Diese supply chain Entscheidungen werden in Bezug auf die relevanten wirtschaftlichen Treiber optimiert, von denen die Möglichkeit der Bestandsabschreibung einer ist. Die Entscheidung (z. B. eine Bestandsauffüllung) wird risikoadjustiert, da sie den Vorteil einer besseren Kundenbedienung gegen die Möglichkeit abwägt, später mit toten Beständen dazustehen. Zudem kann Lokad die Zwischenoption berücksichtigen, die dem Kundenunternehmen zur Verfügung stehen könnte, wie etwa sekundäre Vertriebskanäle, die den überschüssigen Bestand aufnehmen können – wenn auch zu stark reduzierten Preisen.
Siehe auch Stock levels & service levels 2.3 in diesem FAQ.
3.2 Wie gehen Sie mit toten und/oder schlummernden Beständen um und optimieren diese?
Lokad geht proaktiv mit toten Beständen um, indem es die supply chain Entscheidungen, die letztlich zu toten Beständen führen, eliminiert oder zumindest deutlich reduziert. Dieser proaktive Mechanismus stützt sich in hohem Maße auf die von Lokad erstellten probabilistischen Vorhersagen.
Im Gegensatz zu klassischen Zeitreihenvorhersagen, die einen einzigen zukünftigen Wert identifizieren – und damit alle alternativen Werte außer Acht lassen – bewertet Lokad quantitativ alle möglichen Zukunftsszenarien anhand ihrer jeweiligen Wahrscheinlichkeiten. Durch diese Bewertung quantifizieren wir das Risiko, dass eine supply chain Entscheidung (z. B. das Bestellen von 5 Einheiten statt 4) zu toten Beständen führt. Wenn eine supply chain Entscheidung (z. B. das Nachbestellen von 5 Einheiten) als zu risikoreich in Bezug auf tote Bestände eingeschätzt wird, wird diese Entscheidung angepasst, um das Risiko zu senken. Natürlich kann das Risiko von Bestandsabschreibungen nicht vollständig eliminiert werden, aber sobald es adäquat bewertet wurde, kann die Häufigkeit von Bestandsabschreibungen drastisch reduziert werden.
Hinsichtlich schlummernder Bestände – sofern diese nicht einem sehr spezifischen Zweck dienen (wie es in industriellen Umgebungen der Fall sein könnte, in denen Ersatzteile bei seltenen, aber kritischen Ausfällen benötigt werden) – würde Lokad in der Regel empfehlen, den Preis zu senken, um die Nachfrage anzukurbeln. Dadurch würde letztlich der verbleibende Bestand liquidiert. Die Plattform von Lokad ist in der Lage, einen gemeinsamen Bestands- und Preisoptimierungsprozess genau für diesen Zweck zu erstellen.
Siehe auch Overstocks 3.1 in diesem FAQ.
3.3 Identifizieren Sie nicht performante Bestände, z. B. E&O (überschüssig und obsolet) sowie tote Bestände?
Executive summary: Ja. Mithilfe probabilistischer Vorhersagen identifiziert und quantifiziert Lokad die Lebenszyklen der Einheiten im Bestand für jede SKU. Für jede Einheit im Bestand schätzen wir die Wahrscheinlichkeit, dass diese Einheit innerhalb eines gegebenen Zeitraums angefragt (oder bedient oder konsumiert) wird. Zum Beispiel können wir bei der Betrachtung einer überbestückten SKU beurteilen, welcher Anteil des Bestands Gefahr läuft, zu toten Beständen zu werden, und welcher Anteil Gefahr läuft, zu veralteten Beständen zu werden (welche Reduzierungen erfordern, um den Verkauf anzuregen). Dies ist derselbe Ansatz, den wir auch bei überschüssigem und obsolet gewordenem Bestand verfolgen und stellt einen wesentlichen Bestandteil bei der Erstellung unserer empfohlenen supply chain Entscheidungen dar.
Die Perspektive der probabilistischen Vorhersage ermöglicht es Lokad, alle möglichen zukünftigen Werte (z. B. der Nachfrage) zu berücksichtigen, anstatt sich nur auf einen einzigen Wert zu stützen (wie es bei traditionellen Zeitreihenvorhersagen der Fall ist). Diese Perspektive ist entscheidend, um all die nuancierten Variationen anzugehen, die bei der Minderung von Bestandsrisiken existieren. Die Entstehung von toten Beständen kann nur verhindert werden (statt im Nachhinein behandelt zu werden); daher besteht die Herausforderung darin, einen Prozess zu implementieren, der die Wahrscheinlichkeit, toten Bestand anzusammeln, von vornherein effektiv reduziert. Ein solcher Prozess erfordert eine präzise Quantifizierung der Wahrscheinlichkeit, dass eine supply chain Entscheidung zu überschüssigem/obsoletem/totem/veraltetem Bestand führt.
Zeitreihenvorhersagemodelle sind von Natur aus zu dieser Art der Risikobewertung nicht in der Lage. Ein Hauptgrund dafür ist, dass Zeitreihenvorhersagen nur einen einzelnen zukünftigen Wert (z. B. Nachfrage) betrachten. Diese einfache Herangehensweise ermöglicht es, SKUs sauber in ordentliche Kategorien zu unterteilen (wie zum Beispiel A/B/C-Klassen in einer ABC-Analyse). Diese Einfachheit bedeutet jedoch, dass eine detaillierte Risikobewertung nicht möglich ist, da eine sortierte Liste risikoadjustierter Entscheidungen für eine gegebene SKU Daten zu mehreren zukünftigen Szenarien erfordert (d. h. den Verkauf von 1/2/3/4/5/etc. Einheiten derselben SKU).
Zusammenfassend ermöglicht die Annahme eines probabilistischen Ansatzes für Vorhersagen (in diesem Fall der Nachfrage) eine effektive, proaktive Strategie, die die Entstehung nicht performanter Bestände mindert, anstatt sie nachträglich zu behandeln – zu einem Zeitpunkt, an dem es kaum eine andere Möglichkeit gibt, als sie zu entsorgen.
3.4 Haben Sie KPIs zur Verfolgung von aktivem vs. schlummerndem vs. neuem Bestand?
Executive summary: Ja. Die Plattform von Lokad ist programmatisch – das heißt, wir können jede Art von KPI entwerfen, die wir wünschen – und unsere Supply Chain Scientists übernehmen den Aufbau und die Implementierung der KPIs des Kunden (in Abstimmung mit dessen Input). Lokad stellt maßgeschneiderte KPIs zur Verfügung, die die Nuancen des Bestands des Kunden authentisch widerspiegeln. Lokad kann auch alle KPIs reproduzieren, die der Kunde zuvor verwendet hat und beibehalten möchte, wobei diese in der Regel weniger nützlich sind als die maßgeschneiderten, die Lokad für das Projekt entwirft.
Lokad kann nicht nur das genaue Alter jeder einzelnen Einheit im Bestand verfolgen, sondern dank unserer probabilistischen Vorhersagen auch die Wahrscheinlichkeit bewerten, dass die Einheit für eine bestimmte Dauer im Bestand verbleibt (1 Woche, 1 Monat, 1 Jahr etc.). Die Einteilung des Bestands in aktiv vs. schlummernd ist nicht lediglich eine Frage der Visualisierung historischer Daten. Vielmehr beinhaltet sie eine Projektion der zukünftigen Nachfrage. Somit sind KPIs prädiktiv. Folglich hängen sie implizit von der Eignung des zugrunde liegenden prädiktiven Modells ab, um eine solche Aufgabe zu erfüllen. Hier sind probabilistische Nachfragevorhersagen bestens geeignet, um die Risiken im Zusammenhang mit einem schädlichen Nachfragerückgang zu bewerten.
Im Gegensatz dazu behandeln einige Anbieter von Unternehmenssoftware Bestands-KPIs so, als wären sie eine direkte Abbildung dieser historischen Daten. Allerdings lässt sich der prädiktive Aspekt nicht vermeiden. Häufig wird dabei übersehen, dass diese Anbieter implizit auf eine „gleitende Durchschnitts“-Nachfragevorhersage setzen, was die Illusion erweckt, dass überhaupt keine Vorhersagen getroffen werden. Dadurch erweisen sich diese ungeeigneten KPIs als schädlich für das Unternehmen, da sie supply chain Praktiker lediglich ablenken.
Siehe auch Overstocks 3.3 in diesem FAQ.
3.5 Wie integrieren, überwachen und optimieren Sie monatliche Bestandsabschreibungen? Wie gehen Sie mit der Variabilität im Abschreibungsprozess selbst um?
Executive summary: Lokad geht die Bestandsabschreibung durch einen umfassenden Ansatz an, der das Verfolgen der Bestandszusammensetzung, die Modellierung von Abschreibungsmechanismen und die Erzeugung risikoadjustierter supply chain Entscheidungen umfasst. Durch die Führung detaillierter Aufzeichnungen über Bestandsniveaus und -alter, den Einsatz prädiktiver Modelle zur Vorhersage der zukünftigen Bestandszusammensetzung und die Nutzung programmatischer Fähigkeiten zur Abbildung verschiedener Abschreibungsmechanismen managt Lokad sowohl interne als auch externe Abschreibungsfaktoren effektiv. Die Plattform von Lokad nutzt stochastische Optimierung, um supply chain Entscheidungen zu treffen, die alle wirtschaftlichen Treiber berücksichtigen, einschließlich der Abschreibungskosten, und dadurch Bestandsabschreibungsrisiken proaktiv mindern und gegen andere operative Überlegungen abwägen.
Die Bewältigung von Bestandsabschreibungen beinhaltet die Lösung einer Reihe von Teilproblemen. Das erste Problem besteht darin, die genaue Zusammensetzung des Bestands zu verfolgen – nicht nur die in Lagerbestandseinheiten ausgedrückten Gesamtsummen. Zum Beispiel spielt das Alter jeder Einheit eine Rolle. Das zweite Problem besteht in der Modellierung des Abschreibungsmechanismus selbst. Dieser kann ein rein endogenes Phänomen sein, bei dem die Güter im Laufe der Zeit an Wert verlieren, oder ein exogenes Phänomen, bei dem sich Marktbedingungen ändern und die Güter dadurch an Wert verlieren. Das dritte Problem besteht darin, supply chain Entscheidungen zu generieren, die risikoadjustiert in Bezug auf die potenzielle Abschreibung sind.
Zunächst erfassen wir über Lokad’s Plattform nicht nur die Lagerbestände, sondern auch das Lageralter jeder einzelnen Einheit im Bestand (sowohl vergangen als auch zukünftig). Dieser Prozess ist ein eigenständiges prädiktives Modell. Selbst wenn historische Daten (aus Geschäftssystemen) herangezogen werden, wird die Alterszusammensetzung der Bestände in der Regel nicht erfasst, sondern kann nur abgeleitet werden. Es gibt eine bemerkenswerte Ausnahme bei Serieninventaren, bei denen jede Einheit im Bestand anhand ihrer Seriennummer verfolgt wird; in diesem Fall ist ein prädiktives Modell für die Vergangenheit nicht notwendig, aber für die Zukunft dennoch erforderlich. Das prädiktive Modell für die Zusammensetzung des Inventars kann sich auf eine FIFO-(First-in, First-out)-Annahme für den Verbrauch des Inventars sowie auf einige weitere nuancierte Muster stützen.
Beispielsweise können Kunden in einem Einzelhandelsgeschäft manchmal ein adversariales Verhalten an den Tag legen, indem sie etwa die optisch ansprechendsten Waren (oder, falls verfügbar, anhand des Verfallsdatums) aussuchen, sodass der Lagerverbrauch bis zu einem gewissen Grad zu einem LIFO-(Last-in, First-out)-Prozess wird. Lokad kann sowohl FIFO als auch LIFO sowie das gesamte Spektrum dazwischen verwalten.
Zweitens können wir über die programmatischen Fähigkeiten von Lokad’s Plattform jeden Abschreibungsmechanismus abbilden. Zum Beispiel kann Lokad eine exponentielle Abschreibung darstellen, bei der Waren in jedem Zeitraum einen kleinen Teil ihres Wertes verlieren; oder Lokad kann eine stufenweise Abschreibung abbilden, bei der Waren bei bestimmten Altersgrenzen einen erheblichen Teil ihres Wertes einbüßen. Darüber hinaus kann der Abschreibungsmechanismus abteilungsübergreifende Abhängigkeiten beinhalten. Beispielsweise ist zu erwarten, dass Waren einen beträchtlichen Teil ihres Wertes verlieren, wenn überlegene Konkurrenzprodukte eingeführt werden – wie es in bestimmten Branchen (zum Beispiel in der Unterhaltungselektronik) häufig der Fall ist.
Die Variabilität des Abschreibungsprozesses, die insbesondere bei der Betrachtung exogener Abschreibungen ausgeprägt ist, profitiert von prädiktiven (probabilistischen) Modellen innerhalb der Lokad-Plattform. Wir müssen nicht exakt wissen, wann ein Konkurrenzprodukt eingeführt wird; durch die Betrachtung historischer Daten können wir die Rate des Produktaustauschs modellieren und die Wahrscheinlichkeit abbilden, dass ein bestimmtes Produkt innerhalb eines vorgegebenen Zeithorizonts (z. B. einer Woche, eines Monats, eines Jahres etc.) obsolet wird. Diese probabilistischen Modelle werden unter Ausnutzung der Lokad zur Verfügung gestellten historischen Daten erlernt.
Drittens werden risikoadjustierte Entscheidungen in der Lieferkette von Lokad getroffen, wobei alle relevanten wirtschaftlichen Einflussfaktoren berücksichtigt werden. Der Prozess ist eine stochastische Optimierung, da die Verlustfunktion (d. h. Kosten und Nutzen) schwankend/variabel ist. Abschreibungskosten werden neben allen anderen relevanten Einflussfaktoren einbezogen. Da die Lokad-Plattform sowohl programmatisches Lernen als auch Optimierungsparadigmen bietet, können wir risikoadjustierte Entscheidungen treffen, während wir sehr unterschiedliche Kostenarten berücksichtigen (und miteinander kombinieren).
Zusammenfassend lässt sich sagen, dass Lokad durch die Erzeugung risikoadjustierter Entscheidungen in der Lieferkette (z. B. Bestellaufträge, Produktionsaufträge etc.), die die Abschreibung des Inventars berücksichtigen, proaktiv die Menge an Inventar reduziert, die letztlich Abschreibungen unterliegt. Jede Entscheidung wird behutsam vom Abschreibungsrisiko weggeführt – jedoch nicht in einem Maße, das ein anderes Problem verschlimmert, wie etwa die Verschlechterung der Servicequalität über das hinaus, was durch die reduzierte Abschreibung gewonnen wird.
3.6 Bieten Sie einen Bericht über Überbestände an?
Executive Summary: Ja. Die Lokad-Plattform verfügt über modernste Technologien zur Bedarfsprognose. Wir nutzen diese Technologie, um zu beurteilen, wie viel Zeit benötigt wird, um den gesamten zugesagten Bestand – sei es vorrätig oder bestellt – zu durchlaufen. Zudem unterstützt unsere Technologie probabilistische Vorhersagen, die eine direkte quantitative Bewertung der Risiken von Überbeständen ermöglichen. Durch die Kombination probabilistischer Vorhersagen mit einem wirtschaftlichen Modell des Inventars, das alle relevanten wirtschaftlichen Einflussfaktoren widerspiegelt, liefert Lokad eine quantitative Einschätzung der Inventarrisiken, ausgedrückt in monetären Größen (z. B. Euro oder Dollar).
Bestände gelten immer als „übermäßig“, wenn sie mit einem prädiktiven Modell der Nachfrage verglichen werden. Es gibt keinen „übermäßigen Bestand“, ohne eine Aussage über die zukünftige Nachfrage zu treffen (auch wenn diese Aussage implizit sein kann). Jede Softwarelösung, die einen Überbestandsbericht basierend auf Regeln wie „mehr als X Monate Lagerbestand“ erstellt, stützt ihre Bewertung des Überbestands implizit auf eine gleitende Durchschnittsprognose der Nachfrage, die sich in den meisten Branchen als unzureichend erweist.
Darüber hinaus macht sich ein Unternehmen ohne ein robustes wirtschaftliches Modell zur Abbildung der Kosten-Nutzen-Gleichung des Inventars erheblichen Bestandsfehlern aus. Eine finanzgetriebene Entscheidung bezüglich des Inventars mag auf den ersten Blick seltsam erscheinen, ist jedoch vollkommen sinnvoll. Zum Beispiel kann es, wenn ein Artikel sehr günstig, sehr klein, mit einer komfortablen Bruttomarge verkauft, vom Kunden (in kleinen Mengen) absolut benötigt wird und nur durch sehr große Mindestbestellmengen (MOQs) bezogen werden kann, vernünftig sein, mehr als einen Jahresvorrat dieses Artikels zu führen. Auch wenn ein Bestand von mehr als einem Jahr wie ein Fehler wirkt, könnte der Return on Investment eine völlig andere Geschichte erzählen.
Siehe No1 auf SKU-Ebene im M5-Prognosewettbewerb für weitere Informationen dazu, wie Lokads Ansatz zur Prognose in der Praxis aussieht.
4. Lagerengpässe
4.1 Weisen Sie Inventar für SKUs mit Ausverkaufsrisiko zu?
Ja, grundsätzlich führt eine der Konsequenzen von Lokads Bestandsoptimierung dazu, dass Inventar den SKUs zugewiesen wird, sobald deren Risiko für einen Ausverkauf steigt. Unter ansonsten gleichen Bedingungen erhalten SKUs, die kurz vor einem Ausverkauf stehen, vorrangige Beachtung.
Dennoch empfehlen wir, bei der Optimierung in Bezug auf Ausverkäufe eine wirtschaftliche, ganzheitliche Perspektive einzunehmen. Das bedeutet, den gesamten finanziellen Einfluss einer Entscheidung in der Lieferkette zu berücksichtigen (z. B. die Zuweisung von Lagerbeständen zur Vermeidung eines Ausverkaufs). Gelegentlich ist es ökonomisch nicht immer sinnvoll, Ausverkäufe zu vermeiden.
Zum Beispiel ist es in Modegeschäften am Ende der Saison üblich, dass Artikel einer veralteten Kollektion schrittweise in den Ausverkauf gehen. Dies geschieht absichtlich, um Platz für die nächste, neuere Kollektion zu schaffen. Ebenso macht es Sinn, ein veraltetes Produkt, das von einer überlegenen Alternative abgelöst wurde, in den Ausverkauf übergehen zu lassen und es anschließend aus dem Sortiment zu nehmen. Demzufolge würde eine vernünftig gestaltete wirtschaftliche Optimierung grundsätzlich versuchen, Ausverkaufsereignisse zu vermeiden.
Eine solche Optimierung würde jedoch auch eine wesentlich granulare und ausgefeiltere Reaktion ermöglichen, was die angemessene Dimensionierung der Investitionen betrifft (z. B. wie viele Einheiten einer bestimmten SKU zugewiesen werden), um das finanzielle Risiko zu mindern.
4.2 Wie priorisieren Sie Bestellaufträge (POs)?
Executive Summary: Lokad priorisiert Bestellaufträge (POs), indem der wirtschaftliche Ertrag jeder zu bestellenden Lagereinheit bewertet wird, mit dem Ziel, den Ertrag pro ausgegebenem Dollar zu maximieren. Diese detaillierte Bewertung, integriert mit bereichsübergreifenden Beschränkungen wie Mindestbestellmengen, wird durch probabilistische Prognosen und stochastische Optimierung geleitet. Diese Technologien bewerten Risiken und Erträge jeder Einheit, unter Berücksichtigung von Faktoren wie Nachfrage, Lieferzeiten und Rücksendungen, um finanziell optimierte Bestellaufträge zu erstellen, die Beschränkungen und wirtschaftliche Tragfähigkeit in Einklang bringen.
Lokads Ansatz zur Optimierung besteht darin, den wirtschaftlichen Ertrag für jede einzelne zu bestellende Lagereinheit zu bewerten. Dies erfolgt, um das Risiko zu mindern, indem der Ertrag in Dollar pro ausgegebenem Dollar maximiert wird. Diese sehr detaillierte Bewertung wird anschließend von einem Optimierungsprozess genutzt, der Bestellaufträge erstellt, welche alle bereichsübergreifenden Einschränkungen (z. B. Mindestbestellmengen auf Lieferantenebene) korrekt widerspiegeln. Diese Einschränkungen werden auf die wirtschaftlichen Erträge pro Einheit überlagert, die die Gesamtpriorisierung leiten. Infolgedessen sind Lokads Bestellaufträge intern korrekt priorisiert und jeder von ihnen verfügt über eine eigene wirtschaftliche Bewertung (d. h. den Ertrag in Dollar). Diese Bewertung wird durch die Aggregation der wirtschaftlichen Erträge aller in einen Bestellauftrag gebündelten Einheiten ermittelt.
Diese finanzgetriebene Priorisierung der Bestellaufträge beruht auf zwei zentralen technologischen Bestandteilen: probabilistische Prognosen und stochastische Optimierung. Beide Bestandteile sind Teil der Lokad-Plattform.
Probabilistische Prognosen, die nicht nur die zukünftige Nachfrage, sondern auch alle anderen Unsicherheitsquellen wie Lieferzeiten oder Rücksendungen vorhersagen, sind entscheidend, um die mit einem Bestellauftrag verbundenen Risiken zu bewerten. Zu diesen Risiken gehören sowohl Aufwärtspotenziale (z. B. die Verringerung des Risikos eines Ausverkaufs) als auch Abwärtspotenziale (z. B. die Erhöhung des Risikos von Ladenhütern). Durch probabilistische Prognosen und unter Ausnutzung der relevanten wirtschaftlichen Einflussfaktoren (z. B. Bruttomarge, Lagerkosten etc.) generiert Lokad die erwartete risikoadjustierte Rendite für jede zu bestellende Lagereinheit, einschließlich der abnehmenden Erträge, wenn mehr Einheiten bestellt werden.
Der stochastische Optimierungsprozess ermöglicht die Zusammenstellung der Bestellaufträge selbst. Fehlen Einschränkungen, handelt es sich um eine einfache Priorisierung der zu bestellenden Einheiten – geordnet nach ihrem jeweiligen Ertrag pro Dollar. Liegen jedoch bereichsübergreifende Beschränkungen vor, ist ein stochastischer Optimierungsprozess erforderlich, um erfolgreich und automatisch Bestellaufträge zu erstellen, die all diese Beschränkungen einhalten und gleichzeitig die zugrunde liegende finanzielle Bewertung auf Einzelebene bewahren.
4.3 Übermitteln Sie Bestellungen an Lieferanten für strategische/kritische SKUs?
Ja, die von der Lokad-Plattform generierten Bestellaufträge berücksichtigen alle relevanten Aspekte, einschließlich der strategischen/kritischen Bedeutung bestimmter SKUs. Diese Aspekte können sowohl explizite Informationen des Kunden als auch implizite/abgeleitete quantitative Bewertungen umfassen, die durch Lokads Analyse ermittelt wurden.
Beispielsweise kann eine SKU als „kritisch“ angesehen werden, weil sie überwiegend an große, bedeutende Kunden verkauft oder von diesen betreut wird. Alternativ kann eine SKU als kritisch gelten, wenn sie Teil eines Sets oder einer Stückliste (BOM: bill of materials) ist, wodurch sie zu einem Engpass wird. In solchen Fällen ist es vorzuziehen, die Lokad-Plattform zu nutzen, um die Bedeutung der SKU durch direkte Datenanalyse zu ermitteln.
Allgemein ist die von Lokad empfohlene finanzielle Perspektive so gestaltet, dass sie unterschiedliche Aspekte berücksichtigt und diese mit den empfohlenen Entscheidungen in der Lieferkette kombiniert. Diese Perspektive legt den Schwerpunkt auf die Integration aller wirtschaftlichen Einflussfaktoren – einschließlich weniger offensichtlicher, wie den Kosten eines Ausverkaufs – in den Entscheidungsprozess.
4.4 Wie fassen Sie kritische Bestellaufträge (POs) zu einer kritischen Shortlist für wichtige Lieferanten zusammen?
Executive Summary: Lokads Ansatz besteht darin, den wirtschaftlichen Einfluss jeder Entscheidung in der Lieferkette zu quantifizieren. In der Praxis bedeutet dies, den finanziellen Einfluss (gemessen am Ertrag pro Dollar) für die Bestellung jeder einzelnen zusätzlichen Lagereinheit zu bewerten. Durch die Erstellung einer Liste, in der die Artikel nach ihrem Ertrag pro Dollar sortiert werden, generiert Lokad automatisch Listen, die den bestmöglichen finanziellen Zustand für den Kunden in Bezug auf seine wirtschaftlichen Einflussfaktoren und KPIs (einschließlich Servicelevel) widerspiegeln. So entfällt die Notwendigkeit für traditionelle Methoden wie Min/Max, Sicherheitsbestände usw., denen letztlich eine robuste finanzielle Dimension fehlt.
Lokads Ansatz der probabilistischen Prognose ermöglicht es, risikoadjustierte Bestellaufträge zu erstellen, die alle Einheiten konsolidieren, die gewinnbringend bestellt werden können (auf Einzelebene bewertet). Dadurch wird es unkompliziert, den Bestellauftrag zu verfeinern, indem innerhalb desselben Auftrags die Einheiten isoliert werden, die ein bestimmtes Maß an wirtschaftlichem Ertrag übertreffen. Diese ertragsstarken Einheiten bilden das Kernstück der Shortlist, die an wichtige Lieferanten kommuniziert wird. Der wirtschaftliche Ertrag spiegelt in der einen oder anderen Form die Strafkosten eines Ausverkaufs wider (ein weniger geläufiger, aber kritischer wirtschaftlicher Einflussfaktor, der den finanziellen Effekt eines Ausverkaufs misst). All dies geschieht, um die Bedeutung jeder einzelnen Einheit hinsichtlich der angestrebten Servicequalität angemessen zu bewerten.
Einige alte (heute obsolet gewordene) Methoden (die in manchen Unternehmenssoftwaresystemen noch vorhanden sind) basieren darauf, Bestellaufträge in Relation zu Zielbeständen zu bewerten (z. B. Min/Max, Sicherheitsbestände, Deckungsziele, Puffervorgaben etc.). Diese Methoden verfügen jedoch jeweils nicht über Mechanismen, die Bedeutung jeder einzelnen Einheit in völliger Isolation von den anderen Einheiten zu quantifizieren.
Tatsächlich spiegeln solche Methoden nicht den Einfluss abnehmender Erträge wider, wie er in der Lieferkette zu beobachten ist. Typischerweise ist die erste bestellte Einheit wertvoller (sowohl für das Kundenunternehmen als auch für dessen Kunden) als die zweite. Da herkömmliche Methoden die Erträge des Inventars nicht auf Einzelebene quantifizieren, sind sie nicht in der Lage, eine wirklich kritische Teilmenge von Einheiten zu extrahieren, die an wichtige Lieferanten weitergeleitet werden kann.
Die Zusammenstellung einer wirklich kritischen Shortlist erfordert von vornherein eine Technologie, die in der Lage ist, die wirtschaftlichen Erträge auf Einzelebene bei der Bestellung zu quantifizieren – eine Technologie, die Lokad besitzt.
4.5 Wie kommunizieren Sie eine kritische Shortlist, unter den ausstehenden Bestellaufträgen (POs), an die Lieferanten?
Lokad bevorzugt es, Bestellaufträge – einschließlich kritischer Shortlists – über transaktionale Geschäftssysteme (z. B. ein ERP oder eine ähnliche Unternehmenssoftware) zu übermitteln. Die Bestellaufträge liegen in der Regel in Form von Flat-File-Exporten vor. Lokad könnte per E-Mail kommunizieren, jedoch ziehen wir es vor, alle transaktionalen Mitteilungen innerhalb des Geschäftssystems des Kunden (z. B. ERP) abzuwickeln.
Siehe auch Bestandskontrolle für weitere Informationen zur Unterscheidung zwischen analytischen Systemen (welche Lokad im Wesentlichen ist) und transaktionalen Systemen wie ERPs.
Siehe auch Lagerengpässe 4.4 in diesem FAQ.
4.6 Bieten Sie einen Bericht über Lagerengpässe an?
Executive Summary: Ja, die Lokad-Plattform ist in der Lage, einen Bericht über Lagerengpässe zu erstellen, der nicht nur den aktuellen Zustand des Inventars, sondern auch einen historischen Überblick über frühere Ausverkaufssituationen umfasst. Dadurch können wir vergangene Muster erkennen und in die numerische Formel einfließen lassen, die die finanziell optimierten Bestellaufträge des Kunden generiert, was die Wahrscheinlichkeit zukünftiger Lagerengpässe reduziert.
Während es einfach ist, die Anzahl der SKUs (Stock Keeping Units) zu zählen, die keinen Lagerbestand haben, sagt dies wenig über die Auswirkungen auf das Geschäft des Kundenunternehmens aus – der Nettoverlust der Nachfrage muss quantifiziert werden. Aus diesem Grund empfiehlt Lokad, das Problem durch eine direkte finanzielle Bewertung der Kosten eines Mangels an Servicequalität anzugehen. Gelegentlich ist es beispielsweise vernünftig, für nicht-strategische Produkte, die allmählich aus dem Angebot genommen werden, eine geringere Servicequalität zu akzeptieren. Das Gegenteil würde jedoch eine kontinuierliche Ansammlung von Ladenhütern garantieren. Die Plattform von Lokad ermöglicht es, den Verlust in Geldwerten zu beziffern, anstatt nur SKUs ohne Lagerbestand zu zählen.
Der quantifizierte Verlust muss bereinigt werden um Kannibalisierung, Substitution und verzögerten Konsum der Kunden. In den meisten Branchen gibt es mehrere Optionen, um das zu befriedigen, was der Kunde möchte oder benötigt. Solange eine dieser Optionen verfügbar ist, könnte der Kunde dennoch sehr zufrieden mit dem Service sein. Die Nichtberücksichtigung dieser cross-SKU-Faktoren führt dazu, dass SKUs, die im Kern dieselbe Nachfrage bedienen, auf Kosten anderer SKUs, die völlig unterschiedliche Segmente bedienen, überbevorratet werden. Umgekehrt verhindert manchmal das Nichtvorhandensein einer SKU den Konsum eines anderen, abhängigen SKU. Kunden erwarten, dass beide SKUs verfügbar sind und konsumieren keines von beiden, falls dies nicht der Fall ist. Die Plattform von Lokad kann dazu verwendet werden, diese cross-SKU-Bedenken und ihre (finanziellen) Auswirkungen auf die von den Kunden wahrgenommene Servicequalität zu modellieren.
Je nach Branche können noch wichtigere Feinheiten zu berücksichtigen sein. Zum Beispiel wird in einem DIY-Markt ein Kunde, der 4 identische Lichtschalter sucht, vermutlich keinen kaufen, wenn im Regal nur 3 Stück verfügbar sind. Somit sind aus der Sicht mancher Kunden die Lichtschalter de facto ausverkauft, auch wenn sie technisch gesehen nicht ausverkauft sind.
Ein weiteres Beispiel ist ein Lebensmittelgeschäft, das Obst verkauft. Bestimmte Früchte – z. B. Erdbeeren – sind sehr verderblich, weshalb der Laden in der Regel absichtlich versucht, den Lagerausverkauf vor Ladenschluss herbeizuführen. Wird der Lagerausverkauf jedoch zu früh am Tag erreicht (etwa weil einige wenige Personen mehr als üblich kaufen), werden die meisten Kunden nicht angemessen bedient.
Diese Beispiele verdeutlichen die Feinheiten in der Natur und den Konsequenzen von Lagerausverkaufs-Ereignissen. Die kostspieligen Symptome von Lagerausverkaufs-Ereignissen (z. B. der Verlust potenzieller Umsätze) können sich auch dann manifestieren, wenn die zugrunde liegende Bedingung (z. B. ein tatsächlicher Lagerausverkauf) nicht vorliegt. Die Plattform von Lokad kann dazu verwendet werden, alle kritischen Feinheiten zu modellieren, bei denen die Servicequalität nicht durch eine naive Betrachtung des Lagerbestands abgeleitet werden kann.
4.7 Identifiziert ihr erwartete ausverkaufte Produkte und alarmiert die Nutzer?
Executive summary: Ja, die Plattform von Lokad nutzt fortschrittliche Nachfrageprognosen, um potenzielle Ausverkaufssituationen zu identifizieren und schlägt Korrekturmaßnahmen vor, anstatt nur Warnmeldungen auszugeben. Diese Maßnahmen umfassen die Beschleunigung von Bestellungen, den Einsatz alternativer Lieferanten, die Anpassung von Promotionen und Preispunkten, die Förderung von Ersatzprodukten sowie die Organisation von Lagertransfers (usw.).
Die Plattform von Lokad verfügt über eine hochmoderne Nachfrageprognosetechnologie, die dazu genutzt werden kann, bevorstehende Ausverkaufssituationen zu identifizieren. Es ist zudem unkompliziert, die Plattform von Lokad zu verwenden, um Bestandswarnungen für Supply Chain Practitioners zu erzeugen. Wir empfehlen jedoch nicht, sich ausschließlich auf Warnmeldungen zu verlassen, da dieser Ansatz die Zeit nicht optimal nutzt – insbesondere wenn zeitnahe Reaktionen oft entscheidend sind. Stattdessen empfehlen wir, die Plattform von Lokad zu nutzen, um kommende Ausverkaufssituationen zu identifizieren und proaktive Korrekturmaßnahmen vorzuschlagen.
Je nach Branche können Korrekturmaßnahmen beinhalten: (a) die Lieferanten erneut zu kontaktieren, um ausstehende Bestellungen zu beschleunigen; (b) ergänzende Bestellungen von alternativen (näher gelegenen) Lieferanten aufzugeben; (c) bevorstehende Promotionen für Artikel abzusagen, die kurz vor dem Ausverkauf stehen; (d) den Preis der Artikel zu erhöhen, die kurz vor dem Ausverkauf stehen; (e) alternative Produkte, die als relevante Ersatzprodukte gelten, vorab zu bewerben, um einen Kannibalisierungseffekt zu nutzen; (f) Lagertransfers zu organisieren, um ungenutzten Bestand neu zuzuordnen. Dies sind nur einige der Korrekturmaßnahmen, die die Plattform von Lokad umgehend empfehlen kann.
Typische Unternehmenssoftware (wie ERPs) beinhaltet immer noch Warnmeldungen – ein Designmuster, das in der Regel zu geringer Produktivität der Mitarbeiter führt. Wenn hinsichtlich des bevorstehenden Ausverkaufs etwas zu tun ist, sollte die Software die Maßnahmen als Teil ihres regulären Empfehlungsportfolios direkt vorschlagen. Ist hingegen nichts gegen den bevorstehenden Ausverkauf zu unternehmen, wird die Warnung zu einer sinnlosen Ablenkung. Historisch haben Unternehmenssoftwares Warnmeldungen als kraftvolle Mechanismen genutzt, um die Schuld für schlechte Ergebnisse auf die Endanwender abzuwälzen. Dieser Ansatz ist – im Grunde – ein Versuch, den Anbieter der Unternehmenssoftware vor Kritik zu schützen; war die empfohlene Bestandsentscheidung gut, hat die Software hervorragend abgeschnitten; war die Entscheidung schlecht, so ist die Software aufgrund der ausgegebenen Warnung unschuldig. Dadurch wird per Definition die „Schuld“ auf den Endanwender übertragen. Lokad hingegen übernimmt die volle Verantwortung für die Qualität unserer Bestandsentscheidungen und der vorgeschlagenen Korrekturmaßnahmen.
Siehe No1 auf SKU-Ebene im M5-Prognosewettbewerb für weitere Informationen darüber, wie Lokads Ansatz zur Prognose in der Praxis aussieht.
5. Komplikationen
5.1 Schlagen Sie Lagerparameter für neue Produkte vor?
Executive summary: Ja, die Plattform von Lokad automatisiert Bestandsentscheidungen für neue Produkte mithilfe probabilistischer, attributbasierter Nachfrageprognosen, die Daten von bereits eingeführten Produkten analysieren. Dieser Ansatz konzentriert sich auf direkte Entscheidungen wie Bestellmengen und Allokationen, statt auf traditionelle Lagerparameter. Lokad berücksichtigt zudem die Auswirkungen neuer Produkte auf den bestehenden Bestand, um potenzielle Ladenhüter zu vermeiden. Lokad unterstützt sowohl die Nachfrageprognose als auch die stochastische Optimierung für initiale Bestellungen, wobei cross-SKU-Beschränkungen und logistische Kapazitäten berücksichtigt werden.
Die Plattform von Lokad automatisiert den gesamten Entscheidungsprozess für den Lagerbestand neuer Produkte. Dies umfasst auch die „Lagerparameter“, auch wenn wir die Herausforderung in der Regel nicht über diesen Ansatz angehen. Neue Produkte profitieren von probabilistischen, attributbasierten Nachfrageprognosen. Dabei analysiert Lokad alle bisher eingeführten Produkte und deren Erfolg abhängig von ihren Einführungsparametern (z. B. Promotionen und Sortimenten) sowie den intrinsischen Eigenschaften des Produkts selbst (z. B. Größe, Farbe und Preis). Somit ist die Prognose für neue Produkte automatisiert, ebenso wie die Prognose für ältere Produkte.
Des Weiteren berücksichtigen wir bei neuen Produkten sowohl den sofort verfügbaren Bestand, um die neuen Produkte bedienen zu können, als auch den Bestand, der noch eintrifft. Wir betrachten zudem die Auswirkungen auf den bestehenden Bestand und die potenziell negativen Konsequenzen, wenn – eventuell zu früh – ein neues, möglicherweise attraktiveres alternatives Produkt eingeführt wird, das für ein anderes Produkt unmittelbar zu Ladenhütern führen könnte.
Anstelle typischer „Lagerparameter“ empfiehlt Lokad dringend, die Herausforderung durch direkte und finanziell optimierte Entscheidungen anzugehen. Diese Entscheidungen umfassen zunächst die zu bestellenden Mengen und anschließend die Mengen, die (SKU für SKU) an allen Standorten zugeordnet werden sollen. Cross-SKU- oder cross-product-Aspekte müssen in diesem Stadium berücksichtigt werden, um die begrenzte logistische Kapazität des Kunden bestmöglich auszunutzen.
Diese Kapazitäten sind häufig unzureichend, um mit den potenziellen – und oft überraschenden – Effekten von Neuheiten umzugehen. Durch die zeitliche Verteilung der Arbeitslast, typischerweise durch eine effektive Vorausplanung der Produkteinführungen, wird das Problem jedoch angegangen, ohne die logistische Kapazität des Kunden unnötig zu strapazieren.
Die Plattform von Lokad stellt alle notwendigen numerischen Instrumente zur Unterstützung dieses Prozesses bereit, einschließlich der probabilistischen Nachfrageprognosen für die neuen Produkte und der stochastischen Optimierung für die initialen Bestellungen und Allokationen. Diese Unterstützung umfasst alle relevanten cross-SKU-Beschränkungen.
5.2 Können Sie die Zuweisung von Lagerbeständen während Promotionsphasen (zur Unterstützung der Werbeaktivitäten) handhaben?
Executive summary: Ja, die Plattform von Lokad ist darauf ausgelegt, die Lagerbestandszuweisung während Promotionsphasen zu steuern, indem der Bestand an erwartete zukünftige Nachfragespitzen angepasst wird. Dieser Prozess umfasst das Vorhersehen der Promotionsnachfrage, die Integration von Daten aus verschiedenen Quellen wie ERP-Systemen und Marketing-Tabellen sowie die Verfeinerung prädiktiver Modelle, um diverse Werbestrategien zu berücksichtigen. Die Supply Chain Scientists von Lokad implementieren diese Modelle und bedenken dabei nicht nur die unmittelbaren Effekte der Promotion, sondern auch das Risiko einer Überbevorratung und logistische Beschränkungen. Die Plattform nutzt stochastische Optimierung, um risikoangepasste Bestandsentscheidungen zu treffen, die den Bedarf an ausreichendem Promotionsbestand mit dem Risiko eines überschüssigen Bestands nach der Promotion ausbalancieren.
Das grundsätzliche Leitprinzip von Lokad für die Zuweisung von Lagerbeständen besteht darin, diese Zuweisungen an die erwartete zukünftige Nachfrage anzupassen. Insbesondere erfordert eine erwartete Nachfragesteigerung, wie sie bei einer bevorstehenden Promotion auftritt, in der Regel eine entsprechende Steigerung der Bestandszuweisung. Darüber hinaus muss die Zuweisung typischerweise weit vor dem Promotionsereignis erfolgen, da logistische Beschränkungen berücksichtigt werden müssen. Beispielsweise kann das Netzwerk mit der Flut an Bestandsbewegungen nicht umgehen, wenn aller Bestand in letzter Minute bewegt wird. Die Plattform von Lokad wurde so entwickelt, dass sie diese gesamte Problematik und ihre Varianten unterstützt.
Die Supply Chain Scientists (SCS) von Lokad sind für die Implementierung der numerischen Verfahren verantwortlich, die sicherstellen, dass die Lagerbestandszuweisungen die geplanten Promotionsaktivitäten angemessen widerspiegeln.
Erstens, umfasst diese Verantwortung das Sammeln und Organisieren der Daten, die die Promotionspläne beschreiben. Diese Daten finden sich selten in strukturierter Form in den Unternehmenssystemen (ERP) – sie sind häufig nur in Tabellenkalkulationen zu finden, die von der Marketingabteilung gepflegt werden. Die Plattform von Lokad ist darauf ausgelegt, mehrere Informationsquellen zu integrieren, einschließlich solcher ad-hoc Tabellenkalkulationen.
Zweitens, umfasst die Verantwortung eines SCS die Verfeinerung des prädiktiven Modells für die zukünftige Nachfrage, um die Vielfalt der Werbemechanismen abzubilden. Grundsätzlich geht es bei Promotionen nicht nur um Preissenkungen. Sie beinhalten typischerweise, dass die Produkte durch Werbedisplays (z. B. Gondeln) oder andere Kommunikationsmedien (z. B. Newsletter) in den Vordergrund gestellt werden. Darüber hinaus spiegeln einige Mechanismen cross-product-Aspekte wider (z. B. kaufe ein Produkt und erhalte 50 % Rabatt auf ein anderes Produkt), die ebenfalls berücksichtigt werden müssen. Die Plattform von Lokad verfügt über umfangreiche prädiktive Modellierungsfähigkeiten zur Unterstützung all dessen.
Drittens sind die SCS auch dafür verantwortlich, risikoangepasste Entscheidungen zu treffen, die ausreichend Lagerbestand zuweisen, um die Promotionsnachfrage zu befriedigen, während gleichzeitig das Risiko einer Überbevorratung nach Ende der Promotion reduziert wird. Wenn die logistischen Beschränkungen nicht zu streng sind, berücksichtigen wir auch die Möglichkeit, während der Promotion Nachschub zu beziehen, um die anfänglichen Risiken einer Überallokation zu mindern (falls die Promotion weniger erfolgreich als erwartet verläuft). Nochmals: Die Plattform von Lokad verfügt über umfangreiche stochastische Optimierungsfähigkeiten, um diese komplexen, risikoangepassten Entscheidungen zu berechnen.
5.3 Wie verwalten, betrachten und unterscheiden Sie verschiedene Arten von Promotionen/Belohnungen für Inhaber von Treuekarten, einschließlich Broschüren, prozentualen Rabatten, Geldrabatten und exklusiven Promotionen?
Die Plattform von Lokad bietet umfangreiche Modellierungsunterstützung für alle Preis- und Promotionsmechanismen, die im Einzelhandel vorkommen. Unsere Plattform ist programmatisch, was bedeutet, dass sie an eine Vielzahl von Promotionsmechanismen angepasst werden kann – wir haben bislang mehr als 50 verschiedene Beispiele identifiziert. Da unsere Plattform zudem in der Lage ist, beliebige relationale Daten zu verarbeiten, können wir diese Informationen genau so importieren, wie sie in den zugrunde liegenden transaktionalen Geschäftssystemen erscheinen.
Dies ermöglicht es uns, die ursprüngliche Datensemantik beizubehalten, anstatt die Daten gewaltsam an ein vom Anbieter vorgegebenes Format anzupassen. Darüber hinaus verfügt unsere Plattform über programmatische Möglichkeiten für ihre prädiktiven/maschinellen Lernfunktionen. Durch diese Fähigkeiten können unsere Supply Chain Scientists prädiktive Nachfrage-Modelle entwickeln, die die in den Promotions- oder Belohnungsangeboten des Kunden wirksamen Mechanismen widerspiegeln.
Hinweis: Lokad befasst sich ausschließlich mit dem analytischen Teil dieses Problems – der Identifizierung aller Muster, die die Nachfrage im Zusammenhang mit den Promotionsmechanismen eines Kunden prägen. Lokad ist nicht dafür vorgesehen, Promotionen zu verwalten, beispielsweise in Zusammenarbeit mit der Marketingabteilung des Kunden. Obwohl dies theoretisch möglich wäre, ist es besser, eine Trennung zwischen der transaktionalen und der analytischen Softwareebene beizubehalten. Dies ist Siehe auch #promotions
Siehe auch Differentiable Programming für weitere Details zu den mathematischen Feinheiten unserer Technologie.
Siehe auch Komplikationen 5.2 in diesem FAQ.
5.4 Verwalten Sie die Umrechnung von Maßeinheiten (UoM)?
Ja, die Plattform von Lokad unterstützt vollständig alle Umrechnungen von Maßeinheiten. Wir unterstützen zudem den Betrieb mit (mehreren) inkonsistenten Maßeinheiten, wie es manchmal vorkommt, wenn Lokad Daten aus verschiedenen Geschäftssystemen verarbeitet. In der Regel beheben wir etwaige Inkompatibilitäten der Maßeinheiten bereits in der Datenvorbereitungsphase. Wir können den Lagerbestand auch optimieren, während Beschränkungen in unterschiedlichen Maßeinheiten ausgedrückt werden. Beispielsweise kommt bei einem Full Truck Load (FTL) sowohl ein Volumen- als auch ein Gewichtslimit zum Tragen.
Hinweis: Für den speziellen Fall der Umrechnung zwischen Währungen verfügt Lokad ebenfalls über integrierte Funktionen, wie beispielsweise die forex-Funktion, die Dutzende von weit verbreiteten Währungen umfasst. Diese forex-Funktion bietet die Möglichkeit, vergangene Währungsumrechnungen anzuwenden, um die wirtschaftlichen Einflussfaktoren so abzubilden, wie sie in der Vergangenheit waren. Dies ermöglicht es Lokad, die Entscheidungsfindung weiter zu optimieren, indem der wahre wirtschaftliche Einfluss historischer Währungsschwankungen analysiert und somit das numerische Rezept des Kunden weiter verfeinert wird.
5.5 Verwalten Sie Kit-Umrechnungen?
Executive summary: Ja, Lokad unterstützt Kit-Umwandlungen und die Optimierung von Lagerbeständen, einschließlich proaktiver Kit-Zusammenstellung und Lagerreservierung. Unsere Nachfrageprognosen berücksichtigen Kit-Komponenten, die einzeln oder in mehreren Kits verkauft werden, wobei unterschiedliche Kit-Lebenszyklen einbezogen werden. Lokads finanzielle Optimierung spiegelt die tatsächlichen Kosten von Lagerengpässen wider, indem sie den Wert und den Einfluss auf die Bruttomarge von Kit-Komponenten anerkennt, die für mehrere hochpreisige Kits entscheidend sind.
Lokads Plattform unterstützt Kit-Umwandlungen und auch die Optimierung von Lagerbeständen im Zusammenhang mit Kits. Kits sind in der Regel eine vereinfachte Version der Stückliste (BOM, bills of materials) und kommen routinemäßig im Einzelhandel vor (sowohl online als auch offline). Die von Lokad im Zusammenhang mit Kits durchgeführte Lageroptimierung umfasst die Fähigkeit zu entscheiden, wann Lagerbestände für Kits reserviert werden sollen und wann Kits proaktiv zusammengestellt werden müssen – falls der Kitting-Prozess eine eigene Kapazitätsgrenze hat.
Darüber hinaus berücksichtigen die von Lokad erstellten Nachfrageprognosen die Tatsache, dass Kit-Komponenten auch separat verkauft oder bedient werden können und nicht nur als Teil eines Kits. Diese Prognosen berücksichtigen auch den Fall, dass dieselben Kit-Komponenten in mehreren Kits verwendet werden – selbstverständlich unterstützen wir auch Szenarien, in denen Kits nicht denselben Lebenszyklus teilen, wobei Kits zu unterschiedlichen Zeitpunkten in das Kundenangebot aufgenommen und daraus entfernt werden. All diese Faktoren fließen in unsere quantitative Bewertung des zukünftigen Bedarfs an Kit-Komponenten ein.
Schließlich spiegelt die von Lokad empfohlene finanzielle Perspektive bei der Optimierung von Lagerentscheidungen im Zusammenhang mit Kits die Abhängigkeiten zwischen den Kit-Komponenten und den Kits selbst wider. So mag ein Element günstig sein und mit nur sehr geringer Bruttomarge verkauft werden; wenn dieses Element jedoch in mehreren Kits benötigt wird, die einen deutlich höheren Wert und eine höhere Bruttomarge aufweisen, wäre ein eventueller Lagerengpass dieses Kit-Elements weitaus kostspieliger, als dessen unmittelbarer Wert vermuten ließe. Dies liegt daran, dass der indirekte Wert des Elements erheblich höher sein kann als sein auf den ersten Blick offensichtlicher direkter Wert.
Damit spiegelt Lokad durch seine Optimierung die tatsächlichen Kosten (unter Einbeziehung der Kit-Abhängigkeiten) dafür wider, dass Kits aufgrund eines Lagerengpasses bei einer ihrer Komponenten nicht bedient werden können.
5.6 Berücksichtigen Sie die Haltbarkeit eines Artikels (oder seine Mindesthaltbarkeitsdauer) bei der Bestellentscheidung sowie die verbleibende Haltbarkeit von Produkten, die sich bereits in der supply chain befinden?
Executive summary: Ja, Lokads Plattform erreicht dies, indem sie den Lebenszyklus jeder einzelnen Lager-Einheit verfolgt, einschließlich derer, die bestellt werden sollen. Ihr Kerndesign umfasst Skalierbarkeit, Effizienz bei der Verarbeitung von Daten auf Einheitsebene, den Umgang mit relationalen Daten zur Berücksichtigung produktspezifischer Lebenszyklusnuancen und probabilistische Prognosen, um Unsicherheiten im Lebenszyklus von Produkten und im Kundenverhalten anzugehen. Dieser Ansatz optimiert Bestellaufträge, Lagerallokationen und Preisstrategien.
Lokads Plattform wurde so entwickelt, dass sie jede einzelne Lager-Einheit im Laufe der Zeit verfolgen kann, wobei ihr spezifischer Lebenszyklus berücksichtigt wird. Ebenso gilt dieses Muster für potenzielle Lager-Einheiten, wie jene, die bestellt werden sollen. Durch die Anwendung dieser hochgranularen Analyse spiegeln die von Lokad optimierten Bestellaufträge, Lagerallokationen und Preisnachlässe den spezifischen Lebenszyklus jeder einzelnen Einheit im Netzwerk wider.
Lokads Plattform ermöglicht dies durch mehrere zentrale Aspekte ihres Kerndesigns:
Erstens, unsere Plattform ist nicht nur hoch skalierbar, sondern auch äußerst effizient. Die Modellierung des Flusses auf Einheit-zu-Einheit-Basis ist intensiver als die Modellierung auf SKU-Ebene (Stock Keeping Unit); wenn diese Herausforderung jedoch lediglich durch den massiven Einsatz von Rechenressourcen gelöst wird, erweist sich die Lösung als sehr kostspielig für das Kundenunternehmen.
Zweitens, verfügt Lokads Plattform über programmatische Fähigkeiten, die auf die Verarbeitung relationaler Daten ausgerichtet sind. Die Feinheiten des Lebenszyklus bzw. der Lebenszyklen der Produkte variieren stark von einem Produkt zum anderen. Frische Produkte und Chemikalien haben zwar beide eine Haltbarkeit, aber ihre jeweiligen Details unterscheiden sich erheblich. Lokad berücksichtigt diese Besonderheiten, um ein Modell zu entwickeln, das tatsächlich widerspiegelt, was in der supply chain des Kunden vor sich geht..
Drittens, verfügt Lokads Plattform über allgemeine probabilistische Prognosefähigkeiten. Die Lebenszyklen der Produkte können mit eigenen Unsicherheiten einhergehen. Zum Beispiel wählen Kunden in Einzelhandelsgeschäften möglicherweise Artikel mit der längsten verbleibenden Haltbarkeit aus. Die Annahme, dass der Fluss einem strikten FIFO-(First-in, First-out)-Verhalten folgt, wäre daher stark fehlgeleitet. Die prädiktiven Fähigkeiten von Lokads Plattform werden genutzt, um diese subtilen, aber immens bedeutsamen Verhaltensweisen korrekt vorherzusagen.
5.7 Identifizieren Sie erwartete Lagerabläufe? Bieten Sie einen Warn-/Alarmbericht zur Haltbarkeit an?
Executive summary: Ja, Lokads Plattform verfolgt den gesamten Lebenszyklus des Inventars, auch ohne die Verfolgung von Seriennummern, und kann sogar probabilistische Modellierung für mehrdeutige Situationen wie im B2C-Einzelhandel einsetzen. Sie kann potenzielle Abläufe und Wertminderungen identifizieren und bei Bedarf Warnmeldungen ausgeben. Allerdings bevorzugt Lokad proaktive Entscheidungen in der supply chain um diese Probleme zu vermeiden und empfiehlt Maßnahmen wie Preisnachlässe oder die Umverteilung von Beständen, um Artikel mit Ablaufrisiko zu managen.
Lokads Plattform ist in der Lage, den spezifischen Lebenszyklus jeder einzelnen Einheit, die durch das Netzwerk der supply chain des Kunden fließt, zu verfolgen. Unsere Plattform kann dies auch dann leisten, wenn Einheiten nicht auf S/N-(Seriennummer-) Ebene verfolgt werden. Bei Unklarheiten hinsichtlich der Reihenfolge, in der die Einheiten bedient oder verbraucht werden – wie es im B2C-Einzelhandel der Fall sein kann – nutzt Lokad probabilistische Modellierung, um den wahrscheinlichen Zustand des Inventars abzubilden. Diese detaillierten Informationen über den Zustand des Inventars können dazu verwendet werden, wahrscheinliche Abläufe und/oder Wertminderungen zu identifizieren und entsprechend zu reagieren, möglicherweise indem Warnmeldungen an die zuständigen Teams ausgegeben werden (falls gewünscht).
Statt jedoch auf Warnmeldungen zu setzen, empfiehlt Lokad, die detaillierten Informationen über den wahrscheinlichen Zustand des Inventars – bis hin zum erwarteten Verfallsdatum jeder vorhandenen Einheit – zu nutzen, um proaktiv jede von Lokad empfohlene Lieferkettenentscheidung anzupassen. Beispielsweise könnten wir empfehlen, ein Produkt, das vom Ablauf bedroht ist, zu rabattieren oder zu bewerben. Alternativ könnten wir die Einleitung einer Liquidation der Produkte über einen sekundären Vertriebskanal (ebenfalls zu einem reduzierten Preis) vorschlagen. Eine weitere Option besteht darin, mehr Bestand zuzuteilen, da wir anerkennen, dass der aktuelle Bestand bald nicht mehr verfügbar sein wird – und zwar nicht aufgrund der Kundennachfrage, sondern wegen des Ablaufs.
Grundsätzlich, wenn an dem identifizierten potenziellen Ablauf etwas getan werden kann, übernimmt Lokad die Verantwortung, diesen Handlungsaufruf zu präsentieren. Umgekehrt, wenn nichts unternommen werden kann (z. B. wenn der Bestand leider ablaufen wird und keine Korrekturmaßnahme mehr verfügbar ist), dienen diese Warnmeldungen lediglich als Ablenkung für die Teams, die nichts dagegen tun können.
Für einen Anbieter von Unternehmenssoftware gibt es nichts Einfacheres, als Dutzende (oder sogar Tausende) von Warnmeldungen zu erzeugen – und für viele inkompetente Anbieter ist dies das Einzige, was sie zu können wissen. Die eigentliche Herausforderung besteht darin, Handlungsaufrufe zu formulieren, was von den Anbietern (in diesem Fall Lokad) verlangt, zwischen umsetzbaren und nicht umsetzbaren Informationen zu unterscheiden.
Siehe auch Komplikationen 5.6 in diesem FAQ.
5.8 Können Sie die EOQ (Economic Order Quantity) unter Berücksichtigung von Bestellkosten, Eingangskosten, Lagerhaltungskosten und Kapitalbindungskosten optimieren?
Executive summary: Ja, Lokads Plattform kann EOQs unter Berücksichtigung verschiedener Kosten wie Bestell-, Versand-, Lagerhaltungs-, Betriebskapital- und Opportunitätskosten – sowie einiger weniger offensichtlicher Kosten – optimieren. Wir verwenden einen weiterentwickelten Ansatz gegenüber der veralteten Wilson-Formel, die aufgrund ihrer übermäßig vereinfachten Annahmen und ihrer Unfähigkeit, das Risiko von Inventarabwertungen zu adressieren, ineffektiv ist. Lokad empfiehlt, wirtschaftliche Treiber in jede Kaufentscheidung zu integrieren, anstatt sich ausschließlich auf die Bestellmenge zu fokussieren.
Lokads Plattform wurde für die wirtschaftliche Optimierung von Lieferkettenentscheidungen entwickelt. Insbesondere ist es problemlos möglich, alle Gemeinkosten, die mit einem Bestellauftrag verbunden sind, abzubilden – einschließlich Bestellkosten, Versandkosten, Lagerhaltungskosten, Kapitalkosten (working capital) und Opportunitätskosten. Darüber hinaus ermöglichen Lokads programmatische Fähigkeiten auch, alle spezialisierten Kosten, die für das Geschäft des Kunden relevant sein könnten, über die oben genannte Auswahl hinaus zu berücksichtigen. Wir empfehlen jedoch, die wirtschaftlichen Treiber in jede einzelne Kaufentscheidung zu integrieren, anstatt eine einzelne Bestellmenge festzulegen, wie es bei der EOQ der Fall ist.
Die klassische Lieferkettentheorie sieht vor, die Wilson-Formel für die EOQ (Economic Order Quantity) zu verwenden. Dieser Ansatz weist einen gravierenden, unmittelbaren Mangel auf: Er erzwingt eine grobe Rundung, die sich meist als ineffektiv erweist. Aufgrund seines Designs kann die EOQ das Risiko von Inventarabwertungen nicht berücksichtigen. Daher ist es in der Praxis oft viel besser, eine Menge unterhalb der theoretischen EOQ zu bestellen, anstatt mehr zu bestellen und sofort einen erheblichen Abschreibungsbetrag zu generieren.
Siehe auch Lagerhaltungskosten für weitere Informationen zu Lokads Ansätzen bei der Bewertung, Kategorisierung und Optimierung von Lagerkosten.
5.9 Gibt es KPIs für Inventar im Status „No Conformity“?
Ja, Lokads Plattform kann problemlos ein „No Conformity“ Dashboard und/oder KPIs bereitstellen. Da unsere Plattform programmatisch ist, können alle Daten, die aus dem transaktionalen Geschäftssystem extrahiert werden können, angezeigt werden. Das bedeutet auch, dass es keine Einschränkungen bei der Berechnung oder Darstellung der KPIs gibt – sie können vollständig an die Spezifikationen und Regeln des Kunden angepasst werden. Eine programmatische Plattform ist hier notwendig, da es keine standardisierte Definition für mangelnde Konformität in Unternehmen gibt.
Lokads Plattform ist zudem in der Lage, ein prädiktives Modell für diese Non-Conformity-Ereignisse unter Nutzung historischer Daten zu erstellen. So haben beispielsweise einige Lieferanten Qualitätsprobleme, sodass ein Teil ihrer Lieferung nicht immer die Inspektion besteht. Infolgedessen können die tatsächlich verfügbaren Mengen zur Bedienung der Kunden oftmals geringer sein als ursprünglich bestellt. Durch die Modellierung dieser Vorkommnisse mit einem probabilistischen Prognosemodell kann Lokad risikoadjustierte Bestellentscheidungen treffen, die diese Unsicherheit berücksichtigen.
5.10 Stellen Sie einen Bericht über kritische Materialien bereit?
Ja, Lokads Plattform kann problemlos einen Bericht über alle Materialien erstellen, die vom Kunden als ‚kritisch‘ eingestuft werden.
Für Lokad ist dies ein unscharfes Konzept, da es keine feste Definition dafür gibt, was einen ‚kritischen Materialbericht‘ ausmacht. Nach unserer Erfahrung variiert dies je nach Branche. Bei FMCGs (fast-moving consumer goods) sind die ‚kritischen Materialien‘ in der Regel diejenigen, die am stärksten rotieren und sowohl in Stückzahlen als auch in Geldwerten die höchsten Volumina aufweisen. In der Luftfahrt bezieht sich ‚Kritikalität‘ auf jene Teile, die im Falle eines Lagerengpasses zu einem AOG-(aircraft on ground)-Vorfall führen können. In allgemeinen Warenhäusern bezieht sich ‚Kritikalität‘ häufig auf Produkte, die Kunden typischerweise erwarten, im Geschäft vorzufinden.
Die programmatischen Fähigkeiten von Lokad sind entscheidend, um diese Anforderungsgruppe zu bedienen. Durch diese Fähigkeiten kann jede Regel, die in einer Tabellenkalkulation oder in einem Business-Intelligence-Tool implementiert werden könnte, auch über unsere Plattform umgesetzt werden. Ohne diese programmatischen Möglichkeiten wären Supply Chain Praktiker gezwungen, auf Tabellenkalkulationen zurückzugreifen, da sie sich keine vage Annäherung an das leisten können, was ihr Unternehmen als ‚kritisch‘ erachtet. Die analytische Schicht (in diesem Fall Lokad) muss in der Lage sein, sich vollständig an die Feinheiten des Geschäfts anzupassen – daher die Notwendigkeit vollständiger programmatischer Funktionalität und Freiheit.
6. Berichterstattung
6.1 Verfügen Sie über KPIs für die Gesamtmenge des Inventars? Konkret, umfassen diese Kennzahlen den Umsatz und die Deckungsraten? Zusätzlich, können diese KPIs nach Artikelnummer (P/N), Produktplattform und Produktqualität segmentiert werden und zudem einen monatlichen Fortschrittsbericht über verschiedene Aktivitäten und Sektoren basierend auf der Qualität der Produkte liefern?
Executive summary: Ja, Lokad bietet umfangreiche Berichtsfunktionen, einschließlich anpassbarer KPIs für das Bestandsmanagement, die auf kundenspezifische Anforderungen wie Artikelnummer, Produktplattform und Produktqualität zugeschnitten sind. Unsere domänenspezifische Sprache (Envision) vereinfacht die Datenvisualisierung und das Erstellen von Dashboards, indem sie die einzigartigen Datenstrukturen jedes Unternehmens berücksichtigt, ohne dass standardisierte Datenformate erforderlich sind – wodurch langwierige Integrationsprojekte, wie sie bei herkömmlicher Unternehmenssoftware häufig auftreten, vermieden werden. Dieser Ansatz gewährleistet hohe Produktivität, Zuverlässigkeit und Skalierbarkeit bei der Erstellung maßgeschneiderter Berichte und der Optimierung der supply chain.
Lokads Plattform verfügt über umfangreiche integrierte Berichtsfunktionen. In der Regel kann jeder Bericht, der mit einer Tabellenkalkulation oder einem Business-Intelligence-Tool erstellt werden kann, auch von Lokad erstellt werden. Lokad hat eine DSL (domänenspezifische Programmiersprache) entwickelt, die der prädiktiven Optimierung der supply chain gewidmet ist (namens „Envision“). Wie der Name Envision andeutet, legt diese DSL großen Wert darauf, die Visualisierung von Daten zu erleichtern. Die Supply Chain Scientists von Lokad sind in der Regel für die Einrichtung aller relevanten Dashboards und KPIs verantwortlich. Darüber hinaus wurde Lokads Plattform so entwickelt, dass sie die konstant zeitliche Darstellung komplexer Dashboards unterstützt. Dies ermöglicht es uns, Dashboards zu erstellen, die alle relevanten Elemente an einem Ort bündeln, sodass Supply Chain Praktiker nicht durch ein Labyrinth voneinander getrennter Bildschirme navigieren müssen, um die für ihre tägliche Arbeit benötigten Informationen zu erhalten.
Alle von Lokad erstellten Berichte sind maßgeschneidert für das Kundenunternehmen – anders als das, was man typischerweise in vergleichbarer Software findet. Tatsache ist, dass die Erstellung solcher Berichte nur mit einer flexiblen, programmatischen Plattform möglich ist, da die Berichte – selbst die „einfachen“ – vollständig von den einzigartigen Details des jeweiligen Kunden abhängen (einschließlich dessen Anwendungslandschaft). Nach unserer Erfahrung ist kein Unternehmen wie das andere, selbst wenn sie dieselbe Software zur Organisation ihrer Geschäftsdaten exakt auf die gleiche Weise verwenden.
In einer produktionsreifen Umgebung repräsentiert die alltägliche “data plumbing” mehr als 90% der Arbeit, die in die Erstellung solcher Berichte investiert wird. Somit greift Lokad mit Envision direkt das Produktivitätsproblem an, das mit dieser “data plumbing” verbunden ist. Darüber hinaus ermöglicht uns dieser Ansatz, alle bereits existierenden Kodifikationen, Hierarchien und Konventionen in den anderen Geschäftssystem(en) des Kunden beizubehalten. So endet es damit, dass Lokad “genau dieselbe Sprache” wie die Mitarbeiter des Kunden spricht, anstatt ein weiteres Set von Konventionen einzuführen, das die Angestellten erst erlernen müssten.
Der gängige Ansatz in Unternehmenssoftware besteht darin, eine Reihe von Datenanforderungen festzulegen. Sobald die Eingabedaten diesen Anforderungen entsprechen, werden alle Berichts- und Analysefunktionen freigeschaltet. Leider funktioniert dieser Ansatz bei allem außer bei den kleinsten Unternehmen nur schlecht. Es gibt niemals eine Eins-zu-eins-Übereinstimmung zwischen den ursprünglichen Geschäftssystemen (der Datenquelle) und den vorkonfigurierten Analysesystemen. Infolgedessen ist die Übersetzung der Daten sowohl unglaublich aufwändig als auch frustrierend, da es schlichtweg unmöglich ist, alles exakt anzupassen. Was zunächst als eine einfache “Konfiguration” erschien, um die Geschäftsdaten in das vorkonfigurierte Analysesystem zu importieren, entwickelt sich unweigerlich zu einem einjährigen Integrationsprojekt. Dies ist die unausweichliche Folge des Versuchs, zwei unterschiedliche, komplexe Perspektiven auf supply chain in Einklang zu bringen. Die Designentscheidungen von Lokads Plattform beseitigen dieses Problem vollständig.
6.2 Haben Sie Berichte über den Lagerzustand und die Abdeckung?
Executive summary: Ja, Lokad stellt Berichte über den Lagerzustand und die Abdeckung durch fortschrittliche probabilistische Prognosen und Werkzeuge auf seiner Plattform bereit, die eine präzise Risikoeinschätzung – typischerweise in monetären Werten ausgedrückt – ermöglichen. Diese finanziellen Risikoeinschätzungen stellen die grundlegenden “health risks” des Bestands des Kunden dar. Im Gegensatz zu traditionellen Zeitreihenprognosen, die nur einen zukünftigen Wert betrachten, berücksichtigt Lokads Ansatz mehrere mögliche zukünftige Werte (z. B. Nachfrage) und bietet so einen genaueren und umfassenderen Überblick über die Risiken des Lagerbestands, wodurch Probleme im Lagerzustand vermieden – oder zumindest verringert – werden können.
Die Standardpraxis von Lokad besteht darin, Instrumente zur Überwachung des Lagerbestands bereitzustellen, wie etwa Berichte über den Lagerzustand und die Abdeckung. Die Supply Chain Scientists von Lokad sind für die Erstellung dieser Berichte zuständig. Lokads Plattform bietet umfassende, programmatische Berichtsfunktionen. Diese umfassen alle notwendigen Werkzeuge, um probabilistische Prognosen – hinsichtlich der Nachfrage, der Durchlaufzeit und aller relevanten Unsicherheitsquellen – in hochrangige Projektionen umzuwandeln, idealerweise in Form von Dollarbeträgen der Lagerkosten anstelle von Prozentsätzen.
Der “Gesundheitszustand” des Lagerbestands ist stets relativ zu den zukünftig erwarteten Marktbedingungen. Die Anzahl der auf Lager befindlichen Einheiten gilt nur dann als übermäßig, wenn sie weit über der erwarteten zukünftigen Nachfrage liegt, nicht wenn sie weit über der in der Vergangenheit beobachteten Nachfrage liegt. Zum Beispiel kann die vergangene Nachfrage für ein neues Produkt oder für ein Produkt, das unter anhaltender Knappheit litt, null betragen. Daher besteht die Kernherausforderung darin, die Projektionen/Prognosen in Berichte umzuwandeln.
Hier sind probabilistische Prognosen (von Lokad favorisiert), die alle möglichen Zukünfte berücksichtigen und ihnen Wahrscheinlichkeiten zuweisen, ideal. Denn sie ermöglichen es uns, die Risiken des Lagerbestands genau einzuschätzen, indem Wahrscheinlichkeiten für das Eintreten eines Risikos zugewiesen und anschließend die potenziellen finanziellen Auswirkungen dieses Risikos bewertet werden. Es sind diese Risiken, ausgedrückt in monetären Werten (z. B. Dollar oder Euro), die in den von Lokad bereitgestellten Berichten abgebildet werden.
Im Gegensatz dazu berücksichtigen klassische Zeitreihenprognosen – per Definition – nur einen möglichen zukünftigen Wert (z. B. die Nachfrage). Dementsprechend sind diese Prognosen nicht in der Lage, das breite Spektrum finanzieller Risiken, denen der Kunde aufgrund seiner Lagerentscheidungen ausgesetzt sein könnte, adäquat darzustellen. Die ausgeklügelte Natur der Zeitreihenprognosen ist dabei irrelevant: Die Form bzw. Struktur der Prognose vermittelt nicht die notwendigen Informationen. Einige Versuche, dieses Problem zu umgehen, setzten auf grobe Heuristiken, um die Risiken des Lagerbestands durch eine direkte Betrachtung der jüngsten Vergangenheit zu bewerten. Ein Beispiel hierfür war das Zählen der SKUs, die mehr als X Wochen Lagerbestand aufweisen (z. B. 2 oder 3). Allerdings liefern diese Methoden stets minderwertige Indikatoren, die Supply Chain Practitioners eher in die Irre führen, als ihnen Klarheit zu verschaffen.
6.3 Können Sie das Einkaufsteam benachrichtigen, wenn ein PO (Purchase Order) verschoben oder beschleunigt werden muss?
Executive summary: Ja, Lokad kann diese “alerts” ausgeben, wenngleich wir den Begriff “decisions” bevorzugen. Lokads Plattform erstellt eine automatisierte Liste von Entscheidungsempfehlungen, die unter anderem darin bestehen, Kaufaufträge (POs) reaktiv basierend auf wirtschaftlichen Vorteilen und der Kooperation mit dem Lieferanten zu überarbeiten. Wir bevorzugen “decisions” gegenüber “alerts”, da unsere Empfehlungen direkte Handlungsaufforderungen (mit modellierten Kosten und Nutzen) darstellen, anstatt den Kunden lediglich auf ein mögliches Problem hinzuweisen.
Lokad automatisiert die Erstellung von Entscheidungen mit der Perspektive, POs bei Bedarf zu verschieben oder zu beschleunigen. Diese Entscheidungen werden in Bezug auf den wirtschaftlichen Gewinn priorisiert (ähnlich wie typische Lokad-Entscheidungen) und die Einflussfaktoren umfassen die wirtschaftlichen Vorteile, die mit einem überarbeiteten PO verbunden sind. Diese Einflussfaktoren können auch negative Goodwill beinhalten, um den zusätzlichen Aufwand für den Lieferanten widerzuspiegeln, sowie die Wahrscheinlichkeit, dass die Revision vom Lieferanten akzeptiert und umgesetzt wird. Ebenso kann Lokad vorschlagen, die PO-Menge zu erhöhen oder zu reduzieren – vorausgesetzt, der Lieferant ist zu dieser Option bereit. Die Supply Chain Scientists von Lokad erarbeiten die Details der für POs verfügbaren Optionen und automatisieren anschließend die Logik, die die entsprechenden “alerts” generiert – was Lokad lieber “decisions” nennt.
Lokad bezeichnet “alerts” als “decisions”, weil jede Empfehlung potenzielle Kosten und Nutzen mit sich bringt, die zu greifbaren Konsequenzen für die Supply Chain führen. In dieser Hinsicht unterscheiden sich die Empfehlungen nicht grundsätzlich davon, einen PO überhaupt zu platzieren. Der Hauptunterschied besteht in der unsicheren Bereitschaft (bzw. Fähigkeit) des Lieferanten, die angeforderte Korrektur des PO vorzunehmen; im Falle einer Zustimmung des Lieferanten ist diese Empfehlung jedoch ebenso ein “Auftrag” wie der ursprüngliche PO.
Viele Anbieter von Unternehmenssoftware bieten eine veraltete (heutzutage obsolet gewordene) Perspektive auf Supply Chain-Entscheidungen, indem sie solche Entscheidungen auf eng begrenzte, lehrbuchhafte Situationen wie den Einkauf oder das Rebalancieren des Lagerbestands beschränken. Diese Art von Software ignoriert von vornherein alle differenzierten Optionen, die mit den Lieferanten zur Diskussion stehen könnten. Beispielsweise könnte der Lieferant die Möglichkeit haben, seine Bestellung zu beschleunigen, zu verschieben, zu vergrößern oder zu verkleinern und möglicherweise einige Produkte durch andere zu ersetzen. Manchmal besteht auch die Möglichkeit, einen Teil des PO vorzeitig zu versenden, sofern das Kundenunternehmen bereit ist, den zusätzlichen Aufwand für mehrere Lieferungen zu unterstützen. Gelegentlich können unberührte Waren zudem für einen bestimmten Zeitraum an den Lieferanten zurückgeschickt werden. Die programmatischen Möglichkeiten der Lokad-Plattform sind ein notwendiger technologischer Bestandteil, um diesen differenzierten Optionen gerecht zu werden.
6.4 Können Sie das Einkaufsteam benachrichtigen, wenn ein erwartetes Lieferdatum erreicht bzw. überfällig ist?
Ja, Lokads Plattform kann problemlos Alerts generieren und ausgeben, sobald ein erwartetes Lieferdatum überfällig wird. Unser probabilistischer Prognoseansatz ermöglicht es uns, diese Alerts angesichts variierender Durchlaufzeiten zu verfeinern.
Eine probabilistische Prognose der Durchlaufzeit kann dazu verwendet werden, zu beurteilen, ob eine bestimmte Verzögerung tatsächlich anomal ist oder lediglich Teil der alltäglichen, unbedeutenden Schwankungen in der Supply Chain darstellt. Darüber hinaus können Alerts priorisiert werden, um die erwarteten wirtschaftlichen Auswirkungen der Verzögerung zu reflektieren. Beispielsweise, wenn die Nachfrage unerwartet zurückgegangen ist, könnte sich die zusätzliche Durchlaufzeit als unbedeutend erweisen und somit nicht die unmittelbare Aufmerksamkeit des Einkaufsteams erfordern. Grundsätzlich konkurriert jedes bewegliche Element der Supply Chain um die Aufmerksamkeit des Einkaufsteams. Diese Aufmerksamkeit ist eine knappe Ressource, die Lokad mit den generierten Alerts letztlich maximieren möchte.
Grundsätzlich sind wir der Ansicht, dass das Versenden von “alerts” (wie es gemeinhin verstanden wird) ein veralteter Ansatz ist, der auf schlecht konzipierte Unternehmenssoftware hinweist. “Alerts” lenken in der Regel lediglich die Aufmerksamkeit des Kunden auf ein Problem, anstatt eine umsetzbare Empfehlung bzw. Entscheidung auf Basis einer klaren finanziellen Bewertung der Situation zu bieten. Lokad ist der Überzeugung, dass es im Wesentlichen in unserer Verantwortung liegt, risikoangepasste Entscheidungen für die Kunden zu generieren, anstatt sie mit simplen Alerts abzulenken. Aus diesem Grund sollten unsere gelegentlich ausgegebenen “alerts” als Hinweise auf rentable, korrigierende Maßnahmen als Reaktion auf ein Problem verstanden werden.
Siehe auch Reporting 6.3 in diesem FAQ.
7. Produktivität
7.1 Können Benutzer Auffüllschwellen manuell definieren und/oder Lagerparameter manuell überschreiben?
Executive summary: Ja, Lokads Plattform ermöglicht es Benutzern, Auffüllschwellen manuell festzulegen und Lagerparameter zu überschreiben, einschließlich der Hinzufügung temporärer Anpassungen. Allerdings raten wir dringend davon ab, häufig manuelle Überschreibungen vorzunehmen. Stattdessen würden wir – sollte es ein Problem mit den von Lokad generierten Entscheidungen geben – lieber das zugrunde liegende numerische Rezept (Algorithmus) aktualisieren oder verfeinern. Lokad – philosophisch, technologisch und methodologisch – strebt danach, veraltete und unzuverlässige Ansätze, die auf manuellen Eingriffen beruhen, zu übertreffen und stattdessen auf zuverlässige sowie skalierbare Automatisierung zu setzen.
Lokads Plattform ist hochgradig konfigurierbar, sodass der Workflow für die Lagerauffüllung problemlos manuelle Dateneingaben bzw. Überschreibungen der Auffüllschwellen oder anderer ähnlicher Lagerparameter (z. B. min/max, Sicherheitsbestand, etc.) umfassen kann. Darüber hinaus ist es auch möglich, Varianten zu berücksichtigen, beispielsweise indem man den manuellen Dateneingaben ein ‘Ablaufdatum(e)’ zuordnet, falls die Supply Chain Practitioners erwarten, dass sich die Situation in einigen Wochen oder Monaten normalisiert. Dies würde es dem regulären numerischen Rezept ermöglichen, die Kontrolle über den Auffüllprozess wieder zu übernehmen. Während eine festgesetzte Schwelle kurzfristig vorteilhaft sein mag, stellt sie mittelfristig nahezu immer ein Problem dar, da sie ihre ursprüngliche Relevanz verliert.
Allgemein ist Lokad fest davon überzeugt, dass man sich nicht auf manuelle Überschreibungen verlassen sollte, um alltägliche Lagerauffüllungen zu steuern. Wenn das numerische Rezept, das die Lagerauffüllungen bestimmt, Probleme aufweist, muss dieses Rezept dringend korrigiert werden. Die Supply Chain Scientists von Lokad sind darauf geschult, notwendige Korrekturen zeitnah vorzunehmen. Sich stattdessen auf manuelle Überschreibungen zu verlassen, entspricht dem Vorgehen, bei dem das Kundenpersonal kurzfristige Lösungen provisorisch mit Klebeband flickt. Dies ist eindeutig ineffizient und widerspricht einer der zentralen Konsequenzen von die Quantitative Supply Chain, nämlich der Umleitung von Zeit, Ressourcen und Bandbreite auf höherwertige Aufgaben.
Lokads Ansatz steht in direktem Gegensatz zu vielen Anbietern von Unternehmenssoftware, die veraltete Technologien bereitstellen und den Nutzer in die Notwendigkeit regelmäßiger – ineffizienter – Überschreibungen zwingen. Diese Dynamik beruht auf dem unausgesprochenen Verständnis, dass der Kunde dafür verantwortlich ist, den Müll zu korrigieren, den die Software produziert. Die Verantwortung wird häufig vom Softwareanbieter abgewälzt, indem “alerts” ausgegeben werden, die die Aufmerksamkeit des Kunden auf eine suboptimale Situation lenken (ohne dabei nützliche Korrekturmaßnahmen bereitzustellen). Infolgedessen wird, wann immer die Auffüllung fehlerhaft ist, die Schuld auf den Praktiker abgewälzt, der das System manuell hätte überschreiben sollen. Lokad hält diese Praxis für empörend – genau aus diesem Grund tun wir es nicht.
7.2 Können Sie Lagerparameter basierend auf vordefinierten oder benutzerdefinierten Variablen automatisieren (z. B. Lieferantenleistung, angestrebte Service-Levels, Nachfragevariabilität, SKU-Klasse, Haltbarkeit, etc.)?
Executive summary: Ja, Lokad automatisiert Lagerentscheidungen, einschließlich der Lagerparameter, durch einen vollständig automatisierten täglichen Prozess mit minimalen manuellen Eingriffen. Diese Automatisierung passt sich bei Bedarf an größere Störungen an. Der Prozess nutzt probabilistische Prognosen, um Unsicherheiten wie schwankende Nachfrage und Durchlaufzeiten zu adressieren, sowie einen robusten finanziellen Ansatz (implementiert durch stochastische Optimierung), der die Gesamtheit der Kosten und Einschränkungen berücksichtigt. Dies ermöglicht es Lokad, den Service zu maximieren und finanzielle Fehler angesichts unsicherer Supply Chain-Bedingungen zu minimieren.
Lokads Standardansatz besteht darin, den gesamten Prozess, der die Berechnung von Lagerentscheidungen wie Auffüllmengen steuert, zu automatisieren. Für Lokad ist es die Norm, einen vollständig automatisierten täglichen Prozess zu haben, der keinerlei manuelle Eingriffe erfordert. Der überwiegende Teil unserer Kunden arbeitet wochenlang ohne manuelle Interventionen. Natürlich greifen Lokads Supply Chain Scientists ein und passen die numerischen Rezepte an, wenn beispiellose, große Störungen auftreten (z. B. systemische Schocks wie Lockdowns), um die Störung abzumildern. Dennoch sind wir der Ansicht, dass alltägliche, routinemäßige Entscheidungen vollständig automatisiert werden müssen, um Zeit und geistige Energie für höherwertige Aufgaben (wie die Geschäftsstrategie) freizusetzen.
Die Automatisierung der Aktualisierung aller Lagerparameter erfolgt auf zwei Ebenen: dem prädiktiven Modell und der stochastischen Optimierung.
Lokad verwendet probabilistische Prognosen für alle relevanten Unsicherheitsquellen, wie etwa Durchlaufzeiten, Rücksendungen, etc. Zum Beispiel ist im oben erwähnten Lockdown-Szenario der Fall der Lieferantenleistung implizit ein Problem der Variabilität der Durchlaufzeiten, das durch probabilistische Durchlaufzeitprognosen angegangen werden muss. Lokads Plattform ist nicht nur in der Lage, all diese probabilistischen Prognosen zu erstellen, sondern auch, sie zu einer einheitlichen probabilistischen Sicht auf die Zukunft des Unternehmens zu kombinieren. Innerhalb von Lokads Plattform würden wir typischerweise differenzierbares Programmieren und unsere Algebra der Zufallsvariablen für diesen Zweck nutzen.
Wenn es um die Optimierung selbst geht, müssen wir alle relevanten Kosten und Beschränkungen berücksichtigen. Zum Beispiel würde im selben Lockdown-Szenario die Haltbarkeit implizit auf eine spezifische Art nichtlinearer Lagerkosten hinweisen. Einer der Gründe, warum Lokad einen finanziellen Ansatz zur Bestandsoptimierung fördert, besteht darin, dass er die Verschmelzung vieler scheinbar disparater Anliegen in eine einheitliche numerische Perspektive erleichtert. Diese numerische Perspektive hilft Lokad, die Dollar (oder Euro) des Bestandsfehlers zu minimieren und gleichzeitig den Ertrag in Dollar zu maximieren, der durch eine ordnungsgemäße Betreuung der Kunden erzielt wird. Mit der Lokad-Plattform nutzen wir typischerweise unsere allgemeinen stochastischen Optimierungsfähigkeiten für diesen Zweck. Der Begriff „stochastisch“ bezieht sich auf Lokads Fähigkeit, eine Optimierung unter verrauschten/unsicheren/zufälligen Bedingungen durchzuführen.
7.3 Automatisieren Sie die Erstellung von Purchase Orders (PO)?
Executive summary: Ja, Lokad automatisiert die Erstellung von Purchase Orders (PO) und verlässt sich dabei auf eine automatisierte Datenpipeline für die Eingabe aus (und Ausgabe an) Geschäftssysteme, wodurch stets aktuelle und synchronisierte Bestellungen sichergestellt werden. Es fungiert als analytische Schicht oberhalb transaktionaler Systeme, berechnet optimierte Mengen, führt jedoch keine transaktionalen Schritte wie die PDF-Erstellung aus. Lokad bietet zudem eine halbautomatische Option mit teilweisen Validierungs-Workflows, die eine manuelle Überprüfung kritischer Bestellungen ermöglicht, während routinemäßige Bestellungen automatisiert werden.
Lokad automatisiert die Erstellung optimierter Purchase Orders. Diese Automatisierung erfordert eine automatisierte Datenextraktionspipeline zwischen dem Kunden und der Lokad-Plattform. Diese Datenpipeline liefert idealerweise tägliche Updates, sodass Lokad mit frischen Daten arbeitet. Dadurch bleiben die erstellten Purchase Orders mit dem Geschäftsstatus synchron. Außerdem ist eine automatisierte Datenexport-Pipeline von Lokad zu den ursprünglichen Geschäftssystemen erforderlich, in denen die banalen, rein transaktionalen Schritte des Bestellvorgangs abgeschlossen werden können.
Lokad ist kein Ersatz für ein transaktionales Geschäftssystem, wie beispielsweise ein ERP. Lokad ist eine analytische Schicht, die auf dem transaktionalen Geschäftssystem aufsetzt. Lokad berechnet die optimierten Mengen (d.h. wie viel bestellt werden sollte und wann) für jede Purchase Order. Allerdings generiert Lokad keine PDF-Bestellungsdatei, die beispielsweise per E-Mail an den Lieferanten versendet wird. Diese Schritte fallen in den Aufgabenbereich der transaktionalen Geschäftssysteme. Aus diesem Grund erstellt Lokad flache, tabellarische Dateien, die alle notwendigen Informationen enthalten. Diese Daten werden anschließend in das Geschäftssystem des Kunden exportiert, um dort verarbeitet zu werden.
Es ist möglich, einen halbautomatisierten Prozess mit einem teilweisen Validierungsworkflow innerhalb der Lokad-Plattform einzurichten. Beispielsweise könnte das Kundenunternehmen entscheiden, dass „triviale“ Purchase Orders automatisch validiert werden (typischerweise die kleinen), während ein Supply Chain Scientist manuell die von Lokad vorgeschlagenen Bestellmengen validiert, sofern diese einen bestimmten Schwellenwert oder gewünschten Parameter überschreiten. Diese Regeln können im Laufe der Zeit ebenfalls aktualisiert werden. Mit fortschreitendem Projekt und wachsendem Erkenntnisgewinn des Nutzens erhöht sich tendenziell der Schwellenwert für die manuelle Validierung. Letztlich entlastet dies die Supply Chain Teams des Kunden.
7.4 Gibt es ein Planer-/Einkäuferfenster, das die für den Tag vorgesehenen Aufgaben nach Priorität anzeigt?
Executive summary: Ja, die Lokad-Plattform bietet ein spezielles, einheitliches Dashboard, das täglich speziell für hochrangige Unternehmensfunktionen entwickelt wurde. Dieses einzelne Fenster organisiert und zeigt Aufgaben an, darunter Handlungsaufforderungen wie PO-Management und Datenanomalie-Prüfungen, und priorisiert sie anhand ihres monetären Einflusses.
Beim Einsatz der Lokad-Plattform empfehlen wir, für jede Unternehmensfunktion alle Handlungsaufforderungen in einem einzigen Web-Dashboard (d.h. einem einzelnen Fenster) zusammenzufassen, die nach Priorität geordnet sind. Die Priorität sollte in monetären Begriffen (Dollar oder Euro an Einfluss) angegeben werden, die den tatsächlichen Einsatz widerspiegeln, falls die Handlungsaufforderung nicht bearbeitet wird. Für einen Demand and Supply Planner würde dieses Dashboard typischerweise die empfohlenen neuen Purchase Orders sowie alle älteren Purchase Orders enthalten, die weitere Aufmerksamkeit erfordern (z.B. beschleunigen, verschieben, erhöhen, reduzieren). Lokad’s Supply Chain Scientists sind in der Regel dafür verantwortlich, die Dashboards so zu gestalten, dass sie der einzigartigen Unternehmensstruktur jedes Kunden entsprechen. Dies ist für ein solches Dashboard entscheidend, da die Grenzen zwischen Einkaufs-, Planungs-, Bestandsverwaltungs-, Beschaffungs- und Finanzteams von Unternehmen zu Unternehmen variieren.
Diese Handlungsaufforderungen können auch die Überprüfung von Datenanomalien umfassen, die für den Kunden folgenschwer sind, wie zum Beispiel fehlerhafte Einzelhandelspreise, falsche MOQs (Mindestbestellmengen), fehlerhafte Lagerbestände usw. Diese Handlungsaufforderungen werden ebenfalls hinsichtlich ihres potenziellen wirtschaftlichen Einflusses priorisiert. Allgemein vermeidet Lokad zwei Fallstricke, die in Unternehmenssoftware allzu häufig vorkommen. Erstens verteilen wir die Arbeitslast eines bestimmten Nutzers nicht über verstreute Bildschirme (oder Fenster/Webseiten).
Im Gegenteil, die Lokad-Plattform wurde speziell dafür entwickelt, komplexe Dashboards in konstanter Zeit bereitzustellen. Dieses technische Detail erweist sich als entscheidend, wenn es darum geht, zahlreiche disparate Elemente in einem einzigen Dashboard zum Vorteil des Endnutzers zusammenzuführen. Zweitens wurde die Lokad-Plattform auch speziell darauf ausgelegt, End-to-End wirtschaftliche Analysen zu unterstützen, wodurch alle Handlungsaufforderungen unter einer gemeinsamen, in monetären Begriffen ausgedrückten Priorisierungslogik vereint werden.
Notizen
-
Einfach ausgedrückt bezieht sich dies auf den ausgeklügelten Algorithmus, der zur Erzeugung der supply chain Entscheidungen des Kunden verwendet wird. Er ist so konzipiert, dass er die spezifischen Ziele des Kunden in der supply chain widerspiegelt sowie die Gesamtheit ihrer Einschränkungen und Einflussfaktoren berücksichtigt. ↩︎
-
Die von Lokad empfohlenen Entscheidungen werden üblicherweise anhand ihrer wirtschaftlichen Einflussfaktoren whiteboxed. Die Zerlegung der Faktoren (ausgedrückt in Euro oder Dollar Einfluss) erklärt, ‘warum’ eine bestimmte Entscheidung empfohlen wird. Diese Informationen werden über mehrere anpassbare Dashboards vermittelt. Siehe Lokad’s Technology für weitere Informationen darüber, wie Kunden mit ihren supply chain Entscheidungen interagieren. ↩︎