Lerne über Supply Chain
Diese fortlaufende Vorlesungsreihe präsentiert die Grundlagen des supply chain management: die Herausforderungen, die Methodologie und die Technologien. Die Intention ist es, Organisationen zu ermöglichen, überlegene, praxisnahe supply chain-Leistungen zu erzielen. Die in diesen Vorlesungen präsentierte Vision weicht von der Mainstream-supply chain-Theorie ab und wird als die Quantitative Supply Chain bezeichnet. Die Vorlesungen werden von Joannes Vermorel, CEO und Gründer von Lokad, präsentiert. Die Vorlesungen werden mit praxisnahen supply chains veranschaulicht, die Lokad im Auftrag seiner Kunden betreibt.

Zielpublikum: Diese Vorlesungen richten sich an alle, die den Ehrgeiz haben, supply chains zu verbessern, von leitenden Führungskräften bis hin zu Junioranalysten und Studierenden. Die Vorlesungen beinhalten eine Reihe von „Crashkursen“, um den erforderlichen Vorwissensstand auf ein Minimum zu reduzieren.
1. Prolog
1.1 Die Grundlagen des supply chain
Supply chain ist die quantitative und zugleich praxisnahe Beherrschung von Optionalitäten angesichts von Variabilität und Einschränkungen im Zusammenhang mit dem Fluss physischer Güter. Sie umfasst Beschaffung, Einkauf, Produktion, Transport, Distribution, Promotion, … – jedoch mit dem Fokus darauf, Optionen zu fördern und auszuwählen, anstatt die zugrunde liegenden Abläufe direkt zu managen. Wir werden sehen, wie die „quantitative“ supply chain-Perspektive, die in dieser Reihe vorgestellt wird, grundlegend von dem abweicht, was als die Mainstream-supply chain-Theorie gilt.
Referenzen (Bücher):
- Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
- Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011
1.2 Die Quantitative Supply Chain in Kürze
Das Manifest der quantitative supply chain hebt eine kurze Reihe markanter Punkte hervor, um zu verdeutlichen, wie diese alternative Theorie, die von Lokad vorgeschlagen und vorangetrieben wurde, von der Mainstream-supply chain-Theorie abweicht. Es fasst sich so zusammen: Jede einzelne Entscheidung wird anhand aller möglichen Zukunftsszenarien gemäß den wirtschaftlichen Treibern bewertet. Diese Perspektive entwickelte sich allmählich bei Lokad als die Mainstream-supply chain-Theorie, und ihre Umsetzung durch (fast) alle Softwareanbieter bleibt herausfordernd.
1.3 Produktorientierte Lieferung
Das Ziel einer quantitativen supply chain-Initiative besteht entweder darin, eine Softwareanwendung bereitzustellen oder zu verbessern, die einen Umfang routinemäßiger Entscheidungen automatisiert (z. B. Bestandsauffüllungen, Preisaktualisierungen). Die Anwendung wird als ein zu entwickelndes Produkt betrachtet. Während die Mainstream-supply chain-Theorie in Unternehmen allgemein Schwierigkeiten hat, sich durchzusetzen, hat ein Werkzeug – nämlich Microsoft Excel – beträchtlichen operativen Erfolg erzielt. Die erneute Implementierung der numerischen Rezepte der Mainstream-supply chain-Theorie mittels Tabellenkalkulationen ist trivial, dennoch geschah dies in der Praxis nicht, trotz des Bewusstseins für die Theorie. Wir zeigen, dass Tabellenkalkulationen durch die Übernahme von Programmierparadigmen, die sich als überlegen erwiesen, supply chain-Ergebnisse liefern konnten.
Referenz (Buch):
- Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004
1.4 Programmierparadigmen für die supply chain
Die prädiktive Optimierung von supply chains erfordert spezifische Programmierparadigmen. In der Tat, während sich der ‚programmatische‘ Ansatz durch ein Softwarepaket (vgl. vorherige Vorlesung) nicht vermeiden lässt, beinhalten herkömmliche Programmieransätze Schichten zufälliger Komplexitäten, die supply chain-Initiativen erheblich schaden. Wir stellen eine Reihe von Programmierparadigmen vor, die besonders gut für praxisnahe supply chains geeignet sind. Diese Vorlesung wird veranschaulicht mit Envision, der DSL (domänenspezifische Programmiersprache), die der Optimierung von supply chains gewidmet ist und von Lokad basierend auf diesen Programmierparadigmen entwickelt wurde.
Referenz (Buch, erwähnt im Q&A-Teil der Vorlesung):
- Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015
1.5 Trends des 21. Jahrhunderts in supply chain
Einige bedeutende Trends haben in den letzten Jahrzehnten die Entwicklung von supply chains dominiert und dabei das Zusammenspiel der Herausforderungen, denen Unternehmen gegenüberstehen, grundlegend umgestaltet. Einige Probleme, wie physische Gefahren und Qualitätsfragen, sind weitgehend verschwunden. Andere Probleme, wie die allgemeine Komplexität und die Intensität des Wettbewerbs, sind aufgekommen. Bemerkenswerterweise gestaltet Software auch supply chains in tiefgreifender Weise um. Eine kurze Übersicht dieser Trends hilft uns zu verstehen, worauf sich eine supply chain-Theorie konzentrieren sollte.
Referenz (Aufsatz, erwähnt im Q&A-Teil der Vorlesung):
- Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (Blockchain-Anwendungsfall zur Bekämpfung von Fälschungen auf Seite 28)
1.6 Quantitative Prinzipien für supply chains
Obwohl supply chains nicht durch definitive quantitative Gesetze charakterisiert werden können – im Gegensatz zur Elektromagnetismus – lassen sich dennoch allgemeine quantitative Prinzipien beobachten. Mit „allgemein“ sind Prinzipien gemeint, die auf (fast) alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von größtem Interesse, da sie dazu verwendet werden können, die Entwicklung numerischer Rezepte für die prädiktive Optimierung von supply chains zu erleichtern, aber auch, um diese numerischen Rezepte insgesamt leistungsfähiger zu machen. Wir betrachten zwei kurze Listen von Prinzipien: einige Beobachtungsprinzipien und einige Optimierungsprinzipien.
1.7 Über Wissen, Zeit und Arbeit für supply chains
supply chains unterliegen den allgemeinen wirtschaftlichen Prinzipien. Dennoch sind diese Prinzipien wenig bekannt und werden zu oft fehlinterpretiert. Beliebte Praktiken im Bereich supply chain und deren Theorien widersprechen oft dem, was in der Wirtschaft allgemein anerkannt ist. Allerdings werden diese Praktiken wohl niemals beweisen, dass die grundlegenden wirtschaftlichen Prinzipien falsch sind. Zudem sind supply chains komplex. Sie sind Systeme – ein relativ modernes Konzept, das ebenfalls zu wenig bekannt und zu oft fehlinterpretiert wird. Das Ziel dieser Vorlesung ist es zu verstehen, was sowohl die Wirtschaft als auch Systeme beitragen, wenn es darum geht, Planungsprobleme für eine praxisnahe supply chain anzugehen.
2. Methodologie
Die Untersuchung und Praxis der supply chain muss in der Wissenschaft verankert sein, das heißt, sie muss durch wissenschaftliche Methoden gestützt werden. Tatsächlich hat im Laufe der letzten drei Jahrhunderte jedes einzelne Gebiet, das es geschafft hat, sich durch eine geeignete experimentelle Praxis zu etablieren, den fantastischen Fortschritt erlebt, den wir als das Markenzeichen der ‚Wissenschaft‘ anerkennen. supply chain hat jedoch – zumindest bisher – einen solchen Fortschritt nicht erfahren, und ein großer Teil der Schuld kann auf ungeeignete experimentelle Methodologien zurückgeführt werden. Die eigenartige Natur von supply chain erfordert geeignete Methoden, die wir in diesem Kapitel untersuchen.
2.1 Supply Chain-Personae
Eine supply chain-“persona” ist ein fiktives Unternehmen. Obwohl das Unternehmen fiktiv ist, wurde diese Fiktion so gestaltet, dass sie aufzeigt, was aus supply chain-Perspektive Beachtung verdient. Allerdings ist die Persona nicht idealisiert, um die supply chain-Herausforderungen zu vereinfachen. Im Gegenteil, die Intention besteht darin, die herausforderndsten Aspekte der Situation zu verstärken – jene Aspekte, die sich am hartnäckigsten jeder quantitativen Modellierung und jedem Versuch widersetzen, eine Initiative zur Verbesserung der supply chain zu steuern. In supply chain leiden Fallstudien – wenn eine oder mehrere Parteien namentlich genannt werden – unter schweren Interessenkonflikten. Unternehmen und ihre unterstützenden Anbieter (Software, Beratung) haben ein Eigeninteresse daran, das Ergebnis in einem positiven Licht darzustellen. Zudem leiden die tatsächlichen supply chains oder profitieren zufällig von Bedingungen, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die supply chain-Personae sind die methodologische Antwort auf diese Probleme.
Referenzen:
- An introduction to the study of Experimental Medicine (English version), (original French version), Claude Bernard, 1865
- The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018
2.1.1 Paris - eine Modemarke mit einem Filialnetz
Paris ist eine fiktive europäische Modemarke, die ein großes Filialnetz betreibt. Die Marke richtet sich an Frauen und positioniert sich als relativ erschwinglich. Während die Designlinie eher klassisch und nüchtern ist, war der hauptsächliche Geschäftstreiber stets die Neuheit. Mehrere Kollektionen pro Jahr werden genutzt, um Wellen neuer Produkte zu lancieren. Das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit der richtigen Bestandsmenge voranzutreiben, ist eine der Kernherausforderungen.
2.2 Experimentelle Optimierung
Weit entfernt von der naiven, cartesischen Perspektive, in der Optimierung lediglich darin bestünde, einen Optimierer für eine gegebene Bewertungsfunktion auszurollen, erfordert supply chain einen iterativen Prozess. Jede Iteration wird genutzt, um „verrückte“ Entscheidungen zu identifizieren, die untersucht und angegangen werden müssen. Die Ursache liegt häufig in ungeeigneten wirtschaftlichen Treibern, die unter Berücksichtigung ihrer unbeabsichtigten Konsequenzen neu bewertet werden müssen. Die Natur der Iterationen ändert sich, wenn die numerischen Rezepte keine verrückten Ergebnisse mehr liefern.
Referenzen:
- The Logic of Scientific Discovery, Karl Popper, 1934
2.3 Negatives Wissen
Antipatterns sind die Stereotypen von Lösungen, die gut aussehen, in der Praxis jedoch nicht funktionieren. Die systematische Untersuchung von Antipatterns wurde in den späten 1990er Jahren im Bereich der Softwaretechnik vorangetrieben. Soweit anwendbar, sind Antipatterns den reinen negativen Ergebnissen überlegen, da sie sich leichter merken und begründen lassen. Die Antipattern-Perspektive ist für supply chain von zentraler Bedeutung und sollte als eine der Säulen ihres negativen Wissens betrachtet werden.
Referenzen:
- AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis. y William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998
2.4 Adversariale Marktforschung
Moderne supply chains sind auf eine Vielzahl von Softwareprodukten angewiesen. Die Auswahl der richtigen Anbieter ist überlebenswichtig. Da jedoch die Zahl der Anbieter groß ist, benötigen Unternehmen einen systematischen Ansatz für diese Aufgabe. Die traditionelle Marktforschung beginnt zwar mit guter Absicht, endet aber unweigerlich in schlechten Ergebnissen, da Marktforschungsfirmen letztlich als Marketingorgane für die Unternehmen fungieren, die sie analysieren sollen. Die Hoffnung, dass ein unvoreingenommenes Forschungsunternehmen entsteht, ist fehl am Platz. Der Vergleich von Anbieter zu Anbieter ist jedoch eine Methodik, die es selbst einer voreingenommenen Marktforschungsfirma ermöglicht, unvoreingenommene Ergebnisse zu liefern.
Referenzen:
- Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (text)
- Einfluss: Die Psychologie der Überzeugung. Robert B. Cialdini, 1984
- Beschaffungsrichtlinie, Interessenkonflikt, Die Weltbank, 2020 (PDF)
2.5 Schreiben für supply chains
Supply chains beinhalten die Koordination großer Teams. Daher sind schriftliche Materialien von höchster Bedeutung. Moderne supply chains sind schlichtweg nicht mit der mündlichen Tradition vereinbar. Dennoch mangelt es den Akteuren der supply chain oft an schriftlichen Kommunikationsfähigkeiten. Lassen Sie uns einen Blick darauf werfen, was Usability-Studien und einige namhafte Experten zu diesen Themen zu sagen haben. Außerdem müssen supply chain Initiativen, die im Rahmen des experimentellen Optimierungsansatzes durchgeführt werden, gründlich dokumentiert werden. Die Formeln und der Quellcode beantworten die Fragen nach dem Was und Wie, jedoch nicht nach dem Warum. Die Dokumentation muss sicherstellen, dass die supply chain scientists das Problem, dem sie begegnen, verstehen. Im Laufe der Zeit wird diese Dokumentation der Schlüssel sein, um einen reibungslosen Übergang von einem supply chain scientist zum nächsten zu gewährleisten.
Referenzen:
- The Elements of Style (First Edition), William Strunk Jr, 1918
- F-Shaped Pattern For Reading Web-Inhalten, Jakob Nielsen, 2006 (text)
3. Personae
Eine Reihe von supply chain personae, die der in dem vorherigen Kapitel definierten Methodik folgen.
3.1 Miami - ein Luftfahrt-MRO
Miami ist ein fiktives Luftfahrt-MRO (Wartung, Reparatur, Überholung) in den USA, das eine große Flotte von Verkehrsflugzeugen bedient. In der Luftfahrt muss Sicherheit oberste Priorität haben. Teile und Komponenten müssen routinemäßig inspiziert und gegebenenfalls repariert werden. Miami betreibt sein Geschäft mit dem Ziel, Flugzeuge jederzeit in der Luft zu halten und AOG (aircraft on ground) Vorfälle zu vermeiden, die auftreten, wenn ein zur Durchführung einer Wartungsmaßnahme benötigtes Teil fehlt.
3.2 Amsterdam - cheese brands
Amsterdam ist ein fiktives FMCG-Unternehmen, das sich auf die Herstellung von Käsesorten, Cremes und Buttern spezialisiert hat. Es betreibt ein großes Portfolio an Marken in mehreren Ländern. Zahlreiche widersprüchliche Geschäftsziele – Qualität, Preis, Frische, Verschwendung, Vielfalt, Regionalität usw. – müssen sorgfältig ausbalanciert werden. Durch das Design führen Milchproduktion und Einzelhandelsförderung dazu, dass das Unternehmen in Bezug auf Angebot und Nachfrage zwischen Hammer und Amboss gerät.
3.3 San Jose - E-Commerce für Haushaltswaren
San Jose ist ein fiktiver E-Commerce-Anbieter, der eine Vielzahl von Wohnaccessoires und Einrichtungsgegenständen vertreibt. Er betreibt seinen eigenen Online-Marktplatz. Seine Eigenmarke konkurriert sowohl intern als auch extern mit Fremdmarken. Um wettbewerbsfähig gegenüber größeren und preisgünstigeren Anbietern zu bleiben, versucht die supply chain von San Jose, einen hochwertigen Service zu bieten, der weit über die termingerechte Lieferung der bestellten Waren hinausgeht.
3.4 Stuttgart - ein automotive aftermarket Unternehmen
Stuttgart ist ein fiktives automotive aftermarket Unternehmen. Es betreibt ein Netzwerk von Niederlassungen, die Autoreparaturen, Autoteile und Autozubehör anbieten. In den frühen 2010er-Jahren startete Stuttgart auch zwei E-Commerce-Kanäle, einen für den Kauf und Verkauf von Autoteilen und einen für den Kauf und Verkauf von Gebrauchtwagen. Stuttgart versucht, in dem komplexen und wettbewerbsintensiven europäischen Automobilmarkt, der zehntausende von unterschiedlichen Fahrzeugen und hunderttausende von verschiedenen Autoteilen umfasst, einen hohen Service-Qualitätsstandard zu gewährleisten.
3.5 Genf - ein Hard-Luxury-Uhrenhersteller
TBD
4. Hilfswissenschaften
Die Beherrschung der supply chain beruht stark auf mehreren anderen Disziplinen. Die Darstellung der supply chain Theorie als eine Variante der angewandten Mathematik ist zwar häufig, jedoch fehlgeleitet. Diese Crashkurse sollen den kulturellen Hintergrund vermitteln, der für eine durchdachte supply chain Praxis erforderlich ist und die nicht auf eine Reihe von „Modellen“ reduziert werden kann und sollte.
4.1 Moderne Computer
Moderne supply chains benötigen Rechenressourcen, um zu funktionieren, genauso wie motorisierte Förderbänder Elektrizität benötigen. Dennoch sind träge supply chain Systeme allgegenwärtig, während die Rechenleistung von Computern seit 1990 um einen Faktor von mehr als 10.000 gestiegen ist. Ein mangelndes Verständnis der grundlegenden Eigenschaften moderner Rechenressourcen – selbst in IT- oder Data-Science-Kreisen – trägt maßgeblich zur Erklärung dieser Lage bei. Das Softwaredesign, das den numerischen Rezepten zugrunde liegt, sollte das zugrundeliegende Rechensubstrat nicht antagonisieren.
4.2 Moderne Algorithmen
Die Optimierung von supply chains beruht darauf, zahlreiche numerische Probleme zu lösen. Algorithmen sind stark kodifizierte numerische Rezepte, die darauf abzielen, präzise Rechenprobleme zu lösen. Überlegene Algorithmen bedeuten, dass mit weniger Rechenressourcen überlegene Ergebnisse erzielt werden können. Indem man sich auf die Besonderheiten der supply chain konzentriert, kann die Leistung von Algorithmen erheblich verbessert werden – manchmal um Größenordnungen. „Supply chain“-Algorithmen müssen auch das Design moderner Computer berücksichtigen, das sich in den letzten Jahrzehnten erheblich weiterentwickelt hat.
Referenzen (Buch):
- Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009
4.3 Mathematische Optimierung
Mathematische Optimierung ist der Prozess der Minimierung einer mathematischen Funktion. Fast alle modernen statistischen Lerntechniken – also Prognosen, wenn wir eine supply chain Perspektive einnehmen – basieren im Kern auf mathematischer Optimierung. Zudem beruht die Identifikation der profitabelsten Entscheidungen, sobald die Prognosen erstellt wurden, ebenfalls im Kern auf mathematischer Optimierung. Supply chain Probleme beinhalten häufig viele Variablen. Sie sind zudem meist stochastischer Natur. Mathematische Optimierung ist ein Eckpfeiler einer modernen supply chain Praxis.
Referenzen:
- The Future of Operational Research Is Past, Russell L. Ackoff, Februar 1979
- LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, September 2011
- Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, zuletzt überarbeitet Februar 2018
4.4 Maschinelles Lernen
Prognosen sind in supply chain unabdingbar, da jede Entscheidung (Einkauf, Produktion, Lagerhaltung usw.) eine Voraussage zukünftiger Ereignisse widerspiegelt. Statistisches Lernen und maschinelles Lernen haben das klassische „Forecasting“ weitgehend sowohl aus theoretischer als auch aus praktischer Sicht abgelöst. Dieses Fachgebiet hat dramatische Verbesserungen erfahren, die in den “data scientist” Kreisen weitgehend missverstanden werden. Wir werden dieses Gebiet anhand der Lösung von drei Paradoxien durchdringen. Erstens müssen wir genaue Aussagen über Daten machen, die uns nicht vorliegen. Zweitens müssen wir Probleme angehen, bei denen die Anzahl der Variablen die Anzahl der Beobachtungen bei weitem übersteigt. Drittens müssen wir mit Modellen arbeiten, bei denen die Anzahl der Parameter entweder weit über der Anzahl der Variablen oder Beobachtungen liegt. Wir werden versuchen zu verstehen, was eine datengetriebene Vorhersage der Zukunft aus einer modernen „Lern“-Perspektive überhaupt bedeutet.
Referenzen:
- A theory of the learnable, L. G. Valiant, November 1984
- Support-vector networks, Corinna Cortes & Vladimir Vapnik, September 1995
- Random Forests, Leo Breiman, October 2001
- LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, zuletzt überarbeitet Dezember 2017
- Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, December 2019
- Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Juni 2014
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, zuletzt überarbeitet April 2018
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, zuletzt überarbeitet Mai 2019
- A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, September 2021
4.5 Sprachen und Compiler
Der Großteil der supply chains wird immer noch über Tabellenkalkulationsprogramme (z. B. Excel) betrieben, während Unternehmenssysteme seit ein, zwei, manchmal drei Jahrzehnten im Einsatz sind – angeblich um diese abzulösen. Tatsächlich bieten Tabellenkalkulationen eine zugängliche programmatische Ausdruckskraft, während dies bei den genannten Systemen allgemein nicht der Fall ist. Allgemeiner betrachtet hat sich seit den 1960er-Jahren die Softwarebranche als Ganzes parallel zu ihren Programmiersprachen entwickelt. Es gibt Hinweise darauf, dass die nächste Leistungsstufe von supply chains weitgehend durch die Entwicklung und den Einsatz von Programmiersprachen bzw. programmierbaren Umgebungen bestimmt wird.
4.6 Software Engineering
Die Beherrschung von Komplexität und Chaos ist der Grundpfeiler des Software Engineering. Angesichts der Tatsache, dass supply chains sowohl komplex als auch chaotisch sind, sollte es nicht überraschen, dass die meisten Probleme mit Unternehmenssoftware, denen supply chains gegenüberstehen, auf schlechtes Software Engineering zurückzuführen sind. Numerische Rezepte, die zur Optimierung von supply chain eingesetzt werden, sind Software und somit denselben Problemen ausgesetzt. Diese Probleme nehmen in ihrer Intensität zu, je anspruchsvoller die numerischen Rezepte werden. Richtiges Software Engineering ist für supply chains das, was Asepsis für Krankenhäuser ist: Für sich genommen bewirkt es nichts – wie das Behandeln von Patienten – aber ohne es fällt alles auseinander.
4.7 Cybersecurity
Die Cyberkriminalität nimmt zu. Ransomware ist ein boomendes Geschäft. Aufgrund ihrer physisch verteilten Natur sind supply chains besonders angreifbar. Zudem stellt die allgegenwärtige Komplexität einen fruchtbaren Boden für Probleme der Computersicherheit dar. Computersicherheit ist von Natur aus kontraintuitiv, weil genau dieser Ansatz von Angreifern gewählt wird, um Schwachstellen zu finden und auszunutzen. Je nach Art der numerischen Rezepte, die in der Optimierung von supply chain zum Einsatz kommen, kann das Risiko erhöht oder verringert werden.
4.21 Blockchains
Cryptowährungen haben viel Aufmerksamkeit erregt. Vermögen wurden gemacht. Vermögen wurden verloren. Pyramidensysteme waren weit verbreitet. Aus unternehmerischer Sicht ist die „blockchain“ der höfliche Euphemismus, mit dem ähnliche Ideen und Technologien eingeführt werden, während gleichzeitig eine Distanz zu diesen Cryptowährungen hergestellt wird. Für die blockchain gibt es Anwendungsmöglichkeiten in der supply chain, jedoch gibt es auch zahlreiche Herausforderungen.
Referenzen:
- Bitcoin: Ein Peer-to-Peer Elektronisches Bargeldsystem, Satoshi Nakamoto, Okt 2008
- Die Mehrheit reicht nicht: Bitcoin Mining ist anfällig, Ittay Eyal, Emin Gun Sirer, Nov 2013
- Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
- Graphene: Ein neues Protokoll zur Blockausbreitung mittels Mengenversöhnung, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
- Snowflake to Avalanche: Eine neuartige metastabile Konsensprotokollfamilie für Kryptowährungen, Team Rocket, Mai 2018
- Tokeda, Machbare token-gesteuerte Metadaten innerhalb von Bitcoin, Joannes Vermorel, März 2018
- Eine Taxonomie der Bitcoin-anwendungstechnischen Landschaft, Joannes Vermorel, Mai 2018
5. Prädiktive Modellierung
Die korrekte quantitative Vorwegnahme zukünftiger Ereignisse steht im Mittelpunkt jeder supply chain Optimierung. Die Praxis der Zeitreihen-Prognose entstand im 20. Jahrhundert und hatte enormen Einfluss auf die meisten großen supply chains. Prädiktive Modellierung ist sowohl der Nachfolger der Zeitreihenprognose als auch ein massiver Bruch mit dieser Perspektive. Erstens befasst sie sich mit einer weitaus vielfältigeren Menge an Problemstellungen. Zweitens wird aufgrund der Natur von supply chain Problemen ein programmatisches Paradigma benötigt. Drittens, da Unsicherheit in der Regel irreduzibel ist, sind auch probabilistische Prognosen erforderlich.
5.0. Nr. 1 auf SKU-Ebene im M5-Prognosewettbewerb
Im Jahr 2020 erreichte ein Team bei Lokad den 5. Platz unter 909 konkurrierenden Teams beim M5, einem weltweiten Prognosewettbewerb. Auf der Ebene der SKU-Aggregation erzielten diese Prognosen jedoch den 1. Platz. Die Nachfrageprognose ist von primärer Bedeutung für die supply chain. Der in diesem Wettbewerb verfolgte Ansatz erwies sich als untypisch und unterschied sich von den Methoden der anderen Top-50-Konkurrenten. Aus dieser Leistung sind mehrere Lehren zu ziehen, die als Auftakt dienen, um weitere prädiktive Herausforderungen für die supply chain anzugehen.
Referenzen:
- Ein White-Boxed-ISSM-Ansatz zur Schätzung von Unsicherheitsverteilungen der Walmart-Umsätze, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, Dezember 2021 (link)
- Der M5 Uncertainty Wettbewerb: Ergebnisse, Erkenntnisse und Schlussfolgerungen, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)
5.1 Strukturiertes prädiktives Modellieren
Differenzierbares Programmieren (DP) ist ein generatives Paradigma, um eine sehr breite Klasse statistischer Modelle zu entwickeln, die sich hervorragend zur Bewältigung prädiktiver supply chain Herausforderungen eignen. DP ist der Nachfolger des Deep Learning, hebt sich jedoch durch seinen intensiven Fokus auf die Struktur von Lernproblemen ab. DP übertrifft nahezu die gesamte klassische Prognoseliteratur, die auf parametrischen Modellen basiert. DP ist auch klassischen Machine-Learning-Algorithmen – bis Ende der 2010er – in nahezu jeder Dimension überlegen, die für einen praktischen Einsatz in der supply chain von Bedeutung ist, einschließlich der leichten Übernahme durch Praktiker.
5.2 Probabilistische Prognose
Die Optimierung von supply chains beruht auf der korrekten Vorwegnahme zukünftiger Ereignisse. Numerisch werden diese Ereignisse durch Prognosen antizipiert, die eine Vielzahl numerischer Methoden umfassen, um diese zukünftigen Ereignisse zu quantifizieren. Seit den 1970er Jahren ist die am weitesten verbreitete Form der Prognose die Punkt-Zeitreihenprognose: Eine über die Zeit gemessene Größe – beispielsweise die nachfragesteuerten Einheiten eines Produkts – wird in die Zukunft projiziert. Eine Prognose gilt als probabilistisch, wenn sie die Wahrscheinlichkeiten aller möglichen zukünftigen Ergebnisse liefert, anstatt ein einzelnes Ergebnis als „die“ Prognose festzulegen. Probabilistische Prognosen sind wichtig, wann immer Unsicherheit irreduzibel ist, was nahezu immer dann der Fall ist, wenn es um komplexe Systeme geht. Für supply chains sind probabilistische Prognosen unerlässlich, um robuste Entscheidungen angesichts unsicherer zukünftiger Bedingungen zu treffen.
5.3 Lieferzeit-Prognose
Lieferzeiten sind ein grundlegender Aspekt der meisten supply chain Situationen. Lieferzeiten können und sollten, ähnlich wie die Nachfrage, prognostiziert werden. Probabilistische Prognosemodelle, die speziell für Lieferzeiten entwickelt wurden, können eingesetzt werden. Eine Reihe von Techniken wird vorgestellt, um probabilistische Lieferzeitprognosen für supply chain Zwecke zu erstellen. Die Zusammenführung dieser Prognosen – Lieferzeit und Nachfrage – bildet einen Eckpfeiler der prädiktiven Modellierung in der supply chain.
6. Entscheidungsfindung
Jeden Tag müssen als Teil der täglichen Abläufe eines Unternehmens tausende von supply chain Entscheidungen getroffen werden (in großen Unternehmen sogar Millionen). Jede Entscheidung bringt Alternativen mit sich. Ziel der supply chain Optimierung ist es, die Optionen auszuwählen, die sich unter zukünftigen unsicheren Bedingungen als am profitabelsten erweisen. Dieser Prozess stellt zwei zentrale Herausforderungen dar, die bisher noch nicht angesprochen wurden: Erstens die quantitative Bewertung der Rentabilität jeder Entscheidung und zweitens die Implementierung der numerischen Optimierungsrezepte, die für supply chain Probleme geeignet sind.
6.1 Einzelhandelsbestandszuordnung mit probabilistischen Prognosen
Supply chain Entscheidungen erfordern risikoadjustierte wirtschaftliche Bewertungen. Die Umwandlung probabilistischer Prognosen in wirtschaftliche Bewertungen ist nicht trivial und erfordert spezielle Werkzeuge. Dennoch erweist sich die daraus resultierende wirtschaftliche Priorisierung, veranschaulicht durch Bestandszuordnungen, als mächtiger als traditionelle Techniken. Wir beginnen mit der Herausforderung der Einzelhandelsbestandszuordnung. In einem zweistufigen Netzwerk, das sowohl ein Distributionszentrum (DC) als auch mehrere Filialen umfasst, müssen wir entscheiden, wie der Bestand des DC auf die Filialen verteilt wird, wobei alle Filialen um denselben Bestand konkurrieren.
6.2 Preisoptimierung für den Automobil-Aftermarket
Das Gleichgewicht zwischen Angebot und Nachfrage hängt stark von den Preisen ab. Daher gehört die Preisoptimierung zumindest in beträchtlichem Maße zum Bereich der supply chain. Wir werden eine Reihe von Techniken vorstellen, um die Preise eines fiktiven Unternehmens im Automobil-Aftermarket zu optimieren. Anhand dieses Beispiels wird die Gefahr abstrakter Denkansätze erkennbar, die den korrekten Kontext verfehlen. Zu wissen, was optimiert werden sollte, ist wichtiger als das Kleingedruckte der Optimierung selbst.
7. Taktische und strategische Umsetzung
Supply chain, sowohl als Praxis als auch als Studienfeld, zielt darauf ab, dem Unternehmen insgesamt als Ermöglicher und Wettbewerbsvorteil zu dienen. Aus der Perspektive des Top-Managements dominieren zwei Aspekte: die supply chain zu einem akkretiven Vermögenswert zu machen und überlegene Wege zur Umsetzung des Geschäfts freizusetzen. In der Praxis läuft vieles letztlich auf die Wahl der richtigen Teammitglieder hinaus.
Eine Initiative, die darauf abzielt, die Leistung der supply chain durch überlegene numerische Rezepte zu verbessern, kann – wenn sie erfolgreich ist – die supply chain selbst grundlegend verändern. Diese Perspektive bringt zwei wesentliche Vorbehalte mit sich. Erstens müssen die numerischen Rezepte konstruktionsseitig so entwickelt werden, dass sie den Prozess erleichtern; es steckt mehr dahinter, als es auf den ersten Blick scheint. Zweitens verändert der eigentliche Prozess der Einführung numerischer Rezepte diese Rezepte selbst, was auf den ersten Blick ziemlich kontraintuitiv erscheint.
7.1 Einstieg in eine quantitative Initiative
Die Durchführung einer erfolgreichen prädiktiven Optimierung einer supply chain ist eine Mischung aus weichen und harten Problemen. Leider ist es nicht möglich, diese Aspekte voneinander zu trennen. Die weichen und harten Aspekte sind tief miteinander verflochten. Üblicherweise steht diese Verflechtung in direktem Widerspruch zur im Organigramm des Unternehmens festgelegten Arbeitsteilung. Wir stellen fest, dass, wenn supply chain Initiativen scheitern, die Ursachen für das Scheitern in der Regel auf Fehler in den frühesten Phasen des Projekts zurückzuführen sind. Darüber hinaus prägen frühe Fehler die gesamte Initiative, was eine nachträgliche Korrektur nahezu unmöglich macht. Wir präsentieren unsere wichtigsten Erkenntnisse, um diese Fehler zu vermeiden.
7.2 Die Entscheidungen in die Produktion überführen
Wir suchen ein numerisches Rezept, das eine ganze Klasse alltäglicher Entscheidungen, wie etwa Lagerauffüllungen, steuert. Automatisierung ist essenziell, um die supply chain zu einem kapitalistischen Unterfangen zu machen. Allerdings birgt sie erhebliche Risiken, wenn das numerische Rezept fehlerhaft ist, da dies in großem Maßstab Schäden verursachen kann. „Fail fast and break things“ ist nicht die richtige Denkweise, um ein numerisches Rezept für den Produktionseinsatz freizugeben. Viele Alternativen, wie das Wasserfallmodell, sind sogar noch problematischer, da sie meist eine Illusion von Rationalität und Kontrolle vermitteln. Ein hochgradig iterativer Prozess ist der Schlüssel, um das numerische Rezept zu entwerfen, das sich als produktionsreif erweist.
7.3 The Supply Chain Scientist
Im Kern einer Initiative der Quantitative Supply Chain steht der Supply Chain Scientist (SCS), der die Datenaufbereitung, das ökonomische Modellieren und das KPI-Reporting durchführt. Die intelligente Automatisierung der supply chain Entscheidungen ist das Endprodukt der vom SCS geleisteten Arbeit. Der SCS übernimmt die Verantwortung für die generierten Entscheidungen. Er liefert menschliche Intelligenz, verstärkt durch maschinelle Verarbeitungskraft.