Lerne über Supply Chain

Diese fortlaufende Vorlesungsreihe präsentiert die Grundlagen des supply chain management: die Herausforderungen, die Methodologie und die Technologien. Ziel ist es, Organisationen zu ermöglichen, eine herausragende, praxisnahe supply chain performance zu erreichen. Die in diesen Vorlesungen präsentierte Vision weicht von der Mainstream supply chain theory ab und wird als die Quantitative Supply Chain bezeichnet. Die Vorlesungen werden von Joannes Vermorel, CEO und Gründer von Lokad, präsentiert. Die Vorlesungen werden anhand realer supply chains illustriert, die Lokad im Auftrag seiner Kunden betreibt.

Zielgruppe: 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 das erforderliche Grundlagenwissen auf ein Minimum zu reduzieren.

1. Prolog

1.1 Die Grundlagen des supply chain

Supply chain ist die quantitative und zugleich schlaue Beherrschung von Optionen angesichts von Variabilität und Beschränkungen im Zusammenhang mit dem Fluss physischer Güter. Sie umfasst Beschaffung, Einkauf, Produktion, Transport, Distribution, Promotion, … – jedoch mit einem Fokus auf die Pflege und Auswahl von Optionen, im Gegensatz zur direkten Verwaltung der zugrunde liegenden Abläufe. Wir werden sehen, wie sich die „quantitative“ supply chain-Perspektive, die in dieser Reihe präsentiert wird, grundlegend von der als Mainstream angesehenen supply chain theory unterscheidet.

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 Quantitativen Supply Chain betont eine kurze Reihe prägnanter Punkte, um zu erfassen, wie diese alternative Theorie, die von Lokad vorgeschlagen und vorangetrieben wurde, sich von der Mainstream supply chain theory unterscheidet. Es lässt sich zusammenfassen mit: Jede einzelne Entscheidung wird anhand aller möglichen Zukünfte gemäß den wirtschaftlichen Treibern bewertet. Diese Perspektive hat sich bei Lokad allmählich als die Mainstream supply chain theory etabliert, und ihre Implementierung durch (fast?) alle Software-Anbieter bleibt eine Herausforderung.

1.3 Produktorientierte Lieferung

Das Ziel einer Quantitativen Supply Chain-Initiative besteht darin, entweder eine Softwareanwendung zu liefern oder zu verbessern, die einen Bereich routinemäßiger Entscheidungen automatisiert (z. B. Bestands replenishments, Preisaktualisierungen). Die Anwendung wird als ein zu entwickelndes Produkt betrachtet. Während die Mainstream supply chain theory in Unternehmen im Großen und Ganzen Schwierigkeiten hat, sich durchzusetzen, hat ein Werkzeug – nämlich Microsoft Excel – beträchtlichen operativen Erfolg erlebt. Die Neuerstellung der numerischen Rezepte der Mainstream supply chain theory via Tabellenkalkulationen ist trivial, dennoch ist dies in der Praxis trotz Kenntnis der Theorie nicht geschehen. Wir zeigen, dass Tabellenkalkulationen durch die Anwendung von Programmierparadigmen gewonnen haben, die sich als überlegen erwiesen haben, um supply chain-Ergebnisse zu liefern.

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 predictive optimization von supply chains erfordert spezifische Programmierparadigmen. Tatsächlich, während der ‚programmatische‘ Ansatz durch ein verpacktes Softwareprodukt (vgl. vorige Vorlesung) nicht vermieden werden kann, beinhalten Mainstream-Programmierungsansätze Schichten von unbeabsichtigten Komplexitäten, die supply chain-Initiativen erheblich abträglich sind. Wir präsentieren eine Reihe von Programmierparadigmen, die sich besonders gut für reale supply chains eignen. Diese Vorlesung wird illustriert mit Envision, der DSL (Domain-Specific programming Language), die der Optimierung von supply chains gewidmet ist und von Lokad basierend auf diesen Programmierparadigmen entwickelt wurde.

Referenz (Buch, im Q&A-Teil der Vorlesung erwähnt):

• Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Trends des 21. Jahrhunderts in der supply chain

Einige bedeutende Trends haben in den letzten Jahrzehnten die Entwicklung von supply chains dominiert und das Zusammenspiel der Herausforderungen, mit denen Unternehmen konfrontiert sind, grundlegend neu gestaltet. Einige Probleme, wie physische Gefahren und Qualitätsfragen, sind weitgehend verschwunden. Andere Probleme, wie die generelle Komplexität und der Wettbewerbsdruck, sind entstanden. Bemerkenswerterweise verändert auch Software supply chains auf tiefgreifende Weise. Eine kurze Übersicht dieser Trends hilft uns zu verstehen, worauf sich eine supply chain theory konzentrieren sollte.

Referenz (Paper, im Q&A-Teil der Vorlesung erwähnt):

• 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 – können allgemeine quantitative Prinzipien trotzdem beobachtet werden. Mit „allgemein“ meinen wir, dass sie auf (fast) alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von höchstem Interesse, da sie dazu genutzt werden können, die Entwicklung numerischer Rezepte zu erleichtern, die für die predictive optimization von supply chains vorgesehen sind, und sie können auch dazu beitragen, diese numerischen Rezepte insgesamt leistungsfähiger zu machen. Wir betrachten zwei kurze Listen von Prinzipien: einige beobachtende Prinzipien und einige Optimierungsprinzipien.

1.7 Über Wissen, Zeit und Arbeit für supply chains

Supply chains folgen den allgemeinen wirtschaftlichen Prinzipien. Dennoch sind diese Prinzipien zu wenig bekannt und werden allzu oft falsch dargestellt. Beliebte Praktiken im Bereich der supply chains und deren Theorien widersprechen oft dem, was in der Wirtschaft allgemein anerkannt wird. Diese Praktiken werden jedoch wahrscheinlich niemals beweisen, dass die Grundlagen der Wirtschaft falsch sind. Zudem sind supply chains komplex. Sie sind Systeme – ein relativ modernes Konzept, das ebenfalls zu wenig bekannt und allzu oft missverstanden wird. Ziel dieser Vorlesung ist es, zu verstehen, was sowohl die Wirtschaft als auch Systeme zur Lösung von Planungsproblemen in einer realen supply chain beitragen können.

2. Methodologie

Das Studium und die Praxis von supply chains müssen in der Wissenschaft verankert sein, das heißt, sie müssen durch wissenschaftliche Methoden gestützt werden. In der Tat hat in den letzten drei Jahrhunderten jedes einzelne Fachgebiet, das es geschafft hat, sich durch eine geeignete, experimentelle Praxis zu etablieren, den fantastischen Fortschritt erlebt, den wir als Kennzeichen der ‚Wissenschaft‘ anerkennen. Allerdings hat supply chain – zumindest bisher nicht – einen solchen Fortschritt erfahren, und ein großer Teil der Schuld kann auf unzureichende experimentelle Methodologien zurückgeführt werden. Die eigentümliche Natur von supply chains erfordert geeignete Methoden, die wir in diesem Kapitel untersuchen.

2.1 Supply Chain Personae

Ein supply chain „persona“ ist ein fiktives Unternehmen. Obwohl das Unternehmen fiktiv ist, ist diese Fiktion darauf ausgelegt, darzustellen, worauf aus supply chain-Perspektive geachtet werden sollte. Allerdings ist das persona nicht idealisiert, um die Herausforderungen von supply chains zu vereinfachen. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation in den Vordergrund zu rücken – jene Aspekte, die jeglichen Versuchen einer quantitativen Modellierung und der Steuerung einer Initiative zur Verbesserung von supply chains am hartnäckigsten standhalten. In supply chains leiden Fallstudien – wenn ein oder mehrere Akteure namentlich genannt werden – unter erheblichen Interessenkonflikten. Unternehmen und ihre unterstützenden Anbieter (Software, Beratung) haben ein berechtigtes Interesse daran, das Ergebnis in einem positiven Licht darzustellen. Darüber hinaus leiden oder profitieren reale supply chains typischerweise von zufälligen Bedingungen, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die supply chain personae sind die methodische 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 Einzelhandelsnetz

Paris ist eine fiktive europäische Modemarke, die ein großes Einzelhandelsnetz betreibt. Die Marke richtet sich an Frauen und positioniert sich als relativ preisgünstig. Obwohl die Designlinie eher klassisch und dezent ist, war der Hauptgeschäftstreiber immer die Neuheit. Mehrere Kollektionen pro Jahr werden genutzt, um Wellen von neuen Produkten voranzutreiben. Das richtige Produkt zur richtigen Zeit, zum richtigen Preis und in der richtigen Stückzahl anzubieten, ist eine der zentralen Herausforderungen.

2.2 Experimentelle Optimierung

Weit entfernt von der naiven kartesischen Perspektive, in der Optimierung lediglich darin bestünde, einen Optimierer für eine gegebene Bewertungsfunktion auszurollen, erfordert supply chain einen iterativen Prozess. Jede Iteration dient dazu, „verrückte“ Entscheidungen zu identifizieren, die untersucht und angegangen werden müssen. Die zugrunde liegende Ursache sind häufig unangemessene wirtschaftliche Treiber, die hinsichtlich ihrer unbeabsichtigten Konsequenzen neu bewertet werden müssen. Die Iterationen ändern ihren Charakter, sobald 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 des Software Engineering vorangetrieben. Wenn anwendbar, sind Antipatterns den reinen negativen Ergebnissen überlegen, da sie leichter zu merken und zu durchdenken sind. Die Antipattern-Perspektive ist für supply chain von höchster Bedeutung und sollte als einer der Pfeiler 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 Wahl der richtigen Anbieter ist eine Frage des Überlebens. Da die Zahl der Anbieter groß ist, benötigen Unternehmen einen systematischen Ansatz für dieses Unterfangen. Die traditionelle Marktforschung beginnt mit guter Absicht, endet jedoch unvermeidlich in schlechten Ergebnissen, da sich Marktforschungsfirmen als Marketinginstrumente für die Unternehmen erweisen, die sie eigentlich analysieren sollten. Die Hoffnung, dass ein unparteiisches Marktforschungsunternehmen auftaucht, ist fehlgeleitet. Die Anbieter-gegen-Anbieter-Bewertung ist jedoch eine Methodologie, die es selbst einer voreingenommenen Marktforschungsfirma ermöglicht, unparteiische Ergebnisse zu erzielen.

Referenzen:

• Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (text)
• Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
• Procurement Guidance, Conflict of Interest, The World Band, 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 lassen sich einfach nicht mit mündlicher Tradition vereinbaren. Dennoch schneiden supply chain Praktiker oft furchtbar ab, was ihre schriftlichen Kommunikationsfähigkeiten angeht. Lassen Sie uns überprüfen, was Usability-Studien und einige namhafte Experten zu diesen Themen zu sagen haben. Außerdem müssen supply chain Initiativen, die durch den experimentellen Optimierungsansatz durchgeführt werden, gründlich dokumentiert werden. Die Formeln und der Quellcode beantworten die Was- und Wie-Fragen, jedoch nicht das Warum. Die Dokumentation muss sicherstellen, dass die Supply Chain Scientists das Problem, dem sie sich gegenübersehen, 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 Content, Jakob Nielsen, 2006 (text)

3. Personae

Eine Reihe von supply chain personae, die der im vorangegangenen Kapitel definierten Methodologie 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 hat Sicherheit oberste Priorität. Teile und Komponenten müssen routinemäßig inspiziert und gegebenenfalls repariert werden. Miami ist im Geschäft, Flugzeuge jederzeit in der Luft zu halten, um AOG-(Aircraft on Ground)-Vorfälle zu vermeiden, die eintreten, wenn ein für die Durchführung eines Wartungseinsatzes benötigtes Teil fehlt.

3.2 Amsterdam - Käsemarken

Amsterdam ist ein fiktives FMCG-Unternehmen, das sich auf die Produktion von Käsen, Cremes und Buttern spezialisiert hat. Es betreibt ein großes Portfolio von Marken in mehreren Ländern. Viele widersprüchliche Geschäftsziele müssen sorgfältig ausbalanciert werden: Qualität, Preis, Frische, Abfall, Vielfalt, Regionalität usw. Durch das Geschäftsmodell bringt die Milchproduktion und die Werbeaktionen im Einzelhandel das Unternehmen zwischen Hammer und Amboss in Bezug auf Angebot und Nachfrage.

3.3 San Jose - Homeware-Ecommerce

San Jose ist ein fiktiver Ecommerce, der eine Vielzahl von Wohnaccessoires und Einrichtungselementen vertreibt. Es betreibt einen eigenen Online-Marktplatz. Die Eigenmarke konkurriert sowohl intern als auch extern mit Fremdmarken. Um konkurrenzfähig gegenüber größeren und preisgünstigeren Akteuren zu bleiben, versucht die supply chain von San Jose, eine hohe Servicequalität zu liefern, die in vielerlei Formen auftritt und 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 Netz von Niederlassungen, die Autoreparaturen, Autoteile und Autozubehör anbieten. In den frühen 2010er Jahren startete Stuttgart auch zwei Ecommerce-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 zigtausende unterschiedlicher Fahrzeuge und hunderttausende verschiedener Autoteile umfasst, eine hohe Servicequalität zu bieten.

3.5 Genf - ein Hard-Luxury-Uhrenhersteller

TBD

4. Hilfswissenschaften

Die Beherrschung der supply chain stützt sich stark auf mehrere andere Bereiche. Die Darstellung der supply chain Theorie als eine Variante der angewandten Mathematik ist zwar häufig, aber fehlgeleitet. Diese Schnellkurse sollen das kulturelle Hintergrundwissen liefern, das für eine durchdachte supply chain Praxis erforderlich ist, die nicht auf eine Reihe von „Modellen“ reduziert werden kann und sollte.

4.1 Moderne Computer

Moderne supply chains erfordern Rechenressourcen, um zu funktionieren, ebenso 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 erheblich dazu bei, diesen Zustand zu erklären. Das Softwaredesign, das den numerischen Rezepten zugrunde liegt, sollte nicht dem zugrunde liegenden Rechen-Substrat feindlich gegenüberstehen.

4.2 Moderne Algorithmen

Die Optimierung von supply chains beruht darauf, zahlreiche numerische Probleme zu lösen. Algorithmen sind hoch kodifizierte numerische Rezepte, die zur Lösung präziser Berechnungsprobleme bestimmt sind. Überlegene Algorithmen bedeuten, dass mit weniger Rechenressourcen überlegene Ergebnisse erzielt werden können. Durch das Fokussieren auf die spezifischen Eigenschaften von supply chains kann die algorithmische Leistung 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 und Clifford Stein, 2009

4.3 Mathematische Optimierung

Mathematische Optimierung ist der Prozess, eine mathematische Funktion zu minimieren. Fast alle modernen statistischen Lerntechniken – also Prognosen, wenn wir eine supply chain Perspektive einnehmen – basieren im Kern auf mathematischer Optimierung. Darüber hinaus beruht die Identifizierung der profitabelsten Entscheidungen, sobald die Prognosen erstellt wurden, ebenfalls im Kern auf mathematischer Optimierung. Supply chain Probleme beinhalten häufig viele Variablen und sind in der Regel stochastischer Natur. Mathematische Optimierung ist ein Grundpfeiler 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 im Februar 2018

4.4 Maschinelles Lernen

Prognosen sind in supply chain unabdingbar, da jede Entscheidung (Beschaffung, Produktion, Lagerung etc.) eine Antizipation zukünftiger Ereignisse widerspiegelt. Statistische Lernverfahren und maschinelles Lernen haben das klassische Feld der ‚Prognose‘ weitgehend von theoretischer und praktischer Seite abgelöst. Dieses Studienfeld hat dramatische Fortschritte gemacht, die in Data-Scientist-Kreisen weitgehend missverstanden werden. Wir werden uns auf eine Reise durch dieses Feld begeben, indem wir drei Paradoxien auflösen. Erstens müssen wir genaue Aussagen über Daten treffen, die wir nicht haben. 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 die Variablen oder die Beobachtungen bei weitem übersteigt. Wir werden versuchen zu verstehen, was eine datengetriebene Antizipation der Zukunft aus moderner ‚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 im 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, Yoshua Bengio, Juni 2014
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, zuletzt überarbeitet im April 2018
• BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, zuletzt überarbeitet im 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

Die Mehrheit der supply chains wird immer noch über Tabellenkalkulationen (d.h. Excel) betrieben, während Enterprise-Systeme seit ein, zwei, manchmal drei Jahrzehnten im Einsatz sind – angeblich um diese zu ersetzen. Tatsächlich bieten Tabellenkalkulationen eine zugängliche programmatische Ausdrucksfähigkeit, während diese Systeme dies im Allgemeinen nicht tun. Allgemeiner gilt, dass sich seit den 1960er Jahren die Softwareindustrie als Ganzes und ihre Programmiersprachen ständig gemeinsam weiterentwickeln. Es gibt Hinweise darauf, dass die nächste Stufe der supply chain Leistung weitgehend durch die Entwicklung und Einführung von Programmiersprachen – oder eher programmierbaren Umgebungen – vorangetrieben wird.

4.6 Software engineering

Die Beherrschung von Komplexität und Chaos ist der Grundpfeiler des Software Engineerings. Angesichts der Tatsache, dass supply chains sowohl komplex als auch chaotisch sind, sollte es nicht überraschen, dass sich die meisten Probleme mit Unternehmenssoftware, mit denen supply chains konfrontiert sind, letztlich auf schlechtes Software Engineering zurückführen lassen. Numerische Rezepte, die zur Optimierung von supply chains eingesetzt werden, sind Software und somit demselben Problem ausgesetzt. Diese Probleme nehmen mit der zunehmenden Komplexität der numerischen Rezepte selbst an Intensität zu. Richtiges Software Engineering ist für supply chains das, was Asepsis für Krankenhäuser ist: für sich genommen bewirkt es nichts – wie die Behandlung von Patienten – aber ohne es fällt alles auseinander.

4.7 Cybersecurity

Cyberkriminalität nimmt zu. Ransomware ist ein boomendes Geschäft. Aufgrund ihrer physisch verteilten Natur sind supply chains besonders exponiert. Zudem bietet die allgegenwärtige Komplexität einen fruchtbaren Boden für Probleme der Computersicherheit. Computersicherheit ist ihrem Wesen nach kontraintuitiv, da genau dieser Ansatz von Angreifern genutzt wird, um Sicherheitslücken zu finden und auszunutzen. Je nach Art der numerischen Rezepte, die in der supply chain Optimierung eingesetzt werden, kann das Risiko erhöht oder verringert werden.

4.21 Blockchains

Cryptocurrencies have attracted a lot of attention. Fortunes were made. Fortunes were lost. Pyramid schemes were rampant. From a corporate perspective, the “blockchain” is the polite euphemism used to introduce similar ideas and technologies while establishing a distanciation with those cryptocurrencies. Supply chain use cases exist for the blockchain but challenges abound as well.

Referenzen:

• Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Okt 2008
• Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov 2013
• Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan 2016
• Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep 2017
• Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, Mai 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, März 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, Mai 2018

5. Prädiktives Modellieren

The proper quantitative anticipation of future events is at the core of any supply chain’s optimization. The practice of time-series forecasting emerged in the 20th century and had enormous influence on most large supply chains. Predictive modelling is both the descendent of time-series forecasting, but also a massive departure from this perspective. First, it tackles a much more diverse set of problem instances. Second, due to the nature of supply chain problems, a programmatic paradigm is needed. Third, as uncertainty is usually irreducible, probabilistic forecasts are needed as well.

5.0. No1 auf SKU-Ebene im M5 Prognosewettbewerb

In 2020, a team at Lokad achieved No5 over 909 competing teams at the M5, a worldwide Prognosewettbewerb. However, at the SKU aggregation level, those forecasts landed No1. Demand forecasting is of primary importance for supply chain. The approach adopted in this competition proved to be atypical, and unlike the other methods adopted by the other top 50 contenders. There are multiple lessons to be learned from this achievement as a prelude to tackle further predictive challenges for supply chain.

Referenzen:

• A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, Dezember 2021 (link)
• The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (link)

5.1 Strukturiertes prädiktives Modellieren

Differentiable Programming (DP) is a generative paradigm to engineer a very broad class of statistical models that turn out to excellently suited to address predictive supply chain challenges. DP is the descendent of deep learning, but it departs from deep learning by its intense focus on the structure of learning problems. DP supersedes almost all the entire “classic” forecasting literature based on parametric models. DP is also superior “classic” machine learning algorithms - up to the late 2010s - in virtually every dimension that matter for a practical usage for supply chain purposes, including ease of adoption by practitioners.

5.2 Probabilistische Prognose

The optimization of supply chains relies on the proper anticipation of future events. Numerically, these events are anticipated through forecasts, which encompass a large variety of numerical methods used to quantify these future events. From the 1970s onward, the most widely used form of forecast has been the point time-series forecast: a quantity measured over time - for example the demand in units for a product - is projected into the future. A forecast is said to be probabilistic if it returns the probabilities associated with all possible future outcomes, instead of pinpointing one particular outcome as “the” forecast. Probabilistic forecasts are important whenever uncertainty is irreducible, which is nearly always the case whenever complex systems are concerned. For supply chains, probabilistic forecasts are essential to produce robust decisions against uncertain future conditions.

5.3 Lieferzeit-Prognose

Lieferzeiten are a fundamental facet of most supply chain situations. Lead times can and should be forecast just like demand. Probabilistic forecasting models, dedicated to lead times, can be used. A series of techniques are presented to craft probabilistic lead time forecasts for supply chain purposes. Composing those forecasts, lead time and demand, is a cornerstone of predictive modeling in supply chain.

6. Entscheidungsfindung

Every single day, thousands of supply chain decisions (millions in large companies) are to be made as part of the daily routine of the company’s operations. Each decision comes with alternatives. The supply chain optimization’s goal is to pick the options that turn out most profitable while facing future uncertain conditions. This process presents two keys challenges that we haven’t addressed yet: first, the quantitative assessment of the profitability of any decision, second, the roll-out of the numerical optimization recipes suitable for supply chain problems.

6.1 Einzelhandelsbestandszuordnung mit probabilistischen Prognosen

Supply chain decisions require risk-adjusted economic assessments. Converting probabilistic forecasts into economic assessments is nontrivial and require dedicated tooling. However, the resulting economic prioritization, illustrated by Bestandskontrollen, proves itself more powerful than traditional techniques. We start with the retail stock allocation challenge. In a 2-echelon network that includes both a distribution center (DC) and multiple stores, we need to decide how to allocate the stock of the DC to the stores, knowing that all stores compete for the same stock.

6.2 Preisoptimierung für den automobilen Aftermarket

The balance of supply and demand very much depends on prices. Thus, pricing optimization belongs to the realm of supply chain, at least to a sizeable extent. We will present a series of techniques to optimize the prices of a fictitious automotive aftermarket company. Through this example, we will see the danger associated with abstract lines of reasoning that fail to see the proper context. Knowing what ought to be optimized is more important than the fine print of the optimization itself.

7. Taktische und strategische Ausführung

Die supply chain, sowohl als Praxis als auch als Forschungsfeld, zielt darauf ab, ein Ermöglicher und ein Wettbewerbsvorteil für das gesamte Unternehmen zu sein. Aus der Sicht des Top-Managements dominieren zwei Aspekte: Die supply chain zu einem wertschöpfenden Asset zu machen und überlegene Wege zur Umsetzung des Geschäfts zu eröffnen. In der Praxis kommen die Ergebnisse meistens auf die Wahl der richtigen Teammitglieder zurück.

Eine Initiative, die darauf abzielt, die Leistung der supply chain durch überlegene numerische Rezepte zu verbessern, kann – falls erfolgreich – die supply chain selbst grundlegend verändern. Diese Perspektive bringt zwei wesentliche Vorbehalte mit sich. Erstens müssen die numerischen Rezepte so konzipiert 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 die 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 eng miteinander verknüpft. Üblicherweise kollidiert diese Verflechtung frontal mit der Arbeitsteilung, wie sie im Organigramm des Unternehmens definiert ist. Wir stellen fest, dass, wenn supply chain-Initiativen scheitern, die Hauptursachen in der Regel Fehler sind, die in den frühesten Phasen des Projekts gemacht wurden. Außerdem neigen frühe Fehler dazu, die gesamte Initiative zu prägen, 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 die Bestandsauffüllung, steuert. Automatisierung ist unerlässlich, um supply chain zu einem kapitalistischen Unterfangen zu machen. Allerdings birgt sie erhebliche Risiken, Schaden im großen Maßstab anzurichten, wenn das numerische Rezept fehlerhaft ist. „Fail fast and break things“ ist nicht die richtige Denkweise, um ein numerisches Rezept für den Produktionseinsatz freizugeben. Viele Alternativen, wie das Wasserfallmodell, sind noch schlechter, da sie in der Regel eine Illusion von Rationalität und Kontrolle vermitteln. Ein hochgradig iterativer Prozess ist der Schlüssel zur Entwicklung eines numerischen Rezepts, das sich als produktionsreif erweist.

7.3 The Supply Chain Scientist

Im Kern einer die Quantitative Supply Chain-Initiative steht der Supply Chain Scientist (SCS), der die Datenaufbereitung, die wirtschaftliche Modellierung und das KPI-Reporting durchführt. Die intelligente Automatisierung der supply chain-Entscheidungen ist das Endprodukt der Arbeit des SCS. Der SCS übernimmt die Verantwortung für die generierten Entscheidungen. Der SCS liefert menschliche Intelligenz, verstärkt durch maschinelle Rechenleistung.