Über supply chain lernen

Diese fortlaufende Vorlesungsreihe präsentiert die Grundlagen des Supply Chain Managements: die Herausforderungen, die Methodik und die Technologien. Ziel ist es, Organisationen zu ermöglichen, eine überlegene, praxisnahe Performance in der supply chain zu erreichen. Die in diesen Vorlesungen dargestellte 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. Sie werden mit realen 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 Angestellten über Junioranalysten bis hin zu Studierenden. Die Vorlesungen beinhalten eine Reihe von ‚Crashkursen‘, um das erforderliche Vorwissen auf ein Minimum zu reduzieren.

1. Prolog

1.1 Die Grundlagen von supply chain

Supply chain ist die quantitative und zugleich praxisnahe Beherrschung von Optionalität angesichts von Variabilität und Beschränkungen im Zusammenhang mit dem Fluss physischer Güter. Es umfasst Beschaffung, Einkauf, Produktion, Transport, Distribution, Promotion, … - aber mit dem Fokus auf das Fördern und Auswählen von Optionen anstatt auf die direkte Verwaltung der zugrunde liegenden Abläufe. 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 im Überblick

Das Manifest der quantitativen supply chain betont eine kurze Reihe prägnanter Punkte, um zu verdeutlichen, wie diese alternative Theorie, die von Lokad vorgeschlagen und vorangetrieben wurde, von der Mainstream-supply chain-Theorie abweicht. Zusammengefasst könnte man sagen: 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 darin, entweder eine Softwareanwendung bereitzustellen oder zu verbessern, die einen Umfang routinemäßiger Entscheidungen (z. B. Bestandsauffüllungen, Preisaktualisierungen) automatisiert. Die Anwendung wird als ein zu entwickelndes Produkt betrachtet. Während es der Mainstream-supply chain-Theorie schwerfällt, sich in Unternehmen durchzusetzen, hat ein Werkzeug – nämlich Microsoft Excel – beträchtlichen operativen Erfolg erzielt. Die Neuimplementierung der numerischen Rezepte der Mainstream-supply chain-Theorie mittels Tabellenkalkulationen ist trivial, doch in der Praxis geschah dies trotz des theoretischen Bewusstseins nicht. Wir zeigen, dass Tabellenkalkulationen durch die Übernahme von Programmierparadigmen, die sich als überlegen erwiesen haben, um Ergebnisse in der supply chain zu liefern, gewonnen haben.

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 der „programmatische“ Ansatz durch ein Standardsoftwareprodukt nicht vermieden werden kann (vgl. vorherige Vorlesung), beinhalten konventionelle Programmieransätze Schichten zufälliger Komplexitäten, die supply chain-Initiativen erheblich schaden. Wir präsentieren eine Reihe von Programmierparadigmen, die besonders gut für reale supply chains geeignet sind. Diese Vorlesung wird illustriert mit Envision, der DSL (domänenspezifischen Programmiersprache) zur Optimierung von supply chains, entwickelt von Lokad basierend auf diesen Programmierparadigmen.

Referenz (Buch, in der Q&A-Session 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 bestimmt und das Spektrum der Herausforderungen, denen sich Unternehmen stellen müssen, grundlegend umgestaltet. Einige Probleme sind weitgehend in den Hintergrund getreten, wie physische Gefahren und Qualitätsprobleme. Andere Probleme sind verstärkt in Erscheinung getreten, wie die allgemeine Komplexität und der Wettbewerbsdruck. Bemerkenswerterweise gestaltet Software auch supply chains auf tiefgreifende Weise um. Eine kurze Übersicht über diese Trends hilft uns zu verstehen, worauf sich eine supply chain-Theorie konzentrieren sollte.

Referenz (Paper, in der Q&A-Sektion der Vorlesung erwähnt):

• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, 2018, (Blockchain-Einsatzfall 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 zum Elektromagnetismus – lassen sich allgemeine quantitative Prinzipien beobachten. Mit „allgemein“ meinen wir Prinzipien, die (fast) für alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von größtem Interesse, da sie dazu verwendet werden können, die Entwicklung numerischer Rezepte zur prädiktiven Optimierung von supply chains zu erleichtern und diese Rezepte insgesamt leistungsfähiger zu machen. Wir betrachten zwei kurze Listen von Prinzipien: einige Beobachtungsprinzipien und einige Optimierungsprinzipien.

1.7 Über Wissen, Zeit und Arbeit in supply chains

Supply chains folgen den allgemeinen wirtschaftlichen Prinzipien. Dennoch sind diese Prinzipien wenig bekannt und werden zu häufig falsch dargestellt. Beliebte supply chain-Praktiken und ihre Theorien widersprechen oft dem, was in der Wirtschaft allgemein anerkannt wird. Diese Praktiken werden jedoch wohl kaum jemals die Grundlagen der Wirtschaft widerlegen. Darüber hinaus sind supply chains komplex. Sie sind Systeme, ein relativ modernes Konzept, das ebenfalls zu wenig bekannt und zu häufig falsch dargestellt wird. Ziel dieser Vorlesung ist es zu verstehen, was sowohl die Wirtschaft als auch Systeme zu den Planungsproblemen einer realen supply chain beitragen.

2. Methodik

Die Untersuchung und Praxis von supply chain muss in der Wissenschaft verankert sein, das heißt, durch wissenschaftliche Methoden gestützt werden. In der Tat hat in den letzten drei Jahrhunderten jedes einzelne Feld, das sich durch eine geeignete experimentelle Praxis weiterentwickelt hat, den fantastischen Fortschritt erlebt, den wir als Kennzeichen der „Wissenschaft“ anerkennen. supply chain hat jedoch – zumindest bisher – einen solchen Fortschritt nicht erfahren, und ein Großteil der Schuld kann auf ungeeignete experimentelle Methoden zurückgeführt werden. Die herausfordernde 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, ist diese Fiktion so gestaltet, dass sie aufzeigt, was aus supply chain-Sicht Aufmerksamkeit verdient. Die Persona wird jedoch nicht idealisiert, um die Herausforderungen von supply chain zu vereinfachen. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation zu vergrößern – die Aspekte, die sich am hartnäckigsten jeder quantitativen Modellierung und jedem Versuch, eine Initiative zur Verbesserung von supply chain zu pilotieren, widersetzen. In supply chain leiden Fallstudien – wenn ein oder mehrere Beteiligte benannt werden – oft unter schweren Interessenkonflikten. Unternehmen und deren unterstützende Anbieter (Software, Beratung) haben ein Eigeninteresse daran, das Ergebnis in einem positiven Licht darzustellen. Zudem leiden oder profitieren echte supply chains typischerweise von zufälligen Bedingungen, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die supply chain-Personas sind die methodologische Antwort auf diese Probleme.

Referenzen:

• An introduction to the study of Experimental Medicine (Englische Version), (Originale französische 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 relativ klassisch und nüchtern ist, war der Hauptgeschäftstreiber immer die Neuheit. Mehrere Kollektionen pro Jahr werden eingesetzt, um Wellen neuer Produkte zu lancieren. Das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit der richtigen Lagerbestandsmenge anzubieten, ist eine der zentralen Herausforderungen.

2.2 Experimentelle Optimierung

Weit entfernt von der naiven kartesischen Perspektive, in der Optimierung lediglich darin besteht, einen Optimierer für eine gegebene Zielfunktion auszurollen, erfordert supply chain einen iterativen Prozess. Jede Iteration dient dazu, „verrückte“ Entscheidungen zu identifizieren, die untersucht und angegangen werden müssen. Die Wurzel des Problems liegt häufig in ungeeigneten wirtschaftlichen Treibern, die im Hinblick auf ihre unbeabsichtigten Konsequenzen neu bewertet werden müssen. Die Iterationen ändern ihre Natur, sobald die numerischen Rezepte keine verrückten Ergebnisse mehr liefern.

Referenzen:

• The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Negatives Wissen

Antipatterns sind 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. Wenn sie anwendbar sind, sind Antipatterns den bloßen negativen Ergebnissen überlegen, da sie leichter zu merken und zu verstehen sind. Die Antipattern-Perspektive ist von zentraler Bedeutung für supply chain und sollte als einer der Pfeiler für ihr negatives Wissen betrachtet werden.

Referenzen:

• AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis, 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 eine Frage des Überlebens. Da die Anzahl der Anbieter jedoch groß ist, benötigen Unternehmen einen systematischen Ansatz für diese Aufgabe. Die traditionelle Marktforschung beginnt mit guten Absichten, endet jedoch unweigerlich in schlechten Ergebnissen, da Marktforschungsunternehmen letztlich als Marketingvordergründe für die Unternehmen fungieren, die sie analysieren sollen. Die Hoffnung, dass ein unvoreingenommenes Forschungsunternehmen auftauchen wird, ist fehl am Platz. Die Anbieter-gegen-Anbieter-Bewertung ist jedoch eine Methodik, die es selbst einem voreingenommenen Marktforschungsunternehmen 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
• Beschaffungsrichtlinien, Interessenkonflikt, 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 sind schlichtweg nicht mit der mündlichen Überlieferung vereinbar. Dennoch zeigen supply chain Praktiker oft miserable Ergebnisse, wenn es um ihre schriftlichen Kommunikationsfähigkeiten geht. Schauen wir uns an, was Usability-Studien und einige namhafte Experten zu diesen Themen sagen. Zudem müssen supply chain Initiativen, die mittels des experimentellen Optimierungsansatzes durchgeführt werden, gründlich dokumentiert werden. Die Formeln und der Quellcode beantworten das Was und Wie, liefern aber keine Antwort auf das Warum. Die Dokumentation muss sicherstellen, dass die Supply Chain Scientists das Problem, dem sie gegenüberstehen, verstehen. Im Laufe der Zeit wird diese Dokumentation zum Schlüssel, um einen reibungslosen Übergang von einem Supply Chain Scientist zum nächsten zu gewährleisten.

Referenzen:

• The Elements of Style (Erste Ausgabe), William Strunk Jr, 1918
• F-förmiges Muster zum Lesen von Webinhalten, Jakob Nielsen, 2006 (text)

3. Personae

Eine Reihe von supply chain Personae, die der im 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 ist Sicherheit von höchster Bedeutung. Teile und Komponenten müssen routinemäßig inspiziert und gegebenenfalls repariert werden. Miami hat es sich zur Aufgabe gemacht, Flugzeuge jederzeit in der Luft zu halten und AOG-(Aircraft on Ground)-Vorfälle zu vermeiden, die eintreten, wenn ein für Wartungsarbeiten benötigtes Teil fehlt.

3.2 Amsterdam - Käsemarken

Amsterdam ist ein fiktives FMCG-Unternehmen, das sich auf die Herstellung von Käsesorten, Cremes und Butters spezialisiert hat. Es betreibt ein großes Portfolio von Marken in mehreren Ländern. Viele widersprüchliche Geschäftsziele müssen sorgfältig ausbalanciert werden: Qualität, Preis, Frische, Verschwendung, Vielfalt, Regionalität usw. Von Natur aus setzen Milchproduktion und Einzelhandelsaktionen das Unternehmen zwischen Hammer und Amboss in Bezug auf Angebot und Nachfrage.

3.3 San Jose - Homeware E-Commerce

San Jose ist ein fiktiver E-Commerce-Anbieter, der eine Vielzahl von Wohnaccessoires und Zubehör vertreibt. Er betreibt seinen eigenen Online-Marktplatz. Seine Eigenmarke konkurriert sowohl intern als auch extern mit fremden Marken. Um mit größeren und preisgünstigeren Wettbewerbern mithalten zu können, versucht die supply chain von San Jose, einen hochwertigen Service zu bieten, der in vielen Formen auftritt und weit über die termingerechte Lieferung der bestellten Waren hinausgeht.

3.4 Stuttgart - ein Automotive-Aftermarket-Unternehmen

Stuttgart ist ein fiktives Unternehmen im Automotive-Aftermarket. Es betreibt ein Netz von Filialen, die Autoreparaturen, Autoteile und Autozubehör anbieten. In den frühen 2010er Jahren startete Stuttgart auch zwei E-Commerce-Kanäle, einen zum Kauf und Verkauf von Autoteilen und einen zum Kauf und Verkauf von Gebrauchtwagen. Stuttgart versucht, in dem komplexen und wettbewerbsintensiven europäischen Automobilmarkt, der zigtausende unterschiedliche Fahrzeuge und hundertetausende verschiedene Autoteile umfasst, einen hochwertigen Service zu bieten.

4. Hilfswissenschaften

Die Beherrschung von 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 den kulturellen Hintergrund liefern, der 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 benötigen Rechenressourcen, um zu funktionieren, so wie motorisierte Förderbänder Strom benötigen. Dennoch sind träge supply chain Systeme allgegenwärtig, während sich die Rechenleistung von Computern seit 1990 um mehr als das 10.000-Fache erhöht hat. Ein mangelndes Verständnis der grundlegenden Eigenschaften moderner Rechenressourcen – selbst in IT- oder Data-Science-Kreisen – erklärt diesen Zustand weitgehend. Das Software-Design, das den numerischen Rezepten zugrunde liegt, sollte die zugrundeliegende Rechnerarchitektur nicht antagonisieren.

4.2 Moderne Algorithmen

Die Optimierung von supply chains beruht auf der Lösung zahlreicher numerischer Probleme. Algorithmen sind stark kodifizierte numerische Rezepte, die dazu gedacht sind, präzise Rechenprobleme zu lösen. Überlegene Algorithmen bedeuten, dass mit weniger Rechenressourcen überlegene Ergebnisse erzielt werden können. Indem man sich auf die Besonderheiten von supply chain konzentriert, kann die algorithmische Leistung enorm verbessert werden – manchmal um mehrere Größenordnungen. Auch „supply chain“ Algorithmen müssen 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 der Minimierung einer mathematischen Funktion. Fast alle modernen statistischen Lerntechniken – also Prognosen, wenn man eine supply chain Perspektive einnimmt – beruhen im Kern auf mathematischer Optimierung. Außerdem stützt sich die Identifizierung der rentabelsten Entscheidungen, sobald die Prognosen vorliegen, ebenfalls auf mathematische Optimierung. supply chain Probleme beinhalten häufig viele Variablen und 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-Such-Löser für 0-1 Programmierung, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, September 2011
• Automatic Differentiation im Machine Learning: Eine Übersicht, 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 unersetzlich, da jede Entscheidung (Einkauf, Produktion, Lagerhaltung usw.) eine Antizipation zukünftiger Ereignisse widerspiegelt. Statistisches Lernen und maschinelles Lernen haben das klassische Feld der „Prognose“ weitgehend sowohl aus theoretischer als auch aus praktischer Sicht verdrängt. Dieses Forschungsfeld hat dramatische Verbesserungen erfahren, die in den Kreisen der „Data Scientists“ weitgehend missverstanden werden. Wir werden uns in diesem Feld auf die Lösung von drei Paradoxien einlassen. Erstens müssen wir präzise Aussagen über Daten treffen, die uns nicht vorliegen. Zweitens gilt es, Probleme anzugehen, bei denen die Zahl der Variablen die der Beobachtungen bei weitem übersteigt. Drittens müssen wir mit Modellen arbeiten, bei denen die Anzahl der Parameter entweder die der Variablen oder Beobachtungen bei weitem übertrifft. Wir werden versuchen zu verstehen, was eine datengetriebene Antizipation der Zukunft aus einer modernen Lern-Perspektive überhaupt bedeutet.

Referenzen:

• Eine Theorie des Lernbaren, L. G. Valiant, November 1984
• Support-Vektor-Netzwerke, Corinna Cortes & Vladimir Vapnik, September 1995
• Random Forests, Leo Breiman, Oktober 2001
• LightGBM: Ein hocheffizienter 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, Dezember 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
• Unüberwachtes maschinelles Übersetzen nur mit einsprachigen Korpora, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, zuletzt überarbeitet im April 2018
• BERT: Pre-Training von Deep Bidirectional Transformers für das Sprachverständnis, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, zuletzt überarbeitet im Mai 2019
• Eine sanfte Einführung in 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 Tabellenkalkulationen (z. B. Excel) betrieben, während Enterprise-Systeme seit ein, zwei, manchmal sogar drei Jahrzehnten im Einsatz sind – angeblich, um sie zu ersetzen. Tatsächlich bieten Tabellenkalkulationen eine zugängliche programmgesteuerte Ausdruckskraft, während dies bei den meisten dieser Systeme nicht der Fall ist. Allgemein hat sich seit den 1960er Jahren die Softwareindustrie gemeinsam mit ihren Programmiersprachen ständig weiterentwickelt. Es gibt Hinweise darauf, dass die nächste Stufe der supply chain Leistung weitgehend von der Entwicklung und Übernahme von Programmiersprachen beziehungsweise programmierbaren Umgebungen getrieben 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 überraschend sein, dass die meisten Probleme mit Unternehmenssoftware, denen supply chains gegenüberstehen, letztlich auf schlechtes Software-Engineering zurückzuführen sind. Numerische Rezepte, die zur Optimierung von supply chain eingesetzt werden, sind Software und unterliegen somit denselben Problemen. Diese Probleme nehmen zu, je komplexer die numerischen Rezepte werden. Richtiges Software-Engineering ist für supply chains das, was Asepsis für Krankenhäuser ist: an sich bewirkt es nichts – wie die Behandlung von Patienten – aber ohne es bricht alles zusammen.

4.7 Cybersicherheit

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

4.21 Blockchains

Kryptowährungen haben viel Aufmerksamkeit erregt. Es wurden Vermögen gemacht. Vermögen gingen verloren. Pyramidensysteme waren weit verbreitet. Aus unternehmerischer Perspektive ist die „blockchain“ der höfliche Euphemismus, der verwendet wird, um ähnliche Ideen und Technologien einzuführen, während gleichzeitig eine Distanz zu diesen Kryptowährungen aufgebaut wird. supply chain Anwendungsfälle gibt es für die blockchain, aber auch zahlreiche Herausforderungen.

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, May 2018
• Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, März 2018
• A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, May 2018

5. Prädiktive Modellierung

Die richtige quantitative Voraussicht zukünftiger Ereignisse steht im Zentrum jeglicher supply chain Optimierung. Die Praxis der Zeitreihenprognose 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 behandelt sie eine deutlich vielfältigere Menge von Problemstellungen. Zweitens ist aufgrund der Natur von supply chain Problemen ein programmatisches Paradigma erforderlich. Drittens, da Unsicherheit in der Regel irreduzibel ist, sind auch probabilistische Prognosen notwendig.

5.0. No1 auf SKU-Ebene im M5-Prognosewettbewerb

Im Jahr 2020 erreichte ein Team bei Lokad Platz 5 von 909 teilnehmenden Teams beim M5, einem weltweiten Prognosewettbewerb. Auf SKU-Ebene erzielten diese Prognosen jedoch Platz 1. Die Nachfrageprognose ist von primärer Bedeutung für supply chain. Der in diesem Wettbewerb verfolgte Ansatz erwies sich als untypisch und unterschied sich von den von den anderen Top-50-Konkurrenten verwendeten Methoden. Aus dieser Leistung lassen sich mehrere Lehren ziehen, die als Vorbereitung dienen, um weitere prädiktive Herausforderungen für supply chain anzugehen.

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 Strukturierte prädiktive Modellierung

Differentiable Programming (DP) ist ein generatives Paradigma, um eine sehr breite Klasse statistischer Modelle zu entwickeln, die sich hervorragend dafür eignen, prädiktive supply chain Herausforderungen zu bewältigen. DP ist der Nachfolger des Deep Learning, unterscheidet sich jedoch von Deep Learning durch seinen intensiven Fokus auf die Struktur der Lernprobleme. DP übertrifft nahezu die gesamte „klassische“ Prognoseliteratur, die auf parametrischen Modellen basiert. DP ist auch in nahezu jeder Dimension, die für einen praktischen Einsatz im supply chain Bereich relevant ist – einschließlich der leichten Anwendbarkeit durch Praktiker – klassischen Machine Learning Algorithmen überlegen, die bis in die späten 2010er Jahre verwendet wurden.

5.2 Probabilistische Prognose

Die Optimierung von supply chains beruht auf der richtigen Vorwegnahme zukünftiger Ereignisse. Numerisch werden diese Ereignisse mittels Vorhersagen antizipiert, die eine Vielzahl numerischer Methoden umfassen, um diese zukünftigen Ereignisse zu quantifizieren. Seit den 1970er Jahren ist die am weitesten verbreitete Form der forecast die Punkt-Zeitreihenprognose: Eine über die Zeit gemessene Größe – zum Beispiel die Nachfrage in Einheiten für ein Produkt – wird in die Zukunft projiziert. Eine Vorhersage gilt als probabilistisch, wenn sie die Wahrscheinlichkeiten aller möglichen zukünftigen Ergebnisse zurückgibt, anstatt ein einzelnes Ergebnis als „die“ Vorhersage festzulegen. Probabilistische Vorhersagen sind wichtig, wann immer Unsicherheit irreduzibel ist, was fast immer der Fall ist, wenn es um komplexe Systeme geht. Für supply chains sind probabilistische Vorhersagen 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 – wie auch die Nachfrage – prognostiziert werden. Probabilistische Vorhersagemodelle, die speziell für Lieferzeiten entwickelt wurden, können eingesetzt werden. Es wird eine Reihe von Techniken vorgestellt, um probabilistische Lieferzeitvorhersagen für supply chain-Zwecke zu erstellen. Die Kombination dieser Prognosen – Lieferzeit und Nachfrage – bildet einen Grundpfeiler der prädiktiven Modellierung in supply chain.

6. Entscheidungsfindung

Jeden einzelnen Tag müssen im Rahmen des operativen Geschäfts tausende supply chain-Entscheidungen (in großen Unternehmen sogar Millionen) getroffen werden. Jede Entscheidung bringt verschiedene Alternativen mit sich. Das Ziel der Optimierung der supply chain besteht darin, jene Optionen auszuwählen, die sich unter den unsicheren zukünftigen Bedingungen als am profitabelsten erweisen. Dieser Prozess stellt zwei zentrale Herausforderungen dar, die wir bisher nicht behandelt haben: 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 Vorhersagen

Supply chain-Entscheidungen erfordern risikoadjustierte wirtschaftliche Bewertungen. Die Umwandlung probabilistischer Vorhersagen in wirtschaftliche Bewertungen ist nicht trivial und erfordert spezielle Werkzeuge. Dennoch erweist sich die daraus resultierende wirtschaftliche Priorisierung, veranschaulicht durch Bestandszuordnungen, als leistungsfähiger als herkömmliche 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 Automotive Aftermarket

Das Gleichgewicht von Angebot und Nachfrage hängt maßgeblich von den Preisen ab. Daher gehört die Preisoptimierung – zumindest in weiten Teilen – zum Bereich der supply chain. Wir werden eine Reihe von Techniken vorstellen, um die Preise eines fiktiven Unternehmens im Automotive Aftermarket zu optimieren. Anhand dieses Beispiels werden wir die Gefahr abstrakter Denkansätze aufzeigen, die den tatsächlichen Kontext außer Acht lassen. Es ist wichtiger zu wissen, was optimiert werden soll, als sich in den Feinheiten der Optimierung zu verlieren.

7. Taktische und strategische Ausführung

Supply chain, sowohl als Praxis als auch als Studienfeld, zielt darauf ab, ein Enabler und ein Wettbewerbsvorteil für das Unternehmen als Ganzes zu sein. Aus der Perspektive des Top-Managements dominieren zwei Ansätze: supply chain zu einem akkretiven Asset zu machen und überlegene Wege zur Umsetzung des Geschäfts zu ermöglichen. 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, könnte im Erfolgsfall die supply chain selbst grundlegend verändern. Diese Perspektive ist jedoch mit zwei wesentlichen Vorbehalten verbunden. Erstens müssen die numerischen Rezepte so entworfen werden, dass sie den Prozess erleichtern; es steckt mehr dahinter, als es auf den ersten Blick scheint. Zweitens verändert der bloße 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 Soft- und Hard-Problemen. Leider ist es nicht möglich, diese Aspekte voneinander zu trennen. Die weichen und harten Aspekte sind tief miteinander verflochten. In der Regel 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 Ursachen des Scheiterns meist in Fehlern liegen, die in den frühesten Phasen des Projekts gemacht wurden. Darüber hinaus neigen frühe Fehler dazu, die gesamte Initiative zu prägen, wodurch es nahezu unmöglich wird, sie nachträglich zu beheben. Wir präsentieren unsere wichtigsten Erkenntnisse, um diese Fehler zu vermeiden.

7.2 Die Entscheidungen in die Produktion bringen

Wir suchen ein numerisches Rezept, um eine ganze Klasse alltäglicher Entscheidungen, wie beispielsweise Bestandsauffüllungen, zu steuern. Automatisierung ist wesentlich, um supply chain zu einem kapitalistischen Unterfangen zu machen. Allerdings birgt sie erhebliche Risiken, Schäden im großen Maßstab anzurichten, falls das numerische Rezept fehlerhaft ist. Fail fast and break things ist nicht die richtige Mentalität, um ein numerisches Rezept für den Produktionsbetrieb zu genehmigen. Viele Alternativen, wie das Wasserfallmodell, sind jedoch noch schlechter, da sie üblicherweise eine Illusion von Rationalität und Kontrolle vermitteln. Ein hoch iterativer Prozess ist der Schlüssel, um das numerische Rezept so zu gestalten, dass es produktionsreif ist.

7.3 The Supply Chain Scientist

Im Zentrum einer die Quantitative Supply Chain Initiative 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. Der SCS liefert menschliche Intelligenz, verstärkt durch maschinelle Rechenleistung.