Forecast Value Added

Forecast Value Added¹ (FVA) ist ein einfaches Werkzeug zur Bewertung der Leistung jedes Schritts (und Beitrags) im Nachfrageprognoseprozess. Sein ultimatives Ziel ist es, Verschwendung im Prognoseprozess zu beseitigen, indem menschliche Berührungspunkte (Überschreibungen) entfernt werden, die die Prognosegenauigkeit nicht erhöhen. FVA basiert auf der Annahme, dass eine größere Prognosegenauigkeit erstrebenswert ist und dass es wünschenswert ist, die Überschreibungen zu identifizieren, die diese erhöhen, und diejenigen zu eliminieren, die dies nicht tun. Trotz positiver Absichten zeigt FVA nur begrenzte einmalige Nützlichkeit und weist bei kontinuierlicher Anwendung eine Vielzahl von Nachteilen auf, darunter fehlerhafte mathematische Annahmen, Missverständnisse über den intrinsischen Wert einer erhöhten Prognosegenauigkeit und das Fehlen einer robusten finanziellen Perspektive.

Überblick über Forecast Value Added

Forecast Value Added zielt darauf ab, Verschwendung zu beseitigen und die Genauigkeit der Nachfrageprognose zu erhöhen, indem Eingaben aus mehreren Abteilungen (einschließlich nicht nachfrageplanungsbezogener Teams wie Vertrieb, Marketing, Finanzen, Betrieb usw.) gefördert und bewertet werden. Durch die Bewertung des Werts jedes menschlichen Berührungspunkts im Prognoseprozess liefert FVA Unternehmen handlungsorientierte Daten zu den Überschreibungen, die die Prognose verschlechtern, und bietet ihnen so die Möglichkeit, Anstrengungen und Ressourcen zu identifizieren und zu eliminieren, die nicht zu einer besseren Prognosegenauigkeit beitragen.

Michael Gilliland, dessen Buch The Business Forecasting Deal die Methode bekannt gemacht hat, argumentiert²:

“FVA stellt sicher, dass alle Ressourcen, die in den Prognoseprozess investiert werden - von Computerhardware und -software bis hin zur Zeit und Energie von Analysten und Management - die Prognose verbessern. Wenn diese Ressourcen nicht zur Prognose beitragen, können sie sicher auf lohnendere Aktivitäten umgeleitet werden.”

Man identifiziert, welche Aktivitäten und Ressourcen hilfreich sind, indem man einen mehrstufigen Prognoseprozess durchläuft, bei dem eine statistische Prognose mit der vorhandenen Prognosesoftware des Unternehmens erstellt wird. Diese statistische Prognose wird dann von jeder ausgewählten Abteilung manuell geändert (überschrieben). Diese angepasste Prognose wird dann mit einer naiven, benchmarkartigen Prognose (ohne Änderungen, als Placebo fungierend) und der tatsächlichen, beobachteten Nachfrage verglichen.

Wenn die von den Abteilungen vorgenommenen Änderungen die statistische Prognose genauer gemacht haben (im Vergleich zur unveränderten statistischen Prognose), haben sie einen positiven Wert beigetragen. Wenn sie sie ungenauer gemacht haben, haben sie einen negativen Wert beigetragen. Ebenso, wenn die statistische Prognose genauer war als das Placebo, hat sie einen positiven Wert hinzugefügt (und umgekehrt, wenn sie ungenauer war).

FVA ist daher “[ein Maß für] die Veränderung einer Prognoseleistungsmetrik, die einem bestimmten Schritt oder Teilnehmer im Prognoseprozess zugeschrieben werden kann”².

Befürworter von Forecast Value Added argumentieren, dass es ein wesentliches Werkzeug im modernen Supply Chain Management ist. Indem sie identifizieren, welche Teile des Prognoseprozesses vorteilhaft sind und welche nicht, können Organisationen ihre Prognosegenauigkeit optimieren. Die übergeordnete Begründung besteht darin, dass eine verbesserte Prognose zu einer besseren Bestandsverwaltung, einer reibungsloseren Produktionsplanung und einer effizienteren Ressourcenzuweisung führt.

Dies sollte folglich Kosten reduzieren, Lieferrückstände minimieren und Überbestände reduzieren, während gleichzeitig die Kundenzufriedenheit erhöht und eine inklusivere Prognose- und Unternehmensethik geschaffen wird. Der Prozess hat sich als bemerkenswert beliebt erwiesen, wobei FVA bei mehreren namhaften Unternehmen in besonders wettbewerbsintensiven Branchen wie Intel, Yokohama Tire und Nestle³ angewendet wird.

Durchführung einer Forecast Value Added-Analyse

Die Durchführung einer Forecast Value Added-Analyse umfasst mehrere intuitive Schritte, in der Regel eine enge Version der folgenden:

• Definieren Sie den Prozess, indem Sie die einzelnen Schritte oder Komponenten identifizieren, d.h. die Liste der Abteilungen, die konsultiert werden sollen, die Reihenfolge der Konsultation und die spezifischen Parameter, die jeder Beitragende verwenden wird, um die anfängliche Prognose zu modifizieren.

• Generieren Sie eine Benchmark-Prognose. Diese Benchmark-Prognose nimmt in der Regel die Form einer naiven Prognose an. Es wird auch eine statistische Prognose generiert, wie sie im normalen Prognoseprozess des Unternehmens verwendet wird, unter Verwendung desselben Datensatzes, der bei der Erstellung der Benchmark-Prognose verwendet wird. Diese statistische Prognose dient als Grundlage für alle nachfolgenden Anpassungen.

• Sammeln Sie Erkenntnisse von den festgelegten Beitragenden und halten Sie sich dabei an die genauen Parameter, die im ersten Schritt definiert wurden. Dies kann Markttrend-Erkenntnisse, Werbepläne, betriebliche Einschränkungen usw. umfassen.

• Berechnen Sie den FVA für jeden Beitragenden, indem Sie die Genauigkeit der statistischen Prognose vor und nach der Eingabe dieses Beitragenden vergleichen. Die Genauigkeit der statistischen Prognose wird wiederum mit der des einfachen Benchmark-Prognose verglichen. Beiträge, die die Prognosegenauigkeit verbessern, erhalten ein positives FVA, während solche, die die Genauigkeit verringern, ein negatives FVA erhalten.

• Optimieren Sie, indem Sie Beiträge mit negativem FVA verbessern oder eliminieren, während Sie solche mit positivem FVA erhalten oder verbessern.

Diese Schritte bilden einen fortlaufenden Prozess, der iterativ verbessert wird, um eine größere Prognosegenauigkeit zu erreichen. Der FVA-Prozess und wie er sich von einem traditionellen Prognoseprozess unterscheidet, ist unten dargestellt.

Abbildung 2 basiert auf den von Gilliland^{2 3} und Chybalski⁴ beschriebenen Prozessen. Im Gegensatz zu Abbildung 1 gibt es mehrere Stufen der menschlichen Überschreibung (EO1, EO2 und CF). FVA-Prozesse können noch mehr Stufen menschlicher Intervention umfassen, einschließlich einer abschließenden Phase der Überschreibung durch das Top-Management².

In Tabelle 1⁵ ist das Bewertungskriterium der MAPE (mittlerer absoluter prozentualer Fehler). Dieses Beispiel zeigt, dass die Statistische Prognose die Prognosegenauigkeit verbessert hat (durch eine Reduzierung des Prognosefehlers um 5%) im Vergleich zur Naiven Prognose. Darüber hinaus war die menschliche Überschreibung in der Phase Expert Override 2 nicht hilfreich und führte zu einem signifikanten Anstieg des Prognosefehlers.

Betrachten Sie einen Apfelverkäufer. Paul (Demand Planning) informiert das Management, dass das Unternehmen in den letzten 3 Monaten jeweils 8 Äpfel verkauft hat. Die naive Prognose besagt, dass das Unternehmen nächsten Monat wieder 8 verkaufen wird, aber Paul hat eine fortschrittliche statistische Software, die voraussagt, dass 10 Äpfel verkauft werden (statistische Prognose). John (Marketing) meldet sich zu Wort und sagt, dass er in diesem Monat einen schicken neuen Slogan veröffentlichen möchte⁶ und dass die Verkäufe aufgrund seines scharfen Witzes voraussichtlich höher sein werden. George (Vertrieb) plant, Äpfel zu bündeln und die Preise leicht zu senken, um die Verkäufe weiter anzukurbeln und die Nachfrage zu steigern. Richard (Betrieb) ist zunächst ratlos, überarbeitet dann jedoch die prognostizierte Nachfrage, um eine bevorstehende Ausfallzeit in der entscheidenden Apfelsortiermaschine zu berücksichtigen, von der er glaubt, dass sie sich negativ auf die Fähigkeit des Unternehmens auswirken wird, die Nachfrage zu erfüllen. Die statistische Prognose wurde also manuell dreimal angepasst. Die Abteilungen treffen sich anschließend, um eine Konsensprognose verbal zu erreichen.

Einen Monat später führt das Unternehmen einen Backtest durch, um zu bestätigen, wie groß der Unterschied⁷ bei jedem Schritt dieses Prognose-Relais war - d.h. wie “falsch” der Beitrag jeder Abteilung war. Dies ist nicht schwierig, da sie nun die tatsächlichen Verkaufsdaten für den Vormonat besitzen und Paul isolieren kann, wie viel Fehler jeweils von John, George und Richard sowie der Konsensprognosestufe eingeführt wurde⁸.

Die mathematische Perspektive des Forecast Value Added

Unter der Oberfläche ist der Forecast Value Added ein bemerkenswert einfacher und bewusst unkomplizierter Prozess. Im Gegensatz zu Prognoseprozessen, die ein fortgeschrittenes Wissen in Mathematik und statistischem Denken erfordern, ist FVA “ein gesunder Menschenverstand, der leicht zu verstehen ist. Es drückt die Ergebnisse des Handelns im Vergleich zum Nichtstun aus”³.

Die Ergebnisse des Handelns im Vergleich zum Nichtstun erfordern jedoch immer noch mathematisches Eingreifen, und dies erfolgt in der Regel in Form einer einfachen Zeitreihe - dem Rückgrat traditioneller Prognosemethoden. Das Hauptziel der Zeitreihenanalyse besteht darin, die zukünftige Nachfrage bequem und intuitiv als einen einzigen handlungsorientierten Wert darzustellen. Im Kontext von FVA dient die Baseline-Zeitreihe als Placebo oder Kontrolle, gegen die alle Analystenüberschreibungen (wie in der vorherigen Sektion beschrieben) verglichen werden. Eine Baseline-Zeitreihe kann durch verschiedene Methoden generiert werden, die häufig verschiedene Formen der naiven Prognose umfassen. Diese werden häufig anhand von Metriken wie MAPE, MAD und MFE bewertet.

Auswahl einer Benchmark-Prognose

Die Wahl der Baseline-Prognose hängt von den Zielen oder Einschränkungen des jeweiligen Unternehmens ab.

• Naive-Prognose und saisonale naive Prognosen werden oft aufgrund ihrer Einfachheit gewählt. Sie sind einfach zu berechnen und zu verstehen, da sie auf der Annahme beruhen, dass frühere Daten in der Zukunft wiederholt werden. Sie bieten in vielen Kontexten eine sinnvolle Grundlage, insbesondere wenn die Daten relativ stabil sind oder ein deutliches Muster (Trend, Saisonalität, etc.) aufweisen.

• Random Walk und saisonaler Random Walk werden in der Regel verwendet, wenn die Daten eine signifikante Zufälligkeit oder Variabilität aufweisen oder wenn ein deutliches saisonales Muster vorhanden ist, das auch zufälligen Schwankungen unterliegt. Diese Modelle fügen dem Konzept der naiven Prognose ein Element der Unvorhersehbarkeit hinzu, um die inhärente Unsicherheit der Prognose zukünftiger Nachfrage widerzuspiegeln.

Bewertung der Ergebnisse des Forecast Value Added

• MFE (Mean Forecast Error) kann verwendet werden, um festzustellen, ob eine Prognose dazu neigt, die tatsächlichen Ergebnisse zu überschätzen oder zu unterschätzen. Dies könnte eine nützliche Metrik in einer Situation sein, in der es kostspieliger ist, eine Überprognose als eine Unterprognose zu haben, oder umgekehrt.

• MAD (Mean Absolute Deviation) und MAPE (Mean Absolute Percentage Error) liefern Maße für die Prognosegenauigkeit, die sowohl Über- als auch Unterprognosen berücksichtigen. Sie können als Maß für die Genauigkeit verwendet werden, wenn es wichtig ist, die Gesamtgröße der Prognosefehler unabhängig davon zu minimieren, ob sie zu Über- oder Unterprognosen führen.

Obwohl MAPE in FVA-bezogenen Quellen häufig vorkommt, gibt es unterschiedliche Meinungen darüber, welche Prognose-Metrikkonfiguration in einer FVA-Analyse verwendet werden soll^{2 4 9}.

Einschränkungen von FVA

Forecast Value Added ist trotz seines umfassenden Ansatzes, seiner noblen Ziele und niedrigen Einstiegshürden möglicherweise einer umfangreichen Palette von Einschränkungen und falschen Annahmen unterworfen. Diese Defizite erstrecken sich über eine Vielzahl von Bereichen, einschließlich Mathematik, moderner Prognosetheorie und Wirtschaftswissenschaften.

Prognose ist nicht kollaborativ

Forecast Value Added beruht auf der Vorstellung, dass kollaborative Prognosen gut sind, in dem Sinne, dass mehrere (und sogar konsensuale) menschliche Überschreibungen einen positiven Wert hinzufügen können. FVA glaubt weiterhin, dass dieser positive Prognosewert im gesamten Unternehmen verteilt ist, da Mitarbeiter verschiedener Abteilungen wertvolle Einblicke in die zukünftige Marktnachfrage haben können.

Daher besteht das Problem aus Sicht von FVA darin, dass dieser kollaborative Ansatz mit lästigen Ineffizienzen einhergeht, wie z.B. dass einige menschliche Berührungspunkte einen negativen Wert beitragen. FVA versucht daher, die verschwenderischen Prognosemitarbeiter auszusortieren, um die guten zu finden.

Leider steht die Idee, dass Prognosen besser als kollaborativer, abteilungsübergreifender Prozess funktionieren, im Widerspruch zu dem, was moderne statistische Prognosen zeigen - auch in Einzelhandelssituationen.

Eine umfangreiche Überprüfung des fünften Makridakis-Prognosewettbewerbs¹⁰ hat gezeigt, dass “alle 50 besten Methoden auf ML (Machine Learning) basierten. Daher ist M5 der erste M-Wettbewerb, bei dem alle besten Methoden sowohl ML-Methoden als auch besser als alle anderen statistischen Benchmarks und deren Kombinationen waren” (Makridakis et al., 2022)¹¹. Der M5-Genauigkeitswettbewerb basierte auf der Prognose von Verkäufen unter Verwendung historischer Daten für das weltweit umsatzstärkste Einzelhandelsunternehmen (Walmart).

Tatsächlich wurde laut Makridakis et al. (2022) “das Gewinnermodell [im M5] von einem Studenten entwickelt, der wenig Prognosewissen und wenig Erfahrung im Aufbau von Verkaufsprognosemodellen hatte”¹¹, was Zweifel daran aufkommen lässt, wie wichtig die Markteinblicke verschiedener Abteilungen tatsächlich in einem Prognosekontext sind.

Dies bedeutet nicht, dass komplexere Prognosemodelle grundsätzlich wünschenswert sind. Vielmehr übertrumpfen oft sophisticated Modelle simplistic Modelle, und die kollaborative Prognose von FVA ist ein simplistischer Ansatz für ein komplexes Problem.

Ignoriert zukünftige Unsicherheit

FVA geht wie viele Tools und Techniken im Zusammenhang mit Prognosen davon aus, dass Kenntnisse über die Zukunft (in diesem Fall die Nachfrage) in Form einer Zeitreihe dargestellt werden können. Es verwendet eine naive Prognose als Benchmark (in der Regel eine Kopie der bisherigen Verkäufe) und lässt die Mitarbeiter die Werte einer statistischen Prognose manuell aufrunden oder abrunden. Dies ist aus zwei Gründen fehlerhaft.

Erstens ist die Zukunft, sei es allgemein oder in Bezug auf Prognosen, unvermeidlich unsicher. Daher ist es ein grundsätzlich fehlerhafter Ansatz, sie als einen einzigen Wert auszudrücken (auch wenn er mit einer Sicherheitsbestandsformel ergänzt wird). Angesichts der unvermeidlichen Unsicherheit der Zukunft ist der vernünftigste Ansatz die Bestimmung eines Bereichs wahrscheinlicher zukünftiger Werte, der im Hinblick auf die potenzielle finanzielle Rendite jedes einzelnen bewertet wird. Dies übertrifft aus einer Risikomanagement-Perspektive den Versuch, einen einzelnen Wert gemäß einer traditionellen Zeitreihe zu identifizieren - etwas, das das Problem der zukünftigen Unsicherheit vollständig ignoriert.

Zweitens sind die Erkenntnisse (wie nützlich sie auch erscheinen mögen) der Mitarbeiter in der Regel nicht leicht (wenn überhaupt) in eine Zeitreihenprognose übersetzbar. Betrachten Sie eine Situation, in der ein Unternehmen im Voraus weiß, dass ein Konkurrent in den Markt eintritt. Alternativ stellen Sie sich eine Welt vor, in der wettbewerbsbezogenes Wissen darauf hinweist, dass der härteste Konkurrent plant, eine beeindruckende neue Sommerkollektion auf den Markt zu bringen. Die Annahme, dass diese Art von Erkenntnissen von Nicht-Spezialisten kollaborativ zu einem einzigen Wert in einer Zeitreihe zusammengeführt werden können, ist phantastisch.

In Wirklichkeit werden jegliche Ähnlichkeiten mit tatsächlichen zukünftigen Verkäufen (positiver Mehrwert) vollständig zufällig sein, in dem Sinne, dass menschliche Eingriffe (sei es das Aufrunden oder Abrunden der Nachfrage) gleichwertige Ausdrücke desselben fehlerhaften Inputs sind. Eine Person, die einen negativen Wert beiträgt, ist daher aus logischer Sicht nicht “richtiger” oder “falscher” als die Person, die einen positiven Wert beiträgt.

Im Kern versucht FVA, dreidimensionale Eigenschaften (menschliche Erkenntnisse) auf eine zweidimensionale Fläche (eine Zeitreihe) zu drängen. Es mag aus einem bestimmten Blickwinkel richtig aussehen, aber das bedeutet nicht, dass es auch richtig ist. Dadurch erhält FVA ein eher irreführendes Erscheinungsbild statistischer Strenge.

Selbst wenn das Unternehmen einen traditionellen Prognoseprozess mit minimalen menschlichen Berührungspunkten verwendet (wie in Abbildung 1 dargestellt), ist die Analyse selbst eine Verschwendung, wenn die zugrunde liegende statistische Prognose, die von FVA analysiert wird, eine Zeitreihe ist.

Ironischerweise verschwenderisch

Als einmalige Demonstration von Überzeugung und voreingenommener Entscheidungsfindung hat FVA einen Nutzen. Nobelpreise wurden für die Tiefe, Breite und Ausdauer kognitiver Verzerrungen bei menschlicher Entscheidungsfindung verliehen^{12 13}. Es ist jedoch durchaus denkbar, dass einige Teams erst dann einsehen, wie fehlerhaft menschliche Eingriffe in der Regel sind, wenn ihnen dies nachdrücklich gezeigt wird.

Als fortlaufendes Managementinstrument ist FVA jedoch inhärent fehlerhaft und widersprüchlich. Wenn die statistischen Prognosen durch eine naive Prognose und gemeinsame Experimente übertroffen werden, sollte man sich wirklich folgende Frage stellen:

Warum versagen die statistischen Modelle?

Leider hat FVA darauf keine Antwort, da es grundsätzlich nicht dafür konzipiert ist. Es liefert keine Erkenntnisse darüber, warum statistische Modelle möglicherweise unterdurchschnittlich abschneiden, sondern nur dass sie unterdurchschnittlich abschneiden. FVA ist daher weniger ein diagnostisches Werkzeug als eine Lupe.

Eine Lupe kann zwar nützlich sein, liefert jedoch keine handlungsrelevanten Erkenntnisse darüber, welche zugrunde liegenden Probleme die statistische Prognosesoftware tatsächlich hat. Das Verständnis warum die statistischen Prognosen unterdurchschnittlich abschneiden, hat einen weit größeren direkten und indirekten Wert und ist etwas, das FVA nicht schärfer in den Fokus rückt.

Nicht nur liefert FVA-Software diese wichtige Erkenntnis nicht, sondern sie formalisiert auch auf andere Weise Verschwendung. Gilliland (2010) stellt eine theoretische Situation vor, in der eine Konsensprognose in 11 von 13 Wochen unterdurchschnittlich abschneidet (85% Fehlerquote) und durchschnittlich 13,8 Prozentpunkte Fehler aufweist. Anstatt eine sofortige Einstellung zu rechtfertigen, lautet der Rat:

“Bringen Sie diese Ergebnisse Ihrem Management und versuchen Sie zu verstehen, warum der Konsensprozess diese Auswirkungen hat. Sie können die Dynamik des Konsensmeetings und die politischen Agenden der Teilnehmer untersuchen. Letztendlich muss das Management entscheiden, ob der Konsensprozess verbessert werden kann, um die Genauigkeit der Prognose zu verbessern, oder ob er beseitigt werden sollte.”²

In diesem Szenario diagnostiziert die FVA-Software nicht nur das zugrunde liegende Problem der statistischen Prognoseleistung, sondern die Schicht der FVA-Instrumentierung erhöht lediglich die Bürokratie und die Ressourcenzuweisung, indem sie Aktivitäten analysiert, die offensichtlich keinen Mehrwert bringen.

Durch die Installation einer Schicht FVA-Software stellt man sicher, dass man weiterhin ähnliche Bilder eines fortlaufenden Problems mit geringer Auflösung erhält und wertvolle Ressourcen darauf verwendet, fehlerhafte Eingaben zu verstehen, die von Anfang an ignoriert hätten werden können.

Dies ist möglicherweise nicht die klügste Zuweisung von Unternehmensressourcen, die alternative Verwendungen haben.

Überschätzt den Wert der Genauigkeit

Im Kern geht FVA davon aus, dass eine erhöhte Prognosegenauigkeit es wert ist, isoliert verfolgt zu werden, und geht von dieser Annahme aus, als ob dies offensichtlich wahr wäre. Die Vorstellung, dass eine erhöhte Prognosegenauigkeit wünschenswert ist, ist verständlicherweise ansprechend, aber aus geschäftlicher Sicht setzt dies voraus, dass eine größere Genauigkeit in eine größere Rentabilität umgesetzt wird. Dies ist offensichtlich nicht der Fall.

Dies bedeutet nicht, dass eine genaue Prognose nicht wünschenswert ist. Eine genaue Prognose sollte jedoch eng mit einer rein finanziellen Perspektive verbunden sein. Eine Prognose kann um 40% genauer sein, aber die damit verbundenen Kosten bedeuten, dass das Unternehmen insgesamt 75% weniger Gewinn erzielt. Die Prognose, obwohl sie deutlich genauer ist (positiver Mehrwert), hat die Dollarfehler nicht reduziert. Dies widerspricht dem Kerngedanken des Geschäfts: mehr Geld verdienen oder zumindest kein Geld verschwenden.

Im Rahmen von FVA ist es durchaus denkbar, dass der positive Mehrwert, den eine Abteilung schafft, für ein Unternehmen einen Nettoverlust darstellt, während der negative Mehrwert, den eine andere Abteilung schafft, kaum wahrnehmbar ist. Obwohl Gilliland anerkennt, dass einige Aktivitäten die Genauigkeit erhöhen können, ohne finanziellen Wert hinzuzufügen, wird dieser Aspekt nicht bis zum logischen Ende verfolgt: einer rein finanziellen Perspektive. Gilliland verwendet das Beispiel eines Analysten, der die Prognosegenauigkeit um einen Prozentpunkt erhöht:

“Die Tatsache, dass eine Prozessaktivität einen positiven FVA hat, bedeutet nicht zwangsläufig, dass sie im Prozess beibehalten werden sollte. Wir müssen die Gesamtvorteile der Verbesserung mit den Kosten dieser Aktivität vergleichen. Erhöht die zusätzliche Genauigkeit den Umsatz, senkt sie die Kosten oder macht sie die Kunden glücklicher? In diesem Beispiel hat die Übersteuerung des Analysten den Fehler um einen Prozentpunkt reduziert. Aber die Einstellung eines Analysten, der jede Prognose überprüft, kann teuer sein, und wenn die Verbesserung nur ein Prozentpunkt beträgt, lohnt es sich wirklich?”²

Mit anderen Worten, eine Steigerung um 1% könnte nicht lohnenswert sein, aber eine größere Steigerung der Prognosegenauigkeit könnte es sein. Dies setzt voraus, dass der finanzielle Wert mit einer höheren Prognosegenauigkeit verbunden ist, was nicht unbedingt der Fall ist.

Somit gibt es eine unausweichliche finanzielle Dimension bei der Prognose, die in FVA am besten unterschätzt wird (und im schlimmsten Fall kaum bemerkt wird). Diese rein finanzielle Perspektive sollte wirklich das Fundament sein, auf dem ein Werkzeug zur Reduzierung von Verschwendung aufgebaut wird.

Anfällig für Manipulation

FVA bietet auch offensichtliche Möglichkeiten zur Manipulation und Prognosemanipulation, insbesondere wenn die Prognosegenauigkeit als Maß für die Leistung von Abteilungen verwendet wird. Dies ist der Geist des Goodhart’s Law, das besagt, dass ein Indikator einmal zum Hauptmaßstab für Erfolg wird (versehentlich oder absichtlich), dieser Indikator nutzlos wird. Dieses Phänomen kann oft zu Fehlinterpretationen und/oder Manipulationen führen.

Angenommen, das Verkaufsteam ist damit beauftragt, kurzfristige Anpassungen an der Nachfrageprognose aufgrund ihrer Interaktionen mit Kunden vorzunehmen. Die Verkaufsabteilung könnte dies als Gelegenheit betrachten, ihren Wert zu signalisieren und Änderungen an der Prognose vorzunehmen, auch wenn dies nicht erforderlich ist, um einen positiven FVA zu demonstrieren. Sie könnten die Nachfrage überschätzen, um den Anschein zu erwecken, dass sie Wert generieren, oder die Nachfrage nach unten korrigieren, um den Anschein zu erwecken, dass sie eine zu optimistische Prognose einer vorherigen Abteilung korrigieren. Auf diese Weise könnte die Verkaufsabteilung wertvoller für das Unternehmen erscheinen. Als Ergebnis könnte die Marketingabteilung dann unter Druck geraten, ebenfalls Wert zu generieren, und das Team beginnt, ähnlich willkürliche Anpassungen an der Prognose vorzunehmen (und so weiter).

In diesem Szenario wird das FVA-Maß, das ursprünglich dazu gedacht war, die Prognosegenauigkeit zu verbessern, lediglich zu einem politischen Mechanismus für Abteilungen, um Wert zu signalisieren, anstatt irgendwelchen Wert hinzuzufügen, eine Kritik, die selbst FVA-Befürworter anerkennen⁹. Diese Beispiele zeigen die potenziellen Gefahren des Goodhart’s Law im Zusammenhang mit FVA¹⁴.

Befürworter von FVA könnten argumentieren, dass diese psychologischen Kritikpunkte der eigentliche Zweck von FVA sind, nämlich die Identifizierung von wertvollen gegenüber wertlosen Eingaben. Angesichts der mit menschlicher Übersteuerung in der Prognose verbundenen Vorurteile, die heutzutage so gut verstanden sind, wären die Ressourcen, die für die Analyse dieser vorurteilsbeladenen Eingaben aufgewendet werden, besser in einen Prozess investiert, der solche Eingaben so weit wie möglich vermeidet.

Lokale Lösung für ein systemisches Problem

Implizit geht der Versuch, die Nachfrageprognose isoliert zu optimieren, davon aus, dass das Problem der Nachfrageprognose getrennt von anderen Problemen in der Lieferkette ist. In Wirklichkeit ist die Nachfrageprognose aufgrund der Wechselwirkung einer Vielzahl systemischer Ursachen in der Lieferkette komplex, einschließlich des Einflusses von variierenden Lieferanten Lieferzeiten, unerwarteten Störungen in der Lieferkette Störungen, Bestandsallokationsentscheidungen, Preisstrategien usw.

Der Versuch, die Nachfrageprognose isoliert zu optimieren (auch als lokale Optimierung bezeichnet), ist ein fehlgeleiteter Ansatz, da die systemischen Probleme - die eigentlichen Ursachen - nicht richtig verstanden und angegangen werden.

Lieferkettenprobleme - zu denen die Nachfrageprognose sicherlich gehört - sind wie Menschen, die auf einem Trampolin stehen: Wenn sich eine Person bewegt, entsteht für alle anderen ein Ungleichgewicht¹⁵. Aus diesem Grund ist eine ganzheitliche, end-to-end-Optimierung besser als der Versuch, Symptome isoliert zu behandeln.

Lokads Standpunkt

Der Wert der Prognosegenauigkeit nimmt eine schlechte Idee (kollaborative Prognose) und macht sie anspruchsvoll, indem er die schlechte Idee in Schichten unnötiger Software kleidet und Ressourcen verschwendet, die besser anderweitig genutzt werden könnten.

Eine anspruchsvollere Strategie wäre es, über das gesamte Konzept der Prognosegenauigkeit hinauszublicken und stattdessen eine Risikomanagement-Politik zu wählen, die Fehler in Dollar reduziert. In Verbindung mit einem probabilistischen Prognoseansatz bewegt sich diese Denkweise weg von willkürlichen KPIs - wie der Steigerung der Prognosegenauigkeit - und berücksichtigt die Gesamtheit der wirtschaftlichen Treiber, Einschränkungen und potenziellen Störungen in der Lieferkette bei der Bestandsentscheidung. Diese Art von Risiko- (und Verschwendungs-) Vektoren können nicht effektiv quantifiziert (und eliminiert) werden durch ein Tool, das eine kollaborative, zeitliche Perspektive nutzt, wie sie in der Wertsteigerung der Prognose zu finden ist.

Darüber hinaus erhöht FVA (vielleicht unbeabsichtigt) die zufällige Komplexität des Nachfrageprognoseprozesses, indem es die Nachfrageprognose von der Gesamtoptimierung der Lieferkette trennt. Zufällige Komplexität ist synthetisch und entsteht durch die allmähliche Anhäufung unnötigen Rauschens - in der Regel von Menschen verursacht - in einem Prozess. Das Hinzufügen redundanter Phasen und Software zum Prognoseprozess, wie es FVA tut, ist ein gutes Beispiel für zufällige Komplexität und kann das vorliegende Problem erheblich komplexer machen.

Die Nachfrageprognose ist ein absichtlich komplexes Problem, das heißt, es handelt sich um eine inhärent rätselhafte und ressourcenintensive Aufgabe. Diese Komplexität ist eine unveränderliche Eigenschaft des Problems und stellt eine viel beunruhigendere Herausforderung dar als zufällig komplexe Probleme. Aus diesem Grund ist es am besten, Lösungsversuche zu vermeiden, die das Problem vereinfachen und grundlegend missverstehen¹⁶. Um die medizinische Rhetorik der FVA-Literatur zu wiederholen, besteht hier der Unterschied zwischen der Heilung einer zugrunde liegenden Krankheit und der ständigen Behandlung von Symptomen, wenn sie auftreten¹⁷.

Kurz gesagt, FVA existiert im Spannungsfeld zwischen moderner Lieferketten-Theorie und dem Bewusstsein der Öffentlichkeit dafür. Eine größere Bildung über die zugrunde liegenden Ursachen der Nachfrageunsicherheit - und ihre Wurzeln in der sich entwickelnden Lieferketten-Disziplin - wird empfohlen.

Anmerkungen