Datenanforderungen für supply chain Optimierung

00:00:03 Bedeutung historischer Daten in Lokad’s Technik.
00:01:40 Tiefe der Historie für supply chain Optimierung.
00:04:24 Zentrale Datensätze: Katalog, Aufträge, Verkäufe, aktueller Lagerbestand.
00:04:56 Rolle der Katalogdaten in der Prognose, Saisonalität.
00:07:06 Bedeutung der umfassenden Verkaufshistorie.
00:08:42 Verfolgung der Nuancen des Produktabsatzzyklus.
00:11:16 Auftragshistorie bei der Preisprognose.
00:13:53 Gewinnmarge, Lagerbestandsrisiken, Prognoseherausforderungen.
00:14:32 Exakte Erfassung von Bestellzeiten, Lieferungen, Einfluss der Qualitätskontrolle.
00:16:01 Qualitätskontrolle bei Erdbeerlieferungen, Einfluss der Bestellung.
00:16:55 Die Bedeutung des Verständnisses des aktuellen Lagerbestands.
00:17:36 Theoretische Lagerbestände können zu Ungenauigkeiten führen.
00:18:39 ‘Stock outs’ und die Bedeutung historischer Lagerbestände.
00:20:59 Sekundäre Datensätze: Werbeaktivitäten.
00:22:00 Einfluss von Werbeaktivitäten auf Verkaufstrends.
00:23:13 Häufiger Fehler: Die Wahl eines komplexen ERP-Systems.
00:24:39 Fehler zwei: Lücken bei der Erfassung von Auftragsdaten.
00:25:35 Fehler drei: Vernachlässigung von Lagerbestands-Snapshots.
00:26:30 Bedeutung der genauen Datenerfassung.

Zusammenfassung

In einem Interview mit dem Moderator Kieran Chandler skizziert Joannes Vermorel, der Gründer von Lokad, die Komplexitäten der supply chain Optimierung. Er hebt die Bedeutung der historischen Tiefe und Detailgenauigkeit der Daten hervor – eine Herausforderung, mit der viele Unternehmen kämpfen. Vermorel schlägt vor, dass ein historischer Datensatz im Wert von dem Zehnfachen der Durchlaufzeiten erforderlich ist, um eine präzise Prognose zu ermöglichen. Er betont die Notwendigkeit von vier zentralen Datensätzen: Katalog, Auftragshistorie, Verkaufshistorie und aktueller Lagerbestand. Seiner Ansicht nach helfen diese Datensätze, Muster aufzudecken, Prognosen zu optimieren und Lagerbestände effektiv zu verwalten. Abschließend identifiziert Vermorel häufige Fehler, die von Kunden gemacht werden, wie die Wahl komplizierter ERP-Systeme und das Versäumnis, Bestellungen oder historische Lagerbestände zu erfassen.

Erweiterte Zusammenfassung

Im Interview führt der Moderator Kieran Chandler ein Gespräch mit Joannes Vermorel, dem Gründer von Lokad, einem Unternehmen, das sich auf supply chain Optimierung spezialisiert hat. Sie diskutieren die komplexen Datenanforderungen für Lokads Technologie und die Herausforderungen, denen Kunden bei der Anpassung an diese Anforderungen begegnen.

Vermorel erklärt, dass die primäre Herausforderung die historische Tiefgründigkeit und Detailgenauigkeit der für die Quantitative Supply Chain Optimierung notwendigen Daten ist. Während sich der aktuelle Zustand eines Unternehmens relativ leicht erfassen lässt, erfordert das Verständnis der Unternehmensgeschichte die Analyse eines umfangreicheren Datensatzes. Zahlreiche Unternehmen haben Schwierigkeiten, die relevanten Daten zu sammeln, insbesondere wenn sie sich zuvor nicht auf solche Details konzentriert haben.

Vermorel schlägt vor, dass das benötigte Ausmaß der Historie je nach Art des Geschäfts variiert. Wenn weniger als ein Jahr an historischen Daten vorliegt, fällt es Lokad schwer, irgendeine Saisonalität zu erkennen – das gilt für jede statistische Methode. Ab etwa drei Jahren Daten setzt es effektiv ein. Dennoch hängt die Menge historischer Daten auch von den Durchlaufzeiten eines Unternehmens ab. Ein Unternehmen mit kurzen Durchlaufzeiten kann mit weniger Daten arbeiten, während Unternehmen mit längeren Durchlaufzeiten eine tiefere Historie benötigen. Als allgemeine Richtlinie wird empfohlen, einen historischen Datensatz im Wert von dem Zehnfachen der relevanten Durchlaufzeiten für eine präzise Prognose zu verwenden.

Vermorel betont, dass es in der Prognose kein Wunder gibt: Ohne ordnungsgemäße Daten werden weder statistische noch manuelle Prognosen präzise sein.

Das Gespräch wendet sich dann den vier Hauptdatensätzen zu, die Lokad verwendet: dem Katalog, der Auftragshistorie, der Verkaufshistorie und einem Schnappschuss des aktuellen Lagerbestands. Vermorel erläutert die Bedeutung des Katalogs, der es ihrer Prognosetechnologie ermöglicht, die Beziehung zwischen Produkten zu nutzen, um die Prognose jedes einzelnen Produkts zu verfeinern. Dies erweist sich als besonders vorteilhaft bei der Prognose von neuen Produkten, die keine Verkaufshistorie aufweisen. Produktmerkmale wie Kategorien, Größen und Farben können herangezogen werden, um saisonale Muster basierend auf ähnlichen Produkten abzuleiten.

Vermorel betont, dass die Verkaufshistorie essenziell ist, jedoch darauf geachtet werden muss, dass sie vollständig ist. Unvollständige Verkaufshistorien können entstehen, wenn Verkaufsdaten von nicht mehr angebotenen Produkten fehlen. An dieser Stelle wird das Gespräch unterbrochen, wobei Vermorel verspricht, weitere Informationen zur Bedeutung der Verkaufshistorie zu liefern.

Vermorel beginnt damit, die Notwendigkeit einer vollständigen Verkaufshistorie zu unterstreichen, einschließlich Details zu Produkten, die nicht mehr verkauft werden. Denn in manchen Fällen werden diese Produkte aus dem Katalog entfernt, was zu verzerrten Verkaufshistorie-Daten führt. Er erwähnt auch den Unterschied zwischen Verkauf und Nachfrage und führt aus, dass Verkäufe nicht immer die tatsächliche Nachfrage widerspiegeln, bedingt durch unterschiedliche Faktoren. Beispielsweise kann die Verkaufsrate unmittelbar nach der Produkteinführung eine Schätzung der zukünftigen Nachfrage liefern.

Anschließend spricht Vermorel über die Bedeutung der genauen Erfassung von Start- und Enddaten des Produktverkaufs. Diese Daten können Muster im Verbraucherverhalten aufzeigen, wie plötzliche Umstellungen auf neue Produkte oder den abrupten Verkaufsstopp aufgrund der Entfernung aus einem Online-Katalog. Ebenso ist es wichtig, die Verkaufshistorie über verschiedene Kanäle hinweg zu verfolgen, etwa in physischen Geschäften und auf unterschiedlichen Online-Plattformen.

Das Gespräch wendet sich der Auftragshistorie zu. Vermorel erklärt, dass es vorteilhaft sei, zu beobachten, wie viel im Laufe der Zeit für verschiedene Lagerartikel bezahlt wurde. Er weist jedoch darauf hin, dass die Vorhersage künftiger Preise aufgrund von Faktoren wie Währungsschwankungen kompliziert ist. Obwohl diese Schwankungen die Margen und Lagerentscheidungen beeinflussen können, betont Vermorel, dass die Prognose dieser Veränderungen nicht im primären Fokus von Lokad liegt.

Vermorel betont auch die Wichtigkeit, die mit Bestellungen und Lieferungen verbundenen Daten zu verstehen. Diese Daten geben Aufschluss über die Durchlaufzeiten, die für die supply chain Optimierung entscheidend sind. Durchlaufzeiten können saisonal oder aufgrund von Ereignissen wie dem chinesischen Neujahr variieren. Er fügt hinzu, dass es unerlässlich ist, etwaige Abweichungen

zwischen bestellten und gelieferten Mengen, da dies zukünftige Bestellungen beeinflussen kann, insbesondere wenn ein Teil der Waren die Qualitätskontrolle nicht besteht.

Vermorel hebt die Notwendigkeit eines aktuellen Schnappschusses des Lagerbestands hervor. Er räumt ein, dass diese Bestände theoretisch aus Verkaufs- und Auftragshistorien rekonstruiert werden könnten, jedoch entstehen oft Bestandsungenauigkeiten. Diese Ungenauigkeiten können sich über die Zeit hinweg anhäufen und zu erheblichen Abweichungen führen. Daher ist die regelmäßige Durchführung von Bestandsaufnahmen und Kontrollen entscheidend für ein effektives supply chain Management.

Vermorel diskutiert die Bedeutung, sowohl den aktuellen als auch den historischen Lagerbestand zu verstehen. Der Lagerbestand zeigt den Bedarf an einer Nachbestellung auf, bietet aber auch Einblicke in die Verkaufshistorie. Beispielsweise sollten “Stock outs” – Fälle, in denen die Nachfrage aufgrund unzureichenden Lagerbestands nicht gedeckt werden konnte – nicht als fehlende Nachfrage interpretiert werden. In Wirklichkeit stellt eine nicht erfüllte Nachfrage aufgrund von Stock outs dennoch Nachfrage dar, wenn auch unbeobachtet. Historische Lagerbestände helfen somit, die Häufigkeit und den Einfluss von Stock outs zu bestimmen. Vermorel berücksichtigt auch ein differenzierteres Verständnis von Stock outs, bei denen es nicht immer darum geht, null Einheiten vorrätig zu haben. In bestimmten Fällen könnte das Fehlen ausreichender Mengen, um den Bedarf eines Kunden zu decken, ebenfalls als Stock out gewertet werden.

Anschließend wendet sich das Gespräch der Bedeutung sekundärer Datensätze zu. Vermorel weist darauf hin, dass Werbeaktivitäten einen wichtigen Datensatz darstellen, den es zu berücksichtigen gilt – nicht nur in Bezug auf die Preisgestaltung, sondern auch hinsichtlich der Produkte, die über verschiedene Kanäle beworben werden. Diese Daten können Spitzen in der Verkaufshistorie erklären. Beispielsweise könnte ein Anstieg entweder auf eine Werbeaktion oder auf eine tatsächliche Zunahme der Nachfrage zurückzuführen sein. Das Verständnis dieses Unterschieds unterstützt die Prognose künftiger Nachfrage.

Vermorel spricht auch häufige Fehler an, die von Kunden gemacht werden. Der erste Fehler ist die Wahl eines ERP-Systems, aus dem es schwierig ist, Daten zu extrahieren. Diese Wahl kann zu erheblichen Schwierigkeiten bei der Datenextraktion führen, selbst wenn das System lokal betrieben wird. Der zweite Fehler besteht darin, Bestellungen nicht zu erfassen. Während kleine Unternehmen ihre Aufträge möglicherweise mit Tabellenkalkulationen verwalten, wird dieser Ansatz problematisch, wenn es darum geht, Durchlaufzeiten zu analysieren. Der dritte Fehler ist, historische Lagerbestände nicht zu erfassen. Angesichts der geringen Kosten für die Speicherung sieht Vermorel keine Entschuldigung dafür, diese Daten nicht aufzubewahren.

Vollständiges Transkript

Kieran Chandler: Heute auf Lokad TV werden wir die genaue Tiefe der Daten untersuchen, die erforderlich ist, um mit uns zusammenzuarbeiten, und auch einige der wirklichen Schwächen verstehen, mit denen einige unserer Kunden konfrontiert waren. Also, Joannes, warum können Kunden nicht richtig mit der Lokad-Technologie arbeiten?

Joannes Vermorel: Eine der größten Herausforderungen, vor denen Kunden stehen, sind tatsächlich die Daten. In der Praxis sollte dies nicht der Fall sein, doch in der Regel ist es so. Der entscheidende Punkt ist, dass die Daten, die Sie für den Betrieb Ihres Unternehmens benötigen, nicht die gleichen sind wie die Daten, die Sie für die quantitative supply chain Optimierung benötigen. Für Letzteres benötigen Sie die gesamte Geschichte Ihres Unternehmens – nicht unbedingt zwei Jahrzehnte zurück, aber sicherlich eine gewisse Tiefe und Detailgenauigkeit in Ihrer Historie. Viele Unternehmen, denen es in der Vergangenheit nicht gelungen ist, ein solches System einzurichten, oder bei denen dies nicht einmal versucht wurde, haben nicht notwendigerweise auf alle Details geachtet, um alle relevanten Daten zu haben. Daher können sie auf Komplikationen stoßen, wenn es darum geht, alle relevanten Daten zu sammeln, um wirklich aussagekräftige Ergebnisse zu erzielen.

Kieran Chandler: Wir haben über die Tiefe der Historie gesprochen. Was ist der minimale Zeitraum an Historie, den Sie haben sollten?

Joannes Vermorel: Die Tiefe der Historie hängt von der Art der Daten und der Art des Geschäfts ab, das Sie betreiben. Als Faustregel gilt, dass es sehr schwer für Lokad ist, irgendeine Saisonalität zu erfassen, wenn Sie weniger als ein Jahr an Daten haben. Das würde für jede statistische Methode zutreffen. Wenn Sie weniger als ein Jahr haben, haben Sie die Saisonalität des Unternehmens nicht beobachtet. Um mit einer gewissen Genauigkeit Saisonalität zu erkennen, benötigen Sie etwa 18 Monate. Ab zwei Jahren fängt es an, richtig zu funktionieren, und mit drei Jahren funktioniert es sehr gut. Aber die benötigte Datenhistorie hängt auch von Ihren Durchlaufzeiten ab. Wenn Ihre Durchlaufzeit einen Tag beträgt, können Sie mit nur zwei Monaten Historie auskommen, da Saisonalität dann nicht so relevant ist. Aber wenn Ihre Durchlaufzeiten vier Monate betragen, wird es viel wichtiger, diese Saisonalität zu erfassen. Wenn Sie also etwas haben wollen, das gut funktioniert, müssten Sie vermutlich einen historischen Datensatz im Wert von ungefähr dem Zehnfachen Ihrer relevanten Durchlaufzeiten haben.

Kieran Chandler: Sprechen wir nun über die Daten selbst. Bei Lokad arbeiten wir doch mit vier zentralen Datensätzen, nicht wahr? Die zentralen Datensätze sind der Katalog, die Auftragshistorie, die Verkaufshistorie und außerdem ein Schnappschuss des aktuellen Lagerbestands. Schauen wir uns diese etwas genauer an. Beginnen wir mit dem Katalog: Warum ist er von Interesse? Schließlich haben unsere Kunden doch ein gutes Verständnis dafür, was sie verkaufen und welche Details dazu gehören. Was kann an diesem Katalog noch gesagt werden?

Joannes Vermorel: Der Katalog ist von herausragender Bedeutung. Er ist ein sehr wesentlicher Teil der Daten.

Kieran Chandler: Wir sprechen über Lokads Prognosetechnologie und darüber, wie sie die Beziehung zwischen Produkten nutzt, um die Prognose für jedes einzelne Produkt zu verfeinern. Können Sie das näher erläutern?

Joannes Vermorel: Absolut, beispielsweise können wir bei der Prognose neuer Produkte nicht auf eine Verkaufshistorie zurückgreifen. Daher verlassen wir uns auf die Attribute, die die Produkte beschreiben. Diese Techniken nutzen wir intensiv für Produkte, die bereits eingeführt wurden.

Kieran Chandler: Können Sie uns ein Beispiel nennen?

Joannes Vermorel: Sicher, nehmen wir ein Produkt, das seit drei Monaten verkauft wird. Können wir darauf ein saisonales Muster auf die prognostizierte Nachfrage anwenden? Die Antwort lautet: Wenn man nur die Historie dieses Produkts betrachtet, ist das nicht möglich, da man nur drei Monate Daten hat. Wenn Ihr Unternehmen jedoch seit Jahren besteht, können Sie vergleichbare Produkte heranziehen und deren Saisonalität erkennen. So sind wir in der Lage, mit nur drei Monaten Historie plus den Produktattributen die entsprechende Saisonalität für dieses Produkt abzuleiten.

Kieran Chandler: Also ist der Katalog – mit Merkmalen wie Produktkategorien, Attributen wie Größe und Farbe – sehr wichtig?

Joannes Vermorel: Ja, absolut. Der Katalog ist essenziell. Wir verarbeiten auch das unformatierte Textetikett, falls vorhanden, was insbesondere in Bereichen hilfreich sein kann, in denen der Katalog selbst schlecht strukturiert ist. Ziel ist es, diese Attribute zu erweitern, sodass wir all diese Zusammenhänge nutzen und die Prognose für jedes einzelne Produkt verfeinern können, selbst wenn uns nur begrenzte Informationen über das Produkt vorliegen.

Kieran Chandler: Sprechen wir über die Verkaufshistorie. Aus Sicht der Prognose ist die Verkaufshistorie wohl das Wichtigste, was es zu betrachten gilt. Welche weiteren Informationen interessieren uns dabei?

Joannes Vermorel: Das erste, was Sie tun müssen, ist sicherzustellen, dass Ihre Verkaufshistorie vollständig ist. Sie kann auf subtile Weise unvollständig sein. Zum Beispiel, wenn Sie keine Verkaufsdaten für Produkte haben, die Sie nicht mehr verkaufen, oder wenn Sie nicht die Produktinformationen zu diesen Verkaufsdaten besitzen. Um eine vollständige Verkaufshistorie der letzten drei Jahre zu haben, müssen Sie alle Verkäufe berücksichtigen, die zu jener Zeit stattgefunden haben, einschließlich der Produkte, die Sie nicht mehr verkaufen.

Kieran Chandler: Also können alte Produkte, die nicht mehr verkauft werden, die Daten verzerren?

Joannes Vermorel: Genau, wir sehen manchmal Konstellationen, in denen Produkte, die nicht mehr verkauft werden, aus dem Katalog und der Verkaufshistorie entfernt werden. Das führt zu einer verzerrten Verkaufshistorie, bei der die Daten der Produkte, die nicht mehr verkauft werden, nicht mehr verfügbar sind. Ein weiterer subtiler Aspekt der Verkaufshistorie ist, sich daran zu erinnern, wann Sie begonnen haben, ein Produkt zu verkaufen. Verkäufe sind nicht dasselbe wie Nachfrage. Es gibt Verzerrungen, wie wenn Sie ein Produkt einführen, einen Monat lang keine Nachfrage haben und dann schließlich eine Einheit verkaufen – das unterscheidet sich davon, ein Produkt am selben Tag zu verkaufen, an dem es online geht.

Kieran Chandler: Können Sie dazu mehr Einblick geben?

Joannes Vermorel: Klar, wenn Sie ein Produkt online stellen und am selben Tag eine Einheit verkaufen, deutet das darauf hin, dass Sie möglicherweise täglich eine Einheit verkaufen. Wenn Sie jedoch ein Produkt online stellen und einen Monat warten müssen, um Ihre erste Einheit zu verkaufen, deutet das darauf hin, dass Sie etwa eine Einheit pro Monat verkaufen werden. Daher ist es ebenso entscheidend zu wissen, wann Sie begonnen haben, ein Produkt zu verkaufen.

Kieran Chandler: Kann eine statistische Engine den Unterschied ausmachen? Die forecasting engine kann nämlich nur zwischen zwei Situationen unterscheiden, wenn Sie das Datum, an dem die Nachfrage tatsächlich begann, und das Enddatum, an dem Sie den Verkauf eingestellt haben, korrekt erfasst haben.

Joannes Vermorel: Absolut. Aber es ist auch wichtig zu wissen, warum ein Produkt den Verkauf eingestellt hat. Ist es plötzlich zurückgegangen, weil ein neues, besseres Produkt den Markt betreten hat und damit ein plötzlicher Wandel im Verbraucherverhalten ausgelöst wurde? Oder wurde es eingestellt, weil Sie es aus Ihrem Online-Katalog oder vom Ladenregal genommen haben?

Ebenso müssen Sie eine ordnungsgemäße Aufzeichnung der Enddaten haben. Es könnte auch andere Faktoren geben, wenn ein Produkt zeitweise auf dem Markt ist oder wenn ein Produkt zwar verkauft wird, aber nicht über alle Ihre Kanäle. Zum Beispiel, wenn Sie in physischen Geschäften, online oder vielleicht über einen B2B-Kanal verkaufen, müssen Sie die Historie dessen erfassen, was die Nachfrage beeinflusst hat, wie etwa welche Kanäle zu jedem Zeitpunkt verfügbar waren.

Kieran Chandler: Gehen wir nun zur Historie der Bestellungen über. Ich nehme an, das Schöne daran, die Historie der Bestellungen zu betrachten, ist, dass Sie sehen können, wie viel Sie für verschiedene Lagerartikel bezahlt haben. Ich gehe also davon aus, dass wir dies nutzen, um in Zukunft den wahrscheinlich zu zahlenden Preis für einen Artikel zu prognostizieren. Ist das korrekt?

Joannes Vermorel: Das kommt darauf an. Denn der wahrscheinliche Preis hängt vom Lieferanten ab. In den meisten Bereichen ist der Preis, den Sie an Lieferanten zahlen, relativ stabil. Es kann jedoch Überraschungen geben, typischerweise aufgrund von Währungsschwankungen. Zum Beispiel könnten Sie ein Angebot in Yuan erhalten, während Sie tatsächlich Artikel in Dollar verkaufen. Bei einer 15-prozentigen Schwankung der Wechselkurse kann es zu erheblichen Preisunterschieden kommen, sodass Artikel deutlich günstiger oder teurer ausfallen.

Kieran Chandler: Können wir solche Währungsschwankungen in die Prognose einbeziehen?

Joannes Vermorel: Das hängt davon ab, was Sie prognostizieren möchten. Währungsschwankungen werden einen Einfluss haben, jedoch nicht direkt auf Ihre Nachfrageprognose. Sie beeinflussen vielmehr, wie Sie Ihre Entscheidungen zusätzlich zur Prognose optimieren.

Zum Beispiel, wenn Ihre Marge für ein bestimmtes Produkt höher oder niedriger ist, würden Sie nicht so viel Bestandsrisiko eingehen. Wenn ein Artikel eine enorme Marge hat, ist es buchstäblich ein Verbrechen, einen Lagerengpass zu haben. Im Extremfall, wenn Sie eine Marge von 95 Prozent haben, deckt der Verkauf einer Einheit den Überbestand von zwanzig weiteren Einheiten ab. Daher möchten Sie einen Überbestand haben, wenn Artikel mit einer derart hohen Marge konstant verkauft werden.

Andererseits, wenn Sie eine Marge von 5 Prozent haben, müssen Sie sehr vorsichtig sein, wie viel Sie auf Lager haben. Wenn Sie etwas Überbestand haben, benötigen Sie eine enorme Verkaufsmenge, um das in der einen zusätzlichen Einheit eingefrorene Kapital zu kompensieren. Falls es zu einer Inventurabschreibung kommt, wird das sehr kostspielig.

Im Allgemeinen prognostizieren wir in der Regel keine zukünftigen Margen, da dies von so vielen Faktoren abhängt. Wir könnten es, aber typischerweise ist es nicht das Hauptanliegen, weil niemand wirklich Währungsschwankungen vorhersagen kann. Die einzigen, die es können, sind diejenigen, die direkt am Markt handeln, um mit den erwarteten Währungsschwankungen Geld zu verdienen. Das gehört nicht zu unserer Spezialität, weshalb wir nicht vorgeben, im Forex-Handel besser zu sein als der Markt.

Kieran Chandler: Lassen Sie uns dann vom Handel Abstand nehmen. Aber was ist in Bezug auf Bestellungen sonst noch von Interesse?

Joannes Vermorel: In der Regel sind die in einer Bestellung und Lieferung enthaltenen Termine entscheidend, da sie die Vorlaufzeiten bestimmen. Wenn wir supply chains optimieren wollen, müssen wir berücksichtigen, dass alle Entscheidungen – würde ich sagen – von den Vorlaufzeiten abhängen. Zudem können diese Vorlaufzeiten saisonal variieren. Zum Beispiel kann es für Ihre Lieferanten geschäftige Zeiten geben, in denen sie weniger verfügbar sind. Diese Zeiten können gemäß dem westlichen Kalender saisonal bedingt sein, sie können aber auch dem östlichen Kalender folgen, wie zum Beispiel dem chinesischen Neujahr, das die Vorlaufzeiten für Produkte aus China oder ganz Asien um etwa zwei Wochen verlängern kann.

Absolut, und es gibt auch Zwischensummen, die berücksichtigt werden müssen. Beispielsweise, wenn Sie hundert Einheiten bestellen und Ihr Lieferant liefert achtzig, zeichnen Sie diese Information auf? Falls Sie Qualitätskontrollen eingerichtet haben, bei denen der Lieferant zwar hundert Einheiten liefert, aber zwanzig diese Kontrollprüfung nicht bestehen, ist das ein wesentlicher Faktor. Dies ist besonders relevant im Frischwarenbereich – etwa bei Erdbeeren, die leicht beschädigt werden. Sie könnten am Ende damit rechnen, dass 20% der gelieferten Sendungen die Qualitätskontrolle nicht bestehen. Das lässt sich vorhersagen, da jedes Jahr ein bestimmter Anteil der Erdbeersendungen die Qualitätskontrolle nicht besteht. Wenn Ihr Bedarf also bei hundert liegt, sollten Sie vielleicht einhundertzwanzig bestellen, weil Sie statistisch wissen, dass 20% nicht die Qualitätsprüfung bestehen.

Kieran Chandler: Richtig, also sind die Bestellungen und die Sorgfalt, mit der die Termine und Mengen vermerkt werden, bei denen der Lieferant Fehler machen könnte, allesamt ziemlich entscheidend.

Joannes Vermorel: Ja, und es ist genau dieses Maß an Detailgenauigkeit, an dem Sie wirklich interessiert sind. Das führt mich zum letzten Puzzleteil: dem Snapshot der aktuellen Lagerbestände. Wir wissen bereits, wie die Bestellhistorie war, und auch die Verkaufshistorie ist uns bekannt. Wir haben intelligente Supply Chain Scientist hier bei Lokad. Brauchen wir also wirklich diesen aktuellen Snapshot? Können sie ihn nicht aus den beiden anderen Historien ableiten?

Kieran Chandler: Theoretisch ja, Sie könnten die Lagerbestände rekonstruieren, indem Sie genau wissen, wie viele Einheiten hereingekommen und wie viele ausgegangen sind. Das würde Ihnen Ihren theoretischen Lagerbestand zu jedem beliebigen Zeitpunkt liefern. Das Problem ist, dass Inventarungenauigkeiten gelegentlich auftreten. Wenn Sie lediglich die gesamte Historie zurückverfolgen, um den Lagerbestand zu ermitteln, häufen sich diese Ungenauigkeiten im Laufe der Zeit derart an, dass sie erheblich ungenau werden.

Joannes Vermorel: Das ist korrekt. In der Praxis benötigen wir Bestands-Snapshots und Kontrollen. Zunächst einmal müssen wir die aktuellen Lagerbestände kennen, denn wenn wir nicht wissen, was wir momentan haben, können wir uns nicht allein auf die prognostizierte zukünftige Nachfrage stützen, um Bestellungen aufzugeben. Wir müssen berücksichtigen, was bereits vorhanden ist. Wenn bereits ein Berg an Artikeln vorhanden ist, bestellen Sie möglicherweise nicht neu, selbst wenn Sie eine sehr hohe Nachfrage prognostizieren, weil der Bestand ausreichend ist. Daher benötigen wir nicht nur den aktuellen Lagerbestand, sondern auch die vergangenen Bestände. Das führt zurück zur Verkaufshistorie. Verkäufe entsprechen nicht direkt der Nachfrage. Wenn Sie einen Lagerengpass hatten, dann wurde an einigen Tagen zwar keine Nachfrage beobachtet – nicht weil keine Nachfrage bestand, sondern weil Sie sie nicht bedienen konnten. Die Erfassung des historischen Lagerbestands ist daher der Weg, um Ihre vergangenen Lagerengpässe zu erkennen, wobei die Situation durchaus komplex sein kann.

Die Leute möchten beispielsweise einen Türgriff kaufen. Sie haben eine Wohnung und wollen fünf Türgriffe, die exakt gleich aussehen. Wenn sie in Ihren Laden gehen und dort nur drei finden, die gleich aussehen, werden sie nicht drei kaufen in der Hoffnung, dass sie in einem anderen Laden zwei identische finden. Sie würden lieber fünf finden, die gleich sind, oder einen anderen Laden aufsuchen, der ihnen fünf identische verkauft. Daher ist ein Lagerengpass kein binäres Konzept, bei dem entweder genau null Einheiten vorhanden sind (und Sie somit im Engpass sind) oder alles in Ordnung ist. Manchmal sucht man nach bestimmten Mengen, sodass das Konzept des Lagerengpasses nuancierter ist. Deshalb müssen Sie die Lagerbestände kontinuierlich überwachen, und auch historische Lagerbestände können dabei helfen, die wahrscheinlichsten Inventarungenauigkeiten automatisch zu erkennen.

Kieran Chandler: Sie haben viel über die Kerndatensätze gesprochen, die Hauptdatensätze, die Lokad benötigt. Was ist mit diesen sekundären Datensätzen? Gibt es da noch etwas, das für uns interessant sein könnte?

Joannes Vermorel: Ja, den Kern der transaktionalen Datensätze nutzen wir in erster Linie. Der zweite Kreis umfasst vermutlich alles, was mit Werbeaktivitäten zusammenhängt. Promotionen zielen im grundlegendsten Sinne darauf ab, etwas hervorzuheben oder in den Vordergrund zu stellen. Es geht dabei nicht nur um Preisgestaltung, sondern auch darum, was Sie über Ihre verschiedenen Kanäle bewerben. Beispielsweise kann ein E-Commerce-Unternehmen Werbeaktionen durchführen, bei denen lediglich fünf Produkte dauerhaft im Newsletter aufgeführt werden, der an die gesamte Kundenbasis gesendet wird. Das ist eine Art von Promotion, auch wenn dies nicht mit einem Preisnachlass verbunden ist. Es handelt sich um ein Produkt, das auf der Startseite des Onlineshops erscheint. Somit umfasst der zweite Kreis alles, was mit Promotionen zu tun hat, einschließlich Werbung. Dieser Datentyp beinhaltet vermutlich auch sämtliche E-Commerce-Trafficsdaten, die auf der Website erfasst werden.

Kieran Chandler: Lassen Sie uns einige der aktuellen Kunden von Lokad besprechen. Gibt es häufige Fehler, aus denen zukünftige Kunden vielleicht lernen könnten?

Joannes Vermorel: Ich denke, der größte Fehler Nummer eins ist es, ein ERP-System auszuwählen, bei dem es überaus schwierig ist, Daten zu extrahieren. Das ist eine Form von Vendor Lock-in. Es gibt viele Unternehmen, die ein System wählen, bei dem – selbst wenn es intern betrieben wird – ein lokaler Server alles vor Ort erledigt. Sie glauben, sie hätten die Kontrolle, weil die Maschine in ihren Büros steht.

Kieran Chandler: Die Realität ist, dass es unglaublich schwierig ist, Daten zu extrahieren, weil das System nicht so konstruiert wurde, dass es benutzerfreundlich ist. Zum Beispiel ist es eine enorme Herausforderung, irgendetwas aus QuickBooks im US-Markt zu extrahieren. Ich meine damit keinesfalls, Intuit zu kritisieren – sie sind ein großartiges Unternehmen –, aber Daten zu extrahieren, ist schlichtweg unglaublich schwierig.

Joannes Vermorel: In der Tat, das ist wahrscheinlich der erste Fehler. Der zweite Fehler besteht vermutlich darin, Lücken in den Statistiken nicht zu erfassen, was typischerweise bei Bestellungen vorkommt. Bei einem kleineren Unternehmen, sagen wir mit einem Umsatz von zehn Millionen Dollar, könnten Ihre Bestellungen durchaus auf ein Excel-Blatt passen. Wenn Sie jedoch kein besseres System zur Erfassung haben, werden Sie am Tag, an dem Sie eine Vorlaufzeitanalyse durchführen möchten, Schwierigkeiten haben, da die Daten über Dutzende von Tabellenkalkulationen verteilt sind.

Der dritte Fehler könnte darin bestehen, keine Snapshots der Lagerbestände zu erstellen. Heutzutage sind Festplatten sehr günstig, und dennoch zeichnen viele Unternehmen keine historischen Lagerbestände auf. Wenn wir also sagen, dass wir die vergangene Lagersituation oder die vergangene Situation niedriger Lagerbestände benötigen, wurden diese Daten nie erfasst. Das ist bedauerlich, denn es handelt sich dabei um ein paar Gigabyte an Daten, die buchstäblich nur ein paar Groschen kosten sollten. Es gibt keinen Grund, diese Daten nicht zu erfassen und unbegrenzt zu speichern.

Kieran Chandler: Um abschließend zusammenzufassen: Wenn unsere Zuhörer sich einen Hauptpunkt aus der heutigen Diskussion mitnehmen sollten, welcher wäre das?

Joannes Vermorel: Ich würde sagen, achten Sie auf Ihre Daten. Sie sind von Natur aus nicht sehr teuer, aber der beste Zeitpunkt, um alle benötigten Daten ordnungsgemäß zu erfassen, ist heute. In drei Jahren, wenn Sie einige Jahre Historie benötigen, werden Sie keine haben, wenn Sie heute nicht anfangen. Das Sammeln und Pflegen von ordentlich organisierten Daten ist etwas, das Sie nicht aufschieben können – es muss jetzt geschehen.

Als supply chain manager können Sie ohne Daten keine korrekten Entscheidungen treffen. Sie können nicht optimieren, was Sie nicht messen, unabhängig davon, ob Sie etwas so Raffiniertes wie Lokad verwenden, um Ihre supply chains zu optimieren. Das gilt nicht nur für die statistischen Algorithmen, die Lokad einsetzt, sondern auch für Menschen. Ohne Daten werden die von Ihnen getroffenen Entscheidungen nicht gut sein. Sie können nicht einfach raten, wie viele Einheiten Sie von Hunderttausenden von Produkten verkaufen werden.

Alles beginnt damit, die richtige Software zur Führung Ihres Unternehmens zu wählen und sicherzustellen, dass Sie Zugang zu den Daten haben. Andernfalls werden Sie in die von Ihnen gewählte Vendor-Lösung eingebunden sein.

Kieran Chandler: Großartig. Das ist ein grundlegender Einblick für jemanden wie mich, der dazu neigt, Dinge auf morgen zu verschieben. Das war alles für diese Woche. Wir sind nächste Woche mit einer weiteren Episode wieder zurück, bis dahin sehen wir uns. Tschüss für jetzt.