00:00:03 Einführung in die ABC-Analyse und die Wurzeln des Pareto-Prinzips.
00:00:33 Pareto-Analyse in sozialen Netzwerken, supply chain.
00:02:03 Die Rolle der ABC-Analyse bei der Inventarkategorisierung.
00:03:14 Der Einsatz und Missbrauch der ABC-Analyse in der supply chain.
00:06:05 Die Relevanz der ABC-Analyse in modernen Inventarsystemen.
00:08:00 Die Grenzen des ABC-Inventarsystems.
00:09:00 Der Mangel an Spezifität des ABC-Ansatzes.
00:11:02 Stabilitätsprobleme und Auswirkungen der ABC-Klassifikation.
00:13:01 Vorschlag für datengetriebenes Inventarmanagement.
00:15:38 Vorteile der Prognose für Inventarartikel mit hohem Volumen.
00:18:01 Kombination wirtschaftlicher Treiber, probabilistische Prognose vs. ABC.
00:19:00 Übergang von ABC zu einem Ansatz der Informationstheorie.
00:21:39 Kritik an der ABC-Analyse: Förderung von Eitelkeitskennzahlen.
00:25:17 Gefahren der Abhängigkeit von der ABC-Analyse.
Zusammenfassung
Joannes Vermorel, Gründer von Lokad, diskutiert ABC-Analyse, eine Technik der Bestandskontrolle basierend auf Pareto’s 80/20-Regel. Er erklärt, wie Produkte anhand ihrer Verkaufsraten in Klassen eingeordnet werden, wobei „A“ hochwertige, schnell verkaufende Produkte und „C“ Produkte mit geringem Wert und langsamen Abverkauf repräsentiert. Vermorel äußert Bedenken hinsichtlich der Übersimplifizierung der Methode und des möglichen Missbrauchs in modern supply chains, da die Feinheiten innerhalb der Kategorien nicht abgebildet werden. Er plädiert für einen detaillierteren, differenzierteren Ansatz, der die individuelle Verkaufshistorie jedes Produkts sowie physische Beschränkungen berücksichtigt, und warnt, dass die ABC-Analyse aufgrund von Nachfrageschwankungen und Fehlbeständen zu irreführenden Kennzahlen und Instabilität führen kann.
Erweiterte Zusammenfassung
Das Gespräch bei Lokad TV dreht sich um das Konzept der ABC-Analyse, einem Ansatz zur Bestandskategorisierung, der auf Pareto’s 80/20-Regel basiert. Diese Methode kategorisiert einen Katalog anhand des wahrgenommenen Werts und findet breite Anwendung in ERP Software und in der weiteren supply chain Industrie.
Joannes Vermorel, der Gründer von Lokad, gibt eine detaillierte Erklärung der ABC-Analyse. Er weist darauf hin, dass die Technik aus der Pareto-Analyse stammt, wonach in sozial konstruierten Phänomenen die 20 % der wichtigsten Elemente 80 % des Gesamten ausmachen. Dieses Prinzip ist in verschiedenen Bereichen zu beobachten, etwa in sozialen Netzwerken, bei der Vermögensverteilung und im Produktverkauf.
Im Kontext von supply chains, erklärt Vermorel, machen die 20 % der Produkte, die am wichtigsten sind, in der Regel 80 % des Verkaufs aus. Er führt diesen Befund auf Vilfredo Pareto zurück, einen italienischen Mathematiker und Bauingenieur des späten 19. Jahrhunderts. Vermorel deutet ferner an, dass die Idee der Bestandskategorisierung – selbst ohne mathematische Präzision – möglicherweise bis in die Antike zurückreicht.
Vermorel erklärt, dass die praktische Anwendung der ABC-Analyse für Bestände darin besteht, SKUs oder Produkte in Klassen einzuteilen, typischerweise drei bis fünf. Die „A“-Klasse repräsentiert sich schnell bewegende Artikel, während die letzte Klasse, „D“ oder „E“, langsam bewegliche Artikel bezeichnet. Zwischen den Klassen variieren die Bestandsflüsse. Das Ergebnis ist eine grobkörnige Kategorisierung, die Produkte mit ähnlichen Bestandsgeschwindigkeiten zusammenfasst.
Trotz der Einfachheit der ABC-Analyse wird sie in der supply chain Industrie weit verbreitet eingesetzt, obwohl Vermorel andeutet, dass sie auch häufig falsch angewendet wird. Die Kategorisierung sei vorteilhaft, wenn sie die physischen Beschränkungen der Produkte exakt widerspiegelt. So könnte in der Luft- und Raumfahrtindustrie eine erste Kategorie teure, reparaturfähige Produkte umfassen, während die letzte Kategorie unzureparierbare Verbrauchsgüter beinhaltet. In der Lebensmittelindustrie könnten separate Verarbeitungskategorien für Tiefkühlkost und Trockenlebensmittel etabliert werden. Diese Klassifizierungen kennzeichnen unterschiedliche Methoden der Güterhandhabung.
Vermorel skizziert, wie die Methode der ABC-Analyse entstanden ist, um den Bestand zu verwalten, ohne jeden Artikel einzeln zählen zu müssen. Mit diesem System konnten verschiedene Produktkategorien in unterschiedlich großen Behältern gelagert werden, mit der einfachen Regel, den Bestand neu zu reorder wenn der Behälter halb leer ist. Dieser Ansatz war praktisch, als es noch keine Software zur Nachverfolgung und Verwaltung von Beständen gab. Vermorel argumentiert jedoch, dass im digitalen Zeitalter, in dem Bestände automatisch verfolgt werden können, die ABC-Methode problematisch und obsolet wird.
Vermorel weist darauf hin, dass das ABC-Klassifizierungssystem nur eine niedrig aufgelöste Annäherung an die Verkaufshistorie darstellt. Es liefert keine zusätzlichen Informationen über das, was sich aus einer detaillierten Betrachtung der Verkaufshistorie eines Produkts ableiten ließe. Entscheidungen, die auf diesen Klassifizierungen basieren, könnten demnach durch die Verwendung tatsächlicher Verkaufsdaten präziser verfeinert werden.
Vermorel weist ferner darauf hin, dass die ABC-Methode eine Illusion von Homogenität innerhalb der Kategorien erzeugen kann. Jede Kategorie kann hunderte von Produkten enthalten, und innerhalb dieser Kategorien kann es erhebliche Unterschiede geben. So könnten beispielsweise die obersten 1 % der Produkte Verkaufsraten aufweisen, die zehnmal höher sind als die der obersten 10 %, und diese Granularität geht in der ABC-Klassifikation verloren.
Vermorel schlägt einen differenzierteren, “Teile-und-herrsche”-Ansatz im Bestandsmanagement vor, der den detaillierten Verkaufsverlauf einzelner Produkte stärker betont. Dieser Ansatz sieht vor, einen Einkaufsmanager zu beauftragen, der eine bestimmte Anzahl von Artikeln basierend auf ihrem Wert oder ihrer Bedeutung betreut, um sicherzustellen, dass hochpreisige Artikel mehr Aufmerksamkeit erhalten.
Vermorel reflektiert über den traditionellen, von Menschen gesteuerten Prozess der supply chain decisionfindung, der Entscheidungen bezüglich Einkauf, Produktion, Lagerstandort, Liquidation und Preisgestaltung umfasst. Mit dem Aufkommen von Computern erlebt dieser Prozess jedoch einen bedeutenden Wandel. Computer können Tausende von Artikeln immer wieder verarbeiten
an einem Tag, je nachdem, was am sinnvollsten ist, was eine Aufgabe ist, die Menschen nicht manuell ausführen können.
Vermorel erklärt das Konzept der service levels in Bezug auf das Verkaufsvolumen. Er schlägt vor, dass Artikel mit höherem Verkaufsvolumen in der Regel eine bessere Prognose haben, da sie konstanter verkauft werden. Ein Artikel, der beispielsweise 100 Einheiten pro Tag verkauft, wird am nächsten Tag wahrscheinlich ebenfalls etwa 100 Einheiten verkaufen, plus/minus 10%. Umgekehrt weisen Artikel mit geringeren Verkaufszahlen eine unvorhersehbarere Nachfrage auf. Sie könnten nur einmal im Monat verkauft werden, und es ist schwierig, vorherzusagen, wann dieser Verkauf eintreten könnte.
Bei einem Artikel mit hohem Verkaufsvolumen ist es kosteneffizienter, einen hohen Servicelevel aufrechtzuerhalten. Dies liegt daran, dass die benötigte Bestandsmenge durch die lead time und die Variabilität der Nachfrage, oder “Erraticity”, bestimmt wird. Wenn ein Artikel eine hohe Unbeständigkeit aufweist, benötigt er mehr Lagerbestand. Im Vergleich zu Artikeln mit geringem Volumen benötigen hochvolumige Artikel jedoch relativ zu ihrem Verkaufsvolumen weniger Lagerbestand, was sie effizienter darin macht, Geld in zusätzliche Punkte des Servicelevels umzuwandeln.
Bei Artikeln mit hohem Volumen würde eine probabilistic forecast eine relativ konzentrierte Prognose ergeben, die eine geringe Unsicherheit widerspiegelt. Im Gegensatz dazu wäre die Prognose für langsam rotierende Artikel aufgrund höherer Unsicherheit breiter gefächert. Die Kombination dieser probabilistischen Prognose mit economic drivers, wie etwa den Lagerkosten, den Einkaufskosten, den carrying costs und der potenziellen Marge, führt zu einem präziseren Servicelevel, der keine crude Kategorisierung wie die ABC-Analyse benötigt.
Vermorel kritisiert die ABC-Analyse als Methode, die es ermöglicht, Berechnungen gänzlich zu vermeiden, was im 19. Jahrhundert nützlich war, als das manuelle Nachverfolgen von Tausenden von Artikeln eine gewaltige Aufgabe darstellte. In der heutigen Welt, mit dem Aufkommen leistungsstarker Computer, die Milliarden von Operationen pro Sekunde ausführen können, ist ein solcher Ansatz jedoch veraltet.
Es gibt zwei wesentliche Gründe dafür. Erstens führt die ABC-Analyse häufig zu Eitelkeitskennzahlen, die eine Illusion guter Leistung vermitteln, während die Realität grundlegend anders aussehen kann. Zweitens sind die ABC-Klassen instabil und können sich aufgrund von Lagerengpässen oder Nachfrageschwankungen rasch ändern. Beispielsweise könnte ein Artikel, der einen massiven Lagerengpass erleidet, von Klasse A auf Klasse B fallen, was die Illusion eines verbesserten Servicelevels für Klasse A schafft, während es in Wirklichkeit nur ein Nebeneffekt schlechter Leistung ist.
Vermorel plädiert für einen granulareren und anpassungsfähigeren Ansatz, der so viele Klassen berücksichtigt, wie es Artikel und mögliche Verkaufshistorien gibt. Dieser Ansatz nutzt die Informationstheorie, um auf Grundlage der beobachteten Verkaufshistorie bessere Entscheidungen zu treffen. In diesem Zusammenhang betont er die Wichtigkeit, Kennzahlen in Dollar der Leistung oder des Fehlers auszudrücken, anstatt in Prozentsätzen, um besser mit den wirtschaftlichen Realitäten des supply chain management in Einklang zu stehen.
Vollständiges Transkript
Kieran Chandler: Willkommen zurück bei Lokad TV. In dieser Woche werden wir über die ABC-Analyse sprechen, eine Methode zur Kategorisierung von Inventar, die ihre Wurzeln in Perritos 80/20-Regel hat. Die Methode funktioniert, indem ein Katalog basierend auf seinem wahrgenommenen Wert aufgeteilt wird und wurde von vielen wichtigen ERP-Softwares sowie von der gesamten supply chain Branche übernommen. Also Joannes, das ist ein kurzer Überblick über die ABC-Analyse, aber vielleicht könntest du sie uns etwas genauer erklären.
Joannes Vermorel: Ja. Wie du bereits angedeutet hast, geht die ABC-Analyse auf die Perrito-Analyse zurück, die im Wesentlichen ganze Kategorien von sozialen Netzwerken beschreibt. Die Idee ist, dass die 20% aktivsten oder wichtigsten 80% der Masse repräsentieren. Dies zeigt sich auf Plattformen wie LinkedIn, wo die obersten 20% der Nutzer wahrscheinlich 80% der Verbindungen haben. Ebenso besitzen die 20% reichsten Menschen vermutlich 80% des Vermögens. Im Kontext der supply chain stellen die Top 20% der Produkte etwa 80% des Umsatzes dar. Dieses Prinzip wurde von einem italienischen Mathematiker und Bauingenieur namens Pareto im späten 19. Jahrhundert entdeckt. Was die Kategorisierung des Inventars angeht, so datiert diese Idee – wenn auch ohne die mathematischen Grundlagen – vermutlich bis in die Antike.
Kieran Chandler: Wie funktioniert die ABC-Analyse also tatsächlich?
Joannes Vermorel: Der zentrale Gedanke der ABC-Analyse im Inventarmanagement besteht darin, deine SKUs oder Produkte in Klassen einzuteilen. In der Regel gibt es drei bis fünf Klassen, angefangen bei der Klasse “A”, die den schnell drehenden Artikeln vorbehalten ist, bis hin zur letzten Klasse “D” oder “E” für die langsam drehenden Artikel, wobei die dazwischen liegenden Klassen unterschiedliche Geschwindigkeiten deiner verschiedenen Produkte ausdrücken. Dieser Prozess führt zu relativ groben Kategorien, die Produkte mit ähnlicher Bestandsdynamik zusammenfassen und anzeigen, wie viele Einheiten du an einem einzelnen Tag produzieren oder bereitstellen musst.
Kieran Chandler: Wird diese Methode von Unternehmen täglich angewendet? Sie erscheint sehr simpel.
Joannes Vermorel: Sie ist in der Tat simpel, wird jedoch breit angewendet und, würde ich sagen, in der Welt der supply chain oft auch missbraucht. Diese Kategorisierung ist hilfreich, wenn deine Produkte die physischen Einschränkungen widerspiegeln, die bei ihnen vorliegen. Beispielsweise gibt es in der Luft- und Raumfahrt eine erste Kategorie von sehr teuren und reparierbaren Produkten. Danach folgen relativ kostengünstige, aber immer noch reparierbare Produkte, und dann gibt es Verbrauchsmaterialien, die nicht repariert werden können. Jede Kategorie steht für unterschiedliche Handhabungsweisen der Güter. In der Lebensmittelindustrie gibt es beispielsweise unterschiedliche Verfahren für Tiefkühlkost oder Trockenware. Diese Kategorisierungen heben die verschiedenen physischen Prozesse hervor, die involviert sind. Allerdings befasst sich die ABC-Analyse selbst nicht wirklich mit den physischen Aspekten der Güter, sondern ausschließlich mit der Verkaufsdynamik. Der zuvor erwähnte Missbrauch besteht darin, breite Kategorien zu schaffen, die ausschließlich durch den relativen Verkauf definiert werden.
Kieran Chandler: Kannst du die typische Klassifizierung von Produkten erläutern? Ich verstehe, dass es die Klassen A, B und C gibt. Was bedeutet es, wenn ein Produkt als A-Artikel gilt?
Joannes Vermorel: Sicher, ein A-Artikel bedeutet typischerweise, dass beispielsweise mehr als 20 Einheiten pro Tag verkauft oder produziert werden. Diese hohe Umschlagrate qualifiziert ihn als A-Artikel. Dieses Klassifizierungssystem basiert auf einem numerischen Grenzwert, der die Verkaufsmenge über einen bestimmten Zeitraum – sagen wir der letzten drei Monate – berücksichtigt. Die genauen Kriterien variieren von Unternehmen zu Unternehmen, aber das grundlegende Konzept ist, dass du eine durchschnittliche Geschwindigkeit über einen bestimmten Zeitraum definierst und dann Schwellenwerte für jede Kategorie festlegst: A, B, C, D, E.
Kieran Chandler: Es erscheint logisch, Produkte auf diese Weise zu kategorisieren, wobei einige als wichtiger markiert werden als andere. Aber ich habe das Gefühl, dass du diesem Ansatz nicht vollkommen zustimmst. Warum ist er deiner Meinung nach nicht relevant?
Joannes Vermorel: Du hast recht, ich habe einige Vorbehalte. Das Interessante an dieser ABC-Analyse ist, dass sie es ermöglicht, dein Inventar zu verwalten, ohne überhaupt etwas zu zählen. Betrachten wir das Bestandsmanagement aus der Perspektive des 19. Jahrhunderts: Für A-Artikel würde man große Behälter verwenden. Wenn ein Behälter halb leer erscheint, wird eine Bestellung ausgelöst. B-Artikel würden in kleineren Behältern gelagert, und C-Artikel könnten sogar ganz ohne Behälter auskommen, lediglich auf einem Regal platziert werden. Sobald ein Behälter leer ist, wird eine neue Bestellung aufgegeben. Diese Methoden erlauben es, das Inventar zu verwalten, ohne etwas zu zählen. Man gibt einfach eine Bestellung basierend auf dem Erscheinungsbild des Inventars auf – was großartig ist, wenn keine Software zur Verwaltung der supply chain zur Verfügung steht. In der heutigen Welt, in der Inventar automatisch verfolgt und gezählt werden kann, macht dieses System jedoch kaum noch Sinn.
Grundsätzlich ist die Inventarkategorisierung wie ABCD eine Niedrigauflösungs-Näherung dafür, wie viel du in einem bestimmten Zeitraum produzieren oder verbrauchen musst. Jede Entscheidung, die auf dieser Klassifizierung basiert, könnte genauer getroffen werden, wenn sie auf der tatsächlichen Verkaufshistorie des Produkts beruhen würde. Der Trugschluss besteht darin, dass die ABC-Klasse im Vergleich zur reinen Nachfrageshistorie des Produkts keinerlei zusätzliche Informationen liefert.
Kieran Chandler: Welche Art von Problemen können durch die Verwendung dieses ABC-Ansatzes auftreten?
Joannes Vermorel: Es gibt mehrere Probleme, die hauptsächlich daraus resultieren, dass es sich um ein System mit sehr niedriger Auflösung handelt. Es ist, als hätte man die Fähigkeit, Berechnungen auf das Gramm genau durchzuführen, dabei aber alles auf die Tonne aufzurunden. Zunächst besteht das Problem der Heterogenität innerhalb einer Klasse. Wenn man 2.000 Produkte hat und fünf Klassen erstellt, enthält jede Klasse immer noch etwa 400 Produkte, und es kann innerhalb dieser Klassen erheblich variieren. Dieses System vermittelt eine Illusion von Spezifität, während es signifikante Unterschiede zwischen den Produkten übersieht, besonders bei den Bestsellern, wo vermutlich das Top-1% Ihrer Produkte …
Kieran Chandler: Wenn die obersten 10% Ihrer Verkäufe vorliegen, operieren diese Produkte wahrscheinlich mit einer zehnfach höheren Verkaufsgeschwindigkeit pro Produkt. Wenn Sie jedoch nur fünf Kategorien haben, erreichen Sie nicht die notwendige Granularität. Am anderen Ende des Spektrums ist der lange Schwanz in der Tat sehr lang. Ihre Klasse „C“ könnte zum Beispiel Artikel enthalten, die nur einmal im Monat verkauft werden, ebenso wie Artikel, die nur einmal pro Jahrzehnt verkauft werden. Sie werden zusammengefasst, sind jedoch sehr unterschiedlich. Der Ansatz für etwas, das einmal pro Jahrzehnt benötigt wird, und für etwas, das einmal im Monat benötigt wird, wäre völlig anders.
Joannes Vermorel: Außerdem würde ich sagen, dass das Gesamtproblem einer sehr groben Klassifikation darin besteht, dass sie über die Zeit hinweg instabil ist. Wir haben bei mehreren Kunden experimentiert und typischerweise festgestellt, dass sich zwischen einem Drittel und der Hälfte der Produkte von einer Periode zur nächsten die Klasse ändert. Wenn Sie die Verkäufe eines Quartals betrachten, Ihre ABC-Analyse durchführen, dann die Verkaufsdaten des nächsten Quartals ansehen und Ihre ABC-Analyse wiederholen, kann es passieren, dass 40% der Produkte eine andere Klasse haben. Das bedeutet, nur weil Sie in ein neues Quartal gewechselt haben, werden Sie für einen bestimmten Artikel völlig andere Richtlinien haben, nur weil sich seine Klasse geändert hat. Das ergibt wirklich keinen Sinn.
Zum Beispiel, wenn ein Artikel in den letzten zwei Jahren einen allmählichen, aber sehr langsamen Rückgang verzeichnet hat, warum sollten Sie dann entscheiden, dass — nur weil Sie von einem Tag auf den nächsten einen bestimmten numerischen Schwellenwert überschritten haben — dieser Artikel, den Sie bisher einmal im Monat nachbestellt haben, nun nur noch zweimal im Jahr nachbestellt wird? Das führt zu sehr nichtlinearen Effekten, mit vielen Lücken und Produkten, die plötzlich von einer monatlichen zu einer jährlichen Nachbestellung wechseln. Es ist äußerst willkürlich und spiegelt nicht die feinkörnige Entwicklung der Nachfrage wider.
Kieran Chandler: Wie können Sie also die Dinge besser angehen? Wenn Sie Ihre Produkte nicht kategorisieren, wie stellen Sie sicher, dass Sie sich um die wirklich wichtigsten Produkte kümmern?
Joannes Vermorel: Ja, hier handelt es sich typischerweise um einen „teile und herrsche“-Ansatz, den einige supply chain Manager über ihre eigene supply chain haben. Sie könnten sagen: „Um den Produkten, die am wichtigsten sind, wirklich genau Aufmerksamkeit zu schenken, werde ich einen Einkaufsleiter haben, der sich um Artikel der Klasse A kümmert und 50 Artikel betreut. Wenn es sich um einen Manager handelt, der Artikel der Klasse B verwaltet, betreut dieser 200 Artikel. Und wenn es ein Manager ist, der Artikel der Klasse C verwaltet, betreut dieser 1.000 Artikel.“ Auf diese Weise haben Sie mehr geistige Kapazität für jedes der bedeutendsten Produkte.
However, this perspective assumes that all supply chain decisions, like how much to purchase, how much to produce, where to put the inventory, whether to liquidate the inventory, or how to move the price, are driven by humans doing everything manually. But the reality is, as soon as you have computers, everything changes. The computer has no problem processing thousands of items hundreds or even thousands of times a day if that’s what makes sense.
Also, if you want to ensure that you have a higher service level for your ‘A’ class items, what you’re really saying is that if you have an item that is selling more, you can have a better forecast. Why? Because it’s a numbers game. It’s much easier to forecast if an item is selling steadily at 100 units a day.
Kieran Chandler: Irgendwo um die 100 – das wird eine ziemlich gute Prognose sein, vielleicht plus oder minus 10 Prozent. Wenn Sie einen Artikel haben, der einmal im Monat verkauft wird, ist die wahrscheinlichste Prognose für morgen null Einheiten. Trotzdem ist es sehr unregelmäßig. Es kann Tage geben, an denen Sie zwei zusätzliche Einheiten verkaufen.
Joannes Vermorel: Letztlich gibt es einen Silberstreif am Horizont. Wenn Sie Artikel mit höherem Volumen haben, tendiert deren Unregelmäßigkeit dazu, geringer zu sein. Das sichert einen höheren Servicegrad. Wenn wir über Kosten sprechen, ist es effizienter, weil die Menge an Inventar, die Sie bereithalten müssen, mehr oder weniger proportional zu Ihrer Durchlaufzeit auf der einen Seite und der Unregelmäßigkeit auf der anderen Seite ist. Wenn Ihre Unregelmäßigkeit doppelt so hoch ist, benötigen Sie doppelt so viel Lagerbestand. Für Artikel, die sich gut verkaufen, benötigen Sie mehr Lagerbestand, aber im Vergleich zu Artikeln mit geringem Verkaufsvolumen brauchen Sie viel weniger.
Ihr Inventar für Artikel mit hohem Volumen und schneller Bewegung ist effizienter darin, Euro oder Dollar in zusätzliche Servicegrad-Punkte umzuwandeln. Deshalb landen Sie typischerweise bei diesen Kategorien und all diesen Rezepten. Aber man kann das Problem auch vollkommen anders sehen.
Zunächst würde ich vorschlagen, eine probabilistische Prognose zu übernehmen, die die Unsicherheit von Natur aus widerspiegelt. Für Artikel mit hohem Volumen erhalten Sie offensichtlich eine hohe Prognose, die jedoch relativ konzentriert ist, weil Ihre Unsicherheit gering ist. Diese probabilistische Prognose liefert eine Verteilung, die die Unsicherheiten in Bezug auf die zukünftige Nachfrage widerspiegelt.
Für langsam verkaufende Artikel erhalten Sie eine Wahrscheinlichkeitsverteilung, deren Mittelwert wesentlich niedriger ist, weil im Durchschnitt weniger Nachfrage besteht, aber die Verteilung wird sehr breit gefächert sein, da es viel Unsicherheit und viel Unregelmäßigkeit gibt.
Kieran Chandler: Wenn Sie also sagen, dass Sie einen hohen Servicegrad erreichen wollen, was meinen Sie damit genau?
Joannes Vermorel: Was Sie damit eigentlich sagen, ist, dass Sie bei jedem Lagerausfall Margen verlieren. Vielleicht haben Sie eine Strafe für Lagerausfälle, sodass Sie den Handel mit Ihren Kunden verlieren, wenn diese erwarten, etwas zu finden, und Sie die beworbenen Waren nicht liefern können.
Die Idee ist, dass wenn Sie die Tatsache kombinieren, dass Sie wirtschaftliche Treiber haben – wie die Kosten des Lagerbestands, die Lagerhaltungskosten, die Einkaufskosten, die Kosten eines Lagerausfalls und die Marge, die Ihre zusätzliche Belohnung darstellt, weil Sie Ihre Waren über Ihren Kosten weiterverkaufen –, der Servicegrad, den Sie erreichen, nur eine Konsequenz aus der Kombination dieser wirtschaftlichen Treiber mit Ihrer probabilistischen Nachfrageprognose ist.
Die ABC-Kategorisierung greift in die Berechnungen nicht einmal ein, denn letztendlich ist sie nur ein grober Weg, die zukünftige Nachfrage oder die Unregelmäßigkeit der zukünftigen Nachfrage abzuschätzen, was Sie standardmäßig erhalten, wenn Sie eine probabilistische Prognose-Engine haben.
Kieran Chandler: Also sagen Sie, dass die Anwendung der ABC-Analyse eine sehr grobe Methode ist. Ist Lokads Lösung nicht einfach eine feinkörnigere Art der Optimierung, eine Art Erweiterung der ABC-Analyse? Was ist der entscheidende Unterschied?
Joannes Vermorel: Der entscheidende Unterschied ist, dass wir einfach davon ausgehen, dass wir so viele Klassen haben, wie wir Artikel und so viele Klassen, wie es mögliche Verkaufshistorien gibt. Wenn Ihre Granularität so fein ist, dass Sie pro Situation eine Klasse haben, wird die Klassifikation ein wenig bedeutungslos.
Der Ansatz von Lokad besteht darin, in Begriffen von Information zu denken, mehr im Sinne der Informationstheorie. Woher kommt die Information, um eine bessere Entscheidung zu treffen? Wenn alle Informationen aus der beobachteten Verkaufshistorie stammen, kann ein Prognosemodell potenziell intern seine eigene Klassifikation wieder aufbauen.
Kieran Chandler: Klassifikation, wenn es Ihnen hilft, aber sie befindet sich im Prognosemodell oder der Engine. Typischerweise, weil sie so fein granular ist, wird das nicht so gemacht. Es gibt kein Einsparen. Der einzige Vorteil der ABC-Analyse ist, dass sie eine Art Methode ist, die es ermöglicht, Berechnungen ganz zu vermeiden. Das ist großartig, wenn alles, was Sie haben, ein Bleistift, ein Blatt Papier und Tausende von Artikeln sind. Stellen Sie sich vor, Tausende von Artikeln im 19. Jahrhundert von Hand zu verfolgen – das ist ein Albtraum. Deshalb war es sehr wichtig, Methoden zu haben, bei denen Sie keine Berechnungen durchführen mussten, nicht einmal eine Addition. Es ist interessant, weil diese Methoden irgendwie intuitiv waren und eine Art Schätzansatz repräsentierten.
Joannes Vermorel: Bei Lokad verfolgen wir einen anderen Ansatz. Unser supply chain approach zielt darauf ab, Dinge so weit wie möglich zu quantifizieren. Wir verfügen über unglaublich schnelle Computer, die Milliarden von Additionen pro Sekunde durchführen können, sodass Rohrechenleistung keine knappe Ressource ist. Die ABC-Analyse ist simpel, und wie Sie erwähnt haben, ist einer der wirklichen Vorteile, dass man keinen Stift und kein Papier benötigt.
Kieran Chandler: Aber es muss doch noch weitere Vorteile der ABC-Analyse geben. Warum nutzen Unternehmen sie immer noch?
Joannes Vermorel: Nun, ich bin mir nicht ganz sicher. Wir haben viele Situationen gesehen, in denen zahlreiche vermeintliche Vorteile existieren, aber wenn es um echte, greifbare Vorteile geht, ist das viel weniger klar. Unternehmen nutzen die ABC-Analyse als eine „teile und herrsche“-Strategie, um die Arbeitslast der manuellen Bearbeitung der Artikel unter vielen supply chain Praktikern zu verteilen. Die Antwort lautet jedoch: Lasst das sein. Es ist eine schlechte Idee. Sie sollten etwas haben, das alle Artikel einheitlich verarbeitet. Wenn Ihre Methode auf irgendeiner Art von Klassifikation beruht, steht die Chance gut, dass Sie Ihre Methoden neu überdenken können, um diese zu entfernen und stattdessen direkt den durchschnittlichen Bedarf der letzten Monate zu verwenden. Das wird in der Regel bessere Ergebnisse liefern. Sie brauchen nichts, das in großen Schritten operiert.
Was die Berichterstattung angeht, so handelt es sich um einen Ansatz, bei dem das Management oft Eitelkeitsmetriken produziert. Die Leute sind fest in der Angewohnheit verankert zu sagen: „Schauen Sie, lieber CEO, wir sind so gut, wenn wir uns die ‚A‘-Artikel ansehen, weil unsere ‚A‘-Artikel einen Servicegrad von, sagen wir, 95 Prozent aufweisen.“
Kieran Chandler: Aber nochmals, dies ist ein Prozentsatz und kein Fehlerbetrag in Dollar, weshalb es keine Rolle spielt, wenn Ihre Artikel einen sehr, sehr hohen Servicegrad haben. Wenn Ihre Kunden dennoch der Meinung sind, dass das, was sie wirklich brauchen, in anderen Begriffen – ich würde sagen in Dollar der Performance, in Dollar des Fehlers – ausgedrückt werden sollte, dann möchten Sie es eigentlich in Dollar messen, statt in Prozent.
Joannes Vermorel: Und eine ABC-Analyse neigt dazu, Eitelkeitsmetriken zu erzeugen, bei denen Sie Prozentsätze haben und noch zusätzliche Prozentsätze aufbauen – quasi Prozentsätze auf Ihre Prozentsätze. Die Diskrepanz zur tatsächlichen Realität kann dabei sehr stark sein. Und wenn man hinzufügt, dass diese ABC-Klassen auch sehr instabil sind – von einer Kultur zur nächsten – kann es den Anschein erwecken, dass Ihre Metriken gut sind, während sich in Wirklichkeit ständig etwas ändert. Zum Beispiel, wenn Sie einen Artikel in Klasse A haben und einen massiven Lagerausfall erleiden, fällt dieser Artikel sehr schnell in Klasse B, nur weil die Anzahl der verkauften Einheiten aufgrund des Lagerausfalls zurückging. Statistisch betrachtet sieht es dann gut aus, weil Sie gerade einen schlecht performenden Artikel aus Klasse A entfernt haben. Plötzlich – wissen Sie – bewirken massive Lagerausfälle, dass Artikel per Design automatisch aus Klasse A ausscheiden, weil Klasse A nach dem Verkaufsvolumen gewichtet ist. Wenn Sie also einen massiven Lagerausfall bei einem Artikel der Klasse A haben, bleibt er nicht in dieser Klasse. Er wird sehr schnell in Klasse B abrutschen.
Kieran Chandler: Ich verstehe, also sagen Sie, dass wenn ein Artikel einen massiven Lagerausfall erleidet, er auf Basis der ABC-Analyse gut zu performen scheint, da er von Klasse A in Klasse B verschoben wird. Aber das bedeutet nicht unbedingt, dass alles in Ordnung ist, denn der Artikel hat aufgrund des Lagerausfalls schlecht abgeschnitten und nicht, weil er tatsächlich gut performt hat.
Joannes Vermorel: Genau, in diesem Fall ist nicht alles in Ordnung. Es gibt einfach einen Nebeneffekt, bei dem Dinge, die sehr schlecht performen, aus Ihrer schnell rotierenden Klasse herausfallen – allerdings aus den falschen Gründen.
Kieran Chandler: Okay, nun, ich befürchte, wir müssen hier Schluss machen. Aber ein wichtiges Fazit von heute ist, dass die ABC-Analyse nur für die ganz Eitlen gedacht ist.
Joannes Vermorel: Ja, und lasst das sein.
Kieran Chandler: Cool, das war also alles für diese Woche. Vielen Dank fürs Zuschauen, und bis zum nächsten Mal. Tschüss.
