00:00:07 Sicherheitsbestand und seine Nachteile.
00:00:39 Definition und Konzept des Sicherheitsbestands.
00:02:05 Ursprünge des Sicherheitsbestandskonzepts und warum es weiterhin beliebt ist.
00:04:10 Probleme mit dem Sicherheitsbestand: Vernachlässigung der Saisonalität und unrealistische Annahmen einer Normalverteilung.
00:07:15 Situationen, in denen der Sicherheitsbestand nicht funktioniert, und die Notwendigkeit alternativer Ansätze.
00:09:06 Wie Sicherheitsbestände das Risiko unterschätzen und zu Überbeständen führen.
00:12:00 Das Paradoxon der Sicherheitsbestände und ihre Ineffizienz im Umgang mit Unsicherheiten.
00:13:20 Konkrete Entscheidungen und Kontrolle im supply chain management.
00:15:00 Alternative Ansätze zwischen Sicherheitsbeständen und probabilistischen Methoden.
00:16:00 Verbesserung parametrischer Modelle im supply chain.
00:18:54 Das Problem der Verschwendung im Sicherheitsbestand und seine Folgen.
00:20:37 Die Rolle von Prognosen und ihre Auswirkungen auf den Sicherheitsbestand.
00:22:29 Fehler im supply chain management angehen für Verbesserungen.
00:23:01 Kernaussage: Vertraue nicht auf veraltete mathematische Modelle im supply chain.

Zusammenfassung

In diesem Interview diskutieren Kieran Chandler und Lokad-Gründer Joannes Vermorel die Nachteile des Sicherheitsbestands im supply chain management. Sicherheitsbestand, der zusätzliche Bestand als Puffer zur Abfederung von Nachfrageschwankungen, kann zu konservativ sein, was zu Überbeständen und Verschwendung führt. Seine Beliebtheit beruht auf seiner Einfachheit und der historischen Verbesserung gegenüber manuellen Berechnungen, berücksichtigt jedoch nicht die komplexen Unsicherheiten im supply chain. Das Modell stützt sich unrealistischerweise auf eine Normalverteilungsannahme für die Nachfrage und Durchlaufzeiten und passt sich nicht an große Abweichungen oder überraschende Ereignisse an. Stattdessen schlägt Vermorel einen probabilistischen Ansatz für eine bessere Optimierung und Bestandskontrolle vor, während er die Konsequenzen von Unsicherheiten angeht und Prozesse nach der Prognose verbessert.

Erweiterte Zusammenfassung

In diesem Interview diskutieren Moderator Kieran Chandler und Lokad-Gründer Joannes Vermorel das Konzept des Sicherheitsbestands und dessen Schwächen im supply chain management. Sicherheitsbestand bezieht sich auf den zusätzlichen Bestand, der erworben wird, um gegen Schwankungen in der Nachfrage und in den Durchlaufzeiten abzusichern. Trotz seiner Einfachheit ist diese Methode oft zu konservativ, was zu Überbeständen und verschwendetem Inventar führt. Das Interview beleuchtet die Ursprünge des Sicherheitsbestands, seine Einschränkungen und alternative Ansätze für Fachleute im supply chain.

Der Sicherheitsbestand entstand aus der Idee, dass ein Unternehmen, basierend auf einer Nachfrageprognose, mehr Bestand halten sollte als die prognostizierte Menge, um das Risiko von Fehlbeständen zu verringern. Dieser zusätzliche Bestand, oder “Sicherheitsbestand”, dient als Puffer für mögliche Nachfrageschwankungen. Im Laufe der Zeit hat sich in der Branche eine spezifische Methode zur Berechnung des Sicherheitsbestands etabliert: Es wird angenommen, dass zukünftige Nachfrage und Durchlaufzeiten normal (gaußförmig) verteilt sind, und dieses Modell wird angewendet, um den notwendigen Puffer zu bestimmen.

Laut Vermorel kann die Beliebtheit des Sicherheitsbestands auf seinen beruhigenden Namen und die Tatsache zurückgeführt werden, dass er historisch gesehen eine Verbesserung gegenüber manuellen Berechnungen darstellte. Frühe Computer in den 1960er und 1970er Jahren hatten Schwierigkeiten mit komplexeren Berechnungen, sodass Sicherheitsbestandsberechnungen damals eine ausreichend gute Lösung boten. Dennoch verließen sich viele Praktiker weiterhin auf den Sicherheitsbestand, auch als die Rechenkapazitäten zunahmen, was zu seiner weiten Verbreitung führte.

Das grundlegende Problem des Sicherheitsbestands liegt in der Annahme, dass alle Unsicherheiten sowohl bei der Nachfrage als auch bei den Durchlaufzeiten auf eine Normalverteilung reduziert werden können. Diese Annahme ist insbesondere bei den Durchlaufzeiten problematisch. Durch die Abhängigkeit von Sicherheitsbestandsberechnungen neigen Unternehmen dazu, einen konstanten Anteil ihrer Nachfrage als Puffer zu schaffen und dabei Faktoren wie Saisonalität zu ignorieren. Während Nachfrageprognosen oft saisonale Schwankungen berücksichtigen, wird die Unsicherheit in diesen Prognosen nicht entsprechend angepasst.

Zusammenfassend lässt sich sagen, dass das Konzept des Sicherheitsbestands, obwohl es einfach und auf den ersten Blick beruhigend wirkt, fehlerhaft ist, da es sich auf Normalverteilungsannahmen für Nachfrage und Durchlaufzeiten stützt. Dieser Ansatz führt häufig zu Überbeständen und verschwendetem Inventar, da die komplexe Natur der Unsicherheiten im supply chain nicht berücksichtigt wird. Im weiteren Verlauf des Gesprächs soll untersucht werden, welche alternativen Methoden zur Optimierung des supply chain jenseits der Einschränkungen traditioneller Sicherheitsbestandsberechnungen existieren.

Das Gespräch beginnt mit einer Analyse des klassischen Sicherheitsbestandsmodells, das Vermorel als eine schlechte Annäherung zur Bewältigung der Unsicherheiten im supply chain ansieht.

Vermorel erklärt, dass die Annahme des Sicherheitsbestandsmodells, sowohl bei der Nachfrage als auch bei den Durchlaufzeiten von einer Normalverteilung auszugehen, unrealistisch ist. Zum Beispiel könnten die Durchlaufzeiten in der Regel kurz sein, außer bei Lieferantenfehlbeständen, die zu deutlich längeren Durchlaufzeiten führen können. Dies führt zu einer Verteilung, die nicht glockenförmig ist, sondern einen Ausschlag um die nominale Zeit und einen langen Schwanz für seltene Ereignisse aufweist.

Das Sicherheitsbestandsmodell berücksichtigt auch nicht große Abweichungen oder überraschende Ereignisse, die erhebliche Auswirkungen auf den supply chain haben können. Solche Ereignisse, wie beispielsweise die Vogelgrippe, die den Hühnchenverkauf beeinträchtigt, werden im Normalverteilungsmodell nicht berücksichtigt. In der Praxis treten diese großen Abweichungen häufig genug auf, um Probleme zu verursachen.

Man könnte annehmen, dass eine Unterschätzung des Risikos zu mehr Fehlbeständen führen würde, aber in der Praxis passen supply chain Praktiker ihre Sicherheitsbestände an und erhöhen sie, um das unterschätzte Risiko zu kompensieren. Dies geschieht, indem sie Inflationsfaktoren einführen, entweder explizit oder durch die Festlegung höherer Service Level-Ziele. Dies führt zu Überbeständen, was im Widerspruch zu einem Modell steht, das Sicherheit gewährleisten soll.

Das Problem bei diesem Ansatz ist, dass der aufgeblähte Sicherheitsbestand einheitlich auf alle Produkte angewendet wird, was zu Überbeständen und Ineffizienzen führt. Dies wird noch verstärkt durch Praktiker, die ihre Prognosen mikromanagen, aber anschließend ihre Sicherheitsbestände erhöhen und damit die Genauigkeit ihrer Berechnungen im Grunde zunichte machen.

Vermorel schlägt vor, dass ein probabilistischer Ansatz besser geeignet ist, um die Unsicherheiten im supply chain zu managen. Dieser Ansatz erkennt an, dass Sicherheitsbestände sowohl unsicher als auch ineffektiv sind. In Wirklichkeit gibt es in Lagerhäusern keine getrennten Bestände für Einsatzmaterial und Sicherheitsbestand; es gibt nur einen Bestand. Die Frage stellt sich, ob dieser Bestand geeignet ist, die Kunden zu bedienen.

Um diese Botschaft an Kunden zu kommunizieren, die auf einen Sicherheitsbestandspuffer bestehen, betont Vermorel, dass Sicherheitsbestände unsicher und ineffektiv sind. Stattdessen kann ein probabilistischer Ansatz, der die Unsicherheiten im supply chain präzise modelliert, zu einer besseren Optimierung und Bestandskontrolle führen.

Vermorel erklärt, dass Sicherheitsbestände Unternehmen von den Entscheidungen ablenken können, die sie treffen können, wie zum Beispiel Bestellungen und Produktionsaufträge. Er argumentiert, dass probabilistische Ansätze besser für das supply chain management geeignet sind, da sie eine bessere Kontrolle über Entscheidungen erlauben, die direkte Auswirkungen auf supply chain haben.

Chandler weist jedoch darauf hin, dass probabilistische Ansätze komplex sind, da sie für jeden Artikel in einem Katalog unterschiedliche Nachfragekurven erfordern. Er fragt, ob es eine Zwischenlösung für supply chain executives gibt, die weniger komplex ist als der Lokad-Ansatz, aber fortschrittlicher als Sicherheitsbestandsberechnungen. Vermorel gibt zu, dass, obwohl es in der modernen statistischen Analyse ein Paradoxon gibt, es möglich ist, komplexere parametrische Modelle zu verwenden. Diese Modelle werden jedoch schnell schwierig in der Anwendung und im Verständnis, was oft zu undurchsichtiger mathematischer Notation führt. Infolgedessen schlägt Vermorel vor, dass es einfacher sein könnte, Machine Learning Techniken zu verwenden, die jede Verteilung anpassen können, auch wenn ihnen explizite Formeln fehlen.

Anschließend wendet sich das Gespräch dem Problem der verschwendeten Gelder durch Sicherheitsbestände zu. Vermorel ist der Ansicht, dass der Fokus auf Sicherheitsbestände und Nachfrageprognosen fehlgeleitet ist, da er andere Unsicherheitsquellen, wie z. B. die Durchlaufzeiten, nicht berücksichtigt. Er weist auch darauf hin, dass die Vorstellung einer perfekten Prognose eine Illusion ist, da Prognosen immer unvollkommen sein werden. Stattdessen sollten sich supply chain Praktiker auf die Konsequenzen von Unsicherheiten konzentrieren und daran arbeiten, ihre Prozesse nach der Prognose zu verbessern.

In vielen Situationen ist es schwierig, einen gut eingestellten gleitenden Durchschnitt für die Nachfrageprognose signifikant zu verbessern. Vermorel erklärt, dass es oft zwecklos ist, Prognosen für Abweichungen verantwortlich zu machen, da die eigentlichen Probleme häufig in den anschließenden Schritten liegen. Er ermutigt supply chain Praktiker, sich darauf zu konzentrieren, diese Bereiche zu verbessern, da sie oft leicht zu realisierende Ansatzpunkte für erhebliche Gewinne darstellen.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir erklären, warum diese Methode nicht funktioniert, und auch besprechen, welche Alternativen supply chain Fachleuten zur Verfügung stehen. Also Joannes, bevor wir auf die Probleme des Sicherheitsbestands eingehen, sollten wir vielleicht damit beginnen, ein wenig mehr darüber zu erklären. Wie würdest du Sicherheitsbestand definieren?

Joannes Vermorel: Der Sicherheitsbestand entstand aus der Idee, dass, sobald man eine Prognose hat, wenn man einen Bestand in Höhe der Prognose hält und die Prognose ausgewogen ist, eine 50%ige Wahrscheinlichkeit besteht, dass man einen Fehlbestand hat. Das ist so ziemlich die Definition einer ausgewogenen Nachfrageprognose. Folglich muss man mehr auf Lager haben, als man prognostiziert. Dieser Unterschied zwischen der Prognose und dem, was tatsächlich benötigt wird, um die zukünftige Nachfrage angemessen abzudecken, ist der sogenannte Sicherheitsbestand. Das allgemeine Konzept besteht darin, einen zusätzlichen Puffer zu der durchschnittlichen Prognose hinzuzufügen.

Allerdings hat Sicherheitsbestand heute eine viel engere Definition. Die Branche hat sich auf eine Methode zur Berechnung des Sicherheitsbestands verständigt, die im Wesentlichen darauf beruht, anzunehmen, dass zukünftige Nachfrage und zukünftige Durchlaufzeiten normal verteilt sind. Und mit “normal” meine ich gaußförmig. Anschließend wird dieses spezifische Modell angewendet, um zu berechnen, wie viel man in diesen Sicherheitsbestand einlegen sollte.

Kieran Chandler: Wann sind diese Ideen entstanden und warum hängt der Markt so sehr daran?

Joannes Vermorel: Ich glaube, dass Sicherheitsbestand ein guter Begriff ist. Er klingt beruhigend und man sollte die Kraft einer guten Marke niemals unterschätzen. Sicherheitsbestände vermitteln mehr Sicherheit. Es scheint eine gute Strategie zu sein zu sagen: “Wir spielen auf Nummer sicher, wir haben diese Sicherheitsbestände.” Wenn man zwischen einer sicheren und einer unsicheren Methode wählen muss, würde man natürlich die sichere Methode wählen.

Also denke ich, dass ein einprägsamer Name teilweise zum Erfolg dieses speziellen Ansatzes beigetragen hat. Andererseits waren Computer lange Zeit äußerst leistungsschwach. Wir haben uns von Handberechnungen verabschiedet, bei denen eine Normalverteilung das Beste war, was wir machen konnten, was besser war als gar keine numerische Rezeptur . In der frühen Computerepoche, in den späten 60er und frühen 70er Jahren, war das ausreichend. Ich glaube, viele Praktiker sind einfach in Selbstzufriedenheit verfallen, und das hat sich so festgesetzt.

Allerdings macht das Grundkonzept, einen zusätzlichen Puffer zu haben, auch heute noch Sinn. Was keinen Sinn macht, ist die Behauptung, dass alle Unsicherheiten sowohl bei der Nachfrage als auch bei den Durchlaufzeiten irgendwie auf eine Normalverteilung reduziert werden können. Dies ist insbesondere bei den Durchlaufzeiten absurd.

Kieran Chandler: Die Vorstellung, dass es unsicher ist, mag für einige etwas übertrieben klingen. Warum denken wir, dass es ein wenig unsicher ist? Woher stammen diese wesentlichen Schwierigkeiten mit dem Sicherheitsbestand?

Joannes Vermorel: Der Sicherheitsbestand, um eine Vorstellung davon zu geben, wie er funktioniert, beginnt mit der Nachfrage. Am Ende erstellt man einen Bestand, der einen bestimmten Anteil der Nachfrage ausmacht. Wenn man also 100 prognostiziert, könnte man 80 Einheiten hinzufügen, was 80% der ursprünglichen Nachfrage entspricht, und das ist der Sicherheitsbestand. Das ist eine direkte Folge der Wahl eines spezifischen Service Levels unter Annahme einer Normalverteilung der Nachfrage.

Das Problem ist, dass man dabei die Saisonalität völlig ignoriert. Die Nachfrageprognose ist häufig saisonal, was ganz normal ist. Aber die Realität ist, dass auch die Unsicherheit saisonal ist.

Kieran Chandler: Du schlägst vor, dass das klassische Bestandsmodell alle Muster, die die Unsicherheit beeinflussen, vollständig außer Acht lässt. Du erwähnst auch, dass die Anwendung einer Normalverteilung auf die Nachfrage ziemlich weit hergeholt ist. Kannst du das näher erläutern?

Joannes Vermorel: Natürlich. Die Anwendung einer Normalverteilung, insbesondere auf Durchlaufzeiten, kann irreführend sein. Zum Beispiel, wenn man einen Lieferanten hat, der in der Regel innerhalb von zwei Tagen liefert. In Europa dauert der Versand von Artikeln normalerweise nur einen Tag, sodass die Durchlaufzeit typischerweise zwei Tage beträgt. Sollte jedoch Ihr Lieferant einen Fehlbestand haben, könnte sich die Verzögerung auf bis zu drei Monate verlängern.

Kieran Chandler: Also handelt es sich nicht um eine glockenförmige Kurve, oder?

Joannes Vermorel: Absolut nicht. Es handelt sich um ein völlig anderes Muster. Wir sehen einen signifikanten Ausschlag um Ihre nominale Durchlaufzeit, gefolgt von potenziell umfangreichen Verzögerungen. Dies tritt auf, wenn Sie mit einem spezifischen Ereignis wie einem Lieferantenfehlbestand konfrontiert werden. Daher ist es eine schlechte Annäherung, dies als Normalverteilung zu modellieren – es ist, als würde man versuchen, ein Quadrat in einen Kreis zu zwängen.

Kieran Chandler: Heißt das, dass jede noch so kleine Variabilität oder Unbekanntes die Effektivität des Sicherheitsbestands beeinträchtigt?

Joannes Vermorel: In der Tat. Jedes Element, das den Status quo stören und eine Situation auslösen könnte, in der die Nachfrage nach einem Produkt verdunstet, macht das Sicherheitsbestandsmodell unzureichend. Wenn Sie beispielsweise Hühnchen verkaufen und ein Ausbruch der Vogelgrippe gemeldet wird, könnte es sein, dass die Menschen sechs Monate lang auf den Hühnchenkonsum verzichten. Dies ist eine erhebliche Abweichung von der Norm und wird in einer Normalverteilung nicht berücksichtigt.

Kieran Chandler: Also, große Abweichungen sind in real supply chains üblich?

Joannes Vermorel: Überraschenderweise, ja. Obwohl dies nicht ständig bei allen Produkten der Fall ist, wird jedes große Unternehmen pro Quartal zumindest ein paar große Überraschungen erleben. Sicherheitsbestandsmodelle hingegen suggerieren, dass solche großen Abweichungen gar nicht existieren. Optimierst du deine supply chain unter dieser Annahme und kommen dann solche Abweichungen vor, kann das wirklich kostspielig werden.

Kieran Chandler: Angesichts dieser Unebenheiten und Überraschungen, wäre ein probabilistischer Ansatz besser? Was sind die wichtigsten Vorteile dieses Ansatzes gegenüber Sicherheitsbeständen?

Joannes Vermorel: Wenn du ein Modell hast, das dein Risiko erheblich unterschätzt, kann das zu unzureichenden Lagerbeständen führen. Theoretisch sollte Sicherheitsbestand dem entgegenwirken, indem er unvorhergesehene Nachfrage abpuffert. In der Praxis passen supply chain Praktiker jedoch ihre Vorgehensweise so an, dass das Problem verschärft wird. Sie verwenden Sicherheitsbestandsmodelle, die das Risiko unterschätzen, und streben einen hohen Servicegrad wie 98% an. Aber da das Risiko unterschätzt wird, ist der tatsächliche Servicegrad niedriger.

Kieran Chandler: Was die Extremereignisse in Bezug auf Zeit und Nachfrage betrifft, wirst du vermutlich, sagen wir, einen Servicegrad von 85 Prozent erreichen. Das ist weit entfernt von deinem angestrebten 98-Prozent-Servicegrad. Was tust du also?

Joannes Vermorel: Du benutzt das Allheilmittel, welches ein zusätzlicher multiplikativer Parameter für deinen Sicherheitsbestand ist. Du beginnst mit deinem Modell, das von einer Normalverteilungsannahme ausgeht, und da buchstäblich jeder, der Sicherheitsbestände verwendet hat, erkannt hat, dass wir diese Probleme haben, müssen wir unsere Sicherheitsbestände erhöhen. Unternehmen werden diese Aufschlagfaktoren auf zwei Arten einführen. Entweder setzt du explizit einen Faktor ein, oder du gibst in der Software an, dass du einen Servicegrad von 98 Prozent erreichen möchtest, aber du trägst 99,9 ein, weil dies der empirische Weg ist, diesen 98 Prozent zu erreichen.

Was passiert, ist, dass du, weil dein Modell dein Risiko unterschätzt, deine Sicherheitsbestände ziemlich einheitlich erhöhst. Dies führt zu einem erheblichen Problem, da dadurch beträchtliche Überbestände entstehen. Das Paradoxon besteht darin, dass du ein Modell hast, das das Risiko unterschätzt, sodass du deine Sicherheitsbestände überall erhöhst und am Ende viele Überbestände generierst. Es ist witzig, denn du beginnst mit etwas, das man Sicherheitsbestände nennt, aber es ist aufgrund dieses Prozesses von Natur aus unsicher.

Kieran Chandler: Also sagst du, dass immer auf ein Worst-Case-Szenario hin optimiert wird. Jeder optimiert den Tag, an dem der Bestand wirklich benötigt wird, und wenn sich dann der Bestand oder die Nachfrage ändert, haben sie diesen zusätzlichen Sicherheitsfaktor berücksichtigt.

Joannes Vermorel: Ja, und diesen zusätzlichen Sicherheitsbestand wirst du überall haben. Die Leute managen ihre Prognosen mikromanagend, verbringen viel Zeit damit, die Prognose zu optimieren. Sie berechnen alles bis auf den letzten Gramm, um super präzise zu sein, und dann, dank dieses Sicherheitsbestandes, runden sie alles auf die nächste Tonne, nur weil sie diesen Aufschlagfaktor haben, der für alle Produkte einheitlich angewendet wird. Ich stereotypiere ein wenig, aber es ist eine grobe Annäherung an das, was tatsächlich passiert oder was ich viele Male gesehen habe.

Kieran Chandler: Wie gehst du also mit Kunden um, die darauf bestehen, diesen zusätzlichen Sicherheitswert, diesen Sicherheitsbestand, diese Pufferung zu benötigen? Was ist die Kernbotschaft, die du ihnen vermitteln musst?

Joannes Vermorel: Die Kernbotschaft lautet zunächst: Sicherheitsbestände sind unsicher und auch ineffektiv. Es ist eine Fiktion. In deinem Lager gibt es nicht zwei Arten von Beständen; Arbeitsbestände, die die Nachfrage bedienen, und Sicherheitsbestände, die die Unsicherheit abdecken. Du hast nur einen Bestand. Die Frage ist, ob diese Bestandsmenge geeignet ist, deine Kunden zu bedienen. Tatsächlich hast du nicht so viel Kontrolle über das Bestandsniveau, da du die Kundennachfrage nicht kontrollieren kannst. Was du kontrollieren kannst, sind die Bestellungen oder die Fertigungsaufträge, die du erteilst.

The problem with safety stocks is that it distracts you away from the decisions that you can make that are in your hands and that have a real physical impact on your supply chains, such as those purchase orders or supply orders or manufacturing orders. The key message would be to focus on the decision that you’re making, not on the relatively arbitrary parameters of your ERP.

Kieran Chandler: Das Problem bei einem probabilistischen Ansatz ist, dass er relativ komplex ist. Du hast für jedes einzelne Element in deinem Katalog eine andere Nachfragekurve, während der Vorteil von Sicherheitsbeständen darin besteht, dass sie relativ einfach sind. Du fügst lediglich für jedes Element einen bestimmten Puffer hinzu. Gibt es etwas dazwischen für supply chain Führungskräfte, das sie nutzen können? Etwas, das nicht ganz so komplex ist wie Lokads probabilistischer Ansatz, aber etwas besser und fortschrittlicher als ein Sicherheitsbestand-Ansatz?

Joannes Vermorel: Ich denke, wir berühren ein kleines Paradoxon der modernen statistischen Analyse. Der Sicherheitsbestand ist ein parametrischer Ansatz in der Statistik, bei dem du ein Modell mit Parametern wie Mittelwert und Varianz hast und dieses Modell zur Feinabstimmung der Parameter verwendest. Allerdings wird schnell deutlich, dass dieses parametrische Modell überhaupt nicht zur Situation passt, wie ein Quadrat eine sehr schlechte Annäherung an einen Kreis darstellt. Du kannst versuchen, dem Modell mehr Komplexität hinzuzufügen, aber sehr bald wird es kryptisch und schwer verständlich für supply chain Praktiker.

Du könntest zu komplexeren expliziten Modellen greifen, aber diese werden in Bezug auf mathematische Notation sehr schwierig. Tatsächlich ist es einfacher, maschinelles Lernen zu verwenden, das zwar etwas undurchsichtiger ist, aber jede Art von Verteilung anpassen kann. Die Realität ist, dass, wenn du die Unsicherheit von Lieferzeiten mit der Nachfrage richtig kombinieren möchtest, du keine einfache, geschlossene Formel erwarten kannst. Es wird auf jeden Fall kompliziert, aber es ist auch notwendig, subtile Wechselwirkungen zwischen Lieferzeiten und Nachfrage zu berücksichtigen.

Kieran Chandler: Wir haben viel über die Verschwendung in Sicherheitsbeständen gesprochen und dass es verschwendetes Geld ist. Warum ist es etwas, das die Leute nicht zu verbessern versucht haben, und warum wurde dem nicht mehr Aufmerksamkeit geschenkt?

Joannes Vermorel: Ich denke, es liegt daran, dass Sicherheitsbestände von vielen supply chain Praktikern gut verstanden werden. Sie neigen dazu zu unterschätzen, dass ein gutes Verständnis der zukünftigen Nachfrage erst der Anfang ist. Die zukünftige Nachfrage ist nicht die einzige Quelle der Unsicherheit; zukünftige Lieferzeiten sind eine weitere Quelle, und es gibt noch andere Probleme. Praktiker können sich von der reinen Nachfrageprognose ablenken lassen, und es besteht auch die Illusion, dass, wenn sie das Prognoseproblem einmal und für alle Mal lösen können, alle anderen Probleme gelöst werden.

Kieran Chandler: Es scheint, als gäbe es den Glauben, dass eine perfekte Prognose alle anderen Probleme beseitigt. Du schlägst jedoch vor, dass dies eine Täuschung ist und dass wir den probabilistischen Ansatz annehmen müssen, indem wir anerkennen, dass die Prognose immer unvollkommen sein wird. Kannst du das näher erläutern?

Joannes Vermorel: Absolut. Der probabilistische Ansatz bedeutet, den Traum von einer perfekten Prognose aufzugeben. Es geht darum, zu akzeptieren, dass Prognosen immer unvollkommen sein werden, und mit den Konsequenzen dieser Unvollkommenheit umzugehen. Zum Beispiel ist eine der Konsequenzen, dass man beginnen muss, die Auswirkungen von Unsicherheiten zu berücksichtigen, wie zum Beispiel Sicherheitsbestände, die eine sehr krude Art darstellen, die Folgen dieser Unsicherheit zu modellieren.

Kieran Chandler: Also schlägst du vor, dass die Prognose oft zu Unrecht beschuldigt wird?

Joannes Vermorel: Ja, genau das meine ich. Bei Sicherheitsbeständen neigen die Leute dazu, der Prognose die Schuld zu geben, obwohl die Prognose in Wirklichkeit so gut war, wie sie sein konnte. Es ist schwer, viel besser zu sein als ein gut eingestellter gleitender Durchschnitt. Natürlich kann man ihn ein wenig verbessern, indem man Faktoren wie Saisonalität berücksichtigt, aber selbst dann ist es schwer, den Fehler um mehr als ein Drittel zu reduzieren. Das Beschuldigen der Prognose ist also sinnlos. Sehr oft werden die tatsächlichen Fehler danach gemacht, und genau das sind die Bereiche, in denen wir signifikante Verbesserungen erzielen können.

Kieran Chandler: Wenn wir zum Abschluss kommen, was ist die Kernbotschaft für supply chain Führungskräfte? Sollten sie ihre Sicherheitsbestand-Berechnungen verwerfen und Lagerleerstände in Kauf nehmen, oder sollten sie ihre Prognosen besser verstehen?

Joannes Vermorel: Die Kernbotschaft lautet, mathematischen Modellen nicht zu vertrauen, die ursprünglich für manuelle Berechnungen entwickelt wurden. Es ist nicht vernünftig, deine supply chain auf einer Methode zu betreiben, die keine Computer erfordert. Ebenso wenig würde es Sinn machen, eine große Anzahl von Rucksäcken nur für den Fall aufzubewahren, dass LKWs nicht mehr funktionieren. Das Problem mit Sicherheitsbeständen ist, dass sie aufgrund eines guten Brandings und einer scheinbar obskuren technischen Besonderheit der supply chain Optimierung fortbestehen. Ich würde empfehlen, deine Annahmen in Bezug auf die numerische Optimierung deiner supply chain zu hinterfragen. Du musst kein Mathematiker sein, um das zu tun. Überprüfe einfach, ob diese Annahmen mit der Realität deiner supply chain übereinstimmen.

Kieran Chandler: Ich verstehe, also könnten wir in Zukunft einen Wechsel von der Bezeichnung ‘Sicherheitsbestände’ zu ‘Unsicherheitsbestände’ sehen?

Joannes Vermorel: Wer weiß? Das könnte durchaus der Fall sein.

Kieran Chandler: Danke, Joannes. Das war’s für diese Woche. Danke an unsere Zuhörer, dass ihr eingeschaltet habt, und wir sehen uns das nächste Mal. Auf Wiedersehen.