Die Quantitative Supply Chain in Kürze - Lecture 1.2

00:10 Einführung
02:23 Wie? supply chain Vorlesungen
04:22 Das Manifest der Quantitative Supply Chain
06:47 Alle möglichen Zukünfte
17:01 Alle realisierbaren Entscheidungen
21:52 Wirtschaftliche Treiber
30:42 Robotisierung
35:41 Supply Chain Scientists
40:22 Von der Vision zur Realität
41:56 Der Mythos der supply chain Reife
45:30 Abschließend
46:13 Fragen aus dem Publikum

Beschreibung

Das Manifest der Quantitative Supply Chain hebt eine kurze Reihe markanter Punkte hervor, um zu verstehen, wie diese alternative Theorie, die von Lokad vorgeschlagen und initiiert wurde, von der herkömmlichen supply chain theory abweicht. Man könnte sie so zusammenfassen: Jede einzelne Entscheidung wird im Vergleich zu allen possible futures anhand der economic drivers bewertet. Diese Perspektive hat sich bei Lokad allmählich als die herkömmliche supply chain theory etabliert, und ihre Umsetzung durch (fast?) alle software vendors bleibt eine Herausforderung.

Vollständiges Transkript

Hallo zusammen, willkommen zu den Supply Chain Vorlesungen. Ich bin Joannes Vermorel und heute präsentiere ich „Die Quantitative Supply Chain in Kürze.“ Für alle, die den Stream live verfolgen, können Sie jederzeit über den YouTube-Chat Fragen stellen. Ich werde die Fragen während der Vorlesung nicht vorlesen; jedoch werde ich am Ende der Vorlesung den Chat durchgehen, von oben beginnend, und mein Bestes geben. Also, lasst uns fortfahren.

Ich beginne mit einem Zitat eines ehemaligen französischen Präsidenten, der sagte, es gäbe drei Wege zum Reichtum: Der schnellste sei das Glücksspiel, der angenehmste sei mit Frauen, aber der sicherste sei mit Technikern. Offensichtlich entscheiden wir uns in dieser Vorlesungsreihe für die dritte Option. Ich glaube, in diesem Zitat steckt ein Körnchen Weisheit. Technik ist eine mächtige Methode, mehr von bestimmten Dingen zu erreichen, in bestimmten Bereichen besser zu sein, kann aber auch ziemlich ablenkend wirken. Mit Technikern meinte er nicht nur Personen, die sich mit technischem Zeug beschäftigen, wie Ingenieure, sondern auch solche, die sich mit Prozessen und workflows befassen, also mit den MBA-artigen technischen Details.

Wenn wir supply chain Herausforderungen angehen, müssen wir sehr darauf achten, ob das, was wir einbringen, tatsächlich dazu beiträgt, die Kernprobleme zu lösen, oder nur eine angenehme Ablenkung darstellt.

Für die heutige Vorlesung werde ich mich leider etwas der Überzeugungskunst nähern. Die Herausforderung besteht darin, dass, wenn man eine Problemstellung hat, man beweisen kann, dass man eine Lösung hat, die für genau dieses Problem überlegen ist. Aber kann man überhaupt beweisen, dass man von vornherein ein überlegenes Problem hat? Das ist intellektuell weitaus anspruchsvoller.

Einer der Hauptkritikpunkte, die ich in der vorangegangenen Vorlesung angesprochen habe, ist, dass supply chain im Kern ein bösartiges Problem ist. Folglich ist die Art und Weise, wie wir es betrachten müssen, schwierig. Heute werde ich versuchen, eine Reihe von Anforderungen vorzustellen, die meiner Meinung nach wesentlich sind, wenn wir jemals die Hoffnung haben wollen, etwas Zufriedenstellendes für supply chain zu liefern. Allerdings kann ich nicht wirklich beweisen, dass eines der Elemente, die ich präsentiere, tatsächlich notwendig ist. Es spielt ein Element des Glaubens mit hinein, ebenso wie ein Element des abstrakten Verständnisses. Ein weiterer Aspekt des Glaubens ist, dass, solange man keine Lösung vorweisen kann, die den Anforderungen gegenübersteht, man nur Wunschdenken betreibt. Daher bitte ich Sie, Ihren Unglauben für ein oder zwei weitere Vorlesungen auszusetzen, damit wir uns auf das Wesen des Problems und die Elemente konzentrieren, die für eine Lösung, die gute supply chain Praxis ermöglicht, hoch wünschenswert sind.

Also, lasst uns fortfahren. Vor einigen Jahren hatte Lokad bereits seinen relativ untypischen Weg, seine Kunden zu betreuen, vorangetrieben. Ende 2016 entschied ich mich, eine kurze Reihe markanter Punkte zusammenzufassen, die meiner Meinung nach erheblich von der herkömmlichen supply chain theory abweichen. Ich wollte diese fünf Punkte nutzen, um darzustellen, wie sich die Quantitative Supply Chain von der herkömmlichen supply chain theory unterscheidet. Ich entschuldige mich, falls die Terminologie etwas unglücklich gewählt ist, denn auch die herkömmliche supply chain theory ist sehr quantitativ, aber ich entschied mich, ein zusätzliches Adjektiv hinzuzufügen, um die Unterscheidung zwischen der Quantitative Supply Chain Theorie und der herkömmlichen supply chain theory zu verdeutlichen.

Diese Elemente, die ich auflisten werde, sind nicht unbedingt grundlegend; sie sind eher wie eine Checkliste von Dingen, die wir angehen müssen, wenn wir irgendeine Chance auf Erfolg haben wollen. Zu diesen Elementen gehören:

1. Alle möglichen Zukünfte: Wir müssen viele Zukünfte betrachten und nicht nur eine einzige Zukunft.
2. Alle realisierbaren Entscheidungen: Als ich die Definition von supply chain als Beherrschung von Optionalität vorstellte, bezog ich mich mit diesen Entscheidungen auf die Optionen.
3. Economic drivers: Die Idee, dass wir den Fehler in Dollar zählen, nicht in Prozent.
4. Robotisierung als Voraussetzung für Managementkontrolle: Es mag paradox erscheinen, da man denken könnte, dass Robotisierung den Kontrollverlust impliziert, aber die These lautet, dass es genau umgekehrt ist – man benötigt Robotisierung, wenn man möchte, dass Menschen überhaupt in etwas innerhalb von supply chains die Kontrolle behalten.
5. Supply Chain Scientist: Am Ende der Praxis sollte es eine Person geben, die die Verantwortung für die numerischen Ergebnisse der supply chain bzw. die quantitative Performance der supply chain trägt.

Werfen wir einen genaueren Blick auf jeden dieser fünf Punkte.

Zunächst einmal ist die Idee, dass wir alle möglichen Zukünfte betrachten müssen. Warum müssen wir überhaupt in die Zukunft blicken? Weil alles seine Zeit braucht. Wir können nicht alles augenblicklich per 3D-Druck herstellen, und selbst wenn wir könnten, müssten wir die Dinge noch transportieren. Also braucht alles seine Zeit, was bedeutet, dass, wann immer Sie eine supply chain decision treffen – etwa die Entscheidung, etwas zu produzieren oder einzukaufen –, Sie dies tun, weil Sie vorausblicken und einen zukünftigen Marktzustand antizipieren, in dem es eine gewisse Nachfrage nach diesen Produkten geben wird. Anschließend arbeiten Sie sich rückwärts und erstellen eine Art Prognose, um Ihre supply chain entsprechend zu optimieren.

Wir müssen diesen Blick in die Zukunft und diese Prognosen haben, die lediglich den mathematischen Anstrich der Intuition darstellen. Aber von welcher Art Prognosen sprechen wir? Die Prognosen, die die supply chain Praxis im 20. Jahrhundert und im ersten Teil des 21. Jahrhunderts vollständig dominierten, sind die klassischen time series Prognosen, die meiner Meinung nach in mehrfacher Hinsicht zutiefst fehlerhaft sind. Der erste Punkt ist, dass dieser Ansatz die Idee der Unsicherheit völlig außer Acht lässt. Meine These ist, dass Unsicherheit völlig irreduzibel ist, und wenn Sie sich mit supply chains beschäftigen, kann die Zukunft niemals perfekt prognostiziert werden. Die Vorstellung, dass man 99% forecast accuracy erreichen kann, ist Unsinn. Selbst bei Betrachtung des Wasserverbrauchs oder des Stromverbrauchs ist es sehr schwierig, Prognosen mit diesem Genauigkeitsgrad zu erzielen.

Wenn man realistisch auf supply chains blickt und beispielsweise ein Produkt in einem Geschäft betrachtet, das nur eine Einheit pro Woche eines bestimmten Produkts verkauft, besteht keine Hoffnung, jemals eine Genauigkeit im Bereich unter einem Prozent zu erreichen. Die Frage macht eigentlich keinen Sinn. Also, Unsicherheit ist irreduzibel. Wenn wir einen stärkeren Beweis dafür wollten, schauen Sie einfach auf das Jahr 2020. Wir hatten eine massive weltweite Pandemie, die überall in den supply chains Chaos anrichtete. Es ist schlichtweg nicht möglich, solche Dinge aus einer klassischen Perspektive zu prognostizieren, in der man sich auf eine Zahl verlässt und sagt: “Das ist es, das ist die Zukunft.”

Stattdessen können Sie probabilistische Prognosen erstellen. Die Idee ist, dass alle Zukünfte möglich sind, jedoch nicht alle gleich wahrscheinlich. Das ist das Wesen der probabilistischen Prognose. Es geht darum, mittels einer statistischen Methode, anstatt so zu tun, als hätte man die perfekte Prognose dafür, wie sich die Zukunft genau entwickeln wird, einfach zu sagen: “Ich habe all diese möglichen Zukünfte; einige sind wahrscheinlicher als andere.” Dieser Ansatz akzeptiert die irreduzible Unsicherheit. In vielen Situationen, in denen mir Leute sagen, “Das kann man nicht prognostizieren”, ist die Antwort: “Doch, das kann ich.” Ich kann Ihnen keine korrekte klassische Prognose geben, aber ich kann durchaus eine perfekte probabilistische Prognose erstellen.

Das extreme Beispiel dafür wären Lottoscheine. Ich kann die exakten Gewinnchancen ermitteln, dass ein bestimmter Schein der Gewinner ist. Ich weiß nicht, welcher gewinnen wird, aber falls das Spiel nicht manipuliert ist, kann ich eine perfekte probabilistische Prognose erstellen, die die einheitlichen Wahrscheinlichkeiten für alle Scheine widerspiegelt. Genau das bedeutet eine probabilistische Prognose; sie besagt, dass man akzeptiert, dass man zwar die Zukunft nicht perfekt kennt, aber dennoch viel darüber weiß. Wenn wir sagen, dass wir Wahrscheinlichkeiten haben, wissen wir vieles. Zum Beispiel kann ich sagen, dass zu jedem Zeitpunkt ein Extremrisiko für eine massive disruption auf dem Markt besteht. Ich weiß nicht genau, woher das Risiko kommen wird; vielleicht ist es eine Pandemie, ein Börsencrash, ein Krieg oder ein neuer Zoll, wie ihn Präsident Trump eingeführt hat. Es kann vieles sein, was Ihre supply chain stört, und müsste ich das Extremrisiko zu irgendeinem Zeitpunkt für eine supply chain einschätzen, läge es bei mehreren Prozent für einen massiven Einbruch im nächsten Quartal. Nochmals, es ist keine Magie; es ist einfach eine sehr vernünftige Annahme über die Zukunft. Mit den richtigen statistischen Werkzeugen kann man etwas noch Ausgefeilteres erreichen. Alle Bereiche, in denen Unsicherheiten bestehen, erfordern eine Prognose, und zwar eine probabilistische Prognose. Die Nachfrage ist nicht der einzige Bereich, der eine Prognose benötigt. Beispielsweise erfordern alle Bereiche, in denen Sie Unsicherheiten haben, eine Prognose.

Dies könnte die Prognose zukünftiger Nachfrage beinhalten, aber auch zukünftige lead times, zukünftige Rückläufe im E-Commerce, unsichere Produktionsausbeuten in primären Produktionsquellen wie Bergbau oder Landwirtschaft, probabilistische Ausfall- oder Ausschussraten in der Qualitätskontrolle bei biologischen Prozessen und Reparaturen von Teilen. Es gibt eine große Vielfalt von Bereichen, in denen Unsicherheiten bestehen, und all diese Bereiche verdienen eine Prognose. Eine gute supply chain Praxis bedeutet, die Notwendigkeit anzunehmen, all die möglichen Zukünfte mit ihren jeweiligen Wahrscheinlichkeiten in Betracht zu ziehen, und all die Dinge zu prognostizieren, die prognostiziert werden müssen. Es geht nicht nur um die Nachfrage.

Zum Beispiel können wir sogar Dinge wie Rohstoffpreise betrachten. Offensichtlich, wenn man den zukünftigen Preis eines Rohstoffs genau prognostizieren könnte, würde man einfach an der Börse spekulieren und keine echte supply chain betreiben. Allerdings sind bestimmte Rohstoffe preislich viel volatiler als andere, und das bedeutet, dass das Risiko, das Sie beim Umgang mit diesen Rohstoffen tragen, mit den richtigen Modellen optimiert werden kann, indem Sie probabilistische Prognosen in Ihrem Werkzeugarsenal haben.

Ein weiteres Element ist, dass es nicht nur um Ihre eigenen möglichen Zukünfte geht; all diese möglichen Zukünfte sind nicht unabhängig. Sie weisen starke Abhängigkeiten auf, und hierin zeigt die herkömmliche supply chain theory wirklich Schwächen. Man betrachtet die Nachfrageprognose, als wäre sie völlig unabhängig von allem, was sonst in der supply chain geschieht. Selbst bis heute kommen noch Interessenten auf mich zu und fragen, ob Lokad für ein bestimmtes Produkt eine 12-monatige Prognose erstellen kann.

Beispielsweise nehmen wir an, wir befassen uns mit einer Sportmarke, und diese fragt nach einem Tracking-Rucksack. Können wir prognostizieren, wie hoch die Nachfrage in den nächsten 12 Monaten sein wird? Meine grundlegende Antwort lautet: “Es kommt darauf an.” Wenn Sie nur einen Rucksack verkaufen, haben Sie möglicherweise eine gewisse Nachfrage. Aber wenn Sie sich plötzlich entscheiden, Ihr Sortiment erheblich zu erweitern und zehn weitere Varianten desselben Rucksacks mit nahezu demselben Preis, derselben Größe und ähnlichen Merkmalen – plus oder minus ein paar Taschen und Zubehör – einzuführen, dann werden Sie Ihre Nachfrage nicht einfach um den Faktor zehn erhöhen, nur weil Sie zehn sehr ähnliche Produkte eingeführt haben. Doch wenn wir die klassische Prognoseperspektive betrachten, gibt es nichts, was das Prognosemodell daran hindern würde, die Nachfragezahlen radikal in die Höhe zu treiben, wenn Sie einfach die Anzahl der zu prognostizierenden Produkte erhöhen. Das macht also keinen Sinn, und genau deshalb gibt es diese Zukünfte. Sie sind nicht nur durch unregelmäßige Unsicherheit gekennzeichnet, sondern auch durch die Abhängigkeiten, die zwischen ihnen bestehen. Wir brauchen Werkzeuge, die all diese Veränderungen erfassen können.

Abschließend: Prognosen sind unerlässlich, wenn wir irgendeine Chance auf Optimierung haben wollen, einfach weil wir in die Zukunft blicken müssen. Dabei sollten wir stets im Hinterkopf behalten, dass es sich lediglich um fundierte Einschätzungen der Zukunft handelt.

Sie sind nicht real, im Sinne dass die Qualität Ihrer Prognose keine direkten Konsequenzen für Ihre supply chain hat. In vielen Unternehmen konzentrieren sich die Leute intensiv darauf, die Prognose zu verbessern, aber meine Frage ist: Zu welchem Zweck? Wenn Sie glauben, dass die Optimierung der Prognose unmittelbar in eine bessere supply chain performance umschlägt, dann ist mein Vorschlag an Sie, dass dies eine Illusion ist. Es ist nicht wahr, nicht einmal annähernd.

Das Einzige, was eine supply chain tatsächlich verbessert, sind die Entscheidungen, die einen greifbaren, physischen Einfluss auf die supply chain haben. Mit Entscheidungen meine ich Dinge wie den Einkauf einer zusätzlichen Einheit von einem Lieferanten, das Versetzen einer Lagereinheit von einem Standort zum anderen oder das Erhöhen bzw. Senken des Preises für ein Produkt, das Sie verkaufen. Diese Maßnahmen haben reale, greifbare Auswirkungen auf das Unternehmen.

Im Gegenteil, Prognosen sind lediglich wohlüberlegte Annahmen über die Zukunft. Es ist besser, eine differenziertere Einschätzung davon zu haben, wie die Zukunft aussehen wird, aber das Einzige, was wirklich zählt, sind die Entscheidungen. Mein Vorschlag an Sie ist, dass die supply chain-Praxis sich vollständig darauf ausrichten sollte, diese Entscheidungen zu generieren, denn das ist das Einzige, was zählt. Die Vorstellung, dass man eine Prognose- oder Planungsabteilung haben könne, ist weitgehend fehlgeleitet. Prognosen dienen lediglich dazu, Ihre Schätzungen zu fundieren, wenn es darum geht, bessere Entscheidungen zu treffen.

Es ist sehr gefährlich und fehlgeleitet, den Prognoseteil von der Optimierung der Entscheidungen zu trennen. Übrigens, wenn ich von machbaren Entscheidungen spreche, meine ich, dass die Entscheidungen allen physischen Beschränkungen, die in der supply chain vorhanden sind, entsprechen müssen. Jede supply chain weist überall Nichtlinearitäten auf. Zum Beispiel kann es Mindestbestellmengen, maximale Regalflächen in einem Geschäft und maximale Volumen- oder Gewichtskapazitäten in einem Container oder truck geben. Es kann auch subtilere Nichtlinearitäten geben, wie etwa Verfallsdaten oder die Tatsache, dass bestimmte Teile in der Luftfahrt mit Flugstunden und Flugzyklen versehen sind, was planmäßige Wartungen erforderlich macht.

Es kann alle möglichen Probleme geben, beispielsweise dass manche Waren – etwa frische Lebensmittel – nicht im selben truck transportiert werden können. Oder zumindest benötigt man spezielle trucks, weil sie nicht bei derselben Temperatur befördert werden können. Man braucht entweder mehrere Abteile oder mehrere trucks. Es gibt zahlreiche Einschränkungen, die machbare Entscheidungen beschränken.

Was meine ich mit machbaren Entscheidungen? Ich betone diesen Begriff, weil es keinen Sinn macht zu behaupten, dass die ideale Menge, um ein Geschäft aufzufüllen, 1,3 Einheiten eines Produkts beträgt. Das ist keine machbare Entscheidung; es wird entweder eine Einheit oder zwei geben, aber 1,3 ist nicht möglich. Man benötigt etwas, das aus einer ganz pragmatischen Perspektive sofort umsetzbar ist – und genau darauf verweist der Begriff Machbarkeit.

Betrachten wir nun jede einzelne machbare Entscheidung und alle möglichen Zukunftsszenarien, stellt sich die Frage: Wie können wir beurteilen, welche Entscheidung die richtige ist?

Wir müssen die ökonomischen Treiber berücksichtigen. Die Idee ist, dass Prozentsätze des Fehlers keine Rolle spielen; es zählen nur die Dollar an Fehlern und Gewinnen. Es besteht die große Illusion, dass, wenn man Prozentsätze optimiert, man tatsächlich etwas Gutes für das Unternehmen bewirkt. Das ist nicht wahr; ich halte dies für zutiefst fehlgeleitet.

Wenn Sie ein Beispiel möchten, betrachten wir service levels. Was bedeutet es, einen extrem hohen service level zu haben? Ich höre häufig, dass Interessenten einen 99% service level wünschen. Das können wir sicherlich erreichen, aber man muss dafür wahnsinnig viel bevorraten, was zu enormen Abschreibungen auf das Inventar und katastrophaler Rentabilität führt. Es handelt sich um einen Kompromiss – und zwar um einen wirtschaftlichen Kompromiss. Bei etwas so Einfachem wie dem service level besteht ein Zielkonflikt zwischen den cost of inventory auf der einen Seite und den Kosten von stock-outs auf der anderen.

Die Idee ist, dass wenn wir einen Schritt zurückgehen und diese ökonomischen Treiber für jede einzelne Entscheidung betrachten, wir das Ergebnis abschätzen können. Wir können eine Entscheidung nehmen und für ein mögliches Zukunftsszenario das Ergebnis dieser Entscheidung ermitteln. Indem wir die ökonomischen Treiber analysieren, können wir die Ergebnisse in Dollar bewerten. Was meine ich mit ökonomischen Treibern? Ich meine alle Faktoren, die die Leistung Ihres Unternehmens bestimmen. Der erste Kreis von Treibern ist sehr unkompliziert – Dinge, die Sie in den Büchern der Buchhaltung finden, wie beispielsweise Materialkosten, Verkaufspreis, Lagerkosten, Transportkosten und Umwandlungskosten. Diese Kosten müssen addiert und dann von Ihrem Verkaufspreis abgezogen werden, um Ihr Kostenbudget zu berechnen. Dies sind die Treiber des ersten Kreises, die ganz offensichtlichen, die Sie buchstäblich in Ihrem ERP oder Ihrer Buchhaltungssoftware finden.

Diese Kosten allein sind jedoch nicht ausreichend. Betrachtet man nur diese, erhält man eine sehr kurzsichtige finanzielle Perspektive. Sie müssen den zweiten Kreis ökonomischer Treiber einbeziehen, jene, die in Ihrem System zumindest nicht explizit vorhanden sind. Dies sind typischerweise die Sekundäreffekte Ihrer supply chain-Entscheidungen. Zum Beispiel gibt es in den meisten Fällen bei einem Fehlbestand keine Strafe. Vielleicht haben Sie als große Marke, die an ein großes Einzelhandelsnetzwerk wie Walmart verkauft, eine service level-Vereinbarung und Strafen, wenn bestimmte Ziele nicht erreicht werden – aber das ist eher selten. Selbst wenn Strafen existieren, spiegeln sie nicht naturgemäß die tatsächlichen Kosten wider, die Sie Ihren Kunden auferlegt haben.

Die Idee ist, dass wir Treiber benötigen, die die sekundären Folgen Ihrer Handlungen abbilden – sowohl positive, wie das Erzeugen zusätzlicher loyalty bei den Kunden, als auch negative, wie das Entstehen von Unloyalität und den Anreiz für Ihre Kunden, anderswo nach Alternativen zu suchen. Dies hängt natürlich vom jeweiligen Problem ab. Wenn Sie beispielsweise als Modemarke am Saisonende einen Rabatt gewähren, kostet das mehr als nur den unmittelbaren Verlust des rabattierten Dollars. Sie schaffen dadurch eine Gewohnheit bei Ihren Kunden, die erwarten, im nächsten Jahr denselben Rabatt zu erhalten. Das veranschaulicht sowohl die kurzfristigen als auch die langfristigen Auswirkungen beim Aufbau von Gewohnheiten und Erwartungen in Ihrer Kundenbasis – darum geht es, wenn ich von den ökonomischen Treibern des zweiten Kreises spreche.

Bei richtiger Durchführung ist die finanzielle Optimierung nicht kurzsichtig. Wenn Sie jedoch eine naive finanzielle Optimierung vornehmen, landen Sie in viel Unsinn, was für jede naive Methode im Umgang mit supply chains zutrifft. Wirtschaftliche Optimierung ist unerlässlich, denn ohne sie haben Sie nicht einmal ein Ziel für Ihre Optimierung. Die Idee, Prozentsätze zu optimieren, funktioniert nicht; Sie wollen Dollar optimieren. Wenn Sie nicht all diese Dollar an Gewinnen und Kosten unter einem einheitlichen Dach zusammenführen, gibt es aus quantitativer Sicht nichts zu optimieren – und genau darum geht es in dieser Vortragsreihe.

Wir brauchen diese Dollar, sonst können wir nicht einmal mit der Optimierung beginnen. Mein Vorschlag an Sie ist, dass, wenn Ihr Unternehmen noch keinen einheitlichen finanziellen Rahmen zur Steuerung seiner supply chain-Optimierung geschaffen hat, es noch gar nicht richtig begonnen hat. Wenn Sie Dutzende von Teams haben, die sich mit Prozentsätzen, service levels und anderen nicht monetären Kennzahlen beschäftigen, ist das nur eine Illusion von Leistung. Nur Dollar zählen – Dollar, Euro oder Yen – aber Sie benötigen ein monetäres Konto.

Diese ökonomischen Treiber haben einen weiteren, sehr wichtigen Zweck, der häufig übersehen wird. Der erste Zweck besteht darin, die numerische Optimierung auf sehr mechanische Weise voranzutreiben. Der zweite Zweck dieser Treiber ist es, White-Boxing zu ermöglichen, worauf ich in einem späteren Vortrag noch zurückkommen werde. Die Idee ist, dass wir für jede einzelne Entscheidung alle möglichen Zukunftsszenarien betrachten, die ökonomische Leistung der Entscheidung zuordnen, die Leistung über alle Szenarien mitteln und dann alle Entscheidungen von derjenigen mit der höchsten Kapitalrendite (ROI) bis zurjenigen mit der niedrigsten sortieren. Natürlich wollen wir diese Entscheidungen einstellen, sobald keine Rentabilität mehr vorhanden ist. Dennoch brauchen wir irgendeine Form von Transparenz und Verständnis dafür, warum wir genau diese Entscheidungen treffen und nicht andere. An dieser Stelle erweisen sich diese ökonomischen Treiber als sehr wertvoll, da sie uns das „Warum“ hinter jeder von einem System, einer Praxis oder einer Software generierten Entscheidung erklären können.

Die Idee ist, dass Sie mithilfe ökonomischer Treiber jede einzelne Entscheidung analysieren und einige wichtige Leistungs-indicators in Dollar ausgedrückt zur Erklärung heranziehen können, warum diese Entscheidung tatsächlich gut ist. Umgekehrt können Sie an den Treibern erkennen, warum eine nicht getroffene Entscheidung möglicherweise nicht gut ist.

Mit diesen drei Bausteinen haben wir alles, was es braucht, um die Praxis zu beginnen. Wir betrachten alle möglichen Zukunftsszenarien, alle möglichen Entscheidungen und stellen jede Entscheidung gegen alle möglichen Zukunftsszenarien, bewerten sie in Dollar und ordnen sie.

Um dies realistisch und effektiv zu gestalten, bedarf es einer vollständigen End-to-End-Robotisierung. Der Grund, warum Sie eine vollständige End-to-End-Robotisierung benötigen, ist, dass das Management wieder die Kontrolle übernimmt. Es mag zunächst merkwürdig klingen, denn wenn man robotisiert, wie kann dann jemand die Kontrolle behalten? Das liegt in der Natur der supply chains, die sehr komplexe, verteilte Systeme mit vielen Standorten, Produkten, Kunden, Softwarekomponenten, Personen und Fahrzeugen sind.

Die Alternative zu einem robotisierten Prozess, der all die täglich zu treffenden Entscheidungen generiert, besteht darin, eine Armee von Angestellten zu beschäftigen, die auf einer Flut von spreadsheets basieren. Das Problem ist, dass, wenn Sie eine Armee von Angestellten managen, es bis zu sechs Monate dauert, bis eine Änderung in Ihrer supply chain Wirkung zeigt, weil Sie mit vielen Personen zu tun haben, die umgeschult werden müssen und bei denen Sie überprüfen müssen, ob sie die neue Strategie und die neuen Regeln wirklich verstanden haben.

Robotisierung bedeutet, dass wenn Sie ein End-to-End-numerisches Rezept implementieren können, das all diese alltäglichen Entscheidungen generiert, Sie diese Verzögerung vermeiden können. Ich spreche von all den alltäglichen Entscheidungen; ich meine nicht Entscheidungen wie, ob man ein neues Werk in einem Land eröffnet oder einen neuen Markt für das Unternehmen erschließt. Diese Entscheidungen treffen Sie nicht täglich, sondern nur ein paar Mal im Jahr, und es ist vollkommen in Ordnung, wenn viele Menschen darüber nachdenken. Aber für jede einzelne SKU, die in Ihrer supply chain existiert, gibt es ein halbes Dutzend Entscheidungen, die jeden Tag getroffen werden müssen. Soll ich mehr produzieren? Soll ich mehr beschaffen? Sollte ich den Bestand, den ich irgendwo habe, verlagern? Sollte ich den Preis erhöhen oder senken? Soll ich überhaupt diesen Bestand loswerden, der keinerlei Zweck erfüllt und nur Platz in meinem Lager oder Geschäft wegnimmt? Allein die Entscheidung, heute nichts Besonderes zu tun, wenn Sie eine SKU haben, ist bereits eine Entscheidung. Angesichts des Umfangs, in dem modern supply chains operieren, bin ich überzeugt, dass eine End-to-End-Robotisierung notwendig ist, wenn wir überhaupt agil sein wollen.

Es gibt auch einen weiteren wesentlichen Aspekt, nämlich dass es entscheidend ist, eine End-to-End-Robotisierung zu haben, wenn wir jemals etwas haben wollen, das kapitalistisch und präzise ist. Dies wird Thema meines nächsten Vortrags sein, aber kurz gesagt: Sie wollen Ihre supply chain-Abteilung nicht als Betriebsausgaben (OPEX) behandeln. Sie wollen Ihre supply chain-Investition als Investitionsausgaben (CAPEX) ansehen. All die Anstrengungen, die Sie in die supply chain stecken, sollten präzise sein, und Sie wollen Ihre supply chain zu einem kapitalistischen Vermögenswert des Unternehmens machen. Der einzige Weg, dies zu erreichen, ist durch Robotisierung; andernfalls bleibt es lediglich eine Armee von Angestellten, die Sie jeden Tag bezahlen müssen, um ständig dasselbe zu tun.

Das führt mich zur Frage, wer für die Robotisierung und die Software verantwortlich sein sollte, die die administrativen Aufgaben anstelle einer Armee von Angestellten übernimmt.

Wer sollte für diese numerischen Rezepte verantwortlich sein? Wer sollte die Verantwortung für diese Ergebnisse übernehmen? Die klassische Antwort „Wir haben ein System, das System ist dafür verantwortlich“ halte ich für fehlgeleitet. Ein Softwareprogramm, selbst wenn es sich um eine sehr teure Unternehmenssoftware handelt, ist niemals für irgendetwas verantwortlich. Es ist nicht selbstbewusst. Ungeachtet dessen, was man über KI sagt, sind wir noch nicht dort. Was wir haben, sind glorifizierte, ausgefeilte numerische Rezepte, die Ihrem Unternehmen bereits einen enormen Mehrwert bieten können.

Irgendjemand in Ihrem Unternehmen oder auch außerhalb muss die Verantwortung für die Qualität dieser numerischen Ergebnisse übernehmen, die Ihre supply chain auf so alltägliche Weise antreiben. Die von uns bei Lokad eingeführte Praxis basiert auf der Idee des supply chain scientist. Das Konzept des supply chain scientist entstand aus meinen frühen Misserfolgen, als ich versuchte, das Problem mit Data Scientists zu lösen. Das Problem bei Data Scientists ist, dass ihr Engagement in den technischen Details liegt. Erinnern Sie sich an das erste Zitat, dass der sicherste Weg zum Scheitern über Techniker führt? Genau das ist meine heutige Sicht, wenn mir Menschen von Data Scientists erzählen, die versuchen, supply chain-Probleme zu lösen. Das ist ein sehr kurzer Weg, bei dem kaum Ungewissheit besteht, wohin es eigentlich führt – nicht dass Sie am Ende großartige Ergebnisse erzielen würden. Der supply chain scientist ist die Person, die die Verantwortung für die Erzeugung realer Entscheidungen übernimmt, und diese Person muss auf die kleinsten Details Ihrer supply chain achten. Wenn beispielsweise eines Ihrer Lagerhäuser im letzten Jahr überflutet wurde und drei Wochen lang nichts durch dieses Lager floss, wodurch das seasonality Profil völlig verzerrt wurde, können Sie dies nicht einfach als ein Detail abtun. Es stellt die grundlegende Gültigkeit des mathematischen Modells nicht in Frage. Aus Sicht des supply chain scientist zählt dies – egal, ob es Dollar an Gewinnen oder Dollar an Kosten generiert.

Wenn wir uns die Darstellung mit zwei Arten von Gelehrten anschauen – Indiana Jones, der als Gelehrter und Forscher gelten soll, und Windle Poons aus den Werken von Terry Pratchett – könnten die Realitäten dieser beiden fiktiven Charaktere unterschiedlicher nicht sein. Der grundlegende Unterschied zwischen ihnen spiegelt im Wesentlichen den Unterschied zwischen einem supply chain scientist und einem Data Scientist wider. Als Stresstest können Sie sich fragen: Ist der CEO interessiert? Wird der CEO des Unternehmens Sie als supply chain scientist zu dem, was Sie tun, in Frage stellen? Meine Erfahrung aus mehr als einem Jahrzehnt bei Lokad zeigt, dass ich nun regelmäßig mit den CEOs und Vorständen meiner Kunden zusammentreffe, die mich zu den Grundlagen ihrer supply chain und der Erzielung von Dollar-Renditen befragen.

Die Fragen drehen sich nicht darum, ob wir Support Vector Machines oder Gradient Boosted Trees verwenden. Es geht um den Weg, der sicherstellt, dass die supply chain ein wertvoller Vermögenswert ist, der sich gegenüber dem Rest des Marktes durchsetzen kann.

Ich präsentierte fünf Punkte als Anforderungen, nicht als die tatsächliche Lösung des Problems. Es handelt sich lediglich um eine Liste von Elementen, die, wenn sie nicht richtig angegangen werden, bedeuten, dass man noch nicht einmal wirklich angefangen hat, an etwas zu arbeiten, das die supply chain sinnvoll verbessern oder optimieren würde – zumindest nicht in quantitativer Hinsicht. Es gibt zahlreiche nicht-quantitative Optimierungen, wie bessere Ausrüstung, bessere Einstellungsrichtlinien oder gut durchdachte finanzielle Anreize für Ihre Teams.

Auf der Lokad-Website unter lokad.com/lectures gibt es einen vollumfänglichen detaillierten Plan der kommenden Vorlesungen. Wir werden eine Vielzahl von Themen behandeln müssen, einschließlich verschiedener Perspektiven, Konzepte und Paradigmen, insbesondere in Bezug auf Programmiermethoden, Werkzeuge und Praktiken. Es gibt eine erhebliche Menge an Material, das aufgearbeitet werden muss, und all diese Konzepte werden eingeführt, um die fünf zuvor präsentierten Punkte zu erfüllen. Ohne diese wird der Ansatz einfach nicht funktionieren.

Um eine Abschweifung zu adressieren: Einige Leute haben mich kritisiert, indem sie sagten, dass die von mir präsentierte Vision so anders sei als das, was sie derzeit tun. Sie behaupten, dass sie zu fortschrittlich sei, und ziehen es vor, es langsam anzugehen, indem sie schrittweise Verbesserungen vornehmen, bevor sie diesen Ansatz der die Quantitative Supply Chain in Betracht ziehen. Ich halte diesen „Krabbeln, Gehen, Laufen“-Ansatz jedoch für einen Irrtum. Fortschritt ist oft nicht inkrementell und kann disruptiv sein. Zum Beispiel, als Amazon beschloss, ein Cloud-Computing-Anbieter zu werden, machten sie einen bedeutenden Sprung vom Online-Buchverkauf zur Bereitstellung von Cloud-Computing-Ressourcen auf Abruf. Dies war keine sanfte, schrittweise Progression; es war ein disruptiver Wandel.

Ebenso gibt es das berühmte Zitat von Henry Ford, der sagte, dass wenn er seine Kunden gefragt hätte, was sie wollten, sie nach schnelleren Pferden gefragt hätten. Der Punkt ist, dass wenn wir die Idee akzeptieren, dass die von mir aufgelisteten Anforderungen notwendig sind und die meisten Unternehmen noch nicht einmal begonnen haben, das Problem aus der richtigen Perspektive zu betrachten, dann ist unser Ausgangspunkt bei den meisten Kunden, dass fast niemand eine wirkliche Reife in diesem Bereich besitzt. Es ist eine Illusion zu glauben, dass größere Unternehmen mit großen Abteilungen, die die falschen Kennzahlen optimieren, irgendeine echte Reife im supply chain management besitzen.

Meine Botschaft an das Publikum ist, sich nicht für unreif zu halten, nur weil man nicht das tut, was andere Unternehmen tun, insbesondere in Bezug auf die Größe ihrer jeweiligen Bürokratien. Aus meiner Sicht sagt das sehr wenig über deren Effektivität aus. Die Unternehmen, die ich als am reifsten erachte, sind typischerweise kleine, agile, nordamerikanische E-Commerce-Unternehmen, die digital fokussiert sind. Sie haben vielleicht nicht riesige Teams von Data Scientists, sondern nur ein paar Leute mit der richtigen Einstellung und passenden numerischen Rezepten.

Abschließend habe ich Aspekte behandelt, die mit der Notwendigkeitsseite des Problems zusammenhängen. In der nächsten Vorlesung werden wir beginnen, die Angemessenheitsseite des Problems zu betrachten, wobei wir uns auf unsere Problemstellung und die Lösung konzentrieren. Es ist jedoch entscheidend, mit der Problemstellung zu beginnen, da sie es uns ermöglicht zu verstehen, ob die von uns präsentierte Lösung wertvoll ist oder lediglich eine Lösung, die auf der Suche nach einem Problem ist.

Vielen Dank für Ihre heutige Zeit. Nun werde ich die Fragen beantworten.

Frage: Mir hat die subtile Dune-Anspielung gefallen.

Ich freue mich, dass Ihnen die Dune-Anspielung gefallen hat. Die Hauptfiguren im Buch besitzen die Fähigkeit, alle möglichen Zukünfte zu sehen, was ihnen überlegene strategische Fähigkeiten verleiht. Diese Metapher passt sehr gut zum supply chain management. Wenn man alle möglichen Zukünfte betrachten kann, selbst wenn man nicht genau weiß, welche eintreten wird, verschafft einem das einen erheblichen Vorteil gegenüber Wettbewerbern, die nur ein mögliches Ergebnis in Betracht ziehen.

Frage: Könnten Sie bitte näher auf die Treiber zweiter Ordnung eingehen?

Wenn ich von „zweiter Ordnung“ spreche, meine ich damit Konsequenzen zweiter Ordnung. Im supply chain management befassen wir uns mit Menschen und komplexen Systemen, nicht nur mit einfachen physischen Systemen mit vorhersehbaren Verläufen. Menschen können sich anpassen, und wir müssen ihre Handlungen und Reaktionen berücksichtigen.

Zum Beispiel hatten wir in der Vergangenheit bei Lokad einen Kunden, für den wir spezifische Bestellmengen vorschlugen. Allerdings stellten wir fest, dass der Kunde am Ende Bestellungen mit deutlich höheren Mengen aufgab, als wir empfohlen hatten. Es stellte sich heraus, dass, wenn der Kunde die Waren erhielt, die für den Wareneingang zuständigen Teams die Artikel erneut zählten, um sicherzustellen, dass sie der ursprünglichen Bestellung entsprachen. Stimmte die empfangene Menge nicht mit der Bestellung überein, hatte das System eine eigentümliche Einschränkung: Es konnte entweder die gesamte Bestellung stornieren und die Ware zurücksenden, wodurch die Produktionslinie gefährdet wurde. Was passierte, war, dass sie die Menge der ursprünglichen Bestellung so anpassten, dass sie der gelieferten Menge entsprach. Im Laufe der Jahre entdeckten einige clevere Lieferanten diese einzigartige Eigenschaft des ERP-Systems. Als sie sich dem Quartalsende näherten und ihre Ziele noch nicht erreicht hatten, wussten sie, dass sie diesem Kunden beliebige Mengen aufdrängen konnten, den Kunden nahm sie an und bezahlte die Rechnung ohne Fragen oder Beanstandungen.

Dies ist ein Beispiel für das, was ich einen Effekt zweiter Ordnung nenne. Man hat einen scheinbar trivialen, alltäglichen Aspekt des ERP, aber dann gibt es kluge Menschen im System, die das System zu ihrem Vorteil ausnutzen. Das ist unvermeidlich, wenn man mit Menschen zu tun hat, da sie denken und auf alles reagieren können, was man tut. Die Idee der Konsequenzen zweiter Ordnung ist, dass man die Folgen der Folgen berücksichtigen muss. Es könnte sogar vierte oder fünfte Ordnung sein – man muss an die kaskadierenden Konsequenzen denken. Es ist ein herausforderndes intellektuelles Spiel, aber wenn man die Konsequenzen zweiter Ordnung nicht beachtet, kann es dazu führen, dass man schlechte Entscheidungen trifft.

Was die wirtschaftlichen Treiber zweiter Ordnung betrifft, ist es wichtig, ihnen einen Dollarwert zuzuordnen, auch wenn dies schwierig sein kann. Entscheidend ist, annähernd richtig zu liegen, anstatt völlig falsch zu sein. Es ist besser, eine grobe Schätzung zu haben, die Sinn ergibt, als präzise Berechnungen, die in die Irre führen.

Frage: Welche Techniken werden in der vollständigen Robotisierung eingesetzt?

Es gibt zahlreiche Techniken zur vollständigen Robotisierung, die wir in den kommenden Vorlesungen über programming paradigms behandeln werden. Obwohl wir über Software sprechen, müssen wir die grundlegenden Design-Eigenschaften berücksichtigen, die für die Erreichung der Robotisierung am wünschenswertesten sind. Das Hauptziel ist es, Software in Produktionsqualität zu erstellen, nicht unbedingt KI. Man kann keinen Prognosefehler von null Prozent erreichen, aber man kann auf null Prozent Wahnsinn abzielen.

Mit „Wahnsinn“ meine ich etwas, das das gesamte Unternehmen gefährden würde. Zum Beispiel ging Target Canada aufgrund fehlgeschlagener supply chain optimization in Konkurs, und Nike erlitt 2004 eine Katastrophe, als eine ihrer supply chain software Lösungen, die ein Konkurrent von Lokad war, fast zum Zusammenbruch des Unternehmens führte. Also, zunächst werden wir dieses Thema in der nächsten Vorlesung behandeln, aber es wird etwas Zeit in Anspruch nehmen, bis wir dort angekommen sind.

Frage: Wenn wir in Ihrer Prognose versuchen, so viele progressive Variablen zu berücksichtigen, müssten wir eigene Modelle entwickeln, und es könnte zu Simulationen werden. Haben Sie dazu Gedanken?

Es gibt keinen deutlichen Unterschied zwischen einer genauen Simulation der Zukunft und einer probabilistischen Prognose. Dies sind zwei Varianten numerischer Rezepte, um die Zukunft zu erfassen. Wann immer man ein probabilistisches Prognosemodell hat, kann man Trajektorien generieren, die die Zukunft darstellen. Man nimmt seine Wahrscheinlichkeiten, zieht einen Zufallswert, erstellt eine fiktive Beobachtung, lernt sein Modell neu, baut die Wahrscheinlichkeiten wieder auf und wiederholt den Vorgang. Die Unterscheidung zwischen Simulation und statistischer Modellierung wird besonders bei Modellen, die für supply chain Zwecke geeignet sind, sehr dünn. In hohem Maße überlappen sie sich vollständig.

Frage: Sind die von Ihnen entwickelten Lösungen servicebasiert oder eine Kombination aus beiden? Wie ist Ihre Meinung zu diesem Ansatz für die Zukunft der supply chain?

Bei Lokad besteht unsere Perspektive darin, die Leistung der supply chain in Dollar auszudrücken. Es gibt eine enorme Komplexität in diesem Bereich, und genauso wie Ungewissheit in der Prognose irreduzibel ist, ist die Komplexität unüberwindbar, wenn man versucht, ein Softwareprodukt zu entwickeln, das alle Probleme auf einmal angeht. Man benötigt eine Meta-Lösung für das Problem. Der bei Lokad verfolgte Ansatz erkennt die Notwendigkeit menschlicher Intelligenz an, insbesondere Supply Chain Scientists. Ich halte es für unrealistisch zu denken, dass KI die Herausforderungen einer modernen supply chain begreifen kann.

Wir benötigen kluge, erfahrene Menschen mit den richtigen Fähigkeiten, um in ihrem Job effektiv zu sein. Lokad hat ein Produkt entwickelt, das darauf abzielt, Supply Chain Scientists produktiv und äußerst zuverlässig zu machen. Die Herausforderung besteht darin, den richtigen Werkzeugen für diese Supply Chain Scientists bereitzustellen. Zusammenfassend: Python ist nicht die Lösung, und wenn wir in diesen Vorlesungen weiter fortschreiten, werden Sie feststellen, dass die meisten generischen Programmiersprachen tiefgreifende Probleme aufweisen. Diese Designprobleme machen sie ungeeignet, supply chain Probleme auf zufriedenstellende Weise anzugehen. Wir werden auf die feinen Details eingehen müssen, denn es gibt viele Nuancen in dem, was ich unter „production-grade“ und der „production-readiness“ der Lösung verstehe. Denken Sie daran – das ist der Zustand von null Prozent Wahnsinn, den wir anstreben, denn solange Sie einen wahnsinnigen Roboter haben, der Ihre supply chain negativ beeinflusst, kann es einfach nicht funktionieren. Das ist es, was wir zuerst angehen müssen.

Frage: Oft erfordern quantitative Ansätze, dass wir das quantifizieren, was bisher nicht quantifiziert wurde oder was in Excel-Tabellen vorlag und nicht in ERP-Systemen. Was ist der effizienteste Weg, mit diesem Problem umzugehen? Wie kann diese zusätzliche Information so gesammelt werden, dass sie ebenso zuverlässig ist wie die Informationen aus den ERP-Systemen?

Hier gibt es zwei unterschiedliche Probleme. Erstens besteht das Status quo darin, dass es politisch sehr heikel ist, Belohnungen und Fehler zu quantifizieren. Viele Menschen in großen Organisationen haben starke Anreize, nicht über Dollarbeträge von Erträgen oder Belohnungen zu sprechen, weil sonst das Unternehmen feststellen würde, dass sie keinen Mehrwert bieten. Daher werden viele Dinge nicht quantifiziert, nur weil starke politische Kräfte dagegen wirken.

Um das konkreter zu machen: Als Lokad damit begann, für ein Einzelhandelsnetzwerk die Lagerbestände in den Geschäften zu optimieren, stellten wir fest, dass der Lagerbestand zwei radikal unterschiedliche Zwecke erfüllte. Der erste Zweck war, die Kunden ordnungsgemäß zu bedienen, was eine bestimmte Menge an Lagerbestand erforderte. Der andere Zweck war, dass das Geschäft voll und ansprechend wirkte, was eine zusätzliche Menge an Lagerbestand erforderte. Wir hatten für diesen großen Einzelhändler einen in Euro ausgedrückten Lagerwert und sagten, dass die Hälfte des Lagerbestands für den Service benötigt wird und von der supply chain getragen werden sollte, während die andere Hälfte für Merchandising-Zwecke benötigt wird und in der Verantwortung des Marketings liegen sollte. Offensichtlich war das Marketing, welches plötzlich einen massiven Lagerposten in seinem Budget verzeichnen musste, mit dieser Idee nicht einverstanden.

Zuerst müssen wir also das Problem angehen, dass es sehr schwierig ist, Regeln zur Quantifizierung von Dollarbeträgen für Belohnungen und Kosten aufzustellen, die für alle gleichermaßen gelten. Das ist schwer zu erreichen, und viele Menschen in Organisationen haben ein Interesse daran, dass es so bleibt. Wir haben ein weiteres Problem, das tatsächlich viel einfacher zu lösen ist: Shadow IT. Das Problem mit ERPs und ähnlicher Software, wie Sie in der Lokad-Wissensdatenbank zu ERPs sehen können, besteht darin, dass es für ERP-Anbieter sehr schwierig ist, alle Situationen abzudecken. Zum Beispiel könnte es Mindestbestellmengen (MOQs) geben. Wie stellt man das in einem ERP dar? Das kommt wirklich darauf an. Der MOQ kann auf Produktebene, auf Bestellebene oder manchmal als Kombination von beidem definiert sein. Es kann sogar noch komplizierter sein, etwa im Textilbereich, wo der MOQ durch die Stoffmenge in jeder Farbe bestimmt wird.

Das Problem ist, dass es für ERP-Anbieter unfassbar schwierig ist, all dies darzustellen. Infolgedessen kaufen die Leute ein ERP und stellen dann fest, dass es ihnen nicht erlaubt, alles abzubilden, was sie benötigen, sodass sie auf Excel-Tabellen zurückgreifen. Ich glaube, dass genau das die Rolle einer guten IT-Abteilung ist: die fehlenden Komponenten zu entwickeln und bereitzustellen, sodass Shadow IT nicht Shadow IT bleibt, sondern zu kleinen zusätzlichen Inhouse-Erweiterungen wird. In gewisser Weise ist es gut, ein ERP zu haben, und mein Rat ist, Ihr ERP nicht anzupassen, sondern etwas daneben zu entwickeln. Es ist viel einfacher zu warten, als den „Frankenstein“-Weg über dem ERP zu gehen.

Vielen Dank, alle zusammen, fürs Zuschauen. Die nächste Vorlesung findet nächsten Mittwoch, am selben Tag, zur selben Zeit statt. Bis bald. Auf Wiedersehen.