Quantitative Prinzipien für supply chains - Vorlesung 1.6

00:54 Einführung
02:25 Über die Natur des Fortschritts
05:26 Die bisherige Geschichte
06:10 Einige quantitative Prinzipien: beobachtende Prinzipien
07:27 Das “Nadel-im-Heuhaufen”-Problem mittels Entropie lösen
14:58 SC-Populationen sind Zipf-verteilt
22:41 Kleine Zahlen herrschen in SC-Entscheidungen
29:44 Muster finden sich überall in SC
36:11 Einige quantitative Prinzipien: Optimierungsprinzipien
37:20 5 bis 10 Runden sind erforderlich, um jedes SC-Problem zu beheben
44:44 Alte SCs sind unidirektional quasi-optimal
49:06 Lokale SC-Optimierungen verlagern Probleme nur
52:56 Bessere Probleme schlagen bessere Lösungen
01:00:08 Fazit
01:02:24 Bevorstehende Vorlesung und Fragen aus dem Publikum

Beschreibung

“Obwohl supply chains nicht durch definitive quantitative Gesetze charakterisiert werden können – im Gegensatz zum Elektromagnetismus – können dennoch allgemeine quantitative Prinzipien beobachtet werden. Mit „allgemein“ meinen wir, dass sie auf (fast) alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von größtem Interesse, da sie dazu genutzt werden können, die Entwicklung von numerical recipes zu erleichtern, die der predictive optimization von supply chains dienen, sie aber auch insgesamt leistungsfähiger zu machen. Wir überprüfen zwei kurze Listen von Prinzipien: einige beobachtende Prinzipien und einige Optimierungsprinzipien.”

Gesamtes Transkript

Hallo zusammen, willkommen zu dieser Reihe von supply chain Vorlesungen. Ich bin Joannes Vermorel, und heute werde ich einige „Quantitative Prinzipien für supply chains“ vorstellen. Für diejenigen unter euch, die die Vorlesung live auf YouTube verfolgen, könnt ihr jederzeit eure Fragen über den YouTube-Chat stellen. Ich werde jedoch während der Vorlesung eure Fragen nicht vorlesen. Am Ende der Vorlesung werde ich zum Chat zurückkehren und mein Bestes tun, um zumindest die meisten Fragen zu beantworten.

Quantitative Prinzipien sind von großem Interesse, denn in supply chains, wie wir in den ersten Vorlesungen gesehen haben, geht es um die Beherrschung von Optionalität. Die meisten dieser Optionen sind quantitativ Natur. Man muss entscheiden, wie viel eingekauft, wie viel produziert, wie viel Inventar bewegt wird und gegebenenfalls auch den Preis – ob man ihn erhöhen oder senken möchte. Daher ist ein quantitatives Prinzip, das Verbesserungen in den numerical recipes für supply chains vorantreiben kann, von großem Interesse.

Wenn ich jedoch heutzutage die meisten supply chain Autoritäten oder Experten fragen würde, was ihre zentralen quantitativen Prinzipien für supply chains sind, vermute ich, dass ich häufig eine Antwort erhalten würde, die sich an einer Reihe von Techniken für eine bessere time series Prognose orientiert oder etwas Ähnlichem. Meine persönliche Reaktion ist, dass, obwohl dies interessant und relevant ist, der eigentliche Kern verfehlt wird. Ich glaube, dass das Missverständnis im Wesentlichen in der Natur des Fortschritts selbst liegt – was Fortschritt ist und wie man so etwas wie Fortschritt in Bezug auf supply chains umsetzen kann. Lassen Sie mich mit einem erläuternden Beispiel beginnen.

Vor sechstausend Jahren wurde das Rad erfunden, und sechstausend Jahre später wurde der rollende Koffer erfunden. Die Erfindung datiert auf 1949, wie durch dieses Patent belegt wird. Zu der Zeit, als der rollende Koffer erfunden wurde, hatten wir bereits die Atomkraft nutzbar gemacht und sogar die ersten Atombomben gezündet.

Spulen Sie 20 Jahre vor, im Jahr 1969, sandte die Menschheit die ersten Menschen zum Mond. Im folgenden Jahr wurde der rollende Koffer mit einem etwas besseren Griff verbessert, der wie eine Leine aussieht, wie durch dieses Patent veranschaulicht wird. Es ist immer noch nicht sehr gut.

Danach, 20 Jahre später, verfügten wir bereits über das GPS-Globalpositionierungssystem, das Zivilisten seit fast einem Jahrzehnt dient, und der richtige Griff für den rollenden Koffer wurde endlich erfunden.

Hieraus ergeben sich mindestens zwei interessante Lektionen. Erstens gibt es in Bezug auf Fortschritt keinen offensichtlichen Zeitpfeil. Fortschritt geschieht in einer höchst chaotischen, nicht-linearen Weise, und es ist sehr schwierig, den in einem Bereich zu erwartenden Fortschritt anhand dessen, was in anderen Bereichen geschieht, einzuschätzen. Dies ist ein Aspekt, den wir heute im Auge behalten müssen.

Der zweite Punkt ist, dass Fortschritt nicht mit Raffinesse verwechselt werden sollte. Man kann etwas haben, das weitaus überlegen, aber gleichzeitig deutlich einfacher ist. Wenn ich das Beispiel des Koffers heranziehe, wirkt das Design, sobald man einen gesehen hat, völlig offensichtlich und selbsterklärend. Aber war es ein einfaches Problem zu lösen? Ich würde sagen, absolut nicht. Der einfache Beweis dafür, dass supply chain management ein schwieriges Problem war, ist, dass es einer fortgeschrittenen Industriekultur etwas mehr als vier Jahrzehnte brauchte, um dieses Problem anzugehen. Fortschritt ist trügerisch, da er sich nicht an die Regel der Raffinesse hält. Es ist sehr schwer nachzuvollziehen, wie die Welt vor dem Fortschritt aussah, weil sich deine Sicht auf die Welt buchstäblich währenddessen ändert.

Kommen wir nun zurück zu unserer supply chain Diskussion. Dies ist die sechste und letzte Vorlesung in diesem Prolog. Es gibt einen umfassenden Plan, den ihr online auf der Lokad-Website einsehen könnt, der die gesamte Reihe von supply chain Vorlesungen umfasst. Vor zwei Wochen habe ich die Trends des 20. Jahrhunderts für supply chains vorgestellt, wobei ich eine rein qualitative Perspektive auf das Problem eingenommen habe. Heute verfolge ich den gegenteiligen Ansatz, indem ich eine ziemlich quantitative Perspektive auf dieses Problemfeld als Gegenpol einnehme.

Heute werden wir eine Reihe von Prinzipien durchgehen. Mit Prinzip meine ich etwas, das zur Verbesserung des Designs von numerical recipes im Allgemeinen für alle supply chains verwendet werden kann. Wir haben hier den Anspruch der Generalisierung, und genau hier ist es ziemlich schwierig, Dinge zu finden, die für alle supply chains und alle dazugehörigen numerischen Methoden von vorrangiger Relevanz sind. Wir werden zwei kurze Listen von Prinzipien durchgehen: beobachtende Prinzipien und Optimierungsprinzipien.

Beobachtende Prinzipien beziehen sich darauf, wie man quantitativ Wissen und Informationen über supply chains gewinnen kann. Optimierungsprinzipien betreffen, wie man handelt, sobald man qualitatives Wissen über seine supply chain erworben hat, insbesondere, wie man diese Prinzipien zur Verbesserung seiner Optimierungsprozesse einsetzt.

Fangen wir an, eine supply chain zu beobachten. Es erstaunt mich, wenn Menschen über supply chains sprechen, als könnten sie diese mit bloßem Auge direkt beobachten. Für mich ist dies eine stark verzerrte Wahrnehmung der Realität von supply chains. Supply chains können nicht direkt von Menschen beobachtet werden, zumindest nicht aus quantitativer Sicht. Dies liegt daran, dass supply chains per Design geografisch verteilt sind und potenziell Tausende von SKUs und Zehntausende von Einheiten umfassen. Mit deinen menschlichen Augen könntest du nur die supply chain beobachten, wie sie heute ist, und nicht, wie sie in der Vergangenheit war. Du kannst dich nicht an mehr als ein paar Zahlen oder einen winzigen Bruchteil der mit deiner supply chain verbundenen Zahlen erinnern.

Wenn du supply chains beobachten möchtest, wirst du solche Beobachtungen indirekt über enterprise software durchführen. Dies ist eine sehr spezifische Art, supply chains zu betrachten. Alle quantitativen Beobachtungen über supply chains erfolgen über dieses spezifische Medium: enterprise software.

Betrachten wir ein typisches Stück enterprise software. Es wird eine Datenbank enthalten, da der Großteil solcher Software genau so gestaltet ist. Die Software wird voraussichtlich etwa 500 Tabellen und 10.000 Felder haben (ein Feld ist im Grunde eine Spalte in einer Tabelle). Als Einstiegspunkt haben wir ein System, das potenziell eine riesige Menge an Information enthält. In den meisten Fällen ist jedoch nur ein winziger Bruchteil dieser Softwarekomplexität tatsächlich für die betreffende supply chain relevant.

Softwareanbieter entwerfen enterprise software unter Berücksichtigung sehr vielfältiger Situationen. Wenn man einen bestimmten Kunden betrachtet, ist es wahrscheinlich, dass nur ein winziger Bruchteil der Softwarefunktionen tatsächlich genutzt wird. Das bedeutet, dass es theoretisch zwar 10.000 Felder zu erkunden gibt, in der Praxis Unternehmen jedoch nur einen kleinen Bruchteil dieser Felder verwenden.

Die Herausforderung besteht darin, die relevanten Informationen von nicht vorhandenen oder irrelevanten Daten zu trennen. Wir können supply chains nur über enterprise software beobachten, und es können mehr als ein Stück Software beteiligt sein. In einigen Fällen wurde ein Feld nie verwendet, und die Daten sind konstant und enthalten nur Nullen oder Nullwerte. In diesem Fall ist es einfach, das Feld auszuschließen, da es keine Informationen enthält. In der Praxis kann die Anzahl der Felder, die mit dieser Methode ausgeschlossen werden können, jedoch nur etwa 10% betragen, da viele Funktionen der Software über die Jahre hinweg genutzt wurden, selbst wenn nur zufällig.

Um Felder zu identifizieren, die nie sinnvoll genutzt wurden, können wir auf ein Werkzeug namens informationelle Entropie zurückgreifen. Für diejenigen, die mit Shannons Informationstheorie nicht vertraut sind, mag der Begriff einschüchternd wirken, ist aber tatsächlich einfacher, als es scheint. Informationelle Entropie dient der Quantifizierung der Menge an Information in einem Signal, wobei ein Signal als eine Folge von Symbolen definiert wird. Wenn wir beispielsweise ein Feld haben, das nur zwei Arten von Werten enthält, true oder false, und die Spalte zufällig zwischen diesen Werten wechselt, enthält die Spalte viele Daten. Im Gegensatz dazu, wenn es nur eine Zeile von einer Million gibt, in der der Wert true ist und alle anderen Zeilen false, enthält das Feld in der Datenbank praktisch keine Information.

Informationelle Entropie ist sehr interessant, weil sie es ermöglicht, die in jedem Feld Ihrer Datenbank vorhandene Informationsmenge in Bits zu quantifizieren. Durch die Durchführung einer Analyse können Sie diese Felder von den informationsreichsten bis zu den informationsärmsten sortieren und diejenigen ausschließen, die kaum relevante Informationen für die Optimierung von supply chains enthalten. Informationelle Entropie mag zunächst kompliziert erscheinen, ist aber nicht schwer zu verstehen.

Zum Beispiel haben wir, im Rahmen einer domänenspezifischen Programmiersprache, informationelle Entropie als Aggregator implementiert. Indem wir eine Tabelle heranziehen, wie z. B. Daten aus einer Flachdatei namens data.csv mit drei Spalten, können wir eine Zusammenfassung erstellen, wie viel Entropie in jeder Spalte vorhanden ist. Dieser Prozess ermöglicht es, leicht zu bestimmen, welche Felder die geringste Menge an Information enthalten, und sie auszuschließen. Mit Entropie als Leitfaden können Sie ein Projekt schnell starten, anstatt Jahre dafür zu benötigen.

Gehen wir nun zum nächsten Schritt über: Wir machen unsere ersten Beobachtungen über supply chains und überlegen, was zu erwarten ist. In den Naturwissenschaften ist die Standarderwartung die Normalverteilung, auch bekannt als Glockenkurven oder Gauß-Verteilungen. Zum Beispiel haben die Größe oder das Gewicht eines 20-jährigen menschlichen Mannes eine Normalverteilung. Im Bereich der Lebewesen folgen viele Messungen diesem Muster. Bei supply chain ist dem jedoch nicht so. Es gibt praktisch nichts Interessantes, das in supply chains normalverteilt wäre.

Stattdessen sind nahezu alle interessanten Verteilungen in supply chains Zipf-verteilt. Die Zipf-Verteilung wird in der gegebenen Formel veranschaulicht. Um dieses Konzept zu verstehen, betrachten Sie eine Population von Produkten, wobei das interessierende Maß das Verkaufsvolumen für jedes Produkt ist. Sie würden die Produkte nach dem Verkaufsvolumen von höchstem zu niedrigstem innerhalb eines bestimmten Zeitraums, beispielsweise eines Jahres, ordnen. Die Frage ist dann, ob es ein Modell gibt, das die Form der Kurve vorhersagt und, gegebenenfalls anhand des Rangs, das erwartete Verkaufsvolumen liefert. Genau darum geht es bei der Zipf-Verteilung. Hier steht f für die Form eines Zipf-Mandelbrot-Gesetzes, und k bezeichnet das k-größte Element. Es gibt zwei Parameter, q und s, die im Wesentlichen erlernt werden, so wie man mu (den Mittelwert) und sigma (die Varianz) für eine Normalverteilung hat. Diese Parameter können verwendet werden, um die Verteilung an eine interessierende Population anzupassen. Das Zipf-Mandelbrot-Gesetz umfasst diese Parameter.

Es ist wichtig zu beachten, dass nahezu jede einzelne interessierende Population in supply chain einer Zipf-Verteilung folgt. Dies gilt für Produkte, Kunden, Lieferanten, promotions und sogar Versand-Einheiten. Die Zipf-Verteilung ist im Wesentlichen ein Nachfolger des Pareto-Prinzips, jedoch handhabbarer und meiner Meinung nach interessanter, da sie ein explizites Modell dafür bietet, was von einer beliebigen interessierenden Population in der supply chain zu erwarten ist. Wenn Sie auf eine Population stoßen, die nicht Zipf-verteilt ist, liegt es eher an einem Problem mit den Daten als an einer echten Abweichung vom Prinzip.

Um das Konzept der Zipf-Verteilung in der realen Welt zu nutzen, können Sie Envision verwenden. Wenn wir uns diesen Codeausschnitt ansehen, werden Sie feststellen, dass es nur wenige Codezeilen braucht, um dieses Modell auf einen realen Datensatz anzuwenden. Hier gehe ich davon aus, dass es eine interessierende Population in einer Flatfile namens “data.csv” gibt, mit einer einzigen Spalte, die die Menge darstellt. Normalerweise hätten Sie eine Produktkennung und die Menge. In Zeile 4 berechne ich die Ränge mithilfe des Rank-Aggregators und sortiere nach der Menge. Dann trete ich in den Zeilen 6 bis 11 in einen differenzierbares Programmieren-Block ein, der durch Autodev explizit gemacht wird, in dem ich drei skalare Parameter erkläre: c, q und s, genau wie in der Formel auf der linken Seite des Bildschirms. Anschließend berechne ich die Zipf-Modellvorhersagen und verwende einen mittleren quadratischen Fehler zwischen der beobachteten Menge und der Vorhersage des Modells. Sie können die Zipf-Verteilung buchstäblich mit nur wenigen Codezeilen regressieren. Auch wenn es ausgefeilt klingt, ist es mit den richtigen Werkzeugen ziemlich einfach.

Das bringt mich zu einem weiteren Beobachtungsaspekt von supply chains: Die Zahlen, die man auf jeder Ebene der supply chain erwarten würde, sind klein, in der Regel weniger als 20. Nicht nur werden Sie wenige Beobachtungen haben, sondern auch die beobachteten Zahlen werden klein sein. Natürlich hängt dieses Prinzip von den verwendeten Einheiten ab, aber wenn ich von “Zahlen” spreche, meine ich jene, die aus der Perspektive der supply chain kanonisch Sinn machen, also das, was Sie zu beobachten und zu optimieren versuchen.

Der Grund, warum wir nur kleine Zahlen haben, liegt an economies of scale. Nehmen wir als Beispiel T-Shirts in einem Geschäft. Das Geschäft könnte Tausende von T-Shirts auf Lager haben, was nach einer großen Zahl aussieht, aber in Wirklichkeit haben sie Hunderte verschiedener T-Shirt-Typen mit Variationen in Größe, Farbe und Design. Wenn man die T-Shirts auf der Granularität betrachtet, die für a supply chain perspective relevant ist, nämlich die SKU, wird das Geschäft nicht Tausende von Einheiten eines bestimmten T-Shirt-Typs haben; stattdessen haben sie nur eine Handvoll.

Wenn Sie eine größere Anzahl von T-Shirts haben, werden nicht Tausende von T-Shirts herumliegen, da dies in Bezug auf Verarbeitung und Transport ein Albtraum wäre. Stattdessen verpacken Sie diese T-Shirts in praktische Kartons, genau wie es in der Praxis geschieht. Wenn Sie ein Distributionszentrum haben, das sich mit vielen T-Shirts befasst, weil Sie diese an Geschäfte versenden, dann ist die Wahrscheinlichkeit groß, dass diese T-Shirts tatsächlich in Kartons sind. Vielleicht haben Sie sogar einen Karton, der ein komplettes Sortiment von T-Shirts in verschiedenen Größen und Farben enthält, was die Verarbeitung entlang der supply chain erleichtert. Wenn Sie viele Kartons herumliegen haben, werden Sie nicht Tausende solcher Kartons haben. Stattdessen, wenn Sie Dutzende Kartons haben, organisieren Sie diese ordentlich auf Paletten. Eine Palette kann mehrere Dutzend Kartons aufnehmen. Wenn Sie viele Paletten haben, werden diese nicht als einzelne Paletten organisiert, sondern höchstwahrscheinlich als Container. Und wenn Sie viele Container haben, werden Sie ein Frachtschiff oder etwas Ähnliches verwenden.

Mein Punkt ist, dass es bei Zahlen in der supply chain immer um eine kleine Zahl geht. Diese Situation lässt sich nicht dadurch umgehen, dass man einfach auf eine höher aggregierte Ebene wechselt, denn je höher man aggregiert, desto mehr greifen Effekte von economies of scale, und man möchte einen Batching-Mechanismus einführen, um die Betriebskosten zu senken. Dies geschieht mehrfach, sodass es, egal auf welcher Ebene man schaut – sei es das Endprodukt, das einzeln in einem Geschäft verkauft wird, oder ein massenproduziertes Artikel – immer ein Spiel kleiner Zahlen ist.

Auch wenn Sie eine Fabrik haben, die Millionen von T-Shirts produziert, ist die Wahrscheinlichkeit groß, dass Sie gigantische Chargen haben, und die für Sie interessanten Zahlen sind nicht die Anzahl der T-Shirts, sondern die Anzahl der Chargen, was eine wesentlich kleinere Zahl ist.

Worauf will ich mit diesem Prinzip hinaus? Zunächst muss man betrachten, wie die meisten Methoden in der wissenschaftlichen Datenverarbeitung oder Statistik aussehen. Es stellt sich heraus, dass in den meisten anderen Bereichen, die nicht mit supply chain zu tun haben, das Gegenteil vorherrscht: eine große Anzahl an Beobachtungen und große Zahlen, bei denen Präzision wichtig ist. In der supply chain hingegen sind die Zahlen klein und diskret.

Mein Vorschlag ist, dass wir Werkzeuge benötigen, die auf diesem Prinzip basieren und tiefgehend die Tatsache berücksichtigen und annehmen, dass wir mit kleinen Zahlen anstelle von großen Zahlen arbeiten werden. Wenn Sie Werkzeuge haben, die ausschließlich unter dem Gesichtspunkt des Gesetzes der großen Zahlen entwickelt wurden – sei es aufgrund vieler Beobachtungen oder aufgrund der großen Zahlen selbst – passen sie überhaupt nicht zur supply chain.

Übrigens hat das tiefgreifende Implikationen für die Software. Wenn Sie mit kleinen Zahlen arbeiten, gibt es viele Möglichkeiten, die Software-Schichten so zu gestalten, dass sie diese Beobachtung ausnutzen. Wenn Sie beispielsweise den Datensatz der Transaktionszeilen eines Hypermaktets betrachten, werden Sie feststellen, dass – basierend auf meinen Erfahrungen und Beobachtungen – 80 % der Zeilen eine Menge aufweisen, die an einen Endkunden in einem Hypermarket verkauft wird und genau eins beträgt. Brauchen Sie also 64 Bit an Informationen, um diese Information darzustellen? Nein, das ist eine völlige Verschwendung von Speicherplatz und Rechenzeit. Das Konzept anzunehmen, kann zu einem operativen Gewinn von ein oder zwei Größenordnungen führen. Das ist nicht nur Wunschdenken; es gibt echte betriebliche Vorteile. Sie könnten denken, dass Computer heutzutage sehr leistungsfähig sind, und das sind sie, aber wenn Sie mehr Rechenleistung zur Verfügung haben, können Sie fortschrittlichere Algorithmen einsetzen, die Dinge tun, die noch besser für Ihre supply chain sind. Es ist sinnlos, diese Rechenleistung zu verschwenden, nur weil Sie ein Paradigma haben, das große Zahlen erwartet, wenn doch kleine Zahlen vorherrschen.

Das bringt mich zu meinem letzten Beobachtungsprinzip für heute: Muster sind überall in der supply chain. Um dies zu verstehen, werfen wir einen Blick auf ein klassisches supply chain Problem, bei dem Muster üblicherweise als abwesend betrachtet werden: die Routenoptimierung. Das klassische Problem der Routenoptimierung umfasst eine Liste von auszuführenden Lieferungen. Sie können Lieferungen auf einer Karte platzieren, und Sie möchten die Route finden, die die Transportzeit minimiert. Sie möchten eine Route festlegen, die jeden einzelnen Lieferpunkt abfährt und gleichzeitig die gesamte Transportzeit minimiert. Auf den ersten Blick scheint dieses Problem ein rein geometrisches Problem zu sein, bei dem keine Muster in der Lösung involviert sind.

Ich schlage jedoch vor, dass diese Betrachtungsweise völlig falsch ist. Wenn Sie das Problem aus diesem Blickwinkel angehen, betrachten Sie das mathematische Problem und nicht das supply chain Problem. Supply chains sind wiederholte Spiele, in denen Probleme sich immer wieder manifestieren. Wenn Sie im Geschäft mit der Organisation von Lieferungen sind, ist die Wahrscheinlichkeit groß, dass Sie jeden Tag Lieferungen durchführen. Es ist nicht nur eine Route; es ist buchstäblich mindestens eine Route pro Tag.

Zudem, wenn Sie im Liefergeschäft tätig sind, verfügen Sie wahrscheinlich über einen gesamten Fuhrpark an Fahrzeugen und Fahrern. Das Problem besteht nicht nur darin, eine Route zu optimieren; es geht darum, einen ganzen Fuhrpark zu optimieren, und dieses Spiel wiederholt sich jeden einzelnen Tag. Genau hier treten alle Muster zutage.

Zunächst einmal sind die Punkte nicht zufällig auf der Karte verteilt. Es gibt Hotspots oder geografische Gebiete mit einer hohen Dichte an Lieferungen. Möglicherweise gibt es Adressen, die fast täglich Lieferungen erhalten, wie beispielsweise der Hauptsitz eines großen Unternehmens in einer Großstadt. Wenn Sie ein großes E-Commerce-Unternehmen sind, liefern Sie wahrscheinlich an diese Adresse an jedem Werktag Pakete. Diese Hotspots sind nicht unveränderlich; sie unterliegen ihrer Saisonalität. Einige Stadtviertel könnten im Sommer oder Winter sehr ruhig sein. Es gibt Muster, und wenn Sie im Spiel der Routenoptimierung sehr gut sein wollen, müssen Sie nicht nur berücksichtigen, wo diese Hotspots auftreten werden, sondern auch, wie sie sich im Laufe des Jahres verschieben. Zusätzlich müssen Sie den Verkehr berücksichtigen. Sie sollten nicht nur an die geometrische Entfernung denken, da der Verkehr zeitabhängig ist. Wenn ein Fahrer zu einem bestimmten Zeitpunkt am Tag startet, ändert sich der Verkehr im Verlauf seiner Route. Um dieses Spiel gut zu spielen, müssen Sie Verkehrsmuster berücksichtigen, die sich ändern und zuverlässig im Voraus vorhergesagt werden können. Zum Beispiel ist in Paris um 9:00 Uhr und 18:00 Uhr die ganze Stadt völlig verstopft, und man muss kein Prognoseexperte sein, um das zu erkennen.

Es gibt auch Ereignisse, die spontan passieren, wie Unfälle, die die üblichen Verkehrsmuster stören. Betrachtet man Lieferungen aus mathematischer Sicht, geht man davon aus, dass alle Lieferpunkte gleich sind, was jedoch nicht der Fall ist. Sie könnten VIP-Kunden haben oder bestimmte Adressen, an die Sie die Hälfte Ihrer Lieferung zustellen müssen. Diese wichtigen Meilensteine auf Ihrer Route müssen für eine effektive Routenoptimierung berücksichtigt werden.

Außerdem müssen Sie sich des Kontexts bewusst sein, und es ist üblich, unvollständige Daten über die Welt zu haben. Wenn zum Beispiel eine Brücke geschlossen ist und die Software davon nichts weiß, liegt das Problem nicht darin, dass man beim ersten Mal nicht wusste, dass die Brücke geschlossen war, sondern darin, dass die Software nie aus dem Vorfall lernt und immer eine Route vorschlägt, die optimal sein soll, sich aber als unsinnig erweist. Die Menschen reagieren dann gegen das System, was aus der Perspektive der supply chain keine gute praktische Lösung für die Routenoptimierung ist.

Der Punkt ist, dass, wenn wir uns supply chain Situationen anschauen, überall zahlreiche Muster zu finden sind. Wir müssen darauf achten, uns nicht von eleganten mathematischen Strukturen ablenken zu lassen und bedenken, dass diese Überlegungen auch für Zeitreihenprognosen gelten. Ich habe das Problem der Routenoptimierung als Beispiel gewählt, weil es in diesem Fall deutlicher zum Ausdruck kommt.

Zusammenfassend müssen wir die supply chain aus allen beobachtbaren Dimensionen betrachten, nicht nur aus den offensichtlichen oder dort, wo sich die Lösung auf elegante Weise präsentiert.

Das führt mich zur zweiten Reihe von Prinzipien, die damit zusammenhängen, wie wir unsere supply chain betrachten sollten. Bisher haben wir vier Prinzipien gesehen, wie wir unsere supply chain betrachten sollten: indirekte Beobachtung, Enterprise Software, das Aussortieren des Chaos, um zu bestimmen, was relevant ist und was nicht, sowie Entropie. Wir haben festgestellt, dass Verteilungen oft dem Zipf-Gesetz folgen, und selbst bei kleinen Zahlen können wir dennoch Muster erkennen. Die Frage ist nun, wie wir handeln? Mathematisch gesprochen, wenn wir den besten Handlungsverlauf entscheiden wollen, führen wir irgendeine Art von Optimierung durch, was die quantitative Perspektive ist.

Das Erste, was zu beachten ist, ist, dass sobald wir eine Optimierungslogik in der Produktion für supply chains haben, Probleme wie Bugs auftreten werden. Enterprise Software ist ein sehr komplexes Gebilde und oft voller Fehler. Wenn Sie Ihre eigene Optimierungslogik für Ihre supply chain entwickeln, wird es viele Probleme geben. Wenn eine Logik jedoch gut genug ist, um in Produktion zu gehen, sind die auftretenden Probleme wahrscheinlich Randfälle. Wäre es kein Randfall und die Software oder Logik würde jedes Mal falsch funktionieren, würde sie niemals in Produktion gehen.

Die Idee dieses Prinzips ist, dass es fünf bis zehn Durchläufe braucht, um ein Problem zu beheben. Wenn ich von fünf bis zehn Durchläufen spreche, meine ich, dass Sie auf ein Problem stoßen, es betrachten, die zugrunde liegende Ursache verstehen und dann versuchen, eine Lösung anzuwenden. Aber meistens wird die Lösung das Problem nicht beheben. Sie werden feststellen, dass sich ein Problem im Problem versteckt hatte, oder dass das Problem, von dem Sie dachten, es behoben zu haben, nicht die tatsächliche Ursache war, oder dass die Situation eine breitere Klasse von Problemen offenbart hat. Möglicherweise haben Sie einen kleinen Fall einer breiteren Problematik behoben, doch andere Probleme werden weiterhin auftreten, die Varianten desjenigen sind, das Sie zu lösen glaubten.

Supply chains sind komplexe, sich ständig verändernde Gebilde, die in der realen Welt agieren, was es schwierig macht, ein Design zu haben, das in allen Situationen einwandfrei korrekt ist. In den meisten Fällen unternehmen Sie einen Best-Effort-Versuch, ein Problem zu beheben, und müssen dann Ihre überarbeitete Logik in der realen Anwendung testen, um zu sehen, ob sie funktioniert oder nicht. Sie werden iterieren müssen, um das Problem zu beheben. Mit dem Prinzip, dass es zwischen fünf und zehn Iterationen braucht, um ein Problem zu beheben, gibt es tiefgreifende Konsequenzen für die Geschwindigkeit der Anpassungen und die Häufigkeit, mit der Sie Ihre Optimierungslogik für supply chains aktualisieren oder neu berechnen. Wenn Sie zum Beispiel eine Logik haben, die eine Quartalsprognose für die nächsten zwei Jahre erstellt und diese Logik nur einmal pro Quartal ausführen, wird es zwischen ein und zwei Jahren dauern, um alle Probleme zu beheben, denen Sie mit dieser Prognoselogik begegnen – was eine unglaublich lange Zeit ist.

Auch wenn Sie eine Logik haben, die jeden Monat läuft, wie im Fall eines S&OP (Sales and Operations Planning)-Prozesses, kann es dennoch bis zu einem Jahr dauern, ein Problem zu beheben. Deshalb ist es wichtig, die Häufigkeit der Ausführung Ihrer Optimierungslogik für supply chains zu erhöhen. Bei Lokad läuft beispielsweise jede einzelne Logik täglich, selbst für Prognosen fünf Jahre im Voraus. Diese Prognosen werden täglich aktualisiert, auch wenn sie sich von einem Tag zum nächsten nicht stark verändern. Ziel ist es nicht, statistische Genauigkeit zu erreichen, sondern sicherzustellen, dass die Logik häufig genug ausgeführt wird, um alle Probleme oder Bugs innerhalb eines vernünftigen Zeitrahmens zu beheben.

Diese Beobachtung ist nicht einzigartig im supply chain Management. Intelligente Engineering-Teams bei Unternehmen wie Netflix haben die Idee des Chaos Engineerings populär gemacht. Sie erkannten, dass Randfälle selten vorkommen, und dass der einzige Weg, diese Probleme zu beheben, darin besteht, die Situation häufiger zu wiederholen. Infolgedessen haben sie eine Software namens Chaos Monkey entwickelt, die ihrer Software-Infrastruktur Chaos zufügt, indem sie Netzwerkausfälle disruptions und zufällige Abstürze erzeugt. Der Zweck des Chaos Monkey besteht darin, Randfälle schneller zutage treten zu lassen, sodass das Engineering-Team sie schneller beheben kann.

Auch wenn es kontraintuitiv erscheinen mag, ein zusätzliches Maß an Chaos in Ihre Abläufe einzuführen, hat sich dieser Ansatz bei Netflix, das für seine hervorragende Zuverlässigkeit bekannt ist, als effektiv erwiesen. Sie verstehen, dass, wenn sie mit einem softwaregesteuerten Problem konfrontiert werden, viele Iterationen notwendig sind, um es zu lösen, und dass der einzige Weg, dem Kern des Problems auf den Grund zu gehen, darin besteht, schnell zu iterieren. Der Chaos Monkey ist nur ein Weg, um die Iterationsgeschwindigkeit zu erhöhen.

Aus der Perspektive der supply chain mag der Chaos Monkey nicht direkt anwendbar sein, aber das Konzept, die Frequenz der Ausführung deiner supply chain Optimierungslogik zu erhöhen, ist dennoch sehr relevant. Welche Logik du auch immer zur Optimierung deiner supply chain verwendest, sie muss mit hoher Geschwindigkeit und hoher Frequenz laufen; andernfalls wirst du keines der Probleme, mit denen du konfrontiert bist, jemals beheben.

Nun, alte supply chains sind quasi-optimal, und wenn ich alt sage, meine ich supply chains, die seit zwei Jahrzehnten oder länger in Betrieb sind. Eine andere Art, dieses Prinzip auszudrücken, ist, dass deine Vorgänger in der supply chain nicht alle inkompetent waren. Betrachtet man Initiativen zur Optimierung der supply chain, begegnet man allzu oft groß angelegten Ambitionen wie der Halbierung des Lagerbestands, der Erhöhung der service levels von 95% auf 99%, der Eliminierung von stockouts oder der Halbierung der lead times. Das sind große, einseitige Maßnahmen, bei denen du dich auf einen KPI konzentrierst und versuchst, ihn massiv zu verbessern. Allerdings habe ich beobachtet, dass diese Initiativen fast immer aus einem sehr einfachen Grund scheitern: Nimmst du eine supply chain, die seit Jahrzehnten in Betrieb ist, steckt in der Art und Weise, wie die Dinge gemacht wurden, üblicherweise eine latente Weisheit.

Beispielsweise, wenn die service levels bei 95% liegen, ist es wahrscheinlich, dass du, wenn du versuchst, sie auf 99% zu erhöhen, den Lagerbestand enorm steigerst und dabei eine riesige Menge an toten Beständen erzeugst. Ebenso, wenn du über einen bestimmten Lagerbestand verfügst und eine massive Initiative startest, ihn um die Hälfte zu reduzieren, wirst du vermutlich erhebliche Probleme bei der Servicequalität verursachen, die nicht nachhaltig sind.

Was ich beobachtet habe, ist, dass viele supply chain Praktiker, die das Prinzip nicht verstehen, dass alte supply chains einseitig quasi-optimal sind, dazu neigen, um das lokale Optimum zu oszillieren. Bedenke, ich behaupte nicht, dass alte supply chains optimal sind, aber sie sind einseitig quasi-optimal. Wenn du die Analogie zum Grand Canyon betrachtest, schnitzt der Fluss dank der einseitigen Wirkung der Schwerkraft den optimalen Verlauf. Würdest du eine zehnmal stärkere Kraft anwenden, würde der Fluss dennoch viele Windungen durchlaufen.

Der Punkt ist, dass du bei alten supply chains, wenn du wesentliche Verbesserungen erzielen möchtest, viele Variablen gleichzeitig anpassen musst. Dich nur auf eine Variable zu konzentrieren, wird nicht die gewünschten Ergebnisse bringen, insbesondere wenn dein Unternehmen über Jahrzehnte hinweg mit dem Status quo operiert hat. Deine Vorgänger haben in ihrer Zeit vermutlich einige Dinge richtig gemacht, sodass die Wahrscheinlichkeit, dass du auf eine völlig dysfunktionale supply chain stößt, der niemand Beachtung schenkte, minimal ist. Supply chains sind wicked problems, und obwohl es möglich ist, auf großem Maßstab völlig dysfunktionale Situationen zu konstruieren, wird dies bestenfalls sehr selten vorkommen.

Ein weiterer Aspekt ist, dass lokale Optimierung Probleme nur verlagert, anstatt sie zu lösen. Um das zu verstehen, musst du erkennen, dass supply chains Systeme sind und, wenn man im Hinblick auf supply chain performance denkt, nur die systemweite Leistung von Interesse ist. Lokale Leistung ist zwar relevant, aber sie ist nur ein Teil des Ganzen.

Eine gängige Denkweise ist, dass man die Divide-and-Conquer-Strategie zur Lösung von Problemen im Allgemeinen anwenden kann, nicht nur bei supply chain Problemen. Zum Beispiel in einem Einzelhandelsnetzwerk mit vielen Filialen, in dem du die Lagerbestände in jeder Filiale optimieren möchtest. Das Problem ist jedoch, dass wenn du ein Netzwerk aus Filialen und Vertriebszentren hast, die jeweils viele Filialen bedienen, es völlig trivial ist, eine Filiale zu mikro-optimieren und dort eine hervorragende Servicequalität zu erzielen – auf Kosten aller anderen Filialen.

Die korrekte Perspektive ist, zu überlegen, dass wenn du eine Einheit im Vertriebszentrum verfügbar hast, die Frage, die du dir stellen solltest, lautet: Wo wird diese Einheit am dringendsten benötigt? Was ist der profitabelste Schritt für mich? Das Problem der Optimierung des Warenausgangs, oder das inventory allocation Problem, ist ein solches, das nur auf Systemebene Sinn macht, nicht auf Filialebene. Wenn du optimierst, was in einer Filiale geschieht, wirst du vermutlich in einer anderen Filiale Probleme verursachen.

Wenn ich “lokal” sage, sollte dieses Prinzip nicht nur aus geografischer Perspektive verstanden werden; es kann auch eine rein logische Angelegenheit innerhalb der supply chain sein. Zum Beispiel, wenn du ein E-Commerce-Unternehmen mit vielen Produktkategorien bist, möchtest du möglicherweise unterschiedliche Budgets für die einzelnen Kategorien zuweisen. Dies ist eine weitere Form der Divide-and-Conquer-Strategie. Wenn du jedoch dein Budget aufteilst und zu Beginn des Jahres für jede Kategorie einen festen Betrag zuteilst, was passiert dann, wenn sich die Nachfrage nach Produkten in einer Kategorie verdoppelt, während in einer anderen Kategorie die Nachfrage halbiert wird? In diesem Fall endest du mit einem Problem der falschen Mittelzuweisung zwischen diesen beiden Kategorien. Die Herausforderung besteht darin, dass du keinerlei Divide-and-Conquer-Logik anwenden kannst. Wenn du lokale Optimierungstechniken einsetzt, könntest du Probleme erzeugen, während du deine angeblich optimierte Lösung erstellst.

Das führt mich zum letzten Prinzip, das wahrscheinlich das kniffligste unter all den heute vorgestellten Prinzipien ist: Bessere Probleme übertreffen bessere Lösungen. Dies kann äußerst verwirrend sein, besonders in einigen akademischen Kreisen. Üblicherweise präsentiert eine klassische Bildung ein klar definiertes Problem, und dann beginnst du, nach Lösungen für dieses Problem zu suchen. In einem mathematischen Problem beispielsweise mag ein Student mit einer prägnanteren, eleganteren Lösung aufwarten, was dann als die beste Lösung gilt.

In Wirklichkeit läuft es im supply chain Management jedoch nicht so ab. Um dies zu veranschaulichen, gehen wir 60 Jahre zurück und betrachten das Problem des Kochens, einer sehr zeitaufwändigen Tätigkeit. Die Menschen in der Vergangenheit stellten sich vor, dass Roboter in Zukunft Kochaufgaben übernehmen könnten, wodurch die Produktivität der für das Kochen zuständigen Person erheblich gesteigert würde. Diese Denkweise war in den 1950er und 1960er Jahren weit verbreitet.

Spulen wir vor bis heute, dann ist offensichtlich, dass sich die Dinge nicht so entwickelt haben. Um den Aufwand beim Kochen zu minimieren, kaufen die Menschen jetzt vorgekochte Mahlzeiten. Dies ist ein weiteres Beispiel für Problemverlagerung. Supermärkten vorgekochte Mahlzeiten bereitzustellen ist aus der Perspektive der supply chain herausfordernder als ihnen Rohprodukte zu liefern, bedingt durch die erhöhte Anzahl an Referenzen und kürzere Haltbarkeitsdaten. Das Problem wurde durch eine überlegene supply chain Lösung gelöst, und nicht durch das Anbieten einer besseren Kochlösung. Das Kochproblem wurde vollständig entfernt und neu definiert als das Bereitstellen einer halbwegs anständigen Mahlzeit mit minimalem Aufwand.

Im Hinblick auf supply chains konzentriert sich die akademische Perspektive oft darauf, bessere Lösungen für bestehende Probleme zu finden. Ein gutes Beispiel wären Kaggle-Wettbewerbe, bei denen dir ein Datensatz und ein Problem vorgelegt werden und potenziell Hunderte oder Tausende von Teams um die beste Vorhersage für diese Datensätze konkurrieren. Du hast ein klar definiertes Problem und Tausende von Lösungen, die gegeneinander antreten. Das Problem bei dieser Denkweise ist, dass sie dir den Eindruck vermittelt, dass, wenn du Verbesserungen für deine supply chain erzielen möchtest, das Einzige, was du brauchst, eine bessere Lösung ist.

Das Wesen dieses Prinzips ist, dass eine bessere Lösung zwar geringfügig helfen kann, aber nur geringfügig. In der Regel hilft wirklich, wenn du das Problem neu definierst – und das ist überraschend schwierig. Dies gilt auch für quantitative Probleme. Du musst deine tatsächliche supply chain Strategie und das Schlüsselfragment des Problems, das du optimieren solltest, neu überdenken.

In vielen Kreisen denken die Leute an Probleme, als wären sie statisch und unveränderlich, und suchen nach besseren Lösungen. Ich bestreite nicht, dass ein besserer Algorithmus zur Zeitreihenprognose von Nutzen sein kann, aber die Zeitreihenprognose gehört zum Bereich des statistical forecasting, nicht zur Beherrschung des supply chain Managements. Wenn wir zu meinem anfänglichen Beispiel des Reisekoffers zurückkehren, lag die entscheidende Verbesserung bei einem Rollkoffer nicht in den Rädern, sondern am Griff. Auf den ersten Blick hatte es überhaupt nichts mit den Rädern zu tun, und deshalb hat es 40 Jahre gedauert, eine Lösung zu finden – man muss über den Tellerrand hinausschauen, damit das bessere Problem entsteht.

Dieses quantitative Prinzip dreht sich darum, die Probleme, denen du begegnest, in Frage zu stellen. Vielleicht denkst du nicht intensiv genug über das Problem nach, und es besteht die Tendenz, sich in die Lösung zu verlieben, während du dich eigentlich auf das Problem und die Aspekte, die du nicht verstehst, konzentrieren solltest. Sobald du ein klar definiertes Problem hast, ist eine gute Lösung meist nur eine alltägliche Frage der Ausführung, was nicht allzu schwierig ist.

Abschließend lässt sich sagen, dass die supply chain als Studienfach viele beeindruckende und autoritative Perspektiven bietet. Diese können ausgeklügelt sein, aber die Frage, die ich diesem Publikum stellen möchte, lautet: Könnte es sein, dass das alles massiv fehlgeleitet ist? Sind wir wirklich überzeugt, dass Elemente wie Zeitreihenprognose und Operations Research die richtigen Perspektiven auf das Problem darstellen? Unabhängig von der Komplexität und den jahrzehntelangen Ingenieursleistungen und Anstrengungen, die in diese Richtungen investiert wurden – sind wir wirklich auf dem richtigen Weg?

Heute präsentiere ich eine Reihe von Prinzipien, die meiner Meinung nach von größter Relevanz für das supply chain Management sind. Sie mögen euch jedoch merkwürdig vorkommen. Wir haben hier zwei Welten – die bewährte und die merkwürdige – und die Frage ist, was in einigen Jahrzehnten passieren wird.

Fortschritt entfaltet sich tendenziell in chaotischer, nichtlinearer Weise. Die Idee hinter diesen Prinzipien ist es, dir eine Welt zu eröffnen, die hochgradig chaotisch ist und Raum für das Unerwartete bietet. Diese Prinzipien können dir dabei helfen, schnellere, zuverlässigere und effizientere Lösungen zu entwickeln, die zur Verbesserung deiner supply chains aus quantitativem Blickwinkel führen.

Nun lasst uns zu einigen Fragen übergehen.

Frage: Wie vergleichen sich Zipf-Verteilungen mit dem Pareto-Gesetz?

Das Pareto-Gesetz ist die 80-20-Regel, aber aus quantitativer Sicht ist die Zipf-Verteilung ein explizites Vorhersagemodell. Sie besitzt Vorhersagefähigkeiten, die auf sehr direkte Weise an Datensätzen getestet werden können.

Frage: Würde die Zipf-Mandelbrot-Verteilung nicht besser als logarithmische Kurve betrachtet, um supply chain Schwankungen zu erkennen, so wie Epidemiologen Fälle und Todesfälle melden?

Absolut. Auf philosophischer Ebene stellt sich die Frage, ob du in Mediocrity-land oder Extreme-land lebst. Supply chains und die meisten menschlichen Angelegenheiten existieren in der Welt der Extreme. Logarithmische Kurven sind in der Tat nützlich, wenn du die Amplitude von Promotionen visualisieren möchtest. Zum Beispiel, wenn du die Amplituden aller vergangenen Promotionen großer Einzelhandelsnetze der letzten 10 Jahre betrachten möchtest, könnte eine normale Skala alles andere unsichtbar machen, weil die größte jemals durchgeführte Promotion so viel größer war als die anderen. Daher kann eine logarithmische Skala dir helfen, die Variationen klarer zu sehen. Mit der Zipf-Mandelbrot-Verteilung gebe ich dir ein Modell, das du buchstäblich mit ein paar Codezeilen umsetzen kannst – das ist mehr, als nur eine logarithmische Darstellung der Daten. Ich stimme jedoch zu, dass die zugrunde liegende Intuition dieselbe ist. Für eine hoch philosophische Perspektive empfehle ich, Nassim Talebs Arbeiten über Mediocristan versus Extremistan in seinem Buch “Antifragile” zu lesen.

Frage: Bezüglich der lokalen Optimierung der supply chain: Beziehst du dich auf zugrundeliegende Daten, die die Zusammenarbeit im supply chain Netzwerk und SNLP unterstützen?

Mein Problem mit lokaler Optimierung ist, dass große Unternehmen, die bedeutende supply chains betreiben, in der Regel Matrixorganisationen haben. Diese Organisationsstruktur, geprägt von einer Divide-and-Conquer-Denkweise, führt per Design zu lokaler Optimierung. Betrachte zum Beispiel zwei verschiedene Teams – eines, das für die Nachfrageprognose zuständig ist, und ein anderes, das Kaufentscheidungen trifft. Diese beiden Probleme – Nachfrageprognose und Einkaufsoptimierung – sind vollkommen miteinander verstrickt. Du kannst keine lokale Optimierung vornehmen, indem du dich nur auf den Prozentsatz des Fehlers in der Nachfrageprognose konzentrierst und dann den Einkauf separat basierend auf der Prozesseffizienz optimierst. Es gibt systemische Effekte, die alle gemeinsam betrachtet werden müssen.

Die größte Herausforderung für die meisten großen, etablierten Unternehmen, die heute bedeutende supply chains vorantreiben, besteht darin, dass du bei der quantitativen Optimierung systemweit und unternehmensweit denken musst. Dies widerspricht Jahrzehnten der Verwurzelung von Matrixorganisationen im Unternehmen, in denen sich die Menschen ausschließlich auf ihre klar definierten Bereiche konzentriert haben und das große Ganze aus den Augen verlieren.

Ein weiteres Beispiel für dieses Problem ist die Ladeninventur. Bestand erfüllt zwei Zwecke: Einerseits deckt er die Kundennachfrage, andererseits fungiert er als Ware. Um den richtigen Bestand zu haben, musst du dich sowohl dem Problem der Servicequalität als auch dem Problem der Ladenattraktivität stellen. Die Ladenattraktivität zielt darauf ab, den Laden für Kunden ansprechend und interessant zu gestalten, was eher ein Marketingproblem ist. In einem Unternehmen gibt es eine Marketingabteilung und eine supply chain Abteilung, und diese arbeiten bei der Optimierung der supply chain nicht natürlich zusammen. Mein Punkt ist, dass, wenn du all diese Aspekte nicht zusammenführst, die Optimierung nicht funktionieren wird.

Bezüglich deiner SNLP-Bedenken: Das Problem ist, dass sich die Leute nur treffen, um Besprechungen abzuhalten, was nicht sehr effizient ist. Wir haben vor ein paar Monaten eine Lokad-TV-Episode über SNLP veröffentlicht, auf die du dich beziehen kannst, wenn du eine spezifische Diskussion zu SNLP führen möchtest.

Frage: Wie sollten wir die Zeit und Energie zwischen Supply-Chain-Strategie und quantitativer Ausführung aufteilen?

Das ist eine großartige Frage. Die Antwort, wie ich in meiner zweiten Vorlesung bereits erwähnte, lautet, dass du eine vollständige Robotisierung der alltäglichen Aufgaben benötigst. Dies ermöglicht es dir, all deine Zeit und Energie der kontinuierlichen strategischen Verbesserung deiner numerischen Rezepte zu widmen. Wenn du mehr als 10 % deiner Zeit damit verbringst, dich mit alltäglichen Aspekten der supply chain Ausführung zu beschäftigen, hast du ein Problem mit deiner Methodik. Supply chain Experten sind zu wertvoll, um ihre Zeit und Energie für alltägliche Ausführungsprobleme zu verschwenden, die automatisiert werden sollten.

Du musst einer Methodik folgen, die es dir erlaubt, nahezu all deine Energie dem strategischen Denken zu widmen, das dann sofort als überlegene numerische Rezepte umgesetzt wird, welche die tägliche supply chain Ausführung vorantreiben. Dies bezieht sich auf meine dritte Vorlesung zur produktorientierten Lieferung, wobei ich damit softwareproduktorientierte Lieferung meine.

Frage: Ist es möglich, eine Art Deckelanalyse zu hypothetisieren, die die bestmögliche Verbesserung für supply chain Probleme angesichts ihrer systemischen Formulierung darstellt?

Ich würde sagen, nein, absolut nicht. Zu denken, dass es eine Art Optimum oder Deckel gibt, entspricht der Aussage, dass es eine Grenze für menschliche Einfallsreichtum gibt. Auch wenn ich keinen Beweis dafür habe, dass es keine Grenze des menschlichen Einfallsreichtums gibt, ist es eine meiner zentralen Überzeugungen. Supply chains sind wicked problems. Man kann das Problem transformieren und sogar das, was wie ein großes Problem erscheint, in eine großartige Lösung und ein Wachstumspotenzial für das Unternehmen verwandeln. Zum Beispiel, schau dir Amazon an. Jeff Bezos verstand in den frühen 2000er Jahren, dass er als erfolgreicher Einzelhändler eine massive, robuste Softwareinfrastruktur benötigen würde. Doch diese massive, industrie-taugliche Infrastruktur, die er zur Durchführung von Amazons E-Commerce brauchte, war unglaublich kostspielig und kostete das Unternehmen Milliarden. Deshalb entschieden die Teams bei Amazon, diese Cloud-Computing-Infrastruktur, die eine enorme Investition darstellte, in ein kommerzielles Produkt umzuwandeln. Heutzutage ist diese groß angelegte Computing-Infrastruktur tatsächlich eine der wichtigsten Profitquellen von Amazon.

Wenn du anfängst, über wicked problems nachzudenken, kannst du das Problem immer auf eine überlegene Weise neu definieren. Deshalb denke ich, dass es fehlgeleitet ist zu glauben, es gäbe eine Art optimale Lösung. Wenn du in Begriffen von Deckelanalyse denkst, betrachtest du ein fest definiertes Problem, und aus dieser Perspektive mag deine Lösung quasi-optimal sein. Zum Beispiel: Wenn du dir die Räder moderner Koffer anschaust, sind sie vermutlich quasi-optimal. Aber fehlt uns etwas, das völlig offensichtlich ist? Vielleicht gibt es eine Möglichkeit, die Räder deutlich zu verbessern – eine Erfindung, die noch nicht gemacht wurde. Sobald wir sie entdecken, wird sie völlig selbstverständlich erscheinen.

Deshalb müssen wir davon ausgehen, dass es keinen Deckel für diese Probleme gibt, weil die Probleme beliebig sind. Du kannst das Problem neu definieren und entscheiden, dass das Spiel nach völlig anderen Regeln gespielt wird. Das ist verwirrend, weil die Menschen gern glauben, sie hätten ein übersichtlich gestaltetes Problem und könnten dann Lösungen finden. Das moderne westliche Bildungssystem betont eine lösungsfindende Denkweise, bei der dir ein Problem vorgelegt wird und die Qualität deiner Lösung bewertet wird. Dabei ist jedoch die Qualität des Problems selbst weitaus interessanter.

Frage: Die besten Lösungen werden die Probleme lösen, aber manchmal kann das Finden der besten Lösung sowohl Zeit als auch Geld kosten. Gibt es dafür Umgehungslösungen?

Absolut. Wenn du erneut eine Lösung hast, die theoretisch korrekt ist, aber ewig dauert, um sie umzusetzen, ist es keine gute Lösung. Diese Denkweise findet sich häufig in bestimmten akademischen Kreisen wieder, in denen man sich darauf konzentriert, die perfekte Lösung nach engstirnigen mathematischen Kriterien zu finden, die nichts mit der realen Welt zu tun haben. Genau darüber sprach ich, als ich das richtige Optimierungsproblem erwähnte.

Etwa jedes Quartal kommt ein Professor zu mir und fragt, ob ich seinen Online-Algorithmus zur Lösung des Routenoptimierungsproblems überprüfen könnte. Die meisten der heutigen Arbeiten, die ich begutachte, konzentrieren sich auf Online-Varianten. Meine Antwort ist stets dieselbe: Du löst nicht das richtige Problem. Deine Lösung interessiert mich nicht, weil du nicht einmal richtig über das Problem selbst nachdenkst.

Fortschritt sollte nicht mit Raffinesse verwechselt werden. Es ist eine fehlgeleitete Vorstellung, dass Fortschritt von etwas Einfachem zu etwas Raffiniertem fortschreitet. In Wirklichkeit wird Fortschritt oft dadurch erzielt, dass man mit etwas unvorstellbar Verworrenem beginnt und durch überlegeneres Denken und Technologie Einfachheit erreicht. Zum Beispiel, wenn du dir meine letzte Vorlesung zu supply chain Trends für das 21. Jahrhundert ansiehst, wirst du die Machine of Marly sehen, die Wasser zum Schloss von Versailles brachte. Es war ein äußerst kompliziertes System, während moderne elektrische Pumpen viel einfacher und effizienter sind.

Fortschritt findet sich nicht unbedingt in zusätzlicher Raffinesse. Manchmal ist Raffinesse erforderlich, aber sie ist kein wesentlicher Bestandteil des Fortschritts.

Frage: Große Einzelhandelsnetze steuern ihren Lagerbestand, müssen aber Bestellungen nahezu sofort erfüllen. Manchmal entscheiden sie sich, eigenständig eine Aktion zu starten, die nicht vom Lieferanten initiiert wurde. Wie würde man auf Lieferantenebene vorhersagen und sich entsprechend vorbereiten?

Zunächst müssen wir das Problem aus einer anderen Perspektive betrachten. Du gehst von einer Prognoseperspektive aus, bei der dein Kunde, ein großer Einzelhändler, eine große Aktion durchführt, die unerwartet kommt. Aber ist das wirklich so schlecht? Wenn sie deine Produkte bewerben, ohne dich zu informieren, ist das einfach eine Tatsache des Lebens. Wenn du in deine Historie blickst, geschieht dies normalerweise regelmäßig, und es gibt sogar Muster.

Wenn ich zu meinen Grundsätzen zurückkehre, sind Muster überall. Zunächst musst du akzeptieren, dass du die Zukunft nicht exakt vorhersagen kannst; stattdessen benötigst du probabilistische Vorhersagen. Selbst wenn du Schwankungen nicht perfekt antizipieren kannst, sind sie nicht völlig unerwartet. Vielleicht musst du die Spielregeln ändern, anstatt den Lieferanten völlig überraschen zu lassen. Möglicherweise solltest du Verpflichtungen aushandeln, die den Einzelhändler, das Einzelhandelsnetz und den Lieferanten binden. Wenn das Einzelhandelsnetz einen großen Vorstoß unternimmt, ohne den Lieferanten vorab zu informieren, kann der Lieferant realistisch gesehen nicht für die Nichterfüllung der Servicequalität verantwortlich gemacht werden.

Vielleicht liegt die Lösung in einer kollaborativeren Herangehensweise. Möglicherweise sollte der Lieferant eine bessere Risikoeinschätzung vornehmen. Wenn die vom Lieferanten verkauften Materialien nicht verderblich sind, könnte es profitabler sein, ein paar Monate Lagerbestand vorzuhalten. Oft denken die Leute an null Verzögerung, null Lagerbestand und null alles – aber ist das wirklich das, was deine Kunden von dir erwarten? Vielleicht erwarten deine Kunden einen Mehrwert in Form eines reichhaltigen Lagerbestands. Wiederum hängt die Antwort von verschiedenen Faktoren ab.

Du musst das Problem aus vielen Perspektiven betrachten, und es gibt keine einfache Lösung. Du musst wirklich intensiv über das Problem nachdenken und alle dir zur Verfügung stehenden Optionen in Betracht ziehen. Vielleicht besteht das Problem nicht in mehr Lagerbestand, sondern in einer gesteigerten Produktionskapazität. Wenn es einen starken Nachfrageanstieg gibt und es nicht zu teuer ist, einen massiven Ausschlag in der Produktion zu verkraften, und wenn die Zulieferer der Zulieferer die Materialien schnell genug bereitstellen können, dann benötigst du vielleicht lediglich eine vielseitigere Produktionskapazität. Dies würde es dir ermöglichen, deine Produktionskapazität auf den aktuellen Nachfrageboom umzustellen.

Übrigens, das existiert in bestimmten Branchen. Zum Beispiel verfügt die Verpackungsindustrie über massive Kapazitäten. Die meisten Maschinen in der Verpackungsindustrie sind Industriedrucker, die relativ kostengünstig sind. Die Akteure im Verpackungsgeschäft besitzen in der Regel viele Drucker, die die meiste Zeit ungenutzt bleiben. Wenn jedoch ein großes Ereignis ansteht oder eine bedeutende Marke einen massiven Vorstoß plant, haben sie die Kapazität, Unmengen neuer Verpackungen zu drucken, die zum neuen Marketingvorstoß der Marke passen.

Es hängt also wirklich von verschiedenen Faktoren ab, und ich entschuldige mich, dass ich keine endgültige Antwort liefern kann. Aber was ich definitiv sagen kann, ist, dass du intensiv über das Problem, dem du gegenüberstehst, nachdenken musst.

Das schließt die heutige Vorlesung ab, die sechste und letzte des Prologs. In zwei Wochen, am gleichen Tag und zur gleichen Stunde, werde ich über supply chain Personalitäten referieren. Bis zum nächsten Mal.