00:54 Einführung
02:25 Über die Natur des Fortschritts
05:26 Die bisherige Geschichte
06:10 Einige quantitative Prinzipien: Beobachtungsprinzipien
07:27 Lösen der “Nadel im Heuhaufen” mittels Entropie
14:58 SC-Populationen sind Zipf-verteilt
22:41 Kleine Zahlen dominieren SC-Entscheidungen
29:44 Muster sind überall in SC
36:11 Einige quantitative Prinzipien: Optimierungsprinzipien
37:20 5 bis 10 Runden sind nötig, um jedes SC-Problem zu beheben
44:44 Alte SCs sind unidirektional quasi-optimal
49:06 Lokale SC-Optimierungen verlagern lediglich Probleme
52:56 Bessere Probleme übertreffen bessere Lösungen
01:00:08 Schlussfolgerung
01:02:24 Kommende Vorlesung und Fragen aus dem Publikum
Beschreibung
Während supply chains nicht durch definitive quantitative Gesetze charakterisiert werden können – anders als der Elektromagnetismus – können dennoch allgemeine quantitative Prinzipien beobachtet werden. Mit „allgemein“ meinen wir, dass sie (fast) für alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von höchstem Interesse, da sie dazu verwendet werden können, die Entwicklung von numerischen Rezepten zu erleichtern, die für die prädiktive Optimierung von supply chains bestimmt sind, aber sie können auch verwendet werden, um diese numerischen Rezepte insgesamt leistungsfähiger zu machen. Wir überprüfen zwei kurze Listen von Prinzipien: einige Beobachtungsprinzipien und einige Optimierungsprinzipien.
Vollständiges Transkript
Hallo zusammen, willkommen zu dieser Reihe von supply chain Vorlesungen. Ich bin Joannes Vermorel, und heute präsentiere ich einige „Quantitative Prinzipien für supply chains.“ Für diejenigen von euch, die die Vorlesung live auf YouTube verfolgen, könnt ihr jederzeit eure Fragen über den YouTube-Chat stellen. Allerdings werde ich eure Fragen während der Vorlesung nicht vorlesen. Am Ende der Vorlesung werde ich in den 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 Optionalitäten. Die meisten dieser Optionen sind quantitativer Natur. Man muss entscheiden, wie viel man einkauft, wie viel man produziert, wie viel Inventar bewegt wird und möglicherweise auch den Preis – ob man den Preis anhebt oder senkt. Daher ist ein quantitatives Prinzip, das Verbesserungen in den numerischen Rezepten für supply chains vorantreiben kann, von großem Interesse.
Allerdings, wenn ich heutzutage die meisten supply chain-Autoritäten oder Experten fragen würde, was ihre grundlegenden quantitativen Prinzipien für supply chains sind, vermute ich, dass ich häufig eine Antwort in Form einer Reihe von Techniken für bessere Zeitreihen Prognosen oder Ähnlichem erhalten würde. Meine persönliche Reaktion ist, dass, obwohl dies interessant und relevant ist, es auch am Wesentlichen vorbeigeht. Ich glaube, im Kern liegt das Missverständnis in der Natur des Fortschritts selbst – was ist Fortschritt und wie kann man so etwas in Bezug auf supply chains umsetzen? Lassen Sie mich mit einem veranschaulichenden Beispiel beginnen.
Vor sechstausend Jahren wurde das Rad erfunden, und vor sechstausend Jahren später wurde der rollende Koffer erfunden. Die Erfindung datiert aus dem Jahr 1949, wie dieses Patent veranschaulicht. Zu der Zeit, als der rollende Koffer erfunden wurde, hatten wir bereits die Atomkraft genutzt und sogar die ersten Atomwaffen gezündet.
Schnellvorlauf um 20 Jahre, im Jahr 1969, schickte die Menschheit die ersten Menschen zum Mond. Im darauffolgenden Jahr wurde der rollende Koffer mit einem etwas besseren Griff verbessert, der wie eine Leine aussieht, wie dieses Patent zeigt. Er ist immer noch nicht besonders gut.
Dann, 20 Jahre später, hatten wir bereits das GPS-Globalpositionierungssystem, das den Zivilisten seit fast einem Jahrzehnt dient, und der richtige Griff für den rollenden Koffer wurde endlich erfunden.
Es gibt hier mindestens zwei lehrreiche Lektionen. Erstens: Es gibt keinen offensichtlichen Zeitpfeil, was den Fortschritt betrifft. Fortschritt erfolgt in einem hochgradig chaotischen, nichtlinearen Prozess, und es ist sehr schwer, den Fortschritt, der in einem Bereich auftreten sollte, anhand dessen zu beurteilen, was in anderen Bereichen geschieht. Dies ist ein Aspekt, den wir heute im Auge behalten müssen.
Zweitens sollte Fortschritt nicht mit Raffinesse verwechselt werden. Man kann etwas haben, das erheblich überlegen, aber gleichzeitig wesentlich einfacher ist. Wenn man das Beispiel des Koffers betrachtet, wirkt das Design, sobald man einen gesehen hat, vollkommen offensichtlich und selbsterklärend. Aber war es ein leicht zu lösendes Problem? Ich würde sagen, ganz und gar nicht. Der einfache Beweis dafür, dass supply chain management ein schwieriges Problem war, ist, dass es einer fortgeschrittenen Industriezivilisation etwas mehr als vier Jahrzehnte gedauert hat, dieses Problem anzugehen. Fortschritt täuscht in dem Sinne, dass er sich nicht an die Regel der Raffinesse hält. Es ist sehr schwer zu erkennen, wie die Welt vor dem Fortschritt aussah, weil sich Ihre Sicht auf die Welt buchstäblich mit dem Fortschritt ändert.
Nun zurück zu unserer supply chain Diskussion. Dies ist die sechste und letzte Vorlesung in diesem Prolog. Es gibt einen umfassenden Plan, den Sie online auf der Lokad-Website über die gesamte Reihe der supply chain Vorlesungen einsehen können. Vor zwei Wochen habe ich die Trends des 20. Jahrhunderts für supply chains vorgestellt und dabei eine rein qualitative Perspektive auf das Problem eingenommen. Heute verfolge ich den gegenteiligen Ansatz, indem ich eine eher quantitative Perspektive auf diese Problemstellung als Gegenpol einnehme.
Heute werden wir eine Reihe von Prinzipien überprüfen. Mit Prinzip meine ich etwas, das dazu verwendet werden kann, das Design numerischer Rezepte im Allgemeinen für alle supply chains zu verbessern. Wir haben hier eine Ambition zur Generalisierung, und es ist ziemlich schwierig, Dinge zu finden, die für alle supply chains und alle numerischen Methoden zu ihrer Verbesserung von größter Relevanz sind. Wir werden zwei kurze Listen von Prinzipien durchgehen: Beobachtungsprinzipien und Optimierungsprinzipien.
Beobachtungsprinzipien gelten dafür, wie Sie quantitativen Kenntnisse und Informationen über supply chains erlangen können. Optimierungsprinzipien beziehen sich darauf, wie Sie handeln, sobald Sie qualitative Kenntnisse über Ihre supply chain erworben haben, und speziell darauf, wie Sie diese Prinzipien nutzen können, um Ihre Optimierungsprozesse zu verbessern.
Beginnen wir mit der Beobachtung einer supply chain. Es ist für mich rätselhaft, wenn Menschen über supply chains sprechen, als ob sie diese direkt mit eigenen Augen beobachten könnten. 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 Perspektive. Dies liegt daran, dass supply chains per Design geografisch verteilt sind und potenziell Tausende von SKUs und Zehntausende von Einheiten umfassen. Mit menschlichen Augen könnten Sie die supply chain nur so beobachten, wie sie heute ist, und nicht, wie sie in der Vergangenheit war. Sie können sich nicht mehr als ein paar Zahlen oder einen winzigen Bruchteil der mit Ihrer supply chain verbundenen Zahlen merken.
Wann immer Sie eine supply chain beobachten möchten, werden Sie solche Beobachtungen indirekt über Enterprise Software durchführen. Dies ist eine sehr spezifische Art, supply chains zu betrachten. Alle quantitativen Beobachtungen, die über supply chains gemacht werden können, erfolgen über dieses spezielle Medium: Enterprise Software.
Betrachten wir ein typisches Stück Enterprise Software. Es wird eine Datenbank enthalten, da die überwiegende Mehrheit solcher Software so konzipiert ist. Die Software wird wahrscheinlich etwa 500 Tabellen und 10.000 Felder enthalten (ein Feld entspricht im Wesentlichen einer Spalte in einer Tabelle). Als Einstiegspunkt haben wir ein System, das potenziell eine enorme Menge an Informationen enthält. In den meisten Fällen ist jedoch nur ein winziger Bruchteil dieser Softwarekomplexität tatsächlich für die betreffende supply chain relevant.
Softwareanbieter entwickeln Enterprise Software unter Berücksichtigung sehr unterschiedlicher Situationen. Wenn man einen bestimmten Kunden betrachtet, ist es wahrscheinlich, dass nur ein winziger Bruchteil der Möglichkeiten der Software tatsächlich genutzt wird. Das bedeutet, dass es zwar theoretisch 10.000 Felder zu erkunden gibt, in der Praxis aber Unternehmen nur einen kleinen Teil 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 könnte mehr als ein Stück Software involviert sein. In manchen Fällen wurde ein Feld nie sinnvoll genutzt, und die Daten sind konstant und enthalten nur Nullen oder Nullwerte. In dieser Situation ist es einfach, das Feld zu eliminieren, da es keine Information enthält. In der Praxis kann die Anzahl der Felder, die auf diese Weise eliminiert werden können, jedoch nur etwa 10% betragen, da viele Funktionen in der Software über die Jahre hinweg, selbst wenn nur zufällig, genutzt wurden.
Um Felder zu identifizieren, die nie sinnvoll verwendet wurden, können wir ein Werkzeug namens Informationelle Entropie heranziehen. Für diejenigen, die mit Shannons Informationstheorie nicht vertraut sind, mag der Begriff einschüchternd wirken, aber er ist eigentlich unkomplizierter, als es den Anschein hat. Informationelle Entropie bezieht sich darauf, die Menge an Information in einem Signal zu quantifizieren, wobei ein Signal als eine Folge von Symbolen definiert ist. Wenn wir beispielsweise ein Feld haben, das nur zwei Arten von Werten enthält – wahr oder falsch –, und die Spalte zufällig zwischen diesen Werten oszilliert, enthält die Spalte viele Daten. Im Gegensatz dazu, wenn nur eine Zeile von einer Million den Wert wahr hat und alle anderen Zeilen falsch sind, enthält das Feld in der Datenbank praktisch keinerlei Information.
Informationelle Entropie ist sehr interessant, weil sie es Ihnen ermöglicht, die in jedem Feld Ihrer Datenbank vorhandene Informationsmenge in Bits zu quantifizieren. Durch eine Analyse können Sie diese Felder von den informationsreichsten bis zu den armsten sortieren und diejenigen eliminieren, die kaum relevante Informationen für Optimierungszwecke von supply chains enthalten. Informationelle Entropie mag auf den ersten Blick kompliziert erscheinen, ist aber nicht schwer zu verstehen.
Beispielsweise haben wir in einer domänenspezifischen Programmiersprache die Informationelle Entropie als Aggregator implementiert. Indem wir eine Tabelle nehmen, beispielsweise 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 erlaubt es Ihnen, leicht zu erkennen, welche Felder die geringste Informationsmenge enthalten, und diese zu eliminieren. Mithilfe der Entropie als Leitfaden können Sie ein Projekt schnell starten, anstatt Jahre dafür zu benötigen.
Kommen wir zur nächsten Stufe, in der wir unsere ersten Beobachtungen über supply chains machen und überlegen, was zu erwarten ist. In den Naturwissenschaften ist die Standarderwartung die Normalverteilung, auch bekannt als Glockenkurve oder Gaußsche Verteilung. Zum Beispiel folgt die Körpergröße eines 20-jährigen Mannes oder sein Gewicht einer Normalverteilung. Im Bereich der Lebewesen folgen viele Messgrößen diesem Muster. Wenn es jedoch um supply chain geht, ist dies nicht der Fall. In supply chains gibt es praktisch nichts Interessantes, das normalverteilt ist.
Stattdessen sind nahezu alle für supply chains interessanten Verteilungen Zipf-verteilt. Die Zipf-Verteilung wird in der angegebenen Formel veranschaulicht. Um dieses Konzept zu verstehen, stellen Sie sich eine Population von Produkten vor, wobei die interessierende Messgröße der Absatz pro Produkt ist. Sie würden die Produkte über einen bestimmten Zeitraum, beispielsweise ein Jahr, von der höchsten zur niedrigsten Verkaufszahl sortieren. Die Frage ist dann, ob es ein Modell gibt, das die Form der Kurve vorhersagt und, wenn man den Rang angibt, den erwarteten Absatz liefert. Genau darum geht es bei der Zipf-Verteilung. Hierbei steht f für die Form eines Zipf-Mandelbrot-Gesetzes, und k bezieht sich auf 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) bei einer Normalverteilung hat. Diese Parameter können verwendet werden, um die Verteilung auf eine interessierende Population anzupassen. Das Zipf-Mandelbrot-Gesetz fasst diese Parameter zusammen.
Es ist wichtig zu beachten, dass praktisch jede einzelne für supply chain interessante Population einer Zipf-Verteilung folgt. Dies gilt für Produkte, Kunden, Lieferanten, Aktionen und sogar Versand-Einheiten. Die Zipf-Verteilung ist im Wesentlichen ein Nachfahre des Pareto-Prinzips, aber sie ist handhabbarer und, meiner Meinung nach, interessanter, da sie ein explizites Modell für die Erwartungen an jede für supply chain interessante Population bietet. Wenn Sie auf eine Population stoßen, die nicht zipf-verteilt ist, ist es wahrscheinlicher, dass ein Problem mit den Daten vorliegt, als dass tatsächlich eine Abweichung vom Prinzip vorliegt.
Um das Konzept der Zipf-Verteilung in der realen Welt auszunutzen, kannst du Envision verwenden. Wenn wir uns diesen Codeausschnitt ansehen, wirst du feststellen, dass es nur ein paar Codezeilen braucht, um dieses Modell auf einen realen Datensatz anzuwenden. Hier nehme ich an, dass es eine interessierende Population in einer Flachdatei namens “data.csv” gibt, in der eine Spalte die Menge repräsentiert. Normalerweise hättest du einen Produktbezeichner und die Menge. In Zeile 4 berechne ich die Ränge mithilfe des Rank Aggregators und sortiere nach der Menge. Dann, zwischen Zeile 6 und 11, betrete ich einen differenzierbares Programmieren-Block, explizit durch Autodev gekennzeichnet, in dem ich drei skalare Parameter deklariere: 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. Du kannst die Zipf-Verteilung buchstäblich mit nur ein paar Zeilen Code regredieren. Auch wenn es anspruchsvoll klingt, ist es mit den richtigen Werkzeugen ziemlich einfach.
Dies führt mich zu einem weiteren Beobachtungsaspekt von supply chain: Die Zahlen, die man auf jeder Ebene der supply chain erwarten würde, sind klein, in der Regel weniger als 20. Nicht nur wirst du 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 solche, die aus supply chain-Perspektive kanonisch sinnvoll sind, also das, was du zu beobachten und zu optimieren versuchst.
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 klingt, aber in Wirklichkeit haben sie Hunderte unterschiedlicher T-Shirt-Typen mit Variationen in Größe, Farbe und Design. Wenn du die T-Shirts auf der für supply chain-Perspektive relevanten Granularität betrachtest, nämlich dem SKU, wird das Geschäft nicht Tausende von T-Shirt-Einheiten für einen bestimmten SKU haben; stattdessen haben sie nur wenige Stück.
Wenn du eine größere Anzahl an T-Shirts hast, wirst du nicht Tausende von T-Shirts herumliegen haben, da dies ein Albtraum in Bezug auf Verarbeitung und Transport wäre. Stattdessen verpackst du diese T-Shirts in praktische Kartons, was genau dem entspricht, was in der Praxis passiert. Wenn du ein Distributionszentrum hast, das sich mit vielen T-Shirts befasst, weil du sie an Geschäfte verschickst, ist es wahrscheinlich, dass diese T-Shirts tatsächlich in Kartons sind. Vielleicht hast du sogar einen Karton, der ein vollständiges Sortiment an T-Shirts mit unterschiedlichen Größen und Farben enthält, was die Verarbeitung entlang der Kette erleichtert. Wenn du viele Kartons herumliegen hast, wirst du nicht Tausende solcher Kartons haben. Stattdessen, wenn du Dutzende von Kartons hast, wirst du sie ordentlich auf Paletten organisieren. Eine Palette kann mehrere Dutzend Kartons aufnehmen. Wenn du viele Paletten hast, wirst du sie nicht als einzelne Paletten organisieren; höchstwahrscheinlich wirst du sie als Container organisieren. Und wenn du viele Container hast, wirst du ein Frachtschiff oder etwas Ähnliches verwenden.
Mein Punkt ist, dass es bei Zahlen in der supply chain immer um eine wirklich kleine Zahl geht. Diese Situation kann nicht dadurch umgangen werden, einfach zu einer höher aggregierten Ebene überzugehen, denn wenn man zu einer höheren Aggregationsebene wechselt, kommen gewisse economies of scale ins Spiel, und man möchte einen Batching-Mechanismus einführen, um die Betriebskosten zu senken. Dies geschieht mehrfach, sodass, egal welche Skala man betrachtet, sei es das Endprodukt, das im Geschäft einzeln verkauft wird, oder ein massenproduziertes Item, es immer ein Spiel mit kleinen Zahlen ist.
Selbst wenn du eine Fabrik hast, die Millionen von T-Shirts produziert, ist es wahrscheinlich, dass du gigantische Chargen hast, und die Zahlen, die für dich von Interesse sind, sind nicht die Anzahl der T-Shirts, sondern die Anzahl der Chargen, was eine viel kleinere Zahl darstellt.
Worauf will ich mit diesem Prinzip hinaus? Zunächst muss man sich ansehen, wie die meisten Methoden in der wissenschaftlichen Informatik oder Statistik aussehen. Es stellt sich heraus, dass in den meisten anderen Bereichen, die nicht mit supply chain zu tun haben, das Gegenteil vorherrscht: große Mengen 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 die Tatsache tiefgreifend berücksichtigen und annehmen, dass wir mit kleinen Zahlen statt mit großen Zahlen zu tun haben. Wenn du Werkzeuge hast, die ausschließlich mit dem Gesetz der großen Zahlen entwickelt wurden, sei es aufgrund vieler Beobachtungen oder der großen Zahlen selbst, hast du in Sachen supply chain eine völlige Fehlanpassung.
Übrigens hat dies tiefgreifende Softwareimplikationen. Wenn du mit kleinen Zahlen arbeitest, gibt es viele Möglichkeiten, die Software-Schichten zu nutzen, um von dieser Beobachtung zu profitieren. Zum Beispiel, wenn du dir den Datensatz der Transaktionszeilen für einen Hypermarkt ansiehst, wirst du feststellen, dass, basierend auf meiner Erfahrung und Beobachtung, 80% der Zeilen eine Menge aufweisen, die an einen Endkunden in einem Hypermarkt verkauft wird – und zwar genau eins. Brauchst du also 64 Bit Information, um diese Information darzustellen? Nein, das ist eine völlige Verschwendung von Speicherplatz und Rechenzeit. Die Anwendung dieses Konzepts kann zu einem bis zwei Größenordnungen betrieblicher Gewinn führen. Das ist nicht nur Wunschdenken; es gibt reale betriebliche Vorteile. Du magst denken, dass Computer heutzutage sehr leistungsfähig sind, und das sind sie, aber wenn du mehr Rechenleistung zur Verfügung hast, kannst du fortschrittlichere Algorithmen einsetzen, die Dinge tun, die sogar noch besser für deine supply chain sind. Es ist sinnlos, diese Rechenleistung zu verschwenden, nur weil man ein Paradigma hat, 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 das zu verstehen, schauen wir uns ein klassisches supply chain-Problem an, bei dem Muster üblicherweise als nicht vorhanden betrachtet werden: die Routenoptimierung. Das klassische Problem der Routenoptimierung beinhaltet eine Liste von Lieferungen, die durchgeführt werden müssen. Du kannst Lieferungen auf einer Karte platzieren, und du möchtest die Route finden, die die Transportzeit minimiert. Du willst eine Route festlegen, die durch jeden einzelnen Lieferpunkt führt, während die gesamte Transportzeit minimiert wird. Auf den ersten Blick erscheint dieses Problem als ein rein geometrisches Problem, bei dem keine Muster in seiner Lösung eine Rolle spielen.
Ich schlage jedoch vor, dass diese Perspektive völlig falsch ist. Wenn man das Problem aus diesem Blickwinkel betrachtet, betrachtet man das mathematische Problem und nicht das supply chain-Problem. Supply chains sind wiederkehrende Spiele, bei denen Probleme sich immer wieder manifestieren. Wenn du im Geschäft der Organisation von Lieferungen bist, ist die Wahrscheinlichkeit groß, dass du jeden einzelnen Tag Lieferungen durchführst. Es ist nicht nur eine Route; es ist buchstäblich mindestens eine Route pro Tag.
Außerdem, wenn du im Liefergeschäft tätig bist, hast du wahrscheinlich eine ganze Flotte von Fahrzeugen und Fahrern. Das Problem besteht nicht nur darin, eine Route zu optimieren; es geht darum, eine ganze Flotte zu optimieren, und dieses Spiel wiederholt sich jeden einzelnen Tag. Dort tauchen all die Muster auf.
Zunächst einmal sind die Punkte nicht zufällig auf der Karte verteilt. Es gibt Hotspots, also geografische Gebiete mit einer hohen Dichte an Lieferungen. Du könntest Adressen haben, die fast täglich Lieferungen erhalten, wie zum Beispiel den Hauptsitz eines großen Unternehmens in einer Großstadt. Wenn du ein großes E-Commerce-Unternehmen bist, liefert man vermutlich jeden Geschäftstag Pakete an diese Adresse. Diese Hotspots sind nicht unveränderlich; sie haben ihre Saisonalität. Einige Stadtteile könnten im Sommer oder Winter sehr ruhig sein. Es gibt Muster, und wenn du im Spiel der Routenoptimierung sehr gut sein willst, musst du nicht nur berücksichtigen, wo diese Hotspots auftreten werden, sondern auch, wie sie sich im Laufe des Jahres verlagern. Zusätzlich muss man den Verkehr berücksichtigen. Man sollte nicht nur an die geometrische Entfernung denken, da der Verkehr zeitabhängig ist. Wenn ein Fahrer zu einem bestimmten Zeitpunkt des Tages startet, ändert sich der Verkehr, während er seine Route fortsetzt. Um dieses Spiel gut zu spielen, muss man die 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 vollkommen verstopft, und man muss kein Forecasting-Experte sein, um das zu wissen.
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 aber nicht der Fall ist. Du könntest VIP-Kunden oder spezielle Adressen haben, an denen du die Hälfte deiner Lieferung zustellen musst. Diese wichtigen Meilensteine auf deiner Route müssen für eine effektive Routenoptimierung berücksichtigt werden.
Du musst auch den Kontext im Auge behalten, und es ist üblich, unvollständige Daten über die Welt zu haben. Zum Beispiel, wenn eine Brücke gesperrt ist und die Software davon nichts weiß, liegt das Problem nicht darin, dass man beim ersten Mal nicht wusste, dass die Brücke gesperrt war, sondern darin, dass die Software nie aus dem Problem lernt und immer wieder eine Route vorschlägt, die optimal sein soll, aber letztlich unsinnig ist. Die Menschen kämpfen dann gegen das System, was aus supply chain-Sicht keine gute praktische Lösung zur Routenoptimierung darstellt.
Der Punkt ist, dass wir in supply chain-Situationen überall zahlreiche Muster finden. Wir müssen darauf achten, uns nicht von eleganten mathematischen Strukturen ablenken zu lassen und daran denken, dass diese Überlegungen auch für die Zeitreihenprognose gelten. Ich habe das Problem der Routenoptimierung als Beispiel gewählt, weil es in diesem Fall deutlicher zum Tragen kommt.
Abschließend müssen wir die supply chain aus allen beobachtbaren Dimensionen betrachten, nicht nur aus denjenigen, die offensichtlich sind oder bei denen die Lösung sich auf elegante Weise präsentiert.
Das bringt mich zur zweiten Reihe von Prinzipien, 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 Aufräumen des Durcheinanders, um zu bestimmen, was relevant ist und was nicht, und Entropie. Wir haben beobachtet, dass Verteilungen oft dem Zipf’schen Gesetz folgen, und selbst bei kleinen Zahlen können wir immer noch Muster erkennen. Die Frage ist nun, wie handeln wir? Mathematisch gesehen, wenn wir den besten Handlungsablauf bestimmen wollen, führen wir irgendeine Art von Optimierung durch, was der quantitative Perspektive entspricht.
Das Erste, was es zu beachten gilt, ist, dass sobald wir ein Stück Optimierungslogik in Produktion für supply chains haben, Probleme wie Bugs auftreten werden. Enterprise Software ist ein sehr komplexes Biest und oft voller Bugs. Während du deine eigene Optimierungslogik für deine supply chain erstellst, wird es zahlreiche Probleme geben. Wenn ein Logikbaustein jedoch gut genug ist, um in Produktion zu gehen, sind die auftretenden Probleme wahrscheinlich Randfälle. Wäre es kein Randfall und würde die Software oder Logik jedes Mal fehlerhaft funktionieren, hätte sie niemals den Weg in die Produktion gefunden.
Die Idee dieses Prinzips ist, dass es fünf bis zehn Durchläufe braucht, um ein Problem zu beheben. Wenn ich sage, fünf bis zehn Durchläufe, meine ich, dass du auf ein Problem stößt, es betrachtest, die Ursache verstehst und dann versuchst, eine Lösung anzuwenden. Aber meistens wird die Lösung das Problem nicht vollständig beheben. Du wirst feststellen, dass ein Problem im Problem verborgen war, oder dass das Problem, von dem du dachtest, du hättest es behoben, nicht die tatsächliche Ursache war, oder dass die Situation eine breitere Klasse von Problemen offenbart hat. Möglicherweise hast du einen kleinen Fall einer breiteren Problemklasse behoben, aber andere Probleme werden weiterhin auftreten, die Varianten desjenigen sind, von dem du dachtest, du hättest es gelöst.
Supply chains sind komplexe, sich ständig ändernde Biester, die in der realen Welt operieren, was es schwierig macht, ein Design zu haben, das in allen Situationen korrekt ist. In den meisten Fällen unternimmst du einen Best-Effort-Versuch, ein Problem zu beheben, und dann musst du deine überarbeitete Logik in der realen Welt testen, um zu sehen, ob sie funktioniert oder nicht. Du wirst 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 du deine supply chain Optimierungslogik aktualisierst oder neu berechnest. Zum Beispiel, wenn du einen Logikbaustein hast, der eine vierteljährliche Prognose für die nächsten zwei Jahre produziert, und du diese Logik nur einmal pro Quartal ausführst, wird es zwischen ein und zwei Jahren dauern, bis du irgendwelche Probleme mit dieser Prognose-Logik beheben kannst – was eine unglaublich lange Zeit ist.
Selbst wenn du einen Logikbaustein hast, der jeden Monat läuft, wie im Fall eines S&OP (Sales and Operations Planning)-Prozesses, könnte es trotzdem bis zu einem Jahr dauern, ein Problem zu beheben. Deshalb ist es wichtig, die Frequenz, mit der du deine supply chain Optimierungslogik ausführst, zu erhöhen. Bei Lokad beispielsweise läuft jede Logikkomponente täglich, selbst für Prognosen, die fünf Jahre in die Zukunft reichen. Diese Prognosen werden täglich aktualisiert, auch wenn sie sich von Tag zu Tag nicht stark verändern. Das Ziel ist nicht, eine statistische Genauigkeit zu erreichen, sondern sicherzustellen, dass die Logik häufig genug ausgeführt wird, um eventuelle Probleme oder Bugs innerhalb eines angemessenen Zeitrahmens zu beheben.
Diese Beobachtung ist nicht einzigartig im supply chain Management. Clevere Engineering-Teams bei Unternehmen wie Netflix haben die Idee des Chaos Engineerings populär gemacht. Sie erkannten, dass Randfälle selten sind und dass der einzige Weg, diese Probleme zu beheben, darin bestand, die Erfahrung häufiger zu wiederholen. Infolgedessen haben sie eine Software namens Chaos Monkey entwickelt, die durch die Erzeugung von Netzwerk-Störungen und zufälligen Abstürzen Chaos in ihre Softwareinfrastruktur bringt. Der Zweck des Chaos Monkey besteht darin, Randfälle schneller manifest werden zu lassen, sodass das Engineering-Team sie schneller beheben kann.
Auch wenn es kontraintuitiv erscheinen mag, ein zusätzliches Maß an Chaos in deine Abläufe einzuführen, hat sich dieser Ansatz bei Netflix als effektiv erwiesen, das für seine hervorragende Zuverlässigkeit bekannt ist. Sie verstehen, dass, wenn sie mit einem softwaregetriebenen Problem konfrontiert werden, viele Iterationen erforderlich sind, um es zu lösen, und dass der einzige Weg, der Ursache auf den Grund zu gehen, darin besteht, schnell zu iterieren. Der Chaos Monkey ist nur eine Möglichkeit, die Iterationsgeschwindigkeit zu erhöhen.
Aus der supply chain Perspektive mag der Chaos Monkey nicht direkt anwendbar sein, aber das Konzept, die Frequenz der Ausführung Ihrer supply chain Optimierungslogik zu erhöhen, ist nach wie vor sehr relevant. Welche Logik Sie auch zur Optimierung Ihrer supply chain einsetzen, sie muss mit hoher Geschwindigkeit und hoher Frequenz laufen; andernfalls werden Sie keines der Probleme, denen Sie gegenüberstehen, 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 Ihre supply chain Vorgänger nicht alle inkompetent waren. Wenn man sich Optimierungsinitiativen in der supply chain anschaut, gibt es allzu häufig große Ambitionen, wie beispielsweise Lagerbestände um die Hälfte zu reduzieren, Service Levels von 95% auf 99% zu steigern, Stockouts zu eliminieren oder Lead Times zu halbieren. Dies sind große, einseitige Maßnahmen, bei denen Sie sich auf einen KPI konzentrieren und versuchen, ihn massiv zu verbessern. Allerdings habe ich beobachtet, dass diese Initiativen fast immer aus einem sehr schlichten Grund scheitern: Wenn Sie eine supply chain, die seit Jahrzehnten in Betrieb ist, betrachten, steckt meist eine latente Weisheit in der Art und Weise, wie die Dinge gemacht wurden.
Zum Beispiel, wenn die Service Levels bei 95% liegen, ist die Wahrscheinlichkeit groß, dass, wenn Sie versuchen, sie auf 99% zu erhöhen, Sie die Lagerbestände stark erhöhen und dabei eine enorme Menge an toten Lagerbeständen erzeugen. Ebenso, wenn Sie eine bestimmte Menge an Bestand haben und eine massive Initiative starten, diesen um die Hälfte zu reduzieren, werden Sie wahrscheinlich erhebliche Probleme mit der Servicequalität schaffen, 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 tendieren, um das lokale Optimum zu oszillieren. Bedenken Sie, dass ich nicht sage, dass alte supply chains optimal sind, aber sie sind einseitig quasi-optimal. Wenn Sie sich die Analogie zum Grand Canyon anschauen, schnitzt der Fluss den optimalen Weg aufgrund der einseitigen Kraft der Schwerkraft. Würden Sie eine zehnmal stärkere Kraft anwenden, würde der Fluss dennoch viele Windungen aufweisen.
Der Punkt ist, dass Sie bei alten supply chains, wenn Sie erhebliche Verbesserungen erzielen wollen, viele Variablen gleichzeitig anpassen müssen. Wenn Sie sich nur auf eine Variable konzentrieren, werden Sie nicht die gewünschten Ergebnisse erzielen, insbesondere wenn Ihr Unternehmen seit Jahrzehnten mit dem Status quo operiert. Ihre Vorgänger haben in ihrer Zeit wahrscheinlich einige Dinge richtig gemacht, sodass die Wahrscheinlichkeit, dass Sie auf eine völlig dysfunktionale supply chain stoßen, der niemand je Beachtung geschenkt hat, minimal ist. Supply chains sind schwierige Probleme, und obwohl es möglich ist, vollständig dysfunktionale Situationen in großem Maßstab zu konstruieren, wird das bestenfalls sehr selten vorkommen.
Ein weiterer Aspekt, den es zu berücksichtigen gilt, ist, dass lokale Optimierung Probleme nur verlagert, anstatt sie zu lösen. Um dies zu verstehen, müssen Sie erkennen, dass supply chains Systeme sind, und wenn man in Bezug auf supply chain performance denkt, ist nur die systemweite Leistung von Interesse. Die lokale Leistung ist relevant, aber sie ist nur ein Teil des Gesamtbildes.
Eine gängige Denkweise ist, dass man die Divide-and-Conquer-Strategie anwenden kann, um Probleme im Allgemeinen anzugehen, nicht nur supply chain Probleme. Zum Beispiel, in einem Handelsnetzwerk mit vielen Filialen möchten Sie eventuell die Lagerbestände in jeder Filiale optimieren. Das Problem ist jedoch, dass wenn Sie über ein Netzwerk von Filialen und Distributionszentren verfügen, die jeweils viele Filialen bedienen, es völlig trivial ist, eine Filiale mikrozuoptimieren und dabei einen exzellenten Service für diese Filiale auf Kosten aller anderen Filialen zu erzielen.
Die richtige Perspektive ist, sich vorzustellen, dass wenn Sie eine Einheit im Distributionszentrum verfügbar haben, Sie sich fragen sollten: Wo wird diese Einheit am dringendsten benötigt? Was ist für mich die profitabelste Option? Das Problem der Optimierung des Versands von Inventar, oder das inventory allocation Problem, ist eines, das nur auf Systemebene sinnvoll ist und nicht auf Filialebene. Wenn Sie optimieren, was in einer Filiale geschieht, werden Sie höchstwahrscheinlich in einer anderen Filiale Probleme verursachen.
Wenn ich von “lokal” spreche, sollte dieses Prinzip nicht nur aus geografischer Sicht verstanden werden; es kann auch eine rein logische Angelegenheit innerhalb der supply chain sein. Zum Beispiel, wenn Sie ein E-Commerce-Unternehmen mit vielen Produktkategorien sind, möchten Sie vielleicht unterschiedliche Budgets für die verschiedenen Kategorien zuweisen. Dies ist eine weitere Art der Divide-and-Conquer-Strategie. Wenn Sie jedoch Ihr Budget aufteilen und jedem Kategorie zu Beginn des Jahres einen festen Betrag zuweisen, was passiert, wenn sich die Nachfrage nach Produkten in einer Kategorie verdoppelt, während die Nachfrage in einer anderen Kategorie sich halbiert? In diesem Fall resultiert das in einem Problem der falschen Mittelzuweisung zwischen diesen beiden Kategorien. Die Herausforderung besteht darin, dass Sie keine Divide-and-Conquer-Logik anwenden können. Wenn Sie lokale Optimierungstechniken verwenden, könnten Sie Probleme schaffen, während Sie Ihre vermeintlich optimierte Lösung entwickeln.
Das führt mich zum letzten Prinzip, das wahrscheinlich das kniffligste von allen heute vorgestellten Prinzipien ist: Bessere Probleme übertreffen bessere Lösungen. Das kann besonders verwirrend sein, vor allem in bestimmten akademischen Kreisen. Die typische Art, wie Dinge in einer klassischen Ausbildung präsentiert werden, ist, dass Ihnen ein gut definiertes Problem vorgelegt wird und Sie dann beginnen, nach Lösungen für dieses Problem zu suchen. In einem mathematischen Problem mag ein Student mit einer prägnanteren, eleganteren Lösung aufwarten, was als die beste Lösung angesehen wird.
In Wirklichkeit läuft es im supply chain Management jedoch nicht so ab. Um dies zu verdeutlichen, schauen wir 60 Jahre zurück und betrachten das Problem des Kochens, einer sehr zeitraubenden Tätigkeit. Die Menschen der Vergangenheit stellten sich vor, dass in Zukunft Roboter Kochaufgaben übernehmen könnten, wodurch die Produktivität der für das Kochen Verantwortlichen erheblich gesteigert werden würde. Diese Denkweise war in den 1950er und 1960er Jahren weit verbreitet.
Springen wir in die heutige Zeit, wird offensichtlich, dass sich die Dinge nicht so entwickelt haben. Um den Kochaufwand zu minimieren, kaufen die Menschen jetzt fertig gekochte Mahlzeiten. Dies ist ein weiteres Beispiel für Problemverlagerung. Supermärkten fertige Mahlzeiten bereitzustellen, ist aus supply chain Sicht herausfordernder als das Bereitstellen von Rohprodukten, bedingt durch die erhöhte Anzahl von Referenzen und kürzere Haltbarkeitsfristen. Das Problem wurde durch eine überlegene supply chain Lösung gelöst und nicht durch eine bessere Kochlösung. Das Kochproblem wurde vollständig entfernt und neu definiert als die Bereitstellung 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 sind Kaggle-Wettbewerbe, bei denen Sie einen Datensatz, ein Problem und potenziell Hunderte oder Tausende von Teams haben, die gegeneinander antreten, um die beste Vorhersage für diese Datensätze zu erzielen. Sie haben ein gut definiertes Problem und Tausende von Lösungen, die gegeneinander antreten. Das Problem bei dieser Denkweise ist, dass sie den Eindruck erweckt, dass zur Verbesserung Ihrer supply chain lediglich eine überlegene Lösung benötigt wird.
Das Wesen des Prinzips ist, dass eine bessere Lösung nur marginal helfen kann – und das auch nur marginal. In der Regel ist es wirklich entscheidend, wenn Sie das Problem neu definieren, und das ist überraschend schwierig. Dies gilt auch für quantitative Probleme. Sie müssen Ihre eigentliche supply chain Strategie und das zentrale Problem, das Sie optimieren sollten, neu überdenken.
In vielen Kreisen werden Probleme als statisch und unveränderlich betrachtet, während man nach besseren Lösungen sucht. Ich bestreite nicht, dass ein besserer Algorithmus zur Zeitreihenprognose hilfreich sein kann, aber Zeitreihenprognosen gehören zum Bereich der statistischen Prognose, nicht zur Beherrschung des supply chain Managements. Wenn wir auf mein anfängliches Beispiel des Reisekoffers zurückgehen, bestand die wesentliche Verbesserung bei einem Rollkoffer nicht in den Rädern, sondern im Griff. Es war etwas, das auf den ersten Blick nichts mit den Rädern zu tun hatte, und deshalb hat es 40 Jahre gedauert, bis eine Lösung gefunden wurde – man muss über den Tellerrand hinausschauen, um das bessere Problem entstehen zu lassen.
Dieses quantitative Prinzip dreht sich darum, die Probleme, denen Sie gegenüberstehen, in Frage zu stellen. Vielleicht denken Sie nicht intensiv genug über das Problem nach, und es besteht die Tendenz, sich in die Lösung zu verlieben, während Sie sich auf das Problem und die Aspekte, die Sie nicht verstehen, konzentrieren sollten. Sobald ein klar definiertes Problem besteht, ist eine gute Lösung in der Regel nur eine alltägliche Frage der Ausführung, was nicht so schwierig ist.
Abschließend besitzt supply chain als Studienfeld eine Fülle beeindruckender und maßgeblicher Perspektiven. Diese können sehr ausgeklügelt sein, aber die Frage, die ich diesem Publikum stellen möchte, lautet: Könnte es sein, dass all das gravierend fehlgeleitet ist? Sind wir wirklich überzeugt, dass Elemente wie Zeitreihenprognose und Operations Research die richtigen Perspektiven auf das Problem darstellen? Ungeachtet des Maßes an Komplexität und der jahrzehntelangen Ingenieurskunst und des Aufwands, der in diese Richtungen investiert wurde, 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 den meisten von Ihnen seltsam erscheinen. Wir haben hier zwei Welten – die Bewährte und die Seltsame – und die Frage ist, was in einigen Jahrzehnten passieren wird.
Fortschritt entfaltet sich tendenziell in chaotischer, nichtlinearer Weise. Die Idee hinter diesen Prinzipien ist, dass Sie eine Welt annehmen, die hoch chaotisch ist und Raum für das Unerwartete bietet. Diese Prinzipien können Ihnen helfen, schnellere, zuverlässigere und effizientere Lösungen zu entwickeln, die Ihre supply chains aus quantitativer Perspektive verbessern.
Nun, kommen wir zu einigen Fragen.
Frage: Wie vergleichen sich Zipf-Verteilungen mit dem Pareto-Gesetz?
Das Pareto-Gesetz ist die 80-20-Daumenk regel, aber aus quantitativer Perspektive ist die Zipf-Verteilung ein explizites Vorhersagemodell. Sie verfügt über Vorhersagefähigkeiten, die direkt an Datensätzen getestet werden können.
Frage: Würde die Zipf-Mandelbrot-Verteilung nicht besser als logarithmische Kurve betrachtet werden, um supply chain Schwankungen zu erkennen, so wie Epidemiologen Fallzahlen und Todesfälle berichten?
Absolut. Auf philosophischer Ebene stellt sich die Frage, ob man in Mediocrity-land oder in Extreme-land lebt. Supply chains und die meisten menschlichen Angelegenheiten existieren in einer Welt der Extreme. Logarithmische Kurven sind in der Tat nützlich, wenn Sie die Amplitude von Promotionen visualisieren möchten. Zum Beispiel, wenn Sie die Amplituden aller vergangenen Promotionen großer retail Netzwerke der letzten 10 Jahre betrachten wollen, könnte eine reguläre Skala alles andere unsichtbar machen, einzig weil die größte je verzeichnete Promotion so viel größer war als die anderen. Daher kann die Verwendung einer logarithmischen Skala Ihnen helfen, die Schwankungen klarer zu erkennen. Mit der Zipf-Mandelbrot-Verteilung gebe ich Ihnen ein Modell, das Sie buchstäblich mit ein paar Codezeilen ausrollen können – mehr als nur eine logarithmische Sicht auf die Daten. Für weiterführende philosophische Überlegungen empfehle ich Antifragile von Nassim Taleb.
Frage: Beziehen Sie sich beim Thema lokale supply chain Optimierung auf zugrunde liegende 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, üblicherweise Matrixorganisationen haben. Diese Organisationsstruktur, mit ihrer Divide-and-Conquer-Mentalität, führt per Design zu lokaler Optimierung. Zum Beispiel, betrachten Sie zwei verschiedene Teams – eines, das für die Nachfrageprognose verantwortlich ist, und eines für Einkaufsentscheidungen. Diese beiden Probleme – Nachfrageprognose und Einkaufsoptimierung – sind vollständig miteinander verknüpft. Sie können keine lokale Optimierung durchführen, indem Sie sich ausschließlich auf den prozentualen Fehler in der Nachfrageprognose konzentrieren und dann den Einkauf separat anhand der Prozesseffizienz optimieren. Es gibt systemische Effekte, die alle gemeinsam betrachtet werden müssen.
Die größte Herausforderung für die meisten großen, etablierten Unternehmen, die heute bedeutende supply chains betreiben, besteht darin, dass, wenn man eine quantitative Optimierung anstrebt, man systemweit und unternehmensübergreifend denken muss. Das widerspricht Jahrzehnten der Matrixorganisationsprägung innerhalb des Unternehmens, bei der die Menschen sich ausschließlich auf ihre klar abgegrenzten Bereiche konzentriert haben und das Gesamtbild aus den Augen verloren haben.
Ein weiteres Beispiel für dieses Problem wäre das Filialinventar. Lagerbestände erfüllen zwei Zwecke: Einerseits bedienen sie die Kundennachfrage, andererseits fungieren sie als Warenbestand. Um die richtige Menge zu halten, müssen Sie sowohl das Problem der Servicequalität als auch das Problem der Attraktivität der Filiale angehen. Letzteres bezieht sich darauf, die Filiale für Kunden ansprechend und interessant zu gestalten – was mehr ein Marketingproblem ist. In einem Unternehmen existieren eine Marketingabteilung und eine supply chain Abteilung, und sie arbeiten nicht von Natur aus zusammen, wenn es um supply chain Optimierung geht. Mein Punkt ist, dass wenn Sie nicht alle diese Aspekte integrieren, die Optimierung nicht funktionieren wird.
Bezüglich Ihrer SNLP-Bedenken besteht das Problem darin, dass sich die Leute lediglich zu Meetings zusammenfinden, was nicht sehr effizient ist. Wir haben vor einigen Monaten eine Lokad TV Folge über SNLP veröffentlicht, auf die Sie sich beziehen können, wenn Sie eine spezifische Diskussion zu SNLP führen möchten.
Frage: Wie sollten wir die Zeit und Energie zwischen supply chain Strategie und quantitativer Ausführung verteilen?
Das ist eine hervorragende Frage. Die Antwort, wie ich in meiner zweiten Vorlesung erwähnt habe, lautet, dass Sie eine vollständige Robotisierung alltäglicher Aufgaben benötigen. Dadurch können Sie all Ihre Zeit und Energie der kontinuierlichen strategischen Verbesserung Ihrer numerischen Rezepte widmen. Wenn Sie mehr als 10% Ihrer Zeit mit trivialen Aspekten der supply chain Ausführung verbringen, haben Sie ein Problem mit Ihrer Methodik. Supply chain Experten sind zu wertvoll, um ihre Zeit und Energie mit alltäglichen Ausführungsproblemen zu verschwenden, die in erster Linie automatisiert werden müssten.
Du musst einer Methodologie folgen, die es dir erlaubt, nahezu all deine Energie der strategischen Überlegung zu widmen, die dann sofort als überlegene numerische Rezepte umgesetzt wird, die die tägliche supply chain Ausführung vorantreiben – dies bezieht sich auf meinen dritten Vortrag über produktorientierte Lieferung, wobei ich softwareproduktorientierte Lieferung meine.
Frage: Ist es möglich, eine Art Ceiling-Analyse aufzustellen, also die bestmögliche Verbesserung für supply chain Probleme angesichts ihrer systemischen Formulierung zu ermitteln?
Ich würde sagen: Nein, absolut nicht. Zu denken, dass es eine Art Optimum oder ein Limit gibt, entspricht der Aussage, dass es eine Grenze menschlicher Genialität gibt. Zwar habe ich keinen Beweis dafür, dass es kein Limit menschlicher Genialität gibt, doch ist dies einer meiner Kernüberzeugungen. Supply chains sind wicked problems. Man kann das Problem transformieren und sogar ein scheinbar großes Problem 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, um ein erfolgreicher Einzelhändler zu sein, eine massive, bombensichere Software-Infrastruktur benötigte. Aber diese massiven, industrieproduktionsreifen Infrastrukturen, die er für den Betrieb von Amazons E-Commerce brauchte, waren unglaublich kostspielig und kosteten das Unternehmen Milliarden. Also entschieden sich die Teams bei Amazon, diese Cloud-Computing-Infrastruktur, die eine riesige Investition darstellte, in ein kommerzielles Produkt umzuwandeln. Heutzutage ist diese groß angelegte Computing-Infrastruktur tatsächlich eine der primären Einnahmequellen für Amazon.
Wenn du anfängst, über wicked problems nachzudenken, kannst du das Problem immer auf überlegene Weise neu definieren. Deshalb halte ich es für fehlgeleitet zu glauben, dass es eine Art optimale Lösung gibt. Wenn du in Begriffen einer Ceiling-Analyse denkst, betrachtest du ein feststehendes Problem, und aus dieser Perspektive mag es eine Lösung geben, die wahrscheinlich quasi-optimal ist. Zum Beispiel: Wenn du dir die Räder an modernen Koffern ansiehst, sind diese vermutlich quasi-optimal. Aber gibt es etwas völlig Offensichtliches, das wir übersehen? Vielleicht gibt es einen Weg, die Räder wesentlich zu verbessern – eine Erfindung, die noch nicht gemacht wurde. Sobald wir sie entdecken, wird sie völlig selbstverständlich erscheinen.
Deshalb müssen wir daran denken, dass es so etwas wie ein Limit für diese Probleme nicht gibt, weil die Probleme willkürlich sind. Du kannst das Problem neu definieren und entscheiden, dass das Spiel nach völlig anderen Regeln gespielt wird. Das ist verblüffend, denn die Menschen denken gerne, dass sie ein sauber konzipiertes Problem haben und Lösungen finden können. Das moderne westliche Bildungssystem legt großen Wert auf eine lösungsorientierte Denkweise, bei der dir ein Problem vorgegeben wird und die Qualität deiner Lösung bewertet wird. Allerdings ist eine weitaus interessantere Frage die Qualität des Problems selbst.
Frage: Die besten Lösungen werden die Probleme lösen, aber manchmal kann die Suche nach der besten Lösung sowohl Zeit als auch Geld kosten. Gibt es dafür Umgehungslösungen?
Absolut. Wiederum gilt: Wenn du eine Lösung hast, die theoretisch korrekt ist, aber ewig zur Umsetzung braucht, ist es keine gute Lösung. Solch eine Denkweise ist in bestimmten akademischen Kreisen weit verbreitet, 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 das meinte ich, als ich vom richtigen Optimierungsproblem sprach.
Jedes Quartal oder so kommt ein Professor zu mir und fragt, ob ich seinen Online-Algorithmus zur Lösung des Routenoptimierungsproblems überprüfen könnte. Die meisten der Arbeiten, die ich heutzutage durchsehe, konzentrieren sich auf Online-Varianten. Meine Antwort ist immer dieselbe: Ihr löst nicht das richtige Problem. Es ist mir egal, was eure Lösung beinhaltet, denn ihr denkt nicht einmal richtig über das Problem nach.
Fortschritt sollte nicht mit Raffinesse verwechselt werden. Es ist eine fehlgeleitete Auffassung, dass Fortschritt von etwas Einfachem zu etwas Komplexem führen muss. Tatsächlich wird Fortschritt oft dadurch erzielt, dass man mit etwas unvorstellbar Kompliziertem beginnt und durch überlegene Denkweise und Technologie Einfachheit erreicht. Zum Beispiel: Wenn du dir meinen letzten Vortrag zu supply chain Trends des 21. Jahrhunderts ansiehst, wirst du die Maschine von Marly entdecken, die Wasser zum Schloss Versailles brachte. Es war ein unglaublich kompliziertes System, wohingegen moderne Elektropumpen viel einfacher und effizienter sind.
Fortschritt findet sich nicht unbedingt in zusätzlicher Komplexität. 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 dafür, eine eigene Promotion zu starten, die nicht vom Lieferanten initiiert wurde. Wie würde man vorgehen, um auf Lieferantenebene vorauszuplanen und sich entsprechend vorzubereiten?
Zunächst müssen wir das Problem aus einer anderen Perspektive betrachten. Du nimmst eine Prognoseperspektive ein, bei der dein Kunde, ein großer Einzelhändler, eine großangelegte Promotion startet, die völlig unerwartet kommt. Zunächst einmal: Ist das wirklich so schlimm? Wenn sie deine Produkte bewerben, ohne dich zu informieren, ist das einfach eine Tatsache des Lebens. Betrachtet man die Historie, machen sie das in der Regel regelmäßig, und es gibt sogar Muster.
Wenn ich zu meinen Prinzipien zurückkehre: Muster finden sich überall. Zuerst musst du akzeptieren, dass du die Zukunft nicht exakt vorhersagen kannst; stattdessen benötigst du probabilistische forecasts. Selbst wenn du Schwankungen nicht perfekt antizipieren kannst, sind sie womöglich auch nicht völlig unvorhergesehen. Vielleicht musst du die Spielregeln ändern, anstatt den Lieferanten völlig überraschen zu lassen. Vielleicht ist es nötig, Verpflichtungen auszuhandeln, die den Einzelhändler, das Einzelhandelsnetz und den Lieferanten binden. Wenn das Einzelhandelsnetz einen großen Push startet, ohne den Lieferanten vorab zu informieren, kann der Lieferant nicht realistisch für das Nichterfüllen der Dienstleistungsqualität verantwortlich gemacht werden.
Vielleicht ist die Lösung etwas kollaborativer. Möglicherweise sollte der Lieferant eine bessere Risikobewertung durchführen. Wenn die vom Lieferanten verkauften Materialien nicht perishable sind, könnte es profitabler sein, einige Monate Lagerbestand zu halten. Oft denken die Leute daran, null Verzögerung, null Lagerbestand und null alles zu haben – aber erwarten deine Kunden das wirklich von dir? Vielleicht wünschen sich deine Kunden einen Mehrwert in Form von reichlich vorhandenem Lagerbestand. Wiederum hängt die Antwort von verschiedenen Faktoren ab.
Du musst das Problem aus vielen Blickwinkeln betrachten, und es gibt keine triviale Lösung. Du musst wirklich intensiv über das Problem nachdenken und alle Möglichkeiten in Betracht ziehen, die dir zur Verfügung stehen. Vielleicht ist das Problem nicht mangelnder Lagerbestand, sondern unzureichende Produktionskapazität. Wenn es einen großen Nachfrageschub gibt und es nicht zu teuer ist, einen massiven Anstieg zu bewältigen, und die Zulieferer der Zulieferer die Materialien schnell genug liefern können, dann ist vielleicht alles, was du brauchst, eine vielseitigere Produktionskapazität. Diese würde es dir erlauben, deine Produktionskapazität auf das umzulenken, was aktuell einen Anstieg erlebt.
Übrigens existiert dies in bestimmten Branchen. Zum Beispiel verfügt die Verpackungsindustrie über massive Kapazitäten. Die meisten Maschinen in der Verpackungsindustrie sind industrielle Drucker, die relativ kostengünstig sind. Die Akteure in der Verpackungsbranche besitzen typischerweise viele Drucker, die die meiste Zeit ungenutzt bleiben. Wenn es jedoch ein großes Ereignis gibt oder eine bekannte Marke einen massiven Push plant, haben sie die Kapazität, Tonnen von neuen Verpackungen zu drucken, die zum neuen Marketing-Schub der Marke passen.
Also hängt es wirklich von verschiedenen Faktoren ab, und ich entschuldige mich, dass ich keine definitive Antwort geben kann. Aber was ich mit Sicherheit sagen kann, ist: Du musst wirklich intensiv über das Problem nachdenken, mit dem du konfrontiert bist.
Damit schließt sich der heutige Vortrag, der sechste und letzte des Prologs. In zwei Wochen, am gleichen Tag zur gleichen Stunde, werde ich über supply chain Persönlichkeiten referieren. Bis zum nächsten Mal.
