Der Bullwhip-Effekt (mit Stephen Disney)

00:00:08 Einführung und Hintergrund von Stephen Disney.
00:01:26 Überblick über den Bullwhip-Effekt in Lieferketten.
00:02:26 Vier Hauptquellen des Bullwhip-Effekts.
00:05:17 Lagerbestände und ihr Einfluss auf den Bullwhip-Effekt.
00:06:02 Relevanz des Bullwhip-Effekts heute und Möglichkeiten zur Minderung.
00:08:00 Prognosen und probabilistische Modelle im Supply Chain Management.
00:10:23 Mehr Optionen schaffen und Substitutionen zur Verbesserung des Services nutzen.
00:12:13 Übergang von Punktprognosen zu probabilistischen Prognosen zur Minderung von Problemen in der Lieferkette.
00:14:35 Anwendung von Regelungstheorie in Lieferketten-Auffüllalgorithmen.
00:15:38 Joannes teilt seine Gedanken zur Analogie von Rückkopplungsreglern im Supply Chain Management.
00:16:00 Stochastischer Gradient und lokale Optimierung in hochdimensionalen Spielen.
00:17:11 Unterschiedliche Optimierungsansätze für verschiedene Branchen und Bereiche.
00:19:07 Anwendung von Optimierungstechniken in realen Lieferketten.
00:20:54 Bedeutung genauer Prognosen und Produktionsplanung.
00:23:20 Relevanz des Bullwhip-Effekts heute und seine Beziehung zur COVID-Pandemie.
00:25:01 Diskussion über die Machbarkeit der Quantifizierung von Variationen in Lieferketten.
00:26:05 Diskussion über finanzielle Kontrolle in Lieferketten.
00:26:22 Stephens Forschung zu Lieferketten mit doppelter Beschaffung.
00:27:24 Stephens Ansichten über die Vorteile von Lieferketten mit doppelter Beschaffung.
00:28:01 Vergleich von Lieferketten mit Regelungssystemen und natürlicher Frequenz.

Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel, den Gründer von Lokad, und Stephen Disney, Professor für Operations Management, über den Bullwhip-Effekt in Lieferketten. Disney identifiziert vier Hauptquellen des Effekts und schlägt vor, dass Unternehmen ihn mithilfe von Regelungstechnik, Informationsaustausch und anderen Strategien mindern können. Vermorel betont die Bedeutung von probabilistischen Prognosen und dem Beherrschen von Optionen im Supply Chain Management. Disney führt die Regelungstheorie ein und sie diskutieren praktische Ratschläge zur Umsetzung dieser Techniken. Beide Experten sind der Meinung, dass der Bullwhip-Effekt nicht unvermeidlich ist. Disneys Forschung konzentriert sich auf Lieferketten mit doppelter Beschaffung, die eine erhöhte Robustheit gegenüber Störungen bieten. Sie erkennen an, dass die Erholung der Lieferkette von der COVID-19-Pandemie je nach Durchlaufzeiten unterschiedlich sein wird.

Ausführliche Zusammenfassung

In diesem Interview führt Kieran Chandler eine Diskussion mit Joannes Vermorel, dem Gründer von Lokad, und Stephen Disney, Professor für Operations Management an der University of Exeter, über den Bullwhip-Effekt in Lieferketten. Der Bullwhip-Effekt ist ein Phänomen, bei dem Schwankungen in einem System, wie zum Beispiel einer Lieferkette, die Größenordnung der Schwankungen am Eingang, in der Regel die Nachfrage, überschreiten.

Stephen Disney hat 25 Jahre damit verbracht, den Bullwhip-Effekt zu untersuchen. Dabei nutzte er ingenieurwissenschaftliche Techniken, Computersimulationen und Mathematik, um Unternehmen dabei zu helfen, das Problem zu verstehen und zu mildern. Er nennt vier Hauptursachen für den Bullwhip-Effekt, wie sie in einem Papier von 1997 identifiziert wurden: 1) Verarbeitung von Nachfrage-Signalen (Interpretation, Prognose und Generierung von Auffüllungs-Bestellungen), 2) Stapelung (minimale oder wirtschaftliche Bestellmengen), 3) Rationierung und Spielereien (übermäßige Bestellungen aufgrund von Fehlbeständen und spätere Stornierungen) und 4) Preisschwankungen (Manipulation der Nachfrage nach Produkten).

Joannes Vermorel stimmt zu, dass der Bullwhip-Effekt allgegenwärtig ist, weist jedoch darauf hin, dass die zugrunde liegenden Ursachen und Auswirkungen je nach Branche unterschiedlich sein können. Zum Beispiel können in der Einzelhandelsbranche für frische Lebensmittel Bestandsausfälle durch die Synchronisierung der Konsumgewohnheiten der Verbraucher zu großen Nachfrageschwankungen führen.

Stephen ist der Meinung, dass die Schlussfolgerungen des Papiers von 1997 auch heute noch relevant sind, insbesondere für kapitalintensive Unternehmen am Ende der Lieferketten, da Produktion oder Distribution zwei- bis fünfmal variabler sein können als die Nachfrage und der Lagerbestand fünf- bis zehnmal variabler sein kann. Er widerspricht der Behauptung des Papiers, dass der Bullwhip-Effekt unvermeidlich sei, und argumentiert, dass Unternehmen ihn mildern können, indem sie geeignete Prognosemethoden auswählen, sie abstimmen, Steuerungstechnik-Ideen verwenden, Informationen teilen (z. B. über EPOS-Daten oder Vendor-Managed Inventory) und andere Strategien.

Joannes Vermorel stellt auch die Idee in Frage, dass der Bullwhip-Effekt unvermeidlich ist, und schlägt vor, dass Unternehmen Möglichkeiten finden können, seine Auswirkungen zu dämpfen.

Vermorel hebt den Wechsel von Punktprognosen zu probabilistischen Prognosen als bedeutende Verbesserung im Umgang mit Unsicherheiten in der Lieferkette hervor. Er argumentiert, dass dieser Wechsel dazu beiträgt, numerische Stabilitätsprobleme zu mildern und eine genauere Darstellung von Nachfrage und Vorlaufzeiten zu ermöglichen.

Vermorel betont auch die Bedeutung der Beherrschung von Optionen im Supply Chain Management. Indem Unternehmen verschiedene Optionen für den Ersatz von Komponenten oder die Wahl verschiedener Transportmethoden in Betracht ziehen, können sie sich besser an sich ändernde Situationen anpassen und Risiken minimieren. Er stellt fest, dass die Möglichkeit, diese Optionen zu nutzen, in den letzten Jahren erheblich erweitert wurde und es zunehmend möglich ist, die Lieferketten zu optimieren.

Stephen Disney führte das Konzept der Regelungstheorie im Supply Chain Management ein und zog eine Parallele zur Erfahrung der Regulierung der Wassertemperatur in einer Dusche. Er erklärte, dass kleine, schrittweise Anpassungen an Supply Chain-Entscheidungen notwendig sind, um Schwankungen in Angebot und Nachfrage zu vermeiden. Dieses Konzept ist auf das Bestandsmanagement und die Auffüllalgorithmen in ERP-Systemen anwendbar, bei denen Unternehmen die Bestandsniveaus und die Arbeit in Bearbeitung (WIP) langsam korrigieren können, um eine reibungslosere und stabilere Lieferkette zu schaffen.

Joannes Vermorel stimmt Disneys Analogie zu und stellt fest, dass der Durchbruch des Deep Learning die Wiederentdeckung des stochastischen Gradientenabstiegs war, bei dem kleine Anpassungen vorgenommen werden, um ein System zu verbessern. Diese Idee stimmt mit Disneys Dusch-Analogie überein, bei der kleine, schrittweise Veränderungen helfen können, die Lieferkette angesichts von Unsicherheiten zu optimieren.

Sie diskutierten über die Optimierung der Lieferkette und die Anwendung dieser Techniken in realen Szenarien.

Vermorel erörtert die Wirksamkeit der gradientenbasierten Optimierung und betont die Bedeutung der Berücksichtigung der Asymmetrien wirtschaftlicher Treiber in verschiedenen Branchen. Er verwendet das Beispiel der Produktion von Luxusuhren, bei dem bestimmte Einschränkungen aufgrund der hohen Bruttomargen und der Recyclingfähigkeit der verwendeten Materialien möglicherweise nicht zutreffen. Er betont auch die Notwendigkeit zu verstehen, dass das, was in einer Branche als verschwenderisch angesehen werden kann, in einer anderen vernünftig sein kann.

Disney hingegen spricht über praktische Ratschläge für Unternehmen bei der Umsetzung dieser Techniken. Er schlägt vor, mit einer Wertstromanalyse zu beginnen, um den Prozess der Produktionsherstellung und die strategischen Bedürfnisse der Lieferkette zu verstehen. Unternehmen sollten feststellen, ob sie sich auf die Reduzierung des Lagerbestands konzentrieren oder ob Kapazitätskosten signifikant sind, da diese Faktoren den Ansatz zur Optimierung beeinflussen werden. Sie sollten auch die Zeitreihen der Nachfrage, Prognosen, Produktionsziele und -abschlüsse sowie den Lagerbestand untersuchen, um die Quellen und Auswirkungen der Variabilität im System zu identifizieren.

Disney empfiehlt zu prüfen, ob manuelle Prognoseanpassungen im Vergleich zu algorithmischen Prognosen einen Mehrwert bieten und ob die gewählten Prognosealgorithmen richtig auf die Geschäftsbedürfnisse abgestimmt sind. Er betont auch die Bedeutung sicherzustellen, dass die Algorithmen, die die Prognosen verwenden, in IT-Systemen, ERP-Systemen oder Tabellenkalkulationen zur Planung von Produktion und Beschaffung von Lieferanten korrekt eingerichtet sind. Schließlich betont er die Bedeutung des Produktionsingenieurwesens, wie die Zuverlässigkeit von Maschinen und die Produktqualität.

In Bezug auf die Relevanz des Bullwhip-Effekts heute glaubt Vermorel, dass die COVID-19-Pandemie keine direkte Manifestation des Bullwhip-Effekts war, sondern ein Beispiel für Fat-Tail-Ereignisse, die Supply-Chain-Manager daran erinnern, die Bedeutung der Berücksichtigung nicht-normaler statistischer Verteilungen zu beachten. Er spekuliert, dass die Folgen der Pandemie bullwhip-ähnliche Probleme verursachen könnten, wie sie in der Elektronikindustrie in Asien zu beobachten sind.

Vermorel erklärt, dass Unternehmen durch die Untersuchung aller möglichen Zukünfte und Entscheidungen detailliertere Antworten auf Probleme in der Lieferkette erzielen können. Diese Herangehensweise war vor zwei Jahrzehnten technisch nicht möglich, ermöglicht es Unternehmen jedoch, die finanziellen Ergebnisse effektiver zu kontrollieren. Lieferketten haben oft nichtlineare Kosten, was bedeutet, dass die Produktion doppelt so viel kosten kann, wenn Überstunden, aggressive Wartung und andere Faktoren berücksichtigt werden. Obwohl diese Probleme nicht vollständig beseitigt werden können, können sie aus finanzieller Sicht effizienter verwaltet werden.

Disneys Forschung konzentriert sich auf Lieferketten mit doppelter Beschaffung, bei denen Unternehmen die meisten ihrer Produkte aus Niedriglohnländern mit langen Vorlaufzeiten beziehen und durch eine kleinere lokale Fabrik ergänzen. Die lokale Fabrik kann schnell auf Nachfrageschwankungen reagieren und den Lagerbestand eng kontrollieren, während der Großteil der Nachfrage durch kostengünstige Produkte aus entfernten Fabriken gedeckt wird. Dieser Ansatz hat mehrere Vorteile, darunter eine reduzierte globale Distribution, die Möglichkeit, die Fertigung in westliche Länder zurückzubringen, und eine erhöhte Robustheit der Lieferkette gegen Störungen.

Laut Disney haben Lieferketten eine natürliche Frequenz, ähnlich wie eine Brücke, die im Wind schwingt. Die Lieferkette schwingt derzeit mit ihrer natürlichen Frequenz aufgrund der Auswirkungen von COVID-19, was zu einer periodischen Steigerung und Abnahme der Nachfrage führen wird. Globale Lieferketten mit langen Vorlaufzeiten werden länger brauchen, um sich zu erholen, während Lieferketten mit kürzeren Vorlaufzeiten schneller wieder auf die Beine kommen werden.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV freuen wir uns, Stephen Disney, einen Professor für Betriebswirtschaft an der Universität Exeter, begrüßen zu dürfen, der uns erklären wird, warum dieser Effekt auftreten kann und welche Auswirkungen er auf Supply-Chain-Praktiker haben kann. Also Stephen, vielen Dank, dass Sie heute live aus Exeter dabei sind. Wie immer möchten wir gerne ein wenig mehr über unsere Gäste erfahren. Vielleicht könnten Sie also damit beginnen, uns ein wenig über sich selbst zu erzählen.

Stephen Disney: Ja, mein Name ist Stephen Disney. Ich bin Professor für Betriebsmanagement an der Universität Exeter hier im Vereinigten Königreich. Mein Forschungsbereich ist die Dynamik von Lieferketten. Ich habe mich in den letzten 25 Jahren mit dem Bullwhip-Effekt beschäftigt. Dies ist ein dynamischer Effekt in Lieferketten, und ich habe Ingenieurtechniken, Computersimulationstechniken und mathematische Techniken auf diese Probleme angewendet, während ich in einer Business School gelebt und Unternehmen geholfen habe. Ich finde es faszinierend und danke Ihnen, dass ich heute darüber sprechen darf.

Kieran Chandler: Sicher, kein Problem. Wir werden uns gleich etwas genauer mit dem Bullwhip-Effekt befassen. Vielleicht könnten Sie damit beginnen, uns einen kurzen Überblick zu geben.

Joannes Vermorel: Also, mein Verständnis des Bullwhip-Effekts ist im Wesentlichen ein Phänomen, bei dem die Schwankungen, die Sie in einem System beobachten, und hier betrachten wir die Lieferkette als ein System, die Schwankungen übersteigen, die den Input des Systems speisen, und typischerweise wäre das die Nachfrage. Und das wäre also das Phänomen. Und übrigens, wenn Sie etwas haben, das die Schwankungen des Inputs verstärken kann, haben Sie auch Dinge, die die Schwankungen tatsächlich verringern können. Und das sind typischerweise Dinge wie Lagerpuffer, zum Beispiel.

Kieran Chandler: Okay, Stephen, welche Art von Faktoren können also den sogenannten Bullwhip-Effekt beeinflussen? Was sind sie?

Stephen Disney: Nun, Hau Lees Artikel von 1997 identifizierte vier Hauptursachen für den Bullwhip-Effekt. Eine davon ist die Verarbeitung des Nachfragezeichens, bei der es darum geht, wie wir die Nachfrage interpretieren, prognostizieren und dann Auffüllungsaufträge generieren. Es gibt also einen Prognose- und Auffüllalgorithmus. Der nächste ist das Batching, bei dem wir möglicherweise in einer Mindestbestellmenge oder einer optimalen Bestellmenge produzieren, was Variabilität einführt. Ein weiterer Effekt ist die Rationierung und das Spielen; Sie könnten knapp an Produkten sein oder Ihr Lieferant könnte knapp an Produkten sein, sodass Sie überbestellen, um die Produkte zu erhalten, die Sie tatsächlich benötigen, und dann stornieren Sie Ihre Bestellungen, wenn diese Produkte eintreffen. Der letzte ist die Preisvariation. Unternehmen manipulieren gerne die Nachfrage nach Produkten, und das kann die zukünftige Nachfrage nach Produkten kannibalisieren. Das Zwei-für-eins-Angebot im Supermarkt ist ein klassisches Beispiel. Ich kaufe doppelt so viel Toilettenpapier, wenn es halber Preis ist, weil es nicht abläuft und ich zu Hause viel Stauraum habe. Allerdings kann eine täglich niedrige Preisgestaltung dabei helfen, dieses Problem zu lösen.

Kieran Chandler: Auch Revenue-Management-Techniken?

Joannes Vermorel: Ja, die grundlegende, die auf die Struktur des Systems zurückzuführen ist, sind die Vorlaufzeiten, die Prognose und das Auffüllsystem, die Vorlaufzeiten in der Verarbeitung des Nachfragezeichens verursachen.

Kieran Chandler: Und Stephen hat erwähnt, dass das Nachfragezeichen, das sich als Prognose manifestiert, dasjenige ist, das von diesen vier Faktoren am meisten Aufmerksamkeit erhält. Glauben Sie, dass das gerecht ist? Glauben Sie, dass das der richtige Weg ist?

Joannes Vermorel: Ich denke, es hängt von den Branchen ab. Meine eigene Beobachtung ist, dass es viele Branchen gibt, in denen das, was vorherrscht, und dennoch haben Sie diese Art von Verstärkungseffekt der Variation oder den Bullwhip-Effekt, aber die Ursachen sind völlig unterschiedlich und äußerst einfach. Zum Beispiel treiben in Einzelhandelsgeschäften für frische Lebensmittel tatsächlich Bestandsausfälle das Ganze an. Denn wenn es zu einem Bestandsausfall kommt, neigen die Verbrauchsmuster Ihrer Kunden dazu, sich zu synchronisieren. Was wir bei vielen Lebensmittel-Einzelhandelsunternehmen beobachtet haben, ist, dass Sie große Schwankungen in der Nachfrage beobachten können, und es liegt einfach daran, dass Sie eine Gruppe von Kunden haben, die, wenn es zu einem Bestandsausfall kommt, ihren Verbrauch ein wenig verzögern. So enden Sie mit einem Verstärkungseffekt, der die Verbrauchsmuster synchronisiert, der allein durch die Bestandsausfälle verursacht wird. Bestandsausfälle selbst können tatsächlich viele dieser großen Schwankungen durch die Synchronisierung der Kunden selbst antreiben. Aber das Fazit ist, dass ich glaube, dass diese Art von Effekten tatsächlich allgegenwärtig sind, aber die Art und Weise, wie sie sich auswirken, hängt wirklich von den Branchen ab, die Sie betrachten. Das ursprüngliche Papier konzentrierte sich ausführlich auf FMCGs, und was ich sage, ist, dass es in Unternehmen, die keine FMCG-Unternehmen sind, auf ganz andere Weise passiert.

Kieran Chandler: Okay, Stephen, lassen Sie uns über die Haupterkenntnisse dieses Papiers sprechen. Es wurde vor über 20 Jahren veröffentlicht, also was waren die Haupterkenntnisse, und würden Sie sagen, dass sie heute noch relevant sind?

Stephen Disney: Ich denke, die Erkenntnisse sind auch heute noch sehr relevant. Sie sagten hauptsächlich, dass der Bullwhip-Effekt unvermeidlich sei, insbesondere aufgrund der Verarbeitung des Nachfragezeichens. Eine positive, schwach korrelierte Nachfrage wird immer einen Bullwhip-Effekt erzeugen. Und was ich in Unternehmen sehe, ist, dass die Produktion oder Distribution auf Produktebene typischerweise doppelt so variabel ist wie die Nachfrage, manchmal sogar bis zu fünfmal so variabel wie die Nachfrage. Und dies hat auch Auswirkungen auf den Lagerbestand, der fünf- oder zehnmal variabler sein kann als die Nachfrage. Ich sehe also viele Unternehmen, die unter diesem Effekt leiden, und für kapitalintensive Unternehmen am Ende der Lieferketten ist dies eine große Ineffizienz. Die Haupterkenntnis ist also auch heute noch sehr relevant, insbesondere im Zeitalter globaler Lieferketten, und wir sind im Laufe der Zeit globaler geworden mit längeren Vorlaufzeiten. Wo ich anderer Meinung bin, ist der “unvermeidliche” Aspekt davon. Es gibt Dinge, die wir tun können; wir können geeignetere Prognosemethoden auswählen.

Kieran Chandler: Wir können Prognosemethoden auf die richtige Weise anpassen, und wir können auch diese Auffüllungsentscheidungen mithilfe von Ideen und Theorien aus der Regelungstechnik treffen, um den Bullwhip-Effekt zu glätten und zu beseitigen. Wir können Informationen nutzen, EPOS-Daten in Einzelhandelslieferketten, die uns helfen können. Wir können auch Techniken wie das Vendor Managed Inventory verwenden, bei dem Ihr Lieferant Zugriff auf Ihre Lagerinformationen hat und diese in seinen Entscheidungen verwenden kann. All diese Dinge können dazu beitragen, den Bullwhip-Effekt zu mildern, und in einigen Fällen können wir ihn sogar vollständig beseitigen. Joannes, was denken Sie darüber? Stimmen Sie der Idee zu, dass es nicht so endgültig ist und dass es Möglichkeiten und Mittel gibt, um die Auswirkungen abzuschwächen?

Joannes Vermorel: Meiner Ansicht nach ist diese Perspektive, die Ende des 20. Jahrhunderts vorherrschte, fest in der Punktprognose verankert. Es handelt sich um eine Prognose, die im Wesentlichen eine Zeitreihe mit einem Datenpunkt pro Jahr, pro Tag, pro Woche oder pro Monat ist, und Sie rollen die Prognose mit einer Zeitreihenperspektive und unter Berücksichtigung des Lagermanagements aus. Was Lokad seit über einem Jahrzehnt getan hat, ist der Übergang zu einer probabilistischen Prognose für alle Bereiche, in denen Unsicherheit besteht, wie Nachfrage und Vorlaufzeiten. Diese Art von Fluch, den Sie mit Punktprognosen hatten, bei dem entweder eine Prognose immer hinterherhinkt oder wenn Sie etwas Reaktiveres haben, dann enden Sie mit viel größeren Variationen, das sind numerische Stabilitätsprobleme, die sehr stark davon abhängen, dass wir überhaupt von Punktprognosen sprechen. Wenn wir uns in den Bereich der probabilistischen Prognosen bewegen, verschwinden die meisten dieser Probleme buchstäblich vollständig. Das wäre Teil eins meiner Antwort.

Der zweite Teil ist die Art und Weise, wie ich normalerweise die Supply Chain angehe, nämlich dass es um die Beherrschung der Optionen geht und ein Teil des Spiels darin besteht, mehr Optionen zu schaffen. Ich glaube, dass die Vorstellung, dass man die Nachfrage als ein Monolith und die Vorlaufzeiten als ein Monolith sieht, auch in gewisser Weise ein wenig veraltet ist. Erstens gibt es eine große Menge an Substitution. Manchmal kann man sogar so konstruieren, dass man diese Substitution nutzen kann, um einen besseren Service zu bieten. Es kann Komponenten geben, die zwischen den Produkten, die man bedient, geteilt werden, sodass man nicht unbedingt dem Archetyp der Pharmaindustrie folgen muss, wo man

Kieran Chandler: Joannes, was hältst du von der Idee, in Bezug auf Transport und Verpackung Optionen offen zu halten, um potenzielle Probleme in der Supply Chain zu mildern?

Joannes Vermorel: Sie müssen das Rohprodukt haben, aber dann können Sie 150 verschiedene Verpackungsoptionen in letzter Minute vornehmen, um Ihre Optionen offen zu halten. Heutzutage gibt es viele Transportmöglichkeiten wie Luft, See, Schiene und Straße. Es ist nicht so, dass eine Option in Stein gemeißelt ist; es handelt sich um eine Abstufung von Dingen, die mehr oder weniger teuer sein können. Je nach Situation können Sie sich entscheiden, eine frühe Lieferung per Flugzeug zu einem viel höheren Preis zu haben, nur weil es Ihre Vorlaufzeiten erheblich verkürzt und einen drohenden Lagerbestandsausfall mildert. Aber Sie werden das nicht für Ihre gesamte Produktion tun, sondern nur für einen Teil. Daher stimme ich Stephen’s Schlussfolgerung zu, dass Probleme in der Supply Chain nicht unvermeidlich sind, aber ich würde sagen, dass die Anzahl der Möglichkeiten, sie zu mildern und sie für Ihre Supply Chain profitabler zu machen, in den letzten zwei Jahrzehnten enorm gewachsen ist.

Kieran Chandler: Stephen, du hast diese Idee der Verwendung von Regelungstechnik erwähnt, die ich eher als eine Technik des Ingenieurwesens sehe. Wie kann das in diesem Szenario angewendet werden?

Stephen Disney: Ich habe eine Analogie, die ich gerne benutze - es geht um das Duschen. In einer Supply Chain treffen wir eine Entscheidung und nach einer gewissen Zeit erhalten wir entweder Produkte aus unserem Produktionssystem oder von unserem Lieferanten. Es gibt eine Verzögerung zwischen der Ursache, der Entscheidung, und der Konsequenz, den Produkten, die ankommen. Stellen Sie sich nun vor, wir haben eine dieser altmodischen Duschen mit separaten Warm- und Kaltwasserhähnen. Um die Temperatur zu regulieren, würde ich den Warmwasserhahn ganz aufdrehen, warten, bis das warme Wasser durch die Dusche fließt und auf meinen Kopf fällt, und dann den Kaltwasserhahn verwenden, um die Temperatur zu regulieren. Wenn ich den Kaltwasserhahn zu schnell aufdrehe, wird es zu kalt, und wenn ich ihn zu schnell zurückdrehe, wird es zu heiß. Wir wissen, dass wir in der Dusche den Hahn langsam aufdrehen und warten sollten, bis das Wasser durch das Rohr fließt, um die gewünschte Temperatur zu erreichen.

Das gleiche Prinzip gilt für eine Supply Chain. Wenn die Nachfrage steigt, vielleicht weil wir in neue Märkte vordringen oder unsere Produkte beliebter geworden sind, wollen wir nicht sofort der gesamten Steigerung hinterherjagen, da wir dadurch Schwankungen in Angebot und Nachfrage erzeugen würden. Wir möchten tatsächlich langsam auf Veränderungen in der Nachfrage reagieren. Wenn wir dies tun und die Nachfrage nur von kurzer Dauer ist, könnte sie wieder sinken, und wir verfolgen sie nicht bis zum Ende nach oben oder unten.

Kieran Chandler: Also, Joannes, du hast diesen Auffüllalgorithmus erwähnt, der dazu beiträgt, die Variabilität in der Produktion auszugleichen. Kannst du uns dazu noch etwas mehr erzählen?

Joannes Vermorel: Ja, absolut. Wir erhalten dieses schöne gleichmäßige Muster mit Produktionsaufträgen oder Auffüllungsaufträgen, die durch die Spitzen und Täler in der Nachfrage fließen, und der Punkt, an dem dies geschieht, sind die Auffüllalgorithmen. Die Prognose wird im Auffüllalgorithmus in Ihrem ERP-System verwendet und für ein Produkt mit hohem Volumen handelt es sich in der Regel um eine Variante von etwas, das als “Wasser bis zur Politik” bezeichnet wird, und es gibt zwei Rückkopplungsschleifen darin, eine für den Bestand und eine für die Arbeit in Bearbeitung. Wir haben also einen Zielbestand, der unser Sicherheitsbestand ist, und unser tatsächlicher Bestand kann darunter oder darüber liegen. Anstatt zu versuchen, alles in einer Entscheidung zu korrigieren, möchten wir es im Laufe der Zeit langsam korrigieren, um die auf die Produktion ausgeübte Variabilität auszugleichen. Das Gleiche gilt für die Arbeit in Bearbeitung. Wenn wir eine lange Vorlaufzeit haben, wird es eine Zielmenge an Produkten in Booten und Containern geben, die zu uns verschifft werden, und wir müssen dies genauso berücksichtigen wie den Bestand. Aber es handelt sich um eine kleine Änderung an einem Algorithmus, die sich stark auf die Dynamik von Supply Chains auswirken kann.

Kieran Chandler: Stephen, was denkst du über diese Art von Analogie? Es scheint ziemlich offensichtlich zu sein, diesem Konzept eines Feedback-Reglers zu folgen. Es klingt so, als ob es auf den ersten Blick funktioniert.

Stephen Disney: Nun, Kieran, ich meine, in moderner Hinsicht war einer der größten Durchbrüche des Deep Learning tatsächlich eine Wiederentdeckung der Kraft des stochastischen Gradientenabstiegs, genau das. Sie bewegen ein System ein kleines Stückchen nach dem anderen in die Richtung, in der Sie lernen. Darum geht es beim stochastischen Gradientenabstieg, also ist die Dusch-Analogie einfach eine Reihe von kleinen Berührungen, heiß und kalt, bis Sie sich umdrehen. Es ist sehr interessant, weil vor zwei Jahrzehnten die Leute tatsächlich sehr skeptisch waren gegenüber dem, was heute als lokale Optimierung bekannt ist. Also, im Grunde folgen Sie einfach dem Gradienten und Sie erhalten eine hoch optimierte Ausgabe, und die Leute dachten: “Oh, wenn Sie das tun, bleiben Sie in einer Art lokalem Minimum stecken und es funktioniert nicht.” Die Realität ist, dass lokale Minima kein Problem sind, wenn Sie sehr hochdimensionale Spiele spielen, sondern die Geschwindigkeit der Konvergenz, und das System mit kleinen Bewegungen anzustoßen, wie es beim stochastischen Gradientenabstieg gemacht wird, funktioniert sehr, sehr gut. Das wäre ein Teil meiner Überlegungen. Dann gibt es noch eine andere Sache, nämlich wenn wir darüber sprechen, was wir optimieren wollen, würde ich wieder sagen, dass es sehr stark von den Branchen abhängt, die Sie betrachten, denn zum Beispiel betrachten wir mal den Bereich der Luxusuhren. Angenommen, Sie sind ein Meisteruhrenmacher und stellen sehr teure Uhren her, und das Extrem wäre Damenuhren. Also, was haben Sie? Im Wesentlichen handelt es sich um ein Schmuckstück aus Edelmetallen, das zu 100% recycelbar ist. Sie können 100% des Werts recyceln. Sie haben Edelmetalle, Edelsteine und dann haben Sie ein Uhrwerk, das standardisiert ist. Also, was sind Ihre Einschränkungen? Ich meine, Sie können und buchstäblich, wenn Sie nichts im Geschäft haben, kaufen die Leute nicht, also haben Sie ein Interesse daran, wirklich viel zu produzieren, und es ist ein Markt, der sehr stark von Neuheiten getrieben wird, also müssen Sie viel produzieren. Und was passiert, wenn Sie nicht produzieren?

Kieran Chandler: Es ist in Ihrem Interesse, wirklich viel zu produzieren, und es ist ein Markt, der sehr stark von Neuheiten getrieben wird, also müssen Sie viel produzieren. Und was passiert, wenn Sie nicht produzieren?

Joannes Vermorel: Nun, was Sie nicht produzieren, bringen Sie einfach die teuren Uhren zurück in ein Geschäft, Sie zerlegen alle kostbaren Edelsteine, recyceln das Metall und setzen die Uhrwerke in neue Uhren ein und schicken sie dann zurück. Dann stellen Sie fest, dass die Montage vielleicht nur fünf Prozent der Kosten einer Uhr ausmacht und dass es eine Bruttomarge von 80 Prozent ist. Also sehen Sie, wenn Sie sich in dieser Art von Situation befinden, haben Sie sehr starke Asymmetrien im Spiel. Natürlich variiert es. Es ist nicht dasselbe für einen stark unter Druck stehenden FMCG, der wirklich mit sehr engen Margen arbeitet. Mein Punkt ist, dass die optimale Gradientenoptimierung wirklich funktioniert, aber dann müssen Sie wirklich in Bezug auf die Asymmetrie der wirtschaftlichen Treiber denken, um zu wissen, welche Bereiche den Sweet Spot in Bezug auf das Gleichgewicht darstellen. Und von einer Branche zur anderen kann das, was in einer Branche als wahnsinnig verschwenderisch angesehen wird, in einer anderen Branche als sehr vernünftig angesehen werden.

Kieran Chandler: Okay, Stephen, lassen Sie uns vielleicht ein wenig über die Anwendung dieser Techniken in der realen Welt sprechen. Ich denke, eines der Dinge, die das Papier sehr gut gemacht hat, ist, dass es einige dieser Probleme aufgezeigt hat, aber es war nicht sehr präskriptiv, wie man damit umgehen soll. Also, welche Art von Ratschlägen geben Sie Unternehmen, mit denen Sie vielleicht zusammenarbeiten?

Stephen Disney: Aufbauend auf Joannes’ Ideen denke ich, dass der erste Schritt darin besteht, die Bedürfnisse Ihrer Supply Chain zu verstehen. Wertstrommapping ist ein wichtiger erster Schritt. Sie möchten den Prozess verstehen, der zur Herstellung eines Produkts verwendet wird. Sie möchten verstehen, welche strategischen Bedürfnisse dieser Prozess hat. Handelt es sich um eine Supply Chain, bei der Sie sich nur auf die Reduzierung des Lagerbestands konzentrieren, oder sind die Kapazitätskosten signifikant? Wenn Sie sich nur auf den Lagerbestand konzentrieren und der Bullwhip-Effekt keine Konsequenzen hat, konzentrieren Sie sich einfach auf die Minimierung Ihrer Lagerkosten, und das ist in Ordnung. In kapitalintensiven Branchen ist es wahrscheinlich ein Gleichgewicht zwischen den Lagerkosten für Fertigwaren und Rohstoffen und der effizienten Nutzung Ihrer Produktionsanlagen und des Kapitals, das Sie dort gebunden haben. Also, verstehen Sie Ihre Supply Chain, kartieren Sie sie - ich verwende gerne Wertstromkarten dafür - und überlagern Sie dann darauf Zeitreihen, wie sieht die Zeitreihe der Nachfrage aus, wie sieht die Zeitreihe der Prognosen aus, wie sehen die Zeitreihen der Produktionsziele und -abschlüsse aus, wie sieht die Zeitreihe der Lagerbestände aus, der Fertigwaren, der Rohstoffe. Und dann gehen Sie zurück zu Ihrem Lieferanten, wie sehen die Prognosen aus, die Sie Ihrem Lieferanten geben? Stimmen sie mit ihren Lieferungen überein, und können Sie Ihrem Lieferanten zuverlässige zukünftige Anweisungen geben, was benötigt wird? Das gibt Ihnen ein Verständnis dafür, wo die Variabilität im System erzeugt wird und welche Konsequenzen diese Variabilität hat, denn sie ist nicht immer schlecht. Wenn Sie die strategischen Bedürfnisse Ihrer Supply Chain verstanden haben, können Sie dann darüber nachdenken, wie Sie Ihre Prognosen erstellen. Oft passen Unternehmen ihre Prognosen manuell an, und wir müssen darüber nachdenken, ob das tatsächlich einen Mehrwert gegenüber einer algorithmischen Prognose bietet.

Kieran Chandler: Verwenden Sie die richtigen Prognosealgorithmen? Sind sie richtig auf die Bedürfnisse Ihres Unternehmens abgestimmt? Eine auf den Lagerbestand ausgerichtete Supply Chain hat andere Prognoseanforderungen als ein kapitalintensives Prognoseunternehmen. Wir müssen uns daran erinnern, dass wir keine Prognosen erstellen, um den Menschen zu zeigen, wie gut wir die Zukunft vorhersagen können, sondern um eine Geschäftsentscheidung darüber zu treffen, wie viel wir von unseren Lieferanten bestellen und wie viel wir produzieren sollen. Sind die Algorithmen, die diese Prognosen verwenden, an der richtigen Stelle eingerichtet? Haben sie proportionale Rückkopplungsregler, die Geschwindigkeiten der Zapfhähne? Sind sie richtig eingerichtet?

Stephen Disney: Das ist eine Arbeit, die in Ihrem IT-System, Ihrem ERP-System oder Ihren Tabellenkalkulationen, die Sie zur Produktionsplanung und Beschaffung von Lieferanten verwenden, erledigt werden kann. Und dann gibt es gute alte Ingenieursarbeit zu erledigen. Kann das Produktionssystem den gewünschten Plan umsetzen? Sind Ihre Maschinen zuverlässig? Erreichen Sie die Produktionsziele oder produzieren Sie manchmal zu viel oder zu wenig? Produzieren Sie qualitativ hochwertige Produkte? Es ist eine Mischung aus Prognose, Informatik, Regelungstechnik und guter alter Produktionsingenieurskunst, um den Bullwhip-Effekt auf ein für Ihre Supply Chain angemessenes Niveau zu bringen.

Kieran Chandler: Genial. Und Joannes, wie relevant würden Sie sagen, ist der Bullwhip-Effekt heute in der Gegenwart? Würden Sie sagen, dass COVID ein sehr gutes Beispiel für den Bullwhip-Effekt in Aktion war?

Joannes Vermorel: Ich meine, COVID war eine sehr große Störung für alle. Ich glaube nicht, dass es genau eine Manifestation des Bullwhip-Effekts war. Ich würde sagen, wenn es etwas gibt, das COVID charakterisiert hat, dann war es eine Art Fat-Tail-Ereignis. Es war eine Erinnerung daran, dass Verteilungen in Supply Chains, und mit Verteilungen meine ich statistische Verteilungen, nicht normal sind; sie haben Fat-Tails. Sie haben also diese extremen Ereignisse, die nicht so unwahrscheinlich sind, wie sie erscheinen, wenn man sich normale Verteilungen ansieht.

Ich vermute, dass es aufgrund der Unberechenbarkeit der Vorlaufzeiten allerlei Probleme als Folge dieser Pandemie geben wird, die sich in Form von Bullwhips äußern werden. In gewissem Maße denke ich, dass wir das derzeit in Asien für Elektronik sehen. Aber ich glaube nicht, dass es dominant sein wird. Heutzutage denke ich, dass es sehr interessant ist, wenn man einen Ansatz verfolgt, bei dem man alle möglichen Zukunftsszenarien betrachtet und dann alle möglichen Entscheidungen betrachtet und die beiden miteinander verknüpft, kann man eine sehr granulare Antwort erhalten, die vor zwei Jahrzehnten technisch nicht möglich war. Man kann wirklich quantifizieren, wie weit man bereit ist, Variationen im System zuzulassen, die die Variation in der Nachfrage überschreiten, weil in Supply Chains normalerweise nichtlineare Kosten anfallen.

Kieran Chandler: Wenn Sie in derselben Zeitspanne doppelt so viel produzieren möchten, kostet es möglicherweise nicht nur doppelt so viel, sondern fünfmal so viel, einfach weil die Mitarbeiter Überstunden machen müssen, die Maschinen auf einem Niveau laufen müssen, bei dem eine aggressive Wartung erforderlich ist, und so weiter. Die Frage ist, können Sie diese Probleme beseitigen oder zumindest aus finanzieller Sicht unter Kontrolle bringen, wo Sie viel mehr Kontrolle über das finanzielle Ergebnis für Ihr Unternehmen haben?

Joannes Vermorel: Heutzutage glaube ich nicht, dass man diese Probleme beseitigen kann, aber man kann sie aus finanzieller Sicht weitgehend unter Kontrolle bringen und damit viel mehr Kontrolle über das finanzielle Ergebnis für Ihr Unternehmen haben.

Kieran Chandler: Stephen, wir überlassen Ihnen das letzte Wort. Ich weiß, dass Sie viel Forschung im Bereich statistischer Techniken betreiben und diese auf das Operationsmanagement anwenden. Was erforschen Sie derzeit und was denken Sie, wird in den kommenden Jahren interessant sein?

Stephen Disney: Ich habe in letzter Zeit viel Zeit damit verbracht, Dual-Sourcing-Supply Chains zu untersuchen. Dabei handelt es sich um Supply Chains, bei denen wir den Großteil unserer Produkte aus einem kostengünstigen Land beziehen, das möglicherweise weit entfernt ist, aber wir ergänzen dies durch eine kleine lokale Fabrik. Die kleine lokale Fabrik hat eine kürzere Vorlaufzeit und kann pro Einheit möglicherweise teurer sein, um lokal produziert zu werden, aber weil wir den Großteil der Nachfrage aus der Supply Chain mit langer Vorlaufzeit und niedrigen Kosten befriedigen können, ist der Durchschnittspreis pro Einheit recht gering. Die kleine Fabrik kann ihr Volumen sehr schnell an die Variabilität der Nachfrage anpassen, sodass wir unsere Bestände mit der kleinen Fabrik sehr eng unter Kontrolle halten können, während wir den Großteil der Nachfrage aus den kostengünstigen Produkten der entfernten Fabrik befriedigen.

Es ist interessant, wie wir diese Ideen nutzen können. Ich denke, es ist aus umwelttechnischer Sicht gut, weil die Nettoverteilung von Produkten auf der Welt abnehmen wird. Es ist eine interessante Möglichkeit, die Fertigung in die teuren westlichen Länder zurückzuholen und hoffentlich unsere Supply Chains robuster gegen Störungen zu machen.

Aufbauend auf der letzten Frage ist die Supply Chain für mich ein System mit einer natürlichen Frequenz, ähnlich wie eine Brücke bei bestimmten Windverhältnissen vibriert. Die Supply Chain hat eine natürliche Frequenz, und wir haben ihr gerade einen großen COVID-Stoß gegeben. Die Supply Chain wird einige Jahre lang mit ihrer natürlichen Frequenz oszillieren, bevor diese Oszillation abklingt. Wir werden sehen, wie die Nachfrage steigt, dann sinkt und dann wieder steigt. Globale Supply Chains mit langen Vorlaufzeiten werden länger brauchen, um sich zu erholen, während Supply Chains mit kurzen Vorlaufzeiten sich viel schneller erholen werden.

Kieran Chandler: Genial. Nun, vielen Dank euch beiden für eure Zeit. Das war alles für diese Woche. Vielen Dank fürs Zuschauen, und wir sehen uns in der nächsten Folge wieder. Danke fürs Einschalten.