00:00:07 Diskussion über die Verwaltung von SKUs für Supply Chain Planner.
00:01:09 Abhängigkeit der SKU-Verwaltung von Branchenvertikalen.
00:02:14 SKU-Verwaltung im Einzelhandel und Auswirkungen auf die Bedarfsplaner.
00:04:00 Faktoren, die die SKU-Verwaltung beeinflussen, und klassische Regeln, die befolgt werden.
00:07:01 Vergleich des klassischen Ansatzes mit der Art und Weise, wie Loca die SKU-Verwaltung handhabt.
00:08:01 Diskussion des Unterschieds zwischen traditioneller Bedarfsplanung und Supply Chain Science.
00:09:37 Die Bedeutung intelligenter Bestandsauffüllungsentscheidungen.
00:11:00 Die Fähigkeit einer Person, Millionen von SKUs mithilfe numerischer Rezepte zu verwalten.
00:12:19 Wie numerische Rezepte dazu beitragen, ein Asset für Unternehmen aufzubauen.
00:14:00 Die Notwendigkeit, repetitive Büroarbeiten zu automatisieren, und die Grenzen der Automatisierung.
00:16:02 Grenzen von Supply Chain Scientists und der Umgang mit Komplexität.
00:17:42 Abnehmender Ertrag bei Produktivität und Koordination zwischen Wissenschaftlern.
00:19:33 Vergleich der Effektivität und Geschwindigkeit eines einzelnen Wissenschaftlers gegenüber einem Team.
00:21:09 Kontinuierliche Verbesserung und kapitalistischer Ansatz von Supply Chain Scientists.
00:22:45 Barrieren für die Umsetzung kapitalistischer Ansätze im Supply Chain Management.
Zusammenfassung
In einem kürzlichen Interview diskutierte Joannes Vermorel, Gründer von Lokad, die Herausforderungen, denen moderne Supply Chain Planner gegenüberstehen, insbesondere bei der Verwaltung von Lagerhaltungseinheiten (SKUs). Vermorel erklärte, dass die Anzahl der verwalteten SKUs in der Regel zwischen einigen hundert und einigen tausend liegt, abhängig von der Branchenvertikale. Traditionell verwenden Bedarfsplaner Tabellenkalkulationen mit Dutzenden von Spalten, um Bestandsentscheidungen zu treffen, aber Lokad setzt Supply Chain Scientists ein, die numerische Rezepte entwickeln, um Bestandsentscheidungen zu treffen. Das Ziel ist es, eine Lösung mit “null Prozent Wahnsinn” zu schaffen und sicherzustellen, dass die Entscheidungen vernünftig sind. Vermorel argumentiert, dass die Behandlung jedes Problems als Fehler, der behoben werden muss, eine Denkweise ständigen Wachstums und ständiger Verbesserung fördert und zu einer besseren Gesamtleistung führt.
Erweiterte Zusammenfassung
In dem Interview diskutiert Kieran Chandler, der Moderator, mit Joannes Vermorel, dem Gründer von Lokad, die Herausforderungen, denen moderne Supply Chain Planner gegenüberstehen, insbesondere bei der Verwaltung von Lagerhaltungseinheiten (SKUs). Vermorel erklärt, dass die Anzahl der SKUs, die ein Planner verwaltet, in der Regel zwischen einigen hundert und einigen tausend liegt, abhängig von der Branchenvertikale. Der Einzelhandel ist eine Ausnahme, da Planner auf Lagerhausbasis mit zahlreichen SKUs arbeiten können, aber auf Ladenebene in der Regel Min-Max Vorlagen anstelle einzelner SKUs verwalten.
Die Anzahl der SKUs, die ein Planner verwaltet, wird oft durch die Zeit bestimmt, die benötigt wird, um einen Zyklus durch die Liste der Referenzen abzuschließen. Planner arbeiten in der Regel mit Tabellenkalkulationen, passen Mengen und Min-Max-Werte an und klassifizieren SKUs in Kategorien wie Topseller und Langsamdreher.
Vermorel betont, dass die Beziehung zwischen SKU-Volumen und Unregelmäßigkeit invers korreliert ist. Große FMCG (Fast Moving Consumer Goods) Unternehmen mit hohem Volumen haben eine geringere Unregelmäßigkeit, während Branchen mit geringem Volumen und hoher Unregelmäßigkeit, wie z.B. Automobilteile, eine herausforderndere Prognose haben können, aber der wirtschaftliche Wert nicht so signifikant ist. Die Anzahl der SKUs, die ein Supply Chain Planner verwaltet, hängt von der Branchenvertikale und der Art der Produkte ab. Der Prozess beinhaltet in der Regel die Verwaltung einiger hundert bis einiger tausend SKUs und die Verwendung von Tabellenkalkulationen zur Überwachung und Anpassung der Lagerbestände unter Berücksichtigung von Faktoren wie Volumen, Unregelmäßigkeit und wirtschaftlichem Wert.
Sie stellen den Ansatz von Lokad dem klassischen Ansatz des Supply Chain Managements gegenüber.
Traditionell verwenden Demand Planner Tabellenkalkulationen mit Dutzenden von Spalten, um Bestandsentscheidungen zu treffen, wobei der Schwerpunkt mehr auf höher priorisierten Artikeln (A) und weniger auf niedriger priorisierten Artikeln (B und C) liegt. Dieser Ansatz beinhaltet erhebliche operative Ausgaben (OPEX) mit geringer Kapitalisierung. Die einzige Kapitalisierung erfolgt durch das Design der Tabelle, die für die folgenden Monate nützlich wird.
Lokad hingegen beschäftigt Supply Chain Scientists, die numerische Rezepte zur Bestandsentscheidung entwickeln. Ihr erstes Ziel ist es, eine Lösung mit “null Prozent Wahnsinn” zu schaffen und sicherzustellen, dass die Entscheidungen vernünftig sind. Eine schlechte Entscheidung könnte zum Beispiel darin bestehen, ein Modegeschäft nur mit braunen und schwarzen Handtaschen zu bestücken, weil sie am besten verkauft werden, während andere Farben, die für das Merchandising benötigt werden, vernachlässigt werden.
Durch die Entwicklung numerischer Rezepte, die Expertise erfassen, ermöglicht der Ansatz von Lokad einem einzigen Supply Chain Scientist die Verwaltung großer Mengen an SKUs und großen Mengen an Lagerbeständen. Dieser Ansatz stellt einen signifikanten Bruch mit dem klassischen Ansatz dar, der dutzende oder sogar hunderte von Demand Plannern erfordern würde, um die gleiche Arbeitslast zu bewältigen. Der Fokus von Lokad liegt darauf, ein Asset (CAPEX) aufzubauen, anstatt nur Ressourcen zu verbrauchen (OPEX).
Der Ansatz von Lokad stellt die Notwendigkeit in Frage, Tabellenkalkulationen täglich zu überarbeiten, da Entscheidungen auf verfügbaren Daten basieren. Stattdessen implementiert er den Denkprozess von Demand Plannern durch numerische Rezepte, möglicherweise unter Einbeziehung spezifischer Machine Learning Techniken.
Vermorel erklärt die Bedeutung der Nutzung von Machine Learning Techniken für Unternehmen, die immer noch White-Collar-Mitarbeiter für repetitive Aufgaben einsetzen, da dies zu einer verbesserten Effizienz führen könnte. Er räumt jedoch ein, dass einige Aufgaben, wie z.B. die Reinigung von Lagern, aufgrund der Einschränkungen der aktuellen Technologie schwer zu automatisieren sind.
Vermorel betont, dass viele Supply Chain Entscheidungen, wie Bestellmengen und Preispunkte, vollständig durch numerische Rezepte automatisiert werden können. Er stellt klar, dass dies nicht bedeutet, Automatisierung ohne menschliche Aufsicht, sondern den Einsatz menschlicher Erkenntnisse im großen Maßstab und die Überlassung der mühsamen numerischen Arbeit an Computer. Die Grenzen liegen seiner Meinung nach in der Komplexität der Supply Chain selbst und der Notwendigkeit von Approximationen, um sicherzustellen, dass das numerische Rezept aus einer Softwareperspektive handhabbar bleibt.
Auch das Gleichgewicht zwischen der Anzahl der Codezeilen und der Arbeitsbelastung eines einzelnen Supply Chain Scientists wird diskutiert. Vermorel schlägt vor, die Supply Chain in kleinere Teile aufzuteilen, die von mehreren Scientists verwaltet werden, um die Verfeinerung der numerischen Rezepte zu verbessern. Dies kann jedoch zu abnehmenden Erträgen in Bezug auf die Produktivität führen, da die zusätzlichen Scientists weniger zum Gesamtergebnis beitragen.
Das Interview berührt das Paradoxon der Produktivität, bei dem eine Person für die Verwaltung einer großen Anzahl von SKUs verantwortlich ist und die Notwendigkeit von mehr Mitarbeitern, um große Supply Chains zu bewältigen. Vermorel schließt mit der Betonung der Bedeutung der Minderung von “Truck-Faktoren” durch Backup-Personal, das im Falle eines Ausscheidens einer Person aus dem Unternehmen übernehmen kann.
Die Diskussion konzentriert sich darauf, wie die Entscheidungsfindung in der Supply Chain durch den Einsatz von Technologie und kontinuierliche Verbesserung effektiver, effizienter und kapitalistischer gestaltet werden kann.
Vermorel argumentiert, dass traditionelle Ansätze zur Bedarfsplanung, die auf menschlicher Entscheidungsfindung und Tabellenkalkulationen beruhen, in ihrer Fähigkeit zur kontinuierlichen Verbesserung begrenzt sind. Nach der anfänglichen Einrichtung eines Bedarfsplanungssystems stagnieren Verbesserungen in der Regel und das Team bleibt in einem Zyklus des reinen Systemerhalts stecken. Dadurch haben sie nicht die Zeit und die Ressourcen, um sich auf kontinuierliche Verbesserung zu konzentrieren.
Auf der anderen Seite zielt der Ansatz von Lokad darauf ab, 100% der Entscheidungen in der Supply Chain zu automatisieren, sodass sich Supply Chain Scientists vollständig der kontinuierlichen Verbesserung widmen können. Obwohl die Einrichtung eines solchen Systems länger dauern kann als bei einem traditionellen Bedarfsplanungssystem, führt es letztendlich zu einer effizienteren und effektiveren Supply Chain.
Vermorel betont, dass die Behandlung jedes Problems als Fehler, der behoben werden muss, eine Denkweise ständigen Wachstums und ständiger Verbesserung fördert. Dieser kapitalistische Ansatz zum Supply Chain Management stellt sicher, dass Supply Chain Scientists kontinuierlich auf ihren Verbesserungen aufbauen und so eine bessere Gesamtleistung erzielen.
Es gibt jedoch Herausforderungen bei der Umsetzung dieser kapitalistischen Ansätze. Jahrzehntelang gab es keine Technologie und Software, die für solche Systeme erforderlich waren. Darüber hinaus betrachteten viele Unternehmen das Supply Chain Management nicht als wesentliche Funktion, sondern als reine Supportfunktion oder Kostenstelle. Dadurch gab es wenig Anreiz, in neue Technologien oder Praktiken zu investieren, um das Supply Chain Management kapitalistischer zu gestalten.
Um diese Barrieren zu überwinden, schlägt Vermorel vor, dass Unternehmen ihre Denkweise ändern und den Wert des Supply Chain Managements als Vermögenswert erkennen müssen, anstatt es nur als Kostenstelle zu betrachten. In Kombination mit der Verfügbarkeit neuer Technologien und Software kann dies einen kapitalistischeren und effektiveren Ansatz zur Entscheidungsfindung in der Supply Chain ermöglichen.
Vollständiges Transkript
Kieran Chandler: Hey, da moderne Unternehmen immer größere Kataloge anbieten und die Technologie eine einfachere Lagerverwaltung ermöglicht, muss ein moderner Supply Chain Planner viele Aufgaben bewältigen. Wir werden uns fragen, wie viele SKUs ein Supply Chain Planner verwalten sollte und wie viele zu viele sind. Also Joannes, es scheint, dass Supply Chain Planner heutzutage sehr viel zu tun haben. Wie viele SKUs verwaltet ein Supply Chain Planner in der Regel?
Joannes Vermorel: Nach meinen Beobachtungen hängt es von der Branche ab, aber die meisten Unternehmen verwalten in der Regel einige hundert bis einige tausend SKUs. Es gibt jedoch einige Situationen, in denen Unternehmen Zehntausende von SKUs verwalten, das ist jedoch eher die Ausnahme. Der typische Bereich, den ich gesehen habe, liegt bei etwa 500 bis 1.000 SKUs in vielen Branchen.
Kieran Chandler: Wie sehr hängt es von der Branche ab? Ich stelle mir vor, dass in der Luxus-Einzelhandelsbranche nicht viele SKUs verwaltet werden, aber in einem Hypermarkt werden viele mehr verwaltet.
Joannes Vermorel: Ja, der Einzelhandel ist wahrscheinlich die Ausnahme, bei der Demand Planner mit einer größeren Anzahl von SKUs umgehen. Selbst in Einzelhandelsnetzwerken verwalten Demand Planner jedoch in der Regel nur einige hundert SKUs auf Lagerebene. Auf Ladenebene verwenden sie in der Regel Min-Max-Vorlagen, die sie auf eine große Anzahl von Geschäften mit ähnlichen Merkmalen replizieren. Auf diese Weise verwalten sie SKUs nicht direkt auf Ladenebene, sondern verwalten eher ein Meta-SKU oder eine Vorlage. Wenn Sie die Anzahl der verwalteten Geschäfte mit der Anzahl der Produkte multiplizieren, erhalten Sie eine große Anzahl von SKUs, aber so wird die Arbeit in der Regel nicht erledigt. Manager verwalten also in der Regel höchstens einige tausend SKUs pro Person.
Kieran Chandler: Welche Faktoren bestimmen, wie viele SKUs eine Person verwaltet? Gibt es klassische Regeln, denen die Leute folgen?
Joannes Vermorel: Der klassische Ansatz, den die meisten Demand Planner und Supply Planner verwenden, besteht darin, eine lange Tabelle mit einer SKU pro Zeile und verschiedenen instrumentierten Spalten durchzugehen, die Indikatoren liefern. Diese Indikatoren können beinhalten, wie viel in den letzten Wochen, im letzten Jahr oder im gleichen Zeitraum des Vorjahres verkauft wurde, um Saisonalität zu berücksichtigen. Die Planner gehen Zeile für Zeile vor und passen die Mengen und Min-Max-Levels basierend auf den Daten in diesen Spalten an.
Kieran Chandler: Tabelle, du gehst zurück und wiederholst. Möglicherweise teilst du deine SKUs in Klassen wie ABC auf, damit du mehr Zeit für die Top-Verkäufer und weniger Zeit für die langsamen Beweger aufwendest. Das ist so ziemlich alles, und du siehst, dass die Anzahl der SKUs sehr stark von der Zeit abhängt, die der Demand Planner benötigt, um einen Zyklus durch die Liste der Referenzen durchzuführen, die diese Person verwaltet. In diesem Beispiel stelle ich mir vor, dass es von einer Vielzahl von Produkten abhängt. Wenn du in einem Unternehmen wie Coca-Cola bist, wo es nur ein Produkt gibt, bedeutet das, dass wir nur einen Demand Planner haben?
Joannes Vermorel: Nein, ich meine Coca-Cola hat Hunderte von Produkten. Und wenn du dir die Art der Planung ansiehst, die aus Sicht von Coca-Cola erforderlich ist, müssen sie praktisch jeden einzelnen Kanal planen, weil ihre Kanäle riesig sind. Typischerweise werden die Planner nach Geografien oder Kanälen organisiert sein, und so hast du einen Planner für einen Kanal. Sie haben einige hundert SKUs, und so kommst du wieder auf ein paar hundert SKUs pro Planner. Häufig müssen sie auch ein wenig VMI, Vendor-Managed Inventory, machen. Also kommst du wieder auf ein paar hundert SKUs pro Planner.
Kieran Chandler: Und wie sieht es mit der Schwierigkeit der Prognose aus, wenn du in einer Branche bist, in der es viele neue Produkte gibt, wie zum Beispiel Mode? Bedeutet das, dass du weniger SKUs pro Person verwalten kannst?
Joannes Vermorel: Das ist interessant, und nochmals, ich beschreibe hier, was ich heutzutage als Mainstream betrachte, nicht die Art und Weise, wie Lokad arbeitet. Aber das Ding ist, wenn du es mit sehr hoher Unberechenbarkeit zu tun hast, handelt es sich in der Regel um Produkte mit sehr geringem Volumen. Du siehst, dass es eine inverse Korrelation zwischen Unberechenbarkeit und Volumen gibt. Wenn du ein großes FMCG-Unternehmen bist, hast du hohe Volumina, geringere Unberechenbarkeit. Aber du würdest auch denken: “Oh, wenn ich weniger Unberechenbarkeit habe, ist die Prognose vielleicht einfacher.” Ja, aber auch das, was du prognostizierst, ist aus wirtschaftlicher Sicht sehr wichtig, weil wir über eine große Masse sprechen. Auf der anderen Seite des Spektrums, wenn wir über eine super unberechenbare Prognose sprechen, sagen wir, Automobilteile im Long Tail, dann ja, es ist unglaublich unberechenbar, aber auch das Volumen ist sehr gering und der Wert ist nicht so groß. Also selbst wenn ja, technisch gesehen die Prognose schwieriger ist und die Unberechenbarkeit viel höher ist, ist die wirtschaftliche Realität, dass das wirtschaftliche Gewicht dieses Artikels in deiner Supply Chain gering ist und es daher nicht wirklich wichtig ist, ob es schwieriger ist oder nicht. Es ist nicht sehr vernünftig, mehr Zeit für diese Artikel aufzuwenden.
Kieran Chandler: Okay, und dann lassen Sie uns vielleicht den Weg, den Lokad geht, im Vergleich zum klassischen Ansatz kontrastieren. Wie unterscheidet es sich im Vergleich zu dem, was ein Supply Chain Scientist im Vergleich zu dem verwalten würde, was Sie auf klassische Weise verwalten können?
Joannes Vermorel: Die klassische Perspektive, und deshalb landen wir bei dieser Anzahl von SKUs pro Bedarfsplaner, ist buchstäblich die Konsolidierung von Informationen durch Menschen.
Kieran Chandler: Also verwenden Menschen Tabellenkalkulationen mit Dutzenden von Spalten, die erklären, was sie sehen sollten, und treffen dann Entscheidungen, indem sie die Tabelle durchgehen. Sie beginnen mit den wichtigsten Artikeln und widmen den weniger wichtigen weniger Zeit. Wie oft überprüfen sie diese Artikel?
Joannes Vermorel: Nun, sie könnten alle wichtigen Artikel täglich überprüfen, während sie die weniger wichtigen nur monatlich überprüfen. Die Zeit, die der Planer aufwendet, ist betrieblicher Aufwand. Die Arbeit, die Sie verbrauchen, die Zeit Ihres Bedarfsplaners, nur um die Bedarfsplanungsarbeit zu erledigen, wird nicht kapitalisiert. Die einzige Kapitalisierung erfolgt durch eine gut gestaltete Tabelle mit allen relevanten Spalten. Dieser Teil der Arbeit, das Vorhandensein einer gut instrumentierten Tabelle, ist kapitalistisch im Sinne, dass Sie es einmal tun und dann Ihre Arbeit für alle folgenden Monate schneller ist. Dieser Teil dauert jedoch nur wenige Wochen am Anfang und dann ist er erledigt. Sie kapitalisieren darüber hinaus nicht.
Kieran Chandler: Können Sie uns etwas über den Ansatz von Lokad erzählen und wie er sich von traditionellen Methoden unterscheidet?
Joannes Vermorel: Der Ansatz von Lokad ist sehr unterschiedlich. Ein Supply Chain Scientist wird grundsätzlich ein Rezept erstellen, bei dem Sie möchten, dass alle Ihre Entscheidungen von Anfang an nicht dumm sind. Sie möchten null Prozent Wahnsinn haben. Das ist der erste Meilenstein, den wir anstreben, wenn wir in die Produktion gehen wollen.
Kieran Chandler: Können Sie ein Beispiel dafür geben, was eine dumme Entscheidung sein könnte?
Joannes Vermorel: Eine dumme Entscheidung wäre zum Beispiel, dass Sie einen Modegeschäft haben, das Handtaschen verkauft. Sie stellen nur braune und schwarze Handtaschen in den Laden, weil diese Farben am meisten verkauft werden. Dadurch sieht das Schaufenster traurig aus und es fehlt die Vielfalt an Farben. Sie möchten gerne auch andere Farben wie Weiß oder Gelb für das Merchandising haben. Eine intelligente Entscheidung zur Bestandsauffüllung muss Faktoren jenseits von Verkauf und Service berücksichtigen. Sie möchten auch das Erscheinungsbild des Ladens berücksichtigen.
Kieran Chandler: Also sagen Sie, dass die numerischen Rezepte diese Erkenntnisse erfassen und das Fachwissen widerspiegeln sollten, das jemand bei manueller Arbeit hätte, anstatt sich an naiven Formeln für den Sicherheitsbestand zu halten?
Joannes Vermorel: Genau. Zuerst möchten Sie ein numerisches Rezept erstellen, das diese Erkenntnisse erfasst. Sobald Sie das haben, stellen Sie fest, dass Sie praktisch in jedem Maßstab arbeiten können. Bei Lokad haben wir Supply Chain Scientists, die individuell über eine Milliarde Euro Inventar verwalten.
Kieran Chandler: von Lagerbestand nur eine Person und eine Person verwaltet etwa vier Millionen Artikel individuell. Sie sehen also, dass es plötzlich eine vollständige Trennung gibt, wie viele Artikel und wie viele Personen eine Person in einem Maßstab verwalten kann, der, wenn er klassisch gemacht würde, Dutzende, wenn nicht Hunderte von Planern auf klassische Weise darstellen würde. Und übrigens, wir hatten massive Veränderungen bei unseren Kunden, als wir diese Art von Techniken eingeführt haben, weil plötzlich…
Joannes Vermorel: Das bedeutet nicht, dass all diese Planer übrigens entlassen wurden. Es gibt viele Dinge, bei denen Sie einen Mehrwert haben können. Aber die Frage ist, wenn Sie Teil eines Unternehmens sind und das, was Sie tun, darin besteht, jeden Tag eine Tabelle durchzugehen, wie schafft es dann einen genauen Wert für das Unternehmen zu schaffen? Schafft es wirklich, wissen Sie, investiert das Unternehmen wirklich in Ihre Arbeit, wo die Arbeit, die Sie produzieren, Kapital für das Unternehmen generiert, wissen Sie, etwas, das ein Vermögenswert ist, oder ist es nur etwas, das verbraucht wird? Das ist Kapitalaufwand gegenüber Betriebsaufwand. Und der Ansatz von Lokad konzentriert sich im Wesentlichen auf zwei Dinge: Kapitalaufwand, Kapitalaufwand, Kapitalaufwand. Wir möchten einen Vermögenswert haben.
Kieran Chandler: Wie baut dieses numerische Rezept dann diesen Vermögenswert auf? Wie funktioniert das?
Joannes Vermorel: Die Idee ist, warum sollten Sie Ihre Tabelle jeden Tag erneut überprüfen? Wenn Sie eine Entscheidung treffen, treffen Sie diese Entscheidung basierend auf den Daten, die Sie haben. Als Nachfrageplaner kennen Sie nicht jedes einzelne Produkt auswendig, Sie wissen nicht alles, was es gibt. Nein, ich meine, es kann in einigen sehr spezifischen Bereichen vorkommen, aber das ist sehr selten. Normalerweise konstruieren Sie einfach Ihre Dutzenden von Spalten, die erklären, worauf Sie achten sollten, und treffen dann eine numerische Entscheidung basierend darauf. Nun, der Ansatz von Lokad besteht darin, zu sagen, lassen Sie uns das implementieren, was Sie in Ihrem Kopf tun. Und ja, das erfordert vielleicht einige kleine Details des sehr spezifischen maschinellen Lernens, um das zu tun. Ja, vielleicht gibt es Beziehungen, die nicht einfach in Form von reinen numerischen Formeln auszudrücken sind, klassische numerische Formeln, weil Sie vielleicht in Ihrem Kopf eine Risikobewertung durchführen.
Wie Lokad beispielsweise das Risikobewertung numerisch angeht, ist durch probabilistische Vorhersagen mit wirtschaftlichen Treibern. Aber Sie sehen, es gibt eine ganze Reihe von Problemen, und die Idee ist, dass Sie immer dann, wenn Sie eine Zahl erhalten, die von Ihrem numerischen Rezept generiert wird und einfach falsch aussieht, dies als Fehler behandeln und beheben müssen. Und es sollte keine Ausnahme, keine Warnung geben.
Kieran Chandler: Sie haben also diese kleinen Details der maschinellen Lernverfahren erwähnt. Sollten alle Unternehmen versuchen, diese Art von Technologien in ihren Ansätzen zu nutzen?
Joannes Vermorel: Ich würde sagen, jedes Unternehmen, das heutzutage noch Büroangestellte beschäftigt, um äußerst repetitive Aufgaben zu erledigen, macht einfach einen Fehler, Punkt. Sie sehen, keine Ausnahme. Es gibt Bereiche, in denen einige Operationen in Bezug auf physische Aufgaben immer noch sehr, sehr schwer zu automatisieren sind. Zum Beispiel sind Roboter manchmal starr, und es ist sehr, sehr schwierig, jemanden zu haben, der einfach etwas tut, zum Beispiel…
Kieran Chandler: Operationen so einfach wie Aufräumarbeiten, bei denen es zum Beispiel zu einem Ölverschüttung in Ihrem Lager kommt und Sie es einfach reinigen müssen, sind tatsächlich äußerst schwierig zu automatisieren. Einen Roboter zu haben, der ein bisschen putzen kann, einen Schwamm nimmt und das macht, ist sehr, sehr schwierig. Es gibt also einige Aufgaben, die einfach aussehen, wie zum Beispiel einen Eimer Wasser, einen Schwamm, Reinigungsmittel zu nehmen und es zu reinigen. Diese Dinge sind äußerst schwierig zu automatisieren und liegen über den Fähigkeiten unserer anspruchsvollsten Roboter zurzeit.
Joannes Vermorel: In diesem Fall haben wir Menschen, die diese Arbeit erledigen, aber die Automatisierung liegt einfach außerhalb unserer technischen Möglichkeiten. Wenn es um Supply-Chain-Entscheidungen geht, wie zum Beispiel numerische Entscheidungen wie was soll ich bestellen, wie viele Einheiten sollte ich für jede einzelne SKU bestellen, sollte ich meinen Preispunkt nach oben oder unten verschieben oder sollte ich Inventarübertragungen von Standort A nach Standort B durchführen, all diese Fragen können vollständig automatisiert werden. Ich sage nicht, dass es eine Automatisierung ohne menschliche Aufsicht ist; das ist nicht das, was ich beschreibe. Ich beschreibe ein numerisches Rezept, das von einem Menschen entwickelt wurde, bei dem die Menschen verstehen, was vor sich geht. Es geht nur darum, die menschlichen Erkenntnisse im großen Maßstab einzusetzen und den Computer die mühsame numerische Arbeit für Sie erledigen zu lassen.
Kieran Chandler: Wo liegen dann die Grenzen? Sie haben erwähnt, dass Supply-Chain-Wissenschaftler Milliarden von Dollar wertvoller Bestände verwalten werden. Was ist dann der begrenzende Faktor?
Joannes Vermorel: Der begrenzende Faktor wird die Komplexität der Supply Chain selbst sein, wo Ihre numerische Rezeptur irgendwann eine Annäherung an Ihre Supply Chain sein wird. Sie möchten ungefähr richtig sein und nicht genau falsch. Die Supply-Chain-Wissenschaftler können die Realität nicht genau modellieren; Sie müssen immer Entscheidungen treffen, damit Ihr numerisches Rezept aus einer Softwareperspektive handhabbar bleibt. Sie haben Zeilen Code; Wenn Sie eine Person sind, müssen Sie 20.000 Zeilen Code pflegen, was handhabbar ist. Wenn Sie eine Person sind und eine halbe Million Zeilen Code pflegen müssen, wird es unhandhabbar. Es gibt also ein Gleichgewicht in der Anzahl der beteiligten Codezeilen.
Daher ist es interessant, wenn Sie irgendwann eine Person haben, Möglichkeiten einzuführen, insbesondere wenn Sie sich für sehr große Supply Chains entscheiden, um Ihre Supply Chains zwischen verschiedenen Supply-Chain-Wissenschaftlern aufzuteilen, damit sie individuell mehr Zeit für bestimmte Probleme aufwenden können. Wenn Sie beispielsweise eine Supply Chain haben und Preisentscheidungen und Einkaufsentscheidungen haben, werden diese beiden Dinge irgendwann stark miteinander verflochten sein, aber irgendwann wird es
Kieran Chandler: Joannes, Sie haben erwähnt, dass es vorteilhaft sein könnte, zwei Personen für Preisgestaltung und Einkauf verantwortlich zu machen, aber es gibt abnehmende Erträge bei der Produktivität. Könnten Sie das bitte genauer erklären?
Joannes Vermorel: Ja, es macht Sinn, zwei Personen zu haben, um einen höheren Grad an Verfeinerung in Ihren numerischen Rezepten für Preisgestaltung und Einkauf zu haben. Trotzdem werden diese beiden Personen viel diskutieren und ihre Aktionen koordinieren, was bedeutet, dass Sie auch abnehmende Erträge in Bezug auf die Produktivität haben. Sie sehen, es ist nur so, dass es irgendwann sinnvoll ist, diese zusätzlichen ein Prozent Leistung zu erzielen, um mehr Personen zum Fall hinzuzufügen, auch wenn das bedeutet, dass die Produktivität nur um einen Pluspunkt verbessert wird. Wenn Sie komplett linear wären, würden Sie sagen, dass die Produktionsleistung um 100 Prozent steigt, wenn Sie einen zweiten Supply-Chain-Wissenschaftler hinzufügen. In der Realität werden Sie jedoch nur fünfzig Prozent haben, und dann sind Sie die dritte Person, und diese dritte Person wird nur dreißig Prozent hinzufügen. Es wird also sehr schnell in Bezug auf die Durchsatzrate abnehmen. Sie haben sehr starke Skaleneffekte. Wenn Sie jedoch mit einer sehr großen Supply Chain arbeiten, lohnt es sich, dies zu tun, wenn nur um Ausfallrisiken zu mindern, wenn jemand geht, haben Sie jemanden, der bereit ist, die Aufgabe zu übernehmen.
Kieran Chandler: Es ist interessant, dass Sie das Wort Produktivität erwähnen, denn es klingt alles ein bisschen paradox. Sie haben eine Person, die für so viele weitere Skews verantwortlich ist. Wie können sie effektiver und schneller in ihren Entscheidungen sein als ein Team von Personen, die für einen kleineren Bereich verantwortlich sind?
Joannes Vermorel: Weil das Team von Personen, das für einen kleinen Bereich verantwortlich ist, nichts sehr kapitalistisches in dem tut, was es tut. Sie wissen, der einzige kapitalistische Teil ist die Einrichtung einer sauberen, schönen Tabelle, Ihrer Arbeitsumgebung, die während der ersten Wochen passiert ist. Und dann kapitalisieren Sie nicht mehr. Also stecken Sie fest, Sie stecken in einer Sackgasse, wo plötzlich all Ihre Bemühungen völlig aufgebraucht sind und Sie dem System keine zusätzliche Intelligenz mehr zuführen. Sie durchlaufen nur einen Prozess, der Ihre gesamte Zeit in Anspruch nimmt, und haben daher keine Zeit mehr für kontinuierliche Verbesserungen. Und der Ansatz von Lokad besteht darin, dass 100 Prozent der Anstrengungen des Supply Chain Scientists der kontinuierlichen Verbesserung gewidmet sein müssen. Die Einrichtung dauert also etwas länger als wiederum aus der klassischen Perspektive der Bedarfsplanung. Sie könnten wahrscheinlich in zwei Wochen eine Einrichtung haben, bei der Sie Ihre Tabelle nur instrumentieren und dann fertig sind. Eine Einrichtung aus der Lokad-Perspektive wird wahrscheinlich etwas länger dauern als das. Aber im Gegenzug haben Sie etwas, bei dem Sie fast alle Ihre Entscheidungen, die an einem beliebigen Tag getroffen werden müssen, automatisch erledigen können, was Ihnen fast die gesamte Zeit für kontinuierliche Verbesserungen gibt.
Kieran Chandler: Verstehe. Und jede einzelne Problem als einen Fehler zu behandeln, der behoben werden muss, muss zeitaufwendig sein.
Joannes Vermorel: Ja, und sehen Sie, das Problem ist, dass wenn Sie jedes einzelne Problem als einen Fehler behandeln, der behoben werden muss, bedeutet das, dass Sie sich in eine Position bringen, in der Sie jeden Tag, wenn Sie ins Büro kommen, im Grunde nur ein paar Minuten damit verbringen, sicherzustellen, dass es nichts gibt, wie zum Beispiel ein Feuer zu löschen.
Kieran Chandler: Nur weil etwas völlig Unerwartetes passiert, wie zum Beispiel eine überflutete Lagerhalle, gibt es nichts, was Sie tun können. So etwas passiert in der Lieferkette und dann können Sie Ihren gesamten Tag damit verbringen, Ihr numerisches Rezept zu verbessern. Und das führt zu einem unglaublich kapitalistischen Ansatz. Wenn Sie denken, dass der Supply Chain Scientist jede Woche eine Verbesserungsebene hinzufügt, ist das genau das, was aus einer klassischen Perspektive mit dem Bedarfsplaner in den ersten zwei Wochen passiert ist, aber dann hört es auf. Und mit der Rocket-Perspektive hört diese superkapitalistische Arbeit nie auf. Und deshalb haben Sie nach ein paar Monaten etwas, wo es nur eine Person ist, aber sie ist viel produktiver als der klassische Ansatz. Und auch in Bezug auf die Leistung der Lieferkette ist es viel besser. Einfach weil Sie Ihre Verbesserungen auf eine Weise aufgebaut haben, die hochgradig kapitalistisch ist. Okay, dann werden wir langsam zum Ende kommen. Wo liegen also die größten Barrieren für die Einführung dieser kapitalistischen Ansätze? Was sind die großen Herausforderungen, die Sie bewältigen müssen?
Joannes Vermorel: Ich meine, die größte Herausforderung besteht darin, dass wir jahrzehntelang nicht über die Art von Software-Rezepten und Software-Technologien verfügten, um solche Dinge möglich zu machen. Also hatten wir diese Tabellenkalkulationen und dann hatten wir zum Beispiel bei Lokad, bis wir den probabilistischen Ansatz herausgefunden hatten, große Schwierigkeiten, numerisch auszudrücken, was im Kopf eines Nachfrageplaners passierte, der eine Art Risikobewertung durchführte. Du hast intuitiv verstanden, was passiert ist. Die Leute konnten beschreiben, was sie taten, aber wie übersetzt man das in Formeln? Das war eine offene Frage. Es gibt Formeln, es gibt Ansätze wie Safety Stock, die versuchen, das zu tun, aber es funktioniert einfach nicht. Wir brauchten eine bessere Klasse von numerischen Rezepten. Das war also eine Klasse von Barrieren. Eine andere Klasse von Barrieren war, dass viele Unternehmen die Supply Chain nicht als eine wichtige Funktion betrachteten. Also war die Supply Chain nur eine unterstützende Funktion. Die Tatsache, dass es keine Kernfunktion war, war kein Problem. Es war eine unterstützende Funktion. Es kostet Geld, genauso wie die meisten unterstützenden Funktionen. Sie erwarten nicht, dass Ihre unterstützende Funktion einen Mehrwert für das Unternehmen schafft. Es ist also nur ein Kostenzentrum. Und solange dieses Kostenzentrum seine eigenen Kosten unter Kontrolle hält, ist es in Ordnung. Wie Sie sehen, war es zweifach. Erstens die Tatsache, dass es keine wirklichen technologischen Möglichkeiten gab, um diese Sache kapitalistisch zu machen. Und dann war die zweite Sache, wenn die Leute nicht erkennen, dass es ein Vermögenswert ist, dann gelangen sie nicht in die Art von Denkweise, die erforderlich ist, um die Praxis wirklich zu ändern, damit sie kapitalistisch wird. Denn sehen Sie, damit die Supply Chain-Praxis kapitalistisch wird, muss sie mit einem Akt des Glaubens beginnen, einem Akt des Vertrauens, wenn Sie so wollen, dass sie zu einem Vermögenswert werden kann. Solange Sie denken, dass es nur eine unterstützende Funktion ist, die nur ein Kostenzentrum ist, raten Sie mal, was passiert? Es wird nie über ein Kostenzentrum hinauswachsen.
Kieran Chandler: Ja, es ist ein interessantes Konzept, diese Idee, Dinge kapitalistischer zu gestalten. Wir müssen hier abschließen, aber vielen Dank fürs Zuschauen und wir sehen uns in der nächsten Folge wieder. Danke fürs Zuschauen.
