00:00:07 Diskutiert das Management von SKUs für Supply Chain Planner.
00:01:09 Abhängigkeit des SKU-Managements von den Branchen.
00:02:14 SKU-Management im Einzelhandel und Auswirkungen auf Demand Planner.
00:04:00 Faktoren, die das SKU-Management antreiben und klassische Regeln.
00:07:01 Vergleich des klassischen Ansatzes mit der Methode, die Loca im SKU-Management einsetzt.
00:08:01 Diskussion über den Unterschied zwischen traditioneller Demand Planung und Supply Chain Science.
00:09:37 Die Bedeutung intelligenter Entscheidungen bei der Lagerauffüllung.
00:11:00 Die Fähigkeit, dass eine Person Millionen von SKUs mithilfe numerischer Rezepte verwaltet.
00:12:19 Wie numerische Rezepte dazu beitragen, einen Unternehmenswert aufzubauen.
00:14:00 Die Notwendigkeit, sich wiederholende Verwaltungsaufgaben zu automatisieren, und die Grenzen der Automatisierung.
00:16:02 Die Grenzen von Supply Chain Scientists und das Management von Komplexität.
00:17:42 Abnehmende Erträge in der Produktivität und die Koordination unter den Wissenschaftlern.
00:19:33 Vergleich der Effektivität und Geschwindigkeit eines einzelnen Wissenschaftlers gegenüber einem Team.
00:21:09 Kontinuierliche Verbesserung und der kapitalistische Ansatz von Supply Chain Scientists.
00:22:45 Hindernisse bei der Implementierung 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 beim Management von Lagerhaltungseinheiten (SKUs). Vermorel erklärte, dass die Anzahl der verwalteten SKUs je nach Branche üblicherweise von ein paar Hundert bis zu ein paar Tausend reicht. Traditionell nutzen Demand Planner spreadsheets mit Dutzenden von Spalten, um Lagerentscheidungen zu treffen, aber Lokad setzt Supply Chain Scientists ein, die numerische Rezepte entwickeln, um Lagerentscheidungen zu treffen. Das Ziel ist es, eine Lösung mit “null Prozent Wahnsinn” zu schaffen, die dafür sorgt, dass die Entscheidungen vernünftig sind. Vermorel argumentiert, dass die Behandlung jedes Problems als einen zu behebenden Fehler eine Haltung des kontinuierlichen Wachstums und der Verbesserung fördert, was zu einer insgesamt besseren Leistung führt.

Erweiterte Zusammenfassung

In dem Interview spricht Kieran Chandler mit Joannes Vermorel, dem Gründer von Lokad, über die Herausforderungen, denen moderne supply chain Planner gegenüberstehen, insbesondere beim Management von Lagerhaltungseinheiten (SKUs). Vermorel erklärt, dass die Anzahl der SKUs, die ein Planner verwaltet, je nach Branche üblicherweise von ein paar Hundert bis zu ein paar Tausend reicht. Der Einzelhandel bildet einen Ausnahmefall, da Planner auf Lager Ebene mit einer Vielzahl von SKUs arbeiten, während sie auf Filialebene 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 er benötigt, um einen Zyklus durch die Referenzliste zu absolvieren. Planner arbeiten typischerweise mit spreadsheets, passen Mengen und Min-Max-Werte an und klassifizieren SKUs in Kategorien wie Topseller und Ladenhüter.

Vermorel betont, dass das Verhältnis zwischen SKU-Volumen und Unregelmäßigkeiten invers korreliert ist. Große FMCG-Unternehmen mit hohen Volumina haben geringere Unregelmäßigkeiten, während Branchen mit niedrigem Volumen und hoher Unregelmäßigkeit – wie beispielsweise Automobilteile – schwierigere Prognosen aufweisen können, wobei der wirtschaftliche Wert nicht so signifikant ist. Die Anzahl der SKUs, die ein Supply Chain Planner verwaltet, hängt von der Branche und der Art der Produkte ab. Der Prozess umfasst üblicherweise die Verwaltung von einigen Hundert bis zu einigen Tausend SKUs und die Nutzung von spreadsheets, um die Lagerbestände zu überwachen und anzupassen, wobei Faktoren wie Volumen, Unregelmäßigkeiten und wirtschaftlicher Wert berücksichtigt werden.

Sie stellen Lokads Ansatz dem klassischen Verfahren des supply chain management gegenüber.

Traditionell verwenden Demand Planner spreadsheets mit Dutzenden von Spalten, um Lagerentscheidungen zu treffen, wobei sie sich stärker auf höher priorisierte Artikel (A) und weniger auf niedrig priorisierte Artikel (B und C) konzentrieren. Dieser Ansatz verursacht erhebliche operative Ausgaben (OPEX) bei geringer Kapitalisierung. Die einzige Kapitalisierung resultiert aus der Gestaltung des spreadsheets, welches in den folgenden Monaten nützlich wird.

Lokad setzt hingegen Supply Chain Scientists ein, die numerische Rezepte zur Entscheidungsfindung im Lagerbestand entwickeln. Ihr erstes Ziel ist es, eine Lösung mit “null Prozent Wahnsinn” zu schaffen, die sicherstellt, dass die Entscheidungen vernünftig sind. Zum Beispiel könnte eine schlechte Entscheidung darin bestehen, ein Modegeschäft ausschließlich mit braunen und schwarzen Handtaschen zu beliefern, weil diese sich am besten verkaufen, während andere für die Warenpräsentation benötigte Farben vernachlässigt würden.

Durch die Etablierung numerischer Rezepte, die Expertise einfangen, ermöglicht Lokads Ansatz einem einzelnen Supply Chain Scientist, eine riesige Anzahl von SKUs und immense Lagerbestände zu verwalten. Dieser Ansatz stellt einen signifikanten Bruch mit der klassischen Methode dar, bei der Dutzende oder gar Hunderte von Demand Planners erforderlich wären, um dieselbe Arbeitslast zu bewältigen. Lokads Fokus liegt darauf, einen Unternehmenswert (CAPEX) aufzubauen, anstatt lediglich Ressourcen (OPEX) zu verbrauchen.

Der Lokad-Ansatz hinterfragt die Notwendigkeit, spreadsheets täglich zu überprüfen, da Entscheidungen auf den aktuellen Daten basieren. Stattdessen implementiert er den Denkprozess der Demand Planner durch numerische Rezepte, möglicherweise unter Einbeziehung spezifischer machine learning-Techniken.

Vermorel erklärt die Bedeutung der Nutzung von machine learning Techniken für Unternehmen, die noch Angestellte für repetitive Aufgaben einsetzen, da dies zu einer verbesserten Effizienz führen könnte. Allerdings räumt er ein, dass einige Tätigkeiten, wie die Reinigung von Lagern, aufgrund der Begrenztheit 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, dass die Automatisierung ohne menschliche Aufsicht erfolgt, sondern dass menschliche Erkenntnisse in großem Maßstab eingesetzt werden, während die routinemäßige Rechenarbeit den Computern überlassen wird. Seiner Meinung nach liegen die Grenzen in der Komplexität der supply chain selbst und in der Notwendigkeit von Näherungen, damit das numerische Rezept aus softwaretechnischer Sicht handhabbar bleibt.

Das Verhältnis zwischen der Anzahl der Codezeilen und der Arbeitslast eines einzelnen Supply Chain Scientist wird ebenfalls diskutiert. Vermorel schlägt vor, die supply chain in kleinere Segmente aufzuteilen, die von mehreren Wissenschaftlern verwaltet werden, um die Präzision numerischer Rezepte zu verbessern. Dies kann jedoch zu abnehmenden Produktivitätserträgen führen, da zusätzliche Wissenschaftler weniger zur Gesamtleistung beitragen.

Das Interview greift das Paradoxon der Produktivität auf, bei dem eine Person für das Management einer riesigen Anzahl von SKUs verantwortlich ist, während gleichzeitig mehr Personal benötigt wird, um große supply chains zu bewältigen. Vermorel schließt mit der Betonung, wie wichtig es ist, sogenannte “Truck Factors” zu vermindern, indem Ersatzpersonal bereitsteht, um im Falle des Ausscheidens eines Mitarbeiters einzuspringen.

Die Diskussion konzentriert sich darauf, wie supply chain Entscheidungsfindung effektiver, effizienter und kapitalistischer gestaltet werden kann, indem technologische Möglichkeiten und kontinuierliche Verbesserungen genutzt werden.

Vermorel argumentiert, dass traditionelle Ansätze der Demand Planung, die auf menschlichen Entscheidungen und spreadsheets beruhen, in ihrer Fähigkeit zur kontinuierlichen Verbesserung begrenzt sind. Nachdem ein Demand Planungssystem einmal eingerichtet wurde, kommt es typischerweise zu einer Stagnation, und das Team verfällt in einen Zyklus der bloßen Systemwartung. Dies hindert sie daran, Zeit und Ressourcen für echte Verbesserungen aufzubringen.

Andererseits zielt Lokads Ansatz darauf ab, 100% der supply chain Entscheidungen zu automatisieren, sodass Supply Chain Scientists ihre gesamte Energie der kontinuierlichen Verbesserung widmen können. Obwohl die Einrichtung eines solchen Systems länger dauern kann als bei einem traditionellen Demand Planungssystem, führt es letztlich zu einer effizienteren und effektiveren supply chain.

Vermorel betont, dass die Behandlung jedes Problems als einen zu behebenden Fehler eine Haltung des stetigen Wachstums und der Verbesserung fördert. Dieser kapitalistische Ansatz im supply chain Management stellt sicher, dass Supply Chain Scientists kontinuierlich auf ihren Fortschritten aufbauen, was insgesamt zu besseren Ergebnissen führt.

Es gibt jedoch Herausforderungen bei der Implementierung dieser kapitalistischen Ansätze. Jahrzehntelang waren die notwendige Technologie und Software für derartige Systeme nicht verfügbar. Zudem betrachteten viele Unternehmen supply chain Management nicht als eine strategisch wesentliche Funktion, sondern lediglich als Unterstützungsaufgabe oder Kostenstelle. Dadurch bestand 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 Unternehmenswert erkennen, statt es nur als Kostenstelle zu sehen. Dies, zusammen mit der Verfügbarkeit neuer Technologien und Software, kann einen kapitalistischeren und effektiveren Ansatz für supply chain Entscheidungsfindung ermöglichen.

Full Transcript

Kieran Chandler: Hey, da moderne Unternehmen zunehmend große Kataloge bereitstellen und Technologien die Lagerverwaltung erleichtern, muss ein moderner Supply Chain Planner viele Aufgaben gleichzeitig bewältigen. Wir wollen herausfinden, wie viele SKUs ein Supply Chain Planner verwalten sollte und wann es zu viele sind. Also Joannes, es scheint, als hätten Supply Chain Planner heutzutage eine Menge zu tun. Wie viele SKUs verwaltet ein Supply Chain Planner typischerweise?

Joannes Vermorel: Nach meinen Beobachtungen hängt es von der Branche ab, aber die meisten Unternehmen verwalten in der Regel ein paar Hundert bis zu ein paar Tausend SKUs. Zwar gibt es Fälle, in denen Unternehmen Zehntausende von SKUs betreuen, doch das ist eher die Ausnahme. Typischerweise bewegt sich der Rahmen, den ich beobachtet habe, zwischen 500 und 1.000 SKUs in vielen Branchen.

Kieran Chandler: Inwieweit hängt das von der Branche ab? Ich stelle mir vor, dass man im Luxus-Einzelhandel nicht allzu viele SKUs verwaltet, während man in einem Hypermarché deutlich mehr betreut.

Joannes Vermorel: Ja, der Einzelhandel ist wohl der Ausnahmefall, in dem Demand Planner mit einer größeren Anzahl von SKUs zu tun haben. Allerdings verwalten Demand Planner selbst in Einzelhandelsnetzwerken in der Regel nur ein paar Hundert SKUs auf Lager-Ebene. Auf Filialebene nutzen sie normalerweise Min-Max-Vorlagen, die sie über viele Filialen mit ähnlichen Merkmalen replizieren. Auf diese Weise verwalten sie nicht direkt einzelne SKUs in den Filialen, sondern vielmehr ein Meta-SKU oder eine Vorlage. Multipliziert man die Anzahl der Filialen mit der Anzahl der Produkte, ergibt sich zwar eine große Zahl von SKUs, aber so wird die Arbeit üblicherweise nicht erledigt. Daher übernimmt ein Manager in der Regel höchstens die Verwaltung von ein paar Tausend SKUs.

Kieran Chandler: Welche Faktoren bestimmen die Anzahl der SKUs, die eine Person verwaltet? Gibt es klassische Regeln, denen dabei gefolgt wird?

Joannes Vermorel: Der klassische Ansatz, den die meisten Demand Planner und Supply Planner verfolgen, besteht darin, ein umfangreiches spreadsheet durchzugehen, in dem jede Zeile eine SKU darstellt und verschiedene Spalten enthalten sind, die Indikatoren bereitstellen. Diese Indikatoren können aufzeigen, wie viel in den letzten Wochen, im vergangenen Jahr oder im gleichen Zeitraum des Vorjahres verkauft wurde, um Saisonalität zu berücksichtigen.

Kieran Chandler: Bei einem spreadsheet geht man also von vorne her und iteriert. Man teilt die SKUs eventuell in Klassen wie ABC ein, sodass man mehr Zeit auf die Topseller und weniger auf die Ladenhüter verwendet. Dadurch wird die Anzahl der SKUs weitgehend von der Zeit bestimmt, die ein Demand Planner benötigt, um einen Zyklus durch die Liste der verwalteten Referenzen zu absolvieren. In diesem Beispiel nehme ich an, dass es stark von der Produktvariabilität abhängt. Wenn man also an ein Unternehmen wie Coca-Cola denkt, das angeblich nur ein Produkt hat – heißt das etwa, dass man nur einen Demand Planner benötigt?

Joannes Vermorel: Nein, Coca-Cola hat Hunderte von Produkten. Und wenn man sich die verschiedenen Aspekte anschaut, die aus der Sicht von Coca-Cola geplant werden müssen, dann plant man zunächst nahezu jeden einzelnen Vertriebskanal, da diese enorm sind. Üblicherweise werden die Planner geografisch oder kanalbezogen organisiert, sodass man letztlich einen Planner pro Kanal hat. Diese bearbeiten ein paar Hundert SKUs, sodass man wieder bei etwa ein paar Hundert SKUs pro Planner landet. Häufig müssen auch sehr große FMCG-Unternehmen VMI, also vendor-managed inventory, betreiben. Dadurch kehrt man erneut zu einigen Hundert SKUs pro Planner zurück.

Kieran Chandler: Und wie sieht es mit der Prognosegenauigkeit aus, wenn man in einer Branche tätig ist, in der es viele Neue Produkte gibt, wie zum Beispiel in der Mode? Bedeutet das, dass man pro Person weniger SKUs verwalten kann?

Joannes Vermorel: Das ist eine interessante Sache, und nochmals, ich beschreibe hier, was ich heutzutage als Mainstream betrachte, nicht die Art und Weise, wie Lokad arbeitet. Aber die Sache ist: Wenn du eine sehr hohe Unbeständigkeit anstrebst, sind es typischerweise Produkte mit sehr geringem Volumen. Du siehst, dass es eine umgekehrte Korrelation zwischen Unbeständigkeit und Volumen gibt. Wenn du ein großes FMCG-Unternehmen bist, hast du hohe Volumina, geringere Unbeständigkeit. Aber auch denkst du: “Oh, wenn ich weniger Unbeständigkeit habe, ist die Prognose vielleicht einfacher.” Ja, aber auch was du prognostizierst, ist aus wirtschaftlicher Sicht sehr wichtig, weil wir von einer großen Masse sprechen. Am anderen Ende des Spektrums, wenn wir von einer super unbeständigen Prognose sprechen, sagen wir mal, von Autoteilen im langschwänzigen Bereich, dann ja, sie ist unglaublich unbeständig, aber das Volumen ist sehr gering und der Wert ist nicht besonders hoch. Also, selbst wenn, ja, technisch die Prognose schwieriger ist und die Unbeständigkeit viel höher ist, bleibt die wirtschaftliche Realität, dass das ökonomische Gewicht dieses Artikels in deiner supply chain gering ist, und daher spielt es keine wirkliche Rolle, ob es schwieriger ist oder nicht. Es ist nicht sehr sinnvoll, mehr Zeit mit diesen Artikeln zu verbringen.

Kieran Chandler: Okay, und dann lass uns vielleicht die Art und Weise, wie Lokad es macht, im Vergleich zum klassischen Ansatz kontrastieren. Wie unterscheidet sich das im Vergleich zu dem, was ein Supply Chain Scientist managen würde, zu dem, was man auf klassische Weise managen kann?

Joannes Vermorel: Also, der klassische Ansatz – und deshalb landen wir mit dieser Anzahl von SKUs pro Demand Planner – ist buchstäblich das Konsolidieren von Informationen durch Menschen.

Kieran Chandler: Also, die Leute benutzen Tabellenkalkulationen mit Dutzenden von Spalten, die erklären, was sie sehen sollten, und dann treffen sie Entscheidungen, indem sie die Tabelle durchgehen. Sie beginnen mit den wichtigsten Artikeln und verbringen weniger Zeit mit den weniger wichtigen. Wie oft schauen sie sich diese Artikel erneut an?

Joannes Vermorel: Nun, sie könnten alle wichtigen Artikel täglich erneut überprüfen, während sie die weniger wichtigen nur monatlich überarbeiten. Die vom Planer aufgewendete Zeit ist operative Ausgabe. Die Arbeit, die du verbrauchst – die Zeit deines Demand Planners –, um die Bedarfsplanung durchzuführen, wird nicht aktiviert. Die einzige Aktivierung resultiert aus einer gut gestalteten Tabellenkalkulation mit allen relevanten Spalten. Dieser Teil der Arbeit, eine schön ausgestattete Tabellenkalkulation zu haben, ist kapitalistisch insofern, als dass du es einmal machst und dann deine Arbeit in all den folgenden Monaten schneller geht. Allerdings dauert dieser Teil nur ein paar Wochen zu Beginn und dann ist es erledigt. Darüber hinaus wird nicht weiter kapitalisiert.

Kieran Chandler: Kannst du uns etwas über Lokads Ansatz erzählen und wie er sich von traditionellen Methoden unterscheidet?

Joannes Vermorel: Lokads Ansatz ist sehr unterschiedlich. Ein Supply Chain Scientist wird grundlegend ein Rezept entwickeln, bei dem alle deine Entscheidungen, direkt aus dem Start, nicht dumm sein sollen. Du willst null Prozent Wahnsinn. Das ist der erste Meilenstein, den wir anvisieren, wenn wir in Produktion gehen wollen.

Kieran Chandler: Kannst du ein Beispiel dafür geben, was eine dumme Entscheidung sein könnte?

Joannes Vermorel: Eine dumme Entscheidung wäre zum Beispiel, wenn du ein Modegeschäft hast, das Handtaschen verkauft. Du würdest nur braune und schwarze Handtaschen im Laden platzieren, weil sich diese Farben am besten verkaufen. Dadurch wirkt das Schaufenster traurig und es fehlt an Farbvielfalt. Du möchtest für Merchandising-Zwecke auch Akzente in anderen Farben, wie weiß oder gelb, haben. Eine intelligente Lagerauffüllung-Entscheidung muss Faktoren berücksichtigen, die über verkaufs- und servicegetriebene Aspekte hinausgehen. Du möchtest auch das Erscheinungsbild des Ladens berücksichtigen.

Kieran Chandler: Du sagst also, dass die numerischen Rezepte diese Einsichten erfassen und die Art von Expertise widerspiegeln sollen, die jemand manuell bei der Arbeit hätte, anstatt sich auf naive Sicherheitsbestand-Formeln zu verlassen?

Joannes Vermorel: Genau. Zuerst möchtest du ein numerisches Rezept etablieren, das diese Einsichten erfasst. Sobald du das hast, merkst du, dass du im Grunde nahezu in jedem Umfang operieren kannst. Bei Lokad haben wir Supply Chain Scientists, die jeweils einen Lagerbestand von über einer Milliarde Euro verwalten.

Kieran Chandler: Bei stock verwaltet nur eine Person alleine etwa vier Millionen SKUs individuell. Du siehst also, dass es plötzlich eine völlige Diskrepanz gibt, in Bezug darauf, wie viele SKUs und wie viele Personen eine einzelne Person skalieren kann – auf einem Niveau, das klassisch Dutzende, wenn nicht Hunderte von Planern repräsentieren würde. Und übrigens: Wir haben massive Veränderungsprozesse bei unseren Kunden erlebt, als wir diese Art von Techniken ausgerollt haben, weil plötzlich…

Joannes Vermorel: Das bedeutet übrigens nicht, dass all diese Planer gefeuert wurden. Es gibt viele Bereiche, in denen man zusätzlichen Mehrwert erzielen kann. Aber die Frage ist, wenn du Bestandteil eines Unternehmens bist und du jeden Tag nur durch eine Tabellenkalkulation gehst, wie schafft das einen genauen Wert für das Unternehmen? Trägt es wirklich dazu bei, dass das Unternehmen in deine Arbeit investiert, sodass die von dir geleistete Arbeit Kapital für das Unternehmen generiert – also etwas, das ein Vermögenswert ist – oder ist es nur etwas, das verbraucht wird? Das ist der Unterschied zwischen Capex und Opex. Und der Lokad-Ansatz besteht grundsätzlich darin, sich auf eines zu konzentrieren: Capex, Capex, Capex. Wir wollen einen Vermögenswert haben.

Kieran Chandler: Wie baut dieses numerische Rezept also diesen Vermögenswert auf? Wie funktioniert das?

Joannes Vermorel: Die Idee ist, warum solltest du deine Tabellenkalkulation eigentlich jeden Tag erneut durchgehen? Wenn du eine Entscheidung triffst, basiert diese auf den dir vorliegenden Daten. Siehst du, als Demand Planner, wenn du Hunderte von Produkten hast, kennst du nicht jedes einzelne Produkt auswendig, du kennst nicht alles im Detail. Nun, das mag in einigen sehr spezifischen Bereichen vorkommen, aber das ist sehr selten. Normalerweise gestaltest du einfach korrekt deine Dutzende von Spalten, die erklären, worauf du achten sollst, und triffst daraufhin eine numerische Entscheidung. Der Ansatz von Lokad besteht darin zu sagen: Lass uns das, was du in deinem Kopf machst, implementieren. Und ja, das erfordert vielleicht einige Elemente sehr spezifischen Machine Learnings. Ja, vielleicht gibt es Zusammenhänge, die sich nicht einfach in rein numerischen Formeln ausdrücken lassen, in klassischen numerischen Formeln, denn vielleicht machst du in deinem Kopf eine Risikobewertung.

So geht Lokad zum Beispiel numerisch an die Risikobewertung heran, und zwar durch probabilistische Vorhersagen mit economic drivers. Aber du siehst, es gibt eine ganze Reihe von Problemen, und die Idee ist, dass wann immer du mit einer Zahl landest, die von deinem numerischen Rezept generiert wurde und einfach falsch aussieht, du das als einen Bug behandeln und beheben musst. Und es sollte keine Ausnahme, keinen Alarm geben.

Kieran Chandler: Du hast also diese Elemente von Machine Learning-Techniken erwähnt. Sollten alle Unternehmen darauf abzielen, diese Art von Technologien in ihren Ansätzen zu nutzen?

Joannes Vermorel: Ich würde sagen, jedes Unternehmen, das heutzutage noch Büroangestellte beschäftigt, um überaus repetitive Aufgaben zu erledigen, macht einfach einen Fehler, Punkt. Siehst du, keine Ausnahme. Es gibt Bereiche, in denen, was körperliche Aufgaben betrifft, einige Vorgänge immer noch sehr, sehr schwer zu automatisieren sind. Zum Beispiel neigen Roboter manchmal dazu, starr zu sein, und jemanden zu haben, der einfach etwas macht, zum Beispiel…

Kieran Chandler: Vorgänge, die so einfach sind wie Aufräumarbeiten, bei denen es beispielsweise zu einer Ölverschmutzung in deinem Lager kommt, die du einfach säubern musst, sind tatsächlich überaus schwer zu automatisieren. Einen Roboter zu haben, der ein wenig putzt, einen Schwamm nimmt und das erledigt, ist sehr, sehr schwierig. Es gibt also einige Aufgaben, die einfach erscheinen, wie: Nimm einen Eimer Wasser, einen Schwamm, Reinigungsmittel und säubere es. Diese Dinge sind sehr schwer zu automatisieren und liegen irgendwie jenseits der Fähigkeiten unserer derzeit fortschrittlichsten Roboter.

Joannes Vermorel: In diesem Fall haben wir Menschen, die diese Arbeit erledigen, aber Automatisierung liegt einfach jenseits unserer technischen Möglichkeiten. Wenn es um supply chain Entscheidungen geht, wie numerische Entscheidungen, etwa was soll ich bestellen, wie viele Einheiten soll ich für jede SKU, die ich verwalte, bestellen, soll ich meinen Preispunkt erhöhen oder senken oder soll ich Bestandsübertragungen von Standort A zu Standort B durchführen, all diese Fragen können vollständig automatisiert werden. Ich sage nicht, dass es eine Automatisierung ohne menschliche Aufsicht ist; das beschreibe ich nicht. Ich spreche von einem numerischen Rezept, das von einem Menschen entwickelt wurde, bei dem die Menschen verstehen, was vor sich geht. Es geht nur darum, die sehr menschlichen Einsichten in großem Maßstab einzusetzen und dem Computer die langweilige numerische Arbeit für dich machen zu lassen.

Kieran Chandler: Wo liegen also dann die Grenzen? Du hast erwähnt, dass Supply Chain Scientists Bestände im Wert von Milliarden Dollar verwalten werden. Was ist dann der begrenzende Faktor?

Joannes Vermorel: Der begrenzende Faktor wird die Komplexität der supply chain selbst, bei der dein numerisches Rezept irgendwann nur eine Annäherung an deine supply chain sein wird. Du möchtest annähernd richtig sein und nicht exakt falsch. Die Supply Chain Scientists können die Realität nicht exakt modellieren; du musst immer Entscheidungen treffen, damit dein numerisches Rezept aus softwaretechnischer Sicht handhabbar bleibt. Du hast Codezeilen; wenn du eine Person bist, musst du 20.000 Zeilen Code warten, was machbar ist. Wenn du aber als Einzelperson eine halbe Million Codezeilen warten müsstest, wird das unüberschaubar. Es gibt also ein Gleichgewicht in der Anzahl der involvierten Codezeilen.

Somit wird es, wenn du irgendwann nur eine Person hast, interessant, besonders bei sehr großen supply chains, Wege einzuführen, deine supply chains zwischen verschiedenen Supply Chain Scientists aufzuteilen, sodass diese individuell mehr Zeit für bestimmte Probleme aufbringen können. Zum Beispiel, wenn du eine supply chain hast und du hast Preisentscheidungen und Einkaufsentscheidungen, dann werden diese beiden Dinge irgendwann stark miteinander verknüpft sein, aber irgendwann ist es

Kieran Chandler: Also, Joannes, du hast erwähnt, dass es vorteilhaft sein könnte, zwei Personen für Preis- und Einkaufsentscheidungen verantwortlich zu haben, aber dass es abnehmende Erträge in puncto Produktivität gibt. Könntest du das etwas näher erläutern?

Joannes Vermorel: Ja, es macht Sinn, zwei Personen zu haben, um ein höheres Maß an Feinabstimmung in deinen numerischen Rezepten für Preisgestaltung und Einkauf zu erreichen. Dennoch werden diese beiden Personen viel diskutieren und ihre Aktionen koordinieren, was bedeutet, dass auch die Produktivitätssteigerung abnimmt. Du siehst, es ist so, dass es irgendwann, um diesen zusätzlichen Prozentpunkt an Leistung zu erreichen, sehr vernünftig ist, mehr Leute hinzuzufügen, auch wenn das bedeutet, dass in Bezug auf Produktivität die Hinzufügung der zweiten Person nur einen kleinen Gewinn bringt. Bei einem völlig linearen Modell würdest du sagen, dass die Produktionsleistung um 100 Prozent steigt, wenn du einen zweiten Supply Chain Scientist hinzufügst. In Wirklichkeit steigt sie jedoch nur um etwa fünfzig Prozent, und dann bist du die dritte Person, und diese dritte Person bringt nur etwa dreißig Prozent dazu. Es wird also, weißt du, in Bezug auf den Durchsatz sehr schnell abnehmend sein. Du hast sehr starke Skaleneffekte. Dennoch, wenn du mit einer sehr großen supply chain operierst, lohnt es sich, dies zu tun, selbst wenn es nur dazu dient, den Engpässen bei Abgängen entgegenzuwirken, da du jemanden hast, der bereit ist, einzuspringen.

Kieran Chandler: Es ist interessant, dass du das Wort Produktivität erwähnst, denn das klingt alles wie ein kleines Paradox. Du hast diese eine Person, die für so viel mehr SKUs verantwortlich ist. Wie kann sie effektiver und schneller in ihren Entscheidungen sein als ein Team von Leuten, die für einen kleineren Umfang verantwortlich sind?

Joannes Vermorel: Weil das Team von Personen, die für einen kleinen Umfang verantwortlich sind, nichts wirklich Kapitalistisches in dem, was sie tun, hat. Der einzige kapitalistische Teil ist das Einrichten einer sauberen, schönen Tabellenkalkulation, deiner Arbeitsumgebung, was, weißt du, in den ersten paar Wochen geschieht. Und danach wird nicht mehr kapitalisiert. So bist du festgefahren, in einer Sackgasse, in der plötzlich all deine Anstrengungen vollständig verbraucht werden und du keine Zeit mehr für kontinuierliche Verbesserungen hast. Und du siehst, der Ansatz von Lokad ist, dass 100 Prozent der Anstrengung des Supply Chain Scientist der kontinuierlichen Verbesserung gewidmet sein müssen. Das Setup dauert also ein bisschen länger als aus der klassischen Demand-Planning-Perspektive. Du könntest wahrscheinlich in zwei Wochen ein Setup haben, bei dem du einfach deine Tabellenkalkulation einrichtest, und dann bist du fertig. Ein Setup aus der Lokad-Perspektive wird wahrscheinlich ein paar Wochen länger dauern. Aber im Gegenzug erhältst du etwas, bei dem 100 Prozent deiner an einem bestimmten Tag zu treffenden Entscheidungen automatisch erledigt werden, was dir fast die ganze Zeit gibt, dich auf kontinuierliche Verbesserungen zu konzentrieren.

Kieran Chandler: Ich verstehe. Und jeden einzelnen Fehler als Bug zu behandeln, der behoben werden muss, muss zeitaufwändig sein.

Joannes Vermorel: Ja, und siehst du, das Problem ist, dass wenn du jedes einzelne Problem als Bug behandelst, der behoben werden muss, du dich in eine Situation bringst, in der du jeden Tag ins Büro gehst und im Grunde nur ein paar Minuten damit verbringst, sicherzustellen, dass es nichts gibt, zum Beispiel keinen Brand, den du löschen musst.

Kieran Chandler: Nur weil etwas völlig Unerwartetes passiert, wie zum Beispiel, dass ein Lager überflutet wird, gibt es nichts, was man tun kann. Solches geschieht in der supply chain und dann kann man den ganzen Tag damit verbringen, sein numerisches Rezept zu verbessern. Und das führt zu einem unglaublich kapitalistischen Ansatz. Wenn du denkst, dass der Supply Chain Scientist jede Woche eine neue Verbesserungsebene hinzufügen wird, ist das genau das, was aus klassischer Sicht mit dem Demand Planner in den ersten zwei Wochen geschah, aber dann aufhörte. Und aus der Raketenperspektive hört diese überaus kapitalistische Arbeit niemals auf. Deshalb, nach einigen Monaten, endet man mit etwas, bei dem nur eine Person tätig ist, was aber viel produktiver ist als der klassische Ansatz. Und in Bezug auf supply chain performance ist es auch viel besser. Einfach weil du erneut auf deinen Verbesserungen aufgebaut hast, und zwar auf eine Art, die höchst kapitalistisch ist. Okay, dann fassen wir mal langsam zusammen. Wo liegen also die größten Hindernisse bei der Einführung solcher kapitalistischer Ansätze? Was sind die großen Herausforderungen, die angegangen werden müssen?

Joannes Vermorel: Ich meine, die größte Herausforderung besteht darin, dass wir über Jahrzehnte hinweg nicht über die Art von Software-Rezepten bzw. Software-Technologien verfügten, die solche Dinge möglich machen. Wir hatten diese Tabellenkalkulationen, und dann, zum Beispiel bei Lokad, bis wir den probabilistischen Ansatz herausgefunden hatten, fiel es uns sehr schwer, numerisch auszudrücken, was im Kopf eines Demand Planners vor sich ging, der eine Art Risikobewertung durchführte. Man verstand intuitiv, was vor sich ging. Die Leute konnten beschreiben, was sie taten, aber wie übersetzt man das in Formeln? Das war eine offene Frage. Und es gibt Formeln, es gibt Ansätze wie den Sicherheitsbestand, die genau das versuchen, aber es funktioniert einfach nicht. Wir brauchten eine bessere Klasse numerischer Rezepte. Das war also eine Klasse von Hindernissen. Eine weitere Klasse von Hindernissen war, dass viele Unternehmen die supply chain nicht als Funktion von Bedeutung betrachteten. Die supply chain war einfach eine Unterstützungsfunktion. Die Tatsache, dass sie keine Kernfunktion ist, stellte kein Problem dar. Es war eine Unterstützungsfunktion. Sie kostet Geld, ebenso wie die meisten Unterstützungsfunktionen. Man erwartet nicht, dass eine Unterstützungsfunktion einen Mehrwert für das Unternehmen schafft. Sie ist also lediglich ein Kostenfaktor. Und solange dieser Kostenfaktor seine eigenen Kosten unter Kontrolle hält, ist das in Ordnung. Siehst du, es war also zweischichtig. Erstens, die Tatsache, dass es keine wirklichen technologischen Möglichkeiten gab, dieses Ding kapitalistisch zu gestalten. Und zweitens, wenn die Leute nicht erkennen, dass es sich um einen Vermögenswert handelt, nehmen sie nicht die Denkweise an, die nötig ist, um die Praxis wirklich so zu verändern, dass sie kapitalistisch wird. Denn du siehst, damit die supply chain-Praxis kapitalistisch wird, muss sie mit einem Akt des Glaubens beginnen, einem Akt des Vertrauens, wenn du möchtest, dass sie zu einem Vermögenswert werden kann. Solange du denkst, dass es nur eine Unterstützungsfunktion ist, die lediglich ein Kostenfaktor bleibt, wird sie niemals über eine Kostenstelle hinauswachsen.

Kieran Chandler: Ja, es ist ein interessantes Konzept, diese Idee, Dinge kapitalistischer zu gestalten. Also, wir müssen hier abschließen, aber vielen Dank fürs Einschalten und wir sehen uns in der nächsten Episode wieder. Danke fürs Zuschauen.