00:00 Einführung
03:39 Automatisierung war schon immer das Ziel
06:28 Ausnahmemanagement und Warnmeldungen
10:27 Bisheriger Verlauf
14:33 Unser heutiger Produktionsstart
15:59 Zusammenfassung: Liefergegenstand, Umfang und Rollen
19:01 Aufdeckung der Entscheidungsform
23:00 Von Altlasten geprägte Reaktion
27:20 Iterieren bis zu null Prozent Wahnsinn
32:30 Ambitionierte Kennzahlen
36:27 Doppelter Durchlauf: manuell + mechanisch
39:19 Analyse-Paralyse
43:21 Schrittweise Automatisierungsübernahme
46:08 Prozesssedimentation
48:57 Vom Planer zum Netzwerkmanager
52:46 Der KPI-Tourist
54:58 Führung: vom Coach zum Product Owner
58:46 Der analoge supply chain Chef
01:02:25 Fazit
01:04:44 7.2 Automatisierte Entscheidungen in die Produktion bringen - Fragen ?
Beschreibung
Wir suchen ein numerisches Rezept, um eine ganze Klasse von banalen Entscheidungen, wie beispielsweise Lagerauffüllungen, zu steuern. Automatisierung ist entscheidend, um supply chain zu einem kapitalistischen Unterfangen zu machen. Allerdings birgt sie erhebliche Risiken, in großem Maßstab Schaden anzurichten, falls das numerische Rezept defekt ist. Fail fast and break things ist nicht die richtige Einstellung, um ein numerisches Rezept für den Produktionseinsatz freizugeben. Viele Alternativen, wie das Wasserfallmodell, sind jedoch noch schlechter, da sie meist nur eine Illusion von Rationalität und Kontrolle vermitteln. Ein hoch iterativer Prozess ist der Schlüssel, um das numerische Rezept zu entwerfen, das sich als produktionsreif erweist.
Vollständiges Transkript
Willkommen zu dieser Serie von supply chain Vorträgen. Ich bin Johannes Vermorel und heute präsentiere ich “Bringing Automated Supply Chain Decisions to Production”. In den letzten zwei Jahrhunderten haben unsere Volkswirtschaften durch die Mechanisierung einen massiven Wandel erfahren. Unternehmen, die einen höheren Grad an Mechanisierung im Vergleich zu ihren Wettbewerbern erreichten, haben diese fast immer systematisch in den Bankrott getrieben. Mechanisierung ermöglicht es uns, mehr, besser und schneller zu arbeiten und dabei Kosten zu senken. Dies trifft sowohl auf physische Aufgaben wie das Bewegen von Waren mit einem Gabelstapler anstelle von handgetragenen Kartons zu, als auch auf intellektuelle Aufgaben, wie die Berechnung, wie viel Geld noch auf dem Bankkonto verbleibt.
Allerdings ist unsere Fähigkeit, eine Aufgabe zu mechanisieren, von der Technologie abhängig. Es gibt noch viele physische Aufgaben, die noch nicht mechanisiert werden können, zum Beispiel einen Haarschnitt machen oder Bettwäsche wechseln. Umgekehrt gibt es auch viele intellektuelle Aufgaben, die bisher nicht mechanisiert werden können, wie etwa die richtige Person einzustellen oder herauszufinden, was der Kunde möchte. Es gibt keinen Grund, davon auszugehen, dass diese Aufgaben, sei es intellektuell oder mechanisch, jemals nicht mechanisiert werden können. Allerdings ist die Technologie dafür noch nicht ganz ausgereift.
Die meisten banalen Routineentscheidungen in der supply chain können mittlerweile automatisiert werden. Dies ist eine relativ neue Entwicklung. Vor einem Jahrzehnt umfasste der Bereich der supply chain Entscheidungen, die erfolgreich automatisiert werden konnten, nur einen Bruchteil des gesamten Spektrums. Heutzutage ist die Situation umgekehrt, und bei richtiger Technologie sind die sich wiederholenden supply chain Entscheidungen, die nicht erfolgreich automatisiert werden können, die Ausnahme. Mit erfolgreicher Automatisierung meine ich einen Prozess, bei dem die automatisierten Entscheidungen denjenigen überlegen sind, die mit einem manuellen Prozess erzielt werden, nicht die Fähigkeit, Entscheidungen mit einem Computer zu generieren – was trivial ist, solange einem die Qualität der generierten Entscheidungen egal ist.
Unser heutiger Fokus liegt nicht auf dem numerischen Rezept – also dem Stück Software, das eine solche Automatisierung überhaupt erst ermöglicht. Im Kontext von Entscheidungsprozessen in der supply chain wurden die Zutaten zur Erstellung eines solchen numerischen Rezepts bereits in früheren Kapiteln dieser Vortragsreihe behandelt. Unser heutiger Fokus liegt auf den Teilen der supply chain Initiative, die notwendig sind, um ein solches numerisches Rezept in die Produktion zu bringen. Ziel dieses Vortrags ist es, aufzuzeigen, was erforderlich ist, um ein Unternehmen von manuellen supply chain Entscheidungen auf automatisierte umzustellen. Am Ende dieses Vortrags sollten Sie Einblicke in die Do’s and Don’ts beim Übergang zur Automatisierung gewinnen. Tatsächlich überstrahlt die schiere technische Schwierigkeit, die mit dem numerischen Rezept selbst verbunden ist, oftmals die organisatorischen Aspekte, die jedoch gleichermaßen entscheidend für den Erfolg der Initiative sind.
Wenn heutigen supply chain Praktikern die Idee der Entscheidungsautomatisierung präsentiert wird, lautet ihre unmittelbare Reaktion häufig: “Das ist so eine futuristische Idee. Wir sind noch lange nicht dort.” Dennoch war die vollständige Automatisierung banaler und sich wiederholender supply chain Entscheidungen buchstäblich das Ziel von Beginn des digitalen Zeitalters der supply chains vor mehr als vier Jahrzehnten.
Sobald Computer für Unternehmen leicht verfügbar wurden, erkannten die Menschen, dass die meisten supply chain Entscheidungen offensichtliche Kandidaten für eine vollständige Automatisierung waren. Auf dem Bildschirm habe ich eine sorgfältig ausgewählte Liste von Veröffentlichungen gezeigt, die diesen Ehrgeiz veranschaulichen. Bereits in den 1970er und 1980er Jahren wurde dieses Feld noch nicht einmal supply chain genannt. Der Begriff wurde erst in den 1990er Jahren populär. Dennoch war die Intention bereits klar. Diese Computersysteme erschienen sofort als geeignet, die sich wiederholenden supply chain Entscheidungen, wie beispielsweise Lagerauffüllungen, zu automatisieren.
Das Erstaunlichste für mich ist, dass diese Gemeinschaft scheinbar ein wenig unachtsam gegenüber ihren früheren Ambitionen ist. Heutzutage wird, um futuristisch zu klingen, von Beratungsfirmen oder IT-Unternehmen manchmal der Begriff “autonomous supply chain” verwendet, um diese Perspektive der Mechanisierung banaler supply chain Entscheidungen zu vermitteln. Allerdings erscheint mir der Begriff “autonomous” unpassend. Wir verwenden nicht den Begriff “autonomous logistics” für ein Förderband mit einem Sortiersystem. Das Förderband ist mechanisiert, nicht autonom. Es erfordert weiterhin technische Überwachung, aber diese Innovation entspricht nur einem winzigen Bruchteil der Arbeitskraft, die das Unternehmen andernfalls benötigen würde, um die Waren ohne das Förderband zu transportieren. Was supply chain Entscheidungen betrifft, ist das Ziel nicht, den Menschen vollständig aus der Organisation zu entfernen, um so eine wirklich autonome Technologie zu erreichen. Vielmehr soll der Mensch lediglich von dem zeitaufwändigsten und grobsten Teil des Prozesses befreit werden. Genau diese Perspektive wurde in den vor vier Jahrzehnten veröffentlichten Arbeiten übernommen, und genau diese Perspektive übernehme ich auch in diesem Vortrag.
In den 1990er Jahren scheint es, dass Softwareanbieter, sowohl ERP Anbieter als auch Spezialisten für Bestandsoptimierung, weitgehend die Idee aufgegeben haben, automatisierte supply chain Entscheidungen zu erreichen. Rückblickend waren es die vereinfachten Modelle der 1970er Jahre, die viele wichtige Faktoren wie Unsicherheit weitgehend außer Acht ließen, welche als offensichtliche Ursachen dafür gelten können, warum die Automatisierung damals scheiterte. Allerdings erwies sich die Behebung dieser Ursache als jenseits dessen, was die Technologie in dieser Zeit liefern konnte. Stattdessen griffen die Softwareanbieter standardmäßig auf Ausnahmemanagementsysteme zurück. Diese Systeme sollen Bestandswarnungen basierend auf von der Kundenfirma selbst eingerichteten Regeln erzeugen. Die Logik dahinter war: Lassen Sie die Automatisierung den Großteil der Linien übernehmen, die automatisch verarbeitet werden können, sodass die menschliche Intervention sich auf die schwierigen Fälle konzentriert, die über die Fähigkeiten der Maschine hinausgehen.
Lassen Sie uns gleich darauf hinweisen, dass der Verkauf eines Ausnahmemanagementsystems ein sehr gutes Geschäft für den Softwareanbieter ist, jedoch viel weniger für die Kundenfirma. Erstens verlagert das Ausnahmemanagement die Verantwortung für die Lieferkettenleistung vom Anbieter auf den Kunden. Sobald das Ausnahmemanagement implementiert ist, sind bei schlechten Ergebnissen die Kunden verantwortlich. Sie hätten bessere Warnmeldungen konfigurieren sollen, um schädliche Situationen von vornherein zu verhindern.
Zweitens ist es für den Softwareanbieter einfach, ein System zur Verwaltung von parametrisierten Bestandswarnungen zu erstellen, sofern er nicht einen Parameterwert liefern muss, der die Quellwarnungen steuert. Aus analytischer Sicht bedeutet die Fähigkeit, eine gute Bestandswarnung zu erzeugen, dass man eine Regel entwickeln kann, die zuverlässig schlechte Bestandsentscheidungen identifiziert. Wenn Sie eine Regel entwickeln können, die zuverlässig schlechte Bestandsentscheidungen identifiziert, dann kann dieselbe Regel definitionsgemäß auch zur zuverlässigen Erzeugung guter Bestandsentscheidungen verwendet werden. Die Regel muss also lediglich als Filter eingesetzt werden, um zu verhindern, dass schlechte Entscheidungen getroffen werden.
Drittens ist das Ausnahmemanagement eine ziemlich raffinierte Strategie für den Softwareanbieter, um die menschliche Psychologie auszunutzen. Tatsächlich nutzen diese Warnmeldungen einen Mechanismus aus, der in der empirischen Psychologie als “commitment and consistency” bekannt ist. Dieser Mechanismus schafft eine starke, aber weitgehend zufällige Abhängigkeit vom Softwareprodukt. Kurz gesagt, sobald Mitarbeiter beginnen, die Bestandszahlen anzupassen, sind es keine willkürlichen Zahlen mehr. Es sind ihre Zahlen, ihre Arbeit, und so entwickeln die Mitarbeiter eine emotionale Bindung an das System, unabhängig davon, ob das System tatsächlich eine überlegene supply chain Leistung erbringt oder nicht.
Insgesamt ist das Ausnahmemanagement ein technologischer Irrweg, denn allgemein ist es genauso schwierig, zuverlässige Ausnahmen und zuverlässige Warnmeldungen zu entwickeln wie eine zuverlässige Automatisierung der Entscheidungen. Wenn Sie Ihren Warnmeldungen nicht trauen können und Ihre Ausnahmen nicht als verlässlich erachten, müssen Sie ohnehin alles manuell überprüfen, was Sie wieder an den Anfang bringt. Der Entscheidungsprozess bleibt streng manuell.
Diese Serie von supply chain Vorträgen umfasst zwei Dutzend Episoden. In gewisser Weise wurden bisher alle eingeführten Elemente mit dem ausdrücklichen Ziel vorgenommen, den Punkt zu erreichen, an dem wir heute stehen: kurz davor, diese die Quantitative Supply Chain Initiative in die Produktion zu bringen. Genauer gesagt handelt es sich um das numerische Rezept, das wir prognostizieren möchten, und dieses Vorhaben steht im Mittelpunkt des heutigen Vortrags.
In diesen Vorträgen verwende ich den Begriff “numerisches Rezept”, um die Abfolge von Berechnungen zu beschreiben, die Rohdaten aus der Vergangenheit als Eingabe nehmen und die endgültigen Entscheidungen als Ausgabe liefern. Diese Terminologie ist absichtlich vage, da sie viele unterschiedliche Konzepte, Methoden und Techniken widerspiegelt, die in den vorangegangenen Kapiteln dieser Reihe detailliert behandelt wurden. Im ersten Kapitel haben wir gesehen, warum die supply chain programmatisch werden muss und warum es höchst wünschenswert ist, ein solches numerisches Rezept in die Produktion zu bringen. Die ständig zunehmende Komplexität der supply chains selbst macht Automatisierung dringlicher denn je. Es besteht auch die Notwendigkeit, die supply chain practice zu einem kapitalistischen Unterfangen zu machen.
Das zweite Kapitel ist den Methodologien gewidmet. In der Tat sind supply chains wettbewerbsfähige Systeme. Diese Kombination macht naive Methodologien obsolet. Unter den eingeführten Methodologien sind supply chain personae und experimentelle Optimierung von herausragender Bedeutung für das heutige Thema. Supply chain personae sind der Schlüssel, um die richtige Entscheidungsform zu übernehmen. Auf diesen Punkt werden wir in ein paar Minuten zurückkommen. Experimentelle Optimierung ist unerlässlich, um etwas zu liefern, das tatsächlich funktioniert. Auch auf diesen Punkt werden wir in ein paar Minuten nochmals eingehen.
Das dritte Kapitel beleuchtet das Problem, abgesehen von der Lösung durch supply chain personae. Dieses Kapitel versucht, die Klassen von Entscheidungsproblemen zu charakterisieren, die angegangen werden müssen. Es zeigt, dass vereinfachte Ansätze, wie einfach nur die richtige Menge für jede SKU auszuwählen, in realen Situationen nicht wirklich passen. Es gibt fast immer eine Tiefgründigkeit in der Form der Entscheidungen.
Das vierte Kapitel untersucht die Elemente, die notwendig sind, um eine moderne Praxis der supply chain zu erfassen, in der Softwareelemente allgegenwärtig sind. Diese Elemente sind grundlegend, um den breiteren Kontext zu verstehen, in dem das numerische Rezept und tatsächlich die meisten supply chain Prozesse operieren. Tatsächlich nehmen viele supply chain Lehrbücher stillschweigend an, dass ihre Techniken und Formeln in einem Vakuum wirken. Dies ist jedoch nicht der Fall. Die anwendungsspezifische Landschaft spielt eine Rolle.
Die Kapitel 5 und 6 widmen sich jeweils der prädiktiven Modellierung und der Entscheidungsfindung. Diese Kapitel decken die intelligenten Aspekte des numerischen Rezepts ab, die machine learning Techniken und mathematische Optimierungstechniken beinhalten. Schließlich widmet sich das siebte und aktuelle Kapitel der Umsetzung einer quantitative supply chain Initiative, deren Zweck es genau darin besteht, ein numerisches Rezept in die Produktion zu bringen und es anschließend zu warten. In der vorherigen Vorlesung haben wir behandelt, was notwendig ist, um die Initiative zu starten und gleichzeitig die richtigen Grundlagen auf technischer Ebene zu schaffen. Das bedeutet die Einrichtung einer ordnungsgemäßen data pipeline. Heute wollen wir die Ziellinie überqueren und dieses numerische Rezept in die Tat umsetzen.
Wir beginnen mit einer kurzen Zusammenfassung der vorherigen Vorlesung und gehen dann auf drei wichtige Aspekte der späteren Phasen der Initiative ein. Der erste Aspekt betrifft das Design des numerischen Rezepts. Allerdings werde ich nicht über das Design der numerischen Elemente des Rezepts sprechen, sondern über das Design des gesamten Engineering-Prozesses, der das numerische Rezept umgibt. Wir werden sehen, wie man die Herausforderung angeht, um der Initiative die Chance zu geben, dass eine zufriedenstellende Lösung entsteht.
Der zweite Aspekt betrifft die ordnungsgemäße Einführung des numerischen Rezepts. In der Tat, beginnt das Unternehmen mit einem manuellen Prozess und soll in einem automatisierten enden. Eine adäquate Einführung kann das Risiko, das mit diesem Übergang bzw. mit einem anfangs fehlerhaften numerischen Rezept verbunden ist, weitgehend mindern.
Der dritte Aspekt betrifft den Wandel, der im Unternehmen eintreten muss, sobald die Automatisierung eingeführt wird. Wir werden sehen, dass sich die Rollen und Aufgaben der Menschen in der supply chain Abteilung erheblich verändern sollten.
In der vorherigen Vorlesung haben wir gesehen, wie man eine die Quantitative Supply Chain-Initiative ins Leben ruft. Lassen Sie uns die wichtigsten Aspekte erneut betrachten. Das Ergebnis ist ein operatives numerisches Rezept, ein Softwareprogramm, das eine Klasse von supply chain Entscheidungen steuert, beispielsweise die Bestandsauffüllung. Dieses numerische Rezept wird, sobald es in Produktion geht, die gesuchte Automatisierung liefern. Entscheidungen dürfen nicht mit numerischen Artefakten wie Nachfrageprognosen verwechselt werden, die lediglich Zwischenergebnisse darstellen, welche zur Berechnung der eigentlichen Entscheidungen beitragen können.
Der Umfang der Initiative muss sowohl mit der supply chain, verstanden als ein System, als auch mit ihrer zugrunde liegenden Applikationslandschaft in Einklang stehen. Auf die Systemeigenschaften der supply chain zu achten, ist entscheidend, um zu vermeiden, dass Probleme nur verlagert statt gelöst werden. Beispielsweise, wenn die Bestandsoptimierung eines Geschäfts in einer retail chain zulasten der anderen Geschäfte durchgeführt wird, ist diese Optimierung bedeutungslos. Ebenso ist die Beachtung der Applikationslandschaft wichtig, da der anfängliche Aufwand für die Integration von Daten möglichst gering gehalten werden muss. IT-Ressourcen sind fast immer ein Engpass, und wir müssen darauf achten, diese Einschränkung nicht weiter zu verschärfen.
Schließlich haben wir vier Rollen für diese Initiative identifiziert, nämlich den supply chain Executive, den Data Officer, den supply chain scientist und den supply chain Practitioner. Der supply chain Executive trägt die Verantwortung für die Strategie, den Wandel und trifft die Entscheidungen bezüglich der Modellierungsansätze. Der Data Officer ist zuständig für den Aufbau der Datenpipeline, die die relevanten Transaktionsdaten der analytischen Schicht verfügbar macht. In dieser Vorlesung gehen wir davon aus, dass die Datenpipeline bereits eingerichtet wurde. Der supply chain scientist ist verantwortlich für die Implementierung des numerischen Rezepts, welches – neben den intelligenten algorithmischen Komponenten – auch umfangreiche Instrumentierung umfasst. Schließlich ist der supply chain Practitioner eine Person, die in den manuellen Entscheidungsprozess eingebunden ist. Diese Person übernimmt typischerweise die Rolle eines Supply and Demand Planners, auch wenn die Terminologie variiert. Zu Beginn der Initiative wird erwartet, dass sie bis zum Ende der Initiative in die Rolle eines Network Managers übergehen. Auf diesen Punkt werden wir später in der Vorlesung noch einmal zurückkommen.
Supply chains sind sehr günstig, wenn es um die Automatisierung von Entscheidungsprozessen geht. Es gibt zahlreiche banale, hoch repetitive Entscheidungen, die quantitativ sind. Leider ist die in den meisten supply chain Lehrbüchern angebotene Modellierungsperspektive in der Regel allzu simpel. Ich behaupte nicht, dass die Lehrbuchtechniken zu einfach sind, sondern lediglich, dass die dort dargestellten Problemstellungen tendenziell vereinfachend sind. Betrachten wir beispielsweise eine Situation der Bestandsauffüllung. Die Lehrbuchperspektive sucht die optimale inventory policy zur Berechnung der nachzubestellenden Menge. Das ist in Ordnung, jedoch oft eine eher unvollständige Antwort.
Zum Beispiel müssen wir möglicherweise entscheiden, ob die Waren per Luft oder per See transportiert werden, wobei die beiden Transportmodi einen Kompromiss zwischen lead time und Transportkosten darstellen. Wir müssen eventuell einen Lieferanten aus mehreren geeigneten Lieferanten auswählen. Zudem müssen wir den genauen Versandplan mit mehreren Versandterminen festlegen, wenn die Menge groß genug ist, um mehrere Sendungen zu rechtfertigen.
Das dritte Kapitel dieser Serie, ein Kapitel, das sich supply chain Personae widmet, präsentierte detaillierte Einblicke in reale supply chain Situationen, in denen wir feststellen, dass es fast immer Feinheiten gibt, die über die Wahl einer einzelnen Menge für eine gegebene SKU hinausgehen. Daher muss der supply chain scientist, mit Hilfe des supply chain Practitioner und des supply chain Executive, damit beginnen, die vollständige Form der Entscheidung aufzudecken. Diese vollständige Form der Entscheidung muss alle Elemente enthalten, die zur Gestaltung der eigentlichen supply chain Operation beitragen. Die vollständige Erfassung der Entscheidungsform ist schwierig.
Erstens fragmentiert die Arbeitsteilung, wie sie in den meisten Unternehmen, die eine große supply chain betreiben, umgesetzt wird, die verschiedenen Aspekte der Entscheidung oft auf mehrere Mitarbeiter und manchmal auf mehrere Abteilungen. Beispielsweise bestimmt eine Person die nachzubestellende Menge, während eine andere Person entscheidet, welcher Lieferant den Bestellauftrag erhält.
Zweitens neigen die subtileren Aspekte der Entscheidung, wie etwa die Aufforderung an den Lieferanten, die Bestellung zu beschleunigen, wenn es einen Nachfrageanstieg gegeben hat, dazu, übersehen zu werden, weil Praktiker nicht realisieren, dass auch diese Aspekte automatisiert werden können und sollten. Ich schlage vor, die Beschreibung dieser vollständigen Entscheidungsform schriftlich festzuhalten – nicht in einer Reihe von Folien, sondern als einen eigenständigen Text. Insbesondere muss der Text das „Warum“ klären. Was steht bei jedem Aspekt der Entscheidung genau auf dem Spiel? Zwar mögen einige Aspekte der Entscheidung, wie die Menge bei einer Nachbestellung, relativ offensichtlich sein, andere können jedoch übersehen oder vergessen werden. Beispielsweise könnte ein Lieferant gegen einen Aufpreis die Option anbieten, die Waren innerhalb von sechs Monaten zurückzunehmen, falls die Pakete unberührt bleiben. Die Inanspruchnahme oder Nichtinanspruchnahme dieser Option sollte Teil der Entscheidung sein, kann jedoch leicht in Vergessenheit geraten.
Das Scheitern, die vollständige Form der supply chain Entscheidung zu identifizieren oder – schlimmer noch – die Entscheidung falsch zu charakterisieren, ist einer der sichersten Wege, die Initiative zum Scheitern zu bringen. Insbesondere ist die legacy-driven Reaktion einer der häufigsten Fehler, die in großen Unternehmen vorkommen. Das Wesentliche der legacy-driven Reaktion besteht darin, eine Entscheidungsform zu übernehmen, die für das Unternehmen und seine supply chain eigentlich keinen Sinn ergibt, jedoch übernommen wird, weil sie in bestehende transaktionale Software oder in einen existierenden Prozess innerhalb der Organisation passt.
Beispielsweise kann entschieden werden, dass die Bestandsauffüllung über die Berechnung von safety stock Werten gesteuert werden soll, anstatt direkt die tatsächlichen Nachbestellmengen zu berechnen. Die Berechnung von safety stocks mag einfacher erscheinen, da diese safety stocks bereits im ERP vorhanden sind. Wenn die safety stock Werte neu berechnet würden, könnten sie leicht in das ERP eingespeist werden, wodurch die bisher verwendete Formel im DRP überschrieben würde.
Allerdings weisen safety stocks erhebliche Schwächen auf. Selbst etwas so Grundlegendes wie eine Mindestbestellmenge (MOQ) passt nicht in die Perspektive von safety stocks. Zumindest wird diese Umsetzung nicht aufgrund einer Software, sondern wegen bereits existierender Prozesse innerhalb der Organisation bevorzugt.
Beispielsweise könnte ein Einzelhandelsnetzwerk zwei Planungsteams haben: ein Team, das sich der Bestandsauffüllung der Geschäfte widmet, und ein Team, das für die Personalplanung der Distributionszentren zuständig ist. Diese beiden Problembereiche sind jedoch im Grunde dasselbe. Sobald die Nachbestellmengen für die Geschäfte festgelegt wurden, gibt es keinen Spielraum mehr, um zu bestimmen, wie viel Personal für die Distributionszentren benötigt wird. Somit haben die beiden Teams grundsätzlich überlappende Aufgaben. Diese Arbeitsteilung funktioniert, solange Menschen involviert sind. Menschen sind gut darin, mit mehrdeutigen Anforderungen umzugehen. Diese Mehrdeutigkeit stellt jedoch ein enormes Hindernis für jeden Versuch dar, entweder die Bestandsauffüllung oder die Personalplanung zu automatisieren.
Dieses Anti-Pattern, die legacy-driven Reaktion, ist sehr verlockend, weil sie den Änderungsaufwand minimiert. Allerdings verändert die Automatisierung der Entscheidung grundlegend die Herangehensweise an die Entscheidung selbst. Häufig wird die die Quantitative Supply Chain-Initiative scheitern, wenn das legacy Design beibehalten wird.
Erstens verkompliziert es zusätzlich das Design des numerischen Rezepts, das bereits ein ziemlich komplexes Unterfangen ist. In der Tat sind die Muster, die für eine Arbeitsteilung unter menschlichen Mitarbeitern geeignet waren, nicht die gleichen, die für ein mechanisch agierendes Softwareprogramm passend sind.
Zweitens negiert die legacy-driven Reaktion viele der potenziellen Vorteile, die mit der Automatisierung einhergehen. In der supply chain finden sich nämlich zahlreiche Ineffizienzen an den Grenzen, die innerhalb des Unternehmens existieren. Die Automatisierung beseitigt den Bedarf an den meisten dieser Grenzen, die lediglich aufgrund einer spezifischen Organisation der Arbeitsteilung eingeführt wurden – eine Organisation, die keinen Sinn macht, wenn ein einzelner Computer das gesamte System steuert. Lassen Sie nicht zu, dass Entscheidungen, die vor zwei oder drei Jahrzehnten getroffen wurden, die Zukunft Ihrer supply chain diktieren.
Sobald die Form der Entscheidung richtig charakterisiert wurde, beginnt der supply chain scientist mit der Ausarbeitung des numerischen Rezepts, wobei er historische Transaktionsdaten nutzt. In dieser Vorlesungsreihe gibt es zwei Kapitel, die sich den Details der algorithmischen Techniken widmen, die zum Lernen und Optimieren verwendet werden können. Diese Elemente werde ich heute nicht erneut behandeln. Man kann sagen, dass der supply chain scientist eine Reihe von Beurteilungen vornimmt, um basierend auf seinem Wissen, seiner Erfahrung und den für supply chain scientists verfügbaren Werkzeugen ein erstes numerisches Rezept zu entwickeln.
Mit den richtigen Werkzeugen und Techniken kann und sollte dieser erste Entwurf innerhalb von Tagen, höchstens wenigen Wochen umgesetzt werden. Dabei sprechen wir nicht von fortgeschrittener Forschung, die auf eine neuartige Technik abzielt, sondern lediglich von der Anpassung bekannter Techniken an die Besonderheiten der betreffenden supply chain. Das numerische Rezept muss nämlich ganz strikt die feinen Details der Entscheidung berücksichtigen, wie sie in ihrer vollständigen Form identifiziert wurden.
Selbst wenn man einen sehr kompetenten supply chain scientist betrachtet, der die besten Werkzeuge einsetzt, die Geld kaufen kann, ist es sinnlos zu erwarten, dass das numerische Rezept beim ersten Versuch korrekt ist. Tatsächlich sind supply chains – insbesondere ihre digitalen Darstellungen – zu komplex und undurchsichtig, als dass ein numerisches Rezept beim ersten Mal perfekt funktionieren könnte. Innenschauende numerische Methoden wie Metriken und Benchmarks können ein Missverständnis des supply chain scientist bezüglich einzelner Daten nicht aufdecken.
Für jede Spalte in jeder Tabelle, die aus dem Transaktionssystem des Unternehmens gewonnen wird, gibt es in der Regel mehrere mögliche Interpretationen der Daten. Da es sich um Dutzende von Spalten handelt, die in das numerische Rezept integriert werden müssen, sind Fehler vorprogrammiert. Der einzige Weg, die Richtigkeit des numerischen Rezepts zu beurteilen, besteht darin, es zu testen und echtes Feedback aus der Praxis zu erhalten. Dies wurde im zweiten Kapitel dieser Serie in der Vorlesung mit dem Titel “Experimental Optimization” besprochen.
Daher muss der supply chain scientist mit dem supply chain Practitioner zusammenarbeiten, um Situationen zu identifizieren, in denen das numerische Rezept in seiner aktuellen Form noch absurde Ergebnisse liefert. Grob gesagt implementiert der supply chain scientist ein dashboard, das die Entscheidung, wie sie heute vom numerischen Rezept getroffen würde, zusammenfasst, während der supply chain Practitioner versucht, Zeilen zu identifizieren, die absurd erscheinen.
Basierend auf diesem Feedback instrumentieren die Wissenschaftler das numerische Rezept weiter. Diese Instrumentierung erfolgt in Form von indicators, die versuchen, die Frage zu beantworten: Warum wurde in diesem Kontext diese scheinbar absurde Entscheidung getroffen? Auf dieser Basis wird es möglich, zu entscheiden, ob das numerische Rezept korrigiert werden muss – zum Beispiel, weil ein wirtschaftlicher Treiber falsch modelliert wurde – oder ob die scheinbar absurde Entscheidung tatsächlich korrekt ist, wenn auch anders als in der bisherigen Unternehmenspraxis.
Experimentelle Optimierung ist ein hochiterativer Prozess. Als Faustregel gilt, dass ein hauptberuflicher supply chain scientist mit den richtigen Werkzeugen in der Lage sein muss, dem supply chain Practitioner jeden Tag eine neue Iteration des numerischen Rezepts zu präsentieren. Wenn das numerische Rezept richtig instrumentiert ist, sollte der Practitioner im Verlauf der Initiative nicht mehr als zwei Stunden pro Tag benötigen, um Feedback zur neuesten Iteration zu geben.
Die Iteration endet, wenn das numerische Rezept keine absurden Ergebnisse mehr liefert, das heißt, wenn der Practitioner keine Entscheidungen mehr identifizieren kann, die nachweislich dem Unternehmen schaden. Das Fehlen absurder Entscheidungen mag im Vergleich zu unserem übergeordneten Ziel – besseren Entscheidungen als im manuellen Prozess zu treffen – als niedrigschwellig erscheinen. Allerdings sollten wir bedenken, dass das numerische Rezept von Anfang an so konzipiert wurde, dass es eine mathematische Optimierung des langfristigen wirtschaftlichen Interesses des Unternehmens explizit durchführt. Wenn die Ergebnisse vernünftig sind, funktioniert die Optimierung, und noch wichtiger, es beweist auch, dass das Optimierungskriterium selbst einigermaßen korrekt ist.
Obwohl der hochiterative Entwicklungsprozess des numerischen Rezepts zahlreiche Probleme in der anfänglichen Implementierung beheben kann, reichen Iterationen allein nicht aus, wenn die zugrunde liegende Perspektive der Optimierung falsch ist. In dieser Vorlesungsreihe habe ich bereits erwähnt, dass die Optimierung anhand einer finanziellen Kennzahl erfolgen muss, also anhand einer Kennzahl, die in Euro oder Dollar ausgedrückt wird. Lassen Sie mich diese Aussage klarstellen: Das Weglassen einer finanziellen Kennzahl ist ein Fehler, der die gesamte Initiative gefährdet.
Leider scheuen große Organisationen in der Regel vor finanziellen Kennzahlen zurück. Stattdessen bevorzugen sie ambitionierte Kennzahlen, die als Prozentsatz angegeben werden und eine Art Perfektion repräsentieren, die erreicht würde, wenn – je nach Fall – entweder null Prozent oder 100 Prozent erreicht würden. Natürlich ist Perfektion nicht von dieser Welt, und dieser Grenzfall wird niemals eintreten. Service levels sind beispielsweise der Archetyp der ambitionierten Kennzahl. Das 100% service level ist unerreichbar, da dafür ein unzumutbarer Lagerbestand erforderlich wäre.
Einige Manager in großen Unternehmen lieben diese ambitionierten Kennzahlen. Teams treffen sich routinemäßig, um zu besprechen, was getan werden kann, um diese Kennzahlen weiter zu verbessern. Da diese Kennzahlen stets von Faktoren abhängen, die außerhalb der Kontrolle des Unternehmens liegen, können sie endlos überdacht werden. Beispielsweise hängen die Service levels von der von den Kunden geäußerten Nachfrage und den von den Lieferanten angebotenen Lieferzeiten ab. Weder Nachfrage noch Lieferzeiten unterliegen der vollständigen Kontrolle des Unternehmens.
Diese ambitionierten Kennzahlen fungieren gewissermaßen als Unternehmensziele, solange Menschen im Entscheidungsprozess involviert bleiben, da sie diesen Kennzahlen ohnehin meist nicht allzu viel Beachtung schenken. Beispielsweise, selbst wenn alle zustimmen, dass der Service level erhöht werden sollte, pflegen Planer dennoch zahlreiche undokumentierte Ausnahmen. Der Service level wird systematisch erhöht, es sei denn, das inventory risk ist zu hoch, die minimum order quantity ist zu hoch, das Produkt steht kurz vor der Einstellung oder es bleibt kein Budget mehr für das Produkt, usw.
Leider werden diese ambitionierten Kennzahlen zum Gift, wenn ein automatisierter Prozess eingeführt wird. Tatsächlich sind diese Kennzahlen unvollständig und spiegeln nicht wider, was für das Unternehmen wirklich erstrebenswert ist. Beispielsweise ist es nicht wünschenswert, einen 100% service level zu erreichen, da dies zu massiven Überbeständen im Unternehmen führen würde. Es ist möglich – nicht unklug, aber möglich –, all diese Beschränkungen und Ausnahmen zusätzlich zu den ambitionierten Kennzahlen zu implementieren. Ich meine damit, dass das numerische Rezept auf die ambitionierten Kennzahlen abzielt, begleitet von zahlreichen Einschränkungen, die nachempfinden sollen, was im Kopf eines Planers vor sich geht. Beispielsweise könnten wir die Regel definieren, dass der Service level erhöht werden sollte, solange wir den Lagerbestand unter vier Monatsbeständen halten. Diese Strategie für das Design und die tatsächliche Implementierung des numerischen Rezepts ist jedoch äußerst spröde. Eine direkte finanzielle Optimierung ist ein weitaus sichererer und überlegenerer Weg.
Um eine effiziente Zusammenarbeit zwischen dem supply chain practitioner – oder, noch eher, supply chain practitioners im Plural – und dem Supply Chain Scientist zu erreichen, empfehle ich, frühzeitig eine Dual-Run-Strategie zu übernehmen. Das numerische Rezept sollte täglich parallel zum bereits bestehenden manuellen Prozess ausgeführt werden. Mit dem Dual-Run generiert das Unternehmen effektiv zweimal eine Entscheidung durch zwei konkurrierende Prozesse. Trotz der Reibungsverluste bietet ein Dual-Run erhebliche Vorteile. Erstens benötigt der supply chain practitioner frisch generierte Entscheidungen, die der heutigen Situation entsprechen, um seine Bewertung vorzunehmen. Andernfalls kann der practitioner dem automatisierten Entscheid gar nicht erst Sinn entnehmen oder die unsinnigen Bestandteile identifizieren. Tatsächlich sind aus der Perspektive des practitioners Entscheidungen, die den Zustand der supply chain vor drei Wochen widerspiegeln, längst vergangen. Es nützt wenig, Stunden damit zu verbringen, vergangene Lagerbestände erneut zu prüfen.
Im Gegenteil, wenn die automatisierten Entscheidungen aktuell sind und die heutige Situation widerspiegeln, konkurrieren sie mit den Entscheidungen, die der Planer manuell zu treffen beabsichtigt. Diese automatisierten Entscheidungen können vorerst als Vorschläge betrachtet werden.
Zweitens stellt der täglichen Lauf des numerischen Rezepts sicher, dass die gesamte Datenpipeline jeden Tag einem vollständigen Funktionstest unterzogen wird. Tatsächlich muss das numerische Rezept nicht nur stichhaltige Ergebnisse liefern, sondern auch aus IT-Infrastruktur-Sicht einwandfrei funktionieren. supply chains sind ohnehin chaotisch genug; das numerische Rezept darf nicht noch eine weitere Schicht Chaos hinzufügen. Das frühzeitige Betreiben des Rezepts unter produktionsähnlichen Bedingungen gewährleistet, dass seltene Probleme frühzeitig auftreten und der Data Officer sowie die supply chain scientists die Möglichkeit haben, diese Probleme zeitnah zu beheben. Als Faustregel gilt, dass bis zum Ende des ersten Drittels – also bis zum Ende des dritten Monats nach Beginn einer quantity supply Initiative – der Dual-Run implementiert sein sollte, selbst wenn das numerische Rezept noch nicht bereit ist, in Produktion zu gehen.
Außerdem sollte der practitioner bereits zum Ende des ersten Monats des Dual-Runs damit beginnen, Muster in der Liste der automatisierten Entscheidungen zu erkennen, die sonst übersehen würden, vorausgesetzt, der Supply Chain Scientist leistet dabei ordentliche Arbeit, selbst wenn es noch einige unsinnige Zeilen gibt, die eine weitere Verbesserung des numerischen Rezepts erfordern.
Sobald der Dual-Run implementiert ist, wird erwartet, dass der supply chain practitioner täglich ein oder zwei Stunden aufbringt, um die vom numerischen Rezept generierten Entscheidungen zu überprüfen und zu versuchen, die Elemente zu identifizieren, die noch nicht ganz vernünftig sind. Manchmal ist die Situation jedoch schlicht unklar. Eine Entscheidung ist überraschend – vielleicht ist das numerische Rezept langsam, vielleicht auch nicht. Der practitioner fühlt sich unsicher und sollte in einem solchen Fall den Supply Chain Scientist bitten, zusätzliche Instrumentierungen hinzuzufügen, um Licht ins Dunkel zu bringen. Dieser Prozess wird in dieser Vortragsreihe genau als White-boxing des numerischen Rezepts bezeichnet. White-boxing ist ein Prozess, bei dem das numerische Rezept für die Anteilseigner so transparent wie möglich gemacht wird. White-boxing ist eine gute Sache – ja, sogar essenziell –, um Vertrauen in das numerische Rezept aufzubauen.
Sofern die automatisierten Entscheidungen in einer Tabelle im Dashboard gesammelt werden, ist die typische Form der Instrumentierung das Hinzufügen extra Spalten neben den Entscheidungsspalten. Beispielsweise, wenn es um Bestellmengen geht, gibt es offensichtliche Instrumentierungsspalten wie die vorhandene Lagerbestandsmenge, die erwartete durchschnittliche Lieferzeit, die erwartete durchschnittliche tägliche Nachfrage usw. Diese Instrumentierung ist entscheidend, damit der practitioner rasche Einschätzungen über die Angemessenheit der automatisierten Entscheidungen treffen kann. Gleichzeitig müssen wir auf die Menge der zusätzlich zum numerischen Rezept hinzugefügten Instrumentierung achten. Jeder einzelne Indikator, der eingeführt wird, um die automatisierte Entscheidung im Rahmen des White-boxing-Prozesses aufzuwerten, verkompliziert die Übersicht über die Entscheidungen ein wenig mehr. Zu viel des Guten kann sich ins Schlechte verkehren. Wenn der practitioner nach zwei Monaten Betrieb routinemäßig mehr Instrumentierung anfordert, während die Datenpipeline bereits stabilisiert ist, könnte dies problematisch werden.
Die Grundursache des Problems kann in den ausgeklügelten Komponenten des numerischen Rezepts liegen. In den Kapiteln 5 und 6 dieser Reihe haben wir gesehen, dass nicht alle Techniken und Modelle hinsichtlich ihrer Interpretierbarkeit gleich geschaffen sind. Viele Modelle sind von Natur aus sehr undurchsichtig, selbst für Data Scientists, die sie einsetzen. Heute werde ich nicht nochmals auf jene Modellklassen eingehen, die in puncto Interpretierbarkeit überzeugen. Für diese Diskussion nehme ich einfach an, dass die in das numerische Rezept eingebetteten Modelle aus supply chain-Perspektive hinreichend interpretierbar sind. In diesem Zusammenhang, wenn die Initiative aufgrund eines endlosen Stroms von Anfragen nach mehr Instrumentierung ins Stocken gerät, liegt die wahrscheinlichste Ursache in der Analyseparalyse. Der supply chain practitioner denkt bei der Bewertung des numerischen Rezepts übermäßig nach. Genau das ist das Wesen der Analyseparalyse. Der Practitioner unterzieht das numerische Rezept einer strengeren Prüfung, als sie beim manuellen Prozess stattfindet. Es ist die Aufgabe des supply chain executive, dafür zu sorgen, dass die Initiative nicht in der Analyseparalyse stecken bleibt. Und sollte dies doch geschehen, was durchaus möglich ist, obliegt es ebenfalls dem supply chain executive, das Team sanft daran zu erinnern, dass auch von Menschen getroffene Entscheidungen unvollkommen sind. Wir streben eine Verbesserung gegenüber dem manuellen Prozess an, nicht Perfektion.
Sobald das numerische Rezept keine unsinnigen Entscheidungen mehr generiert und diese Entscheidungen mit einem scheinbar angemessenen Maß an Instrumentierung versehen sind, ist es an der Zeit, den schrittweisen Übergang vom manuellen zum automatisierten Prozess vorzunehmen. Als Faustregel gilt, dass dieser Punkt innerhalb von zwei bis vier Monaten nach dem Beginn des Dual-Runs erreicht sein sollte. Vom ersten Tag des Dual-Runs an hätte das numerische Rezept im gesamten Umfang der Initiative betrieben werden müssen. Somit könnte theoretisch der Übergang von manuellen zu automatisierten Entscheidungen quasi über Nacht erfolgen.
Die Praxis widerspricht jedoch häufig der Theorie. Handelt es sich um ein großes Unternehmen, ist es wichtig, nicht über Nacht alle Entscheidungen von einem Prozess auf den anderen umzustellen. supply chains sind sehr komplex und man muss mit dem Unerwarteten rechnen. Daher ist es klüger, zunächst mit einem kleinen operativen Umfang – etwa einer einzelnen Produktkategorie – zu beginnen und sich von dort aus zu erweitern. In den frühesten Phasen der Übernahme ist es angebracht, jeder Iteration eine oder vielleicht zwei Wochen zu widmen. Sowohl der supply chain practitioner als auch die Supply Chain Scientists müssen sorgfältig überprüfen, wie sich die automatisierten Entscheidungen auswirken. Und wenn innerhalb dieses kleinen operativen Umfangs nichts Unerwartetes geschieht – ja, selbst wenn das numerische Rezept zu diesem Zeitpunkt keine weiteren scheinbar unsinnigen Entscheidungen mehr erzeugt – könnten dennoch Probleme bei der Integration der automatisierten Entscheidungen in die transaktionalen Systeme auftreten. Sobald das numerische Rezept einige Wochen lang in der Produktion eingesetzt wurde, auch wenn der Umfang relativ klein war, ist es angebracht, die Iterationen zu beschleunigen.
Die Übernahme kann bei jeder Iteration stärker zunehmen, und auch die Dauer der Iterationen kann verkürzt werden, möglicherweise bis zu zwei Iterationen pro Woche. Tatsächlich sollte der gesamte Zeitraum des Übergangs zum automatisierten Prozess überschaubar kurz gehalten werden. Andernfalls führt die Verzögerung der Übernahme zu weiteren Risikokategorien. Die supply chain sowie ihre Anwendungslandschaft unterliegen ständigen Veränderungen. Als Faustregel gilt, dass die Übernahme – abhängig von Größe und Komplexität des Unternehmens – nicht länger als zwei bis vier Monate dauern sollte.
Wenn die supply chain vom manuellen Prozess auf einen automatisierten Prozess umstellt, müssen auch innerhalb der Organisation zahlreiche Veränderungen vorgenommen werden. Große Organisationen sind bekanntermaßen schwer zu verändern, aber es gibt zwei grundlegende Richtungen des Wandels: Die Organisation kann einen Prozess hinzufügen oder einen Prozess entfernen.
Einen Prozess zu entfernen ist wesentlich schwieriger als einen hinzuzufügen. Einen Prozess hinzuzufügen bedeutet, Menschen einzustellen – und der einzige Widerstand dagegen wird von der obersten Führungsebene kommen, da es eine zusätzliche Budgetposition darstellt. Einen Prozess zu entfernen bedeutet, Mitarbeiter zu entlassen oder zumindest ihre Stelle abzubauen und gleichzeitig die Angestellten zu behalten und umzuschulen. Beim Entfernen eines Prozesses kehrt sich die Situation um. Man kann mit Widerstand aus der gesamten Organisation rechnen, mit Ausnahme der obersten Führungsebene.
Der einfachste Weg, ein numerisches Rezept in die Produktion zu überführen, besteht darin, den Dual-Run dauerhaft beizubehalten. Der bestehende manuelle Prozess bleibt erhalten und nutzt die automatisierten Entscheidungen nun als einfache Vorschläge. Dieser Ansatz erscheint sicher und kann sogar marginale Vorteile bieten, da die automatischen Vorschläge dabei helfen, einige der gravierendsten Fehler des manuellen Prozesses zu identifizieren. Allerdings führt das dauerhafte Beibehalten des Dual-Runs zu einer Prozesssedimentation, bei der es der Organisation nicht gelingt, etwas abzubauen.
Damit supply chain practices zu einem kapitalistischen Unterfangen – einem produktiven Asset – werden, muss die Organisation den manuellen Prozess loslassen. Der manuelle Prozess ist eine Sackgasse; er wird sich im Laufe der Zeit nicht weiter verbessern. Die Organisation muss die gesamte für den manuellen Prozess aufgewendete Zeit und Energie der kontinuierlichen Verbesserung des automatisierten Prozesses zuführen. Das Beibehalten des manuellen Prozesses behindert lediglich die Fähigkeit, das Potenzial der Automatisierung voll auszuschöpfen. Insbesondere solange manuelle Eingriffe erfolgen, ist nichts wirklich reproduzierbar, und somit kann auch nichts wirklich optimiert werden, da Optimierung Reproduzierbarkeit erfordert.
Die Automatisierung von Entscheidungen – selbst im Hinblick auf banale und repetitive – stellt einen Paradigmenwechsel in der Verwaltung von supply chains dar. Der Wandel ist so gravierend, dass es verlockend ist, ihn völlig abzutun. Doch der Wandel kommt. Zwei Jahrhunderte fortschreitender Mechanisierung unserer Wirtschaft haben mehr als deutlich gezeigt: Wenn etwas automatisiert werden kann, wird es auch automatisiert. Nach einer Weile gibt es kein Zurück mehr zum früheren Zustand. Lokad betreibt etwa 100 supply chains in hochautomatisierten Setups und liefert damit den lebenden Beweis, dass die Automatisierung von supply chains bereits angekommen ist – sie ist nur noch nicht weit verbreitet.
Eine der größten Veränderungen, die unsere Kunden umsetzen müssen, betrifft die Rolle des supply and demand planner. Die gängige Form dieser Rollen, die in der Branche unter verschiedenen Namen bekannt ist – wie inventory managers, category managers oder supply managers – sieht vor, dass ein Mitarbeiter eine Shortlist von SKUs betreut, die je nach Auftragsvolumen zwischen 50 und 5.000 SKUs variieren kann. Der Planer ist für die kontinuierliche Verfügbarkeit der SKUs auf der Shortlist verantwortlich, entweder durch Auslösen von Bestandsauffüllungen, Produktionschargen oder beidem. Die Arbeitsteilung ist eindeutig: Mit steigender Anzahl an SKUs steigt auch die Zahl der Planer.
Der Fokus des Planers liegt nach innen. Diese Person verbringt viel Zeit damit, Zahlen zu überprüfen, die entweder in einer spreadsheet konsolidiert oder auf Dashboards angezeigt werden. Planer nutzen möglicherweise Enterprise-Software-Tools, treffen ihre Entscheidungen jedoch fast immer in Tabellenkalkulationen, die sie persönlich verwalten. Der Zweck der Tabellenkalkulation besteht darin, einen zugänglichen und vollständig anpassbaren numerischen Kontext bereitzustellen, um die vom Planer getroffenen Entscheidungen zu unterstützen. Die Routine des Planers besteht darin, die gesamte Shortlist der SKUs jede Woche, möglicherweise jeden Tag, erneut zu überprüfen.
Wenn jedoch das numerische Rezept in Produktion ist, hat es keinen Sinn, diesen Zeitplan der manuellen Überprüfung der Shortlist der SKUs durch den Planer beizubehalten. Der Planer sollte in die Rolle eines Netzwerkmanagers übergehen. Weitgehend von datengesteuerten Routinen befreit, kann der Netzwerkmanager seine Zeit darauf verwenden, mit dem network zu kommunizieren – sowohl stromaufwärts mit Lieferanten als auch stromabwärts mit Kunden – und die Annahmen, die das Design des numerischen Rezepts stützen, zu überdenken. Die primäre Gefahr, die das numerische Rezept bedroht, ist nicht, seine Genauigkeit zu verlieren; es ist, seine Relevanz einzubüßen. Der Netzwerkmanager versucht zu identifizieren, was durch die Datenlinsen zumindest noch nicht sichtbar ist. Es geht nicht darum, das numerische Rezept mikromanagen oder numerische Anpassungen an den Entscheidungen selbst vorzunehmen; es geht darum, Faktoren zu erkennen, die vom numerischen Rezept ignoriert oder missverstanden werden.
Der Netzwerkmanager fasst Erkenntnisse zusammen, die sowohl für die Supply Chain Scientists als auch für die supply chain executives bestimmt sind. Auf Grundlage dieser Erkenntnisse können die Scientists das numerische Rezept anpassen oder neu strukturieren, um ein erneuertes Verständnis der Situation widerzuspiegeln.
Leider ist es nicht der einzige Weg für den Planer, den Status quo aufrechtzuerhalten, wenn er dem Rollout des numerischen Rezepts widerspricht. Eine weitere Strategie besteht darin, die gleiche Arbeitsroutine beizubehalten: die Shortlist der SKUs weiterhin zu überprüfen, jedoch anstatt die Entscheidungen zu überstimmen, alle Erkenntnisse – falls vorhanden – einfach an den Supply Chain Scientist zu melden. Menschen lieben ihre Gewohnheiten, und Mitarbeiter großer Unternehmen noch mehr.
Das Problem bei diesem Ansatz ist, dass, sobald die Automatisierung implementiert ist, die Supply Chain Scientists direkt die Ergebnisse des automatisierten Prozesses beobachten können – sowohl die guten als auch die schlechten. Der Planer und die Scientists haben Zugriff auf dieselben Daten; allerdings hat der Scientist definitionsgemäß Zugriff auf leistungsfähigere Analysetools als der Planer. Sobald die Automatisierung also ausgerollt wird, verringert sich der Mehrwert des Feedbacks des Planers rasch, wenn es um die kontinuierliche Verbesserung des numerischen Rezepts geht.
Da der Planer nun mehr Zeit für Analysen hat, wird er wahrscheinlich veranlassen, dass mehr Indikatoren und Dashboards vom Scientist erstellt werden. Dies führt zu “KPI tourism”: Die Anzahl der zu überprüfenden Indikatoren wird erhöht, bis allein deren Betrachtung zu einem Vollzeitjob wird. Diese Arbeitsbelastung wird auch für die Scientists zur Ablenkung. In dieser Phase, nach der Implementierung, erfordert die Verbesserung des numerischen Rezepts ein ziemlich gutes Verständnis der Schwächen der tatsächlichen Umsetzung. Der Scientist ist ideal positioniert, um diese Arbeit zu leisten, während der Planer dafür weitaus weniger geeignet ist. Um hilfreich zu sein, sollte der Planer zum Netzwerkmanager werden und, wie bereits erwähnt, beginnen, nach außen zu blicken. Andernfalls verkommt die Position des Planers zu reinem KPI tourism.
Die Aufgabe des supply chain executive wird weitgehend durch die Organisation und ihre Prozesse definiert. Solange banale Entscheidungen das Ergebnis eines manuellen Prozesses bleiben, bleibt der Organisation nichts anderes übrig, als eine Arbeitsteilung zu übernehmen, bei der jeder Planer seine eigene Shortlist der SKUs betreut. Somit ist der supply chain executive in erster Linie der Manager eines Teams von Planern. Ist das Unternehmen groß genug, um eine Zwischenmanagementebene zu rechtfertigen, führt der executive die Planer möglicherweise nur indirekt. Dennoch bleibt die supply chain-Struktur dieselbe: eine Pyramide mit Planern an der Basis. Notwendigerweise bedeutet es, ein guter supply chain executive zu sein, ein guter Coach für diese Planer zu werden. Der executive steuert die supply chain-Entscheidungen nicht; es sind die Planer, die diese Entscheidungen treffen. Die Verbesserung der Entscheidungen beruht vor allem darauf, dass die Planer bessere Arbeit leisten.
Supply chain Softwareanbieter argumentieren, dass ihre Werkzeuge einen Unterschied machen können. Wie bereits erwähnt werden jedoch fast immer Tabellenkalkulationen verwendet, um diese Entscheidungen zu treffen, ganz gleich, wie viele Tools im Unternehmen implementiert wurden. Letztendlich kommt es also darauf an, was die Planer mit ihren eigenen Tabellenkalkulationen machen.
Sobald eine Klasse von supply chain-Entscheidungen automatisiert wurde, ändert sich die Rolle des supply chain executive erheblich. Die Aufgabe besteht nicht länger darin, ein großes Team von Planern zu coachen, die alle Varianten derselben Tätigkeit ausüben. Jetzt besteht die Aufgabe des supply chain executive darin, alles zu tun, damit das Unternehmen den größtmöglichen Nutzen aus seiner supply chain-Automatisierung zieht. Der executive muss Eigentümer des Softwareprodukts werden, das die supply chain-Entscheidungen effektiv steuert.
Tatsächlich sind der Fokus und die Beiträge der Supply Chain Scientists nach innen gerichtet, ganz wie die früheren Beiträge der Planer. Die Scientists können das numerische Rezept nur von innen heraus verbessern. Es wird nicht von ihnen erwartet, dass sie die Anwendungslandschaft oder die umfassenderen Unternehmensprozesse neu strukturieren. Es ist die Aufgabe des supply chain executive, dies zu ermöglichen. Insbesondere wird der executive dafür verantwortlich, eine Roadmap für die fortlaufende Verbesserung der Automatisierung zu erstellen.
Solange Entscheidungen von Planern getroffen wurden, war die Roadmap weitgehend selbstverständlich. Die Planer machten weiterhin das, was sie tun, und die Mission des nächsten Quartals ähnelte weitgehend der des vorangegangenen Quartals. Sobald die Automatisierung jedoch eintritt, beinhaltet die Verbesserung des numerischen Rezepts fast immer, etwas zu tun, was noch nie zuvor gemacht wurde. Wenn man Software entwickelt und es richtig macht, wiederholt man sich nicht – man schreitet voran. Sobald eine Erkenntnis gewonnen wurde, muss eine neue Art von Erkenntnis angestrebt werden. Die Mission der Personen, die unter einem Software-Produktverantwortlichen arbeiten, ändert sich von vornherein kontinuierlich.
Die neuen Richtungen und Ziele fallen nicht vom Himmel. Es ist die Verantwortung des supply chain executive, die Entwicklung des supply chain Softwareprodukts in günstige Bahnen zu lenken.
Die Mehrheit der alltäglichen Probleme, mit denen supply chains konfrontiert sind, sind Softwareprobleme. So ist es in entwickelten Ländern schon seit mehr als einem Jahrzehnt der Fall, selbst in Unternehmen, in denen alle Entscheidungen manuell aus Tabellenkalkulationen abgeleitet werden. Diese Situation ist eine direkte Folge davon, dass supply chains an der Schnittstelle zahlreicher Systeme stehen: dem ERP, CRM, WMS, OMS, PIM und Dutzenden dreibuchstabiger Akronyme, die von Enterprise Softwareanbietern verwendet werden, um die verschiedenen Teile der Unternehmenssoftware zu beschreiben, die alle für supply chain-Zwecke relevanten Daten enthalten. Supply chains verlangen eine End-to-End-Perspektive des Geschäfts, und infolgedessen verbinden sie letztlich den Großteil der Anwendungslandschaft des Unternehmens. Dennoch scheint es, als würden die meisten Unternehmen weiterhin supply chain-Führungskräfte auswählen, die sehr wenig über Software wissen. Noch schlimmer, einige dieser Führungskräfte haben nicht die Absicht, jemals etwas über Software zu lernen. Diese Situation ist das Anti-Pattern des “analytics supply chain bus”. Wenn ich von Software spreche, sollte dies als die Art von Thema verstanden werden, die ich im vierten Kapitel dieser Vortragsreihe behandelt habe – Themen, die von Computerhardware bis hin zu Softwareengineering reichen.
Heutzutage bedeutet Softwareanalphabetismus im Top-Management der supply chain massive Schwierigkeiten für das Unternehmen. Entweder glaubt das Management, dass es auch ohne Softwareexpertise gut zurechtkommt, oder es ist der Ansicht, dass man auch mit externer Softwareexpertise auskommt. In jedem Fall sind die Konsequenzen nicht gut.
Wenn das Top-Management der Meinung ist, dass es auch ohne Softwareexpertise auskommt, wird das Unternehmen auf allen elektronischen Kanälen – sowohl auf der Verkaufsseite als auch auf der Einkaufsseite – Boden verlieren. Da jedoch viele Mitarbeiter erkennen, dass diese elektronischen Kanäle von Bedeutung sind, wird – ob es dem Top-Management gefällt oder nicht – Shadow IT vorherrschen. Seien Sie zudem versichert, dass bei der nächsten größeren Software-Umstellung im Unternehmen diese Umstellung massiv schlecht gemanagt wird, was zu langen Phasen niedriger Servicequalität aufgrund von softwarebezogenen Problemen führt, die von vornherein völlig hätten vermieden werden sollen.
Wenn das Management glaubt, dass es auch mit Softwareexpertise von Drittanbietern zurechtkommt, ist die Situation etwas besser als im vorherigen Fall – jedoch nur marginal. Sich auf Drittanbieter-Experten zu verlassen, ist in Ordnung, wenn es sich um ein eng umrissenes, in sich geschlossenes Problem handelt, wie etwa die Sicherstellung, dass der Einstellungsprozess den Vorschriften entspricht. Supply chain-Herausforderungen sind jedoch nicht in sich abgeschlossen; sie erstrecken sich über das gesamte Unternehmen und häufig sogar darüber hinaus. Die häufigste Falle beim Gedanken, dass Expertise ausgelagert werden kann, besteht darin, unangemessen hohe Geldbeträge an große Softwareanbieter zu zahlen, in der Hoffnung, dass diese die Probleme lösen. Überraschung – das werden sie nicht. Das einzige Gegenmittel für diese Probleme ist ein gewisses Maß an Softwarekompetenz im Top-Management.
Heute haben wir skizziert, wie automatisierte supply chain-Entscheidungen in die Produktion gebracht werden können. Der Prozess ist eine Mischung aus Design, Engineering und Change-Management. Es ist eine schwierige Reise, mit zahlreichen scheinbar einfachen oder tröstlichen Pfaden, die direkt zum Scheitern der Initiative führen. Um erfolgreich zu sein, erfordert die Initiative eine wesentliche Weiterentwicklung der Rollen und Aufgaben sowohl des Top-Managements der supply chain als auch seiner Mitarbeiter.
Für Unternehmen, die tief in ihren manuellen Prozessen verankert sind, mag es unüberwindbar erscheinen, eine solche Initiative durchzuführen – sodass der Status quo als einzige Option erscheint. Dem widerspreche ich aber in zwei Punkten. Erstens: Zwar ist die Reise mühsam, doch sie ist im Vergleich zu den meisten Geschäftsinvestitionen kostengünstig. Durch die Reinvestition der jährlichen Kosten von fünf Demand Planners kann das Unternehmen die Arbeitslast von 50 Demand Planners automatisieren. Natürlich mögen große Enterprise Softwareanbieter behaupten, dass es Dutzende von Millionen Dollar brauche, um überhaupt loszulegen, aber es gibt wesentlich schlankere Alternativen. Zweitens: Die Reise mag beschwerlich sein, ist aber auch nicht wirklich optional. Unternehmen, die Armeen von Sachbearbeitern beschäftigen, um ihre banalen, sich wiederholenden supply chain-Entscheidungen zu treffen, leiden zudem unter langen, selbst auferlegten Vorlaufzeiten, die durch interne Prozesse verursacht werden. Solche Unternehmen werden gegenüber jenen, die ihre routinemäßigen Entscheidungsprozesse automatisiert haben, nicht wettbewerbsfähig bleiben. Der Wettbewerbsvorteil, der durch Automatisierung erzielt werden kann, ist anfangs immer bescheiden; doch da die Automatisierung im Laufe der Zeit verbessert werden kann, während ein manueller Prozess dies nicht zulässt, wird der Wettbewerbsvorteil exponentiell stärker. Zum jetzigen Zeitpunkt mögen automatisierte supply chain-Entscheidungen noch als futuristisch wahrgenommen werden, aber in zwei Jahrzehnten wird das Gegenteil der Fall sein. Manuelle Prozesse werden dann als veraltete Überreste einer vergangenen Ära angesehen.
Damit endet der heutige Vortrag. In Kürze werden wir mit den Fragen fortfahren. Der nächste Vortrag findet, wie üblich, in der ersten Novemberwoche, am Mittwoch, um 15 Uhr Pariser Zeit, statt. Wir kehren zum dritten Kapitel mit einer supply chain-Persona zurück. Es geht um ein fiktives Unternehmen namens Stuttgart, das im Automobil-Nachrüstsektor tätig ist. Wir werden sehen, dass die Automobilbranche die Branche der Branchen ist und eine Reihe ziemlich spezifischer Herausforderungen mit sich bringt, die erneut nicht angemessen in supply chain-Lehrbüchern abgebildet werden.
Werfen wir einen Blick auf die Fragen.
Question: Erfordert die Quantitative Supply Chain eine eigene ideale Arbeitsteilung?
Ja, es kann ein schrittweiser Übergang sein, aber die Idee ist, dass die Arbeitsteilung, die man bei einem manuellen Prozess hatte, dadurch definiert wurde, dass ein Planer nur eine begrenzte Anzahl von SKUs verwalten kann. Mehr SKUs, mehr Planer. Dies ist eine sehr vereinfachte Arbeitsteilung. Wenn man ein großes Unternehmen hat und einen automatisierten Prozess anstrebt, besteht die Idee darin, sich auf spezialisierte Personen zu stützen. Beispielsweise kann ein Netzwerkmanager sich darauf spezialisieren, die Servicequalität aus der Perspektive des Kunden zu beurteilen. Wahrnehmung zählt – es geht nicht um die abstrakte Servicequalität, wie zum Beispiel die Servicelevels. Vielleicht haben die Kunden ihre eigene Sichtweise, sodass sich jemand darauf spezialisieren kann. Ein anderer Netzwerkmanager könnte sich auf einen spezifischen Aspekt konzentrieren, bei dem eine engere Koordination und Integration mit bestimmten Lieferanten beispielsweise zu kürzeren Durchlaufzeiten führt und neue Optionen eröffnet. Plötzlich wird die Arbeitsteilung zunehmend auf die vielen Blickwinkel fokussiert, die aus analytischer Sicht untersucht, überdacht und neu analysiert werden müssen. Mehrere Personen können daran arbeiten. Aber nochmals: Es geht nicht darum, etwas so Klar definiertes wie eine Liste von SKUs zu haben. Es ist auch der Kern der Verbesserung. Vielleicht sind einfach mehrere Personen nötig, damit sie gemeinsam Ideen brainstormen, die besseren Ansätze identifizieren und diese ordnen können. Sobald man den Weg einer Quantitative Supply Chain-Initiative einschlägt, gleicht die Arbeitsteilung vielmehr einem fortlaufenden Engineering-Prozess, bei dem Personen mit tieferem Fachwissen in bestimmten Bereichen zusammenkommen, um ein überragendes Produkt entstehen zu lassen.
Question: Hilft die Verwendung von Prozentwerten anstelle finanzieller Metriken dabei, die Ineffizienzen des Altprozesses zu verschleiern? Wenn dies der Fall ist, wie wahrscheinlich ist es, dass die Initiative erfolgreich sein kann?
Das ist eine sehr komplexe Frage. Einer der Gründe, warum große Unternehmen und so viele Manager in ihnen diese erstrebenswerten Kennzahlen lieben, liegt darin, dass keine Schuld damit verbunden wird. Sobald ein Indikator in Prozent ausgedrückt wird, merkt niemand, dass er Millionen von Dollar repräsentiert, die allein im letzten Quartal aufgrund eines bestimmten Fehlers, der von einer bestimmten Abteilung unter der Leitung einer bestimmten Person begangen wurde, verloren gingen. Diese Prozentzahlen sind unglaublich undurchsichtig, und es ist eine echte Herausforderung, diese Initiativen erfolgreich zu machen, denn sehr häufig deckt man, sobald man die Werte in Dollar oder Euro ausdrückt, das wahre Ausmaß der Ineffizienzen auf, das absolut immens sein kann.
In der Erfahrung von Lokad stellten wir bei börsennotierten Unternehmen, die sämtliche Zahlen an die öffentlichen Märkte berichteten und bei denen mehr als 200 Prüfer den Wert des Inventars zertifizierten, fest, dass die Inventarwerte um 20 % zugunsten des Unternehmens verfälscht waren. Wir sprechen hier von einem Unternehmen, in dessen Büchern Inventar im Wert von über einer Million Euro verbucht ist. Das Verrückte daran war, dass das Inventar buchstäblich über Jahrzehnte von mehr als 200 Personen geprüft wurde und alles seit Jahrzehnten digitalisiert war.
Wenn Sie solche Dinge aufdecken, ist es schwierig, aber ich glaube, dass der Ansatz darin besteht, bei Problemen hart und bei Menschen nachsichtig zu sein. Unternehmen müssen lernen, bei den Menschen nachsichtig und bei den Problemen wirklich hart zu sein, anstatt das Problem zu ignorieren und die Menschen zu entlassen.
Frage: Große Unternehmen verwenden viel mehr KPIs als nötig. Wenn Sie die Initiative einführen, wie hinterfragen Sie alle KPIs?
Sehr gute Frage. All diese KPIs sind eine große Ablenkung, die die von den Planern manuell geleistete Arbeit unterstützt. Sobald Sie ein numerisches Rezept haben, warum sollten Sie sich überhaupt um all diese KPIs kümmern? Alles, was Sie optimieren, sollte in Ihre finanziellen Kriterien eingebettet sein. Sie sollten eine Kennzahl haben, die Ihnen für jede potenzielle Entscheidung anzeigt, wie viel Geld auf dem Spiel steht, wie viel Sie gewinnen oder verlieren werden, abhängig vom Ausgang der Entscheidung. Anstatt eine endlose Reihe von Indikatoren anzusammeln, können Sie, wenn Sie Ihre finanzielle Kennzahl verfeinern möchten, einen Faktor hinzufügen. Das bedeutet jedoch nicht, dass Sie dem Bericht eine zusätzliche Spalte hinzufügen; es bedeutet lediglich, dass Sie ein wenig nachjustieren, indem Sie einen zusätzlichen Faktor zuordnen, der additiv ein paar Euro oder Dollar zu den Werten hinzufügt oder von ihnen abzieht, die Sie einer bestimmten Entscheidung zuweisen.
Im Wesentlichen wird alles, was außerhalb dieser finanziellen Ziele liegt, vom numerischen Rezept ignoriert. Das numerische Rezept führt einen mathematischen Optimierungsprozess durch, der strikt ein finanzielles Ziel optimiert. Das ist es. All diese anderen Indikatoren werden ignoriert. Eine automatisierte Einrichtung macht es viel offensichtlicher, dass diese Indikatoren sinnlos sind. Sie fließen nicht in das Rezept ein, werden vom numerischen Rezept nicht berücksichtigt und sind nicht einmal Teil des Entscheidungsprozesses. Es wird auch klar, dass ehrgeizige Kennzahlen, wie Servicelevels, nachteilig sind. Man kann nicht einfach seine Servicequalität auf ein 100%-Servicelevel heben, weil dies kein wünschenswertes Ergebnis für das Unternehmen ist. Wird die Automatisierung korrekt umgesetzt, stellt sie klar, was in Bezug auf Indikatoren tatsächlich benötigt wird, und man erkennt, dass nicht so viele Indikatoren nötig sind. Außerdem, weil weniger Menschen in den Prozess involviert sind, besteht weniger Druck, ständig Indikatoren hinzuzufügen. Ein weiterer Aspekt bei großen Planungsteams ist, dass jede einzelne Person dazu neigt, ein oder zwei Lieblingsindikatoren zu haben. Wenn Sie 200 Personen haben und jede einzelne Person möchte, dass ein Indikator zu ihrer persönlichen Bequemlichkeit hinzugefügt wird, endet man mit 200 Indikatoren, was viel zu viele sind. Aber wenn Sie nur ein Zehntel dieses Personals haben, ist der Druck, die Indikatoren anzuhäufen, viel geringer.
Frage: Wie verstehen Anbieter von Demand-Planning-Software die Ökosysteme ihrer potenziellen Kunden, wie zum Beispiel Sicherheitsbestandsanforderungen, während sie Anpassungen vor der Einführung beim Kunden vornehmen? Ich meine, sobald die Einführung erfolgt, gibt es keine Fallstricke in Bezug auf Prognosefehler.
Die klassische Sichtweise, von der ich glaube, dass sie es in den 1970er Jahren nicht geschafft hat, Automatisierung in supply chain decisions zu bringen, beruhte auf der Annahme, dass eine verpackte Softwarelösung die Probleme von Unternehmen lösen könnte. Ich bin fest davon überzeugt, dass dem nicht so ist. Ein verpacktes Softwarepaket kann zu keiner nicht trivialen supply chain passen. Was passiert, ist, dass ein Anbieter von Unternehmenssoftware mit einem gewissen Inventaroptimierungs- und Prognosemodul versucht, das Produkt an ein Unternehmen zu verkaufen, und da Funktionen fehlen, werden ständig neue hinzugefügt. Über einen Zeitraum von 10 Jahren oder mehr endet man mit einem monströsen, aufgeblähten Softwareprodukt mit Hunderten von Bildschirmen und Tausenden von Parameterwerten.
Das Problem ist, dass je komplexer das Softwareprodukt wird, desto spezifischer Ihre Erwartungen in Bezug auf Daten und das, was das Unternehmen haben sollte, werden. Je komplexer das Softwareprodukt, desto schwieriger wird es, es in das Kundenunternehmen zu integrieren, weil Sie eine komplexe supply chain mit zahlreichen bereits bestehenden Systemen und ein superkomplexes Softwareprodukt zur supply chain Optimierung haben. Es gibt überall Lücken und Diskrepanzen.
Die Realität ist, dass die meisten großen Unternehmen, mit denen ich gesprochen habe, in den entwickelten Ländern seit zwei bis drei Jahrzehnten digitale supply chains betreiben und in den letzten zwei oder drei Jahrzehnten bereits ein halbes Dutzend Lösungen für Demand Planning, Inventory Optimization und supply chain Design eingeführt haben. Also waren sie das schon nicht nur einmal, sondern ein halbes Dutzend Mal. In der Regel sind die Mitarbeiter nicht lange genug im Unternehmen, um zu realisieren, dass diese Prozesse immer wieder seit zwei oder drei Jahrzehnten ablaufen. Und doch sind die Prozesse immer noch völlig manuell und stützen sich oft auf Werkzeuge wie Excel. Das Problem liegt nicht im Prognosefehler; ich glaube, das ist eine Fehldiagnose des Problems, denn die Annahme, man könnte mit dem einen oder anderen System eine perfekte Prognose erstellen, ist lächerlich. Es ist nicht möglich, eine perfekte Prognose zu erstellen, und Menschen, die eine supply chain manuell steuern, haben auch keinen Zugang zu perfekten Informationen. Nur weil Sie ein menschlicher Demand Planner sind, heißt das nicht, dass Sie die Nachfrage perfekt prognostizieren können.
Demand Planner sind in der Lage, ihre Arbeit auch mit weniger als perfekten Prognosen zu erledigen. Diese Menschen sind weder Zauberer noch superfortgeschrittene Wissenschaftler. Sie mögen zwar in Sachen Prognose nicht schlecht sein, aber es gibt keinen Grund zu der Annahme, dass im Durchschnitt alle Demand Planner in dieser Branche, die weltweit Hunderttausende von Menschen beschäftigt, alle super talentiert und in der Lage sind, unglaublich genaue Nachfrageprognosen zu erstellen. Was das System funktioniert, ist, dass diese Menschen ihre Heuristiken und Methoden haben, um die supply chain manuell zu steuern, die trotz schlechter Prognosen überleben.
Das Ziel in Ihrem automatisierten Setup ist es, ein System zu haben, das auch dann einwandfrei funktioniert, wenn die Prognosen von vornherein nicht besonders gut sind. Das ist das Wesen des probabilistischen Prognoseansatzes; es geht nicht darum, die Genauigkeit zu verfeinern, sondern darum, anzuerkennen und zu akzeptieren, dass die Prognose nicht so gut ist. Wenn wir zu jenen Anbietern zurückkehren, glaube ich, dass es der Branche kollektiv in den letzten vier Jahrzehnten nicht gelungen ist, ein befriedigendes Maß an Automatisierung zu erreichen, und der Kern des Problems war der verpackte Ansatz, bei dem von den Unternehmen erwartet wurde, einfach ein Modul einzustecken und damit fertig zu sein. Das funktioniert nicht. Supply chains sind viel zu vielfältig, vielseitig und sich ständig verändernd, als dass ein so mechanischer Ansatz erfolgreich sein könnte.
Frage: Wie gehen Sie mit dem Problem um, angesichts der vorgestellten Perspektive die unterschiedlichen Prognosen des Unternehmens – wie Verkauf, Inventar und andere – in Einklang zu bringen?
Meine Frage ist: Warum machen Sie überhaupt Prognosen? Prognosen sind lediglich numerische Artefakte; sie sind unwichtig. Ihr Unternehmen wird nicht profitabler, nur weil es eine bessere Prognose gibt. Prognosen sind genau das, was ich in den vorherigen Kapiteln dieser Vortragsreihe als numerisches Artefakt bezeichnet habe. Es ist eine Abstraktion, die sich als nützlich erweisen kann oder auch nicht, um bestimmte Entscheidungsarten abzuleiten. Es stellt sich heraus, dass je nach Entscheidung, die Sie in Betracht ziehen, der benötigte Prognosetyp sehr unterschiedlich sein kann.
Ich bezweifle die Idee, dass man eine Prognose an oberster Stelle haben und anschließend die gesamte supply chain ausschließlich auf Grundlage dieser Prognosen steuern kann. Ich lehne diesen Ansatz entschieden ab, da er nicht meiner Erfahrung entspricht, und ich glaube, dass er nicht so gut funktioniert. Ich habe unzählige Unternehmen gesehen, in denen es einen leitenden Planungsprozess gibt, der Prognosen auf der Verkaufsseite erstellt – ein enormes Üben des Sandbagging. Vertriebsmitarbeiter unterschätzen oft ihre Prognosen erheblich, denn so können sie, wenn sie diese Zahlen übertreffen, später leichter die Erwartungen übertreffen. Mitarbeiter in Fabriken oder Lagerhäusern sehen diese Zahlen und denken möglicherweise, dass sie unmöglich richtig sein können, sodass sie die Zahl verwerfen und etwas völlig anderes tun. Meiner Meinung nach sind die Prognoseübungen, die von der überwiegenden Mehrheit der Unternehmen durchgeführt werden, lediglich sinnlose bürokratische Bemühungen. Diese bringen keinen Mehrwert.
Aus der Perspektive der die Quantitative Supply Chain ist es entscheidend, sich auf die Entscheidungen zu konzentrieren, die wirklich von Bedeutung sind, anstatt auf die Prognosen, die nur technische Details sein könnten. Manche Entscheidungsarten benötigen möglicherweise nicht einmal eine Prognose, oder wenn doch, dann könnte es sich um eine Art Prognose handeln, die ganz anders ist als das, was Unternehmen derzeit in Betracht ziehen. Wenn wir von Prognosen sprechen, meinen die meisten Menschen Zeitreihen Prognosen. Geht man jedoch zurück zum dritten Kapitel dieser Vortragsreihe, das sich den supply chain Personas und realen Situationen widmet, stellt man fest, dass Zeitreihen-Prognosen oft nicht die Lösung sind. Die bloße Form der Prognose ist unzureichend, um die Muster zu erfassen, die wir im Geschäft identifizieren möchten.
Abschließend schlage ich vor, nicht einmal zu versuchen, diese Prognosen in Einklang zu bringen. Stattdessen ignorieren Sie sie und konzentrieren sich auf die Entscheidungen selbst. Schauen Sie, was nötig ist, um Rezepte zu entwickeln, die gute Entscheidungen hervorbringen, und die Wahrscheinlichkeit ist, dass all diese Prognosen vollständig ignoriert werden können.
Als Antwort auf den Kommentar zum Vergleich von Financials mit prozentualen KPI-Ergebnissen ist es zwar richtig, dass man Vergleiche ziehen kann, indem man Servicelevels oder Fill Rates mit seinen finanziellen Kennzahlen korreliert. Führt dies jedoch tatsächlich zu einer Kapitalrendite für das Unternehmen? Bessere Inventarentscheidungen können Werte für das Unternehmen schaffen, aber die Zeit, die für die Korrelation von KPIs aufgewendet wird, bringt keinen Mehrwert. Viele Unternehmen sind süchtig nach diesen als Prozentsatz ausgedrückten KPIs, doch sie sind oft bedeutungslose bürokratische Ablenkungen.
Anbieter von Unternehmenssoftware lieben diese Indikatoren, weil sie sie an Kundenunternehmen verkaufen können, wodurch viele Anbieter auf mehr Indikatoren drängen. In Wirklichkeit ist es für eine Klasse von supply chain Entscheidungen bereits ziemlich viel, wenn man täglich zehn Zahlen betrachtet. Es ist in der Regel schwierig, überhaupt zehn Zahlen zu identifizieren, die von einem Menschen täglich beachtet werden sollten. Oft ist es sogar weniger, und das ist in Ordnung. Die Problemklassen in supply chains tendieren dazu, sehr spezifisch für das Unternehmen und die jeweilige supply chain zu sein, aber sie sind nicht unlösbar kompliziert. Ich behaupte nicht, dass supply chain Situationen tausende von wirtschaftlichen Treibern erfordern. Stattdessen sage ich, dass supply chains sehr unterschiedlich sind und man sicherstellen muss, dass man das richtige Problem löst, das zu den Feinheiten der betreffenden supply chain passt. Für eine bestimmte supply chain könnten Sie drei oder vier grundlegende Treiber haben, wie zum Beispiel Lagerkosten, Bruttomarge und andere Faktoren, die praktisch überall zu finden sind. Dann könnten Sie vier oder fünf Indikatoren haben, wiederum finanzielle Kennzahlen, die sehr spezifisch für ein bestimmtes Geschäftssegment sind. Insgesamt bleiben wir also unter zehn Zahlen.
Als Antwort auf die Frage, wie man den Zielkonflikt zwischen finanziellen KPIs und supply chain KPIs ausbalanciert, würde ich sagen: Ja und nein. Wenn Sie glauben, dass finanzielle KPIs nicht die sind, die Sie optimieren sollten, liegt ein Problem in der Definition Ihrer finanziellen KPIs vor. Im ersten Kapitel dieser Vortragsreihe erwähnte ich, dass es typischerweise zwei Kreise von Treibern gibt, die bei der Festlegung einer finanziellen Kennzahl berücksichtigt werden müssen. Der erste Kreis umfasst Faktoren, die die Finanzabteilung direkt in den Büchern ablesen kann, wie beispielsweise Bruttomarge, Lagerwert und Einkaufskosten. Der zweite Kreis beinhaltet Treiber wie das Kundenwohlwollen und die implizite Strafe, wenn die Servicequalität niedrig ist. All dies muss integriert werden.
Die finanzielle Perspektive besteht nicht darin, KPIs zu haben, bei denen es einen Zielkonflikt gibt. Vielmehr geht es darum, alles in einem Wert in Dollar oder Euro für Ihre Leistung und Entscheidungsfindung zusammenzufassen. Es geht nicht darum, supply chain KPIs mit finanziellen KPIs in Einklang zu bringen. Vielmehr geht es darum, in dem Unternehmen eine Governance zu etablieren, damit sich alle über die tatsächlichen Kosten von Beständen, die tatsächlichen Kosten von Fehlbeständen und darüber einigen können, ob eine Nachbestellentscheidung die beste Option ist oder nicht.
Aus dieser neuen Perspektive, in der das Softwareprodukt, das die supply chain steuert, im Besitz ist, besteht die Aufgabe des supply chain Executives darin, einen Konsens innerhalb des Unternehmens zu fördern. Anstatt einen gedankenlosen S&OP Prozess voranzutreiben, bei dem die Zahlen jeden Monat neu überdacht werden und man sich auf sinnlose Verkaufszahlen einigt, geht es darum, ein S&OP 2.0 unter der Leitung des supply chain Directors umzusetzen. Im Gegensatz zu dem, was S&OP-Anbieter behaupten, muss der CEO nicht den S&OP-Prozess besitzen, da dies für ihn eher eine Ablenkung sein könnte. Es ist nicht nötig, den CEO in jeden einzelnen Kampf einzubeziehen.
Die Mission des supply chain Directors besteht darin, mit dem Leiter der Finanzabteilung, dem Marketingchef und dem Vertriebsleiter zusammenzuarbeiten, um sich darauf zu einigen, wie der finanzielle Einfluss von Faktoren wie der Servicequalität gemessen werden soll. Das ist ihre Aufgabe. Es bedarf keiner Abstimmung verschiedener Kennzahlen, da diese dank der unter der Führung des Leiters der supply chain beziehungsweise des supply chain Directors (je nach geltendem Titel im Unternehmen) durchgeführten Arbeiten bereits vorvereinigt sind.
Das war’s für die heutige Vorlesung. Wir sehen uns nächste Mal in der ersten Novemberwoche.
