00:00:00 Einführung in den quantitativen Supply Chain-Ansatz
00:00:41 Erklärung und Schritte der quantitativen Supply Chain-Analyse
00:01:59 Backtesting und Bewertung der Genauigkeit des quantitativen Supply Chain-Ansatzes
00:02:47 Der quantitative Supply Chain-Ansatz und manuelle Eingriffe
00:03:56 Die Annahme des quantitativen Supply Chain-Ansatzes über den Wert der Genauigkeit
00:04:37 Der quantitative Supply Chain-Ansatz als Kompetenztest für Prognoseprotokolle
Erfahren Sie mehr in Lokads umfassendem Artikel zum quantitativen Supply Chain-Ansatz.
Zusammenfassung
Conor Doherty, technischer Autor bei Lokad, diskutiert das Tool “Quantitative Supply Chain”, ein diagnostisches Tool für den Prognoseprozess. Der quantitative Supply Chain-Ansatz integriert Erkenntnisse aus verschiedenen Abteilungen, um die Prognosegenauigkeit zu verbessern. Doherty erläutert die Schritte einer quantitativen Supply Chain-Analyse und deren Effektivität. Er stellt fest, dass der quantitative Supply Chain-Ansatz zwar den Wert von Erkenntnissen demonstrieren kann, aber davon ausgeht, dass eine höhere Prognosegenauigkeit immer vorteilhaft ist, was nicht immer der Fall ist. Er schlägt vor, dass der Fokus auf der Reduzierung monetärer Fehler liegen sollte, anstatt eine höhere Genauigkeit anzustreben. Er kommt zu dem Schluss, dass der quantitative Supply Chain-Ansatz als Kompetenztest verwendet werden könnte, aber nicht die routinemäßige Verwendung von Nicht-Spezialisten für Prognoseeingaben validiert.
Vollständiges Transkript
Der quantitative Supply Chain-Ansatz, oder QSC, ist ein einfaches kollaboratives Tool, das entwickelt wurde, um jede Stufe im Prognoseprozess zu bewerten. Das ultimative Ziel des QSC ist es, Schritte zu eliminieren, die die Prognosegenauigkeit nicht erhöhen.
Der QSC erreicht dies, indem er den Prognoseprozess erweitert und Erkenntnisse aus anderen Abteilungen wie Marketing und Vertrieb einbezieht. Heute werden wir drei einfache Fragen stellen und beantworten: Wie führt man eine QSC-Analyse durch? Funktioniert sie? Und sollte man sie verwenden? Fangen wir an.
Eine statistische Prognose wird erstellt und dann zwischen den Abteilungen weitergegeben. Jede Abteilung nimmt Änderungen basierend auf ihrem Fachwissen vor. Diese Änderungen werden später miteinander verglichen, dann mit der tatsächlichen Nachfrage und schließlich mit der naiven Prognose.
Wenn die Abteilungen die Prognose genauer gemacht haben, wurde positiver QSC hinzugefügt. Wenn sie sie ungenauer gemacht haben, wurde negativer QSC hinzugefügt.
Im Allgemeinen sieht eine QSC-Analyse etwa so aus: Schritt eins, die Beitragenden und die Reihenfolge, in der sie beitragen, definieren. Schritt zwei, eine statistische Prognose und dann eine naive Prognose generieren.
Schritt drei, die Erkenntnisse sammeln. Diese gelten für die statistische Prognose. Schritt vier, den QSC für jeden Beitragenden in jeder Stufe des Prozesses berechnen. Und schließlich, Schritt fünf, den Prognoseprozess optimieren.
Erstens, indem man die Berührungspunkte eliminiert, die die Genauigkeit verringert haben. Zweitens, indem man die Berührungspunkte verstärkt, die die Genauigkeit erhöhen. In der Praxis sieht eine QSC-Zeitleiste etwa so aus.
Wie Sie sehen können, durchläuft die statistische Prognose des Unternehmens mehrere Überschreibungen, einschließlich einer Konsensprognosephase. Es ist nicht ungewöhnlich, dass eine QSC-Analyse sogar eine Phase auf Führungsebene umfasst, in der das obere Management die Konsensprognose validiert.
Sobald das Unternehmen die tatsächlichen Nachfragedaten hat, kann ein Backtest durchgeführt werden, um festzustellen, wie viel Genauigkeit in jeder Stufe erhöht oder verringert wurde. Ein Beispiel für einen Backtest sieht so aus.
In diesem Stufendiagrammbericht kann der positive oder negative QSC für jede Überschreibung mit jeder anderen Überschreibung verglichen werden. Hier ist das Bewertungskriterium der MAPE, der mittlere absolute prozentuale Fehler.
Zum Beispiel hat die statistische Prognose den Fehler um 5% im Vergleich zur naiven Prognose gesenkt, daher hat sie einen positiven QSC beigetragen. Die Konsensprognose insgesamt hat jedoch einen signifikant negativen QSC beigetragen.
Heute kann ich nur drei wichtige Punkte behandeln. Für eine ausführlichere Analyse des QSC lesen Sie bitte unseren QSC-Artikel. Der Link befindet sich in der untenstehenden Beschreibung.
Punkt Nummer eins: Der QSC basiert auf der Annahme, dass mehrere und sogar konsensuale Eingriffe einen positiven Wert hinzufügen können. Darüber hinaus ist der QSC der Ansicht, dass dieser Wert im gesamten Unternehmen verteilt ist.
Makridakis et al. geben jedoch an, dass die besten Prognosemodelle Fortschritte in der Technologie des maschinellen Lernens nutzen. Mit anderen Worten, sie beschränken die menschliche Beteiligung.
Während des kürzlich stattgefundenen M5-Wettbewerbs, bei dem die Teilnehmer die Nachfrage des weltweit umsatzstärksten Einzelhändlers, Walmart, prognostizieren mussten, wurde das Gewinnermodell von einem Studenten entwickelt, der nur sehr wenig Verkaufs- oder Prognoseerfahrung hatte.
Dies deutet darauf hin, dass wir die Rolle von Marktkenntnissen bei der Nachfrageprognose möglicherweise überschätzen. Punkt Nummer zwei: Dem QSC ist jedoch zuzugestehen, dass er zeigt, wie fehlerhaft menschliche Überschreibungen sind.
Der QSC hat die Fähigkeit, Menschen mit harten Zahlen zu zeigen, dass ihre Erkenntnisse die Prognosegenauigkeit nicht erhöhen. In dieser Hinsicht hat er definitiv einmalige Nützlichkeit. Als wiederkehrende Praxis leidet er jedoch unter einer sehr großen Einschränkung.
Was mich sehr schön zu Punkt Nummer drei bringt. Der QSC geht davon aus, dass eine höhere Prognosegenauigkeit erstrebenswert ist, obwohl es zahlreiche Situationen gibt, in denen eine höhere Genauigkeit mit erheblichen Kosten verbunden ist, sowohl direkt als auch indirekt.
Eine Prognose könnte um 5% genauer sein, aber durch damit verbundene Kosten zu erheblich geringeren Gewinnen führen. Daher sollte der Erfolg einer Prognose ausschließlich darauf beruhen, Euros oder Dollar an Fehlern zu reduzieren, anstatt eine höhere Genauigkeit an sich anzustreben.
Also, sollten Sie es verwenden? Man könnte den QSC als einmaligen Test für die Kompetenz oder Inkompetenz der aktuellen Prognoseprotokolle verwenden. Dies bestätigt jedoch nicht die Idee, sich routinemäßig an Nicht-Spezialisten zu wenden, um manuelle Eingaben zum Prognoseprozess zu erhalten.
