Analyse von ABC XYZ - Ep 144

00:00:00 Bestandsverwaltung: Diskussion über Service levels und Sicherheitsbestand.
00:00:22 Joannes stellt konventionelle Auffassungen von Service levels und Sicherheitsbeständen in Frage.
00:02:10 Vorteile konkreter Entscheidungen in der Bestandsverwaltung.
00:03:07 Erforschung der Komplexität von Service level-Messungen.
00:06:10 Joannes über Vor- und Nachteile der ABC XYZ Analyse.
00:10:31 Eintauchen in die Feinheiten der Bestandsoptimierung.
00:11:22 Komplexitäten bei der Gestaltung eines überprüfbaren Systems.
00:12:15 Kritik an der ABC XYZ Analyse und deren psychologischen Wurzeln.
00:13:33 ABC XYZ Analyse: Der Einfluss menschlicher Kognition.
00:16:12 Tiefer Einblick in die ABC XYZ Analyse, computergestützter Ranking-Wert.
00:21:04 Diskussion über Kategorisierung und Kalibrierungsnuancen in der Bestandsverwaltung.
00:23:53 Einführung der Warenkorbperspektive, Herausforderungen bei der Bestandszuweisung.
00:24:54 Nachverfolgung der Geschichte von Service levels in der Bestandsverwaltung.
00:26:55 Fallstricke und irreführende Implikationen von Service level-Metriken.
00:28:51 Entlarvung des Mythos, dass Service levels gleichbedeutend mit Kundenzufriedenheit sind.
00:32:34 Wasser-Analogie zum besseren Verständnis von supply chains.
00:34:25 Diskussion über die dynamische Natur des Produktabsatzvolumens.
00:36:00 Servicequalität, Kundenerwartungen, Produktverfügbarkeit.
00:38:20 Entlarvung der mathematischen Falle im Produktsortiment.
00:41:16 Mythos mathematischer Modelle in der Bestandsverwaltung.
00:42:12 Fehler des ABC XYZ Modells: Missachtung des Kundenverhaltens.
00:43:41 Mängel der ABC XYZ Analyse als Priorisierungsmechanismus.
00:44:46 Gescheiterte Versuche, die ABC XYZ Analyse zu verbessern.
00:47:35 Fehlerhafte Annahmen in der supply chain, Wechsel zur Automatisierung.
00:51:01 Fehlannahme der durchschnittlichen Tagesverkäufe diskutiert.
00:52:49 Kritik an der Volatilität der Produktkategorisierung.
00:54:07 Anzweifeln des Werts mathematischer Klassifikationen.
00:56:11 Deterministische vs. probabilistische supply chain Ansätze.
01:03:43 Die Nützlichkeit von KI, um Lücken zu überbrücken, wird diskutiert.
01:07:56 Hinterfragen traditioneller supply chain Annahmen.
01:10:33 Toleranz für Mehrdeutigkeit, Koexistenz von Widersprüchen.
01:16:24 Realität moderner, komplexer supply chains.

Zusammenfassung

Conor Doherty und Joannes Vermorel untersuchen das populäre Lagerbestandsanalyse-Tool ABC XYZ Analyse, und argumentieren, dass seine Vereinfachung zu einem Informationsverlust führt. Vermorel hinterfragt konventionelle Praktiken, Service levels und den Sicherheitsbestand getrennt zu verwalten. Vermorel plädiert für ein technologiegestütztes supply chain management, angesichts der Komplexität, mit großen Mengen an Produkten umzugehen. Er kritisiert die ABC XYZ Analyse dafür, dass ihr die Dynamik fehlt und sie die Perspektive der Kunden außer Acht lässt. Vermorel befürwortet einen probabilistischen Ansatz im supply chain management, der ein nuancierteres Verständnis von Risiken ermöglicht und bei der Bestands-entscheidungsfindung hilft.

Erweiterte Zusammenfassung

In diesem Interview analysieren Conor Doherty, der Moderator, und Joannes Vermorel, der Gründer von Lokad, das populäre Lagerbestandsanalyse-Tool ABC XYZ Analyse. Diese Methode kategorisiert Produkte basierend auf Volumen und Varianz in einfache Untergruppen. Vermorel schlägt vor, dass diese Methode aufgrund ihrer Vereinfachung der Produkteigenschaften fehlerhaft ist, was zu einem Verlust wertvoller Informationen führt.

Das Interview behandelt auch die Komplexität, angemessene Ziele für Service levels und Sicherheitsbestand zu setzen. Vermorel hebt die inhärente Komplexität dieser Aufgabe hervor und stellt die konventionelle Idee infrage, das Problem in scheinbar einfachere Bestandteile wie Service levels und Sicherheitsbestand aufzuteilen.

Vermorel hinterfragt die implizite Annahme, dass die getrennte Betrachtung von Service levels oder Sicherheitsbestand das Problem vereinfacht. Er schlägt vor, dass die Herausforderungen, die bei der Bestimmung der angemessenen Nachfüllmenge entstehen, ebenso groß sind wie bei der Festlegung des richtigen Service levels. Die dabei involvierten Komplexitäten sind vergleichbar, sodass keines der beiden Verfahren einfacher ist als das andere.

Zur Verdeutlichung seiner Sichtweise unterscheidet Vermorel zwischen den greifbaren, konkreten Entscheidungen über Bestandsmengen und dem abstrakten Konzept des Service levels. Er weist darauf hin, dass konkrete Entscheidungen über Bestandsmengen eindeutige, messbare Auswirkungen auf die supply chain haben, im Gegensatz zu abstrakten Vorstellungen von Service levels. Folglich argumentiert er, dass eine Fokussierung auf konkrete, messbare Handlungen anstelle abstrakter Konzepte das Problem vereinfachen könnte.

Vermorel fährt fort, Werkzeuge wie die ABC XYZ Analyse zu kritisieren, die zur Bestimmung von Bestandsrichtlinien verwendet werden. Er beschreibt diese Instrumente als ‚Aufmerksamkeits-Priorisierungsmechanismen‘, die dazu dienen, Menschen bei der Bestandsentscheidung zu unterstützen. Obwohl diese Werkzeuge hilfreich sein können, um zu priorisieren, welche Produkte basierend auf dem Verkaufsvolumen beachtet werden sollten, schlägt Vermorel vor, dass sie das ursprüngliche Problem nicht grundlegend vereinfachen.

Tatsächlich argumentiert Vermorel, dass der Fokus auf der Entwicklung von Werkzeugen, die Menschen bei der Priorisierung ihrer Aufmerksamkeit in Entscheidungsprozessen unterstützen, uns vom ursprünglichen Problem abgebracht hat. Dieser Wandel, den er mit dem Softwarekonzept ‚Yak Shaving‘ vergleicht, hat dazu geführt, ein wesentlich komplizierteres Problem zu lösen: Wie Informationen am besten für menschliche Entscheidungsprozesse aufbereitet werden können.

Er kritisiert diesen Ansatz und weist darauf hin, dass, wenn Computer das Problem überhaupt lösen, es nicht notwendig ist, die Aufmerksamkeit der Menschen zu priorisieren. Der Computer sollte in der Lage sein, das Problem in seiner Gesamtheit zu lösen, ohne dass der Mensch in jeden Schritt des Prozesses eingreift.

Doherty drängt Vermorel in Bezug auf seine Abwertung der Nachfragevarianz als ‚nebensächliche Sorge‘. Vermorel entgegnet, indem er sein Kernthema noch einmal bekräftigt: Das ursprüngliche Problem bestand darin, die richtige Bestandsentscheidung zu treffen. Allerdings erfordert die begrenzte Fähigkeit der Menschen, Informationen zu verarbeiten, eine Priorisierung, wenn diese in den Prozess einbezogen werden. Werkzeuge wie die ABC XYZ Analyse wurden entwickelt, um diesen Priorisierungsprozess zu erleichtern, aber Vermorel schlägt vor, dass dies uns vom Lösen des eigentlichen Problems abgebracht hat.

Stattdessen schlägt Vermorel vor, jedem Produkt einen Rang basierend auf seinem Verkaufsvolumen zuzuweisen. Das Rangsystem, so meint er, bietet eine informativerere Methode zur Klassifizierung von Produkten, da es mehr Daten erhält. Dieses System entspricht den rechnerischen Fähigkeiten moderner Computer und ermöglicht eine präzisere Analyse als es der menschliche Verstand zulässt.

Vermorel kritisiert weiterhin die Vorstellung, dass der menschliche Verstand der primäre Entscheidungsträger im supply chain management sein sollte. Angesichts der Vielzahl an Produkten, mit denen ein Unternehmen täglich zu tun hat, schlägt er vor, dass die Kapazität des menschlichen Gehirns zur effektiven Bestandsverwaltung erheblich begrenzt ist. Er deutet an, dass es deutlich effektiver wäre, sich auf Technologie zu stützen, um diese Komplexitäten zu bewältigen.

Er diskutiert die Praxis, Produkte basierend auf ihrem Verkaufsvolumen in Kategorien einzuteilen, und stellt diese Methode infrage, da sie zu einem Informationsverlust führt. Er vergleicht diese Methode mit der Annäherung eines Kreises durch ein Polygon – je mehr Kanten hinzugefügt werden, desto näher kommt es an einen Kreis heran, aber es wird niemals eine perfekte Darstellung sein. Für Vermorel ist die Klassifizierung von Produkten in wenige Kategorien eine grobe Annäherung an die glatte, kontinuierliche Kurve, die den Rang jedes Produkts basierend auf dem Verkaufsvolumen darstellt.

Im Übergang zum Thema SKUs (Stock Keeping Units) argumentiert Vermorel dagegen, SKUs isoliert zu betrachten, da dies das Problem zwar vereinfacht, es aber nicht effektiv löst. Er kritisiert die Sicherheitsbestandsmethode, die Service levels beinhaltet, da sie auf Annahmen über die zukünftige Nachfrage und die Durchlaufzeit beruht, welche jedoch nicht normalverteilt sind, wie die Methode nahelegt. Er weist darauf hin, dass diese Methode zu problematischen Situationen wie negativen Durchlaufzeiten und Verkaufszahlen führen kann.

Vermorel behauptet, dass das Konzept des Service levels grundlegend fehlerhaft ist. Er weist darauf hin, dass es zwar intuitiv erscheinen mag, dass ein höherer Service level auf eine bessere Kundenzufriedenheit hindeutet. Das mathematische Modell, das den Sicherheitsbestandsberechnungen zugrunde liegt, liefert jedoch keine Einsichten in die Kundenzufriedenheit.

Er betont die Wichtigkeit, supply chain management als ein multidimensionales Problem zu betrachten, angesichts der Vielfalt und Anzahl von Produkten, mit denen die meisten Unternehmen zu tun haben. Vermorel schlägt vor, dass bei supply chains mit einer riesigen Anzahl von SKUs ein anderer Ansatz verfolgt werden sollte, da die komplexen, emergenten Eigenschaften eines solchen Systems grundlegend von denen eines einfacheren, einzelproduktbasierten Systems abweichen.

Vermorel erörtert anschließend die Komplexitäten der supply chain Optimierung. So wie das Verständnis eines einzelnen Moleküls nicht das gesamte Wissen über Wasser in all seinen Formen vermittelt, bedeutet das Verständnis eines Produkts nicht, dass man die gesamte supply chain begreift. Es gibt eine immense Vielfalt und Komplexität in supply chains, mit vielen Elementen, die aus der Perspektive eines Einzelprodukts nicht vorstellbar sind.

Vermorel kritisiert einen gängigen Ansatz im supply chain management: die ABC XYZ Analyse. Er stellt fest, dass Verkaufsvolumina nicht statisch, sondern dynamisch sind und im Zeitverlauf stark schwanken. Selbst ein einzelnes Produkt kann im Laufe seines Lebenszyklus in verschiedene Kategorien fallen, was das ABC XYZ Modell, das das Verkaufsvolumen als statisch ansieht, unzureichend macht.

Diese fehlende Dynamik ist problematisch, da sich die Erwartungen der Kunden ständig ändern und supply chains sich entsprechend anpassen müssen. Wenn von einer Bäckerei erwartet wird, täglich Brot bereitzustellen, verletzt ein Fehlbestand den ‚gesellschaftlichen Vertrag‘, was die Wahrnehmung der Servicequalität durch den Kunden beeinträchtigt. Diese Wahrnehmung wird nicht von der supply chain bestimmt, sondern von den Kunden selbst.

Interessanterweise erwähnt Vermorel, dass der Service level eines einzelnen Produkts nicht in ein zufriedenstellendes Kundenerlebnis übersetzt wird, wenn mehrere Produkte beteiligt sind. Zum Beispiel kann in einem Supermarkt mit einem 95%igen Service level für jedes Produkt ein Kunde, der 20 Produkte wünscht, nicht alles finden, wodurch der wahrgenommene Service level auf weniger als 10% sinkt. Diese Diskrepanz verdeutlicht den erheblichen Unterschied zwischen mathematischen Modellen und der Wahrnehmung durch den Kunden.

Vermorel betont, dass die ABC XYZ Analyse, trotz ihres beruhigenden Namens (der Sicherheit und Kontrolle impliziert), mehrere wichtige Aspekte vermissen lässt. Sie berücksichtigt nicht die Varianz im Zeitverlauf, übersieht die Perspektive des Kunden und verkennt die Bedeutung von Produktkombinationen im Warenkorb des Kunden.

Der Moderator Conor Doherty fügt hinzu, dass, wenn ein Kunde ein Geschäft betritt, um einen bestimmten Artikel zu kaufen, und diesen nicht findet, er das Geschäft verlassen könnte, ohne etwas zu kaufen, was zu einem Verlust potenzieller Umsätze führt.

Vermorel kritisiert die ABC XYZ Analyse als einen Aufmerksamkeits-Priorisierungsmechanismus und stellt fest, dass sie nicht die wirklich relevanten Elemente im supply chain management hervorhebt. Er gibt zu, dass der Ansatz des Demand Driven Material Requirements Planning (DDMRP), der Produkte basierend auf Abweichungen von Zielpuffern priorisiert, für die Priorisierung der Aufmerksamkeit sinnvoller ist.

Vermorel argumentiert, dass die ABC XYZ Analyse kein nützlicher Ansatz ist, um die Komplexitäten von supply chains in Einklang zu bringen. Er behauptet, dass sie auf einer Reihe fehlerhafter Annahmen beruht und dass Versuche, sie zu verbessern, letztlich nur ‚Klebeband‘ auf eine in die falsche Richtung führende Methode aufhäufen würden. Stattdessen befürwortet er einen Ansatz, der die Komplexitäten und Dynamik von supply chains sowie die Bedeutung der Kundenperspektive würdigt.

Vermorel geht anschließend auf die Rolle der Technologie im supply chain management ein und weist darauf hin, dass Maschinen erst vor kurzem in der Lage waren, supply chain Entscheidungen zu automatisieren. Diese Entwicklung, bemerkt er, verläuft im Vergleich zu den technologischen Fortschritten des modernen Zeitalters relativ langsam. Er veranschaulicht dies mit einer historischen Analogie: Der Übergang von Unternehmen, die ihren eigenen Strom erzeugten, zum Kauf von Strom aus dem Netz dauerte etwa 40 Jahre, trotz der offensichtlichen Vorteile des Letzteren.

Das Gespräch verlagert sich auf die Ansätze von ABC und ABC XYZ zur Darstellung von Nachfrage Mustern, die Vermorel als unzureichend erachtet. Er kritisiert ihre statische und abstrakte Natur und argumentiert, dass sie die realen Phänomene nicht genau abbilden. Zum Beispiel verdeutlicht er, dass Produktkategorien im Laufe der Zeit instabil sein können und ihre Klassifizierung im ABC Analyse von einer Kategorie zur anderen springen kann, was für Unternehmen keinen wesentlichen Mehrwert darstellt.

Im weiteren Verlauf dieses Themas kritisiert Vermorel die ABC XYZ Matrix als eine bloße Illusion eines Musters, die Unternehmen ein falsches Gefühl für wissenschaftliche Genauigkeit vermittelt, während die Realität wesentlich chaotischer und nuancierter ist. Er argumentiert, dass diese Klassifizierungen willkürlich sein können und zu einer Vereinfachung eines komplexen und kontinuierlichen Spektrums von Produktkategorien führen.

Anschließend wendet sich die Diskussion einem probabilistischen Ansatz im supply chain management zu. Vermorel betont den Wert von probabilistischer Prognose als ein Instrument, um eine erhebliche Menge an Informationen zu erfassen und zu verarbeiten, was bei der Einschätzung von Unsicherheiten hilfreich ist. Diese Methode, so meint er, ist besonders vorteilhaft, da sie ein nuancierteres Verständnis von Risiken ermöglicht und Unternehmen zusätzlich in die Lage versetzt, fundiertere Entscheidungen über Bestandsmengen zu treffen.

Vermorel vertieft sich dann in die Rolle der Technologie im supply chain management und weist darauf hin, dass Maschinen erst vor kurzem in der Lage wurden, supply chain Entscheidungen zu automatisieren. Diese Entwicklung, merkt er an, verläuft relativ langsam im Vergleich zu den technologischen Fortschritten des modernen Zeitalters. Er veranschaulicht diesen Punkt mit einer historischen Analogie: Der Übergang von Unternehmen, die ihren eigenen Strom erzeugten, zum Bezug von Strom aus dem Netz dauerte etwa 40 Jahre – trotz der offensichtlichen Vorteile des Letzteren.

Das Gespräch verlagert sich auf die ABC- und ABC XYZ-Ansätze zur Analyse von Nachfrage-Mustern, von denen Vermorel beide als unzureichend empfindet. Er kritisiert deren statische und abstrakte Natur und argumentiert, dass sie reale Phänomene nicht präzise abbilden. Zum Beispiel zeigt er, dass Produktkategorien im Laufe der Zeit instabil sein können und ihre Klassifikation in der ABC-Analyse von einer Kategorie in eine andere springen kann, was für Unternehmen keinen wesentlichen Mehrwert bietet.

Im weiteren Verlauf dieses Themas kritisiert Vermorel die ABC XYZ-Matrix als eine bloße Illusion eines Musters, die den Unternehmen ein falsches Gefühl wissenschaftlicher Genauigkeit vermittelt, während die Realität weitaus chaotischer und nuancierter ist. Er argumentiert, dass diese Klassifikationen willkürlich erfolgen können, was zu einer Übervereinfachung eines komplexen und kontinuierlichen Spektrums von Produktkategorien führt.

Die Diskussion wendet sich dann einem probabilistischen Ansatz im supply chain management zu. Vermorel betont den Wert der probabilistischen Prognose als ein Werkzeug, um eine beträchtliche Menge an Informationen zu erfassen und zu verarbeiten, was bei der Einschätzung von Unsicherheiten hilfreich ist. Diese Methode, so schlägt er vor, ist besonders vorteilhaft, da sie ein nuancierteres Verständnis von Risiken ermöglicht und Unternehmen zudem befähigt, fundiertere Entscheidungen bezüglich der Bestandsmengen zu treffen.

Vermorel hebt zwei Vorteile der probabilistischen Prognose hervor: Sie liefert detailliertere Informationen über das System und ermöglicht die Verknüpfung finanzieller Visionen mit zukünftigen Erwartungen. Im Gegensatz zu Punktprognosen lassen sich probabilistische Vorhersagen in zahlreiche Methoden einbinden, die die Entscheidungsqualität in Euro oder Dollar ausdrücken können.

Vermorel argumentiert, dass der ABC XYZ-Prognoseansatz eine Sackgasse darstellt, weil er die Kennzahlen nicht sinnvoll mit finanziellen Ergebnissen verbinden kann. Er kritisiert den Versuch, diese Lücke mittels künstlicher Intelligenz oder machine learning zu überbrücken – etwas, das er damit vergleicht, als würde man einem langsamen Auto ein Flugzeugtriebwerk anbringen. Solche Lösungen seien unnötig kompliziert und übersehen grundlegende Probleme, die einfacher und effektiver gelöst werden könnten.

Der Gründer von Lokad betont außerdem die Bedeutung von Qualitätsengineering im supply chain management. Er warnt vor der übermäßigen Komplexität von supply chain Systemen und fordert dazu auf, sich auf die Lösung grundlegender Probleme zu konzentrieren. So führt er beispielhaft das hypothetische Szenario an, in dem ein Supermarkt eine beliebte Windelmarke nicht vorrätig hat, was dazu führt, dass Kunden den Laden verlassen – ein Problem, das nicht durch überkomplizierte forecasting methods gelöst wird.

Vermorel rät denen, die unsicher in Bezug auf probabilistische Prognosen sind, ihre Annahmen zu hinterfragen und die zugrunde liegende Logik der ABC XYZ-Methode in Frage zu stellen. Er behauptet, dass die Methode zwar das tut, wofür sie konzipiert wurde (nämlich eine Matrix von Produkten zu erstellen, die in Cluster entlang zweier Dimensionen aggregiert sind), jedoch die zugrunde liegende Logik und Vision fehlerhaft und womöglich veraltet sei.

Doherty schlägt vor, dass zwei scheinbar widersprüchliche Dinge gleichzeitig wahr sein können: Eine veraltete Methode kann eine Zeit lang funktionieren, ohne jedoch die optimale Lösung zu sein. Vermorel führt diesen Punkt weiter aus und deutet an, dass Unternehmen oft „funktionieren überhaupt“ mit „optimal funktionieren“ verwechseln. Er bringt eine Analogie des Wassertragens in Eimern: Auch wenn es technisch funktioniert, gibt es bessere Alternativen.

Sowohl Doherty als auch Vermorel sind sich einig, dass es wichtig ist, die inhärente Mehrdeutigkeit im supply chain management anzuerkennen und flexibel zu bleiben. Das Interview endet mit Vermorels Mahnung, etablierte supply chain Praktiken kontinuierlich neu zu bewerten und in Frage zu stellen.

Vollständiges Transkript

Conor Doherty: Willkommen zurück bei LokadTV. Die Festlegung angemessener Service Level und Sicherheitsbestände ist knifflig, da es zahlreiche Optionen auf dem Markt gibt und Anbieter versuchen, Ihnen Lösungen zu verkaufen. Ein solches Werkzeug ist die ABC XYZ-Analyse, und hier, um mir dabei zu helfen, ist Lokads Gründer Joannes Vermorel. Fangen wir ganz am Anfang an – Service Level, Sicherheitsbestand, all diese Inventarpolitiken. Warum sind sie so schwer festzulegen?

Joannes Vermorel: Es gibt zahlreiche Optionen, um diese Fragen zu beantworten. Was wir als Teilprobleme wahrnehmen, sind in Wirklichkeit keine Teilprobleme. Nehmen wir zum Beispiel die Service Levels. Es wird implizit angenommen, dass die Wahl von Service Levels irgendwie einfacher sei, als ein kleinerer Teil des Gesamtproblems. Wenn Sie das bewältigen könnten, dann würden Sie auch die anderen Dinge meistern. Die implizite Annahme ist, dass wir das Problem zerlegt haben. Die Herausforderung besteht darin, die richtige Menge des zu produzierenden, zu lagernden oder zu zuweisenden Inventars auszuwählen. Wenn Sie von „Service Level“ oder „Sicherheitsbestand“ sprechen, teilen Sie das Problem implizit auf. Ich bezweifle die Annahme, dass diese Zerlegung das Problem einfacher macht als das ursprüngliche. Wenn Sie sich dem Service-Level-Problem nähern, stehen Sie vor einer Herausforderung, die genauso schwierig und variabel ist wie der Ausgangspunkt. Daher ist es nicht verwunderlich, dass die Festlegung eines Service Levels nicht leichter ist als die direkte Bestimmung der tatsächlich aufzufüllenden Menge.

Conor Doherty: Wenn Sie das Problem in Ihren eigenen Worten formulieren könnten, wie sehen Sie es?

Joannes Vermorel: In einem Setting der Bestandsoptimierung versuchen wir, eine Entscheidung zu treffen. Die Entscheidung ist greifbar. Es geht darum, wie viele Einheiten zugewiesen, produziert oder gekauft werden sollen. Diese Entscheidung wird sehr greifbare Konsequenzen für Ihre supply chain haben. Im Gegensatz dazu steht beispielsweise die Entscheidung, in diesem Laden einen 97%igen Service Level zu haben. Das ist eine Abstraktion. Einen 97%igen Service Level gibt es so nicht. Es ist potenziell ein nützliches Artefakt, aber es entspricht nicht etwas Greifbarem in Ihrer supply chain. Wenn ich sage, dass es sich um eine Abstraktion handelt, meine ich damit, dass der Service Level mit zahlreichen offenen Problemen einhergeht, die man bei einer konkreten Entscheidung nicht hat. Wenn ich entscheide, einem Laden 10 Einheiten zuzuweisen, gibt es keinerlei Unklarheiten. Ich kann nach einer Weile feststellen, dass ich 10 zugeteilt habe und 10 Einheiten tatsächlich bewegt wurden. Bei einem Service Level ist das jedoch nicht der Fall. Wenn mehr Kunden erscheinen, als ich erwartet habe, erhalte ich nicht tatsächlich einen 97%igen Service Level. Deshalb betrachte ich ihn als ein Artefakt und nicht als etwas Greifbares, das die grundlegende Realität Ihrer supply chain widerspiegelt.

Conor Doherty: Und wie viel von dem, was Sie gerade beschrieben haben, wird tatsächlich mit einem Werkzeug wie der ABC XYZ-Analyse, oder deren Vorgänger, ABC, erfasst?

Joannes Vermorel: Supply chain Praktiker wollen letztlich zu einer Entscheidung kommen. Wenn man sich nur die Zahlen ansieht und abschätzt, was benötigt wird, ist das eine sehr unaufwendige Methode. Zahlreiche Läden arbeiten immer noch auf diese Weise. Es ist alles nur Schussrechnung, und es funktioniert. Diese Methode erscheint jedoch grob, weshalb man versucht, sie zu verfeinern. Dann stößt man auf das Problem, dass es zu viele Produkte gibt und man merkt, dass die Person, die sich die Produktliste ansieht, nicht jeden einzelnen Fall täglich noch einmal prüfen wird. Daher benötigt man einen Mechanismus zur Priorisierung der Aufmerksamkeit. Eine Möglichkeit besteht darin, die Produkte nach Verkaufsvolumen von höchstem zu niedrigstem zu sortieren. Man beginnt an der Spitze und arbeitet sich nach unten vor, wobei man entscheidet, die Top 10 täglich, die Hälfte der Liste wöchentlich und die komplette Liste nur einmal im Monat zu überprüfen. Das fasst im Grunde den Kern von ABC zusammen. Aber das Interessante an ABC XYZ ist, dass es im Grunde eine Variation davon darstellt – ein Mechanismus zur Priorisierung der Aufmerksamkeit, der für Menschen gedacht ist.

Nun, an diesem Punkt denke ich, dass wir in Frage stellen sollten, welches Problem wir eigentlich zu lösen versuchen. Wir begannen mit dem Problem, die richtige Bestandsmenge auszuwählen, die zugewiesen, produziert oder gekauft werden soll. Das ist etwas sehr Greifbares und Direktes. Es scheint jedoch, dass wir von diesem Problem zu einem anderen übergegangen sind, nämlich der Wahl des Service Levels und auch der Sicherheitsbestände.

Dann sind wir in ein weiteres Problem eingestiegen, nämlich in die Priorisierung der Aufmerksamkeit. Das Muster, das sich abzeichnet, ist in der Software bekannt als Yak Shaving. Man wollte etwas ganz Geradliniges tun, wie zum Beispiel: „Ich möchte Windows 10 auf Windows 11 aktualisieren.“ Aber dann landet man dabei, scheinbar Unzusammenhängendes zu tun, wie Computer zu öffnen und Schrauben und Muttern auszutauschen. Man hatte ein sehr klares Ziel vor Augen, wurde aber abgelenkt und mit einer Tätigkeit befasst, die nur entfernt mit der ursprünglichen Aufgabe zusammenhängt.

Genau das ist es, was wir hier mit unserem Bestandsoptimierungsproblem tun. Wir begannen mit dem Problem „Lasst uns die richtige Menge wählen, die zugewiesen, produziert oder gekauft werden soll.“ Und nun versuchen wir, ein viel komplizierteres Problem zu lösen: „Wie soll ich die Informationen organisieren, die diesem Menschen präsentiert werden sollen?“

Das ist jedoch ein sehr kompliziertes Problem. Es ist absolut nicht klar, dass die Lösung dieses Problems der beste Weg ist, unsere ursprüngliche Frage zu beantworten. Nehmen wir zum Beispiel an, wir haben zwei Zahlen, die wir addieren wollen. Soll ich wirklich darüber nachdenken, ein System zu entwerfen, das die Zwischenschritte einem Menschen präsentiert, um die Richtigkeit der Addition zu überprüfen? Das ist um Größenordnungen komplizierter, als nur einen Schaltkreis zu entwerfen, der die Addition ausführt.

Meine Kritik an diesem ABC XYZ-Ansatz ist, dass wir von einem scheinbar sehr komplizierten Problem ausgegangen sind – und das ist es ja auch. Wir haben versucht, dieses Problem zu zerlegen, wurden aber abgelenkt. Nun versuchen wir, ein anderes Problem zu lösen, das fast wie empirische Psychologie wirkt: Wie organisiert man die richtige Priorisierung der Aufmerksamkeit für Menschen? Aber wenn Sie von vornherein einen Computer verwenden, um dieses Problem zu lösen, warum sollten Sie dann die Aufmerksamkeit des Menschen priorisieren? Lassen Sie einfach den Computer das Problem für Sie lösen.

Conor Doherty: Wenn ich Sie ein wenig darauf ansprechen darf, denn ich habe Ihnen gefolgt, aber stellvertretend für das Publikum: Ich verstehe, dass die ABC-Analyse im Allgemeinen auf Verkaufsvolumen oder Verkaufsumsatz basiert. Wir unterteilen unsere SKUs in drei Kategorien: A, B, C. XYZ ist eine zweite Dimension, meist die Nachfragevarianz. Und wenn ich Sie richtig verstanden habe, haben Sie im Wesentlichen die Quantifizierung der Nachfragevarianz als nebensächliches Anliegen abgetan. Könnten Sie erklären, warum?

Joannes Vermorel: Wir begannen mit dem Problem, die richtige Bestandsentscheidung in Form einer Menge zu treffen. Wir erkannten, dass, wenn man einen Menschen in den Prozess einbindet, dieser eine begrenzte Kapazität zur Informationsverarbeitung besitzt. Daher müssen wir priorisieren. Wenn wir einfach eine grundlegende Priorisierung vom höchsten zum niedrigsten Verkaufsvolumen vornehmen, landen wir bei ABC.

Sobald wir das haben, müssen wir den menschlichen Bediener zusätzlich unterstützen, indem wir ihm ein Gefühl dafür vermitteln, was der angemessene Sicherheitsbestand und Service Level für jede dieser Linien wäre. Aber das ist lediglich eine Zerlegung des Problems in einer für den menschlichen Geist verdaulichen Form.

Das XYZ fügt eine weitere Dimension hinzu, die sich mit dem Grad des Rauschens oder der Variation in dieser Liste befasst. Wir nehmen also die, sagen wir, oberen zehn Prozent der meistverkauften Produkte und wollen diese Liste in Abschnitte unterteilen, die den jeweiligen Grad des Umgebungsrauschens für jedes Produkt repräsentieren. Anstatt also nur eine Liste von Segmenten zu haben, erhalten Sie eine Matrix. Das ist ABC XYZ für Sie.

Aber das ist im Grunde genommen etwas, das von Anfang an als Methode für den menschlichen Geist konzipiert wurde. Die Frage, die Sie sich stellen sollten, lautet: Wenn ich möchte, dass eine Maschine den End-to-End-Prozess übernimmt, bringt diese Segmentierung irgendeinen Vorteil? Hilft sie mir, das Problem zu lösen?

Überhaupt nicht. Kritiker würden vermutlich anführen, dass man durch die Schaffung – im Allgemeinen – einer Matrix von neun Kategorien die Varianz und die am stärksten beitragenden SKUs identifizieren kann. Dann könnte man entsprechende Ebenen festlegen, wie viel Sicherheitsbestand man dafür benötigt, oder welches Niveau für jede SKU angemessen ist. Zwischen AX und CZ gibt es beispielsweise Unterschiede. Nehmen wir einmal an, dass diese beiden Dimensionen informativ sind. Aus Computersicht stellt sich dann die Frage, warum man diskrete Gruppen in Betracht ziehen sollte. Warum sollte man ein halbes Dutzend Untergruppen für das Volumen und ein weiteres halbes Dutzend für die Varianz haben? Man könnte stattdessen einfach die Ränge verwenden, sodass man die Produkte vom höchsten zum niedrigsten Verkaufsvolumen einordnen kann. Man kann eine Zahl verwenden, die den genauen Rang im Portfolio für das Volumen angibt – und ebenso für die Varianz.

Die Ränge liefern eindeutig mehr Informationen. Betrachtet man die Klassen im Sinne von ABC oder XYZ, so ist die Klassifizierung nur eine Annäherung an den Rang. Diese Annäherung dient einzig dem Zweck, für den menschlichen Geist leichter verdaulich zu sein. Aus der Perspektive eines Computers behält man hingegen den Rang bei. Der Rang liefert eindeutig mehr Informationen. Die Klasse ist eine verlustbehaftete Darstellung; dabei geht eine Menge Information verloren. Aus diesem Verlust resultiert nichts Gutes.

Wenn wir sagen, dass diese beiden Dimensionen relevant sind – ich behaupte nicht, dass sie irrelevant sind – meine ich nur, dass diese Dimensionen in der dimensionalen Zerlegung Ihres Problems willkürlich sind. Es ist nicht besonders klar, dass dies der beste Weg ist. Wenn Sie sich nur diese beiden Dimensionen anschauen und die Ränge beibehalten, erhalten Sie etwas, das als indicators für jedes einzelne Produkt ein Rangpaar erstellt. Dieses Rangpaar ist eindeutig informativer als Ihr Paar von Klassen.

Es handelt sich nicht nur um eine Methode, bei der das Volumen und die Varianz im Fokus stehen; sie ist von Anfang an so konzipiert, dass der menschliche Geist als Verarbeiter dieser Informationen fungiert. Und genau hier stelle ich die Frage – warum sollten Sie das überhaupt wollen? Wir haben extrem leistungsfähige Computer. Glauben Sie, dass etwas die menschliche Seele benötigt, um diese Bestandsentscheidungen zu treffen?

Wenn wir einen Laden betrachten, der 10.000 Produkte führt und in dem sich all diese Dinge täglich verändern, glauben Sie, dass es etwas für die Person gibt, die durchschnittlich etwa vier Sekunden pro Produkt aufwendet? Wird da etwa ein Funke Genialität eingebracht?

Ich bestreite nicht, dass der menschliche Geist unglaubliche Dinge vollbringen kann, wenn Zeit und Ressourcen zur Verfügung stehen. Wenn man einen Albert Einstein nimmt und ihm Monate oder Jahre gibt, kann er Dinge tun, die unglaublich sind, weit über das hinaus, was wir mit Maschinen tun können. Aber das ist nicht der Kontext, in dem wir in der supply chain operieren. Die Menschen stehen unter immensem Druck, einfach Dinge erledigen zu müssen.

Und so, wenn wir betrachten, wie viele Sekunden Gehirnleistung pro SKU zugewiesen werden können, ist es in der Regel sehr wenig. Für die meisten Branchen wird es um Sekunden pro SKU pro Tag gehen. Wir haben die Kategorien besprochen, aber wir haben nicht erörtert, wie die Kategorien kalibriert werden. Soweit ich das verstehe, ist das das Ergebnis mehrerer menschlicher Köpfe.

Aber wenn man sieht, dass man die Ränge hat und nun mit Perzentilen entscheiden kann, wo man eine Unterteilung vornimmt, kann man sagen, Kategorie A reicht bis zum 10. Perzentil. Es sind die Top 10 oder Kategorie A entspricht den obersten zwei Prozent, denn wenn man alle Produkte von den meistverkauften bis zu den am wenigsten verkauften aufträgt, erhält man fast immer eine Zipf-Kurve, wie ich in einem meiner Vorträge angesprochen habe. Diese Kurve ist kontinuierlich, ohne Plateaus oder diskrete Unterteilungen, sie ist völlig glatt.

Es ist vergleichbar mit der Annäherung an einen Kreis in alten Videospielen, bei denen man den Kreis mit einem Polygon approximieren musste. Wenn man ein Achteck wählte, erhielt man einen Kreis in niedriger Auflösung. Durch das Hinzufügen weiterer Kanten kommt man optisch einem Kreis näher. Wenn man Tausende von Kanten hat, entsteht etwas, das einem Kreis sehr ähnlich sieht.

Aber was ich hier sehe, ist, als ob man versuchen würde, einen Kreis mit einem Quadrat zu approximieren. Wenn man vier Klassen hat, approximiert man sein Segment mit einem Quadrat. Wenn man fünf hat, erhält man ein Fünfeck und so weiter. Je mehr Klassen man hinzufügt, desto besser wird die Approximation. Entfernt man die Approximation jedoch vollständig, bleibt der Rang jedes einzelnen Produkts übrig.

Also würde ich sagen, führen Sie keine Gruppen ein, bleiben Sie bei den Rängen. Wenn man annimmt, dass Volumen und Varianz nützliche Dimensionen sind – was ich anzweifle –, dann liefern diese Ränge eine informativerere Darstellung dieser beiden Dimensionen. Jeglicher Gruppierungsmechanismus, den man einführt, schmälert diese Information.

Conor Doherty: Das überleitet sehr fließend in die Warenkorb-Perspektive, an der ich wirklich interessiert bin, um dieses Problem zu beantworten. Dabei werden SKUs in Kombination und nicht isoliert betrachtet. Wie würde das in diese Diskussion passen?

Joannes Vermorel: Wir haben mit einem einfachen Problem begonnen, zumindest in seiner Ausdrucksweise: die richtige Bestandsmenge auszuwählen, die zuzuordnen, zu produzieren, zu kaufen oder zu sparen ist. Wir wurden von einer weit verbreiteten Methode abgelenkt, die Service Level und Sicherheitsbestände beinhaltet, aber ich bezweifle die Gültigkeit dieser Methoden wirklich.

Die Service-Level-Perspektive basiert auf historisch vereinfachten Annahmen über die zukünftige Nachfrage, bei denen wir einen normalverteilten Fehler in der Nachfrage prognostizieren, ebenso bei der Lieferzeit. Allerdings ist die Unsicherheit nicht normal verteilt, aber das ist ein anderes Problem.

Sobald wir unsere Normalverteilung – also eine Gaußsche Verteilung – haben, wählen wir einen Parameter, das Quantil, das denselben Effekt wie das Service Level hat. Das bestimmt eine Zielmenge, die ich für meinen Bestand aufrechterhalten sollte. Dieser Sicherheitsbestand ist die Folge der Differenz zwischen dem Mittelwert und dem Quantil, wenn man eine eindimensionale Verteilung betrachtet.

Aber aufgrund der Tatsache, dass es sich um eine Normalverteilung handelt, erstreckt sie sich in beide Richtungen ins Unendliche. Das klassische Sicherheitsbestandsmodell liefert einige seltsame Ergebnisse, wie etwa negative Lieferzeiten und negative Verkaufszahlen, was sehr merkwürdig ist, aber Teil des Modells.

Das bedeutet, dass man einen Service-Level-Wert wählen kann, der – je nachdem, wie man das Service Level auswählt – jedem Zielbestand einen beliebigen Wert zwischen plus Unendlichkeit und minus Unendlichkeit zuordnet. Das ist nicht theoretisch, es ist buchstäblich das, was die Mathematik einem sagt. Wann immer man also eine Gaußsche Verteilung hat, wählt man das entsprechende Quantil, und dieses kann jeden finalen Schnittpunkt zwischen minus Unendlichkeit und plus Unendlichkeit annehmen.

Conor Doherty: Kannst du das Konzept des Service Levels im Supply chain Management erklären?

Joannes Vermorel: Wenn man Service Levels betrachtet, ist es entscheidend zu verstehen, dass der Wertebereich von minus Unendlichkeit bis plus Unendlichkeit reichen kann. Effektiv ist das Service Level identisch mit der Menge, die man zu erneuern beschließt. Für jede Menge, die man zu erneuern wählt, gibt es ein entsprechendes Service Level, verstanden als Normalverteilung. Es ist nicht nur eine Analogie, sondern eine mathematische Äquivalenz. Für jede bekannte Menge existiert in einem Sicherheitsbestandsmodell ein entsprechendes Service Level in diesem Normalverteilungskontext.

Nun, viele Menschen könnten unter dem Irrglauben leiden, dass es einfacher oder leichter sei, weil das Service Level als Prozentsatz ausgedrückt wird. Das ist eine Illusion. Das einzige etwas Positive daran ist, dass es hilft, die Skala zu normalisieren, da alle Ihre Produkte unterschiedliche Volumina und Lebensdauern aufweisen. Die Angabe der Menge, die zugeteilt, gekauft oder produziert werden soll, als Service-Level-Ziel, macht diese mengen- und vorurteilsunabhängig. Allerdings ist das ein schwaches Argument.

Der Begriff “Service Level” kann irreführend sein, weil die Menschen meinen könnten, dass ein sehr hohes Service Level von den Kunden immer positiv wahrgenommen wird. Das ist ein Missverständnis. Die Mathematik des Sicherheitsbestandsmodells sagt nichts über die Kundenzufriedenheit aus. Man neigt dazu zu denken, dass, wenn man ein hohes Service Level anstrebt, es für die Kunden gut sein muss. Aber das ist ein völliger Sprung in der Logik.

Conor Doherty: Kannst du näher darauf eingehen, warum diese Wahrnehmung des Service Levels problematisch sein könnte?

Joannes Vermorel: Das Problem entsteht aus der naiven Vorstellung, die Dienstleistungsqualität mit einem eindimensionalen Problem gleichzusetzen. Das mag im 18. Jahrhundert für eine Bäckerei, die ein Produkt wie Brot verkauft, zutreffend gewesen sein. Diese eindimensionale Perspektive existiert immer noch in einigen Rohstoffmärkten.

Aber die meisten modernen supply chains befassen sich mit Tausenden, wenn nicht Zehntausenden von Produkten. Wenn wir die Anzahl der SKUs mit der Anzahl der Standorte multiplizieren, können wir bei großen Unternehmen leicht Zehntausende, Hunderttausende oder sogar Millionen von SKUs erreichen. Diese erhebliche Anzahl von SKUs stellt die eindimensionale Analyse vor Herausforderungen.

Ein Unterschied in der Größenordnung kann zu einem qualitativen Unterschied führen. Die emergenten Eigenschaften, die sich bei einer Vielzahl von Produkten zeigen, unterscheiden sich stark von denen, die man mit nur einem Produkt hatte.

Conor Doherty: Wenn du von emergenten Eigenschaften sprichst, könntest du das näher erläutern? Es scheint ein wichtiges Detail zu sein.

Joannes Vermorel: Ja, natürlich. Ein Beispiel für eine emergente Eigenschaft ist, wie sich ein Wassermolekül je nach Zustand – ob gasförmig, flüssig oder fest – unterschiedlich verhält. Wenn man alle Verhaltensweisen, die man bei Wasser beobachten kann, erklären wollte, würde das Wochen oder Monate dauern. Es ist nicht so einfach, ein einzelnes Molekül auszuwählen und es in 30 Minuten zu erklären, was bei Gymnasiasten vielleicht möglich wäre. Dasselbe Prinzip gilt, wenn man es mit einer Vielzahl von SKUs in einer supply chain zu tun hat, anstatt mit nur einem. Es erfordert eine komplexere Analyse.

Es besteht die Gefahr, zu denken, dass, sobald man alles über ein Wassermolekül versteht, man auch alles über Wasser selbst weiß. Das ist nicht ganz richtig. Ähnlich, wenn man sagt: “Ich habe ein Modell, das ein Produkt erklärt, und jetzt kann ich meine supply chain, die aus vielen Produkten besteht, erklären”, sollte man vorsichtig sein. Es gibt zahlreiche Aspekte, die in einem Einprodukt-Setup nicht vorstellbar sind. Dies ist nur ein vereinfachtes Beispiel, das nicht die wahre Komplexität Ihrer supply chain widerspiegelt.

Selbst wenn man nur ein Produkt betrachtet, gibt es zeitliche Schwankungen. Zum Beispiel, wenn man ein einzelnes Produkt isoliert betrachtet, schwankt dessen Rang im Laufe der Zeit stark. Die meisten Produkte durchlaufen einen Lebenszyklus, in dem sie langsam beginnen, an Fahrt aufnehmen, ein Plateau erreichen und dann irgendwann abnehmen. Dieses eindimensionale Modell, das das Verkaufsvolumen als statisch betrachtet, ist also falsch. Es ist dynamisch, und das ist eine weitere oft übersehene Dimension.

Ein Teil der Dienstleistungsqualität ist dieses dynamische, zeitabhängige Verhalten. Wenn wir das Beispiel einer Bäckerei nehmen, erwarten die Kunden, täglich Brot zu finden. Jeder Vorratsengpass stellt einen Bruch dieses sozialen Vertrags dar.

Im Gegenteil, wenn Sie eine unzuverlässige Bäckerei sind, die nur jeden zweiten Tag Brot anbietet, aber Ihr Brot viel günstiger ist als das der Konkurrenz, könnten die Kunden dennoch zufrieden sein. Sie haben eine eingebaute Erwartung an Ihren Service.

Die Dienstleistungsqualität ist nicht etwas, das in Ihrer supply chain liegt – sie befindet sich grundsätzlich im Kopf Ihrer Kunden. Nicht jeder wird dem zustimmen, daher ist sie inkonsistent. Wenn wir diese Erwartungen zusammenführen, kann das irreführend sein.

Wenn wir mehrere Produkte in Betracht ziehen, kommt eine weitere Dimension ins Spiel. Wenn Kunden mehrere Produkte wünschen, müssen wir prüfen, ob sie eine Kombination finden, die für sie Sinn macht. Ein häufiger Fehler ist anzunehmen, dass, wenn alle meine Produkte ein 100% service level haben, dann auch alle Produktkombinationen ein 100% service level aufweisen. Das gilt nur, wenn niemals der Lagerbestand ausgeht, was nahezu unmöglich ist.

Wenn man anfängt, die Wahrscheinlichkeit der Verfügbarkeit oder Nichtverfügbarkeit von Produktkombinationen zu untersuchen, erhält man eine Perspektive, die sich stark von derjenigen unterscheidet, die ein einfaches Sicherheitsbestands-/Service-Level-Modell bieten kann.

Um dies zu veranschaulichen, nehmen wir das Beispiel eines Supermarkts, der für alle seine Produkte ein 95% service level aufweist, was ziemlich gut ist. In Europa gibt es im Durchschnitt einen 7%igen leeren Regalbestand, sodass ein 95% service level recht gut ist. Wenn ein Kunde 20 Produkte wünscht – was typischerweise nicht einmal ein großer Warenkorb ist –, ist die Wahrscheinlichkeit, dass mindestens eines dieser Produkte fehlt, wahrscheinlich hoch. Ich müsste die Mathematik durchrechnen, aber bei angenommener unabhängiger Verfügbarkeit haben Sie wahrscheinlich weniger als 10% Chance, alles zu finden.

So beginnen wir mit dem, was aus Sicht des Sicherheitsbestands und der Nachfrage als sehr gut erscheint und den Eindruck eines 95%igen plus Service Levels erweckt. Aber aus Kundensicht werden wahrscheinlich weniger als 10% der Kunden, die den Laden betreten, exakt das finden, wonach sie gesucht haben. Diese beiden Dinge können gleichzeitig wahr sein. Man kann ein 95%iges plus Service Level haben und dennoch weniger als 10% der Kunden glücklich den Laden verlassen.

Was ist mit den Produkten, die Ihre Kunden erwarten, die aber nicht Teil Ihres Sortiments sind? Das Service Level ist in diesem Sinne blind. Wenn es ein Produkt gibt, das sehr gefragt ist, Sie es aber einfach nicht haben, wird es nicht als Vorratsengpass oder als 0% service level gewertet – es wird schlichtweg gar nicht berücksichtigt.

Zum Beispiel, wenn ich ins Extreme gehe und mir einen Laden vorstelle, der mit Produkten gefüllt ist, die niemand will, hat dieser Laden definitionsgemäß ein 100% service level. Niemand will diese Produkte, aber sie sind ausgestellt, sodass man ein perfektes Service Level erreicht. Je mehr Produkte vorhanden sind, die niemand will, desto besser wird das Service Level. Das ist ein rein mechanisches Problem, ein Problem dieser mathematischen Modelle.

Wir müssen sehr vorsichtig sein, besonders wenn diese Modelle positiv klingende Namen wie “Sicherheitsbestand” tragen. Es gibt einen unlogischen Übergang, bei dem die Leute annehmen, dass, weil es sich um ein mathematisches Modell mit einem guten Namen handelt, es auch für die Kunden gut sein muss – ein unberechtigter Sprung.

Conor Doherty: Um zusammenzufassen, was du gesagt hast: Es ist entscheidend, unsere Kritik an ABC XYZ aus der Warenkorb-Perspektive zu verstehen. Kunden kaufen selten isoliert. Der fehlende Zugang zu einer bestimmten SKU kann dazu führen, dass sie den Laden verlassen, ohne irgendetwas zu kaufen – selbst die anderen hochwertigen Artikel. Das bedeutet, dass der Laden alle potenziellen Verkäufe verliert, und nicht nur die einzelne SKU.

Joannes Vermorel: Ja, und wenn wir zum ursprünglichen Anliegen zurückkehren, sollte ABC XYZ ein Mechanismus zur Priorisierung der Aufmerksamkeit für Menschen sein. Aber ist es ein guter Mechanismus, um die Aufmerksamkeit zu priorisieren? Ich würde sagen, absolut nicht. Als Priorisierungsmechanismus ist es mangelhaft – es hebt nichts wirklich Relevantes hervor.

Und obwohl ich kein großer Fan von DDMRP bin, gebe ich zu, dass der Weg, wie DDMRP Puffer definiert und Produkte anhand der Abweichung zu den Zielpuffern priorisiert, als Instrument zur Priorisierung der Aufmerksamkeit mehr Sinn macht als ABC XYZ. Zumindest ist er in dieser Hinsicht halbwegs anständig. ABC XYZ ist es nicht.

Conor Doherty: Gibt es irgendeine Möglichkeit, ABC XYZ als Instrument zur Priorisierung der Aufmerksamkeit mit diesen gerade beschriebenen Bedenken, insbesondere der Warenkorb-Perspektive, in Einklang zu bringen?

Joannes Vermorel: Nein, das gibt es nicht. Man beginnt mit einer Reihe von schlechten Annahmen. Zuerst behauptet man, man wolle einen Menschen im Prozess haben – was ich anzweifle. Dann begeht man den Fehler eines Mono-Produkt-, Mono-SKU-Modells, in das die Annahme einer Normalverteilung eingebaut ist. Das ist sehr schlecht. Es führt zu katastrophalen Ergebnissen. Macht man dann noch die fehlerhafte Annahme, seinen Raum zu diskretisieren, fügt das keinerlei Information hinzu, sondern führt tatsächlich zum Informationsverlust. Wir wurden von Spannungen abgelenkt, die nur immer schlimmer werden.

Nun wird uns bewusst, dass sich zahlreiche Mängel angesammelt haben. Wir versuchen, diese mit etwas zu reparieren, das man mit Klebeband vergleichen könnte, indem wir Variablen wieder hinzufügen, die uns das ABC XYZ liefern. Man könnte versuchen, andere Wege zu finden, um die Methode zu korrigieren, aber in Wirklichkeit gehen wir in die falsche Richtung. Jeder zusätzliche Schritt fügt nur mehr Klebeband hinzu. Das ist kein gutes Engineering.

Der Prozess, den Sie entwerfen, ist einfach nicht sehr gut. Mehr Patches hinzuzufügen, wird ihn nicht verbessern. Die einzige Lösung besteht darin, zurückzugehen und die getroffenen Annahmen neu zu überdenken. Sind sie wirklich gültig? Wenn nicht, sollte man den gesamten Ansatz neu überdenken.

Wenn wir zu unserem Ausgangspunkt zurückkehren, begannen wir mit einem greifbaren Problem – Entscheidungen für den Bestand zu treffen. Aber im Laufe unseres Vorgehens haben wir viele Annahmen getroffen, und nun stehen wir vor den Konsequenzen dieser Fehler. Sobald man viele Fehler gemacht hat, kann man nicht einfach einen zweiten Beweis erbringen, um sein Problem zu beheben.

Das ist ähnlich wie wenn man einen Mathematiker fragt, ob ein zweiter Beweis einen falschen beheben kann. Die Antwort lautet nein. Man kann sein Problem nicht mit einem zweiten Beweis lösen. Der einzige Weg besteht darin, den falschen Beweis zu verwerfen, die Arbeit erneut zu machen und dann einen korrekten Weg einzuschlagen. Bei Software ist es genauso. Wenn man falsche Annahmen hat, kann man sie nachträglich nicht korrigieren. Man muss zu dem Punkt zurückgehen, an dem ein Fehler gemacht wurde, diesen beheben und dann den Weg fortsetzen.

Viele Unternehmen haben ganze Praktiken unter falschen Annahmen aufgebaut. Aufgrund der Tatsache, dass supply chains sehr undurchsichtig und komplex sind, können Menschen jahrzehntelang arbeiten, ohne zu erkennen, dass es bessere Ansätze gibt.

Erst seit 20 Jahren verfügen wir über Rechenmaschinen, die leistungsfähig genug sind, um die Entscheidungen in der supply chain kostengünstig zu automatisieren. Moderne Computer, die in der Lage sind, die Komplexität einer modernen supply chain zu bewältigen, gibt es nicht schon ewig. Sie sind zwar schon relativ lange im Einsatz, aber nicht seit Jahrhunderten. Für viele Großunternehmen, die supply chains betreiben, wurde diese Automatisierung erst vor 20 Jahren möglich.

Zum Vergleich: Es dauerte etwa 40 Jahre in den USA und in Europa, bis Unternehmen von der Eigenerzeugung von Strom auf den Kauf von Strom aus dem Netz umgestiegen sind. Die Einführung einer Technologie kann ein langsamer Prozess sein. Ende des 19. und Anfang des 20. Jahrhunderts, sowohl in Europa als auch in den USA, dauerte es etwa 40 Jahre, von der internen Stromerzeugung zum Bezug aus dem Netz überzugehen.

Auf zeitlicher Ebene ist die Entwicklung von Maschinen, die in der Lage sind, all diese Berechnungen ohne menschliches Eingreifen in jedem Schritt des Prozesses durchzuführen, also noch immer ein relativ neuer Fortschritt.

Conor Doherty: Gehen wir einen Schritt zurück. Du hast über den statischen Ansatz von ABC und in Erweiterung von ABC XYZ gesprochen. Kannst du ein wenig mehr zu beiden Ansätzen oder zu alternativen Ansätzen für Nachfragemuster ausführen?

Joannes Vermorel: Nun, wir klassifizieren unsere Produkte nach zwei Dimensionen – dem Mittelwert, also dem Verkaufsvolumen, und der Varianz. Aber auch das sind Abstraktionen. Sie sind nicht real. Es gibt so etwas wie ein sofortiges Verkaufsvolumen nicht. Das existiert nicht. Das ist der Unterschied zwischen greifbaren Entscheidungen, wie dem Transport von 10 Einheiten, und der Aussage: “Diese Produkte verkaufen sich im Durchschnitt 0,5 Einheiten pro Tag.” So etwas gibt es nicht. Das Einzige, was man sagen kann, ist, dass in den letzten zwei Wochen etwa sieben Einheiten verkauft wurden, was ungefähr 0,5 Einheiten pro Tag entspricht.

Conor Doherty: Wie beurteilst du dieses Volumen im Hinblick auf das supply chain Management?

Joannes Vermorel: Dieses Volumen und diese Varianz sind statistische Indikatoren. Die Frage ist, wie stabil sie im Zeitverlauf sind. Bei Lokad haben wir zahlreiche Tests durchgeführt und festgestellt, dass bei den meisten Unternehmen, selbst wenn wir nur die ABC-Analyse betrachten, ein signifikanter Anteil der Produkte von einem Quartal ins nächste die Kategorie wechselt. Wenn man etwas Präziseres anstrebt, etwa monatlich, würde die Anzahl der Produkte, die die Kategorie wechseln, deutlich zunehmen.

Conor Doherty: Also gibt es Probleme mit dieser Klassifikationsmethode?

Joannes Vermorel: Ja, das Problem bei der Klassifikation, insbesondere wenn man sich mit der ABC- oder XYZ-Analyse beschäftigt, besteht darin, dass man die Anzahl der Produktkategoriewechsel vervielfacht. Wenn man die Anzahl der Kategorien verdoppelt, wird man feststellen, dass zwischen 80 und 90 Prozent der Produkte von einem Quartal zum nächsten die Kategorie wechseln. Das liefert keine wertvollen Einblicke in dein Geschäft; es ist lediglich Rauschen.

Diese Indikatoren waren gewissermaßen Müll, weil sie eine Illusion eines Musters erzeugen. Es mag wissenschaftlich erscheinen, aber im Wesentlichen verkauft man damit eine Illusion. Produkte in einer Matrix zu ordnen mag mathematisch wirken, aber es handelt sich lediglich um willkürliche Rangordnungen, die von einer Kommission festgelegt wurden.

Zum Beispiel, wenn du Menschen als reich, durchschnittlich, der Mittelschicht und arm einordnest, arbeitest du mit einem kontinuierlichen Spektrum. Deine Grenzwerte sind völlig willkürlich. Genau dieses Problem tritt auch bei der Klassifikation deiner Produkte auf.

Conor Doherty: Was ist also deine Sichtweise auf einen probabilistischen Ansatz?

Joannes Vermorel: Der probabilistische Ansatz ist schwer vergleichbar, da es ein kompletter Paradigmenwechsel ist. Der erste wesentliche Unterschied besteht darin, ob wir Menschen im Prozess benötigen oder nicht. Der die Quantitative Supply Chain sagt nein. Wir wollen das Beste, was moderne Computerhardware und Software für die supply chain bieten können. Ob dabei Menschen einbezogen werden oder nicht, ist relativ nebensächlich.

Ob supply chain nun Menschen einbezieht oder nicht, ist weitgehend nebensächlich. Probabilistische Prognosen sind in dieser Hinsicht sehr interessant, weil sie eine enorme Menge an Informationen liefern. Wir haben uns von Klassen, die viel Information verlieren, hin zu Rangordnungen bewegt, die einen Momentanwert liefern. Aber probabilistische Prognosen bieten eine andere Art von Präzision. Anstatt eines einzelnen Punktwertes nehmen wir die Unsicherheit in Kauf, die die inhärente Ungewissheit über das System repräsentiert. Warum ist das wichtig? Computer haben nicht die Engpässe des menschlichen Geistes und können riesige Mengen an Informationen verarbeiten. Diese Methode hilft dabei, viel mehr Informationen über dein System, deine supply chain, deine Produkte und mehr zu sammeln, verglichen mit Punktindikatoren.

Ja, das ist eine Möglichkeit, es aus einer informationsbasierten Perspektive zu betrachten, hinsichtlich der reinen Informationen, die du über deine Situation gesammelt hast. Ein weiterer Blickwinkel auf probabilistische Vorhersagen ist der des Risikomanagements. Letztendlich müssen wir unsere Entscheidung in eine Art Risikoanalyse überführen. Wir betreiben all diese Bestandsoptimierung, um die Bestandsmengen festzulegen, die wir zuweisen, produzieren und einkaufen wollen. Die Begründung für diese Entscheidungen sollte in Euro oder Dollar an Fehlern und Erträgen erfolgen.

Denk daran, dass die Mission eines Unternehmens darin besteht, profitabel zu sein. Ja, es gibt viele andere Dinge, nach denen ein Unternehmen streben sollte, aber ohne Gewinn wird das Unternehmen aufhören zu existieren. Für Unternehmen, die supply chains betreiben, sind die Margen knapp und das Überleben ist keineswegs selbstverständlich. Viele große Unternehmen gehen jedes Jahr in Konkurs. Daher müssen wir Entscheidungen in Euro und Dollar bewerten.

Probabilistische Prognosen liefern also mehr Informationen über das System, ebnen aber auch den Weg für Mechanismen, die es dir ermöglichen, deine finanzielle Vision mit deiner Erwartung an die Zukunft zu verbinden. Sie bieten ein reichhaltigeres Set an Informationen und stellen Methoden bereit, um die Qualität deiner Entscheidungen in Euro und Dollar auszudrücken.

Andererseits sind Methoden wie ABC XYZ sozusagen ein Dead End. Sie bieten keinen effektiven Weg, die Lücke zwischen diesen Kennzahlen und dem gewünschten finanziellen Ergebnis zu überbrücken. Man könnte immer komplexe Umwege konstruieren, aber diese Methoden sollten besser durch etwas ersetzt werden, das die ABC XYZ Matrix vollständig umgeht.

Conor Doherty: Einige Leute argumentieren, dass man KI oder maschinelles Lernen einsetzen könnte, um die von dir beschriebene Lücke zu schließen. Sie schlagen vor, dass KI effektiv ein “großes Stück Klebeband” auf die ABC XYZ Kennzahlen anwenden könnte, um das zu erreichen, was du sagst.

Joannes Vermorel: Du deutest an, dass wir eine Methode haben, die eine Matrix erstellt, die für den Zweck ungeeignet ist und zu minderwertigen Eingangsdaten führt. Wir versuchen dann, dies mit unserem eigentlichen Ziel zu verbinden. Das Eingangssignal ist jedoch so fehlerhaft, dass wir einen unglaublich ausgeklügelten Umweg bräuchten, um diese Lücke zu schließen. Das ist weder effizient noch effektiv. Oft wird dies als ein “Duct Tape on Steroids”-Ansatz bezeichnet, bei dem es darum geht, etwas Suboptimales mit einem Output zu verbinden und diese Lücke mithilfe fortgeschrittener Analysen zu überbrücken. Das ist vergleichbar mit dem Ausspruch: “Mein Auto ist zu langsam, also bauen wir einen Flugzeugmotor auf mein Auto, weil mein Auto zu langsam ist.” Zwar könnte dies dein Auto schneller machen, aber es ist nicht die richtige Lösung. Es ist überkomplizierte Ingenieurskunst.

Wenn dein Auto nicht schnell genug ist, solltest du vielleicht überdenken, ob der vorhandene Motor leistungsstark genug ist oder ob das Auto einfach zu schwer ist aufgrund der Dinge, die du hineingebaut hast. Die Lösung sollte nicht immer additiv sein. Zum Beispiel ist es kein sinnvolles Ingenieurkonzept, einen Flugzeugmotor auf ein Auto zu montieren, um es schneller zu machen.

Menschen fällt es unglaublich schwer, den Wert dieser Kennzahlen mit den damit verbundenen Kosten in Beziehung zu setzen. Dies führt oft dazu, dass analytische Superkräfte wie KI oder maschinelles Lernen hinzugezogen werden. Diese werden oft als Magie betrachtet, als ob man einen Halbgott der Datenanalyse heraufbeschwört, um etwas nahezu Magisches für uns zu leisten.

Auch wenn es Fälle gibt, in denen diese fortgeschrittenen Methoden funktionieren mögen, würde ich argumentieren, dass es unnötige Komplexität ist. Es gleicht dem Erschaffen eines Geräts, das viel zu kompliziert ist für seinen eigenen Nutzen. Qualitätsingenieurwesen bedeutet, Dinge zu schaffen, die einfach und wartbar sind, und nicht so kompliziert, wie man sie machen kann.

Wenn du unnötige Komplexität einführst, verbringst du vielleicht mehr Zeit damit, einen hochkomplexen Machine-Learning-Algorithmus zu debuggen, den du kaum verstehst, anstatt dich auf grundlegende Probleme zu konzentrieren. Zum Beispiel könnte dein Supermarkt nicht die Windelmarke führen, die Eltern wünschen. Neue Eltern könnten deinen Laden verlassen, weil sie nicht die Marke sehen, die sie erwarten, und deine Service-Level-Analyse oder dein KI-System wird dir das nicht sagen.

Conor Doherty: Abschließend, was würdest du denjenigen sagen, die noch Befürworter von ABC XYZ sind, aber offen dafür, in Richtung des nächsten Schrittes gedrängt zu werden?

Joannes Vermorel: Ich würde ihnen raten, ihre Annahmen zu überdenken und die Visionen, die in ihre Anforderungen einfließen, in Frage zu stellen. Lass dich nicht vom Tradition-Argument täuschen. Nur weil etwas jahrzehntelang gemacht wurde, heißt das nicht, dass es noch relevant ist. Vor zwei Jahrhunderten war der Hauptberuf in Paris, Wasser in Eimern zu tragen. Das ist heute offensichtlich nicht mehr der Fall.

Wenn etwas schon immer gemacht wurde, hatte es wahrscheinlich unter bestimmten Bedingungen einen gewissen Wert. Es sollte nicht ohne sorgfältige Überlegung verworfen werden. Aber die Annahmen, die der Methode zugrunde liegen, müssen überdacht werden. Wenn ich mit Menschen spreche, die ABC XYZ befürworten, ermutige ich sie, die zugrunde liegenden Annahmen der Methode in Frage zu stellen. Ich sage nicht, dass die Methode falsch ist, sondern vielmehr, dass die Logik und die Vision, die der Methode zugrunde liegen, fehlerhaft oder veraltet sein könnten. Darauf solltest du dich konzentrieren.

Conor Doherty: Nun, wenn ich dazu noch einen kleinen Gedanken hinzufügen darf, würde ich sagen, dass in Bezug auf Toleranz gegenüber Mehrdeutigkeit zwei scheinbar widersprüchliche Dinge gleichzeitig wahr sein können. Zum Beispiel habt ihr vielleicht jahrzehntelang ABC oder ABC XYZ verwendet und es hat für euch funktioniert. Das kann stimmen, aber das sagt nichts darüber aus, dass es bessere Methoden gibt. Es spricht nicht wirklich für die Richtigkeit der Methode. Zwei Dinge können also gleichzeitig wahr sein, und für manche Menschen ist das schwer zu begreifen.

Joannes Vermorel: Ich verstehe das. Es ist eine Verwirrung der Faktoren, und das herrscht überall. Denn die Realität ist, wenn du sagst, ABC oder ABC XYZ hat für dich funktioniert, dann stelle ich das in Frage. ABC XYZ liefert dir nicht die endgültigen Nachbestellmengen Mengen. Das Problem ist, dass es weitere Schritte gibt, um dorthin zu gelangen, und es können Unmengen an menschlichen Einschätzungen involviert sein. Wir begannen mit der Idee, nur den Filialleiter zu haben, der sich eine einzige Tabellenkalkulation ansieht, mein Verkaufsvolumen und was ich für meine Produkte auswähle. Dann fügen wir in der Mitte dieser Matrix ein. Aber wenn dein Prozess darin besteht, eine schicke Matrix zu erstellen, so zu tun, als wärst du ein Scientist, vor deinen Kollegen schlau auszusehen, dann die Matrix zu verwerfen und zu deinen alten Methoden zurückzukehren, könntest du am Ende durchaus sagen, dass es sehr gut für dich funktioniert hat.

Es könnte deinem Kollegen ein Argument liefern, es könnte dir eine Art Illusion, eine Selbsttäuschung darüber geben, ob dieser Teil deiner Arbeit tatsächlich zu etwas beigetragen hat. Letztlich haben wir etwas völlig anderes gemacht, um zu der einzigen Entscheidung zu gelangen, die zählt, nämlich der endgültigen Bestandsentscheidung. Aufgrund der Tatsache, dass supply chains sehr komplex und undurchsichtig sind, kann man dazwischen viele Dinge tun, die keinem Zweck dienen und scheinbar einem großen Zweck zuträglich sind.

Wenn du dir die Welt ansiehst, gibt es viele primitive Stämme, die Rituale haben, um den Regen herbeizurufen. Ich denke nicht, dass es heutzutage viele Menschen gibt, die sagen würden, dass ein Regenstanz das Wetter beeinflusst und den Ertrag deiner Feldfrüchte verbessert. Aber die Leute würden sagen: “Wir haben seit Tausenden von Jahren für das Wetter getanzt, und dann kam der Regen, und dann hatten wir eine gute Ernte.”

Ja, das tun sie, aber vielleicht gab es Schritte in dem, was du getan hast, die einfach völlig nutzlos waren. Letztlich ist das das, was du wirklich bewerten musst. Trägt dieser Schritt wirklich so viel zur Qualität des Endergebnisses bei, welches eine greifbare Entscheidung ist und nicht die Art von Artefakten, die du auf dem Weg generierst? Gibt es alternative Methoden, die besser wären? Denn letztlich, wenn du etwas hast, das für dich funktioniert – im Sinne davon, dass es überhaupt funktioniert – dann sind wir wieder beim Wassertragen in Eimern. Es funktioniert zwar, aber es gibt Alternativen, die enorm überlegen sind.

Conor Doherty: Genau das wollte ich sagen. Zwei Dinge können gleichzeitig wahr sein. Du kannst Wasser in einem Eimer tragen, aber gleichzeitig könntest du es auch in einem Boot oder in etwas wesentlich Größerem transportieren, das meine Aussage ist. Aber nochmals: Zwei Dinge können gleichzeitig wahr sein, und zu erkennen, dass es oft Mehrdeutigkeit zwischen Konzepten oder die Unschärfe gibt, über die du oft sprichst, kann für manche Menschen schwierig sein.

Joannes Vermorel: Ja, und genau das musst du ändern. Wenn Leute sagen, “Es hat für mich funktioniert,” bei diesen Praktiken, die ich in der supply chain sehe, musst du wirklich hinterfragen, was sie damit meinen. Was bedeutet das? Das ist an sich keine falsche Behauptung, aber wenn alles, was du zu sagen hast, “es war irgendwie richtig” lautet, ist das nicht genug.

In einer modernen, verteilten supply chain, in der deine menschliche Wahrnehmung sehr begrenzt ist, kann man sagen, dass die Gültigkeit dieser Aussage “Es hat für mich funktioniert” absolut nicht dieselbe ist, wenn du es mit einem kleinen System auf der einen Seite oder einer superkomplexen supply chain zu tun hast, die du nicht vollständig beobachten kannst. Nochmals: Wenn es einen Filialleiter gibt, der nur ein Regal verwaltet und sagt: “Weißt du, für mich sieht es gut aus. Ich schaue mir dieses Regal an und sage, dass dies genau das ist, was meine Kunden wollen,” würde ich deinem Urteil vertrauen. Denn es ist etwas, das direkt vor dir liegt, du hast ein Gespür für das System. Du kannst dich in die Lage deiner Kunden versetzen. Du nutzt deine Empathie – schau mal. Du hast alle relevanten Informationen direkt vor dir. Du kannst eine Wertung vornehmen, und diese Wertung ist höchstwahrscheinlich relativ vernünftig, vorausgesetzt, die betreffende Person handelt in gutem Glauben. Ist dies nun die Art von Situation, der du in supply chains begegnest?

Ich würde sagen, normalerweise überhaupt nicht. Die typische supply chain Situation ist, dass du ein Sachbearbeiter in einem Büro bist, tausend Kilometer von dem Ort entfernt, wo die Waren verschickt und konsumiert werden sollen. Du schaust nicht ins Regal, sondern auf eine Excel-Tabelle. Du hast Dutzende von Produkten, von denen du nur die Produktcodes gesehen hast. Meistens hast du die Produkte in Wirklichkeit nie gesehen. Und selbst wenn du einige gesehen hast, hast du sicherlich nicht alle gesehen. Du bedienst Kunden, die du nie gesehen hast, und die Daten werden aus einem System präsentiert, das super komplex ist und das du kaum verstehst, wie dein ERP und so weiter. Dein Gedankengang ist, dass du versuchst, deine eigene menschliche Rationalität einzusetzen, um mit etwas zurechtzukommen, das nur ein winziger, winziger Teil des Ganzen ist.

Ich bezweifle sehr, inwieweit man sagen kann, dass es funktioniert hat. Ich könnte auch meinem eigenen Urteil vertrauen, um dir zu sagen, dass es funktioniert hat. Weißt du, wenn es etwas sehr Lokales ist, bei dem man das Ganze sieht, würde ich sagen: “Ja, vielleicht kannst du mir nicht erklären, warum es funktioniert, aber ich vertraue deinem Urteil.” Wenn du dir etwas anschaust, das nicht einmal ein Prozent des Ganzen ausmacht, und du mir sagst, dass es funktioniert hat, dann sage ich nein. Du siehst es nicht, es ist einfach so, dass es das tut, was du gewohnt bist, in diesem einen Prozent zu sehen. Genau dann sagst du, dass es funktioniert hat. Du stellst lediglich fest, dass das, was du vor deinen Augen hast, im Vergleich zu dem, was du in diesem einen Prozent des Puzzles gewohnt bist zu sehen, nicht abweicht.

Conor Doherty: Joannes, ich denke, wir haben heute eine gewaltige Menge an Themen abgedeckt und ich habe keine weiteren Fragen. Vielen Dank für deine Zeit und vielen Dank fürs Zuschauen. Wir sehen uns beim nächsten Mal.