Analyse von ABC XYZ - Ep 144

00:00:00 Bestandsmanagement: Diskussion über Servicelevel und Sicherheitsbestände.
00:00:22 Joannes stellt Wahrnehmungen von Servicelevels und Sicherheitsbeständen in Frage.
00:02:10 Vorteile konkreter Bestandsmanagemententscheidungen.
00:03:07 Erforschung der Komplexität von Servicelevel-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 Komplexität der Gestaltung eines überprüfbaren Systems.
00:12:15 Kritik an ABC XYZ und seinen psychologischen Wurzeln.
00:13:33 ABC XYZ-Analyse und der Einfluss der menschlichen Kognition.
00:16:12 Tiefere Analyse von ABC XYZ und die Berechnung des Rangwerts.
00:21:04 Diskussion der Feinheiten der Bestandskategorisierung und -kalibrierung.
00:23:53 Einführung der Korbperspektive und Herausforderungen bei der Bestandszuweisung.
00:24:54 Rückverfolgung der Servicelevel-Geschichte im Bestandsmanagement.
00:26:55 Fallstricke und irreführende Auswirkungen von Servicelevel-Metriken.
00:28:51 Entlarven des Mythos von Servicelevel und Kundenzufriedenheit.
00:32:34 Wasseranalogie zur besseren Verständnis von Supply Chains.
00:34:25 Diskussion über die dynamische Natur des Produktabsatzes.
00:36:00 Qualität des Service, Kundenerwartungen, Produktverfügbarkeit.
00:38:20 Entlarven der mathematischen Falle bei der Produktauswahl.
00:41:16 Mythos der mathematischen Modelle im Bestandsmanagement.
00:42:12 Schwäche des ABC XYZ-Modells: Ignorieren des Kundenverhaltens.
00:43:41 Mängel von ABC XYZ als Priorisierungsmechanismus.
00:44:46 Gescheiterte Versuche, ABC XYZ zu verbessern.
00:47:35 Fehlerhafte Annahmen in der Supply Chain und der Wechsel zur Automatisierung.
00:51:01 Trugschluss der durchschnittlichen täglichen Verkäufe.
00:52:49 Kritik an der Volatilität der Produktkategorisierung.
00:54:07 Infragestellung des Werts mathematischer Klassifikation.
00:56:11 Deterministischer vs. probabilistischer Ansatz in der Supply Chain.
01:03:43 Nutzen von KI zur Überbrückung von Lücken wird diskutiert.
01:07:56 Infragestellung herkömmlicher Annahmen in der Supply Chain.
01:10:33 Toleranz für Ambiguität und das Nebeneinander von Widersprüchen.
01:16:24 Realität moderner, komplexer Supply Chains.

Zusammenfassung

Conor Doherty und Joannes Vermorel untersuchen das beliebte Lageranalysetool ABC XYZ Analyse und argumentieren, dass seine Vereinfachung zu Informationsverlust führt. Vermorel stellt herkömmliche Praktiken des Managements von Service Levels und Sicherheitsbeständen in Frage und plädiert für technologiegestütztes Supply Chain Management, angesichts der Komplexität bei der Handhabung großer Produktmengen. Er kritisiert die ABC XYZ Analyse dafür, dass sie keine Dynamik aufweist und die Perspektive der Kunden nicht berücksichtigt. Vermorel bevorzugt einen probabilistischen Ansatz im Supply Chain Management, der ein nuancierteres Verständnis von Risiken ermöglichen und bei der Bestandsentscheidung helfen kann.

Erweiterte Zusammenfassung

In diesem Interview analysieren Conor Doherty, der Moderator, und Joannes Vermorel, der Gründer von Lokad, das beliebte Lageranalysetool ABC XYZ Analyse. Diese Methode kategorisiert Produkte basierend auf Volumen und Varianz in einfache Untergruppen. Vermorel argumentiert, dass diese Methode aufgrund ihrer Vereinfachung der Produktmerkmale fehlerhaft ist und wertvolle Informationen verloren gehen.

Das Interview behandelt auch die Komplexität der Festlegung angemessener Service-Level- und Sicherheitsbestandsziele. Vermorel betont die inhärente Komplexität dieser Aufgabe und stellt die herkömmliche Idee in Frage, das Problem in vermeintlich einfachere Teile wie Service Levels und Sicherheitsbestände aufzuteilen.

Vermorel hinterfragt die implizite Annahme, dass die separate Behandlung von Service Levels oder Sicherheitsbeständen das Problem vereinfacht. Er schlägt vor, dass die Herausforderungen, die bei der Bestimmung der richtigen Menge zur Auffüllung auftreten, dieselben sind wie bei der Festlegung des richtigen Service Levels. Die damit verbundenen Feinheiten sind ähnlich, sodass das eine nicht einfacher ist als das andere.

Vermorel unterscheidet zwischen den konkreten, direkten Entscheidungen über Bestandsmengen und dem abstrakten Konzept des Service Levels. Er weist darauf hin, dass konkrete Entscheidungen über Bestandsmengen klare, messbare Auswirkungen auf die Supply Chain haben, im Gegensatz zu abstrakten Vorstellungen von Service Levels. Daher argumentiert er, dass die Fokussierung auf konkrete, messbare Maßnahmen anstelle abstrakter Konzepte das Problem vereinfachen könnte.

Vermorel kritisiert auch Tools wie die ABC XYZ Analyse, die zur Bestimmung von Bestandspolitiken verwendet werden. Er beschreibt diese Tools als “Aufmerksamkeitspriorisierungsmechanismen”, die Menschen bei der Bestandsentscheidung unterstützen sollen. Obwohl diese Tools dabei helfen können, welche Produkte aufgrund des Verkaufsvolumens Aufmerksamkeit erhalten sollen, argumentiert Vermorel, dass sie das ursprüngliche Problem nicht grundlegend vereinfachen.

Tatsächlich argumentiert Vermorel, dass der Fokus auf die Entwicklung von Tools zur Unterstützung der Priorisierung von Aufmerksamkeit bei Entscheidungen uns vom ursprünglichen Problem abgebracht hat. Diese Verschiebung, die er mit dem Softwarekonzept des “Yak Rasierens” vergleicht, hat dazu geführt, dass wir versuchen, ein viel komplizierteres Problem zu lösen: Wie können Informationen am besten für Entscheidungen an Menschen präsentiert werden?

Er kritisiert diesen Ansatz und weist darauf hin, dass, wenn Computer bereits zur Lösung des Problems verwendet werden, es nicht notwendig ist, die Aufmerksamkeit der Menschen zu priorisieren. Der Computer sollte das Problem vollständig lösen dürfen, ohne menschliche Eingriffe in jedem Schritt des Prozesses.

Doherty hinterfragt Vermorels Abwertung der Nachfragevarianz als “nebensächliche Sorge”. Vermorel antwortet, indem er sein Hauptargument wiederholt: Das ursprüngliche Problem bestand darin, die richtige Bestandsentscheidung zu treffen. Wenn jedoch Menschen Teil des Prozesses sind, erfordert ihre begrenzte Kapazität zur Verarbeitung von Informationen eine Priorisierung. Tools wie die ABC XYZ Analyse wurden entwickelt, um diesen Priorisierungsprozess zu erleichtern, aber Vermorel schlägt vor, dass uns dies vom Lösen des ursprünglichen Problems abgebracht hat.

Stattdessen schlägt Vermorel vor, jedem Produkt einen Rang entsprechend seinem Verkaufsvolumen zuzuweisen. Das Rankingsystem bietet seiner Meinung nach eine informativere Möglichkeit, Produkte zu klassifizieren, da es mehr Daten enthält. Dieses System stimmt mit den Rechenkapazitäten moderner Computer überein und ermöglicht eine präzisere Analyse als der menschliche Verstand.

Vermorel kritisiert weiterhin die Vorstellung, dass der menschliche Verstand der Hauptentscheidungsträger im Supply Chain Management ist. Angesichts der großen Anzahl von Produkten, mit denen ein Unternehmen täglich umgeht, schlägt er vor, dass der menschliche Verstand eine erhebliche Begrenzung in der Fähigkeit hat, Bestände effektiv zu verwalten. Er impliziert, dass es effektiver wäre, sich auf Technologie zu verlassen, um mit diesen Komplexitäten umzugehen.

Er diskutiert die Praxis, Produkte basierend auf dem Verkaufsvolumen in Kategorien einzuteilen, und stellt diese Methode in Frage, da sie zu einem Informationsverlust führt. Er vergleicht diese Methode mit der Approximation eines Kreises mit einem Polygon - je mehr Kanten hinzugefügt werden, desto näher kommt es einer Kreisform, aber es wird nie 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 Hinblick auf SKUs (Stock Keeping Units) argumentiert Vermorel gegen die Behandlung von SKUs isoliert und schlägt vor, dass dies das Problem vereinfacht, aber nicht effektiv löst. Er kritisiert die Sicherheitsbestandsmethode, die Servicelevel beinhaltet, da sie auf Annahmen über zukünftige Nachfrage und Durchlaufzeit basiert, die jedoch nicht normalverteilt sind, wie die Methode vorschlägt. Er schlägt vor, dass diese Methode zu einigen problematischen Situationen führen kann, wie negativen Durchlaufzeiten und Verkäufen.

Vermorel stellt die Grundannahme in Frage, dass der Begriff “Servicelevel” grundsätzlich fehlerhaft ist. Er weist darauf hin, dass es zwar intuitiv erscheinen mag, dass ein höherer Servicelevel eine bessere Kundenzufriedenheit bedeutet. Die mathematische Modellierung, die den Berechnungen des Sicherheitsbestands zugrunde liegt, liefert jedoch keine Erkenntnisse über die Kundenzufriedenheit.

Er betont die Bedeutung, das Supply Chain Management als multidimensionales Problem zu behandeln, angesichts der Vielfalt und Menge der Produkte, mit denen die meisten Unternehmen umgehen. Vermorel schlägt vor, dass bei Supply Chains mit einer großen Anzahl von SKUs ein anderer Ansatz gewählt werden sollte, da sich die komplexen, emergenten Eigenschaften eines solchen Systems grundlegend von denen eines einfacheren, einzelnen Produktsystems unterscheiden.

Vermorel diskutiert dann die Komplexität der Supply Chain-Optimierung. Genauso wie das Verständnis eines einzelnen Moleküls kein vollständiges Wissen über Wasser in all seinen Formen liefert, bedeutet das Verständnis eines Produkts nicht, die gesamte Supply Chain zu verstehen. Es gibt eine immense Vielfalt und Komplexität in Supply Chains, mit vielen Elementen, die aus einer Einzelproduktperspektive 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 Laufe der Zeit 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 wahrnimmt, unzureichend macht.

Diese mangelnde Dynamik ist problematisch, da sich die Erwartungen der Kunden kontinuierlich ändern und sich die Supply Chains entsprechend anpassen müssen. Wenn von einer Bäckerei erwartet wird, dass sie jeden Tag Brot vorrätig hat, verletzt jeder Fehlbestand den “sozialen Vertrag” und beeinträchtigt die Wahrnehmung der Servicequalität durch den Kunden. Diese Wahrnehmung wird nicht von der Supply Chain bestimmt, sondern von den Kunden selbst.

Interessanterweise erwähnt Vermorel, wie der Servicegrad eines einzelnen Produkts nicht in ein zufriedenstellendes Kundenerlebnis übertragen wird, wenn mehrere Produkte involviert sind. Zum Beispiel kann ein Kunde in einem Supermarkt mit einem Servicegrad von 95% für jedes Produkt möglicherweise nicht alles finden, wenn er 20 Produkte kaufen möchte, was den wahrgenommenen Servicegrad auf weniger als 10% reduziert. Diese Diskrepanz verdeutlicht den signifikanten Unterschied zwischen mathematischen Modellen und Kundenwahrnehmungen.

Vermorel betont, dass die ABC XYZ Analyse trotz ihres beruhigenden Namens (der Sicherheit und Kontrolle impliziert) mehrere wichtige Faktoren vernachlässigt. Sie berücksichtigt nicht die Varianz im Laufe der Zeit, übersieht die Perspektive des Kunden und erkennt nicht die Bedeutung von Produktkombinationen im Einkaufskorb des Kunden an.

Der Moderator Conor Doherty fügt hinzu, dass ein Kunde, der ein Geschäft betritt, um ein bestimmtes Produkt zu kaufen und es nicht findet, möglicherweise ohne etwas zu kaufen geht, was zu einem Verlust potenzieller Verkäufe führt.

Vermorel kritisiert die ABC XYZ Analyse als Mechanismus zur Priorisierung von Aufmerksamkeit und stellt fest, dass sie nicht die wirklich relevanten Elemente im Supply Chain Management hervorhebt. Er räumt ein, dass der Ansatz der bedarfsgesteuerten Materialbedarfsplanung (DDMRP), der Produkte basierend auf der Abweichung von Zielpuffern priorisiert, für die Priorisierung von Aufmerksamkeit vernünftiger ist.

Vermorel argumentiert, dass die ABC XYZ Analyse kein nützlicher Ansatz ist, um die Komplexität von Supply Chains in Einklang zu bringen. Er argumentiert, dass sie auf einer Reihe fehlerhafter Annahmen beruht und dass Versuche, sie zu korrigieren, nur “Klebeband” auf eine Methode anhäufen würden, die in die falsche Richtung führt. Stattdessen plädiert er für einen Ansatz, der die Komplexität und Dynamik von Supply Chains und die Bedeutung der Kundenperspektive würdigt.

Vermorel geht dann auf die Rolle der Technologie im Supply Chain Management ein und weist darauf hin, dass Maschinen erst kürzlich in der Lage sind, Supply Chain-Entscheidungen zu automatisieren. Diese Entwicklung, bemerkt er, ist im Vergleich zu den technologischen Fortschritten des modernen Zeitalters relativ langsam. Er veranschaulicht diesen Punkt mit einer historischen Analogie: Der Übergang von Unternehmen, die ihren eigenen Strom erzeugen, zum Kauf von Strom aus dem Netz dauerte rund 40 Jahre, trotz der offensichtlichen Vorteile letzterer.

Das Gespräch konzentriert sich auf die ABC und ABC XYZ Ansätze zur Nachfragemusterung, die beide von Vermorel als unzureichend angesehen werden. Er kritisiert ihre statische und abstrakte Natur und argumentiert, dass sie reale Phänomene nicht genau repräsentieren. Zum Beispiel zeigt er, dass Produktkategorien im Laufe der Zeit instabil sein können und ihre Klassifizierung in der ABC Analyse von einer Kategorie in eine andere springen kann, was für Unternehmen keinen wesentlichen Mehrwert bringt.

In diesem Zusammenhang kritisiert Vermorel die ABC XYZ Matrix als bloße Illusion eines Musters, die Unternehmen ein falsches Gefühl wissenschaftlicher Genauigkeit vermittelt, während die Realität viel chaotischer und nuancierter ist. Er argumentiert, dass diese Klassifikationen willkürlich sein können und zu einer Vereinfachung eines komplexen und kontinuierlichen Spektrums von Produktkategorien führen.

Die Diskussion wendet sich dann einem probabilistischen Ansatz zum Supply Chain Management zu. Vermorel betont den Wert der probabilistischen Prognose als Werkzeug zur Erfassung und Verarbeitung einer großen Menge an Informationen, die bei der Bewertung von Unsicherheit nützlich ist. Diese Methode ermöglicht seiner Meinung nach eine nuanciertere Risikobewertung und ermöglicht es Unternehmen, fundiertere Entscheidungen über Bestandsmengen zu treffen.

Vermorel geht dann auf die Rolle der Technologie im Supply Chain Management ein und weist darauf hin, dass Maschinen erst kürzlich in der Lage sind, Supply Chain-Entscheidungen zu automatisieren. Diese Entwicklung, bemerkt er, ist im Vergleich zu den technologischen Fortschritten des modernen Zeitalters relativ langsam. Er veranschaulicht diesen Punkt mit einer historischen Analogie: Der Übergang von Unternehmen, die ihren eigenen Strom erzeugen, zum Kauf von Strom aus dem Netz dauerte etwa 40 Jahre, trotz der offensichtlichen Vorteile des letzteren.

Das Gespräch konzentriert sich auf die ABC und ABC XYZ Ansätze zur Nachfragemusterung, die beide von Vermorel als unzureichend angesehen werden. Er kritisiert ihre statische und abstrakte Natur und argumentiert, dass sie reale Phänomene nicht genau repräsentieren. Zum Beispiel zeigt er, dass Produktkategorien im Laufe der Zeit instabil sein können und ihre Klassifizierung in der ABC Analyse von einer Kategorie in eine andere springen kann, was für Unternehmen keinen wesentlichen Mehrwert bringt.

In diesem Zusammenhang kritisiert Vermorel die ABC XYZ Matrix als bloße Illusion eines Musters, die Unternehmen ein falsches Gefühl wissenschaftlicher Genauigkeit vermittelt, während die Realität viel chaotischer und nuancierter ist. Er argumentiert, dass diese Klassifikationen willkürlich sein können und zu einer Vereinfachung eines komplexen und kontinuierlichen Spektrums von Produktkategorien führen.

Die Diskussion wendet sich dann einem probabilistischen Ansatz zum Supply Chain Management zu. Vermorel betont den Wert der probabilistischen Prognose als Werkzeug zur Erfassung und Verarbeitung einer großen Menge an Informationen, die bei der Bewertung von Unsicherheit nützlich ist. Diese Methode ermöglicht seiner Meinung nach eine nuanciertere Risikobewertung und ermöglicht es Unternehmen, fundiertere Entscheidungen über Bestandsmengen zu treffen.

Vermorel hebt zwei Vorteile der probabilistischen Prognose hervor: Sie liefert detailliertere Informationen über das System und ermöglicht die Verbindung der finanziellen Vision mit zukünftigen Erwartungen. Im Gegensatz zu Punktprognosen bieten probabilistische Prognosen zahlreiche Methoden, um die Entscheidungsqualität in Euro oder Dollar auszudrücken.

Vermorel argumentiert, dass der ABC XYZ Prognoseansatz eine Sackgasse darstellt, da er nicht in der Lage ist, metrische Ergebnisse sinnvoll mit finanziellen Ergebnissen zu verbinden. Er kritisiert Versuche, diese Lücke mit künstlicher Intelligenz oder maschinellem Lernen zu überbrücken, die er mit dem Anbringen eines Flugzeugtriebwerks an ein langsames Auto vergleicht. Solche Lösungen seien seiner Meinung nach unnötig kompliziert und übersehen grundlegende Probleme, die einfacher und effektiver gelöst werden könnten.

Der Gründer von Lokad betont auch die Bedeutung des Qualitätsmanagements 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. Zum Beispiel nennt er das hypothetische Szenario eines Supermarkts, der eine beliebte Marke von Windeln nicht führt und Kunden dadurch verliert, als ein Problem, das nicht durch überkomplizierte Prognosemethoden gelöst wird.

Vermorel rät denen, die unsicher sind, sich mit probabilistischer Prognose auseinanderzusetzen, ihre Annahmen in Frage zu stellen und die zugrunde liegende Logik und Vision der ABC XYZ Methode zu hinterfragen. Er argumentiert, dass die Methode zwar das tut, wofür sie gedacht ist (d.h. eine Matrix von Produkten entlang zweier Dimensionen zu erstellen), aber die zugrunde liegende Logik und Vision der Methode fehlerhaft und wahrscheinlich veraltet sind.

Doherty stellt die These auf, dass zwei scheinbar widersprüchliche Dinge gleichzeitig wahr sein können: Eine veraltete Methode kann für eine Zeit lang funktionieren, ist aber möglicherweise nicht die beste Lösung. Vermorel vertieft diesen Punkt und deutet an, dass Unternehmen oft “funktioniert überhaupt” mit “optimal funktioniert” verwechseln. Er stellt eine Analogie zum Wasserschleppen mit Eimern her: Obwohl es technisch funktioniert, gibt es bessere Alternativen.

Sowohl Doherty als auch Vermorel sind sich einig über die Bedeutung der Anerkennung der inhärenten Ambiguität im Supply Chain Management und der Notwendigkeit von Flexibilität. Das Interview endet mit Vermorels Ermahnung, 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 Sicherheitsbestandsziele ist schwierig, da es eine Vielzahl von Optionen auf dem Markt gibt und Anbieter versuchen, Ihnen Antworten zu verkaufen. Ein solches Tool ist die ABC XYZ-Analyse, und hier, um mir bei der Analyse zu helfen, ist Joannes Vermorel, der Gründer von Lokad. Fangen wir direkt am Anfang an - Service-Level, Sicherheitsbestand, all diese Bestandspolitiken. Warum sind sie so schwer festzulegen?

Joannes Vermorel: Es gibt eine Vielzahl von Optionen, die versuchen, diese Fragen zu beantworten. Was wir als Teilprobleme wahrnehmen, sind eigentlich keine Teilprobleme. Sprechen wir zum Beispiel über Service-Level. Es gibt die implizite Annahme, dass die Auswahl von Service-Levels irgendwie einfacher ist, wie ein kleinerer Teil des Gesamtproblems. Wenn Sie das beherrschen, dann würden Sie auch mit anderen Dingen umgehen können. Die implizite Annahme ist, dass wir das Problem aufgeteilt haben. Die Herausforderung besteht darin, die richtige Menge an Bestand zu wählen, die produziert, gelagert oder zugewiesen werden soll. Wenn Sie von “Service-Level” oder “Sicherheitsbestand” sprechen, zerlegen Sie das Problem implizit. Ich hinterfrage die Idee, dass diese Zerlegung das Problem einfacher macht als das ursprüngliche Problem. Wenn Sie sich dem Service-Level-Problem nähern, stehen Sie vor einer Herausforderung, die genauso schwierig und variabel ist wie Ihr Ausgangspunkt. Daher ist es nicht überraschend, dass das Festlegen eines Service-Levels nicht einfacher ist als die direkte Bestimmung der tatsächlichen Menge, die aufgefüllt werden soll.

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

Joannes Vermorel: In einem Bestandsoptimierungsszenario versuchen wir, eine Entscheidung zu treffen. Die Entscheidung ist greifbar. Es geht darum, wie viele Einheiten zugeteilt, produziert oder gekauft werden sollen. Diese Entscheidung hat sehr greifbare Auswirkungen auf Ihre Supply Chain. Im Gegensatz dazu, sagen wir, die Entscheidung, einen Service-Level von 97% in diesem Geschäft zu haben. Das ist eine Abstraktion. Es gibt keinen solchen Service-Level von 97%. Es ist potenziell ein nützliches Artefakt, aber es ist nichts, was eine greifbare Entsprechung in Ihrer Supply Chain hat. Wenn ich sage, dass es eine Abstraktion ist, meine ich, dass der Service-Level mit vielen offenen Problemen verbunden ist, die Sie nicht haben, wenn Sie es mit einer Entscheidung zu tun haben. Wenn ich mich entscheide, 10 Einheiten einem Geschäft zuzuweisen, gibt es keine Ambiguität. Ich kann nach einer Weile messen, dass ich mich entschieden habe, 10 zuzuweisen, und 10 Einheiten wurden tatsächlich bewegt. Das ist jedoch nicht der Fall bei einem Service-Level. Wenn mehr Kunden auftauchen als erwartet, werde ich tatsächlich keinen Service-Level von 97% erreichen. Deshalb betrachte ich es eher als Artefakt denn als etwas Greifbares, das die Grundrealität Ihrer Supply Chain widerspiegelt.

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

Joannes Vermorel: Supply Chain-Praktiker möchten zu einer Entscheidung kommen. Wenn Sie sich nur die Zahlen ansehen und abschätzen, was Sie brauchen, ist das eine sehr einfache Art und Weise, es zu tun. Viele Geschäfte arbeiten immer noch auf diese Weise. Es ist alles Schätzung, und es funktioniert. Diese Methode scheint jedoch grob zu sein, daher versuchen die Menschen, sie zu verfeinern. Dann stoßen sie auf ein Problem - sie haben viele Produkte, und sie erkennen, dass die Person, die sich die Produktliste ansieht, den Fall für jedes einzelne Produkt nicht jeden Tag überprüfen wird. Daher benötigen wir einen Mechanismus zur Priorisierung der Aufmerksamkeit. Eine Möglichkeit besteht darin, die Produkte nach dem höchsten bis zum niedrigsten Umsatzvolumen zu sortieren. Sie können von oben beginnen und nach unten arbeiten, entscheiden, die ersten 10 täglich zu überprüfen, die Hälfte der Liste wöchentlich und die komplette Liste nur einmal im Monat. Das ist etwas, was Sie tun könnten, und das ist im Wesentlichen das Wesen von ABC. Aber das Interessante an ABC XYZ ist, dass es im Grunde eine Variation davon ist. Es ist ein Mechanismus zur Priorisierung der Aufmerksamkeit, der für Menschen gedacht ist.

Nun, an diesem Punkt denke ich, dass wir herausfordern sollten, welches Problem wir lösen wollen. Wir begannen mit dem Problem, die richtige Bestandsmenge auszuwählen, die zugeteilt, produziert oder gekauft werden soll. Das ist etwas sehr Greifbares und Direktes. Es scheint jedoch, dass wir von diesem Problem zu einem anderen Problem übergegangen sind, nämlich der Auswahl des Serviceniveaus und der Sicherheitsbestände.

Dann sind wir in ein weiteres Problem eingetreten, nämlich die Priorisierung der Aufmerksamkeit. Das Muster, das ich hier zu erkennen beginne, ist etwas, das in der Software als Yak shaving bekannt ist. Sie wollten etwas sehr Einfaches tun, wie zum Beispiel “Ich möchte Windows 10 auf Windows 11 aktualisieren”. Aber dann enden Sie damit, etwas scheinbar Unzusammenhängendes zu tun, wie zum Beispiel das Öffnen von Computern und das Ändern von Muttern und Bolzen in den Computern. Sie hatten ein sehr klares Ziel vor Augen, aber Sie wurden abgelenkt und tun etwas, das nur entfernt mit der ursprünglichen Aufgabe verbunden ist.

Genau das tun wir hier mit unserem Bestandsoptimierungsproblem. Wir begannen mit einem Problem, das lautete: “Lassen Sie uns die richtige Menge auswählen, die zugeteilt, produziert oder gekauft werden soll.” Und jetzt versuchen wir, ein viel komplizierteres Problem zu lösen: “Wie sollte ich die Informationen tatsächlich organisieren, um sie diesem Menschen zu präsentieren?”

Dies ist jedoch ein sehr kompliziertes Problem. Und es ist absolut nicht klar, dass die Lösung dieses Problems der beste Weg ist, um unsere ursprüngliche Frage zu beantworten. Nehmen wir zum Beispiel an, wir haben zwei Zahlen und wir möchten sie addieren. Sollte ich wirklich darüber nachdenken, ein System zu entwerfen, das die Zwischenschritte einem Menschen präsentieren kann, um zu überprüfen, ob die Addition korrekt ist? Das ist um Größenordnungen komplizierter als nur einen Schaltkreis zu entwerfen, der die Addition durchführt.

Meine Kritik an diesem ABC-XYZ-Ansatz ist, dass wir von einem Problem ausgegangen sind, das scheinbar sehr kompliziert war. Es ist tatsächlich ziemlich kompliziert. Wir haben versucht, dieses Problem zu zerlegen, aber wir sind abgelenkt worden. Jetzt versuchen wir, ein anderes Problem zu lösen, das fast wie empirische Psychologie ist: Wie organisiert man die richtige Priorisierung der Aufmerksamkeit für Menschen? Aber wenn Sie sowieso einen Computer verwenden, um dieses Problem zu lösen, warum müssen Sie dann die Aufmerksamkeit des Menschen priorisieren? Lassen Sie den Computer das Problem für Sie lösen.

Conor Doherty: Wenn ich Sie ein wenig darauf drängen darf, denn ich habe Ihnen gefolgt, aber als Stellvertreter für das Publikum verstehe ich, dass die ABC-Analyse im Allgemeinen auf Umsatzvolumen oder Umsatzerlös basiert. Wir zerlegen unsere SKU in drei Kategorien: A, B, C. XYZ ist eine zweite Dimension, im Allgemeinen die Nachfragevarianz. Und wenn ich Sie richtig verstanden habe, haben Sie die Quantifizierung der Nachfragevarianz im Grunde als eine tangentialen Anliegen abgetan. Könnten Sie erklären, warum?

Joannes Vermorel: Wir begannen mit einem Problem, das darin bestand, die richtige Bestandsentscheidung als Menge zu treffen. Wir haben erkannt, dass der Mensch, wenn er in den Prozess einbezogen wird, nur eine begrenzte Kapazität hat, Informationen zu verarbeiten. Daher müssen wir das priorisieren. Wenn wir nur eine grundlegende Priorisierung vom höheren Umsatzvolumen zum niedrigeren Umsatzvolumen durchführen, landen wir bei ABC.

Sobald wir das haben, müssen wir diesen menschlichen Operator weiter unterstützen, indem wir ihnen helfen, ein Gefühl dafür zu bekommen, welcher Sicherheitsbestand und welches Serviceniveau für jede dieser Linien angemessen wären. Aber das ist nur eine Zerlegung des Problems auf eine Weise, die für den menschlichen Verstand geeignet ist.

Das XYZ fügt eine weitere Dimension hinzu, die den Grad des Rauschens oder der Variation in dieser Liste darstellt. Wir nehmen die ersten, sagen wir, zehn Prozent der höchstverkauften Produkte und möchten dann diese Liste in Abschnitte aufteilen, die den Grad des Umgebungsrauschens für jedes Produkt darstellen. Anstatt nur eine Liste von Segmenten zu haben, haben Sie eine Matrix. Das ist ABC XYZ für Sie.

Aber das ist grundsätzlich etwas, das sehr stark als Methode für den menschlichen Verstand konzipiert ist. Die Frage, die Sie sich stellen sollten, ist: Wenn ich möchte, dass eine Maschine den End-to-End-Prozess übernimmt, bringt mir diese Segmentierung irgendwelche Vorteile? Hilft es mir, das Problem zu lösen?

Überhaupt nicht. Kritiker würden vermutlich darauf hinweisen, dass Sie durch die Erstellung einer Matrix mit neun Kategorien die Varianz und die am stärksten beitragenden SKUs identifizieren können. Dann können Sie geeignete Ebenen festlegen, wie viel Sicherheitsbestand möchte ich dafür haben? Was ist die Ebene für jede SKU? Es gibt eine Variation zwischen AX und CZ, zum Beispiel. Nehmen wir für einen Moment an, dass diese beiden Dimensionen informativ sind. Nun, aus Sicht eines Computers, warum sollten Sie diskrete Abschnitte in Betracht ziehen? Warum haben Sie ein halbes Dutzend Untergruppen für das Volumen und ein weiteres halbes Dutzend für die Varianz? Sie könnten einfach die Ränge verwenden, damit Sie die Produkte nach höchstem Umsatzvolumen bis zum geringsten Umsatzvolumen sortieren können. Sie können eine Zahl haben, die Ihnen den genauen Rang in Ihrem Portfolio für das Volumen gibt. Das Gleiche könnten Sie für die Varianz tun.

Die Ränge geben Ihnen streng genommen mehr Informationen. Wenn Sie Ihre Klassen im Sinne von ABC oder XYZ betrachten, ist die Klasse nur eine Annäherung an den Rang. Diese Annäherung dient nur einem Zweck - sie soll für den menschlichen Verstand verdaulicher sein. Aber aus Sicht eines Computers behalten Sie einfach den Rang bei. Der Rang gibt Ihnen streng genommen mehr Informationen. Die Klasse ist eine verlustbehaftete Darstellung; Sie verlieren viele Informationen. Nichts Gutes kommt aus diesem Informationsverlust heraus.

Wenn wir sagen, dass diese beiden Dimensionen relevant sind, sage ich nicht, dass sie irrelevant sind. Ich sage nur, dass diese Dimensionen in Bezug auf die dimensionale Zerlegung Ihres Problems willkürlich sind. Es ist nicht sehr klar, dass dies der beste Weg ist, um es anzugehen. Wenn Sie sich nur diese beiden Dimensionen ansehen und die Ränge beibehalten, haben Sie etwas, das als Indikatoren für jedes einzelne Produkt ein Paar Ränge erstellt. Dieses Paar Ränge ist streng genommen informativer als Ihr Paar Klassen.

Es ist nicht nur eine Methode, die mit dem Volumen und der Varianz von Interesse kommt; sie ist von Anfang an sehr stark darauf ausgelegt, den menschlichen Verstand als Prozessor dieser Informationen zu haben. Und da frage ich mich - warum würden Sie das überhaupt wollen? Wir haben super leistungsstarke Computer. Glauben Sie, dass es etwas gibt, das die menschliche Seele erfordert, um diese Bestandsentscheidungen zu treffen?

Wenn wir uns einen Laden ansehen, der 10.000 Produkte hat, drehen sich all diese Dinge jeden Tag. Glauben Sie, dass es etwas für die Person gibt, die im Durchschnitt etwa vier Sekunden pro Produkt aufwenden wird? Wird es so etwas wie einen Funken Genialität geben, der da hineingebracht wird?

Ich stelle nicht in Frage, dass der menschliche Verstand unglaubliche Dinge tun kann, wenn er Zeit und Ressourcen hat. Wenn Sie einen Albert Einstein nehmen und ihm Monate oder Jahre geben, 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 arbeiten. Die Menschen stehen unter immensem Druck, einfach Dinge zu erledigen.

Und so, wenn wir uns anschauen, wie viele Sekunden Gehirnleistung Sie pro SKU zuweisen können, ist es in der Regel sehr wenig. Für die meisten Branchen wird es eine Frage von Sekunden pro SKU pro Tag sein. Wir haben über die Kategorien gesprochen, aber wir haben nicht darüber gesprochen, wie die Kategorien kalibriert sind. Das ist das Ergebnis mehrerer menschlicher Gedanken, soweit ich das verstehe.

Aber wenn Sie sehen, dass Sie die Ränge haben können und jetzt mit Prozentilen entscheiden können, dass Sie eine Aufteilung haben werden, können Sie sagen, dass Kategorie A bis zum Perzentil 10 geht. Es ist die Top 10 oder das Perzentil A ist die Top zwei Prozent, weil wenn Sie alle Produkte vom meistverkauften bis zum am wenigsten verkauften plotten, erhalten Sie fast immer eine Zipf-Kurve, wie ich in einer meiner Vorlesungen erwähnt habe. Diese Kurve ist kontinuierlich, ohne Plateaus oder diskrete Aufteilungen, sie ist völlig glatt.

Es ist vergleichbar mit der Approximation eines Kreises in alten Videospielen, bei denen Sie den Kreis mit einem Polygon approximieren mussten. Wenn Sie ein Achteck machen, erhalten Sie einen Kreis mit niedriger Auflösung. Durch Hinzufügen von mehr Kanten kommen Sie visuell näher an einen Kreis heran. Wenn Sie Tausende von Kanten haben, erhalten Sie etwas, das einem Kreis sehr ähnlich sieht.

Aber was ich hier sehe, ist, als ob Sie versuchen, einen Kreis mit einem Quadrat zu approximieren. Wenn Sie vier Klassen haben, approximieren Sie Ihr Segment mit einem Quadrat. Wenn Sie fünf haben, haben Sie ein Fünfeck und so weiter. Je mehr Klassen Sie hinzufügen, desto besser ist Ihre Approximation. Aber wenn Sie die Approximation vollständig entfernen, bleiben Ihnen die Ränge jedes einzelnen Produkts.

Also würde ich sagen, führen Sie keine Gruppen ein, bleiben Sie bei den Rängen. Wenn Sie annehmen, dass das Volumen und die Varianz nützliche Dimensionen sind, was ich anzweifle, dann geben Ihnen diese Ränge eine informativere Version dieser beiden Dimensionen. Jeder Gruppierungsmechanismus, den Sie einführen, wird diese Informationen verschlechtern.

Conor Doherty: Das führt sehr nahtlos zur Perspektive des Warenkorbs, was etwas ist, das mich wirklich interessiert, um dieses Problem zu lösen. Es behandelt SKUs in Kombination statt isoliert. Wie würde das in dieses Gespräch passen?

Joannes Vermorel: Wir haben mit einem einfachen Problem begonnen, zumindest einfach in seiner Formulierung: die richtige Bestandsmenge zum Zuweisen, Produzieren, Einkaufen oder Speichern auszuwählen. Wir sind von einer weit verbreiteten Methode abgelenkt worden, die den Servicegrad und die Sicherheitsbestände betrifft, aber ich hinterfrage wirklich die Gültigkeit dieser Methoden.

Die Perspektive des Servicegrads stammt aus historisch simplen Annahmen über zukünftige Nachfrage, bei denen wir einen normalverteilten Fehler bei der Nachfrage und beim Vorlaufzeitpunkt prognostizieren. Die Unsicherheit ist jedoch nicht normalverteilt, aber das ist ein anderes Thema.

Sobald wir unsere Normalverteilung haben, die eine Gaußsche Verteilung ist, wählen wir einen Parameter, das Quantil, das den gleichen Effekt wie der Servicegrad hat. Das gibt mir eine Zielmenge, die ich für meinen Bestand aufrechterhalten sollte. Dieser Sicherheitsbestand ist das Ergebnis der Differenz zwischen dem Mittelwert und dem Quantil, wenn Sie sich eine eindimensionale Verteilung ansehen.

Aber aufgrund der Tatsache, dass es sich um eine Normalverteilung handelt, geht sie in beide Richtungen ins Unendliche. Das klassische Sicherheitsbestandsmodell liefert einige seltsame Ergebnisse, wie negative Vorlaufzeiten und negative Verkäufe, die sehr seltsam sind, aber sie gehören zum Modell.

Das bedeutet, dass Sie einen Servicegradwert wählen können, der Ihnen jeden Zielbestandswert zwischen plus Unendlichkeit und minus Unendlichkeit geben kann, je nachdem, wie Sie Ihren Servicegrad wählen. Das ist nicht theoretisch, das ist buchstäblich das, was die Mathematik Ihnen sagt. Also, immer wenn Sie eine Gaußsche Verteilung haben, wählen Sie Ihr Quantil, und das kann zu einem beliebigen endgültigen Abschneidewert zwischen minus Unendlichkeit und plus Unendlichkeit führen.

Conor Doherty: Können Sie das Konzept des Servicegrads im Supply Chain Management erklären?

Joannes Vermorel: Bei der Betrachtung von Servicegraden ist es entscheidend zu verstehen, dass der Bereich von negativer Unendlichkeit bis positive Unendlichkeit reichen kann. Effektiv ist Ihr Servicegrad identisch mit der Menge, die Sie auffüllen möchten. Für jede Menge, die Sie auffüllen möchten, gibt es einen entsprechenden Servicegrad, der als Normalverteilung verstanden wird. Es ist nicht nur eine Analogie; es handelt sich um eine mathematische Äquivalenz. Für jede Menge, von der Sie wissen, dass sie vorhanden ist, gibt es bei einem Sicherheitsbestandsmodell einen entsprechenden Servicegrad in dieser Einstellung der Normalverteilung.

Nun könnten Menschen unter der Illusion sein, dass der Servicegrad, weil er als Prozentsatz ausgedrückt wird, einfacher oder leichter ist. Das ist eine Illusion. Das einzige leicht Gute daran ist, dass es hilft, die Skala zu normalisieren, da alle Ihre Produkte unterschiedliche Volumina und Lebensfähigkeiten haben. Die Ausdrückung Ihrer Menge, die zugeteilt, gekauft oder produziert werden soll, als Ziel-Servicegrad macht sie volumenunabhängig und vorurteilsfrei. Das ist jedoch ein schwaches Argument.

Der Begriff “Servicegrad” kann irreführend sein, weil Menschen möglicherweise denken, dass ein sehr hoher Servicegrad immer positiv von Kunden wahrgenommen wird. Das ist ein Missverständnis. Die Mathematik des Sicherheitsbestandsmodells sagt nichts über die Kundenzufriedenheit aus. Die Leute neigen dazu zu denken, dass es gut für Kunden ist, wenn sie einen hohen Servicegrad anstreben. Aber das ist ein völlig unzulässiger Schluss.

Conor Doherty: Können Sie genauer erläutern, warum diese Wahrnehmung des Servicegrads ein Problem sein könnte?

Joannes Vermorel: Das Problem entsteht aus der naiven Vorstellung, die Qualität des Service 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 Lieferketten haben mit Tausenden, wenn nicht Zehntausenden von Produkten zu tun. Wenn wir die Anzahl der SKU (Stock Keeping Units) mit der Anzahl der Standorte multiplizieren, können wir leicht in den Bereich von Zehntausenden, Hunderttausenden oder sogar Millionen von SKUs für große Unternehmen gelangen. Diese große Anzahl von SKUs stellt die eindimensionale Analyse vor große Herausforderungen.

Ein Unterschied in der Größenordnung kann zu einem Unterschied in der Art führen. Die emergenten Eigenschaften, die Sie erhalten, wenn Sie Tonnen von Produkten haben, sind sehr unterschiedlich von dem, was Sie hatten, als Sie nur ein Produkt hatten.

Conor Doherty: Wenn Sie von emergenten Eigenschaften sprechen, könnten Sie das genauer erläutern? Es scheint ein wichtiger Punkt zu sein.

Joannes Vermorel: Ja, natürlich. Ein Beispiel für eine emergente Eigenschaft ist, wie sich ein Wassermolekül je nach seinem Zustand - ob es ein Gas, eine Flüssigkeit oder ein Feststoff ist - unterschiedlich verhält. Wenn Sie alle Verhaltensweisen erklären wollten, die Sie mit Wasser beobachten können, würde es Wochen oder Monate dauern. Es ist nicht so einfach, ein Molekül auszuwählen und es in 30 Minuten zu erklären, was möglicherweise mit Schülern der High School möglich wäre. Das gleiche Prinzip gilt, wenn Sie es mit einer Vielzahl von SKUs in einer Lieferkette zu tun haben, anstatt nur mit einem. Es erfordert eine komplexere Analyse.

Es besteht die Gefahr zu denken, dass Sie, sobald Sie alles über ein Wassermolekül verstehen, alles über Wasser selbst wissen. Das ist nicht ganz richtig. Ähnlich, wenn Sie sagen: “Ich habe ein Modell, das ein Produkt erklärt, und jetzt kann ich meine Lieferkette erklären, die aus vielen Produkten besteht”, rate ich zur Vorsicht. Es gibt viele Dinge, die in Ihrer Ein-Produkt-Konfiguration nicht vorstellbar sind. Dies ist nur ein vereinfachtes Beispiel, das die wahren Komplexitäten Ihrer Lieferkette nicht widerspiegelt.

Selbst wenn wir nur ein Produkt betrachten, gibt es im Laufe der Zeit Variationen. Wenn Sie zum Beispiel nur ein Produkt isoliert betrachten, würde seine Rangfolge im Laufe der Zeit stark schwanken. Die meisten Produkte haben einen Lebenszyklus, bei dem sie langsam beginnen, sich steigern, sich auf einem Plateau stabilisieren und dann irgendwann abnehmen. Dieses eindimensionale Modell, das den Umsatz als statisch betrachtet, ist falsch. Es ist dynamisch, und das ist eine weitere Dimension, die oft übersehen wird.

Ein Teil der Servicequalität besteht in diesem dynamischen, zeitabhängigen Verhalten. Wenn wir das Beispiel einer Bäckerei nehmen, erwarten Kunden, dass sie jeden Tag Brot finden. Jeder Lagerbestandsausfall ist ein Verstoß gegen diesen sozialen Vertrag.

Im Gegensatz dazu könnten Kunden auch mit einer unzuverlässigen Bäckerei zufrieden sein, die nur an jedem zweiten Tag Brot hat, aber ihr Brot ist viel günstiger als bei der Konkurrenz. Sie haben eine eingebaute Erwartung an Ihren Service.

Die Servicequalität ist nicht etwas, das in Ihrer Lieferkette liegt - sie liegt grundsätzlich in den Köpfen Ihrer Kunden. Nicht jeder wird dem zustimmen, daher ist es inkonsistent. Wenn wir diese Erwartungen aggregieren, kann das irreführend sein.

Wenn wir mehrere Produkte in die Mischung aufnehmen, kommt eine weitere Dimension ins Spiel. Wenn Kunden mehrere Produkte möchten, müssen wir prüfen, ob sie eine Kombination finden können, die für sie sinnvoll ist. Ein häufiger Fehler besteht darin anzunehmen, dass, wenn alle meine Produkte einen 100%igen Servicegrad haben, auch alle Kombinationen von Produkten einen 100%igen Servicegrad haben. Das ist nur dann wahr, wenn Ihnen nie der Lagerbestand ausgeht, was fast unmöglich ist.

Wenn Sie die Wahrscheinlichkeit der Verfügbarkeit oder Nichtverfügbarkeit von Produktkombinationen untersuchen, erhalten Sie eine Perspektive, die sehr unterschiedlich ist von dem, was ein einfaches Sicherheitsbestands-/Servicegradmodell Ihnen geben kann.

Nur um dies zu veranschaulichen, nehmen wir das Beispiel eines Supermarkts, der für alle seine Produkte einen Servicegrad von 95% hat, was ziemlich gut ist. In Europa gibt es durchschnittlich 7% Lagerbestandsausfälle im Regal, daher ist ein Servicegrad von 95% ziemlich gut. Wenn Sie einen Kunden haben, der 20 Produkte möchte, was nicht einmal ein großer Einkaufskorb ist, ist die Wahrscheinlichkeit hoch, dass mindestens eines dieser Produkte fehlt. Ich müsste die Mathematik machen, aber unter der Annahme unabhängiger Verfügbarkeit haben Sie wahrscheinlich weniger als eine 10%ige Chance, alles zu finden.

Also beginnen wir mit dem, was aus sicherheitsbestands- und nachfrageseitiger Sicht sehr gut aussieht und den Eindruck eines Servicegrads von 95% plus vermittelt. Aber aus Sicht des Kunden werden wahrscheinlich weniger als 10% der Kunden, die in den Laden kommen, genau das finden, wonach sie gesucht haben. Diese beiden Dinge können gleichzeitig wahr sein. Sie können einen Servicegrad von 95% plus haben und dennoch weniger als 10% Ihrer Kunden haben, die zufrieden den Laden verlassen.

Was ist mit den Produkten, die Ihre Kunden erwarten, die aber nicht Teil Ihres Sortiments sind? Der Servicegrad ist in diesem Sinne blind. Wenn es ein Produkt gibt, das sehr gefragt ist, aber Sie es einfach nicht haben, wird es nicht als Lagerbestandsausfall oder als Servicegrad von null Prozent gezählt - es wird überhaupt nicht gezählt.

Zum Beispiel, wenn ich an das Extrem gehe und mir einen Laden vorstelle, der mit Produkten gefüllt ist, die niemand will, hat dieser Laden per Definition einen Servicegrad von 100%. Niemand will diese Produkte, aber sie werden ausgestellt, also haben Sie einen perfekten Servicegrad. Je mehr Produkte Sie haben, die niemand will, desto besser ist Ihr Servicegrad. Das ist ein völlig mechanisches Problem, ein Problem mit diesen mathematischen Modellen.

Wir müssen sehr vorsichtig sein, insbesondere wenn diese Modelle positive klingende Namen wie ‘Sicherheitsbestand’ haben. Es gibt einen nicht sequenziellen Übergang, bei dem die Leute annehmen, dass es, weil es ein mathematisches Modell ist, das einen guten Namen hat, gut für die Kunden sein muss, aber das ist ein unbegründeter Sprung.

Conor Doherty: Um das zusammenzufassen, was Sie gesagt haben, ist es entscheidend, unsere Kritik an ABC XYZ aus einer Warenkorb-Perspektive zu verstehen. Kunden neigen nicht dazu, isoliert zu kaufen. Wenn sie keinen Zugang zu einem bestimmten SKU haben, kann dies dazu führen, dass sie den Laden ohne den Kauf irgendetwas verlassen, auch nicht die anderen hochwertigen Artikel. Das bedeutet, dass der Laden alle potenziellen Verkäufe verliert, nicht nur das einzelne SKU.

Joannes Vermorel: Ja, und wenn wir zur ursprünglichen Absicht zurückkehren, soll ABC XYZ ein Aufmerksamkeitspriorisierungsmechanismus für Menschen sein. Aber ist es ein guter Mechanismus, um Aufmerksamkeit zu priorisieren? Ich würde sagen, absolut nicht. Als Priorisierungsmechanismus ist er schlecht - er hebt nichts wirklich Relevantes hervor.

Und obwohl ich kein großer Fan von DDMRP bin, gebe ich zu, dass DDMRP als Aufmerksamkeitspriorisierungsmechanismus, wie es Puffer definiert und Produkte gegen die Abweichung zu Ziel-Puffern priorisiert, mehr Sinn macht als ABC XYZ. Zumindest ist es in dieser Hinsicht halbwegs anständig. ABC XYZ ist es nicht.

Conor Doherty: Gibt es eine Möglichkeit, ABC XYZ als Aufmerksamkeitspriorisierungswerkzeug mit den gerade beschriebenen Bedenken, insbesondere aus der Warenkorb-Perspektive, in Einklang zu bringen?

Joannes Vermorel: Nein, das gibt es nicht. Sie beginnen mit einer Reihe von schlechten Voraussetzungen. Erstens sagen Sie, dass Sie einen Menschen in der Schleife haben wollen, was ich anzweifle. Dann machen Sie einen zweiten Fehler mit einem Mono-Produkt, Mono-SKU-Modell mit einer eingebauten Normalverteilungsannahme. Das ist sehr schlecht. Es führt zu katastrophalen Ergebnissen. Wenn Sie dann eine weitere fehlerhafte Annahme machen, Ihren Raum zu diskretisieren, fügt dies keine Informationen hinzu, es geht tatsächlich Informationen verloren. Wir sind von Spannungen abgelenkt worden, die nur schlimmer werden.

Jetzt erkennen wir, dass wir viele Fehler angesammelt haben. Wir versuchen, diese mit dem, was mit Klebeband verglichen werden könnte, zu reparieren, indem wir Variablen hinzufügen, die uns das ABC XYZ geben. Wir könnten versuchen, andere Möglichkeiten zu finden, um die Methode zu reparieren, aber in Wirklichkeit gehen wir in die falsche Richtung. Jeder zusätzliche Schritt, den Sie unternehmen, fügt nur mehr Klebeband hinzu. Es ist keine gute Ingenieursarbeit.

Der Prozess, den Sie gestalten, ist einfach nicht sehr gut. Durch das Hinzufügen weiterer Patches wird es nicht besser. Die einzige Lösung besteht darin, zu den Annahmen zurückzukehren, die gemacht wurden. Sind sie wirklich gültig? Wenn nicht, sollten Sie den Ansatz, den Sie verfolgen, vollständig überdenken.

Wenn wir zu unserem Ausgangspunkt zurückkehren, haben wir mit einem greifbaren Problem begonnen - Entscheidungen für den Lagerbestand zu treffen. Aber im Laufe unserer Annäherung an das Problem haben wir viele Annahmen gemacht und stehen nun vor den Konsequenzen dieser Fehler. Wenn Sie viele Fehler gemacht haben, können Sie nicht einfach einen zweiten Beweis erbringen, um Ihr Problem zu beheben.

Das ist ähnlich wie wenn Sie einen Mathematiker fragen, ob ein zweiter Beweis einen falschen Beweis beheben kann. Die Antwort ist nein. Sie können Ihr Problem nicht mit einem zweiten Beweis beheben. Der einzige Weg besteht darin, Ihren falschen Beweis zu verwerfen, die Arbeit erneut zu machen und dann einen korrekten Weg zu haben. Es ist dasselbe mit Software. Wenn Sie falsche Annahmen haben, können Sie sie nicht nachträglich korrigieren. Sie müssen zu dem Punkt zurückgehen, an dem Sie einen Fehler gemacht haben, ihn beheben und dann Ihren Weg fortsetzen.

Viele Unternehmen haben ganze Praktiken auf falschen Annahmen aufgebaut. Aufgrund der Tatsache, dass Lieferketten sehr undurchsichtig und komplex sind, können Menschen jahrzehntelang ohne besseres Wissen arbeiten.

Es sind erst 20 Jahre vergangen, seit wir Computer hatten, die in der Lage waren, die Entscheidungen der Lieferkette kostengünstig zu automatisieren. Moderne Computer, die in der Lage sind, mit der Komplexität einer modernen Lieferkette umzugehen, gibt es nicht schon immer. Sie existieren schon relativ lange, aber nicht seit Jahrhunderten. Für viele große Unternehmen, die Lieferketten betreiben, wurde diese Automatisierung erst vor 20 Jahren möglich.

Um Ihnen einen Vergleichspunkt zu geben, dauerte es etwa 40 Jahre in den USA und in Europa, um von Unternehmen, die ihren eigenen Strom produzierten, zum Kauf von Strom aus dem Netz überzugehen. Die Einführung einer Technologie kann ein langsamer Prozess sein. Ende des 19. Jahrhunderts und Anfang des 20. Jahrhunderts dauerte es in Europa und den USA etwa 40 Jahre, um von der Eigenstromerzeugung zum Kauf von Strom aus dem Netz überzugehen.

In Bezug auf den Zeitrahmen ist die Entwicklung von Maschinen, die in der Lage sind, all diese Berechnungen ohne menschliche Beteiligung bei jedem Schritt des Prozesses durchzuführen, immer noch eine recht neue Entwicklung.

Conor Doherty: Gehen wir ein wenig zurück. Du hast über den statischen Ansatz von ABC und damit auch von ABC XYZ gesprochen. Kannst du etwas genauer auf beide Ansätze oder alternative Ansätze zu Nachfrage-Mustern eingehen?

Joannes Vermorel: Nun, wir klassifizieren unsere Produkte nach zwei Dimensionen - dem Durchschnitt oder dem Absatzvolumen und der Varianz. Aber das sind wieder Abstraktionen. Sie sind nicht real. Es gibt keine sofortigen Absatzzahlen. Das existiert nicht. Das ist der Unterschied zwischen konkreten Entscheidungen, wie zum Beispiel die Bewegung von 10 Einheiten, und der Aussage: “Diese Produkte verkaufen im Durchschnitt 0,5 Einheiten pro Tag.” So etwas gibt es nicht. Das Einzige, was man sagen kann, ist, dass Sie in den letzten zwei Wochen etwa sieben Einheiten verkauft haben, was ungefähr 0,5 Einheiten pro Tag entspricht.

Conor Doherty: Wie bewertest 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 Laufe der Zeit sind. Wir haben bei Lokad zahlreiche Tests durchgeführt und festgestellt, dass bei den meisten Unternehmen, selbst wenn wir nur die ABC-Analyse betrachten, ein erheblicher Teil der Produkte von einem Quartal zum nächsten die Kategorie wechselt. Wenn man etwas Präziseres nimmt, wie zum Beispiel pro Monat, würde die Anzahl der Produkte, die die Kategorie wechseln, signifikant zunehmen.

Conor Doherty: Also gibt es Probleme mit dieser Klassifizierungsmethode?

Joannes Vermorel: Ja, das Problem bei der Klassifizierung, insbesondere wenn man sich mit ABC- oder XYZ-Analysen beschäftigt, besteht darin, dass man die Anzahl der Kategorieverschiebungen multipliziert. Wenn man die Anzahl der Kategorien verdoppelt, werden zwischen 80 und 90 Prozent der Produkte von Quartal zu Quartal die Kategorie wechseln. Das liefert keine wertvollen Erkenntnisse über Ihr Unternehmen; es ist nur Lärm.

Diese Indikatoren waren sozusagen Müll, weil sie eine Illusion von Muster erzeugen. Es mag wissenschaftlich erscheinen, aber es verkauft im Wesentlichen eine Illusion. Die Organisation von Produkten in einer Matrix mag mathematisch aussehen, aber es handelt sich nur um willkürliche Ränge, die von einem Ausschuss festgelegt wurden.

Zum Beispiel, wenn man Menschen als reich, durchschnittlich, mittelklasse und arm klassifiziert, hat man es mit einem kontinuierlichen Spektrum zu tun. Die Grenzwerte sind völlig willkürlich. Das gleiche Problem besteht bei der Klassifizierung Ihrer Produkte.

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

Joannes Vermorel: Der probabilistische Ansatz ist schwer zu vergleichen, weil es sich um einen kompletten Paradigmenwechsel handelt. Der erste große Unterschied besteht darin, ob wir Menschen in den Prozess einbeziehen müssen oder nicht. Die quantitative Lieferkette sagt nein. Wir wollen das Beste, was moderne Computerhardware und -software für die Lieferkette bieten können. Ob Menschen daran beteiligt sind oder nicht, ist relativ zufällig.

Daher ist es relativ unerheblich, ob die Lieferkette Menschen einbezieht oder nicht. Probabilistische Prognosen sind in dieser Hinsicht sehr interessant, weil sie eine enorme Menge an Informationen liefern. Wir sind von Klassen, die viele Informationen verlieren, zu Rängen übergegangen, die eine punktuelle Messung liefern. Aber probabilistische Prognosen bieten eine andere Art von Präzision. Anstatt eines einzelnen Indikators umarmen wir die Unsicherheit und repräsentieren die Umgebungsunsicherheit, die wir über das System haben. Warum ist das wichtig? Computer haben nicht die Engpässe des menschlichen Verstandes und können riesige Mengen an Informationen verarbeiten. Diese Methode hilft dabei, viel mehr Informationen über Ihr System, Ihre Lieferkette, Ihre Produkte und mehr zu sammeln, im Vergleich zu punktuellen Indikatoren.

Ja, das ist eine Möglichkeit, es aus einer informationsbezogenen Perspektive zu betrachten, was Sie in Bezug auf reine Informationen über Ihre Situation gesammelt haben. Ein weiterer Blickwinkel auf die probabilistische Prognose ist die Risikomanagement-Perspektive. Letztendlich müssen wir unsere Entscheidung in eine Art Risikoanalyse überführen. Wir optimieren unseren Lagerbestand, um die Lagermengen zu bestimmen, die wir zuweisen, produzieren und kaufen möchten. Die Begründung für diese Entscheidungen sollte in Bezug auf Euro oder Dollar an Fehlern und Belohnungen erfolgen.

Denken Sie daran, dass das Ziel eines Unternehmens darin besteht, profitabel zu sein. Ja, es gibt viele andere Dinge, die ein Unternehmen anstreben sollte, aber ohne Gewinn wird das Unternehmen aufhören zu existieren. Für Unternehmen, die Lieferketten betreiben, sind die Margen gering und das Überleben ist nicht garantiert. Viele große Unternehmen gehen jedes Jahr bankrott. Daher müssen wir Entscheidungen in Euro und Dollar bewerten.

Probabilistische Prognosen liefern also mehr Informationen über das System, ermöglichen aber auch Mechanismen, mit denen Sie Ihre finanzielle Vision mit Ihrer Erwartung an die Zukunft verbinden können. Es ermöglicht eine umfangreichere Informationsmenge und bietet Methoden, um die Qualität Ihrer Entscheidungen in Euro und Dollar auszudrücken.

Auf der anderen Seite sind Methoden wie ABC XYZ sozusagen eine Sackgasse. Sie bieten keinen effektiven Weg, um die Kluft zwischen diesen Metriken und dem gewünschten finanziellen Ergebnis zu überbrücken. Sie können immer komplexe Workarounds entwickeln, 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 nutzen könnte, um die von Ihnen gerade beschriebene Kluft zu überbrücken. Sie schlagen vor, dass KI effektiv eine “große Menge Klebeband” auf ABC XYZ-Metriken anwenden könnte, um das zu erreichen, was Sie sagen.

Joannes Vermorel: Sie implizieren, dass wir eine Methode haben, die eine für den Zweck ungeeignete Matrix generiert, was zu einer Eingabe von schlechter Qualität führt. Wir versuchen dann, dies mit unserem eigentlichen Ziel zu verbinden. Die Eingangssignale sind jedoch so fehlerhaft, dass wir einen unglaublich ausgeklügelten Workaround benötigen würden, um diese Kluft zu überbrücken. Das ist weder effizient noch effektiv. Oft bezeichnet man dies als einen “Klebeband auf Steroiden”-Ansatz, bei dem das Ziel darin besteht, etwas Suboptimales mit einer Ausgabe zu verbinden und diese Kluft mit Hilfe von fortgeschrittener Analytik zu überbrücken. Das ist vergleichbar mit der Aussage: “Mein Auto ist zu langsam, lassen Sie uns einen Flugzeugmotor auf mein Auto setzen, weil mein Auto zu langsam ist.” Auch wenn dies Ihr Auto schneller machen könnte, ist es nicht die richtige Lösung. Es ist überkomplizierte Technik.

Wenn Ihr Auto nicht schnell genug ist, sollten Sie vielleicht darüber nachdenken, ob der Motor leistungsstark genug ist oder ob einfach zu viel Gewicht im Auto durch Dinge, die Sie hineingesteckt haben, vorhanden ist. Die Lösung sollte nicht immer additiv sein. Zum Beispiel ist es keine vernünftige Technik, einen Flugzeugmotor auf ein Auto zu schrauben, um es schneller zu machen.

Menschen haben große Schwierigkeiten, den Wert dieser Kennzahlen mit den damit verbundenen Kosten in Verbindung zu bringen. Dies führt oft zur Anwendung von analytischen Superkräften wie KI oder maschinellem Lernen. Diese werden oft als Magie angesehen, als ob man einen Halbgott der Datenanalyse herbeiruft, um etwas fast Magisches für uns zu vollbringen.

Obwohl es Fälle gibt, in denen diese fortgeschrittenen Methoden funktionieren können, würde ich argumentieren, dass dies unnötige Komplexität ist. Es ist wie die Schaffung einer Vorrichtung, die viel zu kompliziert für ihr eigenes Wohl ist. Qualitätsingenieurwesen bedeutet, Dinge zu schaffen, die einfach und wartbar sind, nicht so kompliziert wie möglich.

Wenn Sie eine übermäßige Komplexität einführen, verbringen Sie möglicherweise mehr Zeit damit, einen hochentwickelten maschinellen Lernalgorithmus zu debuggen, den Sie kaum verstehen, anstatt sich auf grundlegende Probleme zu konzentrieren. Zum Beispiel könnte Ihr Supermarkt die Marke von Windeln, die Eltern möchten, nicht führen. Neue Eltern könnten Ihren Laden verlassen, weil sie die erwartete Marke nicht sehen, und Ihre Service-Level-Analyse oder Ihr KI-System wird Ihnen das nicht mitteilen.

Conor Doherty: Um das Ganze abzurunden, was würden Sie denjenigen sagen, die immer noch Befürworter von ABC XYZ sind, aber offen für den nächsten Schritt sind?

Joannes Vermorel: Ich würde ihnen raten, ihre Annahmen zu überdenken und ihre Visionen, die in ihre Anforderungen einfließen, in Frage zu stellen. Lassen Sie sich nicht von dem Argument der Tradition täuschen. Nur weil etwas seit Jahrzehnten gemacht wird, bedeutet das nicht, dass es immer noch relevant ist. Vor zwei Jahrhunderten war der wichtigste Job in Paris, Wasser in Eimern zu tragen. Das ist offensichtlich heute 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 überprüft werden. Wenn ich mit Menschen spreche, die ABC XYZ befürworten, ermutige ich sie, die Annahmen, die der Methode zugrunde liegen, in Frage zu stellen. Ich sage nicht, dass die Methode falsch ist, sondern dass die Argumentation und Vision, die der Methode zugrunde liegen, fehlerhaft oder veraltet sein könnten. Darauf sollten Sie sich konzentrieren.

Conor Doherty: Nun, wenn ich am Ende noch einen kleinen Gedanken hinzufügen darf, würde ich persönlich sagen, dass zwei scheinbar widersprüchliche Dinge gleichzeitig wahr sein können. Zum Beispiel haben Sie vielleicht ABC oder ABC XYZ jahrzehntelang verwendet und es hat für Sie funktioniert. Das kann wahr sein, aber das sagt nichts über die Aussage aus, dass es bessere Methoden gibt. Es spricht tatsächlich nicht zur Richtigkeit der Methode. Also können zwei Dinge gleichzeitig wahr sein und das ist für manche Menschen schwer zu begreifen.

Joannes Vermorel: Das verstehe ich. Es ist eine Verwirrung von Faktoren und das ist überall. Denn die Realität ist, wenn Sie sagen, dass ABC oder ABC XYZ für Sie funktioniert hat, hinterfrage ich das. ABC XYZ gibt Ihnen nicht die endgültigen Nachbestellmengen. Das Problem ist, dass es danach noch andere Schritte gibt, um dorthin zu gelangen, und es können viele menschliche Urteile involviert sein. Wir begannen mit der Idee, nur den Filialleiter zu haben, der sich eine einzige Tabelle ansieht, mein Umsatzvolumen und was wähle ich für meine Produkte aus. Dann stecken wir in der Mitte dieser Matrix. Aber wenn Ihr Prozess darin besteht, eine ausgeklügelte Matrix zu erstellen, so zu tun, als wären Sie ein Wissenschaftler, vor Ihren Kollegen klug auszusehen, dann die Matrix zu verwerfen und zu Ihren alten Methoden zurückzukehren, könnten Sie sehr gut sagen, dass es für Sie sehr gut funktioniert hat.

Es könnte Ihrem Kollegen eine Begründung geben, es könnte Ihnen eine Art Illusion, eine Täuschung über Ihre eigene Arbeit geben, ob dieser Teil Ihrer Arbeit tatsächlich zu etwas beigetragen hat. Am Ende haben wir etwas ganz anderes gemacht, um zu der einzigen Entscheidung zu gelangen, die zählt, nämlich der endgültigen Bestandsentscheidung. Aufgrund der Tatsache, dass Lieferketten sehr komplex und undurchsichtig sind, können Sie viele Dinge dazwischen tun, die keinen Zweck erfüllen und scheinbar einen großen Zweck erfüllen.

Wenn Sie sich umschauen, gibt es viele primitive Stämme auf der Welt, die Rituale haben, um den Regen herbeizurufen. Ich glaube nicht, dass heutzutage viele Menschen sagen würden, dass Tanzen für den Regen das Wetter beeinflusst und den Ertrag Ihrer Ernte verbessert. Aber die Leute würden sagen: “Wir haben Tausende von Jahren für das Wetter getanzt, und dann gab es Regen, und dann hatten wir eine gute Ernte.”

Ja, das tun Sie, aber vielleicht gab es Schritte in dem, was Sie getan haben, die völlig nutzlos waren. Am Ende ist das es, was Sie wirklich bewerten müssen. Trägt dieser Schritt wirklich so viel zur Qualität der endgültigen Ausgabe bei, wie Sie denken, dass er es tut, was eine greifbare Entscheidung ist, nicht die Art von Artefakten, die Sie auf dem Weg entwickeln? Gibt es bessere alternative Methoden? Denn letztendlich, wenn Sie etwas haben, das für Sie funktioniert, im Sinne von, dass es überhaupt funktioniert, sind wir wieder beim Wassertragen in Eimern. Es funktioniert sicherlich, aber es gibt Alternativen, die enorm besser sind.

Conor Doherty: Nun, das ist genau das, worauf ich hinauswollte. Beides kann gleichzeitig wahr sein. Sie können Wasser in einem Eimer tragen, aber gleichzeitig könnten Sie es auch in einem Boot oder etwas wesentlich Größerem transportieren, sage ich. Aber nochmals, zwei Dinge können gleichzeitig wahr sein, und anzuerkennen, dass es oft Unklarheiten zwischen Konzepten oder die Unschärfe gibt, über die Sie oft sprechen, kann für Menschen schwierig sein.

Joannes Vermorel: Ja, und das ist genau das, was Sie ändern müssen. Wenn Menschen sagen: “Es hat für mich funktioniert”, bei diesen Praktiken, die ich in der Lieferkette sehe, müssen Sie wirklich hinterfragen, was sie mit “Es hat für mich funktioniert” meinen. Was bedeutet das? Das ist an sich keine falsche Aussage, aber wenn alles, was Sie sagen können, ist “es war irgendwie richtig”, reicht das nicht aus.

In einer modernen, verteilten Lieferkette, in der Ihre menschliche Wahrnehmung sehr begrenzt ist, könnte man sagen, dass die Gültigkeit dieser Aussage “Es hat für mich funktioniert” absolut nicht dieselbe ist, wenn Sie es mit einem kleinen System auf der einen Seite oder einer superkomplexen Lieferkette zu tun haben, die Sie nicht in ihrer Gesamtheit beobachten können. Nochmals, wenn es einen Filialleiter gibt, der ein Regal verwaltet und sagt: “Sie wissen, es sieht gut für mich aus. Ich schaue mir dieses Regal an und sage, dass dies genau das ist, was meine Kunden wollen”, würde ich Ihrem Urteil vertrauen. Das liegt daran, dass es etwas ist, das vor Ihnen liegt, Sie haben ein Gefühl für das System. Sie können sich in die Schuhe Ihrer Kunden versetzen. Sie nutzen Ihre Empathie, schauen Sie sich das an. Sie haben alle relevanten Informationen direkt vor sich. Sie können ein Werturteil abgeben, und dieses Urteil ist höchstwahrscheinlich relativ vernünftig, vorausgesetzt, die Person handelt in gutem Glauben und so weiter. Ist dies jedoch die Art von Situation, der Sie in Lieferketten gegenüberstehen?

Ich würde sagen, normalerweise überhaupt nicht. Die typische Situation in der Lieferkette ist, dass Sie ein Büroangestellter tausend Kilometer vom Ort entfernt sind, an dem die Waren versendet und verbraucht werden. Sie schauen sich nicht das Regal an, sondern eine Excel-Tabelle. Sie haben Dutzende von Produkten, für die Sie nur die Produktcodes gesehen haben. Die meiste Zeit haben Sie die Produkte noch nie wirklich gesehen. Und selbst wenn Sie einige gesehen haben, haben Sie sicherlich nicht alle gesehen. Sie bedienen Kunden, die Sie nie gesehen haben, und die Daten werden von einem System präsentiert, das superkomplex ist und das Sie kaum verstehen, wie Ihr ERP und so weiter. Ihre Rationalität besteht darin, Ihre eigene menschliche Rationalität zu nutzen, um mit etwas umzugehen, das nur ein winziger, winziger Teil des Bildes ist.

Ich bezweifle sehr, wie viel man sagen kann, dass es funktioniert hat. Ich könnte mein eigenes Urteil verwenden, um Ihnen zu sagen, dass es funktioniert hat. Wenn es etwas ist, das sehr lokalisiert ist, wo Sie das Ganze sehen, würde ich sagen: “Ja, vielleicht können Sie mir nicht erklären, warum es funktioniert, aber ich vertraue Ihrem Urteil.” Wenn Sie etwas betrachten, das nicht einmal ein Prozent des Gesamten ausmacht, und Sie mir sagen, dass es funktioniert hat, sage ich nein. Sie sehen es nicht, es ist nur so, dass es das tut, was Sie gewohnt sind, in diesem einen Prozent zu sehen. Das ist, wenn Sie sagen, dass es funktioniert hat. Sie sagen nur, dass das, was Sie vor Ihren Augen haben, im Vergleich zu dem, was Sie für dieses eine Prozent des Puzzles gewohnt sind zu sehen, nicht abweicht.

Conor Doherty: Joannes, ich denke, wir haben heute eine enorme Menge an Informationen abgedeckt und ich habe keine weiteren Fragen. Vielen Dank für Ihre Zeit und vielen Dank fürs Zuschauen. Wir sehen uns das nächste Mal.