Supply Chain Wissenschaft und Technik
Die Min/Max-Bestandsmethode funktioniert nicht
Die Min/Max-Bestandsmethode definiert zwei Lagerbestandsniveaus: zum einen eine Auffüllungsschwelle, die als 'min' bezeichnet wird, und zum anderen ein Auffüllungsziel, das als 'max' definiert wird. Dennoch ist diese Methode, trotz ihrer Popularität, für die meisten modernen Supply Chains nicht geeignet.
Ist die Prognose von hohem Wachstum möglich?
Wachstum und allgemeine Trends müssen berücksichtigt werden, um präzise Nachfrageprognosen zu liefern. Allerdings erweist sich Wachstum als statistisches Muster als schwieriger und schwerer zu erfassen als andere bekannte Muster wie Saisonalität.
Wie man Saisonalität vorhersagt
Saisonalität ist eines der wichtigsten zyklischen Muster, das verwendet werden kann, um die Prognosegenauigkeit zu verbessern. Die meisten supply chain Prozesse weisen bis zu einem gewissen Grad Saisonalität auf. Nicht nur aufgrund der Nachfrage, sondern auch wegen der Lieferzeiten.
ABC-Analyse funktioniert nicht
Die ABC-Analyse ist eine weit verbreitete Methode zur Bestandkategorisierung, die in vielen supply chains eingesetzt wird. Ihr Ziel ist es, die Aufmerksamkeit des Managements dort zu priorisieren, wo es am wichtigsten ist. Dennoch weist diese Methode viele Mängel auf und kann nicht mehr als aktueller Stand der Technik betrachtet werden.
Modularisierung in supply chain
Während die physische Infrastruktur, die die meisten supply chains unterstützt, höchst modular ist, tendiert ihr Pendant in der Software-Infrastruktur, z. B. Systeme zur Bestandskontrolle oder Nachfrageprognose, dazu, monolithisch und spröde zu sein. Infolgedessen treten groß angelegte Ausfälle in der software supply chain weiterhin auf.
Vertriebs- und Operationsplanung (S&OP)
Sales and Operations Planning (S&OP) ist eine Unternehmenspraxis, die dazu dient, eine überlegene Supply-Chain-Ausführung zu ermöglichen, indem eine tiefere Abstimmung mit anderen Abteilungen jenseits der Supply Chain - vor allem Vertrieb, Finanzen und Produktion - erreicht wird. Trotz der Behauptungen mehrerer Anbieter, dass führende Unternehmen nach S&OP arbeiten, leiden die meisten Implementierungen unter ähnlichen Fehlern, die der Natur von S&OP inhärent sind.
Datenjobs in Supply Chain
Supply Chain Management (SCM)-Praktiken werden zunehmend datengetrieben und quantitativ. Neue Rollen haben sich entwickelt, wie zum Beispiel der Supply Chain Scientist. Unternehmen müssen strategische Entscheidungen darüber treffen, ob diese Kompetenzen intern entwickelt oder ausgelagert werden.
Datenanforderungen für die Supply-Chain-Optimierung
Die vorausschauende Supply-Chain-Optimierung basiert auf sorgfältig aufbereiteten Daten. Der Zweck dieser Daten ist zweifach: Erstens werden die historischen Supply-Chain-Daten verwendet, um die Prognosemodelle zu erstellen, zweitens werden die Daten, die den aktuellen Zustand der Supply Chain beschreiben, genutzt, um die Optimierung der Entscheidungen voranzutreiben.
Nachfrageprognose für neue Produkte
Neue Produkte verfügen nicht über eine Verkaufshistorie, die als Zeitreihe dargestellt werden kann. Daher funktionieren Zeitreihenprognosemodelle für neue Produkte nicht. Die Nachfrageprognose für neue Produkte erfordert alternative Prognosemodelle, die in der Lage sind, Daten – wie Produkteigenschaften – zu nutzen, die nicht als Zeitreihe vorliegen.
Angst vor Veränderungen in supply chain
Eine gute Supply Chain Management (SCM)-Praxis beinhaltet eine gesunde Portion Konservatismus, da die Kosten des Scheiterns tendenziell hoch sind. Dennoch ist es keine Option, jegliche Veränderung abzulehnen in einer Welt, in der Innovation Unternehmen, die den Anschluss verlieren, aus dem Geschäft drängt.
Software Frankensteinisierung in supply chain
Das Management von supply chains und deren Optimierung ist insbesondere aus softwaretechnischer Sicht äußerst herausfordernd. Die 'Software Frankensteinisierung' bezieht sich auf den technologischen Verfall, der die Unternehmenssoftware heimsucht, wenn sie im Laufe mehrerer Jahrzehnte ihrer eigenen Evolution gegenübersteht.
Probabilistische Prognosen für Supply Chains
Die Optimierung von Supply Chains beruht darauf, Einblicke in die Zukunft zu gewinnen. Klassische Vorhersagen ignorieren Unsicherheiten vollständig und nehmen an, dass die Prognose perfekt bekannt ist. Im Gegensatz dazu umfassen probabilistische Prognosen die Unsicherheit und spiegeln wider, dass die Optimierung von Supply Chains robust gegenüber unerwarteten Ereignissen bleiben sollte.