Supply Chain Wissenschaft und Technik
ZURÜCK ZU LOKAD TV ›
Blackboxing und Whiteboxing
Jedes nichttriviale Prognosemodell für die Nachfrage wird für supply chain practitioners zu einer Blackbox, also einem undurchsichtigen Teilsystem, das Zahlen produziert, die schwer zu verstehen und zu hinterfragen sind. Whiteboxing, als Teil der Supply Chain Management-Praxis, ist die Antwort auf dieses Problem. Die Praktiker müssen nicht das 'Wie' verstehen, sondern das 'Warum'.
Preisoptimierung und Supply Chain Management
Preisoptimierung wird in der Regel nicht als Teil der Supply Chain Management (SCM)-Praxis betrachtet. Dennoch ist Preisgestaltung ein Faktor, der die Kundennachfrage stark beeinflusst. Daher sind sowohl Produktionskapazitäten als auch Lagerbestände stark von Preisen abhängig und müssen gemeinsam optimiert werden.
Data Lakes in Supply Chain
Data lakes sind Datenspeichertechnologien, die für Batch-Lese- und -Schreibvorgänge vorgesehen sind. Sie eignen sich besonders gut zur Bewältigung von supply chain Herausforderungen, da in vielen Fällen die gesamte Historie der Bestellungen und Lagerbewegungen des Unternehmens überprüft werden muss.
POCs (Proofs Of Concept) funktionieren nicht für supply chains
Supply chains sind komplexe Systeme, die aus vielen beweglichen Teilen bestehen: Waren, Menschen, Maschinen. POCs (Proofs of Concept) scheitern routinemäßig, wenn versucht wird, Initiativen der Quantitative Supply Chain durchzuführen, weil Probleme verlagert werden, anstatt sie zu lösen.
Warum Sie LokadTV abonnieren sollten
Bleiben Sie über die neuesten Veränderungen in der supply chain-Branche auf dem Laufenden.
Terabyte Skalierbarkeit für supply chains
Die relevante Menge historischer Daten, wenn große supply chains betrachtet werden, übersteigt häufig ein Terabyte. Folglich erfordert die Bestandsverwaltung zwei unterschiedliche Arten von Software: transaktionale Software (z.B. ein ERP), um die Ressourcen zu verwalten, und prädiktive Software (z.B. Lokad), um die Ressourcen zu optimieren.
Warum Sicherheitsbestand unsicher ist
Sicherheitsbestände sind eine Methode der Lagerbestandsoptimierung, die eine zusätzliche Menge an Bestand über die erwartete Nachfrage hinaus vorsieht, um ein bestimmtes Service Level aufrechtzuerhalten. Diese Methode stützt sich auf zentrale statistische Annahmen zur Nachfrageprognose, insbesondere darauf, dass der Fehler typischerweise in der Verteilung normal verkehrt ist.
Generationen von Machine Learning
Machine learning ist ein Überbegriff, der verschiedene algorithmische Ansätze umfasst. In supply chain war die herkömmliche Methode, machine learning anzuwenden, die Zeitreihenprognose. Dieser Ansatz wurde jedoch von einer Reihe überlegener Prognoseansätze abgelöst.
Warum Durchlaufzeiten fast immer unterschätzt werden
Die Durchlaufzeit ist die Gesamtzeit, in der Regel in Tagen gemessen, die mit dem Bestandsauffüllungszyklus verbunden ist. Die Menge des Bestands, der für den Betrieb der supply chain benötigt wird, ist tendenziell ungefähr proportional zu den Durchlaufzeiten. Eine genaue Schätzung der zukünftigen Durchlaufzeiten ist entscheidend, um die benötigte Bestandsmenge exakt zu ermitteln, die zur Befriedigung der zukünftigen Nachfrage notwendig ist. Allerdings wird dieser fundamentale Faktor oft von Unternehmen übersehen, während der Fokus deutlich stärker auf der Prognose liegt.
Service Level gegen Fill Rate
Im supply chain definiert der service level die Wahrscheinlichkeit, während des nächsten Bestellzyklus keinen Fehlbestand zu erleiden. Die fill rate hingegen bestimmt den Anteil der Kundennachfrage, der ordnungsgemäß bedient wird. Service levels und fill rates sind unterschiedlich und sollten nicht verwechselt werden.
Die Min/Max-Bestandsmethode funktioniert nicht
Die Min/Max-Bestandsmethode definiert zwei Lagerbestandsniveaus: erstens einen Auffüllungsschwellenwert, der als 'min' bezeichnet wird, und zweitens ein Auffüllungsziel, das als 'max' bezeichnet wird. Trotz ihrer Beliebtheit ist diese Methode jedoch für die meisten modernen Lieferketten nicht geeignet.
Ist die Vorhersage von hohem Wachstum möglich?
Wachstum und allgemein 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.