Supply Chain Wissenschaft und Technik
Warum Sicherheitsbestand unsicher ist
Sicherheitsbestände sind eine Methode der Lagerbestandsoptimierung, die eine zusätzliche Menge an Bestand über die erwartete Nachfrage hinaus vorsieht, um einen bestimmten Servicegrad aufrechtzuerhalten. Diese Methode stützt sich auf zentrale statistische Annahmen zur Nachfrageprognose, insbesondere darauf, dass der Fehler typischerweise normalverteilt ist.
Generationen des maschinellen Lernens
Maschinelles Lernen ist ein Überbegriff, der verschiedene algorithmische Ansätze umfasst. In der Supply Chain war die herkömmliche Methode, maschinelles Lernen anzuwenden, die Zeitreihenprognose. Dieser Ansatz wurde jedoch von einer Reihe überlegener Prognoseansätze abgelöst.
Warum Lieferzeiten fast immer unterschätzt werden
Die Lieferzeit 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 Lieferzeiten. Eine genaue Schätzung der zukünftigen Lieferzeiten 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.
Servicegrad gegen Auslieferungsrate
In der Supply Chain definiert der Servicegrad die Wahrscheinlichkeit, während des nächsten Bestellzyklus keinen Fehlbestand zu erleiden. Die Auslieferungsrate hingegen bestimmt den Anteil der Kundennachfrage, der ordnungsgemäß bedient wird. Servicegrade und Auslieferungsraten sind unterschiedlich und sollten nicht verwechselt werden.
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.