Die Lokad Plattform

Auch wenn die die Quantitative Supply Chain Initiativen mit jeder Plattform und einer Programmiersprache durchgeführt werden können, wurde die Lokad Plattform präzise entwickelt, um diese Initiativen zu unterstützen. Lokad ist eine Plattform, die sich der Gestaltung und dem Rollout maßgeschneiderter supply chain predictive optimization apps widmet. Im Vergleich zu generischen Entwicklungstools liefert Lokad überlegene Produktivität, Zuverlässigkeit, Wartungsfreundlichkeit, Sicherheit - und nicht zuletzt - supply chain performance.

envision

Im Kern von Lokad liegt Envision, eine domänenspezifische Programmiersprache (DSL). Diese Sprache ist für supply chain Experten gedacht, nicht für Softwareingenieure. Unser Hauptziel ist es, die supply chain optimization in die Hände derjenigen zu legen, die über direkte Fachkenntnisse in diesem Bereich verfügen. Dadurch reduziert Lokad das Risiko von supply chain initiatives, indem es Vermittler zwischen Business und IT entfernt.

Durch Envision übertreffen wir die Fähigkeiten von APS (Advanced Planning Systems), die nur „advanced“ im Namen sind, BI (Business Intelligence) oder sogar spezialisierten forecasting toolkits bei weitem. Und nicht zuletzt liefert Lokad, im Vergleich zu generischen Programmiersprachen – wie Python – Apps, die sicherer und wartungsfreundlicher sind.

Jenseits von Tabellenkalkulationen

Excel ist das am weitesten verbreitete Werkzeug im Bereich supply chain. Bei Lokad erkennen wir an, dass Excel viele großartige Eigenschaften besitzt: Es ist einfach, ausdrucksstark, visuell und, am wichtigsten, mit Excel behält man jederzeit den Überblick über seine Daten. Excel hat den weltweiten Erfolg erreicht, den es verdient. Mit Envision haben wir hart daran gearbeitet, all diese hervorragenden Eigenschaften von Excel zu bewahren.

Allerdings ist Excel, was supply chain betrifft, ebenfalls nicht der Höhepunkt der Analytik. Die größte Stärke von Excel ist zugleich seine größte Schwäche: Die Berechnungslogik und die Daten verheddern sich systematisch, was unendliche Probleme verursacht, sobald die Tabellen wachsen. Dennoch sind große Excel-Tabellen in der supply chain meist unvermeidlich, wo in einem Unternehmen typischerweise hunderte oder sogar tausende Produkte anzutreffen sind.

Leider kann dieses Problem der Logik+Daten-Verwobenheit in Excel nicht behoben werden, da die „Lösung“ dem widersprechen würde, was Excel ursprünglich zu einem so großartigen Werkzeug macht. Daher haben wir bei Lokad beschlossen, Envision zu entwickeln, eine Technologie, die die wertvollen Eigenschaften von Excel in Bezug auf supply chain bewahrt, aber auch eine Skalierung auf hunderte Millionen Bestellungen oder SKUs unterstützt, falls dies erforderlich sein sollte.

Tabellenkalkulationen, nicht nur Excel, sind schlichtweg nicht ausgelegt für spezialisierte, aber wesentliche Berechnungen, die für die Optimierung von supply chain erforderlich sind. Zum Beispiel verfügen Tabellenkalkulationen (praktisch) über keine Funktion zur Verwaltung von probabilistic forecasts. Folglich stecken sie in einer „Drive-by-Averages“-Denkweise fest, die supply chain schadet. Ebenso bieten Tabellenkalkulationen (praktisch) keine Möglichkeiten zur Durchführung einer beschränkten Optimierung unter unsicheren Bedingungen. Infolgedessen werden selbst alltägliche Einschränkungen wie MOQs letztlich manuell von supply chain Praktikern gelöst.

Envision liefert spezialisierte Konstrukte – wie etwa eine Algebra zufälliger Variablen –, die für die predictive optimization von supply chain unerlässlich sind und in Tabellenkalkulationen schlichtweg nicht verfügbar sind. Apps, die mit Envision erstellt werden, sind zudem erheblich wartungsfreundlicher als Tabellenkalkulationen, die bei komplexen Problemen schlecht skalieren.

Nicht nur Daten beobachten, sondern auch handeln

Business Intelligence (BI)-Lösungen werden häufig als die nächste Stufe der Business Analytics nach Excel verkauft. Basierend auf Lokads jahrelanger Erfahrung sind wir jedoch zu dem Schluss gekommen, dass BI, was supply chain betrifft, nahezu immer die erwarteten Vorteile nicht realisiert. Das Problem liegt nicht in der Qualität der Business Intelligence-Tools: Der BI-Markt ist ausgereift und es gibt einige hervorragende Lösungen. Vielmehr besteht die Schwierigkeit darin, dass das bloße Beobachten von Daten zur Gewinnung von „Einblicken“ für Unternehmen, in denen tausende Produkte und tausende Kunden involviert sind, extrem kostenintensiv ist.

In supply chain scheitern BI-Tools an der Skalierbarkeit nicht, weil sie nicht in der Lage wären, alle verfügbaren Daten zu verarbeiten – im Gegensatz zu Excel können gute BI-Tools sehr große Datenmengen verarbeiten – sondern weil, obwohl täglich Millionen von Zahlen kostengünstig erzeugt werden, es, wie bereits erwähnt, äußerst schwierig ist, täglich nur zehn relevante Zahlen zu produzieren, die gelesen und beachtet werden. Trotz all seiner Mängel bringt Excel diese „anpackende“ Einstellung mit, während dies bei BI nicht der Fall ist.

Bei Envision war es uns ein Anliegen, diese „anpackende“ Perspektive vollständig zu bewahren. Envision dreht sich um den Bau von Apps. Zum Beispiel kann Envision priorisierte Aktionslisten erzeugen, wie etwa:

  • Liste der Top-Artikel, die zu einer niedrigen Bruttomarge gehalten werden sollen, um Wettbewerber unter Druck zu setzen
  • Erstelle die benötigten Mengen, um den nächsten zu bestellenden Container exakt zu füllen
  • Liste der Top-Artikel, die liquidiert werden müssen, um das Lager zu entrümpeln
  • Liste der Top-Artikel, die ständig von Kunden zurückgegeben werden und aus dem Sortiment genommen werden müssen

Die durch Envision generierten quantitativen Entscheidungen können dann automatisch in das ERP-System re-importiert oder als Tabellenkalkulationen heruntergeladen werden. Der genaue Umfang von Envision richtet sich ganz nach den obersten Prioritäten Ihres Unternehmens.

Ihr Unternehmen kann der Programmierbarkeit nicht entkommen

Envision ist eine Programmiersprache. Für die meisten, die keine Softwareentwickler sind, erscheint dies wahrscheinlich „sehr“ technisch; die meisten Führungskräfte, selbst in den größten Unternehmen, fragen sich, ob ihr Team in der Lage sein wird, mit einem so fortschrittlichen Werkzeug produktiv zu werden. Unsere Erfahrung zeigt, dass supply chain unweigerlich komplex ist. Wir haben erlebt, wie einige Anbieter Werkzeuge versprachen, die so einfach waren, dass sogar „ein 9-jähriges Kind sie benutzen könnte“, und letztlich Ergebnisse lieferten, die dem entsprachen, was ein tatsächliches „9-jähriges Kind“ erzielt hätte.

supply chain umfasst tausende Produkte, und oft noch viel mehr. Jeder Preis, jeder Lagerbestand, jedes Sortiment muss ständig angepasst werden. Es gibt keine Hoffnung, dies mit einem zufriedenstellenden Produktivitätsniveau zu erreichen, ohne all diese eintönigen Aufgaben zu automatisieren. Doch Automatisierung allein genügt nicht: Es muss eine intelligente Automatisierung sein, die eng mit Ihren spezifischen Geschäftstreibern abgestimmt ist. Der „programmierbare“ Teil ist es, der diese Abstimmung ermöglicht.

Sobald jemand in einem Tabellenkalkulationsblatt in Ihrer Organisation eine komplexe Formel erstellt, nutzt diese Person die programmatische Ausdruckskraft des Tabellenkalkulationsprogramms. Die Verrücktheit der Tabellenkalkulationen lässt sich nicht beseitigen, wenn die Teams keine bessere Alternative haben, um ihre Fachexpertise in die Systeme einzubringen. Envision ist genau als diese überlegene Alternative gedacht.

Jenseits von Python

Trotz der wachsenden Beliebtheit von Data-Science-Initiativen liegt die harte Realität darin, dass die überwältigende Mehrheit dieser Initiativen nicht ihre Erwartungen erfüllt. Genauer gesagt, während erste Prototypen häufig vielversprechend sind, scheitern diese Initiativen in der Regel daran, in die Produktion überzugehen. Im Gegensatz dazu wurde Envision mit Blick auf die Produktion in supply chain entwickelt, um genau diese Problemklassen so weit wie möglich zu mildern. Es gibt zwei grundlegende Ursachen für diese Misserfolge. Die Vor- und Nachteile aller Alternativen zu Envision zu diskutieren, wäre etwas mühsam, daher wird die Diskussion der Klarheit halber auf die Wahl zwischen Python und Envision beschränkt.

Erstens, Python erfordert Softwareingenieure. In der Tat, Python, wie jede vollwertige Programmiersprache, legt Tonnen technischer Feinheiten offen für jeden, der Code in Python schreibt. Von den Menschen zu erwarten, dass sie sowohl Experten in supply chain Engineering als auch in Softwareentwicklung sind, ist zu viel verlangt. Programmgesteuerte Fähigkeiten müssen für ein breites Spektrum technisch versierter Personen zugänglich sein und nicht nur für professionelle Softwareingenieure.

Zweitens, die Wartungskosten vorschneller Python-Prototypen steigen in die Höhe. Die Wartungskosten müssen unter Kontrolle gehalten werden. Python ist weit davon entfernt, hardwaremäßig schlank zu sein. Zudem ist das Lösen von supply chain optimization Problemen ein chaotischer Prozess: Die Daten aus vielen (mangelhaft) zuverlässigen Systemen müssen zuverlässig weitergeleitet werden, fehlerhafte und sich ständig ändernde Prozesse müssen dokumentiert und modelliert werden, die Optimierungsmetriken müssen eine Geschäftsstrategie widerspiegeln, die sich in einem stetigen Wandel befindet, usw. Python bietet nahezu keine Correctness-by-Design, um solche Bemühungen zu unterstützen.

Envision ist unsere Antwort auf diese Herausforderungen. Es brilliert in Weisen, die Python schlichtweg nicht zugänglich sind, nämlich:

  • Defense in depth, das verhindert, dass ganze Klassen von Sicherheitsproblemen entstehen, die immer dann auftreten, wenn eine allgemeine Programmiersprache verwendet wird.
  • Transparent performance, das verhindert, dass Programme, die in der Produktion unpraktisch langsam laufen würden, überhaupt erst geschrieben werden.
  • Transparent upgrade, so modern wie ein sich ständig bewegendes Ziel auch sein mag, sollten Updates automatisch bereitgestellt werden, typischerweise durch Hintergrund-Code-Überarbeitungen.
  • Packaged stack, bei dem die Last, Dutzende von Softwarestücken zusammenzustellen, selbst bei der Betrachtung der einfachsten App, entfällt.

Abschließend, obwohl Python großartig ist (das ist es auch), ist es keine befriedigende Lösung für supply chain optimization wie Envision. Der Aufbau und die Wartung einer produktionsreifen Machine-Learning-App in Python sind möglich, aber die Kosten sind hoch, und sofern Ihr Unternehmen nicht bereit ist, ein vollständiges Softwareentwicklungsteam ausschließlich für die Wartung dieser App bereitzustellen, wird sie in der Produktion nicht funktionieren.