Vorträge zu Supply-Chains

Nächster LIVE-Vortrag: 30. Juni, 15:00 Uhr, MEZ (Paris) - Auf YouTube sehen

Diese fortlaufende Vortragsreihe stellt die Grundlagen des Supply Chain Managements vor: die Herausforderungen, die Methoden und die Techniken. Ziel ist es, Unternehmen zu ermöglichen, eine bessere, Performanz ihrer Supply-Chain im „Echtbetrieb“ zu erreichen. Die in diesen Vorträgen vorgestellte Vision weicht von der etablierten Supply-Chain-Theorie ab und wird als quantitative Supply-Chain bezeichnet. Die Vorträge werden von Joannes Vermorel, CEO und Gründer von Lokad, gehalten. Die behandelten Themen werden anhand realer Lieferketten veranschaulicht, die Lokad im Auftrag ihrer Kunden betreibt.

Image

Zielgruppe: Diese Vorträge richten sich an alle, die sich die Verbesserung von Supply-Chains zum Ziel gesetzt haben, von erfahrenen Führungskräften bis hin zu Junior-Analysten und Studenten. Die Vorlesungen umfassen eine Reihe von „Crashkursen“, sodass die erforderlichen Vorkenntnisse minimal sind.

1. Vorwort
   1.1 Die Grundlagen der Supply-Chain
   1.2 Die Quantitative Supply Chain in Kürze
   1.3 Produktorientierte Lieferung
   1.4 Programmierparadigmen für die Supply-Chain
   1.5 Trends de 21. Jahrhunderts im Bereich Supply-Chain
   1.6 Die quantitative Prinzipien der Supply-Chains
2. Methoden
   2.1 Personas der Supply-Chains
      2.1.1 Paris - eine Modemarke mit einem Einzelhandelsnetz
   2.2 Experimentelle Optimierung
   2.3 Negatives Know-How
   2.4 Markterkundung nach dem Prinzip des Adversarial Market Research
   2.5 Für Supply-Chains schreiben
3. Personas
   3.1 Miami – MRO-Anbieter für Luftfahrt
   3.2 Amsterdam - eine Käsemarke
   3.3 Santa Clara - ein Zubehör-E-Commerce
   3.4 Stuttgart - ein KfZ-Teile-Händler
   3.5 Genf - ein Hersteller von langlebigen Luxusuhren
4. Hilfswissenschaften
   4.1 Moderne Computer
   4.2 Moderne Algorithmen
   4.3 Quantitative Ökonomie
   4.4 Rationalität und Wissenschaft
   4.5 Mathematische Optimierung
   4.6 Statistisches Lernen
   4.7 Programmierbare Umgebungen und Compiler
   4.8 Softwareentwicklung
   4.9 Unternehmenssoftware
   4.10 Unternehmensstruktur und Anreize
   4.11 Computer-Sicherheit
   4.12 Informationstheorie
   4.13 Psychologie
5. Prädiktive Modellierung
   5.1 Differenzierbares Programmieren
      5.1.1 Bedarfsprognose für Paris (keine Kannibalisierung)
      5.1.2 Differenzierbares Programmieren (DP) verstehen
      5.1.3 DP als Bürger erster Klasse in Envision
      5.1.4 Strukturelle Vorkenntnisse mit DP einbetten
      5.1.5 Affinität zwischen Kunden und Produkten bei Paris (in Richtung Kannibalisierung)
   5.2 Probabilistische Vorhersage
      5.2.1Deterministische vs. probabilistischen Vorhersage
      5.2.2 Genauigkeit der probabilistischer Vorhersagen
      5.2.3 Außerplanmäßige Reparaturen für Miami
      5.2.4 Algebra der Zufallsvariablen
   5.3 Probabilistische Programmierung
      5.3.1 Bedarfsprognose für Miami
      5.3.2 Generative Modelle
      5.3.3 Zustandsraummodelle mit Innovationen
   5.4 Intermezzo, Vorhersage überdenken
      5.4.1 White-Boxing
      5.4.2 Rückkopplungsschleifen
      5.4.3 Datenquellen außerhalb der Transaktionsdaten
      5.4.4 Manuelle Überschreibung der Prognose (Antipattern)
6. Finanzielle Optimierung
   6.1 Bestandsallokationen in den Paris -Filiane
   6.2 Diskrete univariate Entscheidungen
      6.2.1 Zedfuncs
      6.2.2 Stock-Reward-Funktion (Bestandsbelohnungsfunktion)
      6.2.3 Action-Reward-Funktion (Aktionsbelohnungsfunktion)
      6.2.4 Mindestbestellmengen (MOQs) und andere Bedingungen
   6.3 Wirtschaftstreiber
   6.4 Differenzierbares Programmieren (2. Runde)
      6.4.1 Auswahl von Preisnachlässen am Ende der Kollektion bei Paris
      6.4.2 Konkurrenzorientierte Preisbestimmung für Stuttgart
   6.5 Intermezzo, Optimierung überdenken
      6.5.1 Robotisierter Betrieb
      6.5.2 Optionen pflegen
      6.5.3 Wissen managen
7. Software-Infrastruktur
   7.1 Das Zuständigkeitsgefühl bei numerischen Rezepten
   7.2 Richtigkeit von Design aus
   7.3 Hardware mutualization und hardware miscibility
   7.4 Integrierter Stack zur Bereitstellung prädiktiver Anwendungen
   7.5 „Relational-first“ zur Vorbereitung, zum Lernen und Otimieren
   7.6 Breite Wartbarkeit
   7.7 Deep security
8. Taktische Ausführung
   8.1 Festlegung des Umfangs
   8.2 Teilnehmer und ihre Rollen
   8.3 Typischer Zeitplan eines Projekts
   8.4 Datenaufbereitung
      8.4.1 Aufbau der Datenpipeline
      8.4.2 Low-level and high-level data health (Datenzustand)
      8.4.3 Datenkontrolleure
   8.5 Produktivgang
   8.6 Die tägliche Routine
9. Strategische Ausführung
   9.1 Supply-Chain-Direkto einstellen
   9.2 Einstellen und Einarbeitung eines Teams
   9.3 Zusammenarbeit zwischen IT und Lieferkette
   9.4 Über S&OP hinaus
10. Negatives Know-How
   10.1 Schlechte Ausführung
      10.1.1 Giftige Klassiker
      10.1.2 Düstere UX und düstere Workflows
      10.1.3 Porzellan-Software
   10.2 Schlechte Führung
      10.2.1 Von Unentschlossenheit und Unwissenheit zu Angebotsaufforderung und Prototypen
      10.2.2 Umgekehrtes salomonisches Urteil
      10.2.3 Opfergaben an die Vorhersagegötter
   10.3 Pseudowissenschaft
      10.3.1 Vereinfachende Theorien, die ausgeklügelt wirken möchten
      10.3.2 Obskure Theorien zur Einweihung


1. Vorwort

1.1 Die Grundlagen der Supply-Chain

Die Supply-Chain stellt die quantitative und raffinierte Beherrschung der Optionalität bei Variabilität und Bedingungen im Zusammenhang mit dem Fluss physischer Güter dar. Es umfasst Beschaffung, Einkauf, Produktion, Transport, Vertrieb, Aktionen, etc. Dabei liegt der Fokus vielmehr in der Schaffung und Auswahl von Optionen, als im direkten Management der zugrunde liegenden Abläufe. Wir werden sehen, wie die in dieser Reihe vorgestellte „quantitative“ Supply-Chain-Perspektive grundlegend von der etablierten Lieferkettentheorie abweicht.

Literaturhinweis (Bücher):
  • Inventory Management and Production Planning and Scheduling, Edward A. Silver, David F. Pyke, Rein Peterson, 1998
  • Fundamentals of supply chain theory, Lawrence V. Snyder, Zuo-Jun Max Shen, 2011

1.2 Die Quantitative Supply Chain in Kürze

Das Quantitative Lieferkettenmanifest bietet eine kurze Liste herausragender Punkte, die veranschaulichen, wie diese von Lokad vorgeschlagene und vorangetriebene, alternative Theorie von der etablierten Lieferkettentheorie abweicht. Zusammenfassend könnte man sagen: Bei jeder Entscheidung wird jedes Zukunftsszenario anhand der Wirtschaftstreiber bewertet. Diese Perspektive kristallisierte sich nach und nach bei Lokad heraus, als die Umsetzung der etablierten Lieferkettentheorie (fast?) alle Software-Anbieter vor Herausforderungen stellte.

1.3 Produktorientierte Lieferung

Das Ziel eines Projekts im Bereich der quantitativen Supply-Chain ist die Herstellung oder die Verbesserung einer Softwareanwendung, die bestimmte Routineentscheidungen (z. B. Lagerauffüllung, Preisaktualisierungen) robotisiert. Die Anwendung wird hierbei als ein zu entwickelndes Produkt betrachtet. Während sich die etablierte Supply-Chain-Theorie in Unternehmen nur schwer durchsetzen kann, konnte sich ein Tool, nämlich Microsoft Excel, an hohem Erfolg erfreuen. Die Wiedereinführung der numerischen Rezepte der etablierten Supply-Chain-Theorie über Kalkulationstabellen mag belanglos sein, dennoch ist dies nicht, was in der Praxis geschieht, obwohl die Theorie bekannt ist. Wir zeigen, dass Kalkulationstabellen durch die Einführung von Programmierparadigmen, die bessere Ergebnisse für die Supply-Chain lieferten, gewonnen haben.

Literaturhinweis (Buch):
  • Joel on Software: And on Diverse and Occasionally Related Matters That Will Prove of Interest to Software Developers, Designers, and Managers, and to Those Who, Whether by Good Fortune or Ill Luck, Work with Them in Some Capacity, Joel Spolsky, 2004

1.4 Programmierparadigmen für die Supply-Chain

Die prädiktive Optimierung von Supply-Chains erfordert spezifische Programmierparadigmen. Während der „programmatische“ Blickwinkel durch ein fertiges Softwareprodukt nicht vermieden werden kann (vgl. vorherigen Vortrag), gehen herkömmliche Programmieransätze mit unbeabsichtigten Schwierigkeiten einher, die Supply-Chain-Projekte gefährden. Wir stellen eine Reihe von Programmierparadigmen vor, die besonders gut für reale Supply-Chains geeignet sind. Dieser Vortrag wird anhand von Envision, der DSL (Domain-Specific Programming Language bzw. anwendungsspezifische Programmiersprache), veranschaulicht. Diese Sprache ist der Optimierung von Supply-Chains gewidmet und wurde von Lokad auf Grundlage der genannten Programmierparadigmen entwickelt.

Literaturhinweis (Buch, das am Ende des Vortrags in der Fragerunde genannt wird):
  • Dynamic Supply Chains: How to design, build and manage people-centric value networks, John Gattorna, 2015

1.5 Trends de 21. Jahrhunderts im Bereich Supply-Chain

In den letzten Jahrzehnten haben einige bedeutende Trends die Entwicklung der Supply-Chains dominiert und somit auch die Herausforderungen, denen sich Unternehmen stellen müssen, neu gestaltet. Manche Schwierigkeiten wurden weitestgehend behoben, wie etwa physische Gefahren und Qualitätsprobleme. Andere haben wiederum an Bedeutung gewonnen, wie die allgemeine Komplexität und die Wettbewerbsintensität. Dabei wirken sich Software-Lösungen besonders auf die Neugestaltung der Supply-Chains aus. Ein schneller Überblick über diese Trends hilft uns, ein Gefühl dafür zu bekommen, was den Kern einer Supply-Chain-Theorie darstellen sollte.

Literaturhinweis (Paper, das am Ende des Vortrags in der Fragerunde genannt wird):


1.6 Die quantitative Prinzipien der Supply-Chains

Obwohl Supply-Chains im Gegensatz zu Elektromagnetismus nicht durch endgültige quantitative Gesetze definierbar sind, lassen sich einige allgemeine quantitative Prinzipien erkennen. Mit „allgemein“ meinen wir solche Prinzipien, die sich auf (fast) alle Supply-Chains übertragen lassen. Die Erkennung solcher Prinzipien ist von großem Interesse, da sie zur Entwicklung numerischer Lösungen für die prädiktive Optimierung von Supply-Chains genutzt werden können. Gleichzeitig dienen sie aber auch dazu, diese Lösungen robuster zu gestalten. Wir befassen uns hier mit zwei kurzen Prinzipienlisten: einige Prinzipien zur Beobachtung und einige zur Optimierung.

2. Methoden

Theorie und Praxis im Bereich Supply-Chain müssen wissenschaftlich fundiert sein, also von wissenschaftlichen Methoden unterstützt werden. So hat es in den letzten drei Jahrhunderten jeder Bereich geschafft, durch eine geeignete, experimentelle Praxis den fantastischen Fortschritt zu erfahren, den wir als „Wissenschaft“ erkannt haben. Supply-Chains jedoch haben diese Entwicklung, zumindest noch nicht, durchlaufen. Schuld daran, zumindest teilweise, sind ungeeignete experimentelle Methoden. Aufgrund der natürlichen Eigenschaften von Lieferketten sind geeignete Methoden erforderlich, die wir in diesem Kapitel erörtern.

2.1 Personas der Supply-Chains

Im Bereich Supply-Chain stellt eine „Persona“ ein fiktives Unternehmen dar. Auch wenn das Unternehmen fiktiv ist, zielt der fiktive Charakter drauf ab, Aspekte, die aus der Supply-Chain-Perspektive besondere Aufmerksamkeit verdienen, in den Vordergrund zu rücken. Dabei wird die Persona jedoch nicht idealisiert. Die Herausforderungen, vor denen sie steht, werden nicht vereinfacht. Ganz im Gegenteil. Dies soll die schwierigsten Aspekte einer Situation veranschaulichen. Solche, die bei jeglichen Versuchen einer quantitativen Modellierung bzw. eines Projekts zur Verbesserung der Supply-Chain Problemstellen bilden. Bei Fallstudien rund um die Lieferkette treten, wenn eine oder mehrere Parteien genannt werden, schwere Interessenkonflikte auf. So haben Unternehmen und deren Anbieter (für Software und Beratung) ein großes Interesse daran, das Ergebnis in einem positiven Licht zu präsentieren. Außerdem wirken sich auf Supply-Chains in der Realität zufällige Bedingungen, die nichts mit der Qualität ihres Betriebs zu tun haben, sowohl positiv als auch negativ aus. Diese Personas der Supply-Chains bieten eine methodische Lösung solcher Probleme.

Literaturhinweise:
  • An introduction to the study of Experimental Medicine (englische Version), (französische Originalversion), Claude Bernard, 1865
  • The Phoenix Project: A Novel about IT, DevOps, and Helping Your Business Win, Gene Kim, Kevin Behr, George Spafford, 2013
  • Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, 2018

2.1.1 Paris - eine Modemarke mit einem Einzelhandelsnetz

Paris ist eine fiktive europäische Modemarke, die ein großes Einzelhandelsnetz betreibt. Die Marke richtet sich an Frauen und ist relativ erschwinglichen Marktsegment platziert. Während die Designlinie eher klassisch und nüchtern ist, stellt Neuheit seit jeher die treibende Kraft des Unternehmens dar. So werden jährlich über mehrere Kollektionen Wellen neuer Produkte eingeführt. Dabei besteht eine der zentralen Herausforderungen darin, das richtige Produkt, zum richtigen Zeitpunkt, zum richtigen Preis und in der richtigen Menge zu vertreiben.

2.2 Experimentelle Optimierung

Ganz im Gegenteil zum simplen kartesischen Ansatz, bei dem die Optimierung allein aus der Optimierung einer gegebene Score-Funktion bestehen würde, erfordert die Lieferkette einen iterativen Prozess. Jede Iteration dient dazu, „unsinnige“ Entscheidungen zu identifizieren, die unter die Lupe und in Angriff genommen werden sollen. Die Ursache liegt häufig in unpassenden Wirtschaftstreibern, die im Hinblick auf ihre unbeabsichtigten Folgen neu bewertet werden müssen. Der iterative Prozess ändern sich, wenn die numerischen Rezepte keine unsinnigen Ergebnisse mehr liefern.

Literaturhinweise:
  • The Logic of Scientific Discovery, Karl Popper, 1934

2.3 Negatives Know-How

Antipatterns sind das Stereotyp einer Lösung, die gut aussieht, aber in der Praxis nicht funktionieren. Die systematische Untersuchung von Antipatterns wurde in den späten 1990er Jahren im Bereich des Software-Engineering vorangetrieben. Wenn anwendbar, sind Antipatterns den rohen negativen Ergebnissen überlegen, da sie leichter zu merken und zu verstehen sind. Die Antipattern-Perspektive ist von höchster Relevanz für die Lieferkette und sollte als eine der Säulen für das negative Know-how um das Thema betrachtet werden.

Literaturhinweise:

2.4 Markterkundung nach dem Prinzip des Adversarial Market Research

Moderne Supply-Chains hängen von einer Vielzahl von Softwareprodukten ab. Daher ist die Wahl des richtigen Anbieters lebenswichtig. Da die Anzahl an Anbietern jedoch groß ist, müssen Unternehmen bei diesem Unterfangen systematisch vorgehen. Die herkömmliche Marktforschung setzt mit guten Absichten an, liefert dennoch stets schlechte Ergebnisse, da Marktforschungsunternehmen am Ende als Marketingkatalysatoren für die Unternehmen fungieren, die sie analysieren sollen. Die Hoffnung, dass eine unvoreingenommene Forschungsfirma auftaucht, ist fehl am Platz. Die Beurteilung nach dem „Vendor-on-Vendor-Prinzip“ ermöglicht jedoch auch einem voreingenommenen Marktforschungsunternehmen, unvoreingenommene Ergebnisse zu erzielen.

Literaturhinweise:
  • Epistemic Corruption, the Pharmaceutical Industry, and the Body of Medical Science. Sergio Sismondo, 2021 (text)
  • Influence: The Psychology of Persuasion. Robert B. Cialdini, 1984
  • Procurement Guidance, Conflict of Interest, The World Band, 2020 (PDF)

2.5 Für Supply-Chains schreiben

In Supply-Chains geht es um die Koordination großer Teams. In diesem Zusammenhang sind schriftliche Unterlagen das A und O. Moderne Supply-Chains sind einfach nicht mit mündlichen Überlieferungen vereinbar. Dennoch schneiden Supply-Chain-Fachkräfte oft schlecht ab, was ihre schriftlichen Kommunikationsfähigkeiten betrifft. Wir nehmen hier die Ergebnisse von Usability-Studien und die Aussagen namhafter Experten zu diesen Themen unter die Lupe. Supply-Chain-Projekte, anhand des experimentellen Optimierungsansatzes betrieben werden, müssen gründlich dokumentiert werden. Die Formeln und der Quellcode beantworten die Fragen „Was?“ und „Wie?“, jedoch nicht „Warum?“. Die Dokumentation muss sicherstellen, dass Supply-Chain-Scientists das Problem, vor dem sie stehen, verstehen. Mit der Zeit wird diese Dokumentation zum Schlüssel, um einen reibungslosen Übergang von einem Supply-Chain-Scientist zum nächsten zu gewährleisten.

Literaturhinweis:
  • The Elements of Style (First Edition), William Strunk Jr, 1918
  • F-Shaped Pattern For Reading Web Content, Jakob Nielsen, 2006 (text)

3. Personas

Eine Reihe von „Supply-Chain-Personas“ nach der im vorangehenden Vortrag definierten Methodik.

3.1 Miami – MRO-Anbieter für Luftfahrt

Miami ist ein fiktiver MRO-Anbieter (Wartung, Reparatur und Betrieb) im Bereich Luftfahrt, der in den USA niedergelassen ist und eine große Flotte von Verkehrsflugzeugen bedient. In der Luftfahrt hat Sicherheit höchste Priorität. Teile und Komponenten müssen routinemäßig kontrolliert und potentiell repariert werden. Miami ist dafür zuständig, Flugzeuge jederzeit einsatzbereit zu halten und AOG-Fälle (aircraft on ground) zu vermeiden. Zu solchen Fällen kommt es, wenn ein für die Wartung erforderliches Teil nicht vorhanden ist.

3.2 Amsterdam - eine Käsemarke

Amsterdam ist ein erfundenes Unternehmen, das im Bereich der sog. Schnelldreher tätig ist und sich auf die Herstellung von verschiedenen Sorten von Käsen, Sahne und Butter spezialisiert hat. Es handelt unter vielfältigen Marken in mehreren Ländern. Dabei müssen viele entgegengesetzte Unternehmensziele gegeneinander austariert werden: Qualität, Preis, Frische, Abfallprodukte, Vielfalt, Lage, usw. Von Design aus stellen die Milcherzeugung und die Aktionen im Einzelhandel das Unternehmen vor schwierige Entscheidungen, was Angebot und Nachfrage betrifft.

3.3 Santa Clara - ein Zubehör-E-Commerce

Noch unbekannt

3.4 Stuttgart - ein KfZ-Teile-Händler

Noch unbekannt

3.5 Genf - ein Hersteller von langlebigen Luxusuhren

Noch unbekannt

4. Hilfswissenschaften

Die Beherrschung der Supply-Chains stützt sich auf viele weitere Bereiche. Auch wenn die Supply-Chain-Theorie häufig als ein Teil der angewandten Mathematik dargestellt wird, ist dies irreführend. Solche Crashkurse sin dazu gedacht, das Hintergrundwissen für eine durchdachte Supply-Chain in der Praxis vermitteln. Eine solche Supply-Chain kann und sollte nicht auf eine Reihe von "Modellen" reduziert werden.

4.1 Moderne Computer

Für den Betrieb moderner Supply-Chains sind Rechenressourcen ebenso notwendig wie Strom für motorisierte Förderbänder. Dennoch läuft man leistungsschwachen Supply-Chain-Systemen ständig über den Weg, obwohl die Rechenleistung von Computern seit 1990 um mehr als das 10.000-fache gestiegen ist. Eine Erklärung dafür findet man im mangelnden Verständnis der grundlegenden Eigenschaften moderner Rechenressourcen – selbst in IT- oder Data-Science-Kreisen. Das Software-Design, das den numerischen Rezepten zugrunde liegt, sollte mit dem Grundgerüst, was die Rechnerleistung betrifft, harmonieren.

4.2 Moderne Algorithmen

Die Supply-Chain-Optimierung stützt sich auf die Lösung verschiedener nummerischer Probleme. Algorithmen sind stark kodifizierte numerische Rezepte, die die Lösung konkreter Berechnungsprobleme zum Ziel haben. Dabei liefern überlegene Algorithmen auch bessere Lösung, bei denen weniger Rechenressourcen verbraucht werden. Zusätzlich kann die Leistung der Algorithmen, teilweise um einige Größenordnungen, verbessert werden, wenn man sich auf die Besonderheiten von Supply-Chains konzentriert. Solche „Supply-Chain-Algorithmen“ müssen sich auch das Design moderner Computer zu eigen machen, das in den letzten Jahrzehnten deutlich weiterentwickelt wurde.


4.3 Quantitative Ökonomie

Die Gesetze der Ökonomie sind nicht annähernd so stark oder einheitlich wie die der Physik. Dennoch wird das Umfeld, in dem Supply-Chains betrieben werden, davon zutiefst geprägt. Diese Gesetze liefern nämlich Vorkenntnisse, die sich bei der quantitativen Modellierung von Lieferketten als sehr nützlich erweisen. Gleichzeitig erklären sie auch, warum bestimmte Methoden zwar aus mathematischer Sicht verlockend, jedoch für Supply-Chains untauglich sind.

4.4 Rationalität und Wissenschaft

Komplexe Probleme verdienen eine eingehende Betrachtung im Maße der wissenschaftlichen Möglichkeiten. Es ist eine positive rationale Methodik erforderlich. Strenger Formalismus, in akademischen Kreisen weit verbreitet, ist nichts als naiver Rationalismus. Eine „visionäre“ Perspektive, mit der unzählige Anbieter von „Lösungen“ werben, birgt die Gefahr, dass es sich lediglich um „attraktive aber leere Versprechen“ handelt. Diese Probleme werden durch die Natur von Supply-Chains verschärft, in denen sich die Ergebnisse nur schwer reproduzieren lassen. Doch Lieferketten sind nicht die erste Disziplin, die mit solchen Problemen zu kämpfen hat. Sehen wir uns genauer an, wie die Erkenntnistheorie den Sonderfall des Wissens um Supply-Chains in ein neues Licht stellt.

4.5 Mathematische Optimierung

Mathematische Optimierung bezeichnet den Prozess, durch den eine mathematische Funktion minimiert wird. Fast alle modernen statistischen Lerntechniken – d. h. Prognosen, wenn wir eine Supply-Chain-Perspektive einnehmen – beruhen grundsätzlich auf numerischer Optimierung. Wenn die Prognosen einmal erstellt sind, stützt sich zudem die Erkennung der profitabelsten Entscheidungen im Kern ebenfalls auf numerische Optimierung. Diese Techniken werden wir im Folgenden ausgiebig nutzen.

4.6 Statistisches Lernen

Die Probleme, die im Zusammenhang mit Supply-Chains vorkommen, können als hochdimensionale Probleme im Bereich des statistischen Lernens betrachtet werden. Dieses Fachgebiet hat enorme Fortschritte gemacht, die „Data-Scientists“ weitgehend noch nicht ganz verstehen. Wir schauen uns dieses Gebiet genauer an, indem wir drei Paradoxe auflösen. Erstens müssen wir „wahrscheinlich annähernd“ richtige Aussagen über Daten machen, über die wir nicht verfügen. Zweitens müssen wir Probleme angehen, bei denen die Anzahl der Variablen die Anzahl der Beobachtungen deutlich übersteigt. Drittens kann die Lösung in Modellen liegen, in denen die Anzahl der Parameter die Anzahl der Variablen oder der Beobachtungen bei weitem übersteigt.

4.7 Programmierbare Umgebungen und Compiler

Die Mehrheit der Lieferketten wird immer noch über Kalkulationstabellen (d.h. Excel) betrieben, obwohl Unternehmenssysteme seit einem Jahrzehnt, zwei oder sogar drei im Einsatz sind, mit dem eigentlichen Ziel, die Tabellen zu ersetzen. In der Tat bieten Kalkulationstabellen eine zugängliche programmatische Ausdrucksfähigkeit, was die Systeme allgemein nicht tun. Generell ist seit den 1960er Jahren eine ständige gemeinsame Entwicklung der Softwareindustrie als Ganzes und ihrer Programmiersprachen zu beobachten. Nachweislich wird die nächste Stufe der Supply-Chain-Performance weitgehend von der Entwicklung und Einführung von Programmiersprachen bzw. von programmierbaren Umgebungen bestimmt werden.

4.8 Softwareentwicklung

Die Eingrenzung von Komplexität und Chaos sind die beiden Eckpfeiler der Softwareentwicklung. In Anbetracht dessen, dass Supply-Chains sowohl komplex als auch chaotisch sind, überrascht es wohl kaum, dass die meisten Probleme von Unternehmenssoftware im Zusammenhang mit Lieferketten auf eine schlechte Softwareentwicklung zurückzuführen sind. Die numerischen Rezepte, die zur Supply-Chain-Optimierung eingesetzt werden, sind Software und leiden somit an genau diesem Problem. Umso ausgeklügelter das numerische Rezept, desto ausgeprägter diese Probleme. Die richtige Entwicklung der Software hat für Supply-Chains denselben Stellenwert wie die Keimfreiheit in Krankenhäusern: allein betrachtet, macht sie keinen Unterschied – wie etwa die Behandlung von Patienten – aber ohne sie bricht alles zusammen.

4.9 Unternehmenssoftware

Die Anwendungslandschaft moderner Unternehmen hat tiefgreifende und oft kontraintuitive Auswirkungen auf die Möglichkeiten der Implementierung quantitativer Methoden, sowie deren Betrieb und Pflege. Die Idee, eine Supply-Chain-Theorie könne getrennt von den Eventualitäten der Wirtschaftsfaktoren, die die Märkte für Unternehmenssoftware antreiben, betrachtet werden, trifft in zweierlei Hinsicht nicht zu. Aus akademischer Sicht führt die dazu, dass Forschungsergebnisse im Zusammenhang mit Supply-Chains verschwendet werden, da man sich den Problemen nicht mit dem richtigen Ansatz nähert. Aus Unternehmenssicht – sowohl für Software-Käufer als auch für Software-Anbieter – führt es zu Supply-Chain-Techniken, die vom Design her nicht die angedachten Ergebnisse liefern.

4.10 Unternehmensstruktur und Anreize

Damit eine Lieferkette sinnvoll optimiert werden kann, müssen die Interessen des Unternehmens überwiegen – und zwar über die Interessen aller anderen Personen und Parteien, die an der Ausführung der Lieferkette mit beteiligt sind, also Mitarbeiter, Führungskräfte, Berater, Softwareanbieter, Hardwareanbieter usw. Somit wird der Optimierungsgrad, der überhaupt erreicht werden kann, vom Unternehmen selbst bedingt. Im Umkehrschluss bedeutet dies aber auch, dass das Unternehmen über eine Umgestaltung eine bessere Supply-Chain-Performance erreichen kann. Somit kann eine ordentliche Supply-Chain-Theorie, wie gesagt, nicht von dem (menschlichen) Umfeld, in dem sie betrieben wird, losgelöst werden.

4.11 Computer-Sicherheit

Die Cyberkriminalität nimmt zu. Ransomware ist ein boomendes Geschäft. Aufgrund ihrer geographischen Ausbreitung sind Lieferketten besonders gefährdet. Außerdem stellt die Komplexität ihrer Umgebung einen fruchtbaren Nährboden für Computer-Sicherheitsprobleme dar. Computersicherheit ist vom Design her kontraintuitiv. Sie stützt sich nämlich auf denselben Blickwinkel, den Angreifer zur Erkennung und Ausnutzung von Lücken einnehmen. Dabei kann das Risiko je nachdem, welche Art von numerischen Rezepten an der Lieferkettenoptimierung beteiligt sind, erhöht oder verringert werden.

4.12 Informationstheorie

Bei der Vorhersage werden historische Daten, eine Art von Information, in Prognosedaten, eine andere Art von Information, umgewandelt. Die „Informationsmenge“ der Prognosen kann demnach nicht größer sein als die der ursprünglichen Daten, denn die Prognoselogik wandelt die Daten lediglich um. Die Informationstheorie liefert dabei tiefe Einblicke in die Natur der eigentlichen Information. Insbesondere hat sich die Informationsentropie als wichtiges Werkzeug zur Beurteilung der „Tiefe“ der Daten erwiesen, die für die Supply-Chain-Optimierung genutzt werden können.

4.13 Psychologie

Noch unbekannt

5. Prädiktive Modellierung

Die richtige quantitative Vorausschätzung zukünftiger Ereignisse stellt den Kern jeder Supply-Chain-Optimierung dar. Der Einsatz von Zeitreihen für Prognosen kam im 20. Jahrhundert auf und hatte einen enormen Einfluss auf die meisten großen Supply-Chains. Die prädiktive Modellierung stammt dabei von den Zeitreihenprognosen ab, stellt aber gleichzeitig eine Abkehr von dieser Perspektive dar. Erstens behandelt die Modellierung eine deutlich vielfältigere Menge von Problemfällen. Zweitens wird aufgrund der Natur der Lieferkettenprobleme ein programmatisches Paradigma erforderlich. Drittens, sind auch probabilistische Prognosen erforderlich, da sich die Ungewissheit normalerweise nicht verringern lässt.

5.1 Differenzierbares Programmieren

Differenzierbares Programmieren (DP) ist ein generatives Paradigma zur Entwicklung einer breiten Art statistischer Modelle, die sich hervorragend für die Bewältigung von prädiktiven Problemen in der Supply-Chain eignen. DP stammt vom Deep Learning ab. Im Unterschied zum Deep Learning konzentriert es sich jedoch auf die Struktur von Lernproblemen. DP löst praktisch die gesamte „klassische“ Prognoseliteratur ab, die auf parametrischen Modellen basiert. DP ist auch den "klassischen" Algorithmen des maschinellen Lernens – bis in die späten 2010er Jahre – in praktisch allen Dimensionen überlegen, die für einen praktischen Einsatz im Bereich Supply-Chain von Bedeutung sind, einschließlich der einfachen Handhabung durch Fachkräfte.

5.1.1 Bedarfsprognose für Paris (keine Kannibalisierung)

Lassen Sie uns unser erstes Modell für eine Bedarfsprognose durch Differenzierbares Programmieren (DP) für die Persona Paris, das Modeeinzelhandelsnetz, erstellen. Der Vortrag wird durch einen Code veranschaulicht, der in Envision, der von Lokad entwickelten DSL (domänenspezifischen Programmiersprache) für die prädiktive Optimierung von Supply-Chains, geschrieben wurde. Da DP noch nicht formell eingeführt wurde, können einige Aspekte dieses Vortrags etwas schleierhaft erscheinen. Diese werden jedoch im nächsten Vortrag wieder aufgegriffen, sobald wir ein Gefühl für DP bekommen haben.

5.1.2 Differenzierbares Programmieren (DP) verstehen

DP ist ein Programmierparadigma, bei dem das Programm selbst zum Modell wird, das das Interesse aus der Lern- oder der Optimierungsperspektive bündelt. DP vereint die automatische Differenzierung und den stochastischen Gradientenabstieg. Auch wenn DP einschüchternd erscheinen mag, ist der Ansatz einfacher als die meisten Algorithmen des maschinellen Lernens. DP veranschaulicht den grundsätzlichen Wandel, den das maschinelle Lernen von „Programmen“ zu „Programmierparadigmen“ durchlebt hat.

5.1.3 DP als Bürger erster Klasse in Envision

In den letzten fünf Jahrzehnten hat jedes wesentliche Programmierparadigma die bestehenden Programmiersprachen auf die Probe gestellt: objektorientierte Programmierung, Garbage Collection, Late Binding ... DP stellt eine große Herausforderung für bestehende Programmiersprachen dar. Das von Lokad entwickelte Envision setzte dabei auf DP als Bürger erster Klasse, um dieses Paradigma auszuschöpfen. Wir klären einige syntaktische Aspekte von DP, wie sie in Envision implementiert sind.

5.1.4 Strukturelle Vorkenntnisse mit DP einbetten

Bis in die späten 1980er Jahre versuchte ein Teil der Gemeinschaft, die sich mit dem maschinellen Lernen beschäftigte – meist erfolglos –, Vorkenntnisse über Expertensysteme in „intelligente“ Software einzubetten, anstatt das Wissen direkt aus den Daten zu extrahieren. Drei Jahrzehnte später erzielte Deep Learning einen beachtlichen Erfolg über Faltungsschichten, die einen Mittelweg zu den Vorkenntnissen darstellen. Hierbei liefert der Experte die „Struktur“ zu dem, was aus den Daten zu lernen ist. Dieser Ansatz hat sich für Lieferketten als gut geeignet erwiesen, insbesondere wenn es um Dateneffizienz und White-Boxing geht.

5.1.5 Affinität zwischen Kunden und Produkten bei Paris (in Richtung Kannibalisierung)

Die rohe Transaktionshistorie, anhand derer Kunden und Produkte miteinander verbunden werden, bietet im Vergleich zur klassischen Perspektive der täglich/wöchentlich/monatlich aggregierten Zeitreihen eine größere Fülle an Daten zum Bedarf. Dies ist besser als einen zweiteiligen Zeitgraphen zwischen Kunden und Produkten zu sehen. Insbesondere findet durch diese Perspektive die ewige Frage nach dem „Ursprung“ des Bedarfs eine zufriedenstellendere Antwort. So werden durch DP die Techniken des Graphenlernens, wie etwa das kollaborative Filtern, (fast) trivialisiert. Gleichzeitig bietet es die Grundlage, um diese Ergebnisse für verschiedene Zwecke im Zusammenhang mit der Lieferkette zu nutzen, wie z. B. für die Planung, die Preisgestaltung oder die Optimierung des Sortiments.

5.2 Probabilistische Vorhersage

Eine Vorhersage wird als probabilistisch, statt als deterministisch, betrachtet, wenn sie eine Reihe von Wahrscheinlichkeiten zu allen möglichen Zukunftsszenarien enthält und sich nicht nur auf ein mögliches Ergebnis, das als "Vorhersage" dargestellt wird, beschränkt. Probabilistische Vorhersagen sind von Bedeutung, wenn sich die Ungewissheit nicht eingrenzen lässt, was praktisch bei jedem komplexen System der Fall ist. Für Supply-Chains sind probabilistische Vorhersagen wesentlich, um robuste Entscheidungen bei einer ungewissen Zukunft treffen zu können.

5.2.1Deterministische vs. probabilistischen Vorhersage

Die Optimierung von Supply-Chains stützt sich auf die korrekte Einschätzung künftiger Ereignisse. Numerisch betrachtet werden diese Ereignisse über Vorhersagen oder Prognosen eingeschätzt, die eine Vielzahl an nummerischen Methoden zur Quantifizierung von Zukunftsereignissen umfassen. Seit den 70-er Jahren ist die meist verbreitete Prognoseart die deterministische Zeitreihenprognose, bei der eine Menge, die eine Zeit lang gemessen wird, etwa der Bedarf an einem Produkt in Einheiten, in die Zukunft projiziert wird. Jedoch wird bei diesem Ansatz die Idee der Ungewissheit (praktisch) vollständig verworfen, während die probabilistische Vorhersage sich die Ungewissheit zu eigen macht.

5.2.2 Genauigkeit der probabilistischer Vorhersagen

Unabhängig davon, was letztendlich passiert, zeigt eine vernünftige probabilistische Vorhersage, dass die Wahrscheinlichkeit, dass dieses Ergebnis eintritt, in der Tat nicht gleich null ist. Das ist faszinierend, weil es auf den ersten Blick so aussehen mag, als wären probabilistische Vorhersagen realitätsfern – wie ein Wahrsager, der vieldeutige Prophezeiungen macht, die sich niemals als falsch erweisen können, da man im Nachhinein stets eine Erklärung über die richtige Interpretation der Prophezeiungen hervorzaubern kann. Tatsächlich gibt es mehrere Möglichkeiten, die Qualität einer probabilistischen Prognose quantitativ zu bewerten.

5.2.3 Außerplanmäßige Reparaturen für Miami

Ungeplante Reparaturen von Komponenten wirken sich erheblich auf die Wartungskosten von Flugzeugen aus. Jedoch wird eine naive Analyse des Problems weitgehend durch das sogenannte „Survivorship Bias“ (Überlebensirrtum) verzerrt. Denn die Historie der Komponentenreparaturen enthält die außerplanmäßigen Reparaturen, die nicht stattgefunden haben, nicht – nur diejenigen, die stattgefunden haben. Über DP können wir ein Fat-Tail-Modell für die außerplanmäßigen Reparaturen bereitstellen. Insbesondere werden wir veranschaulichen, dass die Idee der MTBUR (mittlere Zeit zwischen ungeplanten Ausbauten) eine ziemlich löchrige Abstraktion darstellt, da viele dieser Verteilungen nicht einmal einen gut definierten statistischen Mittelwert besitzen.

5.2.4 Algebra der Zufallsvariablen

Die Ungewissheit muss nicht nur geschätzt werden. Die probabilistischen Prognosen benötigen dedizierte Tools, um für Supply-Chains von Nutzen zu sein. Eine Algebra der Zufallsvariablen arbeitet typischerweise mit expliziten Wahrscheinlichkeitsdichtefunktionen. Die Algebra unterstützt die üblichen arithmetischen Operationen (Addition, Subtraktion, Multiplikation usw.), wobei im Kontext der probabilistischen Gegenstücke, Zufallsvariablen häufig als statistisch unabhängig behandelt werden. In diesem Vortrag wird anhand des Datentyps ranvar in Envision veranschaulicht, der eine effektive Algebra der Zufallsvariablen bietet, die auf die Lieferkette zugeschnitten ist.

5.3 Probabilistische Programmierung

Noch unbekannt

5.3.1 Bedarfsprognose für Miami

Noch unbekannt

5.3.2 Generative Modelle

Noch unbekannt

5.3.3 Zustandsraummodelle mit Innovationen

Noch unbekannt

5.4 Intermezzo, Vorhersage überdenken

Nun haben wir bereits eine kurze Reihe von Prognosemethoden eingeführt, oder besser gesagt, wir haben ein Programmierparadigma – differenzierbares Programmieren – zur maßgeschneiderten Erstellung von Methoden, die strukturell zum gegebenen Kontext passen, vorgestellt. Es ist ein guter Zeitpunkt, um einen Schritt zurückzutreten und die Ansätze zu Supply-Chain-Prognosen jenseits der technischen Aspekte der numerischen Rezepte selbst zu erkunden.

5.4.1 White-Boxing

Bei jedem nichttrivialen numerischen Rezept, das über die gleitenden Mittelwerte hinausgeht, sollte zu erwarten sein, dass es für Supply-Chain-Fachkräfte standardmäßig undurchsichtig ist. Doch wenn sie mit undurchsichtigen numerischen Elementen konfrontiert werden, sollten Supply-Chain-Fachkräfte den Ergebnissen, denen nicht zu trauen ist, wiedersprechen – was sie in der Praxis auch tun. Die Antwort auf dieses Problem ist White-Boxing. Dabei handelt es sich grundsätzlich um einen Prozess, der jedoch radikal vereinfacht werden kann, wenn die Software-Infrastruktur richtig konzipiert ist.

5.4.2 Rückkopplungsschleifen

Prognosen werden nicht in einem Vakuum erstellt, sie haben Folgen für die Lieferkette. Häufig wirken sich diese Folgen genau auf das Phänomen in der Lieferkette aus, das die Prognosen in erster Linie erfassen sollte. In der Praxis sind diese Rückkopplungsschleifen allgegenwärtig und doch werden sie zu häufig ignoriert. Einige Rückkopplungsschleifen haben positive Folgen für das Unternehmen (z. B. Effekte von selbsterfüllenden Prophezeiungen auf den Verkauf), andere nicht (z. B. verzögerte Käufe bis zum Abverkauf). In jedem Fall sollte die Prognosemethode versuchen, diese Effekte zu berücksichtigen.

5.4.3 Datenquellen außerhalb der Transaktionsdaten

Die Transaktionsdaten, wie sie in den Systemen des Unternehmens vorkommen, lassen sich im Zusammenhang mit der Optimierung der Lieferkette weitreichend nutzen. Diese Daten können jedoch manchmal durch „externe“ Datenquellen ergänzt werden, vor allem durch Daten aus der Wettbewerbsforschung. Einige Datenquellen lassen sich bekanntlich schwer für die Lieferkette nutzen. Wir prüfen die Vor- und Nachteile, die mit diesen Datenquellen einhergehen.

5.4.4 Manuelle Überschreibung der Prognose (Antipattern)

Aufgrund des mangelhaften Designs des Softwarestacks haben viele Unternehmen die Gewohnheit eingeführt, ihre Prognosen regelmäßig manuell zu überschreiben. Diese manuellen Überschreibungen schaden der Supply-Chain, weil sie sich nicht positiv auf die Bilanz auswirken. Die ganze Zeit, die für die Identifizierung der notwendigen Korrekturen und deren Anwendung aufgebracht wird, wäre besser in die Korrektur der zugrunde liegenden numerischen Rezepte investiert. Um manuelle Überschreibungen zu beseitigen, muss also zunächst die Ursachen des Problems beseitigt werden.

6. Finanzielle Optimierung

Eine der täglichen Aufgaben des Betriebs in einem Unternehmen besteht darin, Tausende (in großen Unternehmen Millionen) von Entscheidungen im Zusammenhang mit der Lieferkette zu treffen. Zu jeder Entscheidung gibt es Alternativen. Das Ziel der Supply-Chain-Optimierung ist, die rentabelsten Optionen in Anbetracht der ungewissen künftigen Bedingungen zu wählen. Dieser Prozess birgt zwei wesentliche Herausforderungen, die wir bisher noch nicht angesprochen haben: erstens die quantitative Bewertung der Rentabilität jeder Entscheidung und zweitens die Umsetzung der für Supply-Chain-Probleme geeigneten numerischen Optimierungsrezepte.

6.1 Bestandsallokationen in den Paris-Filiane

Lassen Sie uns unser erstes finanzielles Optimierungsmodell für die Lagerauffüllung auf Filialebene für die Persona Paris, das Modeeinzelhandelsnetzwerk, erstellen. Dieser Vortrag wird durch einen Code veranschaulicht, der in Envision, der von Lokad entwickelten DSL (domänenspezifischen Programmiersprache) für Diese prädiktive Optimierung von Supply-Chains, geschrieben wurde. Wir stellen das Schema der wirtschaftlichen Priorisierung vor und zeigen, wie es auch Problemen auf Lagerebene mit Nachdruck nachgeht.

6.2 Diskrete univariate Entscheidungen

Viele Supply-Chain-Entscheidungen stellen sich als diskrete, univariate Probleme dar – etwa die Entscheidung, welche Menge einer bestimmten SKU gekauft, transportiert, verpackt, verschrottet usw. werden soll. Aufgrund der Häufigkeit und Vielfalt solcher Entscheidungen ist es von Interesse, vielseitige Tools zu etablieren, die nicht nur eine bestimmte Variante des Problems in Griff bekommen, sondern ganze Problemkategorien.

6.2.1 Zedfuncs

In Envision ist der Datentyp zedfunc ein algebraisches Dienstprogramm, mit dem an „allen möglichen Entscheidungen“ auf einmal gearbeitet werden kann (univariater Fall). Er stellt das Gegenstück zum Datentyp ranvar dar, das im vorigen Kapitel eingeführt wurde und die Möglichkeit bietet, mit „allen möglichen Zukunftsszenarien“ zu arbeiten. Kombiniert mit Priorisierungstechniken legt die zedfunc Algebra den Grundstein für eine ganzheitliche finanzielle Optimierung von Supply-Chains.

6.2.2 Stock-Reward-Funktion (Bestandsbelohnungsfunktion)

Die Stock-Reward-Funktion kann als ein kleines mathematisches Gerüst betrachtet werden, mit dem eine probabilistische Bedarfsprognose mit 3 Wirtschaftstreibern für den Bestand (Bruttomarge, Stock-Out-Penalty und Lagerhaltungskosten) kombiniert werden kann, um das erwartete finanzielle Ergebnis jeder Lagerbestandsposition zu bewerten. Die Bestandsbelohnung wurde vor einigen Jahren von Lokad als überlegene Alternative zu den früher verwendeten simplen „Scoring-Methoden“ eingeführt.

6.2.3 Action-Reward-Funktion (Aktionsbelohnungsfunktion)

Die Action-Reward-Funktion ist der geistige Nachfolger der Stock-Reward-Funktion. Sie behandelt viele der ursprünglichen Einschränkungen der Stock-Reward-Funktion, wie z.B.: nicht-stationäre probabilistische Bedarfsprognosen, probabilistische Durchlaufzeiten, No-Regret-Perspektive, nicht wiederherstellbarer Verlust bei unerfülltem Bedarf, etc. Die Action-Reward-Funktion wurde ebenfalls von Lokad eingeführt, um die Vorteile der neueren Möglichkeiten zu nutzen, die prädiktive Modelle auf Grundlage von DP bieten.

6.2.4 Mindestbestellmengen (MOQs) und andere Bedingungen

Trotz seiner Einfachheit ist das Schema zur finanziellen Optimierung in der Lage, mit vielen nicht-linearen Bedingungen umzugehen, die in Supply-Chains gang und gäbe sind. Auf den ersten Blick war dies von einem „greedy“ algorithmischen Prozess nicht unbedingt zu erwarten. Wir zeigen, wie viele der gängigen Bedingungen rund um die MOQs mit geringem Aufwand berücksichtigt werden können. Dies hilft auch, die Natur des numerischen Optimierungsproblems in Supply-Chains in einem neuen Licht zu betrachten.

6.3 Wirtschaftstreiber

Die Leistung der Supply-Chain sollte finanziell bewertet werden und nicht durch Prozentzahlen, wie es üblicherweise gemacht wird (z.B. MAPE oder Service Levels). Die Optimierung von Prozentsätzen ist in zweierlei Hinsicht problematisch: erstens wegen der Illusion von Fortschritt und zweitens wegen der Bürokratie, die in diesem Kontext unweigerlich entsteht. Im Gegensatz dazu wird die finanzielle Bewertung so gestaltet, dass sie mit den strategischen Interessen des Unternehmens übereinstimmt. Insbesondere sollten die finanziellen Auswirkungen einer Entscheidung über die zugrunde liegenden wirtschaftlichen Faktoren aufgeschlüsselt werden.

6.4 Differenzierbares Programmieren (2. Runde)

Das Differenzierbare Programmieren (DP) stellt das Zusammentreffen der breiten Fachgebiete des statistischen Lernens und der numerischen Optimierung dar. Bisher wurde dieses Programmierparadigma auf statistische Lernprobleme angewandt. Nun betrachten wir, wie es auf numerische Optimierungsprobleme, wie sie in Supply-Chains vorkommen, angewendet werden kann.

6.4.1 Auswahl von Preisnachlässen am Ende der Kollektion bei Paris

Lassen Sie uns unser erstes Modell zur Auswahl von Preisnachlässen über DP für die Persona Paris, das Modeeinzelhandelsnetz, erstellen. Der Vortrag wird durch einen Code veranschaulicht, der in Envision erstellt wurde. Ziel ist es, den Bestand des Unternehmens bestmöglich zu nutzen und die Preisnachlässe so anzupassen, dass ein rechtzeitiger Ausverkauf zum Ende der Saison gewährleistet wird.

6.4.2 Konkurrenzorientierte Preisbestimmung für Stuttgart

Lassen Sie uns eine Konkurrenzorientierte Preisbestimmung über DP für die Persona Stuttgart, den Autoteilehändler, aufbauen. Der Vortrag wird durch einen Code veranschaulicht, der in Envision erstellt wurde. Ziel ist die Umsetzung einer Preisstrategie, die auf die Konkurrenz – die ebenfalls Daten aus der Wettbewerbsforschung einsetzt – geeignet reagiert.

6.5 Intermezzo, Optimierung überdenken

Wir haben einen kurzen Überblick über einige Optimierungstechniken vorgestellt, die einen Ansatz für sehr unterschiedliche Situationen in Supply-Chains bieten. Ähnlich wie bei der prädiktiven Modellierung nähern wir uns der Optimierung über Programmierparadigmen und nicht über spezifische numerische Rezepte an. Es ist wieder an der Zeit, einen Schritt zurückzutreten und unseren Horizont in Bezug auf die Optimierung zu erweitern.

6.5.1 Robotisierter Betrieb

Experten lediglich als menschliche Koprozessoren von ansonsten dysfunktionalen Unternehmenssystemen zu behandeln, stellt eine Verschwendung dar. Die Umsetzung der Supply-Chain-Strategie sollte darauf ausgerichtet sein, die Zeit der Experten effektiv zu nutzen und sie nicht lediglich zu verbrauchen. Die Robotisierung des ganzheitlichen Entscheidungsprozesses bildet den Schlüssel, um eine Supply-Chain zu erreichen, die sich positiv auf die Bilanz auswirkt. In der Tat stellt die Robotisierung das A und O dar, das Experten ermöglicht, sich auf die kontinuierliche Verbesserung der numerischen Rezepte zu konzentrieren, statt die Zeit mit der Erfindung von Notlösungen zu verschwenden.

6.5.2 Optionen pflegen

Die Optionen – Einkauf, Produktion usw. –, auf die sich das numerische Optimierungsrezept bezieht, sind nicht gesetzt, sondern wurden von jemandem erstellt oder ausgehandelt. Dementsprechend können diese Optionen unabhängig von der später stattfindenden Optimierung verbessert werden. Obwohl sich die Verbesserung der Optionen und die Verbesserung der numerischen Optimierung gegenseitig ergänzen, wird die erstere tendenziell vernachlässigt.

6.5.3 Wissen managen

Die historischen Daten, die das Unternehmen erhält, stellen das Ergebnis seiner vergangenen Entscheidungen dar. Die Entscheidungen prägen, was beobachtet werden darf und was nicht. Probiert man "riskante" Optionen aus, dient dies als Mechanismus, um mehr über den Markt zu erfahren. Dennoch muss ein Gleichgewicht gefunden werden, was die Höhe des Risikos betrifft, das man eingehen sollte. Dieses Problem ist als „exploration- vs. exploitation trade-off“ (Ausgleich zwischen der Erkundung und der Ausnutzung von neuem Wissen) bekannt und liegt im Mittelpunkt des Reinforcement Learning (Bestärkendes Lernen).

7. Software-Infrastruktur

Moderne Lieferketten leben und sterben aufgrund der Qualität ihrer Software-Infrastruktur. Die Definition einer „guten“ Software-Infrastruktur der IT zu überlassen, stellt das Patentrezept für endlose Produktionsprobleme dar. Dabei wird das Problem durch die Einführung von nicht-trivialen numerischen Rezepten, wie in den vorherigen Kapiteln bereits erwähnt, aufgrund ihrer eigenen internen Komplexität nur verstärkt. Die Software-Infrastruktur muss dabei Eigenschaften aufweisen, die für die Optimierung der Lieferkette geeignet sind.

7.1 Das Zuständigkeitsgefühl bei numerischen Rezepten

Die Beobachtung von Supply-Chains deutet darauf hin, dass die erfolgreiche Umsetzung von numerischen Rezepten stark davon abhängt, ob sich eine kleine Gruppe von Personen innerhalb der Organisation damit identifiziert und sich zuständig fühlt. In der Praxis läuft es darauf hinaus, dass die Software-Infrastruktur selbst größtenteils ein solches Zuständigkeitsgefühl für die numerischen Rezepte fördert oder verhindert. Aus dieser Perspektive ergeben sich erste Erkenntnisse über die wünschenswerten Eigenschaften der Software-Infrastruktur im Hinblick auf die Optimierung der Lieferkette.

7.2 Richtigkeit von Design aus

Im 21. Jahrhundert ist ein gut durchdachtes Design für praktisch jeden Gegenstand, den wir in unserem Zuhause haben, selbstverständlich. Doch wenn es um Software geht – insbesondere um „wissenschaftliche“ Software –, die zur Umsetzung numerischer Rezepte verwendet wird, ist das mangelhafte Design erstaunlich. Das Motto „move fast and break things“ mag für die Einführung einer Gaming-App die richtige Einstellung sein, ist aber für Supply-Chains, bei denen ein Versagen tendenziell äußerst kostspielig ist, keinesfalls geeignet.

7.3 Hardware mutualization und hardware miscibility

Die Supply-Chain-Optimierung unterscheidet sich in hohem Maße von ihrem Pendant, dem Supply-Chain-Management, durch den unregelmäßigen Bedarf an Rechenressourcen. Die Hardware- und Software-Paradigmen, die von den Cloud-Computing-Giganten ermöglicht wurden, haben sich als äußerst relevant für die Ziele der Supply-Chains erwiesen. Dabei steht bei der „hardware mutualization“ (Vergemeinschaftung von Hardware) eine dynamische Zuweisung von Ressourcen im Vordergrund. Während „hardware miscibility“ (Austauschbarkeit von Hardware) einen Ansatz unterstützt, bei dem eine Art von Ressourcen durch eine andere ausgetauscht werden kann.

7.4 Integrierter Stack zur Bereitstellung prädiktiver Anwendungen

Zuverlässigkeit, Rechenleistung, Produktivität und Business Performance. Ein sehr vielschichtiges Design stellt den schleichenden Tod jeder modernen Software dar, da es sich auf praktisch alle Bereiche, auf die es ankommt, negativ auswirkt: Das verschärft sich für die Supply-Chain noch mehr aufgrund der Komplexität des Umfelds auf Hardware- und Software-Ebene. Schlimmer wird es, je ausgefeilter die numerischen Rezepte werden, da diese dann umso mehr Schichten einführen. Die Lösung für Supply-Chains ist daher die Beseitigung von Schichten über die Stack-Integration.

7.5 „Relational-first“ zur Vorbereitung, zum Lernen und Otimieren

Praktisch die Gesamtheit aller Daten zu Supply-Chains sind hochstrukturierte relationale Daten. Daher überrascht es nicht, dass eine „gute“ Software-Infrastruktur diejenige ist, die aus einer relationalen Perspektive auf die Daten schaut. Das Paradigma des data frame stellt daher einen wichtigen Schritt in diese Richtung dar. Dieses Paradigma kann und sollte jedoch weit über eine einzelne Tabelle hinaus erweitert werden, um die meisten Situationen in Supply-Chains zu unterstützen. Darüber hinaus muss der „relational-first“-Ansatz auch die Aspekte des statistischen Lernens und der numerischen Optimierung der Software-Infrastruktur aufnehmen.

7.6 Breite Wartbarkeit

Die Wartbarkeit der Software ist für das Überleben einer Supply-Chain lebenswichtig. Dennoch haben sowohl Akademiker als auch Berater strukturelle Anreize, das Problem außer Acht zu lassen. Selbst Anbieter von Unternehmenssoftware können in Abhängigkeit ihrer Preisstruktur Anreize haben, das Problem weitgehend zu ignorieren. Leider kann die vom Design her ermöglichte Wartbarkeit nicht erst im Nachhinein aufgegriffen werden. Dabei verbessert eine Reihe von Designprinzipien die Wartbarkeit der Software-Infrastruktur erheblich.

7.7 Deep security

Auf Unternehmen gezielte Ransomware ist im Aufschwung. Betrachtet man die Ursache hierfür, gibt es kein Grund zu der Annahme, dass dieses Problem in den nächsten zwei Jahrzehnten verschwinden wird. Die Optimierung der Supply-Chain stellt einzigartige Herausforderungen in Bezug auf erforderliche programmatische Ausdrucksfähigkeit. Insbesondere ist die Dringlichkeit, die häufig mit alltäglichen Korrekturen der numerischen Rezepte verbunden ist, wie sie in der Lieferkette zu finden sind, nicht mit den üblichen Vorgehensweisen der Softwareindustrie zur Gewährleistung der Sicherheit der Software vereinbar. Die Lösungen finden sich erneut in der sicheren Gestaltung der Software-Infrastruktur.

8. Taktische Ausführung

Ein Projekt zur Verbesserung der Supply-Chain-Performance durch überlegene numerische Rezepte kann, wenn es erfolgreich ist, die Lieferkette selbst tiefgreifend verändern. Diese Perspektive ist jedoch mit zwei größeren Vorbehalten verbunden. Als erstes müssen die numerischen Rezepte vom Design her den Prozess erleichtern. Als zweites beeinfluss der Einführungsprozess der numerischen Rezepten die Rezepte selbst, was auf den ersten Blick ziemlich kontraintuitiv ist.

8.1 Festlegung des Umfangs

Der Umfang eines Projekts muss an eine simple, alltägliche Routineentscheidung gebunden werden. Häuft liegt der Fokus auf fabrizierten Zwischenergebnissen wie z.B. Prognosen, was aber ein Fehler ist. Darüber hinaus verdrängen lokale Lösungen in den Supply-Chains das Problem vielmehr als das sie es lösen. Ein zu breitgefasster Umfang ist jedoch auch schädlich. Der Umfang muss unter Berücksichtigung der damit verbundenen Kompromisse definiert werden.

8.2 Teilnehmer und ihre Rollen

Moderne Unternehmen sind unglaublich vielfältig. Dennoch findet man in fast allen starke organisatorische Gemeinsamkeiten, wie etwa das Bestehen einer gewissen Art von IT-Abteilung. Standardmäßig sin in einem Projekt die Rollen des Koordinators, des Data Officer, des Supply-Chain-Executive und des Supply-Chain-Scientist vertreten.

8.3 Typischer Zeitplan eines Projekts

In jeder Phase kann der menschliche Faktor zum Engpass werden – was auch so richtig ist. Vorausgesetzt, eine geeignete Software-Infrastruktur ist bereits vorhanden, hat die Zeitplanung eines Projekts zur quantitativen Lieferkette wenig mit der Technik zu tun. Ein komplexes Unternehmen kann nur eine bestimmte Anzahl an Veränderungen in kurzer Zeit verkraften, um das Risiko unter Kontrolle zu behalten. Unzulänglichkeiten in der Software-Infrastruktur bringen in der Regel den Zeitplan durcheinander, da die Komplexität dadurch erhöht wird.

8.4 Datenaufbereitung

Noch unbekannt

8.4.1 Aufbau der Datenpipeline

Die Aktualität der Daten ist von entscheidender Bedeutung, denn veraltete Daten entmutigen die Supply-Chain-Fachkräfte. Daher wird ganz unabhängig von der Größe des Projekts eine Datenpipeline benötigt und nicht nur eine reine Datenextraktion. Die Datenpipeline muss dabei die Produktionsdaten (mit ihren Macken) widerspiegeln und soll nicht versuchen, die Daten zu „reparieren“. Außerdem bietet dies die Gelegenheit, eine erste Datenqualifizierung durchzuführen, die sich auf die Semantik der Daten konzentriert.

8.4.2 Low-level and high-level data health (Datenzustand)

Über das Konzept des data-health oder Datenzustands versucht man festzustellen, ob die Daten für die im Bereich der Supply-Chain verfolgten Ziele geeignet sind. Dieser Ansatz weicht deutlich von der traditionellen Datenbereinigung und Datenaufbereitung ab. Das low-level data-health konzentriert sich auf die Erfassung der Probleme mit IT-Bezug, die typischerweise durch Probleme an den Systemgrenzen verursacht werden. Die high-level Daten konzentrieren sich auf die Erfassung der geschäftsspezifischen Probleme, die typischerweise durch eine Impedanz-Fehlanpassung zwischen der Geschäftsrealität und ihrer digitalen Erfassung in den Systemen entstehen.

8.4.3 Datenkontrolleure

Es sollte eine strikte Übereinstimmung zwischen den Inhalten des Bewertungssystemen (d. h. ERP, MRP, LVS usw.) und denen des prädiktiven Optimierungssystems hergestellt werden. Darüber hinaus sollten die Informationen zu aussagekräftigen Einheiten – Supply-Chains-„inspectors“ oder Kontrolleure genannt – zusammengefasst werden, die eine konsolidierte Sicht auf die wichtigsten Bestandteile innerhalb der Lieferkette (z. B. Produkte, Standorte, Kunden) usw. bieten.

8.5 Produktivgang

„Fail fast and break things“ ist nicht die richtige Einstellung, um das System zur Optimierung von Vorhersagen für die produktive Supply-Chain zu kalibrieren. Schlimmer noch: Wasserfall-Prozesse sind in der Praxis riskant, obwohl sie den Eindruck erwecken, die Risiken wären unter Kontrolle. Die Reduzierung der mit dem Produktivgang verbundenen Risiken hängt in erster Linie davon ab, ob die richtigen Prozesse von den richtigen Tools unterstützt werden.

8.6 Die tägliche Routine

Der Tag im Leben eines „klassischen“ Supply-Chain-Planers besteht hauptsächlich aus bürokratischen Aufgaben, die durch ein zweckmäßiges Design der numerischen Rezepte – wie sie von der quantitativen Supply-Chain gefördert werden – vollständig wegautomatisiert werden. Auch wenn eine überlegene Automatisierung die erforderlichen Manntagen für den Betrieb einer bestimmten Lieferkette drastisch reduziert, gibt es gewisse Arten von Abläufen, die zumindest in den nächsten Jahrzehnten nicht automatisierbar sein werden.

9. Strategische Ausführung

Supply-Chain zielt sowohl als praktisches Anwendungsfels als auch als Forschungsbereich darauf ab, das Unternehmen als Ganzes zu befähigen und ein Wettbewerbsvorteil dafür zu schaffen. Aus der Perspektive des Top-Managements dominieren zwei Aspekte: die Supply-Chain zu einem wertsteigernden Posten zu machen und bessere Wege zu finden, um den Betrieb zu führen. In der Praxis hängen die Ergebnisse meist von der Wahl der richtigen Teamplayer ab.

9.1 Supply-Chain-Direkto einstellen

Der Leiter der Supply-Chain hat eine Aufgabe: die Lieferkette so wertschöpfend wie möglich für das gesamte Unternehmen zu gestalten. Erstens muss diese Person dem Arbeiten mit Notlösungen, sofern dies Usus ist, ein Ende setzen, da es kapitalistische Verbesserungen verhindert. Zweitens muss diese Person in der Lage sein, ein großartiges Team einzustellen, was in der Regel darauf hinausläuft, dass sie mit gutem Beispiel führt.

9.2 Einstellen und Einarbeitung eines Teams

Köpfchen und Arbeitswilligkeit sollten zwei Eigenschaften sein, die bei Bewerbungen in Supply-Chain-Abteilungen gefragt sind. Die Lieferkette konkurriert mit dem gesamten Markt um solche Profile. Unternehmensberater und Softwarefirmen haben im Vergleich zum gesamten Markt seit Jahrzehnten einen überdurchschnittlichen Erfolg bei der Gewinnung von Personal mit solchen Profilen. Deshalb gehört eine gewisse Portion Misstrauen dazu, wenn sehr „intelligente“ Personen (mit Dr.-Titel oder Data-Scientists) zufällig verfügbar sind und sich auf Ihre Stellen bewerben.

9.3 Zusammenarbeit zwischen IT und Lieferkette

Die Supply-Chain muss ihren Software-Betrieb selbst in die Hand nehmen. Dieser Ansatz definiert die Beziehung zwischen IT und Lieferkette (von Neu auf). Die IT bleibt präsent, um die grundlegende Software-Infrastruktur zu unterstützen und Hilfe zu leisten, wenn Know-how auf Systemebene benötigt wird.

9.4 Über S&OP hinaus

S&OP konzentriert sich zu Recht auf die ganzheitliche Ausrichtung des Unternehmens auf das Ziel, den Markt richtig zu bedienen. Allerdings sind die Vorgehensweisen, die im Allgemeinen auf Meetings ausgerichtet sind, veraltet. Moderne Software bietet die Möglichkeit, gründlich zu überdenken, wie die Synchronisierung auf eine gewinnbringendere Art durch das Design erreicht werden kann. Eine bloße Aufrüstung von S&OP über Software-Tools bringt nur einen Bruchteil der Vorteile, die durch eine radikalere Neugestaltung der Vorgänge erreicht werden können.

10. Negatives Know-How

Als Faustregel gilt, dass negatives Know-how – also das Wissen um Dinge, die nicht funktionieren – stabiler ist als positives Know-how. Wenn etwas bisher wiederholt versagt hat, ist die Wahrscheinlichkeit sehr hoch, dass es auch weiterhin versagen wird. Negatives Know-how ist für die Supply-Chain besonders wertvoll, gerade weil es im Vergleich zu seinem positiven Gegenstück so verlässlich ist.

10.1 Schlechte Ausführung

Viele Supply-Chain-Projekte scheitern an ziemlich banalen Aspekten im Zusammenhang mit ihrer täglichen Ausführung. Bei einer solchen Situation, die an den Tod durch tausend Schnitte erinnert, verbringen die Mitarbeiter und das Management einen Großteil ihrer Zeit und Energie damit, Notlösungen zu finden, während die eigentlichen Ursachen nicht wahrgenommen werden.

10.1.1 Giftige Klassiker

Service Levels, Sicherheitsbestände, ABC-Analyse, EOQ-Formel, unter vielen altbekannten Klassikern, sind nach wie vor weit verbreitet und funktionieren im Echtbetrieb weitgehend nicht. Diese klassischen numerischen Rezepte gehen von idealisierten Lieferketten aus, die wenig Bezug zur Realität haben.

10.1.2 Düstere UX und düstere Workflows

Warnungen und Ausnahmen finden sich in jeder Supply-Chain-Software. Dennoch führen diese UX-Muster (User Experience) systematisch zu einer niedrigen Produktivität und verhindern praktisch jede kontinuierliche Verbesserung. Allgemeiner ausgedrückt, erwecken viele Workflows den Anschein von „Rationalität“, weil sie zufälligerweise vollständig „spezifiziert“ sind. Tatsächlich sind sie nichts anderes als festgehaltene Bürokratie.

10.1.3 Porzellan-Software

Jedes Mal, wenn eine Software irgendwo in der Supply-Chain-Landschaft „hängt“, werden die Abläufe gestört, Teams hören auf, an der kontinuierlichen Verbesserung zu arbeiten, und widmen sich der Suche nach Notlösungen. Die Beseitigung solcher Probleme sollte oberste Priorität sein. Die meisten gängigen Ansätze sind jedoch irreführend und bewirken letztendlich das Gegenteil.

10.2 Schlechte Führung

Wie bei fast allen Unternehmensproblemen liegt die Ursache letztlich meist in einer schlechten oberen Führungsebene. Doch das Motto „work smarter, work harder“ ist in der Praxis alles andere als hilfreich. Nichtsdestotrotz sind bestimmte schlechte Praktiken sehr populär geworden, weil sie insbesondere mit der Angst, der Unsicherheit und den Zweifeln spielen, von denen die höheren Hierarchiestufen geplagt werden.

10.2.1 Von Unentschlossenheit und Unwissenheit zu Angebotsaufforderung und Prototypen

Teilweise verfügen Führungskräfte in der Lieferkette über eine oberflächige Vision dessen, wie ihre eigene Lieferkette aussehen sollte. Die fehlende Tiefe ist meist an zwei Fronten zu finden, der technischen und der geschäftlichen. An der technischen Front führt ein mangelndes Verständnis zu Softwareproblemen. An der geschäftlichen Front führt mangelnder Geschäftssinn zu einer Supply-Chain, die bestenfalls eine unterstützende Rolle einnimmt. Unentschlossenheit und Unwissenheit spiegeln sich in schlechtstrukturierten Angebotsaufforderung und Prototypen wieder.

10.2.2 Umgekehrtes salomonisches Urteil

Im Urteil Salomos geht es unter anderem darum, etwas als Ganzes zu halten, was von vornherein nicht hätte geteilt werden sollen. Dennoch wird der „Teile-und-herrsche“-Ansatz in großen Unternehmen breitflächig eingesetzt, um Entscheidungen auf viele Silos zu verteilen. Diese Zersplitterung kommt dadurch zustande, dass die Vorteile der Spezialisierung nicht richtig verstanden werden. Zudem führt es auch zu falschen Anreizen.

10.2.3 Opfergaben an die Vorhersagegötter

Jahrhunderte lang versuchten die römischen Generäle, die Zukunft mit Hilfe von Zeichendeutern und Wahrsagern vorherzusagen. In jüngster Zeit ging man zum Kartenlegen über, das deutlich bequemer in geschlossenen Räumen durchgeführt werden kann. Doch Kartenlesen war noch immer nicht allzu genau. Und so modernisierten einige Führungskräfte in Unternehmen die ganze Angelegenheit, die jetzt als S&OP bekannt ist.

10.3 Pseudowissenschaft

Die Pseudowissenschaft wütet im Bereich der Supply-Chain. Tatsächlich sind Personen, die mit komplexen Problemen zu tun haben, eine recht leichte Beute für Scharlatane, da es in diesem Kontext schwieriger ist, diese zu entlarven. Auch wenn der Betrug aufgedeckt wird, reicht etwas Böswilligkeit, um jede Kritik abzuwenden.

10.3.1 Vereinfachende Theorien, die ausgeklügelt wirken möchten

Probleme in Supply-Chains sind unglaublich vielfältig und technisch. Folglich kommt etwa alle zehn Jahre eine neue Theorie auf, die eine radikale Vereinfachung vorschlägt. Diese Theorien müssen gerade „komplex genug“ sein, um nicht eklatant vereinfachend zu wirken, aber dennoch einfach genug, um Anhänger zu gewinnen, indem sie nur ein minimales Engagement von den Supply-Chain-Fachkräften erfordern. In diesem Zusammenhang besprechen wir DDMRP und Flowcasting.

10.3.2 Obskure Theorien zur Einweihung

Umgekehrt taucht etwa alle zehn Jahre eine Supply-Chain-Theorie oder ein Trend auf, der im Vergleich zum vorangehenden Vortrag in die genau entgegengesetzte Richtung geht. Da die Probleme im Bereich Supply-Chain undurchsichtig erscheinen, ist es nicht allzu unvernünftig eine undurchsichtige Lösung zu erwarten. Indem Kunden mit deren „Torschlusspanik“ konfrontiert werden und ihnen eine Einweihung in das Thema versprochen wird, finden solche Stakeholder im Bereich der Lieferkette Anhänger. Drei bemerkenswerte und aktuelle Beispiele sind KI, Blockchain und Demand Sensing.