Diese Vortragsreihe präsentiert die Grundlagen des Supply-Chain-Managements: die Herausforderungen, die Methodik und die Technologien. Die von Joannes Vermorel entwickelte Perspektive weicht deutlich von der gängigen Theorie ab und wird als Quantitative Supply Chain bezeichnet.
Die Reihe führt von Definitionen und methodischen Grundsätzen über fiktive Supply-Chain-Personae zu Hilfswissenschaften, Prognosen, Entscheidungsfindung und Ausführungspraktiken, die diese Perspektive tragen. Sie ist als zusammenhängendes Werk gedacht, nicht als lose Sammlung einzelner Vorträge.
Supply chain ist die quantitativ orientierte und zugleich praxisbewusste Beherrschung der Optionalität im Umgang mit Variabilität und Beschränkungen, die mit dem Fluss physischer Waren verbunden sind. Sie umfasst Beschaffung, Einkauf, Produktion, Transport, Distribution, Werbung, ... – jedoch mit dem Fokus darauf, Optionen zu fördern und auszuwählen, anstatt die zugrunde liegenden Prozesse direkt zu steuern. Wir werden sehen, wie die quantitative supply chain Perspektive, die in dieser Serie präsentiert wird, sich grundlegend von dem unterscheidet, was als die Mainstream supply chain Theorie gilt.
'Das Manifest der die Quantitative Supply Chain betont eine kurze Reihe prägnanter Punkte, um zu verstehen, wie diese alternative Theorie, die von Lokad vorgeschlagen und vorangetrieben wurde, sich von der Mainstream supply chain theory unterscheidet. Man könnte es folgendermaßen zusammenfassen: Jede einzelne Entscheidung wird anhand aller [possible futures](/de/probabilistische-vorhersage-definition/) gemäß den [economic drivers](/de/quantitatives-lieferkettenmanifest/) bewertet. Diese Perspektive entwickelte sich allmählich bei Lokad, und ihre Umsetzung durch (fast?) alle [software vendors](/de/lieferanten/) bleibt eine Herausforderung.'
Das Ziel einer die Quantitative Supply Chain-Initiative besteht darin, entweder eine Softwareanwendung bereitzustellen oder zu verbessern, die einen Umfang routinemäßiger Entscheidungen automatisiert (z. B. Lagerauffüllungen, Preisaktualisierungen). Die Anwendung wird als ein zu entwickelndes Produkt betrachtet. Die supply chain Theorie soll uns dabei helfen, eine Anwendung bereitzustellen, die das Unternehmen in Richtung supply chain Performance steuert und gleichzeitig mit allen Anforderungen der Produktion vereinbar ist.
Während die Mainstream [supply chain Theorie](/de/supply-chain-management-definition/) es schwer hat, sich in Unternehmen durchzusetzen, hat ein Werkzeug – nämlich Microsoft Excel – beträchtlichen operativen Erfolg erzielt. Die Neuimplementierung der [numerischen Rezepte](/de/entscheidungsbasierte-optimierung/) der Mainstream supply chain Theorie mittels Tabellenkalkulationen ist trivial, dennoch ist dies in der Praxis trotz Kenntnis der Theorie nicht geschehen. Wir zeigen, dass Tabellenkalkulationen durch den Einsatz von [programming paradigms](/de/differenzierbares-programmieren/) gewonnen haben, die sich als überlegen erwiesen, um supply chain Ergebnisse zu erzielen.
Einige wesentliche Trends haben in den letzten Jahrzehnten die Entwicklung von supply chains dominiert und die Mischung der Herausforderungen, denen Unternehmen gegenüberstehen, grundlegend umgestaltet. Einige Probleme sind weitgehend verschwunden, wie z. B. physische Gefahren und Qualitätsprobleme. Andere Probleme sind aufgetreten, wie etwa die allgemeine Komplexität und Wettbewerbsintensität. Bemerkenswerterweise verändert Software ebenfalls supply chains auf tiefgreifende Weise. Eine kurze Übersicht dieser Trends hilft uns dabei, zu verstehen, worauf sich eine supply chain Theorie konzentrieren sollte.
Während supply chains nicht durch definitive quantitative Gesetze charakterisiert werden können – anders als der Elektromagnetismus – können dennoch allgemeine quantitative Prinzipien beobachtet werden. Mit 'allgemein' meinen wir, dass sie (fast) für alle supply chains anwendbar sind. Das Aufdecken solcher Prinzipien ist von höchstem Interesse, da sie dazu verwendet werden können, die Entwicklung von [numerischen Rezepten](/de/entscheidungsbasierte-optimierung/) zu erleichtern, die für die [prädiktive Optimierung](/de/technologie/) von supply chains bestimmt sind, aber sie können auch verwendet werden, um diese numerischen Rezepte insgesamt leistungsfähiger zu machen. Wir überprüfen zwei kurze Listen von Prinzipien: einige Beobachtungsprinzipien und einige Optimierungsprinzipien.
supply chains befolgen die allgemeinen wirtschaftlichen Prinzipien. Dennoch sind diese Prinzipien zu wenig bekannt und werden zu häufig falsch dargestellt. Populäre supply chain practices und ihre Theorien widersprechen oft dem, was in der Volkswirtschaft allgemein anerkannt wird.
Diese Vorträge behandeln die Methoden, die für eine wissenschaftliche Untersuchung der Supply Chain erforderlich sind, von experimenteller Praxis bis zu Dokumentation und Anbieteranalyse.
Eine supply chain Persona ist ein fiktives Unternehmen. Doch obwohl das Unternehmen fiktiv ist, wurde diese Fiktion so gestaltet, dass sie aufzeigt, was aus der supply chain-Perspektive Beachtung verdient. Allerdings ist die Persona nicht idealisiert im Sinne einer Vereinfachung der supply chain Herausforderungen. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation zu verstärken, jene Aspekte, die sich am hartnäckigsten jeder quantitativen Modellierung und jedem Versuch, eine Initiative zur Verbesserung der supply chain zu pilotieren, widersetzen.
Weit entfernt von der naiven kartesischen Perspektive, in der Optimierung lediglich darin bestünde, einen Optimierer für eine gegebene Bewertungsfunktion einzusetzen, erfordert supply chain einen wesentlich iterativeren Prozess. Jede Iteration wird genutzt, um „verrückte“ Entscheidungen zu identifizieren, die untersucht werden sollen. Die Ursache liegt häufig in unangemessenen wirtschaftlichen Treibern, die im Hinblick auf ihre unbeabsichtigten Konsequenzen neu bewertet werden müssen. Die Iterationen enden, wenn die numerischen Rezepte keine verrückten Ergebnisse mehr liefern.
Antipatterns sind die Stereotypen von Lösungen, die gut aussehen, aber in der Praxis nicht funktionieren. Die systematische Untersuchung von Antipatterns wurde in den späten 1990er Jahren im Bereich der Softwaretechnik maßgeblich vorangetrieben. Wenn anwendbar, sind Antipatterns den rohen negativen Ergebnissen überlegen, da sie leichter zu merken und zu analysieren sind. Die Perspektive der Antipatterns ist von größter Bedeutung für supply chain und sollte als einer der Pfeiler seines negativen Wissens betrachtet werden.
Moderne supply chains sind auf eine Vielzahl von Softwareprodukten angewiesen. Die Auswahl der richtigen Anbieter ist eine Frage des Überlebens. Da jedoch die Anzahl der Anbieter groß ist, benötigen Unternehmen einen systematischen Ansatz für diese Aufgabe. Die traditionelle Marktforschungspraxis beginnt mit guter Absicht, endet aber zwangsläufig in schlechten Ergebnissen, da Marktforschungsfirmen letztlich als Marketingfronten für die Unternehmen agieren, die sie analysieren sollen. Die Hoffnung, dass ein unparteiisches Forschungsunternehmen entstehen wird, ist fehlgeleitet. Nichtsdestotrotz ist die Anbieter-gegen-Anbieter-Bewertung eine Methodik, die es selbst einer parteiischen Marktforschungsfirma ermöglicht, unparteiische Ergebnisse zu erzielen.
Supply chains beinhalten die Koordination großer Teams. Daher haben schriftliche Materialien oberste Priorität. Moderne supply chains sind schlichtweg nicht mit der mündlichen Überlieferung vereinbar. Dennoch schneiden supply chain practitioners oft furchtbar ab, was ihre schriftlichen Kommunikationsfähigkeiten betrifft. Lassen Sie uns einen Blick darauf werfen, was Usability-Studien und einige namhafte Experten zu diesen Themen zu sagen haben.
Paris ist eine fiktive europäische Modemarke, die ein großes Einzelhandelsnetzwerk betreibt. Die Marke richtet sich an Frauen und positioniert sich als relativ erschwinglich. Während die Designlinie eher klassisch und dezent ist, war das Hauptgeschäftsargument schon immer die Neuheit. Mehrere Kollektionen pro Jahr werden genutzt, um Wellen von neuen Produkten auf den Markt zu bringen. Das richtige Produkt zur richtigen Zeit, zum richtigen Preis und mit der richtigen Lagerbestandsmenge zu pushen, ist eine der Kernherausforderungen.
Miami ist ein fiktives Luftfahrt-MRO (maintenance, repair, overhaul) in den USA, das eine große Flotte von Verkehrsflugzeugen bedient. In der Luftfahrt hat Sicherheit oberste Priorität. Teile und Komponenten müssen routinemäßig inspiziert und gegebenenfalls repariert werden. Miami ist im Geschäft, Flugzeuge jederzeit in der Luft zu halten und AOG (aircraft on ground)-Vorfälle zu vermeiden, die auftreten, wenn ein für eine Wartungsoperation benötigtes Teil fehlt.
Amsterdam ist ein fiktives FMCG-Unternehmen, das sich auf die Herstellung von Käse, Sahne und Butter spezialisiert hat. Es betreibt ein umfangreiches Portfolio von Marken in mehreren Ländern. Viele widersprüchliche Geschäftsziele – Qualität, Preis, Frische, Abfall, Vielfalt, Regionalität etc. – müssen sorgfältig ausbalanciert werden. Durch das Design bringen die Milchproduktion und die Einzelhandelspromotionen das Unternehmen zwischen Hammer und Amboss hinsichtlich Angebot und Nachfrage.
San Jose ist ein fiktiver E-Commerce, der eine Vielzahl von Wohnaccessoires und Einrichtungsgegenständen vertreibt. Sie betreiben ihren eigenen Online-Marktplatz. Ihre Eigenmarke konkurriert sowohl intern als auch extern mit externen Marken. Um gegenüber größeren und preiswerteren Akteuren wettbewerbsfähig zu bleiben, versucht die supply chain von San Jose, einen hochwertigen Service zu bieten, der viele Formen annimmt und weit über die pünktliche Lieferung der bestellten Waren hinausgeht.
Stuttgart ist ein fiktives Automobil-Nachmarkt-Unternehmen. Sie betreiben ein Netzwerk von Filialen, das Autoreparaturen, Autoteile und Autozubehör liefert. In den frühen 2010er Jahren startete Stuttgart auch zwei E-Commerce-Kanäle, einen zum Kauf und Verkauf von Autoteilen und einen zum Kauf und Verkauf von Gebrauchtwagen.
Diese Crashkurse greifen benachbarte Disziplinen auf, die die Supply-Chain-Praxis wesentlich verbessern, von Informatik und Algorithmen bis zur Cybersicherheit.
Moderne supply chains benötigen Rechenressourcen, um zu funktionieren, genauso wie motorisierte Förderbänder Strom benötigen. Dennoch bleiben träge supply chain Systeme allgegenwärtig, während die Rechenleistung von Computern seit 1990 um mehr als das 10.000-fache gestiegen ist. Ein mangelndes Verständnis der grundlegenden Eigenschaften moderner Rechenressourcen - selbst in IT- oder data science Kreisen - trägt wesentlich zur Erklärung dieses Sachverhalts bei. Das Software-Design, das den numerischen Rezepten zugrunde liegt, sollte den zugrunde liegenden Rechenunterbau nicht antagonisieren.
Die Optimierung von supply chains beruht darauf, zahlreiche numerische Probleme zu lösen. Algorithmen sind hochkodifizierte numerische Rezepte, die dazu bestimmt sind, präzise rechnerische Probleme zu lösen. Überlegene Algorithmen bedeuten, dass überlegene Ergebnisse mit geringeren Rechenressourcen erzielt werden können. Durch die Fokussierung auf die Besonderheiten von supply chain kann die algorithmische Leistung enorm verbessert werden, manchmal um Größenordnungen. Die „supply chain“ Algorithmen müssen zudem das Design moderner Computer berücksichtigen, das sich in den letzten Jahrzehnten erheblich weiterentwickelt hat.
Mathematische Optimierung ist der Prozess, eine mathematische Funktion zu minimieren. Fast alle modernen statistischen Lerntechniken – d.h. Forecasting, wenn wir eine supply chain Perspektive einnehmen – basieren im Kern auf mathematischer Optimierung. Außerdem beruht, sobald die Prognosen erstellt wurden, die Identifizierung der profitabelsten Entscheidungen im Kern ebenfalls auf mathematischer Optimierung. Supply chain Probleme beinhalten häufig viele Variablen. Sie sind zudem meist stochastischer Natur. Mathematische Optimierung ist ein Grundpfeiler einer modernen supply chain Praxis.
Prognosen sind in der supply chain unverkürzbar, da jede Entscheidung (Einkauf, Produktion, Lagerhaltung usw.) eine Erwartung zukünftiger Ereignisse widerspiegelt. Statistisches Lernen und [machine learning](/de/technologie/) haben das klassische ‚Forecasting‘-Feld weitgehend abgelöst, sowohl aus theoretischer als auch aus praktischer Sicht. Wir werden versuchen zu verstehen, was eine datengetriebene Vorwegnahme der Zukunft überhaupt aus einer modernen ‚Lern‘-Perspektive bedeutet.
Die Mehrheit der supply chains wird immer noch über Tabellenkalkulationen (d.h. Excel) betrieben, während Enterprise-Systeme seit einer, zwei, manchmal sogar drei Jahrzehnten im Einsatz sind – angeblich, um sie zu ersetzen. Tatsächlich bieten Tabellenkalkulationen eine zugängliche programmatische Ausdruckskraft, während diese Systeme dies in der Regel nicht tun.
'Die Beherrschung von Komplexität und Chaos ist das Fundament des Software-Engineering. Angesichts der Tatsache, dass supply chains sowohl komplex als auch chaotisch sind, sollte es nicht allzu überraschend sein, dass die meisten [Enterprise-Software](/de/lieferanten/) Probleme, denen supply chains ausgesetzt sind, auf schlechtes Software-Engineering zurückzuführen sind. [Numerical recipes](/de/entscheidungsbasierte-optimierung/) zur [Optimierung von supply chains](/de/quantitatives-lieferkettenmanifest/) sind Software und unterliegen daher demselben Problem. Diese Probleme nehmen mit der zunehmenden Raffinesse der Numerical recipes selbst an Intensität zu. Richtiges Software-Engineering ist für supply chains das, was Asepsis für Krankenhäuser ist: an sich bewirkt es nichts – wie die Behandlung von Patienten – aber ohne es zerfällt alles.'
Die Cyberkriminalität nimmt zu. Ransomware ist ein florierendes Geschäft. Aufgrund ihrer physisch verteilten Struktur sind supply chains besonders anfällig. Zudem ist die allgegenwärtige Komplexität ein fruchtbarer Boden für Probleme der Computersicherheit.
Kryptowährungen haben viel Aufmerksamkeit erregt. Vermögen wurden gemacht. Vermögen wurden verloren. Pyramidensysteme waren weit verbreitet. Aus unternehmerischer Sicht ist die „blockchain“ ein höflicher Euphemismus, der verwendet wird, um ähnliche Ideen und Technologien einzuführen und dabei eine Distanz zu diesen Kryptowährungen zu schaffen. Supply chain use cases existieren für die blockchain, aber es gibt auch zahlreiche Herausforderungen.
Im Jahr 2020 erreichte ein Team bei Lokad den 5. Platz unter 909 konkurrierenden Teams beim M5, einem weltweiten Prognosewettbewerb. Allerdings erzielten diese Prognosen auf der [SKU](/de/lagerhaltungseinheit-sku-definition/)-Aggregierungsebene die Nr. 1. Die Nachfrageprognose ist von zentraler Bedeutung für supply chain.
Differenzierbares Programmieren (DP) ist ein generatives Paradigma, das zur Entwicklung einer breiten Klasse statistischer Modelle eingesetzt wird, die sich hervorragend für prädiktive supply chain Herausforderungen eignen.
Eine Vorhersage gilt als probabilistisch statt deterministisch, wenn sie eine Menge von Wahrscheinlichkeiten enthält, die allen möglichen zukünftigen Ergebnissen zugeordnet sind, anstatt ein bestimmtes Ergebnis als die Vorhersage festzulegen.
Durchlaufzeiten sind ein grundlegender Aspekt der meisten supply chain-Situationen. Durchlaufzeiten können – wie die Nachfrage – prognostiziert werden. Probabilistische Vorhersagemodelle, die den Durchlaufzeiten gewidmet sind, können verwendet werden. Es wird eine Reihe von Techniken vorgestellt, um probabilistische Durchlaufzeitprognosen für supply chain-Zwecke zu erstellen. Die Zusammenführung dieser Prognosen – Durchlaufzeit und Nachfrage – ist ein Eckpfeiler der prädiktiven Modellierung in supply chain.
Die Vorträge zur Entscheidungsfindung führen von der Antizipation zur Handlung und zeigen, wie Prognosen in ökonomisch sinnvolle Entscheidungen übersetzt werden.
supply chain Entscheidungen erfordern risikoadjustierte wirtschaftliche Bewertungen. Die Umwandlung probabilistischer Prognosen in wirtschaftliche Bewertungen ist nicht trivial und erfordert spezielle Werkzeuge. Die daraus resultierende wirtschaftliche Priorisierung, veranschaulicht durch Bestandszuweisungen, erweist sich jedoch als wirksamer als traditionelle Techniken. Wir beginnen mit der Herausforderung der Einzelhandelsbestandszuweisung. In einem 2-Ebenen-Netzwerk, das sowohl ein Distributionszentrum (DC) als auch mehrere Filialen umfasst, müssen wir entscheiden, wie der Bestand des DC an die Filialen verteilt wird, wobei alle Filialen um denselben Bestand konkurrieren.
Das Gleichgewicht von Angebot und Nachfrage hängt in hohem Maße von den Preisen ab. Daher gehört die Preisoptimierung in erheblichem Maße zum Bereich der supply chain. Wir werden eine Reihe von Techniken vorstellen, um die Preise eines fiktiven Unternehmens im Automobil-Ersatzteilmarkt zu optimieren. An diesem Beispiel werden wir die Gefahren abstrakter Denkweisen aufzeigen, die den eigentlichen Kontext nicht berücksichtigen. Zu wissen, was optimiert werden sollte, ist wichtiger als das Kleingedruckte der Optimierung selbst.
Die abschließenden Vorträge befassen sich mit der Umsetzung: Initiativen starten, Entscheidungen in Produktion bringen und die Rolle des Supply Chain Scientist definieren.
Die Durchführung einer erfolgreichen prädiktiven Optimierung einer supply chain ist eine Mischung aus weichen und harten Problemen. Leider ist es nicht möglich, diese Aspekte zu trennen. Die weichen und harten Facetten sind tief miteinander verwoben. Üblicherweise prallt diese Verflechtung frontal auf die Arbeitsteilung, wie sie im Organigramm des Unternehmens definiert ist.
Wir suchen ein numerisches Rezept, um eine ganze Klasse von banalen Entscheidungen zu steuern, wie beispielsweise Lagerauffüllungen. Automatisierung ist entscheidend, um supply chain zu einem kapitalistischen Unterfangen zu machen. Allerdings birgt sie erhebliche Risiken, in großem Maßstab Schaden anzurichten, falls das numerische Rezept defekt ist.
Im Kern einer die Quantitative Supply Chain Initiative befindet sich der Supply Chain Scientist (SCS), der die Datenaufbereitung, die ökonomische Modellierung und das KPI-Reporting durchführt. Die intelligente Automatisierung der supply chain decisions ist das Endprodukt der vom SCS geleisteten Arbeit. Der SCS übernimmt die Verantwortung für die generierten Entscheidungen. Der SCS liefert menschliche Intelligenz, verstärkt durch maschinelle Rechenleistung.
