Wirtschaftliche Treiber

Aus der die Quantitative Supply Chain Perspektive stellen wirtschaftliche Treiber die finanzielle Quantifizierung der positiven und negativen Ergebnisse einer supply chain Entscheidung dar. Wirtschaftliche Treiber formen die Herausforderungen der supply chain optimization in lösbare Optimierungsprobleme, bei denen die Optimierungskennzahl finanzieller Natur ist. Durch die Quantifizierung der wirtschaftlichen Treiber wird es möglich, die finanziellen Fehlerkosten, die mit unvollkommenen Entscheidungen – ursprünglich basierend auf unvollständigen Daten wie Nachfrageprognosen – verbunden sind, zu bewerten. Diese wirtschaftlichen Treiber werden als Gegenpol zu allgemein verwendeten, geschäftsunabhängigen Metriken eingeführt, wie beispielsweise MAPE (mean absolute percentage error). Diese geschäftsunabhängigen Metriken können häufig schädlich sein, weil sie supply chain Probleme als rein numerische Optimierungsprobleme darstellen, während sie sich auf weitgehend willkürliche Optimierungskriterien stützen.

Statistische Prognosen sind einäugig

Nachfrageprognose-Werkzeuge und -Methoden verfolgen ein klares Ziel: die Berechnung von genaueren Prognosen. Prognosen gelten als genau, basierend auf verschiedenen, für ihre mathematischen und statistischen Eigenschaften bekannten und ausgewählten Metriken. Obwohl diese Metriken aus mathematischer Sicht exzellent sein mögen, sind sie grundsätzlich domänenunabhängig und ignorieren per Design alle geschäftsspezifischen Treiber oder Einschränkungen.

Auch wenn es kontraintuitiv erscheinen mag, werden statistische Prognosen grundsätzlich von der gewählten Fehlerkennzahl bestimmt. Die Wahl des MSE (mean square error) anstelle des MAE (mean absolute error) hat drastische Auswirkungen auf die Genauigkeit eines gegebenen Modells. Auf den ersten Blick mag es so wirken, als hätte die Fehlerkennzahl wenig Einfluss. Schließlich liefert ein Prognosemodell dieselbe Nachfrageprognose, unabhängig davon, welche Kennzahl anschließend zur Bewertung des Ergebnisses herangezogen wird. Allerdings trifft jedes Unternehmen, das sich auf statistische Prognosen verlässt, – häufig implizit – Entscheidungen darüber, welche Prognosemodelle verwendet werden; und sobald Genauigkeitsmessungen eingeführt werden, beginnt das Unternehmen, die Modelle zu bevorzugen, die in Bezug auf die oben genannten Metriken besser abschneiden.

Generische statistische Metriken (ex: MAPE, MAE, MSE, etc.) besitzen keinerlei geschäftliche Affinität. Einfach ausgedrückt, legen diese Metriken den Schwerpunkt auf die Fehlerprozentsätze anstelle der Fehlerbeträge in Dollar. Zwar mag die Minimierung der Fehlerprozentsätze von Vorteil sein, doch gibt es leider zu viele Gegenbeispiele. Statistische Metriken bieten keinerlei Garantie dafür, dass das finanzielle Ergebnis einer aus einer Prognose abgeleiteten Entscheidung optimal oder sogar profitabel sein wird. Manchmal korrelieren wirtschaftliche Treiber nur lose mit generischen statistischen Metriken, was zufällig geschieht, und auf Zufall zu vertrauen, ist keine geeignete Methode für die supply chain Optimierung. In der Praxis wird dieses Problem typischerweise durch die kontraintuitive Natur der meisten Fälle verstärkt, in denen die rein statistischen Metriken von den geschäftlichen Leistungskennzahlen abweichen.

Beispiel: Betrachten wir ein Produkt, das in einem Geschäft verkauft wird, in dem durchschnittlich nur 1 Einheit pro Woche veräußert wird, mit einer Lieferzeit von 1 Tag (tägliche Auffüllung). Die beste Median-Nachfrageprognose für dieses Produkt an einem beliebigen Tag beträgt null Einheiten. Eine durchschnittliche Prognose hätte einen Bruchteil von 1/7 ergeben können, aber die Medianprognose zeigt schlicht null an. Zwar liegt die für einen Tag zu deckende Nachfrage sehr nahe bei null, jedoch ist der tatsächliche Lagerbestand, der zur ordnungsgemäßen Bedienung der Kunden vorgehalten werden muss, wahrscheinlich deutlich höher; es werden vermutlich 2 oder 3 Einheiten benötigt, um den Service-Qualitätserwartungen der Kunden gerecht zu werden. Das Problem besteht nicht darin, dass die Prognose ungenau ist – wenn die Nachfrage stationär und wirklich zufällig ist, sind die genannten Prognosen aus statistischer Sicht vollkommen korrekt –, sondern darin, dass geschäftsspezifische Treiber außer Acht gelassen wurden.

Entkopplung der Nachfrageprognose von der supply chain Optimierung

Wirtschaftliche Treiber stellen eine spezifische Aufgliederung der Herausforderungen der supply chain Optimierung dar, bei der die geschäftsspezifischen Aspekte – sprich die wirtschaftlichen Treiber – von den geschäftsunabhängigen Aspekten – also den rein statistischen Prognosen – getrennt werden. In diesem Abschnitt betrachten wir kurz die Vorteile dieser Aufgliederung sowie deren Einschränkungen.

Was die numerische Optimierung betrifft, gibt es ein allgemeines Prinzip, das besagt, dass es immer vorzuziehen ist, das Problem als Ganzes zu optimieren, anstatt einzelne Teile des Problems isoliert zu optimieren. Dieser Punkt gilt jedoch nur, solange es technisch machbar ist, die Optimierungsaufgabe aus einer monolithischen Perspektive anzugehen. Dennoch sind sich die meisten supply chain Veröffentlichungen – auch dieses Buch – einig, dass die Nachfrageprognose ein komplexes Unterfangen ist, das Statistik, Algorithmen, Softwareentwicklung und möglicherweise verteiltes Rechnen kombiniert, wenn eine cloud computing Plattform involviert ist. Daher bietet die Isolierung des Aspekts der Nachfrageprognose die Möglichkeit, fortschrittliche Nachfrageprognosen zu liefern, ohne die Technik mit einer Vielzahl von bereichsspezifischen Überlegungen zu belasten.

Ebenso wird ein ähnlicher Vorteil erzielt, indem die Logik der supply chain Optimierung von der Logik der Nachfrageprognose getrennt wird, da die supply chain Optimierung so vor den technischen Details der Nachfrageprognose geschützt bleibt. Dies ermöglicht es, viel tiefer in die feinen Details der wirtschaftlichen Treiber einzutauchen: Begrenzungen des Lagerraums, Preisnachlässe, unterschiedliche Fehlbestandskosten, variierende Veralterungskosten etc. Ein detaillierteres Verständnis der wirtschaftlichen Treiber führt zu besseren Entscheidungen, die enger mit den Risiken und Chancen eines Unternehmens übereinstimmen.

Beispiel: Betrachten wir ein Unternehmen, das zwei Lager besitzt und exakt die gleichen Teile aus beiden Lagern bezieht. Die beiden Lager befinden sich in der Nähe, aber aus Gewohnheit bestellen alle Kunden tendenziell immer die Teile, die sie benötigen, vom selben Lager. Wenn ein Teil in diesem speziellen Lager nicht mehr verfügbar ist, kontaktiert das Lagerpersonal das andere Lager, um die Verfügbarkeit des Teils zu prüfen, und falls das Teil dort vorhanden ist, wird es anschließend an das Lager geliefert, das leergefaltet ist.

Ein Fall für probabilistische Prognosen

Wie im vorherigen Abschnitt gesehen, bietet die Trennung der Nachfrageprognose von der geschäftlichen Optimierung die Möglichkeit, eine supply chain Optimierungsstrategie umzusetzen, die sowohl fortgeschrittene Prognoseanalysen als auch einen detaillierten Einblick in das Geschäft selbst nutzt. Es muss jedoch beachtet werden, dass bei der Erstellung von Nachfrageprognosen die Prognose-Engine keine Kenntnis der geschäftsspezifischen Faktoren hat, die aus Sicht der supply chain Optimierung relevant sind. Dennoch sind die scenarios mit dem größten finanziellen Einfluss in der Regel die extremen Szenarien – „extreme“ aus statistischer Sicht. So führt beispielsweise eine unerwartet hohe Nachfrage meist zu Fehlbeständen, während eine unerwartet niedrige Nachfrage häufig zu Bestandsabschreibungen führt.

Klassische Prognosewerkzeuge legen großen Wert auf Mittel- oder Medianwerte; das verfehlt den geschäftlichen Kernpunkt vollständig. Egal wie genau diese Art von Prognose auch sein mag, wenn das interessante Geschäftsszenario an einem statistischen Extrem liegt, wird das Prognosewerkzeug nicht in der Lage sein, die relevante statistische Projektion bereitzustellen, um den wahrscheinlichen finanziellen Ertrag des Geschäftsszenarios quantitativ zu bewerten. Im Gegensatz dazu ermitteln probabilistische Prognosewerkzeuge die jeweiligen Wahrscheinlichkeiten für alle möglichen Nachfrageniveaus, was wiederum die Möglichkeit bietet, alle möglichen Geschäftsszenarien zu bewerten.

Nicht überraschend benötigen probabilistische Prognosen deutlich mehr Rechenressourcen als ihre klassischen, eindimensionalen Gegenstücke, da sie in gewisser Weise die Prognoseaufgabe mit roher Gewalt durchrechnen. Da die Prognose-Engine keine Kenntnis von den relevanten Geschäftsszenarien hat, liefert sie lediglich eine umfassende statistische Antwort, die (annähernd) alle möglichen Szenarien abdeckt. In der Praxis sind die erhöhten Rechenanforderungen zur Erstellung probabilistischer Prognosen dank des Zugangs zu enormen Rechenressourcen zu sehr niedrigen Preisen über cloud computing Plattformen meist kein Problem, vorausgesetzt, die richtige Technologie ist vorhanden.

Ein kurzer Überblick über gängige wirtschaftliche Treiber

Wirtschaftliche Treiber definieren die positiven und negativen Auswirkungen einer supply chain Entscheidung. Die Berechnung dieser Ergebnisse erfordert die tatsächliche Beobachtung der noch nicht realisierten Nachfrage, aber falls eine Nachfrageprognose vorliegt, können die Ergebnisse simuliert werden. Wirtschaftliche Treiber sollen alle geschäftlichen Konsequenzen einer Entscheidung abdecken und nicht nur die kurzfristigen finanziellen Resultate. In der Praxis gleicht das Festlegen wirtschaftlicher Treiber häufig einer groben Abschätzung, die verschiedene Geschäftsszenarien berücksichtigt.

Eine der häufigsten supply chain Entscheidungen besteht darin, eine weitere Einheit eines Artikels zu bestellen. Wenn für die bestellte Einheit sofortige Nachfrage besteht, wird das Unternehmen die Einheit gewinnbringend bedienen. Dies stellt den Gewinn dar, der mit der Bestellentscheidung verbunden ist. Wenn hingegen keine unmittelbare Nachfrage nach dem Artikel besteht, muss das Unternehmen die Lagerhaltungskosten für die Aufnahme dieser zusätzlichen Einheit tragen. Dies stellt die Kosten der Bestellentscheidung dar. Die Festlegung der wirtschaftlichen Treiber für eine Bestellentscheidung besteht darin, sowohl die daraus resultierenden Gewinne als auch die anfallenden Kosten für ein gegebenes Nachfrageszenario festzuhalten.

Neben Gewinnen und Kosten prägen auch Einschränkungen den Rahmen akzeptabler supply chain Entscheidungen:

Storage capacity : Geschäfte und Lager haben maximale Kapazitäten, die zusätzliche Bestellungen über einen bestimmten Lagerbestand hinaus verhindern.
MOQs : Lieferanten akzeptieren nur Bestellungen, die über den Mindestbestellmengen liegen – ausgedrückt beispielsweise in Stückzahl oder bestelltem Betrag. Diese MOQs können auch als Fixkosten bei Lieferantenbestellungen interpretiert und modelliert werden.
Capital costs : Das Unternehmen hat nur begrenzten Zugang zu Liquidität und muss daher seine Lagerkapitalzuweisung begrenzen. Der Zugang zu mehr Kapital kann für das Management des Unternehmens sehr zeitaufwendig sein und möglicherweise auch nicht mit dessen strategischer Ausrichtung übereinstimmen.
Transport capacity : Beim Import von Waren aus dem Ausland müssen Bestellungen möglicherweise so dimensioniert werden, dass sie exakt in einen Container passen. Container haben sowohl ein maximales Gewicht als auch ein maximales Volumen. Container können auch als eine Form von Fixkosten bei Bestellungen interpretiert werden.

Wirtschaftliche Treiber müssen all die oben genannten Einschränkungen sowie in der Praxis noch viele weitere berücksichtigen. Werden diese Einschränkungen nicht beachtet, würde das System, das die Nachfrageprognosen mit den wirtschaftlichen Treibern kombiniert, höchstwahrscheinlich Entscheidungen vorschlagen, die in der Realität nicht umsetzbar sind, beispielsweise zu versuchen, ein Lager über seine Kapazität hinaus zu füllen.

Lokads Perspektive auf wirtschaftliche Treiber

Lokad bietet eine probabilistische Prognose-Engine. Obwohl Daten ordnungsgemäß qualifiziert und bereinigt werden müssen, bevor sie in die Prognose-Engine eingespeist werden, ermöglicht unsere Prognose-Engine anschließend die vollständige Automatisierung des statistischen Prognosevorgangs ohne jegliche statistische Konfiguration. Lokads Prognose-Engine funktioniert sofort einsatzbereit für zahlreiche Branchen (commerce, manufacturing, aerospace …).

Wirtschaftliche Treiber sind jedoch unglaublich vielfältig. Um dieser Vielfalt zu begegnen, hat Lokad Envision eingeführt, eine bereichsspezifische Programmiersprache, die der supply chain Optimierung gewidmet ist. Das sichtbare Ergebnis von Envision besteht in der Erstellung von dashboards, wobei die Hauptfunktion von Envision darin besteht, wirtschaftliche Treiber mittels Skripten in Prognosen einzubetten, sodass optimierte Entscheidungen – z. B. die heute nachzubestellenden Mengen – automatisch berechnet werden können.

Die richtige Kombination aus wirtschaftlichen Treibern und probabilistischen Prognosen erfordert Richtlinien, die diese Daten optimal nutzen. So ist beispielsweise die priorisierte Bestellpolitik besonders geeignet, um Bestellmengen zu liefern, die das Geschäftsrisiko bezüglich des Lagerbestands vollständig mit den Nachfrageprognosen ausbalancieren.

In der Praxis werden die Überprüfung und Formalisierung der wirtschaftlichen Treiber, die Kombination dieser Treiber mit probabilistischen Prognosen, die Qualifizierung und Bereinigung historischer Daten sowie die Erzeugung optimierter Entscheidungen, die exakt den geltenden geschäftlichen Einschränkungen entsprechen, vom Team von Lokad im Rahmen eines monatlichen Abonnements eines Bestandsoptimierungsdienstes durchgeführt.