Wirtschaftliche Treiber

Aus der Perspektive der Quantitativen Supply Chain stellen wirtschaftliche Treiber die finanzielle Quantifizierung der positiven und negativen Ergebnisse von Lieferkettenentscheidungen dar. Wirtschaftliche Treiber formen Herausforderungen der Lieferkettenoptimierung zu handhabbaren Optimierungsproblemen, bei denen die Optimierungsmetrik finanziell ist. Durch die Quantifizierung der wirtschaftlichen Treiber wird es möglich, die mit fehlerhaften Entscheidungen verbundenen Kosten zu bewerten, die ursprünglich auf unvollständigen Daten wie Nachfrageprognosen basieren. Diese wirtschaftlichen Treiber werden als Gegenstück zu geschäftsagnostischen Metriken eingeführt, die nach wie vor weit verbreitet sind, wie z.B. MAPE (mittlerer absoluter prozentualer Fehler). Diese geschäftsagnostischen Metriken sind häufig schädlich, weil sie Lieferkettenprobleme als numerische Optimierungsprobleme “verkleiden”, während sie auf weitgehend willkürlichen Optimierungskriterien beruhen.

Statistische Prognosen sind einseitig

Nachfrageprognosewerkzeuge und -methoden haben ein klares Ziel: die Berechnung genauere Prognosen . Prognosen gelten als genau, gemessen an verschiedenen bekannten und ausgewählten Metriken, die auf ihre mathematischen und statistischen Eigenschaften hin ausgewählt wurden. Obwohl solche Metriken aus mathematischer Sicht möglicherweise ausgezeichnet sind, sind sie grundsätzlich domänenagnostisch und ignorieren bewusst geschäftsspezifische Treiber oder Einschränkungen.

Obwohl es auf den ersten Blick kontraintuitiv erscheinen mag, werden statistische Prognosen grundlegend von der gewählten Fehlermetrik beeinflusst. Die Wahl des MSE (mittlerer quadratischer Fehler) anstelle des MAE (mittlerer absoluter Fehler) hat drastische Auswirkungen auf die Genauigkeit eines bestimmten Modells. Auf den ersten Blick mag es so aussehen, als ob die Fehlermetrik wenig Einfluss hat. Immerhin liefert ein Prognosemodell dieselbe Nachfrageprognose, unabhängig davon, welche Metrik anschließend zur Bewertung des Ergebnisses verwendet wird. Jedes Unternehmen, das auf statistische Prognosen angewiesen ist, trifft jedoch Entscheidungen - häufig implizite Entscheidungen - darüber, welche Prognosemodelle verwendet werden. Sobald Genauigkeitsmessungen eingeführt werden, bevorzugt das Unternehmen die Modelle, die sich in Bezug auf die oben genannten Metriken besser verhalten.

Generische statistische Metriken (z. B. MAPE, MAE, MSE usw.) haben keine geschäftliche Affinität. Einfach ausgedrückt legen diese Metriken den Schwerpunkt auf den Prozentanteil des Fehlers anstelle des Dollarbetrags des Fehlers. Die Minimierung des Prozentsatzes des Fehlers mag zwar eine gute Sache sein, es gibt jedoch leider zu viele Gegenbeispiele dafür. Statistische Metriken bieten keine Garantie dafür, dass das finanzielle Ergebnis einer Entscheidung, das sich aus einer Prognose ableitet, optimal oder sogar profitabel sein wird. Manchmal sind wirtschaftliche Treiber nur lose mit generischen statistischen Metriken korreliert, aber dies geschieht “zufällig”, und sich auf Zufall zu verlassen, ist keine geeignete Methodik für die Optimierung der Lieferkette. In der Praxis wird dieses Problem in der Regel durch die kontraintuitive Natur der meisten Situationen verstärkt, in denen sich die rein statistischen Metriken von geschäftlichen Leistungsmetriken unterscheiden.

Beispiel: Betrachten wir ein Produkt, das in einem Geschäft mit durchschnittlich nur 1 verkaufter Einheit pro Woche und einer Lieferzeit von 1 Tag (tägliche Auffüllung) verkauft wird. Die beste mittlere Nachfrageprognose für dieses Produkt für einen beliebigen Tag beträgt null Einheiten. Eine durchschnittliche Prognose hätte eine gebrochene Menge von 1/7 ergeben können, aber die Medianprognose zeigt einfach null an. Obwohl die zu deckende Tagesnachfrage sehr nahe an null liegt, ist der tatsächliche Bestand, der zur ordnungsgemäßen Bedienung der Kunden erforderlich ist, wahrscheinlich viel größer; Es werden wahrscheinlich 2 oder 3 Einheiten benötigt, um den Kundenerwartungen in Bezug auf die Servicequalität gerecht zu werden. Das Problem hier ist nicht, dass die Prognose ungenau ist, denn wenn die Nachfrage stationär und wirklich zufällig ist, sind die gerade genannten Prognosen aus statistischer Sicht perfekt genau. Das Problem besteht darin, dass geschäftsspezifische Treiber ignoriert wurden.

Entkopplung der Prognose von der Optimierung der Supply Chain

Wirtschaftliche Treiber stellen eine spezifische Aufschlüsselung der Herausforderungen bei der Optimierung der Supply Chain dar, bei der die geschäftsspezifischen Aspekte - d.h. die wirtschaftlichen Treiber - von den geschäftsagnostischen Aspekten - d.h. den rein statistischen Prognosen - entkoppelt werden. In diesem Abschnitt werden wir kurz die Vorteile dieser Aufschlüsselung sowie ihre Grenzen erläutern.

Was die numerische Optimierung betrifft, so gibt es ein allgemeines Prinzip, das besagt, dass es immer vorzuziehen ist, das Problem als Ganzes zu optimieren, anstatt Teile des Problems isoliert zu optimieren. Dieser Punkt bleibt jedoch nur dann wahr, solange es technisch möglich ist, die Optimierungsherausforderung aus einer monolithischen Perspektive anzugehen. Dennoch neigt die meiste Supply Chain-Literatur - einschließlich dieses Buches - dazu, der Meinung zu sein, dass die Nachfrageprognose eine komplizierte Aufgabe ist, die Statistik, Algorithmen, Softwareentwicklung und möglicherweise verteiltes Computing umfasst, wenn eine Cloud Computing Plattform involviert ist. Die Isolierung des Aspekts der Nachfrageprognose bietet somit die Möglichkeit, fortschrittliche Nachfrageprognosen zu liefern, ohne die Technologie mit einer Vielzahl von domänenspezifischen Überlegungen zu belasten.

Ebenso wird ein ähnlicher Vorteil erzielt, indem die Logik der Supply Chain-Optimierung von der Logik der Nachfrageprognose isoliert wird, da die Supply Chain-Optimierung vor den technischen Details der Nachfrageprognose “geschützt” bleibt. Dadurch ist es möglich, sich viel genauer mit den Feinheiten der wirtschaftlichen Treiber auseinanderzusetzen: Begrenzungen des Lagerplatzes, Preisunterbrechungen, variierende Fehlbestands-Kosten, variierende Kosten für Obsoleszenz usw. Ein detaillierteres Verständnis der wirtschaftlichen Treiber führt zu besseren Entscheidungen, die enger mit den Risiken und Chancen eines Unternehmens verbunden sind.

Beispiel: Betrachten wir ein Unternehmen, das zwei Lagerhäuser hat und genau die gleichen Teile aus beiden Lagerhäusern liefert. Die beiden Lagerhäuser befinden sich in der Nähe, aber aus Gewohnheit bestellen alle Kunden die Teile, die sie benötigen, immer aus demselben Lagerhaus. Wenn ein Teil in diesem speziellen Lagerhaus nicht mehr verfügbar ist, ruft das Lagerhauspersonal das andere Lagerhaus an, um die Verfügbarkeit des Teils dort zu überprüfen, und wenn das Teil dort verfügbar ist, wird es an das Lagerhaus geschickt, das keinen Bestand mehr hat.

Ein Fall für probabilistische Prognosen

Wie wir im vorherigen Abschnitt gesehen haben, bietet die Trennung der Nachfrageprognose von der Geschäftsoptimierung die Möglichkeit, eine Supply Chain-Optimierungsstrategie umzusetzen, die sowohl fortschrittliche Prognoseanalytik als auch eine detaillierte Sicht auf das Unternehmen selbst nutzt. Es muss jedoch beachtet werden, dass bei der Erstellung von Nachfrageprognosen die Prognose-Engine nichts über die geschäftsspezifischen Faktoren weiß, die aus Sicht der Supply Chain-Optimierung relevant sind. Dennoch sind die Geschäftsszenarien, die den größten finanziellen Einfluss haben, in der Regel die extremen Szenarien - “extrem” aus statistischer Sicht. Zum Beispiel sind es die unerwartet hohe Nachfrage, die in der Regel zu Fehlbeständen führt, während es die unerwartet niedrige Nachfrage ist, die in der Regel zu Inventarabschreibungen führt.

Klassische Prognosetools legen großen Wert auf Durchschnitts- oder Medianprognosen; dies verfehlt jedoch völlig den Punkt aus geschäftlicher Sicht. Unabhängig davon, wie genau diese Art von Prognose sein mag, wenn das interessierende Geschäftsszenario am statistischen Extrem liegt, wird das Prognosetool keine relevante statistische Projektion liefern können, um die wahrscheinliche finanzielle Auswirkung des Geschäftsszenarios quantitativ zu bewerten. Im Gegensatz dazu bewerten probabilistische Prognosetools die jeweiligen Wahrscheinlichkeiten für alle möglichen Nachfrageniveaus, was wiederum die Möglichkeit bietet, alle möglichen Geschäftsszenarien zu bewerten.

Es überrascht nicht, dass probabilistische Prognosen wesentlich mehr Rechenressourcen erfordern als ihre klassischen eindeutigen Gegenstücke, da probabilistische Prognosen die Herausforderung der Prognose gewissermaßen “brute-forcen”. Da die Prognose-Engine die relevanten Geschäftsszenarien, die berücksichtigt werden müssen, nicht kennt, erzeugt sie lediglich eine weitreichende statistische Antwort, die (ungefähr) alle möglichen Szenarien abdeckt. In der Praxis sind die erhöhten Rechenanforderungen für die Erzeugung probabilistischer Prognosen größtenteils unproblematisch, da dank der Möglichkeit, über Cloud-Computing-Plattformen umfangreiche Rechenressourcen zu niedrigen Preisen zur Verfügung zu haben, die richtige Technologie vorhanden ist.

Ein kurzer Überblick über gängige wirtschaftliche Treiber

Wirtschaftliche Treiber definieren die positiven und negativen Ergebnisse einer Supply-Chain-Entscheidung. Die Berechnung dieser Ergebnisse erfordert die tatsächliche Beobachtung der noch nicht beobachteten Nachfrage, aber wenn eine Nachfrageprognose verfügbar ist, können die Ergebnisse wiederum simuliert werden. Wirtschaftliche Treiber sollen alle geschäftlichen Auswirkungen abdecken, die sich aus einer Entscheidung ergeben, und nicht nur die kurzfristigen finanziellen Ergebnisse. In der Praxis ähnelt die Festlegung wirtschaftlicher Treiber häufig der Durchführung von Schnellberechnungen, bei denen verschiedene Geschäftsszenarien berücksichtigt werden.

Eine der häufigsten Supply-Chain-Entscheidungen besteht darin, eine weitere Einheit für einen Artikel zu bestellen. Wenn es eine unmittelbare Nachfrage nach der bestellten Einheit gibt, wird das Unternehmen die Einheit mit Gewinn bedienen. Dies stellt den mit der Bestellentscheidung verbundenen Gewinn dar. Wenn es keine unmittelbare Nachfrage nach dem Artikel gibt, muss das Unternehmen die Lagerhaltungskosten für diese zusätzliche Einheit tragen. Dies stellt die mit der Bestellentscheidung verbundenen Kosten dar. Die Festlegung der wirtschaftlichen Treiber für eine Bestellentscheidung besteht darin, sowohl die resultierenden Gewinne als auch die resultierenden Kosten der Entscheidung für ein bestimmtes Nachfrageszenario aufzuschreiben.

Neben Gewinnen und Kosten bestimmen auch Einschränkungen den Bereich der akzeptablen Supply-Chain-Entscheidungen:

Lagerkapazität: Geschäfte und Lager haben maximale Kapazitäten, die eine zusätzliche Bestellung verhindern, die über einen bestimmten Lagerbestand hinausgeht.
Mindestbestellmengen: Lieferanten akzeptieren nur Bestellungen, die über Mindestbestellmengen hinausgehen - ausgedrückt zum Beispiel in Stückzahl oder bestelltem Betrag. Diese Mindestbestellmengen können auch als Fixkosten für Lieferantenbestellungen interpretiert und modelliert werden.
Kapitalkosten: Das Unternehmen hat nur begrenzten Zugang zu Liquidität und muss daher seine Kapitalallokation für Lagerbestände begrenzen. Der Zugang zu mehr Kapital kann für das Management des Unternehmens sehr zeitaufwändig sein und möglicherweise auch nicht mit seinen strategischen Ausrichtungen übereinstimmen.
Transportkapazität: Beim Import von Waren aus Übersee müssen Bestellungen so dimensioniert sein, dass sie genau in einen Container passen. Container haben sowohl ein maximales Gewicht als auch ein maximales Volumen. Container können auch als eine Art Fixkosten für Bestellungen interpretiert werden.

Wirtschaftliche Treiber müssen all die oben genannten Einschränkungen und viele weitere in der Praxis berücksichtigen. Wenn Einschränkungen nicht berücksichtigt werden, würde das System, das die Nachfrageprognosen mit den wirtschaftlichen Treibern kombiniert, höchstwahrscheinlich Entscheidungen vorschlagen, die in der Realität nicht umgesetzt werden könnten, wie zum Beispiel den Versuch, ein Lager über seine Lagerkapazität hinaus zu füllen.

Lokads Perspektive zu wirtschaftlichen Treibern

Lokad bietet eine probabilistische Prognosemaschine an. Obwohl die Daten vor der Einspeisung in die Prognosemaschine ordnungsgemäß qualifiziert und bereinigt werden müssen, ermöglicht unsere Prognosemaschine die vollständige Automatisierung des statistischen Prognosevorgangs ohne statistische Konfiguration. Lokads Prognosemaschine funktioniert sofort einsatzbereit für zahlreiche Branchen (Handel, Fertigung, Luft- und Raumfahrt …).

Wirtschaftliche Treiber sind jedoch äußerst vielfältig. Um eine solche Vielfalt zu bewältigen, hat Lokad Envision eingeführt, eine domänenspezifische Programmiersprache, die der Optimierung der Supply Chain gewidmet ist. Die sichtbare Ausgabe von Envision besteht darin, Dashboards zu erstellen. Die Hauptfunktion von Envision besteht jedoch darin, wirtschaftliche Treiber in Prognosen durch Skripte einzubetten, damit optimierte Entscheidungen - z. B. Mengen, die heute nachbestellt werden sollen - automatisch berechnet werden können.

Die richtige Kombination von wirtschaftlichen Treibern und probabilistischen Prognosen erfordert Richtlinien, die von diesen Daten profitieren können. Zum Beispiel ist die priorisierte Bestellrichtlinie besonders geeignet, um Mengen zu liefern, die die Geschäftsrisiken des Lagerbestands vollständig mit den Nachfrageprognosen ausgleichen.

In der Praxis werden das Überprüfen und Formalisieren der wirtschaftlichen Treiber, die Kombination dieser Treiber mit probabilistischen Prognosen, die Qualifizierung und Bereinigung historischer Daten sowie die Generierung optimierter Entscheidungen, die genau dem Satz an geltenden Geschäftsbeschränkungen entsprechen, von Lokads Team durch ein monatliches Abonnement für einen Bestandsoptimierungsservice durchgeführt.