Nächster LIVE-Vortrag: 10. Mai, 15:00 Uhr, MEZ (Paris) - Auf YouTube sehenDiese 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.
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
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 - Käsemarken
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 San Jose – Online-Unternehmen für Wohneinrichtung
San Jose ist ein fiktives Online-Unternehmen, das im Bereich Wohneinrichtung und Accessoires tätig ist. Das Unternehmen betreibt einen eigenen Marktplatz. Die hauseigene Marke konkurriert mit anderen Marken sowohl intern als auch extern. Um im Vergleich zu größeren und kostengünstigeren Playern wettbewerbsfähig zu bleiben, versucht San Jose über die Supply-Chain eine hohe Servicequalität anzubieten, die weit über die pünktliche Lieferung der bestellten Ware hinausgeht.
3.4 Stuttgart – ein Kfz-Teilehändler
Die Stuttgart ist ein fiktives Unternehmen, das im Kfz-Teilehandel tätig ist und ein Filialnetz für Kfz-Reparaturen, -Teile und -Zubehör betreibt. Anfang der 2010er stieg die Stuttgart in den Online-Handel ein, einerseits im Vertrieb von Kfz-Teilen und andererseits im Gebrauchtwagenhandel. Die Stuttgart versucht eine hohe Servicequalität zu bieten und das auf dem komplexen und hart umkämpften Kfz-Markt, der zigtausende verschiedene Fahrzeuge und hunderttausende einzelne Ersatzteile umfasst.
Auf LinkedIn registrieren:
2. November, 15:00 Uhr, MEZ (Paris)
Live auf YouTube sehen:
Auf YouTube sehen
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.
Literaturhinweis (Buch):
- Introduction to Algorithms, Thomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein, 2009
4.3 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 mathematischer Optimierung. Wenn die Prognosen einmal erstellt sind, stützt sich zudem die Erkennung der profitabelsten Entscheidungen im Kern ebenfalls auf mathematische Optimierung. Supply-Chain-Probleme umfassen oft viele Variablen. Ebenso sind sie häufig stochastischer Natur. Die mathematische Optimierung ist heutzutage ein Grundstein für den modernen Supply-Chain-Betrieb.
Literaturhinweis:
- The Future of Operational Research Is Past, Russell L. Ackoff, Februar 1979
- LocalSolver 1.x: A black-box local-search solver for 0-1 programming, Thierry Benoist, Bertrand Estellon, Frédéric Gardi, Romain Megel, Karim Nouioua, September 2011
- Automatic differentiation in machine learning: a survey, Atilim Gunes Baydin, Barak A. Pearlmutter, Alexey Andreyevich Radul, Jeffrey Mark Siskind, zuletzt überprüft Februar 2018
4.4 Maschinelles Lernen
In Supply-Chains lassen sich Prognosen nicht herunterbrechen, da jede Entscheidung (Beschaffung, Produktion, Lagerung, usw.) künftige Ereignisse wiederspiegelt. Statistisches Lernen und Maschinelles Lernen haben größtenteils den klassischen Bereich der „Prognosen“ sowohl aus einer theoretischen, als auch aus einer praktischen Perspektive abgelöst. Dieses Fachgebiet hat enorme Fortschritte gemacht, die „Data-Scientists“ weitgehend noch nicht ganz verstehen. Wir nehmen dieses Gebiet unter die Lupe, indem wir drei Paradoxe auflösen. Erstens müssen wir genau 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. An dritter Stelle müssen wir mit Modellen arbeiten, in denen die Anzahl der Parameter die Anzahl der Variablen oder der Beobachtungen bei weitem übersteigt. Wir versuchen somit genauer zu verstehen, was die datenbasierte Schätzung der Zukunft aus einer modernen „Learning-Perspektive“ eigentlich bedeutet.
Literaturhinweise:
- A theory of the learnable, L. G. Valiant, November 1984
- Support-vector networks, Corinna Cortes & Vladimir Vapnik, September 1995
- Random Forests, Leo Breiman, Oktober 2001
- LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Guolin Ke, Qi Meng, Thomas Finley, Taifeng Wang, Wei Chen, Weidong Ma, Qiwei Ye, Tie-Yan Liu, 2017
- Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, zuletzt geprüft im Dezember 2017
- Deep Double Descent: Where Bigger Models and More Data Hurt, Preetum Nakkiran, Gal Kaplun, Yamini Bansal, Tristan Yang, Boaz Barak, Ilya Sutskever, Dezember 2019
- Generative Adversarial Networks, Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio, Juni 2014
- Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc'Aurelio Ranzato, zuletzt geprüft im April 2018
- BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Jacob Devlin, Ming-Wei Chang, Kenton Lee, Kristina Toutanova, zuletzt geprüft Mai 2019
- A Gentle Introduction to Graph Neural Networks, Benjamin Sanchez-Lengeling, Emily Reif, Adam Pearce, Alexander B. Wiltschko, September 2021
4.5 Sprachen 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.
4.6 Softwareentwicklung
Die Eingrenzung von Komplexität und Chaos sind die 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.
4.7 Cybersicherheit
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.
4.8 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.
4.9 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.
4.10 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.
4.11 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.
4.12 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
4.21 Blockchains
Kryptowährungen haben viel Aufmerksamkeit auf sich gezogen. Manche fanden ihr Glück darin, manche verloren es. Schneeballsysteme sprießen wie Pilze aus dem Boden. Aus der Perspektive der Unternehmen wird „Blockchain“ als Euphemismus für die Einführung ähnlicher Ideen und Techniken benutzt, während man sich gleichzeitig von den Kryptowährungen distanziert. Für die Supply-Chain bietet Blockchain einige Anwendungsfälle. Diese gehen jedoch mit Herausforderungen einher.
Literaturhinweise:
- Bitcoin: A Peer-to-Peer Electronic Cash System, Satoshi Nakamoto, Okt. 2008
- Majority is not Enough: Bitcoin Mining is Vulnerable, Ittay Eyal, Emin Gun Sirer, Nov. 2013
- Elliptic Curve Multiset Hash, Jeremy Maitin-Shepard, Mehdi Tibouchi, Diego Aranha, Jan. 2016
- Graphene: A New Protocol for Block Propagation Using Set Reconciliation, A. Pinar Ozisik, Gavin Andresen, George Bissias, Amir Houmansadr, Brian Levine, Sep. 2017
- Snowflake to Avalanche: A Novel Metastable Consensus Protocol Family for Cryptocurrencies, Team Rocket, Mai 2018
- Tokeda, Viable token-driven metadata within Bitcoin, Joannes Vermorel, März 2018
- A taxonomy of the Bitcoin applicative landscape, Joannes Vermorel, Mai 2018
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.
5.0 Nr. 1 auf SKU-Ebene im M5 Prognosewettbewerb
2020 schaffte es ein Team von Lokad auf Platz 5 beim M5 Prognosewettbewerb, an dem über 909 Teams teilnahmen. Doch bei den aggregierten Ergebnissen auf SKU-Ebene erreichten diese Prognosen Platz 1. Bedarfsprognosen stellen einen wesentlichen Bestandteil der Supply-Chains dar. Unser Ansatz erwies sich als einzigartig und hob sich von den Methoden der anderen 50 besten Teilnehmer ab. Aus diesem Erfolg können wir vieles für die künftigen Herausforderungen der Prognose für Supply-Chains lernen.
Literaturhinweise:
- A white-boxed ISSM approach to estimate uncertainty distributions of Walmart sales, Rafael de Rezende, Katharina Egert, Ignacio Marin, Guilherme Thompson, Dezember 2021 (Link)
- The M5 Uncertainty competition: Results, findings and conclusions, Spyros Makridakis, Evangelos Spiliotis, Vassilis Assimakopoulos, Zhi Chen, November 2020 (Link)
5.1 Strukturierte prädiktive Modellierung
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.
5.2 Probabilistische 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 Prognose von Zeitreihen, bei der eine Menge, die eine Zeit lang gemessen wird, etwa der Bedarf an einem Produkt in Einheiten, in die Zukunft projiziert wird.
Eine Vorhersage wird als probabilistisch betrachtet, wenn sie eine Reihe von Wahrscheinlichkeiten zu allen möglichen Zukunftsszenarien enthält und sich nicht nur auf ein mögliches Ergebnis, das als "die 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.
5.3 Prognose von Durchlaufzeiten
Durchlaufzeiten stellen einen grundlegenden Aspekt bei den meisten Lieferkettensituationen dar. Sie können und sollten ebenso wie die Nachfrage prognostiziert werden. Dafür können speziell auf Durchlaufzeiten zugeschnittene probabilistische Prognosemodelle eingesetzt werden. Wir stellen verschiedene Techniken zur Erstellung probabilistischer Prognosen der Durchlaufzeiten im Rahmen der Supply-Chain vor. Die Erstellung solcher Prognosen für Durchlaufzeit und Nachfrage bildet den Grundstein der prädiktiven Modellierung in Lieferketten.
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. Entscheidungsfindung
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 Bestandsallokation im Einzelhandel mit probabilistischen Vorhersagen
Im Bereich der Supply-Chain müssen Entscheidungen einer risikogewichteten wirtschaftlichen Bewertung unterzogen werden. Aus probabilistischen Vorhersagen wirtschaftliche Bewertungen zu gewinnen ist keine banale Aufgabe und bedarf dezidierter Tools. Doch die Priorisierung nach Wirtschaftlichkeit, die sich daraus ergibt und in Bestandsallokation widerspiegelt, hat sich als deutlich nützlicher als herkömmliche Methoden erwiesen. Wir beginnen mit der Herausforderung der Bestandsallokation im Einzelhandel. In einem zweistufigen Netz, das aus einem Distributionszentrum und mehreren Geschäften besteht, muss entschieden werden, wie der Bestand aus dem Distributionszentrum unter den Geschäften verteilt wird. Dabei ist zu berücksichtigen, dass alle Geschäfte um denselben Bestand konkurrieren.
6.2 Preisoptimierung für den Kfz-Ersatzteilmarkt
Das Gleichgewicht von Angebot und Nachfrage hängt in hohem Maße von den Preisen ab. Deshalb ist die Preisoptimierung, zumindest ein Großteil davon, in den Bereich der Lieferkette zu verorten. Wir stellen verschiedene Techniken zur Preisoptimierung eines fiktiven Kfz-Ersatzteileunternehmens vor. Anhand dieses Beispiels wird die Gefahr deutlich, die mit abstrakten Argumentationsketten verbunden ist, bei denen der richtige Kontext außer Acht gelassen wird. Es ist wichtiger zu wissen, was optimiert werden soll, als das Kleingedruckte der Optimierung selbst.
6.3 Diskrete Entscheidungen, Mindestbestellmengen (MOQs) und andere Bedingungen
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.
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.
6.4 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.
6.5 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.
6.5.1 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.
6.6 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.
6.6.1 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.
6.6.2 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.
6.6.3 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. Taktische und 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.
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.
7.1 Erste Schritte in einem Projekt zur quantitativen Supply-Chain
Die erfolgreiche prädiktive Optimierung einer Supply-Chain birgt eine Mischung aus klaren und schwer eingrenzbaren Problemen, die schwer voneinander zu trennen sind. Beide Aspekte sind miteinander verstrickt, was der Aufgabenaufteilung eines Organigramms entgegensteht. So haben wir beobachtet, dass bei Supply-Chain-Projekten, die fehlschlagen, die Grundursachen hierfür gewöhnlich auf Fehler in den Anfangsphasen zurückzuführen sind. Zusätzlich beeinflussen anfängliche Fehler das gesamte Projekt, sodass sie nachträglich kaum zu lösen sind. Wir stellen unsere wichtigsten Erkenntnisse zur Vermeidung solcher Fehler vor.
7.2 Umsetzung der Entscheidungen
Wir suchen numerische Rezepte, um eine ganze Reihe alltäglicher Entscheidungen, wie etwa die Wiederauffüllung der Lager, zu verbessern. Automatisierung ist ein wesentlicher Aspekt, um eine Supply-Chain zu einem kapitalistischen Vorhaben zu machen. Sie birgt jedoch das Risiko, große Schäden einzurichten, wenn die numerischen Formeln nicht stimmen, „Fail fast and break things“ ist nicht die richtige Einstellung, um eine numerische Formel zur Umsetzung durchzuwinken. Dennoch sind viele Alternativen, wie etwa Wasserfall-Modelle noch schlimmer, da sie die Illusion von Rationalität und Kontrolle vermitteln. Ein sehr iterativer Prozess stellt dabei den Schlüssel für die Entwicklung der numerischen Formel, die sich für die Umsetzung eignet, dar.
7.3 Der Supply-Chain-Scientist
Im Mittelpunkt eines Projekts zur quantitativen Supply-Chain steht der Supply-Chain-Scientist (SCS), der für die Datenaufbereitung, die wirtschaftliche Modellierung und die KPI-Berichte zuständig ist. Das Endprodukt der vom SCS geleisteten Arbeit ist die intelligente Automatisierung von Supply-Chain-Entscheidungen. Der SCS kümmert sich um die generierten Entscheidungen. Er liefert menschliche Intelligenz, die durch maschinelle Rechenleistung erweitert wird.
7.4 Über S&OP und BI hinaus – der Stellenwert der Supply-Chain im Unternehmen
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.
S&OP konzentriert sich zu Recht auf die ganzheitliche Ausrichtung des Unternehmens auf das Ziel, den Markt richtig zu bedienen. 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.
8. 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.
8.1 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.
8.2 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.
8.3 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.
8.4 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.
8.5 „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.
8.6 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.
8.7 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.
9. 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.
9.1 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.
9.1.1 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.
9.1.2 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.
9.1.3 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.
9.2 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.
9.2.1 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.
9.2.2 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.
9.2.3 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.
9.3 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.
9.3.1 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.
9.3.2 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.
