Supply Chain

Komplexität und Unsicherheit mit probabilistischer Vorhersage meistern

| Autor / Redakteur: Mauro Adorno / Sebastian Human

Dank fortschrittlicher Algorithmen sind Vorhersagemethoden für die Supply-Chain-Planung nicht nur Hellsehern vorbehalten.
Dank fortschrittlicher Algorithmen sind Vorhersagemethoden für die Supply-Chain-Planung nicht nur Hellsehern vorbehalten. (Bild: Pixabay / CC0)

Supply Chains werden zunehmend komplexer, die Menge an auswertbaren Daten steigt stetig. Alte mathematische Vorhersagemodelle wie der „One-Number Forecast“ stoßen hier an ihre Grenzen und führen zu hohen Sicherheitsbeständen und Obsoleszenzen. Eine Lösung: neue probabilistische Vorhersagemethoden.

Schon Archimedes wusste, dass es Dinge gibt, die den Menschen unglaublich erscheinen, die nicht Mathematik studiert haben. Dank fortschrittlicher Algorithmen in Supply Chain Planungsanwendungen müssen wir uns zum Glück nicht mehr mit den mathematischen Details von Vorhersagemethoden abmühen. Trotzdem sollten auch Diejenigen, für die Wahrscheinlichkeitsrechnung nicht unbedingt zu den schönsten Erinnerungen zählt, eine Vorhersagemethode unbedingt kennen: die probabilistischen Prognose, auch als stochastische Vorhersage bekannt.

One-Number Forecast

Grob gesprochen gibt es zwei Möglichkeiten, eine Vorhersage zu treffen. Zum einen ist da die Vorhersage, dass ein bestimmtes Ereignis eintreten wird. Zum Beispiel, das Pferd Secretariat wird das Kentucky Derby gewinnen. Da Secretariat das erfolgreichste Rennpferd aller Zeiten war, fällt der Wetteinsatz entsprechend hoch aus, da der Gewinn recht sicher ist.

In der Welt der Supply Chain Planung wird diese Art der Vorhersage als „One-Number Forecast“ bezeichnet. Dabei prognostizieren Planer mit Hilfe einfacher Systeme (oft Tabellenkalkulationen oder Legacy-Planungssysteme) die Auftragsmenge für eine bestimmte Position.

Die Vorhersage mit einer einzigen Zahl wird den meisten heutigen Supply Chain Szenarien auch angesichts der zunehmenden globalen Unsicherheit nicht mehr gerecht. Diese Art der Vorhersage funktioniert nur wenn man sich sicher sein kann, dass sich bestimmte Nachfragemuster wiederholen. Wurden in den letzten fünf Jahren monatlich konstant hundert (plus/minus 5) Standard-USB-Ladegeräten pro Woche verkauft, ist die Bestellung von hundert Einheiten eine ziemlich sichere Sache.

Die probabilistische Prognose

Die meisten Supply Chain Planungs-Szenarien sind natürlich viel komplexer. Das ist auch auf der Rennbahn nicht anders. Selbst die erfolgreichsten, gesündesten Pferde mit fähigen Jockeys unterliegen vielen unvorhersehbaren Variablen, die ihre Gewinnchancen beeinflussen. Professionelle Spieler analysieren daher die Quoten der verschiedenen Wettanbieter, ermitteln die Bandbreite der möglichen Ergebnisse und wenden dann ihr eigenes Wissen an, bevor sie sich für eine Wette entscheiden. Sie setzen oft auf mehrere Pferde, um sich gegen Verluste abzusichern.

Diese zweite Art der Vorhersage ist ein Beispiel für probabilistische Prognosen. In der Supply Chain Planung werden dafür fortschrittliche Algorithmen zur Analyse mehrerer Nachfragevariablen genutzt, um so die Wahrscheinlichkeiten einer Reihe möglicher Ergebnisse zu identifizieren, von denen dann eines als am wahrscheinlichsten gilt. Wenn die Nachfragemuster variabel sind, es wenig oder gar keine Auftragshistorie gibt (wie bei der Einführung neuer Produkte) oder wenn Faktoren wie Saisonalität ins Spiel kommen, ist dieser Vorhersage-Ansatz weitaus zuverlässiger.

Aggregierte Nachfrage wird der tatsächlichen Volatilität nicht gerecht

Selbst wenn die aggregierte wöchentliche oder monatliche Nachfrage nach einem Artikel relativ konstant bleibt, wird doch eine beachtliche Volatilität sichtbar, wenn man weiter ins Detail geht und sich die tägliche Nachfrage nach Artikelstandort anschaut. Für Unternehmen mit einem komplexen Vertrieb und hohen Service Levels, reicht es daher nicht aus, die aggregierte Nachfrage zu betrachten. Sie benötigen einen Plan, der sicherstellt, dass die richtige Anzahl an Artikeln auch rechtzeitig an den richtigen Standorten zur Verfügung steht, damit die Service Levels eingehalten werden können.

Eine probabilistische Prognose, die Unsicherheiten berücksichtigt, unterstützt auch das Risikomanagement. Es geht nicht nur darum, die durchschnittlichen Nachfrageprognosen zu verbessern, sondern auch die gesamte Bandbreite der möglichen Ergebnisse zu bewerten - einschließlich extremer Nachfragevolatilität, die sich am stärksten auf die Service Level auswirken.

Symbiose von Mensch und Maschine

Wenn Lieferpläne oder Sicherheitsbestände auf falschen Annahmen über die Nachfrageunsicherheit basieren, erodiert das Vertrauen in den Planungsprozess. Und wenn Unternehmen aufhören, den Prognosen zu vertrauen, resultiert dies meistens in zu hohen Sicherheitsbeständen und, damit verbunden, erhöhten Kosten, Verschwendung und Obsoleszenzen.

Bei der probabilistischen Vorhersage gibt es auch noch immer diese eine Zahl, die mit der höchsten Wahrscheinlichkeit verbunden ist. Aber mit der Zahl wird eine Reihe möglicher Ergebnisse mit unterschiedlichen Wahrscheinlichkeiten angegeben. Im Grunde genommen eine perfekt Symbiose von Mensch und Maschine. Die Maschine errechnet die verschiedenen Wahrscheinlichkeiten, lässt aber den Planern Raum, sich basierend auf den Marktkenntnissen ein eigenes Urteil zu bilden und die Nachfrage durch Sonderaktionen oder Produktersetzungen entsprechen zu beeinflussen und so potentielle Bestandsüberschüsse oder -defizite zu umgehen.

Planungssysteme mit fortschrittlichen Algorithmen die auf probabilistische Vorhersage setzen, helfen Unternehmen dabei, alle Daten auszuwerten und so konsequent bessere Bestandswetten als ihre Wettbewerber - auch für weniger vorhersehbaren Artikel - zu platzieren und gleichzeitig Betriebskapital freizusetzen und die Service Level zu verbessern.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 45624124 / IoT-Plattformen & Vernetzte Prozesse)