Suchen

Expertenbeitrag

 Mauro Adorno

Mauro Adorno

Geschäftsführer, ToolsGroup GmbH

Nachfrageplanung

Supply-Chain-Komplexität ist keine Ausrede für schlechten Service

| Autor/ Redakteur: Mauro Adorno / Sebastian Human

Supply Chains können sich, je nach Kontext, unterschiedlich komplex gestalten. Einer positiven Customer Experience darf dies aber keinen Abbruch tun. Eine serviceorientierte Bestandsplanung kann helfen – wir erklären, wie das funktioniert.

Firma zum Thema

Unternehmen sollten trotz komplexer Supply Chains einen erstklassigen Service anbieten können
Unternehmen sollten trotz komplexer Supply Chains einen erstklassigen Service anbieten können
(Bild: gemeinfrei / Pixabay)

Wenn Amazon heute aus dem Nichts auftauchte, wären vermutlich nur wenige Menschen zuversichtlich, dass das Unternehmen gewinnbringend läuft. Weltweit verkauft Amazon mehr als 3 Milliarden Produkte über 11 verschiedene Marktplätze in verschiedenen Ländern. Allein in den USA führte Amazon 2018 208 Millionen neue Produkte ein – die meisten davon sind Langsamdreher oder Long-Tail-Produkte. Doch trotz dieser extremen Komplexität und Größenordnung verdoppelte Amazon im Juli 2018 die Gewinnerwartungen der Aktionäre und erzielte einen Quartalsgewinn von stolzen 2,5 Milliarden US-Dollar.

Amazons Erfolg mag wie ein Zufall erscheinen, der sich unmöglich kopieren lässt. Doch wenn man es aufschlüsselt, wurde Jeff Bezos im Grunde genommen dadurch zum reichsten Menschen der Welt, dass er herausfand, wie man drei scheinbar widersprüchliche Dinge auf einmal erledigt: außergewöhnliche Service Levels zu niedrigsten Kosten liefern und Komplexität managen. Diese drei Ziele ohne moderne KI-basierte Technologien zu erreichen, ist für jedes Unternehmen ausgesprochen schwierig, wenn nicht gar unmöglich.

Sich selbst nicht im Weg stehen

Leider sind in einem Markt, der sich durch wachsende Nachfragevolatilität und höhere Serviceansprüche auszeichnet, immer noch zu viele Unternehmen an traditionelle Prozesse gebunden. Nicht selten setzt sich hier eine Abwärtsspirale in Gang: Wenn Unternehmen nicht in der Lage sind, die wachsende Anzahl von SKU-Kombinationen, also jede mögliche Variante der Endprodukte, zuverlässig vorherzusagen, wird der Bestand aufgestockt, um der unregelmäßigen Long-Tail-Nachfrage gerecht zu werden. Dies führt in der Regel zu zusätzlichen Transportkosten und Überbeständen, die entweder abgeschrieben oder mit einem hohen Abschlag verkauft werden müssen. Die Planer befinden sich kontinuierlich in einem reaktiven, ineffizienten „Feuerlöschmodus“ und verbringen die meiste Zeit damit, vorgeschlagene Nachschubmengen zu ändern und die Service Levels anzupassen, anstatt die Leistung zu steigern.

Supply-Chain-Probleme sind oft am schwierigsten zu beheben, weil sie kontraintuitive Lösungen erfordern. Um einen „amazonischen“ Erfolg zu erzielen, müsste man sich zuerst selbst „aus dem Weg gehen“ und neue Ansätze ausprobieren. Denn wie ein gängiges Sprichwort sagt: Wahnsinn ist, wenn man immer wieder das Gleiche tut und doch andere Ergebnisse erwartet.

Probabilistische Vorhersage als Schlüssel für eine serviceorientierte Planung

Um die heutige Komplexität der Supply Chain zu bewältigen und ein hohes Serviceniveau zu erreichen, müssen zunächst die Grenzen der Prognosegenauigkeit durchbrochen werden: Anstelle des traditionellen „One-Number Forecast“, der auf der Mittelung der aggregierten Daten basiert und eine Zahl als ein mögliches Ereignis vorhersagt, sollte man eine Bandbreite an Nachfragemöglichkeiten prognostizieren. Diese Methode bezeichnet man auch als probabilistische Vorhersage. Bei diesem Ansatz gibt es zwar immer noch eine Zahl für das wahrscheinlichste Ergebnis. Darüber hinaus werden aber auch die Wahrscheinlichkeiten einer Reihe möglicher anderer Ergebnisse identifiziert.

Die probabilistische Vorhersage ist ideal für Supply Chains, die über eine hohe Anzahl von Long-Tail-Artikeln verfügen und aufgrund einer Vielzahl von Faktoren, die nicht ausreichend modelliert werden können, mit Nachfrageschwankungen und Unsicherheiten konfrontiert sind. Supply-Chain-Guru Lora Cecere stellte in ihrem Beitrag „Probabilistic Forecasting: Right Fit for Your Business?“ fest: „Für schwierige Nachfrageprofile ist die probabilistische Prognose eine neue und leistungsfähige Methode. Sie ist eine Art Motor. Bei der Prognose geht es um eine bessere Mathematik und die Anpassung des Datenmodells, um bessere Ergebnisse zu erzielen.“

Eine Supply Chain muss nicht komplex sein, um von der probabilistischen Vorhersage zu profitieren. Hier ist ein stark vereinfachtes Beispiel zur Veranschaulichung: Nehmen wir die Nachfragevorhersagen für einen bestimmten Autoreifentyp. Beim „One-Number Forecast“ würden die Daten aus der Verkaufshistorie aggregiert und aus vier monatlich verkauften Einheiten dann eine Nachfrage von einem Reifen pro Woche identifiziert. Dass Kunden in der Regel alle vier Reifen auf einmal ersetzen, wird dabei nicht berücksichtigt. Aus der falschen Prognose ergeben sich also entsprechend falsche Lagerbestandsziele, mit denen die angestrebten Service Levels erreicht werden sollen.

Wie das Beispiel zeigt, sollte man für die Bestandsplanung die Wahrscheinlichkeit für jede Auftragsmenge kennen – also für einen Reifen, zwei Reifen, drei Reifen, vier Reifen etc. Die probabilistische Prognose liefert genau diese Informationen und identifiziert die Auftragsmuster (zum Beispiel Auftragsgröße, Auftragsfrequenz), mit denen der jeweilige Bestand die Serviceanforderungen erfüllen kann.

Chaos und Komplexität durch Optimierung des Bestandsmixes meistern

Des Weiteren ermöglicht die Optimierung des Bestandsmixes eine sogenannte „serviceorientierte Planung“. Dafür wird die Komplexität der Supply Chain mit ihrem umfassenden SKU-Portfolio für das gesamte Netzwerk zum Vorteil genutzt. Anstatt für jede SKU das gleiche Service Level anzuvisieren, erhält jeder SKU-Standort sein jeweils eigenes Service Level, das auf die Erreichung der Geschäftsziele ausgelegt ist. Anstatt beispielsweise alle SKUs mit einem Service Level von 98 Prozent zu versehen, wird ein globales 98-Prozent-Ziel erreicht, indem die einzelnen SKU-Standort-Service-Levels optimal auf 99, 97, 99,5 Prozent etc. festgelegt werden, wodurch das gleiche allgemeine Service-Level-Ziel mit deutlich weniger Lagerbestand erreicht wird.

Der Brillenglaskonzern Shamir Optical zum Beispiel hat die probabilistische Vorhersage eingesetzt, um serviceorientierter zu handeln. Anstatt eine einheitliche Lagerhaltungspolitik zu verfolgen, wurden bei Shamir die Nachfragemuster analysiert, um eine Mischung aus verschiedenen Service-Level-Zielen für jede einzelne SKU an jedem Standort zu erstellen. Dadurch konnte das Unternehmen die Lagerbestände insgesamt um mehr als 25 Prozent reduzieren und erreichte gleichzeitig Service Levels von über 99 Prozent.

Ohne KI-gesteuerte Automatisierung geht es nicht

Probabilistische Prognosen können von menschlichen Planern allein allerdings nicht schnell genug ausgeführt werden. Damit sie „funktionieren“, muss der Planungsprozess mit maschinellem Lernen (ML), einer Form der Künstlichen Intelligenz (KI), automatisiert werden. Um probabilistische Vorhersagen zu erstellen, muss zunächst die Supply Chain modelliert werden. Die meisten Unternehmen beginnen mit einer Mustergruppe von SKUs, die im Laufe der Zeit getestet und erweitert werden. Für das Modell müssen die Auswirkungen einer Vielzahl potenzieller Nachfragevariablen berücksichtigt werden. Dies können traditionelle Inputs wie die Auftragshistorie, andere Unternehmensquellen wie CRM-Systemdaten und sogar externe Quellen wie Wetter, Aktienmarkt und Social-Media-Trends sein. Da ein Supply-Chain-Modell ein „lebendiges“ System ist, stimmt ML über „Lernprozesse“ die Ergebnisse im Laufe der Zeit kontinuierlich ab und ermöglicht es, bei Bedarf einfach neue Datenquellen einzuführen.

Dabei ist die probabilistische Vorhersage so konzipiert, dass sie den Planern rechtzeitig die Daten zur Verfügung stellt, die sie benötigen, um fundierte Beurteilungen der Service Levels und der entsprechenden optimalen Lagerbestände in der Supply Chain vorzunehmen.

823234

Diese KI-gestützte probabilistische Vorhersage stellt eine ideale Symbiose zwischen Mensch und Maschine dar. Das System wird im Laufe der Zeit „intelligenter“, indem es den menschlichen Input berücksichtigt, und die Menschen werden intelligenter, indem sie aus der Erfolgsrate der probabilistischen Vorhersagen lernen. Dies gibt Planern die Möglichkeit, sich auf den Service zu konzentrieren, an strategischen Projekten zu arbeiten und ihr Business-Know-how in das System einzubringen. Wie sich diese Art der serviceorientierten Bestandsplanung darüber hinaus von der traditionellen Planung unterscheidet, zeigt Tabelle 1.

TABELLE EINFÜGEN

Wie Unternehmen von der Komplexität profitieren

Die probabilistische Vorhersage zeichnet sich dadurch aus, dass Kosten, Verschwendung und Ineffizienz sinken, während die Service Levels steigen. Hunderte von Unternehmen konnten durch diesen Ansatz eine Vielzahl von Vorteilen realisieren, von der Freisetzung von Betriebskapital über die Reduzierung von Obsoleszenzen bis hin zur Kostensenkung für Transport und Terminverfolgung. Viele Unternehmen berichten, dass sie besser auf Marktveränderungen reagieren und auch bessere strategische Entscheidungen treffen können.

Für jemanden, der sich dem deterministischen Ansatz des „One-Number Forecast“ verschrieben hat, wird sich die probabilistische Vorhersage kontraintuitiv anfühlen. Die Vorhersage mit einer einzigen Zahl wird allerdings den meisten heutigen Supply-Chain-Szenarien – auch angesichts der zunehmenden globalen Unsicherheit – nicht mehr gerecht, es sei denn, das Unternehmen agiert in einem Commodity-Business mit wenigen Artikeln und völlig vorhersehbarer Nachfrage.

Amazon nutzt übrigens nicht nur die probabilistische Vorhersage, sondern bietet auch ein entsprechendes Prognose-Tool für Partneranbieter an. Wäre es nicht an der Zeit, die probabilistische Vorhersage einmal auszuprobieren?

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de (ID: 46041669)

Über den Autor

 Mauro Adorno

Mauro Adorno

Geschäftsführer, ToolsGroup GmbH