Wie man die Komplexität der Lieferkette in einen großartigen Service umwandelt

Wenn Amazon heute aus dem Nichts entstehen würde, würden sich nur wenige Menschen mit gesundem Verstand sicher fühlen, es profitabel betreiben zu können.

Weltweit verkauft das Unternehmen mehr als 3 Milliarden Produkte über 11 verschiedene Ländermarktplätze. Allein in den USA hat Amazon im Jahr 2018 208 Millionen neue Produkte auf den Markt gebracht – die meisten davon sind Slow Mover oder „Long-Tail“-Artikel. Trotz seiner extremen Komplexität und Größe verdoppelten die Gewinne von Amazon im Juli 2018 die Erwartungen der Aktionäre und erzielten einen Quartalsgewinn von satten 2,5 Milliarden US-Dollar.

Der Erfolg von Amazon mag wie ein Zufall erscheinen, der unmöglich zu replizieren ist. Wenn man es jedoch aufschlüsselt, wurde Jeff Bezos zum reichsten Menschen der Welt, indem er herausfand, wie man drei scheinbar widersprüchliche Dinge gleichzeitig tun kann:außergewöhnliche Serviceniveaus zu den geringstmöglichen Kosten bieten, und Komplexität managen. Ich behaupte, dass es für jedes Unternehmen ohne fortschrittliche technologische Fähigkeiten schwierig ist, alle drei mit echtem Erfolg zu erreichen.

Ändern Sie zunächst Ihre Denkweise. Leider verharren in einem Markt mit wachsender Nachfragevolatilität und höheren Serviceerwartungen zu viele Unternehmen in traditionellen Prozessen und einer bekannten Abwärtsspirale. Sie können eine steigende Anzahl von SKU-Kombinationen nicht zuverlässig prognostizieren und laden ihren Lagerbestand auf, um eine langfristige, unregelmäßige Nachfrage zu decken. Dies führt unweigerlich zu Problemen wie zusätzlichen Frachtkosten und überschüssigem und veraltetem Inventar, das entweder abgeschrieben oder mit einem hohen Rabatt verkauft werden muss. Planer befinden sich ständig im reaktiven und ineffizienten „Brandbekämpfungsmodus“ und verbringen die meiste Zeit damit, vorgeschlagene Auffüllungen zu ändern und Service-Level zu manipulieren, anstatt die Leistung zu steigern.

Probleme in der Lieferkette sind oft am schwierigsten zu beheben, da sie kontraintuitive Lösungen haben. Wenn Sie „amazonischen“ Erfolg haben wollen, müssen Sie als Erstes aus dem Weg gehen und einen neuen Ansatz versuchen. Ein bekanntes Sprichwort besagt, dass das sichere Zeichen von Wahnsinn darin besteht, immer wieder dasselbe zu tun und andere Ergebnisse zu erwarten.

Das Geheimnis der serviceorientierten Planung liegt in der Wahrscheinlichkeitsprognose und der Optimierung des Bestandsmixes. Um Komplexität zu managen und hohe Service-Levels zu erreichen, müssen Sie zunächst die Prognosegenauigkeitsgrenze durchbrechen:Anstatt eine Zahl zu prognostizieren, verstehen Sie die Bandbreite der Möglichkeiten der Nachfrage in Ihrer Prognose. Diese Methode wird Wahrscheinlichkeitsprognose genannt. Bei diesem Ansatz erhalten Sie immer noch eine Zahl, die mit dem wahrscheinlichsten Ergebnis verbunden ist. Um diese Zahl herum erhalten Sie jedoch eine Reihe anderer möglicher Ergebnisse, die jeweils mit einer anderen Wahrscheinlichkeit verbunden sind. Es ist eine Alternative zur herkömmlichen "Einzahl"-Prognose, die auf der durchschnittlichen aggregierten Bestellhistorie basiert.

Wahrscheinlichkeitsprognosen sind ideal für Lieferketten, die eine große Anzahl von Long-Tail-Artikeln umfassen und aufgrund der Vielzahl von Faktoren, die sie nicht angemessen modellieren können, mit Nachfrageschwankungen und -unsicherheiten konfrontiert sind. Wie Supply-Chain-Guru Lora Cecere in ihrem Blog Probabilistic Forecasting:Right Fit for Your Business? schlussfolgerte:„Für schwierige Nachfrageprofile ist die probabilistische Prognose eine neue und leistungsfähige Technik. Es ist eine Art von Motor. Bei der Prognose dreht sich alles um bessere Mathematik und die Anpassung des Datenmodells an die Ergebnisse.“

Ihre Lieferkette muss nicht zu komplex werden, bevor sie von Wahrscheinlichkeitsprognosen profitieren kann. Hier ist ein stark vereinfachtes Beispiel zur Veranschaulichung. Angenommen, Sie möchten die Nachfrage für die SKU eines bestimmten Autoreifens prognostizieren. Ein Prognosesystem mit einer einzigen Zahl würde die Verkaufshistorie dieses Reifens von vier Einheiten pro Monat untersuchen und die durchschnittliche Nachfrage als einen Reifen pro Woche identifizieren. Da sich diese Prognose nicht an Kunden richtet, die alle vier Reifen auf einmal ersetzen, würde sie ständig die falsche Prognose und damit die Lagerbestände vorschlagen, um die angestrebten Serviceniveaus zu erreichen.

Für die Bestandsplanung müssen Sie die Wahrscheinlichkeit jeder einzelnen Bestellmenge kennen – für einen Reifen, zwei Reifen, drei Reifen, vier Reifen usw. Die probabilistische Prognose liefert genau diese Informationen und identifiziert die Bestellmuster (z. B. Bestellgröße, Bestellung .). Häufigkeit), mit der das Inventar die Nachfrage bedienen kann.

Anfang der 90er Jahre machten wir in der Lieferkettenwelt eine einsame Figur, als wir uns zum ersten Mal für diesen Ansatz als Alternative zur traditionellen Prognose einsetzten. Angesichts der überwältigenden Komplexität der Lieferkette gibt es heute eher eine brennende Plattform für Unternehmen, um sie auszuprobieren. Das Feedback, das wir erhalten, ist ausnahmslos „Ich wünschte nur, wir hätten früher damit begonnen!“

Zweitens ermöglicht die Bestands-Mix-Optimierung das, was wir „servicegesteuerte Planung“ nennen, indem sie die Größe und Variabilität – die Komplexität – Ihres SKU-Portfolios im gesamten Netzwerk nutzt. Anstatt jeder SKU in einer Gruppe das gleiche Service-Level zuzuweisen, wird jedem SKU-Standort in der gesamten Lieferkette ein eigenes Service-Level zugewiesen, das optimiert ist, um die Geschäftsziele zu erreichen. Anstatt beispielsweise allen SKUs einer Klasse einen 98-Prozent-Service-Level zuzuweisen, wird ein globales 98-Prozent-Ziel erreicht, indem die einzelnen SKU-Standort-Service-Levels optimal auf 99 Prozent, 97 Prozent, 99,5 Prozent usw Gesamtziel des Kundenservice-Levels bei weitaus geringeren Lagerkosten.

Der weltweit tätige Hersteller von Brillengläsern, Shamir Optical, wandte wahrscheinlichkeitsbasierte Prognosen an, um serviceorientierter zu werden. Anstatt eine einheitliche Lagerbestandsrichtlinie zu verwenden, analysierte Shamir die Nachfragemuster, um eine Mischung verschiedener Service-Level-Ziele für jede einzelne SKU an jedem Standort zu erstellen. Das Unternehmen reduzierte die Lagerbestände insgesamt um mehr als 25 % und erreichte gleichzeitig ein Serviceniveau von über 99 %.

Probabilistische Prognosen können von menschlichen Planern praktisch nicht schnell genug ausgeführt werden. Damit es funktioniert, müssen Sie den Planungsprozess mit einem selbstanpassenden System automatisieren, das maschinelle Lerntechnologie verwendet – eine Form künstlicher Intelligenz. Um Wahrscheinlichkeitsprognosen zu erstellen, müssen Sie zunächst Ihre Lieferkette modellieren. Die meisten Unternehmen beginnen mit einer Beispielgruppe von SKUs, um sie im Laufe der Zeit zu testen und zu skalieren. Bei Ihrem Modell müssen Sie dann die Auswirkungen einer Vielzahl potenzieller Nachfragevariablen berücksichtigen. Dies können traditionelle Eingaben wie die Bestellhistorie, andere Unternehmensquellen wie Kundenbeziehungsmanagement (CRM)-Systemdaten und sogar externe Quellen wie Wetter, Börsen- und Social-Media-Trends sein. Da ein Lieferkettenmodell ein „lebendes“ System ist, lernt maschinelles Lernen kontinuierlich und passt die Ergebnisse im Laufe der Zeit an, sodass Sie bei Bedarf neue Datenquellen einführen können. Anwenden von KI bietet tiefe Einblicke in das Verhalten von Nachfrage und Lagerbestand, um die Ergebnisse zu verbessern.

Die gute Nachricht für den Menschen ist jedoch, dass Wahrscheinlichkeitsprognosen von Natur aus ein Ausgangspunkt sind – kein Endspiel. Sie wurden entwickelt, um Planern rechtzeitig die Daten zur Verfügung zu stellen, die sie benötigen, um fundierte Entscheidungen zu Servicerichtlinien und entsprechenden optimalen Lagerbeständen in ihren Lieferketten zu treffen.

Diese KI-gestützte Wahrscheinlichkeitsprognose stellt die ideale Symbiose zwischen Mensch und Maschine dar. Das System wird im Laufe der Zeit intelligenter, indem menschliche Eingaben berücksichtigt werden, und die Menschen werden intelligenter, indem sie aus der Erfolgsrate der Wahrscheinlichkeitsprognosen lernen. Dadurch können sich Planer auf den Service konzentrieren, an strategischen Projekten arbeiten und ihre Geschäftseinblicke in das System einbringen.

Auch Ihr Unternehmen kann von Komplexität profitieren. Das Schöne an der Wahrscheinlichkeitsprognose ist, dass mit steigendem Servicelevel Kosten, Verschwendung und Ineffizienz sinken. Hunderte von Unternehmen wie Shamir Optical haben eine Vielzahl von Vorteilen in Anspruch genommen, von der Freisetzung von Betriebskapital bis hin zur Reduzierung von Obsoleszenz, Transport und Beschleunigung von Kosten und Abschlägen. Viele Unternehmen berichten, dass sie besser auf Marktveränderungen reagieren und bessere strategische Entscheidungen treffen können.

Für Menschen, die den deterministischen „Ein-Zahlen“-Ansatz verwenden, wird sich die Wahrscheinlichkeitsprognose nicht intuitiv anfühlen. Wenn Sie jedoch nicht in einem Rohstoffgeschäft mit wenigen Artikeln und einer vollständig vorhersehbaren Nachfrage tätig sind, reicht der Ein-Zahlen-Ansatz nicht aus. Amazon verwendet diese Methode nicht nur, sondern bietet Partner-Anbietern auch ein Tool zur Wahrscheinlichkeitsprognose. Ist es nicht an der Zeit, es auszuprobieren?

Joseph Shamir ist CEO der ToolsGroup.