Supply-Chain-Komplexität in überlegene Service-Exzellenz transformieren

Würde Amazon heute aus dem Nichts materialisieren, würden wenige vernünftige Menschen zuversichtlich sein, es profitabel führen zu können.

Weltweit verkauft das Unternehmen mehr als 3 Milliarden Produkte über 11 verschiedene Länder-Marktplätze. Allein in den USA führte Amazon 2018 208 Millionen neue Produkte ein – die meisten davon Slow Mover oder „Long-Tail“-Artikel. Trotz dieser extremen Komplexität und Skalierung verdoppelten Amazons Juli-2018-Gewinne die Erwartungen der Aktionäre und erzielten einen Quartalsgewinn von satten 2,5 Milliarden Dollar.

Amazons Erfolg mag wie ein Zufall erscheinen, der sich nicht replizieren lässt. Doch bricht man es herunter, wurde Jeff Bezos zum reichsten Menschen der Welt, indem er herausfand, wie man drei scheinbar widersprüchliche Dinge gleichzeitig tut: außergewöhnliche Service-Level liefern, bei niedrigstmöglichen Kosten und Komplexität managen. Ich argumentiere, dass das Erreichen aller drei mit echtem Erfolg für jedes Unternehmen ohne fortschrittliche Technologie-Fähigkeiten schwer zu erreichen ist.

Zuerst: Mindset ändern. Leider sperren sich in einem Markt wachsender Nachfragevolatilität und höherer Service-Erwartungen zu viele Unternehmen in traditionelle Prozesse und eine vertraute Abwärtsspirale. Unfähig, eine zunehmende Anzahl von SKU-Kombinationen zuverlässig zu prognostizieren, horten sie Inventar, um Long-Tail-, erratische Nachfrage abzudecken. Das führt unweigerlich zu Problemen wie zusätzlichen Frachtkosten und Überschuss- sowie Obsolet-Beständen, die entweder abgeschrieben oder mit hohem Rabatt verkauft werden müssen. Planer sind kontinuierlich in reaktivem, ineffizientem „Firefighting“-Modus und verbringen die meiste Zeit damit, vorgeschlagene Wiederbeschaffungen zu ändern und Service-Level zu manipulieren, statt Performance zu treiben.

Supply-Chain-Probleme sind oft am schwierigsten zu lösen, weil sie kontraintuitive Lösungen haben. Wenn Sie „amazonischen“ Erfolg erreichen wollen, müssen Sie als Erstes aus Ihrem eigenen Weg herauskommen und einen neuen Ansatz versuchen. Wie das abgedroschene Sprichwort sagt: Das sichere Zeichen von Wahnsinn ist, immer wieder dasselbe zu tun und andere Ergebnisse zu erwarten.

Das Geheimnis service-getriebener Planung ist Wahrscheinlichkeitsprognose (Probability Forecasting) und Bestandsmix-Optimierung (Stock Mix Optimization). Der Weg, Komplexität zu managen und hohe Service-Level zu erreichen, führt zuerst durch den Durchbruch der Forecast-Accuracy-Barriere: Statt einer einzelnen Zahl den Bereich der Möglichkeiten der Nachfrage in Ihrer Prognose zu verstehen. Diese Methode nennt man Wahrscheinlichkeitsprognose. Mit diesem Ansatz erhalten Sie immer noch eine Zahl, die mit dem wahrscheinlichsten Ergebnis assoziiert ist. Um diese Zahl herum erhalten Sie jedoch einen Bereich anderer möglicher Ergebnisse, jedes mit einer anderen Wahrscheinlichkeit. Es ist eine Alternative zur traditionellen „Ein-Zahl“-Prognose, die auf der Durchschnittsbildung aggregierter Bestellhistorien basiert.

Wahrscheinlichkeitsprognose ist ideal für Supply Chains, die eine hohe Anzahl an Long-Tail-Artikeln umfassen und Nachfragevariabilität und -unsicherheit aufgrund der riesigen Anzahl an Faktoren aufweisen, die sie nicht adäquat modellieren können. Wie Supply-Chain-Guru Lora Cecere in ihrem Blog „Probabilistic Forecasting: Right Fit for Your Business?“ schloss: „Für schwierige Nachfrageprofile ist probabilistische Prognose eine neue und mächtige Technik. Es ist eine Art Engine. Prognose dreht sich um bessere Mathematik und die Passgenauigkeit des Datenmodells, um Outcomes zu treiben.“

Ihre Supply Chain muss nicht allzu komplex werden, bevor sie von Wahrscheinlichkeitsprognose profitieren kann. Hier ein vereinfachtes Beispiel zur Illustration. Angenommen, Sie wollen die Nachfrage für eine bestimmte Autoreifen-SKU prognostizieren. Ein Ein-Zahl-Prognosesystem würde sich die Historie von vier verkauften Einheiten pro Monat ansehen und durchschnittliche Nachfrage von einem Reifen pro Woche identifizieren. Da diese Prognose nicht berücksichtigt, dass Kunden alle vier Reifen auf einmal ersetzen, würde sie kontinuierlich die falsche Prognose und damit Inventarlevel für Ziel-Service-Level vorschlagen.

Für die Bestandsplanung müssen Sie die Wahrscheinlichkeit jeder Bestellmengen-Zeile kennen – für einen Reifen, zwei Reifen, drei Reifen, vier Reifen usw. Probabilistische Prognose liefert genau diese Information und identifiziert die Bestellmuster (z. B. Bestellgröße, Bestellhäufigkeit), die der Bestand nutzen kann, um Nachfrage zu bedienen.

Wir schnitten in der Supply-Chain-Welt der frühen 1990er eine einsame Figur, als wir begannen, diesen Ansatz als Alternative zur traditionellen Prognose zu vertreten. Heute, angesichts überwältigender Supply-Chain-Komplexität, gibt es mehr Brennstoff für Unternehmen, es auszuprobieren. Invariabel ist das Feedback: „Ich wünschte nur, wir hätten früher damit angefangen!“

Zweitens ermöglicht Stock Mix Optimization das, was wir „service-getriebene Planung“ nennen, indem sie die Skalierung und Variabilität – die Komplexität – Ihres SKU-Portfolios über das Netzwerk nutzt. Statt jedem SKU in einer Gruppe denselben Service-Level zuzuweisen, erhält jeder SKU-Standort über die Supply Chain seinen eigenen Service-Level, der optimiert ist, um die Geschäftsziele zu erreichen. Beispielsweise wird statt allen SKUs in einer Klasse ein 98-Prozent-Service-Level zugewiesen, ein globales 98-Prozent-Ziel durch optimales Setzen individueller SKU-Standort-Service-Levels von 99 Prozent, 97 Prozent, 99,5 Prozent etc. erreicht – was dasselbe gesamtkundliche Service-Level-Ziel mit weit weniger Inventarkosten erreicht.

Der globale Hersteller von Verschreibungslinsen, Shamir Optical, wandte wahrscheinlichkeitsbasierte Prognose an, um service-getriebener zu werden. Statt einer One-Size-Fits-All-Inventar-Policy analysierte Shamir Nachfragemuster, um eine Mischung aus unterschiedlichen Service-Level-Zielen für jedes einzelne SKU an jedem Standort zu erstellen. Das Unternehmen reduzierte Inventarlevel um mehr als 25 Prozent insgesamt, während es konsistent Service-Level über 99 Prozent erreichte.

Probabilistische Prognose kann von menschlichen Planern nicht praktisch schnell genug ausgeführt werden. Um sie zum Laufen zu bringen, müssen Sie den Planungsprozess mit einem selbstadaptiven System automatisieren, das Machine-Learning-Technologie nutzt – eine Form künstlicher Intelligenz. Um Wahrscheinlichkeitsprognosen zu generieren, müssen Sie zuerst Ihre Supply Chain modellieren. Die meisten Unternehmen starten mit einer Stichprobengruppe von SKUs, um zu testen und über Zeit zu skalieren. Gegen Ihr Modell müssen Sie dann die Auswirkungen einer breiten Palette potenzieller Nachfragevariablen einpreisen. Dies können traditionelle Inputs wie Bestellhistorie sein, andere Unternehmensquellen wie CRM-Systemdaten und sogar externe Quellen wie Wetter, Aktienmarkt- und Social-Media-Trends. Da ein Supply-Chain-Modell ein „lebendiges“ System ist, lernt Machine Learning kontinuierlich und justiert die Ergebnisse über Zeit, sodass Sie neue Datenquellen nach Bedarf einführen können. Die Anwendung von KI liefert tiefe Einblicke in das Verhalten von Nachfrage und Inventar, um Outcomes zu verbessern.

Die gute Nachricht für Menschen: Wahrscheinlichkeitsprognosen sind by Design ein Startpunkt – kein Endspiel. Sie sind darauf ausgelegt, Planern die Daten zu geben, die sie rechtzeitig benötigen, um informierte Urteilssprüche zu Service-Policies und entsprechenden optimalen Inventarlevels über ihre Supply Chains zu fällen.

Diese KI-augmentierte Wahrscheinlichkeitsprognose repräsentiert die ideale Symbiose zwischen Mensch und Maschine. Das System wird im Laufe der Zeit schlauer, indem es menschlichen Input einpreist, und die Menschen werden schlauer, indem sie von der Erfolgsrate der Wahrscheinlichkeitsprognosen lernen. Das befreit Planer, sich auf Service zu fokussieren, an strategischen Projekten zu arbeiten und ihre Business Insights in das System einzubringen.

Ihr Business kann an Komplexität gedeihen. Die Schönheit der Wahrscheinlichkeitsprognose: Während Service-Level steigen, sinken Kosten, Abfall und Ineffizienz. Hunderte Unternehmen wie Shamir Optical haben eine breite Palette von Vorteilen erzielt – von der Freisetzung von Working Capital über Reduktion von Obsoleszenz, Transport- und Expediting-Kosten bis hin zu Markdowns. Viele Unternehmen berichten, responsiver auf Marktveränderungen zu reagieren und bessere strategische Entscheidungen treffen zu können.

Für Menschen, die am „Ein-Zahl“-deterministischen Ansatz hängen, wird Wahrscheinlichkeitsprognose kontraintuitiv wirken. Doch es sei denn, Sie sind in einem Commodity-Business mit wenigen Artikeln und völlig vorhersehbarer Nachfrage, reicht der Ein-Zahl-Ansatz nicht aus. Amazon nutzt nicht nur diese Methode, sondern bietet auch ein Wahrscheinlichkeitsprognose-Tool für Partner-Vendoren an. Ist es nicht an der Zeit, es auszuprobieren?

Joseph Shamir ist Chief Executive Officer von ToolsGroup.