Bullwhip-Effekt
Integrated Business Planning: Nie mehr Ärger mit der Lieferplanabwicklung
Mit der Abwicklung in SAP IBP, Integrated Business Planning, und dem Einsatz von Machine Learning holen Unternehmen das Beste aus ihren Lieferplänen heraus. Ein Lieferplan zeigt an, welche Materialien unter welchen Konditionen zu festgelegten Terminen innerhalb eines Zeitraums bestellt werden. Doch nicht immer geht der Plan auf. Im September wurden 65 Prozent der vom ifo Institut befragten Unternehmen an der Produktion gehindert, weil Rohstoffe und Vormaterialien knapp waren. Folglich konnten nicht alle Aufträge abgearbeitet werden. Materialknappheit hat aktuell viel mit den Auswirkungen der Coronakrise und des Ukraine-Kriegs auf die Lieferketten zu tun. Nicht alle Produktionen lassen sich schnell genug an Schwankungen bei Angebot und Nachfrage anpassen. Aber Materialknappheit ist auch grundsätzlich ein wiederkehrendes Phänomen – weil Lieferpläne häufig unzuverlässig sind und aufgrund von kurzfristigen Änderungen auch Änderungen im Lieferplan nach sich ziehen. Statt Sicherheit birgt der Lieferplan eine wachsende Unsicherheit.
Bedarf und Lieferpläne
Dabei ist die Idee von Lieferplänen gut: Kunden und Lieferanten teilen Informationen über zukünftige Bedarfe und helfen sich so gegenseitig, die Unsicherheiten frühzeitig zu bekämpfen. Wenn es richtig funktioniert, schafft dies eine hohe Liefertreue für den Kunden und ermöglicht Effizienz für den Lieferanten – ein Win-Win.
Schwankungen beim Informationsaustausch bereiten Kopfschmerzen. Ein Lieferplan enthält im Wesentlichen relevante Informationen über Bedarfe und Bedarfszeitpunkte, die vom Kunden gesammelt und dann übergeben werden. So entsteht ein Bild über den zukünftigen Bedarfsverlauf. Aktualisierte Informationen überschreiben die veralteten Daten fortlaufend. Das geschieht abhängig von den individuellen Prozessen einmal in der Woche oder mehrmals am Tag. Mit jedem Mal werden die Bedarfsinformationen und damit der Input für die Bedarfserfüllung verändert – mal mehr, mal weniger stark. Kurzfristig werden Schwankungen durch Fixierungshorizonte verhindert. Mittel- und langfristig verursachen sie jedoch massive Kopfschmerzen – und erzeugen kostspielige Ineffizienzen.
Das Problem liegt in der Sache selbst. Lieferpläne verknüpfen zwei Supply Chains miteinander. Wie gut das gelingt, wird von vielen Faktoren beeinflusst: von den eigenen Prozessen, Prioritäten und Restriktionen, aber auch von Lieferanten und Kunden. Liegen die Informationen vor, müssen die Unternehmen die Lieferplaninformationen ihrer Kunden erst einmal einschätzen. Konkret geht es um die Frage, welche Information aus welchem Lieferplanabruf zu welchem Zeitpunkt wie valide ist und wie sich diese nutzbar machen lässt. Damit beginnt die Suche nach der Nadel im Heuhaufen. Die „gute“ Information kann im Lieferplan von gestern oder von vergangener Woche enthalten sein. Eine persönliche Abstimmung mit dem Kunden wäre zu aufwändig und wirtschaftlich nicht sinnvoll.
Mit SAP IBP und Erweiterungen wie Machine Learning wird diese Suche aber machbar: In IBP wird zunächst der Stammdatentyp konfiguriert. Er enthält Schlüsselattribute wie Kundeninformation, Produktinformation, Lieferplaninformation, Datum und Menge. Diese Informationen werden mithilfe des IBP mithilfe von Stammdaten und Kennzahlen abgebildet. Dabei werden die verschiedenen Stände des Lieferplans abgespeichert und zur weiteren Verwendung abgelegt. Im nächsten Schritt werden die Lieferplanstände, die zuvor in Kennzahlen abgebildet wurden, in den Forecast eingebunden – so bieten sie nicht nur einen informativen Mehrwert im SAP IBP, sondern einen tatsächlichen in der Nutzung: Veränderungen der Lieferpläne und ihrer Positionen lassen sich nun im Zeitverlauf abbilden.
Anschließend gilt es, den Zeitpunkt zu bestimmen, an dem der Lieferplan am stabilsten, sprich am nächsten an der Realität, war. Für diese Berechnung stehen im IBP die klassischen Algorithmen zur Verfügung. Die geringste Abweichung im System bildet die Grundlage für den Aufbau eines statistischen Forecasts. Planer können nun diesen Forecast mit der zuverlässigsten Periode im Lieferplan vergleichen – und mit den besten Kennzahlen im Sales-and-Operations-Prozess weiterarbeiten.
Machine Learning
So weit der hilfreiche, aber auch limitierte Einsatz im IBP. Denn es ist noch deutlich mehr machbar. Zum Beispiel unter Einsatz von Machine Learning. Dabei können Planer die berechneten Fehler im Lieferplan als unabhängige Variable verwenden, um externe Algorithmen anzureichern. Diese können dann als Input verwendet werden, um bessere Forecasts zu erzeugen. Wenn genug Daten zur Verfügung stehen, kann auch der Forecast-Fehler selbst genutzt werden. Daneben besteht die Möglichkeit, die Daten über O-Data-Services oder andere Integrationsschnittstellen aus dem IBP zu extrahieren. Dort werden die Daten mit weiteren in der Python Library vorhandenen statistischen Methoden angereichert und anschließend wieder in SAP IBP zurückgeführt. Der Vorteil ist, dass solche ML-Umgebungen deutlich umfangreichere Analysen erlauben als der Standard aus IBP.
