„Sagen Sie mir, wofür Sie Ihr Geld ausgeben und ich sage Ihnen, was Ihre Strategie ist.“ Es gibt wahrscheinlich keinen besseren Satz, um den möglichen Unterschied zwischen einer beabsichtigten und einer de facto Strategie zu beschreiben. Zero-based Budgettierung (ZBB) ist eine leistungsstarke Methode, um Wachstum zu beschleunigen, Wert zu schaffen und Ihre Strategie in die Realität umzusetzen. Zero-based Budgettierung – Making Strategy Happen.

WAS IST ZERO-BASED BUDGETTIERUNG?

Die ZBB geht von einem leeren Blatt Papier aus, nicht vom letztjährigen Budget. Auf sehr detaillierter Ebene wird ermittelt, welche Ressourcen unterschiedliche Geschäftsbereiche benötigen, um die strategischen Ziele zu realisieren. Dann werden einzelne Kostenkategorien über alle Geschäftsbereiche hinweg angesprochen und alle Ausgaben müssen verantwortet werden. Bei der ZBB ist die Referenz nicht das Budget des Vorjahres, sondern „Null“.

Die ZBB wurde in den 1960er Jahren eingeführt und gewann langsam an Bedeutung. Nach kurzer Popularität geriet es in Vergessenheit. Jetzt, unterstützt durch die fortschreitende Digitalisierung, ist sie wieder auf dem Vormarsch. Die ZBB wird nicht mehr nur im Konsumgüterbereich eingesetzt und konzentriert sich auch nicht mehr nur auf Vertrieb, Verwaltung und Gemeinkosten. Es breitet sich nun auf verschiedene Sektoren und Funktionen aus. Und das aus gutem Grund, denn es ist für jede Branche und alle Funktionen geeignet: Beschaffung, Supply Chain, Vertrieb und Marketing, Service und Support und mehr.

ZBB IST NICHT NUR EIN KOSTENCONTROLL-TOOL

Viele Unternehmen verwenden es als Instrument zur Kostenkontrolle. Dies ist jedoch eine grobe Unterschätzung des tatsächlichen Kraft. Strategisch eingesetzt kann die ZBB Kostenstrukturen neu gestalten, Investitionsressourcen freisetzen und das Wachstum beschleunigen. Erfolgreiche Unternehmen beginnen mit einem soliden „Was durch Wie“-Ziel, das das Unternehmen leitet. Die damit verbundenen strategischen Ziele führen dann zu fragen, welche Investitionen notwendig sind und wie die Gesamtkostenstruktur aussehen sollte, um diese Investitionen zu ermöglichen. Damit ist die ZBB eng in die Unternehmensstrategie eingebunden. Es konzentriert sich auf Kostendisziplin sowie wachstumsfördernde Investitionen und Chancen. Die Verwendung der ZBB als einmalige Übung wird jedoch nichts bringen.

ZERO-BASED BUDGETTIERUNG VERWANDELT IHR GESCHÄFT

ZBB ist keine einmalige Aufgabe; es ist eine Art, Geschäfte zu betreiben und Teil der DNA einer Organisation. Seine Implementierung gestaltet nicht nur Ihre Prozesse, Richtlinien und Systeme neu, sondern schafft auch eine neue Denkweise und ein neues Verhalten. Die ZBB etabliert eine klare Kostenverantwortung und Disziplinen, um Kosten mit geringem oder keinem Mehrwert zu reduzieren und dauerhaft zu eliminieren. Gleichzeitig bedarf es einer klaren Verantwortlichkeit, um den Mehrwert der richtigen Ausgaben zu maximieren. Die ZBB fordert Unternehmen auf, in verschiedenen Funktionen, Regionen, Divisionen und Geschäftsbereichen effizienter und effektiver zu arbeiten, um Umsatz und Marge zu steigern. Es ermutigt Menschen, bewusste, strategische Entscheidungen zu treffen und die richtigen Dinge zu tun.

ZERO-BASED BUDGETTIERUNG IN GUTEN UND SCHLECHTEN ZEITEN – STRATEGISCHES MOMENTUM HALTEN

Während einer Rezession – und vor allem direkt danach – steigern erfolgreiche Unternehmen ihr EBIT, während andere ins Stocken geraten. Warum gewinnen manche Unternehmen, während andere verlieren? Der gemeinsame Nenner der Gewinner ist, dass sie eine strikte Kostendisziplin einhalten und ihre Wachstumshebel in guten wie in schlechten Zeiten finanzieren. Sie behalten ihres strategischen Momentum unabhängig von den Marktbedingungen bei.

Wir wissen, dass die Marge in erster Linie den Total Shareholder Return eines Unternehmens bestimmt. Die Unternehmen, die langfristig einen deutlich höheren Wert erwirtschaften, steigern ihr EBIT am stärksten. Sie setzen den notwendigen Wandel bereits in wirtschaftlich guten Zeiten – also präventiv – um. Je früher sich ein Unternehmen transformiert, desto besser ist seine zukünftige Leistungsfähigkeit.

UND WAS IST MIT LEAN SIX SIGMA (LSS)?

Lean wird oft als umfangreicher Werkzeugkasten angesehen. Das verfehlt den Punkt. Bei Lean dreht sich alles um Denkweise und Verhalten – es geht um strikte Kostendisziplin und einen schnellen Cash Conversion-Zyklus. Lean entstand bei Toyota, als das Unternehmen kurz nach dem Zweiten Weltkrieg wieder aufgebaut wurde. Das Bargeld war denen knapp, genau wie ihren Kunden.

Das gesamte Konzept des Flows innerhalb der Arbeitsweise von Toyota war und ist es, einen schnellen Cash Conversion-Zyklus zu gewährleisten und Kosten niedriger Wertschöpfung zu eliminieren. Außerdem haben sie alles aus Kundensicht angegangen: Wofür ist der Kunde bereit zu zahlen? Alles andere ist Verschendung. Ein schneller Cash Conversion-Zyklus bietet die Möglichkeit, schneller zu wachsen. Und das haben sie getan.

Ebenso wird Six Sigma oft als umfassender Werkzeugkasten angesehen. Bei Six Sigma dreht sich jedoch auch alles um Denkweise und Verhalten – um die harte Beseitigung von Variationen. Six Sigma wurde Ende der 1950er Jahre von Motorola entwickelt. Das Unternehmen wurde durch schlechte Qualitätskosten lahmgelegt, was seine Margen dämpfte und den Umsatz unter Druck setzte. Um eine lebensfähige Zukunft zu haben, musste das Unternehmen die Variation reduzieren.

WIE HÄNGEN ZERO-BASED BUDGETTIERUNG UND LEAN SIX SIGMA ZUSAMMEN?

Zero-based Budgettierung ist der übergreifende Ansatz, um den kurz- und langfristigen Erfolg eines Unternehmens voranzutreiben. Aus geschäftsstrategischer Sicht wird zunächst das „Was durch Wie“-Ziel festgelegt und dann die wichtigsten Ziele und Vorgaben festgelegt. Die ZBB betrachtet das Unternehmen als Ganzes auf höchster Ebene, geprägt von seinem Zweck, seiner Vision und seinem Ehrgeiz. Jeder Aspekt eines Unternehmens ist davon betroffen: das Geschäftsmodell, einschließlich der Organisationsstruktur und die Richtlinien. Die ZBB gedeiht bei der richtigen Mentalität und dem richtigen Verhalten; in der DNA der Organisation verankert.

Die Denkweise und das Verhalten hinter Lean Six Sigma (LSS) stimmen vollständig mit der Denkweise und dem Verhalten hinter Zero-Based Budgeting überein. Die ZBB wird die Auswahl der Tools aus der LSS-Toolbox leiten, die den Bedürfnissen des Unternehmens bei der Verwirklichung seiner Vision und seiner Ambitionen am besten entsprechen – ähnlich wie Toyota und Motorola Fähigkeiten und Tools entwickelt und erworben haben, die ihren Bedürfnissen entsprechen und geprägt von ihrer Denkweise.

Ein diszipliniertes Cash- und Working-Capital-Management sorgt für eine gute operative und finanzielle Performance. In den 5 Jahren vor dem COVID-Ausbruch ist die Leistung jedoch in Bezug auf Cash, Verwaltung von Arbeitskapital und Beschaffung eingebrochen. Eine genauere Analyse zeigt, daβ die Bestandsoptimierung die größte Herausforderung darstellt – sowohl in volatilen als auch in nicht volatilen Märkten.

ERZIELEN SIE EINE ZWEISTELLIGE BESTANDSREDUZIERUNG UND HALTEN ODER VERBESSERN SIE DIE SERVICELEVEL

Die jahrzehntelange Erfahrung hat uns gelehrt, daβ der direkte Zugriff auf die Lagerbestände sowohl der schnellste als auch der sicherste Weg ist, eine leistungsstarke Lieferkette zu garantieren. Der Lagerbestand befindet sich direkt im Herzen Ihrer Lieferkette und ist sowohl Symptom als auch Ursache für die Leistung Ihrer Lieferkette. Bestandsoptimierung macht Ihre Kunden zufrieden, erhöht die Umlaufgeschwindigkeit, reduziert Kosten und Verschwendung und setzt Cash frei.

Bei Axisto kombinieren wir den praktischen Geschäftsfokus der Managementberatung mit der schnellen Analysefähigkeit fortschrittlicher Informationstechnologie. Wir extrahieren schnell, praktische Erkenntnisse aus den vorhandenen Daten Ihrer Enterprise Resource Planning (ERP)-Systeme. Unsere Mitarbeiter konzentrieren sich auf die menschlichen Herausforderungen bei der Implementierung und Aufrechterhaltung belastbarer und schlanker Lieferketten.

Unser einzigartiger Ansatz für die Lieferkette stellt die Bestandsoptimierung in den Mittelpunkt. Auf diese Weise können wir dazu beitragen, den Bestand im zweistelligen Bereich zu reduzieren und gleichzeitig das Serviceniveau aufrechtzuerhalten oder zu verbessern – und das im Vergleich zu herkömmlichen Ansätzen schnell und mit geringem Risiko.

UNSERE ANSATZ ZUR BESTANDSVERWALTUNG

Axisto bietet drei Ansätze für das Bestandsmanagement: Bestandsoptimierungsprogramme, Bestandsanalysen und Bestandsreifebewertungen.
Unser Ausgangspunkt bei den meisten Kunden ist ein schneller Scan. Auf Basis von nur 3 Standardberichten aus Ihrem ERP-System quantifizieren wir punktuelle Verbesserungspotenziale sowie das insgesamt vorhandenes Optimierungspotential. Das Ergebnis besteht sowohl aus einer sofortigen Quantifizierung des Verbesserungspotenzials auf hoher Ebene wie auch aus der Grundlage einer Roadmap, um schnell nachhaltige Verbesserungen erzielen zu können.

PROGRAMME ZUR BESTANDSOPTIMIERUNG

Wir bieten Expertenanalysen und effektives Change Management, unterstützt durch einen klar meβbaren Business Case. Verbesserungen der Lagerbestände von 20 % oder mehr, manchmal sogar viel mehr, sind in der Regel innerhalb des ersten Jahres bei einer hohen Kapitalrendite erreichbar.

 INVENTARANALYSE

Haben Sie Schwierigkeiten zu verstehen, was Ihnen Ihre Bestandsdaten sagen oder was Sie gegen zu hohe Bestände tun können? Haben Sie Optimierungstools, die schwierig zu verwenden sind oder die Ergebnisse liefern, von denen Sie wissen, daβ sie falsch sind, aber Sie wissen nicht warum? Mit der proprietär Technologie die wir verwenden, bieten wir unseren Kunden schnelle umsetzbare Einblicke in ihre Bestandsdaten.

Darüber hinaus unterstützen wir unsere Kunden bei einer Reihe gezielter Analyseaufgaben, die sich von der strategischen Bestandspositionierung (wo in Ihrer Lieferkette sollten Sie Bestände halten?) bis hin zur Festlegung von Bestandsrichtlinien für schwer zu optimierende Artikel (z.B. von Ersatzteilen oder Produkten die auf Bestellung hergestellt werden müssen) erstrecken.

BESTANDSREIFEPRÜFUNGEN

Das Inventar wird von fast jedem Aspekt Ihres Unternehmens beeinfluβt. Daher kann es auf Unternehmensebene schwierig sein, zu wissen, wo die größten Möglichkeiten für weitere Verbesserungen liegen oder wie Sie im Vergleich zu Ihren Mitbewerbern abschneiden.

Axisto kann die Qualität Ihrer Bestandsverwaltung messen. Wir kombinieren eine granulare, quantitative Bottom-up-Bewertung Ihres Verbesserungspotenzials mit einem qualitativen Überblick über Ihre Mitarbeiter, Prozesse und Systeme, einschließlich relevanter Benchmarks, um Ihnen umsetzbare Einblicke zu geben, wie Sie den nächsten Schritt auf Ihrem Weg zur nachhaltigen Verbesserung Ihrer Bestandssituation finden können.

EINE FALLSTUDIE

HERAUSFORDERUNGEN

Ein mittelständisches Industrieunternehmen mit starker Marktposition und Rentabilität hatte historisch wenig Fokus auf Lagerbestände. Die Folge war, daβ der Lagerbestand allmählich anwuchs. Es war Zeit zu handeln.

RESULTATE

Der Lagerbestand wurde über einen Zeitraum von 3 Jahren um mehr als 50 % gegenüber dem ursprünglichen Ausgangswert reduziert, während die Serviceniveaus beibehalten oder verbessert wurden. Verbesserungen der zugrunde liegenden Daten führten zu einem besseren Verständnis dafür, wie und warum zu handeln ist – die Fähigkeit die Bestände optimal zu verwalten wurde in den Teams des Kunden erheblich weiter entwickelt.

EINIGE ZITATE

„Wir haben endlich volle Transparenz über das, was wir haben, sodaβ wir wöchentlich faktenbasierte Entscheidungen treffen können.“ – Automobilhersteller

Seit Start des Programms haben wir unsere Lagerbestände um über 50% reduziert.“ –  Industrieller Hersteller

Die Ergebnisse sind außergewöhnlich und haben unseren Cashflow erheblich verbessert.“ – Globales Produktionsunternehmen

Das Bestandoptimierungsprogramm hat ein breites Spektrum von Prozeβproblemen in den Fokus gerückt, mit weitreichenderen Auswirkungen als nur die Lagerbestände zu verbessern..“ – Marktführender Hersteller

Kunden erwarten heute kürzere Lieferzeiten und haben eine geringere Toleranzgrenze für verspätete oder unvollständige Lieferungen. Gleichzeitig sehen sich Supply Chain Manager mit steigenden Kosten und Volatilität konfrontiert. Process Mining schafft Transparenz und Überblick über die gesamte(n) Lieferkette(n) und bietet Entscheidungs- und Kompromissvorschläge zur Echtzeitoptimierung von Abläufen. Wie Leistung in der Lieferkette verbessern mit Process Mining.

Volle Transparenz

Anstatt mit dem entworfenen Prozessablauf oder dem im ERP-System abgebildeten Prozessablauf zu arbeiten, überwacht Process Mining den tatsächlichen Prozess in beliebiger, gewünschter Granularität: End-2-End-Prozess, Procure-2-Pay, Fertigung, Bestandsführung, Kreditoren-buchhaltung, für einen bestimmten Produkttyp, Lieferant, Kunden, einzelne Bestellung, individuelle SKU. Process Mining überwacht Compliance, Konformität, Zusammenarbeit zwischen Abteilungen oder zwischen Kunden, eigenen Abteilungen und Lieferanten usw.

Überblick über die Lieferkette

Dashboards werden nach Ihren Anforderungen erstellt. Diese sind flexibel und können leicht geändert werden, wenn sich Ihre Bedürfnisse ändern und/oder sich Engpässe verschieben. Sie schaffen Echtzeit-Einblicke in den Prozessablauf. Sie wissen jederzeit, wie viel Umsatz aufgrund von Bestandsproblemen auf dem Spiel steht, was die Ursachen sind und welche Entscheidungen Sie treffen können und welche Auswirkungen und Kompromisse sie haben werden.

 

 

 

Wenn die Lieferzuverlässigkeit auf der höchsten Berichtsebene nicht dem Zielniveau entspricht, können Sie problemlos in Echtzeit einen ‘Drilldown’ zu einem bestimmten Lieferanten und einer bestimmten SKU durchführen, um die Problemursache in Echtzeit zu ermitteln. Lieferanten können auch mit dem Best-Practice-Service-Niveau von konkurrierenden Lieferanten abgeglichen werden.

Fundierte Entscheidungen treffen und die richtigen Maßnahmen ergreifen

Die interaktiven Berichte heben Lücken zwischen Ist- und Soll-Werten hervor und geben Aufschluss über die Abweichungen, Abbildung A. Durch Anklicken eines der markierten Punkte können Sie einer bestimmten Person eine entsprechende Aktion zuordnen, Abbildung B. Oder sogar automatisch wenn eine Abweichung festgestellt wird. Und die direkte Kommunikation bezüglich der Aktion wird in Echtzeit ermöglicht, Abbildung C.

Fig. A, details zu den Abweichungen.    Fig. B, pop up für Aufgaben. Fig. C, Informationsaustausch.

Zusammenfassung

Process Mining ist ein wirksames Instrument zur Optimierung der End-2-End-Lieferkettenflüsse in Bezug auf Marge, Betriebskapital, Lagerbestand und -profil, Cash, Auftragsdurchlaufzeiten, Lieferzuverlässigkeit, Kundenservice, Nachhaltigkeit, Risiko, Vorhersehbarkeit usw. Da Process Mining die tatsächlichen Prozessabläufe in Echtzeit überwacht, schafft es volle Transparenz und wertet damit die klassischen BI-Suiten deutlich auf. Process Mining kann in bestehende BI-Anwendungen integriert werden und kann die Berichterstattung und Entscheidungsfindung verbessern. Wir betrachten Process Mining als Kernelement der Industrie 4.0.

DIESES INTERVIEW WURDE PUBLIZIERT VON THE GUARDIAN

Zoë Corby

Sun 6 Jun 2021 09.00 BST

‘AI systems are empowering already powerful institutions – corporations, militaries and police’: Kate Crawford. Photograph: Stephen Oxenbury

The AI researcher on how natural resources and human labour drive machine learning and the regressive stereotypes that are baked into its algorithms

Kate Crawford studies the social and political implications of artificial intelligence. She is a research professor of communication and science and technology studies at the University of Southern California and a senior principal researcher at Microsoft Research. Her new book, Atlas of AI, looks at what it takes to make AI and what’s at stake as it reshapes our world.

You’ve written a book critical of AI but you work for a company that is among the leaders in its deployment. How do you square that circle?
I work in the research wing of Microsoft, which is a distinct organisation, separate from product development. Unusually, over its 30-year history, it has hired social scientists to look critically at how technologies are being built. Being on the inside, we are often able to see downsides early before systems are widely deployed. My book did not go through any pre-publication review – Microsoft Research does not require that – and my lab leaders support asking hard questions, even if the answers involve a critical assessment of current technological practices.

What’s the aim of the book?
We are commonly presented with this vision of AI that is abstract and immaterial. I wanted to show how AI is made in a wider sense – its natural resource costs, its labour processes, and its classificatory logics. To observe that in action I went to locations including mines to see the extraction necessary from the Earth’s crust and an Amazon fulfilment centre to see the physical and psychological toll on workers of being under an algorithmic management system. My hope is that, by showing how AI systems work – by laying bare the structures of production and the material realities – we will have a more accurate account of the impacts, and it will invite more people into the conversation. These systems are being rolled out across a multitude of sectors without strong regulation, consent or democratic debate.

What should people know about how AI products are made?
We aren’t used to thinking about these systems in terms of the environmental costs. But saying, “Hey, Alexa, order me some toilet rolls,” invokes into being this chain of extraction, which goes all around the planet… We’ve got a long way to go before this is green technology. Also, systems might seem automated but when we pull away the curtain we see large amounts of low paid labour, everything from crowd work categorising data to the never-ending toil of shuffling Amazon boxes. AI is neither artificial nor intelligent. It is made from natural resources and it is people who are performing the tasks to make the systems appear autonomous.

Unfortunately the politics of classification has become baked into the substrates of AI

Problems of bias have been well documented in AI technology. Can more data solve that?
Bias is too narrow a term for the sorts of problems we’re talking about. Time and again, we see these systems producing errors – women offered less credit by credit-worthiness algorithms, black faces mislabelled – and the response has been: “We just need more data.” But I’ve tried to look at these deeper logics of classification and you start to see forms of discrimination, not just when systems are applied, but in how they are built and trained to see the world. Training datasets used for machine learning software that casually categorise people into just one of two genders; that label people according to their skin colour into one of five racial categories, and which attempt, based on how people look, to assign moral or ethical character. The idea that you can make these determinations based on appearance has a dark past and unfortunately the politics of classification has become baked into the substrates of AI.

You single out ImageNet, a large, publicly available training dataset for object recognition…
Consisting of around 14m images in more than 20,000 categories, ImageNet is one of the most significant training datasets in the history of machine learning. It is used to test the efficiency of object recognition algorithms. It was launched in 2009 by a set of Stanford researchers who scraped enormous amounts of images from the web and had crowd workers label them according to the nouns from WordNet, a lexical database that was created in the 1980s.

Beginning in 2017, I did a project with artist Trevor Paglen to look at how people were being labelled. We found horrifying classificatory terms that were misogynist, racist, ableist, and judgmental in the extreme. Pictures of people were being matched to words like kleptomaniac, alcoholic, bad person, closet queen, call girl, slut, drug addict and far more I cannot say here. ImageNet has now removed many of the obviously problematic people categories – certainly an improvement – however, the problem persists because these training sets still circulate on torrent sites .

And we could only study ImageNet because it is public. There are huge training datasets held by tech companies that are completely secret. They have pillaged images we have uploaded to photo-sharing services and social media platforms and turned them into private systems.

You debunk the use of AI for emotion recognition but you work for a company that sells AI emotion recognition technology. Should AI be used for emotion detection?
The idea that you can see from somebody’s face what they are feeling is deeply flawed. I don’t think that’s possible. I have argued that it is one of the most urgently needed domains for regulation. Most emotion recognition systems today are based on a line of thinking in psychology developed in the 1970s – most notably by Paul Ekman – that says there are six universal emotions that we all show in our faces that can be read using the right techniques. But from the beginning there was pushback and more recent work shows there is no reliable correlation between expressions on the face and what we are actually feeling. And yet we have tech companies saying emotions can be extracted simply by looking at video of people’s facesWe’re even seeing it built into car software systems.

What do you mean when you say we need to focus less on the ethics of AI and more on power?
Ethics are necessary, but not sufficient. More helpful are questions such as, who benefits and who is harmed by this AI system? And does it put power in the hands of the already powerful? What we see time and again, from facial recognition to tracking and surveillance in workplaces, is these systems are empowering already powerful institutions – corporations, militaries and police.

What’s needed to make things better?
Much stronger regulatory regimes and greater rigour and responsibility around how training datasets are constructed. We also need different voices in these debates – including people who are seeing and living with the downsides of these systems. And we need a renewed politics of refusal that challenges the narrative that just because a technology can be built it should be deployed.

Any optimism?
Things are afoot that give me hope. This April, the EU produced the first draft omnibus regulations for AI. Australia has also just released new guidelines for regulating AI. There are holes that need to be patched – but we are now starting to realise that these tools need much stronger guardrails. And giving me as much optimism as the progress on regulation is the work of activists agitating for change.

The AI ethics researcher Timnit Gebru was forced out of Google late last year after executives criticised her research. What’s the future for industry-led critique?
Google’s treatment of Timnit has sent shockwaves through both industry and academic circles. The good news is that we haven’t seen silence; instead, Timnit and other powerful voices have continued to speak out and push for a more just approach to designing and deploying technical systems. One key element is to ensure researchers within industry can publish without corporate interference, and to foster the same academic freedom that universities seek to provide.

Atlas of AI by Kate Crawford is published by Yale University Press (£20). To support the Guardian order your copy at guardianbookshop.com. Delivery charges may apply.