Der Bullwhip-Effekt verständlich erklärt
Schwankt der Bedarf der Kundinnen und Kunden im Laden nur leicht, schwanken die Bestellungen weiter oben in der Lieferkette stärker. Dieses Phänomen heißt Bullwhip-Effekt (Peitscheneffekt). Diese Seite erklärt es zuerst ohne Formeln und danach für Fachleute mit Modell, Formeln, Messwerten und Grenzen.
Zuletzt aktualisiert:
Ein Wort unbekannt? Das Begriffsverzeichnis erklärt es in wenigen Sätzen.
Wie eine Peitsche: ruhig am Griff, wild an der Spitze
Eine Lieferkette hat mehrere Stufen: Einzelhandel, Großhandel, Distributor und Fabrik. Der Einzelhandel sieht, was Kundinnen und Kunden kaufen. Der Großhandel sieht nur, was der Einzelhandel bei ihm bestellt, der Distributor nur die Bestellungen des Großhandels, und so geht es bis zur Fabrik.
Der Bedarf im Laden schwankt nur leicht. Die Bestellungen schwanken aber von Stufe zu Stufe stärker, bis die Fabrik Aufträge bekommt, die kaum noch zum Verhalten der Kundschaft passen. Wie bei einer Peitsche ist der Griff ruhig und die Spitze wild.
Warum passiert das?
Jede Stufe will lieferfähig bleiben. Dafür schätzt sie aus den letzten Bestellungen, wie viel gebraucht wird, und hält zusätzlich einen Sicherheitsbestand für Schwankungen. Steigt der Bedarf kurz, schätzt sie höher und bestellt mehr, um Lager und Sicherheitsbestand aufzufüllen. Fällt er, bestellt sie wenig.
Die nächste Stufe sieht davon nur schwankende Bestellungen und macht dasselbe noch einmal, verstärkt. Zwei Dinge machen es schlimmer: lange Lieferzeiten, weil man lange auf eine Antwort wartet, und kurze Beobachtungsfenster, weil man aus wenigen Werten auf den Bedarf schließt.
In der Praxis kommen weitere Gründe hinzu, etwa Bestellen in großen Losen oder Rationierung bei Knappheit. Diese Gründe bildet die Demo nicht ab.
Was hilft?
Die Demo vergleicht Maßnahmen: Bestellungen glätten, den Bedarf aus dem Laden an alle Stufen weitergeben („Info teilen“), die Lieferzeit verkürzen und längere Beobachtungsfenster nutzen. Im Modell der Demo bringen kürzere Lieferzeiten und längere Beobachtungsfenster am meisten. Das Teilen der Bedarfsinformation hilft fast überall, unterschiedlich stark. Glätten hilft nur in manchen Situationen: Es hängt unter anderem davon ab, wie stark der Bedarf von einer Periode zur nächsten zusammenhängt, wie lang die Lieferzeit ist und wie lang das Beobachtungsfenster. Die Zahlen dazu stehen im Fachteil.
Wer zahlt für die Glättung?
Glätten ist nicht umsonst. Eine Stufe, die ihre Bestellungen glättet, braucht dafür selbst mehr Lager, damit sie weiter lieferfähig bleibt. Den Nutzen haben die Stufen darüber, die ruhigere Bestellungen bekommen. Nutzen und Kosten liegen also bei verschiedenen Unternehmen. Das ist ein Anreizproblem, und die übliche Kennzahl „Verstärkung“ zeigt es nicht.
Wie ernst ist das Modell zu nehmen?
Die Demo ist ein stark vereinfachtes Modell mit erfundenen Parametern: vier Stufen, ein Produkt, ein unbegrenzter Lieferant. Sie zeigt, wie die Mechanik wirkt, nicht wie viel Bestand eine echte Lieferkette sparen würde.
Hinweis: Alle Demos rechnen mit synthetischen oder frei verfügbaren Beispieldaten und laufen auf einem externen Anbieter (Datenschutz). Bitte geben Sie darin keine vertraulichen oder personenbezogenen Daten ein. Die Ergebnisse gelten für die jeweilige Demo-Instanz und lassen sich nicht ungeprüft auf reale Fälle übertragen; für darauf gestützte Entscheidungen übernehme ich keine Gewähr.
Modell und Annahmen
Dieser Teil ist eigenständig lesbar. Er fasst die formale Beschreibung der Demo zusammen; die vollständige Fassung steht im Expander „📐 Mathematische Formulierung“ der Demo.
- Kette: vier Stufen. Stufe 1 sieht den Endkundenbedarf \(D_t\), einen AR(1)-Prozess mit Mittel 100, Randstreuung 100 · CV und Autokorrelation \(\rho\). Stufe \(k+1\) sieht die Bestellung der Stufe \(k\) in derselben Periode. Die Fabrik bestellt bei einem unbegrenzten externen Lieferanten.
- Lieferzeit: \(L\) ist in jeder Stufe gleich (Bestellung am Periodenende, Ankunft zu Beginn von \(t + L\)); Backorders werden voll nachgeliefert.
- Kosten und Servicegrad: Bestand \(h = 1\) und Rückstand 9 je Einheit und Periode. Der Servicegrad wird je Stufe auf 95 % festgehalten (Bisektion auf \(z\)), damit Maßnahmen bei gleicher Lieferfähigkeit verglichen werden.
Die Bestellregel
Stufe \(k\) prognostiziert aus der Eingangsreihe \(x_k\) Mittel \(\hat\mu_k(t)\) und Standardabweichung \(\hat\sigma_k(t)\) der letzten \(p\) Werte (einschließlich des aktuellen) und bestellt bei Wiederbeschaffungszeit \(L_k = m_k\) nach einer Order-up-to-Regel mit gleitendem Durchschnitt:
\[S_k(t) = m_k\,\hat\mu_k(t) + z_k\,\hat\sigma_k(t)\sqrt{m_k},\qquad q_k(t) = \max\bigl(0,\; S_k(t) - IP_k(t)\bigr),\qquad x_{k+1}(t) = q_k(t).\]
\(IP_k\) ist die Bestandsposition: Lager plus Unterwegs plus beim Lieferanten offen minus eigener Rückstand. Die Abschneidung bei 0 ist ein realer Dämpfer, den die lineare Theorie unten nicht kennt. Glättung korrigiert nur den Anteil \(\gamma\) der Bestandslücke:
\[q_k = \max\bigl(0,\; \hat\mu_k + \gamma\,(S_k - IP_k - \hat\mu_k)\bigr),\]
mit \(\gamma = 1\) als reiner Order-up-to-Regel.
Lineare Theorie
Ohne Sicherheitsbestand (\(z = 0\)), ohne Abschneidung und mit \(\gamma = 1\) ist jede Stufe ein FIR-Filter:
\[q_t = \Bigl(1 + \tfrac{m}{p}\Bigr)x_t - \tfrac{m}{p}\,x_{t-p},\]
die Kette ist die Faltung \(h_k = h^{(1)} * \dots * h^{(k)}\) der Stufenfilter. Die Verstärkung ist der Varianzquotient
\[V_k = \frac{\operatorname{Var}(q_k)}{\operatorname{Var}(D)} = h_k^\top \Sigma_\rho\, h_k,\qquad (\Sigma_\rho)_{ij} = \rho^{|i-j|},\]
für unabhängig verteilten Bedarf \(V_k = \sum_j h_k(j)^2\). Für Stufe 1 gilt exakt (mit \(m\) als Schutzintervall)
\[V_1 = 1 + 2m/p + 2m^2/p^2.\]
Die bekannte Produktformel \(\prod_k V_1\) ist ab Stufe 2 nur eine Untergrenze. Mit geteilter Information wächst das Schutzintervall additiv, \(M_k = L_1 + \dots + L_k\), und \(V_k = 1 + 2M_k/p + 2M_k^2/p^2\).
Befunde
Alle Zahlen stammen aus der Messreihe der Demo (jede steht in deren Tests) und gelten für das Hauptszenario (CV 0,2, \(\rho\) 0, \(L\) 2, \(p\) 10, 4 Stufen) bei gleichem Servicegrad von 95 % je Stufe. Verglichen wird die Summe Lager aller vier Stufen über 500 Wiederholungen (Standardfehler der Summen 0,1 bis 0,4), als Änderung gegenüber der Basis derselben Zelle. Ausnahmen sind genannt.
| Frage | Befund |
|---|---|
| Formel gegen Simulation | Stufe 1 ist exakt \(1 + 2m/p + 2m^2/p^2\) (20 Kombinationen, Abweichung unter 1e-12). Bei mehreren Stufen ist die Produktformel nur eine Untergrenze: Stufe 4, \(m = 2\), \(p = 5\): Simulation 37,9, exakt 37,7, Produktformel 20,2. Das Verhältnis exakt zu Produkt liegt zwischen 1,03 (\(m = 1\), \(p = 20\)) und 3,43 (\(m = 4\), \(p = 3\)). |
| Maßnahmen im Überblick | Änderung der Summe Lager: Lieferzeit halbiert −65,1 %, Fenster verdoppelt −45,4 %, Info teilen −26,9 %, Info teilen plus Glättung (\(\gamma\) 0,5) −42,9 %. |
| Fester z gegen gleichen Servicegrad | Bei festem \(z = 1{,}645\) sieht Glättung billiger aus (Summe Lager 293 auf 152 bei \(\gamma\) 0,5), verschlechtert aber den Service je Stufe auf 92,3 / 85,2 / 83,3 / 87,8 % gegenüber 97,6 / 95,7 / 94,0 / 93,5 % in der Basis. Bei gleichem Servicegrad spart Glättung Kettenbestand: −15,7 % (\(\gamma\) 0,5) und −17,3 % (\(\gamma\) 0,3). |
| Wer zahlt | Beim Glätten an allen Stufen mit \(\gamma\) 0,7 / 0,5 / 0,3 steigt das Lager des Einzelhändlers um 7,1 / 16,2 / 29,0 %, das der Fabrik sinkt um 25,6 / 30,2 / 37,3 %. Nutzen und Kosten liegen in verschiedenen Unternehmen: ein Anreizproblem. |
| Regimeabhängigkeit der Glättung | Änderung der Summe Lager bei Glättung (\(\gamma\) 0,5): \(\rho\) 0 / 0,5 / 0,8: −15,7 / −5,4 / +6,9 %. Hier variiert je Zelle nur dieser eine Parameter ausgehend vom Hauptszenario. |
Grenzen
- Stark stilisiert: vier Stufen mit gleichen \(L\) und \(p\), ein Produkt, unbegrenzter Lieferant, keine Kapazitätsgrenzen, keine Losgrößen, keine Informationsverzögerung, keine Rationierung bei Engpässen. Parameter erfunden, nicht kalibriert; das Servicegrad-Ziel von 95 % in allen Stufen ist eine Modellwahl.
- Lehrbuchthema: Bullwhip-Effekt und Formel sind bekannt; neu ist in der Demo die Kosten- und Anreizsicht bei gleichem Servicegrad. Alle Aussagen gelten in diesem Modell, bei diesen Reglern.
- Varianzkosten nicht bewertet: Kapazität, Umrüstung und Expresszuschläge fehlen; der Nutzen der Glättung für die oberen Stufen ist deshalb eher unterschätzt.
- Kleine Fenster (\(p \le 6\)) erzeugen durch die Schätzung von \(\sigma\) extreme Verstärkung: ein Schätzartefakt der Regel, kein Naturgesetz.
Quellen
- Forrester, J. W.: Industrial Dynamics (1961).
- Lee, H. L., Padmanabhan, V., Whang, S. (1997): The Bullwhip Effect in Supply Chains.
- Chen, F., Drezner, Z., Ryan, J. K., Simchi-Levi, D. (2000): Quantifying the Bullwhip Effect in a Simple Supply Chain. Die Zuordnung der Formel zu dieser Arbeit ist durch Herleitung und Simulation in der Demo belegt.
- Quelltext, Messreihe und Tests der Demo: github.com/sebastian-hanisch/bullwhip-demo.
Die genannten Arbeiten wurden für diese Seite nicht nachgeschlagen; die Literaturhinweise stammen aus der README der Demo.