Probabilistische Vorhersage für Supply Chains

00:00:03 Probabilistische Vorhersagen: Einführung und Überblick.
00:01:34 Unsicherheit und Genauigkeit bei probabilistischen Vorhersagen.
00:02:25 Probabilistische Vorhersagen: Umgang mit Asymmetrien in der Supply Chain.
00:04:33 Undurchsichtige Grenzen und unwahrscheinliche Ereignisse bei probabilistischen Vorhersagen.
00:07:43 Die Rolle mathematischer Modelle bei probabilistischen Vorhersagen.
00:09:15 Bewertung der Genauigkeit einer probabilistischen Vorhersage.
00:11:14 Nachteile klassischer Vorhersagen im Vergleich zu probabilistischen Vorhersagen.
00:13:07 Abhängigkeit der Industrie von klassischen Vorhersagen und Grenzen von Excel.
00:15:23 Die besten Anwendungen für probabilistische Vorhersagen.
00:18:43 Branchen, in denen probabilistische Vorhersagen nicht erforderlich sind.
00:20:03 Einführung und Gründe für die Verwendung von probabilistischen Vorhersagen.
00:22:34 Zukunftsaussichten für probabilistische Vorhersagen.
00:24:27 Zukünftige Methoden: Verzicht auf explizite Berechnung von Wahrscheinlichkeiten.
00:25:37 Fokussierung auf relevante Zukünfte und Bedarfe.
00:26:14 Unsicherheiten in der Zeitleiste der Produktanforderungen.
00:27:03 ‘Was-wäre-wenn’-Szenarien: Auswirkungen von Preisänderungen.
00:27:56 Bedeutung selektiver Exploration.

Zusammenfassung

In diesem Gespräch mit Kieran Chandler erläutert Joannes Vermorel, Gründer von Lokad, die Natur und Vorteile der probabilistischen Vorhersage für Supply Chains. Im Gegensatz zu deterministischen Vorhersagen bieten probabilistische Vorhersagen eine Reihe von Ergebnissen, von denen jedes eine bestimmte Wahrscheinlichkeit hat. Diese Herangehensweise wird als bessere Möglichkeit angesehen, um Asymmetrien in der Supply Chain anzugehen, wie z.B. die unterschiedlichen Auswirkungen einer Über- oder Unterschätzung der Nachfrage. Sie beschränkt sich nicht nur auf Durchschnittswerte, sondern bewertet einen Kontinuum von potenziellen Szenarien. Obwohl komplex, machen Fortschritte in der Rechenleistung und im Deep Learning die probabilistische Vorhersage zugänglicher. Vermorel prognostiziert eine Zukunft, in der die Vorhersage die Unsicherheit berücksichtigt und eine Vielzahl von Variablen integriert, was eine detailliertere und realistischere Darstellung möglicher Zukünfte verspricht.

Ausführliche Zusammenfassung

In dieser Folge von Lokad TV führt Kieran Chandler einen Dialog mit Joannes Vermorel, dem Gründer von Lokad, über probabilistische Vorhersagen, ihre Vorteile, Implementierung und Nutzung in Unternehmen.

Vermorel erläutert, dass probabilistische Vorhersagen eine Art von Vorhersagen darstellen, bei denen das zukünftige Wissen unvollkommen bleibt. Im Gegensatz zu deterministischen Vorhersagen, die ein eindeutiges Ergebnis vorhersagen, skizzieren probabilistische Vorhersagen ein Spektrum möglicher Ergebnisse, von denen jedes mit einer bestimmten Wahrscheinlichkeit verbunden ist. Die Idee besteht darin, die Unsicherheit zukünftiger Ereignisse zu akzeptieren. Diese Methode garantiert möglicherweise keine absolute Präzision, bietet aber eine bessere Chance auf Relevanz für Entscheidungsfindung.

Laut Vermorel liegt der Hauptvorteil von probabilistischen Vorhersagen gegenüber traditionellen Vorhersagen in der Fähigkeit, Asymmetrien in Supply Chains zu bewältigen. Er betont, dass eine Über- oder Unterschätzung der Nachfrage zu asymmetrischen Ergebnissen führen kann. Zum Beispiel könnte eine Überbewertung der Nachfrage im Luft- und Raumfahrtsektor zu einem Überschuss an Schrauben führen, die 50 Euro kosten, während eine Unterschätzung zur Stilllegung eines Flugzeugs und Kosten in Höhe von Hunderttausenden von Euro führen könnte.

Vermorel betont, dass traditionelle Prognosemethoden oft auf ein durchschnittliches Ergebnis abzielen. Er weist jedoch darauf hin, dass in Supply Chains die Kosten in der Regel stärker von Extremereignissen beeinflusst werden. Er veranschaulicht das Problem weiter anhand von Beispielen aus der Luft- und Raumfahrt sowie der Lebensmittelhandelsbranche, wo ein übermäßiger Lagerbestand zu Ausschuss und finanziellen Verlusten führen kann.

Bei der Diskussion von Extremen stellt Vermorel klar, dass es keine harten Grenzen gibt, sondern vielmehr ein Kontinuum seltener Ereignisse. Für ein typisches Produkt könnte es eine 5%ige Chance geben, das doppelte der täglichen Nachfrage zu beobachten, eine 1%ige Chance, das Vierfache der täglichen Nachfrage zu beobachten, und eine winzige Wahrscheinlichkeit, das Zehnfache der täglichen Nachfrage zu beobachten. Probabilistische Vorhersagen beschränken sich nicht auf Durchschnittswerte, sondern untersuchen eine Reihe möglicher Ergebnisse.

Während Vermorel die Herausforderung anerkennt, unendliche zukünftige Möglichkeiten zu bewerten, argumentiert er, dass moderne Rechenressourcen eine große Bandbreite von Risiken berücksichtigen können. Extremereignisse wie der Untergang einer Lieferung sind unwahrscheinlich, aber Verzögerungen bei Zoll oder anderen logistischen Problemen könnten berücksichtigt werden, da sie ähnliche Auswirkungen auf die Versorgung haben können.

Vermorel geht dann auf die faszinierende Natur der probabilistischen Vorhersage ein. Er führt die Notwendigkeit geeigneter Metriken zur Bewertung der Genauigkeit probabilistischer Vorhersagen ein, wobei Ereignissen mit höheren Wahrscheinlichkeiten, die vom Modell zugewiesen werden, mehr Gewicht zugewiesen werden sollten.

Anhand eines hypothetischen Vorhersagebeispiels über den Gewinn der Fußball-Weltmeisterschaft durch Italien zeigt Vermorel, dass die Präzision eines Modells darin zum Ausdruck kommt, wie eng seine zugewiesenen Wahrscheinlichkeiten mit tatsächlichen Ereignissen übereinstimmen. Er vergleicht probabilistische Vorhersagen mit traditionellen Vorhersagen und stellt fest, dass erstere zwar nicht zwangsläufig genauer sind, aber durch die Berücksichtigung einer breiteren Palette möglicher Ergebnisse reichhaltigere Informationen liefern.

Vermorel erklärt weiter, dass probabilistische Vorhersagen durch Berechnung eines Durchschnitts in klassische Vorhersagen “zusammengefasst” werden können. Dieser Prozess lässt jedoch wertvolle Informationen über extreme oder “Schwanz” -Ereignisse aus, bei denen eine überraschend hohe oder niedrige Nachfrage besteht. Diese Ereignisse haben in Supply-Chain-Kontexten oft eine größere finanzielle Auswirkung, da Abweichungen vom Durchschnitt zu teuren Ergebnissen wie Lagerbestandsausfällen oder Inventurabschreibungen führen können.

Trotz dieser Vorteile erkennt Vermorel an, dass viele Branchen immer noch klassische Prognosetechniken verwenden, oft mit Excel. Er stellt klar, dass dies auf die Zugänglichkeit und Bequemlichkeit von Excel bei der Erstellung einfacher Prognosen zurückzuführen ist. Der Übergang zur probabilistischen Vorhersage würde erfordern, Excel aufgrund der Komplexität und Rechenintensität bei der Berücksichtigung einer großen Anzahl potenzieller Zukünfte aufzugeben.

Vermorel weist darauf hin, dass Branchen mit hoher Unsicherheit, wie Mode, Luft- und Raumfahrterhaltung, E-Commerce und Einzelhandel auf Filialebene, ideal für probabilistische Vorhersagen geeignet sind. Diese Branchen haben mit Unvorhersehbarkeit zu kämpfen, von launischen Modetrends bis hin zu sporadischem Bedarf an bestimmten Flugzeugteilen und von der Long Tail des E-Commerce-Verkaufs bis hin zu schwankenden Filialumsätzen in großen Märkten.

Vermorel identifiziert Situationen, in denen probabilistische Vorhersagen möglicherweise weniger geeignet sind, wie Branchen oder Fälle, in denen zukünftige Ergebnisse genau vorhergesagt werden können. Zum Beispiel in der Zementproduktion oder bestimmten Automobilproduktionslinien, wo langfristige Verträge klare Einblicke in zukünftige Anforderungen bieten. Hier sind traditionelle Prognosemethoden ausreichend. Der eigentliche Wert der probabilistischen Vorhersage, so Vermorel, zeigt sich in Situationen mit erheblicher Unsicherheit, in denen zukünftige Ergebnisse nicht genau vorhergesagt werden können.

Die Diskussion wechselt dann zu der Frage, warum probabilistische Vorhersagen trotz ihrer Nicht-Neuheit immer beliebter werden. Vermorel identifiziert zwei Hauptfaktoren: den gesunkenen Kosten für Rechenleistung und das Aufkommen statistischer Methoden wie Deep Learning. Vor einem Jahrzehnt waren die für probabilistische Berechnungen erforderlichen Rechenressourcen exorbitant teuer. Mit sinkenden Kosten sind diese Methoden zugänglicher geworden. Auch Fortschritte im Deep Learning, einem Teilgebiet der KI, das durch probabilistisches Modellieren vorangetrieben wird, haben den Aufstieg der probabilistischen Vorhersage weiter vorangetrieben.

Das Gespräch endet mit Vermorel, der ein Bild davon zeichnet, wie zukünftige Prognosen Unsicherheit berücksichtigen und komplexe Variablen integrieren könnten. Indem man alle möglichen Zukunftsszenarien in Betracht zieht, einschließlich Variationen in der Produkt-Nachfrage, Lieferzeiten und Preisänderungen, werden die Möglichkeiten nahezu unbegrenzt. Vermorel betont jedoch, dass das Ziel nicht darin bestehen sollte, jede potenzielle Zukunft einzeln zu untersuchen, sondern mathematische Techniken einzusetzen, die die Erkundung vieler möglicher Szenarien ermöglichen, ohne sie zwangsläufig aufzulisten. Obwohl dieser Ansatz zahlreiche Herausforderungen mit sich bringt, eröffnet er auch neue Möglichkeiten für die Erkundung im Bereich der Prognosen.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir genau darüber sprechen, was probabilistische Vorhersagen sind, warum sie vorteilhaft sein können und wie sie in Unternehmen implementiert werden können, um ihre Arbeitsweise zu verbessern. Also Joannes, ein aktuelles Thema, wir haben so viele Sportfans und Buchmacher, die versuchen herauszufinden, wer genau die Fußball-Weltmeisterschaft gewinnen wird. Vielleicht ist ein guter Ausgangspunkt: Was sind probabilistische Vorhersagen?

Joannes Vermorel: Probabilistische Vorhersagen stellen eine Klasse von Vorhersagen dar, bei denen Sie unvollständige Informationen über die Zukunft haben. Sie haben eine Vorstellung von den wahrscheinlichen Zukunftsszenarien, den Szenarien, die eine Chance haben einzutreten, im Vergleich zu den Szenarien, die keine Chance haben einzutreten. Typischerweise betrachten die Menschen Vorhersagen als endgültig, wie zum Beispiel “Dieses Team wird gewinnen”. Aber der Punkt ist, dass Sie es nicht sicher wissen; es ist nur eine bestimmte Wahrscheinlichkeit, dass dieses Team gewinnt. Eine genauere Vorhersage besteht darin, tatsächlich eine Liste von Teams zu haben, die sehr stark sind und gemeinsam eine sehr hohe Gewinnwahrscheinlichkeit haben. Es ist nicht so befriedigend wie zu wissen, wer gewinnt, aber niemand kann das jemals aufgrund der Unsicherheit wissen. Probabilistische Vorhersage bedeutet, eine Aussage über die Zukunft zu machen, die Wahrscheinlichkeiten beinhaltet. Sie umfasst die Idee, dass Sie nicht alles über die Zukunft wissen und vorgeben zu wissen.

Kieran Chandler: Was ist also der Hauptvorteil im Vergleich zu traditionelleren Prognosetechniken?

Joannes Vermorel: Der Hauptvorteil besteht darin, dass probabilistische Vorhersagen Ihnen einen Ansatz bieten, um mit allen Asymmetrien umzugehen, die Sie in der Supply Chain haben. Mit Asymmetrien meine ich die Tatsache, dass die Kosten für eine Über- oder Unterschätzung der Nachfrage nicht symmetrisch sind. Nehmen wir zum Beispiel die Luft- und Raumfahrt. Wenn Sie Ihre Nachfrage überschätzen, haben Sie möglicherweise eine Schraube auf Lager, die Sie nie verwenden. Aber wenn Sie Ihren Bedarf an Schrauben unterschätzen, kann ein Flugzeug aufgrund eines fehlenden Schraube am Boden bleiben, und das könnte Sie Hunderttausende von Euro kosten, um Passagiere umzuleiten und Verzögerungen zu verursachen. Das Problem bei klassischen Vorhersagen besteht darin, dass Sie auf den Durchschnitt abzielen. Aber in der Supply Chain ist es nicht unbedingt der Durchschnitt, den Sie absichern möchten. Ihre Kosten werden in der Regel viel stärker von den Extremen bestimmt. Wenn Sie zu viel Inventar im Lebensmitteleinzelhandel haben, müssen Sie es möglicherweise vollständig verwerfen und verlieren so die gesamte Investition.

Kieran Chandler: Wenn wir also über diese Extreme sprechen, handelt es sich im Grunde um Grenzen, oder? Wie können wir feststellen, wo diese Grenzen liegen?

Joannes Vermorel: Grenzen können schwer fassbar sein; es handelt sich um eine Frage der Wahrscheinlichkeit. Wenn Sie zum Beispiel normalerweise in einem Geschäft eine Nachfrage von, sagen wir, fünf Einheiten pro Tag für ein bestimmtes Produkt haben, dann haben Sie vielleicht eine 5%ige Chance, dass an einem beliebigen Tag zehn Einheiten nachgefragt werden, eine 1%ige Chance, dass 20 Einheiten angefordert werden, und eine nahezu nullprozentige Chance, dass an einem beliebigen Tag 50 Einheiten angefordert werden. Es gibt also keine endgültige Grenze, sondern eine kontinuierliche Abfolge von Ereignissen, die immer seltener werden, und Sie können die Wahrscheinlichkeiten dafür abschätzen. Aber sagen Sie mir, sagen Sie, dass Sie jede einzelne Möglichkeit vorhersagen? Sicherlich müssen Sie irgendwo eine Grenze ziehen. Sie können nicht genau wissen, was morgen passieren wird. Wenn Sie zum Beispiel Produkte geliefert bekommen, besteht die Wahrscheinlichkeit, dass das Schiff, auf dem sie kommen, sinken könnte. Können Sie wirklich jede einzelne mögliche Zukunft berücksichtigen?

Kieran Chandler: Also, wenn wir über diese Extreme sprechen, handelt es sich im Grunde um Grenzen, oder? Wie können wir feststellen, wo diese Grenzen liegen?

Grenzen können schwer fassbar sein; es handelt sich um eine Frage der Wahrscheinlichkeit. Wenn Sie zum Beispiel normalerweise in einem Geschäft eine Nachfrage von, sagen wir, fünf Einheiten pro Tag für ein bestimmtes Produkt haben, dann haben Sie vielleicht eine 5%ige Chance, dass an einem beliebigen Tag zehn Einheiten nachgefragt werden, eine 1%ige Chance, dass 20 Einheiten angefordert werden, und eine nahezu nullprozentige Chance, dass an einem beliebigen Tag 50 Einheiten angefordert werden. Es gibt also keine endgültige Grenze, sondern eine kontinuierliche Abfolge von Ereignissen, die immer seltener werden, und Sie können die Wahrscheinlichkeiten dafür abschätzen. Aber sagen Sie mir, sagen Sie, dass Sie jede einzelne Möglichkeit vorhersagen? Sicherlich müssen Sie irgendwo eine Grenze ziehen. Sie können nicht genau wissen, was morgen passieren wird. Wenn Sie zum Beispiel Produkte geliefert bekommen, besteht die Wahrscheinlichkeit, dass das Schiff, auf dem sie kommen, sinken könnte. Können Sie wirklich jede einzelne mögliche Zukunft berücksichtigen?

Joannes Vermorel: Es gibt eine Grenze dafür, was wir aufgrund der Rechenressourcen bewerten können. Ja, wir haben Computer mit viel Speicherplatz und Rechenleistung, aber wir müssen die Anzahl der Merkmale, die wir bewerten, auf eine endliche Anzahl beschränken. Computer haben jedoch enorme Rechenressourcen. Auch wenn die Anzahl der möglichen Zukunftsszenarien begrenzt ist, kann sie dennoch extrem groß sein. Zum Beispiel können Sie für ein Produkt, das normalerweise nur wenige Einheiten pro Tag verkauft, die Wahrscheinlichkeit des Verkaufs von tausend Einheiten erschwinglich abschätzen, auch wenn die Chance nur eins zu einer Million ist. Gleiches gilt für das Risiko eines Schiffbruchs. Es ist vielleicht eine Chance von einer Million, aber ein Computer kann Milliarden von Berechnungen pro Sekunde durchführen.

Während wir das Risiko eines Schiffbruchs vielleicht nicht berücksichtigen, können wir das Risiko berücksichtigen, dass ein Schiff auf unbestimmte Zeit beim Zoll festgehalten wird. Das kann passieren und aufgrund von Problemen mit dem Zollprozess zu einer dreimonatigen Verzögerung führen. Eine solche Verzögerung wäre in Bezug auf Ihre Lieferung nahezu gleichbedeutend mit einem Schiffbruch. Wenn Sie zum Beispiel Badeanzüge erwarten, wird die Saison vorbei sein, wenn Sie sie erhalten. Es wird Winter sein und Ihr Produkt wäre nutzlos.

Kieran Chandler: Ja, ein Schiff am Grund des Ozeans ist in der Tat ein extremes Beispiel. Sprechen wir über die mathematischen Modelle, von denen Sie gesprochen haben. Wie wissen wir, welches Modell am besten zu verwenden ist? Soweit ich verstehe, gibt es verschiedene Prognosen und verschiedene Prognosetechniken, je nachdem, welches mathematische Modell wir verwenden.

Joannes Vermorel: Zunächst benötigen Sie ein mathematisches Modell, das Wahrscheinlichkeitsverteilungen erzeugt, was sehr unterschiedlich ist von Modellen, die Sie in Excel verwenden könnten. Wenn die Leute an Prognosen denken, stellen sie sich in der Regel irgendeine Art von gleitendem Durchschnitt vor. Sie betrachten, was die Nachfrage letzte Woche oder letztes Jahr war, mitteln den relevanten Zeitraum und erhalten eine Prognose. Es ist keine schlechte Methode, aber sie liefert eine einzige Punktprognose.

Wenn Sie sich in die probabilistische Welt bewegen möchten, benötigen Sie etwas, das eine Verteilung von Wahrscheinlichkeiten erzeugt. Ihnen stehen verschiedene mathematische Modelle zur Verfügung. Das bekannteste ist das Poisson-Modell, oder wenn Sie wirklich ausgefallen sein möchten, können Sie sich negative binomiale Modelle ansehen. Dies sind verschiedene Klassen parametrischer Modelle, aber Sie können auch nichtparametrische Modelle verwenden.

Kieran Chandler: Ich verstehe, dass die Verwendung eines anspruchsvolleren mathematischen Modells Wahrscheinlichkeiten generieren kann, die bei der Vorhersage der Nachfrage helfen können. Dies scheint jedoch nicht das Ende des Prozesses zu sein. Egal was passiert, Ihr Modell kann immer sagen “Ich habe es Ihnen gesagt”. Wenn es 10 Einheiten Nachfrage vorhersagt und wir 10 Einheiten beobachten, hat das Modell recht. Wenn wir 100 Einheiten beobachten, sagt das Modell immer noch, dass es eine Wahrscheinlichkeit dafür gab. Wie wissen wir also, ob ein Modell gut ist oder nicht?

Joannes Vermorel: Sie haben recht. Deshalb benötigen wir bessere Metriken, Metriken, die für probabilistische Prognosen geeignet sind. Wenn Ihr Modell einer Ereignis eine hohe Wahrscheinlichkeit zuweist, das tatsächlich eintritt, dann ist Ihr Modell gut. Wenn ich zum Beispiel vorhersage, dass Italien eine 80%ige Chance hat, die Weltmeisterschaft zu gewinnen, und sie gewinnen nicht, war das Modell ungenau. Wenn ich jedoch sage, dass Italien eine 5%ige Chance hat und sie nicht gewinnen, dann war das Modell ziemlich genau. Diese Metriken messen, wie viel Gewicht Sie in Bezug auf Wahrscheinlichkeit auf Dinge legen, die tatsächlich passieren.

Kieran Chandler: Es ist interessant, dass Sie die Genauigkeit erwähnen. Wie vergleicht sich die Genauigkeit einer probabilistischen Prognose mit einer traditionellen Prognose? Sie scheinen sehr unterschiedliche Dinge zu messen.

Joannes Vermorel: Tatsächlich tun sie das. Eine probabilistische Prognose ist von Natur aus nicht genauer als eine klassische Prognose. Eine Verteilung von Wahrscheinlichkeiten kann jedoch zu einer klassischen Prognose zusammengefasst werden, indem der Durchschnitt genommen wird. Das Problem dabei ist, dass Sie alle Informationen über die Ränder verlieren - die Ereignisse, bei denen die Nachfrage überraschend hoch oder niedrig sein könnte. Sie können die Genauigkeit einer probabilistischen Prognose mit einer traditionellen Metrik wie dem mittleren absoluten prozentualen Fehler messen, aber das ergibt nicht wirklich Sinn. Das Ziel ist es, mehr Informationen über überraschende Ereignisse zu erfassen. Sie möchten, dass Ihre Prognose dort genau ist, wo es finanziell wirklich wichtig ist. In der Supply Chain ist dies nicht immer die Durchschnittssituation.

Kieran Chandler: Also besteht der Vorteil der probabilistischen Prognose im Wesentlichen darin, dass sie Ihnen ermöglicht, ein breiteres Bild zu sehen und reichhaltigere Prognosen zu erstellen?

Joannes Vermorel: Ja, genau. Es gibt Ihnen mehr Dimensionen, mehr Tiefe, um die Zukunft zu verstehen.

Kieran Chandler: Trotzdem verwenden viele in der Branche immer noch traditionelle Prognosetechniken. Warum sind die Leute immer noch zufrieden damit, diese Methoden zu verwenden?

Joannes Vermorel: Ich würde nicht unbedingt sagen, dass sie glücklich sind, diese Techniken zu verwenden. Die Realität ist, dass die meisten Supply Chains immer noch stark auf Tools wie Excel angewiesen sind, die nicht bequem dazu entwickelt wurden, probabilistische Prognosen zu erstellen.

Kieran Chandler: Prognosen, ich meine, es ist möglich, eine poetische Prognose zu erstellen, aber es ist bei weitem nicht so bequem. Eine klassische Prognose zu erstellen bedeutet im Grunde genommen, ein Art gleitenden Durchschnitt zu erstellen und dann ist man fertig. Wenn Sie jedoch in die probabilistische Welt wechseln möchten, müssen Sie auf Excel verzichten. Sie müssen nicht nur aufhören, die Prognose in Excel zu generieren, sondern auch aufhören, die Entscheidungen in Excel zu treffen. Warum ist das so?

Joannes Vermorel: Ihre Entscheidung wird eine Erkundung aller möglichen Zukünfte sein. Sie werden alle möglichen Entscheidungen bewerten und diese Entscheidungen gegen alle möglichen Zukünfte abwägen, um das wirtschaftliche Ergebnis für jede einzelne Entscheidung zu bewerten. Auf diese Weise können Sie direkt die beste Entscheidung basierend auf allen möglichen Ergebnissen auswählen. Plötzlich haben Sie viele Merkmale zu berücksichtigen und viele Entscheidungen gegen noch größere mögliche Zukünfte zu bewerten. Es wird rechnerisch viel aufwändiger und grundsätzlich unvereinbar mit Excel.

Kieran Chandler: Also, wenn ich das richtig verstehe, liegt der Grund dafür, dass die Leute das nicht tun, hauptsächlich darin, dass ihnen die notwendigen Werkzeuge fehlen. Sie wechseln zu Excel, nicht weil sie es bevorzugen, sondern weil ERP es nicht geschafft hat, die Art von anspruchsvoller Risikoanalyse zu liefern, die sie für die richtigen Entscheidungen in ihrer Lieferkette benötigen. Also, wenn wir über diese Branchen sprechen, in welchen Branchen funktioniert die probabilistische Prognose am besten? Wo sehen Sie die besten Ergebnisse für eine probabilistische Prognose?

Joannes Vermorel: Probabilistische Prognosen glänzen wirklich, wenn es Unsicherheit gibt. Zum Beispiel, wenn Sie Stromverbrauchsprognosen im nationalen Maßstab erstellen möchten, können Sie dies mit hoher Genauigkeit tun. Sie können eine Prognose mit einer Genauigkeit von 0,5% haben, wenn Sie den Stromverbrauch von Frankreich pro einstündigem Zeitfenster prognostizieren möchten, wahrscheinlich bis zu 48 Stunden im Voraus. Dies ist eine Situation, in der Sie die Zukunft fast perfekt kennen. Gleiches gilt, wenn Sie vorhersagen möchten, wie viel Verkehr auf den Straßen herrscht. Hier können Sie sehr genaue Vorhersagen treffen, da es sehr vorhersehbar ist. Aber wenn Sie sich in Bereiche bewegen, in denen die Unsicherheit größer ist, werden probabilistische Prognosen wertvoller.

Kieran Chandler: Können Sie einige Beispiele für diese Bereiche nennen?

Joannes Vermorel: Absolut. Branchen wie Mode, in denen die Trends sehr unvorhersehbar sind, sind gute Beispiele. Mode hat eine Menge unvermeidbare Unsicherheit. Auch die Luft- und Raumfahrt und die allgemeine Wartung haben eine große Unsicherheit, nicht weil die Flugzeuge unsicher sind, sondern weil Sie viele Teile haben, die selten benötigt werden. Sie wissen nicht, wann Sie einen Teil benötigen werden, und Sie haben so viele Ersatzteile und Flugzeuge, dass es nicht so ist, als würden Sie Flaschen Milch auf einem offenen Markt verkaufen, wo Sie jeden Tag Hunderte von Einheiten verkaufen. Es ist viel unvorhersehbarer.

Der E-Commerce im Allgemeinen ist ein weiteres Beispiel. Der Long Tail der Produkte ist tatsächlich sehr lang und der Großteil Ihrer Verkäufe stammt von Produkten mit intermittierenden, unvorhersehbaren Verkäufen. Und vergessen wir nicht alles, was an der Verkaufsstelle und auf Ladenebene passiert. Selbst wenn Sie sich ansehen, was in einem Geschäft passiert, selbst in einem Hypermarkt, der bis zu hunderttausend Artikel haben kann, haben Sie nur in Europa zum Beispiel etwa 2.000 Produkte, von denen Sie jeden Tag fünf Einheiten oder mehr verkaufen werden. Alle anderen Produkte werden weniger als fünf Einheiten pro Tag verkaufen. Es sind also kleine Zahlen und die Unvorhersehbarkeit ist groß. Probabilistische Prognosen glänzen hier, weil sie Ihnen Einblick in die Risiken geben, die Sie bei den Bestandsentscheidungen haben, die Sie treffen.

Kieran Chandler: Also, zusammenfassend, probabilistische Prognosen glänzen in Bereichen, in denen ein hohes Maß an Unsicherheit besteht?

Joannes Vermorel: Das ist korrekt.

Kieran Chandler: Immer wenn Sie viel Unsicherheit haben und Ihre Entscheidungen optimieren müssen, indem Sie alle Möglichkeiten berücksichtigen, die Sie auf der einen Seite überraschend niedrige Nachfrage und auf der anderen Seite überraschend hohe Nachfrage haben. Okay, wir haben viel über die Vorteile der probabilistischen Prognose gesprochen. Wir haben darüber gesprochen, wo sie gut funktioniert. Aber wie sieht es mit den Branchen aus, in denen es nicht ganz so angebracht ist, sie zu verwenden? Gibt es Branchen, in denen die klassische Prognose tatsächlich ausreicht?

Joannes Vermorel: Ja, zum Beispiel, wenn Sie Zement herstellen und Kunden haben, die Ihnen eine Auftragsliste für die nächsten drei Jahre geben, dann benötigen Sie keine Prognosen. Wenn Sie die Zukunft kennen, kann dies auch für einige Produktionslinien in der Automobilindustrie der Fall sein. Wenn Sie 12 Monate im Voraus genau wissen, was Sie produzieren werden, weil es sich um einen großen Automobilhersteller handelt, der Ihnen einen sehr genauen Fahrplan gibt und nur maximal fünf Prozent davon abweichen kann. Wenn es keine Restunsicherheit mehr bezüglich Ihrer Pläne gibt und es nur noch eine Frage der reinen Umsetzung ist, dann wird Ihnen die probabilistische Prognose tatsächlich nicht helfen. Die probabilistische Prognose wird Ihnen nur dann helfen, wenn eine Art von Unberechenbarkeit vorliegt. Wenn Sie die Zukunft nicht perfekt kennen können, wenn Sie Ihren Fahrplan bereits für die nächsten 12 Monate festgelegt haben, dann spielt die probabilistische Prognose im Grunde keine Rolle.

Kieran Chandler: Okay, und warum fangen Unternehmen jetzt an, probabilistische Prognosen zu verwenden? Es handelt sich ja nicht um eine besonders neue Technologie, oder? Warum wird sie jetzt häufiger in der Branche eingesetzt?

Joannes Vermorel: Es gibt wahrscheinlich mehrere Gründe. Erstens ist sie viel rechenintensiver, sodass statistische Modelle verwendet werden, die bis zu 100 bis 1.000 Mal mehr Rechenleistung benötigen. Die gute Nachricht ist, dass Rechenleistung noch nie so günstig war und daher selten das Engpass ist. Aber dennoch bedeutet dies, dass vor einem Jahrzehnt die meisten dieser Wahrscheinlichkeitsberechnungen extrem teuer waren. Es ist ein großer Unterschied, ob Sie Ihre Supply Chain mit einem monatlichen Budget von 2.000 Euro für Rechenleistung betreiben können oder mit einem monatlichen Budget von zwei Millionen Euro für Rechenleistung. Das macht in der Praxis einen erheblichen Unterschied. Das ist es, was drei Größenordnungen in Bezug auf die Kosten bedeuten. Klar ist, dass die Tatsache, dass Rechenleistung viel günstiger ist, dazu beigetragen hat, diese Methoden viel praktikabler zu machen. Der zweite Grund ist, dass es eine ganze Klasse von statistischen Methoden gibt, die als Deep Learning bekannt sind, und von denen das Buzzword künstliche Intelligenz stammt. Es geht alles um Deep Learning und Deep Learning basiert auf probabilistischer Prognose. Es ist möglich, dass Sie sich nicht für die technischen Details interessieren oder sie verstehen, aber Sie können sich darüber freuen, dass Sie eine Software haben, die für Sie Spracherkennung durchführt, die tatsächlich auf probabilistischen Berechnungen basiert. Zuerst hatten wir mehr Rechenleistung, dann kamen mathematische Theorien wie Deep Learning, die in Bezug auf KI-Benchmarks an die Spitze kamen. Als KI es zum Beispiel schaffte, Spieler wie den Weltmeister im Go zu übertreffen, wurde eine probabilistische Methode verwendet, nicht eine kombinatorische Methode.

Kieran Chandler: Okay, es scheint also, dass probabilistische Prognosen sehr stark in der Gegenwart verankert sind, aber wie sieht es mit der Zukunft aus? Wie sehen Sie die nächsten Schritte für die probabilistische Prognose? Glauben Sie, dass sie noch lange Bestand haben wird oder wie sehen Sie das?

Joannes Vermorel: Ja, ich denke, die Katze ist aus dem Sack und sie wird nicht zurückkommen. Wir werden wahrscheinlich nicht zur klassischen Prognose zurückkehren. Sobald Sie eine probabilistische Prognose haben, wissen Sie viel mehr über die Zukunft, daher wäre es sehr seltsam, zu einem Ansatz zurückzukehren, der Ihnen grundsätzlich viel weniger Einblick gibt.

Kieran Chandler: Weniger Informationen über die Zukunft, selbst wenn Sie sagen, dass wir alle möglichen Zukunftsszenarien erkunden wollen. In der Praxis erkunden wir nicht alle Möglichkeiten. Zum Beispiel können wir sagen, dass ich eine Wahrscheinlichkeit habe, null, eine Einheit, zwei Einheiten, drei Einheiten dieses Produkts zu verkaufen, und ich kann eine ähnliche Analyse für ein anderes Produkt durchführen. Aber wie sieht es mit der gemeinsamen Wahrscheinlichkeit für diese beiden Produkte zusammen aus?

Joannes Vermorel: In der Tat. Plötzlich muss ich vielleicht hundert Szenarien schätzen, um die gesamte Nachfrage nach meinem Produkt A zu berücksichtigen. Ich muss hundert Szenarien für die gesamte Nachfrage nach Produkt B bewerten. Aber wie sieht es mit der Betrachtung aller Szenarien für Produkt A und B zusammen aus? Das sind wie zehntausend Szenarien, die man betrachten muss. Und wenn ich ein drittes Produkt mit hundert Szenarien hinzufüge, wären das eine Million Szenarien, die man betrachten müsste. Die Situation wird schnell komplizierter, wenn man alle Wahrscheinlichkeiten explizit ausdrücken möchte. Ich denke, dass wir in Zukunft immer mehr Methoden sehen werden, die nicht einmal versuchen, diese Wahrscheinlichkeiten auszudrücken. Man versucht nicht einmal, alle Möglichkeiten für alles, was passieren kann, zu berechnen. Es gibt Methoden, die diese Berechnungen tatsächlich durchführen, ohne die Wahrscheinlichkeiten explizit anzugeben. Darum geht es bei Deep Learning und KI-Techniken. Sie berechnen Wahrscheinlichkeiten, aber nicht, indem sie alles als Wahrscheinlichkeit ausdrücken. Der große Bonus besteht darin, dass man extrem komplizierte Zukunftsszenarien erkunden kann, die über die Kapazität eines vernünftigen Computers oder sogar einer Flotte von Computern hinausgehen.

Mit intelligenten mathematischen Tricks können Sie immer noch all diese Funktionen erkunden. Das Wesentliche des Deep Learning besteht darin, dass Sie die Zukunft nicht zufällig erkunden möchten. Sie möchten sich auf die Zukunftsszenarien konzentrieren, die für die Prognose am wahrscheinlichsten relevant sind. Sie möchten sich also auf die Bereiche konzentrieren, die relativ dicht sind, wo die Wahrscheinlichkeit höher ist, dass es eine interessante Zukunft gibt, anstatt zufällig alles zu erkunden.

Mit diesem Ansatz werden viele Szenarien freigeschaltet. Zum Beispiel werden wir wahrscheinlich in diesem Jahr versuchen, nicht nur alle möglichen Nachfrageebenen für Produkte zu erkunden, sondern auch alle möglichen Zeithorizonte zu betrachten. Sie möchten eine Prognose für die Nachfrage haben, die zu jedem beliebigen Zeitpunkt beginnen und zu jedem beliebigen Zeitpunkt enden kann, beide zufällig.

Dies ist eine Möglichkeit, zum Beispiel ein Szenario widerzuspiegeln, in dem Sie eine Lieferung per Schiff haben und Unsicherheit besteht. Sie wissen nicht genau, wann das Produkt nicht mehr in Ihrem Geschäft, online oder offline, zum Verkauf verfügbar sein wird, und Sie möchten diese Unsicherheit berücksichtigen, wenn Sie Ihre Lagerpläne erstellen.

Sie müssen berücksichtigen, dass Sie Unsicherheit darüber haben, wann die Ware eingehen wird und wann die Nachfrage tatsächlich beginnt und endet. Wenn Sie noch weiter gehen möchten, wäre es sehr interessant, What-If-Szenarien zu erkunden.

Im Rahmen unserer langfristigen Roadmap planen wir sogar, zu erkunden, welche möglichen Zukunftsszenarien es gibt, wenn Sie alle Preisanpassungen berücksichtigen, die Sie bei Ihren Produkten vornehmen können. Sie möchten sehen, welche möglichen Zukunftsszenarien für die Nachfrage entstehen, wenn Sie Ihre Preise so belassen, wie sie sind, und was passiert, wenn Sie alle Möglichkeiten für alle Preisanpassungen erkunden, die Sie zusätzlich vornehmen können.

Wenn Sie anfangen, an all diese möglichen Zukunftsszenarien zu denken, werden die Zahlen extrem groß. Der Trick besteht darin, nicht einzeln über all diese Zukunftsszenarien zu iterieren. Sie möchten mathematische Techniken haben, mit denen Sie viele von ihnen erkunden können, ohne sie aufzulisten.

Kieran Chandler: Nun, es scheint, als gäbe es so viele Möglichkeiten. Ich bin froh, dass es den Computern überlassen bleibt, denn sonst würde mein Gehirn wahrscheinlich explodieren. Aber wir müssen es für heute dabei belassen. Vielen Dank, dass Sie sich die Zeit genommen haben, uns alles über probabilistische Prognosen zu erzählen. Es war wirklich interessant. Danke schön. Das ist alles für die heutige Folge. Wir sind nächste Woche wieder da, aber bis dahin stellen Sie sicher, dass Sie unsere Videos abonniert haben, und wir sehen uns bald wieder. Tschüss für jetzt.