Supply Chain Personae - Vorlesung 2.1

00:50 Einführung
02:22 Buch von Claude Bernard
11:19 Der bisherige Verlauf der Geschichte
13:39 Supply Chain Experimente?
19:21 Experimentelle Methoden: gegen Fallstudien
20:50 Über große Namen
28:14 Über Tabus
35:05 Über Jobaussichten
37:51 Über Pseudo-Neutralität
42:59 Über Lieferanten
45:57 Experimentelle Methoden: pro Personae
46:54 Fiktion vs. Realität
52:19 Erstellung einer Supply Chain Persona
55:26 Ablehnungskriterien
01:02:33 Problem vs. Lösung, 1/3
01:08:53 Problem vs. Lösung, 2/3
01:11:41 Problem vs. Lösung, 3/3
01:16:13 Bevorstehende Personae
01:17:06 Fazit
01:18:29 Bevorstehende Vorlesung und Fragen des Publikums

Beschreibung

Eine Supply Chain “Persona” ist ein fiktives Unternehmen. Obwohl das Unternehmen fiktiv ist, ist diese Fiktion darauf ausgelegt, aufzuzeigen, worauf aus Sicht der Supply Chain besondere Aufmerksamkeit gelegt werden sollte. Die Persona ist jedoch nicht idealisiert im Sinne einer Vereinfachung der Herausforderungen in der Supply Chain. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation zu vergrößern, Aspekte, die jeder quantitativen Modellierung und jedem Versuch, eine Initiative zur Verbesserung der Supply Chain zu starten, am hartnäckigsten widerstehen werden.

In der Supply Chain leiden Fallstudien, bei denen eine oder mehrere Parteien benannt werden, unter schweren Interessenkonflikten. Unternehmen und ihre unterstützenden Lieferanten (Software, Beratung) haben ein Eigeninteresse daran, das Ergebnis positiv darzustellen. Darüber hinaus leiden tatsächliche Supply Chains in der Regel unter zufälligen Bedingungen, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die Supply Chain Personae sind die methodische Antwort auf diese Probleme.

Vollständiges Transkript

Hallo zusammen, herzlich willkommen zu dieser Reihe von Supply Chain Vorlesungen. Ich bin Joannes Vermorel und heute werde ich “Supply Chain Personae” präsentieren. Für diejenigen von Ihnen, die die Vorlesung live verfolgen, können Sie jederzeit über den YouTube-Chat Fragen stellen. Während der Vorlesung werde ich die Fragen jedoch nicht lesen; am Ende der Vorlesungen werde ich auf den Chat zurückkommen und versuchen, alle gestellten Fragen zu beantworten.

Das heutige Thema ist, ob wir das Studium der Supply Chains als Wissenschaft vorantreiben können. Man könnte einwenden, dass Supply Chains in erster Linie ein Geschäft und eine Praxis sind. Absolut, aber die Frage ist, ob wir Verbesserungen im Supply Chain Management bringen können und wenn ja, ob wir das auf systematische, zuverlässige und irgendwie kontrollierte Weise tun können. Ich glaube, dass dies nur durch etwas möglich ist, das einer wissenschaftlichen Methode ähnelt, die auf dem vorhandenen Wissen angewendet wird.

Um Verbesserungen zu erzielen, benötigen wir Wissen und hochwertiges Wissen. Was meine ich mit hochwertigem Wissen? Es ist Wissen, das durch das gekennzeichnet ist, was heutzutage wissenschaftliches Wissen ausmacht. Wenn wir nur Intuition haben, dann begrenzt dies stark, was wir hoffen können, systematisch zur Verbesserung von Supply Chains beizutragen. Die wissenschaftliche Methode ist wirklich von großem Interesse, und die Möglichkeit, das Studium der Supply Chains als Wissenschaft zu erheben, ist von entscheidender Bedeutung. Aber das wirft die Frage auf: Was ist Wissenschaft und was ist die wissenschaftliche Methode?

Ich glaube, dass es ein Buch gibt, “Eine Einführung in das Studium der experimentellen Medizin”, das 1865 von Claude Bernard veröffentlicht wurde und einen absoluten Meilenstein in der Geschichte der Wissenschaft darstellt. Claude Bernard, ein sehr berühmter Forscher zu dieser Zeit, wird auch heute noch von vielen Menschen als einer der Schlüsselfiguren, wenn nicht sogar als der Vater der modernen Medizin, angesehen. Aufgrund einer Krankheit zog er sich zurück und reflektierte über eine lebenslange Suche nach Wissen. Er begann, seine Ideen darüber, wie er vorgegangen war und welche Methoden er während seiner Karriere verwendet hatte, um all die Entdeckungen zu machen, die er gemacht hatte, aufzuschreiben.

Dies ist ein absolut faszinierendes Buch. Es liest sich wie ein Roman, was sehr überraschend ist. Es ist völlig anders als das “Principia Mathematica” von Newton, das fast unerträglich ist. Dieses Buch ist sehr einfach zu lesen, zumindest auf Französisch. Ich weiß nicht, wie es mit der englischen Version aussieht, aber ich vermute, dass es gute Übersetzungen gibt. Mit großer Klarheit und Einfachheit erklärt Claude Bernard die Wissenschaft und die wissenschaftliche Methode und gibt viele Hinweise. Es ist etwas, das für Supply Chains zutiefst aufschlussreich ist.

Übrigens, trotz des Titels dieses Buches, der sehr stark auf die Medizin ausgerichtet zu sein scheint, ist das meiste von dem, was Claude Bernard beschrieben hat, völlig unspezifisch für die Medizin. Dieses Buch hatte einen tiefgreifenden Einfluss auf viele andere Wissenschaften, weit über die Medizin hinaus. Um zu verstehen, warum, müssen wir verstehen, dass Claude Bernard im 19. Jahrhundert gegen Gegner kämpfte, die der Idee, dass Medizin zumindest teilweise zu einer Wissenschaft werden sollte, vollkommen entgegengesetzt waren. Tatsächlich steht die Medizin vor zwei sehr wichtigen Herausforderungen, die meiner Meinung nach auch für Supply Chains von großer Relevanz sind.

Die erste Herausforderung besteht darin, dass lebende Organismen unglaublich komplex und irreduzibel sind. Wenn Sie ein lebendes Organismus haben, können Sie nicht einfach einen Art Teile-und-Herrsche-Ansatz anwenden; Sie können das Ding nicht auseinandernehmen, um es zu untersuchen, denn wenn Sie das tun, töten Sie einfach den lebenden Organismus und Sie haben etwas, das nicht mehr lebt. Das verfehlt völlig den Sinn dessen, was Sie zu untersuchen versuchen. Diese irreduzible Komplexität und die Tatsache, dass Sie etwas Superkomplexes haben, das Sie nicht leicht auseinandernehmen können, gilt auch für Supply Chains. Wenn Sie eine Supply Chain aus Lieferanten, Werken, Lagern, Distributionszentren und Geschäften haben und eines dieser Elemente entfernen, funktioniert die Supply Chain nicht mehr und ergibt auch keinen Sinn mehr. Sie können sie nicht mehr als Supply Chain untersuchen. Wir haben also diese Art von irreduzibler Komplexität, die sich auch sehr gut auf Supply Chains anwendet.

Die zweite große Herausforderung besteht darin, dass ein lebendes Wesen im Wesentlichen ein verflochtenes System ist. Wenn Sie eine kleine lokale Veränderung vornehmen, besteht die Wahrscheinlichkeit, dass dies Auswirkungen auf den gesamten Organismus hat. Zum Beispiel können Sie eine sehr lokale Injektion von Gift vornehmen, aber das wird Auswirkungen auf den gesamten Organismus haben, nicht nur auf die Stelle, an der Sie das Gift tatsächlich injiziert haben. Dies gilt auch für Supply Chains, denn wie ich in einer meiner vorherigen Vorlesungen beschrieben habe, verlagern die meisten lokalen Optimierungen in einer Supply Chain nur ein Problem an einen anderen Ort im Netzwerk. Wir haben also diese beiden Probleme, und zur damaligen Zeit sah sich Claude Bernard Gegnern gegenüber, die im Grunde genommen behaupteten, dass Medizin aufgrund dieser Probleme irreduzibel sei und nicht auf etwas so Vulgäres wie eine Wissenschaft reduziert werden könne. Claude Bernard und viele andere Menschen, die ihm folgten, widerlegten diese Perspektive jedoch vollständig. Es ist jedoch interessant, dass diese Herausforderung immer noch besteht, und ich glaube, dass wir auch ein Jahrhundert und eine Hälfte später immer noch in dieser Phase sind, was Supply Chains betrifft.

Wenn wir nun verstehen wollen, was Claude Bernard in erster Linie bringt, ist es die Idee von Experimenten. In seinem Buch stellt er die Idee auf, dass unser Wissen drei Stufen durchläuft: Emotion, Vernunft und Experiment. Die Idee ist, dass die wissenschaftliche Methode mit einer Emotion, einem Funken des Willens, beginnt, der Ihnen eine Art vorgefasste Vorstellung vom Universum gibt. Durch diese Emotion können Sie alles tun, auch wenn es zutiefst irrational ist und keine wissenschaftlichen Qualitäten hat. Ohne das haben Sie nicht den anfänglichen Impuls, der den Rest auslöst. Die Initialisierung dieses Wissenssystems ist Emotion, und dann haben Sie Vernunft. Vernunft gibt dieser Idee Form, Struktur und Richtung, damit Sie handeln können. Zu diesem Zeitpunkt haben Sie eine Idee, aber es ist nicht klar, ob sie wahr oder falsch ist. Sie existiert einfach, hat aber mehr Struktur als die erste Stufe, die nur Emotion war.

Durch Vernunft können Sie die erste Stufe eines Experiments aufbauen. Die Idee ist, dass Sie durch Vernunft Ihre Idee auf die Probe stellen werden. Sie haben diese vorgefasste Vorstellung vom Universum, und Sie werden ein Experiment durchführen, das es Ihnen ermöglicht, die Idee zu testen. Das Interessante ist, dass Sie an Ihre Idee glauben müssen, sonst werden Sie nicht alle Anstrengungen und die Zeit aufwenden, die erforderlich sind, um das Experiment tatsächlich durchzuführen. Die wissenschaftliche Methode ist nicht die Beseitigung vorheriger Überzeugungen; das ist absolut nicht der Fall. Sie müssen etwas haben, das Sie antreibt, diese vorgefassten Ideen, die Ihr Handeln leiten werden.

Dann führen Sie das Experiment durch, beobachten die Ergebnisse und lassen die Beobachtung die Kontrolle über Ihre Ideen übernehmen. Sie hatten Ihre vorgefassten Ideen, Sie haben das Experiment durchgeführt, und dann, nachdem Sie Ihr Experiment gemacht haben, lassen Sie das, was Sie gerade beobachtet haben, die Kontrolle über Ihre Ideen übernehmen, und das wird die Etablierung von Wissen sein. Eine der tiefgreifenden Ideen in der experimentellen Wissenschaft ist, dass kein Wissen in uns ist. Wir haben Emotionen und eine angeborene Fähigkeit zur Vernunft, aber all das Wissen, das es zu finden gibt, liegt außerhalb von uns. Auch wenn es jetzt selbstverständlich ist, war es im 19. Jahrhundert absolut nicht so. Was Supply Chains betrifft, ist es nicht ganz klar, dass jeder mit mir in diesem Punkt übereinstimmt. Die Idee, eine experimentelle Wissenschaft zu haben, besteht darin, Wissen aus dem Universum aufzubauen und zu extrahieren, und der elementare Schritt dazu sind eine Reihe von Experimenten.

In meiner letzten Vorlesung habe ich das erste Kapitel dieser Vorlesungsreihe abgeschlossen, das der Prolog war. Im Prolog habe ich meine Ansichten darüber dargelegt, wie man Supply Chains überhaupt angehen sollte. In der ersten Vorlesung habe ich Supply Chain als Beherrschung der Optionen definiert. Ich habe auch Ansichten vorgestellt, die sowohl qualitativ als auch quantitativ waren, um Ihnen einen Vorgeschmack auf die Art und Weise zu geben, wie ich das Problem angehe. In diesen aktuellen Vorlesungen eröffne ich ein zweites Kapitel: die Methodik. Wenn wir Supply Chains verbessern wollen, brauchen wir Wissen, um unsere Handlungen zu lenken. Wenn wir eine zuverlässige Möglichkeit haben wollen, Verbesserungen herbeizuführen und vernünftige Hoffnung auf einen hohen Grad an Kontrolle zu haben, dann muss dieses Wissen fest verankert sein. Ich glaube, wir brauchen etwas Ähnliches wie die wissenschaftliche Methode. Wenn ich von der wissenschaftlichen Methode spreche, missbrauche ich den Begriff, denn so etwas wie “die wissenschaftliche Methode” gibt es nicht. Es gibt tatsächlich eine breite Palette von Methoden, und Claude Bernard präsentiert in seinem Buch eine Reihe von ihnen. Bernard hat auch gezeigt, dass sich die Wissenschaft nicht nur durch bessere Theorien, sondern auch durch bessere Methoden weiterentwickelt. Die Herausforderung besteht nicht nur darin, mehr über Supply Chains zu wissen, sondern auch Grundlagen mit Methoden zu schaffen, die sich als überlegen bei der Generierung von besserem Wissen, schneller, zuverlässiger und genauer erweisen. Der Sinn einer Supply Chain besteht darin, eine Methode unter vielen zu haben, um Supply Chains als Forschungsfeld mit dem zu verbinden, was in der realen Welt geschieht, und die Informationen zu nutzen, die nicht in uns, sondern in der Welt da draußen sind.

Der Weg, um eine Dosis Realität in Ihr Studiengebiet zu bringen, führt in der Regel über Experimente. Im speziellen Fall von Supply Chains scheinen jedoch Supply Chain-Experimente aus mehreren Gründen recht kompliziert zu sein. Lassen Sie mich sie kurz vorstellen.

Der erste Grund ist die Vertraulichkeit. Wie wir in einer früheren Vorlesung gesehen haben, kann eine Supply Chain nicht direkt beobachtet werden; sie kann nur indirekt beobachtet werden. Das Einzige, was Sie in einer Supply Chain beobachten können, sind die elektronischen Aufzeichnungen, die von einer Unternehmenssoftware gesammelt und gesammelt werden. Auf diese Weise können Sie eine Supply Chain beobachten, durch die von Unternehmenssoftware gesammelten Aufzeichnungen oder durch Datensätze. Das Problem ist, dass Unternehmen nicht bereit sind, diese Datensätze zu teilen, und es gibt sehr gute Gründe, dies nicht zu tun. Erstens ist es ein Wettbewerbsvorteil, oder genauer gesagt, wenn sie diese Daten öffentlich teilen würden, wäre es ein Wettbewerbsnachteil, weil ihre Konkurrenten diesen Datenzugriff nutzen könnten, um einen Wettbewerbsvorteil gegenüber ihnen zu erlangen.

Aber das ist nicht der einzige Grund. Es gibt auch gute Gründe, Daten nicht zu teilen, wie zum Beispiel Datenschutz und Vertraulichkeit. In Europa haben wir zum Beispiel die DSGVO als Vorschrift. Ich diskutiere nicht, ob die DSGVO gut oder schlecht ist; ich weise nur darauf hin, dass ein Unternehmen, selbst wenn es bereit wäre, seine Daten zu teilen, Gefahr laufen würde, etwas Illegales zu tun. Als belegende Evidenz fand letztes Jahr der M5-Prognosewettbewerb statt, basierend auf Verkaufsdaten, die von Walmart erhalten wurden. Soweit ich weiß, handelte es sich um den größten und umfassendsten Datensatz, der jemals für ein Supply Chain-Experiment veröffentlicht wurde. Um Ihnen eine Vorstellung von der Größenordnung des Problems zu geben, handelte es sich bei diesem Datensatz nur um die Verkaufsdaten eines kleinen Teils der Produkte eines einzigen Geschäfts. Walmart ist ein riesiges Unternehmen mit über 10.000 Geschäften, und der Datensatz des Wettbewerbs auf Kaggle war nicht einmal ein ganzes Geschäft. Es handelte sich tatsächlich um einen kleinen Teil eines Geschäfts und um die Verkaufshistorie, einschließlich der Verkaufshistorie in Mengen und Preisen. Um das Problem noch schlimmer zu machen, stellte sich heraus, dass aufgrund von Problemen bei der Datenextraktion die Hälfte des Datensatzes, der aus Preisen bestand, für den Zweck des Wettbewerbs nicht einmal verwertbar war. Keines der Gewinnerteams, die es unter die Top 10 des Wettbewerbs geschafft haben, konnte diese Daten nutzen. Das gibt Ihnen eine Vorstellung davon, wie schwierig es ist, öffentlich zu diesem Thema zu kommunizieren, aber das ist nicht das einzige Problem.

Wir haben auch das Problem der Reproduzierbarkeit. Zum Beispiel berichteten mir im Januar 2020 mehrere Kunden von Lokad, dass der E-Commerce in ihren jeweiligen Unternehmen etwa 30% des Volumens ausmachte. Bis Januar 2021 hatte er sich auf 60% erhöht. Offensichtlich gab es ein ganzes Jahr Pandemie und einige relativ beispiellose Dinge sind passiert, die die Landschaft in vielen Branchen wahrscheinlich für immer verändert haben. Das ist ein erhebliches Problem, denn Reproduzierbarkeit ist das Kernstück der experimentellen Wissenschaften. Aber wenn Sie etwas in der Supply Chain tun und es replizieren möchten, könnte die Landschaft einige Jahre später so unterschiedlich sein, dass Sie keine Hoffnung haben, irgendetwas zu replizieren. Das ist eine weitere Klasse von großen Problemen, mit denen wir konfrontiert sind.

Hinzu kommen die Kosten und Verzögerungen. Als Faustregel müsste ein Supply Chain-Experiment mindestens doppelt so lange dauern wie die charakteristische Durchlaufzeit des Unternehmens. In vielen Branchen oder Bereichen beträgt die charakteristische Durchlaufzeit etwa drei Monate, was bedeutet, dass die charakteristische Verzögerung für ein Supply Chain-Experiment sechs Monate oder länger betragen würde. Das ist sehr lange, und es gibt einen guten Grund, warum experimentelle Wissenschaften wie die experimentelle Medizin dazu neigen, Mäuse für Experimente zu bevorzugen, aufgrund ihres schnellen Stoffwechsels und ihrer schnellen Reproduktionsrate. Zeit ist von entscheidender Bedeutung, auch in der Medizin, und es ist in etwa dasselbe in der Supply Chain. Doch die charakteristische Zeit von Experimenten ist sehr lang.

Darüber hinaus haben wir das zuvor diskutierte nicht-lokale Element, bei dem es schwierig ist, ein kleinskaliges, kostengünstiges Experiment durchzuführen, weil es alles um Netzwerkeffekte geht. Sie können nicht einfach etwas an einem Ort tun und Ergebnisse erwarten. Als Faustregel können Sie aus einem lokalen Experiment in der Supply Chain nichts schlussfolgern.

Offensichtlich bin ich nicht der Erste, der erkennt, dass wir diese große Reihe von Problemen haben und dass Supply Chains dem naiven experimentellen Ansatz widerstehen. Als Ergebnis greift ein großer Teil der in Supply Chains durchgeführten Studien auf eine Alternative zum Supply Chain-Experiment zurück, nämlich die Supply Chain-Fallstudie. Die Idee ist einfach: Wir möchten die Supply Chain als Forschungsfeld mit der realen Welt verbinden. Wir möchten unserer Theorie Dosen von Realität verabreichen. Darum geht es bei einer Fallstudie. Mein Vorschlag für Sie heute ist, dass Fallstudien glorifizierte Infomercials sind und wenn wir Fallstudien hinsichtlich des Wissens bewerten müssen, das durch dieses Format vermittelt werden kann, ist meine Antwort ungefähr null. Aber alles ist nicht verloren, denn es gibt mögliche Alternativen, und genau hier werde ich das Supply Chain-Personal einführen. Aufgrund der Häufigkeit von Fallstudien müssen wir zunächst verstehen, warum es einfach nicht funktioniert, nicht funktionieren kann und leider einfach niemals funktionieren wird.

Eine Fallstudie ist ein Unternehmen, ein Problem, eine Legacy-Lösung (die Lösung, die vor Beginn der Fallstudie vorhanden ist) und dann eine neuere, bessere Lösung. Die Fallstudie beschreibt all das und quantifiziert die Vorteile, die die neuere, angeblich bessere Lösung für das Unternehmen bringt. Das größte Problem, das ich habe, ist, dass immer, wenn ich Fallstudien sehe und wie die Leute darüber argumentieren, was wirklich dominiert, nicht die Zahlen in den Fallstudien sind, sondern der Name des Unternehmens, das Gegenstand der Fallstudie ist. Hier spielt eine massive Autoritätsaura eine Rolle.

Stellen Sie sich eine Supply Chain-Fallstudie vor, die von Google, einem Technologieriesen, stammt. Google hat eine ziemlich große Supply Chain, nur um die weltweite Verteilung der Computertechnik zur Unterstützung seiner Rechenzentrumsvorgänge zu bewältigen. Stellen Sie sich vor, diese Fallstudie zeigt die Überlegenheit einer spezifischen Supply Chain-Methode, die bei Google entwickelt wurde. Sie würde natürlich als sehr relevant angesehen, weil Google ein sehr großer Name ist. Der Erfolg von Google hat jedoch nichts mit der Supply Chain zu tun. Google ist ein fantastisch erfolgreiches Unternehmen, aber sein Erfolg stammt nicht aus seinen Supply Chain-Praktiken. Wenn wir uns eine solche Fallstudie ansehen würden, würde sie viel Gewicht haben, und ich würde sagen, viel unverdientes Gewicht, nur aufgrund des Markennamens, den Google trägt. Nur weil Google viele hochtalentierte Ingenieure eingestellt hat und den Stand der Technik der Softwareentwicklung in vielen Bereichen neu definiert hat, gibt es keinen Grund zu glauben, dass dies automatisch auf alles übertragen wird, was sie tun, insbesondere wenn es sich um eine Support-Funktion für sie handelt, wie die Supply Chain.

Das ist interessant, denn wenn ich zu Claude Bernards Buch “Einführung in das Studium der experimentellen Medizin” zurückgehe, ist das erste, was Claude Bernard präsentiert, die Ablehnung von Autorität als integraler Bestandteil der wissenschaftlichen Methode. In der Mitte des 20. Jahrhunderts sagte er, das größte Problem mit der Medizin der Zeit sei, dass sie größtenteils eine Frage der Autorität war. Die Leute glaubten etwas als wahr, nur weil es einen großen Namen oder jemanden gab, der in der Gesellschaft viel Gewicht hatte und die Theorie unterstützte. Das ist falsch. Die radikale Position von Claude Bernard ist, dass wir im Hinblick auf die Wissenschaft alle Autoritäten ablehnen müssen, außer denen, die direkt durch Experimente gewonnen werden. Die ultimative Quelle der Autorität und tatsächlich die einzige Quelle der Autorität in Bezug auf wissenschaftliche Wahrheit sollte das Experiment oder mit anderen Worten die Realität selbst sein.

Wenn wir uns Fallstudien ansehen, haben wir überall Probleme mit Autorität. Um diesen Punkt zu betonen, liste ich vier bemerkenswerte Unternehmen auf. Alle diese Unternehmen sind weithin anerkannt, äußerst erfolgreich und haben in ihrer Geschichte absolut epische Supply Chain-Fehler erlebt. Diese Fehler waren auf eine wahnsinnige Kombination aus Arroganz, Gier, Faulheit, Ignoranz und verschiedenen anderen Problemen zurückzuführen. Um Ihnen ein paar Beispiele zu geben: Nike verlor 2004 bei dem Versuch, ihre Supply Chain mit einem Softwareanbieter zu verbessern, 400 Millionen US-Dollar. Lidl verlor 2018 mit einem anderen namhaften Supply Chain-Anbieter 500 Millionen Euro. Ich glaube, diese Zahlen sind nur ein kleiner Bruchteil der tatsächlichen Kosten für diese Unternehmen, da der monetäre Verlust nur ein Aspekt dieser epischen Fehler im großen Maßstab war. Das Management war jahrelang abgelenkt, und im Fall von Lidl fast ein Jahrzehnt lang. Der Opportunitätskosten dieser Fehler sind absolut gigantisch.

Ich sage nicht, dass diese Unternehmen bestimmte Dinge nicht sehr gut machen. Sie sind wirklich bemerkenswert und haben epische Fehler in ihrer Supply Chain überlebt, was beweist, dass sie Dinge auf bemerkenswerte Weise getan haben; sonst wären sie bankrott gegangen. Der Punkt, den ich betonen möchte, ist jedoch, dass es nicht daran liegt, dass ein Unternehmen einen guten Namen, einen guten Ruf und einen fantastischen Erfolg hat, dass wir etwas über die Qualität seiner Supply Chain-Praktiken ableiten können. Dies ist meine Hauptkritik, und genauso wie Claude Bernard sagte, müssen wir alle Mechanismen, die auf Autorität beruhen, grundsätzlich ablehnen. Das müssen wir auch im Bereich der Supply Chain-Studien tun.

Wir haben jedoch ein weiteres Problem, und es ist ein Tabu. Wenn ich mir veröffentlichte Fallstudien anschaue, nur als Bauchgefühl ohne tatsächliche Statistiken, würde ich sagen, dass 99% der Fallstudien positiv sind. Sie zeigen ein Problem, eine Legacy-Lösung, eine neue Lösung und die neue Lösung bringt ein positives Ergebnis. Dennoch habe ich mich seit über einem Jahrzehnt mit Supply Chain-Direktoren unterhalten, über 100 von ihnen, und meine Wahrnehmung ist, dass die überwiegende Mehrheit der Supply Chain-Initiativen scheitert. In der Regel sind die Fehler nicht so episch wie die zuvor erwähnten, aber sie sind überall und die überwiegende Mehrheit dieser Initiativen scheitert. Es ist nicht übermäßig überraschend - wenn ein Unternehmen es geschafft hat, systematisch und ohne Fehler seine Supply Chain zu verbessern und diese Methode über ein Jahrzehnt hinweg anzuwenden, würde dieses Unternehmen die Konkurrenz zermalmen, ähnlich wie bei der Geschichte von Amazon. Aber ich schweife ab.

Zurück zur Idee der Tabus, glaube ich, dass es eine deutliche Diskrepanz zwischen der überwältigenden Positivität von Fallstudien und der überwältigenden Negativität der tatsächlichen Erfahrungen in der realen Welt der Supply Chain gibt. Dies kann einfach dadurch erklärt werden, dass das Scheitern in großem Maße ein Tabu ist. Es gibt einen fantastischen Artikel mit dem Titel “Die letzten Tage von Target” von Joe Castaldo, der 2016 veröffentlicht wurde und von Target Canada handelt. Target, eine nordamerikanische Einzelhandelskette, versuchte, in Kanada Fuß zu fassen, investierte über 5 Milliarden US-Dollar in dieses Vorhaben und alles geriet in völliges Desaster. Sie stellten den Betrieb mit massiven Verlusten ein, und das Kernproblem war eine lange Reihe von brutalen Supply Chain-Problemen. Im Wesentlichen handelte es sich um eine lange Reihe von massiven Supply Chain-Fehlern.

Das Lustige ist, dass Joe Castaldo das Problem aus journalistischer Sicht fantastisch beschreibt. Es stellt niemanden in ein gutes Licht. Die Geschichte zeigt eine wilde Kombination aus Arroganz, Stolz, Dummheit, Ignoranz und Wunschdenken. Man kann hochbezahlte Führungskräfte sehen, die eine lange Reihe von absolut dummen Entscheidungen treffen, die von einem Anbieter ermutigt werden, der keinen blassen Schimmer davon hat, was er in Bezug auf Supply Chain-Analytik tut. Alles explodiert auf spektakuläre Weise. Es erfordert ein solches Maß an Mut, eine solche Geschichte zu veröffentlichen. Ich kenne Joe Castaldo persönlich nicht, aber ich wäre von der Idee, eine solche Geschichte zu veröffentlichen, verängstigt, weil die Anwälte von Target und des Softwareanbieters, dessen Namen ich nicht einmal aussprechen kann, wahrscheinlich jeden verklagen würden, der diese Geschichte erzählt, weil sie so trostlos ist. Wir haben ein Problem - es gibt viele Dinge, die aufgrund von Tabus buchstäblich nicht erzählt werden können. Ich glaube, das erklärt die massive Voreingenommenheit in Fallstudien, die tendenziell nur die guten Ergebnisse widerspiegeln und zu einer erheblichen Überlebensverzerrung führen. Ist dies ein neues Problem? Absolut nicht.

Wenn wir das Buch von Claude Bernard, einem renommierten Wissenschaftler, betrachten, wurde er berühmt, indem er umfangreich von Vivisektion Gebrauch machte, der Sektion lebender Tiere. In seinem Buch erklärt er, dass diese Methode abscheulich, grausam, brutal und grob ist, aber er argumentiert auch, dass sie für die moderne Medizin unerlässlich ist. Nicht nur wurde er zu seiner Zeit mit seinen Entdeckungen recht gegeben, sondern anderthalb Jahrhunderte später besteht kein Zweifel daran, dass Vivisektionen grundlegend für den Fortschritt waren, den wir heute in der modernen Medizin genießen.

Wissenschaft geht nicht darum, was uns gut oder bequem fühlen lässt. Oft betrachtet gute Wissenschaft die Dinge, die uns am unangenehmsten sind. Intuitiv kann dies verstanden werden, weil wir keine Angst haben, uns mit den Bereichen zu befassen, in denen wir uns wohl fühlen. Unsere Intuition wird in diesen Bereichen wahrscheinlich ziemlich gut sein. Die Bereiche jedoch, die sich falsch anfühlen, in denen wir einen Instinkt der Abstoßung haben, sind genau die Bereiche, in denen wir nicht instinktiv hinschauen werden. Deshalb brauchen wir etwas wie die wissenschaftliche Methode, um uns zu helfen, einen sorgfältigeren, unparteiischeren Blick auf die Realität zu werfen, der nicht vollständig von Vorurteilen beeinflusst ist.

Um abschließend über Tabus zu sprechen, nehmen Fallstudien oft das Problem von der falschen Seite in Angriff. Sie neigen dazu, positive Ergebnisse zu sehen und die schlechten auszuschließen. Aber das ist noch nicht das Ende der Geschichte.

Könnten wir guten Grund haben zu glauben, dass die Personen, die an Fallstudien beteiligt sind, dazu neigen, die Ergebnisse zu übertreiben? Meine These ist ja, absolut. Es ist nicht schwer zu verstehen, warum.

Wenn Sie ein Führungskraft sind und an einer Fallstudie teilnehmen, die behauptet, Sie hätten einen atemberaubenden Erfolg erzielt und Millionen von Dollar für das Unternehmen gespart, sieht das sehr gut in Ihrem Lebenslauf aus. Es verbessert Ihre Aussichten, eine größere Position entweder intern im selben Unternehmen oder extern in einem anderen Unternehmen zu bekommen. Jeder, der in einem großen Unternehmen gearbeitet hat, weiß, dass es nicht nur darum geht, Dinge von großem Nutzen für das Unternehmen zu tun. Wenn Sie in einem großen Unternehmen vorankommen möchten, müssen Sie nicht nur großartige Dienste für das Unternehmen erbringen, sondern auch die Menschen auf Ihre Leistungen aufmerksam machen. Es besteht ein massiver Interessenkonflikt für diejenigen, die an Fallstudien beteiligt sind, da sie diejenigen sind, die die Zahlen liefern, die die Gewinne rechtfertigen. Es ist selten, dass Sie den durch eine neue Methode, Technologie oder Prozess generierten Gewinn allein durch einen Blick auf die Buchhaltungszahlen ableiten können. Normalerweise ist es viel indirekter; Sie müssen die Zahlen neu verarbeiten, die Vorteile so darstellen, dass sie Sinn ergeben, und viele Annahmen treffen. Dies kann ziemlich subjektiv sein, und wenn Menschen einen erheblichen Interessenkonflikt haben, wissen wir sicher, dass dies die Ergebnisse verzerren wird. Dieser Interessenkonflikt kann zu einer Übertreibung der positiven Ergebnisse führen.

Um dieses Problem anzugehen, können einige eine neutrale dritte Partei einbeziehen, um eine objektive Meinung abzugeben und sicherzustellen, dass alles fair abläuft. Es gibt zwei Hauptarten von neutralen Dritten: Marktforschungsunternehmen und akademische Forscher. Ich glaube jedoch, dass diese Parteien überhaupt nicht neutral sind.

Marktforschungsunternehmen sind damit beschäftigt, den Markt zu untersuchen, die relativen Stärken und Schwächen von Lösungen zu bewerten und die Ergebnisse ihrer Forschung als Berichte an Unternehmen zu verkaufen, die Lösungen suchen. Diese Unternehmen können den Bericht kaufen und eine unparteiische Sicht auf den Markt von Experten erhalten, was es ihnen ermöglicht, den besten Anbieter auszuwählen. In Wirklichkeit verdienen die großen Marktforschungsunternehmen, die ich kenne, ihr Geld nicht mit dem Verkauf von Berichten; der Großteil ihres Umsatzes stammt aus Beratungs- und Coaching-Dienstleistungen, die sie an Lösungsanbieter verkaufen. Dadurch geraten diese Unternehmen in eine Position, in der sie das tun wollen, was für ihre Kunden am besten ist, die nicht die Unternehmen sind, die Lösungen suchen, sondern die Technologieanbieter, die für Beratungsdienstleistungen bezahlen.

Es stellt sich heraus, dass diese vermeintlich neutrale dritte Partei tatsächlich stark befangen ist und das Problem verschlimmern kann, indem sie ihre eigene Schicht von Voreingenommenheit auf die vorhandenen Voreingenommenheiten legt. Bei der Betrachtung von akademischen Forschern haben sie viele eigene Interessenkonflikte. “Veröffentlichen oder untergehen” ist in der akademischen Welt sehr real, und negative Fallstudien, insbesondere solche, die man wahrscheinlich im Bereich der Supply Chain finden würde, sind keine epischen Katastrophen, sondern eher kleine, enttäuschende Misserfolge. Es liegt sehr im Interesse eines akademischen Forschers, positive Ergebnisse zu zeigen, weil sie leichter zu veröffentlichen sind.

Manche mögen argumentieren, dass das Veröffentlichen betrügerischer Ergebnisse die Karriere eines akademischen Forschers ruinieren könnte, aber wenn es um Fallstudien in der Supply Chain geht, können Forscher sicher sein, dass niemand ihre Ergebnisse widerlegen wird. Es ist äußerst schwierig, Experimente in der Supply Chain durchzuführen, und es ist noch schwieriger, etwas zu widerlegen, das falsch und veröffentlicht wurde. Es wäre nahezu unmöglich nachzuweisen, dass eine Fallstudie aus der Vergangenheit falsch war oder dass die Ergebnisse stark übertrieben wurden. Das bedeutet nicht, dass Forscher unehrlich sind, aber sie haben einen klaren Interessenkonflikt, und es ist für einen Beobachter unmöglich, die ehrlichen Forscher von den unehrlichen zu unterscheiden. Als Faustregel gilt, dass eine Fallstudie, an der eine dritte Partei beteiligt ist, in der Regel noch voreingenommener ist als wenn keine dritte Partei beteiligt wäre, was ziemlich überraschend ist.

Abschließend wollen wir uns in dieser Serie über Fallstudien die Anbieter genauer ansehen. Viele Menschen glauben oft, dass Anbieter nicht lügen sollen, aber das ist nicht ganz richtig. Es gibt einen Begriff, der als “dolus bonus” oder “gute Lüge” bekannt ist und von den Römern vor langer Zeit eingeführt wurde.

Um dieses Konzept zu verstehen, betrachten Sie einen Händler auf einem Markt, der Eier verkauft und eine abwegige Behauptung aufstellt, dass ein Ei das beste ist, das Sie je essen werden und dass es Sie einen ganzen Monat lang glücklich machen wird. Offensichtlich besteht absolut keine Chance, dass die Behauptung wahr ist. Die Römer stellten die Frage, sollten wir etwas gegen diesen lügenden Händler unternehmen? Sollten wir diesen Händler ins Gefängnis stecken oder ihn bestrafen? Die Antwort war nein; es ist völlig in Ordnung. Dieses Konzept des “dolus bonus” legt nahe, dass es als Händler einfach zu Ihrer Natur gehört, über das zu lügen, was Sie verkaufen. Obwohl es Grenzen gibt, erkennt das Gesetz an, dass Anbieter tun werden, was sie tun, und man sollte sie nicht dafür verurteilen, ihre Produkte in einem günstigen Licht darzustellen, selbst absurd günstig. So funktioniert der Markt eben.

Selbst wenn Anbieter sich der rechtlichen Feinheiten nicht bewusst sind, wissen sie dies intuitiv, und daher besteht eine Neigung, Fallstudien zu produzieren, die Geld und Zeit kosten und im Wesentlichen als ausgeklügelte Infomercials dienen. Während Werbung eine Funktion in der Gesellschaft erfüllt, ist der Glaube, dass glorifizierte Werbung ein Mittel zur Vermittlung von Wissen sein kann, fehlgeleitet. Fallstudien können zu diesem Zweck nicht gerettet werden.

Wenn wir Fallstudien als völlig ungültig eliminieren, womit bleiben wir dann? Wir müssen eine alternative Methode finden, die nicht mit denselben Problemen behaftet ist. Hier kommen Supply Chain Narratives ins Spiel. Das Ziel einer Supply Chain Narrative ist es, Probleme zu beschreiben, damit Wissen unter Supply Chain-Praktikern und Forschern geteilt werden kann, wobei der Fokus auf den anstehenden Fragen und dem zu lösenden Problem liegt.

Lassen Sie uns zunächst ein sehr interessantes Buch besprechen, einen Roman namens “The Phoenix Project”. Auch wenn es kein Meilenstein der Wissenschaft ist, ist es eine unterhaltsame Lektüre über ein fiktives Unternehmen, erzählt aus der Sicht des IT-Direktors. Die meisten Ereignisse in der Geschichte beinhalten eine Reihe von Problemen in der Supply Chain und der Unternehmenssoftware, die tief miteinander verflochten sind. Die Geschichte erzählt von den Herausforderungen, denen das Unternehmen gegenübersteht, und was die Menschen tun, um diese Probleme zu lösen. Überraschenderweise spricht dieses Werk der reinen Fiktion viele Menschen tiefgreifend an, sogar mehr als die meisten Fallstudien, abgesehen vielleicht von den negativen, wie sie von Joe Castello produziert werden.

Dieser scheinbare Widerspruch könnte kein Widerspruch sein, wenn wir den ersten Schritt der Autoren betrachten. Sie entschieden sich dafür, dass die Geschichte von einem fiktiven Unternehmen handeln sollte, was alle Probleme beseitigte, die mit dem Namen und der Autorität verbunden sind, die mit einer Fallstudie verbunden sind, die an ein gut identifiziertes Unternehmen gebunden ist. Indem sie ein Werk der Fiktion schufen, beseitigten sie den Reiz der Autorität, der einem realen Unternehmen zugeschrieben würde.

Zweitens erlaubte das fiktive Unternehmen den Autoren, viele interessante Aspekte der Geschichte zu erkunden. Die meisten Charaktere haben Grenzen, sie haben Fehler, sie kämpfen, manchmal machen sie dumme Fehler und manchmal handeln sie selbstsüchtig bis zu einem Punkt, der dem Unternehmen wirklich schadet. Sie können sehen, wie bestimmte Charaktere ihre Kollegen anlügen. In einer Fallstudie wäre es unmöglich, diese Geschichte zu schreiben, weil dies zu einer langen Reihe von Rechtsstreitigkeiten führen würde, wenn sie mit realen Personen durchgeführt würde.

Aber könnten wir sagen, dass dieser Roman ein wissenschaftliches Werk ist? Nein, und aus einem einfachen Grund: Der Roman ist eine Befürwortung von DevOps, einer Philosophie zur Entwicklung und Wartung von Unternehmenssoftware. Die Autoren erzählen die Geschichte einer Gruppe von Charakteren in ihrem fiktiven Unternehmen, die immense Schwierigkeiten bewältigen und allmählich die Herausforderungen überwinden, bis sie die Kernprinzipien der DevOps-Philosophie wiederentdeckt haben. Dieses Buch hat eine sehr geladene Agenda, und die Autoren machen kein Geheimnis daraus; sie setzen sich für die DevOps-Agenda ein.

Meine Hauptkritik ist, dass wir dasselbe Problem haben wie bei Fallstudien: einen vollständigen Interessenkonflikt. Die Autoren sind zufällig Berater, die Beratungsdienstleistungen verkaufen, um DevOps-Praktiken in Unternehmen umzusetzen. Die Tatsache, dass in der Geschichte alles auf glaubwürdige Weise gelöst werden kann und dass es ein glückliches Ende gibt, bei dem das Unternehmen dank dieser Methodik massive Gewinne erzielt, ist weit davon entfernt, objektiv zu sein.

Die Idee einer Supply Chain Narrative besteht darin, mit einem fiktiven Unternehmen zu beginnen, aber den Fokus ausschließlich auf die Probleme zu legen. Wir möchten das Problem angehen, indem wir ein fiktives Unternehmen schaffen, damit wir nicht das Autoritätsproblem und die Tabus haben. Wir möchten jedoch die Beschreibung der Lösungen nicht in unsere Erzählung aufnehmen, da dies zu einer langen Reihe von Interessenkonflikten führen würde. Wir möchten uns ausschließlich auf die Probleme konzentrieren und die Lösungsseite beiseite schieben.

Es mag einige bescheidene Ausnahmen von dieser Regel geben, denn manchmal müssen wir, um zu rechtfertigen, dass ein bestimmtes Problem relevant ist, eine Intuition für die Lösung geben. Wenn wir die Intuition der Lösung nicht geben, scheint das Problem schlichtweg unmöglich. Um Einwände zu vermeiden, dass einige Herausforderungen nicht lösbar und daher nicht interessant sind, müssen wir möglicherweise einen Hinweis auf die Existenz zumindest einer Lösung geben. Wir behaupten nicht, dass es eine gute Lösung ist, sondern nur dass eine Lösung existiert.

Das Ziel der Supply Chain Narrative besteht darin, Realität und Erfahrungen aus der realen Welt in das Gebiet des Supply Chain Managements einzubringen. Wir möchten, dass dieses Format ein geeignetes Mittel ist, um Wissen an andere Supply Chain-Praktiker und Forscher zu vermitteln und uns sogar dabei zu helfen, über die Supply Chains selbst nachzudenken, was aufgrund ihrer Komplexität eine große Herausforderung darstellt. Um das Ganze verständlich und glaubwürdig zu machen, benötigen wir eine Hintergrundgeschichte und Kontext. Wir möchten die Relevanz der in der Erzählung präsentierten Probleme verstärken.

Wenn wir jedoch ein fiktives Unternehmen erfinden und alle Probleme auflisten, die sich auf Supply Chains auswirken, können wir das einfach als Wissenschaft bezeichnen? Absolut nicht.

Das Problem besteht darin, dass wir es sehr einfach machen müssen, die Gültigkeit einer Erzählung abzulehnen. Bei einer Fallstudie ist es sehr einfach, eine zu erstellen, aber es ist unglaublich schwer, ihre Gültigkeit zu widerlegen oder abzulehnen. Mit dem Design der Erzählung als Methode möchten wir dieses Problem umkehren. Wir möchten etwas schaffen, das äußerst schwierig zu gestalten ist, aber relativ einfach abzulehnen ist.

Das erste Kriterium wäre Resonanz. Wenn wir eine Erzählung über einen bestimmten Unternehmensarchetyp in einer bestimmten Branche haben und mit Supply Chain-Direktoren dieser Branche sprechen, würden sie zustimmen, dass diese Erzählung mit den Arten von Problemen resoniert, die sie haben? Obwohl es sehr subjektiv erscheinen mag, glaube ich nicht, dass es so subjektiv ist. Wenn wir uns das Buch “The Phoenix Project” ansehen, fanden praktisch alle meine Kollegen, die es gelesen haben, dass es mit ihren Erfahrungen in verschiedenen Unternehmen resoniert hat. Wir konzentrieren uns nicht auf die Lösung, sondern nur auf die Problemdefinition. Auch wenn es möglicherweise weitreichende Meinungsverschiedenheiten darüber gibt, was mit dem Problem zu tun ist, besteht in der Regel eine starke Übereinstimmung über die auf dem Tisch liegenden Probleme. Es ist nicht unbedingt so subjektiv, wie es scheint, obwohl es einen nicht reduzierbaren Grad an Subjektivität gibt.

Ein weiterer Faktor ist die Vollständigkeit. Wenn Sie ein Unternehmen auswählen können, das angeblich gut zu dieser Persona passt, und zeigen können, dass dieses Unternehmen wichtige Probleme hat, die nicht einmal in der Persona aufgeführt sind, dann ist die Last der Ablehnung sehr gering. Sie müssen nur ein Unternehmen, ein Problem vorzeigen und sagen: “Dies ist ein Grund zur Ablehnung der Persona.” Es erfordert keine monatelange Arbeit, nur ein wenig Feedback und eine ehrliche Beschreibung eines wichtigen Problems.

Eine gute Persona sollte auch Risiken in Bezug auf Zahlen eingehen, und mit Zahlen meine ich keine genauen Zahlen, sondern Größenordnungen. Wir müssen klären, ob es sich um ein Unternehmen handelt, das versucht, 100 SKUs oder 100 Millionen SKUs zu betreiben. Wir müssen die charakteristischen Dimensionen und Größenordnungen angeben, die das Unternehmen charakterisieren. Wenn Sie ein Unternehmen finden, das nicht den gegebenen Größenordnungen entspricht, kann dies bedeuten, dass wir die Persona falsch formuliert haben.

Der letzte Punkt ist subtiler, aber auch sehr wichtig: das Vorhandensein von Lösungen auf dem Markt. Abhängig von der Lösung, die auf dem Markt existiert oder nicht existiert, kann dies verwendet werden, um die Gültigkeit einer Persona abzulehnen. Wenn wir eine Lösung haben, die das Problem vollständig trivialisiert oder eine endgültige Lösung bietet, so dass das, was zuvor ein Problem war, zu einem Nicht-Problem wird, dann ist dies ein Grund, die Persona zumindest in ihrer aktuellen Form abzulehnen.

Um Ihnen ein konkreteres Beispiel zu geben: Wenn wir ein großes Unternehmen betrachten, das in den 1950er Jahren mit Zehntausenden von SKUs in einem Lager arbeitet, könnte die Persona dieses Unternehmens die Aufrechterhaltung angemessener Lagerbestände als eine große Herausforderung auflisten. Zu dieser Zeit mussten die Lagerbestände manuell durch eine kleine Armee von Angestellten aufrechterhalten werden, die die Registrierungen aktualisierten. Es war tatsächlich eine immense Herausforderung, über einen längeren Zeitraum hinweg genaue Bestandsaufnahmen zu führen. Aber schauen wir 70 Jahre später in die Gegenwart: Können wir das immer noch als eine Herausforderung betrachten? Überhaupt nicht. Mit Barcodes und Bestandsverwaltungs-Software ist die Aufrechterhaltung genauer Lagerbestände in einem Lager im Wesentlichen ein vollständig gelöstes Problem. Es ist nicht würdig, in einer Persona aufgeführt zu werden, da es viele Lösungen gibt und praktisch keine Unsicherheit über die Art der benötigten Lösung besteht.

Ich präsentiere eine Dualität von Problem versus Lösung, und die Realität ist, dass es überraschend schwierig sein kann, eine klare Trennung zwischen Problemen und Lösungen zu haben. Es ist herausfordernd, über ein Problem nachzudenken, wenn man sich keine Lösung vorstellen kann, und umgekehrt. Eine Schwierigkeit beim Verständnis von Problemen liegt in der latenten Ideologie, die die Gesellschaft durchdringt. Wir haben Werte, die einfach Teil unserer Gesellschaft sind, und wir leben mit ihnen, ohne sie überhaupt wahrzunehmen. Diese Werte können einen massiven Einfluss darauf haben, wie wir Probleme betrachten und ob wir entscheiden, ob sie relevant sind oder nicht.

Um dies zu veranschaulichen, möchte ich den Fall von Zufälligkeit anführen. Zufälligkeit wurde mit dem Stigma des Glücksspiels in Verbindung gebracht, das als falsch angesehen wurde. In Claude Bernards “Einführung in das Studium der experimentellen Medizin” ist Bernard vehement gegen das Vorhandensein von Zufälligkeit im Bereich der Wissenschaft. Er sagt, dass ein Experiment, das nicht perfekt deterministisch ist, in der Regel ein starkes Zeichen für schlechte Wissenschaft oder bestenfalls unvollständige Wissenschaft ist.

Schauen wir 70 Jahre in die Zukunft, und wir sehen, dass Albert Einstein massive Beiträge zum Bereich der Quantenmechanik geleistet hat und er sehr widersprüchliche Ansichten zu einigen Aspekten davon hatte, insbesondere zur Indeterminismus oder Zufälligkeit, die eine fundamentale Eigenschaft des Universums zu sein schien. Einstein hat mehrmals anerkannt, dass die Quantenphysik wahrscheinlich nicht falsch ist, weil ihre Betriebseigenschaften ausgezeichnet sind. Er war jedoch der Meinung, dass die Nicht-Determinismus darauf hindeutet, dass die Quantenphysik unvollständig ist und nicht das endgültige Produkt dessen, was die Physik sein sollte. Es dauerte viele Jahrzehnte, aber heutzutage wird die Wahrnehmung, dass Indeterminismus wirklich eine fundamentale Eigenschaft des Universums ist, und es gibt kein Entkommen.

Meine Theorie ist, dass das Stigma des Glücksspiels, das mit Zufälligkeit verbunden war, durch die Jahrhunderte hindurch anhielt und sogar die Gegenwart beeinflusste. Vor einem Jahrzehnt bei Lokad haben wir uns entschieden, die Idee der probabilistischen Vorhersage voranzutreiben und die Zufälligkeit anstatt sie abzulehnen. Dies führte uns dazu, das Problem vollständig neu zu definieren, und wir stießen auf Skepsis und sogar noch heftigere Reaktionen. Einige bezweifelten die Relevanz von Zufälligkeit für die Probleme, die sie lösen mussten.

Aus meiner Sicht ist die Untersuchung der Struktur der Zufälligkeit selbst von großem Interesse. Allerdings können wir vorgefasste Vorstellungen haben, die unser Verständnis bestimmter Fragen behindern. Eine weitere Herausforderung besteht darin, dass Ablenkungen entstehen können, wenn eine ausgezeichnete Lösung für ein schwieriges Problem entsteht. Es kann schwierig werden, über das abstrakte Problem nachzudenken, da wir dazu neigen, es reflexartig in Bezug auf die Lösung zu definieren.

Ein historisches Beispiel dafür ist die Entwicklung von Flugmaschinen im 19. Jahrhundert. Leichter als Luft fliegende Maschinen wie Heißluftballons wurden entdeckt und genutzt, um atemberaubende Entdeckungen zu machen. Der Erfolg dieser leichter als Luft Maschinen lenkte die relevanten Gemeinschaften davon ab, schwerer als Luft Alternativen in Betracht zu ziehen. Es dauerte Jahrzehnte, bis die relevanten Gemeinschaften Alternativen erforschten, und ich glaube, dass ein Teil des Problems darin bestand, dass eine atemberaubende Lösung, wie der Bau einer Flugmaschine, massiv ablenkte.

Eine weitere Herausforderung, der wir uns stellen, wenn wir Probleme und Situationen untersuchen, besteht darin, wenn das Problem undenkbar ist. Es ist so etwas, bei dem man das Problem nicht einmal konzeptualisieren kann, obwohl es ein reales Problem ist.

Um diese Idee zu veranschaulichen, möchte ich auf einen fantastischen Artikel verweisen, der 2018 von einem Forschungsteam bei Facebook zur maschinellen Übersetzung veröffentlicht wurde. Bei der maschinellen Übersetzung geht es darum, Text in einer Sprache zu nehmen und mithilfe einer Maschine eine Übersetzung in eine andere Sprache zu erstellen. Dieses Forschungsfeld existiert seit etwa 70 Jahren. Die ersten automatisierten Übersetzer waren unglaublich naiv und ersetzten einfach Wörter einer Sprache durch entsprechende Wörter einer anderen Sprache mithilfe von Wörterbüchern. Dieser Ansatz führte zu Übersetzungen von sehr geringer Qualität.

Im Laufe der Jahre entwickelten sich Techniken, und die meisten Methoden hatten eine Sache gemeinsam: die Verwendung von zweisprachigen Korpora. Die Idee bestand darin, Datensätze zu verwenden, die Phrasen in zwei Sprachen enthalten, und aus diesen Beispielen zu lernen, um ein automatisiertes Übersetzungssystem aufzubauen. Das erstaunliche Ergebnis, das vom Forschungsteam bei Facebook erzielt wurde, war die Entwicklung eines Übersetzungssystems ohne expliziten Übersetzungsdatensatz. Sie verwendeten einen umfangreichen Datensatz mit Texten in Französisch und einen separaten, disjunkten Datensatz mit Texten in Englisch und entwickelten dann ein maschinelles Übersetzungssystem, das von Französisch nach Englisch übersetzen konnte, ohne jemals Beispiele zu erhalten. Dieses Ergebnis widerspricht dem herkömmlichen Ansatz zur automatisierten Übersetzung und erforderte eine tatsächliche Lösung, bevor die Menschen überhaupt darüber nachdenken konnten, wie sie das Problem angehen sollten.

Ein bescheideneres, aber relevantes Beispiel aus unserer Arbeit bei Lokad ist der Automobil-Ersatzteilmarkt. In diesem Bereich besteht die Herausforderung darin, das richtige Autoteil mit der richtigen mechanischen Kompatibilität für ein bestimmtes Fahrzeug zu finden. Auf dem europäischen Markt gibt es zum Beispiel über 1 Million verschiedene Autoteile und über 100.000 verschiedene Fahrzeuge. Wenn Sie in eine Werkstatt gehen und ein Teil austauschen müssen, muss die Person im Geschäft eine Art Service konsultieren, um festzustellen, welches Teil für Ihr Fahrzeug geeignet ist. Es stellt sich heraus, dass die gesamte Liste der Teil-Fahrzeug-Kompatibilitäten, die ich als die Kanten bezeichne, die Teile und Fahrzeuge verbinden, eine Größenordnung von etwa 100 Millionen Kompatibilitäten hat. Auf diesem Markt gibt es einige stark spezialisierte Unternehmen, die diesen Datensatz für den europäischen Markt pflegen. Sie verkaufen den Zugang zu diesem Datensatz praktisch an jedes Unternehmen, das in der Automobil-Ersatzteilindustrie tätig ist, auf die eine oder andere Weise.

Das Problem besteht darin, dass dieser Datensatz mit 100 Millionen Kompatibilitäten enorm ist und viele Fehler enthält. Basierend auf verschiedenen Quellen schätze ich, dass es einige Datensätze für Europa gibt und die meisten von ihnen eine Fehlerquote von etwa 3% haben. Die Fehler sind sowohl falsch positive, bei denen eine Kompatibilität erklärt wird, die nicht existiert, als auch falsch negative, bei denen eine Kompatibilität existiert, aber nicht ordnungsgemäß im System erfasst ist. Diese Fehler verursachen fortlaufende Probleme für alle Unternehmen, die im Aftermarket tätig sind.

Wenn eine Reparatur durchgeführt werden muss und ein Kunde es eilig hat, bewegt sich das Fahrzeug nicht mehr. Sie bestellen ein Teil, das Teil kommt rechtzeitig an, aber dann stellen die Leute fest, dass das Teil nicht kompatibel ist. Das Teil muss zurückgeschickt werden, ein anderes Teil wird bestellt und es kommt zu zusätzlichen Tagen Verzögerung und Kundenfrustrationen. Also, es ist ein Problem, aber was können wir dagegen tun? Die Unternehmen, die diese Datensätze manuell pflegen, beschäftigen bereits kleine Armeen von Angestellten, um sie auf dem neuesten Stand zu halten. Sie korrigieren ständig Fehler, fügen aber auch ständig neue Teile und Fahrzeuge hinzu. Im Laufe der Jahrzehnte wächst der Datensatz leicht an, Fehler werden behoben, neue Fehler werden eingeführt und die Fehlerquote von 3% bleibt weitgehend konstant. Sie verbessert sich im Laufe der Zeit nicht.

Das System hat bereits ein Gleichgewicht erreicht, und Unternehmen im Bereich des Automobilnachmarkts sind möglicherweise nicht bereit, das Zehnfache für die Unternehmen zu zahlen, die die Datensätze pflegen, um das verbleibende Fehler zu korrigieren. Es gibt abnehmende Erträge, und die Fehler, die noch nicht erkannt wurden, sind wahrscheinlich sehr schwer zu beheben.

Bei Lokad haben wir einen Algorithmus entwickelt, der sowohl falsch positive als auch falsch negative Ergebnisse erkennt und automatisch etwa 90% dieser Probleme beheben kann. Das Schöne daran ist, dass dieser Algorithmus nichts anderes als den ursprünglichen Datensatz verwendet. Es mag seltsam erscheinen, aber wir können diesen Datensatz selbst verwenden, um die Fehler im Datensatz zu erkennen, und genau das haben wir getan. Übrigens werde ich diese Techniken in einem späteren Vortrag im Detail vorstellen. Sie können den Plan online überprüfen; der Zeitplan für die Vorträge ist auf der Lokad-Website verfügbar. Also, das ist ein weiteres Beispiel dafür, dass es sehr schwer ist, zu erkennen, dass es überhaupt ein Problem gibt, solange man keine Lösung hat.

Im Rahmen meiner Absicht werde ich eine kurze Reihe von Vorträgen über Personas präsentieren, die Archetypen charakterisieren, mit denen wir bei Lokad konfrontiert wurden. Ich werde mein Bestes tun, um die Art und Weise, wie ich das Problem sehe, zusammenzufassen und alle Erfahrungen zu synthetisieren, die ich durch meine eigene Erfahrung und die Erfahrung meiner Kollegen bei Lokad gesammelt habe. Sie können überprüfen, dass ich nicht alle diese Personas in Sequenz präsentieren werde, denn das wäre wahrscheinlich sehr langweilig für das Publikum und vielleicht auch ein wenig langweilig für mich. Also, ich beabsichtige, eine Persona wahrscheinlich in zwei Wochen zu präsentieren und dann zu anderen interessanten Elementen überzugehen.

Abschließend haben wir heute einige sehr wichtige Fragen zur Supply Chain als Forschungsbereich aufgeworfen, und ich hoffe, dass ich einige vielversprechende Antworten präsentieren konnte, vielleicht nicht bewiesene, aber zumindest vielversprechende Antworten auf diese Fragen. Mir ist auch bewusst, dass ich wahrscheinlich unter den Kreisen von Menschen, die einen guten Teil ihres beruflichen Lebens damit verbracht haben, Fallstudien zu erstellen, heute keine Freunde gemacht habe, und ich hoffe wirklich, nicht wie der Kerl in der Illustration zu enden. Das wäre ziemlich schrecklich, aber nochmals, ich denke, die Einsätze sind ziemlich hoch. Wir wollen die Supply Chain als Forschungsbereich zu einer Wissenschaft etablieren und aufwerten, damit wir etwas haben, das sehr kapitalistisch, aggressiv ist und von dem wir vernünftige Erwartungen haben können, Verbesserungen auf zuverlässige und kontrollierte Weise zu liefern.

Das war es für heute. Ich werde mir jetzt die Fragen ansehen.

Frage: Ich habe das Konzept der Erschöpfung für die Personas nicht verstanden. Können Sie das erläutern?

Also, Erschöpfung bedeutet einfach, dass aufgrund von Systemeffekten die Beschreibung der Herausforderungen und Probleme in der Lieferkette vollständig sein sollte. Lieferketten beinhalten eine lange Reihe von Abwägungen, daher kann es sein, dass Sie nicht korrekt über das Problem nachdenken, wenn Sie eine der beteiligten Kräfte außer Acht lassen. Zum Beispiel können Sie nicht korrekt darüber nachdenken, was der optimale Lagerbestand ist, wenn Sie das Problem eines begrenzten Arbeitskapitals ignorieren. Erschöpfung bedeutet, alle relevanten Dinge aufzulisten, und wenn wir nicht erschöpfend alle relevanten Probleme auflisten, bedeutet dies wahrscheinlich, dass dies keine sehr gute Persona ist, da möglicherweise einige Dinge übersehen wurden und dies jede auf dieser Persona basierende Argumentation kritisch gefährden könnte.

Frage: Falsche Lösungen in Lieferketten sind weit verbreitet, und es gibt viele Lieferkettenpraktiker, die wissen, dass sie von Grund auf fehlerhaft sind. Wie können wir ihnen helfen, auf ungefähr korrekte Lösungen umzusteigen und Unsicherheit zu akzeptieren?

Zunächst denke ich, dass das Hauptproblem darin besteht, dass die Lieferkette als Forschungsfeld noch in den Kinderschuhen steckt und es weit verbreiteten Skeptizismus hinsichtlich der Gültigkeit von so ziemlich allem gibt, was veröffentlicht wird. Es ist sehr schwer, die Menschen zu überzeugen. Ich denke, der erste Schritt besteht darin, die Menschen davon zu überzeugen, dass die Lieferkette für die wissenschaftliche Methode geeignet ist. Dies wäre ein bedeutender erster Schritt, denn es handelt sich nicht um eine Meinung oder Ideologie; es gibt potenziell ein Endspiel, bei dem wir Objektivität und Wissen mit guten Eigenschaften haben. Wir können solide Grundlagen für das Verständnis der Probleme schaffen und angemessene Lösungen anwenden. Der erste Schritt, und das ist es, was ich durch diese Vorlesungen zu tun versuche, besteht darin, die breite Öffentlichkeit darüber aufzuklären, dass die Lieferkette nicht nur eine Praxis oder eine Kunst ist, sondern auch eine Wissenschaft sein könnte.

Claude Bernard, einer der Väter der modernen Medizin, sah sich zu seiner Zeit vielen Einwänden gegenüber. Er wurde von Ärzten konfrontiert, die behaupteten, sie hätten bereits die Wissenschaft und es gäbe nichts aus seinen Methoden zu lernen. Sie schlugen vor, er solle sich einfach an ihre Theorien halten und keine Experimente durchführen. Die größte Schlacht, die Bernard kämpfen musste, war die Idee selbst, dass die Medizin für eine wissenschaftliche Methode geeignet war. Ähnlich vermute ich, dass das meiste, was veröffentlicht wird, selbst unter akademischen Kreisen, über die Lieferkette nicht wissenschaftlich ist. Ich glaube, ich habe heute gezeigt, dass ein guter Teil der Literatur, wie Fallstudien, nicht wissenschaftlich ist. In der nächsten Vorlesung werden wir sehen, was mit der anderen Hälfte der verbleibenden Literatur getan werden muss, und das sieht nicht sehr vielversprechend aus.

Was Ihre Frage zur Unsicherheit betrifft, wäre mein erster Schritt, die Menschen davon zu überzeugen, dass Unsicherheit nicht reduzierbar ist und dass sie sich damit als massives Problem in ihrem täglichen Leben auseinandersetzen müssen. Können wir uns darauf einigen, dass es keine Hoffnung gibt, dass wir perfekt vorhersagen können, was Menschen kaufen werden? Um die Handlungen einer Person in einem Geschäft perfekt vorherzusagen, müssten Sie ihre gesamte Intelligenz perfekt replizieren. Der Algorithmus, der jede einzelne Bewegung einer Person vorhersagen könnte, wäre im Wesentlichen so intelligent wie eine perfekte Replikation der menschlichen Intelligenz, was äußerst unvernünftig erscheint. Die alternative Annahme, dass Unsicherheit in großem Maße nicht reduzierbar ist, scheint eine viel vernünftigere Annahme zu sein. Die größte Herausforderung besteht darin, die Diskussion an einen Ort zu bringen, an dem wir von einer halb-wissenschaftlichen Perspektive aus argumentieren, anstatt uns auf Praktiken, Bauchgefühle, Intuition und autoritative Aussagen zu verlassen.

Frage: Was halten Sie von Design Thinking?

Ich bin mir nicht ganz sicher über die spezifische Frage hier, aber was ich versuche, ist eine Verbindung zwischen der Lieferkette und der realen Welt herzustellen. Wenn wir Lieferkettenexperimente haben können, die mit dem übereinstimmen, was in vielen anderen experimentellen Wissenschaften getan wird, können wir die Lieferkette auf eine zufriedenstellende Weise mit der realen Welt verbinden. Ich habe heute eine Methode vorgestellt, die Persona, und es gibt wahrscheinlich viele andere Methoden. Ich folge keiner spezifischen Denkweise; mich interessiert mehr die Methode zur Erzeugung von Wissen als die Art und Weise, wie Menschen denken.

In dieser Hinsicht stimme ich sehr mit den Ideen überein, die Claude Bernard präsentiert. Der anfängliche Funke für Wissen, die Emotion, die Intuition, liegt grundsätzlich nicht im wissenschaftlichen Bereich. Sie liegt im Bereich der Emotionen, nicht der Vernunft. Ich glaube nicht, dass man diesen Teil wirklich rationalisieren kann, und selbst wenn man es könnte, wäre ich sehr skeptisch, ob dieselbe Methode für jeden funktionieren würde. Aber ich schweife ab.

Ich denke, wir sind jetzt mit den Fragen fertig. Wir sehen uns in zwei Wochen wieder; wir treffen uns am selben Tag und zur gleichen Zeit. Wir werden eine Persona namens Paris für ein Unternehmen der Fast-Fashion-Branche erkunden, das ein Einzelhandelsnetzwerk betreibt. Bis dann.

Referenzen

• Eine Einführung in das Studium der experimentellen Medizin, Claude Bernard, 1865
• The Phoenix Project: Ein Roman über IT, DevOps und wie man sein Unternehmen zum Erfolg führt, Gene Kim, Kevin Behr, George Spafford, 2013
• Unsupervised Machine Translation Using Monolingual Corpora Only, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018