00:15 Einführung
02:28 Smart Kühlschrank
05:28 Überlebensverzerrung
07:28 Der bisherige Verlauf
08:46 Über Tabus (Zusammenfassung)
12:06 Ablehnungsheuristik (Zusammenfassung)
13:34 Positive Wissensqualität
15:27 Software-Antipatterns, 1/2
20:11 Software-Antipatterns, 2/2
25:34 Supply Chain Antipatterns
27:00 Nackte Prognosen
32:36 Der 100%ige Servicelevel
37:06 Die Jedi-Initiation
44:31 Der nicht-euklidische Horror
51:45 Advocatus Diaboli
57:35 Zusammenfassung, negatives Wissen für Supply Chains
01:01:04 Fazit
01:02:45 Bevorstehende Vorlesung und Fragen des Publikums
Beschreibung
Antipatterns sind die Stereotypen von Lösungen, die gut aussehen, aber in der Praxis nicht funktionieren. Die systematische Untersuchung von Antipatterns wurde Ende der 1990er Jahre vom Bereich der Softwaretechnik vorangetrieben. Wenn anwendbar, sind Antipatterns den reinen negativen Ergebnissen überlegen, da sie leichter zu merken und zu begründen sind. Die Antipattern-Perspektive ist von herausragender Bedeutung für die Supply Chain und sollte als eine der Säulen für ihr negatives Wissen betrachtet werden.
Vollständiges Transkript
Hallo zusammen, herzlich willkommen zu dieser Reihe von Vorlesungen zur Supply Chain. Ich bin Joannes Vermorel und heute werde ich über negatives Wissen in der Supply Chain sprechen. Für diejenigen von Ihnen, die die Vorlesung live verfolgen, können Sie jederzeit über den YouTube-Chat Fragen stellen. Während der Vorlesung werde ich den Chat nicht lesen, werde aber am Ende der Vorlesung für die Fragerunde darauf zurückkommen.
Heute geht es um das, was ein Unternehmen tatsächlich gewinnt, wenn es einen erfahrenen Supply Chain Director einstellt, der vielleicht zwei oder drei Jahrzehnte Erfahrung hat. Was sucht das Unternehmen und könnten wir den Erwerb dieser Erfahrung in viel kürzerer Zeit marginal replizieren? Genau darum geht es beim negativen Wissen.
Wenn wir uns eine sehr erfahrene Person ansehen, jemanden, der seit zwei Jahrzehnten in einem Bereich tätig ist, suchen wir wirklich danach, dass diese Person Lösungen, Prozesse oder Technologien repliziert, die sie vor ein oder zwei Jahrzehnten in anderen Unternehmen implementiert hat? Wahrscheinlich nicht. Obwohl es marginal vorkommen kann, vermute ich, dass dies in der Regel höchstens ein sehr randständiger Grund ist.
Wenn Sie nach einer sehr erfahrenen Person suchen, besteht das Ziel nicht unbedingt darin, Dinge so zu replizieren, wie sie in der Vergangenheit gemacht wurden. Der Schlüsselwert, den Sie erwerben möchten, besteht darin, jemanden zu haben, der weiß, wie man allerlei Fehler vermeidet und die Erfahrung hat, sicherzustellen, dass viele naive und schlechte Ideen nicht in Ihrem Unternehmen umgesetzt werden. Es gibt dieses Sprichwort, dass in der Theorie Praxis und Theorie gleich sind, aber in der Praxis nicht. Das ist genau der Kern des negativen Wissens.
Mein Vorschlag für Sie ist, dass schlechte Geschäftsideen überall zu finden sind. Wenn ich von schlechten Ideen spreche, meine ich Ideen, die sich als völlig unrentabel für das Unternehmen erweisen würden, wenn sie umgesetzt würden. Um dies zu veranschaulichen, habe ich einfach die Suchanfrage “intelligente Kühlschränke” in der Google Patents-Suchmaschine eingegeben. Google Patents ist eine spezialisierte Suchmaschine von Google, mit der Sie eine Patentdatenbank durchsuchen können. Und siehe da, wir erhalten 130.000 Ergebnisse von Patenten, die auf intelligente Kühlschränke eingereicht wurden.
Nehmen Sie diese Zahl mit Vorsicht, da es wahrscheinlich viele Duplikate gibt. Eine oberflächliche Überprüfung der Ergebnisse zeigt jedoch sehr deutlich, dass wir mehrere hundert, wenn nicht sogar mehrere tausend Unternehmen haben, die in den letzten Jahrzehnten große Anstrengungen unternommen haben, um Forschung und Entwicklung für die Einreichung eines Patents für intelligente Kühlschränke zu betreiben. Wenn Sie sich die Art der Ideen in diesen Patenten ansehen, werden Sie feststellen, dass es immer eine Kombination aus diesem sehr verbreiteten Gerät, einem Kühlschrank, und der Hinzufügung von etwas, wie billiger Elektronik, ist. Wir kombinieren die beiden und voilà, wir haben eine Lösung irgendeiner Art.
Für welches Problem genau? Das ist sehr unklar. Nur um Ihnen einen Überblick über die meisten Patente zu geben, handelt es sich um die Art von Idee, bei der ein Kühlschrank mit Sensoren ausgestattet ist und der Kühlschrank selbst erkennt, wenn Ihnen die Milch ausgeht, und automatisch eine Nachbestellung für Sie aufgibt. Wir haben das Jahr 2021 und meines Wissens nach gibt es keine intelligenten Kühlschränke. Es liegt nicht daran, dass sie technisch nicht machbar sind - das sind sie sehr wohl. Es gibt einfach keinen Markt dafür. Also haben wir eine massive Menge an Lösungen auf dem Markt, die nach einem Problem suchen. In den letzten zwei Jahrzehnten habe ich im Durchschnitt zweimal im Jahr ein Startup gesehen, das einen intelligenten Kühlschrank bewirbt. Interessanterweise habe ich nie wieder von einem dieser Startups gehört. Ich habe nicht wirklich mitgezählt, aber ich vermute stark, dass jedes einzelne Startup, das ich in den letzten zwei Jahrzehnten gesehen habe, das einen intelligenten Kühlschrank beworben hat, gescheitert ist. Während die Idee jedoch sehr weit verbreitet und beliebt ist, wie durch diese Tausende von Patenten gezeigt wird, haben sich die Konsequenzen dieser Ideen, die schlecht sind, weil wahrscheinlich die meisten dieser Startups einfach bankrott gegangen sind, nicht verbreitet.
Hier sehen wir etwas sehr Interessantes: Durch Erfahrung können Sie auf eine Art von Wissen zugreifen, das für Beobachter auf dem Markt nicht leicht zugänglich ist. Sie können die dunkle Seite sehen, also die Dinge, die fehlen, die Art von Dingen, die versprochen und angekündigt wurden, aber sich letztendlich als nicht sehr erfolgreich erwiesen haben.
Es gibt ein sehr bemerkenswertes historisches Beispiel aus dem Zweiten Weltkrieg. Die US-Armee führte eine Umfrage bei Flugzeugen durch, die zur Basis zurückkehrten, um die Platzierung der Einschläge von Kugeln auf den Flugzeugen zu erfassen. Was Sie auf dem Bildschirm sehen, ist im Wesentlichen die Sammlung der Platzierung der Kugeln, wie sie auf den Flugzeugen beobachtet wurden, die von den Schlachtfeldern zur Basis zurückkehrten. Anfangs folgten die Offiziere der Armee der Denkweise, dass sie Panzerplatten in den Bereichen hinzufügen mussten, die am meisten getroffen wurden, den Bereichen, die während der Schlacht offensichtlich unter dem größten Beschuss standen.
Dann sagte ein anderer Herr, Abraham Wald, nein, das ist genau das Gegenteil. Das Ding ist, was Sie sehen, sind Flugzeuge, die es geschafft haben, zur Basis zurückzukehren. Was Sie nicht sehen, ist, dass in allen Bereichen, in denen Sie keine Einschläge von Kugeln sehen, es höchstwahrscheinlich so ist, dass, wenn es einen Einschlag in diesem Bereich gab, sich herausstellte, dass er entweder für das Flugzeug oder für die Besatzung tödlich war, oder beides. Wenn Sie also Panzerplatten hinzufügen müssen, müssen Sie dies genau in allen Bereichen tun, in denen Sie Flugzeuge nicht mit Einschlägen von Kugeln zur Basis zurückkehren sehen. Das sind die Bereiche, die geschützt werden müssen.
Was Abraham herausstellte, ist, dass es ein Phänomen namens Überlebensverzerrung gibt, bei dem Sie im Wesentlichen die Überlebenden beobachten, nicht alle Flugzeuge, die es nicht zur Basis geschafft haben. Die Idee des negativen Wissens ist genau wie das: Sie nehmen dieses fotografische Bild und das Negativ, und es ist der Rest, der Ihre Aufmerksamkeit wirklich erfassen muss, weil dort die wirklich schlimmen Dinge passieren. Das ist im Grunde genommen die Essenz des negativen Wissens.
Dies ist die vierte Vorlesung in meiner Reihe von Vorlesungen, die erste Vorlesung des zweiten Kapitels. Im ersten Kapitel des Prologs habe ich meine Ansichten über die Lieferkette, sowohl das Studienfeld als auch die Praxis, vorgestellt. Was wir gesehen haben, ist, dass die Lieferkette im Wesentlichen eine Sammlung von bösen Problemen ist, im Gegensatz zu zahmen Problemen. Böse Probleme sind sehr schwer anzugehen, weil sie sich weder für einfache Studien noch für einfache Praxis eignen. Es gibt grundsätzlich etwas Nachteiliges in Bezug auf Studium und Praxis bei bösen Problemen. Deshalb ist das zweite Kapitel den Methoden gewidmet.
In dieser aktuellen Vorlesung gehen wir qualitativ vor, genauso wie wir es mit der Lieferketten-Persona gemacht haben, die die allererste Vorlesung in diesem Kapitel war. Wir werden uns auf die Art von qualitativen Ansätzen konzentrieren, die wir haben können, um Verbesserungen in Lieferketten auf kontrollierte, zuverlässige und potenziell letztendlich messbare Weise zu liefern.
Zusammenfassung: Obwohl dies eine Vorlesung ist, die dem negativen Wissen gewidmet ist, ist dies nicht das erste Mal in dieser Vorlesungsreihe, dass ich Elemente anspreche, die als kleine Stücke des negativen Wissens qualifizieren würden. Während der ersten Vorlesung dieses zweiten Kapitels über Lieferketten-Personas habe ich meine Ansichten zu Fallstudien vorgestellt. Ich habe gesagt, dass positive Fallstudien, d.h. Fallstudien, die positive Ergebnisse im Zusammenhang mit einer interessierenden Lösung präsentieren, massive Interessenkonflikte mit sich bringen, die im Wesentlichen jegliches Vertrauen in die Gültigkeit der Ergebnisse untergraben. Andererseits habe ich festgestellt, dass negative Fallstudien in Ordnung sind, weil diese Interessenkonflikte, obwohl sie vorhanden sein können, viel weniger intensiv sind.
In dieser Vorlesung über Lieferketten-Personas habe ich eine fantastische negative Fallstudie präsentiert, “Die letzten Tage von Target Canada” von Joe Castaldo, die ein episches Versagen der Lieferkette beschreibt, das letztendlich zur Insolvenz von Target Canada führte. Dies ist eine Art von negativem Wissen, bei dem das Studienobjekt buchstäblich Dinge sind, die nicht funktioniert haben, im Gegensatz zu dem, was wir tun können, um etwas zu haben, das tatsächlich funktioniert.
Können wir negative Fallstudien als grundlegende Praxis für unser negatives Wissen über Lieferketten verwenden? Ich würde sagen, größtenteils nein, aus zwei sehr unterschiedlichen Gründen. Der erste Grund ist einfach, dass negative Fallstudien äußerst selten sind. Ich würde schätzen, dass es tatsächlich mehr als 100-mal mehr Patente für intelligente Kühlschränke gibt, die völlig nutzlos sind, als negative Fallstudien über Lieferketten. Wir haben also ein sehr praktisches Problem: Obwohl diese negativen Fallstudien von höchster Relevanz und sehr großem wissenschaftlichen Interesse sind, sind sie einfach extrem selten. Wir haben so wenig davon, dass es sehr schwierig ist, dieses Material als Grundlage unseres negativen Wissens über Lieferketten zu haben.
Das zweite Problem ist die Verständlichkeit. Diese negativen Fallstudien, wie der fantastische Artikel “Die letzten Tage von Target Canada”, zeigen, dass gleichzeitig dutzende Probleme auftreten, und all diese Probleme sind vollständig miteinander verflochten und führen letztendlich zu einem epischen Versagen. Das Problem ist, dass diese Fallstudien buchstäblich das echte Leben widerspiegeln und diese Ereignisse sehr komplex sind. Es ist schwierig, über diese Fallstudien zu kommunizieren und zu argumentieren, weil Details wichtig sind und sie sehr dicht sind. Es gibt ein weiteres alltägliches Problem: Wie kommuniziert man das an ein größeres Publikum?
In meiner letzten Vorlesung über experimentelle Optimierung haben wir auch eine andere Art von negativem Wissen gesehen: Ablehnungsheuristiken. Dies waren im Wesentlichen einfache Tricks, die angewendet werden können, wenn ein quantitativer Lösungsvorschlag als potenzieller Kandidat zur Verbesserung Ihrer Lieferkette vorgelegt wird. Sie können eine Reihe von Heuristiken oder einfachen Regeln verwenden, um Lösungen auszuschließen, die mit hoher Sicherheit einfach nicht funktionieren werden. Hier haben wir jedoch ein Skalierbarkeitsproblem. Diese Heuristiken funktionieren nur, weil sie obskur sind. Wenn sie in Lieferkettenkreisen bekannt würden, würden sowohl wissenschaftliche Arbeiten als auch Lieferkettensoftware sich anpassen und ihren Diskurs ändern, was die Situation verwirrender machen würde. Diese Heuristiken sind sehr effizient, aber wenn sie populär werden würden, würden sie ihre Gültigkeit behalten, aber ihre Effizienz als Filter verlieren, einfach weil die Leute versuchen würden, diese Heuristiken zu umgehen.
Aus diesem Grund können diese Heuristiken, obwohl sie sehr interessant sind, nicht als Grundlage für unser negatives Wissen dienen, das wir für Lieferketten aufbauen möchten.
Außerdem sollten wir negatives Wissen nicht mit niedrigwertigem positives Wissen verwechseln. Der Unterschied liegt wirklich in der Absicht. Zum Beispiel soll der Sicherheitsbestand Unternehmen eine kontrollierte Möglichkeit bieten, die Qualität des Services zu steuern, den sie erhalten werden. Die Absicht ist positiv; es handelt sich um eine Lösung für etwas, das funktionieren sollte. Die Realität ist jedoch, dass das Sicherheitsbestandsmodell auf völlig missbräuchlichen Annahmen beruht: zukünftige Nachfrage und Durchlaufzeiten werden als normalverteilt angenommen, obwohl diese Annahmen faktisch falsch sind. Ich habe noch nie Lieferketten-Datensätze beobachtet, bei denen entweder die Nachfrage oder die Durchlaufzeiten normalverteilt waren. Die interessanten Verteilungen sind tatsächlich Zipf-verteilt, wie ich in meinen vorherigen Vorlesungen über die quantitativen Prinzipien für Lieferketten erläutert habe. Aus einer richtigen Perspektive betrachtet, ist der Sicherheitsbestand widerlegt, aber dennoch ist der Sicherheitsbestand definitiv im Bereich des positiven Wissens verankert, auch wenn es möglicherweise fragwürdiges positives Wissen von geringer Qualität ist.
Während dieser Vorlesung werden wir nicht genug Zeit haben, um alle Elemente zu vertiefen, die meiner Meinung nach als positives Wissen von sehr geringer Qualität gelten, aber ich würde gerne darauf eingehen, wenn einige Leute während der Fragerunde Fragen zu einem dieser Elemente stellen möchten.
Wenn es um tatsächliches negatives Wissen von praktischem Interesse geht, gibt es ein Buch namens “Anti-Patterns: Refactoring Software, Architectures, and Projects in Crisis”, das einen Meilenstein in der Geschichte des Software Engineering darstellt. Veröffentlicht im Jahr 1998, beginnt dieses Buch mit einer beiläufigen Beobachtung, dass in der Softwareindustrie, wenn es gute Ideen und Projekte gibt, die von den guten Ideen profitieren, Softwareanbieter sehen, wie die guten Ideen vom Erfolg des Projekts verbraucht werden. Die Autoren stellen die Frage, ob eine gute Idee nach der Implementierung des Produkts eine gute Praxis bleibt, und die Antwort ist im Wesentlichen nein. Es gibt einen First-Mover-Vorteil, der sehr spezifisch für die Softwareindustrie ist, und als Ergebnis haben wir ein Problem. So ziemlich jede Reihe von Regeln, die Sie verwenden würden, um den Erfolg von etwas in der Softwareindustrie vorherzusagen, ist selbstzerstörerisch, aufgrund der Tatsache, dass die besten Ansätze dazu neigen, vom Erfolg, den sie generieren, verbraucht zu werden. Die Autoren von “Anti-Patterns” stellten fest, dass es in ihrer Sichtweise fast unmöglich ist, den Erfolg einer Softwareinitiative zu garantieren. Sie stellten jedoch auch fest, dass die Situation sehr asymmetrisch ist, wenn es um Misserfolge geht. Sie bemerkten, dass es möglich ist, mit sehr hoher Zuversicht (manchmal fast sicher) vorherzusagen, dass ein bestimmtes Projekt kurz vor dem Scheitern steht. Dies ist sehr interessant, weil Sie den Erfolg nicht garantieren können, aber Sie können so etwas wie eine Wissenschaft haben, die das Scheitern garantiert. Noch besser ist, dass dieses Wissen über Elemente, die das Scheitern garantieren, anscheinend über die Zeit hinweg äußerst stabil ist und weitgehend unabhängig von den technischen Details des Unternehmens oder der betrachteten Branche ist.
Wenn wir zur ursprünglichen Idee des intelligenten Kühlschranks zurückkehren, können wir sehen, dass all diese Patente für intelligente Kühlschränke unglaublich vielfältig in den Lösungen sind, die sie präsentieren. Aber es stellt sich heraus, dass all diese Patente für intelligente Kühlschränke zu Geschäftsmisserfolgen führen, weil sie alle unter demselben Dach fallen: eine Lösung, die nach einem Problem sucht. Die Kombination aus einem allgegenwärtigen Gerät mit billiger Elektronik schafft eine Lösung, aber ist es etwas, das tatsächlich Sinn macht? In diesem Fall fast nie.
Die Autoren von “Anti-Patterns” begannen ihre Reise, indem sie die Ursachen für Softwarefehler untersuchten und die sieben tödlichen Sünden des Software Engineering identifizierten, nämlich Hast, Apathie, Engstirnigkeit, Habgier, Ignoranz, Stolz und Neid. Diese Probleme werden unabhängig vom Kontext und den beteiligten Technologien sein, weil sie Invarianten der menschlichen Natur selbst sind. Wenn Sie nach einem Supply Chain Director mit zwei Jahrzehnten Erfahrung suchen, wird es jemand sein, der einfach länger gelebt hat und die meisten Probleme internalisiert hat, die auftreten, wenn tatsächliche Menschen mit allen möglichen Fehlern involviert sind.
Die Idee der Autoren ist, dass es gut ist, dieses Wissen zu formalisieren, um es verdaulicher und verständlicher zu machen, damit es einfacher ist, über diese Probleme zu kommunizieren und zu argumentieren. Das ist das Wesen von Anti-Patterns - ein Format, um kleine Stücke negativen Wissens zu erfassen.
In ihrem Buch präsentieren die Autoren eine Vorlage für ein Anti-Pattern, das mit einem eingängigen Namen beginnt, der leicht zu merken ist. Sie müssen den Umfang charakterisieren, ob es auf der Ebene des Quellcodes, der Softwarearchitektur, des Unternehmens oder der Branche liegt. Sie möchten die tatsächlichen Ursachen und die damit typischerweise verbundenen Konsequenzen identifizieren. Sie möchten die Kräfte, die im Spiel sind, die Symptome und die unbeabsichtigten Konsequenzen charakterisieren, mit denen die Menschen nicht rechnen, die die erwarteten Vorteile der ursprünglichen Lösung vollständig untergraben werden.
Die Autoren argumentieren, dass Sie beispielhafte Beweise vorlegen müssen, und deshalb verwenden sie fiktive Unternehmen in ihren Anti-Patterns. Dies geschieht, um die Tabus zu vermeiden, die mit der Diskussion realer Unternehmen und realer Menschen verbunden sind, was verhindern könnte, dass eine ehrliche Kommunikation hergestellt wird. Die Vorlage für das Anti-Pattern muss mit einer refaktorierten Lösung abschließen, die einen Weg darstellt, um das, was im Wesentlichen eine fehlgeleitete Lösung ist, in eine Variante dieser Lösung zu transformieren, die tatsächlich in der realen Welt funktioniert, in der die unbeabsichtigten Konsequenzen gemildert und idealerweise beseitigt werden.
Diese Vorlesung handelt nicht von Supply Chain Anti-Patterns, aber um zwei Beispiele für Software Anti-Patterns zu geben, von denen Sie vielleicht schon gehört haben. Das erste ist der Goldene Hammer. Die Idee des Goldenen Hammers besagt im Grunde, dass wenn Sie einen goldenen Hammer in der Hand haben, alles andere ein Nagel ist. Dieses Anti-Pattern besagt im Wesentlichen, dass wenn Sie einen Java-Programmierer fragen, wie er ein neues Problem lösen würde, wird er wahrscheinlich vorschlagen, ein Programm in Java zu schreiben, um dieses Problem zu lösen. Wenn Sie ihm ein anderes Problem präsentieren, wird dieselbe Person sagen, dass auch dieses andere Problem mit einem Java-Programm gelöst werden könnte. Wenn Sie 20 verschiedene Probleme präsentieren, wird die Antwort jedes Mal lauten: “Ich glaube, dass ein Java-Programm völlig ausreichen würde.” Dies ist eine massive Voreingenommenheit, bei der Personen mit Erfahrung in einer bestimmten Technologie dazu neigen, ihr technisches Wissen zu recyceln, um neue Probleme zu lösen, anstatt sich die Zeit zu nehmen, um zu beurteilen, ob ihr Wissen technisch relevant ist, um das neue Problem anzugehen. Es ist intellektuell viel einfacher, sich auf das zu verlassen, was man tatsächlich weiß.
Ein weiteres Beispiel ist die Analyse-Paralyse. In der Welt der Software gibt es viele Situationen, in denen die Möglichkeiten endlos sind, und es ist verlockend zu sagen: “Anstatt 20 verschiedene Ansätze auszuprobieren, die scheitern werden, denken wir sehr intensiv über das Design nach, und sobald wir absolut sicher sind, dass wir die richtige Lösung im Kopf haben, werden wir die Implementierung durchführen.” Leider ist dies sehr schwer umzusetzen und führt in der Regel zu einer Analyse-Paralyse, bei der mehr Zeit und Mühe darauf verwendet werden, eine Vielzahl von potenziellen Optionen zu berücksichtigen, anstatt einfach eine Lösung auszuprobieren und zu sehen, ob sie funktioniert oder nicht.
Nun, offensichtlich haben wir besprochen, dass dieses Buch von Software Anti-Patterns handelt, und ich glaube, dass die Softwareentwicklung viele Ähnlichkeiten mit den Problemen aufweist, mit denen wir in der Supply Chain, insbesondere bei der Supply Chain-Optimierung, konfrontiert sind. Beide Bereiche sind im Wesentlichen Sammlungen von komplexen Problemen, und moderne Supply Chain dreht sich sehr darum, ein Softwareprodukt zu liefern. Es gibt also eine gewisse Überschneidung zwischen Supply Chain-Problemen und Softwareentwicklungsproblemen, aber diese beiden Bereiche sind nicht völlig voneinander entfernt.
Hier werde ich fünf Supply Chain Anti-Patterns vorstellen, die in schriftlicher Form auf der Lokad-Website zu finden sind, mit einer ausführlicheren Präsentation für Interessierte.
Das erste ist Naked Forecast. Inspiriert von der Kurzgeschichte “Des Kaisers neue Kleider” von Hans Christian Andersen, handelt es sich um ein Unternehmen mit einer laufenden Initiative zur Verbesserung der Prognosegenauigkeit. Einige Symptome sind langjährige Prognosen, über die sich jeder beschwert - Produktion, Marketing, Vertrieb, Einkauf und sogar die Supply Chain, wobei die Prognoseabteilung in der Regel Teil der Supply Chain ist. Es gab Versuche, die Genauigkeit der Prognose in den letzten ein oder zwei Jahrzehnten zu verbessern, aber es scheint, dass egal wie viel Aufwand in den Fall gesteckt wird, es eine endlose Reihe von Ausreden von den für die Prognose Verantwortlichen gibt, um ihre schlechte Genauigkeit zu rechtfertigen.
Das Problem ist, dass es diese nächste Initiative gibt, bei der es darum geht, die Prognosegenauigkeit in Ordnung zu bringen, um dieses Problem der ungenauen Prognose endgültig zu beheben. Das ist das Naked Forecast Anti-Pattern in Aktion. Die unbeabsichtigten Folgen davon sind erstens, dass es nicht bedeutend genauere Prognosen liefern wird. Zweitens wird durch eine weitere Initiative nur eine noch byzantinischere Organisation geschaffen, in der das, was als kleine Praxis begann, um die Prognose zu liefern, immer komplexer wird und mehr Menschen an der Erstellung dieser Prognosen beteiligt sind. Am Ende haben Sie etwas, das immer noch so ungenau ist wie zuvor, aber sich von etwas Bescheidenem und Ungenauem zu einer großen Bürokratie entwickelt hat, die immer noch so ungenau ist wie zuvor.
Ich glaube, die eigentliche Ursache hierfür ist das, was ich als naiven Rationalismus oder die Illusion der Wissenschaft bezeichne. Wenn diese Initiative beginnt, präsentiert sich das Problem so, als ob es perfekt objektiv wäre: “Wir werden genauere Prognosen erstellen, gemessen zum Beispiel am mittleren absoluten Fehler.” Das Ganze scheint sehr einfach zu sein, mit einem klar definierten Problem. Das Problem ist jedoch, dass all das sehr naiv ist, weil es keine direkte Korrelation zwischen der Genauigkeit der Prognose und der Rentabilität des Unternehmens gibt. Sie sollten nach Möglichkeiten suchen, die Rentabilität des Unternehmens zu verbessern, also sollten Sie in Dollar- oder Euro-Fehlern denken, nicht in Prozenten des Fehlers.
Grundsätzlich liegt die Ursache darin, dass diese Prognosen eigenständig sind und kein Feedback aus dem eigentlichen Geschäft erhalten. Die Genauigkeit der Prognose ist nur ein numerisches Artefakt; es ist keine echte, greifbare Rendite für das Unternehmen. Als kleines Stück anekdotischer Beweise, wenn ich jedes Mal, wenn ich ein Gespräch am Telefon mit einem Supply Chain Director hatte, der mir erzählte, dass er eine neue Initiative zur Verbesserung der Prognosegenauigkeit startet, einen zusätzlichen Gehaltsscheck von tausend Dollar bekommen hätte, wäre ich ein noch reicherer Mann.
Das Fazit ist, dass es in Bezug auf die refaktorierte Lösung, solange die Prognosen nackt sind, nicht funktionieren wird. Sie müssen ihnen Kleidung anziehen, und diese Kleidung sind Entscheidungen. Wie wir in der vorherigen Vorlesung mit der experimentellen Optimierung erkundet haben, erhalten Sie, wenn die Prognosen nicht direkt mit realen, greifbaren Entscheidungen verbunden sind, wie zum Beispiel wie viel zu kaufen, wie viel zu produzieren oder ob die Preise nach oben oder unten zu bewegen sind, nie das wirkliche Feedback, das zählt. Das wirkliche Feedback, das zählt, ist nicht der Back-Test-KPI bei der Messung; was zählt, sind diese Entscheidungen. Daher besteht die refaktorierte Lösung zur Behebung des Naked Forecast Anti-Patterns im Wesentlichen darin, zu entscheiden, dass die gleichen Personen, die die Prognose erstellen, mit den Konsequenzen dieser Prognosen leben müssen, wenn es um die tatsächlichen Supply Chain Entscheidungen geht, die darauf aufbauen.
Der zweite wäre der Mythos des 100%igen Service Levels. Die Situation beginnt typischerweise wie folgt: Der Vorstand trifft sich und irgendwo in der Presse oder in sozialen Netzwerken beschweren sich einige Leute lautstark über die Servicequalität. Es sieht nicht gut aus für das Unternehmen, da es scheint, dass das Unternehmen seine Versprechen nicht einhält. Der Vorstand setzt den CEO enorm unter Druck, etwas gegen dieses Qualitätsproblem zu unternehmen, das sich negativ auf die Marke, das Image und möglicherweise das Wachstum des Unternehmens auswirkt. Der CEO sagt: “Wir müssen diesen endlosen Problemen mit der Servicequalität wirklich ein Ende setzen.” Also wendet sich der CEO an den VP of Supply Chain und bittet ihn, diesen Problemen mit der Servicequalität ein Ende zu setzen. Der VP of Supply Chain bittet wiederum den Supply Chain Director, dasselbe zu tun, und der Supply Chain Director bittet den Supply Chain Manager, das Problem anzugehen. Der Supply Chain Manager erhöht dann den Service Level auf einen sehr hohen Wert, nahezu 100%.
Siehe da, auch wenn Sie kurzfristig marginale höhere Service Levels erreichen, kehren die Probleme mit der Servicequalität sehr bald zurück. Diese höheren Service Levels sind nicht nachhaltig, und Sie haben Schwankungen im Lagerbestand, verschwendeten Lagerbestand und obwohl die Absicht war, den Service Level zu erhöhen, erhalten Sie häufig niedrigere Service Levels sechs oder zwölf Monate später.
Die Ursache hierfür liegt nicht nur in Unwissenheit, sondern auch in Wunschdenken. Mathematisch gesehen bedeutet ein 100%iger Service Level eine unendliche Menge an Lagerbestand, was technisch nicht möglich ist. Sie haben diesen starken Wunsch zu glauben, dass Sie dieses Problem vollständig lösen können, obwohl es nicht möglich ist. Im besten Fall können Sie die Probleme mit der Servicequalität mildern; Sie können sie niemals vollständig beseitigen.
In Bezug auf anekdotische Beweise habe ich festgestellt, dass viele Unternehmen am meisten kämpfen, weil sie diese Denkweise des mythischen 100%igen Service Level-Ziels haben. Wenn Ihr Unternehmen nicht bereit ist anzuerkennen, dass für einige Produkte (nicht alle oder die wichtigsten) die Service Levels tatsächlich absichtlich gesenkt werden, dann steuern Sie auf große Probleme zu. Der einzige Weg, um die Servicequalität tatsächlich zu verbessern, besteht darin, zu akzeptieren, dass der Fokus auf alles gleichbedeutend damit ist, dass der Fokus auf nichts liegt. Solange Sie nicht bereit sind anzuerkennen, dass für einige SKUs ein niedrigerer Service Level absichtlich akzeptabel ist, werden Sie Ihre Gesamtqualität des Service nicht verbessern können.
In Bezug auf refaktorierte Lösungen besteht die refaktorierte Lösung aus wirtschaftlichen Treibern. Dies ist ein Punkt, den ich in der zweiten Vorlesung des allerersten Kapitels, der Vision für die quantitative Lieferkette, vorgestellt habe. Die wirtschaftlichen Treiber zeigen, dass Sie die Kosten für Fehlbestände und die Lagerhaltungskosten haben und es ein Gleichgewicht zu finden gilt. Sie können nicht einfach auf einen 100%igen Service Level drängen, da dies aus wirtschaftlicher Sicht völlig unausgewogen ist; es ist nicht nachhaltig. Der Versuch, in diese Richtung zu drängen, ist sehr fehlgeleitet, da es dem Unternehmen nur schaden wird. Die Lösung besteht darin, Ihrer Supply Chain-Praxis eine gesunde Dosis wirtschaftlicher Treiber zu verleihen.
Nun kann das dritte Anti-Pattern, die Jedi-Initiierung, beobachtet werden, wenn das Top-Management vieler großer Unternehmen ständigem Druck von den Medien ausgesetzt ist, aufgrund des ständigen Stroms von Buzzwords, die auf sie zukommen. Diese Buzzwords umfassen künstliche Intelligenz, Blockchain, Cloud Computing, Big Data, IoT usw. Influencer sagen ihnen, dass ihr Unternehmen veraltet wird, wenn es sich nicht an diese Trends anpasst. Es besteht ständige Furcht, etwas zu verpassen, was als mächtige Kraft wirkt und ständigen Druck auf das Top-Management der meisten großen Unternehmen ausübt, die große Lieferketten betreiben.
Die Symptome der Jedi-Initiierung können beobachtet werden, wenn Ihr Unternehmen eine Abteilung mit jungen, enthusiastischen Ingenieuren hat, die Buzzwords in ihren Jobtiteln haben, wie zum Beispiel künstliche Intelligenz-Forscher, Blockchain-Ingenieure oder Data Scientists. Das Motto lautet “die Macht beherrschen”, wobei die Macht das jeweilige Buzzword ist. Das Management nimmt vermutlich junge oder unerfahrene Personen und sagt ihnen, etwas Großartiges für das Unternehmen zu tun, ohne jedoch in die technischen Aspekte dieser Konzepte eingebunden oder vertraut zu sein.
Was passiert ist, dass diese Teams interessante Prototypen erstellen, die letztendlich keinen realen Mehrwert für das Unternehmen liefern. Als Konsequenz bleiben die bisherigen Praktiken und Technologien, die von dem Buzzword oder dem zusätzlichen Team umgeben sind, weiterhin vorherrschend und unverändert.
In Bezug auf anekdotische Beweise erhalten heutzutage im Jahr 2021 die überwiegende Mehrheit der Unternehmen mit einem Data-Science-Team genau null Rendite für ihre Investition. Das Data-Science-Team erstellt ausgefallene Python-Prototypen mit Open-Source-Bibliotheken, die sehr cool sind, aber in Bezug auf praktischen Return on Investment für die überwiegende Mehrheit des Marktes genau null sind. Das ist genau die Art von Jedi-Initiierung, auf die das Top-Management hereinfällt: Sie lesen in der Presse, dass Data Science der neue Trend ist, also stellen sie ein Data-Science-Team ein. Als kleiner Hinweis auf anekdotische Beweise sehe ich, dass diese Teams nicht nur ziemlich jung und unerfahren sind, sondern auch so bleiben. Das liegt daran, dass die Fluktuation sehr hoch ist. Sie können ein Unternehmen haben, das sehr solide und robust ist, bei dem die durchschnittliche Fluktuation normalerweise fünf bis zehn Jahre beträgt, außer beim Data-Science-Team, wo die Menschen im Durchschnitt 18 Monate bleiben. Einer der Gründe, warum aus diesen Teams nichts Wertvolles entsteht, ist, dass die Leute hereinkommen, ein paar Prototypen machen und dann gehen. Für das Unternehmen gibt es keine Kapitalisierung, und es schafft es nie wirklich, das Unternehmen zu transformieren.
In Bezug auf die Refaktorisierung dieser Lösung gibt es zunächst keine andere Möglichkeit, als mit gutem Beispiel voranzugehen. Wenn Sie tatsächlich Data Science betreiben möchten, muss das Top-Management sehr gut mit Data Science vertraut sein. Zum Beispiel hat Jeff Bezos gezeigt, dass er mit den modernsten Machine-Learning-Techniken seiner Zeit vertraut ist. Amazon kann mit Machine Learning sehr erfolgreich sein, aber das liegt daran, dass das Top-Management mit den Feinheiten vertraut ist. Mit gutem Beispiel voranzugehen ist entscheidend.
Zweitens müssen Sie sicherstellen, dass Sie, wenn Sie diese jungen, enthusiastischen und potenziell talentierten Ingenieure einstellen, sie mit realen Problemen konfrontieren, nicht mit Meta-Problemen. Es muss mit der Realität verbunden sein. Dies geht auf meine vorherige Vorlesung über empirische, experimentelle Optimierung zurück. Wenn Sie einen Data Scientist einstellen, um beispielsweise eine Kundensegmentierung oder eine bessere ABC-Analyse für Ihr Unternehmen durchzuführen, handelt es sich nicht um reale Probleme. Es sind nur erfundene Zahlen. Wenn Sie diese Personen einstellen und sie für die genauen Mengen verantwortlich machen, die von einer Reihe von Lieferanten aufgefüllt werden sollen, ist das sehr real. Das ist der Grund, warum Lokad vor einem Jahrzehnt intern von Data Scientists zu Supply Chain Scientists übergegangen ist. Der Punkt war, eine völlig andere Verpflichtung zu haben und sich von diesem Jedi-Initiierung-Anti-Pattern zu lösen.
Der nicht-euklidische Horror. In diesem Zusammenhang haben Sie ein Unternehmen, das eine große Supply Chain betreibt, und die IT-Landschaft ist sehr komplex. Es gibt mehrere Unternehmenssoftwarelösungen wie ERP, WMS und EDI, die für sich genommen komplex sind. Dann haben Sie all den Klebstoff, der diese Dinge miteinander verbindet, und das Gesamtbild ist erschreckend komplex. Wie wissen Sie also, dass Sie tatsächlich in einem Unternehmen sind, das eine nicht-akklimatisierte Lösung hat? Was sind die Symptome? Die Symptome sind, dass jeder im Unternehmen das Gefühl hat, dass es eine grassierende Inkompetenz in der IT-Abteilung gibt. Die Leute von der IT wirken überfordert und scheinen nicht zu verstehen, was im System, das sie verwalten und betreiben sollen, vor sich geht. Ein weiteres Symptom ist, dass Sie täglich IT-Probleme haben, die sich auf die Produktion auswirken. Dies sind die Hauptsymptome der nicht-akklimatisierten Lösung.
Die Konsequenz einer nicht-akklimatisierten IT-Landschaft besteht darin, dass Änderungen, die im Unternehmen vorgenommen werden müssen, und in der Regel, wenn es eine Änderung im Unternehmen geben soll, müssen auch Änderungen an den IT-Systemen vorgenommen werden. Moderne Supply Chains werden stark von ihren Softwarekomponenten angetrieben. All diese Änderungen geschehen sehr langsam und es ist immer ein mühsamer Prozess, bei dem selbst kleine Änderungen ewig dauern. Bei jeder Art von Änderung gibt es in der Regel Tonnen von Regressionen. Wie die Leute sagen, macht man zwei Schritte nach vorne und drei Schritte zurück, dann wieder zwei Schritte nach vorne und einen Schritt zurück. Die Veränderung ist nicht nur langsam, sondern geht auch mit einem ständigen Strom von Regressionen einher. Die Situation verbessert sich mit der Zeit nicht wirklich; bestenfalls stagniert sie.
In Bezug auf die Ursachen kümmert sich das Management nicht wirklich um das Kleingedruckte, und das Nicht-IT-Management kümmert sich nicht wirklich um all diese IT-Systeme. Dies führt zu einem Ansatz, den ich Inkrementalismus nenne, bei dem die Änderungen, die im IT-System des Unternehmens vorgenommen werden sollen, immer von Supply Chains angefordert werden, zum Beispiel. Immer wenn eine Änderung vorgenommen werden muss, wird das Management immer sagen: “Bitte wählen Sie den einfachsten Weg, den Weg, der den geringsten Aufwand und die geringste Zeit erfordert, damit wir dies so schnell wie möglich umgesetzt sehen können.” Darum geht es beim Inkrementalismus.
Ich glaube, dass Inkrementalismus eine sehr gefährliche Ursache ist. Das Problem beim Inkrementalismus ist, dass es buchstäblich ein Tod durch tausend Schnitte ist. Jede einzelne Änderung, die am System vorgenommen wird, macht es ein bisschen komplexer, ein bisschen unübersichtlicher und ein bisschen schwieriger zu testen. Obwohl jede einzelne Änderung für sich genommen bedeutungslos ist, führt die Ansammlung von einem Jahrzehnt Dutzender von Änderungen, die täglich an den IT-Systemen vorgenommen werden, zu einem Ozean der Komplexität. Jede Änderung hat das System komplexer gemacht und das große Ganze ist völlig verloren gegangen. Schauen Sie zehn Jahre in die Zukunft und Sie haben ein massives, verworrenes System, das verrückt aussieht.
Als kleines Stück Anekdotenbeweis können Sie sehen, dass es immer noch sehr große E-Commerce-Unternehmen gibt, bei denen Sie als Verbraucher routinemäßig feststellen können, dass sie Ausfallzeiten haben. Solche Dinge sollten niemals passieren. Als E-Commerce-Unternehmen im Jahr 2021 sollte Ihre Betriebszeit etwas sein, das etwa 10 Minuten Ausfallzeit pro Jahr ermöglicht. Jede einzelne Sekunde Ausfallzeit ist eine verschwendete Gelegenheit. Das Designen von Warenkorbssoftware im Jahr 2021 ist kein Hexenwerk mehr; es ist tatsächlich sehr gewöhnliche Software, soweit es Unternehmenssoftware betrifft. Es gibt keinen Grund, warum man nicht etwas haben sollte, das immer verfügbar ist. Die Realität ist jedoch, dass wenn Sie sehen, dass der E-Commerce ausfällt, es normalerweise nicht der Warenkorb ist, der versagt; es ist eine nicht-akklimatisierte Lösung, die direkt hinter dem E-Commerce sitzt. Der Ausfall des E-Commerce ist nur ein Spiegelbild eines Problems, das irgendwo in der IT-Landschaft aufgetreten ist.
Wenn wir die nicht-akklimatisierte Lösung umstrukturieren wollen, sollten wir aufhören, nach der einfachsten Lösung zur Veränderung zu suchen. Wir müssen nicht an eine einfache Lösung, sondern an eine einfache Lösung denken. Eine einfache Lösung unterscheidet sich in einer entscheidenden Hinsicht von der einfachen Lösung: Sie macht die gesamte Landschaft ein kleines Stück ordentlicher und vernünftiger, was es einfacher macht, später weitere Veränderungen einzuführen. Man könnte sagen: “Aber das ist doch nur eine rein technische Angelegenheit, also ist das die Aufgabe der IT.” Ich würde sagen, nein, absolut nicht. Es ist sehr wohl ein Problem der Supply Chain. Die Annahme einer einfachen Lösung ist nicht eine Frage der einfachen Lösung aus Sicht der IT; es geht darum, eine einfache Lösung aus Sicht der Supply Chain zu haben.
Die Einfachheit der Lösung und ihre beabsichtigte Konsequenz, spätere Änderungen einfacher umzusetzen, hängt von Ihrer Roadmap ab. Welche Art von zukünftigen Veränderungen möchten Sie in Ihre IT-Landschaft einbringen? Die IT als Abteilung hat nicht die Zeit, Supply Chain-Experten zu sein und genau zu wissen, wohin Sie das Unternehmen in Bezug auf die Supply Chain-Ausführung in zehn Jahren lenken möchten. Es muss das Supply Chain-Management sein, das diese Vision hat und die Entwicklung steuern muss, möglicherweise mit Unterstützung der IT, in eine Richtung, in der Veränderungen im Laufe der Zeit immer einfacher umzusetzen sind.
Schließlich, als letztes Anti-Pattern für heute, der Advocatus Diaboli. Der Kontext ist in der Regel ein großes Unternehmen, das erhebliche Probleme in der Supply Chain hatte und sich entschieden hat, einen großen Anbieter zu wählen und viel Geld auf den Tisch zu legen. Die Initiative wird gestartet, und einige Monate später, in der Regel etwa sechs Monate oder so, hat der Anbieter sehr wenig vorzuweisen. Viel Geld wurde dem Anbieter zugesteckt, und es gibt sehr wenig vorzuweisen. Übrigens ist sechs Monate im Jahr 2021 viel Zeit. Wenn Sie eine Software-Initiative haben, die in sechs Monaten keine greifbaren, produktionsreifen Ergebnisse liefert, sollten Sie sehr besorgt sein, denn meiner Erfahrung nach ist eine Initiative, die in sechs Monaten keine greifbaren Ergebnisse liefern kann, zum Scheitern verurteilt, und Sie werden niemals einen positiven ROI für das Unternehmen haben.
Was passiert ist, dass das Management sieht, wie das Projekt verzögert wird und es sehr wenig vorzuweisen gibt. Das Top-Management, anstatt gegenüber dem Technologieanbieter immer aggressiver zu werden und an vorderster Front des Technologieanbieters zu stehen, wechselt plötzlich die Seiten und verteidigt den Anbieter sehr. Das ist sehr verwirrend. Sie starten eine große Initiative, geben viel Geld an ein anderes Unternehmen und die Initiative geht voran, aber schlecht und hat wenig vorzuweisen. Anstatt klarzustellen, dass die Initiative tatsächlich scheitert, verdoppelt das Management seine Bemühungen und beginnt, den Anbieter zu verteidigen, was sehr seltsam ist. Es ist, als ob es eine Art Stockholm-Syndrom gäbe, bei dem jemand Ihnen schadet, aber wenn er Ihnen ausreichend schadet, fangen Sie irgendwann an, diese Leute zu mögen.
Das Management und die Initiative selbst werden zu “too big to fail”, und als Folge davon gibt es Unmengen von verschwendetem Geld und eine massive Menge an verlorenen Chancen, insbesondere in Bezug auf die Zeit. Mit dem Fortschreiten der Initiative geht Geld verloren, aber noch wichtiger ist die Zeit, die verloren geht - sechs Monate, ein Jahr, zwei Jahre. Die eigentlichen Kosten sind die Zeit. Als eine Art Anekdotenbeweis für diese Art von Dingen kann man in der Presse sehr häufig lesen, dass es epische Misserfolge bei der ERP-Implementierung für Projekte gibt, die fast ein Jahrzehnt oder manchmal fünf bis zehn Jahre dauern. Man denkt, wie kann man ein fünfjähriges Projekt haben? Die Antwort ist, dass die Leute immer wieder auf dieses Projekt setzen und es buchstäblich Jahre und Jahre dauert, bis sie endlich zugeben, dass es ein vollständiges Versagen war und dass es niemals funktionieren würde.
Ein weiteres Stück Anekdotenbeweis ist, dass es häufig vorkommt, dass das Projekt nicht deshalb eingestellt wird, weil die Leute zustimmen, dass der Anbieter tatsächlich versagt hat. Die Art und Weise, wie es gespielt wird, ist, dass zu einem bestimmten Zeitpunkt das obere Management, das an der Entscheidung beteiligt war, den Anbieter überhaupt erst ins Unternehmen zu holen, einfach zu anderen Unternehmen wechselt. Wenn im Grunde genommen all diejenigen, die anfangs Teil der Entscheidung waren, den großen Anbieter ins Unternehmen zu holen, das Unternehmen verlassen haben, stimmen die anderen Personen, die sich diesem bestimmten Anbieter nicht so verpflichtet fühlen, einfach darin überein, es abzuschalten und es einen Tag zu nennen.
In Bezug auf eine überarbeitete Lösung glaube ich, dass Unternehmen gegenüber Fehlern toleranter sein müssen. Sie müssen hart gegen Probleme vorgehen, aber nachsichtig mit den Menschen sein. Wenn Sie eine Kultur pflegen, in der Sie Dinge sagen wie “Wir müssen es beim ersten Mal richtig machen”, ist dies sehr schädlich, weil es bedeutet, dass Sie nicht weniger Fehler bekommen werden. Es ist ein Missverständnis des menschlichen Geistes und der menschlichen Natur zu denken, dass Sie bei einer Kultur, die Fehler toleriert, tatsächlich mehr Fehler bekommen. Ja, Sie bekommen marginale mehr kleine Fehler, aber was Sie bekommen, sind Menschen, die geneigt sind, Fehler zu erkennen und weiterzumachen. Wenn Sie dagegen eine Kultur des “beim ersten Mal richtig machen” haben, kann im Grunde genommen niemand das Gesicht verlieren. Selbst wenn etwas völlig dysfunktional ist, besteht der Überlebensinstinkt der beteiligten Personen darin, weiterhin auf diese Sache zu setzen, die nicht funktioniert, nur um ihr Gesicht zu wahren und möglicherweise zu einem anderen Unternehmen zu wechseln, damit sie sich nicht mit den Folgen ihrer Fehler auseinandersetzen müssen.
Zusammenfassend lässt sich sagen, dass es positives Wissen im Gegensatz zu negativem Wissen gibt. Positives Wissen geht im Wesentlichen darum, Probleme zu lösen; es handelt sich um eine Art von PhD-Intelligenz, um Probleme zu lösen, bei der wir Rätsel haben und von einer Lösung zu einer besseren Lösung gelangen können. Es ist möglich zu bewerten, dass eine Lösung besser ist als die andere, und der Höhepunkt dieser Art des Denkens besteht darin, eine optimale Lösung zu erreichen. Was die Menschen jedoch glauben, dass sie suchen - optimale Lösungen, die perfekt gültig und unsterblich sind -, sind sehr vergängliche Lösungen.
Als Beispiel dafür, dass im Laufe der Zeit von Lokad, meinem Unternehmen, sechs Generationen von Prognosemaschinen durchlaufen wurden. Das positive Wissen ist vergänglich in dem Sinne, dass dieses Wissen, diese Lösung, gefährdet ist, wenn etwas Besseres kommt, und Sie dieses Wissen einfach verwerfen werden. Bei Lokad haben wir die mühsame Übung gemacht, unsere eigene Prognosetechnologie seit dem Anfang im Jahr 2008 sechs Mal von Grund auf neu zu schreiben. Deshalb sage ich, dass positives Wissen sehr vergänglich ist, weil es schnell veraltet, wenn neue, bessere Lösungen auftauchen.
Im Gegensatz dazu ist negatives Wissen eine völlig andere Perspektive. Man denkt in Bezug auf böse Fehler, und die Art von Intelligenz, die man erfassen möchte, ist die Straßenintelligenz, die Art von Intelligenz, die Ihnen hilft, in einer schlechten Straße in der Nacht zu überleben. Der Fokus liegt nicht so sehr auf Rätseln oder Dingen, die sehr kompliziert zu verstehen sind und Transfer beinhalten; es geht mehr darum, was Sie nicht wissen oder die Tabus. Es geht nicht darum, was Sie nicht wissen; es geht darum, was Ihnen die Leute nicht sagen werden oder die Art von Dingen, bei denen Ihnen die Leute sogar lügen werden, nur weil sie ihr Gesicht wahren wollen. Negatives Wissen geht darum, gegen all die Tabus zu kämpfen, die verhindern, dass Sie die Realität so sehen, wie sie ist.
Mit negativem Wissen ist die Denkweise nicht auf Fortschritt ausgerichtet; es ist eine Denkweise des Überlebens. Sie wollen einfach überleben, damit Sie einen anderen Tag kämpfen können. Das ist eine sehr andere Perspektive, und das ist genau das, wonach Unternehmen instinktiv suchen, wenn sie einen sehr erfahrenen Supply Chain Director suchen. Sie wollen sicherstellen, dass das Unternehmen durch diese Person einen weiteren Tag überleben wird. Was überraschend sein mag, ist, dass negatives Wissen tendenziell viel beständiger ist. Dies sind so ziemlich die Schwächen der menschlichen Natur, die beteiligt sind, und sie ändern sich im Laufe der Zeit nicht einfach, weil es eine neue Technologie, einen neuen Ansatz oder eine neue Methode gibt. Diese Dinge bleiben bestehen.
Zusammenfassend würde ich sagen, dass negatives Wissen für alle bösen Probleme von großer Relevanz ist, wobei die Supply Chain nur der Schwerpunkt des Interesses dieser Vorlesung ist, aber es ist nicht der einzige Bereich, in dem negatives Wissen angewendet werden kann.
Supply Chain Anti-Patterns sind nur einige Beispiele, aber ich bin ziemlich sicher, dass Dutzende weitere identifiziert werden könnten, um die Probleme zu erfassen, die in realen Supply Chains immer wieder auftreten. Wir können nicht hoffen, alles durch Anti-Patterns zu erfassen, aber ich glaube, wir können einen anständigen Teil erfassen. Nachdem ich ein Buch über Software-Anti-Patterns gelesen hatte, war meine subjektive Meinung, dass ich das Äquivalent von fünf Jahren Erfahrung in der Softwareentwicklung in nur 200 Seiten gewonnen hatte. Meine Hoffnung ist, dass wir für eine Sammlung von Supply Chain Anti-Patterns diesen Effekt ebenfalls replizieren könnten, wo jemand in einer viel kürzeren Zeit, vielleicht nur wenigen Wochen, das Äquivalent von fünf Jahren Erfahrung erwerben könnte.
Das war es für diese Vorlesung. Die nächste Vorlesung wird sich mit der Lieferantenbewertung befassen, was ein sehr interessantes Problem ist. Moderne Supply Chains leben oder sterben durch die Softwareprodukte, die sie unterstützen, und die Frage ist, wie wir über diese Softwareprodukte nachdenken und wie wir die richtigen auswählen und die richtigen Lieferanten. Trotz meiner fairen Anteile an Interessenkonflikten ist es ein interessantes Problem, und die Frage ist, wie wir eine Methodik haben können, bei der selbst wenn alle Menschen Vorurteile haben, wir aus der Methode heraus einige unvoreingenommene Ergebnisse erhalten können.
Nun werde ich die Fragen beantworten.
Frage: Was macht eine gute Prognose in einem probabilistischen Optimierungsumfeld aus und wie misst man die Qualität? Gibt es eine Rolle für manuelle Ergänzungen?
Eine gute probabilistische Prognose hat Metriken für probabilistische Genauigkeiten, aber das ist wahrscheinlich nicht das, wonach Sie suchen. Im Rahmen einer experimentellen Optimierungsinitiative möchten Sie optimieren. Metriken wie Kreuzentropie oder Wahrscheinlichkeit gelten für probabilistische Prognosen. Noch wichtiger ist, dass es Dinge geben wird, die Sie nach und nach entdecken werden, wenn Sie verrückte Entscheidungen identifizieren. Die Prognose ist nur ein Mittel zum Zweck, nämlich die Entscheidung. Wir haben dies kurz in der vorherigen Vorlesung über experimentelle Optimierung angesprochen. Der Prozess ist derselbe für klassische oder probabilistische Prognosen. Wenn Sie realitätsnahe Beispiele für probabilistische Prognosen haben möchten, wird dies in den folgenden Vorlesungen ausführlich behandelt. Es tut mir leid, dass ich ein wenig vom Beantworten dieser Frage abweiche.
Frage: Was halten Sie davon, KI (Appreciative Inquiry) zur Unterstützung Ihrer KI (Künstliche Intelligenz) zu verwenden? Welche Techniken werden Sie verwenden, um große Datensätze logisch zu ermitteln, und warum sinken die Konversionsraten trotz guter Gesamtleistung? Was ist zu tun, um die Aktivität zu bewältigen?
KI, als Satz von Algorithmen, ist derzeit hauptsächlich Deep Learning. Deep Learning ist eine Reihe von Techniken, die sehr gut mit hochgradig unstrukturierten Daten umgehen können. Die Frage, die Sie sich wirklich stellen sollten, ist, wie man das mit der Realität verbindet. In der Supply Chain sind die Daten tendenziell sehr spärlich. Die meisten Produkte in einem beliebigen Geschäft werden mit weniger als einer Einheit pro Tag verkauft. Große Datensätze sind nur aggregiert groß, wenn man sich ein sehr großes Unternehmen mit vielen Transaktionen ansieht. Wenn man sich die Granularitäten ansieht, die wirklich wichtig sind, hat man nicht so viele Daten.
Appreciative Inquiry ist in Bezug auf Methoden wirklich mit der in der vorherigen Vorlesung diskutierten experimentellen Optimierung verbunden.
Frage: Viele Manager verstehen die Kraft der Datenwissenschaft nicht, und ihnen fiktive Probleme zu geben, ist ein sicherer Weg. Wenn sie sich nicht mit dem Lernen über Datenwissenschaft beschäftigen wollen, was ist eine alternative Möglichkeit, sie an Datenwissenschaft und entscheidungsorientierte Ansätze zu glauben? Wie kann man klein anfangen und groß herauskommen?
Zunächst einmal ist es völlig in Ordnung, wenn Sie Menschen haben, die nicht an eine bestimmte Technologie glauben. Nehmen wir zum Beispiel Warren Buffett. Er ist ein sehr reicher Investor, der sein Leben lang in Unternehmen investiert hat, die er versteht. Er investiert in Unternehmen mit simplen Geschäftsmodellen, wie zum Beispiel Eisenbahntransportunternehmen oder Möbelverleihunternehmen. Warren Buffett sagte: “Ich interessiere mich nicht dafür, all diese Technologien zu verstehen.” Als ihn die Leute zum Beispiel fragten, warum er nicht in Google investiert habe, antwortete Buffett: “Ich verstehe nichts von dem, was Google tut, also mag es eine gute Investition sein, aber ich bin nicht klug genug dafür. Ich werde nur in Unternehmen investieren, die ich verstehe.”
Mein Punkt ist, dass es für das Management meiner Meinung nach eine vollständige Täuschung ist, sich in Bereiche zu wagen, die man nicht versteht. Irgendwann, wenn Sie nicht bereit sind, sich anzustrengen, wird es einfach nicht funktionieren. Das ist das Jedi-Anti-Muster, das hier zum Tragen kommt - das Management ist nicht bereit, irgendeine Anstrengung zu unternehmen, und sie denken, dass es ausreicht, kluge, junge, intelligente Ingenieure einzustellen. Wenn das der Fall wäre, hätte Amazon nicht den Erfolg gehabt, den es hatte. Wenn es für ein traditionelles Einzelhandelsunternehmen möglich gewesen wäre, nur ein paar Ingenieure einzustellen, um eine E-Commerce-Website zu starten und mit Amazon zu konkurrieren, hätten sie das alle getan. Bis etwa 2005 hatten diese Unternehmen deutlich mehr technische Ressourcen und Fähigkeiten als Amazon selbst.
Das Problem ist, dass es eine Täuschung ist, und darum geht es bei negativem Wissen - das Aufzeigen von Problemen, die allgegenwärtig sind. Deshalb benötigen Sie einen eingängigen Titel, um das Problem den Managern zu vermitteln. Sie sollten sich auch nicht davor scheuen, Neues zu lernen. Wenn Sie den guten Teil neuer Technologien wirklich verstehen, ist es normalerweise nicht so kompliziert. Nicht alles ist super technisch; viele Teile könnten erklärt werden. Zum Beispiel könnten sogar Dinge wie Blockchains - die Hälfte dieser angeblich hochentwickelten Blockchain-Technologien - einem 10-Jährigen erklärt werden. Viele der Ideen hinter diesen Technologien sind tatsächlich ziemlich einfach. Es gibt viele zufällige mathematische Details, die sehr schwierig sind, aber das ist nicht das Wesentliche des Problems.
Also, meine Antwort an Sie wäre, wenn das Management an Märchen glauben möchte, kann in dieser Situation nicht viel getan werden. Wenn das Management in Datenwissenschaft investieren möchte, sollten sie auch bereit sein, ein kleines bisschen Zeit zu investieren, um zu verstehen, worum es bei Datenwissenschaft geht. Ansonsten ist es einfach eine Täuschung.
Das war es für heute. Vielen Dank, und der nächste Vortrag findet am gleichen Tag, Mittwoch, in zwei Wochen zur gleichen Zeit statt. Bis dann.
Referenzen
- ‘‘AntiPatterns: Refactoring Software, Architectures, and Projects in Crisis’’. von William J. Brown, Raphael C. Malveau, Hays W. “Skip” McCormick, Thomas J. Mowbray, 1998
