Straßenlaternen-Effekt und Prognose

Ein Polizist sieht einen Betrunkenen, der unter einer Straßenlaterne nach etwas sucht, und fragt, was der Betrunkene verloren habe. Er sagt, dass er seine Schlüssel verloren habe, und gemeinsam suchen sie unter der Straßenlaterne. Nach ein paar Minuten fragt der Polizist, ob er sicher sei, dass er sie hier verloren habe, worauf der Betrunkene antwortet: Nein, er habe sie im Park verloren. Der Polizist fragt, warum er hier suche, und der Betrunkene antwortet: “Hier ist es, wo das Licht ist.” David H. Freedman (2010). Falsch: Warum Experten uns immer wieder im Stich lassen.
Eines der paradoxesten Dinge an den „klassischen“ Prognosen ist, dass sie den Durchschnitt – manchmal den Median – der zukünftigen Nachfrage ermitteln, während dieser Durchschnittsfall, wie wir weiter unten sehen werden, größtenteils irrelevant ist. Wann immer tägliche, wöchentliche oder monatliche Prognosen verwendet werden, können diese als Durchschnittsprognosen betrachtet werden. Warum? Weil andere Arten von Prognosen, wie Quantilprognosen, nicht additiv sind, was sie ziemlich kontraintuitiv macht. Tatsächlich sind sich die meisten supply chain Praktiker gar nicht bewusst, dass es Alternativen zu den “klassischen” Prognosen überhaupt gibt.
Wirtschaftlich betrachtet, was den Lagerbestand angeht, sind es nicht die mittleren Fälle, die Geld kosten, sondern die Extreme. Einerseits gibt es die unerwartet hohe Nachfrage, die zu einem Fehlbestand führt. Andererseits gibt es die unerwartet niedrige Nachfrage, die zu totem Lagerbestand führt. Wenn das Nachfragelevel ungefähr dem Erwarteten entspricht, schwankt der Lagerbestand sanft und die Bestände rotieren sehr zufriedenstellend.
Daher hat es keinen Sinn, den Durchschnittsfall zu optimieren, d.h. wenn der Lagerbestand sehr zufriedenstellend rotiert, weil es von vornherein wenig oder gar nichts zu verbessern gibt. Es sind die Extreme, um die man sich kümmern muss. Tatsächlich wissen die meisten Praktiker dieses Problems sehr wohl: Ihre beiden Hauptprobleme bestehen darin, einerseits die Servicequalität zu verbessern (d.h. die unerwartet hohe Nachfrage zu dämpfen) und andererseits die Lagerbestände im Zaum zu halten (d.h. die unerwartet niedrige Nachfrage zu mildern).
Doch, da wir uns darauf geeinigt haben, dass supply chain Herausforderungen hauptsächlich die Extreme betreffen, warum suchen dann viele Unternehmen immer noch Antworten durch „durchschnittliche“ Prognosen? Ich glaube, dass supply chain management, als Branche, an einem schlimmen Fall von Betrunkenen-Suche leidet, einem Problem, das als der Straßenlaternen-Effekt bekannt ist. Klassische Werkzeuge und Prozesse werfen ein Licht auf „durchschnittliche“ Situationen, die kaum weiter erhellt werden müssen, während sie das, was an den Extremen liegt, völlig im Dunkeln lassen.
Ein häufiges Missverständnis besteht darin, zu denken, dass die Verbesserung des „mittleren“ Falls auch die Extreme zumindest marginal verbessert. Leider ist statistical forecasting kontraintuitiv, und einfache numerische Analysen zeigen, dass dies einfach nicht der Fall ist. Statistische Prognosen sind wie ein Mikroskop: Während sie unglaublich scharf sind, ist ihr Fokus auch unglaublich eng.
Zu versuchen, Ihre supply chain Probleme durch klassische „durchschnittliche“ Prognosen zu lösen, ist, als würde man versuchen, zu diagnostizieren, was mit Ihrem Auto nicht stimmt, das nicht anspringt, indem man jedes einzelne Autoteil unter ein Mikroskop nimmt, beginnend mit dem Motor. Bei diesem Vorgehen werden Sie wahrscheinlich niemals feststellen, dass Ihr Auto nicht fährt, weil einfach kein Benzin mehr da ist – was im Nachhinein ein ziemlich offensichtliches Problem war.
Dies ist jedoch noch lange nicht das Ende des Wahnsinns. Stellen Sie sich vor, der Reparaturmann, nachdem er nicht feststellen konnte, warum Ihr Auto nicht fährt, behauptet, dass seine Diagnose gescheitert sei, weil sein Mikroskop nicht über genügend Auflösung verfüge. Und nun bittet der Reparaturmann um mehr Geld, damit er sich ein besseres Mikroskop kaufen kann.
Nun, ein ähnliches Szenario passiert derzeit in vielen Unternehmen: Die vorherige Prognoseinitiative hat die gewünschte Lagerleistung nicht erbracht, und Unternehmen setzen noch einmal voll auf eine weitere Prognoseinitiative entlang derselben Prinzipien, die das Scheitern der ersten Initiative verursacht haben.
Bei Lokad hat es 5 Jahre gedauert, bis wir erkannten, dass der klassische Prognoseansatz nicht funktionierte und, noch schlimmer, dass er niemals funktionieren wird, egal wie viel Technologie wir hinzufügen würden – so wie der Wechsel zu einem $27M Ultra-Hochauflösungs-Mikroskop dem Reparaturmann niemals geholfen hätte, Ihren leeren Tank zu diagnostizieren. Im Jahr 2012 entdeckten wir Quantilprognosen, die wir kontinuierlich verbesserten; und plötzlich funktionierte alles.
Diese fünf Jahre kontinuierlicher Misserfolge erschienen uns lang, sehr lang. Zu unserer Verteidigung: Wenn eine ganze Branche auf falschen Versprechen basiert, die bis zu Universitätsleitfäden zurückverfolgt werden können, ist es nicht einfach, über den Tellerrand hinauszudenken, wenn die Box selbst so riesig ist, dass man sein Leben darin verbringen kann, im Kreis herumzuwandern, ohne jemals die Wände zu berühren.
Leserkommentare (1)
Sehr schöne Analogie, danke Joannes Vermorel.
Victor (vor einem Jahr)