Straßenlaterneffekt und Prognosen
Ein Polizist sieht einen betrunkenen Mann, der unter einer Straßenlaterne nach etwas sucht, und fragt, was der Betrunkene verloren hat. Er sagt, er habe seine Schlüssel verloren, und sie schauen gemeinsam unter der Straßenlaterne nach. Nach ein paar Minuten fragt der Polizist, ob er sicher sei, dass er sie hier verloren habe, und der Betrunkene antwortet, nein, und dass er sie im Park verloren habe. Der Polizist fragt, warum er hier suche, und der Betrunkene antwortet: “Hier ist das Licht.” David H. Freedman (2010). Falsch: Warum Experten uns immer wieder enttäuschen.
Eines der paradoxesten Dinge an “klassischen” Prognosen ist, dass sie nach dem Durchschnitt - manchmal dem Median - des zukünftigen Bedarfs suchen, während dieser Durchschnittsfall, wie wir unten sehen werden, meist irrelevant ist. Immer wenn 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 gegenintuitiv macht. Tatsächlich sind den meisten Supply-Chain-Praktikern alternative Prognosen zu “klassischen” Prognosen überhaupt nicht bekannt.
Geschäftlich gesehen kostet es in Bezug auf Lagerbestände nicht der Mittelweg Geld, sondern die Extreme. Einerseits gibt es den unerwartet hohen Bedarf, der zu einem Lagerausfall führt. Andererseits gibt es den unerwartet niedrigen Bedarf, der zu toten Lagerbeständen führt. Wenn der Bedarf ungefähr dort liegt, wo er erwartet wurde, schwanken die Lagerbestände sanft, und der Lagerbestand rotiert sehr zufriedenstellend.
Folglich macht es keinen Sinn, den Durchschnittsfall zu optimieren, d.h. wenn der Lagerbestand sehr zufriedenstellend rotiert, weil es im Grunde genommen wenig oder nichts zu verbessern gibt. Es sind die Extreme, um die man sich kümmern muss. Tatsächlich sind die meisten Praktiker sich dieses Problems bewusst, da ihre beiden Hauptprobleme darin bestehen, die Servicequalität auf der einen Seite zu verbessern (d.h. den unerwartet hohen Bedarf zu mildern), während sie andererseits die Bestandsniveaus im Auge behalten müssen (d.h. den unerwartet niedrigen Bedarf zu mildern).
Doch wenn wir uns darauf geeinigt haben, dass die Herausforderungen in der Lieferkette hauptsächlich mit den “Extremen” zu tun haben, warum suchen dann viele Unternehmen immer noch nach Antworten durch “durchschnittliche” Prognosen? Ich glaube, dass das Supply Chain Management als Branche unter einem schweren Fall der Betrunkenensuche leidet, einem Problem, das als Straßenlaterneffekt bezeichnet wird. Klassische Tools und Prozesse beleuchten “durchschnittliche” Situationen, die kaum weiter beleuchtet werden müssen, während sie alles, was sich an den Extremen befindet, vollständig im Dunkeln lassen.
Ein häufiges Missverständnis besteht darin zu glauben, dass die Verbesserung des “mittleren” Falls auch die Extreme marginale verbessern sollte. Leider ist die statistische Prognose gegenintuitiv, und die grundlegende numerische Analyse zeigt, dass dies einfach nicht der Fall ist. Die statistische Prognose ist wie ein Mikroskop: Es ist zwar unglaublich scharf, aber der Fokus ist auch unglaublich eng.
Versuchen, Ihre Supply-Chain-Probleme durch klassische “durchschnittliche” Prognosen zu lösen, ist wie der Versuch, zu diagnostizieren, was mit Ihrem Auto nicht stimmt, das sich weigert zu starten, indem Sie jedes einzelne Autoteil unter ein Mikroskop legen, beginnend mit dem Motor. Auf diese Weise werden Sie wahrscheinlich nie herausfinden, dass Ihr Auto nicht fährt, weil kein Benzin mehr vorhanden ist, was im Nachhinein ein ziemlich offensichtliches Problem war.
Doch das ist nicht das Ende des Wahnsinns. Stellen Sie sich nun vor, dass der Mechaniker, nachdem er nicht diagnostizieren konnte, warum Ihr Auto nicht fährt, behauptet, dass seine Diagnose fehlgeschlagen sei, weil sein Mikroskop nicht genügend Auflösung hatte. Und jetzt bittet der Mechaniker Sie um mehr Geld, damit er ein besseres Mikroskop kaufen kann.
Nun, ein ähnliches Szenario spielt sich derzeit in vielen Unternehmen ab: Die vorherige Prognoseinitiative hat nicht die gewünschte Lagerleistung erbracht, und die Unternehmen setzen mit einer weiteren Prognoseinitiative entlang der gleichen Linien fort, die bereits dazu geführt haben, dass die erste Initiative gescheitert ist.
Bei Lokad haben wir 5 Jahre gebraucht, um festzustellen, dass der klassische Prognoseansatz nicht funktioniert hat und noch schlimmer, dass er nie funktionieren wird, egal wie viel Technologie wir dem Fall hinzufügen würden, genauso wenig wie es dem Mechaniker geholfen hätte, zu einem 27-Millionen-Dollar-Ultra-Hochauflösungsmikroskop zu wechseln, um Ihren leeren Tank zu diagnostizieren. Im Jahr 2012 haben wir Quantilprognosen aufgedeckt, die wir kontinuierlich weiter verbessert haben; und plötzlich begannen die Dinge zu funktionieren.
Diese fünf Jahre stetiger Misserfolge fühlten sich lang an, sehr lang. Zur Verteidigung, wenn eine ganze Branche auf falschen Versprechungen basiert, die auf Lehrbücher der Universität zurückzuführen sind, ist es nicht so einfach, über den Tellerrand hinaus zu denken, wenn der Tellerrand selbst so groß ist, dass Sie Ihr Leben lang darin herumirren können, ohne jemals auf die Wände zu stoßen.
Leserkommentare (1)
Sehr schöne Analogie, danke Joannes Vermorel.
Victor (Vor einem Jahr)
