Streetlight-Effekt 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 beide unter der Straßenlaterne nach. Nach ein paar Minuten fragt der Polizist, ob er sicher ist, dass er sie hier verloren hat, und der Betrunkene antwortet, nein, er habe sie im Park verloren. Der Polizist fragt, warum er hier sucht, und der Betrunkene antwortet: “Hier ist das Licht.” David H. Freedman (2010). Falsch: Warum Experten uns immer wieder enttäuschen.
Eine der paradoxesten Eigenschaften von “klassischen” Prognosen ist, dass sie nach dem Durchschnitt - manchmal auch dem Median - des zukünftigen Bedarfs suchen, während dieser Durchschnittsfall, wie wir unten sehen werden, größtenteils 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 überhaupt keine Alternativen zu “klassischen” Prognosen bekannt.
Geschäftlich gesehen sind es jedoch nicht die Mittelwerte, die Geld kosten, sondern die Extreme. Einerseits gibt es den unerwartet hohen Bedarf, der zu einem Lagerbestandsausfall führt. Andererseits gibt es den unerwartet niedrigen Bedarf, der zu totem Lagerbestand führt. Wenn das Nachfrageniveau ungefähr dort liegt, wo es erwartet wurde, schwanken die Lagerbestände sanft und der Lagerbestand dreht sich sehr zufriedenstellend.
Daher macht es keinen Sinn, den Durchschnittsfall zu optimieren, d.h. wenn der Lagerbestand sich sehr zufriedenstellend dreht, da es im Grunde genommen wenig oder nichts zu verbessern gibt. Es sind die Extreme, um die man sich kümmern muss. Tatsächlich sind sich die meisten Praktiker dieses Problems sehr bewusst, da ihre beiden Hauptprobleme darin bestehen, die Servicequalität einerseits zu verbessern (d.h. den unerwartet hohen Bedarf zu mildern), während sie andererseits die Bestandsniveaus im Auge behalten (d.h. den unerwartet niedrigen Bedarf zu mildern).
Doch wenn wir uns darauf geeinigt haben, dass die Herausforderungen in der Supply Chain 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 Straßenlaterne-Effekt bezeichnet wird. Klassische Werkzeuge und Prozesse beleuchten “durchschnittliche” Situationen, die kaum weiter beleuchtet werden müssen, während sie alles, was sich an den Extremen befindet, völlig im Dunkeln lassen.
Ein häufiger Irrtum besteht darin zu glauben, dass die Verbesserung des “mittleren” Falls auch die Extreme marginale verbessern sollte. Leider ist die statistische Prognose gegenintuitiv, und eine einfache numerische Analyse zeigt, dass dies einfach nicht der Fall ist. Die statistische Prognose ist wie ein Mikroskop: Es ist unglaublich scharf, aber der Fokus ist auch unglaublich eng.
Wenn Sie versuchen, Ihre Supply-Chain-Probleme durch klassische “durchschnittliche” Prognosen zu beheben, ist es so, als würden Sie versuchen, 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.
Dies ist jedoch nicht das Ende des Irrsinns. 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 genug Auflösung habe. 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 Bestandsleistung erbracht, und die Unternehmen setzen mit einer weiteren Prognoseinitiative genau dort an, wo die erste Initiative bereits gescheitert ist.
Bei Lokad haben wir 5 Jahre gebraucht, um zu erkennen, dass der klassische Prognoseansatz nicht funktioniert und noch schlimmer, dass er niemals funktionieren wird, egal wie viel Technologie wir hinzufügen würden, genauso wenig wie der Wechsel zu einem 27-Millionen-Dollar-Ultra-Hochauflösungs-Mikroskop dem Mechaniker geholfen hätte, Ihren leeren Tank zu diagnostizieren. Im Jahr 2012 haben wir Quantilprognosen entwickelt, die wir kontinuierlich weiter verbessert haben; und plötzlich begannen die Dinge zu funktionieren.
Diese fünf Jahre stetiger Misserfolge fühlten sich lang an, sehr lang. Zu unserer Verteidigung: Wenn eine ganze Branche auf falschen Versprechungen basiert, die auf Lehrbücher an Universitäten zurückzuführen sind, ist es nicht so einfach, außerhalb des Rahmens zu denken, wenn der Rahmen selbst so groß ist, dass man sein Leben damit verbringen kann, darin herumzuirren und niemals auf die Wände zu stoßen.
Leserkommentare (1)
Sehr schöne Analogie, danke Joannes Vermorel. Vor einem Jahr | Victor
