Zeig mir das Geld: Reflexionen über ISF 2024

Alexey Tikhonov und Conor Doherty

“Um dein Spiel zu verbessern, musst du zuerst das Endspiel studieren; denn während die Endspiele für sich allein studiert und gemeistert werden können, müssen das Mittelspiel und die Eröffnung im Verhältnis zum Endspiel studiert werden.” Quelle: Capablancas letzte Schachvorlesungen (1966), S. 23

Vor einigen Wochen habe ich auf einem Podium beim 44. Internationalen Symposium für Prognosen in Dijon, Frankreich, gesprochen. Das Thema des Podiums war Nachfrageplanung und die Rolle des Urteilsvermögens in der neuen Welt von KI/ML.

Als Botschafter für Lokad können Sie sich vorstellen, wie meine Perspektive war:

• Prognosen und Entscheidungsfindung sollten vollständig automatisiert werden;

• Die Prognosequalität sollte aus der Perspektive besserer Entscheidungen bewertet werden;

• Das menschliche Urteilsvermögen sollte verwendet werden, um die Automatisierung zu verbessern (nicht um Prognosen oder Entscheidungen anzupassen).

Seltsamerweise hat meine Position zur Automatisierung nicht so viel Widerspruch hervorgerufen, wie man vielleicht denken könnte. Der Vorsitzende (Conor Doherty, Leiter der Kommunikation bei Lokad) und die anderen Podiumsteilnehmer (Sven Crone von iqast und Nicolas Vandeput von SupChains) waren sich fast einhellig einig, dass dies die Zukunft der Prognosen sei. Der einzige Dissens bestand darin, wie schnell wir diesen Zustand erreichen könnten (Anmerkung: Ich glaube, dass wir bereits dort sind).

Was jedoch zu erheblichem Dissens und vielleicht sogar Verwirrung führte, war mein Argument, dass Prognosegenauigkeit bei weitem nicht so wichtig ist wie bessere Entscheidungen zu treffen. Dieser Dissens beschränkte sich nicht nur auf die anderen Podiumsteilnehmer, sondern auch auf Mitglieder des Publikums. Ich denke, es gibt zwei Hauptgründe dafür:

1. Als ich auf der Bühne sprach, hatte ich keine visuelle Unterstützung für diesen Punkt. Die Erklärung hat einige bewegliche Teile, daher hätte eine visuelle Darstellung den Menschen definitiv geholfen, es zu verstehen.

2. Die Idee, dass Prognosegenauigkeit weniger wichtig ist als Entscheidungen, widerspricht der Ausbildung, Schulung und Erfahrung der meisten Fachleute.

Am Ende dieses Essays hoffe ich, beide oben genannten Punkte angesprochen zu haben. In Bezug auf den ersten Punkt habe ich eine kurze, aber systematische Erklärung und eine intuitive visuelle Darstellung hinzugefügt. In Bezug auf den zweiten Punkt kann ich den Leser nur bitten, für die nächsten 5 bis 10 Minuten einen offenen Geist zu bewahren und diese Worte so zu betrachten, als hätten Sie keinerlei vorherige Schulung in der Prognose von Lieferketten.

Leitfragen

Meiner Meinung nach gibt es fünf grundlegende Fragen, die beantwortet werden müssen, um meine Position zu klären. In diesem Abschnitt werde ich mein Bestes tun, um kurze Antworten auf jede einzelne Frage zu geben - das “Wesentliche”, sozusagen. Seien Sie versichert, Lokad verfügt über eine Fülle zusätzlicher Ressourcen, um die technischen Details zu erklären, auf die ich am Ende des Essays verlinken werde.

Q1: Was bedeutet es, dass eine Prognose “Wert hinzufügt”?

Ich werde sofort mit einem Beispiel beginnen. Nehmen wir an, es gibt einen Standardmechanismus zur Erstellung von Entscheidungen in einem Unternehmen (z. B. automatische statistische Prognose + automatische Bestandspolitik).

Damit eine modifizierte Prognose Wert hinzufügt, muss sie eine Standardentscheidung (die mit dem Standardprozess des Unternehmens generiert wird) so ändern, dass sie sich direkt und positiv auf die finanziellen Erträge des Unternehmens auswirkt (d. h. Dollar, Pfund oder Euro an Erträgen).

Wenn eine Prognose genauer ist (in Bezug auf die Vorhersage der tatsächlichen Nachfrage), aber nicht zu einer anderen und besseren Entscheidung führt, dann hat sie keinen Wert hinzugefügt.

Viele Unternehmen verwenden immer noch Zeitreihen Prognosemodelle, während Lokad probabilistische Prognosen bevorzugt, um risikoadjustierte Entscheidungen zu generieren. Die gleiche Maßgabe gilt jedoch für beide Prognoseparadigmen. Damit ein Prognosetyp Wert hinzufügt, muss er eine Standardentscheidung so ändern, dass er sich direkt und positiv auf die finanziellen Erträge eines Unternehmens auswirkt.

Zum Beispiel könnte eine neue (“geänderte”) Entscheidung direkt einen zukünftigen Fehlbestand beseitigen, den die Standardentscheidung verursacht hätte.

“Direkt” ist hier entscheidend. Vereinfacht ausgedrückt fügt die Prognose nur dann Wert hinzu, wenn Sie auf die genaue Entscheidungsänderung verweisen können, die sich auf die zusätzlichen finanziellen Erträge ausgewirkt hat oder finanzielle Verluste verhindert hat (im Vergleich zur Standardentscheidung).

Denken Sie an Kausalität, nicht an Korrelation.

Q2: Fügt eine genauere Prognose immer Wert hinzu?

Technisch gesehen, nein. Eine genauere Prognose an sich “fügt keinen Wert hinzu”. Dies liegt daran, dass, wie bereits erwähnt, etwas (in diesem Fall eine Prognose), um Wert hinzuzufügen, sich direkt und positiv auf die finanziellen Erträge eines Unternehmens auswirken muss, indem es zu einer besseren Entscheidung führt.

Im Gegensatz zu Prognosen haben Lieferkettenentscheidungen Machbarkeitsbeschränkungen (z. B. Mindestbestellmengen, Losvielfache, Chargengrößen usw.) und finanzielle Anreize (z. B. Preisnachlässe, Zahlungsbedingungen usw.). Es kann viele mehr Prognosen geben als machbare Entscheidungen.

Dies bedeutet, dass Lieferkettenentscheidungen gelegentlich (und sehr oft) unempfindlich gegenüber Änderungen der Prognosegenauigkeit sein können. Dies gilt sowohl für Zeitreihen- als auch für probabilistische Prognosen.

Der Grund für diese Unempfindlichkeit liegt in den Entscheidungsbeschränkungen (z. B. Mindestbestellmengen). Es ist durchaus möglich, dass eine genauere Prognose (z. B. 10% genauer) zu genau derselben Entscheidung führt wie eine weniger genaue. Die folgende Grafik veranschaulicht diesen Punkt.

In dem obigen Beispiel nehmen wir an, dass die Konsensprognose von 55 Einheiten genauer war als die automatische Prognose von 50 Einheiten. Aus finanzieller Sicht führte die erhöhte Genauigkeit nicht zu einer anderen Entscheidung (aufgrund des Vorhandenseins einer Mindestbestellmenge). Daher hat die genauere Prognose keinen Wert hinzugefügt.

Tatsächlich gibt es ein starkes Argument dafür, dass die genauere Konsensprognose zu einem negativen Wertzuwachs geführt hat. Dies liegt daran, dass die zusätzlichen Überprüfungsschritte (gemäß einem Standardprozess zur Wertschöpfung durch Prognosen) dem Unternehmen Geld (zusätzliche Zeit und Mühe) gekostet haben, aber nicht zu einer besseren Entscheidung geführt haben. Aus rein finanzieller Sicht waren diese manuellen Überprüfungsschritte ein Netto-Negativum.

Betrachten wir auch einen Fall, in dem keine Mindestbestellmenge besteht.

Stellen Sie sich das gleiche Szenario vor, aber anstelle einer Mindestbestellmenge gibt es einen Losmultiplikator. Die machbaren Entscheidungen sind Vielfache von 50 Einheiten (z. B. 50 Einheiten in einer Box oder auf einer Palette). In dieser Situation müssten wir entweder 50 oder 100 Einheiten kaufen (1 oder 2 Boxen oder Paletten).

In der Realität könnte es weniger profitabel sein, 100 Einheiten zu kaufen (um den Vorschlag der Konsensprognose von 55 Einheiten abzudecken) als 50 Einheiten zu kaufen (etwas weniger als die “genauere” Prognose vorschlägt). Man könnte versuchen, den restlichen Bedarf mit Rückständen zu decken oder einfach Verkäufe zu verlieren (z. B. bei der Vermarktung von verderblichen Gütern wie frischen Lebensmitteln).

Aus wirtschaftlicher Sicht ist die beste finanzielle Entscheidung möglicherweise nicht, der “genaueren” Prognose zu folgen. In diesem Szenario führen sowohl die automatisierte (50 Einheiten Bedarf) als auch die Konsensprognose (55 Einheiten Bedarf) zu derselben Entscheidung (Bestellung von 50 Einheiten). Die “genauere” Prognose führte also nicht zu einem erhöhten finanziellen Wert.

Zugegeben, nicht alle Situationen sind gleich streng, wenn es um Einschränkungen geht, aber die Lieferkette ist voll von solchen Szenarien. Natürlich gebe ich zu, dass unterschiedliche Prognosen zu unterschiedlichen Entscheidungen führen werden, aber die Frage nach dem Wert bleibt offen. Zu jeder Zeit sollten wir prüfen, ob die erwartete zusätzliche Rendite aus dem Kauf zusätzlicher Einheiten größer ist als die zusätzlichen Ressourcen, die für die Verbesserung der Prognosegenauigkeit aufgewendet werden.

Vielleicht lohnt sich die zusätzliche Genauigkeit in einigen Situationen. Dennoch scheinen Prognostiker und Lieferkettenpraktiker reflexartig anzunehmen, dass dies in absoluten Zahlen der Fall ist, obwohl es offensichtliche Szenarien gibt, in denen dies nicht der Fall ist.

Wenn Sie sich ein Szenario ausgedacht haben, das nicht perfekt zu den hier beschriebenen Beispielen passt, ist das in Ordnung. Denken Sie daran, dass es heute darum geht, einen allgemeinen Punkt zu demonstrieren (dass es Situationen gibt, in denen eine zusätzliche Prognosegenauigkeit nicht verfolgt werden sollte), und nicht darum, jede mögliche Entscheidungssituation in der Lieferkette im Detail zu analysieren.

Q3: Wie können wir sicherstellen, dass der erzielte Wert den Kosten für Eingriffe aufgrund von Urteilen entspricht?

Ein Kernpunkt der Podiumsdiskussion in Dijon war der Wert (oder Nichtwert) von Eingriffen aufgrund von Urteilen (oder “menschlichen Übersteuerungen”) im Prognoseprozess. Um die andere Seite zu paraphrasieren: “Wir müssen Menschen in den Prozess einbinden, um Korrekturen vorzunehmen, wenn die automatisierte Prognose etwas übersehen hat”.

Diese Perspektive ist für mich sehr interessant, da sie davon ausgeht, dass menschliche Übersteuerungen einen Mehrwert bringen - sonst würde es doch niemand tun, oder?

In diesem Abschnitt werde ich eine Diskussion darüber, ob Menschen eine automatisierte Prognose (in Bezug auf Genauigkeit) gelegentlich oder sogar oft übertreffen können, ignorieren. Tatsächlich bin ich bereit zuzugeben, dass ein Mensch auf einer isolierten SKU möglicherweise genauso gut oder sogar besser abschneiden kann als eine automatisierte Prognose in Bezug auf Genauigkeit.

Hinweis: Ich glaube nicht, dass dies der Fall ist, wenn wir Zehntausende von SKUs für Hunderte von Geschäften jeden Tag gemäß einer großen Lieferkette¹ prognostizieren. In letzterem Szenario übertrifft eine automatisierte Prognose ganze Teams von unglaublich erfahrenen Prognostikern und anderen Fachexperten einfach deshalb, weil die überwiegende Mehrheit der SKUs aufgrund von Zeitbeschränkungen nicht manuell überprüft werden kann.

Ich mache diese Zugeständnis, dass das menschliche Urteilsvermögen manchmal mit oder sogar besser als eine automatisierte Prognose übereinstimmen kann, aus zwei Gründen:

1. Meiner Meinung nach macht es den Aufsatz interessanter, und;

2. Die Stärke meines Arguments beruht nicht auf einer Diskussion über “Genauigkeit”.

Meine Position ist, wie Sie wahrscheinlich schon erraten können, dass menschliche Eingriffe nur dann “Mehrwert” haben, wenn sie…finanziellen Mehrwert hinzufügen - einen Mehrwert, der länger als einen einzigen Nachbestellungszyklus anhält. Dies ist völlig unabhängig von etwaigen Genauigkeitsvorteilen.

Dieser Wert kann als “erzeugt direkt bessere Entscheidungen als ursprünglich generiert - unter Berücksichtigung der zusätzlichen Gewinne aus der besseren Entscheidung und Abzug der Kosten des Eingriffs” verstanden werden.

Einfach ausgedrückt sind Urteilsinterventionen (menschliche Eingriffe) kostspielig, daher sollte ein Unternehmen eine signifikante Rendite erwarten. Daher argumentiere ich, dass die Prognosegenauigkeit eine beliebige Metrik ist (wenn sie isoliert von Entscheidungen bewertet wird) und Unternehmen sich auf Maßnahmen konzentrieren sollten, die finanzielle Erträge steigern.

Menschliche Eingriffe können die Prognosegenauigkeit durchaus erhöhen (auch hier mache ich dieses Zugeständnis für die Diskussion), jedoch erhöhen sie nicht zwangsläufig den finanziellen Ertrag. Dies sollte wirklich kein radikaler Vorschlag sein, genauso wenig wie jemand gleichzeitig die größte und die kleinste Person in einem Raum sein kann.

Bitte beachten Sie, dass es nicht meine Aufgabe ist, nachzuweisen, dass eine erhöhte Genauigkeit nicht zu erhöhten Gewinnen führt. Es ist per Definition die Aufgabe derjenigen, die behaupten, dass eine erhöhte Genauigkeit an sich profitabel ist, einige konkrete, direkte und unbestreitbare Beweise für diese Behauptung vorzulegen.

Auch dies sollte keine radikale oder gegensätzliche Position sein. Es sollte meiner Meinung nach die Standardposition für jeden sein, der “etwas auf dem Spiel hat”.

Beachten Sie, dass für profitable menschliche Eingriffe die Gesamtheit der Eingriffe berücksichtigt werden muss. Das heißt, man muss den finanziellen Wert, der durch alle “Treffer” generiert wird, gegen alle finanziellen Verluste, die durch die “Fehlschläge” verursacht werden, abwägen.

Dieses Experiment müsste auch im großen Maßstab durchgeführt werden, für ein enormes Netzwerk von Geschäften (bei B2B-Kunden für Unternehmenskunden) und für deren gesamten Katalog von SKUs, jeden Tag, über einen beträchtlichen Zeitraum.

“Wie lange sollte dieses Experiment dauern, Alexey?” Hier bin ich ambivalent. Sagen wir ein Jahr, aber ich bin für eine Diskussion zu diesem Punkt sehr offen. Es hängt von vielen Dingen ab, einschließlich der Anzahl der Entscheidungszyklen in einem Jahr sowie der Durchlaufzeiten natürlich.

Das gesamte Gespräch wirft jedoch die Frage auf, was die akzeptable Fehlergrenze für menschliche Eingriffe ist.

• Ist es akzeptabel, wenn die Treffer die Fehlschläge leicht überwiegen?
• Was ist mit den Kosten der menschlichen Eingriffe selbst?
• Wie sollen diese direkten und indirekten Kosten in die Kalkulation einfließen?

Dies sind übrigens keine trivialen Fragen. Es sind die Arten von Fragen, die ein Erstsemester in jedem einführenden Kurs in einem STEM- oder STEM-verwandten Bereich stellen würde.

Solange niemand endgültige Beweise dafür liefert, dass menschliche Eingriffe im großen Maßstab finanziell lohnenswert sind, ist die wirtschaftlich intelligenteste Position anzunehmen, dass dies nicht der Fall ist, und weiterhin auf automatisierte Prognosen und automatisierte Entscheidungsfindung zu vertrauen.

Q4: Wie bestimmen wir, wann eine genauere Prognose die aktuelle Prognose für Entscheidungszwecke ersetzen sollte?

Kurz gesagt, der einfachste Weg, dies herauszufinden, besteht darin, folgende Frage zu berücksichtigen: Führt die neue Prognose zu besseren Entscheidungen? Das Bewertungskriterium in diesem Fall sollte die finanzielle Kapitalrendite (ROI) sein.

Um etwas genauer zu werden, sollte der Austausch auf der Grundlage des Gesamtnutzens des neuen Modells erfolgen (z. B. ROI, Anwendbarkeit, Wartbarkeit usw.), nicht nur aufgrund des aktuellen Genauigkeitsgewinns. ROI ist es, was das Unternehmen in Richtung Erfolg lenkt. Die Anwendbarkeit, wie ich unten zeigen werde, ist auf ROI ausgerichtet. Denken Sie daran: Genauigkeit ist, wenn sie isoliert verfolgt wird, ein willkürliches KPI.

Nehmen wir zum Beispiel an, wir haben zwei Modelle: eines, das sich explizit mit Lagerausfällen befassen kann und ein anderes, das Lagerausfälle ignoriert (unter Verwendung einiger Datenverarbeitungstricks). Es könnte sein, dass Lagerausfälle nicht so häufig vorkamen und aus Sicht der Entscheidungsfindung beide Modelle nahezu gleich gut abschneiden. Es wäre jedoch dennoch klüger, das Modell zu bevorzugen, das mit Lagerausfällen umgehen kann. Dies liegt daran, dass dieses Modell zuverlässiger ist, wenn Lagerausfälle häufiger auftreten.

Dies zeigt einen weiteren Aspekt der Philosophie von Lokad: Korrektheit durch Design. Das bedeutet, dass wir auf Designebene ein Modell entwickeln möchten, das proaktiv sowohl wahrscheinliche als auch unwahrscheinliche Ereignisse berücksichtigt und darauf reagieren kann. Dies ist von größter Bedeutung, da die größten finanziellen Strafen oft an den Extremen liegen - den unwahrscheinlichen Ereignissen, mit anderen Worten.

Q5: Wie wechseln wir von einem Prognosemodell zu einem anderen in der Produktion?

Es ist wichtig zu bedenken, dass die Prognose nur ein Teil des gesamten Entscheidungssystems ist. Daher können Aktualisierungen einiger Teile geringe oder erhebliche Auswirkungen auf die Gesamtleistung des Systems haben. Der Übergang von einem alten Modell zu einem neuen kann problematisch sein, selbst wenn das neue Modell letztendlich bessere Entscheidungen generiert (und somit mehr Gewinne erzielt).

Dies liegt daran, dass die verbesserten Entscheidungen in der Theorie unerwarteten Einschränkungen in der Realität begegnen können, wenn sie zu schnell umgesetzt werden.

Nehmen wir zum Beispiel an, ein neues Prognosemodell kann dazu beitragen, wesentlich verbesserte Bestellungen zu generieren, aber der Platz, der für die zusätzliche Lagerbestände benötigt wird, existiert möglicherweise noch nicht oder Lieferanten können ihre Lieferketten nicht sofort anpassen, um die gestiegene Nachfrage zu befriedigen. Das überstürzte Abschließen der Bestellungen jetzt auf der Suche nach sofortigen Gewinnen kann an anderer Stelle zu Verlusten führen, z. B. wenn Lagerbestände aufgrund eines Mangels an angemessenem Lagerplatz (oder Kapazitätsbeschränkungen des Personals) schneller beschädigt oder verdorben werden.

In einem solchen Szenario könnte es klug sein, allmählich zwischen den Modellen zu wechseln. In der Praxis könnte dies bedeuten, dass einige aufeinanderfolgende Bestellungen etwas größer sind, um die Lagerbestände allmählich zu korrigieren, anstatt sofort eine einzige enorme Bestellung aufzugeben.

Personen mit praktischer Erfahrung bei der Bewältigung des Peitscheneffekts (einschließlich Befürwortern von DDMRP) sollten sofort erkennen, warum dies eine kluge Taktik ist.

Schlussgedanke

Wenn Sie bis hierhin gelesen haben, danke ich Ihnen für Ihre Aufmerksamkeit. Wenn Sie unterwegs anderer Meinung waren, danke ich Ihnen noch mehr für Ihre Aufmerksamkeit.

Für diejenigen, die anderer Meinung sind, erlauben Sie mir einen letzten Versuch: Wert bedeutet mehr Geld, und mehr Geld kommt von besseren Entscheidungen. Soweit es mich betrifft, kann nichts gute (oder bessere) Entscheidungen ersetzen. Keine genauere Prognose. Kein effizienterer S&OP-Prozess.

Wenn wir uns immer noch nicht einig sind, ist das in Ordnung, aber zumindest wissen wir, wo wir beide stehen.

Vielen Dank fürs Lesen.

Bevor Sie gehen

Hier sind noch ein paar weitere Ressourcen, die für Sie nützlich sein könnten (insbesondere, wenn Sie anderer Meinung waren):

• Informationen dazu, wie Lokad tatsächlich alle Unsicherheitsquellen (z. B. Nachfrage, Lieferzeiten, Rückgaberaten usw.) prognostiziert, finden Sie in unseren Video-Vorlesungen zu wahrscheinlichkeitsbasierten Prognosen und Lieferzeitprognosen.

• Informationen dazu, wie Lokad tatsächlich risikobereinigte Entscheidungen trifft, finden Sie in unserem Bildungstutorial zur Optimierung des Einkaufs und in unserer Video-Vorlesung zur Bestandszuweisung im Einzelhandel.

• Informationen dazu, wie Lokad die Nachfrage steuert und Preisstrategien optimiert, finden Sie in unserer Video-Vorlesung zur Preisoptimierung.

Anmerkungen