Dieser Beitrag wurde erweitert und unter dem Namen “Eine kritische Bewertung der Annahmen des Forecast Value Added” in Foresight: The International Journal of Applied Forecasting, International Institute of Forecasters, Ausgabe 73, Seiten 13-23, Q2 veröffentlicht. Laden Sie das Papier hier herunter.
Der Forecast Value Added1 (FVA) ist ein einfaches Werkzeug zur Bewertung der Leistung jedes Schritts (und Beitrags) im Nachfrageprognoseprozess. Sein ultimatives Ziel besteht darin, Verschwendung im Prognoseprozess zu beseitigen, indem die menschlichen Berührungspunkte (Überschreibungen) entfernt werden, die die Prognosegenauigkeit nicht erhöhen. FVA basiert auf der Annahme, dass eine höhere Prognosegenauigkeit erstrebenswert ist und dass es wünschenswert ist, die Überschreibungen zu identifizieren, die diese erhöhen, und solche zu eliminieren, die dies nicht tun. Trotz positiver Absichten zeigt FVA nur begrenzte einmalige Nützlichkeit und weist bei kontinuierlicher Anwendung eine Vielzahl von Nachteilen auf, darunter fehlerhafte mathematische Annahmen, Missverständnisse über den intrinsischen Wert einer erhöhten Prognosegenauigkeit und das Fehlen einer robusten finanziellen Perspektive.
Überblick über den Forecast Value Added
Der Forecast Value Added zielt darauf ab, Verschwendung zu beseitigen und die Prognosegenauigkeit durch die Förderung und Bewertung von Beiträgen aus verschiedenen Abteilungen (einschließlich nicht nachfrageplanungsbezogener Teams wie Vertrieb, Marketing, Finanzen, Betrieb usw.) zu erhöhen. Durch die Bewertung des Werts jedes menschlichen Berührungspunkts im Prognoseprozess liefert FVA Unternehmen handlungsorientierte Daten zu den Überschreibungen, die die Prognose verschlechtern, und bietet ihnen so die Möglichkeit, Anstrengungen und Ressourcen zu identifizieren und zu eliminieren, die nicht zu einer besseren Prognosegenauigkeit beitragen.
Michael Gilliland, dessen The Business Forecasting Deal die Aufmerksamkeit der breiten Öffentlichkeit auf diese Praxis gelenkt hat, argumentiert2:
“FVA stellt sicher, dass alle in den Prognoseprozess investierten Ressourcen - von Computerhardware und -software bis hin zur Zeit und Energie von Analysten und Management - die Prognose verbessern. Wenn diese Ressourcen nicht zur Prognose beitragen, können sie sicher auf sinnvollere Aktivitäten umgeleitet werden.”
Man identifiziert, welche Aktivitäten und Ressourcen hilfreich sind, durch einen mehrstufigen Prognoseprozess, bei dem eine statistische Prognose mithilfe der vorhandenen Prognosesoftware des Unternehmens erstellt wird. Diese statistische Prognose wird dann manuell von jeder ausgewählten Abteilung geändert (überschrieben). Diese angepasste Prognose wird dann mit einer naiven, benchmark Prognose (ohne Änderungen, als Placebo fungierend) und der tatsächlichen, beobachteten Nachfrage verglichen.
Wenn die von den Abteilungen vorgenommenen Änderungen die statistische Prognose genauer gemacht haben (im Vergleich zur unveränderten statistischen Prognose), haben sie einen positiven Wert beigetragen. Wenn sie die Prognose ungenauer gemacht haben, haben sie einen negativen Wert beigetragen. Ebenso, wenn die statistische Prognose genauer war als das Placebo, hat sie einen positiven Wert hinzugefügt (und umgekehrt, wenn sie ungenauer war).
FVA ist somit “[ein Maß für] die Veränderung einer Prognoseleistungsmetrik, die einem bestimmten Schritt oder Teilnehmer im Prognoseprozess zugeschrieben werden kann”2.
Befürworter des Forecast Value Added argumentieren, dass es ein wesentliches Werkzeug im modernen Supply Chain Management ist. Indem identifiziert wird, welche Teile des Prognoseprozesses vorteilhaft sind und welche nicht, können Organisationen ihre Prognosegenauigkeit optimieren. Die übergeordnete Begründung besteht darin, dass eine verbesserte Prognose zu einer besseren Bestandsverwaltung, einer reibungsloseren Produktionsplanung und einer effizienteren Ressourcenzuweisung führt.
Dies sollte folglich Kosten reduzieren, Lieferrückstände minimieren und Überbestände reduzieren, während gleichzeitig die Kundenzufriedenheit erhöht und eine inklusivere Prognose- und Unternehmensethik geschaffen wird. Der Prozess hat sich als bemerkenswert beliebt erwiesen, wobei FVA bei mehreren namhaften Unternehmen in besonders wettbewerbsintensiven Branchen wie Intel, Yokohama Tire und Nestle angewendet wird3.
Durchführung einer Forecast Value Added Analyse
Die Durchführung einer Forecast Value Added Analyse umfasst mehrere intuitive Schritte, in der Regel eine enge Version der folgenden:
-
Definieren Sie den Prozess, indem Sie die einzelnen Schritte oder Komponenten identifizieren, d.h. die Liste der Abteilungen, die konsultiert werden sollen, die Reihenfolge der Konsultation und die spezifischen Parameter, die jeder Beitragende verwenden wird, um die anfängliche Prognose zu modifizieren.
-
Generieren Sie eine Benchmark-Prognose. Diese Benchmark-Prognose nimmt in der Regel die Form einer naiven Prognose an. Eine statistische Prognose wird ebenfalls generiert, wie im normalen Prognoseprozess innerhalb des Unternehmens, unter Verwendung desselben Datensatzes, der bei der Erstellung der Benchmark verwendet wurde. Diese statistische Prognose dient als Grundlage für alle nachfolgenden Anpassungen.
-
Sammeln Sie Erkenntnisse von den ausgewählten Beitragenden und halten Sie sich dabei an die in Schritt 1 definierten Parameter. Dies kann Markttrend-Einblicke, Werbepläne, betriebliche Einschränkungen usw. umfassen.
-
Berechnen Sie das FVA für jeden Beitragenden, indem Sie die Genauigkeit der statistischen Prognose vor und nach der Eingabe dieses Beitragenden vergleichen. Die Genauigkeit der statistischen Prognose wird wiederum mit der des einfachen Benchmark-Prognose verglichen. Beiträge, die die Prognosegenauigkeit verbessern, erhalten positives FVA, während solche, die die Genauigkeit verringern, negatives FVA erhalten.
-
Optimieren Sie, indem Sie Beiträge mit negativem FVA verbessern oder eliminieren, während Sie solche mit positivem FVA erhalten oder verbessern.
Diese Schritte bilden einen fortlaufenden Prozess, der iterativ verbessert wird, um eine größere Prognosegenauigkeit zu erreichen. Der FVA-Prozess und wie er sich von einem traditionellen Prognoseprozess unterscheidet, ist unten dargestellt.
Betrachten Sie einen Apfelverkäufer. Paul (Demand Planning) informiert das Management, dass das Unternehmen in den letzten 3 Monaten jeweils 8 Äpfel verkauft hat. Die naive Prognose besagt, dass das Unternehmen nächsten Monat wieder 8 Äpfel verkaufen wird, aber Paul hat eine fortschrittliche statistische Software, die voraussagt, dass 10 Äpfel verkauft werden (statistische Prognose). John (Marketing) meldet sich zu Wort und sagt, dass er in diesem Monat einen schicken neuen Slogan veröffentlichen möchte6 und dass die Verkäufe aufgrund seines scharfen Witzes voraussichtlich höher sein werden. George (Vertrieb) plant, Äpfel zu bündeln und die Preise leicht zu senken, um die Verkäufe weiter anzukurbeln und die Nachfrage zu steigern. Richard (Betrieb) ist zunächst ratlos, überarbeitet dann jedoch die prognostizierte Nachfrage, um eine bevorstehende Ausfallzeit in der entscheidenden Apfelsortiermaschine zu berücksichtigen, von der er glaubt, dass sie sich negativ auf die Fähigkeit des Unternehmens auswirken wird, die Nachfrage zu erfüllen. Die statistische Prognose wurde somit dreimal manuell angepasst. Die Abteilungen treffen sich anschließend, um eine Konsensprognose verbal zu erreichen.
Einen Monat später führt das Unternehmen einen Backtest durch, um zu bestätigen, wie groß der Unterschied7 bei jedem Schritt dieses Prognose-Relais war - d.h. wie “falsch” der Beitrag jeder Abteilung war. Dies ist nicht schwierig, da sie nun die tatsächlichen Verkaufsdaten für den Vormonat besitzen und Paul isolieren kann, wie viel Fehler jeweils von John, George und Richard sowie von der Konsensprognosestufe8 eingeführt wurde.
Die mathematische Perspektive auf den Forecast Value Added
Unter der Haube ist der Forecast Value Added ein bemerkenswert einfacher und bewusst unkomplizierter Prozess. Im Gegensatz zu Prognoseprozessen, die ein fortgeschrittenes Wissen in Mathematik und statistischem Denken erfordern, ist FVA “ein gesunder Menschenverstandsansatz, der leicht zu verstehen ist. Er drückt die Ergebnisse dessen aus, etwas getan zu haben, im Vergleich dazu, nichts getan zu haben”3.
Die Ergebnisse dessen, etwas getan zu haben im Vergleich zu nichts getan zu haben, erfordern jedoch immer noch mathematisches Eingreifen, und dies erfolgt in der Regel in Form einer einfachen Zeitreihe - dem Rückgrat traditioneller Prognosemethoden. Das Hauptziel der Zeitreihenanalyse besteht darin, die zukünftige Nachfrage bequem und intuitiv als einen einzigen handlungsorientierten Wert darzustellen. Im Kontext von FVA dient die Baseline-Zeitreihe als Placebo oder Kontrolle, gegen die alle Analystenüberschreibungen (wie in der vorherigen Sektion beschrieben) verglichen werden. Eine Baseline-Zeitreihe kann durch verschiedene Methoden generiert werden, die in der Regel verschiedene Formen der naiven Prognose umfassen. Diese werden häufig anhand von Metriken wie MAPE, MAD und MFE bewertet.
Auswahl einer Benchmark-Prognose
Die Wahl der Baseline-Prognose hängt von den Zielen oder Einschränkungen des betreffenden Unternehmens ab.
-
Naive Prognose und saisonale naive Prognosen werden oft aufgrund ihrer Einfachheit gewählt. Sie sind einfach zu berechnen und zu verstehen, da sie auf der Annahme beruhen, dass frühere Daten in der Zukunft wiederholt werden. Sie bieten in vielen Kontexten eine sinnvolle Grundlage, insbesondere wenn die Daten relativ stabil sind oder ein deutliches Muster (Trend, Saisonalität, etc.) aufweisen.
-
Random Walk und saisonaler Random Walk werden in der Regel verwendet, wenn die Daten eine erhebliche Zufälligkeit oder Variabilität aufweisen oder wenn ein deutliches saisonales Muster erkennbar ist, das auch zufälligen Schwankungen unterliegt. Diese Modelle fügen dem Konzept der naiven Prognose ein Element der Unberechenbarkeit hinzu, um die inhärente Unsicherheit der Prognose zukünftiger Nachfrage widerzuspiegeln.
Bewertung der Ergebnisse des Forecast Value Added
-
MFE (Mean Forecast Error) kann verwendet werden, um festzustellen, ob eine Prognose dazu neigt, die tatsächlichen Ergebnisse zu überschätzen oder zu unterschätzen. Dies könnte eine nützliche Metrik in einer Situation sein, in der es kostspieliger ist, eine Überprognose als eine Unterprognose zu haben oder umgekehrt.
-
MAD (Mean Absolute Deviation) und MAPE (Mean Absolute Percentage Error) liefern Maße für die Prognosegenauigkeit, die sowohl Über- als auch Unterprognosen berücksichtigen. Sie können als Maß für die Genauigkeit verwendet werden, wenn es wichtig ist, die Gesamtgröße der Prognosefehler unabhängig davon zu minimieren, ob sie zu Über- oder Unterprognosen führen.
Obwohl MAPE in FVA-bezogenen Quellen häufig vorkommt, gibt es unterschiedliche Meinungen darüber, welche Prognose-Metrikkonfiguration in einer FVA-Analyse verwendet werden soll2 4 9.
Einschränkungen des Forecast Value Added
Der Forecast Value Added ist trotz seines inklusiven Ansatzes, seiner noblen Ziele und seiner niedrigen Einstiegshürde möglicherweise einer umfangreichen Palette von Einschränkungen und falschen Annahmen unterworfen. Diese Defizite erstrecken sich über eine Vielzahl von Bereichen, einschließlich Mathematik, moderner Prognosetheorie und Wirtschaft.
Prognose ist nicht kollaborativ
Der Forecast Value Added beruht auf der Annahme, dass kollaborative Prognosen gut sind, in dem Sinne, dass mehrere (und sogar konsensuale) menschliche Überschreibungen einen positiven Wert hinzufügen können. FVA glaubt weiterhin, dass dieser positive Prognosewert im gesamten Unternehmen verteilt ist, da Mitarbeiter verschiedener Abteilungen wertvolle Einblicke in die zukünftige Marktnachfrage haben können.
Daher besteht das Problem aus Sicht von FVA darin, dass dieser kollaborative Ansatz mit lästigen Ineffizienzen einhergeht, wie zum Beispiel einige menschliche Berührungspunkte, die einen negativen Wert beitragen. FVA versucht daher, die verschwenderischen Prognosemitarbeiter auszusortieren und die guten zu finden.
Leider steht die Idee, dass Prognosen als kollaborativer, abteilungsübergreifender Prozess besser sind, im Widerspruch zu dem, was moderne statistische Prognosen zeigen - auch in Einzelhandelssituationen.
Eine umfangreiche Überprüfung des fünften Makridakis-Prognosewettbewerbs10 hat gezeigt, dass “alle 50 besten Methoden auf ML (Machine Learning) basierten. Daher ist M5 der erste M-Wettbewerb, bei dem alle besten Methoden sowohl ML-Methoden als auch besser als alle anderen statistischen Benchmarks und deren Kombinationen waren” (Makridakis et al., 2022)11. Der M5-Genauigkeitswettbewerb basierte auf der Prognose von Verkäufen unter Verwendung historischer Daten für das weltweit umsatzstärkste Einzelhandelsunternehmen (Walmart).
Tatsächlich wurde laut Makridakis et al. (2022) “das Gewinnermodell [im M5] von einem Studenten entwickelt, der wenig Prognosewissen und wenig Erfahrung im Aufbau von Verkaufsprognosemodellen hatte”11, was Zweifel daran aufkommen lässt, wie wichtig die Markteinblicke verschiedener Abteilungen tatsächlich in einem Prognosekontext sind.
Dies bedeutet nicht, dass komplexere Prognosemodelle grundsätzlich wünschenswert sind. Vielmehr übertrumpfen oft sophisticated Modelle simplistic Modelle, und die kollaborative Prognose von FVA ist ein simplistischer Ansatz für ein komplexes Problem.
Ignoriert zukünftige Unsicherheit
FVA geht wie viele Tools und Techniken im Zusammenhang mit Prognosen davon aus, dass die Kenntnis der Zukunft (in diesem Fall der Nachfrage) in Form einer Zeitreihe dargestellt werden kann. Es verwendet eine naive Prognose als Benchmark (in der Regel eine Kopie der bisherigen Verkäufe) und lässt die Mitarbeiter die Werte einer statistischen Prognose manuell auf- oder abrunden. Dies ist aus zwei Gründen fehlerhaft.
Erstens ist die Zukunft, sei es allgemein oder in Bezug auf Prognosen, unvermeidlich unsicher. Daher ist es ein grundsätzlich fehlerhafter Ansatz, sie als einen einzigen Wert darzustellen (auch wenn er mit einer Sicherheitsbestandsformel ergänzt wird). Angesichts der unvermeidlichen Unsicherheit der Zukunft ist der vernünftigste Ansatz die Bestimmung einer Reihe wahrscheinlicher zukünftiger Werte, die im Hinblick auf die potenzielle finanzielle Rendite bewertet werden. Dies übertrifft aus einer Risikomanagement-Perspektive den Versuch, einen einzelnen Wert gemäß einer traditionellen Zeitreihe zu identifizieren - etwas, das das Problem der zukünftigen Unsicherheit vollständig ignoriert.
Zweitens sind die Erkenntnisse (wie nützlich sie auch erscheinen mögen) der Mitarbeiter in der Regel nicht leicht (wenn überhaupt) in eine Zeitreihenprognose übersetzbar. Betrachten Sie eine Situation, in der ein Unternehmen im Voraus weiß, dass ein Konkurrent in den Markt eintritt. Alternativ stellen Sie sich eine Welt vor, in der wettbewerbsbezogenes Wissen darauf hinweist, dass der härteste Konkurrent plant, eine beeindruckende neue Sommerkollektion auf den Markt zu bringen. Die Vorstellung, dass diese Art von Erkenntnissen von Nicht-Spezialisten kollaborativ zu einem einzigen Wert in einer Zeitreihe zusammengeführt werden können, ist phantastisch.
In der Realität werden jegliche Ähnlichkeiten mit tatsächlichen zukünftigen Verkäufen (positiver Mehrwert) vollkommen zufällig sein, in dem Sinne, dass menschliche Eingriffe (sei es das Abrunden oder Aufrunden der Nachfrage) gleichwertige Ausdrücke derselben fehlerhaften Eingabe sind. Eine Person, die einen negativen Wert beiträgt, ist also aus logischer Sicht nicht “richtiger” oder “falscher” als eine Person, die einen positiven Wert beiträgt.
Im Kern versucht FVA, dreidimensionale Eigenschaften (menschliche Erkenntnisse) auf eine zweidimensionale Fläche (eine Zeitreihe) zu drängen. Es mag aus bestimmten Blickwinkeln richtig aussehen, aber das bedeutet nicht, dass es auch richtig ist. Dadurch erhält FVA ein eher irreführendes Erscheinungsbild von statistischer Strenge.
Selbst wenn das Unternehmen einen traditionellen Prognoseprozess mit minimalen menschlichen Berührungspunkten verwendet (wie in Abbildung 1 dargestellt), ist die Analyse selbst eine Verschwendung, wenn die zugrunde liegende statistische Prognose, die von FVA analysiert wird, eine Zeitreihe ist.
Ironischerweise verschwenderisch
Als einmalige Demonstration von Überzeugung und voreingenommener Entscheidungsfindung hat FVA einen Nutzen. Nobelpreise wurden für die Tiefe, Breite und Ausdauer kognitiver Verzerrungen in der menschlichen Entscheidungsfindung verliehen12 13, doch es ist durchaus denkbar, dass einige Teams erst dann erkennen, wie fehlerhaft menschliche Eingriffe typischerweise sind, wenn ihnen dies nachdrücklich gezeigt wird.
Als fortlaufendes Management-Tool ist FVA jedoch grundsätzlich fehlerhaft und widersprüchlich. Wenn die statistischen Prognosen durch eine naive Prognose und kollaboratives Herumprobieren übertroffen werden, sollte man sich wirklich folgende Frage stellen:
Warum versagen die statistischen Modelle?
FVA hat leider keine Antwort darauf, da es grundsätzlich nicht dafür konzipiert ist. Es liefert keine Erkenntnisse darüber, warum statistische Modelle möglicherweise unterdurchschnittlich abschneiden, sondern nur dass sie unterdurchschnittlich abschneiden. FVA ist daher weniger ein diagnostisches Werkzeug als eine Lupe.
Eine Lupe kann zwar nützlich sein, liefert jedoch keine umsetzbaren Erkenntnisse darüber, welche zugrunde liegenden Probleme die statistische Prognosesoftware tatsächlich hat. Das Verständnis warum die statistischen Prognosen unterdurchschnittlich abschneiden, hat einen weit größeren direkten und indirekten Wert und ist etwas, das FVA nicht schärfer fokussiert.
FVA-Software liefert nicht nur diese wichtige Erkenntnis nicht, sondern formalisiert auch auf andere Weise Verschwendung. Gilliland (2010) präsentiert eine theoretische Situation, in der eine Konsensprognose in 11 von 13 Wochen übertroffen wird (85% Fehlerquote) und durchschnittlich 13,8 Prozentpunkte Fehler aufweist. Anstatt eine sofortige Einstellung zu rechtfertigen, lautet der Rat:
“Bringen Sie diese Ergebnisse Ihrem Management und versuchen Sie zu verstehen, warum der Konsensprozess diese Auswirkungen hat. Sie können die Dynamik des Konsensmeetings und die politischen Agenden der Teilnehmer untersuchen. Letztendlich muss das Management entscheiden, ob der Konsensprozess verbessert werden kann, um die Genauigkeit der Prognose zu verbessern, oder ob er beseitigt werden sollte.”2
In diesem Szenario diagnostiziert die FVA-Software nicht nur das zugrunde liegende Problem der statistischen Prognoseleistung, sondern die FVA-Instrumentierungsebene erhöht lediglich die Bürokratie und die Ressourcenzuweisung, indem sie Aktivitäten analysiert, die offensichtlich keinen Mehrwert bringen.
Durch die Installation einer FVA-Software erhält man also weiterhin ähnliche Bilder mit geringer Auflösung eines fortlaufenden Problems und lenkt wertvolle Ressourcen darauf, fehlerhafte Eingaben zu verstehen, die von Anfang an ignoriert hätten werden können.
Dies ist möglicherweise nicht die klügste Zuweisung von Unternehmensressourcen, die alternative Verwendungen haben.
Überschätzt den Wert der Genauigkeit
Im Kern geht es bei FVA darum, dass eine erhöhte Prognosegenauigkeit isoliert betrachtet angestrebt wird und auf dieser Grundlage vorgegangen wird, als ob dies offensichtlich wahr wäre. Die Vorstellung, dass eine erhöhte Prognosegenauigkeit wünschenswert ist, ist verständlicherweise ansprechend, aber aus geschäftlicher Sicht setzt dies voraus, dass eine größere Genauigkeit zu größerer Rentabilität führt. Dies ist offensichtlich nicht der Fall.
Dies bedeutet nicht, dass eine genaue Prognose keinen Wert hat. Eine genaue Prognose sollte jedoch eng mit einer ausschließlich finanziellen Perspektive verbunden sein. Eine Prognose kann um 40% genauer sein, aber die damit verbundenen Kosten bedeuten, dass das Unternehmen insgesamt 75% weniger Gewinn erzielt. Die Prognose ist zwar deutlich genauer (positiver Mehrwert), hat jedoch nicht die Dollarfehler reduziert. Dies widerspricht dem Kernprinzip des Geschäfts: mehr Geld verdienen oder zumindest nicht verschwenden.
Im Hinblick auf FVA ist es durchaus denkbar, dass der positive Mehrwert einer Abteilung für ein Unternehmen einen Nettoverlust darstellt, während der negative Mehrwert einer anderen Abteilung kaum wahrnehmbar ist. Obwohl Gilliland anerkennt, dass einige Aktivitäten die Genauigkeit erhöhen können, ohne finanziellen Wert hinzuzufügen, wird dieser Aspekt nicht bis zu seinem logischen Ende verfolgt: einer ausschließlich finanziellen Perspektive. Gilliland verwendet das Beispiel eines Analysten, der die Prognosegenauigkeit um einen Prozentpunkt erhöht:
“Die bloße Tatsache, dass eine Prozessaktivität einen positiven FVA hat, bedeutet nicht zwangsläufig, dass sie im Prozess beibehalten werden sollte. Wir müssen die Gesamtvorteile der Verbesserung mit den Kosten dieser Aktivität vergleichen. Erhöht die zusätzliche Genauigkeit den Umsatz, senkt sie die Kosten oder macht sie die Kunden glücklicher? In diesem Beispiel hat die Übersteuerung des Analysten den Fehler tatsächlich um einen Prozentpunkt reduziert. Aber die Einstellung eines Analysten zur Überprüfung jeder Prognose kann teuer sein, und wenn die Verbesserung nur ein Prozentpunkt beträgt, lohnt es sich wirklich?”2
Mit anderen Worten, eine Steigerung um 1% könnte nicht lohnenswert sein, aber eine größere Steigerung der Prognosegenauigkeit könnte es sein. Dies setzt voraus, dass der finanzielle Wert mit einer höheren Prognosegenauigkeit verbunden ist, was nicht unbedingt der Fall ist.
Somit gibt es eine unausweichliche finanzielle Dimension bei der Prognose, die in FVA am besten unterschätzt wird (und im schlimmsten Fall kaum bemerkt wird). Diese ausschließlich finanzielle Perspektive sollte wirklich das Fundament sein, auf dem ein Werkzeug zur Reduzierung von Verschwendung aufgebaut wird.
Anfällig für Manipulation
FVA bietet auch offensichtliche Möglichkeiten zur Manipulation und Vorhersageverfälschung, insbesondere wenn die Prognosegenauigkeit als Maß für die Leistung einer Abteilung verwendet wird. Dies entspricht dem Geist des Goodhart’s Law, das besagt, dass sobald ein Indikator zum wichtigsten Maßstab für den Erfolg wird (versehentlich oder absichtlich), dieser Indikator nutzlos wird. Dieses Phänomen kann oft zu Fehlinterpretationen und/oder Manipulationen führen.
Angenommen, das Verkaufsteam ist damit beauftragt, kurzfristige Anpassungen an der Nachfrageprognose aufgrund ihrer Interaktionen mit Kunden vorzunehmen. Die Verkaufsabteilung könnte dies als Gelegenheit betrachten, ihren Wert zu signalisieren und Änderungen an der Prognose vorzunehmen, auch wenn dies nicht erforderlich ist, um eine positive FVA zu demonstrieren. Sie könnten die Nachfrage überschätzen, um den Eindruck zu erwecken, dass sie Wert generieren, oder die Nachfrage nach unten korrigieren, um den Eindruck zu erwecken, dass sie eine zu optimistische Prognose einer vorherigen Abteilung korrigieren. Auf diese Weise könnte die Verkaufsabteilung wertvoller für das Unternehmen erscheinen. Als Ergebnis könnte die Marketingabteilung dann unter Druck geraten, ebenfalls Wert zu generieren, und das Team beginnt ebenfalls willkürliche Anpassungen an der Prognose vorzunehmen (und so weiter und so fort).
In diesem Szenario wird das FVA-Maß, das ursprünglich dazu gedacht war, die Prognosegenauigkeit zu verbessern, lediglich zu einem politischen Mechanismus für Abteilungen, um Wert zu signalisieren, anstatt Wert hinzuzufügen, eine Kritik, die selbst FVA-Befürworter anerkennen9. Diese Beispiele zeigen die potenziellen Gefahren des Goodhart’s Law im Zusammenhang mit FVA14.
Befürworter von FVA könnten argumentieren, dass diese psychologischen Kritiken der eigentliche Zweck von FVA sind, nämlich die Identifizierung von wertvollen gegenüber wertlosen Eingaben. Angesichts der mit menschlicher Übersteuerung in der Prognose verbundenen Vorurteile, die heutzutage so gut verstanden sind, wären die Ressourcen, die für die Analyse dieser vorurteilsbeladenen Eingaben aufgewendet werden, besser in einen Prozess investiert, der (soweit wie möglich) solche Eingaben von vornherein vermeidet.
Lokale Lösung für ein systemisches Problem
Implizit setzt der Versuch, die Nachfrageprognose isoliert zu optimieren, voraus, dass das Problem der Nachfrageprognose getrennt von anderen Problemen in der Lieferkette ist. In Wirklichkeit ist die Nachfrageprognose aufgrund der Wechselwirkung einer Vielzahl systemischer Ursachen in der Lieferkette komplex, einschließlich des Einflusses von variierenden Lieferanten Lieferzeiten, unerwarteten Störungen in der Lieferkette, Bestandsallokationsentscheidungen, Preisstrategien usw.
Der Versuch, die Nachfrageprognose isoliert zu optimieren (auch als lokale Optimierung bezeichnet), ist ein fehlgeleiteter Ansatz angesichts der systemischen Probleme - der eigentlichen Ursachen -, die nicht richtig verstanden und angegangen werden.
Lieferkettenprobleme - zu denen die Nachfrageprognose sicherlich gehört - sind wie Menschen, die auf einem Trampolin stehen: Wenn sich eine Person bewegt, entsteht für alle anderen ein Ungleichgewicht15. Aus diesem Grund ist eine ganzheitliche, end-to-end-Optimierung besser als der Versuch, Symptome isoliert zu behandeln.
Lokads Standpunkt
Der Wert der Prognose hinzugefügt nimmt eine schlechte Idee (kollaborative Prognose) und macht sie anspruchsvoll, indem sie die schlechte Idee in Schichten unnötiger Software kleidet und Ressourcen verschwendet, die besser für alternative Zwecke verwendet werden könnten.
Eine anspruchsvollere Strategie wäre es, über das gesamte Konzept der Prognosegenauigkeit hinauszublicken und stattdessen eine Risikomanagementpolitik zu wählen, die Fehler in Dollar reduziert. In Verbindung mit einem probabilistischen Prognoseansatz bewegt sich diese Denkweise weg von willkürlichen KPIs - wie der Steigerung der Prognosegenauigkeit - und berücksichtigt die Gesamtheit der wirtschaftlichen Treiber, Beschränkungen und potenziellen Störungen in der Lieferkette bei der Bestandsentscheidung. Diese Art von Risiko (und Verschwendung) kann nicht effektiv quantifiziert (und eliminiert) werden durch ein Werkzeug, das einen kollaborativen, zeitlichen Ansatz nutzt, wie es bei der hinzugefügten Prognose der Fall ist.
Darüber hinaus erhöht FVA (wahrscheinlich unbeabsichtigt) die zufällige Komplexität des Prognoseprozesses, indem es die Nachfrageprognose von der Gesamtoptimierung der Lieferkette trennt. Zufällige Komplexität ist synthetisch und entsteht durch die allmähliche Anhäufung unnötigen Rauschens - in der Regel von Menschen verursacht - in einem Prozess. Das Hinzufügen redundanter Phasen und Software zum Prognoseprozess, wie es FVA tut, ist ein typisches Beispiel für zufällige Komplexität und kann das Problem erheblich komplexer machen.
Die Nachfrageprognose ist ein absichtlich komplexes Problem, das heißt, es handelt sich um eine grundsätzlich verwirrende und ressourcenintensive Aufgabe. Diese Komplexität ist eine unveränderliche Eigenschaft des Problems und stellt eine viel beunruhigendere Herausforderung dar als zufällig komplexe Probleme. Aus diesem Grund ist es am besten, Versuche zur Lösung zu vermeiden, die das Problem vereinfachen und grundlegend missverstehen16. Um die medizinische Rhetorik der FVA-Literatur zu wiederholen, besteht hier der Unterschied zwischen der Heilung einer zugrunde liegenden Krankheit und der ständigen Behandlung von Symptomen, wenn sie auftreten17.
Kurz gesagt, FVA existiert im Spannungsfeld zwischen modernster Lieferketten-Theorie und dem Bewusstsein der Öffentlichkeit dafür. Eine größere Bildung über die zugrunde liegenden Ursachen der Nachfrageunsicherheit - und ihre Wurzeln in der sich entwickelnden Lieferketten-Disziplin - wird empfohlen.
Anmerkungen
-
Forecast Value Added und Forecast Value Add werden verwendet, um auf dasselbe Prognoseanalysewerkzeug zu verweisen. Obwohl beide Begriffe weit verbreitet sind, gibt es in Nordamerika eine vernachlässigbare Präferenz für den letzteren (laut Google Trends). Michael Gilliland bezeichnete es jedoch ausdrücklich als Forecast Value Added in The Business Forecasting Deal - dem Buch (und Autor), das in Diskussionen über FVA am häufigsten zitiert wird. ↩︎
-
Gilliland, M. (2010). The Business Forecasting Deal, Wiley. ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
-
Gilliland, M. (2015). Forecast Value Added Analysis: Step by Step, SAS. ↩︎ ↩︎ ↩︎
-
Chybalski, F. (2017). Forecast value added (FVA) analysis as a means to improve the efficiency of a forecasting process, Operations Research and Decisions. ↩︎ ↩︎
-
Das Modelltableau wurde von Schubert, S. & Rickard, R. (2011) aus Using forecast value added analysis for data-driven forecasting improvement übernommen. Der stairstep-Bericht erscheint auch in Gillilands The Business Deal. ↩︎
-
John entschied sich für “Alles, was du brauchst, sind Äpfel” anstelle des etwas ausführlicheren “Wir können es herausfinden…mit Äpfeln”. ↩︎
-
Im vorliegenden Kontext ist Delta ein Maß dafür, wie viel Fehler in der Prognose durch jedes Mitglied des Prognoseprozesses eingeführt wurde. Diese Verwendung des Begriffs unterscheidet sich geringfügig von Delta im Optionshandel, das die Rate der Veränderung des Preises einer Option im Verhältnis zum Preis eines Basiswerts misst. Beide sind insgesamt Ausdrücke für Volatilität, aber der Teufel steckt im Detail. ↩︎
-
Der Leser ist eingeladen, die Prognose der Apfeldemande durch die Prognose der Nachfrage nach einem großen globalen Netzwerk von Geschäften, sowohl online als auch offline, zu ersetzen, die alle einen Katalog mit 50.000 SKUs besitzen. Die Schwierigkeit nimmt erwartungsgemäß exponentiell zu. ↩︎
-
Die Spyros Makridakis Prognosewettbewerbe, umgangssprachlich als M-Wettbewerbe bekannt, laufen seit 1982 und gelten als die wichtigste Autorität für cutting- (und gelegentlich bleeding-) edge Prognosemethoden. ↩︎
-
Makridakis, S., Spiliotis, E., & Assimakopolos, V., (2022). M5 Accuracy Competition: Results, Findings, and Conclusions. Es sei darauf hingewiesen, dass nicht alle 50 besten Methoden auf ML basierten. Es gab eine bemerkenswerte Ausnahme… Lokad. ↩︎ ↩︎
-
Die Arbeit (sowohl einzeln als auch gemeinsam) von Daniel Kahneman, Amos Tversky und Paul Slovic ist ein seltenes Beispiel für wissenschaftliche Forschung, die breite Anerkennung findet. Kahnemans 2011 erschienenes Werk Schnelles Denken, langsames Denken - das einen Großteil seiner 2002 mit dem Nobelpreis ausgezeichneten Forschung behandelt - ist ein Leitfaden in der populärwissenschaftlichen Literatur und behandelt Entscheidungsfehler in einem Umfang, der über den Rahmen dieses Artikels hinausgeht. ↩︎
-
Karelse, J. (2022), Histories of the Future, Forbes Books. Karelse widmet ein ganzes Kapitel der Diskussion kognitiver Verzerrungen im Kontext der Prognose. ↩︎
-
Dies ist ein nicht trivialer Punkt. Abteilungen haben in der Regel KPIs, die sie erreichen müssen, und die Versuchung, Prognosen zu manipulieren, um ihren eigenen Bedürfnissen gerecht zu werden, ist verständlich und absehbar (wortwörtlich beabsichtigt). Vandeput (2021, zuvor zitiert) stellt fest, dass das Top-Management - die letzte Station auf dem FVA-Karussell - die Prognose bewusst verzerren kann, um Aktionäre und/oder Vorstandsmitglieder zufriedenzustellen. ↩︎
-
Diese Analogie stammt von der Psychologin Carol Gilligan. Gilligan verwendete sie ursprünglich im Zusammenhang mit der moralischen Entwicklung von Kindern und dem Zusammenhang menschlichen Handelns. ↩︎
-
Es lohnt sich hier eine Flagge zu setzen. Lösung(en) ist in Bezug auf intentionale Komplexität etwas irreführend. Tradeoff(s) - in besserer oder schlechterer Ausführung - würde das delikate Balanceakt besser widerspiegeln, der mit der Bewältigung von absichtlich komplexen Problemen verbunden ist. Man kann ein Problem, bei dem zwei oder mehr Werte in völligem Widerspruch stehen, nicht wirklich lösen. Ein Beispiel ist der Konflikt zwischen Kostensenkung und Erreichung höherer Servicelevel. Angesichts der irreduziblen Unsicherheit der Zukunft gibt es keine Möglichkeit, die Nachfrage mit 100%iger Genauigkeit vorherzusagen. Man kann jedoch ein 100%iges Servicelevel erreichen - wenn das der wichtigste Geschäftsanliegen ist - indem man weit mehr Bestände bevorratet, als man jemals verkaufen könnte. Dies würde zu enormen Verlusten führen, daher akzeptieren Unternehmen implizit oder explizit, dass es einen unvermeidlichen Tradeoff zwischen Ressourcen und Servicelevel gibt. Der Begriff “Lösung” rahmt das Problem falsch als etwas, das gelöst werden kann, anstatt es abzuschwächen. Lesen Sie Thomas Sowells Grundlagen der Wirtschaft für eine eingehende Analyse des Tauziehens zwischen konkurrierenden Tradeoffs. ↩︎
-
In The Business Forecasting Deal vergleicht Gilliland FVA mit einer Arzneimittelstudie, bei der naive Prognosen als Placebo wirken. ↩︎