00:00:09 Nicolas Vandeputs Einführung und Hintergrund.
00:01:21 Nicolas’ Buch: Datenwissenschaft für Supply Chain Prognose.
00:03:29 Fortschritte in Open-Source-Statistik-Toolkits.
00:05:36 Leichtigkeit der Erprobung moderner Prognosewerkzeuge.
00:06:17 Der breite Einfluss von Open-Source-Software in der Industrie.
00:08:03 Einsatz von Python und R in der Datenwissenschaft.
00:10:35 Einfluss von Open-Source-Tools auf Anbieter.
00:13:22 Rolle der Anbieter in Prognoselösungen.
00:14:26 Anwendung von Theorie in Produktionsumgebungen.
00:15:38 Übergang in den Produktionsbetrieb: Datenherausforderungen.
00:16:29 Umgang mit supply chain-Datenproblemen.
00:18:05 Datenkonsolidierung für bessere Entscheidungen.
00:19:56 Notwendigkeit einer Datenkultur in supply chain.
00:22:14 Ausbildung für ein besseres supply chain management.
00:24:01 Optimierungsregel und Bedeutung des Messens.
00:24:15 Nachteile von Open-Source in supply chain.
00:25:37 Zukünftige Rolle von Lokad und der Wert von Spezialisten.
00:28:34 Herausforderungen der Weiterentwicklung von Python und Open-Source.
00:31:37 Förderung einfacher Anfänge in der Datenwissenschaft.
Zusammenfassung
Nicolas Vandeput und Joannes Vermorel diskutieren die transformative Rolle der Datenwissenschaft in der supply chain Prognose. Vermorel hebt Lokads Fokus hervor, eine analytische Überlagerung für supply chain decision-making bereitzustellen, und geht dabei auf die Herausforderungen schnell entwickelnder Open-Source-Toolkits ein. Vandeput versichert, dass sein Buch die Komplexitäten der Datenwissenschaft und des machine learning für supply chain Prognose vereinfacht und die Leser ermutigt, mit einfachen Modellen zu beginnen und nach und nach Komplexität hinzuzufügen. Beide sind sich einig über die Bedeutung kontinuierlichen Lernens und Anpassens in diesem schnelllebigen Feld. Vandeput hofft, dass sein Buch die Leser befähigt, Datenwissenschaft selbstbewusst in ihren supply chain operations anzuwenden und damit eine neue Ära quantitativer, datengesteuerter Entscheidungsfindung einzuläuten.
Erweiterte Zusammenfassung
Im Interview stellt der Moderator Kieran Chandler Nicolas Vandeput vor, einen supply chain scientist mit großem Interesse an Bildung, sowie Joannes Vermorel, den Gründer von Lokad. Die Diskussion dreht sich hauptsächlich um Vandeputs neu erschienenes Buch, “Datenwissenschaft für Supply Chain Prognose.”
Vandeput beginnt, indem er seine Leidenschaft für Lernen und Lehren hervorhebt, die ihn dazu veranlasst hat, sein Buch zu schreiben. Er äußert seine Faszination für das aufstrebende Feld der Datenwissenschaft und deren potenzielle Anwendungen im supply chain management, das er als einen einzigartigen und komplexen Geschäftsbereich identifiziert, der enorm von modernen, datengesteuerten Techniken profitieren kann. Er betont, dass sein Buch diese Erkenntnisse zusammenfasst und sich darauf konzentriert, wie Datenwissenschaft genutzt werden kann, um die Prognose im supply chain-Sektor zu verbessern.
Vandeput erklärt, dass traditionell die supply chain Prognose vorwiegend auf dem basierte, was er als “old school statistics” bezeichnet. Mit dem Aufkommen und der Weiterentwicklung der Datenwissenschaft sind jedoch neue Wege entstanden, Daten zu verarbeiten und zu interpretieren. Sein Buch hat zum Ziel, Fachleute auf diese neue Ära vorzubereiten, indem es ihnen ermöglicht, Datenwissenschaft zu nutzen, um ihre supply chain Prognosen zu verbessern.
Vermorel fügt seine Perspektive hinzu und betont, dass er Vandeputs Buch als äußerst wertvoll empfand, insbesondere für supply chain Manager, die noch nicht auf Datenwissenschaft zurückgegriffen haben. Er schlägt vor, dass Manager sich mit dem Buch vertraut machen und ihre Teams ermutigen sollten, dasselbe zu tun.
Vermorel vertieft die Diskussion, indem er auf die bedeutenden Fortschritte bei Open-Source-Statistik-Toolkits im vergangenen Jahrzehnt hinweist. Er erinnert daran, dass diese Toolkits vor etwa zehn Jahren, obwohl sie leicht verfügbar waren, hauptsächlich für Forscher entwickelt wurden und aufgrund ihrer Komplexität und fehlender benutzerfreundlicher Dokumentation nicht produktionsreif waren.
Er stellt jedoch fest, dass mit dem Aufstieg der Datenwissenschaft in den letzten fünf bis zehn Jahren ein Wandel stattgefunden hat. Viele Universitätsprofessoren begannen, der Benutzerfreundlichkeit dieser statistischen Pakete Beachtung zu schenken, um sicherzustellen, dass sie für ihre Studenten zugänglich sind. Dies hat zu einer Verbesserung der Dokumentationsqualität, zu einer Konsistenz der Terminologie über verschiedene Pakete hinweg und zu einem Fokus auf bewährte, breit anwendbare Techniken geführt.
Vermorel schließt seine Ausführungen, indem er die Bemühungen der Open-Source-Community in Zusammenarbeit mit der Wissenschaft anerkennt, die eine Reihe von hochwertigen, zugänglichen und benutzerfreundlichen Statistikpaketen hervorgebracht haben, die nun Fachleuten in verschiedenen Branchen, einschließlich des supply chain management, zur Verfügung stehen. Dies unterstreicht die wachsende Bedeutung der Datenwissenschaft in der zeitgenössischen Geschäftspraxis.
Vandeput bemerkte, dass das Buch es jedem ermöglicht, der über einen Laptop und freie Software verfügt, anspruchsvolle Prognosen zu erstellen. Die leichte Verfügbarkeit von Open-Source-Tools erlaubt es den Nutzern, zu experimentieren und ihre Prognosemodelle für ihre spezifischen Bedürfnisse zu optimieren – etwas, das in der Vergangenheit weitaus herausfordernder gewesen wäre.
Das Gespräch verlagerte sich anschließend auf die breiteren Auswirkungen von Open-Source-Software. Vermorel betonte, dass nahezu alle moderne Software von Open-Source-Programmierung beeinflusst ist, wobei Cloud-Computing-Anbieter stark auf Open-Source-Plattformen wie Linux setzen. Lokad selbst, so enthüllte er, verwendet in seinen Operationen zu 90% Open-Source-Software. Der entscheidende, spielverändernde Aspekt moderner Open-Source-Software ist dabei nicht nur deren Zugänglichkeit, sondern auch die Qualität der Aufbereitung und Dokumentation.
Vandeput betonte, dass es heute einfacher ist, in Python oder R zu programmieren als in älteren Frameworks wie VBA oder Excel-Makros. Dieser einfache Zugang und die Benutzerfreundlichkeit, so erklärte er, sind zentrale Botschaften seines Buches. Auf die Frage, ob dieser Wandel hin zu Open-Source-Software ihn verunsichert, antwortete Vermorel, dass dies zwar eine Herausforderung für Anbieter darstelle, ihren Wert zu demonstrieren, aber gleichzeitig auch als Ermöglicher fungiere.
Vermorel merkte an, dass ein Anbieter, dessen einziger Wert in der Implementierung eines halbkomplexen Prognosemodells bestünde, Schwierigkeiten hätte, mit dem Open-Source-Ökosystem zu konkurrieren. Der eigentliche Mehrwert liege, so vermutete er, darin, vollumfängliche, produktionsreife Lösungen für supply chain Herausforderungen bereitzustellen, die mehr beinhalten als nur genaue Prognosen.
Der Moderator Kieran Chandler stellt anschließend Joannes Vermorel eine Frage zum Übergang in den Produktionsbetrieb und zu den möglichen Herausforderungen. Vermorel betont die Bedeutung qualitativ hochwertiger Daten und weist darauf hin, dass ohne diese jeder datengesteuerte Prozess zu ‘garbage in, garbage out’ führen kann. Diese Sorge um die Datenqualität erstreckt sich auch auf Bereiche, die in supply chains oft übersehen werden, wie beispielsweise Daten zu Promotions und stock outs. Er argumentiert, dass das Verständnis der Modelle, die diese Daten nutzen, supply chain Fachleuten helfen kann, sich dieser vernachlässigten Bereiche bewusster zu werden.
Vermorel räumt jedoch auch ein, dass das primäre Ziel einer supply chain nicht darin besteht, eine genaue historische Datenbank zu erstellen; dies ist ein sekundäres Ziel. Lokad unterstützt Kunden dabei, den Übergang zu einer qualitativ hochwertigen Datenkonsolidierung zu beschleunigen, möglicherweise über mehrere Standorte und Systeme hinweg. Das Verständnis, wie diese Daten genutzt werden können, ist wichtig. Darüber hinaus hilft Lokad, diese Prognosen in supply chain Entscheidungen umzusetzen und so den Nutzen der Prognosen in konkrete Maßnahmen zu überführen.
Das Gespräch wendet sich dann dem Mangel an Datenkultur und einem unzureichenden Verständnis für machine learning im supply chain Sektor zu. Vandeput schlägt vor, dass dies ein erhebliches Hindernis für viele Unternehmen darstellt. Oftmals verzögern sich supply chain Projekte aufgrund unzureichender Daten oder eines Missverständnisses darüber, was machine learning leisten kann. Dies führt zu einer Diskussion über die Notwendigkeit, diese Kultur zu ändern und der Bedeutung korrekter Daten mehr Gewicht beizumessen.
Vermorel schlägt vor, dass Bildung der Weg nach vorn sei, und verweist auf seine und Vandeputs Bemühungen, den Markt durch ihre jeweiligen Bücher und andere veröffentlichte Materialien zu evangelisieren. Er hofft, eine neue Welle von supply chain Praktikern zu sehen, die sich dem Feld mit einer quantitativen, ingenieurwissenschaftlichen Denkweise nähern.
Joannes Vermorel betont die Unternehmensvision, eine analytische Überlagerung für supply chain Entscheidungsfindung bereitzustellen, anstatt als ein ERP oder inventory movement Repository zu fungieren. Er spricht auch über die Risiken des sich schnell entwickelnden Python-Ökosystems, einschließlich der Herausforderung, modernste Toolkits aufrechtzuerhalten. Nicolas Vandeput versichert seinerseits, dass Datenwissenschaft und machine learning in der supply chain Prognose nicht übermäßig komplex sind. Sein Buch zielt darauf ab, die Leser anzuleiten, mit einfachen Modellen zu beginnen und allmählich Komplexität hinzuzufügen. Beide Sprecher betonen die Notwendigkeit kontinuierlichen Lernens und Anpassens, wobei Vandeput die Hoffnung ausdrückt, dass die Leser Vertrauen in ihre Fähigkeit gewinnen, Datenwissenschaft in supply chain Kontexten anzuwenden.
Vollständiges Transkript
Kieran Chandler: Hallo, diese Woche bei Lokad TV begrüßen wir Nicolas Vandeput, einen supply chain scientist, der sich auf die Nachfrageprognose spezialisiert hat. Neben seinem starken technischen Hintergrund im Management einer multinationalen supply chain hat Nicolas auch ein großes Interesse an Bildung. Er hat als Dozent an der Universität Brüssel gearbeitet und hat gerade sein Buch mit dem Titel “Datenwissenschaft für Supply Chain Forecasts” veröffentlicht. Also, Nicolas, vielen Dank, dass du heute hier bist. Wie immer ist es wirklich schön, ein wenig über unsere Gäste zu erfahren. Vielleicht könntest du damit beginnen, ein wenig über dich zu erzählen und uns zu erklären, wie du in die Welt der supply chains involviert wurdest.
Nicolas Vandeput: Ja, wie du gesagt hast, bin ich jemand, der sich sehr für Bildung und Lernen interessiert. Ich verbringe meine Zeit gerne damit, Bücher, Artikel zu lesen und Blogs online zu durchstöbern. Ich hatte die Gelegenheit, viel zu lernen, und jetzt bin ich überaus glücklich, dieses Wissen anwenden zu können. Irgendwann verspürte ich das Bedürfnis, das, was ich gelernt hatte, zu teilen, und schrieb deshalb ein Buch, um dieses neue Feld der Datenwissenschaft zusammenzufassen. Ich denke, das ist wirklich etwas Neues, und es ist zudem einzigartig, dies auf supply chain anzuwenden, da es ein spezifisches Thema ist. Menschen nutzen Datenwissenschaft für Online-Marketing, aber supply chain ist ein anderes Thema, weshalb ich mir die Zeit genommen habe, beide zusammenzubringen.
Kieran Chandler: Also, das Buch heißt “Data Science for Supply Chain Forecasts.” Es ist ein ziemlicher Zungenbrecher, aber worum geht es?
Nicolas Vandeput: Es heißt genau so wie der Titel: Es geht um supply chain und darum, wie man Datenwissenschaft anwendet, um Prognosen im Rahmen der supply chain zu erstellen. Früher nutzten die Leute das, was ich gerne als “old school statistics” bezeichne, was mit vielen unterschiedlichen Fragestellungen einherging. Jetzt, da wir in eine neue Welt der Datenwissenschaft eingetreten sind, bleiben einige Fragen bestehen, aber es entstehen auch neue. Wir müssen neue Wege finden, mit Daten umzugehen, und dieses Buch bereitet die Menschen auf dieses neue Zeitalter vor.
Kieran Chandler: Wie immer sind wir begleitet von Joannes Vermorel, dem Gründer von Lokad. Joannes, du hattest einen ersten Blick in das Buch. Wie ist deine Meinung dazu?
Joannes Vermorel: Ja, ich hatte einen ersten Blick und die Gelegenheit, das Manuskript zu begutachten. Es ist sehr gut. Ich empfehle supply chain Managern, die niemanden mit data science Expertise in ihrem Team haben, sich ein Exemplar zu besorgen und zumindest die ersten Kapitel zu lesen. Anschließend sollten einige andere Personen in deinem Team die weiteren Kapitel lesen und vielleicht entsprechend handeln. Sehr interessant ist der fantastische Fortschritt bei open source Statistik-Toolkits. Bis vor etwa 10 Jahren wurden sie hauptsächlich von Forschern genutzt, um Dinge anderen Forschern zu demonstrieren. Der Code war vorhanden, aber er war chaotisch, forschungsorientiert, nicht produktionsreif, und die Dokumentation war oft nicht vorhanden.
Was sich in den letzten fünf bis zehn Jahren wirklich verändert hat, ist, dass mit dem Aufkommen der Datenwissenschaft viele Universitätsprofessoren begannen, auf die Qualität der statistischen Pakete zu achten. Sie hatten zum Ziel, diese für ihre Studenten zugänglich zu machen, indem sie eine einwandfreie Dokumentation, eine konsistente Terminologie über die Pakete hinweg und einen Fokus auf bewährte Methoden, die in einer Vielzahl von Situationen funktionieren, sicherstellten. Die Open-Source-Community hat mit Hilfe der Akademiker eine Reihe von Open-Source-Paketen entwickelt, die von den Bedürfnissen der Nutzer getrieben waren.
Kieran Chandler: Joannes, kannst du uns mehr über Nicolas’ neues Buch “Datenwissenschaft für Supply Chain Prognose” erzählen?
Joannes Vermorel: In diesem Buch nimmt Nicolas die guten Seiten von Python und die relevantesten Pakete, um zu demonstrieren, wie man mit minimalem Aufwand nahezu state-of-the-art Prognosen erzielen kann, was sehr beeindruckend ist.
Kieran Chandler: Nicolas, was hat sich in der Open-Source-Community verändert, das die Qualität dessen verbessert hat, was es dort gab?
Nicolas Vandeput: Ich denke, es ist eine Frage, wie einfach es ist, eine Prognose zu erstellen. Vor zehn Jahren wäre das ein Chaos gewesen, und dieses Buch wäre nicht möglich gewesen. Es wäre an extrem motivierte Fachleute gerichtet gewesen. Aber heute kann es jeder Fachmann mit ein wenig Neugier und Leidenschaft tun. Es ist ziemlich einfach; man braucht nur einen eigenen Laptop mit freier Software, und man kann mit einer wirklich einfachen Sprache beginnen. Vor einigen Jahren wäre das nicht möglich gewesen. Es wäre komplizierter gewesen. Jetzt hat man die Möglichkeit, etwas eigenständig und kostenlos zu testen, und von dort aus kann man experimentieren. Da es so einfach ist zu experimentieren, kann man mehr Experimente durchführen und dann die Prognose, den Code und die Datenwissenschaft optimal an den konkreten Fall anpassen. Früher wäre das nicht möglich gewesen.
Kieran Chandler: Joannes, es ist nicht nur die Welt der Prognosen, die von Open-Source-Software profitiert. Hast du Beispiele für andere Branchen, die wirklich davon profitiert haben, dass Open-Source-Toolkits verfügbar sind?
Joannes Vermorel: Die Open-Source-Bewegung ist unglaublich weitreichend, sodass nahezu die gesamte Softwarewelt heutzutage von Open Source beeinflusst wird. Alle großen Cloud-Computing-Anbieter betreiben ihre eigenen Clouds basierend auf Linux, und selbst bei Lokad sind 90% der von uns verwendeten Software Open Source. Sogar Microsoft, das wir verwenden, nutzt viel Linux auf Azure. Das .NET-Framework selbst ist Open Source, und das deep learning Toolkit, das wir verwenden, der CNTK, ist ebenfalls ein Microsoft Open-Source-Produkt. Bei Lokad veröffentlichen wir auch einige Komponenten als Open Source. Diese Bewegung hält seit mehreren Jahrzehnten an.
Was interessant und für Forecasting und supply chain relevant ist, ist nicht nur die Tatsache, dass Software Open Source ist, sondern dass man gut verpackte und gut dokumentierte Open-Source-Komponenten hat. Das verändert das Spiel völlig. Es bedeutet den Unterschied zwischen dem Einstieg mit etwas Einfachem, wie einer linearen Regression in 20 klaren Codezeilen, und dem Bedarf von 200 Codezeilen sowie einem Monat, um alle Softwarebestandteile zusammenzubringen, nur um etwas zu haben, das überhaupt kompiliert. Früher hatte man inkompatiblen Code, der beim Zusammenführen abstürzte, und man benötigte einen Monat an mühseligen Verbindungen, nur um etwas, das von jemand anderem veröffentlicht wurde, zum Laufen zu bringen. Jetzt nimmt die Einrichtung der gesamten Python-Umgebung für Data Science nur ein paar Seiten im Buch in Anspruch. Man installiert einfach Anaconda, und fertig.
Kieran Chandler: Joannes, könntest du uns etwas über das Linux-Subsystem unter Windows erzählen und wie es den einfachen Zugang zu diesen Werkzeugen beeinflusst?
Joannes Vermorel: Das Linux-Subsystem unter Windows ermöglicht es diesen Werkzeugen, mit nahezu jeder Linux-Variante zu funktionieren und selbst auf Windows-Systemen. Das Buch zeigt den einfachen Zugang zu diesen Werkzeugen, der sich dank Open Source und produktionsreifen Paketen erheblich verändert hat.
Nicolas Vandeput: Ich möchte hinzufügen, dass ich im Buch Fachleute bespreche, die sich früher auf VBA und Excel-Makros verlassen haben. Das erschien mir immer komplex und fehleranfällig. Wenn man vorschlägt, Python oder eine andere Sprache zu verwenden, denken die Leute oft, es sei zu komplex. Meine Botschaft im Buch ist jedoch, dass es tatsächlich viel einfacher ist, offene Frameworks wie Python oder R zu nutzen als VBA oder Excel-Makros.
Kieran Chandler: Joannes, machen dich all diese einfach zu bedienenden Open-Source-Prognosetools als Anbieter von Unternehmenssoftware wie Lokad nervös?
Joannes Vermorel: Als Anbieter von Unternehmenssoftware sind wir Teil des Ökosystems und auch ein Ermöglicher. Wir nutzen diese Open-Source-Tools ebenfalls, sodass wir nicht alles neu aufbauen müssen. Die Herausforderung besteht darin, unseren Mehrwert zu finden. Wenn dein Mehrwert nur darin besteht, halb komplizierte Forecasting-Modelle zu implementieren, dann hast du keinen echten Mehrwert gegenüber dem Ökosystem. Das Buch zeigt, dass Anbieter, die ein Toolkit mit ein paar Forecasting-Modellen verkaufen, im Vergleich zu den populären Python-Bibliotheken nicht viel Wert bieten. Dennoch besteht Potenzial darin, produktionsreife Lösungen anzubieten und supply chain Herausforderungen in großem Maßstab zu bewältigen, was ein Ziel von Lokad ist.
Nicolas Vandeput: Ich stimme Joannes zu. Viele Fachleute und Studenten in der supply chain Welt betrachten maschinelles Lernen noch immer als ein Schlagwort oder etwas, das nicht von Dauer sein wird. In Wirklichkeit ist es gekommen, um zu bleiben. Wenn du mein Buch liest und dir die Zeit nimmst, dich damit auseinanderzusetzen, wirst du sehen, wie nützlich und zugänglich es für supply chain Optimierung sein kann.
Kieran Chandler: Wenn man das Buch liest, ist man viel besser darauf vorbereitet, eine Lösung wie Lokad zu erhalten, die einen Schritt weitergehen kann. Wie du gesagt hast, kann es die gesamte Lösung End-to-End zum Laufen bringen. Natürlich benötigt man, um eine Prognose in einer Super-Agent-Umgebung auszuführen, auch einen kompletten Prüfprozess mit Personen und so weiter. Die Befüllung der Zahlen in der Prognose ist also nur ein Schritt im gesamten Prozess. Kannst du darüber sprechen, wie die Ideen im Buch umgesetzt werden können?
Nicolas Vandeput: Das Ziel des Buches ist es, genau diesen spezifischen Schritt zu erörtern. Nur weil du das Buch liest, heißt das nicht, dass du es selbst machen musst. Du kannst auch zu anderen Anbietern wie Lokad gehen, um zu verstehen: “Ich habe das im Buch gelesen, wie funktioniert das bei euch? Wie können wir das umsetzen? Ich habe diese Idee, würde sie funktionieren? Können wir es testen?” Dann beginnst du zu verstehen, was Softwareanbieter wie Lokad wirklich tun.
Kieran Chandler: Viele dieser Ideen wurden aus einer theoretischen Perspektive entwickelt. Können sie in einer produktionsreifen Weise angewendet werden?
Nicolas Vandeput: Ja, absolut. Diese neuen Forecasting-Methoden gibt es schon sehr lange. Ich meine, die Theorie der neuronalen Netze wurde erstmals in den 60er Jahren veröffentlicht, und die erste Methode im Buch stammt ebenfalls aus den 60ern. Wir fangen erst heute an, sie in einer Vorhersageumgebung zu nutzen, weil es einfacher geworden ist, sie auszuführen. Vor vielleicht zehn Jahren war das nicht der Fall, und heute sind die Menschen sich dessen bewusster. Sicherlich kannst du das verwenden. Was mit Data Science wirklich spannend ist – und das ist einer der großen Zwecke des Buches – ist, dass es tatsächlich Wissenschaft ist. Du kannst es testen, Experimente durchführen und es immer wieder anhand von Daten prüfen. Deshalb wird es Data Science genannt. Du kannst dir selbst beweisen: “Funktioniert es? Ja oder nein?” Es mag nicht funktionieren, aber dann kannst du denken: “Ich werde ein neues Experiment entwerfen, neue Aspekte berücksichtigen oder Dinge entfernen, die ich nicht benötige, um zu sehen, ob es besser funktioniert.” Es ist also wirklich eine Wissenschaft, in der du belegen kannst, dass deine Prognose besser wird, und du fängst erst danach an, sie einzusetzen.
Kieran Chandler: Also kann es als ein weiterer Proof of Concept verwendet werden, bevor man sich an jemanden wie Lokad wendet und sagt: “Joannes, wenn wir darüber sprechen, auf eine Produktionsbasis umzusteigen und es täglich zu nutzen, welche Herausforderungen könnten dabei auftreten? Und wobei kann Lokad wirklich im Hinblick auf diesen kompletten Prozess helfen?”
Joannes Vermorel: Zuerst braucht man gute Daten. Wenn du keine qualitativ hochwertigen Daten hast, erhältst du am Ende Garbage in, Garbage out. Das Interessante an diesem Buch ist, dass es supply chain Leuten einen Vorgeschmack darauf gibt, was die Modelle tun, welche Arten von Dingen sie nutzen können, und ihnen ein besseres Verständnis dafür vermittelt, warum sie jetzt anfangen müssen, auf eine ganze Reihe von Grauzonen in supply chains, wie zum Beispiel Aktionen, zu achten. Typischerweise sind die Daten zu Aktionen ein komplettes Chaos. Gleiches gilt für Lagerbestandsengpässe. Häufig gibt es keine ordentlichen historischen Daten, die alle Lagerbestandsengpässe widerspiegeln, sodass man nicht weiß, ob es null Verkäufe gab, weil es keine Nachfrage gab oder weil das Produkt nicht verfügbar war.
Wenn man also mit der Art von Modell, das die Daten ausnutzen kann, vertrauter wird, kann man eher erkennen, ob der bestehende Prozess angemessen ist. Das primäre Ziel einer supply chain ist es, den Warenfluss in Bewegung zu halten.
Kieran Chandler: Also, das primäre Ziel einer supply chain ist es, eine genaue historische Datenbank zusammenzustellen. Das ist das erste Ziel. Das zweite Ziel besteht darin, allen gerecht zu werden, die Produktion am Laufen zu halten und die Kundenzufriedenheit sicherzustellen. Allerdings ist die Umsetzung des zweiten Ziels oft nicht so qualitativ hochwertig wie die des ersten Ziels. Um diesen Übergang zu beschleunigen und eine skalierbare Datenkonsolidierung an mehreren Standorten zu erreichen, müssen wir unseren Horizont erweitern. Joannes, könntest du das näher erläutern?
Joannes Vermorel: Wenn wir mit Kunden zusammenarbeiten, stoßen wir oft auf die Herausforderung der Datenkonsolidierung und -ausführung. Viele Kunden wissen nicht, dass fortgeschrittene numerische Methoden auf Forecasts angewendet werden können, um bessere Entscheidungen zu treffen. Das Lesen des Buches über Data Science kann deinen Horizont erweitern und Einblicke darin geben, wie die supply chain effizienter umgesetzt werden kann. Es hilft dir, das Gesamtbild vor und nach der Prognose zu erkennen, von der Produktion bis hin zur Nutzung der Forecasts für intelligentere Entscheidungen.
Nicolas Vandeput: Supply chain-Führungskräften fehlen zwei entscheidende Elemente, um verwertbare Erkenntnisse aus Data Science und maschinellem Lernen zu gewinnen. Das erste ist eine Datenkultur, die in etwa 99 % der Unternehmen weltweit fehlt. Viele Unternehmen kämpfen noch mit unübersichtlichen Tabellenkalkulationen und erkennen nicht die Bedeutung korrekter Daten. Dieses Buch soll zeigen, dass man mit angemessenen Daten echte Wissenschaft, genaue Forecasts und effektive Experimente erreichen kann. Ohne Daten verzögern sich viele Projekte, wie auch Journalisten bestätigen können. Das zweite Element ist der Mangel an Talent und Verständnis für maschinelles Lernen und Data Science im supply chain Management. Wir müssen diese Kultur verändern und das Bewusstsein für den Wert von Daten schärfen.
Kieran Chandler: Absolut, korrekte Daten zu haben ist entscheidend. Es sollte wie ein Gebot sein: “Reinige deine Daten.” Aber wie können wir diesen Kulturwandel herbeiführen? Wie können wir den Markt belehren und die Bedeutung der richtigen Daten hervorheben?
Joannes Vermorel: Nun, scherzhaft könnten wir einen Kult gründen, in dem bessere Daten verpflichtend sind, wie ein heiliges Gebot. Aber im Ernst, ich glaube, dass wir das Verständnis und die Bewusstheit fördern müssen. Wir können den Markt aufklären und den Wert von sauberen und genauen Daten stärker in den Vordergrund rücken. Dadurch können wir einen Kulturwandel herbeiführen und sicherstellen, dass korrekte Daten zur obersten Priorität im supply chain Management werden.
Kieran Chandler: Wenn man wenig Bewusstsein dafür hat, was mit Deep Learning möglich ist, und keine Erfahrung damit hat, ist es sehr schwierig, überhaupt den Sinn zu erkennen, oder nicht?
Joannes Vermorel: In der Tat, es ist herausfordernd. Ich denke, ein guter Anfangspunkt ist, sich mit dem Datenaufbereiten zu beschäftigen und nicht völlig in der reinen Technikalität der Aufgabe zu versinken. Es sollte nicht ein ganzes IT-Team erfordern, nur um die Umgebungen einzurichten. Es ist sehr wichtig zu verstehen, was diese Methoden in Gang bringt, was sie funktionieren lässt. Es ist keine Magie.
Die Entmystifizierung davon ist wichtig. Bei Lokad haben wir versucht, den Markt zu belehren. Bildung ist ein Weg nach vorne. Nicolas veröffentlicht ein Buch, was ausgezeichnet ist. Wir haben ebenfalls ein Buch und einige weitere Dinge veröffentlicht, darunter eine umfangreiche Wissensdatenbank auf der Lokad-Website. Aber ja, letztendlich zählt die Bildung.
Was ich sehe, ist eine neue Welle von supply chain Praktikern, die mit einer eher ingenieurmäßigen, quantitativ geprägten Denkweise in das Feld kommen. Man will Zahlen und wiederholbare Prozesse. Führung ist in der supply chain essenziell, da sie viele Menschen, Länder und Standorte umfasst. Aber wenn du Führung ohne irgendeine ingenieurmäßige oder quantitative Denkweise hast, ist es schwer, etwas zu optimieren. Sobald du beginnst, das Wort “optimieren” zu verwenden, gilt die Grundregel der Optimierung: Du kannst nichts optimieren, was du nicht misst. Das führt zu der Frage: Wie misst man? Und dafür braucht man Daten.
Kieran Chandler: Nicolas, wir haben viel über die Vorteile der Verwendung dieser Open-Source-Toolkits gesprochen. Wie sieht es mit einigen Nachteilen aus? Wo siehst du einige negative Aspekte bei der Nutzung dieser Werkzeuge?
Nicolas Vandeput: Wie wir besprochen haben, und ich denke, das ist wirklich wichtig: Die Welt der supply chain dreht sich um viel Interaktion zwischen Produkten, Menschen, verschiedenen Teams und so weiter. Der Prozess des Forecastings ist ein sehr langer Prozess, an dem viele unterschiedliche Stakeholder beteiligt sind. Mein Buch besagt, dass wir in den letzten Jahrzehnten dieselben Techniken verwendet haben. Wenn du in die 80er und 90er zurückblickst, findest du dieselbe Forecasting-Engine wie heute. Also hat sich nichts geändert.
Ich schlage vor, dass wir dieses ganz spezifische Teil ändern können, aber natürlich ist das nicht genug. Der gesamte Prozess muss funktionieren und sich weiterentwickeln. Allein der Einsatz von Python wird einen nicht funktionierenden Prozess nicht lösen. Es wird lediglich die Zahlen der Forecast verbessern, aber du musst immer noch den gesamten Prozess betrachten.
Kieran Chandler: Joannes, du erscheinst sehr zuversichtlich, dass für Lokad immer ein Platz existieren wird. Wie siehst du in Zukunft diesen Platz auf dem Markt tatsächlich?
Joannes Vermorel: Zunächst glaube ich, dass selbst bei reinen Forecasts immer noch Möglichkeiten bestehen, diese zu verbessern. Aber “besser” ist kniffliger denn je. Es ist eine Sache zu sagen, dass man eine bessere Prognose in Bezug auf den mittleren absoluten Fehler hat, aber sobald man in die probabilistische Welt eintritt, ist es ein anderes Spiel.
Wenn du anfängst zu sagen: “Ich möchte die Nachfrage prognostizieren, aber nicht für morgen, sondern auf einem probabilistischen Horizont, das heißt, wenn mein Container ankommt,” dann entsteht eine Nachfrage, die zu einem ungewissen Zeitpunkt in der Zukunft beginnt und an einem anderen ungewissen Zeitpunkt endet. Die Dinge können mit zunehmenden Dimensionen sehr kompliziert werden. Wenn du dann Faktoren wie die Wahrscheinlichkeit einbeziehst, dass mein Wettbewerber seinen Preis senkt, was einen ganz spezifischen Einfluss auf die Form der Nachfrage hätte, siehst du, dass Genauigkeit bei der Forecast nicht eindimensional ist. Es gibt diese ganze Komplexität, die berücksichtigt werden muss.
Kieran Chandler: Plötzlich werden deine Modelle komplex, selbst wenn du sehr gute Open-Source-Toolkits hast. All diese Dinge in einer Weise zusammenzuführen, die fehlerfrei, produktionsreif und skalierbar ist, erfordert immer noch viele weitere Schritte.
Joannes Vermorel: Ja, wenn wir den reinen Forecasting-Aspekt betrachten, glaube ich, dass das ein Ansatz ist. Aber bei Lokad besteht unsere Vision wirklich darin, eine tiefere, End-to-End-analytische Schicht zu haben, um intelligente Entscheidungen für eine gegebene supply chain zu generieren. Wir verwalten keine supply chain Systeme, wir sind kein ERP. Wir wollen nicht das Repository aller Bestandsbewegungen sein. Wir haben zwar eine Kopie dieser Daten, aber wir sind die intelligente analytische Schicht.
Das ist die Vision. Und nochmals, selbst wenn Lokad vollständig aus Open-Source-Tools aufgebaut wäre, liegt immer noch ein Mehrwert darin, all dies zusammenzuführen. Zum Beispiel sind die heutzutage verfügbaren Cloud-Computing-Plattformen ein gigantischer Mix aus Open-Source-Komponenten, aber die Leute bevorzugen Amazon, weil man es selbst machen könnte. Man könnte eine eigene Private Cloud haben, aber es erfordert einen enormen Aufwand, all diese Dinge zusammenzubringen, sodass es irgendwann einen Mehrwert darin gibt, Spezialisten dafür zu haben.
Ein Nachteil, den ich an diesem spezifischen Ecosystem von Python und Open Source sehe, ist, dass es sich so schnell weiterentwickelt. Wenn du es selbst machst, besteht die Gefahr: Du wählst eine Variante von Python und ein Toolkit, und dann, zwei Jahre später, gibt es etwas dramatisch Verbessertes. Plötzlich warst du auf dem neuesten Stand und jetzt bist du es nicht mehr, einfach weil die Welt sich weiterbewegt hat und ein Labor gerade ein neues Toolkit hervorgebracht hat.
Zum Beispiel war Scikit bis vor ein paar Jahren in nahezu allem führend, aber jetzt stellt PyTorch das Ganze komplett in Frage, indem es Deep Learning und differenzierbares Programmieren ins Spiel bringt. Das wirft die Frage auf: Wer ist dafür verantwortlich, das, was Sie vor zwei Jahren implementiert haben, zu überdenken und mit dem aktuellen Trend aufzufrischen? Ein guter Anbieter würde dafür Sorge tragen, dass Ihre Data Science-Lösung routinemäßig überprüft und vermutlich auch regelmäßig neu geschrieben wird, um auf dem neuesten Stand zu bleiben.
Ich weiß nicht, wie lange dieses goldene Zeitalter des Fortschritts in der Data Science noch andauern wird, aber ich wäre nicht überrascht, wenn wir in etwa im nächsten Jahrzehnt alle zwei Jahre einen fantastischen Fortschritt erleben, bei dem der neue Trend so viel besser ist als der vorherige. Es könnte Problemkategorien geben, die anfangs als extrem schwer zu bewältigen erscheinen, die aber dann zugänglich werden.
Nicolas Vandeput: Wenn ich dazu noch etwas hinzufügen darf, finde ich es wirklich interessant, dass Joannes die Komplexität erwähnt hat, mit der Lokad umgehen kann. Ich habe persönlich mit dem Team von Lokad gearbeitet, sodass ich weiß, wozu sie fähig sind. Eine der Botschaften meines Buches – und das ist mir wirklich wichtig – ist es, den Menschen zu vermitteln, dass sie es schaffen können.
Manche Leute haben vielleicht gehört, was Joannes sagt, und denken: “Wow, Data Science und maschinelles Lernen wirken wirklich komplex, vielleicht ist das nichts für mich.” Ich möchte die Menschen aber beruhigen, indem ich sage: “Nein, es ist nicht so komplex. Du kannst mit einem einfachen Modell beginnen.” Und tatsächlich, wie das Buch zeigt, kann man relativ leicht mit einem sehr einfachen Modell starten, das eigentlich schon äußerst leistungsfähig ist. Von dort aus kann man dann Schichten hinzufügen, das System vielleicht ein wenig anpassen, die Daten modifizieren, eventuell ein weiteres Modell einbringen und so weiter. So kannst du also wirklich mit etwas Einfachem beginnen, das bereits sehr gut funktioniert, und von dort aus zu komplexeren Sachverhalten übergehen. Genau diese Botschaft möchte ich im Buch vermitteln: Man kann einfach anfangen und sich dann zu mehr hocharbeiten.
Kieran Chandler: Können Sie uns helfen zu verstehen, wie wir feststellen können, ob ein Modell funktioniert? Können wir es testen? Können wir es reproduzieren? Diese Prinzipien scheinen bei einfachen Modellen zu gelten, aber sobald man sie für ein Basis-Modell versteht, lassen sie sich dann auch auf deutlich komplexere Modelle anwenden?
Nicolas Vandeput: Absolut, ich rate den Menschen eindringlich, mit etwas Einfachem zu beginnen. Sobald man die Grundlagen im Griff hat, kann man zu etwas weitaus Komplexerem übergehen.
Kieran Chandler: Das führt mich ganz elegant zu meiner letzten Frage. Was erhoffen Sie sich für die Leser Ihres Buches und für die zukünftige Nutzung von Open-Source-Toolkits?
Nicolas Vandeput: Meine Vision und in der Tat meine Hoffnung ist, dass die Menschen dieses Buch lesen und Vertrauen in ihre Fähigkeiten gewinnen. Am Ende des Buches möchte ich, dass sie zu sich selbst sagen können: “Ja, das kann ich wirklich. Es sieht gar nicht so komplex aus.” Vielleicht konnten sie vor zwei Wochen noch nicht programmieren, aber bis zum Schluss soll es ihnen ganz einfach erscheinen. Ich möchte, dass diese Menschen anfangen, eigenständig zu experimentieren, die Data Science wirklich zu leben und neue Modelle auszuprobieren. Ich hoffe, dass sie zu den neuen Führungskräften im Supply Chain Management werden. Das ist auch eine der Botschaften von Lokad. Wir befinden uns bereits in einer quantitativen Welt der supply chain, in der man experimentieren und Lösungen implementieren kann, die konstant funktionieren. Um das zu erreichen, braucht man Data Science. Daher hoffe ich wirklich, dass das Buch die Menschen dazu befähigt, dies eigenständig umzusetzen.
Kieran Chandler: Wir müssen es jetzt zum Abschluss bringen, aber danke für Ihre Zeit heute, Nicolas.
Nicolas Vandeput: Danke.
Kieran Chandler: Das Buch “Data Science for Supply Chain Forecast” ist jetzt erhältlich. Schaut es euch unbedingt auf Amazon an. Hier bei Lokad TV sind wir bald wieder mit einer weiteren Episode zurück. Aber bis dahin, danke fürs Zuschauen.
Joannes Vermorel: Danke.
