00:00:09 Einführung und Hintergrund von Nicolas Vandeput.
00:01:21 Nicolas’ Buch: Data Science für die quantitative Supply Chain Prognose.
00:03:29 Fortschritte in Open-Source-Statistik-Toolkits.
00:05:36 Einfachheit der Experimentation mit modernen Prognosewerkzeugen.
00:06:17 Breite Branchenauswirkungen von Open-Source-Software.
00:08:03 Verwendung von Python und R für Data Science.
00:10:35 Auswirkungen von Open-Source-Tools auf Anbieter.
00:13:22 Rolle von Anbietern bei Prognoselösungen.
00:14:26 Anwendung der Theorie in Produktionsumgebungen.
00:15:38 Übergang zur Produktion: Datenherausforderungen.
00:16:29 Umgang mit Datenproblemen in der Supply Chain.
00:18:05 Datenkonsolidierung für bessere Entscheidungen.
00:19:56 Notwendigkeit einer Datenkultur in der Supply Chain.
00:22:14 Bildung für ein besseres Supply Chain Management.
00:24:01 Optimierungsregel und Bedeutung der Messung.
00:24:15 Nachteile von Open Source in der Supply Chain.
00:25:37 Zukünftige Rolle von Lokad und dem Mehrwert von Spezialisten.
00:28:34 Herausforderungen bei der Entwicklung von Python und Open Source.
00:31:37 Förderung einfacher Anfänge in der Data Science.
Zusammenfassung
Nicolas Vandeput und Joannes Vermorel diskutieren die transformative Rolle der Data Science bei der Prognose von Supply Chains. Vermorel betont den Fokus von Lokad auf die Bereitstellung einer analytischen Überlagerung für entscheidungsbasierte Optimierung in der Supply Chain und geht dabei auf die Herausforderungen schnelllebiger Open-Source-Toolkits ein. Vandeput versichert, dass sein Buch die Komplexität von Data Science und Machine Learning für die Prognose von Supply Chains vereinfacht und ermutigt die Leser, mit einfachen Modellen zu beginnen und schrittweise Komplexität hinzuzufügen. Beide sind sich einig über die Bedeutung kontinuierlichen Lernens und Anpassung in diesem schnelllebigen Bereich. Vandeput hofft, dass sein Buch die Leser dazu befähigt, Data Science selbstbewusst in ihren Supply Chain Operations anzuwenden und eine neue Ära der quantitativen, datengetriebenen Entscheidungsfindung einzuläuten.
Erweiterte Zusammenfassung
In dem Interview stellt Kieran Chandler, der Moderator, Nicolas Vandeput, einen Supply Chain Scientist mit großem Interesse an Bildung, und Joannes Vermorel, den Gründer von Lokad, vor. Die Diskussion dreht sich hauptsächlich um Vandeputs neu veröffentlichtes Buch “Data Science für die quantitative Supply Chain Prognose”.
Vandeput betont zunächst seine Leidenschaft für das Lernen und Lehren, die ihn dazu veranlasst hat, sein Buch zu schreiben. Er drückt seine Faszination für das aufstrebende Gebiet der Data Science und seine potenziellen Anwendungen im Supply Chain Management aus, das er als einen einzigartigen und komplexen Bereich des Geschäfts identifiziert, der stark von modernen datengetriebenen Techniken profitieren kann. Er erklärt, dass sein Buch diese Erkenntnisse zusammenfasst und sich darauf konzentriert, wie Data Science genutzt werden kann, um die Prognose in der Supply Chain-Branche zu verbessern.
Vandeput erklärt, dass die Prognose in der Supply Chain traditionell hauptsächlich auf dem basierte, was er “alte Schule” statistische Methoden nennt. Mit dem Aufkommen und der Entwicklung der Data Science sind jedoch neue Möglichkeiten zur Handhabung und Interpretation von Daten entstanden. Sein Buch zielt darauf ab, Fachleute auf diese neue Ära vorzubereiten und sie zu befähigen, Data Science zu nutzen, um ihre Prognosen in der Supply Chain zu verbessern.
Vermorel fügt seine Perspektive hinzu und betont, dass er Vandeputs Buch als äußerst wertvoll empfunden hat, insbesondere für Supply Chain Manager, die noch nicht in die Data Science eingetaucht sind. Er schlägt vor, dass Manager sich mit dem Buch vertraut machen und ihre Teams dazu ermutigen sollten, dasselbe zu tun.
Vermorel erweitert die Diskussion, indem er auf die bedeutenden Fortschritte bei Open-Source-Statistik-Toolkits in den letzten zehn Jahren hinweist. Er erinnert daran, dass solche Toolkits vor etwa zehn Jahren zwar leicht verfügbar waren, aber hauptsächlich für Forscher entwickelt wurden und keine produktionsfähige Qualität aufwiesen, aufgrund ihrer Komplexität und des Mangels an benutzerfreundlicher Dokumentation.
Er stellt jedoch fest, dass mit dem Aufstieg der Data Science in den letzten fünf bis zehn Jahren eine Transformation stattgefunden hat. Viele Universitätsprofessoren haben begonnen, sich mit der Benutzerfreundlichkeit dieser statistischen Pakete zu befassen und sicherzustellen, dass sie für ihre Studenten zugänglich sind. Dies hat zu einer Verbesserung der Dokumentationsqualität, einer Konsistenz in der Terminologie zwischen verschiedenen Paketen und einem Fokus auf mainstream- und weit verbreitete Techniken geführt.
Vermorel schließt seinen Punkt ab, indem er die Bemühungen der Open-Source-Community in Zusammenarbeit mit der Akademie würdigt, eine Reihe hochwertiger, zugänglicher und benutzerfreundlicher statistischer Pakete zu produzieren, die nun Fachleuten in verschiedenen Branchen, einschließlich des Supply Chain Managements, zur Verfügung stehen. Dies unterstreicht die wachsende Bedeutung von Data Science in zeitgenössischen Geschäftspraktiken.
Das Buch, so Vandeput, ermöglicht es jedem mit einem Laptop und kostenloser Software, anspruchsvolle Prognosen zu erstellen. Die leicht verfügbaren Open-Source-Tools ermöglichen es den Benutzern, ihre Prognosemodelle für ihre spezifischen Bedürfnisse zu experimentieren und zu optimieren, was in der Vergangenheit weitaus schwieriger gewesen wäre.
Das Gespräch wechselte dann zu den breiteren Auswirkungen von Open-Source-Software. Vermorel betonte, dass nahezu alle modernen Softwareprogramme von Open-Source-Programmierung beeinflusst werden, wobei Cloud-Computing-Anbieter stark auf Open-Source-Plattformen wie Linux angewiesen sind. Lokad selbst nutzt, wie er enthüllte, zu 90% Open-Source-Software in seinen Betriebsabläufen. Der entscheidende Aspekt moderner Open-Source-Software ist nicht nur ihre Zugänglichkeit, sondern auch die Qualität ihrer Verpackung und Dokumentation.
Vandeput betonte, dass es jetzt einfacher ist, in Python oder R zu programmieren als in älteren Frameworks wie VBA oder Excel-Makros. Diese einfache Zugänglichkeit und Benutzerfreundlichkeit, so sagte er, sind zentrale Botschaften seines Buches. Auf die Frage, ob dieser Wechsel zu Open-Source-Software ihn nervös mache, antwortete Vermorel, dass er zwar eine Herausforderung für Anbieter darstelle, ihren Wert zu demonstrieren, aber auch als Ermöglicher fungiere.
Vermorel stellte fest, dass ein Anbieter, dessen einziger Wert darin besteht, ein halbkompliziertes Prognosemodell zu implementieren, Schwierigkeiten hätte, mit dem Open-Source-Ökosystem zu konkurrieren. Der eigentliche Mehrwert, so schlug er vor, besteht darin, vollständige, produktionsfähige Lösungen für Herausforderungen in der Supply Chain anzubieten, die mehr als nur genaue Prognosen umfassen.
Kieran Chandler, der Moderator, stellt dann Joannes Vermorel eine Frage zur Umstellung auf eine produktionsbasierte Grundlage und den damit verbundenen Herausforderungen. Vermorel betont zunächst die Bedeutung von qualitativ hochwertigen Daten und schlägt vor, dass ohne diese jeder datengetriebene Prozess zu “Müll rein, Müll raus” führen kann. Diese Bedenken hinsichtlich der Datenqualität erstrecken sich auf Bereiche, die in Supply Chains oft übersehen werden, wie Daten zu Promotions und Fehlbeständen. Er argumentiert, dass das Verständnis der Modelle, die diese Daten nutzen, Supply Chain-Experten dazu befähigen kann, sich dieser vernachlässigten Bereiche bewusster zu sein.
Vermorel erkennt jedoch auch an, dass das Hauptziel einer Supply Chain nicht darin besteht, eine genaue historische Datenbank zusammenzustellen; das ist ein sekundäres Ziel. Lokad unterstützt Kunden dabei, den Übergang zur Konsolidierung qualitativ hochwertiger Daten zu beschleunigen, möglicherweise über mehrere Standorte und Systeme hinweg. Es ist wichtig zu verstehen, wie diese Daten genutzt werden können. Darüber hinaus hilft Lokad dabei, diese Prognosen in Supply Chain-Entscheidungen umzusetzen und den Nutzen von Prognosen in die Tat umzusetzen.
Das Gespräch dreht sich dann um das Fehlen einer Datenkultur und des Verständnisses für maschinelles Lernen im Bereich der Supply Chain. Vandeput gibt an, dass dies ein erhebliches Hindernis für viele Unternehmen darstellt. Oft werden Supply Chain-Projekte aufgrund unzureichender Daten oder Missverständnissen darüber, was maschinelles Lernen leisten kann, verzögert. 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 ein Weg nach vorne ist 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 mit einem quantitativen, ingenieurwissenschaftlichen Denkansatz dem Bereich nähern.
Joannes Vermorel betont die Vision des Unternehmens, eine analytische Überlagerung für die Entscheidungsfindung in der Supply Chain bereitzustellen, anstatt als ERP oder Bestandsbewegung zu fungieren. Er diskutiert auch die Risiken des sich schnell entwickelnden Python-Ökosystems, einschließlich der Herausforderung, modernste Toolkits auf dem neuesten Stand zu halten. Nicolas Vandeput versichert wiederum, dass Data Science und maschinelles Lernen in der Prognose von Supply Chains nicht übermäßig komplex sind. Sein Buch zielt darauf ab, Leser dazu zu bringen, mit einfachen Modellen zu beginnen und nach und nach Komplexität hinzuzufügen. Beide Redner betonen die Notwendigkeit kontinuierlichen Lernens und Anpassens, wobei Vandeput die Hoffnung äußert, dass die Leser Vertrauen in ihre Fähigkeit gewinnen werden, Data Science in Supply Chain-Kontexten anzuwenden.
Vollständiges Transkript
Kieran Chandler: Hallo, diese Woche bei Lokad TV haben wir Nicolas Vandeput zu Gast, einen Supply Chain Scientist, der sich auf die Nachfrageprognose spezialisiert hat. Neben seiner starken technischen Hintergrund in der Verwaltung einer multinationalen Supply Chain hat Nicolas auch ein großes Interesse an Bildung. Er hat einige Zeit an der Universität von Brüssel gelehrt und gerade sein Buch mit dem Titel “Data Science für Supply Chain-Prognosen” veröffentlicht. Nicolas, vielen Dank, dass du heute hier bist. Wie immer ist es schön, unsere Gäste ein wenig kennenzulernen. Vielleicht könntest du damit beginnen, ein wenig über dich selbst zu erzählen und uns zu erklären, wie du in die Welt der Supply Chains gekommen bist.
Nicolas Vandeput: Ja, wie du gesagt hast, interessiere ich mich sehr für Bildung und Lernen. Ich verbringe gerne meine Zeit damit, Bücher, Artikel zu lesen und Blogs online zu überprüfen. Ich hatte die Möglichkeit, viel zu lernen, und jetzt bin ich sehr glücklich, dieses Wissen anwenden zu können. Irgendwann hatte ich das Bedürfnis, das Gelernte zu teilen, also habe ich ein Buch geschrieben, um dieses neue Gebiet der Data Science zusammenzufassen. Ich denke, das ist etwas wirklich Neues, und es ist auch einzigartig, das auf die Supply Chain anzuwenden, die ein spezielles Thema ist. Die Leute nutzen Data Science für Online-Marketing, aber die Supply Chain ist ein anderes Thema, also habe ich mir die Zeit genommen, sie zusammenzubringen.
Kieran Chandler: Ok, das Buch heißt “Data Science für Supply Chain-Prognosen”. Es ist ein bisschen lang, worum geht es darin?
Nicolas Vandeput: Es ist genau wie der Titel sagt: Es geht um die Supply Chain und wie man Data Science anwendet, um Prognosen innerhalb der Supply Chain zu erhalten. Früher verwendeten die Leute, was ich gerne “alte Schule Statistik” nenne, was viele verschiedene Fragen mit sich brachte. Jetzt, da wir in eine neue Welt der Data Science eingetreten sind, bleiben einige Fragen bestehen, aber es entstehen auch neue. Wir müssen neue Wege finden, um mit Daten umzugehen, und dieses Buch bereitet die Menschen auf dieses neue Zeitalter vor.
Kieran Chandler: Wie immer haben wir Joannes Vermorel, den Gründer von Lokad, bei uns. Joannes, du hattest einen exklusiven Einblick in das Buch. Wie ist deine Perspektive darauf?
Joannes Vermorel: Ja, ich hatte einen exklusiven Einblick und hatte die Chance, das Manuskript zu überprüfen. Es ist sehr gut. Ich empfehle Supply Chain-Managern, die kein Teammitglied mit Fachkenntnissen in Data Science haben, eine Kopie zu besorgen und zumindest die ersten Kapitel zu lesen. Dann sollten einige andere Personen in Ihrem Team die anderen Kapitel lesen und möglicherweise darauf reagieren. Was sehr interessant ist, ist der fantastische Fortschritt der Open Source statistischen Toolkits. Bis vor 10 Jahren wurden sie hauptsächlich von Forschern verwendet, um Dinge anderen Forschern zu demonstrieren. Der Code war vorhanden, aber er war unordentlich, forschungsorientiert, nicht produktionsorientiert, und die Dokumentation war oft nicht vorhanden.
Was sich in den letzten fünf bis zehn Jahren wirklich geändert hat, ist, dass mit dem Aufkommen der Data Science viele Universitätsprofessoren begonnen haben, auf die Qualität der statistischen Pakete zu achten. Sie wollten sie ihren Studenten zugänglich machen und sorgten für eine einwandfreie Dokumentation, konsistente Terminologie zwischen den Paketen und konzentrierten sich auf Mainstream-Methoden, die in einer Vielzahl von Situationen funktionieren. Die Open Source-Community hat mit Hilfe von Akademikern eine Reihe von Open Source-Paketen entwickelt, die von den Bedürfnissen der Benutzer angetrieben wurden.
Kieran Chandler: Joannes, kannst du uns mehr über Nicolas’ neues Buch “Data Science für Supply Chain-Prognosen” erzählen?
Joannes Vermorel: In diesem Buch nimmt Nicolas die guten Teile von Python und die relevantesten Pakete, um zu demonstrieren, wie man mit minimalem Aufwand nahezu state-of-the-art Prognosen erstellen kann, was sehr beeindruckend ist.
Kieran Chandler: Nicolas, was hat sich in der Open-Source-Community geändert, das die Qualität dessen verbessert hat, was verfügbar war?
Nicolas Vandeput: Ich denke, es geht darum, wie einfach es ist, eine Prognose zu erstellen. Vor zehn Jahren wäre das ein Chaos gewesen, und dieses Buch wäre nicht möglich gewesen. Es hätte sich an extrem motivierte Fachleute gerichtet. Aber heute kann es jeder Fachmann mit ein wenig Neugier und Leidenschaft tun. Es ist ziemlich einfach; Sie benötigen nur Ihren eigenen Laptop mit kostenloser Software, und Sie können mit einer wirklich einfachen Sprache beginnen. Vor einigen Jahren wäre das nicht möglich gewesen. Es wäre komplexer gewesen. Jetzt haben Sie die Möglichkeit, etwas kostenlos selbst zu testen, und von dort aus haben Sie die Möglichkeit zu experimentieren. Da es einfach ist zu experimentieren, können Sie mehr Experimente durchführen und dann die Prognose, den Code und die Data Science speziell für Ihren spezifischen Fall optimieren. In der Vergangenheit wäre das nicht möglich gewesen.
Kieran Chandler: Joannes, es ist nicht nur die Prognosewelt, die von Open-Source-Software profitiert. Hast du Beispiele für andere Branchen, die wirklich von verfügbaren Open-Source-Toolkits profitiert haben?
Joannes Vermorel: Die Open-Source-Bewegung ist unglaublich groß, daher ist heutzutage praktisch die gesamte Softwarewelt von Open-Source betroffen. Alle großen Cloud-Computing-Anbieter betreiben ihre eigenen Clouds auf Basis von Linux, und selbst bei Lokad verwenden wir zu 90% Open-Source-Software. Selbst Microsoft, das wir zufällig verwenden, nutzt viel Linux auf Azure. Das .NET-Framework selbst ist Open Source, und das von uns verwendete Deep Learning Toolkit CNTK ist ebenfalls ein Open-Source-Produkt von Microsoft. Bei Lokad veröffentlichen wir auch einige Teile als Open Source. Diese Bewegung ist seit mehreren Jahrzehnten stark im Gange.
Was interessant ist und für Prognosen und Supply Chain relevant ist, ist nicht nur die Tatsache, dass die Software Open Source ist, sondern dass Sie gut verpackte und gut dokumentierte Open-Source-Komponenten haben. Das ist völlig bahnbrechend. Es bedeutet den Unterschied zwischen dem Start mit etwas Einfachem, wie einer linearen Regression, in 20 einfachen Codezeilen, im Vergleich zu 200 Codezeilen und einem Monat, um alle Ihre Softwarekomponenten zusammenzubekommen, nur um etwas zu haben, das überhaupt kompiliert. Früher hatte man inkompatiblen Code, der abstürzte, wenn er kombiniert wurde, und man brauchte einen Monat, um die Rohrleitungen zu verlegen, nur um etwas zum Laufen zu bringen, das von jemand anderem veröffentlicht wurde. Jetzt dauert die Einrichtung Ihrer gesamten Python-Umgebung für Data Science nur ein paar Seiten im Buch. Sie installieren einfach Anaconda und sind fertig.
Kieran Chandler: Joannes, könntest du uns etwas über das Linux-Subsystem unter Windows und dessen Auswirkungen auf die Zugänglichkeit dieser Tools erzählen?
Joannes Vermorel: Das Linux-Subsystem unter Windows ermöglicht es diesen Tools, auf praktisch jeder Linux-Variante und sogar auf Windows-Systemen zu funktionieren. Das Buch zeigt die einfache Zugänglichkeit dieser Tools, die sich aufgrund von Open Source und produktionsreifen Paketen erheblich verändert hat.
Nicolas Vandeput: Ich möchte hinzufügen, dass ich in dem Buch über Fachleute spreche, die sich früher auf VBA und Makros in Excel verlassen haben. Es schien mir immer komplex und fehleranfällig zu sein. Wenn Sie vorschlagen, Python oder eine andere Sprache zu verwenden, denken die Leute oft, dass es zu komplex ist. Meine Botschaft in dem Buch ist jedoch, dass es tatsächlich viel einfacher ist, offene Frameworks wie Python oder R zu verwenden als VBA oder Excel-Makros.
Kieran Chandler: Joannes, mit all diesen einfach zu verwendenden Open-Source-Prognosetools, macht es dich als Anbieter von Unternehmenssoftware wie Lokad nervös?
Joannes Vermorel: Als Anbieter von Unternehmenssoftware ist es Teil des Ökosystems und auch ein Enabler. Wir verwenden diese Open-Source-Tools auch, sodass wir nicht alles neu aufbauen müssen. Die Herausforderung besteht darin, unseren Mehrwert zu finden. Wenn Ihr Mehrwert nur darin besteht, halbkomplizierte Prognosemodelle zu implementieren, haben Sie keinen echten Mehrwert im Vergleich zum Ökosystem. Das Buch hebt hervor, dass Anbieter, die ein Toolkit mit einigen Prognosemodellen verkaufen, im Vergleich zu den beliebten Python-Bibliotheken nicht viel Wert bieten. Es gibt jedoch immer noch Potenzial für die Bereitstellung von produktionsreifen Lösungen und die Bewältigung von Supply-Chain-Herausforderungen im großen Maßstab, was Lokad anstrebt.
Nicolas Vandeput: Ich stimme Joannes zu. Viele Fachleute und Studenten in der Supply-Chain-Welt betrachten maschinelles Lernen immer noch als Buzzword oder etwas, das nicht von Dauer ist. In Wirklichkeit ist es hier, um zu bleiben. Wenn Sie mein Buch lesen und sich die Zeit nehmen, sich damit vertraut zu machen, werden Sie sehen, wie nützlich und zugänglich es für die Optimierung der Supply Chain sein kann.
Kieran Chandler: Wenn Sie also das Buch lesen, sind Sie viel besser darauf vorbereitet, eine Lösung wie Lokad zu erhalten, die einen Schritt weiter gehen kann. Wie Sie gesagt haben, kann es die gesamte Lösung von Anfang bis Ende zum Laufen bringen. Natürlich benötigen Sie für die Durchführung einer Prognose in einer Super-Agenten-Umgebung auch einen vollständigen Überprüfungsprozess mit Personen und so weiter. Die Bevölkerung der Zahlen in der Prognose ist also nur ein Schritt im gesamten Prozess. Können Sie darüber sprechen, wie die Ideen im Buch umgesetzt werden können?
Nicolas Vandeput: Das Ziel des Buches ist es, genau diesen spezifischen Schritt zu diskutieren. Es bedeutet nicht, dass Sie es selbst tun müssen, nur weil Sie das Buch gelesen haben. Sie können auch zu anderen Anbietern wie Lokad gehen, um zu verstehen: “Ich habe das im Buch gelesen, wie funktioniert das bei Ihnen? Wie können wir das umsetzen? Ich habe diese Idee, würde das funktionieren? Können wir es testen?” Dann beginnen Sie zu verstehen, was Softwareanbieter wie Lokad wirklich tun.
Kieran Chandler: Viele dieser Ideen wurden aus theoretischer Sicht entwickelt. Können sie auf eine produktive Art und Weise angewendet werden?
Nicolas Vandeput: Ja, absolut. Diese neuen Prognosen gibt es schon lange. Ich meine, die Theorie der neuronalen Netzwerke wurde in den 60er Jahren erstmals veröffentlicht, und die erste Methode im Buch stammt ebenfalls aus den 60er Jahren. Wir fangen erst heute an, sie in einer Vorhersageumgebung zu verwenden, weil es einfacher geworden ist, sie auszuführen. Vor zehn Jahren war das vielleicht noch nicht der Fall, und die Leute sind sich jetzt mehr darüber bewusst. Sie können das auf jeden Fall nutzen. Was wirklich interessant an der Datenwissenschaft ist, und das ist eines der großen Ziele des Buches, ist, dass es wirklich Wissenschaft ist. Sie können es testen, Experimente durchführen und es immer wieder mit Daten testen. Deshalb heißt es Datenwissenschaft. Sie können sich selbst beweisen: “Funktioniert es? Ja oder nein?” Es könnte nicht funktionieren, aber dann können Sie denken: “Ich werde ein neues Experiment entwerfen, neue Dinge berücksichtigen oder Dinge entfernen, die ich nicht brauche, um zu sehen, ob es besser funktioniert.” Es ist also wirklich eine Wissenschaft, bei der Sie Ihren Standpunkt beweisen können, dass Ihre Prognose besser sein wird, und erst danach anfangen, sie zu verwenden.
Kieran Chandler: Es kann also als weiterer Proof of Concept verwendet werden, bevor Sie jemanden wie Lokad ansprechen und sagen: “Joannes, wenn wir über den Übergang zu einer produktiven Basis und die tägliche Verwendung sprechen, mit welchen Herausforderungen könnten die Menschen konfrontiert werden? Und womit kann Lokad wirklich bei diesem gesamten Prozess helfen?”
Joannes Vermorel: Zuerst müssen Sie gute Daten haben. Wenn Sie keine qualifizierten Daten haben, erhalten Sie Müll. Das Interessante an diesem Buch ist, dass es den Supply-Chain-Mitarbeitern einen Einblick gibt, was die Modelle tun, welche Art von Dingen sie nutzen können, und ihnen ein besseres Verständnis dafür vermittelt, warum sie jetzt auf eine ganze Reihe von Grauzonen in der Supply Chain achten müssen, wie zum Beispiel Werbeaktionen. Typischerweise sind die Daten zu Werbeaktionen ein komplettes Durcheinander. Das Gleiche gilt für Lücken im Bestand. Häufig gibt es keine ordnungsgemäßen historischen Daten, um alle Lücken im Bestand widerzuspiegeln, sodass Sie nicht wissen, ob Sie null Verkäufe hatten, weil keine Nachfrage bestand oder weil der Artikel nicht vorrätig war.
Daher kann es Sie, wenn Sie mit der Art von Modell vertrauter sind, das die Daten nutzen kann, anfälliger machen, um festzustellen, ob Ihr bestehender Prozess angemessen ist. Das Hauptziel einer Supply Chain besteht darin, den Warenfluss aufrechtzuerhalten.
Kieran Chandler: Das Hauptziel einer Supply Chain besteht also darin, eine genaue historische Datenbank zusammenzustellen. Das ist das erste Ziel. Das zweite Ziel besteht darin, alle zu bedienen, die Produktion am Laufen zu halten und die Kundenzufriedenheit sicherzustellen. Die Umsetzung des zweiten Ziels ist jedoch oft nicht von so hoher Qualität wie das erste Ziel. Um diesen Übergang zu beschleunigen und eine Datenkonsolidierung im großen Maßstab mit mehreren Standorten zu erreichen, müssen wir unseren Horizont erweitern. Joannes, könnten Sie dies näher erläutern?
Joannes Vermorel: Wenn wir mit Kunden zusammenarbeiten, stoßen wir oft auf die Herausforderung der Datenkonsolidierung und -ausführung. Viele Kunden sind sich nicht bewusst, dass fortgeschrittene numerische Rezepte auf Prognosen angewendet werden können, um bessere Entscheidungen zu treffen. Das Lesen des Buches über Data Science kann Ihren Horizont erweitern und Einblicke darüber geben, wie die Supply Chain effizienter ausgeführt werden kann. Es hilft Ihnen, das große Ganze vor und nach der Prognose zu sehen, von der Produktion bis zur Nutzung der Prognosen für intelligentere Entscheidungen.
Nicolas Vandeput: Supply Chain-Führungskräften fehlen zwei entscheidende Elemente, um handlungsrelevante 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 immer noch mit unübersichtlichen Tabellenkalkulationen und erkennen nicht die Bedeutung von ordnungsgemäßen Daten. Dieses Buch soll zeigen, dass Sie mit richtigen Daten richtige Wissenschaft, genaue Prognosen und effektive Experimente erreichen können. Ohne Daten verzögern sich viele Projekte, und Journalisten können das bestätigen. Das zweite Element ist der Mangel an Talenten und Verständnis für maschinelles Lernen und Data Science im Supply Chain Management. Wir müssen diese Kultur ändern und das Bewusstsein für den Wert von Daten schärfen.
Kieran Chandler: Absolut, die richtigen Daten zu haben ist entscheidend. Es sollte wie ein Gebot sein: “Bereinigen Sie Ihre Daten.” Aber wie bringen wir diesen Kulturwandel zustande? Wie können wir den Markt evangelisieren und die Bedeutung der richtigen Daten betonen?
Joannes Vermorel: Nun, scherzhaft könnten wir eine Sekte gründen, in der bessere Daten obligatorisch sind, wie ein heiliges Gebot. Aber im Ernst, ich glaube, wir müssen das Verständnis und das Bewusstsein fördern. Wir können den Markt aufklären und mehr Wert auf saubere und genaue Daten legen. Dadurch können wir einen Kulturwandel herbeiführen und sicherstellen, dass die richtigen Daten für das Supply Chain Management oberste Priorität haben.
Kieran Chandler: Wenn man keine Vorstellung davon hat, was mit Deep Learning erreicht werden kann und keine Erfahrung damit hat, ist es sehr schwer, überhaupt den Sinn zu erkennen, oder?
Joannes Vermorel: In der Tat ist es eine Herausforderung. Ich denke, ein guter Ausgangspunkt ist, sich mit der Datenverarbeitung zu beschäftigen und nicht vollständig von der reinen Technik der Aufgabe überwältigt zu werden. Es sollte nicht nur ein IT-Team benötigt werden, um die Umgebungen einzurichten. Es ist sehr wichtig zu verstehen, was diese Methoden antreibt, was sie funktionieren lässt. Es ist keine Magie.
Es ist wichtig, dies zu entmystifizieren. Bei Lokad haben wir versucht, den Markt zu evangelisieren. Bildung ist ein Weg nach vorn. Nicolas veröffentlicht ein Buch, das ausgezeichnet ist. Wir haben auch ein Buch und viele andere Dinge veröffentlicht, einschließlich einer umfangreichen Wissensdatenbank auf der Lokad-Website. Aber ja, das Wichtigste ist die Bildung.
Was ich sehe, ist eine neue Welle von Supply-Chain-Praktikern, die mit mehr ingenieurwissenschaftlichem Denken in das Feld kommen, das quantitativer ist. Sie möchten Zahlen und Dinge haben, die wiederholt werden können. Führung ist in der Supply Chain unerlässlich, da sie viele Menschen, Länder und Standorte umfasst. Aber wenn Sie Führung ohne jegliche Art von ingenieurwissenschaftlichem Denken oder quantitativem Denken haben, ist es schwer, irgendetwas zu optimieren. Sobald Sie das Wort “optimieren” verwenden, lautet die Grundregel der Optimierung, dass Sie etwas nicht optimieren können, was Sie nicht messen. Dies führt zur Frage: Wie misst man? Und dann benötigen Sie 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 sehen Sie einige negative Aspekte bei der Verwendung dieser Tools?
Nicolas Vandeput: Wie wir besprochen haben, und ich denke, das ist wirklich wichtig, die Welt der Supply Chain dreht sich um viele Interaktionen zwischen Produkten, Menschen, verschiedenen Teams usw. Der Prognoseprozess ist ein sehr langer Prozess, an dem viele verschiedene Interessengruppen beteiligt sind. In meinem Buch sage ich, dass wir in den letzten Jahrzehnten die gleichen Techniken verwendet haben. Wenn Sie in den 80er und 90er Jahren zurückblicken, finden Sie den gleichen Prognosemotor wie heute. Also hat sich nichts geändert.
Ich schlage vor, dass wir dieses sehr spezifische Stück ändern können, aber natürlich reicht das nicht aus. Der gesamte Prozess muss leben und sich weiterentwickeln. Nur Python zu verwenden, löst keinen Prozess, der nicht funktioniert. Es verbessert nur die Zahlen aus der Prognose, aber Sie müssen sich immer noch den gesamten Prozess ansehen.
Kieran Chandler: Joannes, Sie scheinen sehr zuversichtlich zu sein, dass es immer einen Platz für Lokad geben wird. Wie sehen Sie diesen Platz tatsächlich auf dem Markt?
Joannes Vermorel: Zunächst glaube ich, dass wir auch bei reinen Prognosen noch Karten haben, um bessere Prognosen zu erhalten. Aber “besser” ist schwieriger 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 Sie sagen: “Ich möchte die Nachfrage prognostizieren, aber nicht morgen, sondern auf einem probabilistischen Horizont, wenn mein Container ankommt”, dann wird es zu einer Nachfrage, die an einem unsicheren Zeitpunkt in der Zukunft beginnt und an einem anderen unsicheren Punkt endet. Mit mehr Dimensionen kann es sehr kompliziert werden. Wenn Sie dann Faktoren wie die Wahrscheinlichkeit einbeziehen, dass mein Konkurrent seinen Preis senkt, was einen sehr spezifischen Einfluss auf die Form der Nachfrage hätte, sehen Sie, dass die Genauigkeit der Prognose keine eindimensionale Sache ist. Es hat diese ganze Komplexität zu bewältigen.
Kieran Chandler: Plötzlich werden Ihre Modelle komplex, auch wenn Sie sehr schöne Open-Source-Toolkits haben. Das Zusammenspiel all dieser Dinge auf eine fehlerfreie, produktionsreife und skalierbare Weise zu realisieren, gibt es immer noch viele andere Dinge zu tun.
Joannes Vermorel: Ja, wenn wir den reinen Prognoseansatz betrachten, glaube ich, dass das eine Möglichkeit ist. Aber bei Lokad ist unsere Vision wirklich, eine tiefgreifende, end-to-end-analytische Überlagerung zu haben, um intelligente Entscheidungen für eine bestimmte Supply Chain zu generieren. Wir verwalten keine Supply-Chain-Systeme, wir sind kein ERP. Wir möchten nicht das Repository für alle Bestandsbewegungen sein. Wir haben eine Kopie dieser Daten, aber wir sind die intelligente analytische Überlagerung.
Das ist die Vision. Und auch wenn Lokad vollständig aus Open-Source-Tools besteht, gibt es immer noch einen Mehrwert darin, all das zusammenzubringen. Zum Beispiel sind die heutzutage verfügbaren Cloud-Computing-Plattformen eine riesige Mischung aus Open-Source-Zeug, aber die Leute ziehen es vor, zu Amazon zu gehen, weil man es selbst machen könnte. Man könnte seine eigene private Cloud haben, aber es ist ein so enormer Aufwand, all diese Dinge zusammenzubringen, dass es irgendwann einen Mehrwert hat, wenn Spezialisten es für Sie tun.
Ein Nachteil, den ich bei diesem Ökosystem von Python und Open Source ganz speziell sehe, ist, dass es sich so schnell weiterentwickelt. Wenn Sie es selbst machen, besteht eine Gefahr: Sie wählen eine Python-Version und ein Toolkit aus, und dann gibt es zwei Jahre später etwas Dramatisch Verbessertes. Plötzlich waren Sie auf dem neuesten Stand und jetzt sind Sie es nicht mehr, einfach weil sich die Welt weiterbewegt hat und ein Labor gerade ein neues Toolkit entwickelt hat.
Zum Beispiel war Scikit bis vor ein paar Jahren in praktisch 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 umzusetzen, was Sie vor zwei Jahren implementiert haben, und es mit dem aktuellen Stand der Technik aufzufrischen? Ein guter Anbieter würde dafür sorgen, dass Ihre Data-Science-Lösung regelmäßig überprüft und wahrscheinlich regelmäßig neu geschrieben wird, um auf dem neuesten Stand zu bleiben.
Ich weiß nicht, wie lange dieses goldene Zeitalter des Fortschritts in der Datenwissenschaft dauern wird, aber es würde mich nicht überraschen, wenn wir für etwas wie das nächste Jahrzehnt alle zwei Jahre einen fantastischen Fortschritt sehen, bei dem die neue Version so viel besser ist als die vorherige. Es könnte Kategorien von Problemen geben, die zunächst sehr schwer zu lösen scheinen, aber dann zugänglich werden.
Nicolas Vandeput: Wenn ich 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 zusammengearbeitet, also weiß ich, wozu sie fähig sind. Eine der Botschaften meines Buches, und das ist mir wirklich wichtig, ist den Menschen zu sagen, dass sie es können.
Manche Leute könnten das, was Joannes sagt, hören und denken: “Wow, Datenwissenschaft und maschinelles Lernen scheinen wirklich komplex zu sein, vielleicht ist das nichts für mich.” Ich möchte die Menschen wirklich beruhigen, indem ich sage: “Nein, es ist nicht so komplex. Sie können mit einem einfachen Modell beginnen.” Und tatsächlich, wie das Buch zeigt, können Sie relativ einfach mit einem sehr einfachen Modell beginnen, das bereits extrem stark ist. Von dort aus können Sie dann Schichten hinzufügen, das System vielleicht ein wenig anpassen, die Daten ändern, vielleicht ein weiteres Modell hinzufügen und so weiter.
Sie können also wirklich einfach mit etwas beginnen, das bereits sehr gut funktioniert, und von dort aus zu komplexeren Themen übergehen. Das ist wirklich die Botschaft, die ich in dem Buch vermitteln möchte: Sie können einfach anfangen und sich dann weiterentwickeln.
Kieran Chandler: Können Sie uns helfen zu verstehen, wie wir feststellen können, ob ein Modell funktioniert? Können wir es testen? Können wir es replizieren? Diese Prinzipien scheinen für einfache Modelle zu gelten, aber sobald Sie sie für ein grundlegendes Modell verstanden haben, können Sie sie auch für viel komplexere Modelle verstehen?
Nicolas Vandeput: Absolut, ich rate den Menschen dringend, einfach anzufangen. Sobald Sie die Grundlagen beherrschen, können Sie dann zu etwas viel Komplexerem übergehen.
Kieran Chandler: Das bringt mich ziemlich nahtlos zu meiner letzten Frage. Was sind Ihre Hoffnungen für die Leser Ihres Buches und für die Verwendung von Open-Source-Toolkits in Zukunft?
Nicolas Vandeput: Meine Vision und auch 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, ich kann das wirklich tun. Es sieht nicht so komplex aus.” Vielleicht konnten sie vor zwei Wochen noch nicht programmieren, aber am Ende möchte ich, dass es für sie sehr einfach aussieht. Ich möchte, dass diese Menschen selbstständig experimentieren, wirklich die Datenwissenschaft leben und neue Modelle ausprobieren. 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 Sie experimentieren und Lösungen implementieren können, die konsequent funktionieren. Dafür benötigen Sie Datenwissenschaft. Also hoffe ich wirklich, dass das Buch die Menschen dazu befähigt, dies selbst zu tun.
Kieran Chandler: Wir müssen jetzt Schluss machen, aber vielen Dank für Ihre Zeit heute, Nicolas.
Nicolas Vandeput: Danke.
Kieran Chandler: Das Buch “Data Science für die Supply Chain-Prognose” ist jetzt erhältlich. Schauen Sie unbedingt bei Amazon vorbei. Hier bei Lokad TV sind wir bald mit einer weiteren Episode zurück. Aber bis dahin vielen Dank fürs Zuschauen.
Joannes Vermorel: Danke.
