00:00:04 Einführung und Überblick über das supply chain-Prognoseproblem.
00:01:28 Argument für einen in Dollar gemessenen Prognosefehler.
00:02:31 Untersuchung der Präferenz für die Messung des Fehlers in Prozent.
00:04:15 Technologischer Einfluss auf die Verbesserung der Prognosegenauigkeit.
00:05:49 Diskussion über Lösungen zur Verbesserung der Prognosegenauigkeit.
00:08:01 Die Rolle von Wettervorhersagen in probabilistischen Prognosen.
00:09:33 Probleme bei der Integration von Wetterdaten in die supply chain.
00:11:29 Potenzial und Herausforderungen der Vorhersage durch menschliche Intelligenz.
00:13:14 Optimierung des Expertenwissens zur Verringerung von Prognosefehlern.
00:14:24 Bedeutung von Datenqualität und -verbesserung.
00:16:00 Prognoseschwierigkeiten in unvorhersehbaren Branchen wie Mode.
00:17:33 Statistische Prognosen in der Mode und Herausforderungen bei neuen Produkten.
00:18:01 Methodenvorschlag für die Prognose neuer Produkte.
00:19:02 Abschließende Gedanken.
Zusammenfassung
Joannes Vermorel, Gründer von Lokad, führt ein Gespräch mit Moderator Kieran Chandler über supply chain-Prognosen. Vermorel enthüllt auf humorvolle Weise Widersprüche in der Branche, indem er überzogene Versprechungen zur Reduzierung von Fehlern darstellt und dafür plädiert, den Fokus von prozentualen Fehlern auf „Dollar-Fehler“ zu verlagern. Er stellt fest, dass machine learning die Prognosen revolutioniert hat, wobei der Schwerpunkt mehr auf aufschlussreichen statt nur präzisen Vorhersagen liegt. Beide untersuchen auch Wetterdaten, die sie jedoch als zu komplex und unzuverlässig für langfristige Prognosen erachten. Vermorel betont die Bedeutung menschlicher Intelligenz, weist jedoch darauf hin, dass diese im großen Maßstab unpraktisch sei, und empfiehlt stattdessen eine Verbesserung der Datenqualität. Trotz der Herausforderungen behauptet Vermorel, dass das Modell von Lokad seine Wirksamkeit dadurch beweist, dass es auch bei new product Einführungen in volatilen Branchen wie Mode präzise Prognosen liefert.
Erweiterte Zusammenfassung
Kieran Chandler, der Moderator, führt ein Gespräch mit Joannes Vermorel, dem Gründer von Lokad, über die Prognosegenauigkeit in der supply chain-Branche. Es fällt eine deutliche Diskrepanz auf zwischen Praktikern, die sich häufig über die forecast accuracy beschweren, und software vendors, die oft sehr hohe Prognosegenauigkeiten behaupten.
Vermorel identifiziert eine Branchenanomalie und weist darauf hin, dass in den letzten zwanzig Jahren auf jeder großen supply chain-Fachmesse mindestens ein Softwareanbieter behauptet hat, den Prognosefehler jährlich um 50 % reduziert zu haben. Nach dieser Logik schlägt Vermorel humorvoll vor, dass wir theoretisch jetzt keinen Prognosefehler mehr haben sollten, was dem aktuellen Zustand der supply chain-Branche widerspricht.
Er fährt fort, indem er argumentiert, dass die Besessenheit von der prozentualen Reduktion des Prognosefehlers irreführend ist und möglicherweise sogar der falsche Ansatz. Stattdessen besteht Vermorel darauf, dass der Einfluss des Fehlers erheblicher ist, wenn er in Bezug auf die monetären Kosten für Unternehmen gemessen wird. Unternehmen sollten sich auf „Dollar Fehler“ konzentrieren, da Unternehmen im Grunde genommen existieren, um Gewinne zu erzielen, was besser zu diesem Ziel passt.
Bezüglich des anhaltenden Fokus der Branche auf Prozentsätze bezeichnet Vermorel dies als eine „Mean Absolute Percentage Error-Sucht“. Er erklärt, dass diese Präferenz darauf zurückzuführen ist, dass Prozentsätze einfacher zu verstehen sind und weniger wahrscheinlich zu Reibungen innerhalb eines Unternehmens führen, da sie keinen bestimmten Haushalt oder eine bestimmte Person direkt in die Verantwortung ziehen. Fehler in Dollar auszudrücken, macht mehr Sinn, denn es verdeutlicht die Einsätze und zeigt auf, wer für den Fehler verantwortlich sein sollte. Unternehmen, die große supply chains betreiben, bestehen aus vielen Menschen. Diese neigen in großen Organisationen dazu, risikoscheu zu sein. Sie möchten nichts vorlegen, das den Rest ihrer Organisation provozieren könnte, und die Angabe des Prognosefehlers in Dollar tut genau das. Es identifiziert die Bereiche, die tatsächlich für die Dollar-Fehler verantwortlich sind. Während Prozentsätze also einfach sind, sind Dollar das richtige Maß. Wahrscheinlich ist das der Grund, warum wir immer noch in dieser Situation stecken; das Einfache ist eben einfacher zu handhaben.
Zum Thema technologischer Fortschritt und dessen Einfluss auf die Prognosen räumt Vermorel ein, dass sich die Prognosegenauigkeit trotz der genannten Herausforderungen im Laufe der Zeit verbessert hat, vor allem dank Fortschritten im Bereich des statistical learning bzw. machine learning. Der Einsatz dieser Techniken in der Nachfrageplanung und Prognose hat der supply chain-Branche erhebliche Verbesserungen gebracht.
Vermorel erklärt weiter, dass uncertainty beim Vorhersagen der Zukunft inhärent ist und es daher unerlässlich ist, allen möglichen Ergebnissen Wahrscheinlichkeiten zuzuweisen. Interessanterweise schlägt er vor, dass Prognosen nicht zwingend genauer sein müssen, sondern vielmehr mehr Einblicke in die Zukunft bieten sollten. Diese advanced forecasting kann dabei helfen, bessere supply chain decisions zu treffen, was das ultimative Ziel und die Grundlage für jede physische, messbare Auswirkung ist. Dies spiegelt die beiden zentralen Aspekte wider, auf die sich Vermorels Unternehmen konzentriert – die Prognose selbst und die tatsächliche Nutzung dieser Prognosen in der Entscheidungsfindung im Bereich supply chain.
Das Gespräch wird fortgesetzt und geht auf den Einfluss von Daten auf probabilistische Prognosen ein. Vermorel stimmt zu, dass Prognosen datengetrieben sind. Chandler stellt die Frage, ob externe Faktoren wie Wetterbedingungen in diese Prognosen einbezogen werden sollten, da sie häufig das Verbraucherverhalten beeinflussen.
Als Antwort weist Vermorel darauf hin, dass, obwohl Wetterdaten eine Quelle sein könnten, zwei wesentliche Bedenken damit verbunden sind. Erstens sind Wettervorhersagen selbst unvollkommen, und Prognosen, die auf ihnen aufgebaut werden, könnten die Ungenauigkeiten noch verstärken. Zudem, unter Berücksichtigung von supply chain-Angelegenheiten, müssen Prognosen oft mehr als eine Woche im Voraus erstellt werden, in einem Zeitraum, in dem die Genauigkeit der Wettervorhersagen erheblich sinkt.
Zweitens erzeugen Wettervorhersagen enorme Datenmengen, die schwer zu verwalten sein könnten. Vermorel veranschaulicht dies, indem er feststellt, dass für jede Stunde und jeden Quadratkilometer alle 20 Minuten ein Datenpunkt generiert wird, wenn man das Wetter betrachtet. Dabei geht es nicht nur um Temperatur, sondern auch um Luftfeuchtigkeit, Windgeschwindigkeit und -richtung sowie Licht, was zu Terabytes an Daten führt, die schwer in die supply chain zu integrieren sind.
Die Diskussion verlagert sich von den Komplexitäten der Wetterdaten auf das Potenzial menschlicher Intelligenz zur Verbesserung von Prognosen. Vermorel bestätigt die enorme Leistungsfähigkeit des menschlichen Gehirns, erkennt jedoch, dass es aufgrund der hohen Kosten keine praktikable Lösung darstellt. Für jedes große supply chain-Unternehmen müssen täglich Tausende bis Millionen von supply chain-Entscheidungen getroffen werden, wofür eine beträchtliche Anzahl intelligenter Personen benötigt wird. Die meisten Unternehmen können es sich jedoch nicht leisten, so viele Menschen zu beschäftigen, weshalb sie auf Softwareunternehmen angewiesen sind. Vermorel räumt ein, dass während
menschlicher Input die Prognosegenauigkeit erheblich verbessern kann, er jedoch nicht skalierbar ist, und dieses praktische Problem Softwarelösungen erforderlich macht.
Vermorel betont die Notwendigkeit, die Intelligenz der Menschen innerhalb von Unternehmen im kapitalistischen Sinne zu nutzen. Ihr Wissen und ihre Erkenntnisse sollten als wertvolle Ressourcen betrachtet werden, die sich im Laufe der Zeit ansammeln, statt als entbehrliche oder verbrauchbare Güter. Dieser Ansatz kann zu kontinuierlichen Verbesserungen in supply chain-Systemen führen.
Vermorel schlägt vor, einen Weg zur Nutzung menschlicher Intelligenz darin zu sehen, die Qualität der in das Prognosesystem eingespeisten Daten zu verbessern. Datenqualität ist nicht selbstverständlich; sie erfordert kontinuierliche Wartungs- und Verbesserungsmaßnahmen. Transaktionsdaten, so argumentiert Vermorel, spielen eine entscheidende Rolle bei der Verbesserung der Prognosegenauigkeit und bieten noch Raum für weitere Optimierungen. Beispielsweise zeichnen nur wenige Unternehmen die stock-out Historie genau auf. Um die künftige Nachfrage vorherzusagen, ist es jedoch entscheidend zu ermitteln, ob das Fehlen von Verkäufen auf fehlende Nachfrage oder auf einen stock-out-Zustand zurückzuführen war. Daher plädiert Vermorel für die ordnungsgemäße Erfassung aller relevanten Daten, einschließlich stock-outs, promotions und der Preisgestaltung der Wettbewerber, um die Prognosegenauigkeit zu verbessern.
Bei der Prognose für noch nicht eingeführte Produkte räumt Vermorel die inhärente Herausforderung ein, insbesondere in volatilen Branchen wie Technologie und Mode, in denen historische Daten entweder nicht vorhanden oder unzuverlässig sind. Er entgegnet, dass es nicht um eine absolute Prognosegenauigkeit geht, sondern vielmehr um eine Prognose, die genauer ist als jene, die Teams unter ihren Zeitbeschränkungen erstellen können.
In Situationen wie in der Mode, in denen neue Produkteinführungen keine historischen Daten aufweisen, bietet Vermorel eine Lösung an. Er schlägt vor, dass, auch wenn einzelne Produkte neu sein mögen, sie aus einem Markt hervorgehen, den das Unternehmen durch eigene Verkäufe beobachtet hat. Daher kann eine statistische Prognose auf Basis historischer Produkteinführungen und Produkteigenschaften erstellt werden. Diese Methode kann beispielsweise ein neues Hemd mit zuvor eingeführten Hemden korrelieren, um eine Prognose zu erstellen, die, obwohl sie aufgrund der volatilen Natur der Modebranche nicht extrem genau sein mag, dennoch genau genug ist, um profitabel zu sein.
Vermorel bestätigt, dass Lokad diesen Ansatz in seinem Prognosemodell verwendet, was effektive Vorhersagen auch unter herausfordernden Bedingungen, wie bei neuen Produkteinführungen, ermöglicht.
Vollständiges Transkript
Kieran Chandler: Heute werden wir über ein Thema sprechen, das in der supply chain-Branche für geteilte Meinungen sorgt: Prognosegenauigkeit. Ich freue mich, sagen zu können, dass mich heute der CEO und Gründer von Lokad, Joannes Vermorel, unterstützt, der mir ein wenig bei der heutigen Diskussion helfen wird. Also Joannes, danke, dass du heute dabei bist.
Joannes Vermorel: Danke, Kieran.
Kieran Chandler: Joannes, wenn man sich die supply chain-Branche insgesamt ansieht, hört man oft, wie Praktiker über die Genauigkeit ihrer Prognosen klagen. Andererseits behaupten Softwareanbieter häufig, sehr hohe Genauigkeiten zu haben. Beides kann nicht stimmen. Was ist deine Einschätzung zu der Situation?
Joannes Vermorel: Die Situation ist in der Tat verwirrend. In den letzten zwei Jahrzehnten, vielleicht auch länger, hat es auf jeder großen supply chain-Fachmesse immer mindestens einen führenden Softwareanbieter gegeben, der behauptet hat, den Prognosefehler jährlich um 50 % reduziert zu haben. Offensichtlich, wenn man von einer jährlichen Reduktion des Fehlers um 50 % über 20 Jahre ausgeht, sollten wir logisch gesehen überhaupt keine Prognosefehler mehr haben, was offensichtlich nicht dem Zustand der supply chain-Branche entspricht. Es ist klar, dass Prognosefehler nach wie vor sehr präsent sind. Ein weiterer Blickwinkel ist, dass Prozentsätze irreführend sind. Die Annahme, man könne den Prognosefehler um X Prozent reduzieren, ist der falsche Ansatz. Prognosefehler kosten Unternehmen Geld, ausgedrückt in Dollar, nicht in Prozent. Was wir wirklich betrachten sollten, sind die Dollar-Beträge des Fehlers bei Unternehmen, die supply chains im realen Leben betreiben.
Kieran Chandler: Das macht durchaus Sinn, denn grundsätzlich existieren Unternehmen, um Geld zu verdienen. Das ist die Grundlage der Wirtschaft, nicht wahr? Unternehmen wollen ihre Gewinne maximieren, und daraus resultiert ihr Profit. Auch als Gesellschaft können wir davon profitieren, weil wir eine bessere Produktpalette zu niedrigeren Preisen erhalten. Doch genau das sehen wir in der Branche nicht wirklich. Die Branche ist immer noch sehr fixiert auf Prozentangaben. Warum sind sie so darauf fixiert? Was ist der Grund dafür?
Joannes Vermorel: Der Kern der MAPE-(Mean Absolute Percentage Error)-Sucht liegt darin, dass Prozentsätze einfach zu handhaben sind. Es ist mühelos, einen Prozentsatz anzugeben. Mit einem Prozentsatz verpflichtet sich niemand wirklich zu etwas, und es wird das Budget von niemandem tangieren. Fehler in Dollar auszudrücken, macht mehr Sinn, denn es verdeutlicht die Einsätze und zeigt auf, wer für den Fehler verantwortlich sein sollte. Unternehmen, die große supply chains betreiben, bestehen aus vielen Menschen. Diese neigen in großen Organisationen dazu, risikoscheu zu sein. Sie möchten nichts vorlegen, das den Rest ihrer Organisation provozieren könnte, und die Angabe des Prognosefehlers in Dollar tut genau das. Es identifiziert die Bereiche, die tatsächlich für die Dollar-Fehler verantwortlich sind. Während Prozentsätze also einfach sind, sind Dollar das richtige Maß. Wahrscheinlich ist das der Grund, warum wir immer noch in dieser Situation stecken; das Einfache ist eben einfacher zu handhaben.
Kieran Chandler: Okay, wenn wir die Dollar-Fehler vorerst beiseitelegen und nur die Fehler in Prozent als Beispiel nehmen, gibt es dann einen technologischen Prozess, dem man folgen kann, um die prozentualen Fehler zu verbessern? Was können Softwareunternehmen diesbezüglich tun?
Joannes Vermorel: Trotz der Tatsache, dass sich die Prognosefehler in den letzten zwanzig Jahren oder so nicht jährlich um 50 Prozent verbessert haben, ist die Prognosegenauigkeit tatsächlich gestiegen. Der Großteil der Verbesserung wurde nicht durch Fortschritte innerhalb der supply chain-Branche erzielt, sondern durch einen sehr breiten technologischen Fortschritt in einem Bereich, der als statistical learning, besser bekannt als machine learning, bezeichnet wird. Die neueste Entwicklung davon ist tatsächlich deep learning. Es hat also in den letzten 20 Jahren echten technologischen Fortschritt gegeben.
Kieran Chandler: Es ist bekannt, dass der Einsatz bestimmter Techniken für die Nachfrageplanung und Prognose in der supply chain zu einer signifikanten, messbaren Verbesserung der Prognosen führen kann. Dieser Fortschritt zeigt sich sowohl in Prozenten als auch in Dollar. Also ist er sehr greifbar. Aber es muss einen weiteren Weg geben, wie wir die Genauigkeit dieser Prognosen verbessern können. Könnten Unternehmen und Softwareanbieter beispielsweise ihre Prozesse ändern? Könnten sie ihre Teams besser schulen?
Joannes Vermorel: Es gibt in der Tat zwei Dinge, die sie tun können. Zum einen können sie den Umfang der Prognosen selbst verfeinern. Damit meine ich einen Übergang zu probabilistischen Prognosen. Die traditionelle Prognose gibt eine einzige Aussage, wie “meine zukünftige Nachfrage wird genau so sein.” Probabilistische Prognosen hingegen nehmen eine viel ganzheitlichere Sichtweise ein. Viele Dinge können passieren, und die Unsicherheit über die Zukunft ist irreduzibel, weshalb wir allen möglichen zukünftigen Szenarien Wahrscheinlichkeiten zuordnen. Das ist ein Weg, wie sich Unternehmen verbessern können, indem sie Prognosen übernehmen, die mehr über die Zukunft aussagen. Es muss dabei nicht unbedingt um höhere Genauigkeit gehen, sondern darum, mehr Informationen über die Zukunft zu liefern. Das ist das Wesen probabilistischer Prognosen.
Der andere Blickwinkel besteht darin, darüber nachzudenken, was getan werden kann, um es den Menschen zu ermöglichen, diese Prognosen zu nutzen, um bessere Entscheidungen zu treffen. Bessere Prognosen sind großartig, aber können wir sie in bessere supply chain decisions umwandeln? Letztendlich zählen nur bessere supply chain decisions mit messbarem Einfluss. Das sind die beiden Blickwinkel, die wir betrachten.
Kieran Chandler: Und diese probabilistischen Prognosen werden von Daten angetrieben, oder?
Joannes Vermorel: Ja, absolut.
Kieran Chandler: Was die Datenaspekte betrifft, wo ziehst du die Grenze? Zum Beispiel sind Dinge wie das Wetter ziemlich interessant. Im Sommer kaufen die Menschen eher Eis, während sie im Winter eher heiße Schokoladen, Schals und Handschuhe kaufen. Könnten wir also Dinge wie Wettervorhersagen in die probabilistischen Prognosen einbeziehen?
Joannes Vermorel: Das ist eine sehr umfassende Frage. Um die Prognosegenauigkeit zu verbessern, müssen Informationen integriert werden, und diese Informationen müssen von irgendwoher kommen. Der erste Ort, an dem Sie nach diesen Informationen suchen können, sind die historischen Daten des Unternehmens selbst. Allerdings glaube ich, dass die meisten Unternehmen, sagen wir 99% von ihnen, die qualitativ hochwertigen Transaktionsdaten, die sie bereits haben, nicht vollständig ausschöpfen.
Was externe Quellen wie Wettervorhersagen betrifft, so werfen sie zumindest zwei verschiedene Probleme auf. Erstens: Wettervorhersagen sind fehlerhaft. Wenn man Prognosen auf Basis anderer Prognosen erstellen möchte, stößt man auf das Problem der kumulativen Prognoseungenauigkeiten. Dies ist in der Praxis ein herausforderndes Problem. Darüber hinaus, wenn man an supply chain problems denkt, muss man in der Regel mehr als sieben Tage im Voraus planen, und die Genauigkeit von Wettervorhersagen wird in der Praxis ziemlich schlecht. Daher ist die Nutzung von Wettervorhersagen problematisch.
Und dann gibt es noch ein weiteres Problem. Wer versucht hat, diese externen Datenquellen zu nutzen, wird feststellen, dass es zahlreiche Herausforderungen gibt.
Kieran Chandler: Also, bei Wettervorhersagen, die in der statistischen Prognose eine ziemlich bedeutende Rolle spielen, sprechen wir von umfangreichen Daten. Es handelt sich nicht nur um einen einzelnen Datenpunkt; es ist ein Datenpunkt jede Stunde, pro Quadratkilometer, alle 20 Minuten im Voraus. Wir müssen Faktoren wie Temperatur, Luftfeuchtigkeit, Wind und Lichtausrichtung berücksichtigen. Die Daten, die Sie zur Verfeinerung Ihrer supply chain forecast verwenden möchten, sind also enorm. Wir sprechen buchstäblich davon, Terabytes an Daten einzubringen. Können Sie über die Praktikabilität der Implementierung einer so großen Datenmenge sprechen?
Joannes Vermorel: Ja, in der Tat, die Praktikabilität, etwas wie globale Wetterdaten in Ihre supply chain zu integrieren, kann überwältigend sein. Es ist eine herausfordernde Aufgabe. Es gibt Dinge, die viel einfacher zu bewältigen sind. In der Praxis ist Wetter daher wahrscheinlich nicht das beste Beispiel.
Kieran Chandler: Okay, betrachten wir einen anderen Blickwinkel. Was ist mit dem menschlichen Gehirn? Es ist ein unglaublich mächtiges Werkzeug. Gibt es eine Möglichkeit, es zu nutzen, um unsere Prognosen zu verbessern?
Joannes Vermorel: Absolut. Die Algorithmen, die wir derzeit haben, sind nicht grundsätzlich übermenschlich. Sie glänzen in spezifischen Aufgaben, wie zum Beispiel beim Spiel Go oder Schach. Aber supply chain management ist ein sehr offenes Problem, das die volle Bandbreite menschlicher Intelligenz erfordert. Ein einfacher Computer kann einen supply chain specialist nicht übertreffen, denn es bedarf noch viel mehr. Das Problem bei menschlicher Intelligenz ist jedoch nicht ihre Leistungsfähigkeit, sondern ihre Kosten. Große supply chain companies haben täglich mit Tausenden, wenn nicht Millionen von supply chains zu tun. Die Frage ist, wie viele intelligente Individuen man sich leisten kann, um diese notwendigen täglichen Entscheidungen zu treffen? Die Antwort, wie wir bei unseren Kunden beobachten, ist in der Regel: nicht genug. Also ja, menschlicher Input kann die Prognosegenauigkeit erheblich verbessern, aber er skaliert nicht gut, was ihn in der Praxis zu einer Herausforderung macht. Deshalb verlässt sich die Branche auf Softwareunternehmen wie uns.
Kieran Chandler: Das ist ein wichtiger Punkt. Wie schlagen Sie vor, dass Unternehmen ihre smarten Mitarbeiter am besten einsetzen? Sollten sie ihre Intuition und ihr Wissen in die Systeme einfließen lassen? Wie sollte diese Integration erfolgen?
Joannes Vermorel: Die zentrale Frage hier ist, wie wir diese Individuen nutzen können, um den Prognosefehler zu reduzieren. Man möchte ihre Erkenntnisse nicht einfach konsumieren und dann verwerfen; das ist nicht der richtige Ansatz. Man muss ihr Wissen im Laufe der Zeit nutzen, um kontinuierliche Verbesserungen zu erreichen. Ein praktischer Schritt, den sie unternehmen können, besteht darin, die Qualität der in das Prognosesystem eingespeisten Daten zu verbessern. Die Aufrechterhaltung und Verbesserung der Datenqualität erfordert fortlaufende Anstrengungen. Zum Beispiel verfolgen nur sehr wenige Unternehmen die Geschichte von Lagerausfällen genau. Aber wenn man die zukünftige Nachfrage prognostizieren will, muss man zwischen fehlenden Verkäufen in einem bestimmten Zeitraum aufgrund fehlender Nachfrage und fehlenden Verkäufen aufgrund eines Lagerausfalls unterscheiden.
Kieran Chandler: Werden all diese korrekt erfasst? Es gibt viele Dinge wie Lagerausfälle, Werbeaktionen, Ihre eigenen Preise und die Preise Ihrer Wettbewerber, die Sie in Ihren Datensatz einfließen lassen können. Diese sind sehr umsetzbar und können Ihre Prognose genauer machen.
Joannes Vermorel: In der Tat gibt es zahlreiche Faktoren, die berücksichtigt werden müssen, um die Prognosegenauigkeit zu verbessern.
Kieran Chandler: Apropos Prognosegenauigkeit: Wie prognostizieren Sie für ein Produkt, das noch nie auf den Markt gebracht wurde? In Branchen wie Technologie und Mode gibt es keine historischen Daten und diese Branchen sind ziemlich unberechenbar. Gibt es überhaupt Hoffnung, genaue Prognosen zu erhalten?
Joannes Vermorel: Das ist eine sehr knifflige Frage. Es geht nicht darum, eine absolut genaue Prognose zu erhalten. Wenn es darum ginge, das nächste Trendprodukt im Modebereich für das kommende Jahr vorherzusagen, würde ich keine statistische Prognose erstellen. Ich würde an der Börse spekulieren. Die eigentliche Frage ist, wie man eine Prognose erstellt, die genauer ist als die, die Ihr Team angesichts der begrenzten Zeit erstellen kann. Es geht nicht um absolute Genauigkeit, sondern vielmehr um relative Genauigkeit.
Kieran Chandler: Also schlagen Sie vor, dass es in der Modebranche keine Hoffnung auf eine absolut genaue Prognose gibt?
Joannes Vermorel: In absoluter Hinsicht, nein, Mode ist zu unberechenbar. Allerdings können wir nach etwas streben, das vergleichsweise genauer ist. Die Herausforderung besteht darin, ob wir überhaupt eine statistische Prognose haben können, die in der Modebranche funktioniert, in der die Produkte, die Sie prognostizieren möchten, keine historischen Daten besitzen. Es ist verwirrend, da statistische Prognosen auf Daten basieren. Aber hier ein Blickwinkel: Wenn Sie ein Modeunternehmen sind, bringen Sie jedes Jahr Tausende von Produkten auf den Markt. Selbst wenn es wie ein völlig neues Produkt erscheint, ist es nicht völlig neu. Es entsteht in einem Markt, den Sie anhand Ihrer eigenen Verkaufszahlen beobachten können. Wenn Sie also eine statistische Prognose erstellen möchten, müssen Sie alle Ihre bisherigen Produkteinführungen und die Eigenschaften des Produkts nutzen.
Kieran Chandler: Also sagen Sie, dass wir immer noch vergangene Daten nutzen können, um genaue Vorhersagen zu treffen?
Joannes Vermorel: Genau. Sie können dieses neue Hemd, das Sie jetzt auf den Markt bringen, mit Hemden in Verbindung bringen, die Sie in der Vergangenheit eingeführt haben. Was bleibt, ist die völlig unberechenbare Natur der Modebranche, die sich in der Prognoseungenauigkeit widerspiegeln wird. Der Punkt ist, dass Sie das anpacken können und eine Prognose erstellen können, die genau genug ist, um selbst für Produkteinführungen profitabel zu sein.
Kieran Chandler: Das klingt so, als ob das das wäre, was Sie bei Lokad machen?
Joannes Vermorel: In der Tat, genau das machen wir bei Lokad.
Kieran Chandler: Vielen Dank für Ihre Zeit und für dieses Gespräch. Wir hoffen, dass es unseren Zuhörern gefallen hat. Wenn jemand Fragen hat, zögern Sie nicht, sich bei uns zu melden, uns eine E-Mail zu schicken oder unten einen Kommentar zu hinterlassen. Vielleicht können wir in den kommenden Wochen einige der interessanteren Fragen besprechen. Bis dahin vielen Dank, dass Sie heute dabei waren, und wir sehen uns ganz bald wieder.