00:00:04 Einführung und Überblick über das Problem der Nachfrageprognose in der Supply Chain.
00:01:28 Argument für die Messung des Prognosefehlers in Dollar.
00:02:31 Vorliebe für die Untersuchung der prozentualen Fehlermessung.
00:04:15 Technologische Auswirkungen auf die Verbesserung der Prognosegenauigkeit.
00:05:49 Lösungen zur Verbesserung der Prognosegenauigkeit werden diskutiert.
00:08:01 Rolle der Wettervorhersage bei probabilistischen Prognosen.
00:09:33 Probleme bei der Integration von Wetterdaten in die Supply Chain.
00:11:29 Potenzial und Herausforderungen der Prognose durch menschliche Intelligenz.
00:13:14 Optimierung des Expertenwissens zur Reduzierung von Prognosefehlern.
00:14:24 Bedeutung der Datenqualität und -verbesserung.
00:16:00 Prognoseschwierigkeiten in unvorhersehbaren Branchen wie der Modebranche.
00:17:33 Statistische Prognosen in der Modebranche und Herausforderungen bei neuen Produkten.
00:18:01 Methodenvorschlag für die Prognose neuer Produkte.
00:19:02 Schlussgedanken.
Zusammenfassung
Joannes Vermorel, Gründer von Lokad, führt mit Moderator Kieran Chandler eine Diskussion über die Prognosegenauigkeit in der Supply Chain. Vermorel enthüllt humorvoll Widersprüche in der Branche, indem er übermäßige Behauptungen zur Fehlerreduktion aufdeckt und einen Schwerpunktwechsel hin zu “Dollarfehlern” anstelle von Prozentsätzen fordert. Er stellt fest, dass Machine Learning die Prognose revolutioniert hat und der Schwerpunkt auf aufschlussreichen statt nur genauen Vorhersagen liegt. Das Duo untersucht auch Wetterdaten, hält sie jedoch für zu komplex und unzuverlässig für langfristige Prognosen. Vermorel weist auf die Bedeutung menschlicher Intelligenz hin, hält sie jedoch in großem Maßstab für unpraktikabel und empfiehlt stattdessen eine Verbesserung der Datenqualität. Trotz der Hindernisse behauptet Vermorel, dass das Modell von Lokad seine Wirksamkeit durch genaue Prognosen auch für neue Produkt-Einführungen in volatilen Branchen wie der Modebranche beweist.
Erweiterte Zusammenfassung
Kieran Chandler, der Moderator, führt ein Gespräch mit Joannes Vermorel, dem Gründer von Lokad, über die Genauigkeit von Prognosen in der Supply Chain-Branche. Es wird eine deutliche Diskrepanz zwischen Praktikern festgestellt, die sich häufig über Prognosegenauigkeit beschweren, und Softwareanbietern, die oft sehr hohe Prognosegenauigkeiten behaupten.
Vermorel identifiziert eine Branchenanomalie und stellt fest, dass seit zwanzig Jahren mindestens ein Softwareanbieter auf jeder großen Supply Chain-Messe eine jährliche Reduzierung des Prognosefehlers um 50% behauptet. Aufgrund dieser Logik schlägt Vermorel humorvoll vor, dass wir theoretisch jetzt einen Prognosefehler von null haben sollten, was dem aktuellen Zustand der Supply Chain-Branche widerspricht.
Er argumentiert weiter, dass die Fixierung auf die prozentuale Reduzierung des Prognosefehlers irreführend sein kann und möglicherweise der falsche Ansatz ist. Stattdessen betont Vermorel, dass die Auswirkungen des Fehlers in Bezug auf seinen monetären Kosten für Unternehmen bedeutender sind. Unternehmen sollten sich auf “Dollarfehler” konzentrieren, da Unternehmen grundsätzlich Gewinne erzielen sollen, was besser mit diesem Ziel übereinstimmt.
Vermorel charakterisiert die anhaltende Konzentration der Branche auf Prozentsätze als “Sucht nach dem mittleren absoluten prozentualen Fehler”. Er argumentiert, dass diese Vorliebe darin begründet ist, dass Prozentsätze einfacher zu verstehen sind und weniger wahrscheinlich zu Reibungen innerhalb eines Unternehmens führen, da sie nicht direkt ein bestimmtes Budget oder eine bestimmte Person betreffen. Die Darstellung von Fehlern in Dollar würde erfordern, dass jemand dafür verantwortlich gemacht wird, was viele risikoscheue Personen in großen Organisationen lieber vermeiden würden.
In Bezug auf den technologischen Fortschritt und seinen Einfluss auf die Prognose anerkennt Vermorel, dass die Prognosegenauigkeit im Laufe der Zeit tatsächlich verbessert hat, hauptsächlich aufgrund von Fortschritten im statistischen Lernen oder maschinellem Lernen. Die Anwendung dieser Techniken auf die Bedarfsplanung und Prognose hat signifikante Verbesserungen in der Supply-Chain-Branche gebracht.
Vermorel klärt weiter, dass Unsicherheit inhärent ist, wenn man die Zukunft vorhersagt, und daher ist es wichtig, Wahrscheinlichkeiten für alle möglichen Ergebnisse zuzuweisen. Interessanterweise schlägt er vor, dass Prognosen nicht genauer sein müssen, sondern mehr Einblicke in die Zukunft bieten sollten. Diese fortgeschrittene Prognose kann dazu beitragen, bessere Supply-Chain-Entscheidungen zu treffen, das ultimative Ziel und die Grundlage für jede physische, messbare Auswirkung. Dies spiegelt die beiden Aspekte wider, auf die sich Vermorels Unternehmen konzentriert - die Prognose und die tatsächliche Nutzung dieser Prognosen bei der Entscheidungsfindung in der Supply Chain.
Das Gespräch setzt sich fort und geht auf den Einfluss von Daten auf probabilistische Prognosen ein. Vermorel stimmt zu, dass Prognosen datengetrieben sind. Chandler stellt die Frage nach der Einbeziehung externer Faktoren wie Wetterbedingungen in diese Prognosen, da sie oft das Verbraucherverhalten beeinflussen.
Als Antwort darauf gibt Vermorel an, dass Wetterdaten zwar eine Quelle sein könnten, aber zwei Hauptbedenken mit sich bringen. Erstens sind Wettervorhersagen selbst unvollkommen, und die Erstellung von Prognosen auf der Grundlage von ihnen könnte Ungenauigkeiten verstärken. Zweitens müssen Prognosen im Zusammenhang mit Supply-Chain-Angelegenheiten oft mehr als eine Woche im Voraus erstellt werden, in einem Zeitraum, in dem die Genauigkeit von Wettervorhersagen erheblich abnimmt.
Zweitens erzeugen Wettervorhersagen große Datenmengen, die möglicherweise schwer zu verwalten sind. Vermorel veranschaulicht dies, indem er darauf hinweist, dass bei der Betrachtung des Wetters ein Datenpunkt pro Stunde pro Quadratkilometer alle 20 Minuten generiert wird. Dabei geht es nicht nur um die Temperatur, sondern auch um die Luftfeuchtigkeit, die Windgeschwindigkeit und -richtung sowie das Licht, was zu Terabytes an Daten führt, die schwer in die Supply Chain integriert werden können.
Die Diskussion wechselt von den Komplexitäten der Wetterdaten zur Potenzial der menschlichen Intelligenz zur Verbesserung von Prognosen. Vermorel bestätigt die enorme Fähigkeit des menschlichen Gehirns, erkennt jedoch, dass dies aufgrund der hohen Kosten keine praktikable Lösung ist. Für jedes große Unternehmen in der Supply Chain müssen täglich Tausende bis Millionen von Supply-Chain-Entscheidungen getroffen werden, für die eine beträchtliche Anzahl intelligenter Personen erforderlich ist. Die meisten Unternehmen können sich jedoch nicht leisten, so viele Mitarbeiter einzustellen, weshalb sie auf Softwareunternehmen angewiesen sind. Vermorel akzeptiert, dass obwohl
menschlicher Input die Prognosegenauigkeit erheblich verbessern kann, er nicht skalierbar ist, und dieses praktische Problem erfordert Softwarelösungen.
Vermorel betont die Notwendigkeit, den Intellekt der Menschen in Unternehmen im kapitalistischen Sinne zu nutzen. Ihr Wissen und ihre Erkenntnisse sollten als wertvolle Ressourcen betrachtet werden, die sich im Laufe der Zeit ansammeln, anstatt als wegwerfbare oder verbrauchbare Einheiten. Dieser Ansatz kann zu kontinuierlichen Verbesserungen in den Supply-Chain-Systemen führen.
Vermorel schlägt eine Möglichkeit vor, den Intellekt der Menschen zu nutzen, indem die Qualität der in das Prognosesystem eingespeisten Daten verbessert wird. Datenqualität ist nicht gegeben; sie erfordert kontinuierliche Wartungs- und Verbesserungsbemühungen. Transaktionsdaten spielen laut Vermorel eine entscheidende Rolle bei der Verbesserung der Prognosegenauigkeit und bieten noch Raum für weitere Verbesserungen. Zum Beispiel verfolgen nur wenige Unternehmen die Bestandsausverkauf-Historie genau. Um jedoch zukünftige Nachfrage vorherzusagen, ist es wichtig festzustellen, ob der fehlende Verkauf auf fehlende Nachfrage oder auf einen Bestandsausverkauf zurückzuführen war. Daher setzt sich Vermorel dafür ein, alle relevanten Daten, einschließlich Bestandsausverkäufen, Promotions und Wettbewerbspreisen, ordnungsgemäß zu erfassen, um die Prognosegenauigkeit zu verbessern.
Bei der Prognose für Produkte, die noch nicht auf den Markt gebracht wurden, erkennt Vermorel die inhärente Herausforderung an, insbesondere in volatilen Branchen wie Technologie und Mode, in denen historische Daten nicht vorhanden oder unregelmäßig sind. Er argumentiert, dass das Ziel nicht absolute Prognosegenauigkeit ist, sondern eine Prognose, die genauer ist als das, was Teams unter Berücksichtigung ihrer Zeitbeschränkungen produzieren können.
In Situationen wie der Mode, in denen neue Produktstarts keine historischen Daten haben, bietet Vermorel eine Lösung an. Er schlägt vor, dass einzelne Produkte zwar neu sein können, sie jedoch aus einem Markt stammen, den das Unternehmen durch seine eigenen Verkäufe beobachtet hat. Daher kann eine statistische Prognose auf der Grundlage historischer Produktstarts und Produktmerkmale erstellt werden. Diese Methode kann beispielsweise ein neues Hemd mit zuvor eingeführten Hemden korrelieren, um eine Prognose zu erstellen, die aufgrund der volatilen Natur der Modebranche möglicherweise nicht äußerst genau ist, aber profitabel genug sein kann.
Vermorel bestätigt, dass Lokad diesen Ansatz in seinem Prognosemodell verwendet und so auch unter herausfordernden Bedingungen wie neuen Produktstarts effektive Vorhersagen ermöglicht.
Vollständiges Transkript
Kieran Chandler: Heute sprechen wir über ein Thema, das in der Supply-Chain-Branche viel Meinungsverschiedenheiten hervorruft: die Genauigkeit der Prognosen. Ich freue mich, heute den CEO und Gründer von Lokad, Joannes Vermorel, bei uns zu haben, der mir bei der heutigen Diskussion etwas helfen wird. Also Joannes, vielen Dank, dass du heute bei uns bist.
Joannes Vermorel: Danke, Kieran.
Kieran Chandler: Joannes, wenn man sich die Supply-Chain-Branche als Ganzes ansieht, sieht man oft, dass Praktiker viel über die Genauigkeit ihrer Prognosen klagen. Wenn man sich jedoch die Softwareanbieter ansieht, behaupten sie oft, sehr hohe Genauigkeiten zu haben. Beide können nicht recht haben. Wie siehst du die Situation?
Joannes Vermorel: Die Situation ist in der Tat verwirrend. In den letzten beiden Jahrzehnten, vielleicht sogar länger, gibt es auf jeder großen Supply-Chain-Messe mindestens einen Top-Softwareanbieter, der behauptet, den Prognosefehler um 50% oder etwas Ähnliches reduziert zu haben. Offensichtlich sollten wir, wenn man einen 50%igen Fehlerreduktionswert pro Jahr über 20 Jahre hinweg addiert, logischerweise überhaupt keinen Prognosefehler mehr haben, was offensichtlich nicht der Zustand der Supply-Chain-Branche ist. Es gibt immer noch Prognosefehler. Eine andere Möglichkeit, es zu betrachten, ist, dass Prozentsätze irreführend sind. Die Annahme, dass man den Prognosefehler um X Prozent reduzieren kann, ist der falsche Ansatz. Prognosefehler kosten Unternehmen Geld, ausgedrückt in Dollar, nicht in Prozent. Worüber wir uns wirklich Gedanken machen sollten, sind die Dollarbeträge des Fehlers für Unternehmen, die echte Supply Chains betreiben.
Kieran Chandler: Das macht viel Sinn, denn letztendlich sind Unternehmen dazu da, Geld zu verdienen. Das ist grundlegende Wirtschaft, oder? Unternehmen wollen ihre Gewinne maximieren und Unternehmen profitieren davon. Auch als Gesellschaft können wir profitieren, weil wir eine bessere Auswahl an Produkten zu niedrigeren Preisen erhalten. Das ist jedoch nicht das, was wir wirklich in der Branche sehen. Die Branche ist immer noch sehr darauf fixiert, Prozentsätze zu verwenden. Warum sind sie so darauf fixiert? Was ist der Grund dafür?
Joannes Vermorel: Die Kernsucht nach MAPE (Mean Absolute Percentage Error) hat ihre Wurzeln darin, dass Prozentsätze einfach sind. Es ist einfach, einen Prozentsatz zu berechnen. Mit einem Prozentsatz verpflichtet sich niemand wirklich zu etwas und es wird niemandes Budget beeinflussen. Es macht mehr Sinn, Fehler in Dollar auszudrücken, aber es klärt die Einsätze und wer für den Fehler verantwortlich sein sollte. Unternehmen, die große Lieferketten betreiben, bestehen aus vielen Menschen. Diese Menschen, die Teil einer großen Organisation sind, neigen dazu, risikoscheu zu sein. Sie möchten nichts vorbringen, was den Rest ihrer eigenen Organisation antagonisieren würde, und die Ausdrückung des Prognosefehlers in Dollar tut genau das. Es zeigt die Bereiche auf, die wirklich für die Fehlerdollar verantwortlich sind. Während Prozentsätze einfach sind, sind Dollar die richtige Metrik. Das ist wahrscheinlich der Grund, warum wir immer noch in dieser Situation feststecken; das Einfache ist einfach einfacher zu tun.
Kieran Chandler: Okay, wenn wir jetzt vorerst die Fehlerdollar beiseite lassen und nur die Fehlerprozentsätze als Beispiel nehmen, gibt es dann einen technologischen Prozess, dem man folgen kann, um den Prozentsatz des Fehlers zu verbessern? Was können Softwareunternehmen in dieser Hinsicht tun?
Joannes Vermorel: Obwohl sich die Prognosefehler in den letzten zwanzig Jahren nicht um 50 Prozent pro Jahr verbessert haben, hat sich die Prognosegenauigkeit verbessert. Der Großteil der Verbesserung wurde nicht durch Fortschritte in der Welt der Lieferketten vorangetrieben, sondern durch einen sehr breiten technologischen Fortschritt aus einem Bereich namens statistisches Lernen, das allgemein als maschinelles Lernen bekannt ist. Die neueste Variante davon ist tatsächlich Deep Learning. Es gab also in den letzten 20 Jahren echten technologischen Fortschritt.
Kieran Chandler: Es ist bekannt, dass die Verwendung bestimmter Techniken für die Bedarfsplanung und Prognose in der Lieferkette zu einer signifikanten messbaren Verbesserung der Prognosen führen kann. Es ist ein Fortschritt, der in Prozentsätzen, aber auch in Dollar gemessen werden kann. Es ist also sehr greifbar. Aber es muss doch noch eine andere Möglichkeit geben, die Genauigkeit dieser Prognosen zu verbessern. Könnten Unternehmen und Softwareanbieter zum Beispiel die Genauigkeit ihrer Prozesse ändern? Könnten sie ihre Teams besser schulen?
Joannes Vermorel: Es gibt in der Tat zwei Dinge, die sie tun können. Erstens können sie den Umfang der Prognosen selbst verfeinern. Was ich meine, ist der Übergang zu probabilistischen Prognosen. Der traditionelle Typ der Prognose macht eine einzige Aussage, wie zum Beispiel “meine zukünftige Nachfrage wird genau so sein”. Probabilistische Prognosen hingegen nehmen eine viel holistischere Sicht ein. Es können viele Dinge passieren, es gibt eine irreduzible Unsicherheit über die Zukunft, und so weisen wir all diesen potenziellen Zukunftsszenarien Wahrscheinlichkeiten zu. Das ist eine Möglichkeit, wie Unternehmen sich verbessern können, indem sie Prognosen übernehmen, die mehr über die Zukunft aussagen. Es muss nicht unbedingt genauer sein, es muss nur mehr Informationen über die Zukunft liefern. Das ist das Wesen probabilistischer Prognosen.
Der andere Aspekt besteht darin, darüber nachzudenken, was getan werden kann, um den Menschen zu ermöglichen, diese Prognosen zu nutzen, um bessere Entscheidungen zu treffen. Bessere Prognosen sind großartig, aber können wir sie in bessere Entscheidungen in der Lieferkette umsetzen? Letztendlich sind bessere Entscheidungen in der Lieferkette mit messbarem Einfluss das, was wirklich zählt. Das sind also die beiden Aspekte, auf die wir schauen.
Kieran Chandler: Und diese probabilistischen Prognosen werden von Daten gesteuert, oder?
Joannes Vermorel: Ja, absolut.
Kieran Chandler: Was den Aspekt der Daten betrifft, wo ziehen Sie die Grenze? Zum Beispiel sind Dinge wie das Wetter ziemlich interessant. Im Sommer kaufen die Menschen eher Eis, während sie im Winter eher heiße Schokolade, Schals und Handschuhe kaufen. Können wir solche Dinge wie Wettervorhersagen in die probabilistischen Prognosen einbeziehen?
Joannes Vermorel: Das ist eine sehr breite Frage. Um die Prognosegenauigkeit zu verbessern, müssen Sie Informationen einbeziehen, und diese Informationen müssen irgendwoher kommen. Der erste Ort, an dem Sie nach diesen Informationen suchen können, sind die historischen Daten des Unternehmens selbst. Ich glaube jedoch, dass die meisten Unternehmen, sagen wir 99% von ihnen, die hochwertigen Transaktionsdaten, die sie bereits haben, nicht vollständig nutzen.
Was externe Quellen wie Wettervorhersagen betrifft, bringen sie mindestens zwei verschiedene Bedenken mit sich. Erstens sind Wettervorhersagen unvollkommen. Wenn Sie Prognosen auf der Grundlage anderer Prognosen erstellen möchten, stoßen Sie auf das Problem der Kumulierung von Prognoseungenauigkeiten. Dies ist ein herausforderndes Problem, das in der Praxis gelöst werden muss. Darüber hinaus müssen Sie, wenn Sie an Supply-Chain-Probleme denken, in der Regel mehr als sieben Tage im Voraus denken, und die Genauigkeit von Wettervorhersagen ist in der Praxis ziemlich schlecht. Die Verwendung von Wettervorhersagen ist also problematisch.
Und dann gibt es noch ein weiteres Problem. Jeder, der versucht hat, diese externen Datenquellen zu nutzen, wird feststellen, dass damit Herausforderungen verbunden sind.
Kieran Chandler: Bei Wettervorhersagen, die bei statistischen Prognosen ziemlich wichtig sind, sprechen wir von umfangreichen Daten. Es handelt sich nicht nur um einen Datenpunkt; es handelt sich um einen Datenpunkt pro Stunde, pro Quadratkilometer, alle 20 Minuten im Voraus. Wir müssen Faktoren wie Temperatur, Luftfeuchtigkeit, Wind und Lichtrichtung berücksichtigen. Die Daten, die Sie zur Verfeinerung Ihrer Supply-Chain-Prognose verwenden möchten, sind immens. Wir reden buchstäblich von Terabytes an Daten. Können Sie über die praktischen Aspekte der Implementierung einer so großen Datenmenge sprechen?
Joannes Vermorel: Ja, in der Tat können die praktischen Aspekte der Integration von globalen Wetterdaten in Ihre Supply Chain überwältigend sein. Es ist eine herausfordernde Aufgabe. Es gibt Dinge, die viel einfacher zu tun sind. In der Praxis ist das Wetter wahrscheinlich nicht das beste Beispiel.
Kieran Chandler: Okay, lassen Sie uns einen anderen Blickwinkel betrachten. Was ist mit dem menschlichen Gehirn? Es ist ein unglaublich leistungsfähiges 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 sind in bestimmten Aufgaben hervorragend, wie zum Beispiel beim Spielen von Go oder Schach. Aber das Supply-Chain-Management ist ein sehr offenes Problem, das die volle Bandbreite menschlicher Intelligenz erfordert. Ein einfacher Computer kann keinen Supply Chain Scientist übertreffen, weil er viel mehr erfordert. Das Problem bei menschlicher Intelligenz ist jedoch nicht ihre Fähigkeit, sondern ihre Kosten. Große Supply-Chain-Unternehmen haben täglich mit Tausenden, wenn nicht Millionen, von Lieferketten zu tun. Die Frage ist, wie viele kluge Menschen Sie sich leisten können, um diese notwendigen täglichen Entscheidungen zu treffen? Die Antwort, wie bei unseren Kunden zu sehen ist, ist normalerweise nicht genug. Ja, menschliche Eingabe kann die Prognosegenauigkeit erheblich verbessern, aber sie skaliert nicht gut und stellt daher eine praktische Herausforderung dar. Deshalb verlässt sich die Branche auf Softwareunternehmen wie uns.
Kieran Chandler: Das ist ein wichtiger Punkt. Wie schlagen Sie vor, dass Unternehmen ihre intelligenten Mitarbeiter am besten nutzen? Sollten sie ihre Intuition und ihr Wissen auf die Systeme anwenden? Wie sollte diese Integration erfolgen?
Joannes Vermorel: Die entscheidende Frage hier ist, wie wir diese Personen nutzen können, um den Prognosefehler zu reduzieren. Sie möchten ihre Erkenntnisse nicht einfach konsumieren und verwerfen; das ist nicht der richtige Ansatz. Sie müssen ihr Wissen im Laufe der Zeit zur kontinuierlichen Verbesserung nutzen. 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 kontinuierliche Anstrengungen. Zum Beispiel verfolgen nur sehr wenige Unternehmen genau die Geschichte von Lagerbeständen. Aber wenn Sie die zukünftige Nachfrage prognostizieren möchten, müssen Sie zwischen keinem Verkauf in einem bestimmten Zeitraum aufgrund von fehlender Nachfrage und keinem Verkauf aufgrund eines Lagerbestands unterscheiden.
Kieran Chandler: Nehmen Sie all das ordnungsgemäß auf? Es gibt viele Dinge wie Lagerbestände, Werbeaktionen, Ihre eigenen Preise und die Preise Ihrer Mitbewerber, die Sie in Ihren Datensatz aufnehmen können. Diese sind sehr handlungsorientiert und können Ihre Prognose genauer machen.
Joannes Vermorel: In der Tat gibt es zahlreiche Faktoren, die berücksichtigt werden können, um die Genauigkeit der Prognose zu verbessern.
Kieran Chandler: Wenn es um die Genauigkeit der Prognose geht, wie prognostizieren Sie für ein Produkt, das noch nicht auf den Markt gebracht wurde? In Branchen wie Technologie und Mode gibt es keine historischen Daten und diese Branchen sind ziemlich unberechenbar. Gibt es Hoffnung auf genaue Prognosen?
Joannes Vermorel: Das ist eine sehr knifflige Frage. Es geht nicht darum, eine genaue Prognose im absoluten Sinne zu erhalten. Wenn es darum ginge, das nächste trendige Produkt im Mode-Marktplatz für das nächste Jahr vorherzusagen, würde ich keine statistische Prognose machen. Ich würde an der Börse spielen. Die eigentliche Frage ist, wie man eine Prognose erstellen kann, die genauer ist als das, was Ihr Team mit seiner begrenzten Zeit produzieren kann. Es geht nicht um absolute Genauigkeit, sondern um relative Genauigkeit.
Kieran Chandler: Also, Sie schlagen vor, dass es keine Hoffnung auf eine absolut genaue Prognose gibt, insbesondere in der Mode?
Joannes Vermorel: Im absoluten Sinne, nein, Mode ist zu unberechenbar. Allerdings können wir nach etwas streben, das vergleichsweise genauer ist. Die Herausforderung besteht darin, ob wir eine statistische Prognose haben können, die in der Mode funktioniert, wo die Produkte, die Sie prognostizieren möchten, keine historischen Daten haben. Es ist verwirrend, weil statistische Prognosen auf Daten beruhen. Aber hier ist ein Ansatz. Wenn Sie ein Modeunternehmen sind, bringen Sie jedes Jahr Tausende von Produkten auf den Markt. Selbst wenn es sich um ein völlig neues Produkt zu handeln scheint, ist es nicht völlig neu. Es entsteht in einem Markt, den Sie anhand Ihrer eigenen Verkäufe beobachten können. Wenn Sie also eine statistische Prognose erstellen möchten, müssen Sie alle Ihre vergangenen historischen Markteinführungen und die Merkmale des Produkts nutzen.
Kieran Chandler: Also sagen Sie, dass wir immer noch vergangene Daten verwenden können, um genaue Vorhersagen zu treffen?
Joannes Vermorel: Genau. Sie können dieses neue Hemd, das Sie jetzt auf den Markt bringen, mit Hemden korrelieren, die Sie in der Vergangenheit auf den Markt gebracht haben. Was bleibt, ist die völlig unberechenbare Natur der Modebranche, die sich in der Ungenauigkeit der Prognose widerspiegeln wird. Der Punkt ist, dass Sie dies angehen können und eine Prognose erstellen können, die für Produktneueinführungen profitabel genug ist.
Kieran Chandler: Das klingt nach dem, was Sie bei Lokad tun?
Joannes Vermorel: In der Tat, das ist genau das, was wir bei Lokad tun.
Kieran Chandler: Vielen Dank für Ihre Zeit und diese Diskussion. Wir hoffen, dass unsere Zuhörer sie genossen haben. Wenn jemand Fragen hat, zögern Sie nicht, sich bei uns zu melden, schicken Sie uns eine E-Mail oder hinterlassen Sie einen Kommentar unten. Wir können einige der interessanteren Fragen in den kommenden Wochen diskutieren. Bis dahin vielen Dank, dass Sie uns heute begleitet haben, und wir sehen uns bald wieder.