Probabilistische Vorhersage für supply chains

00:00:03 Probabilistische Vorhersagen: Einführung und Überblick.
00:01:34 Unsicherheit und Genauigkeit bei probabilistischer Vorhersage.
00:02:25 Probabilistische Vorhersagen: Umgang mit Asymmetrien in der supply chain.
00:04:33 Schwer fassbare Grenzen und unwahrscheinliche Ereignisse bei probabilistischen Vorhersagen.
00:07:43 Die Rolle mathematischer Modelle in der probabilistischen Vorhersage.
00:09:15 Bewertung der Genauigkeit einer probabilistischen Vorhersage.
00:11:14 Nachteile klassischer Vorhersagen im Vergleich zu probabilistischen Vorhersagen.
00:13:07 Die Abhängigkeit von Industrien von klassischen Vorhersagen und Excels Grenzen.
00:15:23 Die besten Anwendungsfälle der probabilistischen Vorhersage.
00:18:43 Industrien, in denen probabilistische Vorhersagen nicht erforderlich sind.
00:20:03 Probabilistische Vorhersage: Einführung und Gründe.
00:22:34 Zukünftiger Ausblick der probabilistischen Vorhersage.
00:24:27 Zukünftige Methoden: Weglassen der expliziten Berechnung von Wahrscheinlichkeiten.
00:25:37 Fokussierung auf relevante Zukunftsszenarien und Nachfragen.
00:26:14 Unsicherheiten im zeitlichen Verlauf der Produktnachfrage.
00:27:03 ‘Was-wäre-wenn’-Szenarien: Auswirkung von Preisänderungen.
00:27:56 Die Bedeutung selektiver Erkundungen.

Zusammenfassung

In dieser Diskussion mit Kieran Chandler erläutert Joannes Vermorel, Gründer von Lokad, die Natur und die Vorteile der probabilistischen Vorhersage. Im Gegensatz zu deterministischen Vorhersagen bieten probabilistische Vorhersagen eine Bandbreite von Ergebnissen, von denen jedes mit einer bestimmten Wahrscheinlichkeit verbunden ist. Dieser Ansatz wird als ein besserer Weg betrachtet, um Asymmetrien in der supply chain anzugehen, wie z. B. die unterschiedlichen Implikationen einer Über- oder Unterschätzung der Nachfrage. Er beschränkt sich nicht auf Durchschnittswerte, sondern bewertet ein Kontinuum potenzieller Szenarien. Obwohl komplex, machen Fortschritte in der Rechenleistung und deep learning die probabilistische Vorhersage zugänglicher. Vermorel prognostiziert eine Zukunft, in der Vorhersagen die Unsicherheit einbeziehen und eine Vielzahl von Variablen integrieren, was eine detailliertere und realistischere Darstellung möglicher Zukünfte verspricht.

Ausführliche Zusammenfassung

In dieser Folge von Lokad TV beginnt Kieran Chandler einen Dialog mit Joannes Vermorel, dem Gründer von Lokad, in dem er über probabilistische Vorhersagen, deren Vorteile, Implementierung und Einsatz in Unternehmen spricht.

Vermorel erklärt, dass probabilistische Vorhersagen eine Art von Prognosen darstellen, bei denen das Wissen über die Zukunft unvollkommen bleibt. Im Gegensatz zu deterministischen Vorhersagen, die ein einziges endgültiges Ergebnis vorhersagen, skizzieren probabilistische Vorhersagen ein Spektrum potenzieller Ergebnisse, von denen jedes mit einer bestimmten Wahrscheinlichkeit verbunden ist. Die Idee ist, die der Zukunft innewohnende Unsicherheit anzunehmen. Diese Methode mag keine absolute Präzision garantieren, bietet jedoch potenziell eine bessere Grundlage für entscheidungsbasierte Optimierung.

Laut Vermorel liegt der Hauptvorteil probabilistischer Vorhersagen gegenüber traditionellen Prognosen in der Fähigkeit, Asymmetrien in der supply chain zu bewältigen. Er hebt hervor, dass eine Überschätzung bzw. Unterschätzung der Nachfrage zu asymmetrischen Ergebnissen führen kann. Zum Beispiel könnte in der Luftfahrtbranche eine Überschätzung der Nachfrage zu einem überschüssigen Schraubenteil führen, das 50 Euro kostet, während eine Unterschätzung dazu führen könnte, dass ein Flugzeug stillgelegt wird und Verzugskosten in Hunderttausenden nach sich zieht.

Vermorel betont, dass traditionelle Prognosemethoden häufig ein durchschnittliches Ergebnis anstreben. Er weist jedoch darauf hin, dass in der supply chain die Kosten meist eher durch Extremereignisse getrieben werden. Er veranschaulicht das Problem weiter mit Beispielen aus der Luftfahrt- und dem Lebensmitteleinzelhandel, wo übermäßige Lagerbestände zu Ausschuss und finanziellen Verlusten führen können.

Wenn es um Extreme geht, macht Vermorel deutlich, dass es keine festen Grenzen gibt, sondern vielmehr ein Kontinuum seltener Ereignisse. Für ein typisches Produkt könnte es eine 5%-Chance geben, die doppelte Tagesnachfrage zu beobachten, eine 1%-Chance, die vierfache Tagesnachfrage, und eine winzige Wahrscheinlichkeit, die zehnfache Tagesnachfrage zu erleben. Die probabilistische Vorhersage beschränkt sich nicht auf Durchschnittswerte, sondern untersucht eine Bandbreite möglicher Ergebnisse.

Obwohl Vermorel die Herausforderung anerkennt, unendlich viele zukünftige Möglichkeiten zu bewerten, argumentiert er, dass moderne Rechenressourcen es erlauben, ein breites Spektrum an Risiken einzubeziehen. Extremereignisse wie das Sinken einer Lieferung sind unwahrscheinlich, aber Verzögerungen im Zoll oder andere logistische Probleme könnten berücksichtigt werden, da sie ähnliche Auswirkungen auf die supply haben können.

Vermorel fährt fort, die faszinierende Natur der probabilistischen Vorhersage zu entwirren. Er führt die Notwendigkeit geeigneter Metriken ein, um die Genauigkeit probabilistischer Vorhersagen zu bewerten, idealerweise mit einer stärkeren Gewichtung jener Ereignisse, denen vom Modell höhere Wahrscheinlichkeiten zugeordnet werden.

Im Vergleich zu einer hypothetischen Vorhersage, dass Italien die Weltmeisterschaft gewinnt, zeigt Vermorel, dass sich die Präzision eines Modells darin widerspiegelt, wie eng seine zugeordneten Wahrscheinlichkeiten mit den tatsächlichen Ereignissen übereinstimmen. Er vergleicht probabilistische Vorhersagen mit klassischen Prognosen und stellt fest, dass, auch wenn erstere nicht grundsätzlich genauer sein mögen, sie reichhaltigere Informationen bieten, indem sie eine breitere Palette potenzieller Ergebnisse berücksichtigen.

Vermorel erklärt weiter, dass probabilistische Vorhersagen zu klassischen Prognosen „zusammengefasst“ werden können, indem man einen Durchschnittswert bildet. Dieser Prozess lässt jedoch wertvolle Informationen über extreme oder „Tail“-Ereignisse außer Acht – solche mit überraschend hoher oder niedriger Nachfrage. Diese Ereignisse haben in supply chain-Kontexten oft stärkere finanzielle Auswirkungen, da Abweichungen vom Durchschnitt zu kostspieligen Ergebnissen wie Fehlbeständen oder Abschreibungen von Lagerbeständen führen können.

Trotz dieser Vorteile räumt Vermorel ein, dass viele Branchen weiterhin klassische Prognosetechniken einsetzen, oft unter Verwendung von Excel. Er erklärt, dass dies an der Zugänglichkeit und Bequemlichkeit von Excel bei der Erstellung einfacher Vorhersagen liegt. Der Übergang zur probabilistischen Vorhersage würde den Verzicht auf Excel erfordern, bedingt durch die Komplexität und den Rechenaufwand, der mit der Berücksichtigung einer großen Anzahl potenzieller Zukünfte einhergeht.

Vermorel weist darauf hin, dass Branchen, die von hoher Unsicherheit geprägt sind, wie Mode, Luftfahrtwartung, e-commerce und Einzelhandel auf Filialebene, ideal für probabilistische Vorhersagen geeignet sind. Diese Branchen kämpfen mit Unvorhersehbarkeiten, von launenhaften Modetrends über sporadische Bedarfe an spezifischen Flugzeugteilen bis hin zum Long Tail im e-commerce und schwankenden Verkaufszahlen im Einzelhandel großer Märkte.

Vermorel identifiziert Situationen, in denen probabilistische Vorhersagen möglicherweise

weniger geeignet sind, beispielsweise in Branchen oder Fällen, in denen zukünftige Ergebnisse genau vorhergesagt werden können. Zum Beispiel in der Zementproduktion oder bestimmten Automobilproduktionslinien, bei denen langfristige Verträge eine klare Sicht auf künftige Anforderungen bieten. Hier genügen herkömmliche Prognosemethoden. Der wahre Wert der probabilistischen Vorhersage, so Vermorel, zeigt sich in Situationen mit erheblichen Unsicherheiten, in denen zukünftige Ergebnisse nicht präzise vorhergesagt werden können.

Das Gespräch wendet sich dann der Frage zu, warum probabilistische Vorhersagen trotz ihrer nicht neuen Konzeption immer beliebter werden. Vermorel nennt zwei Hauptfaktoren: die gesunkenen Kosten für Rechenleistung und das Aufkommen statistischer Methoden wie deep learning. Vor einem Jahrzehnt waren die für probabilistische Berechnungen benötigten Rechenressourcen exorbitant teuer. Mit sinkenden Kosten sind diese Methoden zugänglicher geworden. Auch Fortschritte im deep learning, einem Teilbereich der KI, der durch probabilistisches Modellieren vorangetrieben wird, haben den Aufstieg der probabilistischen Vorhersage weiter beflügelt.

Im Gespräch über die Zukunft der probabilistischen Vorhersage behauptet Vermorel mit Überzeugung, dass es keinen Rückzug zu klassischen Methoden geben wird. Probabilistische Vorhersagen bieten mehr Einblicke in die Zukunft, was es kontraproduktiv macht, zu Methoden mit weniger Information zurückzukehren. Er räumt jedoch ein, dass die Komplexitäten, insbesondere wenn Vorhersageszenarien mehrere Faktoren oder Produkte betreffen, erheblich sind. Die zu untersuchenden Szenarien wachsen exponentiell mit jedem hinzugefügten Element, sodass explizite Wahrscheinlichkeitsberechnungen nahezu unmöglich werden. Dies, so Vermorel, wird zukünftige Methoden in Richtung Berechnungen treiben, die nicht versuchen, alle Wahrscheinlichkeiten auszudrücken – ein Ansatz, der bereits im deep learning eingesetzt wird.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir genau besprechen, was probabilistische Vorhersagen sind, warum sie vorteilhaft sein können und wie sie zudem in Unternehmen implementiert werden können, um deren Arbeitsweise zu verbessern. Also Joannes, ein momentan interessantes Thema, da wir so viele Sportfans und Wettanbieter haben, die herausfinden wollen, wer genau den World Cup gewinnen wird. Vielleicht ein guter Anfang: Was sind probabilistische Vorhersagen?

Joannes Vermorel: Probabilistische Vorhersagen stellen eine Klasse von Prognosen dar, bei denen man unvollständige Informationen über die Zukunft hat. Man hat ein Gespür für die wahrscheinlichen Zukünfte, also für die Zukünfte, die eine Chance haben einzutreten, gegenüber denen, die keine Chance haben. Typischerweise betrachtet man Vorhersagen als endgültig, wie zum Beispiel: “Dieses Team wird gewinnen.” Aber der Punkt ist, dass man es nicht mit Sicherheit weiß; es besteht lediglich eine gewisse Wahrscheinlichkeit, dass dieses Team gewinnt. Eine präzisere Vorhersage besteht darin, tatsächlich eine Auswahlliste von Teams zu haben, die sehr stark sind und gemeinsam eine sehr hohe Gewinnwahrscheinlichkeit besitzen. Es ist zwar nicht so befriedigend, den Gewinner zu kennen, aber aufgrund der inhärenten Unsicherheit kann dies niemand jemals wissen. Probabilistische Vorhersagen bedeuten, eine Aussage über die Zukunft zu treffen, die Wahrscheinlichkeiten beinhaltet. Sie nehmen das grundlegende Prinzip an, dass man nicht alles über die Zukunft weiß und auch nicht so tun sollte, als ob man es täte.

Kieran Chandler: Was ist also der Hauptvorteil davon im Vergleich zu traditionellen Prognosetechniken?

Joannes Vermorel: Der Hauptvorteil besteht darin, dass probabilistische Vorhersagen einen Ansatz bieten, alle Asymmetrien in der supply chain anzugehen. Damit meine ich, dass die Kosten einer Über- oder Unterschätzung der Nachfrage nicht symmetrisch sind. Nehmen wir zum Beispiel die Luftfahrt. Wenn Sie Ihre Nachfrage überschätzen, haben Sie möglicherweise eine Schraube auf Lager, die Sie nie verwenden. Aber wenn Sie Ihren Bedarf an Schrauben unterschätzen, kann ein Flugzeug stillgelegt werden, nur weil eine Schraube fehlt – und das könnte Sie Hunderttausende an Kosten für Umleitungen und Verzögerungen kosten. Das Problem bei klassischen Vorhersagen ist, dass man auf den Durchschnitt zielt. Aber in der supply chain möchte man nicht unbedingt den Durchschnitt absichern. Ihre Kosten werden in der Regel viel stärker durch Extremwerte bestimmt. Wenn Sie zu viel Inventar im Lebensmitteleinzelhandel haben, müssen Sie es möglicherweise vollständig wegwerfen und den gesamten Investitionsaufwand verlieren.

Kieran Chandler: Wenn wir also über diese Extremfälle sprechen, sind das im Grunde Grenzen, oder? Wie können wir also feststellen, wo diese Grenzen liegen?

Grenzen können schwer fassbar sein; es ist eine Frage der Wahrscheinlichkeit. Wenn man beispielsweise in einem Geschäft normalerweise eine Nachfrage von, sagen wir, fünf Einheiten pro Tag für ein bestimmtes Produkt hat, könnte es eine 5%-Chance geben, dass an einem beliebigen Tag zehn Einheiten nachgefragt werden, eine 1%-Chance, dass 20 Einheiten angefragt werden, und eine fast null Prozentige Chance, dass an einem Tag 50 Einheiten nachgefragt werden. Es gibt also keine endgültige Grenze, sondern ein Kontinuum von Ereignissen, die immer seltener werden, und man kann deren Wahrscheinlichkeiten bewerten. Aber in diesem Kontinuum, meinen Sie, dass Sie jede einzelne Möglichkeit vorhersagen? Sicherlich muss man irgendwo den Stab ziehen. Man kann nicht genau wissen, was morgen passieren wird. Zum Beispiel, wenn Ihnen Produkte geliefert werden, besteht die Möglichkeit, dass das Schiff, mit dem sie kommen, sinkt. Können Sie wirklich jede einzelne mögliche Zukunft berücksichtigen?

Joannes Vermorel: Es gibt eine Grenze dessen, was wir bewerten können, bedingt durch die Rechenressourcen. Ja, wir haben Computer mit viel Speicher und Rechenleistung, aber wir müssen die Anzahl der Merkmale, die wir bewerten, auf eine endliche Zahl beschränken. Dennoch verfügen Computer über enorme Rechenressourcen. Selbst wenn die Anzahl der Zukünfte, die sie bewerten können, endlich ist, kann sie dennoch äußerst groß sein. Zum Beispiel können Sie für ein Produkt, das normalerweise nur wenige Einheiten pro Tag verkauft, erschwinglich die Wahrscheinlichkeit bewerten, tausend Einheiten zu verkaufen, selbst wenn die Chance dafür nur 1 zu einer Million beträgt. Ebenso, bezüglich des Risikos, dass ein Schiff sinkt, mag die Wahrscheinlichkeit eine Chance zu einer Million betragen, doch ein Computer kann Milliarden von Berechnungen pro Sekunde durchführen.

Joannes Vermorel: Auch wenn wir das Risiko eines sinkenden Schiffs vielleicht nicht in Betracht ziehen, können wir das Risiko bewerten, dass ein Schiff unbefristet beim Zoll festgehalten wird. Das kann passieren und zu einer dreimonatigen Verzögerung aufgrund von Problemen im Zollprozess führen. Eine solche Verzögerung wäre – was Ihre Lieferung betrifft – fast so schlimm wie das Sinken des Schiffs. Zum Beispiel, wenn Sie Badeanzüge erwarten, ist die Saison vorbei, bis Sie diese erhalten. Es wäre Winter, und Ihr Produkt wäre nutzlos.

Kieran Chandler: Ja, ein Schiff am Grund des Ozeans ist in der Tat ein extremes Beispiel. Lassen Sie uns über die mathematischen Modelle sprechen, die Sie erwähnt haben. Wie wissen wir, welches am besten zu verwenden ist? Soweit ich verstehe, gibt es je nach verwendetem mathematischen Modell unterschiedliche Prognosen und unterschiedliche Prognosetechniken.

Joannes Vermorel: Zuerst benötigen Sie ein mathematisches Modell, das Wahrscheinlichkeitsverteilungen erzeugt, was sich stark von den Modellen unterscheidet, die Sie vielleicht in Excel verwenden. Wenn Menschen an Prognosen denken, stellen sie sich typischerweise eine Art gleitenden Durchschnitt vor. Sie betrachten, wie die Nachfrage letzte Woche oder im letzten Jahr war, mitteln den entsprechenden Zeitraum, und das ergibt Ihnen eine Prognose. Es ist keine schlechte Methode, aber sie liefert einen Einzelpunktwert.

Wenn Sie sich in die probabilistische Welt begeben möchten, benötigen Sie etwas, das eine Wahrscheinlichkeitsverteilung erzeugt. Ihnen steht eine Vielzahl mathematischer Modelle zur Verfügung. Das bekannteste ist das Poisson-Modell, oder wenn Sie wirklich schick sein wollen, können Sie einen Blick auf negative binomiale Modelle werfen. Dies sind verschiedene Klassen parametrischer Modelle, aber es gibt auch nichtparametrische Modelle.

Kieran Chandler: Ich verstehe, dass der Einsatz eines ausgefeilteren mathematischen Modells Wahrscheinlichkeiten erzeugen kann, die dabei helfen, die Nachfrage vorherzusagen. Allerdings scheint das nicht das Ende des Prozesses zu sein. Egal, was passiert, Ihr Modell kann immer sagen “Ich hab’s doch gewusst”. Wenn es 10 Einheiten Nachfrage prognostiziert und wir beobachten 10, liegt das Modell richtig. Beobachten wir 100 Einheiten, so wird immer noch gesagt, dass es eine Wahrscheinlichkeit für dieses Ereignis gab. Wie wissen wir also, ob ein Modell gut ist oder nicht?

Joannes Vermorel: Da haben Sie Recht. Deshalb benötigen wir bessere Metriken, Metriken, die für probabilistische Prognosen geeignet sind. Wenn Ihr Modell einem Ereignis, das tatsächlich eintritt, eine hohe Wahrscheinlichkeit zuweist, dann leistet Ihr Modell eine gute Arbeit. Beispielsweise, wenn ich vorhersage, dass Italien eine 80%-ige Chance hat, die Weltmeisterschaft zu gewinnen, und sie gewinnen nicht, war das Modell ungenau. Wenn ich jedoch sage, Italien habe eine 5%-ige Chance, und sie gewinnen nicht, dann war das Modell einigermaßen genau. Diese Metriken messen, wie viel Gewicht in Form von Wahrscheinlichkeit auf die tatsächlich eintretenden Ereignisse gelegt wird.

Kieran Chandler: Es ist interessant, dass Sie Genauigkeit ansprechen. Wie verhält sich die Genauigkeit einer probabilistischen Prognose im Vergleich zu einer traditionellen Prognose? Es scheint, als würden sie ganz unterschiedliche Dinge messen.

Joannes Vermorel: In der Tat, das tun sie. Eine probabilistische Prognose ist per Design nicht genauer als eine klassische Prognose. Eine Wahrscheinlichkeitsverteilung kann jedoch zu einer klassischen Prognose zusammengefasst werden, indem man den Durchschnitt nimmt. Das Problem dabei ist, dass Sie alle Informationen über die Ausläufer verlieren – also über die Ereignisse, bei denen die Nachfrage überraschend hoch oder niedrig ausfallen könnte. Sie können die Genauigkeit einer probabilistischen Prognose mit einer traditionellen Metrik wie dem mittleren absoluten prozentualen Fehler messen, aber das ergibt eigentlich wenig Sinn. Das Ziel ist es, mehr Informationen über überraschende Ereignisse zu erfassen. Man möchte, dass die Prognose dort genau ist, wo es finanziell wirklich auf die Details ankommt. In supply chain management ist das nicht immer die durchschnittliche Situation.

Kieran Chandler: Also ist im Wesentlichen der Vorteil probabilistischer Prognosen, dass Sie einen umfassenderen Blick erhalten und reichhaltigere Vorhersagen treffen können?

Joannes Vermorel: Ja, genau. Sie bieten Ihnen mehr Dimensionen und mehr Tiefe, um die Zukunft zu verstehen.

Kieran Chandler: Aber trotz alledem verwenden viele in der Branche immer noch herkömmliche Prognosetechniken. Warum sind die Leute immer noch mit diesen Methoden zufrieden?

Joannes Vermorel: Ich würde nicht unbedingt sagen, dass sie diese Techniken bevorzugen. Die Realität ist, dass die meisten supply chains immer noch stark auf Werkzeuge wie Excel angewiesen sind, die nicht dafür konzipiert sind, probabilistische Prognosen zu erstellen.

Kieran Chandler: Prognosen – ich meine, es ist möglich, eine etwas poetische Prognose zu erstellen, aber das ist bei weitem nicht so bequem. Eine klassische Prognose zu erstellen, bedeutet im Grunde, ein Rezept für einen gleitenden Durchschnitt zusammenzustellen, und dann passt alles. Wenn Sie sich jedoch in die probabilistische Welt begeben möchten, müssen Sie Excel aufgeben. Sie müssen nicht nur aufhören, die Prognose in Excel zu erstellen, sondern auch aufhören, Entscheidungen in Excel zu treffen. Warum ist das so?

Joannes Vermorel: Ihre Entscheidung wird zu einer Erkundung aller möglichen Zukünfte. Sie werden alle möglichen Entscheidungen abwägen und diese Entscheidungen gegen alle möglichen Zukünfte reflektieren, um das wirtschaftliche Ergebnis jeder einzelnen Entscheidung zu evaluieren. So können Sie direkt die beste Entscheidung basierend auf allen möglichen Ergebnissen auswählen. Plötzlich erkennen Sie, dass Sie eine Vielzahl von Merkmalen berücksichtigen und eine große Anzahl von Entscheidungen gegen noch größere potenzielle Zukünfte bewerten müssen. Das wird rechnerisch viel intensiver und ist grundsätzlich nicht mit Excel vereinbar.

Kieran Chandler: Wenn ich Sie richtig verstehe, liegt der Grund, warum die Leute das nicht tun, vor allem darin, dass ihnen die notwendigen Werkzeuge fehlen. Sie greifen zu Excel nicht, weil sie es bevorzugen, sondern weil ERP es nicht geschafft hat, die Art von ausgefeilter Risikoanalyse zu liefern, die sie für die richtigen Entscheidungen in ihrer supply chain benötigen. Also, wenn wir über diese Branchen sprechen: In welchen Branchen funktioniert probabilistische Prognose am besten? Wo sehen Sie die besten Ergebnisse bei probabilistischen Prognosen?

Joannes Vermorel: Probabilistische Prognosen glänzen wirklich, wenn eine Unsicherheit besteht. Zum Beispiel, wenn Sie den Stromverbrauch auf nationaler Ebene prognostizieren möchten, können Sie dies mit einem hohen Maß an Präzision tun. Sie können eine Prognose mit einer Genauigkeit von 0,5% haben, wenn Sie den Stromverbrauch von Frankreich in einem einstündigen Zeitfenster vorhersagen wollen – wahrscheinlich bis zu 48 Stunden im Voraus. Das ist eine Situation, in der Sie die Zukunft fast perfekt kennen. Dasselbe gilt, wenn Sie vorhersagen möchten, wie viel Verkehr auf den Straßen zu erwarten ist – hier können Sie sehr genaue Prognosen erstellen, weil dies höchst vorhersehbar ist. Aber wenn Sie in Bereiche vorstoßen, in denen die Unsicherheit größer ist, entfalten probabilistische Prognosen ihren wahren Wert.

Kieran Chandler: Können Sie einige Beispiele für diese Bereiche nennen?

Joannes Vermorel: Absolut. Branchen wie die Mode, in der die Trends sehr unberechenbar sind, sind gute Beispiele. Die Modebranche weist eine Menge irreduzibler Unsicherheiten auf. Auch die Luft- und Raumfahrt sowie die allgemeine Instandhaltung sind mit einer großen Unsicherheit behaftet – nicht weil die Flugzeuge unzuverlässig sind, sondern weil es viele Teile gibt, die selten benötigt werden. Man weiß nie, wann man ein Teil braucht, und es gibt so viele Ersatzteile und Flugzeuge, dass es nicht vergleichbar ist mit dem Verkauf von Milchflaschen auf einem offenen Markt, wo täglich Hunderte von Einheiten verkauft werden. Es ist viel unberechenbarer.

E-Commerce im Allgemeinen ist ein weiteres Beispiel. Das Long-Tail-Phänomen bei Produkten ist tatsächlich extrem ausgeprägt, und der Großteil Ihrer Verkäufe stammt von Produkten, die mit intermittierenden und unregelmäßigen Umsätzen einhergehen. Und vergessen wir nicht alles, was am Point of Sale und auf der Geschäfts­ebene passiert. Selbst wenn man schaut, was in einem Geschäft vor sich geht – selbst in einem Hypermarkt, der bis zu hunderttausend Artikel führen kann – gibt es in Europa beispielsweise nur etwa 2.000 Produkte, bei denen täglich fünf oder mehr Einheiten verkauft werden. Bei allen anderen Produkten werden weniger als fünf Einheiten pro Tag verkauft. Es sind also kleine Zahlen, und die Unregelmäßigkeit ist groß. Probabilistische Prognosen glänzen hier, weil sie Ihnen Einblick in die Risiken geben, die mit den von Ihnen getroffenen Lagerhaltungsentscheidungen verbunden sind.

Kieran Chandler: Also, zusammengefasst, glänzen probabilistische Prognosen in Bereichen, in denen ein hohes Maß an Unsicherheit herrscht?

Joannes Vermorel: Das ist korrekt.

Kieran Chandler: Egal, ob Sie es mit überraschend niedriger Nachfrage zu tun haben oder mit überraschend hoher Nachfrage – überall, wo viel Unsicherheit besteht, müssen Sie Ihre Entscheidungen so optimieren, dass alle möglichen Extrema berücksichtigt werden. Wir haben also umfangreich über die Vorteile probabilistischer Prognosen gesprochen und darüber, wo sie besonders gut funktionieren. Aber wie sieht es mit den Branchen aus, in denen sie nicht ganz so passend sind? Gibt es Bereiche, in denen klassische Prognosen vollkommen ausreichend sind?

Joannes Vermorel: Ja, zum Beispiel, wenn Sie Zement produzieren und Kunden Ihnen einen Auftragsbestand für die nächsten drei Jahre liefern, benötigen Sie gar keine Prognosen. Wenn Sie die Zukunft kennen, ist das auch bei einigen Produktionslinien in der Automobilindustrie der Fall. Wenn Sie wissen, dass Sie 12 Monate im Voraus exakt wissen, was Sie produzieren werden – weil etwa ein großer Automobilhersteller Ihnen eine sehr präzise Roadmap liefert, von der maximal fünf Prozent abweichen können – dann, wenn keinerlei Unsicherheiten mehr über Ihre Pläne bestehen und es nur um reine Ausführung geht, hilft probabilistische Prognose nicht weiter. Probabilistische Prognosen nützen nur, wenn eine gewisse Unberechenbarkeit vorhanden ist. Wenn Sie die Zukunft nicht exakt kennen können, wenn Ihre Roadmap bereits für die nächsten 12 Monate feststeht, dann ist probabilistische Prognose im Grunde irrelevant.

Kieran Chandler: Okay, und warum ist es so, dass Unternehmen jetzt anfangen, probabilistische Prognosen zu verwenden? Ich meine, es ist keine besonders neue Technologie, oder? Warum wird sie jetzt in der Industrie etwas häufiger eingesetzt?

Joannes Vermorel: Es gibt wahrscheinlich mehrere Gründe. Erstens sind diese Verfahren viel rechenintensiver; man arbeitet mit statistischen Modellen, die 100- bis 1.000-mal mehr Rechenleistung benötigen. Die gute Nachricht ist, dass Rechenleistung noch nie so günstig war – sie ist selten der Engpass. Dennoch bedeutete das vor einem Jahrzehnt, dass die meisten dieser Wahrscheinlichkeitsberechnungen extrem teuer waren. Es ist ein ganz anderes Szenario, Ihre supply chain mit einem Budget von 2.000 Euro pro Monat für Rechenleistung zu betreiben, statt mit zwei Millionen Euro pro Monat. Drei Größenordnungen Unterschied bedeuten in Bezug auf die Kosten einen enormen Unterschied. Offensichtlich hat also die stark günstigere Rechenleistung wesentlich dazu beigetragen, diese Methoden praktikabler zu machen. Der zweite Punkt ist, dass es eine gesamte Klasse statistischer Methoden gibt, die als Deep Learning bekannt sind – von dort stammt auch das Schlagwort artificial intelligence. Es dreht sich alles um Deep Learning, und dabei stehen probabilistische Prognosen im Hintergrund. Vielleicht interessiert es Sie nicht oder Sie verstehen die technischen Details nicht, aber Sie könnten einfach die Tatsache schätzen, dass Sie ein piece of software haben, das Sprach­erkennung für Sie durchführt – das wird alles durch probabilistische Berechnungen im Hintergrund angetrieben. Zuerst hatten wir mehr Rechenleistung, dann traten mathematische Theorien wie Deep Learning an die Spitze in Bezug auf AI-Benchmarks. Beispielsweise, als die KI es schaffte, Spieler wie den Weltmeister im Go zu schlagen, wurde eine probabilistische Methode eingesetzt, nicht eine kombinatorische.

Kieran Chandler: Also klingt es, als ob probabilistische Prognosen sehr gegenwärtig sind, aber wie sieht es mit der Zukunft aus? Wie erwarten Sie die nächsten Schritte in der probabilistischen Prognose? Glauben Sie, dass sie noch lange Bestand haben wird, oder wie sehen Sie das?

Joannes Vermorel: Ja, ich denke, die Katze ist aus dem Sack, und sie wird nicht mehr zurückkommen. Wir werden wahrscheinlich nie wieder zu klassischen Prognosen zurückkehren. Sobald Sie eine probabilistische Prognose haben, wissen Sie deutlich mehr über die Zukunft, und es wäre sehr seltsam, zu einem Ansatz zurückzukehren, der Ihnen grundsätzlich viel weniger Einsicht bietet.

Kieran Chandler: Weniger Informationen über die Zukunft – selbst wenn man sagt, dass man alle möglichen Zukünfte erkunden möchte. In der Praxis erkunden wir aber nicht alle Möglichkeiten. Zum Beispiel können wir sagen, ich habe eine Wahrscheinlichkeit, null, eine, zwei, drei Einheiten dieses Produkts zu verkaufen, und eine ähnliche Analyse für ein anderes Produkt durchführen. Aber was ist mit der gemeinsamen Wahrscheinlichkeit dieser beiden Produkte?

Joannes Vermorel: In der Tat. Plötzlich muss ich vielleicht hundert Szenarien abschätzen, um alle möglichen Nachfragesituationen für mein Produkt A zu berücksichtigen. Ich muss hundert Szenarien für alle möglichen Nachfragen von Produkt B evaluieren. Aber was ist, wenn man alle Szenarien von Produkt A und B zusammen betrachtet? Das wären zehntausend Szenarien. Und wenn ich ein drittes Produkt hinzufüge, bei dem es hundert mögliche Szenarien gibt, wären das eine Million Szenarien. Die Situation wird sehr schnell komplex, wenn Sie versuchen, alle Wahrscheinlichkeiten explizit darzustellen. Ich denke, was wir in Zukunft immer häufiger sehen werden, sind Methoden, die nicht einmal versuchen, diese Wahrscheinlichkeiten explizit auszudrücken. Man versucht gar nicht, alle Möglichkeiten für sämtliche Ereignisse zu berechnen, sondern nutzt Methoden, die diese Berechnungen durchführen, ohne jede Wahrscheinlichkeit explizit anzugeben. Darum geht es bei Deep Learning und KI-Techniken. Sie berechnen Wahrscheinlichkeiten – aber nicht dadurch, dass alles als Wahrscheinlichkeit ausgedrückt wird. Der große Vorteil ist, dass Sie Szenarien bezüglich einer extrem komplexen Zukunft erkunden können, die weit über die Kapazitäten eines einzelnen Computers oder sogar eines ganzen Rechnerverbunds hinausgehen.

Joannes Vermorel: Mit cleveren mathematischen Tricks können Sie dennoch all diese Merkmale erkunden. Das Wesentliche am Deep Learning ist, dass Sie die Zukunft nicht zufällig erkunden, sondern sich auf jene Zukünfte konzentrieren, die höchstwahrscheinlich für die Prognose relevant sind. Sie fokussieren sich also auf die Bereiche, die relativ dicht beieinanderliegen, wo die Wahrscheinlichkeit höher ist, dass sie interessant werden, anstatt zufällig alles zu durchkämmen.

Dieser Ansatz wird Tonnenweise Szenarien freischalten. Beispielsweise wird eines der Dinge, die wir wahrscheinlich noch in diesem Jahr erkunden werden, darin bestehen, nicht nur alle möglichen Nachfragelevels für Produkte zu betrachten, sondern auch alle möglichen Zeithorizonte. Sie möchten eine Prognose für die Nachfrage, die zu jedem beliebigen Zeitpunkt beginnen und zu jedem beliebigen Zeitpunkt enden kann – beides zufällig.

Dies ist eine Methode, um beispielsweise ein Szenario abzubilden, bei dem Sie eine Lieferung per Schiff erhalten und Unsicherheit besteht. Sie wissen nicht genau, wann das Produkt in Ihrem Laden, online oder offline, nicht mehr verfügbar sein wird, und möchten diese Unsicherheit in Ihre Lagerhaltungsplanung einbeziehen.

Sie müssen berücksichtigen, dass Sie Unsicherheiten darüber haben, wann die Waren eintreffen und wann die Nachfrage tatsächlich beginnt und endet. Wenn Sie noch weiter blicken möchten, wäre es sehr interessant, Was-wäre-wenn-Szenarien zu erkunden.

Im Rahmen unserer langfristigen Roadmap planen wir sogar, damit zu beginnen, alle möglichen Zukunftsszenarien zu erforschen, wenn man alle Preisänderungen berücksichtigt, die man bei seinen Produkten vornehmen kann. Man möchte herausfinden, welche Zukunftsszenarien für die Nachfrage entstehen, wenn man seine Preise so belässt, wie sie sind, und was wäre, wenn man alle Möglichkeiten zusätzlicher Preisänderungen untersucht.

Wenn man anfängt, all diese möglichen Zukunftsszenarien zu bedenken, werden die Zahlen extrem groß. Der Trick besteht darin, dass man nicht versuchen möchte, all diese Zukunftsszenarien einzeln durchzugehen. Man möchte mathematische Techniken einsetzen, die es ermöglichen, viele davon zu erforschen, ohne sie einzeln aufzulisten.

Kieran Chandler: Nun, es klingt, als gäbe es so viele Möglichkeiten. Ich bin froh, dass das den Computern überlassen wird, denn sonst würde mein Gehirn wahrscheinlich explodieren. Aber für heute müssen wir es dabei belassen. Vielen Dank, dass du dir die Zeit genommen hast, uns alles über probabilistische Vorhersagen zu erzählen. Es war wirklich interessant. Danke. Das war’s für die heutige Folge. Wir sind nächste Woche wieder da, aber bis dahin, stelle sicher, dass du unsere Videos abonniert hast, und wir sehen uns bald wieder. Tschüss fürs Erste.