Das Problem mit Flowcasting

00:00:08 Einführung in Flowcasting und seine Ursprünge.
00:02:04 Kontrast von Flowcasting mit traditionellen Supply-Techniken.
00:04:40 Relevanz und Herausforderungen von Flowcasting heute.
00:06:06 Analyse des Scheiterns von Flowcasting und erforderliche Erkenntnisse.
00:07:06 Wie Stochastizität zu Flowcasting-Fehlern führen kann.
00:08:06 Grenzen der fraktionalen Nachfrageprognose.
00:10:15 Praktische Umsetzung und Fehler von Flowcasting.
00:11:13 Positive Erkenntnisse aus Flowcasting: disaggregierte Nachfragedaten.
00:13:46 Ganzheitlicher Ansatz von Flowcasting zur Optimierung der Supply Chain.
00:15:14 Unterschied zwischen Flowcasting und dem Ansatz von Lokad.
00:17:31 Komplexitäten spezifischer Supply-Chain-Szenarien.
00:19:37 Vorhersagen zu zukünftigen Trends in der KI-Implementierung.
00:21:43 Wert des Flowcasting-Buchs trotz seiner Mängel.

Zusammenfassung

Im Interview diskutiert Joannes Vermorel, der Gründer von Lokad, die Stärken und Schwächen von Flowcasting, einer Methode der Supply-Chain-Planung. Er schätzt den Fokus auf nachfragezentrierte, disaggregierte Prognosen und Automatisierung, kritisiert jedoch den deterministischen Ansatz, der die Zufälligkeiten in der Supply Chain nicht berücksichtigt. Lokad versucht, diese Komplexitäten mit einer Programmiersprache namens Envision zu bewältigen, aber Vermorel räumt ein, dass kein System die Feinheiten der Supply Chain vollständig erfassen kann. Vermorel ist auch skeptisch gegenüber der Rolle von KI im Supply Chain Management, und er zieht eine Unterscheidung zwischen KI als trendigem Begriff und den tatsächlichen algorithmischen Techniken. Trotz seiner Mängel erkennt er den Wert der Erkenntnisse an, die Flowcasting für das Management der Einzelhandels-Supply Chain bietet.

Erweiterte Zusammenfassung

Im Interview diskutieren Moderator Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, die Technik des Flowcasting im Kontext der bedarfsgesteuerten Supply-Chain-Planung. Flowcasting wurde in einem gleichnamigen Buch aus dem Jahr 2006 eingeführt und gilt als ‘Heiliger Gral’ auf diesem Gebiet, da es eine optimale Effizienz verspricht, indem es nur am Verkaufspunkt prognostiziert werden muss.

Flowcasting zielt auf Einzelhandelsnetzwerke ab. Vermorel erklärt das Kernprinzip wie folgt: Prognostiziere jeden einzelnen Artikel an jedem einzelnen Standort, jeden Tag, und strebe nach höchstmöglicher Genauigkeit. Das umfassende Bild, das aus diesen Prognosen gewonnen wird, ermöglicht die Rekonstruktion aller erforderlichen Supply-Chain-Entscheidungen. Die Flowcasting-Vision liefert wertvolle Erkenntnisse und betont die Nähe zur Nachfrage, ein Faktor, der in älteren Techniken nicht priorisiert wurde. Es legt auch Wert auf die Bewertung einzelner Produkte pro Geschäft anstelle von aggregierten Clustern, was im Vergleich zur kategorienweisen, top-down-Prognose eine disaggregiertere Herangehensweise ist, die damals vorherrschte.

Die Umsetzung von Flowcasting erweist sich jedoch als eine andere Geschichte. Vermorel stellt fest, dass es “nie” wie erwartet funktioniert. Einzelhandelsnetzwerke, die dieses theoretische Konzept umsetzen wollen, finden es “brutal funktionsunfähig”. Die Ursache dafür liegt in der vollständigen Missachtung des Konzepts der “Stochastizität” - der inhärenten Zufälligkeit bei Produktverkäufen auf Geschäftsebene.

Flowcasting basiert auf deterministischer Prognose und geht davon aus, dass man mit absoluter Sicherheit die genaue Menge eines Produkts vorhersagen kann, die in Zukunft verkauft wird. Es berücksichtigt nicht die inhärente Zufälligkeit der Einzelhandelsverkäufe in der realen Welt und die fragmentierte Nachfrage auf der Produkt- und Tagesebene. Dieser unrealistische Ansatz macht die Prognosen unwirksam. Noch wichtiger ist, dass er dazu führt, dass wirtschaftliche Treiber bei der Optimierung von Lieferkettenprozessen vernachlässigt werden, was die Strategie weiter destabilisiert.

Auf die Frage nach den praktischen Konsequenzen der Implementierung von Flowcasting gibt Vermorel zu, dass die Einzelhandelsnetzwerke, mit denen er vertraut ist, in seiner Erfahrung nie über das Prototypenstadium hinauskommen, aufgrund der dargelegten Komplikationen. Daher betont das Interview die Notwendigkeit, sich mit den inhärenten Einschränkungen von Flowcasting und den Realitäten der stochastischen Lieferkette auseinanderzusetzen, um es effektiv in einer Einzelhandelsumgebung umzusetzen.

Ein kritischer Punkt des Gesprächs betrifft ‘Flowcasting’, eine bekannte Lieferketten-Technik. Trotz der Herausforderungen erkennt Vermorel an, dass Flowcasting wertvolle Einblicke bietet. Er betont den Ansatz der Technik, sich so nah wie möglich an die Nachfrage auf der disaggregierten Ebene anzunähern. Die disaggregierte Ebene, so behauptet Vermorel, ist nicht das einzelne Produkt im einzelnen Geschäft, sondern jede einzelne Einheit, die an individuelle Kunden verkauft wird. Diese Erkenntnis führt seiner Meinung nach zur Konzeption von Zeitdiagrammen über Zeitreihen, wobei die Identitäten der Kunden und ihr Kaufverhalten berücksichtigt werden.

Darüber hinaus schätzt Vermorel den Schwerpunkt von Flowcasting auf Automatisierung und besteht darauf, dass Lokad diese Strategie ebenfalls übernimmt. Er erklärt die Vorteile von täglichen Datenaktualisierungen und stellt fest, dass das Versäumnis, dies zu tun, zu unnötiger Komplexität und verpassten Chancen führt, da man mit veralteten Daten arbeiten würde. Diese unnötige Komplexität, so sagt er, ist unsinnig und eine Verschwendung von Ressourcen.

Die nächste Erkenntnis, die Vermorel aus Flowcasting gewinnt, ist die Idee der Synchronizität und die Notwendigkeit eines ganzheitlichen Blicks auf die Lieferkette. Indem man das gesamte Netzwerk und alle seine Flüsse von der Produktion bis zur Nachfrage des Endkunden untersucht, können Versorgungsprobleme effektiver gelöst werden, anstatt sie einfach zu verlagern. Dies steht im Gegensatz zum häufigeren Ansatz der Optimierung jeder Stufe unabhängig voneinander, der möglicherweise vernetzte Auswirkungen übersieht.

Vermorels Kritik an Flowcasting konzentriert sich auf dessen Vereinfachung. Obwohl Einfachheit im Allgemeinen ein bewundernswertes Ziel ist, warnt er davor, dass dies nicht zu einer naiven mathematischen Darstellung einer komplexen Realität führen sollte. Während sich Flowcasting als einfach in Excel darstellt, argumentiert Vermorel, dass es die Komplexitäten von Lieferketten vereinfacht.

Laut Vermorel unterscheidet sich der Ansatz von Lokad von Flowcasting durch die Akzeptanz der inhärenten Komplexität von Lieferketten. Er betont, dass Lieferketten von Natur aus unordentlich und kompliziert sind. Das Modell von Lokad umfasst Unsicherheit, die er als irreduzibel betrachtet. Daher beinhaltet ihr Ansatz eine probabilistische Algebra, die zwar komplizierter ist, aber zu realistischeren Ergebnissen führt. Daher versucht die Methodik von Lokad nicht, die Unsicherheit zu beseitigen, sondern erkennt sie an und arbeitet mit ihr.

Um das Supply Chain Management weiter zu erschweren, erläutert Vermorel die zahlreichen Randfälle, die existieren, wie unterschiedliche Anforderungen an Verpackungen oder spezifische Produktformate in verschiedenen Geschäften und bei individuellen Kunden. Solche Variationen erfordern laut Vermorel nuancierte und flexible Lösungen, die diesen Komplexitäten Rechnung tragen, anstatt einen Einheitsansatz zu verfolgen.

Um diesen Komplexitäten gerecht zu werden, entwickelt Lokad eine Programmiersprache namens Envision, die darauf abzielt, die Einfachheit zu wahren, ohne die Realitäten des Supply Chain Managements zu beeinträchtigen. Dieses System bietet eine bessere Annäherung an die Realität, aber Vermorel gibt zu, dass kein System die Komplexitäten realer Lieferketten vollständig erfassen kann.

Im Laufe der Diskussion wird das Konzept des Flowcasting, einer Lieferkettenmethodik, genauer betrachtet. Vermorel spekuliert, dass Flowcasting möglicherweise besser abgeschnitten hätte, wenn es eine Form der probabilistischen Algebra eingebunden hätte. Er weist darauf hin, dass Flowcasting trotz seiner Mängel eine mutige Vision für seine Zeit war.

Den Fokus auf aufkommende Technologien verlagernd, äußert Vermorel Skepsis gegenüber dem Einsatz von künstlicher Intelligenz (KI) im Supply Chain Management. Er argumentiert, dass KI, obwohl oft als magische Lösung gepriesen, viele Unternehmen enttäuschen wird, da beeindruckende technologische Fortschritte in Bereichen wie Bilderkennung nicht direkt auf die Lösung von Supply Chain Problemen übertragen werden können.

Vermorel unterscheidet jedoch zwischen dem KI-Buzzword und grundlegenden algorithmischen Techniken wie Deep Learning und Differentiable Programming. Diese könnten äußerst nützlich sein, wenn sie sorgfältig auf die einzigartigen Herausforderungen des Supply Chain Managements abgestimmt werden.

In Bezug auf Flowcasting betont Vermorel, dass trotz seiner mathematischen Mängel das zugrunde liegende Buch aufgrund seiner nützlichen Einblicke in das Supply Chain Management im Einzelhandel immer noch lesenswert ist. Obwohl viele seiner Konzepte noch nicht vollständig genutzt werden, bleiben diese Ideen bis heute gültig und wertvoll.

Schließlich wird in dem Gespräch deutlich, dass die Welt des Supply Chain Managements eine komplexe ist, für die es keine einzige, einfache Lösung gibt. Vermorel betont die Bedeutung flexibler und anpassungsfähiger Systeme, die die komplexen Realitäten der Supply Chain Dynamik besser abbilden können, und schließt mit der Förderung eines umfassenden und nuancierten Ansatzes.

Vollständiges Transkript

Kieran Chandler: Heute auf Lokad TV werden wir mehr über diese Technik erfahren und diskutieren, ob sie heute noch relevant ist. Also Joannes, vielleicht sollten wir einfach damit beginnen, ein wenig mehr darüber zu erklären, was Flowcasting eigentlich ist und wie es funktioniert?

Joannes Vermorel: Flowcasting war ein Begriff, der mit der Veröffentlichung eines Buches im Jahr 2006 geprägt wurde, das ebenfalls “Flowcasting” heißt. Es handelt sich um eine Technik, die sich auf Einzelhandelsnetzwerke spezialisiert und eine Optimierung der Lieferkette für solche Netzwerke bietet. Das Buch präsentiert viele interessante Einblicke und Rezepte, wie man es umsetzen kann. Einfach ausgedrückt geht es darum, jedes einzelne Produkt an jedem einzelnen Standort auszuwählen, jeden einzelnen Tag im Voraus zu prognostizieren, idealerweise mit sehr genauen Prognosen, und dann erhält man ein vollständiges Bild von allem, was passieren wird, basierend auf den Verkäufen der Kunden. Anschließend kann man alle Lieferkettenentscheidungen, die man treffen muss, rekonstruieren, indem man diese super disaggregierten Prognosen, die auf der Produkt-Ebene pro Standort täglich vorliegen, nimmt und diese Daten reaggregiert. Dadurch kann man alle Lieferkettenentscheidungen rekonstruieren, indem man einfach rückwärts von diesen Prognosen geht, vom Geschäft zurück zum Lager, zurück zu den Lieferanten.

Kieran Chandler: Interessant. Was war also so anders an dieser Vision? Wie unterschied sie sich von einigen der damals vorhandenen Techniken?

Joannes Vermorel: Sie unterschied sich durch eine Reihe sehr präziser Erkenntnisse, insbesondere die Bedeutung, so nah wie möglich an der Nachfrage zu sein. Das war keine neue Entdeckung, aber meines Wissens war es eines der ersten Bücher, das die Notwendigkeit betonte, so nah wie möglich am besten Nachfrage-Signal zu sein, das man hat: den Verkäufen am Ende der Kette. Das unterscheidet sich von vielen Lieferketten, bei denen typischerweise nur eine Echelon das betrachtet, was in der nächsten Echelon passiert. Zum Beispiel würde ein Lieferant sich anschauen, was im Lager passiert, das bei ihm einkauft, aber er würde nicht schauen, was in den Geschäften passiert. Flowcasting war in dieser Hinsicht sehr kohärent. Es plädierte dafür, dem Nachfrage-Signal nahe zu sein und schlug vor, dass es einen Wert darin gibt, auf der am stärksten disaggregierten Ebene - Produkt pro Geschäft - zu schauen, anstatt alles pro Woche pro Produkt wieder zu aggregieren, nur weil es numerisch einfacher zu verarbeiten ist.

Kieran Chandler: Also, mit “disaggregiert” meinen Sie, dass dies bis auf jede einzelne SKU Ebene in jedem einzelnen Geschäft heruntergebrochen wird?

Joannes Vermorel: Genau. Das ist etwas, das Flowcasting vorschlägt und sich von den meisten Techniken der damaligen Zeit unterscheidet. Typischerweise wurden Top-Down-Prognosen erstellt, bei denen nach Kategorien prognostiziert wurde, diese nach Unterkategorien aufgeteilt wurden, dann nach Regionen und so weiter. Am Ende hatte man vielleicht ein paar Cluster von typischen Geschäften und sagte: “Nun, wenn ich Geschäftstyp A, Typ B, Typ C habe, werde ich einfach auf der Grundlage des Geschäftsprofils zuweisen” und so weiter. Diese Methode vermeidet die Auseinandersetzung mit der am stärksten disaggregierten Stufe, nämlich jedem einzelnen Produkt an jedem einzelnen Standort, wo die Datenmenge geradezu explodiert.

Kieran Chandler: Warum sprechen wir also heute darüber? Gibt es nicht modernere Techniken, die dies ersetzt haben? Warum ist es immer noch relevant?

Joannes Vermorel: Nun, vor zehn Jahren war Flowcasting der letzte Schrei, und ich habe mindestens ein halbes Dutzend großer Einzelhandelsnetzwerke gesehen, die sehr an seinen Erkenntnissen interessiert waren. Es hat jedoch nie in der Praxis funktioniert. Es war wie ein Buch voller scheinbar ausgezeichneter Ideen, aber als die Leute versuchten, es umzusetzen, scheiterte es völlig. Es war brutal funktionsunfähig, was angesichts der Einfachheit der Ideen unerwartet war. Das Buch vermittelte den Eindruck, dass man es mit täglichen Prognosen leicht umsetzen könnte, und es gab einige einfache Rezepte, um diese Prognosen zu erstellen und sie anschließend für Entscheidungen in der Lieferkette zu nutzen. Es stellte sich heraus, dass es beim Versuch, es in die Praxis umzusetzen, gewaltsam nicht funktionierte. Der Grund, warum Flowcasting gescheitert ist, liegt darin, dass es einige äußerst wichtige Dinge übersehen hat. Die meisten Akteure auf dem Markt kennen diese Erkenntnisse jedoch immer noch nicht. Flowcasting ist nach einem Jahrzehnt aus der Mode gekommen, aber die Gründe für sein Scheitern sind immer noch nicht gut bekannt. Das bedeutet, dass, wenn nicht viele Akteure ihr Verständnis verbessern, sie mit denselben Problemen konfrontiert werden.

Kieran Chandler: Auf den ersten Blick scheint es logisch zu sein, sich einen Verkaufspunkt anzusehen, dort eine Prognose zu erstellen und sie dann in der gesamten Lieferkette zurückfließen zu lassen. Wo geht es dann schief?

Joannes Vermorel: Es geht aufgrund von Stochastizität oder Unsicherheit schief. Die Verkäufe auf Geschäftsebene sind sehr unregelmäßig und zufällig. Ja, Sie könnten etwa eine Einheit pro Woche verkaufen, aber Sie wissen nie, an welchem Tag der Woche. Flowcasting beruhte auf einer deterministischen Prognose, bei der Sie mit perfekter Genauigkeit sagen konnten, dass Sie in zwei Tagen genau eine Flasche Shampoo für eine bestimmte Referenz verkaufen werden. Das ist jedoch aufgrund der inhärenten Zufälligkeit im Einzelhandelsverkauf nicht realistisch.

Kieran Chandler: Und genau da fällt alles auseinander. Diese Prognosen haben keine Möglichkeit, irgendeine Art von Unsicherheit widerzuspiegeln. Genau dort fällt die Prognose vollständig auseinander - Unsicherheit fehlt. Daher, weil Unsicherheit fehlt und Sie davon ausgehen, dass Ihre Prognosen korrekt sind, versäumen es Ihre Prognosen, die Zukunft genau widerzuspiegeln. Es handelt sich nicht um beweiskräftige Prognosen. Wenn es um die Optimierung der Lieferkette geht, handeln Sie, als ob Ihre Prognosen korrekt sind, und ignorieren dabei das, was wir wirtschaftliche Treiber nennen, die das Gleichgewicht all dieser Risiken herstellen. Im Wesentlichen haben Sie ein Problem, das die Unsicherheit ignoriert, und infolgedessen ignorieren Sie auch die wirtschaftlichen Treiber, die für die Optimierung unter Unsicherheit zentral sind. Also, wenn es so viele Probleme mit diesem Ansatz gab, was ist tatsächlich passiert, als Einzelhändler versuchten, ihn umzusetzen? Gab es weit verbreitete Katastrophen?

Joannes Vermorel: Die Einzelhandelsnetzwerke, mit denen ich in Kontakt stand, sind nie über das Prototypenstadium hinausgekommen. Sie waren vorsichtig und haben es in sehr kleinem Maßstab ausprobiert. Aber tatsächlich waren die Zahlen, die dabei herauskamen, so unsinnig, dass die Praktiker der Lieferkette sagten: Nein, das können wir nicht in den Laden bringen. Es war entweder viel zu wenig, viel zu wenig oder viel zu viel. Es ergab buchstäblich keinen Sinn. Nach meinem Kenntnisstand ist kein großes Einzelhandelsnetzwerk über das Prototypenstadium hinausgegangen, das mehr als nur einige Dutzend Produkte in einigen Geschäften umfasste, etwas sehr Kleinskaliges, und wurde sehr schnell beendet, weil es brutal dysfunktionierte.

Kieran Chandler: Also kann nicht alles schlecht sein. Flowcasting war eine ziemlich bekannte Technik, hatte einen guten Ruf. Welche guten Erkenntnisse wurden uns gegeben?

Joannes Vermorel: Es gab mehrere interessante Erkenntnisse. Sie schlugen vor, sich so nah wie möglich an die Nachfrage heranzutasten und dass die am stärksten disaggregierte Ebene pro Geschäft, pro Produkt ist. Ich stimme der Idee zu, dass Sie so disaggregiert wie möglich sein müssen, aber ich bin anderer Meinung, dass pro Produkt, pro Geschäft die am stärksten disaggregierte Ebene ist. Die am stärksten disaggregierte Ebene ist direkt jede einzelne Einheit, die an jeden einzelnen Kunden verkauft wird. Heutzutage verfügen die meisten Einzelhandelsnetzwerke über Kundenverfolgung durch Treuesprogramme. Sie wissen also nicht nur, dass Sie dieses Produkt an diesem Ort an diesem Tag verkauft haben, sondern auch, an wen Sie dieses Produkt verkauft haben. Sie sollten also nicht nur in Bezug auf Zeitreihen denken, wie in Flowcasting beschrieben, sondern als Zeitgraph, in dem Sie genau wissen, an wen Sie verkaufen. Das enthält noch mehr Informationen. Die Schlüsselerkenntnis von Flowcasting, auf der am stärksten disaggregierten Ebene anzusetzen, ist jedoch zutiefst korrekt.

Ein weiterer Aspekt, den sie richtig verstanden haben, war die Idee der Automatisierung mit täglichen Aktualisierungen. Das ist genau das, was Lokad bis jetzt vorschlägt. Wenn Sie keine vollständige Automatisierung haben - die Daten vom Vortag abrufen, sie verarbeiten und alle Ihre Prognosen und Entscheidungen auf der Grundlage Ihrer Prognose aktualisieren - dann lassen Sie viel Geld auf dem Tisch liegen. Denn wenn Sie Daten von letzter Woche verwenden, versuchen Sie, den Umsatz von gestern vorherzusagen. Aber Sie müssen den Umsatz von gestern nicht vorhersagen. Sie kennen ihn bereits. Daher ist es sinnvoll, diese täglichen Aktualisierungen vorzunehmen, da Sie sonst Daten von letzter Woche verwenden, um vorherzusagen, was gestern passiert ist, was unsinnig ist.

Eine weitere gute Erkenntnis aus Flowcasting ist das, was sie Synchronizität nennen. Sie drücken die Idee aus, dass Lieferketten eine ganzheitliche Sicht über Ihre Ebenen hinweg benötigen. Das haben wir mit dem Bridgestone-Fall gemacht, den wir in einer früheren Episode besprochen haben. Wenn Sie Ihre Lieferkette optimieren möchten, müssen Sie eine ganzheitliche Perspektive auf das gesamte Netzwerk und alle Flüsse haben, von der Nachfrage des Endkunden bis zur Produktion. Wenn Sie diese Art ganzheitlicher Perspektive nicht haben, verlagern Sie nur Probleme anstatt sie zu lösen. Flowcasting hatte also diese sehr richtige Erkenntnis, dass Sie das Netzwerk als Ganzes betrachten müssen, anstatt nur die Lageroptimierung zu betreiben, ohne etwas anderes als das Lager zu berücksichtigen.

Kieran Chandler: Also, was Sie eigentlich sagen, ist, dass Flowcasting einige wertvolle Erkenntnisse hatte, die wir hier bei Lokad teilen. Was sind also die wesentlichen Unterschiede zwischen dem Flowcasting-Ansatz und dem, was wir hier bei Lokad tun? Was sind aus Ihrer Sicht die Dinge, die wir viel besser machen?

Joannes Vermorel: Einer der Hauptgrundsätze von Flowcasting war, dass es extrem einfach gemacht werden kann, Excel einfach, mit sehr einfachen Formeln, die in Excel kombiniert werden können. Einfachheit ist sehr gut. Wenn Sie jedoch ein komplexes System wie Lieferketten modellieren, müssen Sie sicherstellen, dass Ihr Modell nicht simplistisch ist. Ihr Modell sollte die Realitäten, die Sie darzustellen versuchen, nicht verraten, indem es eine sehr naive mathematische Darstellung einer Realität hat, die nicht so einfach ist.

Bei Lokad haben wir versucht, die Tatsache zu akzeptieren, dass die Realität in Lieferketten sehr chaotisch und oft kompliziert ist. Das bedeutet, dass Unsicherheit bestehen bleibt. Wenn Sie sagen: “Wir brauchen nur genaue Prognosen”, ist das Wunschdenken. Es gibt eine unvermeidliche Menge an Unsicherheit. Sie benötigen ein System, das die Tatsache akzeptiert, dass Unsicherheit bestehen bleibt. Sie enden mit einer probabilistischen Algebra, die viel komplizierter ist. Aber das ist es, was es braucht; sonst sind Ihre Ergebnisse unsinnig.

Und wenn Sie so viele Informationen wie möglich aus der disaggregierten Ebene extrahieren möchten, die der Zeitgraph der Kunden darstellt, wer kauft welches Produkt, wo und wann, dann können Sie plötzlich nicht alle Informationen aus diesen Daten mit nur Zeitreihen extrahieren. Ja, es ist ein Zeitgraph und es ist komplizierter, aber das ist die Realität.

Kieran Chandler: Sie haben viel mehr Informationen in diesem Zeitgraphen. Das ist es, was Sie nutzen möchten. Vielleicht ist eine andere Perspektive, anstatt Einfachheit zu verkaufen, ein System zu haben, das so einfach wie möglich ist, aber niemals einfacher als das, was die Realität tatsächlich erfordert.

Joannes Vermorel: Ja, in der Tat. Ich könnte darauf eingehen, dass es viele Randfälle gibt, insbesondere herausfordernde, in Lieferketten. Betrachten Sie zum Beispiel ein Lager, das Packungen mit Flaschen an Geschäfte liefert, aber in den Geschäften werden die einzelnen Flaschen verkauft, weil Kunden manchmal die Flaschen auspacken. Und dann gibt es Fälle, in denen einige Kunden speziell eine Packung Flaschen kaufen möchten. Sie können nicht einfach die Flaschen zählen und annehmen, dass das die Lösung ist. Einige Kunden sind sehr wählerisch und bestehen darauf, eine Packung mit sechs Flaschen zu haben. Wenn das nicht verfügbar ist, kaufen sie lieber woanders ein. Diese Dinge sind ziemlich knifflig.

Ich befürchte, dass es keinen einfachen Allheilmittel-Ansatz dafür gibt. Bei Lokad haben wir diese Tatsache erkannt und uns entschieden, ein Tool, eine Programmiersprache namens Envision, zu erstellen. Wir haben es so einfach wie möglich gestaltet, ohne die Realitäten von Lieferketten zu vereinfachen. Ich muss zugeben, dass die Realität in Lieferketten wirklich komplex ist. Alles, worauf Sie hoffen können, ist eine bessere Annäherung. Sie werden niemals die gesamte reale Welt in Ihrem System modellieren können.

Kieran Chandler: Wenn Flowcasting also etwas von dieser probabilistischen Algebra dahinter gehabt hätte, hätte es in der Vergangenheit vielleicht etwas besser funktioniert, aber es war in gewisser Weise wahrscheinlich zehn Jahre zu früh?

Joannes Vermorel: Genau, ich denke, es war tatsächlich etwa zehn Jahre zu früh. Damals hatten wir nicht alle technologischen Zutaten, die notwendig sind, um das zu realisieren, was immer noch eine relativ mutige Vision der Lieferkette ist.

Kieran Chandler: Und wie sieht es mit dem Flowcasting von 2019 aus? Gibt es etwas, das auf den ersten Blick sehr gut aussieht, aber bei genauerer Betrachtung nicht so gut funktioniert? Was wird das nächste sein, das genauso vielversprechend ist wie Flowcasting, aber letztendlich scheitert?

Joannes Vermorel: Ich glaube, dass das meiste von dem, was unter dem Banner der KI verkauft wird, scheitern wird. Ich sage nicht, dass Deep Learning oder sogar sein Nachfolger, Differentiable Programming, keine ausgezeichneten Werkzeuge sind; das sind sie in der Tat. Wenn Sie jedoch nur das Buzzword haben und nur rohe Technologie aus Bereichen wie der Bilderkennung haben, die nicht direkt auf die Lieferkette anwendbar sind, werden viele Unternehmen feststellen, dass rohe Technologie, auch wenn sie beeindruckend ist und gegen einen Go-Champion gewinnen kann, ihre Lieferkettenprobleme nicht magisch löst.

Ich vermute, dass die KI-Situation in zehn Jahren noch schlimmer sein wird als die Flowcasting-Situation. Selbst bei Flowcasting gab es zehn Jahre später immer noch einige aufschlussreiche Aspekte im Buch. Andererseits gehe ich davon aus, dass etwa 90% von dem, was Anbieter derzeit vorantreiben, in etwa einem Jahrzehnt für die Zwecke der Lieferkette wertlos sein wird. Sie werden völlig vergessen sein. Aber ich möchte zwischen dem KI-Buzzword, von dem ich denke, dass es nur ein Buzzword ist, und grundlegenden algorithmischen Techniken wie Deep Learning und Differentiable Programming unterscheiden, die sehr nützlich sein können, wenn sie sorgfältig auf die Herausforderungen Ihrer Lieferkette abgestimmt sind.

Kieran Chandler: Das ist überraschend, wenn man bedenkt, dass KI derzeit ein Buzzword in der Branche ist. Um das Ganze abzuschließen, ist Flowcasting immer noch relevant? Lohnt es sich immer noch, das Buch zu lesen? Was ist die wichtigste Botschaft, die man heute daraus lernen kann?

Joannes Vermorel: Ja, ich denke, das Buch ist immer noch lesenswert. Es ist angenehm zu lesen. Der Stil ist schön und es lässt sich schnell lesen, vielleicht nur ein paar Stunden. Viele der Erkenntnisse sind immer noch korrekt. Was falsch ist, sind die Mathematikbeispiele, die sie im gesamten Buch illustrieren. Die Autoren waren anscheinend weder Mathematiker noch Statistiker, und das merkt man. Aber wenn Sie die Mathematik ignorieren und sich auf die Erkenntnisse konzentrieren, werden Sie feststellen, dass sie ernsthaft über die Lieferkette im Einzelhandel und ihre Auswirkungen nachgedacht haben. Hier glaube ich, dass das Buch wirklich glänzt. Viele der Erkenntnisse, die sie vor zehn Jahren herausgestellt haben, sind immer noch sehr korrekt und werden immer noch stark untergenutzt. Große Einzelhandelsnetzwerke nutzen immer noch die meisten der in diesem Flowcasting-Buch beschriebenen Erkenntnisse nicht.

Kieran Chandler: Großartig! Nun, wir haben für heute keine Zeit mehr, aber vielen Dank für Ihre Zeit. Das war alles für diese Woche. Vielen Dank fürs Zuschauen und bis zum nächsten Mal. Tschüss für jetzt.