Blackboxing und Whiteboxing

00:00:07 Das Blackbox-Problem im Supply Chain Management.
00:02:20 Der Aufstieg von KI und komplexen numerischen Rezepten verschärft das Blackbox-Problem.
00:03:59 Unterschiede zwischen älteren ERP-Systemen und modernen Systemen und deren Bezug zum Blackbox-Problem.
00:06:10 Praxisbeispiele für das Blackbox-Problem und dessen Auswirkungen auf Unternehmen.
00:07:36 Wie Unternehmen das Blackbox-Problem mithilfe von Excel-Tabellen überwinden.
00:09:06 Das Konzept des Whiteboxing für Transparenz und Einblick.
00:11:27 Die Bedeutung der Erstellung weniger gut gestalteter Zahlen zur Erklärung von Entscheidungen.
00:14:17 Die Vorteile der Verwendung von wirtschaftlichen Treibern für Entscheidungsfindung.
00:15:28 Die Grenzen von Excel bei der Verarbeitung komplexer Daten und die Notwendigkeit besserer Werkzeuge.
00:17:36 Die Bedeutung einer gründlichen Dokumentation der Systemeingaben, um fehlerhafte Ausgaben zu vermeiden.
00:18:47 Erkundung des Bedarfs an agilen Datenverarbeitungsschichten, die Zwischenberechnungen unterstützen.
00:20:08 Die Bedeutung der Erstellung unabhängiger wirtschaftlicher Treiber, um irreführende Ergebnisse zu vermeiden.
00:21:09 Warum Whiteboxing entscheidend ist und welche Konsequenzen ein intransparenter Prozess hat.

Zusammenfassung

In diesem Interview diskutieren Kieran Chandler und Joannes Vermorel die Bedeutung des “Whiteboxing” in der Supply Chain-Optimierung. Lieferketten sind komplexe Systeme, und die Verwendung von Software oder KI-gesteuerten Techniken kann sie undurchsichtiger machen. Vermorel argumentiert, dass traditionelle ERP-Systeme, die oft ohne Intelligenz entwickelt wurden, zu dieser Undurchsichtigkeit beitragen. Der Whiteboxing-Ansatz von Lokad zielt darauf ab, Transparenz wiederherzustellen, indem er sich auf einige sorgfältig erstellte Zahlen konzentriert und unternehmensweite Kennzahlen wie wirtschaftliche Treiber verwendet. Mit Envision, ihrer Programmiersprache, hilft Lokad, Transparenz im Prozess der Supply Chain-Optimierung aufrechtzuerhalten. Die Akzeptanz von Whiteboxing kann das Vertrauen in Supply Chain-Systeme stärken und die Gesamteffizienz verbessern.

Erweiterte Zusammenfassung

In diesem Interview diskutiert Kieran Chandler, der Moderator, das Konzept des “Whiteboxing” mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung von Lieferketten spezialisiert hat. Das Gespräch beginnt mit einer Erklärung des “Blackbox”-Problems in der Informatik, das sich auf Systeme bezieht, bei denen Eingaben und Ausgaben beobachtet werden können, ohne deren interne Funktionsweise zu verstehen. Dies kann problematisch sein, insbesondere angesichts der zunehmenden Verbreitung von künstlicher Intelligenz in verschiedenen Branchen.

Vermorel erklärt, dass Lieferketten von Natur aus komplexe Systeme sind, die zahlreiche Personen, Produkte und Standorte umfassen. Diese Komplexität führt zu Undurchsichtigkeit, was es den Beteiligten erschwert, das Funktionieren der Lieferkette vollständig zu erfassen. Die Verwendung von Software, selbst einfacher Software, die nicht besonders “intelligent” ist, kann diese Undurchsichtigkeit weiter verstärken. Dieses Problem wird weiter verschärft, wenn fortgeschrittene numerische Rezepte oder KI-gesteuerte Techniken eingesetzt werden, die es immer schwieriger machen, die Bedeutung hinter den Zahlen und Ergebnissen zu verstehen, die von diesen Systemen erzeugt werden.

Undurchsichtigkeit, wie Vermorel es definiert, bezieht sich auf die Schwierigkeit, die Ursprünge und Bedeutung von Ergebnissen oder Messungen zu bestimmen, die von einem System erzeugt werden. Im Zusammenhang mit Lieferketten bedeutet dies, dass es schwierig sein kann zu verstehen, warum bestimmte Werte oder Ergebnisse erzeugt wurden und welche Faktoren dazu beigetragen haben.

Laut Vermorel ist das Black-Box-Problem in der Lieferkettenbranche weit verbreitet. Traditionelle Enterprise Resource Planning (ERP)-Systeme und andere ältere Technologien waren oft undurchsichtig aus verschiedenen Gründen, wie Schwierigkeiten bei der Gestaltung effektiver relationeller Schemata für Datenbanken oder dem Vorhandensein mehrerer nicht gut integrierter Systeme. Diese Systeme mögen für sich genommen relativ einfach sein, aber wenn sie kombiniert werden, können sie eine erhebliche Menge an Verwirrung und Komplexität erzeugen. Ad-hoc-Integrationen zwischen Systemen, die nicht gut dokumentiert sind, tragen weiter zur Undurchsichtigkeit bei.

Die Einführung von fortgeschrittenen numerischen Rezepten oder KI-gesteuerten Techniken in diese Systeme kann die Undurchsichtigkeit in die Höhe treiben. Dies macht es noch schwieriger für diejenigen, die in der Lieferkette involviert sind, zu überprüfen, ob die erzeugten Zahlen korrekt sind. Früher war es möglicherweise möglich, Lagerbestände in verschiedenen Systemen manuell zu überprüfen, zum Beispiel. Mit der Einführung komplexer numerischer Rezepte wird diese Validierung jedoch zunehmend herausfordernd.

Vermorel erklärt, dass traditionelle Enterprise Resource Planning (ERP)-Systeme mehr mit Management als mit Planung zu tun haben und oft ohne Intelligenz entwickelt werden. Die fortgeschrittenen numerischen Rezepte, die einige Anbieter als KI bezeichnen mögen, werden in der Regel auf das ERP-System aufgesetzt, was den gesamten Prozess undurchsichtiger macht.

In realen Beispielen hat Vermorel beobachtet, dass selbst einfache Berechnungen, wie Sicherheitsbestand, zu Black-Box-Effekten führen können. Zum Beispiel könnte ein Unternehmen einen Servicegrad von 99,9% eingeben, aber nur einen Servicegrad von 97% erreichen. Diese Diskrepanz zwischen Eingabe und Ausgabe führt zu einem Mangel an Verständnis für die inneren Abläufe des Systems. Unternehmen greifen in der Regel auf Excel-Tabellen zurück, um dieses Problem zu lösen, indem sie grundlegende Daten aus dem ERP-System extrahieren und ihre eigenen numerischen Rezepte erstellen, um die Kontrolle über die Berechnungen zu behalten.

Der Ansatz des White-Boxing, wie Vermorel beschreibt, erkennt an, dass selbst einfache Modelle undurchsichtig werden können, wenn sie auf komplexe Lieferketten Szenarien angewendet werden. Das Ziel des White-Boxing besteht darin, Transparenz und Verständnis in diesen Modellen wiederherzustellen. Indem ein Prozess entwickelt wird, der darauf abzielt, Transparenz wiederherzustellen, können Unternehmen Vertrauen aufbauen und sich letztendlich von der Abhängigkeit von Excel-Tabellen lösen.

Eine Herausforderung des White-Boxing-Ansatzes besteht darin, eine Überlastung von Metriken und Indikatoren zu vermeiden. Unternehmen fordern oft mehr KPIs und Indikatoren, wenn sie mit einem Black-Box-Modell konfrontiert werden, aber dies kann zu noch größerer Komplexität und Undurchsichtigkeit führen. Vermorel schlägt vor, sich auf einige sorgfältig ausgewählte Zahlen zu konzentrieren, um die Entscheidungen des Modells zu erklären.

Das White-Boxing zielt darauf ab, Erklärungen für die Endresultate von Entscheidungen mit physischen Auswirkungen auf die Lieferkette, wie Produktion, Einkauf oder Lagerverlagerung, bereitzustellen. Um dies zu erreichen, werden eine Handvoll Zahlen berücksichtigt, die diese Entscheidungen erklären und in Dollar oder Euro gemessen werden, da diese Einheiten unternehmensweit am sinnvollsten sind. Indem man sich auf das Endziel konzentriert und die Entscheidungen in Bezug auf unternehmensweite Metriken erklärt, kann der White-Boxing-Ansatz dazu beitragen, Verständnis und Transparenz in der Lieferkettenoptimierung zu schaffen.

Vermorel erklärt, dass das Risiko von Fehlbeständen viel höher sein kann als der Wert der gekauften Artikel, wenn es zu Produktionsausfällen kommt. Um damit umzugehen, wendet Lokad wirtschaftliche Treiber an, um Entscheidungen zu treffen. Diese Treiber sind nützlich, weil sie einen Vergleich über das Unternehmen hinweg ermöglichen und sicherstellen, dass Entscheidungen unter Verwendung vergleichbarer Metriken getroffen werden.

Eine der Herausforderungen bei traditionellen Techniken zur Optimierung der Lieferkette besteht in der Black-Box-Natur vieler analytischer Systeme. Im Gegensatz dazu unterstützt der Ansatz von Lokad das White-Boxing, was es den Benutzern ermöglicht, die inneren Abläufe des Systems zu verstehen und seine Ausgaben zu validieren. Vermorel weist darauf hin, dass Excel ein effektives Werkzeug für das White-Boxing im kleinen Maßstab ist, aber Schwierigkeiten hat, wenn es um große Datensätze oder komplexe Berechnungen geht.

Um diese Einschränkung zu bewältigen, hat Lokad eine Programmiersprache namens Envision entwickelt, die es den Benutzern ermöglicht, nahe an den Daten zu bleiben, Validierungen durchzuführen und Dashboards zu generieren. Dies hilft, die Transparenz im Prozess der Optimierung der Lieferkette aufrechtzuerhalten.

Für Unternehmen, die Black-Box-Softwarelösungen verwenden, empfiehlt Vermorel, mit einer gründlichen Dokumentation der Systemeingaben zu beginnen. Oftmals verfügen Unternehmen über eine schlechte Dokumentation ihrer Dateninputs, was zu einer “Garbage in, Garbage out”-Situation führt. Der nächste Schritt besteht darin, sicherzustellen, dass die analytische Ebene des Systems Agilität ermöglicht, ähnlich wie Excel, damit Benutzer problemlos Spalten hinzufügen und ihre Logik debuggen können.

Sobald diese Voraussetzungen erfüllt sind, sollten Unternehmen sich darauf konzentrieren, gute wirtschaftliche Treiber zu entwickeln, die so unabhängig voneinander wie möglich sind. Dies vermeidet das Risiko der Doppelzählung oder des Übersehens wichtiger Faktoren im Entscheidungsprozess.

White-Boxing ist entscheidend für die Optimierung der Lieferkette, da es die Gültigkeit der Ergebnisse des Systems sicherstellt. Wenn die Menschen dem System nicht vertrauen, werden sie auf ihre Excel-Tabellen zurückgreifen, was Vermorel als notwendige Verteidigung gegen “Systemwahnsinn” beschreibt. Indem sie das White-Boxing übernehmen, können Unternehmen das Vertrauen in ihre Prozesse zur Optimierung der Lieferkette aufbauen und ihre Gesamteffizienz verbessern.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir über die Lösung sprechen, etwas, das als White Boxing bekannt ist. Bevor wir jedoch zum White Boxing kommen, sollten wir vielleicht mit dem Black-Box-Problem beginnen. Was ist das Problem mit Black Boxes und was ist hier das Problem?

Joannes Vermorel: Lieferketten sind komplexe Systeme mit vielen beteiligten Personen, vielen Produkten und potenziell zahlreichen Standorten. Von Anfang an ist klar, dass es sich um ein sehr komplexes Problem handelt und daher ein Problem, das aufgrund seiner Komplexität bereits eine gewisse Undurchsichtigkeit aufweist. Es ist sehr schwer, das Ganze zu erfassen. Wenn Sie dann noch Softwareebenen dazwischen einfügen, verschlimmert sich das Problem nur noch. Ich spreche nur von relativ einfacher Software, die nur die Rohrleitungsteile Ihrer Lieferketten-IT hin- und herschiebt, nichts Intelligentes. Aber selbst das schafft eine weitere Ebene der Undurchsichtigkeit. Jetzt passiert es, dass einige Anbieter mit KI werben, aber ich ziehe es vor, von intelligenten, fortgeschrittenen numerischen Rezepten für die Lieferkette zu sprechen. Sobald Sie nicht-triviale numerische Rezepte in die Mitte Ihrer Software einfügen, die tatsächlich Ihre Lieferkette steuert, entsteht eine ganz neue Ebene der Undurchsichtigkeit.

Kieran Chandler: Sie haben dort ein Schlüsselwort erwähnt, nämlich Undurchsichtigkeit. Könnten Sie erläutern, was Sie mit Undurchsichtigkeit meinen?

Joannes Vermorel: Mit Undurchsichtigkeit meine ich, dass es für die Menschen in der Organisation, die in der Lieferkette arbeiten oder die Lieferkette organisieren, sehr schwer ist, genau zu verstehen, was eine Zahl bedeutet, woher sie stammt und warum sie diesen Wert hat und nicht einen anderen Wert. Die Undurchsichtigkeit spiegelt wider, wie schwer es ist, auf den Grund der Dinge zu kommen, wenn man seine Lieferkette untersuchen möchte.

Kieran Chandler: Wir sprechen also im Grunde genommen von einem Black-Box-Problem, bei dem Ergebnisse aus einem System kommen und wir nicht genau wissen, woher diese Ergebnisse stammen. Wie weit verbreitet ist dieses Problem? Sehen wir das in der Lieferkettenbranche häufig?

Joannes Vermorel: Ja, ich würde sagen, die älteren ERP- und IT-Systeme waren aus verschiedenen Gründen sehr undurchsichtig. Damals war es viel schwieriger, gute relationale Schemata für Datenbanken zu entwerfen, daher kann die interne Struktur etwas unübersichtlich sein. Sie können viele Systeme haben, die in einer komplexen Lieferkette nicht gut integriert sind, sodass es bei der Zusammenführung eine erhebliche Unordnung und viele ad hoc-Integrationen zwischen den Systemen gibt, die nicht so gut dokumentiert sind. Dadurch entsteht eine zunehmende Undurchsichtigkeit aus Systemen, die einzeln relativ einfach sind. Und wenn Sie dann numerische Rezepte in die Mischung einbringen, steigt die Undurchsichtigkeit, weil es plötzlich sehr schwer wird zu überprüfen, ob die Zahlen korrekt sind.

Kieran Chandler: Es geht nicht darum, das zentrale System für den Lagerbestand zu überprüfen, den ich an einem entfernten Standort haben sollte, und dann im System des entfernten Standorts selbst zu überprüfen, ob der Lagerbestand übereinstimmt. Das war, wissen Sie, manchmal könnte es schwierig sein, solche Überprüfungen durchzuführen. Aber solange kein numerisches Rezept involviert ist, könnte man es tun. Sobald Sie jedoch ein lineares Regressionsmodell in der Mitte haben, wird es zur Hölle, irgendetwas zu replizieren oder überhaupt zu verstehen, was vor sich geht. Also, ich denke, das ist das, was sich zwischen diesen älteren ERP-Systemen und den moderneren geändert hat. Wir verwenden jetzt komplexere numerische Rezepte. Ist das der große Unterschied? Ist das der Grund, warum dieser Black-Box-Ansatz auftritt?

Joannes Vermorel: Typischerweise befinden sich diese fortgeschrittenen numerischen Rezepte nicht im ERP. Ich meine, das ERP, trotz seines Namens, Enterprise Resource Planning, hat mit Planung sehr wenig zu tun - fast gar nichts. Es geht alles um das Management. Sie haben also Enterprise Resource Management, das typischerweise ohne Intelligenz implementiert wird. Sie möchten nur Ihre Vermögenswerte verfolgen, und Sie haben Schichten von Analysen darüber. Aber dann haben Sie recht, innerhalb dieser Analyseschichten haben Sie fortgeschrittene Rezepte, die einige Anbieter als KI bezeichnen könnten, und es wird viel undurchsichtiger.

Kieran Chandler: Wie wäre es mit einem realen Beispiel, wie diese Black-Box-Probleme Unternehmen wirklich beeinflussen?

Joannes Vermorel: In der realen Welt ist es überraschend, dass Sie keine KI benötigen, um einen Black-Box-Effekt zu erzielen. Viel einfachere Dinge verursachen bereits weit verbreitete Black-Box-Effekte. Ich habe viele Unternehmen gesehen, bei denen bereits etwas so Einfaches wie eine Sicherheitsbestandsberechnung, bei der es nur darum geht, wie viel Bestand Sie halten müssen, wenn Sie davon ausgehen, dass Ihre Nachfrage auf Ihrem Prognosewert normalverteilt ist und dasselbe für die Durchlaufzeit, zu Black-Box-Effekten führt. Sie sagen: “Nun, ich gebe einen Servicegrad von 99,9 Prozent ein, aber dann zeigt die Messung in der Realität, dass ich nur einen Servicegrad von 97 Prozent erhalte.” Sie haben also eine bizarre Diskrepanz zwischen der Einstellung, die Sie im System eingeben, wie 99,9, und dem, was Sie in der Realität erhalten, nämlich 97. Das ist die Art von Situation, in der Sie eine Black Box haben und nicht wirklich verstehen, was vor sich geht. Offensichtlich stimmt die Ausgabe des Systems nicht mit dem überein, was Sie vom System erwartet haben, sodass Sie diesem Black-Box-Effekt direkt gegenüberstehen.

Kieran Chandler: Wenn dies so weit verbreitet ist, wie überwinden Unternehmen diese Probleme?

Joannes Vermorel: Typischerweise überwinden sie es mit LKW-Ladungen von Excel-Tabellen. Was passiert, wenn Sie Zahlen haben, denen Sie nicht vertrauen können? Die Leute extrahieren einfach Daten aus dem ERP, grundlegende Daten, denen sie vertrauen können, wie Bestandsniveaus, historische Verkäufe, historische Bestellungen - solche Dinge. Sie können überprüfen, ob die Excel-Tabelle mit dem System übereinstimmt, also kein Black-Box-Effekt. Sie überprüfen sogar, ob das, was in der Excel-Tabelle steht, tatsächlich mit dem übereinstimmt, was sie in den Lagerhallen haben, um sicher zu sein. Und dann beginnen sie, ihre eigenen numerischen Rezepte in der Excel-Tabelle selbst zu erstellen, bei denen der Supply-Chain-Praktiker die Kontrolle über die Berechnung bei jedem einzelnen Schritt hat und es sehr visuell ist. So versuchen sie, sich von einem Black-Box-Effekt fernzuhalten. Obwohl, wenn eine Excel-Tabelle im Laufe der Jahre von einem Supply-Chain-Praktiker an einen anderen weitergegeben wird, kann es zu einem gewissen Grad an Undurchsichtigkeit und Black-Box-Effekt in diesen Excel-Tabellen selbst kommen. Excel ist kein Allheilmittel; es hilft nur.

Kieran Chandler: Sprechen wir über die Lösung. Der White-Box-Ansatz, ich meine, der White-Box-Ansatz ist in der Praxis, wie wir beobachtet haben, selbst bei einigen trivialen numerischen Rezepten, wie einer einfachen Sicherheitsbestandsformel oder allem, was etwas komplizierter ist als der gleitende Durchschnitt, eine Black Box. Es bedarf keiner KI, um eine Black Box zu erhalten. Ich meine, selbst ein lineares Modell mit drei Variablen können die meisten Menschen nicht im Kopf berechnen. Selbst ein so einfaches Modell wie ein lineares Modell mit drei Variablen wird für diejenigen, die tatsächlich die Ergebnisse dieses Modells verwenden, sehr schnell relativ undurchsichtig.

Joannes Vermorel: Sobald Sie sich etwas zuwenden, das intelligenter ist, insbesondere etwas, das die Nichtlinearitäten in den Lieferketten erfasst, wird es aus Designgründen ziemlich undurchsichtig. Was Sie brauchen, ist ein Prozess, den wir White Boxing nennen, der vollständig darauf ausgerichtet ist, die Idee zu verwirklichen, dass Sie Transparenz und Erkenntnisse wiederherstellen, wissend, dass Sie standardmäßig das Gegenteil bekommen. Es gibt keine Alternative. Wenn selbst ein so einfaches und übervereinfachtes Modell wie der Sicherheitsbestand bereits undurchsichtig ist, können Sie nicht hoffen, dass ein besseres, realistischeres Modell, wie zum Beispiel eines, das auf probabilistischen Prognosen und der probabilistischen Bewertung des Risikos für Ihren Bestand basiert, weniger undurchsichtig sein wird. Ganz im Gegenteil, es wird undurchsichtiger sein, viel genauer. Daher benötigen wir diesen White-Box-Prozess, um Verständnis zu schaffen, Vertrauen zu erzeugen und letztendlich aus guten Gründen auf Excel-Tabellen zu verzichten.

Kieran Chandler: Also, wie funktioniert es in der Praxis? Wie gehen Sie vor, um die Ihnen gegebenen Ergebnisse zu überprüfen und diesen echten White-Box-Ansatz zu haben?

Joannes Vermorel: Ein kniffliger Aspekt besteht darin, dass es sehr einfach ist, dass Menschen in einer Flut von Metriken ertrinken. Wenn Menschen mit einer Black Box konfrontiert sind, ist die Hauptreaktion, zu sagen: “Geben Sie mir mehr Indikatoren, erstellen Sie mehr KPIs, ich möchte immer mehr sehen.” Aber wenn Sie das tun, landen Sie mit gigantischen Tabellen mit Dutzenden von Spalten, die immer noch völlig undurchsichtig und unglaublich komplex sind. Der Ausgangspunkt ist zu sagen, dass wir ein paar Zahlen benötigen, die äußerst gut ausgearbeitet sind, wenn wir Entscheidungen erklären wollen.

Erstens ist eine Idee, dass Sie nicht versuchen sollten, alles zu erklären, insbesondere numerische Artefakte. Es ist Ihnen nicht wirklich wichtig, wie einige Zwischenschritte der Berechnung ablaufen. Es geht Ihnen um das Endergebnis, die Entscheidung, die eine physische Auswirkung auf Ihre Lieferkette hat. Sie entscheiden sich zu produzieren, Sie entscheiden sich, mehr zu kaufen, oder Sie entscheiden sich, Bestände von einem Ort zum anderen zu verlagern. Das ist das Endspiel, und das ist die Entscheidung, die Sie interessiert.

Das White Boxing besteht darin, für jede einzelne Entscheidung vielleicht ein halbes Dutzend Zahlen zu haben, die diese Entscheidungen erklären, gemessen in Dollar oder Euro. Die zweite Idee besteht darin, Dollar und Euro zu verwenden, weil es das ist, was unternehmensweit am sinnvollsten ist. Wenn Sie wissen, warum Sie 100 weitere Einheiten eines Produkts kaufen und eine Variable haben, die besagt: “Nun, das Risiko eines Lagerbestandsausfalls beträgt 50.000 Euro, weil die Produktion stoppt, wenn uns dieses Ding ausgeht”, dann kann der Kosten für den Lagerbestandsausfall viel höher sein als der Wert dessen, was Sie kaufen, wenn Sie eine Produktionslinie gefährden. Das sind die Erkenntnisse, die die Menschen erhalten werden.

Kieran Chandler: Also, es gibt diese wirtschaftlichen Treiber, die Sie anwenden. Was ist das Besondere daran? Wirtschaftliche Treiber sind äußerst nützlich, weil sie unternehmensweit vergleichbar sind. Das Problem ist, dass Sie eine Entscheidung haben, bei der Sie ein halbes Dutzend wirtschaftlicher Treiber haben, und Sie haben einen anderen Entscheidungstyp mit anderen Arten von wirtschaftlichen Treibern, und Sie möchten, dass alle Ihre Messungen kompatibel sind, damit Sie Äpfel mit Äpfeln und Orangen mit Orangen vergleichen können. Wenn Sie Äpfel und Orangen haben, sind Sie irgendwie verloren. Das ist typischerweise das Problem mit all diesen Prozentsätzen des Fehlers. Abgesehen von wirtschaftlichen Treibern, was ist es an Lokads Ansatz, der das White Boxing so möglich macht? Wie unterscheidet es sich von anderen Techniken?

Joannes Vermorel: Dafür benötigen Sie Tools, und die meisten analytischen Systeme unterstützen das White Boxing nicht besonders gut. Excel ist tatsächlich ziemlich gut, weil Sie sehr nah an den Daten bleiben, aber es bricht zusammen, wenn die Komplexität und das Datenvolumen zunehmen. Excel ist ausgezeichnet, solange Sie weniger als zehn Spalten und tausend Zeilen bearbeiten. Wenn Sie jedoch Millionen von Zeilen und Dutzende von Spalten verarbeiten, wird es schnell zu einem riesigen Spaghetti-Code in Ihrer Excel-Tabelle. Excel ist in kleinem Maßstab sehr gut, aber es bricht bei Komplexität zusammen.

Viele analytische Systeme schaffen es nicht, Eigenschaften von Excel beizubehalten, und die Daten entfernen sich sehr weit vom Benutzer. Bei Lokad haben wir Envision entwickelt, das den Begriff “Vision” im Namen dieser Programmiersprache enthält und von der Idee stammt, dass wir sehr nah an den Daten bleiben mussten, um all diese Excel-ähnlichen Validierungen jederzeit durchführen zu können. Envision macht es sehr einfach, wenn Sie Formeln erstellen, um in einem Dashboard alle Ihre Zahlen zu plotten, damit Sie sie wie in Excel überprüfen können, nur zur Überprüfung.

Die Idee ist, dass wir hochkomplexe Dashboards generieren können, auf denen Ihre Haupttreiber prominent angezeigt werden, aber Sie können viele kleine Kacheln haben, die alle Ihre Überprüfungen enthalten, genau wie Sie es in Excel tun würden, damit Sie überprüfen können, ob Ihre Berechnungen korrekt sind und ob Ihre Zwischenschritte völlig daneben liegen.

Kieran Chandler: Wenn ich ein Unternehmen bin und eine Software verwende, die viele dieser Black-Box-Eigenschaften aufweist, was sollte ich tun? Was sollte der erste Schritt sein, um mein Verständnis darüber zu verbessern, was vor sich geht?

Joannes Vermorel: Zunächst müssen Sie eine gründliche Dokumentation darüber haben, was in das System einfließt. Normalerweise gibt es keine Dokumentation. Um das klarzustellen, wir sprechen davon, eine Tabelle zu haben, die etwa eine Seite Dokumentation erfordert, keine IT-Dokumentation, sondern eine dokumentation, die auf die Geschäftsprozesse und die Supply Chain abzielt.

Kieran Chandler: Sie wissen, wenn wir mit Kunden zusammenarbeiten, sind wir schon froh, wenn jedes Feld eine Zeile Dokumentation hat. Normalerweise gibt es etwa 20 Tabellen, jede Tabelle hat 20 Felder, und wir haben kaum eine Zeile Dokumentation pro Tabelle. Wir sollten eine Seite Dokumentation pro Feld haben. Das ist wahrscheinlich der Ausgangspunkt für die meisten Unternehmen, um vollständig zu dokumentieren, was Sie als Eingabe des Systems haben. Andernfalls erhalten Sie Müll rein, Müll raus.

Joannes Vermorel: Das zweite ist zu überprüfen, ob Ihre Datenverarbeitungsschichten, Ihre analytischen Schichten, Ihnen im Grunde genommen die Art von Agilität bieten, die Sie mit Excel haben. Damit Sie mit ein paar Anweisungen oder einigen Zeilen Code alle diese einfachen Berichtsspalten hinzufügen können, die Sie zur Fehlerbehebung Ihrer Logik benötigen. Leider können Sie den Aspekt der Codierung nicht vermeiden, denn genau wie bei Excel geht es um Formeln und dergleichen, also ist es Codierung. Aber mit ein paar Zeilen Code können Sie all diese Spalten haben. Wenn Sie kein System haben, das einen solchen agilen Prozess unterstützt, bei dem Sie wie in Excel Spalten erstellen können, um Zwischenberechnungen zu überprüfen, dann ist es im Grunde genommen vorbei. Sie werden nie zum Kern Ihrer Black Box vordringen.

L4 Also müssen Sie wahrscheinlich in diesem Schritt die analytische Ebene ändern, wenn Sie keine Ebene haben, die Ihnen eine gewisse Agilität bietet. Dann ist der nächste Schritt, sehr gute wirtschaftliche Treiber zu entwickeln. Und mit sehr gut meine ich, dass jeder einzelne Treiber so unabhängig wie möglich von den anderen Treibern sein muss. Sie möchten Dinge haben, die sehr orthogonal sind. Die Gefahr besteht darin, dass Sie, wenn es Ihnen nicht gelingt, eine Reihe von Indikatoren zu erstellen, die Dinge widerspiegeln, die buchstäblich orthogonal sind, möglicherweise mehrmals dasselbe betrachten und in die Irre geführt werden.

Das ist ein kniffliger Teil, aber die Idee ist, dass, wenn Sie sich einen wirtschaftlichen Indikator ansehen, der Ihnen 100 € Kosten oder Belohnung angibt, Sie sicherstellen möchten, dass er so unabhängig wie möglich von einem anderen Treiber ist, der ebenfalls 100 € Belohnung oder Kosten beansprucht.

Kieran Chandler: Die Schlüsselpunkte sind also wirklich das Verständnis Ihrer Eingaben und Ausgaben und auch die Definition dieser wirtschaftlichen Treiber. Als letztes Wort heute, warum ist White-Boxing so wichtig?

Joannes Vermorel: White-Boxing ist so wichtig, weil sonst all Ihre Bemühungen, Ihre Lieferkette zu optimieren, umsonst sind. Die Leute werden aus gutem Grund zu ihren Excel-Tabellen zurückkehren, denn wenn Sie keinen White-Boxing-Prozess haben, der allen die Gewissheit gibt, dass die Ergebnisse aus diesen Systemen vernünftig sind, dann ist die Wahrscheinlichkeit überwältigend, dass Ihre Ergebnisse unsinnig sind. Die Leute tun das Vernünftige, nämlich diesen Ergebnissen nicht zu vertrauen und auf ihre Excel-Tabellen zurückzugreifen. Die Excel-Tabellen sind leider die notwendige Lösung gegen den Wahnsinn des Systems. White-Boxing ist erforderlich; Andernfalls erwarten Sie nicht, dass Ihre Teams von Supply-Chain-Praktikern bald auf ihre Excel-Tabellen verzichten. Das werden sie nicht tun, und indem sie das nicht tun, schützen sie Ihr Unternehmen, denn einem verrückten System zu vertrauen ist viel schlimmer, als Zeit mit Excel-Tabellen zu verschwenden.

Kieran Chandler: Und wer hätte gedacht, dass viele Analysten wahrscheinlich denken, dass Excel Sie verrückt macht, aber da haben Sie es. Das ist alles für diese Woche. Vielen Dank für Ihre Zeit und wir sehen uns nächste Woche wieder. Vielen Dank fürs Zuschauen.