00:00:07 Nutzung von Wetterdaten zur Optimierung von Einkaufsentscheidungen.
00:00:41 Wetterempfindliche Produkte und ihre Korrelation zum Wetter.
00:02:00 Historischer Kontext von Wetterdaten-Startups und deren Nischenstatus.
00:03:23 Effiziente Nutzung von Wetterdaten durch Stromversorger zur Verbrauchsprognose.
00:06:02 Die Komplexität von Wetterdaten im Vergleich zu Supply-Chain-Daten und technische Herausforderungen.
00:08:00 Auswirkungen des Wetters auf IPO-Märkte und Nachfrage nach Produkten.
00:10:00 Der begrenzte Nutzen von Wettervorhersagen für Supply Chains.
00:12:45 Die Nützlichkeit vergangener Wetterdaten zur Erklärung der Produkt-Nachfrage.
00:14:00 Nutzung des Klimawandels zur Verbesserung saisonaler Vorhersagen und deren Grenzen.
00:15:49 Vergleich von täglichen Temperaturschwankungen mit langfristigen Auswirkungen des Klimawandels.
00:17:01 Die Bedeutung der Nutzung von Transaktionsdaten für Supply-Chain-Entscheidungen.
00:18:04 Nutzung von Web-Traffic-Daten zur besseren Verständnis der Supply Chain.
00:18:36 Nutzung von Wettbewerbsinformationen bei Supply-Chain-Entscheidungen.
00:19:27 Fazit: Priorisierung anderer Datenquellen vor der Erkundung von Wetterdaten.
Zusammenfassung
Joannes Vermorel, Gründer von Lokad, diskutiert mit dem Moderator Kieran Chandler das Potenzial und die Grenzen von Wetterdaten in der Optimierung der Supply Chain. Vermorel betont, dass Wetterdaten eine starke erklärende Kraft haben, aber möglicherweise nicht sehr nützlich sind, um Prognosen zu verfeinern. Die multidimensionale Natur des Wetters macht es herausfordernd, es effektiv in Prognosen zu integrieren. Vermorel betont die Bedeutung der Priorisierung von Transaktionsdaten und nicht-transaktionalen Daten wie Web-Traffic und Wettbewerbsinformationen gegenüber Wetterdaten und sozialen Daten. Wetterdaten können bei der Analyse der vergangenen Verkaufsleistung nützlicher sein. Trotz der Herausforderungen gibt es mit der Weiterentwicklung der Wettervorhersagetechnologie und des Supply Chain Managements möglicherweise größere Chancen für Unternehmen, Wetterdaten für strategische Entscheidungen zu nutzen.
Erweiterte Zusammenfassung
In dieser Episode führt der Moderator Kieran Chandler ein Interview mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung der Supply Chain spezialisiert hat. Sie diskutieren die Rolle von Wetterdaten bei der Optimierung von Einkaufsentscheidungen und die Komplikationen, die bei der Kombination verschiedener Prognosen auftreten.
Die Idee, Wetterdaten zur Optimierung der Supply Chain zu verwenden, ist einfach: Viele Produkte sind stark wetterabhängig, und ihre Nachfrage wird von den Wetterbedingungen beeinflusst. Beispiele hierfür sind Grillfleisch und sogar Autos, da Menschen in verschiedenen Klimazonen unterschiedliche Fahrzeuge wählen können. Viele Supply-Chain-Praktiken zielen darauf ab, Wetterdaten in die Prognosen einzubeziehen, um diese zu verbessern.
Vor einem Jahrzehnt gab es viel Aufregung um Wetterdaten und Startups, die sich auf die Verfeinerung von Prognosen konzentrierten. Trotz des anfänglichen Interesses ist die Verwendung von Wetterdaten zur Optimierung der Supply Chain jedoch ein Nischenbereich geblieben. Lokad führte vor etwa einem Jahrzehnt mehrere Missionen für große Unternehmen durch, aber diese Bemühungen ließen schließlich nach, da der Nutzen im Verhältnis zum Aufwand zu gering war.
Eine der wichtigsten Erkenntnisse aus der Erfahrung von Lokad ist, dass Wetterdaten unglaublich komplex sind. Es handelt sich um ein multidimensionales Problem mit einem hohen Maß an geografischer Vielfalt. Wetterbedingungen können selbst in nur 20 Kilometern Entfernung erheblich variieren, bedingt durch Faktoren wie die Höhe. Darüber hinaus ist das Wetter im Laufe des Tages nicht einheitlich, was die Vorhersagen erschwert.
Es gibt jedoch Branchen, die erfolgreich Wetterdaten nutzen, wie zum Beispiel Stromversorger. Sie verwenden diese Daten, um den Stromverbrauch vorherzusagen und somit genau genug Strom bereitzustellen, um den Bedarf des Stromnetzes in jeder Minute des Tages zu decken. Die Speicherung von Strom ist ineffizient und unpraktisch, daher sind präzise Vorhersagen für das Management der Versorgung unerlässlich.
Während das Konzept der Verwendung von Wetterdaten zur Optimierung der Supply Chain logisch erscheint, hat es sich als komplex erwiesen und ist ein Nischenbereich geblieben. Die stark variable und multidimensionale Natur des Wetters erschwert eine effektive Einbindung in Prognosen. Einige Branchen, wie Stromversorger, haben jedoch Erfolg bei der Nutzung von Wetterdaten für ihre spezifischen Bedürfnisse gefunden.
Vermorel erklärt, dass Wetterdaten aufgrund ihrer geografischen Spezifität und der verschiedenen zu berücksichtigenden Faktoren wie Regen, Wind, Luftfeuchtigkeit und Sonneneinstrahlung äußerst komplex sind. Diese Komplexität macht Wetterdaten im Vergleich zu traditionellen Supply-Chain-Daten erheblich größer und schwieriger zu verarbeiten.
Obwohl der Zugang zu Wetterdaten dank Cloud-Anbietern einfacher geworden ist, bleibt die Verarbeitung und Korrelation dieser Daten mit Verkaufsmustern eine Herausforderung. Vermorel betont, dass das Wetter einen stark lokalisierten Einfluss auf den Verkauf haben kann und Unternehmen verschiedene Heuristiken berücksichtigen müssen, um diese Nuancen zu berücksichtigen.
Als Reaktion auf den Vorschlag, einfachere, reaktionsfähigere Auslöser basierend auf der Temperatur zu verwenden, gibt Vermorel zu, dass die Temperatur ein wichtiger Faktor sein kann, betont jedoch, dass sie nicht der einzige ist. Zum Beispiel führt ein heißes, regnerisches und windiges Wochenende möglicherweise nicht zu einem Anstieg der Nachfrage nach Grillprodukten. Darüber hinaus weist Vermorel darauf hin, dass Kunden genauso wie Unternehmen Wettervorhersagen verfolgen, was zu Verschiebungen im Kaufverhalten basierend auf den Wettererwartungen führen kann.
Bei Betrachtung der kurzfristigen Genauigkeit von Wettervorhersagen erklärt Vermorel, dass Vorhersagen über zehn Tage hinaus in der Regel nicht sehr nützlich sind, um Supply-Chain-Entscheidungen zu optimieren. Während bestimmter Ereignisse wie Hitzewellen spielt die Vorhersage nur zu Beginn und am Ende des Ereignisses eine Rolle, was zu einem engen Zeitfenster der Nützlichkeit führt.
Bei der Diskussion über die Zukunft der Supply Chains und der Wettervorhersage erkennt Vermorel das Potenzial für genauere Vorhersagen an, die eine größere Auswirkung haben können. Er betont jedoch, dass die interessanteste Verwendung von Wetterdaten tatsächlich in der Analyse der vergangenen Verkaufsleistung liegen kann. Zum Beispiel können Erkenntnisse darüber, ob eine erfolgreiche Eisverkaufskampagne auf effektives Marketing oder einfach nur eine Hitzewelle in Paris zurückzuführen ist, wertvolle Einblicke für Unternehmen liefern.
Die Einbindung von Wetterdaten in die Optimierung der Supply Chain ist eine komplexe und anspruchsvolle Aufgabe, die Potenziale in der Analyse der vergangenen Verkaufsleistung und begrenzte Anwendungen für kurzfristige Prognosen bietet. Mit der Weiterentwicklung der Wettervorhersagetechnologie und des Supply-Chain-Managements ergeben sich möglicherweise größere Chancen für Unternehmen, Wetterdaten für strategische Entscheidungen zu nutzen.
Vermorel teilt seine Erkenntnisse zur Bedeutung von Wetterdaten, zur Auswirkung des Klimawandels und zu den Arten von Daten, auf die Unternehmen sich für eine bessere Optimierung der Supply Chain konzentrieren sollten.
Vermorel erklärt, dass Wetterdaten zwar eine starke erklärende Kraft haben, aber möglicherweise nicht so nützlich sind, um Prognosen zu verfeinern. Viele Supply-Chain-Praktiker finden sie hilfreich, um die Vergangenheit zu verstehen, aber nicht unbedingt für zukünftige Vorhersagen.
Auf die Frage nach der Auswirkung des Klimawandels auf saisonale Vorhersagen weist Vermorel darauf hin, dass sein Einfluss auf die Optimierung der Supply Chain aufgrund des Unterschieds in den Zeiträumen relativ gering ist, obwohl es sich um ein bedeutendes globales Problem handelt. Klimawandelvorhersagen erstrecken sich über Jahrhunderte, während Supply-Chain-Entscheidungen sich auf Monate oder wenige Jahre konzentrieren. Daher ist der Einfluss des Klimawandels auf die Optimierung der Supply Chain relativ gering.
Vermorel betont die Bedeutung von Transaktionsdaten für die Optimierung der Supply Chain. Er stellt fest, dass viele Unternehmen diese Daten nicht effektiv nutzen, da sie ihre Bestände und Fehlbestandskosten oft nicht in finanziellen Begriffen quantifizieren. Durch die bestmögliche Nutzung von Transaktionsdaten können Unternehmen ihre Supply-Chain-Entscheidungen optimieren.
Darüber hinaus schlägt Vermorel vor, sich auf nicht-transaktionale Daten zu konzentrieren, die einfach zu erfassen sind und für die Supply Chain eines Unternehmens von hoher Relevanz sind. Beispielsweise können Web-Traffic-Daten wertvolle Einblicke in das Kundenverhalten und die Produktleistung liefern. Wettbewerbsinformationen wie Konkurrenzpreise sind eine weitere wertvolle Datenquelle, obwohl sie schwieriger zu erfassen sein kann.
Wetterdaten und soziale Daten können nützlich sein, aber Vermorel empfiehlt Unternehmen, zuerst Transaktionsdaten, Web-Traffic-Daten und Wettbewerbsinformationen zu priorisieren. Wetterdaten und soziale Daten sollten in Betracht gezogen werden, wenn ein Unternehmen bereits das Beste aus anderen Datenquellen gemacht hat und ein großes Data-Science-Team hat.
Wetterdaten können nützlich und interessant sein, um die vergangene Leistung der Supply Chain zu verstehen, aber es gibt andere Datenquellen, die für die Optimierung wichtiger sind. Unternehmen sollten Transaktionsdaten, Web-Traffic-Daten und Wettbewerbsinformationen priorisieren, bevor sie Wetterdaten oder soziale Daten für die Optimierung der Supply Chain erkunden.
Vollständiges Transkript
Kieran Chandler: Heute werden wir besprechen, wo einige der Komplikationen liegen können, wenn verschiedene Vorhersagen kombiniert werden, und verstehen, ob diese Daten genutzt werden können, um uns wertvolle Einblicke zu geben.
Joannes Vermorel: Die Idee ist einfach: Es gibt viele Produkte, die in Bezug auf die Nachfrage sehr wetterempfindlich sind. Man kann zum Beispiel an Grillfleisch denken, das man für das nächste Wochenende kaufen wird, wenn die Sonne scheint und man wahrscheinlich grillen wird. Aber im Allgemeinen gibt es ganze Produktkategorien, die sehr wetterempfindlich sind, und in gewisser Weise ist praktisch alles wetterempfindlich. Ich meine, selbst dein Auto; wenn du in einer Region lebst, in der es sehr kalt ist, wählst du vielleicht nicht dasselbe Auto wie in einer Region, in der es sehr heiß ist oder viel regnet. Daher ist es interessant, diese Daten zu haben, und offensichtlich denken viele Supply-Chain-Praktiker daran, die Prognose zu verbessern, indem sie diese Daten aus dem Wetter, insbesondere aus Wettervorhersagen, betrachten.
Kieran Chandler: Sicherlich ist es besser, je mehr man tatsächlich weiß, um eine Entscheidung basierend auf der Zukunft zu treffen. Wie funktioniert es also in der Praxis?
Joannes Vermorel: Das ist interessant, insbesondere der Teil darüber, wie es in der Praxis funktioniert. Als ich vor zehn Jahren Lokad gegründet habe, waren Wetterdaten und Wetter-Startups der letzte Schrei. Damals gab es wahrscheinlich in Frankreich drei Startups, die alle darum bemüht waren, Vorhersagen mit Wetterdaten zu verbessern, und in den USA gab es wahrscheinlich etwa 20. Das ist interessant, weil das vor einem Jahrzehnt war und es eine eigene kleine Modeerscheinung war, alles zu haben, was wetterfähig oder wettergesteuert war, was die Analytik betrifft. Aber was interessant ist, ist, dass es in der Praxis unglaublich spezialisiert geblieben ist. Selbst bei Lokad haben wir vor etwa einem Jahrzehnt einige Aufträge für große Unternehmen erledigt, und dann ist es abgeflaut. Die lange Rede kurzer Sinn ist, dass es zu viel Aufwand für das ist, was es wert ist.
Kieran Chandler: Was haben wir also tatsächlich gelernt, als wir es vor all den Jahren in die Praxis umgesetzt haben?
Joannes Vermorel: Wir haben ziemlich viel gelernt. Wir hatten Aufträge mit einem großen europäischen Stromversorger, von dem ich glaube, dass er genau die Art von Unternehmen ist, die heutzutage Wetterdaten sehr effizient nutzen. Stromversorger nutzen Wetterdaten, um den Stromverbrauch vorherzusagen, damit sie genau das liefern können, was das Netz zu jedem einzelnen Zeitpunkt des Tages benötigt. Übrigens kann man Strom nicht lagern, oder es gibt Möglichkeiten, aber es ist sehr ineffizient, sehr langsam und in der Praxis unpraktisch. Daher benötigen Sie sehr präzise Vorhersagen. Aber zurück zu den Wetterdaten, die wichtigsten Erkenntnisse waren vielfältig. Eine davon ist, dass das Wetter einfach unglaublich kompliziert ist. Die Leute realisieren nicht, dass es ein multidimensionales Problem ist. Sie haben das geografische Raster, und eine Sache am Wetter ist, dass es eine sehr lokale Angelegenheit ist. Ich war ein wenig überrascht zu erkennen, wie unterschiedlich die Temperatur nur 20 Kilometer voneinander entfernt sein kann. Sie können buchstäblich einen Unterschied von 15 Grad haben, nur weil ein Ort einen Kilometer höher liegt als der andere Ort. Es gibt also eine große Vielfalt in Bezug auf die Geografie, aber auch das Wetter ist keine Sache für den Tag. Wenn Sie sich das Fernsehen ansehen, werden Sie beispielsweise fünf Mal Regen haben, jeweils zehn Minuten, über den Tag verteilt. Es ist also eine sehr präzise Sache, die sich buchstäblich von Minute zu Minute ändert. Also gut, Sie haben die Geografie, dann haben Sie die Zeit mit einer sehr feinen Granularität. Natürlich macht es einen großen Unterschied, ob es nachts oder tagsüber regnet, wissen Sie, solche Dinge. Aber das Wetter selbst geht nicht nur um die Temperatur und ob es regnet oder nicht. Es gibt etwa ein halbes Dutzend Metriken wie Wind, Luftfeuchtigkeit, Licht, Windgeschwindigkeit und -richtung und ob es kontinuierlich weht oder nicht. Es ist also eine sehr multidimensionale Sache und als Ergebnis würde ich sagen, es ist eine eigene kleine Welt. Ich meine, Sie haben bereits mit all Ihren Supply-Chain-Daten zu tun, die bereits sehr kompliziert sind, und dann entdecken Sie einfach, dass es diesen Wetterdatensatz gibt, der direkt neben Ihren Supply-Chain-Daten liegt, und es ist etwas, das buchstäblich mindestens zehnmal komplizierter ist als alle Ihre Supply-Chain-Daten zusammen.
Kieran Chandler: Ja, es gibt natürlich diese Komplikationen, aber es sind Komplikationen, die sehr gut bewältigt werden. Sie werden sehr gut gesammelt, und welche technischen Herausforderungen bringt das mit sich, weil wir das jetzt so langsam kennen?
Joannes Vermorel: Ja, ich meine, zunächst einmal haben Sie es mit einem Volumen an Wetterdaten zu tun, das buchstäblich 10 bis 100 Mal größer ist als Ihre Supply-Chain-Daten. Also, in Bezug auf Software-Engineering haben Sie etwas, das darauf ausgelegt war, mit der Supply Chain und ihrem Umfang umzugehen, und dann stellen Sie fest, dass Sie, wenn Sie mit den Wetterdaten umgehen wollen, buchstäblich 100 Mal mehr Daten verarbeiten müssen. Das ist viel Reibung. Ich meine, vor einem Jahrzehnt war es natürlich ein eigenes Problem, einfach Zugang zu den Wetterdaten zu bekommen. Dieses Problem ist heutzutage mit vielen Cloud-Anbietern, die Ihnen die Daten direkt in der Cloud verkaufen, viel einfacher geworden. Aber die Verarbeitung dieser Daten bleibt sehr kompliziert, insbesondere weil es hier nicht darum geht, die Wetterdaten zu Wetter-Simulationen zu verarbeiten. Es geht darum, die Wetterdaten zu verarbeiten, um etwas zu tun, das immer noch sehr spezialisiert ist, nämlich diese Daten mit Verkaufsmustern in Beziehung zu setzen. Und noch einmal, denken Sie daran, dass das Wetter sehr lokal ist. Wenn Sie zum Beispiel einen Markt haben, der Menschen aus einem weiten Umkreis von etwa 30 oder sogar 50 Kilometern anzieht, haben Sie nicht nur ein Wetter zu berücksichtigen. Sie müssen möglicherweise Daten auf einem größeren geografischen Gebiet konsolidieren, aber Sie müssen alle notwendigen Heuristiken selbst herausfinden.
Kieran Chandler: Aber wir werden hier sehr kompliziert, wenn wir uns verschiedene Höhenlagen und Granularitäten anschauen. Gibt es nicht etwas Einfacheres, das wir einführen könnten, vielleicht etwas Reaktiveres, wie zum Beispiel anstelle eines Min/Max-Bestands, eine automatisierte Bestellung, sobald die Temperatur einen bestimmten Grad erreicht? Ist das nicht interessant?
Joannes Vermorel: Das ist in der Tat interessant. Mit der Temperatur haben Sie die erste interessante Messung, absolut. Und tatsächlich können Sie damit beginnen, sich nur auf die Temperatur und die Durchschnittstemperatur während des Tages zu konzentrieren. Es spiegelt jedoch bei weitem nicht alles wider, was Sie wissen müssen. Wenn wir zum Beispiel das Beispiel nehmen, dass es einen Nachfrageanstieg nach Fleisch gibt, weil die Leute erwarten, am nächsten Wochenende grillen zu können, wenn es sehr heiß ist, aber auch sehr regnerisch und windig, dann haben Sie möglicherweise keinen so großen Anstieg für Ihre Grillprodukte. Also ja, die Temperatur ist wichtig, Wettervorhersagen machen deutlich, dass dieses Wochenende oder das Wochenende danach mit hoher Wahrscheinlichkeit sehr schön wird. Dann weiß es jeder, und somit haben Sie Kunden, die anfangen, die wetterempfindlichen Produkte zu kaufen. Wenn Sie die Daten nur mit einem oder zwei Tagen Verzögerung analysieren, haben Sie auch Informationen über das Wetter. Denken Sie daran, dass Wettervorhersagen über etwa zehn Tage hinaus nicht sehr genau sind, sodass Sie keine Entscheidungen auf der Grundlage von Wettervorhersagen treffen können, die weiter als zehn Tage in die Zukunft reichen. Nach zehn Tagen kehren Sie im Grunde genommen zum saisonalen Durchschnitt zurück, als ob Sie nichts wüssten. Es ist immer noch interessant, aber auch sehr kurzfristig. Bedenken Sie nur, dass wenn Sie zum Beispiel eine Hitzewelle wie in Paris erleben, die Hitzewelle ein paar Wochen dauern kann. Der Zeitraum, in dem die Vorhersage tatsächlich relevant ist, sind nicht die drei Wochen der Hitzewelle, sondern die drei Tage, in denen Sie in die Hitzewelle eintreten, und dann vielleicht die zwei oder drei Tage, in denen Sie die Hitzewelle verlassen. Es ist also ein sehr kurzer Zeitpunkt im Jahr, an dem Sie überhaupt einen Vorteil haben.
Kieran Chandler: Okay, das Zeitfenster ist sehr klein, und das Sammeln all dieser Daten bringt uns nicht wirklich einen großen Nutzen. Wenn wir uns die zukünftigen Lieferketten anschauen und uns vorstellen, dass wir eines Tages sehr genaue Wettervorhersagen haben und weiter in die Zukunft schauen können und wir eine größere Kontrolle über unsere Lieferketten als Ganzes haben, könnten Sie sich vorstellen, dass ein Wetterbericht nützlicher wäre, um die Wetterdaten zu nutzen und eine bessere Vorhersage zu treffen?
Joannes Vermorel: Das ist möglich. Es gibt Unternehmen, wie Stromversorger, die dies mit sehr hoher Effizienz tun. Für sie sind die Wetterdaten eine sehr wertvolle Eingabe, die dazu beiträgt, ihre Genauigkeit erheblich zu verbessern. Aber das Interessante ist, dass die nützlichste Anwendung von Wetterdaten nicht in die Zukunft schaut; es schaut tatsächlich in die Vergangenheit. Wenn Sie zum Beispiel Eis verkaufen und eine neue Werbekampagne für Ihre Produkte starten und sie sich sehr gut verkauft, verkauft sie sich gut, weil die Kampagne gut war oder nur, weil es eine Hitzewelle in Paris gab und praktisch jeder, der Eis verkauft, in diesem Teil des Sommers eine gute Zeit hatte? Ein Blick auf die Wetterdaten kann sehr nützlich sein, um die Nachfrage nach Ihren Produkten zu erklären. Hier müssen Sie sich nicht mit den Feinheiten der Granularität befassen. Sie können Daten über längere Zeiträume oder erweiterte geografische Gebiete aggregieren, und es wird Ihnen etwas geben, das eine starke erklärende Kraft hat.
Kieran Chandler: Das ist wahrscheinlich der Grund, warum viele Menschen, einschließlich vieler Supply-Chain-Praktiker, so begeistert von der Idee sind, Wetterdaten zur Verbesserung der Vorhersage zu nutzen. Selbst wenn dieser Teil nicht so gut funktioniert, ist es, weil Wetterdaten sehr nützlich sind, um die Vergangenheit zu erklären. Wie steht es mit Dingen wie dem Klimawandel? Wir haben das Verständnis, dass die Welt sich allmählich erwärmt, und das wird unsere saisonalen Vorhersagen in Zukunft beeinflussen. Können wir diese Erkenntnis nutzen? Gibt es etwas Nützliches?
Joannes Vermorel: Leider spielen hier Größenordnungen eine Rolle. Selbst die pessimistischsten Vorhersagen zum Klimawandel berücksichtigen etwas, das im Laufe vieler Jahre immer noch relativ klein ist im Vergleich zu den täglichen Schwankungen, die wir beim Wetter sehen.
Kieran Chandler: Natürlich sprechen wir im 21. Jahrhundert von einigen Grad Unterschied. Übrigens, wenn man an geologische Zeiträume denkt, ist es eine sehr steile Entwicklung des Klimas. Wenn sich die Erde global um zwei Grad über ein Jahrhundert erwärmt oder abkühlt, ist das viel. Es ist sehr bedeutend. Dennoch sprechen wir von einigen Grad über ein Jahrhundert. Selbst in einem sehr milden Klima wie Paris schwankt die Temperatur typischerweise um etwa 20 Grad zwischen dem höchsten Punkt während des Tages und dem niedrigsten Punkt. Wir haben ein sehr mildes Klima. Es gibt viele Regionen auf der Welt, in denen die Temperaturen um 40 Grad zwischen dem höchsten Punkt während des Tages und dem niedrigsten Punkt während der Nacht schwanken.
Joannes Vermorel: Die Quintessenz ist, dass eine Klimaveränderung von vielleicht zwei Grad im Laufe eines Jahrhunderts - wenn man bedenkt, wie viel Veränderung sie von einer Jahreszeit zur nächsten bringen wird - buchstäblich verschwindend gering ist. Die meisten Konsumgüter gelangen auf den Markt, erreichen innerhalb von etwa zwölf Monaten ihren Höhepunkt und verschwinden dann zwei oder drei Jahre später vom Markt. Sie erkennen, dass der Einfluss des durchschnittlichen Klimas für die Optimierung der Lieferkette sehr gering ist, einfach weil wir nicht über den gleichen Zeitrahmen sprechen. Die Lieferkette geht darum, Entscheidungen für die nächsten paar Monate, vielleicht das nächste Jahr oder die nächsten paar Jahre zu optimieren, wenn Sie wirklich große Pläne haben. Aber ich glaube nicht, dass es viele Unternehmen gibt, die Jahrhunderte vorausdenken, außer dass sie schlanker werden und weniger Energie verbrauchen oder weniger Abfall produzieren, was ein Gewinn für die Zukunft ist. Es ist jedoch nichts, mit dem man wirklich mit einer Vorhersage planen würde.
Kieran Chandler: Also, nach welchen anderen Daten sollten wir Ausschau halten? Was ist wichtiger als die Wetterdaten im Moment?
Joannes Vermorel: Wir haben einen Punkt erreicht, an dem die meisten Unternehmen nicht einmal ihre Transaktionsdaten richtig nutzen. Die meisten Unternehmen, mit denen wir sprechen, haben ihre Lagerbestandskosten nicht einmal in Euro oder Dollar quantifiziert. Lagerbestand ist ein Kompromiss zwischen den Kosten des Lagerbestands und den Kosten des Lagerausfalls. Wenn ich es vereinfache, müssen Sie im Grunde genommen zwei Risiken ausbalancieren, und Sie bewerten sie nicht einmal.
Kieran Chandler: Finanziell gesehen ist es sehr schwer, eines dieser beiden Risiken zu optimieren. Die erste Stufe besteht also darin, das Beste aus Ihren Transaktionsdaten zu machen, die super zuverlässig sind und genau die Granularität haben, die für Ihre Entscheidungen in der Lieferkette relevant ist. Die zweite Stufe besteht darin, alle Daten zu nutzen, die nicht transaktional sind, aber leicht zu erfassen sind und dennoch sehr relevant für Ihre eigene Lieferkette sind. Wenn Sie beispielsweise eine Marke sind, könnten das Web-Traffic-Daten sein. Sie können sich ansehen, wie viele Besuche jede einzelne Seite, die Sie auf Ihrer Website veröffentlichen, erhält, und insbesondere, wenn Sie Seiten über Ihre Produkte haben, können Sie sich den Web-Traffic ansehen. Und wiederum, wenn sich der Web-Traffic entwickelt, erhalten Sie diese Informationen, die eng mit Ihren eigenen Produkten verbunden sind, und das ist etwas, das Sie nutzen können.
Joannes Vermorel: Vielleicht gibt es eine dritte Ebene von Daten, nämlich Wettbewerbsinformationen, also was Ihre Konkurrenten tun, ihre Preisgestaltung usw. Es sind Daten, die schwieriger zu erfassen sind, aber dennoch sehr eng mit Ihrer Lieferkettenaktivität verbunden sind. Und dann gibt es noch Dinge wie Wetterdaten und soziale Daten, die möglich sind. Wir haben Beispiele von Unternehmen, die soziale Daten nutzen, aber es handelt sich in der Regel um stark technologiegetriebene Unternehmen, die bereits alle vorherigen Stufen der bestmöglichen Nutzung ihrer Transaktionsdaten, Web-Traffic-Daten und Wettbewerbsinformationen durchlaufen haben. Und dann können Sie sich in Wetterdaten und vielleicht soziale Daten wagen, und das sind sozusagen externe Quellen.
Kieran Chandler: Also, um heute abzuschließen, sind vielleicht Wetterdaten nützlich und können interessant sein, insbesondere wenn man in die Vergangenheit schaut. Aber die Haupterkenntnis ist im Grunde, dass es andere Dinge gibt, die wichtiger sind.
Joannes Vermorel: Ja, und wenn Sie noch kein sehr großes Data-Science-Team haben, meine ich, sind Sie noch nicht bereit. Das wäre meine Botschaft: Sie werden wissen, dass Sie bereit sind, wenn Sie Ihren 24. Datenwissenschaftler einstellen und nicht genau wissen, welche neuen Dinge Sie erkunden sollen. Dann wäre es eine gute Zeit, sich das anzuschauen.
Kieran Chandler: Okay, lassen Sie uns das für heute abschließen. Vielen Dank, Joannes. Okay, das war alles für Lokad TV diese Woche. Wir sind nächstes Mal wieder dabei, vorausgesetzt, wir überleben diese Hitzewelle. Wir sehen uns nächstes Mal. Bis bald.
