00:00:07 Scientismus und seine Verbreitung in supply chains.
00:00:34 Erklärung des Scientismus und seiner Konsequenzen in verschiedenen Bereichen.
00:02:16 Beispiele aus der Praxis für eine übermäßige Abhängigkeit von wissenschaftlichen Ergebnissen und Abkürzungen.
00:04:07 Nachfrageprognose in supply chain als Beispiel für Scientismus.
00:06:50 Alternativen zum Scientismus im supply chain management und Berücksichtigung komplexer Systeme.
00:08:01 Vereinfachung und ihre Auswirkungen auf supply chain-Fachleute.
00:09:45 Thematisierung des Problems des naiven Rationalismus im supply chain management.
00:12:38 Die Bedeutung menschlicher Urteilsfähigkeit in supply chains und die Beschränkungen quantitativer Modelle.
00:14:48 Das Abwägen von datengestützten Erkenntnissen und hochrangigem Urteilsvermögen bei der Entscheidungsfindung.
00:15:38 Sicherstellung des Kundenverständnisses und Vermeidung von naivem Rationalismus bei Lokad.
00:17:06 Die Notwendigkeit, bedeutsame Faktoren wie das chinesische Neujahr in der supply chain-Planung zu berücksichtigen.
00:18:30 Skeptisch gegenüber rationalen Organisationen sein und die Bedeutung, Wissenschaft mit gesundem Menschenverstand zu verbinden.
00:19:51 Hochgebildete Ingenieure können in der Praxis ahnungslos sein.
00:21:02 Bedarf an Experteneinsichten, gesundem Menschenverstand und der Vermeidung von Unsinn im industriellen Maßstab.

Zusammenfassung

Der Gründer von Lokad, Joannes Vermorel, diskutiert in einem Interview mit Kieran Chandler das Konzept des Scientismus in der supply chain-Optimierung. Scientismus wird definiert als eine übermäßige Abhängigkeit von der Wissenschaft, in der Annahme, dass alle Probleme mit einem wissenschaftlichen Ansatz gelöst werden können. Vermorel warnt vor einer Überbetonung algorithmischer Ansätze zur Nachfrageprognose, da diese Modelle zu simpel sein und zu sich erfüllenden Prophezeiungen führen können. Er betont die Bedeutung hochrangiger menschlicher Urteilsfähigkeit in supply chain management, ebenso wie die Notwendigkeit, Sekundäreffekte zu berücksichtigen und die Komplexität der beteiligten Systeme und Menschen anzuerkennen. Vermorel rät den Kunden, sich bei der Implementierung von Lösungen zur supply chain-Optimierung auf Experteneinsichten und gesunden Menschenverstand zu verlassen.

Erweiterte Zusammenfassung

In diesem Interview diskutieren Moderator Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, das Konzept des Scientismus und wie er die supply chain-Optimierung beeinflusst. Scientismus wird als ein extremer Glaube an die Wissenschaft beschrieben, in der Annahme, dass alle Probleme mit einem wissenschaftlichen Ansatz gelöst werden können. Im Kontext des supply chain management ist dieser Begriff gleichbedeutend mit naivem Rationalismus und impliziert, dass ein einziges Rezept, ein Algorithmus oder eine Technologie alle supply chain-Probleme lösen kann.

Vermorel weist darauf hin, dass große Organisationen in ihrem supply chain management oft die wissenschaftliche Methode nachahmen, indem sie sich auf Zahlen, Formeln und die Einstellung von Personen mit Doktortiteln konzentrieren. Diese Eigenschaften allein machen ihren Ansatz jedoch nicht zwangsläufig wissenschaftlich. Er vergleicht dieses Phänomen mit einer Fassade, die eine Illusion wissenschaftlicher Strenge erzeugt, ohne sich wirklich an die wissenschaftliche Methode zu halten.

Als Beispiel für schiefgelaufenen Scientismus diskutiert Vermorel die Kontroverse um p-Werte in den Sozialwissenschaften. P-Werte werden verwendet, um das Vertrauen in eine Hypothese zu messen, aber wenn Millionen von Hypothesen getestet werden, werden aufgrund von Zufälligkeiten zwangsläufig einige signifikante Ergebnisse erscheinen. Dieses Problem veranschaulicht, wie die übermäßige Abhängigkeit von scheinbar wissenschaftlichen Ergebnissen zu irreführenden Schlussfolgerungen führen kann.

Überträgt man dieses Konzept auf das supply chain management, identifiziert Vermorel die Nachfrageprognose als einen Bereich, in dem Scientismus problematisch sein kann. Es gibt zahlreiche Bücher und Modelle zur Nachfrageprognose, die den Eindruck eines etablierten, rationalen Ansatzes vermitteln. Bei genauerer Betrachtung erscheint deren Rationalität jedoch fragwürdig.

Sie diskutieren die Grenzen bestimmter algorithmischer Ansätze zur Nachfrageprognose und die Notwendigkeit hochrangiger menschlicher Urteilsfähigkeit im supply chain management.

Vermorel erklärt, dass viele Prognosealgorithmen zu simpel sein können und zu sich erfüllenden Prophezeiungen führen können. Beispielsweise, wenn eine Prognose null Nachfrage für ein Produkt vorhersagt, wird das Produkt möglicherweise nicht eingelagert, sodass keine Verkäufe stattfinden, was die ursprüngliche Prognose bestätigt. Er erwähnt auch, dass bei Modemarken die Anzahl der produzierten Einheiten oft der Anzahl der verkauften Einheiten entspricht, bedingt durch starke Rabatte auf unverkäufliche Artikel. Diese Beispiele verdeutlichen das Problem der sich selbst erfüllenden Prophezeiungen in naiven Prognosemodellen.

Um die Einschränkungen dieser Modelle zu überwinden, schlägt Vermorel vor, dass supply chain-Experten die Komplexität der Systeme, mit denen sie arbeiten, sowie der beteiligten Menschen anerkennen sollten. Sie sollten auch Sekundäreffekte in Betracht ziehen, wie zum Beispiel, dass Preisnachlässe Kundenerwartungen an zukünftige Rabatte schaffen können. Er argumentiert, dass wissenschaftliche Methoden, die sich auf Effekte erster Ordnung und Vereinfachungen konzentrieren, zwar leicht messbar und vergleichbar sind, aber nicht zwangsläufig für das Geschäft relevant sind.

Vermorel betont die Bedeutung menschlicher Urteilsfähigkeit im supply chain management. Er ist der Ansicht, dass hochrangige menschliche Intelligenz erforderlich ist, um zu bestimmen, ob ein mathematisches Modell nützlich ist oder das Problem zu stark vereinfacht. Zwar mag es möglich sein, supply chain-Probleme wissenschaftlich anzugehen, doch erfordert dies Feinfühligkeit und kann nicht auf einfache Messgrößen reduziert werden.

Er merkt an, dass supply chain-Experten sich dieser Probleme in der Regel bewusst sind, aber der Reiz von Scientismus und Rationalismus verlockend sein kann, insbesondere für hochgebildete Personen. Solche Fachleute könnten an den Erfolg quantitativer Modelle in anderen Bereichen, wie der Thermodynamik, gewöhnt sein und hoffen, dieselbe Vorhersagekraft im supply chain management zu erreichen. Vermorel warnt jedoch, dass Menschen keine Teilchen sind und ihr Verhalten komplexer ist, was einen differenzierteren Ansatz im supply chain management erforderlich macht.

Ein Beispiel für naiven Rationalismus im supply chain management ist der Sales and Operations Planning (S&OP)-Prozess. Vermorel weist darauf hin, dass Abteilungen innerhalb eines Unternehmens möglicherweise einfach Prognosen zurücksenden, um ihre eigenen Anreize zu erfüllen, anstatt präzise Nachfrageprognosen zu erstellen.

Sie sprechen die menschliche Neigung an, risikoavers zu sein, die Bedeutung von Daten zur Untermauerung von Prognosen und die Rolle hochrangiger Urteilsfähigkeit bei der supply chain-Optimierung.

Vermorel räumt ein, dass Menschen von Natur aus risikoavers sind und sich oft auf Daten stützen, um ihre Behauptungen und Prognosen zu untermauern. Er stimmt zu, dass es unerlässlich ist, Daten zur Unterstützung seiner Erkenntnisse zu verwenden, warnt jedoch, dass man im Umgang mit Statistiken vorsichtig sein muss, insbesondere wenn mehrere Variablen in hochkomplexen, hochdimensionalen Problemen ins Spiel kommen.

Vermorel betont die Bedeutung hochrangiger Urteilsfähigkeit bei der Überwachung der in der supply chain-Optimierung verwendeten Berechnungen und Modelle und argumentiert, dass es entscheidend sei, sicherzustellen, dass im Kern der Analyse eine geeignete Perspektive vorhanden ist. Er ist der Ansicht, dass wahrer Rationalismus diese hochrangige Urteilsfähigkeit erfordert, um potenzielle Fallstricke in der Analyse zu vermeiden, die durch das Übersehen wichtiger Aspekte entstehen könnten.

Das Gespräch wendet sich anschließend dem Konzept des naiven Rationalismus zu, wobei Chandler darauf hinweist, dass Lokads Ansatz einige Elemente davon enthalten könnte. Er erwähnt, dass viele ihrer Kunden die “schwarze Magie” hinter den supply chain-Optimierungstechniken des Unternehmens möglicherweise nicht vollständig verstehen. Vermorel entgegnet, dass nicht die technischen Details am wichtigsten seien, sondern vielmehr das hochrangige Verständnis der supply chain-Prozesse.

Laut Vermorel sind viele der technischen Details, die Kunden nicht verstehen, im Gesamtkontext oft unerheblich. Er argumentiert, dass es für Lokad wichtiger sei, den breiteren Aspekt der supply chain richtig zu gestalten, beispielsweise indem Ereignisse wie das chinesische Neujahr berücksichtigt werden, welche erhebliche Auswirkungen auf lead times haben können.

Vermorel beginnt damit, einzuräumen, dass das Gebiet der supply chain-Optimierung noch in den Kinderschuhen steckt. Obwohl es im Vergleich zu früheren Methoden erhebliche Verbesserungen gegeben hat, hat die Branche erst an der Oberfläche gekratzt. Er betont, wie wichtig es ist, wissenschaftliche Ansätze mit gesundem Menschenverstand zu kombinieren, um die besten Ergebnisse zu erzielen.

Anschließend warnt er vor dem Glauben an eine vollkommen rationale und klar definierte Organisation, die aus separaten Teams für Prognose, Planung und Einkauf besteht, von denen jedes spezifische Kennzahlen optimiert. Vermorel argumentiert, dass solche Systeme zwar rational und wissenschaftlich erscheinen mögen, aber oft nichts weiter als eine Fata Morgana sind. Er betont die Notwendigkeit von Skepsis im Umgang mit solchen Organisationen, da sie möglicherweise nicht so rational oder effektiv sind, wie sie erscheinen.

Rückblickend erkennt Vermorel diese Misserfolge als die offensichtlichen Konsequenzen des naiven Rationalismus an. Er rät den Kunden, sich bei der Implementierung von Lösungen zur supply chain-Optimierung auf Experteneinsichten und gesunden Menschenverstand zu verlassen. Unabhängig davon, wie viele Schlagworte oder Fachbegriffe in ein Problem hineingeworfen werden – ohne ein fundiertes Verständnis und einen praktischen Ansatz wird das Ergebnis nichts anderes als Unsinn im Industriemaßstab sein.

Vollständiges Transkript

Kieran Chandler: Heute auf Lokad TV werden wir verstehen, warum dies so ein leichtes Loch ist, in das man hineinfällt, und diskutieren, ob etwas, das oberflächlich clever erscheint, in Wirklichkeit tatsächlich so ist. Also Joannes, heute sprechen wir über Scientismus. Es klingt ein wenig theoretisch, aber was genau ist das?

Joannes Vermorel: Scientismus ist, würde ich sagen, ein extremer Glaube an die Wissenschaft. Es ist die Vorstellung, dass man alle Probleme im Leben und in der Gesellschaft buchstäblich mit einem wissenschaftlichen Ansatz lösen kann, was zwar gut klingen mag, aber tatsächlich etwas naiv ist. Im speziellen Fall der supply chain wäre es ein Synonym für naiven Rationalismus, ein Ansatz, bei dem wir ein Rezept, Algorithmen und ein wenig Technologie haben, um das Problem mit einer definitiven Methode zu lösen. Ich habe beobachtet, dass vor allem in der supply chain große Organisationen dazu neigen, die wissenschaftlichen Methoden nachzuahmen. Sie tun Dinge, die die Attribute der Wissenschaft teilen, wie etwa eine große Zahl an Zahlen, Formeln, Personen mit Doktortiteln, Kennzahlen, Messungen und irgendeiner Art von Prozess. Aber manchmal, oder genauer gesagt sehr häufig, hat man nichts, was in meinen Augen tatsächlich als wissenschaftlich qualifizieren würde. Man hat also die Attribute, aber es ist wie eine Fassade, eine Illusion.

Kieran Chandler: Bevor wir zum Thema supply chain kommen, hast du irgendwelche praxisnahen Beispiele dafür, wie Menschen zu stark auf wissenschaftliche Ergebnisse vertraut haben und ein wenig zu übermütig wurden? Wo haben wir Abkürzungen gesehen?

Joannes Vermorel: Heutzutage gibt es in den Sozialwissenschaften einen enormen Streit, weil sich die Mehrheit der in den letzten fünf Jahrzehnten veröffentlichten Arbeiten einfach nicht reproduzieren lässt, was ein massives Problem darstellt. Eine der Hauptursachen sind p-Werte, eine Methode, das Vertrauen in eine Hypothese zu bestimmen. Nehmen wir an, ich postulierte, dass der Verzehr von Erdbeeren gut für die Gesundheit ist. Ich führe eine Messung durch und validiere diese Hypothese. Das Problem ist, dass, wenn man Tausende oder Millionen von Hypothesen testet, man Unmengen von Hypothesen generiert, die hübsche p-Werte aufweisen, also Dinge, die sehr selbstbewusst erscheinen. Aber das Problem ist, dass man so viele Hypothesen getestet hat, dass manche von ihnen laut den begrenzten Daten fast vollständig zufällig wahr zu sein scheinen. In der supply chain gibt es viele Ähnlichkeiten, bei denen Methoden den Anschein von etwas sehr Rationalem erwecken, aber wenn man genauer hinschaut, ist es zutiefst irrational.

Kieran Chandler: Schauen wir uns supply chain-Beispiele an. Was sind die Dinge, die oberflächlich einfach erscheinen, aber bei näherer Betrachtung überhaupt nicht so sind und weitaus weniger rational wirken?

Joannes Vermorel: Wahrscheinlich die Nachfrageprognose. Es gibt ganze Bücher darüber, wie man Nachfrageprognosemodelle erstellen kann. Wir haben eine umfangreiche Literatur dazu, von den klassischen Modellen der exponentiellen Glättung, Holt-Winters und so weiter. Man könnte denken, dass die statistische Nachfrageprognose etwas sehr Etabliertes ist. Man hat eine Prognose, man kann einen Benchmark durchführen, man kann backtesting machen. Es sieht aus wie der Inbegriff von etwas, das superwissenschaftlich ist, und mein Punkt ist, dass es häufig nicht so ist. Es ist überhaupt nicht wissenschaftlich. Es ist tatsächlich sehr naiv. Es ist einer der ersten Fehler, die ich vor einem Jahrzehnt bei Lokad gemacht habe, nämlich zu denken, dass dieser algorithmische Ansatz zur Nachfrageprognose tatsächlich funktioniere. Das tut er nicht, aus eigentlich einer Menge von Gründen. Einer der Gründe ist, dass man am Ende einen selbstprophetischen Effekt hat. Weißt du, wenn du prognostizierst, dass es in einem Geschäft keine Nachfrage nach einem Produkt geben wird, dann legst du das Produkt vielleicht gar nicht erst ins Regal, und folglich wirst du am Ende mit sich erfüllenden Prophezeiungen dastehen. Wenn du null Nachfrage prognostizierst, dann legst du keinen Bestand an, und dann verkaufst du nichts, und dann ist deine Prognose zu 100 % korrekt. Und dann, nehme ich an, hast du noch mehr Vertrauen in die Prognose. Es ist statistisch bewiesen, und doch, wenn man darüber nachdenkt, ist es irgendwie dumm im Geschäftlichen, und tatsächlich ist es dumm. Das ist also ein extremes Beispiel. Ein etwas fortgeschritteneres Beispiel, aber noch immer ziemlich dumm, ist, wenn man eine Prognose für eine Modemarke erstellen möchte. Wenn du prognostizieren willst, wie viele Einheiten eines bestimmten Produkts verkauft werden, musst du dir einfach ansehen, wie viele Einheiten ursprünglich produziert wurden. Wenn du 1.000 Hemden produzierst, dann, rate mal, wirst du 1.000 Hemden verkaufen, abzüglich Schwund. Aber wie kommt das? Nun, es liegt daran, dass wenn du nicht alle diese 1.000 Hemden verkaufst, du deine Produkte stark rabattieren, in den Verkauf geben und sie letztendlich verkauft werden. So hast du diese naive, sich selbst erfüllende Prophezeiung, bei der im Grunde das, was du produzierst, auch das ist, was du verkaufst, egal was passiert.

Kieran Chandler: Also, was ist dann die Alternative? Denn es klingt, als hättest du eine Methode, die irgendwie funktioniert, sie kommt in die richtige Richtung.

Joannes Vermorel: Die Alternative ist zunächst, dass man anerkennen muss, dass die Situation komplex ist, dass Menschen beteiligt sind, dass man ein komplexes System mit Rückkopplungsschleifen in allen Bereichen hat und dass es Second-Order-Effekte gibt. Second-Order-Effekte sind zum Beispiel, wenn man einem Kunden einen Rabatt gewährt. Was entsteht dabei? Offensichtlich kostet dieser Rabatt Geld. Das sind Euro oder Dollar an Marge, die man nicht erhält. Das ist der First-Order-Effekt des Rabatts. Ein weiterer Teil des First-Order-Effekts ist, dass man wahrscheinlich einen gewissen Nachfrageschub erlebt. Man setzt ein Produkt in den Verkauf mit vielen Rabatten, sodass die Verkäufe in der Regel steigen. Aber der Second-Order-Effekt besteht darin, dass man in der Kundenbasis die Erwartung weckt, tatsächlich Produkte zu einem Rabatt zu kaufen.

Also ist Nationalismus oder Scientismus gewissermaßen eine Methode, bei der man sich hauptsächlich auf First-Order-Effekte konzentriert, Abkürzungen nimmt, die Situation vereinfacht und so zu Ergebnissen gelangt, bei denen Messungen durchzuführen, Metriken zu erzeugen sowie Benchmarks zu erstellen und Hypothesen zu testen, einfach ist. Aber nur weil etwas einfach ist, heißt das nicht, dass es relevant ist. Es stimmt nicht, dass etwas gut für Ihr Geschäft ist, nur weil es einfach ist.

Kieran Chandler: Wie kann eine solche Vereinfachung supply chain Fachleute beeinflussen? Was ist das Ergebnis davon? Ich habe eine Frage zu mathematischen Modellen und quantitativer Modernisierung. Wie wichtig ist menschliches Urteilsvermögen in diesem Prozess, insbesondere wenn man komplexe Systeme betrachtet?

Joannes Vermorel: Menschliches Urteilsvermögen ist entscheidend. Es bedarf einer hochrangigen menschlichen Intelligenz, um einzuschätzen, ob ein Modell der richtige Weg ist, ein Problem zu betrachten. Das gehört zur Wissenschaft, aber es geht nicht nur um einfache Messungen und das Testen von Hypothesen. Es erfordert ein erstklassiges Urteilsvermögen, um sicherzustellen, dass das Modell mit der Realität übereinstimmt.

Wenn man sich mit einem bestimmten Gebiet befasst, benötigt man die richtige Perspektive. Zum Beispiel, wenn man supply chain Probleme angeht, braucht man eine Perspektive, die für große Gruppen von Menschen und Gesellschaften Sinn macht. Das kann wissenschaftlich nicht bewiesen werden, sondern nur durch eine schwierige Diskussion zwischen Menschen guten Willens, die versuchen, der Wahrheit näherzukommen. Es geht nicht darum, eine naive Messung vorzulegen, um jemanden als richtig oder falsch zu bestätigen, sondern es steckt mehr Subtilität dahinter.

Kieran Chandler: Haben supply chain Fachleute die Schwächen dieser Modelle bemerkt?

Joannes Vermorel: Supply chain Fachleute sind in der Tat hochgebildet und an ihrem Gebiet interessiert. Das Problem mit wissenschaftlichen und rationalen Modellen ist nicht, dass sie bei ungebildeten Menschen vorkommen, sondern dass sie gerade unter hochgebildeten Individuen auftreten. Jemand mit begrenztem Bildungshintergrund könnte von Formeln oder Protokollen nicht beeindruckt sein und wäre skeptisch gegenüber komplizierten Dingen, die er nicht versteht. Im Gegenteil, hochgebildete Menschen sind eher mit diesen Problemen konfrontiert, weil sie die Wirksamkeit bestimmter wissenschaftlicher Modelle, wie die Gesetze der Thermodynamik, erlebt haben.

Das Problem entsteht, wenn Menschen versuchen, denselben Ansatz auf supply chains anzuwenden und dabei dieselbe Vorhersagekraft wie in anderen wissenschaftlichen Bereichen erwarten. Allerdings sind Menschen keine Teilchen – sie denken und reagieren anders. Zum Beispiel werden Kunden auf Rabatte reagieren und zukünftige Aktionen antizipieren, wodurch sie das System zu ihrem Vorteil ausnutzen. Dies geschieht immer wieder im supply chain management.

Kieran Chandler: Das Problem, das ich an diesem Ansatz sehe, ist, dass Menschen von Natur aus risikoavers sind. Wenn es Beweise zur Untermauerung ihrer Behauptungen und Prognosen gibt, werden sie diese nutzen. Was halten Sie also von der Rolle der Wissenschaft in diesem Kontext? Gibt es wirklich eine Alternative zur Nutzung von Daten in der supply chain Optimierung?

Joannes Vermorel: Oberflächlich betrachtet neige ich dazu, der Meinung zu sein, dass es besser ist, seine Aussagen mit Daten zu belegen. Allerdings muss man sehr vorsichtig sein, besonders bei komplexen, hochdimensionalen Problemen, die mehrere Variablen und Agenten wie Menschen oder Unternehmen beinhalten, die auf alles reagieren können, was man tut. Diese Probleme können ziemlich tückisch werden. Natürlich möchte man seine Einsichten mit so vielen Daten wie möglich untermauern, aber es gibt einen Unterschied zwischen wahrem Rationalismus und naivem Rationalismus. Man benötigt immer noch ein erstklassiges Urteilsvermögen, das all seine Berechnungen und Modelle überwacht, um sicherzustellen, dass es eine passende Perspektive für die Analyse gibt und dass keine extrem lockeren Enden existieren, die all das, was man gerade getan hat, zunichte machen könnten.

Kieran Chandler: Sprechen wir über dieses erstklassige Urteilsvermögen. Einige könnten argumentieren, dass das, was wir bei Lokad machen, einen beträchtlichen Anteil an naivem Rationalismus beinhaltet und viele unserer Kunden nicht vollständig all die “schwarze Magie” verstehen, die unsere supply chain scientists einsetzen. Wie stellen Sie sicher, dass unsere Kunden verstehen, was vor sich geht?

Joannes Vermorel: Was mir wirklich wichtig ist, ist das tiefere Verständnis und nicht die technischen Details. Die technischen Details sind größtenteils unbedeutend. Zum Beispiel weiß ich, dass, wenn ich eine bestimmte Funktion benutze, die Berechnung, die ich erhalte, eine Annäherung darstellt, die eventuell um einen Teil pro Million abweichen kann, aber wenn ich es mit einer supply chain zu tun habe, bei der die Unsicherheit etwa 40% beträgt, ist dieses Maß an Abweichung unbedeutend. Für unsere Kunden, die Lokad nutzen, sind die Dinge, die sie nicht verstehen, oft sehr technisch, aber weitgehend unbedeutend. Es ist viel wichtiger sicherzustellen, dass Lokad es richtig macht, wenn es um Faktoren wie Lieferzeiten und die Berücksichtigung von Ereignissen wie dem chinesischen Neujahr geht, das jedes Jahr vier Wochen zusätzliche Lieferzeit mit sich bringt.

Kieran Chandler: Zusätzliche Wochen an Lieferzeiten werden direkt in Ihre Lieferzeiten eingerechnet. Es ist nicht subtil, und genau hier ermöglicht Ihnen dieses erstklassige Urteilsvermögen zu entscheiden, dass – nein, das muss berücksichtigt werden. Ich kann buchstäblich allein durch naive Beobachtung beurteilen, ob Sie das überhaupt in Betracht ziehen. Man braucht kein Mikroskop; die Wirkung ist stark. Möglicherweise, wissen Sie, werden wir in einem Jahrhundert die Methoden so weit verfeinert haben, dass die Leute anfangen, den Effekt zu analysieren, der in bestimmten Konfigurationen fast die Hälfte ihrer irdischen Zeit ausmacht, und wirklich wissenschaftlich dabei vorgehen können. Aber im Moment kratzen wir noch an der Oberfläche, und das System annähernd richtig zu bekommen, ist eine fantastische Verbesserung gegenüber dem, was wir vorher hatten. Also, wenn wir heute beginnen, alles zusammenzuführen, was ist die wichtigste Lektion, die wir mitnehmen sollten? Es ist gut, diese wissenschaftlichen Ansätze zu haben, aber sie müssen mit viel gesundem Menschenverstand kombiniert werden.

Joannes Vermorel: Nun, ja. Ich meine, man sollte zunächst sehr skeptisch sein gegenüber der Vorstellung, dass man eine rationale Organisation haben kann, in der man sagen könnte: “Oh, wir haben ein Forecasting-Team, ein Planungs-Team und ein Einkaufs-Team.” Alle haben ihre eigenen Formeln und optimieren einfache Metriken. Es sieht vollkommen gut definiert, rational und kundenorientiert oder was auch immer aus. Aber wenn ich einer solchen Situation begegne, ist meine unmittelbare Beobachtung, dass dieses System nicht wirklich rational ist. Es zeigt lediglich die Merkmale von Rationalität und Wissenschaft. Es ist nur etwas, das sehr wissenschaftlich aussieht, aber es ist das überhaupt nicht.

Eine weitere Lektion wäre, die Tatsache nicht zu unterschätzen, dass hoch engagierte Ingenieure immer noch unglaublich ahnungslos bezüglich der realen Welt sein können. Wenn ich von hoch engagierten Ingenieuren spreche, schließe ich mich selbst mit ein. Ich habe Lokad direkt nach der Universität gegründet, war sehr stolz auf meinen mathematischen Hintergrund und begeistert von der Idee, all diese wunderschönen hochdimensionalen Statistiken auf reale Situationen anzuwenden. Es stellte sich heraus, dass es nicht so wunderbar funktionierte. Tatsächlich ist es systematisch auf scheinbar unglaublich überraschende Weise gescheitert. Rückblickend war es die offensichtliche Folge des naiven Rationalismus.

Also, mein Vorschlag, um es zusammenzufassen, ist, dass man Experteneinsichten in das, was man tut, benötigt und diesen gesunden Menschenverstand haben muss, der fragt: “Okay, macht das in etwa Sinn?” Wenn nicht, dann wird es, egal wie viele Schlagwörter und Schlüsselbegriffe man in das Problem hineinwirft, letztlich ein industrieller Unsinn sein.

Kieran Chandler: Ich hätte nie gedacht, dass wir von Ihnen hören würden, dass Wissenschaft und Mathematik manchmal nicht alles sind, was man braucht.

Joannes Vermorel: Das stimmt.

Kieran Chandler: Okay, das war alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns beim nächsten Mal wieder. Vielen Dank fürs Zuschauen.