Pseudowissenschaft in Supply Chains

00:00:07 Scientismus und seine Verbreitung in Supply Chains.
00:00:34 Erklärung des Scientismus und seiner Auswirkungen in verschiedenen Bereichen.
00:02:16 Beispiele aus der realen Welt für eine übermäßige Abhängigkeit von wissenschaftlichen Ergebnissen und Abkürzungen.
00:04:07 Die Nachfrageprognose in der Supply Chain als Beispiel für Scientismus.
00:06:50 Alternativen zum Scientismus im Supply Chain Management und Berücksichtigung komplexer Systeme.
00:08:01 Die Übervereinfachung und ihre Auswirkungen auf Supply Chain-Experten.
00:09:45 Das Problem des naiven Rationalismus im Supply Chain Management angehen.
00:12:38 Die Bedeutung des menschlichen Urteilsvermögens in Supply Chains und die Grenzen quantitativer Modelle.
00:14:48 Die Balance zwischen datenbasierten Erkenntnissen und hochrangigem Urteilsvermögen bei Entscheidungsfindung.
00:15:38 Sicherstellen, dass Kunden verstehen und naiven Rationalismus bei Lokad vermeiden.
00:17:06 Die Notwendigkeit, wichtige Faktoren wie das chinesische Neujahr in der Supply Chain-Planung zu berücksichtigen.
00:18:30 Skeptisch gegenüber rationalen Organisationen sein und die Bedeutung der Verbindung von Wissenschaft mit gesundem Menschenverstand.
00:19:51 Hochqualifizierte Ingenieure können in Bezug auf praktische Anwendungen ahnungslos sein.
00:21:02 Notwendigkeit von Experteneinblicken, gesundem Menschenverstand und Vermeidung von Unsinn im industriellen Maßstab.

Zusammenfassung

Der Gründer von Lokad, Joannes Vermorel, diskutiert das Konzept des Scientismus in der Optimierung von Supply Chains in einem Interview mit Kieran Chandler. Scientismus wird definiert als übermäßiges Vertrauen in die Wissenschaft und die Annahme, dass alle Probleme durch einen wissenschaftlichen Ansatz gelöst werden können. Vermorel warnt vor einer übermäßigen Betonung algorithmischer Ansätze zur Nachfrageprognose, da diese Modelle zu einfach gestrickt sein können und zu selbsterfüllenden Prophezeiungen führen können. Er betont die Bedeutung hochrangigen menschlichen Urteilsvermögens im Supply Chain Management sowie die Notwendigkeit, sekundäre Effekte zu berücksichtigen und die Komplexität der beteiligten Systeme und Menschen anzuerkennen. Vermorel rät Kunden, sich bei der Implementierung von Lösungen zur Optimierung der Supply Chain auf Experteneinblicke 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 seine Auswirkungen auf die Optimierung von Supply Chains. Scientismus wird als extreme Überzeugung von Wissenschaft beschrieben, die davon ausgeht, dass alle Probleme durch einen wissenschaftlichen Ansatz gelöst werden können. Im Kontext des Supply Chain Managements ist dieser Begriff gleichbedeutend mit naivem Rationalismus und legt nahe, dass ein einzelnes Rezept, Algorithmus oder eine Technologie alle Probleme der Supply Chain lösen kann.

Vermorel weist darauf hin, dass große Organisationen oft die wissenschaftliche Methode in ihrem Supply Chain Management nachahmen, indem sie sich auf Zahlen, Formeln und die Einstellung von Personen mit Doktortitel konzentrieren. Diese Merkmale allein machen ihren Ansatz jedoch nicht unbedingt wissenschaftlich. Er vergleicht dieses Phänomen mit einer Fassade, die den Anschein wissenschaftlicher Strenge erweckt, ohne tatsächlich der wissenschaftlichen Methode zu folgen.

Als Beispiel für fehlgeleiteten 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 einige aufgrund des Zufalls zwangsläufig signifikante Ergebnisse zeigen. Dieses Problem verdeutlicht, wie die übermäßige Abhängigkeit von scheinbar wissenschaftlichen Ergebnissen zu irreführenden Schlussfolgerungen führen kann.

Bei der Anwendung dieses Konzepts 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 können. Wenn man diese Modelle jedoch genauer untersucht, wird ihre Rationalität 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 einfach sein können und zu selbsterfüllenden Prophezeiungen führen können. Wenn zum Beispiel eine Prognose null Nachfrage für ein Produkt vorhersagt, wird das Produkt möglicherweise nicht auf Lager genommen und es werden keine Verkäufe stattfinden, was die ursprüngliche Prognose verstärkt. Er erwähnt auch, dass bei Modemarken die Anzahl der produzierten Einheiten oft der Anzahl der verkauften Einheiten entspricht, aufgrund hoher Rabatte auf unverkaufte Artikel. Diese Beispiele verdeutlichen das Problem der selbsterfüllenden Prophezeiungen in naiven Prognosemodellen.

Um die Grenzen dieser Modelle zu überwinden, schlägt Vermorel vor, dass Supply Chain-Experten die Komplexität der Systeme, mit denen sie arbeiten, und der darin involvierten Menschen anerkennen sollten. Sie sollten auch sekundäre Effekte berücksichtigen, wie zum Beispiel die Tatsache, dass Rabattangebote Kundenerwartungen an zukünftige Rabatte schaffen können. Er argumentiert, dass wissenschaftliche Methoden, die sich auf Erstordnungseffekte und Vereinfachungen konzentrieren, zwar leicht zu messen und zu benchmarken sein können, aber nicht unbedingt relevant für das Geschäft sind.

Vermorel betont die Bedeutung menschlichen Urteilsvermögens im Supply Chain Management. Er glaubt, dass hochrangige menschliche Intelligenz erforderlich ist, um festzustellen, ob ein mathematisches Modell nützlich ist oder ob es das Problem zu sehr vereinfacht. Obwohl es möglich sein könnte, Supply Chain-Probleme wissenschaftlich anzugehen, erfordert dies Feingefühl und kann nicht auf einfache Messungen reduziert werden.

Er stellt fest, dass Supply Chain-Experten sich dieser Probleme in der Regel bewusst sind, aber der Reiz des Scientismus und des Rationalismus kann verlockend sein, insbesondere für hochgebildete Personen. Solche Fachleute können mit dem Erfolg quantitativer Modelle in anderen Bereichen wie der Thermodynamik konfrontiert worden sein und möglicherweise die gleiche Vorhersagekraft im Supply Chain Management erreichen wollen. Vermorel warnt jedoch davor, dass Menschen keine Partikel sind und ihr Verhalten komplexer ist, was einen nuancierteren Ansatz im Supply Chain Management erfordert.

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 genaue Nachfrageprognosen zu erstellen.

Sie gehen auf die menschliche Tendenz zur Risikovermeidung, die Bedeutung der Unterstützung von Prognosen mit Daten und die Rolle hochrangigen Urteils im Supply Chain-Management ein.

Vermorel erkennt an, dass Menschen von Natur aus risikoscheu sind und oft Daten verwenden, um ihre Ansichten und Prognosen zu unterstützen. Er stimmt zu, dass es wichtig ist, Daten zu verwenden, um seine Erkenntnisse zu unterstützen, warnt jedoch davor, vorsichtig zu sein, wenn man mit Statistiken umgeht, insbesondere wenn mehrere Variablen in hochkomplexen, hochdimensionalen Problemen involviert sind.

Vermorel betont die Bedeutung hochrangigen Urteils bei der Überwachung der Berechnungen und Modelle, die im Supply Chain-Management verwendet werden, und argumentiert, dass es entscheidend ist, sicherzustellen, dass eine geeignete Perspektive im Kern der Analyse vorhanden ist. Er glaubt, dass wahrer Rationalismus dieses hochrangige Urteilsvermögen beinhaltet, um potenzielle Fallstricke in der Analyse zu vermeiden, die sich aus dem Übersehen wichtiger Aspekte ergeben könnten.

Das Gespräch geht dann auf das Konzept des naiven Rationalismus über, wobei Chandler darauf hinweist, dass der Ansatz von Lokad einige Elemente davon haben könnte. Er erwähnt, dass viele ihrer Kunden möglicherweise nicht vollständig verstehen, welche “schwarze Magie” hinter den Supply Chain-Optimierungstechniken des Unternehmens steckt. Vermorel antwortet, dass es nicht die technischen Details sind, die am wichtigsten sind, sondern vielmehr das hochrangige Verständnis der Supply Chain-Prozesse.

Laut Vermorel sind viele der technischen Details, die Kunden nicht verstehen, oft unbedeutend im größeren Zusammenhang. Er argumentiert, dass es für Lokad wichtiger ist, sich auf die breiteren Aspekte der Supply Chain zu konzentrieren, wie z.B. die Berücksichtigung von Ereignissen wie dem chinesischen Neujahr, die erhebliche Auswirkungen auf Durchlaufzeiten haben können.

Vermorel gibt zu, 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 die Bedeutung der Kombination wissenschaftlicher Ansätze mit gesundem Menschenverstand, um die besten Ergebnisse zu erzielen.

Er warnt dann davor, an die Vorstellung von einer perfekt rationalen und klar definierten Organisation zu glauben, bestehend aus separaten Teams für Prognosen, Planung und Einkauf, die jeweils spezifische Kennzahlen optimieren. Vermorel argumentiert, dass solche Systeme zwar rational und wissenschaftlich erscheinen mögen, aber oft nicht mehr als eine Illusion sind. Er betont die Notwendigkeit von Skepsis, wenn man auf solche Organisationen trifft, da sie möglicherweise nicht so rational oder effektiv sind, wie sie erscheinen.

Rückblickend erkennt Vermorel diese Misserfolge als offensichtliche Folgen des naiven Rationalismus an. Er rät Kunden, sich auf Expertenwissen und gesunden Menschenverstand zu verlassen, wenn sie Supply Chain-Optimierungslösungen implementieren. Egal wie viele Buzzwords oder technisches Fachjargon auf ein Problem geworfen werden, ohne ein fundiertes Verständnis und einen praktischen Ansatz wird das Ergebnis nichts weiter als industrieller Unsinn sein.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV wollen wir verstehen, warum dies ein so leichtes Loch ist, in das man fallen kann, und diskutieren, ob etwas, das auf den ersten Blick clever aussieht, in Wirklichkeit auch clever ist. Also Joannes, heute sprechen wir über Wissenschaftsgläubigkeit. Es klingt ein bisschen theoretisch, aber was genau ist das?

Joannes Vermorel: Wissenschaftsgläubigkeit ist, würde ich sagen, ein extremes Vertrauen in die Wissenschaft. Es ist die Idee, dass man alle Probleme im Leben und in der Gesellschaft mit einem wissenschaftlichen Ansatz lösen kann, was sich gut anhört, aber eigentlich ein bisschen naiv ist. Im speziellen Fall der Supply Chain wäre es ein Synonym für naiven Rationalismus, einen Ansatz, bei dem wir ein Rezept, Algorithmen und ein bisschen Technologie haben, um das Problem mit einer definitiven Methode zu lösen. Ich habe beobachtet, dass große Organisationen, insbesondere im Bereich Supply Chain, dazu neigen, wissenschaftliche Methoden nachzuahmen. Sie tun Dinge, die die Merkmale der Wissenschaft teilen, wie zum Beispiel die Einbeziehung vieler Zahlen, Formeln, Menschen mit Doktortiteln, Kennzahlen, Messungen und irgendeiner Art von Prozess. Aber manchmal, oder eigentlich sehr häufig, haben Sie nichts, was in meinen Augen tatsächlich als wissenschaftlich qualifizieren würde. Sie haben die Merkmale, aber es ist wie eine Fassade, eine Illusion.

Kieran Chandler: Bevor wir zum Thema Supply Chain kommen, haben Sie konkrete Beispiele aus der realen Welt, wie Menschen sich übermäßig auf wissenschaftliche Ergebnisse verlassen haben und ein bisschen zu weit gegangen sind? Wo wurden Abkürzungen genommen?

Joannes Vermorel: Es gibt heutzutage eine große Kontroverse in den Sozialwissenschaften, weil die Mehrheit der in den letzten fünf Jahrzehnten veröffentlichten Arbeiten in den Sozialwissenschaften nicht reproduzierbar ist, was ein massives Problem darstellt. Eine der Hauptursachen sind p-Werte, eine Möglichkeit, festzustellen, wie viel Vertrauen man in eine Hypothese haben kann. Nehmen wir zum Beispiel an, ich postuliere, dass der Verzehr von Erdbeeren gut für die Gesundheit ist. Ich mache eine Messung und validiere diese Hypothese. Das Problem ist, dass wenn Sie Tausende oder Millionen von Hypothesen testen, Sie Tonnen von Hypothesen generieren werden, die schöne p-Werte aufweisen, also Dinge, die sehr zuversichtlich erscheinen. Aber das Problem ist, dass Sie so viele Hypothesen getestet haben, dass nach den begrenzten Daten einige von ihnen fast vollständig aus reiner Zufälligkeit wahr sind. In der Supply Chain gibt es viele Ähnlichkeiten, bei denen Methoden den Anschein von etwas sehr Rationalen haben, aber wenn man darunter kratzt, ist es zutiefst irrational.

Kieran Chandler: Schauen wir uns Beispiele aus der Supply Chain an. Was sind die Dinge, die auf den ersten Blick einfach aussehen, aber tatsächlich, wenn man tiefer eintaucht, überhaupt nicht rational sind?

Joannes Vermorel: Wahrscheinlich die Nachfrageprognose. Es gibt ganze Bücher darüber, wie man Nachfrageprognosemodelle erstellen kann. Wir haben eine ganze Literatur darüber, von den alten Vintage-Modellen des exponentiellen Glättens, Holt-Winters und so weiter. Man würde denken, dass die statistische Nachfrageprognose etwas sehr Etabliertes ist. Sie haben eine Prognose, Sie können einen Benchmark machen, Sie können Backtesting machen. Es sieht aus wie der Archetyp von etwas, das super wissenschaftlich ist, und mein Punkt ist, dass es oft nicht so ist. Es ist überhaupt nicht wissenschaftlich. Es ist eigentlich sehr naiv. Einer der ersten Fehler, den ich vor einem Jahrzehnt bei Lokad gemacht habe, war zu denken, dass dieser algorithmische Ansatz zur Nachfrageprognose tatsächlich funktioniert. Tut es nicht, aus ziemlich vielen Gründen. Einer der Gründe ist, dass man einen selbst-erfüllenden Effekt hat. Wenn Sie prognostizieren, dass Sie keine Nachfrage nach einem Produkt in einem Geschäft haben werden, dann werden Sie das Produkt vielleicht nicht einmal in das Geschäft stellen, und so werden Sie am Ende selbst-erfüllende Prophezeiungen haben. Wenn Sie null Nachfrage prognostizieren, dann setzen Sie keinen Bestand ein, und dann verkaufen Sie nichts, und dann ist Ihre Prognose zu 100% korrekt. Und dann haben Sie wahrscheinlich mehr Vertrauen in die Prognose. Es ist statistisch bewiesen, und doch, wenn man darüber nachdenkt, ist es geschäftlich gesehen ziemlich dumm, und tatsächlich ist es dumm. Das ist ein extremes Beispiel. Ein etwas fortgeschritteneres Beispiel, aber immer noch ziemlich dumm, ist zum Beispiel, wenn Sie eine Prognose für eine Modemarke machen wollen. Wenn Sie prognostizieren wollen, wie viele Einheiten für ein bestimmtes Produkt verkauft werden, müssen Sie nur darauf schauen, wie viele Einheiten überhaupt produziert wurden. Wenn Sie 1.000 Hemden produzieren, raten Sie mal, Sie werden 1.000 Hemden verkaufen, abzüglich Schwund. Aber wie kommt das? Nun, es kommt daher, dass wenn Sie all diese 1.000 Hemden nicht verkaufen, werden Sie Ihre Produkte stark rabattieren, sie zum Verkauf anbieten und letztendlich werden sie verkauft. Sie haben also diese naive selbst-erfüllende Prophezeiung, bei der das, was Sie produzieren, im Grunde das ist, was Sie am Ende verkaufen, egal was passiert.

Kieran Chandler: Was ist dann die Alternative? Denn es hört sich so an, als hätten Sie eine Methode, die Methode funktioniert irgendwie, sie kommt in die richtige Größenordnung.

Joannes Vermorel: Die Alternative besteht darin, zunächst anzuerkennen, dass die Situation komplex ist, dass Menschen involviert sind, dass Sie ein komplexes System mit Rückkopplungsschleifen überall haben, dass Sie Effekte zweiter Ordnung haben. Effekte zweiter Ordnung sind zum Beispiel, wenn Sie einem Kunden einen Rabatt geben. Was schaffen Sie? Offensichtlich kostet Sie dieser Rabatt etwas. Das sind Euro oder Dollar an Marge, die Sie nicht bekommen. Das ist der Effekt erster Ordnung des Rabatts. Ein weiterer Teil des Effekts erster Ordnung ist, dass Sie wahrscheinlich eine Art Nachfragesteigerung haben. Sie setzen ein Produkt mit vielen Rabatten zum Verkauf, die Verkäufe werden in der Regel steigen. Aber der Effekt zweiter Ordnung besteht darin, dass Sie eine Erwartungshaltung in Ihrer Kundenbasis schaffen, tatsächlich Produkte zu einem Rabatt zu kaufen.

Also ist Nationalismus oder Wissenschaftsgläubigkeit eine Art Methode, bei der man sich hauptsächlich auf Effekte erster Ordnung konzentriert, bei der man Abkürzungen nimmt, die Situation vereinfacht, und so landet man bei etwas, bei dem es einfach ist, Messungen durchzuführen, Metriken zu erstellen und Hypothesen zu testen. Aber die Tatsache, dass es einfach ist, bedeutet nicht, dass es relevant ist. Nur weil etwas einfach ist, heißt das nicht, dass es gut für Ihr Geschäft ist.

Kieran Chandler: Wie wirkt sich die Übervereinfachung dieser Art auf Supply-Chain-Experten aus? Was ist das Ergebnis davon? Ich habe eine Frage zu mathematischen Modellen und quantitativer Modernisierung. Wie wichtig ist menschliches Urteilsvermögen in diesem Prozess, insbesondere bei komplexen Systemen?

Joannes Vermorel: Menschliches Urteilsvermögen ist entscheidend. Hochrangige menschliche Intelligenz ist erforderlich, um zu beurteilen, ob ein Modell der richtige Weg ist, ein Problem zu betrachten. Dies ist Teil der Wissenschaft, aber es geht nicht nur um einfache Messungen und das Testen von Hypothesen. Es erfordert hochrangiges Urteilsvermögen, um sicherzustellen, dass das Modell mit der Realität übereinstimmt.

Wenn man sich mit einem bestimmten Bereich befasst, benötigt man die richtige Perspektive. Wenn man beispielsweise versucht, Probleme in der Lieferkette anzugehen, benötigt man eine Perspektive, die für große Gruppen von Menschen und Gesellschaften sinnvoll ist. Dies kann nicht wissenschaftlich bewiesen werden, sondern erfordert eine schwierige Diskussion unter Menschen guten Willens, die versuchen, der Wahrheit näher zu kommen. Es geht nicht darum, eine naive Messung zu haben, um jemanden richtig oder falsch zu beweisen, sondern es gibt mehr Subtilität.

Kieran Chandler: Haben Supply-Chain-Experten die Mängel dieser Modelle bemerkt?

Joannes Vermorel: Supply-Chain-Experten sind in der Tat hochqualifiziert und interessiert an ihrem Fachgebiet. Das Problem mit wissenschaftlichen und rationalen Modellen besteht nicht darin, dass sie ungebildeten Menschen passieren, sondern dass sie unter hochqualifizierten Personen auftreten. Jemand mit begrenztem Bildungshintergrund könnte von Formeln oder Protokollen nicht beeindruckt sein und skeptisch gegenüber komplizierten Dingen sein, die er nicht versteht. Im Gegenteil, hochqualifizierte Menschen sind eher mit diesen Problemen konfrontiert, weil sie die Wirksamkeit bestimmter wissenschaftlicher Modelle, wie den Gesetzen der Thermodynamik, erlebt haben.

Das Problem entsteht, wenn Menschen versuchen, denselben Ansatz auf Lieferketten anzuwenden und die gleiche Vorhersagekraft wie in anderen wissenschaftlichen Bereichen zu erwarten. Menschen sind jedoch keine Partikel, sie denken und reagieren anders. Zum Beispiel werden Kunden sich an Rabatte anpassen und zukünftige Aktionen antizipieren, um das System effektiv zu manipulieren. Dies geschieht wiederholt im Supply-Chain-Management.

Kieran Chandler: Das Problem, das ich damit habe, ist, dass Menschen von Natur aus risikoscheu sind. Wenn es Beweise gibt, die ihre Behauptungen und Prognosen unterstützen, werden sie diese verwenden. Also, was denken Sie über die Rolle der Wissenschaft in diesem Zusammenhang? Gibt es wirklich eine Alternative zur Verwendung von Daten bei der Optimierung der Lieferkette?

Joannes Vermorel: Auf den ersten Blick neige ich dazu, der Meinung zuzustimmen, dass es besser ist, seine Behauptungen mit Daten zu untermauern. Sie müssen jedoch sehr vorsichtig sein, insbesondere wenn es um komplexe, hochdimensionale Probleme mit mehreren Variablen und Agenten wie Menschen oder Unternehmen geht, die auf das reagieren können, was Sie tun. Diese Probleme können ziemlich knifflig werden. Natürlich möchten Sie Ihre Erkenntnisse mit so vielen Daten wie möglich unterstützen, aber es gibt einen Unterschied zwischen echtem Rationalismus und naivem Rationalismus. Sie müssen immer noch hochrangiges Urteilsvermögen haben, das alle Ihre Berechnungen und Modelle überwacht, um sicherzustellen, dass es eine geeignete Perspektive für die Analyse gibt und dass es keine extremen losen Winkel gibt, die alles rückgängig machen würden, was Sie gerade getan haben.

Kieran Chandler: Sprechen wir über dieses hochrangige Urteilsvermögen. Manche könnten argumentieren, dass das, was wir bei Lokad tun, eine beträchtliche Menge an naivem Rationalismus beinhaltet, und viele unserer Kunden verstehen nicht vollständig all die “Schwarze Magie”, die unsere Supply Chain Scientists verwenden. Wie stellen Sie sicher, dass unsere Kunden verstehen, was vor sich geht?

Joannes Vermorel: Mir geht es wirklich um das hochrangige Verständnis, nicht um die technischen Details. Die technischen Details sind größtenteils unerheblich. Zum Beispiel weiß ich, dass wenn ich eine bestimmte Funktion verwende, die Berechnung, die ich erhalte, eine Näherung ist, die um einen Teil pro Million daneben liegen kann, aber wenn ich es mit einer Lieferkette zu tun habe, bei der die Unsicherheit bei etwa 40% liegt, ist dieses Maß an Näherungswerten unerheblich. Für unsere Kunden, die Lokad verwenden, sind die Dinge, die sie nicht verstehen, oft sehr technisch, aber weitgehend unerheblich. Viel wichtiger ist es sicherzustellen, dass Lokad die Faktoren wie Lieferzeiten richtig berücksichtigt und Ereignisse wie das chinesische Neujahr einbezieht, das jedes Jahr vier Wochen Lieferzeit hinzufügt.

Kieran Chandler: Wochen zusätzlicher Lieferzeiten werden direkt in Ihre Lieferzeiten einfließen. Es ist nicht subtil, und das ist die Art von Sache, bei der dieses hochrangige Urteil es Ihnen ermöglicht zu entscheiden, dass Sie das berücksichtigen müssen. Ich kann buchstäblich durch naive Beobachtung beurteilen, ob Sie das überhaupt berücksichtigen. Sie brauchen kein Mikroskop; der Effekt ist stark. Möglicherweise werden wir in einem Jahrhundert die Methoden so weit verfeinert haben, dass die Menschen anfangen werden, die Auswirkungen zu analysieren, die die Hälfte ihrer irdischen Zeit in einer bestimmten Konfiguration hat, und dies wirklich wissenschaftlich angehen können. Aber im Moment kratzen wir nur an der Oberfläche, und es ist eine fantastische Verbesserung, das System ungefähr richtig zu machen, verglichen mit dem, was wir zuvor hatten. Also, wenn wir heute anfangen, Dinge zusammenzuführen, welche Schlussfolgerung sollten wir ziehen? Es ist gut, diese wissenschaftlichen Ansätze zu haben, aber sie müssen mit viel gesundem Menschenverstand kombiniert werden.

Joannes Vermorel: Nun ja. Ich meine, zunächst einmal sollten Sie sehr skeptisch sein, wenn es um eine rationale Organisation geht, bei der Sie sagen könnten: “Oh, wir haben ein Prognoseteam, ein Planungsteam und ein Einkaufsteam.” Alle von ihnen haben ihre Formeln und optimieren einfache Metriken. Es sieht perfekt definiert, rational und kundenorientiert aus oder was auch immer. Aber wenn ich mit dieser Art von Situation konfrontiert werde, ist meine unmittelbare Beobachtung, dass dieses System nicht rational ist. Es zeigt nur die Attribute von Rationalität und Wissenschaft. Es ist nur etwas, das sehr wissenschaftlich aussieht, aber überhaupt nicht ist.

Eine weitere Lehre wäre, die Tatsache nicht zu unterschätzen, dass hochengagierte Ingenieure immer noch unmöglich ahnungslos über die reale Welt sein können. Wenn ich von hochengagierten Ingenieuren spreche, schließe ich mich selbst in diese Kategorie ein. Ich habe Lokad direkt nach dem Studium begonnen, war sehr stolz auf meinen mathematischen Hintergrund und begeistert von der Idee, all diese schönen hochdimensionalen Statistiken auf reale Situationen anzuwenden. Es stellte sich heraus, dass es nicht wunderbar funktionierte. Tatsächlich explodierte es systematisch auf scheinbar unmöglich überraschende Weise. Im Rückblick war es die offensichtliche Konsequenz des naiven Rationalismus, der am Werk war.

Also, mein Vorschlag, um es zusammenzufassen, ist, dass Sie Experteneinblicke in das haben müssen, was Sie tun, und dass Sie dieses gesunde Maß an gesundem Menschenverstand haben müssen, um zu sagen: “Okay, ergibt das ungefähr Sinn?” Wenn nicht, egal wie viele Buzzwords und Schlüsselwörter Sie auf das Problem werfen, was Sie bekommen, ist Unsinn in industriellem Maßstab.

Kieran Chandler: Ich hätte nie gedacht, dass wir Sie sagen hören würden, dass Wissenschaft und Mathematik manchmal nicht alles sind, was Sie brauchen.

Joannes Vermorel: Das stimmt.

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