00:00:08 A/B-Tests und ihre Anwendungen im Marketing und in der Supply Chain.
00:01:47 Beispiele für A/B-Tests im Marketing und in der Supply Chain.
00:03:41 Probleme mit A/B-Tests in der Supply Chain und wie sie Probleme verdrängen.
00:06:02 Verdrängungsprobleme und Vernetzung bei A/B-Tests in der Supply Chain.
00:07:45 Supply Chains als vernetzte Systeme und die Herausforderungen von A/B-Tests.
00:09:58 Grenzen von A/B-Tests im Supply Chain Management.
00:11:45 Verstärkendes Lernen für Supply Chains.
00:13:22 Balance zwischen Exploration und Ausbeutung bei Entscheidungsfindung.
00:15:01 Zufälligkeit für bessere Erkenntnisse in der Supply Chain.
00:17:08 Unternehmen erkunden alternative Lieferanten und Märkte.
00:19:39 Quantifizierung des Werts von Wissen bei unternehmerischen Entscheidungen.
00:20:52 Wie Lokad Geschäftsentscheidungen optimiert, indem es Zweitordnungseffekte berücksichtigt.
00:23:42 Die zukünftige Bedeutung von Exploration und die Quantifizierung ihres Werts für Unternehmen.
Zusammenfassung
In diesem Interview spricht Kieran Chandler mit Joannes Vermorel, dem Gründer von Lokad, über A/B-Tests und deren Grenzen bei der Optimierung der Supply Chain. Sie diskutieren die Geschichte und Anwendungen von A/B-Tests, die im Marketing beliebt sind, aber in der Supply Chain Management weniger. Vermorel argumentiert, dass A/B-Tests für die Optimierung der Supply Chain aufgrund der vernetzten Natur der Supply Chains und des begrenzten Lernens unzureichend sind. Stattdessen schlägt er einen Machine-Learning-Ansatz vor und führt Zufälligkeit in die Entscheidungsfindung ein. Durch kontinuierliche Exploration alternativer Optionen und Quantifizierung von Wissen können Vermorel zufolge Unternehmen auf dem neuesten Stand ihre Supply-Chain-Prozesse verbessern und optimieren.
Erweiterte Zusammenfassung
In diesem Interview diskutiert Kieran Chandler mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung der Supply Chain spezialisiert hat, A/B-Tests und deren Anwendungen in der Optimierung der Supply Chain. Sie erklären zunächst, was A/B-Tests sind und deren Geschichte, bevor sie sich mit deren Anwendungen, Grenzen und Alternativen befassen.
A/B-Tests, eine Untergruppe des experimentellen Designs, beinhalten den Vergleich von zwei Varianten, um deren Wirksamkeit festzustellen. Die Methode entstand wahrscheinlich im späten 19. Jahrhundert, obwohl die Aufzeichnungen aufgrund ihrer intuitiven Natur unklar sind. A/B-Tests sind Teil der wissenschaftlichen Methode und des breiteren Feldes des Versuchsdesigns, das darauf abzielt, Wahrheiten über Aussagen oder Hypothesen zu gewinnen.
A/B-Tests sind besonders beliebt im Marketing, wo sie zur Bewertung der Wirksamkeit von Werbematerialien wie Newslettern oder Anzeigen eingesetzt werden. Ein Beispiel für A/B-Tests im Marketing ist die Aufteilung einer Kundendatenbank in zwei zufällige Gruppen und das Versenden von Version A eines Newsletters an die erste Gruppe und Version B an die zweite Gruppe. Die Ergebnisse werden dann gemessen, um festzustellen, welche Version besser abgeschnitten hat.
In den frühen 2000er Jahren führte Google eine Reihe von A/B-Tests durch, um die optimale Anzahl von Suchergebnissen auf ihrer Suchergebnisseite zu ermitteln. Die Tests halfen dem Unternehmen, die Ladezeiten der Seite und die Benutzerzufriedenheit auszugleichen und führten letztendlich zur Entscheidung, etwa 10 Ergebnisse pro Seite anzuzeigen.
Obwohl A/B-Tests im Bereich des Supply Chain Managements weniger beliebt sind, wird Lokad oft explizit oder implizit gebeten, A/B-Tests für ihre Kunden durchzuführen. Im Supply Chain-Kontext beinhaltet A/B-Testing in der Regel den Vergleich der Leistung einer Gruppe von Geschäften, die vom Inventaroptimierungssystem von Lokad verwaltet werden, mit einer Gruppe vergleichbarer Geschäfte, die vom bestehenden System des Kunden verwaltet werden. Der Vergleich wird über einen Zeitraum von beispielsweise drei Monaten durchgeführt und kann als Benchmark oder Pilot bezeichnet werden.
Vermorel argumentiert, dass A/B-Tests zwar wie ein rationaler Ansatz zur Vergleich von zwei Methoden erscheinen mögen, aber aufgrund der vernetzten Natur von Supply Chains für die Supply Chain-Optimierung problematisch sein können.
Vermorel erklärt, dass in einer Supply Chain Probleme oft verlagert anstatt gelöst werden. Bei der Bewertung der Leistung von zwei verschiedenen Optimierungstechniken können diese nicht unabhängig voneinander sein, da sie um die gleichen Ressourcen konkurrieren. Dies führt zu einer Situation, in der die Optimierung einer Technik auf Kosten der anderen erfolgen kann. Die vernetzte Natur von Supply Chains bedeutet auch, dass wenn ein Teil beeinflusst wird, dies andere Teile beeinflussen kann, was es schwierig macht, eine einzelne Variable zu isolieren und ihre Auswirkungen zu messen.
Ein weiteres Problem bei A/B-Tests im Zusammenhang mit Supply Chains ist das begrenzte Lernen, das sie bieten. A/B-Tests testen immer nur eine Hypothese auf einmal und liefern nur eine geringe Menge an Informationen. Dies mag ausreichen, wenn man absolute Sicherheit in Bezug auf etwas sucht, von dem man fest überzeugt ist, aber Supply Chains verändern sich ständig und das langsame Tempo von A/B-Tests kann mit den sich entwickelnden Anforderungen nicht mithalten.
Vermorel weist auch auf das Problem der Saisonalität hin, das die Gültigkeit von A/B-Testergebnissen beeinflussen kann. Um dies zu berücksichtigen, muss ein Test möglicherweise über 12 Monate laufen, aber dies ist oft nicht machbar, da er nur eine einzige Information darüber liefert, welches System besser ist. Darüber hinaus können unterschiedliche Systeme für verschiedene Arten von Produkten oder Situationen besser geeignet sein, was die Nützlichkeit von A/B-Tests weiter einschränkt.
Anstatt sich auf A/B-Tests zu verlassen, schlägt Vermorel vor, das Problem aus einer maschinellen Lernperspektive zu betrachten. Dieser Ansatz konzentriert sich darauf, aktiv Informationen aus Daten zu extrahieren, was für das Verständnis komplexer und vernetzter Systeme wie Supply Chains effektiver sein kann. Indem man berücksichtigt, wie Entscheidungen Beobachtungen beeinflussen, wird es möglich, mehr über die Nachfrage zu lernen und die Betriebsabläufe der Supply Chain zu optimieren.
Vermorel erklärt, dass Unternehmen ein Gleichgewicht zwischen der Optimierung ihrer aktuellen Prozesse und der Erkundung alternativer Optionen finden sollten. Dies kann die Einführung von Zufälligkeit in ihre Entscheidungsfindung beinhalten, was verhindern kann, dass Unternehmen in einem lokalen Minimum stecken bleiben - einer Situation, in der sie glauben, die beste Lösung gefunden zu haben, obwohl eine bessere existiert, wenn sie von ihrem aktuellen Ansatz abweichen würden.
Eine Möglichkeit, Zufälligkeit einzuführen, besteht darin, mit verschiedenen Produkten oder Lieferanten zu experimentieren. Zum Beispiel könnte ein Einzelhandelsnetzwerk in jedem Geschäft einige zufällige Produkte zu seinem Sortiment hinzufügen oder alternative Lieferanten testen, um deren Zuverlässigkeit und Produktangebot zu bewerten. Unternehmen in der Automobilzulieferindustrie haben diesen Ansatz sogar umgesetzt, indem sie einen Teil ihrer Bestellungen an Lieferanten weitergeben, die anfangs nicht die besten Preise oder Bedingungen bieten, einfach um das Wasser zu testen.
Obwohl es für Unternehmen kontraintuitiv erscheinen mag, solche Zufälligkeiten in ihre Prozesse einzuführen, argumentiert Vermorel, dass dieser Ansatz langfristig die Rentabilität verbessern kann. Durch kontinuierliches Lernen über ihren Markt können Unternehmen neue Erkenntnisse gewinnen, die erhebliche Auswirkungen auf ihren Gewinn haben können. Sie könnten zum Beispiel feststellen, dass sie ihre Preise erhöhen oder senken könnten, ohne die Verkäufe zu beeinträchtigen, was zu höheren Einnahmen oder Skaleneffekten führt.
Die Einbeziehung von Zufälligkeiten in Entscheidungsprozesse ermöglicht es Unternehmen, alternative Märkte, Lieferanten, Preisniveaus und sogar Organisationsstrukturen der Lieferkette zu testen. Diese Investition in die Exploration hilft Unternehmen, geringfügige Variationen zu entdecken, die besser für ihre Betriebsabläufe geeignet sind, was wiederum das Wachstum fördern und die Gesamtleistung verbessern kann.
Joannes Vermorel, Gründer von Lokad, diskutiert die Bedeutung der Erforschung und Quantifizierung von Wissen innerhalb eines Unternehmens. Er verweist auf ein vor über einem Jahrzehnt veröffentlichtes Papier, in dem ein Algorithmus namens “Pokerpreis des Wissens und geschätzte Belohnung” vorgestellt wird, der helfen kann, die Kosten und Belohnungen der Exploration zu quantifizieren. Vermorel betont, dass Unternehmen auf tatsächliche Gewinne, wie Dollar, optimieren sollten, anstatt willkürliche Ziele zu verfolgen. Er prognostiziert, dass modernste Unternehmen zunehmend Exploration und Zufälligkeit in ihre Lieferkettenprozesse einführen werden, um die Optimierung voranzutreiben und sich im Laufe der Zeit zu verbessern.
Vollständiges Transkript
Kieran Chandler: Heute werden wir besprechen, warum diese Technik äußerst schwach ist und verstehen, welche alternativen Techniken wir verwenden können, um unsere Lieferketten effektiver zu testen. Also, Joannes, vielleicht sollten Sie einfach wie immer damit beginnen, uns etwas mehr über das A/B-Testing zu erzählen.
Joannes Vermorel: A/B-Testing ist eine Methode, um zu testen, ob eine Hypothese wahr ist oder nicht, in der Regel durch den Vergleich von zwei Gruppen, es können aber auch mehr als zwei Gruppen sein. Es ist etwas unklar, wann es erfunden wurde. Ich würde vermuten, dass es irgendwann im späten 19. Jahrhundert erfunden wurde, aber die Aufzeichnungen sind unklar, und wahrscheinlich, weil es etwas so Intuitives ist, haben die Leute viel früher darüber nachgedacht, es wurde nur nicht sehr deutlich dokumentiert und nicht unbedingt als A/B-Testing bezeichnet. Das Interessante daran ist, dass es Teil der wissenschaftlichen Methode ist, die im Bereich des Versuchsdesigns eine wissenschaftliche Möglichkeit bietet, Wahrheiten über jede Aussage zu erlangen, die man machen kann. Es wird nicht beweisen, dass eine Aussage wahr ist, aber es kann Ihnen eine wissenschaftliche Antwort auf die Frage geben, ob Ihre Hypothese wahr ist oder nicht.
Kieran Chandler: Welche Arten von Experimenten meinen wir hier eigentlich?
Joannes Vermorel: A/B-Testing ist in der Marketingbranche sehr beliebt. In der Lieferkette ist es viel weniger beliebt. Im Marketing wird es häufig für Dinge wie Werbe-Newsletter verwendet. Wenn Sie zum Beispiel ein Produkt zuerst bewerben und ein anderes Produkt als zweites bewerben, können Sie Ihre Kundendatenbank in zwei zufällige Gruppen aufteilen, Version A Ihres Newsletters an die erste Gruppe senden und Version B an die zweite Gruppe senden und dann das Ergebnis messen. Das ist eine ziemlich effiziente Möglichkeit, A/B-Tests durchzuführen.
Kieran Chandler: Also, die Idee ist, dass Sie zwei Dinge versenden und sehen, welches besser abschneidet?
Joannes Vermorel: Genau. Sie testen eine Hypothese. Google hat zum Beispiel in den frühen 2000er Jahren eine Reihe von A/B-Tests durchgeführt, um herauszufinden, wie viele Suchergebnisse optimal in Bezug auf die Anzeige sind. Sie fanden durch A/B-Tests ein Gleichgewicht, das damals bei etwa 10 Ergebnissen lag.
Kieran Chandler: Warum ist das etwas, das uns hier bei Lokad interessiert? Fragen unsere Kunden wirklich danach?
Joannes Vermorel: In der Lieferkette werden wir häufig, entweder explizit oder manchmal implizit, nach A/B-Tests gefragt. In der Lieferkette nimmt das A/B-Testing eine andere Form an. Zum Beispiel könnten die Leute sagen: “Lassen Sie Lokad 10 Geschäfte mit ihrem Bestandsoptimierungssystem verwalten, während 10 andere vergleichbare Geschäfte über das alte System verwaltet werden. Wir werden das drei Monate lang laufen lassen und die Ergebnisse vergleichen.” Sie könnten es als Benchmark bezeichnen, aber es ist tatsächlich ein A/B-Test.
Kieran Chandler: Es findet sozusagen ein A/B-Test statt, und das klingt ziemlich rational. Es scheint, als bräuchten Sie eine Möglichkeit, diese beiden verschiedenen Ansätze zu vergleichen. Wie funktioniert das eigentlich in der realen Welt?
Joannes Vermorel: Der Kern des Problems ist, dass es offensichtlich und vernünftig aussieht. Man könnte sagen, es scheint eine vernünftige Art zu sein, diese beiden Methoden zu vergleichen. Ich ändere einfach eine Variable, wie die Software, die den Bestand steuert, und stelle sicher, dass mein Experiment repräsentativ ist. Also würde ich mehrere Geschäfte und einen längeren Zeitraum, wie zum Beispiel drei Monate, nehmen, um statistische Signifikanz sicherzustellen. Das alles sieht ziemlich vernünftig und rational aus. Aber es gibt ein “aber” - es ist komplizierter als es scheint. Die Probleme, die ich mit diesen Benchmarks habe, sind in meinem Buch Beispiele für naive Rationalität. Es sieht sehr wissenschaftlich aus, ist aber tatsächlich nicht besonders wissenschaftlich oder rational; es scheint nur so.
Das Problem im Supply Chain Management ist, dass Sie dazu neigen, Probleme zu verlagern, anstatt sie zu lösen. Zum Beispiel haben Sie diese 20 Geschäfte im Test. Es sieht super rational aus. Das Problem ist, dass all diese Geschäfte mit demselben Bestand im Vertriebszentrum konkurrieren. Wenn ich, als Lokad, die Software, schummeln möchte, könnte ich meine eigenen Ergebnisse verbessern, indem ich viel Bestand verbrauche und die Leistung meines Bereichs auf Kosten der anderen Geschäfte verbessere. Und wenn Sie einen Benchmark haben, der besagt, dass das Ziel darin besteht, die Leistung dieser zehn Geschäfte zu maximieren, wird die mathematische Optimierung dies auf Kosten der anderen Geschäfte tun. Es gibt also eine Rückkopplungsschleife zwischen den Geschäften, weil sie über denselben Distributor um denselben Bestand im Vertriebszentrum konkurrieren. Das passiert immer in Lieferketten; es ist ein System und es ist durch Design miteinander verbunden.
Lieferketten ermöglichen massive Effizienz-, Zuverlässigkeits-, Kosten- und Skaleneffekte. Aber der Nachteil ist, dass, weil es ein System ist, wenn Sie einen Teil berühren, neigen Sie dazu, die anderen Teile zu beeinflussen.
Kieran Chandler: Was wäre dann ein besserer Ansatz? Sollten Sie eine Technik für sechs Monate an zwanzig Standorten ausprobieren und dann eine andere Technik für sechs Monate?
Joannes Vermorel: Ein weiteres Problem, das ich mit dieser Art von Benchmark habe, ist, dass Sie sehr wenig über Ihr System erfahren. A/B-Tests werden typischerweise unterschätzt, weil Sie immer nur eine Hypothese testen. In Bezug auf Informationen sprechen wir von einer kleinen Menge an Informationen, nur einer Null oder Eins. Es ist nicht einmal ein Byte, sondern nur ein Bit. Und es ist nicht einmal ein volles Bit, weil Sie nur ein Maß an Vertrauen in Ihre Ergebnisse haben werden. Also, was Sie lernen, ist wie ein Bruchteil eines Bits, was sehr wenig klingt und tatsächlich sehr wenig ist. Die Hauptkritik an A/B-Tests ist, dass Sie sehr wenig über Ihr System lernen.
Kieran Chandler: Tests sind gut, wenn Sie absolute Sicherheit über etwas haben möchten, von dem Sie sehr überzeugt sind. Zum Beispiel können Sie einen A/B-Test durchführen, um die endgültige Bestätigung zu haben, dass Sie Recht hatten, aber das Problem ist, dass Sie bereits davon ausgehen, dass Sie die Wahrheit bereits kennen. Deshalb funktioniert es sehr gut für die Wissenschaft. In wissenschaftlichen Methoden sammeln Menschen Hinweise auf sehr indirekte Weise, und sobald sie eine Menge Hinweise gesammelt haben, führen sie einen A/B-Test durch, um ihre Hypothese auf eine direktere Weise zu bestätigen. Aber das wird sehr teuer und langsam sein, und das wird die endgültige Bestätigung sein, den Nagel in den Sarg zu stecken und den Fall für immer zu schließen.
Joannes Vermorel: Das Problem bei Supply Chains ist, dass sich ständig alles ändert. Ihr Netzwerk ist ein sich ständig veränderndes Biest. Wenn Sie einen A/B-Test zur Optimierung der Supply Chain durchführen möchten, benötigen Sie möglicherweise 12 Monate anstelle von drei aufgrund der Saisonalität. Aber wer kann sich schon 12 Monate leisten, nur um eine Information darüber zu erhalten, welches der beiden Systeme das Beste ist? Es gibt so viele andere Alternativen auf dem Markt und nur so viele Versuche, die Sie durchführen können. System A könnte für langsame Bewegungen besser sein, während System B für schnelle Bewegungen besser sein könnte. Nur eine Information zu haben, ist sehr schwach und gibt Ihnen keine Einblicke in die beste Option.
Das Problem beim A/B-Testen besteht darin, dass Sie nur zwei mögliche Pfade testen und in einer Supply Chain Millionen von möglichen Pfaden vorhanden sind. Wie können wir also Informationen zu all diesen Möglichkeiten generieren?
Kieran Chandler: Also haben wir in einer Supply Chain Millionen von möglichen Pfaden. Wie können wir also Informationen zu all diesen Möglichkeiten generieren?
Joannes Vermorel: Das ist eine sehr interessante Frage, und eine modernere Perspektive auf den Fall wäre das verstärkte Lernen. Wenn Sie darüber nachdenken möchten, wie eine Lernmaschine funktioniert, können Sie Informationen passiv aus den Daten extrahieren, wie Daten kommen und Sie lernen möchten, oder aktiv, wo das, was Sie tun, einen Einfluss darauf hat, was Sie beobachten, was bei der Supply Chain-Verwaltung der Fall ist. Wenn Sie beispielsweise beschließen, ein Produkt nicht im Geschäft zu verkaufen, werden Sie niemals die Nachfrage nach diesem Produkt in diesem Geschäft beobachten.
A/B-Tests sind eine Möglichkeit, Wissen zu erlangen, aber sie sind unglaublich träge. Wenn Sie als Baby durch A/B-Tests lernen müssten, zu gehen, würde es eine Million Jahre dauern, um das Gehen zu lernen. Es ist sehr mächtig für wissenschaftliche Gewissheit, aber es kann nicht der Prozess sein, der eine Reise zur Wahrheit antreibt.
In der Supply Chain-Verwaltung ist eine modernere Perspektive das verstärkte Lernen, bei dem Sie einen Kompromiss zwischen Exploration und Ausbeutung finden. Sie haben eine Vermutung, was das Gute ist, sind aber nicht vollständig überzeugt, dass es immer das Beste ist. Daher möchten Sie das tun, was als Exploration bezeichnet wird. Sie randomisieren Ihre Aktionen ein wenig, um mehr über das System zu erfahren.
Kieran Chandler: Sie haben Ihren Optimierungsprozess, der versucht, gemäß festgelegter Metriken einen Algorithmus zu optimieren, der Sie zu dem führt, was Sie für das Optimum halten, basierend auf Ihren eigenen Messungen. Aber das Problem ist, dass Sie dadurch in einer Art und Weise stecken bleiben können, die mathematisch gesehen ein lokales Minimum genannt wird. Sie versuchen, Ihre Kostenfunktion zu minimieren, und Sie stecken in einem Bereich fest, der gut aussieht. Wenn Sie von diesem Punkt abweichen, scheint es, dass Sie am Optimum sind, aber tatsächlich müssen Sie sich davon entfernen, wenn Sie etwas haben möchten, das viel besser ist.
Joannes Vermorel: Also sprechen wir im Grunde davon, einen bestimmten Prozentsatz Ihrer Entscheidung einzuführen, der möglicherweise nicht korrekt ist und möglicherweise nicht mit Ihrer Optimierung übereinstimmt. Aber es geht im Grunde darum, diesen bestimmten Prozentsatz potenzieller Fehler einzuführen, nur um mehr darüber herauszufinden, was möglicherweise funktionieren könnte. Und offensichtlich geht es hier um Experimente. Sie möchten keine verrückten Dinge tun, aber zum Beispiel, wenn Sie ein großes Einzelhandelsnetzwerk haben, wäre die Idee, Ihr Sortiment zu ändern. Sie können entscheiden, dass Sie die ganze Zeit in jedem einzelnen Geschäft ein paar Produkte einführen, die normalerweise nicht zum Sortiment gehören, praktisch zufällig. Natürlich werden Sie das nicht mit sehr teuren Artikeln versuchen, wie einer teuren Gartenmaschine, wenn Sie ein Geschäft in der Mitte einer Stadt haben. Sie tun keine völlig absurden Dinge, aber Sie führen etwas Zufälligkeit ein, um zu sehen, ob einige Produkte unerwartet viel Aufmerksamkeit erhalten, nur weil Sie sie in einem Stadtzentrum ausprobiert haben, und normalerweise dachten Sie, dass dieses Produkt nicht gut zu diesem Bereich passt. Es stellte sich heraus, dass es vielleicht doch passt. Also möchten Sie etwas Zufälligkeit einführen.
Das kann in der Supply Chain gemacht werden, zum Beispiel, manchmal einfach andere Lieferanten ausprobieren, um die Durchlaufzeiten zu testen. Sie haben Ihren Routine-Lieferanten und geben einfach ein paar Bestellungen an Konkurrenten weiter, um zu sehen, wie es läuft. Und ich habe sogar Unternehmen gesehen, zum Beispiel im Bereich der Automobil-Nachrüstung, die das automatisch umsetzen, bei denen ein bestimmter Anteil der an Lieferanten weitergegebenen Bestellungen nicht an die Lieferanten weitergegeben wird, die den besten Preis und die besten Bedingungen bieten, sondern nur um das Wasser zu testen und zu sehen, ob der Lieferant super zuverlässig ist und ob die Produkte den Erwartungen in Bezug auf den Bestellprozess entsprechen, d.h. wenn Sie ein bestimmtes Teil bestellen, erhalten Sie wirklich dieses Teil und nicht ein anderes.
Kieran Chandler: Das scheint sehr überraschend, denn Unternehmen sind im Allgemeinen normalerweise so auf Profitabilität und möglichst effizientes Handeln ausgerichtet, um die Gewinnspanne zu maximieren. Sie führen tatsächlich diese verschiedenen Lieferanten ein, nur um Dinge zu testen. Aber ist das schwierig zu integrieren?
Joannes Vermorel: Das ist, noch einmal, würde ich sagen, der naive rationale Ansatz würde sagen: “Oh, wir optimieren einfach direkt.” Aber das ist weder rational noch der beste Ansatz. Wenn Sie über die Auswirkungen der zweiten Ordnung nachdenken, geht es darum, immer etwas über Ihren Markt zu lernen. Sie möchten alternative Lieferanten, alternative Märkte für Ihre Kunden, alternative Preispunkte testen, denn die Idee ist, dass Wissen einen Preis hat und wertvoll ist. Sie können große Belohnungen erhalten.
Sie könnten zum Beispiel feststellen, dass Sie Ihr Produkt zu einem bestimmten Preis verkaufen, aber tatsächlich könnten Sie den Preis erhöhen und es würde immer noch mehr oder weniger gleich gut verkaufen. Es ist nur so, dass Sie es nie versucht haben; Sie dachten nicht, dass die Leute Ihr Produkt so wertvoll wahrnehmen wie sie es tun.
Kieran Chandler: Die Realität ist, dass Sie normalerweise in dem stecken, was Sie bisher getan haben. Oder manchmal ist das Gegenteil der Fall - tatsächlich verkaufen Sie Ihr Produkt zu einem zu hohen Preis. Und wenn Sie versuchen würden, den Preis zu senken, würden Sie tatsächlich die Nachfrage stark erhöhen, und dann würden Sie Skaleneffekte nutzen können. Und dann könnten Sie tatsächlich zu einem günstigeren Preis produzieren und Dinge erreichen, die sich in Bezug auf das Wachstum des Unternehmens zu einem Schneeballeffekt entwickeln. Die Idee ist, dass diese Einführung von Zufälligkeit tatsächlich eine Investition ist, die Sie in die Idee machen, dass Sie geringfügige Variationen entdecken werden, die besser für Ihr Unternehmen geeignet sind. Es können Variationen in Ihren Preispunkten, Ihren Lieferanten oder sogar in Ihren Supply Chain-Organisationen sein, wie zum Beispiel welches Lagerhaus welche Werke beliefert oder umgekehrt. Gibt es eine Möglichkeit, dieses Wissen zu quantifizieren und tatsächlich herauszufinden, wie viel dieses Wissen für ein Unternehmen wert ist?
Joannes Vermorel: Tatsächlich ja. Ich habe sogar vor über einem Jahrzehnt ein Papier mit dem Titel “POKER: Preis des Wissens und geschätzte Belohnung” veröffentlicht. Wenn Sie es also auf die elegante Art und Weise machen möchten, können Sie den Kosten der Exploration im Vergleich zur Belohnung der Exploration quantifizieren, was Sie mit einem bestimmten Horizont gewinnen. Denn offensichtlich müssen Sie weiterhin spielen - es geht darum, das Konzept eines wiederholten Spiels zu haben, bei dem Sie dasselbe Spiel immer wieder spielen. Und wenn Sie erkunden, tun Sie Dinge, die typischerweise weniger optimal sind, aber manchmal treffen Sie den richtigen Punkt, und danach können Sie diese Erkenntnis nutzen. Aber die Idee ist, dass Sie dafür einen Algorithmus benötigen, insbesondere würde ich sagen, auf der Seite des maschinellen Lernens, der dieses Rauschen in Ihren Daten wirklich nutzen kann und das nutzen kann, um nicht nur ein bisschen Information, sondern viel mehr zu lernen. Und noch einmal, das ist nicht nur wie ein A/B-Test, bei dem Sie einfach Ihren Prozentsatz oder so festlegen. Es ist etwas, das in der Lage ist, viel mehr vage Muster zu erfassen, bei denen Sie viele miteinander verbundene Effekte haben, die in einer sehr hochdimensionalen Situation zu einer besseren Leistung führen können.
Kieran Chandler: Wie passt dieser Ansatz zu dem, was wir hier bei Lokad tun? Denn das, was wir hier bei Lokad tun, ist, diese Geschäftsentscheidungen zu optimieren, die zu einem beliebigen Zeitpunkt getroffen werden können. Eine Art Einführung dieser Art von Zufälligkeit, Dinge zu tun, die absichtlich ein wenig falsch sind.
Joannes Vermorel: Ja, und das geht grundsätzlich gegen diese Überzeugung. Ich meine, nicht meine Überzeugung, aber wenn man wirklich die Effekte der zweiten Ordnung berücksichtigen möchte. Bei Lokad versuchen wir wirklich, nicht den Irrationalismus anzuwenden, sondern rational zu sein und diese anderen Effekte zu berücksichtigen, die böse sind. Während des ersten Jahrzehnts von Lokad haben wir für die große Mehrheit unserer Kunden nicht einmal etwas optimiert. Sie haben Prozentsätze des Fehlers optimiert, was meiner Meinung nach nicht einmal eine Optimierung ist. Wenn Sie Prozentsätze des Fehlers optimieren, wissen Sie nicht einmal, was Sie für Ihr Unternehmen tun. Sie müssen Dollar optimieren. Der erste Schritt besteht darin, einen Optimierungsprozess zu entwickeln, bei dem Sie tatsächlich versuchen zu optimieren, anstatt nur willkürliche Ziele zu wiederholen. Was wir jetzt sehen, ist, dass bei unseren fortgeschrittensten Kunden, insbesondere im E-Commerce-Bereich, die Idee der Exploration langsam aufkommt. Es beginnt typischerweise mit Dingen wie der Preisgestaltung, die meiner Meinung nach sehr stark in den Bereich der Supply Chain fällt, weil dort die Nachfrage entsteht. Sie müssen einen guten Preis haben, und der Preis erklärt einen großen Teil der Nachfrage. Aber der Preis ist sicherlich nicht der einzige Bereich, in dem Sie Exploration betreiben möchten. Was ich für die nächsten Jahre sehe, ist, dass Unternehmen, um auf dem neuesten Stand zu bleiben, den Ehrgeiz haben müssen, in Bezug auf ihre Supply Chain auf dem neuesten Stand zu sein. Sie werden zunehmend die Idee einer gewissen Exploration und Zufälligkeit einführen, um Ergebnisse zu erzeugen, die den Optimierungsprozess selbst vorantreiben und im Laufe der Zeit verbessern.
Kieran Chandler: Zusammenfassend kann man also sagen, dass in Zukunft eine viel höhere Bedeutung auf diese Art von Exploration und die Quantifizierung des Wissensgewinns für ein Unternehmen gelegt wird.
Joannes Vermorel: Genau, perfekt.
Kieran Chandler: Gut, wir müssen hier für heute Schluss machen. Vielen Dank für Ihre Zeit.
Joannes Vermorel: Das war alles für heute. Vielen Dank fürs Zuschauen, und wir sehen uns das nächste Mal wieder.
Kieran Chandler: Vielen Dank fürs Zuschauen.
