Bloße Prognosen gelten als schädlich

00:00:07 Bloße Prognosen und Lokads Hintergrund.
00:01:42 Hohe Nachfrage nach Zeitreihenprognosen.
00:03:14 Fehlender Erfolg bei bloßen Prognosen trotz statistischer Genauigkeit.
00:05:03 Lokads Erfahrung mit dem Benchmark eines großen europäischen Einzelhändlers.
00:07:19 Probleme mit bloßen Prognosen und deren Auswirkungen auf Unternehmen.
00:09:25 Die Probleme mit bloßen Prognosen bei der Ausführung der supply chain.
00:12:38 Die Bedeutung extremer Szenarien und die Rolle der Quantilprognose.
00:14:47 Herausforderungen bei der Nutzung guter Prognosen in den S&OP-Prozessen großer Konzerne.
00:15:37 Abweichung von der Prognose und die Notwendigkeit alternativer Zukunftsüberlegungen.
00:17:12 Die Herausforderungen, probabilistische Daten in großen Mengen darzustellen.
00:18:57 Die Einschränkungen von Excel bei der Handhabung von Wahrscheinlichkeitsverteilungen.
00:20:25 Bedeutung der Optimierung von Entscheidungen basierend auf Prognosen.
00:21:48 Die Notwendigkeit prädiktiver Optimierung und ihre enge Beziehung zur Prognose.

Zusammenfassung

Im Interview diskutieren Kieran Chandler und Joannes Vermorel die Einschränkungen traditioneller Prognosemethoden in der supply chain Optimierung. Vermorel betont die Notwendigkeit von Quantilprognosen, die extreme Szenarien berücksichtigen, da diese den größten Einfluss auf das supply chain management haben. Er erklärt, dass probabilistische Vorhersagen eine Bandbreite möglicher Ergebnisse bieten können, die Handhabung der enormen Datenmengen, die für diesen Ansatz erforderlich sind, jedoch eine “Big Data”-Herausforderung darstellt. Traditionelle Werkzeuge wie Excel sind nicht dafür konzipiert, mit probabilistischen Daten zu arbeiten, weshalb spezialisierte Tools notwendig sind. Vermorel schlussfolgert, dass prädiktive Optimierung, die Vorhersage und Optimierung kombiniert, ein effektiverer Ansatz für den Umgang mit Unsicherheiten in der supply chain ist.

Erweiterte Zusammenfassung

In diesem Interview diskutiert Kieran Chandler, der Moderator, mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das auf supply chain Optimierung spezialisiert ist. Sie tauchen in das Konzept der bloßen Prognosen und deren Wirksamkeit bei der Verbesserung der supply chain Entscheidungsfindung ein.

Als Lokad 2008 gegründet wurde, konzentrierte sich das Unternehmen darauf, “forecasting as a service” anzubieten, wobei statistische Methoden für Time Series Prognosen genutzt wurden. Die Idee war, historische Daten, wie vergangene Verkäufe, zu verwenden, um die zukünftige Nachfrage vorherzusagen, die ebenfalls in Form einer Zeitreihe vorliegt. Dieser Ansatz weckte das Interesse vieler Unternehmen, die auf der Suche nach genauen Time Series Prognosen waren, um ihre Entscheidungen in der supply chain zu verbessern.

Es gab eine erhebliche Nachfrage nach Time Series Prognosen, und viele Unternehmen baten Lokad um genauere Prognosen auf Basis ihrer historischen Daten. Interessanterweise führten diese verbesserten Prognosen, trotz der Tatsache, dass sie sehr genau mit geringen Fehlerquoten geliefert wurden, scheinbar nicht zu besseren supply chain Entscheidungen oder Ergebnissen.

Vermorel fand dieses Ergebnis verwirrend, da man erwarten würde, dass bessere Prognosen mit niedrigeren Fehlerquoten zu einer verbesserten Entscheidungsfindung und letztlich zu einer besseren supply chain performance führen. Es dauerte einige Jahre, bis er das zugrunde liegende Problem hinter diesen kontraintuitiven Ergebnissen verstand.

Das Problem war nicht statistischer Natur; die von Lokad gelieferten Prognosen waren hochgenau, mit minimalen Problemen wie Overfitting. Vermorel war sich sicher, dass die Prognosen statistisch fundiert waren, dennoch schienen sie auf Kundenseite Chaos zu verursachen.

Vermorel erzählt eine Geschichte aus dem Jahr 2011, als Lokad an einem Benchmark zur Prognose der Nachfrage für 10 Mini-Märkte mit je 5.000 Produkten teilnahm. Lokad gewann den Benchmark, indem es 20% mehr Genauigkeit als der zweitbeste Mitbewerber erreichte. Allerdings geschah dies mithilfe eines “Zero Forecaster”, der für alle Produkte nur eine Null-Nachfrage prognostizierte. Diese Methode machte die Probleme der traditionellen Prognose und der Genauigkeitsprozentsätze deutlich. Vermorel argumentiert, dass es kaum einen Zusammenhang zwischen reduzierten Fehlerquoten und tatsächlichen Geschäftsvorteilen gibt und dass die Fokussierung auf Genauigkeitsprozentsätze irreführend sein kann.

Der Moderator fragt, warum Unternehmen trotz dieser Probleme immer noch traditionelle Prognosen nachfragen. Vermorel vermutet, dass Wunschdenken eine bedeutende Rolle spielt. Man glaubt, dass, wenn man perfekte Prognosen hätte, supply chain Probleme gelöst würden und der Prozess zu einem einfachen Planungs- und Optimierungsproblem würde werden. Vermorel betont jedoch, dass keine Prognose den Kontakt mit dem Markt überleben kann, da die Realität weitaus komplexer ist.

Traditionelle Prognosen können zu einer fragilen Ausführung der supply chain führen, da die Genauigkeit einer Prognose oft davon abhängt, wie sie innerhalb eines Unternehmens eingesetzt wird. Dies kann zu unbeabsichtigten Konsequenzen und Problemen führen. Vermorel betrachtet dies als ein “Anti-Pattern”, was eine beabsichtigte Lösung bedeutet, die konsequent auf vorhersehbare Weise scheitert.

Vermorel erläutert anschließend, wie Lokad seinen Ansatz änderte, um den supply chain Plan auf Basis von Prognosen zu stärken. Er führt das Beispiel von Mini-Märkten an, die Frischwaren verkaufen, bei denen hohe Margen es rechtfertigen, große Lagerbestände vorzuhalten, selbst wenn sich diese langsam drehen. In diesen Fällen ist es für die Kunden wichtiger, das zu finden, wonach sie suchen, als dass das Geschäft den Bestand optimiert. Traditionelle Prognosen fokussieren auf die durchschnittliche Nachfrage, während sich Kosten und Nutzen tatsächlich in den Extremen finden.

Das Gespräch wendet sich dann der Idee zu, Prognosen zu erstellen, die extreme Szenarien berücksichtigen – genau das, was Lokad getan hat, indem es von klassischen Prognosen zu Quantilprognosen überging. Die Quantilprognose fügt der Prognose einen Bias hinzu, der sich auf die Extreme konzentriert, wo tatsächliche Kosten und Nutzen liegen. Dieser Ansatz ist, so Vermorel, effektiver als traditionelle Methoden zur Optimierung des supply chain management.

Sie diskutieren die Herausforderungen der Prognose und die Bedeutung, verschiedene zukünftige Szenarien im supply chain management zu berücksichtigen.

Vermorel beginnt damit zu erklären, dass traditionelle Prognosen, die sich auf die durchschnittliche Nachfrage konzentrieren, für ein effektives supply chain management nicht ausreichen. Stattdessen schlägt er vor, Quantilprognosen zu verwenden, die absichtlich einen Bias aufweisen, um extreme Szenarien wie hohe oder niedrige Nachfrage zu berücksichtigen. Er betont die Wichtigkeit, diese extremen Situationen zu verstehen, da sie typischerweise den größten Einfluss auf das supply chain management haben.

Chandler fragt daraufhin nach der Rolle der internen Sales and Operations Planning (S&OP)-Teams großer Konzerne bei der Arbeit mit Prognosen. Vermorel antwortet, dass selbst mit guten Prognosen die S&OP-Teams nicht das richtige Ergebnis erzielen können, weil die notwendigen Informationen über alternative Zukünfte nicht verfügbar sind. Er argumentiert, dass Prognosen nur eine mögliche Zukunft aufzeigen können, während die tatsächlichen Ergebnisse immer von den prognostizierten Werten abweichen werden.

Vermorel schlägt vor, dass die Bereitstellung probabilistischer Prognosen, die eine Bandbreite möglicher Ergebnisse bieten, eine potenzielle Lösung sein könnte. Dieser Ansatz stellt jedoch eine neue Reihe von Herausforderungen dar. Einerseits ist die Menge an Daten, die zur Darstellung dieser Wahrscheinlichkeiten benötigt wird, enorm, insbesondere wenn man Tausende von Produkten berücksichtigt. Dies schafft ein “Big Data”-Problem, das Werkzeuge erfordert, die in der Lage sind, große Datenmengen zu verarbeiten.

Darüber hinaus sind traditionelle Werkzeuge wie Excel nicht dafür konzipiert, mit probabilistischen Daten zu arbeiten. Vermorel weist darauf hin, dass es keine Möglichkeit gibt, Wahrscheinlichkeitsverteilungen innerhalb einer Excel-Zelle darzustellen, was es erschwert, solche Daten zu manipulieren und zu analysieren. Folglich sind spezialisierte Werkzeuge notwendig, die in der Lage sind, grundlegende Operationen mit Wahrscheinlichkeitsvariablen durchzuführen, um das volle Potenzial probabilistischer Prognosen auszuschöpfen.

Vermorel schließt, dass es nur die halbe Sache ist, eine gute Prognose zu haben, die verschiedene Szenarien berücksichtigt. Die andere Hälfte besteht darin, die Prognosen effektiv zu nutzen, um fundierte Entscheidungen zu treffen. Er betont die Wichtigkeit, die Prozesse, die Prognosen generieren und Entscheidungen optimieren, eng miteinander zu verknüpfen, um Probleme im Zusammenhang mit Skalierbarkeit und Datenverarbeitung zu vermeiden.

Die Diskussion unterstreicht die Notwendigkeit, traditionelle Prognosemethoden im supply chain management neu zu überdenken. Vermorel plädiert für prädiktive Optimierung, die Vorhersage und Optimierung kombiniert, als einen effektiveren Ansatz zur Bewältigung der Unsicherheiten und Komplexitäten, die in supply chains inhärent sind.

Gesamtes Transkript

Kieran Chandler: Heute bei Lokad TV werden wir besprechen, warum diese bloßen Prognosen tatsächlich die Ressourcen nicht verbessern und eine ganze Reihe verschiedener Probleme mit sich bringen können. Also, Joannes, bei einem Thema wie bloßen Prognosen scheint es etwas zu sein, das man vielleicht im Dark Web findet. Bevor wir also von YouTube verbannt werden, könntest du uns vielleicht ein wenig erklären, was du damit meinst?

Joannes Vermorel: Als ich Lokad im Jahr 2008 gründete, lautete der Slogan des Unternehmens “forecasting as a service”. Ich kam frisch von der Universität und suchte nach Bereichen, in denen Statistik in Unternehmen angewendet werden konnte. Es gab die Idee, einfach Time Series Prognosen zu erstellen. Konzeptionell ist es etwas sehr Einfaches: Man hat Eingabezeitreihen, die die Vergangenheit repräsentieren, typischerweise die historischen Verkäufe, und dann prognostiziert man einfach die Zukunft, die ebenfalls die Form einer Zeitreihe annimmt. Für ein Stück Software ist das ein sehr klar definiertes und interessantes Problem, weshalb Lokad an Bedeutung gewann. Es gibt viele Menschen, die daran interessiert waren – und es immer noch sind –, ihre Probleme allein durch Time Series Prognosen zu lösen.

Kieran Chandler: Gibt es tatsächlich eine Nachfrage nach einer Lösung dieser Art? Ich meine, funktioniert es tatsächlich?

Joannes Vermorel: Es gibt eine enorme Nachfrage nach Time Series Prognosen. Wir werden immer wieder danach gefragt. Als ich Lokad gründete, war eines der entscheidenden Elemente eines erfolgreichen Start-ups, etwas zu tun, das die Menschen wirklich wollen. Aus dieser Perspektive hatte das bloße Time Series Forecasting eine sehr signifikante Nachfrage. Unternehmen fragten: “Hier sind unsere historischen Daten in Form von Zeitreihen, bitte liefert uns bessere Prognosen.” Aber das Problem war, dass es nicht funktionierte. Es lag kein statistisches Problem vor; wir waren vor einem Jahrzehnt bereits in Bezug auf die Genauigkeit der Prognosen sehr gut. Das Problem war nicht, dass die Metriken falsch waren.

Kieran Chandler: Das scheint sehr überraschend, denn man würde immer denken, dass wenn man bessere Ergebnisse aus einer Prognose mit geringeren Fehlern erzielt, man letztlich zu besseren supply chain Entscheidungen kommt und letztendlich auch besser handelt. Warum hat es also nicht funktioniert?

Joannes Vermorel: Das war mein erster Gedanke: Wie kann ich denn falsch liegen? Alle Metriken sagen mir, dass ich eine bessere Prognose habe. Ich liefere meinen Kunden eine bessere Prognose, was könnte da schon schiefgehen? Die Prognose war sehr gut, und ich spreche nicht von Problemen wie Overfitting. Sie war bestens unter Kontrolle. Das Problem war, dass eine statistisch präzisere Prognose dennoch auf Kundenseite großen Schaden anrichten konnte. Es hat einige Jahre gedauert, bis ich das verstand. Irgendwann hatten wir einen großen europäischen Einzelhändler, der einen Benchmark mit etwa einem halben Dutzend Softwareanbietern zur Prognose organisierte.

Kieran Chandler: Also, wir haben über die Lösungen und das Problem der Nachfrageprognose für 10 Mini-Märkte mit jeweils 5.000 Produkten gesprochen. Das war im Jahr 2011, und das Ziel war es, die Nachfrage drei bis vier Tage im Voraus zu prognostizieren, da jeder Mini-Markt zweimal pro Woche beliefert wird. Wie hat Lokad bei diesem Benchmark abgeschnitten?

Joannes Vermorel: Lokad hat den Benchmark mit Stolz gewonnen und den zweitbesten Anbieter um 20% in der Genauigkeit übertroffen. Das Qualitätsmaß für die Prognose war die absolute Differenz zwischen Prognose und Realität. Allerdings haben wir dies mit dem Zero Forecaster erreicht, der für alle Nachfrage und Verkäufe nur Nullen prognostizierte. Interessanterweise würde die Prognose einer Null-Nachfrage zu null Lagerbestand führen, und somit würden die Verkäufe schnell gegen null konvergieren. Dies würde die Prognose nicht nur genauer, sondern 100% genau machen. Aber natürlich ist das völliger Unsinn und macht keinen Sinn.

Kieran Chandler: Also sagst du, dass es eine Diskrepanz gibt zwischen einer in Prozentsätzen ausgedrückten genaueren Prognose und tatsächlichen Geschäftsvorteilen. Warum fordern Unternehmen trotzdem solche Prognosen an, wenn sie so irreführend sein können?

Joannes Vermorel: Meine grundlegende Erklärung ist, dass Wunschdenken sehr mächtig ist. Wenn die Prognosen perfekt wären, hätten sie null Prozent Fehler, null Dollar Fehler und null Euro Fehler. Eine perfekte Prognose würde alle Probleme lösen, und supply chain management würde zu einem reinen Optimierungs- und Planungsproblem werden. Aber das ist nicht der Fall, und was die Leute nicht erkennen, ist, dass eine bloße Prognose, bei der man nur eine Zukunft vorhersagt, letztlich zu einem Schlachtplan wird, der den ersten Kontakt mit dem Markt nicht übersteht. Es gibt ein militärisches Sprichwort, dass kein Schlachtplan den ersten Kontakt mit dem Feind überlebt, und das Äquivalent in der supply chain ist, dass es buchstäblich keine Prognose gibt, die ihre Begegnung mit dem Markt übersteht.

Kieran Chandler: Nun, der erste Kontakt mit dem Markt – und somit, was passiert, wenn man diese genauere Prognose hat?

Joannes Vermorel: Mehr allgemein passiert es so, dass, weil deine Prognose genauer ist, du einen Plan erstellst, der tatsächlich anfälliger für Abweichungen gegenüber der Prognose ist, und dadurch wird die Ausführung deiner supply chain vulnerabler. Das ist eine sehr abstrakte Betrachtungsweise. Im Grunde genommen hast du die Prognose, aber du weißt nicht, wie diese Prognose verwendet wird, und andere in deinem Unternehmen werden diese Prognose auf Arten nutzen, die du nicht erwartest – und das führt zum Kollaps. Deshalb sind diese nackten Prognosen im Grunde genommen eine schlechte Sache. Sie werden auf Arten eingesetzt, wie sie es eigentlich nicht sollten, und da das ständig passiert, ist es heutzutage ein Anti-Pattern. Es ist wie eine beabsichtigte Lösung, die stets auf vollkommen vorhersehbare Weise scheitert.

Kieran Chandler: Also, bist du dazu übergegangen, den Plan zu verstärken, den du auf Basis einer Prognose aufgebaut hattest, sobald du diese Erkenntnis gewonnen hast?

Joannes Vermorel: Genau, und dann merkst du, dass Prognosen nicht einmal das Richtige sind. Wenn ich zur Geschichte mit den Mini-Märkten zurückgehe, wird deutlich: Wenn du frische Lebensmittel in einem Mini-Markt verkaufst, hast du sehr hohe Margen. Du kannst es dir leisten, viel Lagerbestand zu halten, denn was du möchtest, ist, dass ein Kunde beim Betreten findet, wonach er sucht. Du hast so viel Marge, dass es deine Investition wert ist, viel Lagerbestand vorzuhalten, selbst wenn dieser sich nur langsam umschlägt. Der durchschnittlichen Nachfrage ist dabei nicht von Bedeutung. Wenn sich beispielsweise nur alle zehn Tage ein Kunde meldet und du Joghurts verkaufst, kannst du dennoch einen sehr gesunden Gewinn erzielen, wenn du deine Produkte mit einer 70% Bruttomarge verkaufst und deine Joghurts eine Haltbarkeit von einem Monat haben. Letztlich geht es nicht um den Durchschnitt, sondern um die Extremsituationen. Die Kosten fallen in den Extremen an.

Kieran Chandler: Okay, also warum kannst du nicht einfach eine Prognose erstellen, die diese extremen Szenarien betrachtet?

Joannes Vermorel: Genau das ist der interessante Punkt, oder? Und genau das haben wir gemacht. In der Geschichte von Lokad sind wir 2008 von klassischen Prognosen mit Lokad Forecasting as a Service zu Quantilsprognosen übergegangen. Die Quantilsprognose war eine Idee, die damals, im Jahr 2012, sehr bizarr klang. Es war Prognose mit einer Voreingenommenheit. Die meisten meiner Kunden meinten, eine gute Prognose sei eine Prognose ohne Voreingenommenheit. Das stand im krassen Gegensatz zum gesunden Menschenverstand im supply chain management.

Wenn man zum Fall des Mini-Marktes zurückkehrt, interessiert man sich nicht für die durchschnittliche Nachfrage. Es ist die extrem hohe Nachfrage – die zwar niemals wirklich hoch ist –, aber genau diese Extremsituation ist von Interesse. Die Frage ist: Was ist eine extrem hohe Situation? Ist es eins in 30? Vielleicht manchmal vier. Das ist dein Extremwert. Übrigens – es handelt sich um eine Statistik. Diese absichtlich voreingenommenen Prognosen nennt man Quantilsprognosen. Du kannst eine Prognose haben, die beispielsweise eine 99%-Quantilsprognose umfasst, die besagt: “Ich gebe dir eine Zahl, und die Nachfrage hat eine 99%-ige Wahrscheinlichkeit, knapp unter dieser Zahl zu liegen, und eine 1%-ige Wahrscheinlichkeit, darüber zu liegen.” So kontrollierst du die Voreingenommenheit, und das war der Beginn vielfältigerer Prognosen.

Kieran Chandler: Eigentlich, lass uns über Situationen mit Risiko an den Rändern sprechen, also über Extremszenarien, in denen du sozusagen mit einem Fehlbestand oder einem Überbestands-Szenario zu tun hast. Ich verstehe nicht, warum große Konzerne mit ihren internen S&OP-Prozessen nicht mit einer guten Prognose arbeiten können, um am Ende des Tages das richtige Ergebnis zu erzielen. Was ist da die wirkliche Herausforderung?

Joannes Vermorel: Das ist Wunschdenken. Du kannst nicht das richtige Ergebnis aus einer Prognose ableiten, selbst wenn sie gut ist, denn die Informationen, die du benötigst, sind schlichtweg nicht vorhanden. Wenn du sagst: “Hier ist die Zukunft”, zeigst du nur eine Möglichkeit, ohne etwas über die Alternativen zu verraten. Die Realität ist, dass die Zukunft stets eine Alternative sein wird. Es wird immer Abweichungen von deiner Prognose geben. Das Problem besteht darin, dass du denkst, du könntest dein begrenztes Wissen über alternative Zukünfte in Entscheidungen ummünzen – wie viel eingekauft, produziert oder von einem Standort zum anderen verlagert wird – ohne dass die Qualität deiner Entscheidungen darunter leidet. Es ist wie Zauberei.

Kieran Chandler: Aber was, wenn wir ihnen eine probabilistische Prognose bereitstellen, die ihnen einen Bereich möglicher Faktoren an die Hand gibt?

Joannes Vermorel: Das ist eine interessante Idee. Konzeptuell könnte das funktionieren. Allerdings stehst du dann vor einem weiteren, sehr alltäglichen Problem. Eine deterministische Prognose ist prägnant: Für ein Produkt, ein Jahr im Voraus und bei wöchentlicher Prognose hast du 52 Zahlen. Das ist ein kleiner Datensatz, der sich gut in eine Excel-Tabelle einfügen lässt. Aber bei einem probabilistischen Ansatz hast du ein massives Histogramm von Wahrscheinlichkeiten für jede einzelne Woche. Diese Wahrscheinlichkeiten sind nicht addierbar, sodass, wenn du die Nachfrage von Woche 5 bis Woche 10 wissen möchtest, daraus ein weiteres Histogramm von Wahrscheinlichkeiten entsteht.

Wir können dir diese Daten zur Verfügung stellen, aber plötzlich wird daraus ein Big-Data-Problem, weil du Tausende von Produkten und zig Gigabyte an Wahrscheinlichkeiten hast. Du benötigst Werkzeuge, die in der Lage sind, so viele Daten zu verarbeiten.

Kieran Chandler: Aus technischer Sicht, wie einfach wäre es, diese Werkzeuge und Datenmengen zu handhaben? Eines der Probleme mit Excel ist, dass es nicht dafür konzipiert ist, probabilistische Berechnungen durchzuführen. Es eignet sich hervorragend zur Organisation tabellarischer Daten, bietet jedoch keine Möglichkeit, Wahrscheinlichkeitsverteilungen darzustellen.

Joannes Vermorel: Ja, genau. Wenn du mit Daten arbeiten möchtest, die als Wahrscheinlichkeitsverteilung vorliegen, gibt es in Excel keinen Zellenwert, der solch eine Verteilung repräsentiert. Excel ist nicht dafür ausgelegt, mit solchen Dingen umzugehen, und du bekommst viele Probleme, wenn du versuchst, eine probabilistische Prognose über deine Zukunft zu nutzen und auszuwerten.

Kieran Chandler: Richtig, also brauchst du Werkzeuge, die dir alle Arten von Operationen für Zufallsvariablen ermöglichen. Grundlegende Operationen wie das Addieren, Multiplizieren oder Dividieren von Zufallsvariablen sind essentiell. Ohne diese grundlegenden Werkzeuge kannst du nicht richtig mit probabilistischen Prognosen arbeiten.

Joannes Vermorel: Ja, und eine gute Prognose, die alle möglichen Szenarien berücksichtigt, ist nur die halbe Miete. Viel wichtiger ist, was du mit diesen Prognosen machst. Wenn du diese Entscheidungen optimieren möchtest, müssen der Prozess, der die Prognosen erstellt, und der Prozess, der die Entscheidung optimiert, vollständig miteinander verknüpft sein.

Kieran Chandler: Ich verstehe. Also kann die Datenverarbeitung solch großer Matrizen von Wahrscheinlichkeiten ein Skalierbarkeitsproblem darstellen. Es scheint, als müsstest du alles sehr eng zusammenhalten, damit es praktisch funktioniert.

Joannes Vermorel: Genau. Um eine praktische Lösung zu erzielen, müssen diese Dinge sehr nah beieinander liegen. Du solltest anfangen, an prädiktive Optimierung zu denken. Die beiden Dinge, Vorhersage und Optimierung, gehören zusammen und lassen sich nicht trennen.

Kieran Chandler: Okay, das ergibt Sinn. Nun, wir müssen hier Schluss machen. Danke, dass du heute bei uns warst, Joannes. Es war wirklich großartig, mit dir über supply chain Optimierung zu sprechen.

Joannes Vermorel: Danke, dass du mich eingeladen hast, Kieran. Es war mir ein Vergnügen.