Nackte Prognosen sind schädlich

00:00:07 Nackte Prognosen und Lokads Hintergrund.
00:01:42 Hohe Nachfrage nach Zeitreihenprognosen.
00:03:14 Fehlender Erfolg bei nackten Prognosen trotz statistischer Genauigkeit.
00:05:03 Lokads Erfahrung mit einem Benchmark eines großen europäischen Einzelhändlers.
00:07:19 Probleme mit nackten Prognosen und deren Auswirkungen auf Unternehmen.
00:09:25 Die Probleme mit nackten Prognosen in der Supply Chain-Ausführung.
00:12:38 Die Bedeutung von Extremszenarien und die Rolle der Quantilprognose.
00:14:47 Herausforderungen bei der Verwendung guter Prognosen in den S&OP-Prozessen großer Unternehmen.
00:15:37 Abweichung von der Prognose und die Notwendigkeit alternativer zukünftiger Überlegungen.
00:17:12 Herausforderungen bei der Darstellung probabilistischer Daten in großen Mengen.
00:18:57 Die Grenzen von Excel bei der Handhabung von Wahrscheinlichkeitsverteilungen.
00:20:25 Bedeutung der Optimierung von Entscheidungen auf der Grundlage von Prognosen.
00:21:48 Die Notwendigkeit der prädiktiven Optimierung und ihre enge Beziehung zur Prognose.

Zusammenfassung

Im Interview diskutieren Kieran Chandler und Joannes Vermorel die Grenzen traditioneller Prognosemethoden bei der Optimierung der Supply Chain. 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 Prognosen eine Reihe möglicher Ergebnisse bieten können, aber die Verwaltung der für diesen Ansatz erforderlichen großen Datenmengen eine “Big Data”-Herausforderung darstellt. Traditionelle Tools wie Excel sind nicht für die Arbeit mit probabilistischen Daten ausgelegt, daher sind spezialisierte Tools erforderlich. Vermorel kommt zu dem Schluss, dass die Kombination von Vorhersage und Optimierung, die sogenannte prädiktive Optimierung, ein effektiverer Ansatz zur Bewältigung von 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 sich auf die Optimierung der Supply Chain spezialisiert hat. Sie gehen auf das Konzept der bloßen Prognosen und deren Wirksamkeit bei der Verbesserung der Entscheidungsfindung in der Supply Chain ein.

Als Lokad im Jahr 2008 gegründet wurde, konzentrierte sich das Unternehmen auf die Bereitstellung von “Prognosen als Service” und nutzte statistische Methoden für die Zeitreihen-Prognose. Die Idee bestand darin, historische Daten wie vergangene Verkäufe zu verwenden, um zukünftige Nachfrage vorherzusagen, die ebenfalls in Form einer Zeitreihe vorliegt. Dieser Ansatz stieß bei vielen Unternehmen auf Interesse, die genaue Zeitreihenprognosen zur Verbesserung ihrer Supply Chain-Entscheidungen suchten.

Es gab eine erhebliche Nachfrage nach Zeitreihenprognosen, und viele Unternehmen baten Lokad um genauere Prognosen auf der Grundlage ihrer historischen Daten. Interessanterweise führten diese verbesserten Prognosen trotz hoher Genauigkeit und geringer Fehlerquoten nicht zu besseren Supply Chain-Entscheidungen oder Ergebnissen.

Vermorel fand dieses Ergebnis verwirrend, da man erwarten würde, dass bessere Prognosen mit geringeren Fehlerquoten zu einer verbesserten Entscheidungsfindung und letztendlich zu einer besseren Leistung der Supply Chain führen würden. Es dauerte einige Jahre, bis er das zugrunde liegende Problem hinter den gegenintuitiven Ergebnissen verstand.

Das Problem war nicht statistischer Natur; die von Lokad bereitgestellten Prognosen waren hochgenau und wiesen minimale Probleme wie Überanpassung auf. Vermorel war zuversichtlich, dass die Prognosen statistisch fundiert waren, aber sie schienen auf der Kundenseite Chaos zu verursachen.

Vermorel erzählt eine Geschichte aus dem Jahr 2011, als Lokad an einem Benchmark für die Prognose der Nachfrage von 10 Mini-Märkten mit jeweils 5.000 Produkten teilnahm. Lokad gewann den Benchmark, indem es eine 20% höhere Genauigkeit als der zweitbeste Konkurrent erreichte. Dies gelang ihnen jedoch mit einem “Null-Prognostiker”, der nur eine Nullnachfrage für alle Produkte vorhersagte. Diese Methode verdeutlichte die Probleme mit traditionellen Prognosen und Genauigkeitsprozenten. Vermorel argumentiert, dass es nur eine geringe Korrelation zwischen reduzierten Fehlerquoten und tatsächlichen Geschäftsvorteilen gibt und dass die Konzentration auf Genauigkeitsprozentsätze irreführend sein kann.

Der Moderator fragt, warum Unternehmen trotz dieser Probleme immer noch traditionelle Prognosen verlangen. Vermorel schlägt vor, dass Wunschdenken eine bedeutende Rolle spielt. Die Menschen glauben, dass bei perfekten Prognosen die Probleme der Supply Chain gelöst wären und der Prozess zu einem einfachen Terminplanungs- und Optimierungsproblem würde. Vermorel betont jedoch, dass keine Prognose den Kontakt mit dem Markt überleben kann, da die Realität viel komplexer ist.

Traditionelle Prognosen können zu einer fragilen Supply Chain-Ausführung führen, da die Genauigkeit einer Prognose oft davon abhängt, wie sie innerhalb eines Unternehmens verwendet wird. Dies kann zu unbeabsichtigten Konsequenzen und Problemen führen. Vermorel betrachtet dies als “Anti-Pattern”, was bedeutet, dass eine beabsichtigte Lösung auf vorhersehbare Weise immer wieder versagt.

Vermorel diskutiert dann, wie Lokad seinen Ansatz geändert hat, um sich auf die Stärkung des Supply Chain-Plans auf der Grundlage von Prognosen zu konzentrieren. Er verwendet das Beispiel von Mini-Märkten, die frische Lebensmittel verkaufen, bei denen hohe Margen rechtfertigen, dass viel Lagerbestand vorhanden ist, auch wenn er sich langsam dreht. In diesen Fällen ist es wichtiger, dass Kunden das finden, wonach sie suchen, als dass der Laden den Lagerbestand optimiert. Traditionelle Prognosen konzentrieren sich auf den Durchschnittsbedarf, während die Kosten und Vorteile tatsächlich in den Extremen zu finden sind.

Das Gespräch dreht sich dann um die Idee, Prognosen zu erstellen, die extreme Szenarien berücksichtigen, was Lokad durch den Wechsel von klassischen Prognosen zu Quantil-Prognosen getan hat. Quantil-Prognosen fügen der Prognose eine Verzerrung hinzu und konzentrieren sich auf die Extreme, in denen sich die tatsächlichen Kosten und Vorteile befinden. Vermorel schlägt vor, dass dieser Ansatz effektiver ist als traditionelle Methoden zur Optimierung des Supply Chain-Managements.

Sie diskutieren die Herausforderungen der Prognose und die Bedeutung der Berücksichtigung verschiedener zukünftiger Szenarien im Supply Chain-Management.

Vermorel erklärt zunächst, dass traditionelle Prognosen, die sich auf den Durchschnittsbedarf konzentrieren, für ein effektives Supply Chain-Management nicht ausreichend sind. Stattdessen schlägt er vor, Quantil-Prognosen zu verwenden, die absichtlich eine Verzerrung aufweisen, um extreme Szenarien wie hohe oder niedrige Nachfrage zu berücksichtigen. Er betont die Bedeutung des Verständnisses dieser Extremsituationen, da sie in der Regel den größten Einfluss auf das Supply Chain-Management haben.

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

Vermorel schlägt vor, probabilistische Prognosen anzubieten, die eine Reihe möglicher Ergebnisse bieten könnten. Dieser Ansatz birgt jedoch eine neue Reihe von Herausforderungen. Zum einen ist die Menge an Daten, die zur Darstellung dieser Wahrscheinlichkeiten erforderlich ist, enorm, insbesondere wenn Tausende von Produkten berücksichtigt werden. Dies führt zu einem “Big Data”-Problem, das Tools erfordert, die große Datenmengen verarbeiten können.

Darüber hinaus sind herkömmliche Tools wie Excel nicht darauf ausgelegt, mit probabilistischen Daten zu arbeiten. Vermorel weist darauf hin, dass es keine Möglichkeit gibt, Wahrscheinlichkeitsverteilungen in einer Excel-Zelle darzustellen, was die Manipulation und Analyse solcher Daten erschwert. Daher sind spezialisierte Tools erforderlich, die grundlegende Operationen mit Wahrscheinlichkeitsvariablen durchführen können, um probabilistische Prognosen optimal nutzen zu können.

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

Die Diskussion verdeutlicht die Notwendigkeit, herkömmliche Prognosemethoden im Supply Chain-Management neu zu überdenken. Vermorel plädiert für die prädiktive Optimierung, die Vorhersage und Optimierung kombiniert, als einen effektiveren Ansatz zur Bewältigung der Unsicherheiten und Komplexitäten, die in Supply Chains inhärent sind.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir besprechen, warum diese nackten Prognosen die Ressourcen tatsächlich nicht verbessern und tatsächlich eine ganze Reihe verschiedener Probleme verursachen können. Also Joannes, bei einem Thema wie nackten Prognosen scheint es so, als ob man so etwas vielleicht im tiefen, dunklen Web finden würde. Bevor wir also von YouTube entfernt werden, könntest du uns vielleicht erklären, was du hier meinst.

Joannes Vermorel: Als ich Lokad 2008 gründete, war der Slogan des Unternehmens “Prognose als Service”. Ich war gerade frisch von der Universität und habe nach Bereichen gesucht, in denen Statistik auf Unternehmen angewendet werden kann. Es gab diese Idee, nur Zeitreihenprognosen zu haben. Konzeptionell ist es etwas sehr Einfaches: Sie haben Eingabezeitreihen, die Ihre Vergangenheit repräsentieren, normalerweise Ihre historischen Verkäufe, und dann prognostizieren Sie die Zukunft, die auch in Form einer Zeitreihe vorliegt. Für eine Software ist es ein sehr gut definiertes Problem und interessanterweise ist das der Grund, warum Lokad Anklang fand. Es gibt viele Menschen, die ihre Probleme lösen möchten, indem sie nur diese Zeitreihenprognosen haben.

Kieran Chandler: Gibt es tatsächlich Bedarf an einer Lösung dieser Art? Ich meine, funktioniert es tatsächlich?

Joannes Vermorel: Es gibt einen enormen Bedarf an Zeitreihenprognosen. Wir werden immer wieder danach gefragt. Als ich Lokad gründete, war eines der Schlüsselelemente für ein erfolgreiches Start-up, etwas anzubieten, das die Menschen wollen. Aus dieser Perspektive hatte die nackte Zeitreihenprognose einen sehr großen Bedarf. Unternehmen fragten: “Hier sind unsere historischen Daten als Zeitreihen dargestellt, bitte geben Sie uns bessere Prognosen.” Aber das Problem war, es hat nicht funktioniert. Es war kein statistisches Problem; wir waren bereits vor einem Jahrzehnt sehr gut in Bezug auf die Prognosegenauigkeit. Das Problem war nicht, dass die Metriken falsch waren.

Kieran Chandler: Das scheint sehr überraschend, denn man würde immer denken, dass man bei einer besseren Prognose mit geringerem Fehler letztendlich bessere Entscheidungen in der Lieferkette treffen und letztendlich besser handeln würde. Warum hat es also nicht funktioniert?

Joannes Vermorel: Das war mein erster Gedanke: Wie kann ich möglicherweise falsch liegen? Alle Metriken sagen mir, dass ich eine bessere Prognose habe. Ich liefere meinen Kunden eine bessere Prognose, was kann möglicherweise schiefgehen? Die Prognose war sehr gut, und ich spreche nicht von Problemen wie Überanpassung. Es war gut unter Kontrolle. Das Problem war, dass eine statistisch präzisere Prognose dennoch auf der Kundenseite Chaos anrichten konnte. Es hat einige Jahre gedauert, bis ich das verstanden habe. Irgendwann hatten wir einen großen europäischen Einzelhändler, der einen Benchmark mit einem halben Dutzend Softwareanbietern für Prognosen organisiert hat.

Kieran Chandler: Also haben wir über die Lösungen und das Problem der Prognose der Nachfrage für 10 Mini-Märkte diskutiert, von denen jeder 5.000 Produkte hat. Das war im Jahr 2011, und das Ziel war es, die Nachfrage drei bis vier Tage im Voraus vorherzusagen, da jeder Mini-Markt zweimal pro Woche aufgefüllt wird. Wie hat Lokad in diesem Benchmark abgeschnitten?

Joannes Vermorel: Lokad hat den Benchmark stolz gewonnen und den Zweitplatzierten um 20% in Genauigkeit übertroffen. Die Metrik für die Prognosequalität war der absolute Unterschied zwischen der Prognose und der Realität. Wir haben dies jedoch mit dem Null-Prognostiker erreicht, der für die gesamte Nachfrage und den Verkauf nur Nullen zurückgegeben hat. Interessanterweise würde die Prognose einer Nullnachfrage zu einem Nullbestand führen, und somit würden die Verkäufe schnell gegen Null konvergieren. Dies würde die Prognose nicht nur genauer, sondern zu 100% genau machen. Aber natürlich ist das völliger Unsinn und ergibt keinen Sinn.

Kieran Chandler: Du sagst also, dass es eine Diskrepanz gibt zwischen einer genaueren Prognose, die in Prozenten ausgedrückt wird, und tatsächlichen geschäftlichen Vorteilen. Warum fordern Unternehmen trotzdem solche Prognosen, 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 das 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 nackte Prognose, bei der man nur eine Zukunft vorhersagt, letztendlich ein Schlachtplan ist, der den ersten Kontakt mit dem Markt nicht überlebt. Es gibt einen militärischen Spruch, dass kein Schlachtplan den ersten Kontakt mit dem Feind überlebt, und das Supply Chain-Äquivalent ist, dass es buchstäblich keine Prognose gibt, die ihre Begegnung mit dem Markt überlebt.

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

Joannes Vermorel: Im Allgemeinen passiert folgendes: Weil Ihre Prognose genauer ist, erstellen Sie einen Plan, der gegenüber der Prognose tatsächlich anfälliger für Abweichungen ist, und machen somit Ihre Supply Chain-Ausführung anfälliger. Das ist eine sehr abstrakte Betrachtungsweise. Letztendlich haben Sie die Prognose, aber Sie wissen nicht, wie diese Prognose verwendet wird, und andere Personen in Ihrem Unternehmen werden diese Prognose einfach auf Arten verwenden, die Sie nicht erwarten, und das wird scheitern. Deshalb sind diese nackten Prognosen im Grunde genommen schlecht. Sie werden auf Arten verwendet, für die sie nicht verwendet werden sollten, und weil dies die ganze Zeit passiert, ist es heutzutage ein Anti-Pattern. Es ist etwas, das wie eine beabsichtigte Lösung ist, die immer auf eine völlig vorhersehbare Weise scheitert.

Kieran Chandler: Also haben Sie sich darauf konzentriert, den Plan, den Sie auf der Grundlage einer Prognose erstellt haben, zu stärken, nachdem Sie diese Erkenntnis gemacht haben?

Joannes Vermorel: Genau, und dann erkennen Sie, dass die Prognose nicht einmal das Richtige ist. Wenn ich zur Geschichte dieser Mini-Märkte zurückkehre, erkennen Sie, dass Sie beim Verkauf von frischen Lebensmitteln in einem Mini-Markt sehr hohe Margen haben. Sie können es sich leisten, viel Lagerbestand zu haben, weil Sie möchten, dass ein Kunde, der hereinkommt, das findet, wonach er sucht. Sie haben so viel Spielraum, dass es sich lohnt, in einen großen Lagerbestand zu investieren, auch in einen Lagerbestand, der sich langsam dreht. Ihnen ist die durchschnittliche Nachfrage egal. Wenn nur alle zehn Tage ein Kunde auftaucht und Sie Joghurts verkaufen, können Sie immer noch einen sehr gesunden Gewinn erzielen, wenn Sie Ihre Produkte tatsächlich mit einer 70%igen Bruttomarge verkaufen und Ihre Joghurts eine Haltbarkeit von einem Monat haben. Also, im Grunde genommen ist nicht der Durchschnitt interessant; es sind die Extremwerte. Die Kosten liegen bei den Extremwerten.

Kieran Chandler: Okay, warum kann man dann nicht einfach eine Prognose erstellen, die diese Extremszenarien berücksichtigt?

Joannes Vermorel: Das ist das Interessante daran, oder? Und das haben wir gemacht. In der Geschichte von Lokad sind wir von der klassischen Prognose im Jahr 2008 mit Lokad Forecasting as a Service zu quantilen Prognosen übergegangen. Quantile Prognosen waren eine Idee, die damals im Jahr 2012 sehr seltsam klang. Es handelte sich um eine Prognose mit einer Verzerrung. Die meisten meiner Kunden sagten, dass eine gute Prognose eine Prognose ist, die keine Verzerrung aufweist. Das war das Gegenteil des gesunden Menschenverstands im Supply Chain Management.

Wenn Sie zum Fall des Mini-Marktes zurückkehren, ist Ihnen die durchschnittliche Nachfrage egal. Es sind die extrem hohen Nachfragen, die niemals wirklich hoch sind, aber das sind die extremen Situationen, die interessant sind. Die Frage ist, was ist eine extrem hohe Situation? Ist es eine von 30? Manchmal vielleicht vier. Das ist Ihre extrem hohe Situation. Übrigens ist es eine Statistik. Diese Prognosen mit einer bewussten Verzerrung werden Quantilprognosen genannt. Sie können eine Prognose haben, die beispielsweise eine 99%ige Quantilprognose hat, die besagt: “Ich gebe Ihnen eine Zahl, und die Nachfrage hat eine 99%ige Chance, knapp unter dieser Zahl zu liegen und eine 1%ige Chance, darüber zu liegen.” Sie kontrollieren die Verzerrung, und das war der Anfang von vielfältigeren Prognosen.

Kieran Chandler: Lassen Sie uns tatsächlich über Situationen mit Risiken an den Rändern sprechen, wie Extremszenarien, bei denen Sie mit einem Fehlbestand oder einem Überbestand umgehen. Ich verstehe nicht, warum große Unternehmen mit ihren eigenen internen S&OP-Prozessen nicht mit einer guten Prognose arbeiten können, um am Ende das richtige Ergebnis zu erzielen. Was ist die eigentliche Herausforderung dabei?

Joannes Vermorel: Das ist Wunschdenken. Sie können das richtige Ergebnis aus einer Prognose nicht erhalten, selbst wenn sie gut ist, weil die Informationen, die Sie benötigen, nicht einmal vorhanden sind. Wenn Sie sagen: “Hier ist die Zukunft”, zeigen Sie nur eine Möglichkeit auf, aber Sie sagen nichts über die Alternativen aus. Die Realität ist, dass die Zukunft eine Alternative sein wird. Es wird immer eine Abweichung von Ihrer Prognose geben. Das Problem ist, dass Sie glauben, Ihre begrenzte Kenntnis alternativer Zukunftsszenarien in Entscheidungen wie beispielsweise die Menge, die Sie kaufen, produzieren oder von einem Ort zum anderen verschieben sollen, umwandeln zu können, ohne dass dies die Qualität Ihrer Entscheidungen negativ beeinflusst. Es ist wie Magie.

Kieran Chandler: Aber was ist, wenn wir ihnen eine probabilistische Prognose zur Verfügung stellen, die ihnen eine Reihe möglicher Faktoren liefert, mit denen sie arbeiten können?

Joannes Vermorel: Das ist eine interessante Idee. Konzeptuell könnte es funktionieren. Allerdings stehen Sie vor einem anderen Problem, das sehr banal ist. Eine deterministische Prognose ist prägnant: Für ein Produkt, ein Jahr im Voraus und eine Prognose auf wöchentlicher Ebene haben Sie 52 Zahlen. Es handelt sich um einen kleinen Datensatz, der gut in eine Excel-Tabelle passt. Aber bei einem probabilistischen Ansatz haben Sie ein massives Histogramm von Wahrscheinlichkeiten für jede einzelne Woche. Diese Wahrscheinlichkeiten sind nicht additiv, daher haben Sie bei der Nachfrage von Woche 5 bis Woche 10 ein weiteres Histogramm von Wahrscheinlichkeiten.

Wir können Ihnen diese Daten zur Verfügung stellen, aber es wird plötzlich zu einem Big-Data-Problem, da Sie Tausende von Produkten und mehrere Gigabyte an Wahrscheinlichkeiten haben. Sie benötigen Tools, die in der Lage sind, so viele Daten zu verarbeiten.

Kieran Chandler: Aus technischer Sicht, wie einfach wäre es, diese Tools und Daten zu manipulieren? Ein Problem mit Excel ist beispielsweise, dass es nicht für die Handhabung probabilistischer Berechnungen ausgelegt ist. Es eignet sich gut zur Organisation tabellarischer Daten, aber es gibt keine Möglichkeit, Wahrscheinlichkeitsverteilungen darzustellen.

Joannes Vermorel: Ja, genau. Wenn Sie Daten manipulieren möchten, die als Wahrscheinlichkeitsverteilung vorliegen, haben Sie keinen Eintrag in einer Zelle in Excel, der eine Verteilung von Wahrscheinlichkeiten darstellt. Excel ist nicht dafür ausgelegt, mit solchen Dingen umzugehen, und Sie stoßen auf viele Probleme, wenn Sie eine probabilistische Prognose über Ihre Zukunft nutzen und ausnutzen möchten.

Kieran Chandler: Richtig, Sie benötigen also Tools, die Ihnen alle Arten von Operationen für Wahrscheinlichkeitsvariablen bieten. Grundlegende Operationen wie Addition, Multiplikation oder Division von Zufallsvariablen sind unerlässlich. Wenn Sie diese grundlegenden Tools nicht haben, können Sie nicht ordnungsgemäß mit probabilistischen Prognosen arbeiten.

Joannes Vermorel: Ja, und eine gute Prognose, die alle möglichen Szenarien berücksichtigt, ist nur die halbe Miete. Was Sie mit diesen Prognosen machen, ist viel wichtiger. Wenn Sie diese Entscheidungen optimieren möchten, müssen der Prozess, der die Prognosen generiert, und der Prozess, der die Entscheidung optimiert, vollständig miteinander verflochten sein.

Kieran Chandler: Verstehe. Die Datenverarbeitung für diese Art von großen Wahrscheinlichkeitsmatrizen kann also ein Skalierbarkeitsproblem sein. Es scheint, als müssten Sie alles eng zusammenhalten, um es praktisch zum Funktionieren zu bringen.

Joannes Vermorel: Genau. Um eine praktische Lösung zu haben, müssen Sie diese Dinge sehr eng zusammenhalten. Sie sollten anfangen, über prädiktive Optimierung nachzudenken. Die beiden Dinge, Vorhersage und Optimierung, gehören zusammen und können nicht voneinander getrennt werden.

Kieran Chandler: Okay, das ergibt Sinn. Nun, wir müssen hier Schluss machen. Vielen Dank, dass Sie heute bei uns waren, Joannes. Es war wirklich großartig, mit Ihnen über die Optimierung der Lieferkette zu sprechen.

Joannes Vermorel: Vielen Dank, dass Sie mich eingeladen haben, Kieran. Es war mir ein Vergnügen.