00:00:07 Einführung und Definition von Demand Sensing.
00:01:02 Joannes kritisiert Demand Sensing als ein vages Konzept.
00:02:45 Fragen zur Neuartigkeit von Demand-Sensing-Techniken.
00:05:01 Kritik am Einfluss von Echtzeitdaten auf die supply chain-Prognose.
00:07:49 Argument, dass mehr Daten und nicht-traditionelle Methoden benötigt werden.
00:08:37 Unterschiede in den Anwendungsfällen zwischen Echtzeit- und Nicht-Echtzeitanwendungen.
00:09:47 Marketingtricks in der Softwarebranche und ihre Auswirkungen.
00:11:25 Unterscheidung zwischen guten Buzzwords und oberflächlichen Buzzwords.
00:14:24 Beispiele anderer Gimmicks in der supply chain-Industrie.
00:16:02 Schwierigkeit, Buzzwords zu merken, und ihr Mangel an Substanz.
00:16:33 Gesetz der Aufrechterhaltung des Hypes und Überprüfung mittels Google Trends.
00:17:47 Identifikation wertvoller Buzzwords mit grundlegenden Einsichten.
00:18:26 Beispiel einer Quantilsprognose und die Bedeutung, die Grundlagen zu verstehen.
00:19:21 Cloud Computing und sein einfaches Kernkonzept.
Zusammenfassung
Im Interview diskutieren Kieran Chandler und Joannes Vermorel Demand Sensing, eine Prognosemethode, die Echtzeitdaten und fortgeschrittene mathematische Techniken kombiniert. Vermorel äußert Zweifel an der Wirksamkeit von Demand Sensing aufgrund seiner vagen konzeptuellen Grundlage und dem Mangel an neuartiger, peer-reviewed Forschung. Er rät supply chain-Praktikern, sich vor Marketingtricks in Acht zu nehmen und sich auf Konzepte zu konzentrieren, die grundlegende Probleme mit überraschend offensichtlichen Einsichten angehen. Vermorel betont die Bedeutung, die Substanz hinter Buzzwords zu verstehen und Innovationen zu suchen, die ein solides Verständnis bieten und zu bedeutsamen Verbesserungen in der supply chain optimization beitragen.
Erweiterte Zusammenfassung
In diesem Interview diskutiert Kieran Chandler Demand Sensing mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf die supply chain optimization spezialisiert hat. Demand Sensing ist eine Prognosemethode, die fortgeschrittene mathematische Techniken mit Echtzeitinformationen kombiniert. Das Gespräch konzentriert sich auf die Wirksamkeit von Demand Sensing und darauf, wie man zwischen wertvollen Konzepten und Marketingtricks unterscheiden kann.
Vermorel beginnt damit zuzugeben, dass es schwierig ist, Demand Sensing zu bewerten, da die Dokumente, die er zu diesem Thema geprüft hat, sehr vage sind. Er ist der Meinung, dass Demand Sensing kein Vaporware ist, da die Software existiert, sondern vielmehr Mootware – etwas, das seine Versprechen nicht einlöst und letztlich keine Bedeutung hat. Er führt dies darauf zurück, dass das Konzept eher ein Marketingtrick als eine substanziell fundierte Idee ist.
Die wichtigsten beworbenen Eigenschaften von Demand Sensing umfassen die Nutzung von Echtzeitdaten, die Einbeziehung von Daten über traditionelle Kerndaten hinaus (wie vergangene Bestandsbewegungen und Verkaufsnachfrage) sowie den Einsatz von Machine Learning zur Erreichung größerer Genauigkeit. Vermorel räumt ein, dass diese einzelnen Konzepte valide erscheinen, stellt jedoch die Neuartigkeit und Tiefe des Gesamtkonzepts in Frage.
Um Demand Sensing zu bewerten, betrachtet Vermorel die Hauptaussage seiner Befürworter: dass sie genauere Prognosen liefern können. Er weist darauf hin, dass die statistische Prognose ein gut etabliertes Forschungsfeld ist, mit zahlreichen Online-Wettbewerben und einer lebendigen Community, die das Feld ständig herausfordert und weiterentwickelt. Viele Organisationen, darunter angesehene Forschungseinrichtungen und große Softwareunternehmen, veröffentlichen Arbeiten über Machine Learning und statistisches Lernen, einschließlich solcher, die sich auf die Prognose der zukünftigen Nachfrage konzentrieren.
Allerdings hat Vermorel keine wesentlichen, neuartigen Forschungsarbeiten zu Demand Sensing in renommierten Fachzeitschriften oder auf Konferenzen gesehen, was Zweifel an der Legitimität des Konzepts aufkommen lässt. Trotz der Fülle von im Internet verfügbaren Papieren und Materialien zu Demand Sensing wirft der Mangel an konkreter, peer-reviewed Forschung und Beiträgen der breiteren Machine-Learning- und Prognosengemeinschaft Zweifel am tatsächlichen Wert von Demand Sensing auf.
Vermorel äußert Zweifel an der Wirksamkeit von Demand Sensing als Prognosemethode, aufgrund seiner vagen konzeptuellen Grundlage und des Mangels an neuartiger, peer-reviewed Forschung zu diesem Thema. Er schlägt vor, dass es mehr ein Marketingtrick als ein wirklich innovativer Ansatz zur supply chain optimization sein könnte.
Das Gespräch dreht sich um das Konzept der Echtzeitdaten, deren Relevanz für supply chain-Prognosen und die sie umgebenden Marketingtricks.
Vermorel erklärt, dass Echtzeitdaten – also Daten mit einer Latenz unterhalb der menschlichen Wahrnehmung (etwa 100 Millisekunden) – aufgrund ihrer ansprechenden Natur populär geworden sind. Allerdings ist er skeptisch, ob Echtzeitdaten eine wesentliche Verbesserung der Prognosegenauigkeit bewirken. Er verweist auf eine typische Software-Demonstration, bei der ein Produkt mit einer dreijährigen Historie für eine Prognose sechs Monate in die Zukunft genutzt wird. Vermorel argumentiert, dass Daten, die 100 Millisekunden alt sind, im Vergleich zu Daten von vor 24 Stunden in diesem Kontext keinen großen Unterschied machen werden.
Ein weiterer Anspruch, der von Befürwortern von Echtzeitdaten häufig erhoben wird, ist die Nutzung überlegener Machine-Learning-Techniken. Vermorel bleibt skeptisch und vergleicht dies mit einem Autohersteller, der behauptet, bessere Autos zu haben, weil er über bessere Physik verfügt. Allerdings stimmt er zu, dass die Einbeziehung von mehr Daten als bei der herkömmlichen Zeitreihen-Prognose zu erheblichen Verbesserungen führen kann.
Vermorel behauptet, dass Echtzeitinformationen in supply chain-Szenarien im Allgemeinen übertrieben sind, da das Maß an Granularität, das sie bieten, für die meisten Anwendungsfälle unnötig ist. Er weist jedoch darauf hin, dass Echtzeitdaten nützlich sein könnten, um schnelle Roboter in automatisierten Lagerhäusern zu steuern. Er stellt die Idee in Frage, dass Echtzeitdaten einen signifikanten Unterschied in der supply chain-Planung machen können, bei der die Prognose typischerweise von drei Wochen bis zu einem Jahr im Voraus reicht.
Laut Vermorel ist die Werbung für Echtzeitdaten in der supply chain-Prognose oft ein Marketingtrick, der von Softwareanbietern genutzt wird, die an neuen Ideen, Fachwissen oder Technologien mangeln. Er schlägt vor, dass dieser Ansatz eine gewisse Gleichgültigkeit gegenüber den Problemen der Kunden und die arrogante Annahme widerspiegelt, dass Kunden leicht getäuscht werden können. Um wertvolle Konzepte von bloßen Buzzwords zu unterscheiden, rät er dazu, darauf zu achten, ob verschiedene Personen aus unterschiedlichen Bereichen über das Konzept sprechen. Wenn nur Anbieter es fördern, handelt es sich höchstwahrscheinlich eher um einen Marketingtrick.
Als positives Beispiel nennt Vermorel die probabilistische Prognose, die von zahlreichen Gemeinschaften diskutiert wird, einschließlich solcher, die sich mit Klima beschäftigen. Die hochmoderne Klimaforschung wird von probabilistischen Modellen angetrieben, was darauf hinweist, dass dieser Ansatz auf echter Substanz basiert, im Gegensatz zu dem marketinggetriebenen Konzept der Echtzeitdaten in der supply chain-Prognose.
Vermorel beginnt damit, das Konzept des Appells an die Autorität zu erklären, von dem er glaubt, dass es ein starker Indikator für ein Buzzword ist. Er verwendet das Beispiel von Demand Sensing, bei dem die Befürworter die Namen und Titel der beteiligten Experten anführen, anstatt den dahinterstehenden Algorithmus oder die Mathematik im Detail darzulegen.
Auf die Frage nach weiteren Beispielen für Gimmicks in der supply chain-Branche stellt Vermorel fest, dass es diese schon seit jeher gibt. Er nennt IBMs Vorstoß für autonomes Computing vor zehn Jahren, der sich als substanzlos herausstellte, und die Popularität von Data Mining vor zwanzig Jahren, die seither abgeflaut ist. Vermorel ist der Ansicht, dass diese Buzzwords aufgrund ihres Mangels an Substanz oft in Vergessenheit geraten, und er verweist auf sein “Gesetz der Aufrechterhaltung des Hypes”, das er als eine konstante Gesamtmasse an Hype erklärt, die sich nur ändert, wenn ein neues Buzzword in den Markt eintritt.
Vermorel schlägt vor, dass supply chain-Praktiker auf Buzzwords achten sollten, die ein grundlegendes Problem mit einer überraschend offensichtlichen Einsicht ansprechen. Er nennt als Beispiel Quantilsprognosen, die sich auf die Risiken konzentrieren, die an den Extremen konzentriert sind, anstatt in der Mitte. Vermorel ist der Meinung, dass solche einfachen und fundamentalen Ideen, sobald sie verstanden sind, schwer zu verlernen sind und zu bedeutenden Innovationen führen können.
Er fährt fort, indem er darauf hinweist, dass Praktiker vorsichtig bei Buzzwords sein sollten, die kein klares, präzises Verständnis ihrer zugrunde liegenden Konzepte vermitteln. Zum Beispiel mag Cloud Computing kompliziert erscheinen, aber das Kernkonzept ist die Verfügbarkeit von Hardware-Ressourcen auf Abruf. Vermorel rät, dass, wenn ein Buzzword nicht in wenigen Minuten ein solides Verständnis vermitteln kann, es wahrscheinlich an Substanz mangelt und daher ignoriert werden sollte.
Vermorel betont die Bedeutung, die Substanz hinter Buzzwords in der supply chain-Branche zu erkennen und zu verstehen. Er ermutigt Praktiker, sich auf grundlegende Einsichten zu konzentrieren, die ein solides Verständnis vermitteln und zu bedeutenden Innovationen in ihren Unternehmen beitragen können.
Vollständiges Transkript
Kieran Chandler: Heute werden wir besprechen, wie gut dieses Buzzword tatsächlich funktioniert und ob man den Unterschied zwischen einem guten Buzzword und viel Marketing-Nonsens erkennen kann. Also, Joannes, wie lautet dein erster Eindruck von einem Konzept wie Demand Sensing?
Joannes Vermorel: Das ist tatsächlich eine schwierige Frage, da ich viele Dokumente über Demand Sensing durchgesehen habe, und das Beste, was ich über diese Dokumente sagen kann, ist, dass sie äußerst vage sind. Es ist also sehr schwer, spezifische Eigenschaften oder Mängel einem Konzept zuzuschreiben, das super vage ist. Grundsätzlich würde ich sagen, dass Demand Sensing für mich eine klare Illustration dessen ist, was wir vielleicht nicht als Vaporware bezeichnen würden, denn die Software existiert, die dazu in der Lage sein soll, Demand Sensing zu liefern, um deine supply chain zu optimieren. Es ist also keine Vaporware, sondern ich würde sagen, es ist Mootware – etwas, das eigentlich keine Rolle spielt, weil es nicht das liefert, was es verspricht.
Kieran Chandler: Du hast gesagt, dass die dahinterstehenden Ideen etwas vage sind, also, was ist das grundlegende Konzept?
Joannes Vermorel: Die bewerbten Konzepte – und ich betone bewerbten, da es sich eher um einen Marketingtrick als um etwas Substantielles handelt – umfassen die Nutzung von Echtzeitdaten, Daten, die über deine traditionellen Kerndaten hinausgehen, wie frühere Bestandsbewegungen oder frühere Verkaufsnachfragen, und den Einsatz von Machine Learning, das in diesem Kontext ziemlich unbestimmt ist, um neuartige Ansätze zur Erhöhung der Genauigkeit zu verfolgen.
Kieran Chandler: Ein Hinweis darauf, dass es sich um einen Marketingtrick handelt, ist, dass all diese Konzepte für sich allein zu stehen scheinen. Was sind also die Probleme dabei?
Joannes Vermorel: Die Frage ist, wie viel Neuheit es in Bezug auf die Tiefe gibt. Fangen wir damit an, die Hauptaussage der Anbieter zu betrachten, die Demand-Sensing-Technologien vorantreiben. Die Hauptaussage lautet, dass sie genauere Prognosen liefern können. Das ist eine sehr vernünftige Behauptung; man sagt, ich habe eine neuartige Technik, die genauere statistische Vorhersagen produzieren kann. Nun, es stellt sich heraus, dass supply chain nicht im Vakuum existiert. Es gibt ein ganzes Forschungsfeld zur statistischen Prognose, mit zahlreichen Online-Wettbewerben, bei denen Menschen Modelle ausprobieren und gegeneinander antreten. Das breite Feld von Machine Learning und statistischem Lernen ist sehr lebendig, mit Herausforderungen und öffentlichen Ergebnissen, die in Konferenzen, Fachzeitschriften und in Arbeiten aus verschiedenen Quellen veröffentlicht werden, einschließlich privater Labore wie großer Softwareunternehmen. Was ich damit sagen möchte, ist, dass, obwohl es eine Menge Fortschritte im Machine Learning für spezifische Aufgaben wie die Prognose der zukünftigen Nachfrage gibt, ich nichts gesehen habe, das als gute neuartige Fachzeitschriften oder hochrangige Konferenzen qualifizieren würde, die unter diesen Schlagworten wie Demand Sensing veröffentlicht werden.
Kieran Chandler: Reden wir über den Inhalt selbst. Es gibt zahlreiche Informationen im Internet, wenn man Recherchen zu Demand Sensing durchführt, mit vielen Papieren und Dingen, die irgendwie legitim erscheinen. Wie erklärst du das? Was ist, wenn wir ein bisschen näher darauf eingehen, was präsentiert wird? Es wird zunächst einmal diese Idee präsentiert, Echtzeitdaten zu haben. Warum nicht? Doch lassen Sie uns zunächst klären, was wir unter Echtzeitdaten verstehen, denn es klingt cool. Meiner Meinung nach sind Echtzeitdaten im Grunde genommen solche, bei denen die Latenz unter die menschliche Wahrnehmung fällt – als Faustregel gilt: 100 Millisekunden. Ab da nähert sich das, was die Leute als Echtzeit bezeichnen würden.
Joannes Vermorel: Okay, lassen Sie uns über ein supply chain- oder supply chain-Problem sprechen, nämlich dass Sie Daten haben, die zugänglich sind, oder dass Sie eine gesamte Pipeline von Daten haben, die Ihre Daten in weniger als 100 Millisekunden verarbeiten kann, um Echtzeit zu erreichen. Haben wir dadurch überhaupt die Chance, etwas in der Größenordnung einer 50%-Steigerung der Prognosegenauigkeit zu erzielen? Und hier bin ich sehr skeptisch. Besonders wenn Menschen damit beginnen, Demonstrationen der Software zu zeigen, die Demand Sensing betreibt und Prognosen erstellt. In der Demo betrachten sie ein Produkt mit einer dreijährigen Historie, und sie erstellen eine Prognose für die nächsten sechs Monate.
Kieran Chandler: Also, wenn du die Nachfrage sechs Monate im Voraus prognostizierst, spielt es keine große Rolle, ob deine Daten frisch von den letzten 100 Millisekunden oder von den letzten 24 Stunden stammen – sprich, wenn deine Daten nur um einen Tag verzögert sind. Offen gesagt, bezweifle ich sogar, dass Daten, die zwei Tage alt statt einen Tag alt sind, einen Unterschied von auch nur einem Prozent in einer Prognose für sechs Monate ausmachen. Daher erscheint mir der Echtzeit-Aspekt des Arguments äußerst oberflächlich.
Nun, schauen wir uns den anderen Teil der Argumente an: Sie behaupten, über überlegene Machine-Learning-Techniken zu verfügen. Aber überlegene Machine-Learning-Techniken – da Machine Learning ein super weites Feld ist – es wäre, als würde ein Autohersteller sagen, “Oh, wir haben das bessere Auto, weil wir bessere Physik haben.” Bessere Physik zu haben hilft, aber das ist eine gewagte Behauptung. Man braucht einen Durchbruch auf der Ebene der physikalischen Gesetze. Also bin ich wieder skeptisch, wenn so eine Behauptung aufgestellt wird.
Also, im Grunde genommen heißt das, wenn ich mich auf die anderen Argumente stütze, sagen sie, dass man eine Prognose braucht, die mehr Daten verwendet als traditionelle Methoden. Ich würde sagen, ja, absolut. Ich meine, wir haben in dieser Show schon oft darüber gesprochen, dass naive Zeitreihenprognosen tonnenweise Müll produzieren. Die einfachste Erklärung ist, dass wenn man nur seine historischen Verkäufe betrachtet, man Fehlbestände nicht berücksichtigt. Zum Beispiel, wenn du keine Verkäufe beobachtet hast, weil du einen Fehlbestand hattest, willst du nicht null prognostizieren, nur weil du null beobachtet hast. Deine historischen Verkäufe sind nicht die historische Nachfrage. Also ja, du musst zusätzlich mehr Daten einbeziehen, absolut, und das kann zu sehr erheblichen Verbesserungen führen.
Kieran Chandler: Also, was du damit sagen willst, ist, dass der Einsatz dieser Echtzeitinformationen in einem supply chain-Szenario völlig übertrieben ist, weil man eigentlich nicht so schnell ein solches Informationsniveau benötigt. Wie fein soll die Granularität denn tatsächlich sein?
Joannes Vermorel: Aber, nochmals, wenn du in einem Lager Picking-Roboter in Echtzeit steuerst, dann sind 100 Millisekunden tatsächlich vielleicht zu langsam. Es kommt also wirklich auf die Art des Problems an. Aber die Leute, die für demand sensing plädieren, diskutieren nicht den Anwendungsfall der Echtzeitsteuerung von ultraschnellen Robotern in automatisierten Lagern. Dies ist nicht
Kieran Chandler: Was sie in ihren Demos zeigen, sieht sehr ähnlich aus wie der alte Ansatz der supply chain-Planung, bei dem du deine Verkäufe, deine Nachfrage, irgendwo von drei Wochen bis neun Monate oder sogar ein Jahr im Voraus betrachtest. Und genau da stelle ich die Behauptung in Frage, dass Echtzeitinformationen in so einer Situation einen Unterschied machen würden. Genau das bezweifle ich. Wem nützt es dann wirklich? Würdest du sagen, es ist rein ein Marketing-Gimmick, um andere Softwareprodukte zu verkaufen?
Joannes Vermorel: Hier denke ich an den Begriff “moot”, bei dem, weißt du, Software, die dich eigentlich nicht kümmern sollte, als moot gilt. Es ist buchstäblich ein Marketing-Gimmick für Anbieter, denen es an neuen Ideen, Technologien und wahrscheinlich an Expertise mangelt. Sie entscheiden sich einfach dafür, den Weg des Marketing-Gimmicks einzuschlagen, weil es keinerlei Substanz gibt. Und ich weiß, das ist relativ hart, aber ehrlich gesagt sehe ich keine bessere Erklärung, denn die Probleme, denen wir gegenüberstehen, sind so herausfordernd. Es gibt so viele Blickwinkel, die diskutiert und verbessert werden können, dass wir uns nicht eigene Schlagwörter ausdenken müssen. Es gibt so viele Aspekte, die verfeinert werden müssen, um etwas Neues zu präsentieren. Wenn du auf ein völlig erfundenes Schlagwort zurückgreifen musst, das sich als oberflächliches Marketing-Gimmick entpuppt, wirft das kein gutes Licht auf die Teams hinter diesen Unternehmen. Es zeigt eine gewisse Gleichgültigkeit gegenüber den Problemen der Kunden und auch ein Maß an Arroganz, indem sie meinen, der Kunde sei ein Idiot und man könne ihm buchstäblich alles andrehen. Irgendwann ist das fast eine Beleidigung für die Intelligenz derjenigen, an die man verkauft.
Kieran Chandler: Wie unterscheiden wir sie also? Denn es gibt so viele dieser Schlagwörter da draußen, und wir müssten so viel verschiedene Recherchen anstellen. Wie kannst du zwischen einem wirklich guten Schlagwort und einem weniger guten unterscheiden?
Joannes Vermorel: Zuerst würde ich sagen, dass ein Weg darin besteht, einen breiten Blick darauf zu werfen, wer über dieses Schlagwort spricht. Ist es nur dein Anbieter oder gibt es viele Menschen aus verschiedenen Bereichen, Menschen, die keine übereinstimmenden Interessen haben, die keinen Grund haben, einander zu kopieren? Das Entscheidende bei demand sensing ist, dass im Grunde genommen ein Anbieter es vorangetrieben hat, und die anderen Anbieter haben einfach das oberflächliche Marketing-Gimmick kopiert. Man beginnt also mit etwas, das nur ein Marketing-Gimmick ist, und es wurde dann marketingseitig von anderen Akteuren repliziert. Es gibt keine Substanz, weshalb es relativ leicht zu kopieren ist. Wenn du echte Technologie hast, ist es schwieriger zu replizieren. Wenn das Einzige, was du replizieren musst, eine schicke Webseite ist, ist es viel einfacher. Aber ich schweife ab.
Um gute Schlagwörter zu identifizieren, solltest du darauf achten, dass verschiedene Leute darüber sprechen. Zum Beispiel ist bei Lokad probabilistic forecasting etwas, das wir ausführlich diskutieren. Wenn du online nachschaust, wer über probabilistic forecasting spricht, wirst du feststellen, dass es tatsächlich tonnenweise andere Communities gibt, zum Beispiel Leute, die das Klima studieren und stark auf probabilistische Modelle setzen. Wenn du an das Klima denkst, dann wird klar, dass Spitzenforschung eindeutig von probabilistischen Modellen angetrieben wird. Es hat in keiner Weise direkt mit der supply chain zu tun, aber trotzdem beweist es, dass die Konzepte ansprechend und nützlich für verschiedene Gruppen sind. Das, denke ich, ist ein sehr wichtiges Signal.
Ein weiterer Indikator ist der Verweis auf Autoritäten. Wenn Leute für etwas wie demand sensing als eine unglaubliche, neue Methode der Prognose werben und kühne Behauptungen aufstellen, aber anstatt den Algorithmus und die Mathematik im Detail darzulegen, nur den Namen, Titel und Werdegang vorbringen.
Kieran Chandler: Bei all den Dingen haben wir alle Dr. X, PhD, warum das hier und 20 Jahre Erfahrung dort, und das ist im Grunde, wenn du den Lebenslauf der Leute in den Vordergrund stellst, ist das buchstäblich ein Appell an die Autorität. Das bedeutet in der Regel, dass deine Ideen keine Substanz haben. Ansonsten brauchst du deinen Lebenslauf in wissenschaftlichen Arbeiten nicht zu präsentieren; du nennst einfach die Namen der Forscher und die Institution, nicht den Lebenslauf. Also, wenn demand sensing ein Beispiel für vielleicht ein wenig ein Marketing-Gimmick ist, gibt es dann viele andere Beispiele in der supply chain-Branche für Gimmicks, die historisch gesehen aufgetaucht sind?
Joannes Vermorel: Ja, ich meine, nicht nur in der supply chain. Ich denke, es ist einer dieser typischen Fälle von Märkten, die von großen Enterprise-Anbietern dominiert werden, die diese Spielchen oft treiben, aber es ist nicht der einzige Bereich. Es gab schon etliche oberflächliche Schlagwörter. Zum Beispiel hat IBM vor 10 Jahren mit autonomem Computing einen großen Schub gemacht, der sich als ein riesiger Haufen Nichts herausstellte. Viele Leute begannen dann, für Dinge zu werben – bevor die Leute verrückt nach data science waren, waren sie verrückt nach Data Mining. Das war vor 20 Jahren ein großer Trend. Es gab die Idee, Datenperlen zu extrahieren. Ich bin mir nicht einmal sicher, ob sich die Leute daran erinnern, was damit gemeint war. Also, es gab eine lange Reihe oberflächlicher Schlagwörter, und es ist eigentlich ziemlich schwer, sich an sie zu erinnern, weil es buchstäblich sehr wenig Substanz gibt.
Diese Episode über demand sensing vorzubereiten, war tatsächlich ziemlich schwer für mich, weil ich Dutzende Seiten darüber gelesen habe und eine halbe Stunde damit verbracht habe, zusammenzufassen, was ich gelernt hatte. Und ich stellte fest, dass ich nichts gelernt hatte. Es ist also sogar schwer, sich solche Dinge einzuprägen.
Kieran Chandler: Also, was ist normalerweise das Ergebnis? Fallen diese Schlagwörter einfach beiseite, weil keine Substanz dahinter steckt, und die Branche bewegt sich zum nächsten weiter?
Joannes Vermorel: Ja, das ist meine persönliche Ansicht. Ich nenne es das Gesetz der Erhaltung des Hypes. In der Physik haben wir das Gesetz der Massenerhaltung, und was das Marketing von Enterprise-Anbietern betrifft, gibt es dieses Gesetz der Erhaltung des Hypes. Es gibt eine Gesamtheit an Hype, und wenn ein Schlagwort in den Haufen gelangt, verschwindet etwas anderes wieder. Du kannst mein Gesetz der Erhaltung des Hypes tatsächlich empirisch überprüfen, indem du Google Trends anschaust, dieses von Google bereitgestellte Tool. Nimmst du viele Schlagwörter wie AI, Cloud Computing, Big Data, Machine Learning und so weiter, wirst du feststellen, dass über die Zeit hinweg eine Art Konstante besteht, auch wenn jedes Schlagwort einen Höhepunkt hat und dann wieder abflaut. Es gibt also eindeutig diese Muster.
Kieran Chandler: Okay, fassen wir also ein wenig zusammen. Worauf sollten supply chain-Praktiker achten, die nach dem nächsten großen Schlagwort in der Zukunft suchen?
Joannes Vermorel: Ich denke, sie sollten Ausschau halten nach Dingen, die im Wesentlichen etwas ziemlich Essentielles ansprechen, mit einer Erkenntnis, die im Rückblick vollkommen offensichtlich ist. Das Überraschende an der Wissenschaft ist, dass wenn man Dinge hat, die zutiefst wahr und effizient sind, man später darüber staunt, wie man vorher so unwissend sein konnte. Zum Beispiel in der supply chain, bevor wir erkannten, dass wir die Nachfrage mit einem bestimmten Zweck betrachten mussten, etwa zur Unterstützung. Das war die Geburt der Quantilprognosen. Das war die Idee, dass Risiken Kieran Chandler: Es ist offensichtlich, dass die Optimierung des Lagerbestands und die Senkung der Kosten wichtig sind, wenn das Inventar rotiert. Es ist etwas so Wichtiges, dass man es gar nicht mehr verlernen kann. Sobald man ein Kernkonzept verstanden hat, wird es sehr wichtig. Ich würde sagen, wenn du ein Schlagwort siehst und es Klick macht, liegt das in der Regel daran, dass du etwas Grundlegendes verstanden hast. Es ist nichts unglaublich Schwieriges. Im Kern massiver Innovation steckt in der Regel etwas grundlegend Einfaches.
Joannes Vermorel: Wenn ich dir von Cloud Computing erzähle, könntest du denken, es sei super kompliziert. Aber wenn ich dir sage, es sind einfach Hardware-Ressourcen auf Abruf, und mit “auf Abruf” meine ich, dass du einfach sagen kannst, “Gib mir in der nächsten Minute eine Rechenmaschine,” und da hast du es. Du hast groß angelegte Anbieter, die dir Rechenleistung auf Abruf verkaufen können. Sobald du das verstehst, verstehst du irgendwie vieles über Cloud Computing.
Kieran Chandler: Diese Schlagwörter repräsentieren in der Regel die Kernkonzepte, und der Teufel steckt im Detail. Aber die wesentliche Erkenntnis, wenn du sie nicht in ein paar Minuten erfassen kannst, ist vielleicht nicht so wertvoll. Sie sollte dir wirklich als ein solides, zusätzliches Verständnis für dein Geschäft auffallen, von dem du profitieren kannst. Vielleicht brauchst du zusätzliche Werkzeuge, um von dieser extra Erkenntnis Gebrauch zu machen. Aber wenn es kein Kernverständnis gibt, dann hat das, was du dir ansiehst, höchstwahrscheinlich keinerlei Substanz und ist einfach ein großer Haufen Nichts.
Joannes Vermorel: Das ist korrekt.
Kieran Chandler: Super, wir müssen hier also Schluss machen. Danke für deine Zeit. Das ist alles für heute. Ob du zustimmst oder nicht, hinterlasse uns unbedingt einen Kommentar unten, und das war’s für diese Woche. Wir sehen uns beim nächsten Mal.
