00:00:07 Einführung und Definition von Quantitative Supply Chain.
00:01:02 Joannes kritisiert Quantitative Supply Chain als ein vages Konzept.
00:02:45 Fragen zur Neuheit von Quantitative Supply Chain-Techniken.
00:05:01 Kritik an der Auswirkung von Echtzeitdaten auf die Prognose der Supply Chain.
00:07:49 Argument, dass mehr Daten und nicht-traditionelle Methoden benötigt werden.
00:08:37 Unterschiede zwischen Echtzeit- und Nicht-Echtzeit-Anwendungen.
00:09:47 Marketing-Gimmicks in der Softwareindustrie und ihre Auswirkungen.
00:11:25 Unterscheidung zwischen guten Buzzwords und oberflächlichen Buzzwords.
00:14:24 Beispiele für andere Gimmicks in der Supply Chain-Branche.
00:16:02 Schwierigkeit, Buzzwords auswendig zu lernen und ihr Mangel an Substanz.
00:16:33 Gesetz der Hype-Erhaltung und Überprüfung mit Google Trends.
00:17:47 Identifizierung wertvoller Buzzwords mit grundlegenden Erkenntnissen.
00:18:26 Beispiel für Quantile-Prognose und die Bedeutung des Verständnisses von Grundlagen.
00:19:21 Cloud Computing und sein einfaches Kernkonzept.
Zusammenfassung
In dem Interview diskutieren Kieran Chandler und Joannes Vermorel Quantitative Supply Chain, eine Prognosemethode, die Echtzeitdaten und fortschrittliche mathematische Techniken kombiniert. Vermorel äußert Skepsis hinsichtlich der Wirksamkeit von Quantitative Supply Chain aufgrund seiner vagen konzeptionellen Grundlage und des Mangels an neuartiger, peer-reviewter Forschung. Er rät Supply Chain-Praktikern, sich vor Marketing-Gimmicks in Acht zu nehmen und sich auf Konzepte zu konzentrieren, die grundlegende Probleme mit überraschend offensichtlichen Erkenntnissen angehen. Vermorel betont die Bedeutung des Verständnisses des Substanz hinter Buzzwords und der Suche nach Innovationen, die ein solides Verständnis bieten und zu bedeutenden Verbesserungen in der Supply Chain-Optimierung beitragen.
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, Quantitative Supply Chain. Quantitative Supply Chain ist eine Prognosemethode, die fortschrittliche mathematische Techniken mit Echtzeitinformationen kombiniert. Das Gespräch konzentriert sich auf die Wirksamkeit von Quantitative Supply Chain und wie man zwischen wertvollen Konzepten und Marketing-Gimmicks unterscheidet.
Vermorel gibt zu, dass es schwierig ist, Quantitative Supply Chain aufgrund der Unklarheit der von ihm zu diesem Thema überprüften Dokumente zu bewerten. Er glaubt, dass Quantitative Supply Chain kein Vaporware ist, da die Software existiert, sondern eher Mootware - etwas, das seine Versprechen nicht einhält und letztendlich keine Rolle spielt. Er führt dies darauf zurück, dass das Konzept eher ein Marketing-Gimmick als eine substantielle Idee ist.
Die wichtigsten beworbenen Merkmale von Quantitative Supply Chain umfassen die Verwendung von Echtzeitdaten, die Einbeziehung von Daten über traditionelle Kernbereiche hinaus (wie vergangene Bestandsbewegungen und Verkaufsnachfrage) und die Nutzung von Machine Learning zur Erzielung einer höheren Genauigkeit. Vermorel erkennt an, dass diese einzelnen Konzepte scheinbar gültig sind, aber er hinterfragt die Neuheit und Tiefe des Gesamtansatzes.
Um Quantitative Supply Chain zu bewerten, betrachtet Vermorel die Hauptbehauptung seiner Befürworter: dass sie genauere Prognosen liefern kann. Er weist darauf hin, dass statistische Prognosen ein etabliertes Forschungsfeld sind, mit zahlreichen Online-Wettbewerben und einer lebendigen Community, die das Feld ständig herausfordert und vorantreibt. Viele Organisationen, einschließlich renommierter Forschungseinrichtungen und großer Softwareunternehmen, veröffentlichen Artikel über maschinelles Lernen und statistisches Lernen, einschließlich solcher, die sich auf die Vorhersage zukünftiger Nachfrage konzentrieren.
Vermorel hat jedoch keine signifikante, neuartige Forschung zu Quantitative Supply Chain in angesehenen Zeitschriften oder Konferenzen gesehen, was Zweifel an der Legitimität des Konzepts aufwirft. Trotz der Fülle von Papieren und Materialien zum Thema Quantitative Supply Chain im Internet lässt das Fehlen konkreter, von Fachkollegen begutachteter Forschung und Beiträge aus der breiteren Community des maschinellen Lernens und der Prognose die tatsächliche Bedeutung von Quantitative Supply Chain in Frage stellen.
Vermorel äußert Skepsis hinsichtlich der Wirksamkeit von Quantitative Supply Chain als Prognosemethode aufgrund ihrer vagen konzeptionellen Grundlage und des Mangels an neuartiger, von Fachkollegen begutachteter Forschung zu diesem Thema. Er schlägt vor, dass es sich eher um ein Marketing-Gimmick als um einen wirklich innovativen Ansatz zur Optimierung der Supply Chain handeln könnte.
Die Diskussion dreht sich um das Konzept von Echtzeitdaten, deren Relevanz für die Prognose der Supply Chain und die damit verbundenen Marketing-Gimmicks.
Vermorel erklärt, dass Echtzeitdaten, die sich auf Daten mit einer Latenzzeit unterhalb der menschlichen Wahrnehmung (ca. 100 Millisekunden) beziehen, aufgrund ihrer attraktiven Natur beliebt geworden sind. Er ist jedoch skeptisch, ob Echtzeitdaten eine signifikante Verbesserung der Prognosegenauigkeit bieten. Er zitiert eine typische Software-Demonstration, bei der ein Produkt mit drei Jahren Historie für eine Prognose von sechs Monaten verwendet wird. Vermorel argumentiert, dass es in diesem Kontext keinen großen Unterschied macht, ob die Daten von vor 100 Millisekunden oder von vor 24 Stunden stammen.
Eine weitere oft von Befürwortern von Echtzeitdaten gemachte Behauptung ist der Einsatz überlegener Techniken des maschinellen Lernens. Vermorel bleibt skeptisch und vergleicht es mit einem Automobilhersteller, der behauptet, bessere Autos aufgrund besserer Physik zu haben. Er stimmt jedoch zu, dass die Einbeziehung von mehr Daten als bei der traditionellen Zeitreihen-Prognose zu erheblichen Verbesserungen führen kann.
Vermorel behauptet, dass Echtzeitinformationen in Supply-Chain-Szenarien im Allgemeinen überdimensioniert sind, da das von ihnen bereitgestellte Granularitätsniveau für die meisten Anwendungsfälle nicht erforderlich ist. Er stellt jedoch fest, dass Echtzeitdaten nützlich sein könnten, um schnelle Roboter in automatisierten Lagern zu steuern. Er stellt die Idee in Frage, dass Echtzeitdaten einen signifikanten Unterschied in der Supply-Chain-Planung machen können, bei der die Prognose in der Regel von drei Wochen bis zu einem Jahr im Voraus reicht.
Laut Vermorel ist die Bewerbung von Echtzeitdaten in der Prognose der Supply Chain oft ein Marketing-Gimmick, das von Softwareanbietern verwendet wird, die keine neuen Ideen, Fachkenntnisse oder Technologien haben. Er schlägt vor, dass dieser Ansatz eine gewisse Gleichgültigkeit gegenüber den Problemen der Kunden und eine arrogante Annahme widerspiegelt, dass Kunden leicht getäuscht werden können. Um wertvolle Konzepte von bloßen Schlagworten zu unterscheiden, rät er dazu, zu prüfen, ob verschiedene Personen aus verschiedenen Bereichen das Konzept diskutieren. Wenn es nur von Anbietern beworben wird, handelt es sich wahrscheinlich eher um ein Marketing-Gimmick.
Als positives Beispiel nennt Vermorel die probabilistische Prognose, über die zahlreiche Gemeinschaften diskutieren, einschließlich derjenigen, die das Klima erforschen. Die hochmoderne Klimaforschung basiert auf probabilistischen Modellen, was darauf hinweist, dass dieser Ansatz auf echter Substanz beruht, im Gegensatz zum marketinggetriebenen Konzept der Echtzeitdaten in der Prognose der Supply Chain.
Vermorel beginnt damit, das Konzept des Autoritätsappells zu erklären, das er als starken Indikator für ein Schlagwort betrachtet. Er verwendet das Beispiel des Demand Sensing, bei dem die Befürworter die Namen und Titel der beteiligten Experten vorbringen, anstatt den Algorithmus oder die Mathematik dahinter zu erläutern.
Auf die Frage nach anderen Beispielen für Gimmicks in der Supply-Chain-Branche stellt Vermorel fest, dass es im Laufe der Geschichte viele gegeben hat. Er nennt IBMs Vorstoß für autonomes Computing vor zehn Jahren, der sich als substanzlos erwies, und die Popularität des Data Mining vor zwanzig Jahren, das seitdem nachgelassen hat. Vermorel glaubt, dass diese Schlagworte oft aufgrund mangelnder Substanz in Vergessenheit geraten und verweist auf sein “Gesetz der Hype-Erhaltung”, das er als eine konstante Gesamtmasse an Hype erklärt, die sich nur ändert, wenn ein neues Schlagwort auf den Markt kommt.
Vermorel schlägt vor, dass Supply-Chain-Praktiker nach Schlagworten Ausschau halten sollten, die scheinbar ein grundlegendes Problem mit einer überraschend offensichtlichen Erkenntnis ansprechen. Er gibt das Beispiel der Quantilprognosen, die sich auf die Risiken konzentrieren, die sich an den äußersten Enden konzentrieren, anstatt in der Mitte. Vermorel glaubt, dass solche einfachen und grundlegenden Ideen, sobald sie verstanden sind, schwer zu verlernen sind und zu bedeutenden Innovationen führen können.
Er fährt fort und erwähnt, dass Praktiker vor Schlagworten vorsichtig sein sollten, die kein klares, prägnantes Verständnis ihrer zugrunde liegenden Konzepte bieten. Zum Beispiel mag Cloud Computing kompliziert erscheinen, aber sein Kernkonzept besteht darin, dass Hardware-Ressourcen bei Bedarf verfügbar sind. Vermorel rät, dass ein Schlagwort, das in wenigen Minuten kein solides Verständnis vermitteln kann, wahrscheinlich substanzlos ist und ignoriert werden sollte.
Vermorel betont die Bedeutung, Schlagworte in der Supply-Chain-Branche zu erkennen und zu verstehen. Er ermutigt Praktiker, sich auf grundlegende Erkenntnisse zu konzentrieren, die ein solides Verständnis vermitteln und zu bedeutungsvollen Innovationen in ihren Unternehmen beitragen können.
Vollständiges Transkript
Kieran Chandler: Heute werden wir darüber diskutieren, wie gut dieses Schlagwort tatsächlich funktioniert und ob Sie den Unterschied zwischen einem guten Schlagwort und einer Menge Marketing-Unsinn erkennen können. Also, Joannes, Demand Sensing, was ist Ihr erster Überblick über ein solches Konzept?
Joannes Vermorel: Das ist eigentlich eine schwierige Frage, denn ich habe viele Dokumente über Demand Sensing überprüft, und das Beste, was ich über diese Dokumente sagen kann, ist, dass sie äußerst vage sind. Es ist also sehr schwer, einem Konzept, das super vage ist, bestimmte Qualitäten oder Defekte zuzuschreiben. Aber grundsätzlich würde ich sagen, dass Demand Sensing für mich eine klare Veranschaulichung dessen ist, was wir vielleicht als kein Vaporware bezeichnen könnten, weil die Software existiert, die angeblich in der Lage ist, Demand Sensing zur Optimierung Ihrer Supply Chain zu liefern. Es ist also keine Vaporware, aber ich würde sagen, es ist nutzlose Ware, wie etwas, das nicht wirklich wichtig ist, weil es nicht das liefert, was es verspricht.
Kieran Chandler: Sie haben gesagt, dass die Ideen dahinter ein wenig vage sind, also was ist das grundlegende Konzept?
Joannes Vermorel: Die beworbenen Konzepte, und ich sage wieder beworben, weil es eher einem Marketing-Gimmick ähnelt als etwas mit Tiefe, beinhalten die Verwendung von Echtzeitdaten, Daten jenseits Ihrer traditionellen Kern-Daten, wie vergangene Lagerbewegungen oder vergangene Verkaufsnachfrage, und die Verwendung von maschinellem Lernen, was in diesem Kontext ziemlich undefiniert ist, um einige neue Dinge zu tun, um eine höhere Genauigkeit zu erzielen.
Kieran Chandler: Also eines der Dinge, die darauf hinweisen, dass es sich um einen Marketing-Gag handelt, ist, dass all diese Konzepte für sich alleine stehen zu scheinen. Also, wo liegen hier die Probleme?
Joannes Vermorel: Die Frage ist, wie viel Neuheit es in Bezug auf die Tiefe gibt. Fangen wir damit an, uns die Hauptbehauptung der Anbieter anzusehen, die sich für Demand Sensing-Technologien einsetzen. Die Hauptbehauptung ist, dass sie genauere Prognosen erstellen können. Das ist eine sehr vernünftige Behauptung; Sie sagen, ich habe eine neue Technik, die genauere statistische Vorhersagen liefern kann. Nun, es stellt sich heraus, dass die Supply Chain nicht im luftleeren Raum existiert. Es gibt ein ganzes Forschungsfeld zur statistischen Prognose, mit vielen Online-Wettbewerben, bei denen Menschen Modelle ausprobieren und konkurrieren. Das breite Feld des maschinellen Lernens und des statistischen Lernens ist sehr lebendig, mit Herausforderungen und öffentlich veröffentlichten Ergebnissen auf Konferenzen, in Zeitschriften und Papieren aus verschiedenen Quellen, einschließlich privater Labore wie großer Softwareunternehmen. Was ich sage, ist, dass es zwar viele Fortschritte im maschinellen Lernen für bestimmte Aufgaben wie die Vorhersage zukünftiger Nachfrage gibt, aber ich habe nichts gesehen, was als gute neue Zeitschriften oder hochrangige Konferenzen qualifiziert werden könnte, die unter diesen Stichwörtern wie Demand Sensing veröffentlicht wurden.
Kieran Chandler: Sprechen wir über den Inhalt selbst. Es gibt viele Informationen im Internet, wenn Sie etwas über Demand Sensing recherchieren, mit vielen Papieren und Dingen, die irgendwie legitim zu sein scheinen. Wie macht man da Sinn? Was ist das Problem, wenn wir uns ein wenig anschauen, was präsentiert wird? Also, was präsentiert wird, ist zunächst diese Idee, Echtzeitdaten zu haben. Warum nicht? Doch Echtzeitdaten, lassen Sie uns zunächst ein wenig klären, was wir unter Echtzeitdaten verstehen, denn es klingt cool. Meiner Meinung nach sind Echtzeitdaten im Wesentlichen dann gegeben, wenn die Latenz unterhalb der menschlichen Wahrnehmung liegt. Als Faustregel können wir sagen, dass es bei 100 Millisekunden beginnt. Das ist der Zeitpunkt, an dem es sehr nahe daran ist, was die Leute als Echtzeit bezeichnen würden.
Joannes Vermorel: Okay, lassen Sie uns in einem Supply Chain- oder Supply Chain-Problem darüber diskutieren, dass Sie Daten haben, auf die zugegriffen werden kann, oder dass Sie eine gesamte Datenpipeline haben, die Ihre Daten in weniger als 100 Millisekunden verarbeiten kann, um Echtzeit zu sein. Haben wir eine Chance, dank dessen etwas zu haben, das in der Größenordnung einer 50%igen Verbesserung der Prognosegenauigkeit liegen könnte? Und hier bin ich sehr skeptisch. Besonders wenn Leute anfangen, Demonstrationen über die Software zu machen, die Demand Sensing macht und Prognosen erstellt. In der Demo betrachten sie ein Produkt mit drei Jahren Historie und machen eine Prognose für sechs Monate im Voraus.
Wenn Sie also die Nachfrage sechs Monate im Voraus prognostizieren, macht es keinen großen Unterschied, ob Sie Daten haben, die frisch aus den letzten 100 Millisekunden stammen oder frisch aus den letzten 24 Stunden, sodass Ihre Daten nur um einen Tag zurückliegen. Ich bin mir nicht einmal sicher, ob es einen Unterschied von einem Prozent macht, ob die Daten zwei Tage alt anstatt einen Tag alt sind, wenn es um sechs Monate in der Zukunft geht. Daher finde ich den Echtzeit-Teil des Arguments äußerst oberflächlich.
Dann schauen wir uns den anderen Teil der Argumente an: Sie behaupten, überlegene maschinelle Lernverfahren zu haben. Aber überlegene maschinelle Lernverfahren - da maschinelles Lernen ein sehr breites Feld ist - wäre es, als würde ein Autohersteller sagen: “Oh, wir haben das bessere Auto, weil wir bessere Physik haben.” Bessere Physik hilft, aber das ist eine kühne Behauptung. Sie benötigen einen Durchbruch auf der Ebene der physikalischen Gesetze. Daher bin ich auch skeptisch, wenn Sie solche Behauptungen aufstellen.
Was sie im Grunde haben ist, wenn ich auf das andere Argument zurückkomme, dass Sie eine Prognose benötigen, die mehr Daten als herkömmliche Methoden verwendet. Da würde ich definitiv zustimmen. Wir haben in dieser Show schon oft darüber gesprochen, dass naive Zeitreihenprognosen nur Müll liefern. Die einfachste Erklärung ist, dass Sie, wenn Sie nur Ihre historischen Verkäufe betrachten, keine Fehlbestände berücksichtigen. Wenn Sie zum Beispiel keine Verkäufe beobachtet haben, weil Sie einen Fehlbestand hatten, möchten Sie nicht null prognostizieren, nur weil Sie null beobachtet haben. Ihre historischen Verkäufe sind nicht die historische Nachfrage. Ja, Sie müssen definitiv mehr Daten hinzufügen, und das kann zu sehr erheblichen Verbesserungen führen.
Kieran Chandler: Also, was Sie im Grunde sagen, ist, dass die Verwendung dieser Echtzeitinformationen in einem Supply-Chain-Szenario ziemlich übertrieben ist, weil Sie tatsächlich nicht so schnell auf diese Informationen angewiesen sind. Welche Granularitätsebene brauchen wir eigentlich?
Joannes Vermorel: Aber wenn Sie beispielsweise in Echtzeit Pick-Roboter in einem Lager steuern, könnten 100 Millisekunden tatsächlich zu langsam sein. Es hängt also wirklich von der Art des Problems ab. Aber diejenigen, die sich für Demand Sensing einsetzen, diskutieren nicht den Anwendungsfall der Echtzeitsteuerung von superschnellen Robotern in automatisierten Lagern. Das ist es nicht.
Kieran Chandler: Was sie in ihren Demos zeigen, ähnelt sehr der alten Art der Supply-Chain-Planung, bei der Sie Ihre Verkäufe, Ihre Nachfrage von drei Wochen bis neun Monate oder sogar einem Jahr im Voraus betrachten. Und da fordere ich wirklich die Tatsache heraus, dass Echtzeit für diese Art von Situation einen Unterschied machen wird. Das ist es, was ich wirklich in Frage stelle. Also, wem nützt es wirklich? Würden Sie sagen, es ist nur ein Marketing-Gag, um andere Softwareprodukte zu verkaufen?
Joannes Vermorel: Das ist ein Fall, bei dem ich über diesen Begriff “moot” nachgedacht habe, wo Software, um die Sie sich nicht kümmern sollten, belanglos ist. Es ist buchstäblich ein Marketing-Gag für Anbieter, die knapp an neuen Ideen, Technologien und wahrscheinlich auch an Fachwissen sind. Nun, sie entscheiden sich einfach für den Weg des Marketing-Gags, weil es keinerlei Substanz gibt. Und ich weiß, das ist relativ hart, aber ehrlich gesagt sehe ich keine bessere Erklärung, weil die Probleme, mit denen wir konfrontiert sind, so herausfordernd sind. Es gibt so viele Aspekte, die diskutiert und verbessert werden können, dass wir unsere eigenen Buzzwords nicht erfinden müssen. Es gibt so viele Aspekte, die verfeinert werden müssen, um etwas Neues zu präsentieren. Wenn Sie auf ein völlig erfundenes Buzzword zurückgreifen müssen, das sich als oberflächlicher Marketing-Gag erweist, stellt das die Teams hinter diesen Unternehmen nicht in ein gutes Licht. Ich meine, es zeigt eine gewisse Gleichgültigkeit gegenüber den Problemen, mit denen die Kunden konfrontiert sind, und es zeigt auch eine gewisse Arroganz in dem Sinne, dass sie denken, der Kunde sei einfach ein Idiot und dass Sie ihnen buchstäblich alles verkaufen können. Irgendwann ist es eine Beleidigung für die Intelligenz derjenigen, an die Sie verkaufen.
Kieran Chandler: Wie können wir sie also unterscheiden? Denn es gibt so viele dieser Buzzwords da draußen, es gibt so viel verschiedene Forschung, die wir betreiben müssten. Wie können Sie unterscheiden, was tatsächlich ein gutes Buzzword ist und was nicht?
Joannes Vermorel: Zunächst würde ich sagen, dass eine Möglichkeit darin besteht, sich einen umfassenden Überblick darüber zu verschaffen, wer über dieses Buzzword spricht. Ist es nur Ihr Anbieter oder gibt es viele Menschen aus verschiedenen Bereichen, Menschen, die keine konvergenten Interessen haben, Menschen, die keinen Grund haben, sich gegenseitig zu kopieren? Das Besondere an der Nachfrageerfassung ist, dass es im Grunde genommen ein Anbieter war, der es vorangetrieben hat, und die anderen Anbieter haben einfach das oberflächliche Marketing-Gimmick kopiert. Sie beginnen also mit etwas, das nur ein Marketing-Gimmick ist, und es wurde marketingmäßig von anderen Akteuren repliziert. Es gibt keine Substanz, daher ist es relativ einfach zu replizieren. Wenn Sie tatsächliche Technologie haben, ist es schwieriger zu replizieren. Wenn das Einzige, was Sie replizieren müssen, eine schicke Website ist, ist es viel einfacher. Aber ich schweife ab.
Um gute Buzzwords zu identifizieren, suchen Sie nach verschiedenen Personen, die darüber sprechen. Zum Beispiel diskutieren wir bei Lokad ausführlich die probabilistische Prognose. Wenn Sie online nach Personen suchen, die probabilistische Prognosen diskutieren, werden Sie feststellen, dass es tatsächlich viele andere Gemeinschaften gibt, zum Beispiel Menschen, die sich mit Klima beschäftigen und stark probabilistische Modelle verwenden. Wenn Sie über das Klima nachdenken, wird die hochmoderne Forschung eindeutig von probabilistischen Modellen vorangetrieben. Es hat nichts direkt mit der Supply Chain zu tun, aber es zeigt dennoch, dass die Konzepte für verschiedene Gruppen ansprechend und nützlich sind. Das, denke ich, ist ein sehr wichtiges Signal.
Ein weiterer Indikator ist die Berufung auf Autorität. Wenn Menschen einfach etwas wie die Nachfrageerfassung als eine enorme neue Art der Prognosestellung vorantreiben und kühne Behauptungen aufstellen, aber anstatt den Algorithmus und die Mathematik zu erläutern, wie sie das tun, den Namen, den Titel und die Herkunft vorbringen.
Kieran Chandler: Von den Schrecken der Dinge, sie haben alle Dr. X PhD, warum machen sie das mit 20 Jahren Erfahrung hier und da, und das ist im Grunde genommen, wenn Sie den Lebenslauf der Menschen vorne präsentieren, ist es buchstäblich eine Berufung auf Autorität. Das bedeutet in der Regel, dass Ihre Ideen keine Substanz haben. Andernfalls müssen Sie Ihren Lebenslauf nicht in wissenschaftlichen Arbeiten haben, sondern nur den Namen der Forscher und die Institution, nicht den Lebenslauf. Also, wenn die Nachfrageerfassung ein Beispiel für vielleicht ein bisschen Marketing-Gimmick ist, gibt es viele andere Beispiele in der Supply-Chain-Branche für Gimmicks, die historisch gut waren?
Joannes Vermorel: Ja, nicht nur in der Supply Chain. Ich denke, es ist einer dieser typischen Fälle von Märkten, die von großen Unternehmensanbietern dominiert werden, die diese Spiele viel spielen, aber es ist nicht das einzige Gebiet. Es gab ziemlich viele oberflächliche Buzzwords. Zum Beispiel hat IBM vor 10 Jahren viel für ihre autonome Berechnung geworben, die sich als großer Haufen von nichts herausstellte. Es gab viele Leute, die für Dinge wie Datenwissenschaft, bevor die Leute verrückt nach Datenwissenschaft waren, verrückt waren. Es war vor 20 Jahren ein großes Thema. Es gab die Idee, Daten-Nuggets zu extrahieren. Ich bin mir nicht einmal sicher, ob die Leute noch wissen, was es sein sollte. Es gab also eine lange Reihe von oberflächlichen Buzzwords, und es ist tatsächlich ziemlich schwer, sich überhaupt an sie zu erinnern, weil es eben sehr wenig Substanz gibt.
Für die Vorbereitung dieser Episode über die Nachfrageerfassung war es für mich tatsächlich ziemlich schwer, weil ich Dutzende von Seiten darüber gelesen und eine halbe Stunde damit verbracht habe, zusammenzufassen, was ich gelernt habe. Und ich habe festgestellt, dass ich nichts gelernt habe. Es ist also sogar schwer, sich solche Dinge zu merken.
Kieran Chandler: Also, was ist normalerweise das Ergebnis? Fallen diese Buzzwords einfach in Vergessenheit, weil ihnen die Substanz fehlt, und die Branche geht zum nächsten über?
Joannes Vermorel: Ja, das ist meine persönliche Überzeugung. Ich nenne es das Gesetz der Erhaltung des Hypes. In der Physik haben wir das Gesetz der Erhaltung der Masse, und was das Marketing von Unternehmensanbietern betrifft, gibt es dieses Gesetz der Erhaltung des Hypes. Es gibt eine Gesamtmasse an Hype, und wenn ein Buzzword in den Haufen gelangt, verlässt etwas anderes den Haufen. Sie können mein Gesetz der Erhaltung des Hypes tatsächlich empirisch überprüfen, indem Sie sich Google Trends ansehen, dieses von Google bereitgestellte Tool. Wenn Sie viele Buzzwords wie KI, Cloud Computing, Big Data, maschinelles Lernen und dergleichen betrachten, werden Sie feststellen, dass es im Laufe der Zeit eine Art Konstante ist, auch wenn jedes Buzzword einen Höhepunkt hat und dann verblassen. Es gibt also klar diese Muster.
Kieran Chandler: Okay, lassen Sie uns also langsam zum Abschluss kommen. Für Supply-Chain-Praktiker, die nach dem nächsten großen Buzzword in der Zukunft suchen, worauf sollten sie achten?
Joannes Vermorel: Ich denke, sie sollten nach Dingen Ausschau halten, die etwas Grundsätzliches ansprechen und eine Erkenntnis bieten, die im Rückblick völlig offensichtlich ist. Das Überraschende an der Wissenschaft ist, dass wenn Sie Dinge haben, die zutiefst wahr und effizient sind, Sie auf sie zurückblicken und sich fragen, wie Sie zuvor so unwissend sein konnten. Zum Beispiel in der Supply Chain, bevor wir realisiert haben, dass wir, wenn wir die Nachfrage betrachten wollten, die Nachfrage mit einem Zweck betrachten mussten, wie Unterstützung. Das war die Geburt von 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 sich der Bestand dreht. Es ist etwas so Wichtiges, dass man es nicht einmal vergessen kann. Sobald man ein Kernkonzept verstanden hat, wird es sehr wichtig. Ich würde sagen, wenn Sie ein Stichwort sehen und es klickt, liegt es normalerweise daran, dass Sie etwas sehr Grundlegendes verstanden haben. Es ist nichts unglaublich Schwieriges. Im Kern massiver Innovationen handelt es sich normalerweise um etwas grundlegend Einfaches.
Joannes Vermorel: Wenn ich Ihnen von Cloud Computing erzähle, könnten Sie denken, dass es super kompliziert ist. Aber dann, wenn ich Ihnen sage, dass es nur Hardware-Ressourcen auf Abruf sind, und mit auf Abruf meine ich, dass Sie einfach sagen können: “Geben Sie mir in der nächsten Minute eine Rechenmaschine”, und da haben Sie sie. Sie haben Anbieter im großen Maßstab, die Ihnen verfügbare Rechenleistung auf Abruf verkaufen können. Sobald Sie das verstanden haben, verstehen Sie so einiges über Cloud Computing.
Kieran Chandler: Diese Stichwörter repräsentieren in der Regel die Kernkonzepte, und der Teufel steckt im Detail. Aber die entscheidende Erkenntnis, wenn Sie sie nicht in wenigen Minuten erfassen können, ist möglicherweise nicht so wertvoll. Es sollte Ihnen wirklich als solide zusätzliches Verständnis für Ihr Geschäft auffallen, das Sie nutzen können. Vielleicht benötigen Sie zusätzliche Werkzeuge, um von dieser zusätzlichen Erkenntnis zu profitieren. Aber wenn es kein grundlegendes Verständnis gibt, dann hat das, was Sie betrachten, höchstwahrscheinlich überhaupt keine Substanz und ist nur ein großer Haufen von nichts.
Joannes Vermorel: Das ist korrekt.
Kieran Chandler: Gut, wir müssen hier abschließen. Vielen Dank für Ihre Zeit. Das ist alles für heute. Wenn Sie zustimmen oder nicht zustimmen, hinterlassen Sie uns bitte einen Kommentar unten, und das ist alles für diese Woche. Wir sehen uns nächstes Mal.
