Numerische Rezepte für Supply Chain

00:00:07 Supply chain science und die Erstellung numerischer Rezepte.
00:03:21 Der Unterschied zwischen Algorithmen und numerischen Rezepten.
00:05:21 Erläuterung, wie numerische Rezepte besser dazu geeignet sind, verschwommene Probleme in supply chains im Vergleich zu Algorithmen zu lösen.
00:06:00 Diskussion darüber, wie Algorithmen in Softwareunternehmen präsent sind und welche Gefahr darin besteht, ein verzerrtes Bild der realen Probleme zu erhalten.
00:07:48 Vergleich der Optimierung einer einzelnen Schraube in einer Maschine mit dem großen Problem von supply chains.
00:08:02 Diskussion über die Bedeutung numerischer Rezepte zur Lösung von Problemen in supply chains.
00:08:54 Vergleich von Algorithmen und numerischen Rezepten hinsichtlich ihrer Objektivität.
00:09:44 Erklärung, wie die Subjektivität numerischer Rezepte die Expertise eines Supply Chain Scientist unerlässlich macht.
00:13:02 Die Bedeutung, die Lösung mit dem Problem in Einklang zu bringen und das Fehlerrisiko zu minimieren.
00:15:52 Diskussion über die Notwendigkeit von Prozessen und Werkzeugen, um Fehler zu verhindern und die Qualität der Lösung zu verbessern.
00:17:16 Erklärung der Probleme, die bei numerischen Rezepten auftreten können.
00:18:07 Diskussion darüber, wie Unternehmen in der supply chain Branche über numerische Rezepte agieren.
00:20:01 Kritik daran, dass die Werkzeuge ungeeignet sind, um supply chain Probleme zu lösen.
00:22:00 Die Bedeutung numerischer Rezepte, um in supply chain Problemen annähernd richtig und agil zu sein.

Zusammenfassung

In einem Interview diskutiert Joannes Vermorel, der Gründer von Lokad, das Konzept der numerischen Rezepte in der supply chain optimization. Er argumentiert, dass Algorithmen und machine learning einen falschen Eindruck von Objektivität und klar definierten Grenzen zwischen Problemen und Lösungen vermitteln können, und dass numerische Rezepte ein besserer Ansatz sind, um mit der komplexen und sich verändernden Natur realer supply chain Probleme umzugehen. Vermorel betont die Bedeutung einer Abstimmung, Korrektheit im Design und guter Werkzeuge, um Fehler zu vermeiden und den Erfolg in der supply chain optimization sicherzustellen. Er ist der Meinung, dass numerische Rezepte für den Erfolg in der unvorhersehbaren Welt der supply chains unerlässlich sind.

Erweiterte Zusammenfassung

In diesem Interview diskutieren Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, das Konzept der numerischen Rezepte in der supply chain optimization. Vermorel erklärt, dass er den Begriff aus einem erfolgreichen Buch namens “Numerical Recipes” der 1980er Jahre entlehnt hat, das eine einzigartige Perspektive auf Problemlösungen bietet.

Er betont, dass die Lösung von Problemen im supply chain management nicht so einfach ist wie ein klar definiertes Problem und eine eindeutige Lösung. Stattdessen kann die Art der verwendeten Lösung das Problem formen, wobei trade-offs und Rückkopplungsschleifen zwischen beiden existieren. Vermorel ist der Ansicht, dass der Begriff “numerische Rezepte” ein treffenderer Beschreiber für die in der supply chain optimization verwendeten Ansätze ist, da er die inhärente Komplexität und Anpassungsfähigkeit dieser Lösungen anerkennt.

Vermorel erklärt, dass Algorithmen, machine learning und andere Fachbegriffe einen falschen Eindruck von Objektivität und klar definierten Grenzen zwischen Problemen und Lösungen vermitteln können. In der Praxis präsentieren reale supply chains jedoch komplexere, “verschwommene” Situationen. Er stellt die Klarheit von Sortieralgorithmen, die über präzise Problemstellungen und mathematische Eigenschaften verfügen, der Mehrdeutigkeit von supply chain Problemen gegenüber, die oft Verhandlungen, sich ändernde Bedingungen und weitere realweltliche Faktoren beinhalten.

Beispielsweise sind Mindestbestellmengen (MOQs) in supply chains nicht fest wie physikalische Gesetze, sondern das Ergebnis von Verhandlungen mit Lieferanten. Wenn sich eine MOQ als problematisch erweist, könnte ein Unternehmen eine günstigere Vereinbarung aushandeln. Ein intelligentes numerisches Rezept würde diese realen Optionen erfassen und ist somit ein besser geeigneter Ansatz, um supply chain Probleme als herkömmliche Algorithmen zu lösen.

Obwohl Lokad viele Algorithmen in seinem Software-Stack verwendet, argumentiert Vermorel, dass ein ausschließlicher Rückgriff auf Algorithmen zu einem verzerrten Verständnis realer supply chain Probleme führen kann, insbesondere für jene mit formaler Ausbildung in Informatik oder Softwaretechnik. Dies liegt daran, dass herkömmliche Algorithmen oft besser für klar definierte Probleme mit eindeutigen Ergebnissen geeignet sind, während numerische Rezepte anpassungsfähiger und besser für die komplexe, sich verändernde Natur von supply chains sind.

Vermorel ist überzeugt, dass das Konzept der numerischen Rezepte eine geeignetere Methode darstellt, um die in der supply chain optimization verwendeten Ansätze zu beschreiben, da sie anpassungsfähig sind und mit der inhärenten Komplexität und Mehrdeutigkeit realer supply chain Probleme umgehen können. Dieser Ansatz erkennt die Bedeutung von trade-offs und Rückkopplungsschleifen zwischen Problemen und Lösungen an und ermöglicht ein differenzierteres Verständnis des supply chain managements.

Sie diskutierten die Herausforderungen der supply chain optimization und die Rolle der Supply Chain Scientists bei der Erstellung numerischer Rezepte. Vermorel erklärt, dass Sortieralgorithmen für die supply chain optimization trotz jahrzehntelanger Forschung immer noch Vor- und Nachteile haben. Er verwendet die Metapher einer komplexen Maschine, bei der die Optimierung eines einzelnen Bestandteils nicht die Effizienz des Gesamtsystems garantiert.

Vermorel weist darauf hin, dass reale supply chain Probleme oft numerische Rezepte erfordern, anstatt streng definierter Algorithmen. Diese Rezepte werden von Supply Chain Scientists erstellt, deren Fachwissen eine entscheidende Rolle bei der Entwicklung von Lösungen spielt. Obwohl Algorithmen objektiv und in der Mathematik verankert sind, räumt Vermorel ein, dass auch in der Mathematik Subjektivität existiert, wobei Konzepte wie Eleganz die Wahrnehmung von Algorithmen beeinflussen.

Wenn es um numerische Rezepte geht, argumentiert Vermorel, dass einige Aspekte der Realität zu komplex sind, um in ein mathematisches Rahmenwerk zu passen. Obwohl fortgeschrittene statistische Methoden Muster aus Daten extrahieren können, gibt es Fälle, in denen Entscheidungsspielräume erforderlich sind. Zum Beispiel müssen Supply Chain Scientists Entscheidungen auf Grundlage einzigartiger Situationen treffen, für die es möglicherweise keine Beispiele in der sales history gibt. Vermorel vergleicht dies mit der Kochkunst, bei der Köche unterschiedlichster Fähigkeiten Gerichte kreieren, die zwar stark subjektiv sein können, aber dennoch als hervorragend oder minderwertig bewertet werden.

Bei der Diskussion über die Herausforderung, die Qualität bei verschiedenen Kunden und Branchen aufrechtzuerhalten, räumt Vermorel ein, dass es mehrere Perspektiven zu berücksichtigen gibt. Ein entscheidender Aspekt ist sicherzustellen, dass die Ingenieure dem Geschäft nicht zuwiderhandeln, da sie versucht sein könnten, Formeln zu erstellen, die sophistiziert erscheinen, aber das zugrunde liegende Problem nicht lösen.

Vermorel diskutiert die Bedeutung einer Abstimmung zwischen dem zu lösenden Problem und dem angewandten quantitativen Modell sowie von Werkzeugen, die das tägliche Risiko von Fehlern minimieren. Er betont, dass Korrektheit im Design entscheidend ist, um fatale Fehler zu verhindern und sicherzustellen, dass selbst wenn Menschen zu müde sind, um klug zu handeln, sie dennoch vernünftige Entscheidungen treffen können. Vermorel erwähnt außerdem, dass der halbe Erfolg von Lokad darauf beruht, zu wissen, wie man eine Initiative der Quantitative Supply Chain ausrollt.

Vermorel hebt hervor, dass Unternehmen in der supply chain Branche über numerische Rezepte agieren, viele aber immer noch an traditionellen, algorithmusbasierten Ansätzen festhalten. Er stellt fest, dass, obwohl spreadsheets den Inbegriff des Verständnisses davon darstellen, wie man die supply chain modelliert, diese nicht geeignet sind, um mit uncertainty oder mehrstufigen supply chains umzugehen. Vermorel kritisiert die Werkzeuge und bemängelt, dass sie unzureichend und hoch subjektiv sind und viele eng gefasste numerische Rezepte beinhalten. Er ist der Meinung, dass Unternehmen zahlreiche Prozesse entwickeln müssen, um numerische Stabilitätsprobleme zu verhindern, die eine Fabrik oder ein warehouse lahmlegen können.

Insgesamt betont Vermorel die Bedeutung von Abstimmung, Korrektheit im Design und guten Werkzeugen, um Fehler zu vermeiden und den Erfolg in der supply chain optimization sicherzustellen. Er hebt außerdem die Einschränkungen von spreadsheets sowie die Notwendigkeit besserer Werkzeuge hervor, um mit uncertainty und mehrstufigen supply chains umzugehen.

Er argumentiert, dass heutige Unternehmen über numerische Rezepte agieren, jedoch häufig mit unzureichenden Werkzeugen und Prozessen konfrontiert sind, wie etwa silos. Vermorel ist der Ansicht, dass numerische Rezepte bleiben werden und die richtige Denkweise darstellen, wenn es um supply chain Probleme geht. Er erklärt, dass numerische Rezepte Formeln sind, die keine Reinheit besitzen und nicht mit elektromagnetischen Gleichungen vergleichbar sind, die unglaublich rein und präzise sind. Supply chains sind komplex und erfordern Hunderte von halb-zufälligen Bedingungen und Faktoren, um Sinn zu ergeben. Vermorel betont die Bedeutung, etwas zu haben, das so vielseitig wie ein Rezept ist und mit wechselnden Bedingungen zurechtkommt. Er vergleicht dies mit Spitzenköchen, die improvisieren und sich an fehlende Zutaten, kurze Zeitvorgaben und sich ändernde Einschränkungen anpassen können, wobei stets eine Methode hinter ihrem Wahnsinn steht. Vermorel erklärt, dass man bei Lokad eine Methode kultiviert, um mit dem Chaos von supply chains umzugehen. Das Hauptfazit der Folge ist, dass numerische Rezepte unerlässlich sind, weil sie die Denkweise verkörpern, dass es besser ist, annähernd richtig zu liegen, als exakt falsch zu sein – was in der unvorhersehbaren Welt von supply chains entscheidend ist. Zusammenfassend argumentiert Vermorel, dass ein vielseitiges numerisches Rezept, das mit wechselnden Bedingungen und Einschränkungen zurechtkommt, der Schlüssel zum Erfolg in der supply chain Branche ist.

Vollständiges Transkript

Kieran Chandler: Hey, ganz wie ein Spitzenkoch in einer Michelin-Stern-Küche muss ein Supply Chain Scientist Rezepte kreieren, die sich an jede Situation anpassen und weiterentwickeln. Daher werden wir heute untersuchen, was es braucht, um diese Rezepte zu erstellen und insbesondere, was die von uns in supply chains verwendeten auszeichnet. Also, Joannes, wir haben diesen Begriff “numerical recipes” schon ein paar Mal verwendet. Warum hieltest du es für wichtig, ihn noch einmal aufzugreifen?

Joannes Vermorel: Diesen Begriff habe ich von Leuten aus den 80er Jahren übernommen, die ein unglaublich erfolgreiches Buch namens “Numerical Recipes” geschrieben haben. Es betonte eine bestimmte Art und Weise, das Problem zu betrachten. Siehst du, es gibt die Vorstellung, dass man normalerweise ein Problem und eine Lösung hat, aber die Realität ist nicht so einfach. Die Art der Lösung, die man hat, prägt buchstäblich das Problem, und es gibt eine Wechselwirkung zwischen beiden. Man hat einen trade-off darin, wie man das Problem angeht, abhängig von der Herangehensweise an die Lösung.

Die Hauptidee ist, dass wir numerische Ergebnisse für Unternehmen liefern wollen, die tatsächliche supply chains betreiben. Das Problem mit anderer Terminologie, wie zu sagen, dass wir Algorithmen oder machine learning verwenden, ist, dass dadurch etwas völlig Objektives und klar Definiertes betont wird, wo man ein Problem und eine Lösung hat, und für dasselbe Problem konkurrierende Lösungen möglich sind. Aber die Realität ist, dass wenn man Ergebnisse für eine echte supply chain liefern will, das Ganze viel unschärfer ist. Es ist ein sehr zufälliger Prozess mit vielen Stolpersteinen auf dem Weg. Am Ende erhält man ein numerisches Rezept, das die Kette der numerischen Berechnungen beschreibt, um die Ergebnisse zu erzielen.

Kieran Chandler: Warum wäre es also nicht angebracht, so etwas als Algorithmus zu bezeichnen? Ich meine, was lässt ein Algorithmus aus?

Joannes Vermorel: Ich benutze den Begriff “Rezept” gerade, um zu sagen, dass dies kein Algorithmus ist. Für alle mit Hintergrund in Informatik oder machine learning habt ihr in euren Lehrbüchern und Kursen über Algorithmen gelernt. Nehmen wir das archetypische Beispiel des Algorithmus, den Sortieralgorithmus. Man hat eine Sammlung von Objekten mit einer Ordnungsbeziehung, und man kann sie mittels einer klar definierten Abfolge von Schritten sortieren. Am Ende ist die Sammlung sortiert, und dein Algorithmus weist Eigenschaften wie Speicherverbrauch und Komplexität auf.

Es gibt eine Vielzahl von Sortieralgorithmen mit unterschiedlichen Eigenschaften. Einige sind deterministisch, einige stochastisch, und einige sind sehr gut, wenn die Daten bereits teilweise sortiert sind. Aber wenn es um supply chain optimization geht, brauchen wir etwas Anpassungsfähigeres und Flexibleres, wie ein numerisches Rezept, anstatt eines starren Algorithmus.

Kieran Chandler: Der Sortieralgorithmus ist eine absolut klare Situation, in der du eine völlig unmissverständliche Problemstellung hast. Du willst eine Sammlung von Elementen sortieren, basierend auf einer Ordnungsbeziehung, was mathematische Klarheit besitzt. Im Gegensatz dazu, wenn man an die Art von Problemen denkt, die in echten supply chain Situationen gelöst werden müssen, ist es sehr unklar. Ich meine, man hat MOQs, aber MOQs sind nicht wie die Naturgesetze; sie sind mehr das Ergebnis von Verhandlungen mit deinen Lieferanten. Wenn sich also eine MOQ numerisch als wirklich problematisch erweist, kannst du möglicherweise tatsächlich mit einem Lieferanten telefonieren und etwas dazwischen vereinbaren. So siehst du, ein intelligentes numerisches Rezept würde diese Art von Option, die in der realen Welt existiert, erfassen, aber plötzlich besitzt es nicht diese Art von kristallklarer Reinheit.

Joannes Vermorel: Genau. Ich meine, bei Lokad – ohne jeden Zweifel – nutzen wir Unmengen von Algorithmen, wie jedes seriöse oder halbseriöse Softwareunternehmen da draußen. Der Lokad-Stack ist buchstäblich eine sehr lange Reihe von Algorithmen. Weil wir Lokad um eine domänenspezifische Programmiersprache namens Envision herum aufgebaut haben, ist unser Compiler wie eine endlose Reihe von Algorithmen, die das Skript selbst in abstrakte Darstellungen umwandeln, bis hin zur Ausführungssequenz für das kompilierte Programm, das ausgeführt werden muss, usw. Also, Algorithmen sind überall zu finden.

Die Gefahr hier besteht darin, dass – ganz wie beim naiven Reduktionismus – sie keine Gefahr für das ungebildete Publikum darstellt. Wenn Sie das Privileg hatten, niemals einen Master in Informatik abgeschlossen zu haben, oder Sie sind kein professioneller Softwareingenieur, dann ist dies wahrscheinlich nicht die Art von Problem, mit dem Sie konfrontiert werden. Aber das Problem ist, dass, wenn Sie in diesen Bereichen sehr gut gebildet sind, das, was Ihnen in den Kursen beigebracht wurde und was Sie in den meisten Informatikbüchern lesen, Ihnen ein sehr verzerrtes Bild davon vermittelt, wie Probleme in realen supply chain wirklich aussehen.

Algorithmen sind sehr nützlich, und es ist gut, dass Lokad sich auf eine Sammlung von Sortieralgorithmen verlassen kann, die Vor- und Nachteile haben und dank Jahrzehnten der Forschung, die eine umfassende Abbildung aller verschiedenen Dimensionen für dieses winzige Problem aufgezeigt haben, vollkommen verstanden sind. Aber es ist eben so: Es ist, als hätte man eine sehr komplexe Maschine und erreicht Perfektion für ein winziges Zahnrad. Also ja, wenn man sich eine Schraube ansieht und sagt: “Welches ist das optimale Metall für die Schraube?” Und weil das Problem so genau definiert und so eng gefasst ist, könnte die Antwort lauten, dass man genau diesen Stahltyp für diese Schraube verwenden muss, weil er in Bezug auf alle Einschränkungen vollkommen optimal ist.

Kieran Chandler: Also, Joannes, lass uns über supply chain Optimierung sprechen. Ist es wirklich möglich, die optimale Lösung für eine supply chain zu finden?

Joannes Vermorel: Das ist eine gute Frage, Kieran. Man kann einige Teile seiner supply chain optimieren, aber es reicht nicht, nur die Schraube an der richtigen Stelle in der Maschine zu platzieren, um das große Problem zu lösen. Man muss jedes Detail des umfangreichen Setups berücksichtigen, und wenn man alles zusammensetzt, ergibt das wirklich Sinn. Wenn man in der realen Welt supply chain Probleme löst, landet man am Ende mit numerischen Rezepten anstelle von Algorithmen. Der Schwerpunkt und die Einstellung der Person, die das Ganze erstellt, sind nicht dieselben.

Kieran Chandler: Ich verstehe. Lass uns ein wenig mehr über die eigentliche Person sprechen, die diese numerischen Rezepte erstellt. Wie sehr bist du von deren Fähigkeiten und Expertise abhängig?

Joannes Vermorel: Eigentlich ganz stark. Das ist etwas, das man nicht vernachlässigen darf. Wenn man sich einen Algorithmus anschaut, würde man sagen, dass er völlig objektiv, ein mathematischer Rahmen mit Beweisführung und klar definiert ist. Algorithmen sind ein Zweig der Mathematik, der Inbegriff von Objektivität. Aber Subjektivität existiert auch in der Mathematik in hohem Maße. Wenn wir zu numerischen Rezepten übergehen, besteht die Idee darin, alles zu objektivieren, aber ich glaube, das ist ein weiterer schlechter Fall von naivem Rationalismus. Die Realität ist zu komplex, um in irgendeinen mathematischen Rahmen zu passen, den wir kennen.

Kieran Chandler: Ich verstehe, was du meinst. Gibt es also Situationen, in denen man Entscheidungen basierend auf Einschätzungen treffen muss?

Joannes Vermorel: Ja, es gibt viele Situationen, in denen man Einschätzungen treffen muss. Zum Beispiel: Wie geht man mit einer entdeckten Situation aus der supply chain Perspektive um, wenn man keine vorherigen Beispiele in der Verkaufshistorie hat? Irgendwann muss man eine Entscheidung treffen, die diese bizarre Situation berücksichtigt. Es gibt keine Alternative, als einen klugen Supply Chain Scientist zu haben, der ein gutes Gespür dafür besitzt, was in der supply chain tatsächlich vor sich geht, und diese Einschätzungen vorzunehmen.

Kieran Chandler: Ich denke also, dass es eine Bewertungsentscheidung darüber gibt, wie diese Dinge numerisch im System abgebildet werden sollten. Und das ist, wie du weißt, diese Kochmetapher: Irgendwann liegt es nicht daran, dass die Wahl der Art und Weise, wie du dein exaktes Rezept machst, super, super subjektiv ist, sodass man am Ende nicht einen miesen Koch auf der einen Seite und einen – ich würde sagen – einen Koch mit unglaublichen Talenten auf der anderen Seite hat. Selbst wenn man keine klar abgegrenzten Regeln definieren kann, um zwischen den Guten und den Schlechten zu unterscheiden, existieren die Extreme dennoch eindeutig. Und Menschen, die bis zu einem gewissen Grad gebildet sind, können eine Einschätzung treffen, wer ein großartiger Koch und wer ein mieser Koch ist. Die Extreme sind ziemlich offensichtlich. Und wenn man alle Nuancen dazwischen wünscht, wird man wahrscheinlich selbst mehr Fähigkeiten benötigen und sich in der Kochkunst auskennen müssen. Aber, siehst du, das ist ziemlich rational, so vorzugehen. Okay, bleiben wir dann bei der Low-Carb-Küche.

Joannes Vermorel: Ähm, also, ich meine, es gibt so viele Blickwinkel in dieser Diskussion. Und zuerst muss man sicherstellen, dass man das Geschäft nicht verrät. Die größte Gefahr, wenn man – wie du weißt – einen intelligenten Ingenieur vor ein Problem stellt, ist, dass der Ingenieur aufgrund seiner Ausbildung immer mit einer Formel herauskommt, die sehr tiefgründig und sehr wissenschaftlich wirkt. Und nochmals: Ich glaube, es gibt ein Sprichwort, das besagt, dass es einen freien Weg zur Ruine gibt. Der vergnügliche Weg sind Frauen, der schnellste Weg zur Ruine ist tatsächlich das Glücksspiel, aber der sicherste Weg, der sicherste Weg zur Ruine, ist es, mehr Ingenieure einzustellen. Also muss man erstens sicherstellen, dass man in der Vision zwischen dem zu lösenden Problem und all der Raffinesse, die in der quantitativen Modellierung angewendet wird, übereinstimmt. Das ist das Erste. Und übrigens, genau deshalb pflegen wir bei Lokad, viele Materialien auf unserer Website, auf YouTube und an vielen anderen Stellen bereitzustellen, denn wir müssen dieses Verständnis der Probleme selbst kultivieren. Also, das Erste ist die Abstimmung zwischen Technik und Geschäft. Das Zweite ist, dass man Werkzeuge haben muss, die die Anzahl der täglichen Fußschüsse minimieren. Du weißt schon, “foot-gunning” bedeutet, dass man eine Waffe in der Hand hat und sich selbst in den Fuß schießt. Und buchstäblich neigen diese Dinge dazu, immer und immer wieder zu passieren, besonders wenn man anfängt, sich mit – ich würde sagen – ausgefallenen numerischen Rezepten zu beschäftigen. Was qualifiziere ich als ausgefallen? Es gibt nämlich viele Unternehmen, die sagen: “Oh, wir verwenden TensorFlow.” Ja, ausgezeichnet. Damit hat man nun 100 weitere Möglichkeiten erworben, sich selbst in den Fuß zu schießen.

Kieran Chandler: Okay, ich möchte dazu einhaken, Joannes, denn das ist ein sehr guter Punkt, den du da ansprichst. Wie minimiert man die Anzahl der täglichen Fußschüsse, weil es scheint, dass viele Unternehmen da draußen viele Waffen kaufen, um sich selbst in den Fuß zu schießen?

Joannes Vermorel: Ja, absolut. Und, weißt du, die Sache ist, ich denke, es gibt verschiedene Werkzeuge, um dieses Problem anzugehen. Aber eine Sache, die sehr wichtig ist, ist…

Kieran Chandler: Einige dieser Ansätze können außerordentlich kreativ sein und viele Überraschungen bereithalten. Also zuerst die geschäftliche Abstimmung, und dann muss man Werkzeuge haben, die per Design einen hohen Grad an Richtigkeit gewährleisten. Richtigkeit durch Design ist ein Gedanke, der bei Lokad sehr verbreitet ist.

Joannes Vermorel: Obwohl ich ein großer Verfechter von Bildung bin, glaube ich, dass es am besten ist, wenn es per Design erlaubt ist, Fehler zu machen. Wir stellen kluge Leute ein, aber auch kluge Menschen haben mal schlechte Tage oder schlafen hin und wieder nicht gut. Deshalb möchte man Werkzeuge haben, die verhindern, dass man absolut törichte, endgültige Fehler macht, und die einen dabei unterstützen, auch dann klüger zu handeln, wenn man zu müde ist, um es zu sein.

Kieran Chandler: Und vielleicht ist die dritte Idee, dass man viele Prozesse entwickeln muss.

Joannes Vermorel: Ja, zum Beispiel würde ich bei Lokad sagen, dass die Hälfte wirklich vom Know-how abhängt, wie man eine Initiative der Quantitative Supply Chain umsetzt. Wenn man davon spricht, “eine Initiative der Quantitative Supply Chain umsetzen”, bedeutet das beispielsweise, wie man am Ende mit numerischen Rezepten landet, die keine fatalen Probleme verursachen. Wenn ich von “terminal” spreche, meine ich etwas, das die Initiative endgültig zum Scheitern bringen würde, weil das Problem so groß ist, dass die Leute zu Recht entscheiden, dass es am besten ist, diese Initiative einzustellen.

Kieran Chandler: Also, welche Art von Problemen könntest du haben?

Joannes Vermorel: Numerische Rezepte können in so mancher Hinsicht schlecht sein. Sie können hinsichtlich der Varianz der Rechenzeit problematisch sein, wenn diese viel zu unberechenbar ist. Manchmal läuft das Programm eine Stunde, manchmal acht, und die Leute sind sich nicht genau sicher, warum. Das ist ein großes Problem. Es kann auch daran liegen, dass es ziemlich undurchsichtig ist. Dieser Blackbox-Effekt macht es sehr schwierig, etwas zu haben, das sowohl numerisch clever ist als auch nicht sofort eine Blackbox darstellt – selbst für den Supply Chain Scientist. Es kann auch Probleme mit der numerischen Stabilität geben, bei denen im Durchschnitt dein Rezept ausgezeichnet ist, aber in 0,1 % der Fälle völlig verrückt. Das schafft viele operative Probleme für die Unternehmen, weil die Kosten in der supply chain dazu neigen, sich in den Extremen zu konzentrieren. Wenn man annähernd richtig liegt, ist es in Ordnung, aber wenn man völlig verrückt ist, kann es buchstäblich zu einem großen operativen Problem führen, das eine Fabrik oder ein Lager lahmlegt.

Kieran Chandler: Lass uns ein wenig mehr über die supply chain Branche selbst sprechen. Wie oft hast du gesehen, dass Unternehmen in dieser Branche selbst numerische Rezepte implementieren, oder würdest du sagen, dass die Mehrheit der Menschen und Unternehmen immer noch in diesem klassischen, algorithmusbasierten Ansatz festsitzt?

Joannes Vermorel: Das Komische ist, dass die überwiegende Mehrheit der Unternehmen – buchstäblich alle – über Rezepte operiert. Dieses algorithmische Denken ist ein Rezept für irgendeine Art von Data Science Katastrophe, sodass es zwar viel Hype gibt, aber im Grunde genommen läuft in der Produktion nichts dergleichen. Letztlich operiert also jeder praktisch mittels numerischer Rezepte, und über 90 % des Marktanteils entfallen einfach auf Excel, obwohl die Leute diese verachten.

Kieran Chandler: Excel-Tabellen – und zu behaupten, es sei nur Excel – nein, es ist nicht nur Excel. Es verkörpert das Verständnis, wie man seine supply chain tatsächlich quantitativ modellieren sollte. Diese Excel-Tabellen sind buchstäblich die numerischen Rezepte, und sie sind die verfeinerte Version dieser Rezepte. In dieser Hinsicht ist das ganz gut. Wo es jedoch nicht so gut ist, ist, dass Tabellen – egal ob auf einem Desktop oder in einer Web-App, offline oder online – bzw. das tabellarische Denken an sich, nicht wirklich geeignet sind, supply chain Probleme zu lösen.

Joannes Vermorel: Meine große Kritik ist, dass die Werkzeuge unzureichend sind. Man kann nicht mit Unsicherheit umgehen, man kann nicht mit Kannibalisierung umgehen, man kann keine multi-echelon supply chain bewältigen. Es gibt so viele Probleme, die buchstäblich nicht in eine Tabelle passen, egal wie man diese aufbereitet. Meine Kritik ist nicht, dass das Problem mit Excel darin besteht, dass sie numerische Rezepte sind, die stark subjektiv sind und viel Engstirnigkeit beinhalten. Das ist nicht Teil des Problems; das ist buchstäblich ein Teil der Lösung. Meine Kritik ist, dass diese Werkzeuge in der Regel unzureichend sind. Heutige Unternehmen operieren mittels numerischer Rezepte, aber sie erkennen nicht an, dass dies etwas Gutes ist und dass es nicht verschwinden wird. Das ist buchstäblich ein sehr vernünftiger Ansatz, um supply chain Probleme anzugehen. Aber das Problem, mit dem sie konfrontiert sind, sind unzureichende Werkzeuge und häufig auch unzureichende Prozesse, wie zum Beispiel das Divide-and-Conquer-Problem, das wir mit Silos besprochen haben – bei dem Leute versuchen, auf der einen Seite Preise zu gestalten und auf der anderen Seite zu planen, obwohl es buchstäblich zwei Seiten derselben Medaille sind, wie in der letzten Episode besprochen. Numerische Rezepte werden bleiben, und meine Position ist, dass es buchstäblich die richtige Denkweise ist, wenn supply chain Probleme anstehen.

Kieran Chandler: Dann wollen wir das Ganze abschließen. Was ist die Hauptschlussfolgerung der heutigen Episode? Warum sind numerische Rezepte so wichtig und warum ist es so wichtig, diese Denkweise zu ändern?

Joannes Vermorel: Ich glaube, das liegt daran, dass numerische Rezepte die Verkörperung dieser anderen Denkweise sind, die besagt: “Es ist besser, annähernd richtig zu sein, als genau falsch.” Am Ende landet man mit Formeln, die keine reine Klarheit besitzen. Sie sind nicht wie elektromagnetische Gleichungen, bei denen es diese super ordentlich definierten Formeln gibt, die alles, was im Bereich der Elektromagnetismus geschieht, exakt beschreiben können. Sie sind unglaublich rein und präzise, aber supply chains sind nicht so. Numerische Rezepte in der supply chain werden aus Hunderten von halbzufälligen Bedingungen, Faktoren und Wendungen bestehen, damit das Ganze Sinn ergibt, also annähernd korrekt ist und nichts völlig Absurdes tut. Es sollte hochgradig vorhersehbar sein, sodass es nicht zu viele Überraschungen gibt – idealerweise sehr wenige Überraschungen in den numerischen Ausgaben deiner Rezepte. Und es sollte auch vielseitig sein, genau wie das Rezept eines großartigen Kochs.

Kieran Chandler: Ähm, du willst ein Dessert machen, weißt du was, ich werde dir heute nicht erlauben, Zucker zu verwenden.

Joannes Vermorel: Oh Mist, ich will ein Dessert machen. Wie soll ich ein Dessert ohne Zucker zubereiten? Das ist, weißt du, die Art von Sache, bei der man super agil sein muss. Damit, falls etwas fehlt, nur weil es seltsame Umstände gab, wie etwa eine Pandemie, man nicht feststeckt. Man findet einen Weg nach vorne. Und übrigens, das ist sehr interessant, denn diese Top-Chef-Shows stellen einen vor Herausforderungen, bei denen entweder die Zeit knapp ist – wenn du beispielsweise nur 30 Minuten hast, um etwas vorzubereiten, das normalerweise vier Stunden dauern würde –, oder dir die Zutaten fehlen, oder du dir Werkzeuge fehlen – oder du generell knapp bist. Und dennoch musst du einen Weg finden. Das ist, wie ich glaube, genau das, worin diese Rezepte bestehen. Ich meine, du hast seltsame Zwänge, die sich im Laufe der Zeit ändern. Es ist eine Situation, die mit einem gewissen Maß an Überraschung einhergeht.

Der echte Koch ist derjenige, der buchstäblich improvisieren kann. Aber wenn man genau hinschaut, wird deutlich, dass es eine Methode dahinter gibt, und genau das unterscheidet einen großartigen Koch. Der großartige Koch ist nicht jemand, der willkürlich handelt, wenn eine Zutat fehlt oder unter einer sehr knappen Zeitvorgabe steht. Man sieht deutlich, dass buchstäblich ein Jahrzehnt an Erfahrung darin steckt, wie man mit diesem Chaos umgeht. Es gibt eine Methode, und genau solche Dinge pflegen wir bei Lokad.

Kieran Chandler: Okay, wir müssen hier Schluss machen, aber ich finde, diese Analogie eines Top-Kochs ist wirklich kraftvoll und definitiv etwas, womit wir uns in diesem Büro identifizieren können. Wir haben viele Fans hier. Das war also alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Danke fürs Zuschauen.