Numerische Rezepte für die Supply Chain

00:00:07 Supply Chain Science und die Erstellung von numerischen Rezepten.
00:03:21 Der Unterschied zwischen Algorithmen und numerischen Rezepten.
00:05:21 Erläuterung, warum numerische Rezepte besser geeignet sind, um komplexe Probleme in Lieferketten im Vergleich zu Algorithmen zu lösen.
00:06:00 Diskussion darüber, wie Algorithmen in Softwareunternehmen vorhanden sind und welche Gefahr darin besteht, eine verzerrte Sicht auf reale Probleme zu haben.
00:07:48 Vergleich der Optimierung einer einzelnen Schraube in einer Maschine mit dem großen Problem der Lieferketten.
00:08:02 Diskussion über die Bedeutung von numerischen Rezepten bei der Lösung von Problemen in der Lieferkette.
00:08:54 Vergleich von Algorithmen und numerischen Rezepten in Bezug auf Objektivität.
00:09:44 Erläuterung, wie die Subjektivität von numerischen Rezepten die Expertise eines Supply Chain Scientists unerlässlich macht.
00:13:02 Die Bedeutung der Ausrichtung der Lösung auf das Problem und der Minimierung des Potenzials für Fehler.
00:15:52 Diskussion über die Notwendigkeit von Prozessen und Werkzeugen zur Vermeidung von Fehlern und zur Verbesserung der Qualität der Lösung.
00:17:16 Erläuterung der Probleme, die bei numerischen Rezepten auftreten können.
00:18:07 Diskussion darüber, wie Unternehmen in der Lieferkettenbranche mithilfe von numerischen Rezepten arbeiten.
00:20:01 Kritik daran, dass die Werkzeuge zur Lösung von Problemen in der Lieferkette unzureichend sind.
00:22:00 Die Bedeutung von numerischen Rezepten, um in Problemen der Lieferkette annähernd richtig und agil zu sein.

Zusammenfassung

In einem Interview diskutiert Joannes Vermorel, der Gründer von Lokad, das Konzept der numerischen Rezepte in der Optimierung der Lieferkette. Er argumentiert, dass Algorithmen und Maschinelles Lernen den falschen Eindruck von Objektivität und klar definierten Grenzen zwischen Problemen und Lösungen vermitteln können, und dass numerische Rezepte einen besseren Ansatz darstellen, um mit der komplexen und sich ständig verändernden Natur realer Probleme in der Lieferkette umzugehen. Vermorel betont die Bedeutung von Ausrichtung, Korrektheit durch Design und guten Werkzeugen, um Fehler zu vermeiden und den Erfolg bei der Optimierung der Lieferkette zu gewährleisten. Er ist der Meinung, dass numerische Rezepte für den Erfolg in der unberechenbaren Welt der Lieferketten unerlässlich sind.

Erweiterte Zusammenfassung

In diesem Interview diskutieren Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, das Konzept der numerischen Rezepte in der Optimierung der Lieferkette. Vermorel erklärt, dass er den Begriff aus einem erfolgreichen Buch namens “Numerical Recipes” entlehnt hat, das in den 1980er Jahren veröffentlicht wurde und eine einzigartige Perspektive auf die Problemlösung bietet.

Er betont, dass die Problemlösung im Supply Chain Management nicht so einfach ist wie die klare Definition von Problem und Lösung. Stattdessen kann die Art der verwendeten Lösung das Problem formen, wobei Kompromisse und Rückkopplungsschleifen zwischen ihnen bestehen. Vermorel ist der Meinung, dass der Begriff “numerische Rezepte” eine bessere Beschreibung für die in der Optimierung der Lieferkette verwendeten Ansätze ist, da er die inhärente Komplexität und Anpassungsfähigkeit dieser Lösungen anerkennt.

Vermorel erklärt, dass Algorithmen, maschinelles Lernen und andere Begriffe den falschen Eindruck von Objektivität und klar definierten Grenzen zwischen Problemen und Lösungen vermitteln können. In der Praxis stellen reale Lieferketten jedoch komplexere, “schlammige” Situationen dar. Er stellt die Klarheit von Sortieralgorithmen, die klare Problemstellungen und mathematische Eigenschaften haben, der Mehrdeutigkeit von Lieferkettenproblemen gegenüber, die oft Verhandlungen, sich ändernde Bedingungen und andere realweltliche Faktoren beinhalten.

Beispielsweise sind Mindestbestellmengen (MOQs) in Lieferketten nicht wie physikalische Gesetze festgelegt, sondern das Ergebnis von Verhandlungen mit Lieferanten. Wenn sich eine MOQ als problematisch erweist, könnte ein Unternehmen möglicherweise eine günstigere Vereinbarung aushandeln. Ein intelligentes numerisches Rezept würde diese realen Optionen erfassen und somit einen geeigneteren Ansatz zur Bewältigung von Lieferkettenproblemen bieten als traditionelle Algorithmen.

Obwohl Lokad viele Algorithmen in seinem Software-Stack verwendet, argumentiert Vermorel, dass sich allein auf Algorithmen zu verlassen zu einem verzerrten Verständnis von realen Lieferkettenproblemen führen kann, insbesondere für Personen mit formaler Ausbildung in Informatik oder Softwaretechnik. Dies liegt daran, dass traditionelle Algorithmen oft besser für klar definierte Probleme mit eindeutigen Ergebnissen geeignet sind, während numerische Rezepte anpassungsfähiger sind und besser zur komplexen, sich ständig ändernden Natur von Lieferketten passen.

Vermorel ist der Meinung, dass das Konzept der numerischen Rezepte eine angemessenere Bezeichnung für die in der Optimierung der Lieferkette verwendeten Methoden ist, aufgrund ihrer Anpassungsfähigkeit und ihrer Fähigkeit, mit der Komplexität und Mehrdeutigkeit von realen Lieferkettenproblemen umzugehen. Dieser Ansatz erkennt die Bedeutung von Kompromissen und Rückkopplungsschleifen zwischen Problemen und Lösungen an und ermöglicht ein nuancierteres Verständnis des Supply Chain Managements.

Sie diskutierten die Herausforderungen der Optimierung der Lieferkette und die Rolle der Supply Chain Scientists bei der Erstellung von numerischen Rezepten. Vermorel erklärt, dass trotz jahrzehntelanger Forschung Sortieralgorithmen für die Optimierung der Lieferkette immer noch Vor- und Nachteile haben. Er verwendet die Metapher einer komplexen Maschine, bei der selbst wenn eine einzelne Komponente optimiert ist, dies nicht die Effizienz des gesamten Systems garantiert.

Vermorel weist darauf hin, dass reale Lieferkettenprobleme oft numerische Rezepte erfordern, anstelle von streng definierten Algorithmen. Diese Rezepte werden von Supply Chain Scientists erstellt, deren Fachkenntnisse eine wichtige Rolle bei der Entwicklung von Lösungen spielen. Obwohl Algorithmen objektiv sind und auf Mathematik basieren, erkennt Vermorel an, 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 Situationen, in denen Entscheidungen aufgrund einzigartiger Situationen getroffen werden müssen, für die es keine früheren Beispiele in der Verkaufshistorie gibt. Vermorel vergleicht dies mit der Kochkunst, bei der Köche unterschiedlicher Fähigkeiten Gerichte kreieren, die zwar stark subjektiv sein können, aber dennoch als ausgezeichnet oder mangelhaft angesehen werden.

Bei der Diskussion der Herausforderung, Qualität bei verschiedenen Kunden und Branchen aufrechtzuerhalten, erkennt Vermorel an, dass es mehrere Aspekte zu berücksichtigen gibt. Ein wichtiger Aspekt besteht darin, sicherzustellen, dass die Ingenieure das Geschäft nicht verraten, da sie möglicherweise versucht sind, Formeln zu erstellen, die anspruchsvoll erscheinen, aber das zugrunde liegende Problem nicht lösen.

Vermorel betont die Bedeutung der Übereinstimmung zwischen dem zu lösenden Problem und der angewandten quantitativen Modellierung sowie einer Werkzeugausstattung, die die Anzahl der täglichen Fußfehler minimiert. Er betont, dass eine korrekte Gestaltung entscheidend ist, um schwerwiegende Fehler zu vermeiden und sicherzustellen, dass auch wenn Menschen zu müde sind, um klug zu sein, sie dennoch kluge Entscheidungen treffen können. Vermorel erwähnt auch, dass die Hälfte des Erfolgs von Lokad darauf zurückzuführen ist, wie man eine quantitative Supply Chain-Initiative umsetzt.

Vermorel hebt hervor, dass Unternehmen in der Supply Chain-Branche mit numerischen Rezepten arbeiten, aber viele immer noch auf klassische algorithmusbasierte Ansätze zurückgreifen. Er stellt fest, dass während Tabellenkalkulationen die Verkörperung des Verständnisses dafür sind, wie man die Supply Chain modelliert, sie nicht geeignet sind, um mit Unsicherheit oder mehrstufigen Lieferketten umzugehen. Vermorel kritisiert die Werkzeugausstattung und sagt, dass sie unzureichend und stark subjektiv ist und viele enge numerische Rezepte enthält. Er ist der Meinung, dass Unternehmen viele Prozesse entwickeln müssen, um numerische Stabilitätsprobleme zu verhindern, die eine Fabrik oder ein Lagerhaus stilllegen können.

Insgesamt betont Vermorel die Bedeutung von Übereinstimmung, korrekter Gestaltung und guter Werkzeugausstattung, um Fehler zu vermeiden und den Erfolg bei der Optimierung der Supply Chain zu gewährleisten. Er hebt auch die Grenzen von Tabellenkalkulationen hervor und die Notwendigkeit einer besseren Werkzeugausstattung, um mit Unsicherheit und mehrstufigen Lieferketten umzugehen.

Er argumentiert, dass Unternehmen heutzutage mit numerischen Rezepten arbeiten, aber häufig auf unzureichende Werkzeugausstattung und Prozesse stoßen, wie Silos. Vermorel ist der Meinung, dass numerische Rezepte bleiben werden und die richtige Denkweise sind, wenn es um Supply Chain-Probleme geht. Er erklärt, dass numerische Rezepte Formeln sind, die keine Reinheit haben und nicht wie elektromagnetische Gleichungen sind, die unglaublich rein und präzise sind. Lieferketten sind komplex und erfordern Hunderte von halb zufälligen Bedingungen und Faktoren, um Sinn zu ergeben. Vermorel betont die Bedeutung von etwas, das vielseitig wie ein Rezept sein kann und mit sich ändernden Bedingungen umgehen kann. Er vergleicht dies mit Spitzenköchen, die improvisieren und sich an fehlende Zutaten, kurze Zeitpläne und sich ändernde Einschränkungen anpassen können, aber es gibt immer eine Methode in ihrem Wahnsinn. Vermorel erklärt, dass sie bei Lokad eine Methode entwickeln, um mit dem Chaos der Lieferketten umzugehen. Das Hauptfazit der Episode ist, dass numerische Rezepte unerlässlich sind, weil sie das Denken verkörpern, dass es besser ist, ungefähr richtig zu sein als genau falsch, was in der unberechenbaren Welt der Lieferketten entscheidend ist. Zusammenfassend argumentiert Vermorel, dass ein vielseitiges numerisches Rezept, das mit sich ändernden Bedingungen und Einschränkungen umgehen kann, der Schlüssel zum Erfolg in der Supply Chain-Branche ist.

Vollständiges Transkript

Kieran Chandler: Hey, ähnlich wie ein Spitzenkoch mit Michelin-Stern muss ein Supply Chain Scientist Rezepte erstellen, die sich an jede Situation anpassen und weiterentwickeln. Deshalb werden wir heute untersuchen, was es braucht, um diese Rezepte zu erstellen, und insbesondere, was diejenigen auszeichnet, die wir in unseren Lieferketten verwenden. Also, Joannes, wir haben diesen Begriff “numerische Rezepte” schon ein paar Mal verwendet. Warum war es dir wichtig, darauf zurückzukommen?

Joannes Vermorel: Diesen Begriff habe ich von Leuten aus den 80er Jahren gestohlen, die ein unglaublich erfolgreiches Buch namens “Numerical Recipes” geschrieben haben. Es betonte eine bestimmte Art, das Problem zu betrachten. Sie sehen, es gibt diese Vorstellung, dass man normalerweise ein Problem und eine Lösung hat, aber die Realität ist nicht so einfach. Die Art der Lösung, die man hat, formt buchstäblich das Problem, und es gibt ein Hin und Her zwischen ihnen. Es gibt einen Kompromiss in der Art und Weise, wie man sein Problem angehen möchte, abhängig von der Art und Weise, wie man seine Lösung angeht.

Die Schlüsselidee besteht darin, numerische Ergebnisse für Unternehmen zu liefern, die tatsächliche Lieferketten betreiben. Das Problem bei anderen Begriffen wie der Verwendung von Algorithmen oder maschinellem Lernen besteht darin, dass dies etwas völlig Objektives und klar Definiertes betont, bei dem man das Problem und die Lösung hat und dann für dasselbe Problem konkurrierende Lösungen haben kann. Aber die Realität ist, dass, wenn man Ergebnisse für eine tatsächliche Lieferkette liefern möchte, das Ganze viel unklarer ist. Es handelt sich um einen sehr zufälligen Prozess mit vielen Hindernissen auf dem Weg. Am Ende erhält man ein numerisches Rezept, das die Kette numerischer Berechnungen zur Erzielung der Ergebnisse beschreibt.

Kieran Chandler: Warum wäre etwas wie ein Algorithmus nicht geeignet, um das zu beschreiben? Was fehlt einem Algorithmus?

Joannes Vermorel: Ich verwende den Begriff “Rezept” genau deshalb, um zu sagen, dass dies kein Algorithmus ist. Für diejenigen mit einem Hintergrund in Informatik oder maschinellem Lernen haben Sie in Ihren Lehrbüchern und Kursen über Algorithmen gelernt. Betrachten wir das Archetyp des Algorithmus, den Sortieralgorithmus. Sie haben eine Sammlung von Objekten mit einer Ordnungsbeziehung, und Sie können sie mit einer klar definierten Reihe von Schritten sortieren. Am Ende ist die Sammlung sortiert, und Ihr Algorithmus hat Eigenschaften wie Speicherverbrauch und Komplexität.

Es gibt verschiedene Sortieralgorithmen mit unterschiedlichen Eigenschaften. Einige sind deterministisch, einige sind stochastisch, und einige sind sehr gut, wenn die Daten bereits teilweise sortiert sind. Aber das Problem ist, wenn es um die Optimierung der Lieferkette geht, brauchen wir etwas Anpassungsfähigeres und Flexibleres, wie ein numerisches Rezept, anstelle eines starren Algorithmus.

Kieran Chandler: Der Sortieralgorithmus ist eine sehr klare Situation, in der Sie eine Problemstellung haben, die völlig eindeutig ist. Sie möchten also eine Sammlung von Elementen sortieren, gegeben eine Ordnungsbeziehung, es hat mathematische Klarheit. Im Gegensatz dazu, wenn Sie über die Art von Problemen nachdenken, die Sie in tatsächlichen Lieferkettensituationen lösen müssen, ist es sehr unklar. Ich meine, Sie haben Mindestbestellmengen, aber Mindestbestellmengen sind nicht wie die Gesetze der Physik; sie sind eher das Ergebnis einer Verhandlung mit Ihren Lieferanten. Wenn also numerisch eine Mindestbestellmenge wirklich ein Problem darstellt, können Sie vielleicht tatsächlich einen Anruf bei einem Lieferanten tätigen und etwas arrangieren, das dazwischen liegt. Sie sehen also, vielleicht erfasst ein intelligentes numerisches Rezept diese Art von Option, die in der realen Welt existiert, aber plötzlich hat es nicht diese Art von kristallklarer Reinheit.

Joannes Vermorel: Genau. Ich meine, bei Lokad verwenden wir, machen Sie sich keine Illusionen, Tonnen von Algorithmen, wie es jedes seriöse oder halbseriöse Softwareunternehmen gibt. Der Lokad-Stack ist buchstäblich eine sehr lange Reihe von Algorithmen. Da wir Lokad um eine domänenspezifische Programmiersprache namens Envision entwickelt haben, ist unser Compiler wie eine endlose Reihe von Algorithmen, die das Skript selbst in abstrakte Darstellungen transformieren, bis hin zur Ausführungsreihenfolge für das kompilierte Programm, das ausgeführt werden muss, usw. Also, Algorithmen sind überall.

Die Gefahr hierbei ist, dass es, genau wie der naive Reduktionismus, keine Gefahr für das ungebildete Publikum darstellt. Wenn Sie das Privileg haben, nie einen Master in Informatik abgeschlossen zu haben oder kein professioneller Softwareingenieur sind, ist dies wahrscheinlich nicht die Art von Problem, mit der Sie konfrontiert werden. Aber das Problem ist, dass, wenn Sie in diesen Dingen sehr gebildet sind, das, was Sie in den Klassen gelernt haben und was Sie in den meisten Informatikbüchern lesen, Ihnen eine sehr verzerrte Vorstellung davon gibt, wie Probleme für echte Lieferketten wirklich aussehen.

Algorithmen sind sehr nützlich, und es ist gut, dass Lokad auf eine Sammlung von Sortieralgorithmen zurückgreifen kann, die Vor- und Nachteile haben und dank jahrzehntelanger Forschung eine umfassende Zuordnung aller verschiedenen Dimensionen für dieses winzige Problem ermöglichen. Aber es ist nur das, es ist wie wenn Sie eine sehr komplexe Maschine haben und Perfektion für ein winziges Zahnrad erreichen. Ja, wenn Sie sich eine Schraube ansehen und sagen würden: “Welches ist das optimale Metall für die Schraube?” Und weil Sie ein Problem haben, das so gut definiert, so eng ist, könnten Sie eine Antwort haben, die besagt, dass Sie genau diesen Stahltyp für diese Schraube verwenden müssen, weil er in Bezug auf alle Einschränkungen vollkommen optimal ist.

Kieran Chandler: Also, Joannes, lassen Sie uns über die Optimierung der Lieferkette sprechen. Ist es wirklich möglich, die optimale Lösung für eine Lieferkette zu finden?

Joannes Vermorel: Das ist eine gute Frage, Kieran. Sie können einige Teile Ihrer Lieferkette optimieren, aber es reicht nicht aus, die Schraube am richtigen Ort in der Maschine zu haben, um das große Problem zu lösen. Sie müssen jedes Detail Ihres massiven Setups berücksichtigen, und wenn Sie alles zusammenfügen, ergibt es wirklich Sinn. Wenn Sie in die reale Welt gehen, um Lieferkettenprobleme zu lösen, enden Sie mit numerischen Rezepten anstelle von Algorithmen. Die Betonung und Einstellung der Person, die das Ding erstellt, sind nicht dieselben.

Kieran Chandler: Ich verstehe. Lassen Sie uns ein wenig mehr über die tatsächliche Person sprechen, die diese numerischen Rezepte erstellt. Wie sehr sind Sie auf ihre Fähigkeiten und Expertise angewiesen?

Joannes Vermorel: Ziemlich viel, tatsächlich. Das ist etwas, das nicht vernachlässigt werden sollte. Wenn Sie sich einen Algorithmus ansehen, würden Sie sagen, er ist völlig objektiv, ein mathematisches Framework mit Beweis und klar definiert. Algorithmen sind ein Zweig der Mathematik, ein Höhepunkt der Objektivität. Aber Subjektivität existiert auch in der Mathematik sehr. Wenn wir zu numerischen Rezepten gehen, besteht die Idee darin, alles zu objektivieren, aber ich glaube, es ist ein weiterer Fall von naivem Rationalismus. Die Realität ist zu komplex, um in irgendein mathematisches Framework zu passen, von dem wir wissen.

Kieran Chandler: Ich verstehe, was Sie meinen. Gibt es also Situationen, in denen Sie Entscheidungen treffen müssen?

Joannes Vermorel: Ja, es gibt viele Situationen, in denen Sie Entscheidungen treffen müssen. Zum Beispiel, wie gehen Sie mit einer entdeckten Situation aus der Perspektive der Lieferkette um, wenn Sie keine vorherigen Beispiele in Ihrer Verkaufshistorie haben? Irgendwann müssen Sie eine Entscheidung treffen, die diese bizarre Situation berücksichtigt. Es gibt keine Alternative, als einen klugen Lieferkettenwissenschaftler zu haben, der ein gutes Verständnis dafür hat, was tatsächlich in der Lieferkette passiert, und diese Entscheidungen zu treffen.

Kieran Chandler: Also, ich denke, es gibt eine Entscheidung, wie diese Dinge numerisch im System reflektiert werden sollten. Und das ist einfach wie, wissen Sie, dieses Koch-Metapher, irgendwann, wissen Sie, es liegt nicht daran, dass die Wahl der Art und Weise, wie Sie Ihr genaues Rezept machen, super, super subjektiv ist, dass Sie am Ende des Tages keinen schlechten Koch auf der einen Seite und einen unglaublichen, wissen Sie, Koch mit unglaublichen Talenten auf der anderen Seite haben. Auch wenn Sie keine klaren Regeln definieren können, die Ihnen helfen, die guten von den schlechten zu unterscheiden, gibt es klarerweise dennoch Extreme. Und Menschen, die in gewissem Maße gebildet sind, können eine Entscheidung darüber treffen, wer ein großartiger Koch ist und wer ein schlechter Koch ist. Und die Extreme sind ziemlich offensichtlich. Und wenn Sie alle Nuancen dazwischen haben möchten, müssen Sie wahrscheinlich selbst mehr Fähigkeiten haben und sich mit der Kochkunst und dem Kochen auskennen. Aber sehen Sie, das ist, das ist ziemlich rational, so vorzugehen. Okay, bleiben wir also bei der Low-Carb-Küche.

Joannes Vermorel: Ähm, also ich meine, es gibt so viele Aspekte der Diskussion. Und zuerst müssen Sie sicherstellen, dass Sie das Geschäft nicht verraten. Die größte Gefahr, wenn Sie ein intelligentes Ingenieur vor ein Problem stellen, besteht darin, dass der Ingenieur aufgrund seiner Ausbildung immer eine Formel findet, die sehr tiefgründig und sehr wissenschaftlich aussieht. Und noch einmal, wissen Sie, ich glaube, es gibt ein Sprichwort, das besagt, dass es einen freien Weg zum Ruin gibt. Der angenehmste Weg ist das Glücksspiel, der schnellste Weg zum Ruin ist tatsächlich das Glücksspiel, aber der sicherste Weg, der sicherste Weg zum Ruin ist die Einstellung von mehr Ingenieuren. Also, zuerst müssen Sie sicherstellen, dass Sie eine Übereinstimmung in Bezug auf die Vision zwischen dem zu lösenden Problem und all der Raffinesse haben, die in der quantitativen Modellierung angewendet wird. Das ist das Erste. Und übrigens, deshalb pflegen wir bei Lokad viele Materialien auf unserer Website, auf YouTube, an vielen Orten, weil wir dieses Verständnis der Probleme selbst pflegen müssen. Also, das Erste ist die Übereinstimmung zwischen Technik und Geschäft. Das Zweite ist, dass Sie eine Werkzeugausstattung benötigen, die die Menge an täglichem Fußball minimiert. Fußball ist einfach, Sie haben eine Waffe in der Hand und schießen sich in den Fuß. Und wörtlich gesagt, diese Dinge passieren immer wieder, besonders wenn Sie mit, würde ich sagen, ausgefallenen numerischen Rezepten umgehen. Was qualifiziere ich als ausgefallen? Ich meine, es gibt viele Unternehmen, die sagen: “Oh, wir verwenden TensorFlow.” Ja, ausgezeichnet. Jetzt haben Sie gerade 100 weitere Möglichkeiten erworben, sich in den Fuß zu schießen.

Kieran Chandler: Okay, ich werde da einsteigen, Joannes, weil das ein sehr guter Punkt ist, den Sie da ansprechen. Wie minimieren Sie die Menge an täglichem Fußball, denn es scheint, dass viele Unternehmen da draußen viele Waffen kaufen, um sich selbst in den Fuß zu schießen?

Joannes Vermorel: Ja, absolut. Und wissen Sie, das Ding ist, ich denke, es gibt verschiedene Arten von Werkzeugen, um dieses Problem anzugehen. Aber eine Sache, die sehr wichtig ist, ist, dass

Kieran Chandler: Einige dieser Wege können äußerst kreativ sein und viele Überraschungen mit sich bringen. Also, zuerst Geschäftsabstimmung und dann müssen Sie Werkzeuge haben, die Ihnen von Design her ein hohes Maß an Korrektheit bieten. Korrektheit durch Design ist etwas, das beim Denken bei Lokad sehr verbreitet ist.

Joannes Vermorel: Obwohl ich ein großer Verfechter von Bildung bin, glaube ich, dass es am besten ist, wenn Menschen von Design aus Fehler machen dürfen. Wir stellen kluge Leute ein, aber selbst kluge Leute haben schlechte Tage oder schlafen ab und zu nicht sehr gut. Sie möchten also Werkzeuge haben, die Sie daran hindern, super dumme Terminalfehler zu machen, damit sie Sie unterstützen, klüger zu sein, auch wenn Sie zu müde sind, um klug zu sein.

Kieran Chandler: Und vielleicht ist die dritte Idee, dass Sie viele Prozesse entwickeln müssen.

Joannes Vermorel: Ja, zum Beispiel bei Lokad würde ich sagen, dass die Hälfte davon wirklich das Know-how ist, wie man eine quantitative Supply-Chain-Initiative umsetzt. Wenn Sie sagen “eine quantitative Supply-Chain-Initiative umsetzen”, bedeutet das zum Beispiel, wie Sie numerische Rezepte erhalten, die keine terminalen Probleme haben. Mit terminal meine ich etwas, das die Initiative einfach zum Scheitern bringen würde, weil das Problem so groß ist, dass die Leute zu Recht entscheiden, dass das Beenden dieser Initiative der beste Weg nach vorne ist.

Kieran Chandler: Also, welche Art von Problemen könnten Sie haben?

Joannes Vermorel: Die numerischen Rezepte können in vielerlei Hinsicht schlecht sein. Sie können schlecht sein in Bezug auf die Varianz der Berechnungszeit, wo sie viel zu unbeständig ist. Manchmal führen Sie das Ding aus und es dauert eine Stunde, manchmal acht, und die Leute sind sich nicht genau sicher, warum. Das ist ein großes Problem. Es kann auch schlecht sein, weil es ziemlich undurchsichtig ist. Dieser Black-Box-Effekt ist sehr schwierig zu haben, etwas, das sowohl numerisch klug als auch keine unmittelbare Black Box ist, auch für die Supply-Chain-Wissenschaftler selbst. Sie können auch numerische Stabilitätsprobleme haben, bei denen Ihr Rezept im Durchschnitt ausgezeichnet ist, aber in 0,1% der Fälle völlig verrückt ist. Das schafft viele operative Probleme für die Unternehmen, weil die Kosten für die Supply Chain tendenziell auf das Extreme konzentriert sind. Wenn Sie ungefähr richtig liegen, ist das in Ordnung, aber wenn Sie völlig verrückt sind, können Sie buchstäblich ein großes operatives Problem haben, das eine Fabrik oder ein Lager stilllegt.

Kieran Chandler: Sprechen wir ein wenig mehr über die Supply-Chain-Branche selbst. Wie oft haben Sie gesehen, dass Unternehmen in dieser Branche selbst numerische Rezepte implementieren, oder würden Sie sagen, dass die Mehrheit der Menschen und Unternehmen immer noch in diesem klassischen algorithmusbasierten Ansatz stecken?

Joannes Vermorel: Das Lustige ist, dass die überwiegende Mehrheit der Unternehmen, ich meine, buchstäblich alle, durch Rezepte arbeitet. Dieses algorithmische Denken ist ein Rezept für irgendeine Art von Datenwissenschaft Katastrophe, also gibt es tatsächlich viel Hype, aber es gibt praktisch nichts in der Produktion. Also, jeder arbeitet in der Praxis mit numerischen Rezepten, und mehr als 90% des Marktanteils sind einfach Excel, aber die Leute schauen auf diejenigen herab.

Kieran Chandler: Excel-Tabellen, sagen sie, es ist nur Excel, nein, es ist nicht nur Excel. Es ist die Verkörperung des Verständnisses, wie Sie Ihre Supply Chain quantitativ modellieren sollten. Diese Excel-Tabellen sind buchstäblich die numerischen Rezepte, und sie sind die verfeinerte Version dieser Rezepte. In dieser Hinsicht ist es ziemlich gut. Wo es nicht so gut ist, ist, dass die Tabellenkalkulationen im Allgemeinen keine Rolle spielen, ob es sich um eine Tabellenkalkulation auf einem Desktop oder in einer Webanwendung, offline oder online handelt. Eine Tabellenkalkulation oder das tabellarische Denken ist nicht gerade geeignet, um Supply-Chain-Probleme zu lösen.

Joannes Vermorel: Meine große Kritik ist, dass die Werkzeuge unzureichend sind. Sie können nicht mit Unsicherheit umgehen, Sie können nicht mit Kannibalisierung umgehen, Sie können nicht mit einer mehrstufigen Supply Chain umgehen. Es gibt so viele Probleme, die buchstäblich nicht in eine Tabelle passen, egal wie Sie die Tabelle verpacken. Meine Kritik ist nicht, dass das Problem bei Tabellenkalkulationen liegt, sondern dass sie numerische Rezepte sind, die sehr subjektiv sind und viel Engstirnigkeit beinhalten. Dies ist nicht Teil des Problems; dies ist buchstäblich Teil der Lösung für das Problem. Meine Kritik ist, dass diese Werkzeuge in der Regel unzureichend sind. Heutige Unternehmen arbeiten mit numerischen Rezepten, aber sie erkennen nicht an, dass dies eine gute Sache ist, und dass dies nicht verschwinden wird. Dies ist buchstäblich ein sehr vernünftiger Vorschlag zur Lösung von Supply-Chain-Problemen. Aber das Problem, dem sie gegenüberstehen, sind unzureichende Werkzeuge und häufig unzureichende Prozesse, wie zum Beispiel das Teilen und Erobern-Problem, das wir mit Silos diskutiert haben, bei dem Menschen versuchen können, auf der einen Seite mit der Preisgestaltung umzugehen und auf der anderen Seite mit der Planung, während es buchstäblich die zwei Seiten derselben Medaille sind, wie im letzten Beitrag besprochen. Numerische Rezepte sind hier, um zu bleiben, und meine Position ist, dass dies buchstäblich die richtige Denkweise ist, wenn es um Supply-Chain-Probleme geht.

Kieran Chandler: Dann werden wir langsam zum Ende kommen. Was ist das Hauptfazit der heutigen Folge? Warum sind numerische Rezepte so wichtig und warum ist es so wichtig, diese Denkweise zu ändern?

Joannes Vermorel: Ich glaube, es liegt daran, dass numerische Rezepte die Verkörperung dieser anderen Denkweise sind, die besagt: “Es ist besser, ungefähr richtig zu sein als genau falsch.” Sie werden Formeln haben, die keine Reinheit haben. Sie sind nicht wie elektromagnetische Gleichungen, bei denen Sie diese super sauber definierten Gleichungen haben, die alles definieren können, was in Bezug auf Elektromagnetismus passiert. Es ist unglaublich rein und eng, aber Supply Chains sind nicht so. Supply Chain numerische Rezepte werden Hunderte von halb zufälligen Bedingungen, Faktoren und Wendungen haben, damit das Ganze Sinn ergibt, damit das Ganze ungefähr richtig ist und nichts völlig Verrücktes tut. Es sollte hoch vorhersehbar sein, damit Sie nicht zu viele Überraschungen haben, idealerweise sehr wenig Überraschung in den numerischen Ausgaben Ihrer Rezepte. Und es sollte auch vielseitig sein, genau wie ein großartiges Rezept eines Kochs.

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

Joannes Vermorel: Oh Mist, ich möchte ein Dessert machen. Wie soll ich ein Dessert ohne Zucker machen? Das ist, weißt du, die Art von Situation, für die du super agil sein musst. Wenn also etwas fehlt, nur weil du seltsame Bedingungen hattest, wie eine Pandemie, steckst du nicht fest. Du hast einen Weg nach vorne. Und übrigens, das ist sehr interessant, weil diese Top-Chef-Shows Ihnen Herausforderungen geben, bei denen entweder die Zeit knapp ist, wissen Sie, wenn Sie nur 30 Minuten Zeit haben, um etwas vorzubereiten, was normalerweise vier Stunden dauern würde, oder Ihnen fehlen Zutaten oder Werkzeuge oder Sie sind einfach allgemein knapp. Und dennoch müssen Sie einen Weg nach vorne finden. Das ist, wiederum, was ich glaube, wie diese Rezepte aussehen. Ich meine, Sie haben seltsame Einschränkungen, die sich im Laufe der Zeit ändern. Es ist eine Situation, die mit einem gewissen Überraschungsgrad einhergeht.

Der wahre Koch ist derjenige, der buchstäblich improvisieren kann. Aber wenn man genau hinschaut, zeigen diese Shows, dass es eine Methode gibt, und das ist es, was einen großartigen Koch auszeichnet. Ein großartiger Koch ist nicht jemand, der zufällige Dinge tut, wenn ihm eine Zutat fehlt oder wenn er sehr wenig Zeit hat. Man kann wirklich sehen, dass es buchstäblich ein Jahrzehnt Erfahrung darin gibt, mit diesem Durcheinander umzugehen. Es gibt eine Methode dafür, und das ist genau das, was wir bei Lokad kultivieren.

Kieran Chandler: Okay, wir müssen hier abschließen, aber ich denke, diese Analogie eines Top-Kochs ist wirklich kraftvoll und definitiv etwas, mit dem wir uns hier im Büro identifizieren können. Wir haben viele Fans hier. Das ist also alles für diese Woche. Vielen Dank fürs Zuschauen und wir sehen uns in der nächsten Folge wieder. Danke fürs Zuschauen.