Die Quantitative Supply Chain kurzgefasst - Vorlesung 1.2

00:10 Einführung
02:23 Wie? Supply chain lectures
04:22 Das Manifest der die Quantitative Supply Chain
06:47 Alle möglichen Zukünfte
17:01 Alle realisierbaren Entscheidungen
21:52 Ökonomische Treiber
30:42 Robotisierung
35:41 Supply Chain Scientists
40:22 Von der Vision zur Realität
41:56 Der Mythos der supply chain maturity
45:30 Abschließend
46:13 Fragen aus dem Publikum

Beschreibung

Das Manifest der die Quantitative Supply Chain betont eine kurze Reihe prägnanter Punkte, um zu verstehen, wie diese alternative Theorie, die von Lokad vorgeschlagen und vorangetrieben wurde, sich von der Mainstream supply chain theory unterscheidet. Man könnte es folgendermaßen zusammenfassen: Jede einzelne Entscheidung wird anhand aller possible futures gemäß den economic drivers bewertet. Diese Perspektive entwickelte sich allmählich bei Lokad als die Mainstream supply chain theory, und ihre Umsetzung durch (fast?) alle software vendors bleibt eine Herausforderung.

Gesamtes Transkript

Hallo zusammen, willkommen zu den Supply Chain Lectures. Ich bin Joannes Vermorel, und heute präsentiere ich „die Quantitative Supply Chain in a Nutshell.“ Für diejenigen unter euch, die den Stream live verfolgen, könnt ihr jederzeit eure Fragen über den YouTube-Chat stellen. Ich werde die Fragen während der Vorlesung nicht vorlesen; allerdings werde ich am Ende der Vorlesung in den Chat zurückgehen, mit den obersten Fragen beginnen und mein Bestes geben. Also, lasst uns fortfahren.

Ich beginne mit einem Zitat eines der ehemaligen französischen Präsidenten, der sagte, dass es drei Wege zum Reichtum gebe: Der schnellste sei das Glücksspiel, der angenehmste der Umgang mit Frauen, aber der sicherste sei mit Technikern. Offensichtlich wählen wir in dieser Vorlesungsreihe die dritte Option. Ich glaube, dass in diesem Zitat ein Körnchen Weisheit liegt. Technik ist ein mächtiges Mittel, um mehr von bestimmten Dingen zu erreichen und in bestimmten Bereichen besser zu werden, kann aber auch ziemlich ablenkend sein. Mit Technikern meinte er nicht nur Personen, die sich mit technischen Angelegenheiten beschäftigen, wie Ingenieure, sondern auch diejenigen, die sich mit Prozessen und workflows befassen, also den MBA-artigen technischen Details.

Wenn wir uns supply chain Herausforderungen stellen, müssen wir sehr darauf achten, ob das, was wir einbringen, dazu beiträgt, die Kernprobleme zu lösen, oder ob es nur eine Wohlfühl-Ablenkung ist.

Für die heutige Vorlesung werde ich leider etwas zur Überzeugungsarbeit tendieren. Die Herausforderung besteht darin, dass man, wenn man ein Problem definiert, beweisen kann, dass man eine Lösung hat, die diesem Problem überlegen ist. Aber kann man überhaupt beweisen, dass man zunächst ein überlegenes Problem hat? Das ist intellektuell weitaus anspruchsvoller.

Einer der Hauptkritikpunkte, den ich in der vorherigen Vorlesung angesprochen habe, ist, dass supply chain im Kern ein sogenanntes Wicked Problem ist. Daher ist die Art und Weise, wie wir es betrachten müssen, schwierig. Heute werde ich versuchen, eine Reihe von Anforderungen vorzustellen, von denen ich glaube, dass sie wesentlich sind, wenn wir überhaupt hoffen wollen, etwas Zufriedenstellendes für supply chain zu liefern. Allerdings kann ich nicht wirklich beweisen, dass eines der Elemente, die ich präsentiere, tatsächlich notwendig ist. Es gibt einen Glaubensaspekt sowie einen Aspekt des tiefgreifenden Verständnisses. Ein weiterer Aspekt des Glaubens ist, dass, solange man keine Lösung vorweisen kann, die den Anforderungen entspricht, alles nur Wunschdenken ist. Daher bitte ich euch, euren Unglauben für ein oder zwei weitere Vorlesungen ruhen zu lassen, damit wir uns auf das Wesen des Problems und die Elemente konzentrieren, die für eine Lösung, die für eine gute supply chain Praxis in Frage kommt, äußerst wünschenswert sind.

Also, lasst uns fortfahren. Vor einigen Jahren hatte Lokad bereits seinen relativ untypischen Weg etabliert, seine eigenen Kunden zu bedienen. Ende 2016 beschloss ich, eine kurze Reihe prägnanter Punkte zu konsolidieren, die sich meines Erachtens deutlich von der Mainstream supply chain theory abheben. Ich wollte diese fünf Punkte nutzen, um zu zeigen, wie die die Quantitative Supply Chain von der Mainstream supply chain theory abweicht. Ich entschuldige mich für die etwas unglückliche Terminologie, denn auch die Mainstream supply chain theory ist sehr quantitativ, aber ich habe mich entschieden, ein weiteres Adjektiv hinzuzufügen, um den Unterschied zwischen der quantitativen supply chain theory und der Mainstream supply chain theory zu verdeutlichen.

Diese Elemente, die ich aufzählen werde, sind nicht genau grundlegend; sie sind eher wie eine Checkliste von Dingen, die wir angehen müssen, wenn wir überhaupt die Hoffnung haben wollen, erfolgreich zu sein. Diese Elemente umfassen:

1. Alle möglichen Zukünfte: Wir müssen viele Zukünfte betrachten, nicht nur eine einzige.
2. Alle realisierbaren Entscheidungen: Als ich die Definition von supply chain als die Beherrschung der Optionalität einführte, bezog ich mich mit diesen Entscheidungen auf die Optionen.
3. Ökonomische Treiber: Die Idee, dass wir den Dollarwert des Fehlers zählen, und nicht den Prozentsatz des Fehlers.
4. Robotisierung als Voraussetzung für das Management-Control: Es mag paradox erscheinen, weil man denken könnte, dass Robotisierung Kontrollverlust bedeutet, aber die These besagt, dass es genau umgekehrt ist – man braucht Robotisierung, wenn man will, dass Menschen in Bezug auf supply chains überhaupt die Kontrolle behalten.
5. Supply Chain Scientist: Am Ende der Umsetzung sollte es eine Person geben, die die Verantwortung für die numerischen Ergebnisse der supply chain oder die quantitative Performance der supply chain trägt.

Schauen wir uns jeden dieser fünf Punkte genauer an.

Zunächst einmal besteht die Idee darin, dass wir alle möglichen Zukünfte betrachten müssen. Warum müssen wir überhaupt in die Zukunft blicken? Wir müssen in die Zukunft schauen, weil alles Zeit braucht. Wir können nicht alles sofort im 3D-Druck herstellen, und selbst wenn wir könnten, müssten wir die Dinge trotzdem transportieren. Also braucht alles Zeit, was bedeutet, dass wann immer man eine supply chain decision trifft, wie die Entscheidung, etwas zu produzieren oder zu kaufen, man dies tut, weil man vorausblickt und einen zukünftigen Marktzustand antizipiert, in dem es irgendeine Art von Nachfrage nach diesen Produkten geben wird. Anschließend arbeitet man rückwärts und erstellt eine Art Prognose, um die supply chain entsprechend zu optimieren.

Wir müssen diesen vorausschauenden Blick und diese Prognosen haben, die lediglich den mathematischen Unterton der Intuition darstellen. Aber von welchen Prognosen sprechen wir? Die Prognosen, die in der supply chain Praxis während des 20. Jahrhunderts und des ersten Teils des 21. Jahrhunderts völlig dominierten, sind die klassischen time series–Prognosen, die meiner Meinung nach in mehrfacher Hinsicht zutiefst fehlerhaft sind. Der erste Punkt ist, dass dieser Ansatz die Idee der Unsicherheit völlig außer Acht lässt. Meine These ist, dass Unsicherheit völlig irreduzierbar ist, und wann immer man sich mit supply chains beschäftigt, kann die Zukunft niemals perfekt prognostiziert werden. Die Vorstellung, dass man eine 99% forecast accuracy erreichen könne, ist Unsinn. Selbst wenn man den Wasser- oder Stromverbrauch betrachtet, ist es sehr herausfordernd, Prognosen mit diesem Genauigkeitsgrad zu erzielen.

Wenn man supply chains realistisch betrachtet und beispielsweise an ein Produkt in einem Geschäft denkt, das pro Woche nur eine Einheit eines bestimmten Produkts verkauft, gibt es keine Hoffnung, jemals eine Genauigkeit unter einem Prozent zu erreichen. Die Frage ergibt überhaupt keinen Sinn. Also ist Unsicherheit irreduzierbar. Wenn wir einen stärkeren Beweis dafür haben wollten, schaut man nur auf das Jahr 2020. Wir hatten eine massive weltweite Pandemie, die in supply chains überall Chaos verursachte. Es ist schlichtweg nicht möglich, derartige Dinge aus einer klassischen Perspektive, in der man eine Zahl hat und sagt: “Das ist es, das ist die Zukunft.”, vorherzusagen.

Stattdessen kann man probabilistische Prognosen nutzen. Die Idee ist, dass alle Zukünfte möglich sind, aber sie sind einfach nicht gleich wahrscheinlich. Das ist das Wesen der probabilistischen Prognose. Es bedeutet, dass man eine statistische Methode haben kann, die, anstatt vorzutäuschen, die perfekte Prognose dafür zu haben, wie sich die Dinge in der Zukunft genau entwickeln werden, einfach sagt: “Ich habe all diese möglichen Zukünfte; einige sind wahrscheinlicher als andere.” Dieser Ansatz beinhaltet die irreduzible Unsicherheit. In vielen Situationen, in denen man mir sagt, “Du kannst das nicht prognostizieren.”, lautet die Antwort: “Doch, das kann ich.” Ich kann euch keine korrekte klassische Prognose liefern, aber ich kann sicherlich eine perfekte probabilistische Prognose liefern.

Ein extremes Beispiel hierfür wären Lottoscheine. Ich kann die exakten Quoten ermitteln, dass irgendein bestimmter Schein der Gewinner ist. Ich weiß nicht, welcher gewinnen wird, aber wenn das Spiel nicht manipuliert ist, kann ich eine perfekte probabilistische Prognose erstellen, die die einheitlichen Wahrscheinlichkeiten für alle Scheine widerspiegelt. Genau das bedeutet eine probabilistische Prognose; es heißt, dass man anerkennt, dass, obwohl man die Zukunft nicht perfekt kennt, man viel über die Zukunft weiß. Wenn wir sagen, dass wir Wahrscheinlichkeiten haben, wissen wir vieles. Zum Beispiel kann ich sagen, dass zu jedem Zeitpunkt ein Tail Risk für eine massive disruption im Markt besteht. Ich weiß nicht genau, woher das Risiko kommen wird; vielleicht wird es eine Pandemie sein, ein Börsencrash, ein Krieg oder ein neuer Zoll, wie ihn Präsident Trump eingeführt hat. Es kann vieles sein, was eure supply chain stört, und wenn ich das Tail Risk zu irgendeinem Zeitpunkt für irgendeine supply chain beurteilen müsste, läge es bei mehreren Prozent für einen massiven Einbruch im nächsten Quartal. Nochmals, es ist keine Magie; es ist lediglich eine sehr vernünftige Annahme über die Zukunft. Mit den richtigen statistischen Werkzeugen kann man etwas viel Ausgefeilteres haben. Alle Bereiche, die unsicher sind, erfordern eine Prognose, und zwar eine probabilistische Prognose. Die Nachfrage ist nicht der einzige Bereich, der eine Prognose benötigt. Zum Beispiel erfordern alle Bereiche, in denen es Unsicherheiten gibt, eine Prognose.

Dies könnte die Prognose der zukünftigen Nachfrage beinhalten, aber auch zukünftiger lead times, zukünftige Rückläufe im E-Commerce, unsichere Produktionsausbeuten in primären Produktionsquellen wie Bergbau oder Landwirtschaft, probabilistische Ausfall- oder Ausschussraten in der Qualitätskontrolle für biologische Prozesse sowie Reparaturen von Teilen. Es gibt eine große Vielfalt an Bereichen, in denen Unsicherheit herrscht, und all diese Bereiche verdienen eine Prognose. Eine gute supply chain Praxis besteht darin, die Notwendigkeit anzuerkennen, an alle möglichen Zukünfte mit ihren jeweiligen Wahrscheinlichkeiten zu denken, indem man all die Dinge betrachtet, die prognostiziert werden müssen. Es geht nicht nur um die Nachfrage.

Zum Beispiel können wir auch Dinge wie Rohstoffpreise betrachten. Offensichtlich, wenn man den zukünftigen Preis eines Rohstoffs genau vorhersagen könnte, würde man einfach an der Börse spekulieren und keine echte supply chain betreiben. Allerdings sind manche Rohstoffe preislich viel volatiler als andere, was bedeutet, dass das Risiko, das man beim Umgang mit diesen Rohstoffen trägt, mit den richtigen Modellen optimiert werden kann, wenn man probabilistische Prognosen als Werkzeug in seinem Arsenal hat.

Ein weiteres Element ist, dass es nicht nur um eure eigenen möglichen Zukünfte geht; all diese möglichen Zukünfte sind nicht unabhängig voneinander. Sie weisen starke Abhängigkeiten auf, und genau hier fehlt der Mainstream supply chain theory wirklich etwas. Man betrachtet die Nachfrageprognose, als ob sie völlig unabhängig von allen anderen Ereignissen in der supply chain wäre. Sogar bis heute kommen noch Interessenten zu mir und fragen, ob Lokad für ein bestimmtes Produkt eine 12-monatige Prognose erstellen kann.

Zum Beispiel, nehmen wir an, wir beschäftigen uns mit einer Sportmarke, und sie fragen nach einem Tracking-Rucksack. Können wir vorhersagen, wie hoch die Nachfrage in den nächsten 12 Monaten sein wird? Meine grundsätzliche Antwort lautet: “Es kommt darauf an.” Wenn man nur einen Rucksack verkauft, hat man vielleicht eine gewisse Nachfrage. Aber wenn man plötzlich beschließt, sein Sortiment stark zu erweitern und zehn weitere Varianten desselben Rucksacks mit nahezu gleichem Preis, Größe und Eigenschaften einzuführen – plus oder minus ein paar Taschen und Gadgets – wird sich die Nachfrage nicht um den Faktor zehn vervielfachen, nur weil man zehn sehr ähnliche Produkte eingeführt hat. Dennoch, wenn man die klassische Prognoseperspektive betrachtet, gäbe es nichts, was das Prognosemodell daran hindern würde, die Nachfragezahlen radikal zu erhöhen, wenn man einfach die Anzahl der zu prognostizierenden Produkte erhöht. Das ergibt also keinen Sinn, und genau deshalb haben wir diese Zukünfte. Sie sind nicht nur durch unregelmäßige Unsicherheit gekennzeichnet, sondern auch durch die Abhängigkeiten, die zwischen ihnen bestehen. Wir müssen Werkzeuge haben, die in der Lage sind, all diese Veränderungen zu erfassen.

Abschließend lässt sich sagen, dass Prognosen unerlässlich sind, wenn wir überhaupt hoffen wollen, etwas zu optimieren, einfach weil wir vorausblicken müssen. Allerdings müssen wir im Hinterkopf behalten, dass es sich dabei lediglich um fundierte Vermutungen über die Zukunft handelt.

Sie sind nicht real, in dem Sinne, dass die Qualität eurer Prognose keine direkten Konsequenzen für eure supply chain hat. In vielen Unternehmen konzentrieren sich die Leute intensiv darauf, die Prognose zu verbessern, aber meine Frage ist: Mit welchem Ziel? Wenn ihr denkt, dass die Optimierung der Prognose sofort zu einer besseren supply chain performance führt, dann ist mein Vorschlag an euch, dass dies eine Illusion ist. Es ist nicht wahr, nicht einmal annähernd.

Das Einzige, was eine supply chain tatsächlich verbessert, sind die Entscheidungen, die einen greifbaren, physischen Einfluss auf die supply chain haben. Mit Entscheidungen meine ich Dinge wie den Kauf einer zusätzlichen Einheit von einem Lieferanten, das Verlegen einer Einheit Lagerbestand von einem Standort zu einem anderen oder die Erhöhung oder Senkung des Preises für ein Produkt, das ihr verkauft. Diese Maßnahmen haben reale, greifbare Konsequenzen für das Unternehmen.

Im Gegenteil, Prognosen sind lediglich fundierte Meinungen über die Zukunft. Es ist besser, eine detailliertere Vorstellung davon zu haben, wie die Zukunft aussehen wird, aber das Einzige, was wirklich zählt, sind die Entscheidungen. Mein Vorschlag an Sie ist, dass sich die supply chain Praxis vollkommen auf die Generierung dieser Entscheidungen ausrichten sollte, da dies das Einzige ist, was zählt. Die Vorstellung, man könne etwas wie eine Prognose- oder Planungsabteilung haben, ist weitgehend fehlgeleitet. Prognosen dienen nur dazu, Ihre Vermutungen zu schärfen, wenn es darum geht, bessere Entscheidungen zu treffen.

Es ist sehr gefährlich und fehlgeleitet, den Prognoseteil von der Optimierung der Entscheidungen zu trennen. Übrigens, wenn ich von machbaren Entscheidungen spreche, meine ich, dass diese allen physischen Beschränkungen, die in der supply chain vorhanden sind, entsprechen sollten. Jede supply chain weist Nichtlinearitäten auf – überall. Zum Beispiel können Mindestbestellmengen, maximaler Regalplatz in einem Geschäft sowie maximale Volumen- oder Gewichtskapazitäten in einem Container oder truck existieren. Es kann auch subtilere Nichtlinearitäten geben, etwa durch Verfallsdaten oder die Tatsache, dass bestimmte Luftfahrtkomponenten mit Flugstunden und Flugzyklen ausgeliefert werden, was planmäßige Wartungen erforderlich macht.

Es kann allerlei Probleme geben, wie dass manche Waren, zum Beispiel im Frischwarenbereich, nicht im selben truck transportiert werden können. Oder es werden zumindest spezielle trucks benötigt, weil sie nicht bei derselben Temperatur transportiert werden können. Entweder benötigt man mehrere Abteile oder mehrere trucks. Es gibt zahllose Beschränkungen, die machbare Entscheidungen einschränken.

Was meine ich unter machbaren Entscheidungen? Ich betone diesen Begriff, weil es keinen Sinn macht zu sagen, dass die ideale Menge, um einen Laden aufzufüllen, 1,3 Einheiten eines Produkts beträgt. Das ist keine machbare Entscheidung; es wird entweder eine Einheit oder zwei sein, aber 1,3 geht nicht. Man benötigt etwas, das aus einer ganz alltäglichen Perspektive sofort umsetzbar ist – und genau das bezeichnet Machbarkeit.

Wenn wir jede einzelne machbare Entscheidung und alle möglichen Zukunftsszenarien betrachten, stellt sich die Frage: Wie bewerten wir, welche Entscheidung die richtige ist?

Wir müssen die wirtschaftlichen Treiber berücksichtigen. Die Idee ist, dass Fehlerprozentsätze keine Rolle spielen; nur Dollar an Fehlern und Belohnungen zählen. Es herrscht die große Illusion, dass, wenn man Prozentsätze optimiert, man tatsächlich etwas Gutes für das Unternehmen erreicht. Das ist nicht wahr; ich glaube, es ist zutiefst fehlgeleitet.

Wenn Sie ein Beispiel möchten, betrachten Sie service levels. Was bedeutet es, einen extrem hohen service level zu haben? Ich höre häufig von Interessenten, dass sie einen 99% service level wünschen. Wir können das zwar liefern, aber man muss dann verrückt lagern, was zu immensen Abschreibungen im Inventar und katastrophaler Rentabilität führt. Es ist ein Kompromiss – und nicht irgendein Kompromiss, sondern ein wirtschaftlicher Kompromiss. Schon bei etwas so Einfachem wie dem service level besteht ein Abwägen zwischen den cost of inventory auf der einen Seite und den stock-outs auf der anderen.

Die Idee ist, dass wir, wenn wir einen Schritt zurückgehen und diese wirtschaftlichen Treiber für jede einzelne Entscheidung betrachten, das Ergebnis bewerten können. Wir können eine Entscheidung nehmen und für ein mögliches Zukunftsszenario das Ergebnis dieser Entscheidung ermitteln. So lassen sich die Resultate in Dollar messen, indem wir die wirtschaftlichen Treiber heranziehen.

Was meine ich mit wirtschaftlichen Treibern? Ich meine all jene Einflussfaktoren, die die Leistung Ihres Unternehmens bestimmen. Der erste Kreis von Treibern ist sehr einfach – Dinge, die Sie in Ihren Buchhaltungsunterlagen finden, wie Materialkosten, Verkaufspreise, Lagerhaltungskosten, Transportkosten und Umwandlungskosten. All diese Kosten müssen aufaddiert und dann von Ihrem Verkaufspreis subtrahiert werden, um Ihr Kostenbudget zu berechnen. Das sind die Treiber des ersten Kreises, die ganz offensichtlichen, die Sie buchstäblich in Ihrem ERP oder Ihrer Buchhaltungssoftware finden.

Allein diese Kosten sind jedoch nicht ausreichend. Betrachtet man sie isoliert, erhält man eine sehr kurzsichtige Finanzperspektive. Es ist notwendig, den zweiten Kreis wirtschaftlicher Treiber einzubeziehen, jene, die in Ihrem System – zumindest nicht explizit – nicht existieren. Dies sind typischerweise die Effekte zweiter Ordnung Ihrer supply chain-Entscheidungen. Zum Beispiel gibt es meistens bei einem stock-out keine direkte Strafe. Vielleicht, wenn Sie als große Marke an ein großes Einzelhandelsnetz wie Walmart verkaufen, verfügen Sie über eine service level-Vereinbarung mit Strafzahlungen, falls bestimmte Ziele nicht erreicht werden – aber das ist eher selten. Selbst wenn Strafen existieren, spiegeln sie nicht automatisch die tatsächlichen Kosten wider, die Sie Ihren Kunden auferlegen.

Die Idee ist, dass wir Treiber benötigen, die die sekundären Konsequenzen Ihrer Handlungen repräsentieren – sowohl positive, wie das Erzeugen zusätzlicher Kunden loyalty, als auch negative, wie das Hervorrufen von Illoyalität und einem Anreiz für Ihre Kunden, sich anderweitig umzusehen. Dies ist offensichtlich abhängig vom jeweiligen Problem. Zum Beispiel kostet es eine Modemarke, die am Saisonende Rabatte gewährt, mehr als nur den unmittelbaren Verlust des rabattierten Dollars. Sie schaffen eine Gewohnheit bei Ihren Kunden, die im nächsten Jahr denselben Rabatt erwarten. Dies veranschaulicht sowohl die kurzfristigen als auch die langfristigen Effekte beim Aufbau von Gewohnheiten und Erwartungen in Ihrer Kundenbasis – genau das meine ich, wenn ich von den wirtschaftlichen Treibern des zweiten Kreises spreche.

Wird die finanzielle Optimierung richtig durchgeführt, ist sie nicht kurzsichtig. Wenn Sie jedoch eine naive finanzielle Optimierung betreiben, landen Sie in einem Haufen Unsinn – was für jedes naive Rezept im Umgang mit supply chains gilt. Wirtschaftliche Optimierung ist unerlässlich, denn ohne sie haben Sie nicht einmal ein Ziel für Ihre Optimierung. Die Idee, Prozentsätze zu optimieren, funktioniert nicht; Sie möchten Dollar optimieren. Haben Sie nicht all diese Dollar an Belohnung und Kosten unter einem einzigen Dach zusammengeführt, gibt es aus quantitativer Sicht nichts zu optimieren – und genau das ist der Fokus dieser Vortragsreihe.

Wir benötigen diese Dollar, sonst können wir nicht einmal mit der Optimierung beginnen. Mein Vorschlag an Sie ist: Wenn Ihr Unternehmen noch keinen einheitlichen finanziellen Rahmen zur Steuerung seiner supply chain Optimierung etabliert hat, hat es noch gar nicht richtig begonnen. Wenn Sie Dutzende von Teams haben, die sich mit Prozentsätzen, service levels und anderen nicht-monetären Kennzahlen beschäftigen, ist das eine Illusion von Leistung. Nur Dollar zählen – Dollar, Euro oder Yen – aber Sie benötigen einen monetären Maßstab.

Diese wirtschaftlichen Treiber haben einen weiteren, sehr wichtigen Zweck, der häufig übersehen wird. Der erste Zweck besteht darin, die numerische Optimierung auf rein mechanische Weise voranzutreiben. Der zweite Zweck dieser Treiber ist es, White-Boxing zu ermöglichen, auf das ich in einem späteren Vortrag zurückkommen werde. Die Idee ist, dass wir für jede einzelne Entscheidung alle möglichen Zukunftsszenarien betrachten, die wirtschaftliche Leistung der Entscheidung bestimmen, die wirtschaftlichen Ergebnisse über alle möglichen Zukunftsszenarien mitteln und dann alle Entscheidungen vomjenigen mit der höchsten Kapitalrendite (ROI) bis zu demjenigen mit der niedrigsten sortieren. Offensichtlich wollen wir damit aufhören, Entscheidungen zu treffen, wenn keine Rentabilität mehr besteht. Wir brauchen jedoch eine Art Transparenz und ein Verständnis dafür, warum wir gerade diese Entscheidungen gegenüber anderen treffen. Hier erweisen sich diese wirtschaftlichen Treiber als äußerst wertvoll, da sie uns das „Warum“ hinter jeder von einem System, einer Praxis oder einer Software generierten Entscheidung erklären können.

Die Idee ist, dass Sie mithilfe wirtschaftlicher Treiber jede einzelne Entscheidung betrachten und einige wichtige Leistungs-indicators (KPIs) in Dollar ausgedrückt erhalten, die erklären, warum diese Entscheidung tatsächlich gut ist. Umgekehrt können Sie bei einer nicht getroffenen Entscheidung die Treiber heranziehen und bewerten, warum sie keine gute Entscheidung darstellt.

Mit diesen drei Bausteinen haben wir alles, was es braucht, um die Praxis zu starten. Wir betrachten alle möglichen Zukunftsszenarien, alle möglichen Entscheidungen und stellen jede Entscheidung allen möglichen Zukunftsszenarien gegenüber, bewerten sie in Dollar und ordnen sie.

Um dies real und effektiv zu gestalten, ist die dafür notwendige Denkweise eine vollständige End-to-End-Robotisierung. Der Grund, warum Sie eine vollständige End-to-End-Robotisierung benötigen, besteht darin, das Management wieder unter Kontrolle zu bringen. Das mag zunächst seltsam klingen, denn wenn Sie robotisieren, wie soll dann überhaupt jemand die Kontrolle behalten? Es hat mit der Natur von supply chains zu tun, die sehr komplexe, verteilte Systeme sind mit vielen Standorten, Produkten, Kunden, Softwarekomponenten, Personen und Fahrzeugen.

Die Alternative zu einem robotisierten Prozess, der all jene Entscheidungen generiert, die täglich getroffen werden müssen, besteht darin, eine Armee von Mitarbeitern zu beschäftigen, die ein Meer von Tabellenkalkulationen verwenden. Das Problem ist, dass, wenn Sie eine Armee von Mitarbeitern managen, jede Änderung in Ihrer supply chain sechs Monate braucht, um sich durchzusetzen, weil Sie mit zahlreichen Personen zu tun haben, die umgeschult werden müssen und deren Verständnis der neuen Strategie und Regeln Sie überprüfen müssen.

Robotisierung bedeutet, dass, wenn Sie ein durchgängiges numerisches Rezept implementieren können, das all diese alltäglichen Entscheidungen generiert, Sie diese Verzögerung vermeiden können. Ich spreche von all den alltäglichen Entscheidungen – nicht von Entscheidungen wie, ob man in einem Land ein neues Werk eröffnen oder einen neuen Markt für das Unternehmen erschließen sollte. Diese Entscheidungen treffen Sie nicht täglich, sondern nur ein paar Mal im Jahr, und es ist völlig in Ordnung, wenn viele Leute darüber nachdenken. Aber für jede einzelne SKU, die Sie in Ihrer supply chain haben, gibt es ein halbes Dutzend Entscheidungen, die jeden Tag getroffen werden müssen. Soll ich mehr produzieren? Soll ich mehr beschaffen? Soll ich den Bestand, den ich irgendwo habe, verlagern? Soll ich den Preis erhöhen oder senken? Soll ich überhaupt diesen Bestand loswerden, der keinem Zweck dient und nur Platz in meinem Lager oder Geschäft wegnimmt? Allein die Entscheidung, nichts zu tun, wenn Sie eine SKU haben und sich entscheiden, heute nichts Bestimmtes zu tun, ist bereits eine Entscheidung. Angesichts des Ausmaßes, in dem modern supply chains operieren, glaube ich, dass man End-to-End-Robotisierung benötigt, wenn man auch nur hoffen will, agil zu sein.

Es gibt auch einen weiteren wesentlichen Aspekt, nämlich dass es entscheidend ist, End-to-End-Robotisierung zu haben, wenn wir jemals etwas Kapitalistisches und Genaues erreichen wollen. Das wird Thema meines nächsten Vortrags sein, aber die Kurzfassung lautet: Sie sollten Ihre supply chain-Abteilung nicht als Betriebsausgaben (OPEX) behandeln. Stattdessen sollten Sie Ihre supply chain-Investition als Investitionsausgabe (CAPEX) betrachten. Alle Anstrengungen, die Sie in die supply chain stecken, sollten exakt sein, und Sie möchten Ihre supply chain zu einem kapitalistischen Vermögenswert des Unternehmens machen. Der einzige Weg dazu führt über Robotisierung; andernfalls haben Sie nur eine Armee von Mitarbeitern, die Sie jeden Tag dafür bezahlen müssen, dass sie stets dasselbe tun.

Das führt mich zu der Frage, wer für die Robotisierung und die Software, die die administrativen Aufgaben anstelle einer Armee von Mitarbeitern übernimmt, verantwortlich sein sollte.

Wer sollte für diese numerischen Rezepte verantwortlich sein? Wer übernimmt die Verantwortung für diese Ergebnisse? Die klassische Antwort, „wir haben ein System, das System ist dafür verantwortlich“, halte ich für fehlgeleitet. Ein Stück Software – selbst wenn es sich um eine sehr teure Unternehmenssoftware handelt – ist niemals für etwas verantwortlich. Sie ist nicht selbstbewusst. Ungeachtet dessen, was man über KI sagt, sind wir noch nicht an diesem Punkt. Was wir haben, sind verherrlichte, ausgeklügelte numerische Rezepte, die bereits einen enormen Mehrwert für Ihr Unternehmen liefern können.

Jemand in Ihrem Unternehmen oder außerhalb Ihres Unternehmens muss die Verantwortung für die Qualität dieser numerischen Ergebnisse übernehmen, die Ihre supply chain ganz alltäglich steuern. Die Praxis, die wir bei Lokad vorangetrieben haben, ist die Idee des supply chain scientist. Das Konzept des supply chain scientist entstand aus meinen frühen Misserfolgen, als ich versuchte, das Problem mit Data Scientists zu lösen. Das Problem bei Data Scientists ist, dass ihr Engagement in den technischen Details liegt. Erinnern Sie sich an das erste Zitat, dass der sicherste Weg, etwas zu ruinieren, über Techniker führt? Genau diese Perspektive habe ich mittlerweile, wenn mir Menschen von Data Scientists berichten, die versuchen, supply chain-Probleme zu lösen. Es ist ein sehr kurzer Weg, bei dem nur sehr wenig Ungewissheit darüber besteht, wohin Sie steuern – und das heißt nicht, dass Sie am Ende der Reise großartige Ergebnisse erzielen werden. Der supply chain scientist ist die Person, die die Verantwortung für die Generierung realer Entscheidungen übernimmt, und diese Person muss auf die kleinsten Details Ihrer supply chain achten. Zum Beispiel: Wenn eines Ihrer Lager im letzten Jahr überflutet wurde und drei Wochen lang nichts durch dieses Lager floss, wodurch das seasonality Profil völlig verzerrt wurde, können Sie das nicht einfach als ein Detail abtun. Es stellt nicht die grundlegende Gültigkeit des mathematischen Modells in Frage. Aus der Sicht des supply chain scientist kommt es darauf an. Wenn ich für dieses Lager schlechte Entscheidungen treffe, weil ein betrieblicher Unfall in der Vergangenheit gravierende Verzerrungen in meinen historischen Daten verursacht hat, spielt das eine Rolle. All dies ist wichtig, gleich ob es Dollar an Belohnung oder Dollar an Kosten generiert.

Betrachtet man die Illustration mit zwei Arten von Gelehrten – Indiana Jones, der als Gelehrter und Forscher gilt, und Windle Poons aus den Werken von Terry Pratchett –, könnte die Realität dieser beiden fiktiven Charaktere nicht grundlegend unterschiedlicher sein. Der fundamentale Unterschied zwischen ihnen spiegelt im Wesentlichen den Unterschied zwischen einem supply chain scientist und einem Data Scientist wider. Als Lackmustest können Sie sich fragen: Ist dem CEO das wichtig? Wird der CEO des Unternehmens Sie als supply chain scientist bezüglich Ihrer Arbeit hinterfragen? Meine Erfahrung, Lokad über mehr als ein Jahrzehnt zu führen, zeigt, dass ich nun regelmäßig mit den CEOs und Aufsichtsräten meiner Kunden zusammentreffe und sie mir grundlegende Fragen zu ihrer supply chain und dazu stellen, wie wir Dollar an Rendite erzielen.

Die Fragen drehen sich nicht darum, ob wir Support Vector Machines oder Gradient Boosted Trees verwenden. Es geht vielmehr um den Weg, der sicherstellt, dass die supply chain ein wertvoller Vermögenswert ist, der den Rest des Marktes übertrumpfen kann.

Ich habe fünf Punkte als Anforderungen präsentiert, nicht als die tatsächliche Lösung des Problems. Sie sind lediglich eine Liste von Elementen, die, wenn sie nicht richtig berücksichtigt werden, bedeuten, dass Sie noch nicht wirklich damit begonnen haben, an etwas zu arbeiten, das die supply chain sinnvoll verbessern oder optimieren könnte – zumindest nicht in quantitativer Hinsicht. Es gibt viele nicht-quantitative Optimierungen, wie bessere Ausrüstung, bessere Einstellungsrichtlinien oder gut durchdachte finanzielle Anreize für Ihre Teams.

Es gibt einen vollständigen, detaillierten Plan der kommenden Vorlesungen auf der Lokad-Website unter lokad.com/lectures. Wir werden viele Themen abdecken, darunter verschiedene Perspektiven, Konzepte und Paradigmen, insbesondere in Bezug auf Programmiermethoden, -tools und -praktiken. Es gibt eine beträchtliche Menge an Material, das bearbeitet werden muss, und all diese Konzepte werden eingeführt, um die von mir zuvor präsentierten fünf Punkte zu erfüllen. Ohne diese wird der Ansatz einfach nicht funktionieren.

Um auf einen Nebenstrang einzugehen, haben einige Leute mich kritisiert, weil sie sagen, dass die von mir dargestellte Vision so anders sei als das, was sie derzeit tun. Sie behaupten, dass sie zu fortschrittlich sei und bevorzugen es, es langsam anzugehen und sich schrittweise zu verbessern, bevor sie die Quantitative Supply Chain in Betracht ziehen. Ich bin jedoch der Ansicht, dass dieser „krabbeln, gehen, rennen“-Ansatz ein Trugschluss ist. Fortschritt verläuft oft nicht inkrementell, sondern disruptiv. Zum Beispiel, als Amazon beschloss, ein Cloud-Computing-Anbieter zu werden, machten sie einen signifikanten Sprung vom Online-Buchverkauf hin zum Angebot bedarfsabhängiger Cloud-Computing-Ressourcen. Dies war keine sanfte, schrittweise Entwicklung; es war ein disruptiver Wandel.

Ebenso gibt es das berühmte Zitat von Henry Ford, der sagte, dass wenn er seine Kunden gefragt hätte, was sie wollten, sie um schnellere Pferde gebeten hätten. Der Punkt ist, dass, wenn wir die Vorstellung akzeptieren, dass die von mir aufgelisteten Anforderungen notwendig sind und die meisten Unternehmen das Problem nicht einmal aus der richtigen Perspektive betrachten, unser Ausgangspunkt bei den meisten Kunden darin besteht, dass fast niemand in diesem Bereich echte Reife besitzt. Es ist eine Illusion zu glauben, dass größere Unternehmen mit großen Abteilungen, die die falschen Kennzahlen optimieren, tatsächlich über eine echte Reife im supply chain management verfügen.

Meine Botschaft an das Publikum ist, sich nicht als unreif zu betrachten, nur weil Sie nicht das tun, was andere Unternehmen tun, insbesondere nicht hinsichtlich der Größe ihrer jeweiligen Bürokratien. Aus meiner Sicht sagt das sehr wenig über deren Effektivität aus. Die Unternehmen, bei denen ich die größte Reife beobachte, sind typischerweise kleine, agile, nordamerikanische E-Commerce-Unternehmen, die digital fokussiert sind. Sie verfügen vielleicht nicht über riesige Teams von Data Scientists, sondern haben stattdessen einige wenige Personen mit der richtigen Denkweise und passenden numerischen Rezepten.

Zusammenfassend habe ich Aspekte behandelt, die sich auf die Notwendigkeitsseite des Problems beziehen. In der nächsten Vorlesung werden wir beginnen, die Hinreichendkeitsseite des Problems zu betrachten, wobei wir uns auf unsere Problemstellung und die Lösung konzentrieren. Es ist jedoch entscheidend, mit der Problemstellung zu beginnen, da dies uns ermöglicht zu verstehen, ob die von uns präsentierte Lösung wertvoll ist oder lediglich eine Lösung, die ein Problem sucht.

Vielen Dank für Ihre heutige Zeit. Nun werde ich die Fragen beantworten.

Frage: Mir hat die subtile Dune-Referenz gefallen.

Ich freue mich, dass Ihnen die Dune-Referenz gefallen hat. Die Hauptfiguren im Buch besitzen die Fähigkeit, alle möglichen Zukünfte zu sehen, was ihnen überlegene strategische Fähigkeiten verleiht. Diese Metapher passt sehr gut zum supply chain management. Wenn Sie alle möglichen Zukünfte betrachten können, selbst wenn Sie nicht genau wissen, welche eintreten wird, verschafft Ihnen das einen erheblichen Vorteil gegenüber Wettbewerbern, die nur ein mögliches Ergebnis in Betracht ziehen.

Frage: Könnten Sie bitte näher auf die Second-Order-Treiber eingehen?

Wenn ich von “second order” spreche, meine ich damit Konsequenzen zweiter Ordnung. Im supply chain management befassen wir uns mit Menschen und komplexen Systemen, nicht nur mit einfachen physikalischen Systemen mit vorhersagbaren Verläufen. Menschen können sich anpassen, und wir müssen ihre Handlungen und Reaktionen berücksichtigen.

Zum Beispiel hatten wir in der Vergangenheit bei Lokad einen Kunden, für den wir spezifische Bestellmengen empfohlen haben. Wir stellten jedoch fest, dass der Kunde Bestellungen mit deutlich höheren Mengen aufgab, als wir empfohlen hatten. Es stellte sich heraus, dass, wenn der Kunde die Waren erhielt, die für den Wareneingang zuständigen Teams die Artikel nachzählten, um sicherzustellen, dass sie der ursprünglichen Bestellung entsprachen. Stimmte die gelieferte Menge nicht mit der Bestellung überein, wies ihr System eine eigentümliche Einschränkung auf: Entweder konnten sie die gesamte Bestellung stornieren und die Ware zurückschicken, was ihre Produktionslinie gefährdete. Was geschah, war, dass sie die Menge der ursprünglichen Bestellung so anpassten, dass sie der erhaltenen Menge entsprach. Im Laufe der Jahre hatten einige clevere Lieferanten diese einzigartige Eigenschaft des ERP-Systems entdeckt. Als sie sich dem Quartalsende näherten und ihre Ziele nicht erreicht hatten, wussten sie, dass sie dem Kunden beliebige Mengen aufdrängen konnten, den diese annahm und die Rechnung ohne Fragen oder Beanstandungen bezahlte.

Dies ist ein Beispiel für das, was ich als einen Second-Order-Effekt bezeichne. Sie haben einen scheinbar trivialen, alltäglichen Aspekt Ihres ERP-Systems, aber dann sind schlaue Menschen im Spiel, die das System austricksen. Das wird zwangsläufig passieren, wenn Menschen beteiligt sind, denn sie können denken und auf alles reagieren, was Sie tun. Die Idee der Konsequenzen zweiter Ordnung besagt, dass Sie die Folgen der Folgen berücksichtigen müssen. Es könnte sogar die vierte oder fünfte Ordnung sein – Sie müssen an die kaskadierenden Konsequenzen denken. Es ist ein anspruchsvolles intellektuelles Spiel, aber wenn Sie die Konsequenzen zweiter Ordnung nicht beachten, könnten Sie am Ende schlechte Entscheidungen treffen.

Was die wirtschaftlichen Treiber zweiter Ordnung betrifft, ist es essenziell, ihnen einen Geldwert zuzuordnen, auch wenn das schwierig sein kann. Der Schlüssel liegt darin, annähernd richtig zu liegen, anstatt exakt falsch zu liegen. Es ist besser, eine grobe Schätzung zu haben, die Sinn macht, als präzise Berechnungen, die in die Irre führen.

Frage: Welche Techniken werden bei der vollständigen Robotisierung eingesetzt?

Es gibt zahlreiche Techniken für die vollständige Robotisierung, die wir in den kommenden Vorlesungen über programming paradigms behandeln werden. Obwohl wir über Software sprechen, müssen wir die grundlegenden Designeigenschaften berücksichtigen, die für die Erreichung der Robotisierung am wünschenswertesten sind. Das primäre Ziel ist es, Produktionssoftware in Produktionsqualität zu erstellen, nicht unbedingt KI. Man kann keinen Null-Prozent-Vorhersagefehler erreichen, aber man kann auf Null-Prozent-Wahnsinn hinarbeiten.

Mit “Wahnsinn” meine ich etwas, das Ihr gesamtes Unternehmen gefährden würde. Zum Beispiel ging Target Canada aufgrund fehlgeschlagener supply chain optimization bankrott, und Nike stand 2004 vor einer Katastrophe, als eine ihrer supply chain software Lösungen, die ein Konkurrent von Lokad war, beinahe zum Zusammenbruch des Unternehmens führte. Zunächst werden wir dieses Thema in der nächsten Vorlesung behandeln, aber es wird uns etwas Zeit kosten, dorthin zu gelangen.

Frage: In Ihrer Prognose, wenn wir versuchen, so viele progressive Variablen einzubeziehen, müssten wir selbst Modelle entwickeln, und es könnte zu Simulationen werden. Haben Sie dazu Gedanken?

Es gibt keinen klaren Unterschied zwischen einer genauen Simulation der Zukunft und einer probabilistischen Vorhersage. Dies sind zwei verschiedene Varianten numerischer Rezepte, um die Zukunft zu erfassen. Wann immer Sie ein probabilistisches Vorhersagemodell haben, können Sie Trajektorien erzeugen, die die Zukunft repräsentieren. Sie nehmen Ihre Wahrscheinlichkeiten, ziehen eine Abweichung, erstellen eine fiktive Beobachtung, lernen Ihr Modell neu, rekonstruieren Ihre Wahrscheinlichkeiten und wiederholen den Vorgang. Die Grenze zwischen Simulation und statistischer Modellierung wird unscharf, besonders bei Modellen, die für supply chain Zwecke geeignet sind. In hohem Maße überlappen sie sich vollständig.

Frage: Sind die von Ihnen entwickelten Lösungen servicebasiert oder eine Kombination aus beidem? Was ist Ihre Meinung zu diesem Ansatz für die Zukunft der supply chain?

Bei Lokad verfolgen wir die Perspektive, die performance der supply chain in Dollar auszudrücken. In diesem Bereich gibt es eine immense Komplexität, und ebenso wie die Unsicherheit in der Vorhersage irreduzibel ist, ist die Komplexität irreduzibel, wenn man versucht, ein Softwareprodukt zu entwickeln, das alle Probleme gleichzeitig löst. Man benötigt eine Meta-Lösung für das Problem. Der bei Lokad verfolgte Ansatz besteht darin, den Bedarf an menschlicher Intelligenz anzuerkennen, insbesondere an Supply Chain Scientists. Ich halte es für unrealistisch zu glauben, dass KI die Herausforderungen einer modernen supply chain begreifen kann.

Wir benötigen intelligente, erfahrene Menschen mit den richtigen Fähigkeiten, um in ihren Aufgaben effektiv zu sein. Lokad hat ein Produkt entwickelt, dessen Ziel es ist, Supply Chain Scientists produktiv und höchst zuverlässig zu machen. Die Herausforderung besteht darin, die richtigen Werkzeuge für diese Supply Chain Scientists bereitzustellen. Zusammenfassend ist Python nicht die Lösung, und im weiteren Verlauf dieser Vorlesungen werden Sie feststellen, dass es tiefgreifende Probleme mit den meisten generischen Programmiersprachen gibt. Diese Designprobleme machen sie ungeeignet, supply chain-Probleme auf zufriedenstellende Weise anzugehen. Wir müssen ins Kleingedruckte gehen, denn es gibt viele Nuancen in dem, was ich unter “produktionsreif” und der “Produktionsbereitschaft” der Lösung verstehe. Denken Sie daran, das ist der Null-Prozent-Wahnsinn, den wir anstreben, denn solange Sie einen wahnsinnigen Roboter haben, der Ihre supply chain negativ beeinflusst, kann es einfach nicht funktionieren. Das ist es, was wir zuerst angehen müssen.

Frage: Oft erfordern quantitative Ansätze, dass wir quantifizieren, was noch nicht quantifiziert wurde oder was in Excel-Tabellen statt in ERP-Systemen lag. Was ist der effizienteste Weg, dieses Problem anzugehen? Wie kann diese zusätzliche Information erhoben werden, damit sie genauso zuverlässig ist wie Informationen aus ERP-Systemen?

Hier gibt es zwei unterschiedliche Probleme. Zum einen den Status Quo, bei dem das Problem der Quantifizierung von Erträgen und Fehlern darin besteht, dass es politisch sehr heikel ist. Viele Menschen in großen Organisationen haben starke Anreize, nicht über Dollar an Renditen oder Belohnungen zu sprechen, weil das Unternehmen sonst erkennen würde, dass sie keinen Mehrwert haben. Daher gibt es viele Dinge, die nicht quantifiziert werden, nur weil starke politische Kräfte dagegen wirken.

Um das zu verdeutlichen: Als Lokad anfing, für ein Einzelhandelsnetzwerk die Bestände in den Filialen zu optimieren, stellten wir fest, dass der Bestand zwei völlig unterschiedliche Zwecke erfüllte. Der erste Zweck war, die Kunden angemessen zu bedienen, wofür eine bestimmte Menge an Bestand erforderlich war. Der andere Zweck war, dass der Laden voll und ansprechend wirkte, wofür eine zusätzliche Menge an Bestand benötigt wurde. Wir hatten für diesen großen Einzelhändler einen Bestand, der in Euro ausgedrückt wurde, und sagten, dass die Hälfte des Bestands für den Service benötigt wird und von der supply chain getragen werden sollte, während die andere Hälfte für Merchandising-Zwecke erforderlich sei und in den Verantwortungsbereich des Marketings falle. Offensichtlich war das Marketing, das plötzlich eine massive Inventurlinie in seinem Budget hatte, mit dieser Idee nicht einverstanden.

Also müssen wir zunächst anerkennen, dass es sehr schwierig ist, Regeln für die Quantifizierung von Dollar an Belohnungen und Kosten aufzustellen, und diese Regeln sollten für alle gleichermaßen gelten. Das ist schwer zu erreichen, und viele Menschen in Organisationen haben ein Eigeninteresse daran, die Dinge so zu belassen. Wir haben einen weiteren Problembereich, der tatsächlich viel einfacher zu lösen ist: Shadow IT. Das Problem mit ERPs und ähnlicher Software, wie Sie in der Lokad-Wissensdatenbank zu ERPs sehen können, besteht darin, dass es für ERP-Anbieter sehr schwierig ist, alle Situationen abzudecken. Zum Beispiel könnte es Mindestbestellmengen (MOQs) geben. Wie stellt man das in einem ERP dar? Das kommt wirklich darauf an. Der MOQ kann auf Produktebene, auf Auftragsebene oder manchmal in Kombination mit beidem definiert sein. Es kann sogar komplizierter sein, wie in der Textilbranche, wo der MOQ durch die Stoffmenge in jeder Farbe definiert wird.

Das Problem ist, dass es für ERP-Anbieter unglaublich schwierig ist, all das abzubilden. Infolgedessen kaufen Unternehmen ein ERP und stellen dann fest, dass es ihnen nicht ermöglicht, alles darzustellen, was sie benötigen, weshalb sie auf Excel-Tabellen zurückgreifen. Ich glaube, genau das ist die Aufgabe einer guten IT-Abteilung: die fehlenden Bestandteile zu entwickeln und bereitzustellen, sodass Shadow IT nicht Shadow IT bleibt, sondern zu kleinen internen Erweiterungen wird. In gewissem Sinne ist es gut, ein ERP zu haben, und mein Rat ist, Ihr ERP nicht zu individualisieren, sondern etwas daneben zu entwickeln. Es ist viel einfacher zu warten, als den “Frankenstein”-Weg auf dem ERP zu gehen.

Vielen Dank an alle fürs Zuschauen. Die nächste Vorlesung findet nächsten Mittwoch, am selben Tag, zur selben Zeit statt. Bis bald. Auf Wiedersehen.