Unsicherheit in SCM annehmen (mit Stefan de Kok)

00:00:07 Einführung in Stefan de Kok und das Annehmen von Unsicherheit in supply chains.
00:00:34 Stefans Hintergrund, die Gründung von Wahupa und erste Herausforderungen.
00:03:18 Unterschiedliche Arten von Unsicherheit in supply chains und ihre Auswirkungen.
00:04:53 Lokads Ansatz zur Bewältigung von Unsicherheit mittels probabilistic forecasting.
00:06:43 Traditionelle Ansätze zum Umgang mit Unsicherheit: Sicherheitsbestände, Reaktionsmechanismen und Ignorieren.
00:08:01 Folgen der Missachtung von Kundenbedürfnissen und des Verlassens auf Reaktionen.
00:09:59 Diskussion über den Weg zur probabilistischen Vorhersage.
00:12:35 Stefans Erkenntnisse und das Annehmen der probabilistic forecasting.
00:14:01 Erkennen der Bedeutung des Konzepts statt der Methode.
00:15:25 Die Wichtigkeit, traditionelle Kennzahlen zu verändern, um bessere Vorhersagen zu ermöglichen.
00:18:38 Kunden dabei zu unterstützen, Unsicherheit anzunehmen, und Strategien aus Softwaresicht anzuwenden.
00:20:19 Die Auswirkungen eines Wechsels zu einem probabilistischen Ansatz für ein Unternehmen.
00:22:38 Beobachtung der Bereitschaft des Marktes, Unsicherheit zu akzeptieren, und was die Interviewpartner für die Zukunft begeistert.
00:25:01 Schlussbemerkungen.

Zusammenfassung

In einer Lokad TV-Episode interviewt Moderator Kieran Chandler Joannes Vermorel, den Gründer von Lokad, und Stefan de Kok, Mitgründer und CEO von Wahupa, und bespricht die Unsicherheit in supply chains. Sie betonen, dass man Unsicherheit annehmen und alle potenziellen Ergebnisse für ein besseres Management berücksichtigen sollte. Während die traditionelle Szenarioplanung ressourcenintensiv ist, bietet probabilistic forecasting eine prägnante Lösung. De Kok nennt drei Wege, wie Unternehmen mit Unsicherheit umgehen: durch den Einsatz von Sicherheitsbeständen, durch Reaktion und durch Ignorieren. Beide Gäste plädieren dafür, probabilistic forecasting zu übernehmen, offen über Methoden zu sprechen, ohne das “Geheimrezept” zu verraten, und probabilistische Kennzahlen für decision-making zu nutzen. Sie prognostizieren, dass probabilistische Ansätze in Zukunft breit angewendet werden.

Ausführliche Zusammenfassung

In dieser Episode von Lokad TV interviewt Moderator Kieran Chandler Joannes Vermorel, Gründer von Lokad, einem Softwareunternehmen, das sich auf supply chain optimization spezialisiert hat, und Stefan de Kok, Mitgründer und CEO von Wahupa. Die Diskussion konzentriert sich darauf, Unsicherheit in supply chains anzunehmen, die traditionell durch Sicherheitsbestände gemanagt wird. Die Gäste sprechen auch über ihren Hintergrund und die von ihnen gegründeten Unternehmen.

Stefan de Kok, Mitgründer von Wahupa, begann seine Karriere in angewandter Mathematik an der Technischen Universität Delft in den Niederlanden. Nachdem er in den Arbeitsmarkt eingestiegen war, stieß er zufällig auf ein supply chain software Unternehmen und trat diesem bei. Im Laufe der Zeit arbeitete er in verschiedenen Rollen, wie Beratung, Produktmanagement und funktionaler Beratung. Nachdem er seinen Job verloren hatte, beschloss er, seine Ideen in die Tat umzusetzen und die im Laufe der Jahre entdeckten Probleme anzugehen. Seine ursprüngliche Idee war es, eine Plattform zu schaffen, die auch kleineren Unternehmen zur Verfügung steht, da bestehende Produkte hauptsächlich auf große Tier-1-Unternehmen ausgerichtet waren. Im Jahr 2003 hatte er Schwierigkeiten, Personen zu finden, die in der Lage waren, die Plattform zu entwickeln, fand aber schließlich ein Team, das seine Vision zum Leben erwecken konnte.

Unsicherheit ist ein zentraler Aspekt des supply chain management, da alles in der Zukunft potenziell unsicher ist. Einige Beispiele für Unsicherheit sind lead times, Dauerzeiten, Qualitäts- oder Klassenerträge und Raten. Stefan ist der Meinung, dass supply chain-Profis die Auswirkungen aller möglichen Kombinationen zukünftiger Ergebnisse berücksichtigen sollten, auch wenn dies eine komplexe Aufgabe sein kann.

Joannes Vermorel, der Gründer von Lokad, teilt seine Gedanken zum Umgang mit den Herausforderungen, die durch Unsicherheit entstehen. Traditionell nutzten Unternehmen “What-if”-Szenarien, um sich auf Unsicherheit vorzubereiten, aber dieser Ansatz kann schnell ermüdend werden. Um Unsicherheit effektiv zu managen, müssen supply chain-Profis alle möglichen Zukunftsszenarien und ihre potenziellen Auswirkungen berücksichtigen.

Vermorel erklärt, dass die traditionelle Methode, Szenarien zur Bewältigung komplexer Probleme in der supply chain zu nutzen, sowohl zeitaufwendig als auch ressourcenintensiv ist. Probabilistic forecasting bietet jedoch eine elegante, prägnante Lösung, die mit reiner Rechenleistung implementiert werden kann. Dieser Ansatz hat den zusätzlichen Vorteil, dass er weniger Personal erfordert, um eine supply chain zu managen und zu betreiben, was ihn sowohl aus softwaretechnischer als auch aus operativer Sicht effizienter macht.

De Kok erklärt, dass es drei Hauptwege gibt, wie Unternehmen mit Unsicherheit in supply chains umgehen: durch den Einsatz von Sicherheitsbeständen, durch Reagieren auf Unsicherheit im Moment des Auftretens oder durch einfaches Ignorieren. Die meisten Unternehmen nutzen eine Kombination dieser Ansätze, aber die Herausforderung besteht darin, das richtige Gleichgewicht zwischen ihnen zu finden. Wenn Sicherheitsbestände nicht genau sind, müssen Unternehmen durch Reaktionen überkompensieren, was teuer werden kann. Die Aspekte, auf die nicht reagiert werden kann, werden oft ignoriert, was zu langfristigen Schäden, Kundenunzufriedenheit und möglicherweise zur Insolvenz führen kann.

De Kok hebt auch die Rolle von Sicherheitsbeständen hervor, beispielsweise service levels, um Unsicherheit in supply chains zu managen. Unternehmen halten oft überhöhte Sicherheitsbestände, um Probleme, die reaktionsschnelles Handeln erfordern, zu vermeiden. Er weist jedoch darauf hin, dass viele Unternehmen immer noch Schwierigkeiten haben, ihre angestrebten service levels zu erreichen, da ihre tatsächliche Leistung häufig eher durch reaktive Maßnahmen als durch die Sicherheitsbestände bestimmt wird.

Vermorel erklärt, dass sein Unternehmen Lokad mit klassischer Vorhersage begann, aber schließlich zu probabilistic forecasting überging. Zunächst verwendeten sie quantile forecasts, die bewusst eine Verzerrung einführen, um Situationen Rechnung zu tragen, in denen die Vorhersage des Mittelwerts ungenau wäre. Anschließend entwickelten sie quantile grids, bei denen die Verzerrungen schrittweise erhöht wurden, und schließlich probabilistic forecasting, das alle Verzerrungen gleichzeitig berücksichtigt.

De Kok berichtet, dass er bereits 2006 eine Erkenntnis über den Wert von probabilistic forecasting hatte, als ihm bewusst wurde, dass unsichere Werte nicht durch exakte Zahlen dargestellt werden können. Er begann, eine probabilistische Arithmetik zu entwickeln, und fand darin eine elegante Lösung für komplexe Probleme in supply chains. Anfangs hielt de Kok seinen Ansatz der probabilistic forecasting geheim, da er ihn als entscheidendes Unterscheidungsmerkmal für sein Unternehmen betrachtete. Schließlich entdeckte er jedoch, dass auch andere Unternehmen, darunter Lokad, ähnliche Methoden anwendeten, was die Tragfähigkeit und den Wert von probabilistic forecasting in der Branche beweist.

Stefan de Kok betont, dass es verschiedene Wege gibt, dasselbe Ziel in der supply chain optimization zu erreichen. Er hebt vier Schlüsselpunkte hervor: 1) Unsicherheit annehmen; 2) probabilistic forecasting und Planung übernehmen; 3) offen über die Methoden und Ideen zu sprechen, ohne das “Geheimrezept” zu verraten; und 4) anzuerkennen, dass traditionelle Kennzahlen unzureichend sind und durch probabilistische Kennzahlen ersetzt werden müssen. Sowohl Vermorel als auch de Kok sind sich einig, dass die Änderung der Kennzahlen und der Einsatz probabilistischer Ansätze entscheidend für bessere Entscheidungsfindung im supply chain management sind.

Vermorel erklärt, dass ein probabilistisches Modell, sobald es implementiert ist, die Simulation mehrerer möglicher Zukünfte ermöglicht, wodurch Entscheidungen und ihre potenziellen Ergebnisse bewertet werden können. Er merkt auch an, dass die für die Vorhersage verwendete Technologie und die Algorithmen weniger wichtig sind als der Gesamansatz, wie die Entwicklung von Lokads eigenen forecasting engines zeigt.

De Kok behauptet, dass es, um Kunden dabei zu helfen, Unsicherheit anzunehmen, unerlässlich ist, selbsterklärende Ausgaben bereitzustellen, die Vertrauen schaffen. Die Visualisierung der Ergebnisse ist entscheidend, da sie es den Nutzern ermöglicht, die Bandbreite möglicher Werte und deren Wahrscheinlichkeiten zu verstehen. Er vergleicht die Beziehung zwischen Softwareanbietern und Kunden mit der zwischen Mechanikern und Fahrern, wobei erstere anspruchsvolle Werkzeuge entwickeln, die letztere einfach und effektiv nutzen können.

Wenn es um die Auswirkungen eines probabilistischen Ansatzes auf Unternehmen geht, weist Vermorel darauf hin, dass dieser oft Einsichten liefert, die der Intuition entsprechen. So könnte eine klassische forecasting method vorschlagen, übermäßige Lagerbestände an perishable Gütern anzulegen, während ein probabilistischer Ansatz die mit more accurately und stockouts verbundenen Risiken ausbalanciert.

Bezüglich der Akzeptanz am Markt stellt de Kok fest, dass es Widerstand gegen das Annehmen von Unsicherheit gab, dieser jedoch allmählich abnimmt. Er unterscheidet zwei Akzeptanzstufen: erstens die Erkenntnis, dass exakte Zahlen nicht ausreichen, um mit Unsicherheit umzugehen, und zweitens das Überwinden von Missverständnissen hinsichtlich der Komplexität probabilistischer Ansätze. Er zeigt sich optimistisch in Bezug auf den wachsenden Trend, diese Methoden anzunehmen, und geht davon aus, dass sie letztlich in der Branche zum Mainstream werden.

Das Interview unterstreicht den Wert, Unsicherheit anzunehmen, probabilistische Kennzahlen zu verwenden und Visualisierungen für bessere Entscheidungen in der supply chain optimization einzusetzen. Sowohl Vermorel als auch de Kok plädieren für die fortlaufende Weiterentwicklung der Vorhersagetechnologie und sehen einer Zukunft entgegen, in der probabilistische Ansätze zum Mainstream werden.

Gesamtes Transkript

Kieran Chandler: Heute bei Lokad TV freuen wir uns, Stefan de Kok, den Gründer von Wahupa, bei uns zu haben, der uns erklären wird, warum diese Unsicherheit nicht als Hindernis gesehen werden sollte, sondern als etwas, das man annehmen sollte. Stefan, vielen Dank, dass du heute dabei bist. Vielleicht könntest du uns zu Beginn ein wenig über deinen Hintergrund und auch über Wahupa, das von dir gegründete Unternehmen, erzählen.

Stefan de Kok: Nun, danke, Kieran, und danke auch an Joannes, dass ihr mich eingeladen habt. Ja, ich bin einer der Mitgründer von Wahupa. Ich begann, an der Technischen Universität Delft in den Niederlanden angewandte Mathematik zu studieren, und habe noch nie von diesem Begriff supply chain gehört. Nachdem ich in den Arbeitsmarkt eingetreten war, stieß ich zufällig auf ein supply chain software Unternehmen und trat diesem bei. Einen einzigen Moment habe ich das nie bereut. Danach arbeitete ich viel für sie und viele Kunden in den Bereichen Beratung, Softwareberatung, funktionaler Beratung und Software-Produktmanagement. Dann, nach einer weiteren zufälligen Begegnung, fand ich mich arbeitslos wieder, und das war der Moment, in dem mir klar wurde, dass ich all diese Ideen, an denen ich gearbeitet hatte, und all die im Laufe der Jahre entdeckten Probleme tatsächlich in Angriff nehmen konnte – Dinge, die ich vorher nicht umsetzen konnte.

Die ursprüngliche Idee war es, eine Plattform zu entwickeln, die damals mehr als nur S&OP bot – eine Plattform, die viele der besten Lösungen vereinte, jedoch nicht viele der damit verbundenen Probleme, hauptsächlich Integrationsprobleme, berücksichtigte. Ich stellte fest, dass etwa 70 % jeder Implementierung für die Integration aufgewendet wurden, und wollte eine Plattform schaffen, die auch kleineren Unternehmen zur Verfügung steht. Damals waren die Produkte vor allem auf große Tier-1-Unternehmen ausgerichtet, und kleinere Unternehmen mit denselben Problemen hatten keine gute Lösung. So begann alles, und dann stellte ich, und das war bereits im Jahr 2003, fest, dass es unglaublich schwierig war, die Menschen zu finden, die sie tatsächlich entwickeln konnten. Im Laufe der Jahre entwickelte sich die Idee weiter, wuchs, ich hatte weitere Erkenntnisse, und letztlich fand ich vor ein paar Jahren die Jungs, von denen ich überzeugt war, dass sie dieses Projekt umsetzen konnten, und sie waren ebenfalls davon überzeugt, dass es eine großartige Idee sei, sich daran zu beteiligen – und so starteten wir.

Kieran Chandler: Und das führt uns schön zu unserem heutigen Thema, nämlich dem Annehmen von Unsicherheit in supply chains. Nachfrage ist offensichtlich ein Beispiel, aber welche anderen Arten von Unsicherheit können wir begegnen?

Stefan de Kok: Nun, alles in der Zukunft ist potenziell unsicher. Wenn man also in der supply chain arbeitet, muss man nicht nur an die Mengen denken, sondern auch an Lieferzeiten, Dauer, Qualitäts- oder Klassenerträge, Erträge, Raten – praktisch alles, was in der Zukunft passieren wird, ist in unterschiedlichem Maße unsicher. Wir müssen daher die Auswirkungen betrachten, nicht nur den Durchschnittswert all dieser zukünftigen Aspekte, sondern alle möglichen Kombinationen der potenziellen Zukünfte, was sehr komplex klingt – und das ist es auch –, aber es ist genau das, was wir tun müssen. Und sobald etwas in die Vergangenheit übergeht, ist es fast sicher. Auch in der Vergangenheit gibt es gewisse Unsicherheiten, man hat Datenprobleme und weiß vielleicht nicht einmal, ob etwas wirklich auf eine bestimmte Weise passiert ist, aber größtenteils, sobald es zur Vergangenheit gehört, ist es weitgehend nicht mehr unsicher, und irgendwo dazwischen

Kieran Chandler: Joannes wird sich im Rahmen unserer heutigen Diskussion uns anschließen, und Joannes, diese Vorstellung, einer unsicheren Zukunft zu begegnen, steht im Zentrum von Lokads Ansatz. Wie geht ihr also mit diesen Herausforderungen um? Ich meine, ein traditioneller Ansatz wäre es, What-if-Szenarien zu verwenden, wie optimistische und pessimistische Szenarien.

Joannes Vermorel: Das Hauptproblem beim Umgang mit einer unsicheren Zukunft durch Szenarien besteht darin, dass es schnell unglaublich mühsam und zeitaufwendig wird. Es erfordert so viel Aufwand, diese Szenarien auszuarbeiten. Interessanterweise setzt man bei der probabilistischen Vorhersage in gewisser Weise quasi auf rohe Gewalt, um das Problem zu lösen. Man könnte denken, dass es wahnsinnig schwierig wäre, alle möglichen Zukünfte zu berücksichtigen, aber es stellt sich heraus, dass es mit ausreichender Rechenleistung tatsächlich viel einfacher ist, die Software zu implementieren und einfach laufen zu lassen, als ein superkomplexes System zu haben, um viele Szenarien zu managen. Es ist sehr interessant, denn nicht nur ist es mathematisch elegant und prägnant im Umgang mit komplexen Phänomenen, sondern es ist auch effizient für die supply chain, bei der nicht so viele Personen im Einsatz sind. Es ist relativ schlank, sowohl aus der Sicht der Softwareentwicklung als auch aus der operativen Perspektive für die Personen, die das System zum tatsächlichen Betrieb einer supply chain verwalten müssen. Deshalb bin ich sehr interessiert und begeistert von diesem Ansatz.

Kieran Chandler: Stefan, schauen wir uns einige der traditionelleren Ansätze an, die die Leute verfolgen. Wie siehst du, dass diese klassischen Ansätze dazu genutzt werden, Unsicherheit zu berücksichtigen?

Stefan de Kok: Es gibt eigentlich zwei oder drei verschiedene Wege, mit Unsicherheit umzugehen. Der erste besteht darin, Puffer zu verwenden; der zweite darin, auf die Unsicherheit zu reagieren, sobald sie eintritt – etwa durch Expediting; und der dritte besteht einfach darin, sie zu ignorieren. Jeder macht ein wenig von allem, und die Frage ist, wie viel man in jeden Bereich investieren sollte. Was in der Regel passiert, ist, dass es bei Puffern voll auf die Prognosegenauigkeit ankommt. Wenn dein Puffer falsch dimensioniert ist, musst du das durch teure Reaktionen ausgleichen. Schließlich musst du jene Bereiche ignorieren, auf die du nicht reagieren kannst – und diese verursachen langfristig den größten Schaden für ein Unternehmen. Kunden werden verärgert, du könntest Marktanteile verlieren, und es kann in manchen Fällen sogar zu Klagen oder Insolvenzen führen, wenn du den Kunden lange genug ignorierst.

Die gebräuchlichsten Puffer sind Lieferzeiten, Kapazitäten und Bestände. Unternehmen erhöhen diese, weil sie wissen, dass, wenn sie zu knapp sind, Probleme auftreten, die eine Reaktion erfordern. Um einen Eindruck zu geben: Viele Unternehmen streben Servicelevels von 95 bis 99 Prozent an, doch wenn man ihren tatsächlichen Service misst, erreichen sie bestenfalls 90 Prozent – oder in der Regel liegen die Zielwerte eher im hohen 80er-Bereich. Bei genauerer Betrachtung stellt man fest, dass diese Zahl meist durch die Reaktion und nicht durch den ursprünglich eingeplanten Puffer bestimmt wird. Also betreiben sie ein teures Expediting mit hohem Aufwand, und das Ausmaß an Instabilität und Notfalleingriffen ist enorm. Ihr Bestand liefert ihnen vielleicht nur 73 Prozent Service, obwohl sie 98 Prozent anvisiert hatten. Dies belastet die Leistungsfähigkeit des Unternehmens und schmälert die Margen – was wohl den Status quo für die meisten supply chains heute darstellt, bei dem die gesamte Last schwer auf dem Reaktionsbereich liegt.

Kieran Chandler: Schauen wir uns ein wenig den probabilistischen Ansatz an, Joannes. Es hat ein paar Jahre gedauert, bis du ihn entwickelt hast. Woher kam diese Idee?

Joannes Vermorel: Für uns war die probabilistische Vorhersage eine Reise. Wir begannen eigentlich mit der klassischen Vorhersage, bei der man einfach den Mittelwert prognostiziert. Dann hatten wir einen Kunden, der Autoteile verkaufte, und uns wurde klar, dass wenn wir…

Kieran Chandler: Du weißt, dass es so spärlich und intermittierend war, dass es – was die Genauigkeit betrifft – tatsächlich sehr, sehr gut war, überall null zu prognostizieren. Es war offensichtlich kompletter Unsinn, und wir kamen zuerst mit Quantilvorhersagen, was so lautete: “Oh nein, du willst nicht die durchschnittliche Nachfrage prognostizieren, du willst etwas prognostizieren, das absichtlich eine Verzerrung aufweist.” Und eine Vorhersage mit absichtlicher Verzerrung nennt man eine Quantilvorhersage. Das war der erste Schritt, um zu sagen, okay, was sollte einfach…

Joannes Vermorel: Wie Stefan beschrieb, bei diesen Situationen mit den C-Artikeln – A, B, C oder Slow-Movers – stellt sich die Frage, wie du wissen kannst, ob du ein, zwei oder vielleicht drei Einheiten auf Lager haben solltest, anstatt einfach nur ein Mindest-/Höchstlager festzulegen. Zuerst erkannten wir, dass die Quantilvorhersage der erste Schritt war, um überhaupt zu Ergebnissen zu kommen, die bedeutsam sind – also diesen Zustand zu beenden, in dem das reine Prognostizieren von Null als das Beste galt. Es ergab einfach keinen Sinn. Und dann wurde uns klar: “Oh, du möchtest eine Vorhersage mit einem Quantil, aber was ist mit der Abstimmung dieses Quantils, denn du kannst einstellen, wie viel Verzerrung du wünschst?” Daraufhin wechselten wir von Quantilen zu Quantilgittern. Lass uns eine Reihe von Verzerrungen haben, die schrittweise zunehmen, und dann erkannten wir: “Nein, aber wir sollten wahrscheinlich alle Verzerrungen unterschiedlich wählen.” So kamen wir letztlich von Quantil, Kontaktgitter, zur probabilistischen Vorhersage. Übrigens gibt es hierzu auch eigene Literatur – statistische Literatur –, und es scheint, dass viele andere in der statistischen Gemeinschaft denselben Weg gegangen sind wie wir: Zunächst unverzerrte Vorhersagen oder Prognosen, dann verzerrte, und schließlich erkundet man zahlreiche Verzerrungen, um alles gleichzeitig zu betrachten. Und das ist eine probabilistische Vorhersage. Bitte sehr.

Kieran Chandler: Okay, und Stefan, du gehörst wahrscheinlich auch zu den wenigen Menschen in der Branche außerhalb von Lokad, die diesen Ansatz der probabilistischen Vorhersage annehmen. Was hat dich zu diesen Ideen geführt?

Stefan de Kok: Nun, ich denke, hier spreche ich über einige meiner Aha-Erlebnisse. Das erste war, dass unsichere Werte nicht durch exakte Zahlen dargestellt werden können – und das habe ich schon früh, vermutlich schon 2006, begriffen. Aber ich hatte es noch nicht wirklich gelöst; es war noch kein echtes Aha-Moment. Damals wusste ich nicht, wie ich es umsetzen sollte. Es ergab einfach keinen Sinn, es auf diese Weise zu tun. Schließlich arbeitete ich an der Entwicklung dessen, was ich probabilistische Arithmetik nenne, und als ich herausfand, wie man es funktionsfähig macht und zurückblickte, sah ich, wie etwas, das so komplex erschien, tatsächlich durch etwas so Elegantes lösbar war – alles fügte sich. Und das war mein erster Aha-Moment. Aber damals hielt ich es geheim. Ich dachte, das sei, weißt du, einer meiner entscheidenden Unterscheidungsmerkmale, also habe ich es noch nicht in den Vordergrund gestellt.

Es war erst später – und das war einer dieser glücklichen Zufallsmomente in meiner Karriere, als ich plötzlich Geld brauchte und nach einem Job suchte – dass ich ein anderes Unternehmen fand, das direkt in meiner Heimatstadt Boston ansässig war. Eines der drei Unternehmen weltweit, die das tun, neben Lokad – zumindest zu der Zeit – und ich stellte fest, dass sie das bereits seit den 1970er Jahren praktizieren. Sie haben es bewiesen, aber sie hielten es geheim, weil es ihr Geheimrezept war. Und ich erkannte ein paar Dinge, wobei das Entscheidende war, dass es viele Möglichkeiten gibt, wie man…

Kieran Chandler: Ich denke, der entscheidende Punkt ist, dass es viele Wege gibt, dasselbe zu erreichen. Jeder deiner Ansätze ist sehr unterschiedlich, aber das Endziel ist dasselbe. Es ging also nicht darum, die Methode zu pushen, sondern das Konzept, dass es gemacht werden muss. Wie stehst du dazu, diese Idee zu diskutieren und zu fördern, ohne das Geheimrezept preiszugeben, was deine Unternehmen besonders macht?

Stefan de Kok: Ich habe erkannt, dass ich darüber sprechen, bloggen und Artikel schreiben kann, ohne tatsächlich das Geheimrezept preiszugeben, das uns besonders macht. Es ist wichtig, die Menschen darauf aufmerksam zu machen, dass dies letztlich das sein wird, was jede Planung und Vorhersage im nächsten Jahrzehnt werden muss. Eine Sache, die ich in letzter Zeit mehr vorantreibe, ist, dass auch herkömmliche Kennzahlen falsch sind. Wir müssen die Kennzahlen ändern und probabilistische Vorhersagen in Anlagen sowie probabilistische Messgrößen verwenden, um deren Wert zu bestimmen.

Joannes Vermorel: Absolut, ich stimme Stefan zu. Wenn du etwas Probabilistisches hast, kannst du viele mögliche Zukünfte simulieren und jede einzelne Entscheidung, die du triffst, mit ihrem Ausgang hinterfragen, als ob du die Zukunft kennen würdest. Es bietet dir eine elegante Möglichkeit, all deine Entscheidungen zu bewerten und zu priorisieren. Allerdings glaube ich, dass das Geheimrezept – oder die dahinterstehende Technologie – weniger wichtig ist. Bei Lokad haben wir bereits fünf Generationen von Vorhersagesystemen verworfen, jeweils in dem Glauben, es sei das Größte aller Zeiten, nur um zwei Jahre später festzustellen, dass es einen besseren Weg gab.

Kieran Chandler: Joannes, es ist interessant, dass du die Ausnutzbarkeit zukünftiger Lebensfähigkeit erwähnst. Kannst du diese Idee näher erläutern?

Joannes Vermorel: Sicher. Die Tatsache, dass es in der Zukunft Variabilität gibt, kann ausgenutzt werden. Es geht nicht nur darum, sich zu schützen und resilienter zu sein; vielmehr kannst du auch den Umstand selbst zu deinem Vorteil nutzen.

Kieran Chandler: Stefan, wenn wir die Dinge aus der Perspektive eines Kunden betrachten, wie können wir ihnen helfen, die Idee zu akzeptieren, Unsicherheit anzunehmen? Welche Strategien können sie aus der Softwareperspektive einsetzen?

Stefan de Kok: Der entscheidende Punkt ist, dass, wenn du eine komplexe Engine hast und ein Black-Box-Ergebnis erhältst, das nicht zu großem Vertrauen führt, das Ergebnis selbsterklärend sein muss. Mit Wahrscheinlichkeiten kannst du unglaublich viel erreichen. Du kannst zeigen, dass wir nicht einfach davon ausgehen, dass die Antwort eine einzelne Zahl ist, sondern dass wir eine Bandbreite von Möglichkeiten bereitstellen, die die Unsicherheit abbilden.

Kieran Chandler: Um es auf den Punkt zu bringen: Wir denken, dass die Antwort irgendwo zwischen mehreren Werten liegen wird, und es gibt eine Verteilung, wie diese Werte auftreten können. Man kann das auf jeder Ebene betrachten, und letztlich dreht sich alles um die Visualisierung dieser Ergebnisse. Ich stelle es mir fast wie ein Auto vor, weißt du? Wir sind die Mechaniker und der Kunde der Fahrer. Früher wusste ich, wie mein Auto funktionierte, und jetzt ist es wunderschön. Ich schaue hinein, es ist schön, aber ich habe keine Ahnung, was es antreibt. Sogar der Mechaniker muss ein Kabel anschließen, um es an seinen Computer zu koppeln, um herauszufinden, was vor sich geht. So sehe ich die Lösungen der Zukunft und das, was wir alle beitragen – diese Raffinesse zu liefern und es dem Benutzer, dem Fahrer, wirklich einfacher zu machen, es zu nutzen und ein Ergebnis zu erhalten, auf dessen Grundlage sicherere Entscheidungen getroffen werden können.

Joannes Vermorel: Okay, großartig. Wenn wir beim Kundenperspektive bleiben, was bedeutet es für ein Unternehmen, zu diesem probabilistischen Ansatz zu wechseln? Wenn du anfängst, über Wahrscheinlichkeiten nachzudenken, geht es darum, die großen Kräfte zu betrachten, die es auszugleichen gilt. Welche Probleme versuchst du zu mildern? Welche Engpässe werden dich am meisten treffen und schädigen? Üblicherweise ist es sehr interessant, denn diese sprunghaften Prognosen geben dir eine Möglichkeit zur Quantifizierung. Es ist wie ein Rezept, das endlich erlaubt, das zu quantifizieren, was häufig nur offensichtlich in Form von Intuition vorhanden war. Es liefert also nicht unbedingt fantastische Einsichten. Nach meiner eigenen Erfahrung ist es eher das Gegenteil. Es bringt Dinge ans Licht, die von vornherein ziemlich offensichtlich waren, aber zum ersten Mal liefert das System Zahlen, die in ganz alltäglicher Weise mit der Intuition übereinstimmen. Zum Beispiel hast du ein Produkt, das sehr verderblich ist – leg nicht zu viel davon auf Lager. Du gehst mit einem extrem verderblichen Produkt ein enormes Risiko ein, wenn du hohe Bestände hast. Wählst du einen klassischen Prognoseansatz, wird er einfach sagen: “Oh, erreiche einfach einen Servicelevel von siebenundneunzig Prozent und fertig,” und dann erzeugst du massiven Überbestand, während die Produkte ablaufen. Nimmst du den probabilistischen Ansatz, mag die Vorhersage tatsächlich schlechter sein – sie ist vielleicht nicht super, aber sie ist ausgewogener, wenn man das Risiko berücksichtigt, dass bei einem Lagerausfall, bei dem du das Verfallsdatum kennst, etwas sehr…

Kieran Chandler: …kostspielig wird, lenkt es die Entscheidung hin zu etwas, das wesentlich vernünftiger ist – nämlich nicht, Erdbeeren zu überbestücken. Daher stimme ich der Idee vollkommen zu, dass, wie der Gründer sagte, kommerzielle Abweichungen auf Simplizität ausgerichtet sein müssen. Obwohl, um fair zu sein, glaube ich nicht, dass Lokad die brillanteste Erfolgsbilanz vorweisen konnte, wenn es darum geht, das Einfachste zu liefern, aber wenigstens versuchen sie es. Okay, Stefan, ich überlasse dir das letzte Wort. Basierend auf deinen Beobachtungen im Markt: Würdest du sagen, dass die Leute bereit sind, die Idee der Akzeptanz von Unsicherheit anzunehmen, und was begeistert dich wirklich an der Zukunft?

Stefan de Kok: Ich denke, wir kommen dorthin. Über die Jahre habe ich erheblichen Widerstand erlebt – es war ein steiniger Weg –, aber ich glaube, wir erreichen den Gipfel. Es wird zunehmend flacher, und ich bemerke weniger Widerstand. Ich glaube, der Markt erkennt es, und es gibt einen zweistufigen Ansatz. Der erste Schritt ist, dass eine exakte Zahl nicht der richtige Weg ist, um mit Unsicherheit umzugehen. Schritt zwei – da besteht noch etwas Reibung. Sie denken, es sei übermäßig komplex. Sie sagen: “Jeder, der ja sagt, du könntest es tun, aber…” Es gibt immer dieses “aber”, und das “aber” dreht sich oft um Big Data. Man braucht viele Daten, um es probabilistisch zu machen. Nun, das stimmt einfach nicht, oder? Man braucht nur historische Daten, die du in jedem ERP System hast, um dasselbe Problem zu lösen, das man deterministisch löst.

Ein weiteres Anliegen vieler ist, wie man mit mehreren möglichen Zukünften umgeht. Sie denken, dass die Anzahl der Möglichkeiten explodieren wird. Allerdings könnte eine probabilistische Vorhersage zu einem probabilistischen Plan führen; man muss sie einfach als Verteilung ausdrücken. Das ist der Punkt, mit dem die Leute meines Erachtens noch zu kämpfen haben. Aber ich bin begeistert, ich sehe den Trend und wohin es geht. Ich bemerke, dass immer mehr Menschen das akzeptieren, was zuvor vehement abgelehnt wurde. Ich sehe, wie immer mehr Menschen den Wechsel vollziehen, ihren Aha-Moment erleben – und es ist nur eine Frage, bis eine kritische Masse erreicht ist, wonach es vom Mainstream übernommen wird. Darüber bin ich sehr erfreut.

Kieran Chandler: Okay, großartig. Nun, wir müssen es hier belassen, aber danke euch beiden für eure Zeit. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Tschüss fürs Erste.