00:00:08 Entscheidungsorientierter Ansatz in der supply chain Optimierung.
00:02:25 Die Wichtigkeit, Entscheidungen zu generieren, um die Semantik der Daten zu verstehen.
00:04:55 Entscheidungsgenerierung als Validierungsmechanismus zum Verständnis von Daten.
00:06:10 Die Herausforderungen bei der Optimierung von Kennzahlen und der Identifikation von Fehlern im Entscheidungsfindungsprozess.
00:07:50 Die Beziehung zwischen Kennzahlen, Geschäftsstrategie und Entscheidungsfindung.
00:09:08 Das Endziel kapitalistischer numerischer Rezepte zur Automatisierung von Entscheidungen.
00:11:37 Die Notwendigkeit, Entscheidungen zu generieren, um zu überprüfen, ob frühere Schritte effektiv waren.
00:12:40 Die Rolle der Prognose in der supply chain Entscheidungsfindung und das Problem, nicht nach dem Decision-first-Prinzip vorzugehen.
00:14:45 Alternative Ansätze in der Branche und die Aufteilung von Entscheidungen.
00:16:01 Abgleich von Prognosen und atomarer Entscheidungsfindung.
00:18:16 Aus vergangenen Fehlern lernen und eine neue Perspektive annehmen.
00:20:59 Lernen durch Handeln und die Philosophie der Praxis.
00:21:57 Die Einsatzbereitschaft der Branche für einen neuen Ansatz und frühere Versuche.
00:24:10 Das Eingeständnis von Fehlern und die Grenzen kartesischer Ansätze.
Zusammenfassung
Im Interview diskutieren Kieran Chandler und Joannes Vermorel Lokads entscheidungsbasierte Ansatz zur supply chain optimization. Traditionelle Methoden basieren auf Prognosen, aber Lokad konzentriert sich auf greifbare Entscheidungen, um das Datenverständnis zu verbessern und die Optimierung zu fördern. Vermorel berichtet von der Umstellung des Unternehmens von einer kartesischen Perspektive auf einen entscheidungsbasierten Ansatz nach wiederholten Misserfolgen. Er ist der Meinung, dass Organisationen nur durch Handeln lernen können, und betont die Notwendigkeit, Entscheidungen zu generieren und diese zu iterieren. Es ist zwar herausfordernd, Unternehmen von einem Wandel zu überzeugen, aber Vermorel ist der Ansicht, dass die meisten offen dafür sind, sobald sie frühere Fehler und die Grenzen traditioneller Methoden anerkennen.
Ausführliche Zusammenfassung
Im Interview spricht Kieran Chandler, der Moderator, mit Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf supply chain optimization spezialisiert hat. Sie diskutieren Lokads einzigartigen entscheidungsbasierten Ansatz zur supply chain optimization, der sich von traditionellen Prognose-Methoden unterscheidet.
Historisch gesehen haben supply chains auf Prognose-Methoden vertraut, wobei die eigentliche Entscheidungsfindung leitenden Mitarbeitern überlassen wurde, die sich auf ihre Intuition und Fachkenntnisse verließen. Vermorel erklärt, dass Lokad einen alternativen Ansatz entwickelt hat, der sich zunächst auf die Entscheidungsfindung konzentriert. Dieser Ansatz entstand nach jahrelanger Arbeit im Bereich der prädiktiven supply chain optimization.
Ursprünglich arbeitete Lokad mit einer kartesischen Perspektive: Daten sammeln, deren Semantik klären, numerische Rezepte zur Prognose und Optimierung anwenden und dann Entscheidungen auf Grundlage spezifischer Kennzahlen ableiten. Allerdings stellte Vermorel fest, dass dieser Ansatz nicht wie erwartet funktionierte. Er erkannte, dass der Fokus auf den Entscheidungsprozess von Anfang an nicht nur effektiver, sondern auch kontraintuitiv war.
Mit „decision-first“ meint Vermorel den Prozess, greifbare supply chain Entscheidungen zu treffen, wie zum Beispiel eine zusätzliche Einheit bei einem Lieferanten zu bestellen, eine weitere Einheit in einer Produktionslinie zu fertigen, Lagerbestände von einem Standort an einen anderen zu verlagern oder Produktpreise anzupassen. Diese Entscheidungen haben reale wirtschaftliche Auswirkungen auf supply chains.
Vermorel teilt seine Erfahrungen bei Lokad, wo das Unternehmen anfangs seinen Fokus auf die Datenaufbereitung legte. Sie sammelten historische Daten, wie Verkaufszahlen und Lagerbewegungen, und dokumentierten diese, um ein korrektes Verständnis sicherzustellen. Allerdings stellten sie häufig fest, dass sie die Daten missverstanden hatten – was ihnen erst bewusst wurde, als sie Entscheidungen auf deren Grundlage generierten.
Erst durch den Mechanismus der Entscheidungsgenerierung konnten sie Fehler in ihrer Dateninterpretation erkennen. Supply chain Praktiker konnten die generierten Entscheidungen überprüfen und Unstimmigkeiten aufzeigen, wodurch es Lokad möglich wurde, ihr Datenverständnis zu korrigieren.
Lokads entscheidungsbasierter Ansatz zur supply chain Optimierung betont die Bedeutung, greifbare supply chain Entscheidungen zu treffen, bevor man sich in die Datenanalyse und Prognose stürzt. Diese kontraintuitive Methode ermöglicht ein besseres Verständnis der Daten und führt letztlich zu einer effektiveren supply chain Optimierung.
Sie erörtern die Herausforderungen und den Prozess der Generierung optimaler Entscheidungen im supply chain management.
Vermorel erklärt, dass sie bei dem Versuch, Entscheidungen zu generieren, häufig auf Probleme stoßen, die im Widerspruch zur Realität der supply chain stehen. Diese Probleme sind meist alltäglich und repetitiv, doch ihre Identifizierung und Behebung ist entscheidend für die Schaffung effektiver Lösungen.
Um Daten in der supply chain besser zu verstehen, schlägt Vermorel vor, auf Basis dieser Daten Entscheidungen zu generieren. Wenn die Entscheidungen annähernd korrekt und vernünftig sind, bestätigen sie das semantische Verständnis der Eingangsdaten. Dieser wechselseitige Prozess zwischen dem mentalen Modell der Daten und der Entscheidungsgenerierung trägt dazu bei, die Genauigkeit zu verbessern und die Entscheidungen stärker an der Realität der supply chain auszurichten.
Die Interviewpartner diskutieren auch die Herausforderung von Versuch und Irrtum bei der Generierung optimaler Entscheidungen. Vermorel weist darauf hin, dass die Probleme sich nicht nur auf die Daten beschränken, sondern auch die eigentlichen Kennzahlen betreffen, die optimiert werden. Aus einer kartesischen Perspektive sollte man in Bezug auf den Fehler in Dollar statt in Prozenten optimieren. Dies beinhaltet die Anwendung von economic drivers wie carrying cost, Bruttomarge und stock-out Strafgebühren, um die Leistung der Entscheidungen in Dollar auszudrücken.
Dennoch enden die anfänglichen Entscheidungen, selbst wenn scheinbar sinnvolle economic drivers angewendet werden, oft als unsinnig. Vermorel erklärt, dass feine Probleme in den Kennzahlen selbst liegen, was einen wechselseitigen Prozess zwischen dem Verständnis der Daten, der Generierung von Entscheidungen und der Verfeinerung der economic drivers erfordert.
Das Endziel dieses decision-first Ansatzes ist es, ein numerisches Rezept zu erstellen, das in der Lage ist, alltägliche Entscheidungen automatisch zu generieren. Dies ist essenziell, um das enorme tägliche Aufkommen von Entscheidungen in großen supply chains zu bewältigen, da es Unternehmen ermöglicht, den Einsatz einer Armee von Sachbearbeitern zu vermeiden und sich stattdessen auf die kontinuierliche Verbesserung des numerischen Rezepts zu konzentrieren.
Sie erörtern die Bedeutung eines decision-first Ansatzes und die Grenzen des branchenüblichen Fokus auf Prognosegenauigkeit.
Vermorel erklärt, dass der traditionelle Top-Down-, Wasserfall-Ansatz zur supply chain Optimierung nicht funktioniert. Diese Methode umfasst das Aufrüsten von Systemen, die Dokumentation von Prozessen und die Durchführung umfangreicher Studien, um einen umfassenden Plan zu erstellen. Vermorel argumentiert jedoch, dass Unternehmen erst dann wissen können, ob ihre bisherigen Schritte wirksam waren, wenn sie tatsächlich Entscheidungen generieren können.
Der branchenübliche Fokus auf Prognosegenauigkeit mag intellektuell verführerisch sein, doch Vermorel legt nahe, dass er fehlerhaft ist. Auch wenn Prognosen wichtig sind, um zukünftige Marktzustände zu antizipieren, sind sie lediglich numerische Artefakte ohne direkten Einfluss auf die supply chain. Eine Verbesserung der Prognosen allein führt nicht zu wirklichem Lernen in der Praxis oder zu Optimierung. Stattdessen betont Vermorel, dass Unternehmen vorrangig Entscheidungen treffen sollten, die mit der Realität übereinstimmen.
Um die Grenzen des Fokus auf numerische Artefakte zu verdeutlichen, beschreibt Vermorel, wie Unternehmen kurzfristige, mittelfristige und langfristige Prognosen erstellen. Anstatt das ursprüngliche Problem zu lösen, führt dieser Ansatz zu mehreren Prognoseproblemen und erfordert zusätzlichen Aufwand, um die verschiedenen Prognosen in Einklang zu bringen. Dies verschlimmert die Situation nur und bietet weiterhin keine klare Verbindung zur Realität.
Vermorel befürwortet einen decision-first Ansatz und erklärt, dass Entscheidungen atomar und klar definiert sind, was zu echtem Lernen in der Praxis und zu einer effektiven supply chain Optimierung führen kann. Er betont die Notwendigkeit, dass Unternehmen sich der Realität durch das Treffen von Entscheidungen stellen, was es ihnen ermöglicht, die Wirksamkeit ihrer Optimierungsbemühungen zu beurteilen.
Der Gründer teilt seine Erfahrung, zunächst einen klassischeren, kartesischen Ansatz versucht zu haben, der wiederholt scheiterte, und betont die Notwendigkeit einer decision-first Perspektive, um Fehler zu vermeiden.
Vermorel ist der Überzeugung, dass Organisationen nur durch Handeln lernen können, und unterstreicht die Bedeutung, Entscheidungen zu generieren und diese zu iterieren, anstatt zu versuchen, perfekte Lösungen von oben herab zu entwickeln. Er räumt ein, dass es schwierig ist, Unternehmen von einem Wechsel ihres Ansatzes zu überzeugen, da viele bereits verschiedene supply chain Optimierungssysteme erfolglos ausprobiert haben. Was die Einsatzbereitschaft betrifft, glaubt er, dass die meisten Unternehmen offen für die Einführung eines neuen Ansatzes sind, jedoch zunächst die Misserfolge früherer Versuche und die Grenzen traditioneller kartesischer Methoden anerkennen müssen.
Gesamtes Transkript
Kieran Chandler: Heute bei Lokad TV werden wir den alternativen Ansatz verstehen, Entscheidungen an erste Stelle zu setzen, und wie dies die Arbeitsweise einer Organisation verbessern kann. Joannes, vielleicht kannst du damit beginnen, uns ein wenig mehr darüber zu erzählen, was du unter einem entscheidungsbasierten Ansatz verstehst.
Joannes Vermorel: Der entscheidungsbasierte Ansatz ist ein sehr spezifischer Blickwinkel, den wir nach einigen Jahren der Tätigkeit, die Lokad ausführt – im Grunde die prädiktive supply chain Optimierung – entdeckt haben. Als ich Lokad gründete, verfolgte ich eine kartesische Perspektive, bei der man etwas optimieren möchte, sodass man sagt: “Ich werde Daten erheben, ihre Semantik klären, dann eine Reihe von genau definierten numerischen Rezepten anwenden – Prognose, Optimierung – und dann gezielt auf bestimmte Kennzahlen hinarbeiten, all das anwenden, und dann werden wir gute Entscheidungen treffen.” Allerdings stellte sich heraus, dass dieser Ansatz nicht funktioniert. So führen wir Projekte heutzutage absolut nicht durch, und die Art, wie wir es machen, ist zutiefst kontraintuitiv.
Joannes Vermorel: Wenn ich von einem entscheidungsbasierten Ansatz spreche, meine ich, dass es buchstäblich darum geht, eine Entscheidung zu treffen, etwas, das der Realität entspricht. Was meine ich mit Entscheidungen? Ich meine alltägliche supply chain Entscheidungen wie die Entscheidung, bei einem Lieferanten eine weitere Einheit zu bestellen, die Entscheidung, in deiner Produktionslinie eine weitere Einheit zu fertigen, die Entscheidung, eine Einheit Lagerbestand von Standort A zu Standort B zu verlagern oder die Entscheidung, den Preis eines Produkts anzuheben oder zu senken. Dies sind greifbare, physische Entscheidungen, die eine reale wirtschaftliche Auswirkung auf deine supply chain haben. Wenn ich sage, decision-first, meine ich, dass der erste Schritt buchstäblich darin besteht, eine dieser Entscheidungen zu treffen, bevor alles andere erfolgt, was sehr bizarr klingt, da man denken würde, dass alles andere zuerst kommt, aber nein, es ist die Entscheidung, die an erster Stelle steht.
Kieran Chandler: Lass uns ein wenig darüber sprechen, wie du auf diese Idee gekommen bist. Was hast du bei Lokad erlebt, das dich zu diesem Ansatz geführt hat?
Joannes Vermorel: Wir erkannten, dass wir zu Beginn die Datenaufbereitung durchführen mussten. Zum Beispiel, wenn wir die supply chain optimieren wollten, brauchten wir Daten, nämlich sehr grundlegende historische Daten über frühere Verkaufszahlen, Lagerbewegungen und derartige Dinge. Man würde denken, dass man die Daten dokumentieren kann, um sicherzustellen, dass man sie versteht – und genau das taten wir. Das Problem war jedoch, dass wir die Daten jedes Mal, wenn wir sie dokumentierten, irgendwie falsch interpretierten. Erst als wir zur Stelle gelangten, an der wir die Entscheidung generierten, merkten wir, dass wir es falsch gemacht hatten. Es ist nur dem Mechanismus der Entscheidungsgenerierung zu verdanken, bei dem wir eine Entscheidung treffen, wie zum Beispiel: “Lass uns X Einheiten Lagerbestand von diesem Standort zu jenem verlagern,” und dann schaut ein supply chain Praktiker sich die Entscheidung an und sagt: “Das ist einfach falsch. Du hast die Daten eindeutig missverstanden.”
Kieran Chandler: In Situationen, in denen wir das nicht tun sollten, gibt es einen sehr triftigen Grund, es nicht zu tun. Es ist nicht unbedingt komplex; es ist sehr alltäglich. Zum Beispiel hast du nicht die Kapazität, oder du denkst, dass du noch 1.000 Einheiten am ersten Standort hast, aber tatsächlich sind es nur fünf. So kannst du nicht einmal die 50 Einheiten bewegen, die du bewegen möchtest. Solche Probleme gibt es.
Joannes Vermorel: Es ist interessant, dass man mit der Entscheidungsgenerierung beginnt und dann supply chain Praktiker mit Erfahrung hat, die auf den ersten Blick sagen können, dass es sich um eine fehlerhafte Entscheidung handelt. Dann wird einem klar, dass es viele Probleme gibt, die man zuvor nicht identifiziert hatte.
Kieran Chandler: Das ist durchaus kontraintuitiv, nicht wahr? Denn man würde denken, dass durch die Datenbereinigung und das Verständnis der Datenstruktur einige dieser fehlerhaften Entscheidungen bereits vermieden würden.
Joannes Vermorel: Wenn ich sage, dass wir fehlerhafte Entscheidungen generieren, meine ich, dass wir Entscheidungen treffen, die in relativ alltäglicher Weise im Widerspruch zur Realität der supply chain stehen. Es erfordert viel Intelligenz, um die Entscheidung selbst zu generieren. Die wichtigste Erkenntnis hierbei ist, dass der einzige Weg, sicherzustellen, dass man die Daten richtig versteht, darin besteht, eine Entscheidung daraus ableiten zu können. Wenn diese Entscheidung annähernd korrekt und vernünftig ist, bestätigt sie die Semantik, von der man annimmt, dass sie auf die Eingangsdaten zutrifft und die man zur Erstellung des Modells verwendet hat.
Allerdings handelt es sich um einen Mechanismus, bei dem man zwischen dem mentalen Modell, also der Semantik dessen, was man denkt, dass die Daten bedeuten, und dem Mechanismus der Entscheidungsgenerierung hin und her gehen muss, wobei die Realität einem Rückmeldung darüber gibt, was man tut. Dann wird einem klar, dass es viele Dinge gab, die man an den Daten falsch interpretiert hat, sodass dieser Prozess ein Hin und Her beinhaltet.
Kieran Chandler: Wie gelangen wir dann zur endgültigen Entscheidung? Es scheint, als ob es viel Versuch und Irrtum erfordert. Wie viel Versuch und Irrtum ist das?
Joannes Vermorel: Es ist noch schlimmer, denn ich habe bisher nur die Probleme besprochen, die du bei den Daten identifiziert hast. Es geht nicht nur um die Probleme mit den Daten; es geht auch um die Kennzahlen, die du optimierst. Wenn du es aus einer kartesischen Perspektive betrachtest, würdest du sagen, dass du nicht optimieren kannst, was du nicht misst. Bei Lokad befürworten wir eine Optimierung, die in Dollar des Fehlers gemessen wird und nicht in Prozent. Also brauchst du eine Kennzahl, ausgedrückt in Dollar, die alle ökonomischen Treiber berücksichtigt, die relevant sind. Zum Beispiel würde das im Fall des Lagerbestands bedeuten, wirtschaftliche Faktoren wie Lagerhaltungskosten, Bruttomarge und Fehlbestandsstrafen einzubeziehen.
Kieran Chandler: Kannst du erklären, wie du die Leistung der Entscheidungsfindung bei Lokad misst?
Joannes Vermorel: Ja, so misst du die Leistung deiner Entscheidung, ausgedrückt in Dollar. Logischerweise würdest du sagen: “Ich nehme den DR, den ich verstehe, ich nehme eine statistische, hochdimensionale Lernfähigkeit, die den Vorhersageteil bildet, und dann wende ich hochdimensionale, numerische Optimierungsfähigkeiten an und setze eine Kennzahl ein, die meine Geschäftsstrategie widerspiegelt und meine Treiber berücksichtigt.”
Kieran Chandler: Und was passiert, wenn du diese Kennzahl zum ersten Mal anwendest?
Joannes Vermorel: Du wirst mit massenhaft unsinnigen Entscheidungen konfrontiert werden, und das ist sehr rätselhaft, denn alle deine ökonomischen Treiber erscheinen nicht ganz selbstverständlich, sondern fast – du weißt schon – wie bei Lagerhaltungskosten. Bruttomarge, ich meine, wir sprechen hier nicht von hochkomplexen Dingen. Und doch enden wir, wenn wir das auf Entscheidungen anwenden, unweigerlich mit sehr dummen, schlechten Entscheidungen. Und was spiegeln diese Entscheidungen wider? Sie zeigen, dass Fehler – Gedanken, subtile Probleme – in den Kennzahlen selbst liegen. So gibt es, so wie wir bereits erlebt haben, ein ständiges Hin und Her zwischen deinem Verständnis der Daten und der Entscheidung, die du daraus ableitest. Es geht ständig um die ökonomischen Treiber, wie du sie verstehst und welche Art von Entscheidung du triffst. Wir sprechen immer wieder von der Idee, dass man nicht optimieren kann, was man nicht misst. Also, was ist das Endziel? Ist das Endziel, dass die Daten die von dir getroffenen Entscheidungen validieren?
Kieran Chandler: Und was ist laut supply chain practitioners das Endziel?
Joannes Vermorel: Das Endziel besteht darin, etwas zu haben, das kapitalistisch ist. Siehst du, wenn wir von “decision first” sprechen, dann ist die Idee, ein numerisches Rezept zu liefern, das all diese super banalen Entscheidungen automatisch erzeugt. Warum? Weil es so viele davon gibt. Unsere größten Kunden müssen täglich Millionen davon generieren. Entweder hast du also eine Armee von Sachbearbeitern – die viele Unternehmen immer noch haben – oder du entscheidest: “Okay, ich werde ein Wunderrezept haben, das diese Arbeit erledigt”, und dann fließen all die Anstrengungen, die ich in diesem Bereich unternehme, in die fortlaufende Verbesserung des numerischen Rezepts selbst.
Kieran Chandler: Und was ist interessant an diesem Ansatz?
Joannes Vermorel: Interessanterweise bist du, bis du diese Entscheidungen tatsächlich generierst, bei all den anderen Dingen, die du tun könntest, nicht einmal sicher, ob sie funktionieren. Genau das Problem: Wenn du diese Art von kartesischer Top-down-Perspektive einnimmst, würdest du sagen: “Okay, mein Plan ist, zuerst das ERP auf die neuen Fähigkeiten XYZ aufzurüsten. Okay, das dauert sechs Monate, und dann werden wir Abläufe dokumentieren und klären, was da Ordnung hat, und dann ist das wieder XYZ-Kram, und wir schieben sogar alles in einen data lake, und anschließend machen wir eine weitere sechsmonatige Studie mit vielleicht einem externen Berater, um die Strategie vollständig zu klären und eine vollständige quantitative Modellierung zu erhalten.”
Kieran Chandler: Bezüglich der Geschäftstreiber – und dann werden wir schließlich all diese Dinge zusammenfügen, um diese automatisierte Ausführung der optimierten Entscheidung zu erzeugen. Das sieht aus wie, weißt du, ein Plan mit einem schönen Wasserfall-Prozess, bei dem du von Phase eins zu Phase zwei zu Phase drei übergehst. Aber buchstäblich funktioniert das überhaupt nicht, und das ist wahrscheinlich die frustrierendste Lektion. Bis du an dem Punkt bist, an dem du tatsächlich Entscheidungen generierst, hast du keine Ahnung, ob einer der vorher getroffenen Schritte überhaupt funktioniert. Und das ist etwas wirklich Schockierendes. Man könnte denken, man hätte einen Plan, den man zuverlässig umsetzen kann, aber nein – die Lektion lautet, wenn du diesen Kontakt zur Realität, diese Rückkopplungsschleife, nicht hast, weißt du wirklich nicht, ob etwas funktioniert.
Joannes Vermorel: Ja, ich meine, die Branche ist natürlich sehr auf die Idee der Prognose und der Prognosegenauigkeit fokussiert, oder? Warum wird diese Sichtweise, die Unternehmen, Firmen und Berater so vehement vorangetrieben?
Kieran Chandler: Weil sie intellektuell sehr verführerisch ist. Es sieht aus wie etwas sehr Vernünftiges.
Joannes Vermorel: Ich meine, ja, Prognosen sind wichtig, ganz klar. Denn jedes Mal, wenn du eine supply chain Entscheidung triffst, gibst du im Grunde eine Aussage über einen zukünftigen Zustand des Marktes ab. Wenn du eine Bestellung für Rohmaterialien an einen Lieferanten weiterleitest, machst du im Grunde implizit eine Aussage über den künftigen Nachfragespiegel. Da supply chain – weil wir nicht teleportieren können und weil wir nicht einfach alles augenblicklich per 3D-Druck herstellen können – dreht sich alles darum, den zukünftigen Zustand des Marktes vorauszusehen. Unternehmen versuchen daher, das rational anzugehen und sagen: “Oh, lasst uns eine Runde zur Verbesserung der Prognose machen”, was im Grunde genau dem entspricht, was wir in unserer Naked Forecast Episode besprochen haben. Und dann endest du mit allerlei Problemen, und wenn wir es aus einer etwas anderen Perspektive betrachten – nämlich der Möglichkeit dieser decision first Episode – würde ich sagen: Das Problem ist, dass du nicht decision first bist, wenn du das machst. Wenn du sagst: “Oh, lass uns für bessere Prognosen eintreten und dann sehen, was wir mit diesen besseren Prognosen machen können”, bist du nicht decision first. Du beginnst mit einem numerischen Artefakt. Alle Arten von Prognosen sind bloß numerische Artefakte. Sie haben keinen direkten Einfluss auf deine supply chain. Und dann sagst du, vielleicht wird es sich verbessern – doch meine Rückmeldung, die Lektion, die ich in einem Jahrzehnt supply chain Projekten bei Lokad gelernt habe, ist: Nein, du wirst nichts lernen. Lernen kommt nur aus der Realität, die der letzte Schiedsrichter ist, wenn es darum geht, wer recht und wer falsch liegt. Und wenn ich von Realität spreche, meine ich, dass der Weg, um sicherzustellen, dass dieses supply chain Optimierungsprojekt wirklich in die richtige Richtung geht, durch diese Entscheidungen führt – denn diese Entscheidungen sind wirklich der Kern darin, sich dem Urteil der Realität auszusetzen.
Kieran Chandler: Okay, und decision first zu setzen ist sicherlich der Ansatz, den wir verfolgen würden, aber was ist mit diesen alternativen Ansätzen, die in der Industrie existieren? Und wie wäre es damit, diese Entscheidungen aufzuteilen?
Joannes Vermorel: Ja, ich meine, zum Beispiel passiert typischerweise folgendes: Wenn du beginnst, dich auf Artefakte zu konzentrieren – insbesondere auf numerische Artefakte – sind sehr wenige Einschränkungen damit verbunden, und so kannst du sie im Grunde aufteilen oder untergliedern. Zum Beispiel kannst du eine kurzfristige Prognose, eine mittelfristige Prognose und eine langfristige Prognose haben. Wenn du das machst, schaffst du weitere Probleme. Du hattest ein Problem mit Prognosen, und nun hast du drei Prognoseprobleme, und zusätzlich das Problem, dass verschiedene Teams ihre Arbeit aufeinander abstimmen müssen. Du musst dann die langfristige Prognose mit der mittelfristigen Prognose in Einklang bringen, dann die kurzfristige Prognose mit der mittelfristigen Prognose abgleichen und vielleicht sogar die kurzfristige Prognose mit der langfristigen Prognose. Du hattest ein Problem – nun hast du sechs. Du hast die Situation einfach verschlimmert, und es ist immer noch sehr unklar, ob das, was du tust, überhaupt irgendeinen Bezug zur Realität hat.
Die Realität wird dir nicht auf indirekte Weise sagen, ob das, was du tust, falsch ist. Und darin liegt die Schönheit von Entscheidungen. Wenn wir den decision-first Ansatz verfolgen, dann sind Entscheidungen in der Regel hochatomar und klar definiert. So wie wir es bei Lokad sehen: Sie sind atomar; man kann sie nicht weiter unterteilen. Wenn ich sage: “Kaufe heute eine Einheit von diesem Lieferanten”, dann ist das so atomar, wie es nur sein kann. Manchmal kannst du es verfeinern, etwa: “Kaufe heute eine Einheit von diesem Lieferanten und lasse diese Einheit per Truck versenden”, weil es vielleicht eine Option gibt, sie per Zug oder etwas anderem zu transportieren. Also: Bei Lokad sind die Entscheidungen definitionsgemäß völlig atomar. Man kann sie wirklich nicht unterteilen, was sehr schön ist, da es auch Grenzen dafür setzt, was man sich sonst noch ausdenken könnte.
Fokussiert man sich auf Entscheidungen, verhindert man, dass man ganze Fehlerklassen begeht, wie das Aufteilen von Dingen oder das Erschaffen von erfundener Arbeit. Es ist ein echter Perspektivwechsel.
Kieran Chandler: Und was tust du also, um jene Organisationen zu überzeugen, die es gewohnt sind, einen klassischeren Ansatz zu verfolgen?
Joannes Vermorel: Das ist der Kern des…
Kieran Chandler: Das Problem ist, dass es sehr schwer ist zu überzeugen, weil ich selbst zunächst nicht überzeugt war. Weißt du, ich bin 2008 nicht mit diesem Ansatz gestartet. Ich habe den klassischeren Weg versucht, den ich als den kartesischen Weg bezeichnen würde. Du probierst einfach dieses Wasserfall-Prinzip oder Ingenieurprinzip: Kläre den Input, kläre die Kennzahlen, kläre das Modell und setze dann alles zusammen, um in dieser Reihenfolge eine Optimierung durchzuführen – und es soll funktionieren. Aber nein, so funktioniert es absolut nicht.
Joannes Vermorel: Ich kann aus Erfahrung sagen, dass es immer wieder gescheitert ist, und wir hatten eine Vielzahl sehr schmerzhafter Initiativen. Letztlich, wenn du es auf die kartesische Weise machst, was passiert dann in der Praxis? Du startest dein schönes Projekt und dann, an dem Tag, an dem du fertig sein sollst, stellst du fest, dass nichts funktioniert und du alles noch einmal von vorne machen musst.
So funktioniert es letztlich, denn wenn du tatsächlich in die Produktion gehst, wirst du all diese Dinge feststellen und musst dann alles, was du zuvor getan hast, überdenken. Und das ist der Trick. Wenn du diese Perspektive nicht annimmst, werden deine Projekte einfach Jahre dauern, weil du ein einjähriges Projekt in dieser Wasserfall-Perspektive machst – mit einem schönen Plan und allem Drum und Dran. Und an dem Tag, an dem du versuchst, das System zu starten, stellst du fest, dass alles auseinanderfällt. Also schaltest du es wieder ab und wiederholst den Vorgang. Und dann dauert es Jahre.
Meine Philosophie ist, dass ich zunächst versuche, dieses Experiment zu kommunizieren. Und aus einer etwas philosophischeren Perspektive würde ich sagen, dass man alles, was man lernt, nicht aus Lehrbüchern lernt. Bei den meisten Dingen im Leben lernt man durch Tun. Es ist tatsächlich äußerst schwierig, etwas zu lernen, ohne es zu tun.
Ja, theoretisch kann man eine Fremdsprache lernen, indem man einfach ein Buch nimmt, es sechs Monate lang liest, es auswendig lernt, und dann ist man fließend. Ich weiß nicht, ob ich jemals jemanden gesehen habe, der dazu fähig ist. Theoretisch mag es möglich sein, aber in der Realität nein. Du würdest es versuchen, du würdest stolpern, und manchmal verstehen die Leute einfach nicht, was du sagst, und dann wirst du allmählich besser. Aber siehst du, man lernt durch Tun. Das ist das alte griechische Konzept der praxis. Und ich denke, bei etwas so Komplexem wie der supply chain gibt es keinen anderen Weg, um wirklich zu lernen – das halte ich für töricht.
Kieran Chandler: Okay, gut, fassen wir das mal zusammen. Alles klingt theoretisch großartig, aber es ist bei weitem nicht etabliert. Glaubst du also, dass die Branche wirklich bereit ist, einen völlig neuen Ansatz zu verfolgen, oder denkst du, dass sie zu sehr in ihren Gewohnheiten verankert ist und die alten Ansätze zu sehr eingespielt sind?
Joannes Vermorel: Das Lustige ist, was die Bereitschaft betrifft: Ich sehe, dass die überwiegende Mehrheit der Unternehmen, die seit Jahrzehnten supply chain Optimierungssysteme einsetzen – vor allem die großen – und ich meine, es ist verrückt, sie haben, ich meine…
Kieran Chandler: Sogar der Begriff ERP (Enterprise Resource Planning) steht normalerweise für eine Art supply chain Optimierung. Die überwiegende Mehrheit der in den letzten drei Jahrzehnten eingeführten ERPs liefert in diesem Bereich keinen Mehrwert. Ja, sie bringen auf der Management-Seite viel Wert: Du kannst deine Bestände überwachen, hast Echtzeit-Transparenz, was sehr schön ist. Du kannst viele workflow Automatisierungen für Rechnungen, Zahlungen, das Verfolgen von Verzögerungen und all das haben. Sehr gut. Aber wenn es um predictive optimization geht, ist der Stand der Industrie nahezu nicht existent. Es gibt nur sehr wenige funktionierende Ansätze, und das liegt nicht an mangelndem Einsatz. Häufig ist es so, dass die großen Unternehmen, die wir betreuen, typischerweise ihren fünften, sechsten oder siebten Versuch in dieser Angelegenheit haben. Also, was die Bereitschaft angeht, denke ich, dass viele Unternehmen dazu bereit sind, weil sie es in den letzten drei Jahrzehnten versucht haben. Es mangelt also nicht am Versuch.
Joannes Vermorel: Ich denke, der Kernpunkt ist, dass die meisten Unternehmen nicht einmal versucht haben, das Kleingedruckte ihrer Fehlschläge anzuerkennen. Das mag mit der Macht des negativen Wissens zusammenhängen, über das wir in einer anderen Episode gesprochen haben. Vielleicht müssen einige Unternehmen anfangen, sich auf diese komplexen Probleme, diese “wicked problems” oder Probleme zu konzentrieren, die sich dem schönen kartesischen Ansatz widersetzen – dem Ansatz, bei dem man einfach einen Stift und ein Blatt Papier nimmt, sich an den Schreibtisch setzt, angestrengt nachdenkt, eine Lösung findet, sie implementiert und es funktioniert. So funktioniert das in der supply chain Verwaltung nicht. Die supply chain ist viel zu chaotisch. Du musst diese Entscheidungen generieren und nicht nur auf sie reagieren. Du kannst die Entscheidung generieren, sie von einigen Leuten überprüfen lassen, und dann sagen sie dir: “Nein, das funktioniert nicht.” Das ist schon ausreichend. Aber was die Bereitschaft angeht, zurück zu deiner Frage: Ich denke, viele Unternehmen sind bereit, und das wird ein steiniger Weg werden. Für Lokad müssen wir sie immer noch davon überzeugen, dass es keinen anderen Weg gibt, als ihre Initiative in Bezug auf die Realität zu riskieren, anstatt zu versuchen, es gleich beim ersten Mal richtig zu machen – von einer kartesischen, Top-down-Perspektive, die leider nicht funktioniert.
Kieran Chandler: Okay, brillant. Wir müssen es hier also beenden, aber danke für deine Zeit. Das war dann alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Tschüss fürs Erste.
