00:00:07 Die Bedeutung der Vorhersage von Trends.
00:01:36 Die Einschränkungen bei der Verwendung von Social-Media-Daten zur supply chain Vorhersage.
00:04:26 Die Kluft zwischen Social-Media-Trends und supply chain-Daten auf SKU-Ebene.
00:06:37 Herausforderungen bei der Erkennung früher Signale in Social-Media-Daten.
00:07:20 Die Nutzung von Unternehmensdaten für bessere Vorhersagen und die Bedeutung stabiler Vorhersagemodelle.
00:10:07 Die Schwierigkeit, extreme Ereignisse wie COVID-19 vorherzusagen, und die Bedeutung probabilistischer Vorhersagen.
00:13:42 Der langsame und manuelle Prozess, Vorhersagen in Entscheidungen umzusetzen, in den meisten Branchen.
00:15:00 Die träge Natur von supply chains und die Ineffizienz, auf frühe Signale zu reagieren.
00:15:53 Die Notwendigkeit der Robotisierung von Datenpipelines, um Entscheidungen effizienter zu generieren.
00:17:07 Die Beschränkungen der Vorhersagetechnologie und das Annehmen von Unsicherheiten.
00:19:35 Die Rolle von Supply Chain Scientists und menschlicher Einsicht bei der Entscheidungsfindung.
00:20:31 Die Bewertung der möglichen Zeiteinsparungen durch bessere Vorhersagetechnologie.
00:22:00 Die Priorisierung der Automatisierung in der Entscheidungsfindung gegenüber fortgeschrittenen Vorhersagen.
Zusammenfassung
Kieran Chandler und Joannes Vermorel diskutieren die Herausforderungen und das Potenzial der Nutzung externer Datenquellen wie Social Media zur Vorhersage von supply chain Trends. Vermorel argumentiert, dass, obwohl auf Social Media wertvolle Informationen existieren können, es schwierig ist, die Daten mit spezifischen Produkten abzugleichen, und dass die Qualität und der Kontext der Daten oft unklar sind. Stattdessen empfiehlt er, sich auf interne Daten zu konzentrieren, um einen schärferen Blick in die Zukunft zu erhalten, und einen probabilistischen Ansatz zu verfolgen, um sich auf extreme Ereignisse vorzubereiten. Vermorel betont die Notwendigkeit, dass Unternehmen ihre Entscheidungsfindung automatisieren, um ihre Agilität zu verbessern und besser auf Nachfrageschwankungen zu reagieren.
Erweiterte Zusammenfassung
Die Diskussion zwischen Kieran Chandler und Joannes Vermorel dreht sich um das Potenzial, große externe Datenquellen wie Social Media zu nutzen, um Trends vorherzusagen und frühe Signale für supply chain-Optimierung zu erfassen. Vermorel argumentiert, dass dieser Ansatz in der Praxis für supply chains aufgrund der Schwierigkeit, relevante Daten zu extrahieren und zwischen echten und gefälschten Informationen zu unterscheiden, nicht effektiv funktioniert. Selbst Werbetreibende haben große Schwierigkeiten, zwischen echten und von Bots generiertem Traffic zu unterscheiden, was es schwierig macht, wertvolle Erkenntnisse aus diesen Datenquellen zu gewinnen. Vermorel schlägt vor, dass die Vorhersage von Trends mittels Social Media in seltenen oder extremen Situationen funktionieren könnte, jedoch die Granularität der Informationen, die für die supply chain-Optimierung benötigt wird, im Allgemeinen nicht erreichbar ist.
Sie diskutierten die Herausforderungen und das Potenzial, externe Datenquellen wie Social Media zu nutzen, um supply chain Trends vorherzusagen. Vermorel erklärt, dass es zwar auf Social Media wertvolle Informationen geben kann, es jedoch schwierig ist, diese Daten direkt mit spezifischen Produkten oder SKUs abzugleichen. Darüber hinaus sind die Qualität und der Kontext der Daten oft unklar, da Menschen selten Produktdetails wie UPC-Codes in ihren Beiträgen erwähnen, und die Interpretation des Inhalts kann sehr subjektiv sein.
Vermorel fügt hinzu, dass selbst wenn die Information offensichtlich erscheint, beispielsweise wenn ein Prominenter ein Produkt empfiehlt, die Interpretation erheblich variieren kann. Menschen können sich auf unterschiedliche Aspekte des Produkts konzentrieren, wie die Farbe, Form oder Marke. Diese Unschärfe wird dadurch verstärkt, dass Social-Media-Beiträge oft Teil einer größeren Unterhaltung sind, bei der Interaktionen und Reaktionen zusätzliche Mehrdeutigkeiten einbringen. Sentiment-Analyse kann helfen, aber es bleibt schwierig, klare und umsetzbare Informationen aus Social-Media-Daten zu extrahieren.
Auf die Frage nach anderen frühen Signalen für supply chain Trends schlägt Vermorel vor, dass sich Unternehmen auf ihre eigenen internen Daten konzentrieren sollten. Durch die Analyse dieser Daten kann ein klarerer Blick in die Zukunft gewonnen werden, doch die Erkennung von frühen Signalen für außergewöhnliche Ereignisse bleibt herausfordernd. Er erklärt, dass selbst mit einem guten Vorhersagemodell Grenzen bestehen, die dem Bedürfnis nach Stabilität geschuldet sind. Eine supply chain erfordert einen beständigen Plan zur Umsetzung, und zu viel Reaktionsfähigkeit kann zu kostspieligen Fehlalarmen führen.
Vermorel räumt ein, dass Verbesserungen bei der frühzeitigeren Erkennung von Signalen möglich sind, aber der Fortschritt ist oft gering. Zum Beispiel freut man sich bei Lokad, wenn man eine Disruption einige Tage früher als zuvor erkennen kann. Er warnt, dass diese frühen Signale in den meisten Fällen immer noch reaktiv sind, da sie auf Unternehmensdaten basieren, die Veränderungen im Absatz oder anderen Faktoren widerspiegeln.
Im Hinblick auf die Idee, frühe Signale für bedeutende Ereignisse wie das Coronavirus zu erhalten, stellt Vermorel die Zuverlässigkeit der Erkennung solcher Signale in Frage. Er schlägt vor, dass es zwar von Vorteil sein kann, Frühwarnsysteme für seltene, groß angelegte Störungen zu haben, die Praktikabilität der Entwicklung genauer und zuverlässiger Vorhersagemodelle für diese Szenarien jedoch ungewiss bleibt.
Der Gründer diskutierte extreme Ausreißerereignisse wie COVID-19, die Herausforderungen bei der Vorhersage solcher Ereignisse und die Bedeutung probabilistischer Vorhersagen. Er argumentiert, dass die Vorhersage von Ausreißern von Natur aus schwierig ist, da sie überraschend und beispiellos sind. Stattdessen empfiehlt er, einen probabilistischen Ansatz zu verfolgen, der extremen Ereignissen eine geringe Wahrscheinlichkeit zuweist und sich im Laufe der Zeit auf sie vorzubereiten.
Vermorel betont die Notwendigkeit, dass Organisationen reflektiert und anpassungsfähig auf weltweite Ereignisse reagieren. Er stellt fest, dass viele Branchen träge in der Reaktion sind, selbst wenn sie frühe Warnsignale erhalten, da ihnen die Fähigkeit fehlt, Vorhersagen effizient in umsetzbare Entscheidungen umzuwandeln. Dies liegt oft an der manuellen und zeitaufwendigen Natur der Entscheidungsprozesse in Unternehmen.
Er unterstreicht die Bedeutung eines vollständig automatisierten Prozesses, der Vorhersagen ohne menschliches Eingreifen in Entscheidungen umwandelt. Ohne Automatisierung gehen die Vorteile früher Warnsignale oft verloren, da die Trägheit der Menschen, Vorhersagen in Maßnahmen umzusetzen, den Nutzen schmälert. Zusätzlich hebt er das Problem des Vertrauens in frühe Signale hervor, da diese häufig verrauscht und unsicher sind.
Vermorel schlägt vor, dass sich die Technologie in Zukunft möglicherweise verbessern könnte, aber das Hauptproblem bleibt die Umsetzung von Vorhersagen in Entscheidungen. Er ist der Meinung, dass ein die Quantitative Supply Chain-Ansatz, der die vollständige Robotisierung der data pipeline beinhaltet, entscheidend ist, um dieses Problem anzugehen. Dies ermöglicht es Unternehmen, reaktionsschneller zu sein und besser auf unvorhergesehene Ereignisse vorbereitet zu sein.
Er sprach über die Herausforderungen bei der Vorhersage und Reaktion auf Nachfragespitzen, wie sie beispielsweise während einer Pandemie auftreten. Vermorel erklärt, dass die Zukunft von Natur aus unsicher ist und probabilistische Vorhersagen der beste Ansatz sind, um diese Unschärfe zu akzeptieren. Er betont, dass sich Unternehmen darauf konzentrieren sollten, wie sie bessere Entscheidungen auf Basis von Wahrscheinlichkeiten treffen können, anstatt zu versuchen, die exakten Zahlen vorherzusagen.
Vermorel ist der Ansicht, dass der Schlüssel zur erfolgreichen Bewältigung von Nachfragespitzen in der Agilität liegt, und dass Unternehmen dies durch die Automatisierung ihrer Prozesse erreichen können. Er erklärt, dass better forecasting Technologie möglicherweise nur eine oder zwei Wochen im Vergleich zu traditionellen Methoden einspart, aber der wirkliche Vorteil darin besteht, die Verzögerung zwischen Vorhersage und Entscheidungsfindung zu beseitigen. Durch die Integration dieser Prozesse können Unternehmen schnellere und effektivere Entscheidungen treffen.
Auf die Frage nach der Rolle von supply chain Praktikern schlägt Vermorel vor, dass sie sich auf die Automatisierung ihrer Prozesse und darauf konzentrieren sollten, rechtzeitig auf Nachfrageschwankungen zu reagieren. Er stellt fest, dass Unternehmen oft erheblich Zeit verschwenden, manchmal bis zu einem Viertel, um sich an neue Realitäten anzupassen. Durch die Optimierung und Automatisierung der Prozesse können Unternehmen diese Verzögerung reduzieren und ihre Agilität verbessern.
Vermorel spricht auch über die Einschränkungen bei der Nutzung von Social-Media-Daten für Vorhersagen. Obwohl sie einige Einblicke bieten können, sind diese Informationen für Unternehmen nicht unbedingt umsetzbar. Stattdessen sollten Unternehmen die Automatisierung ihrer Entscheidungsprozesse priorisieren und fortschrittlichere Prognosemethoden implementieren, um ihre Agilität als Reaktion auf Nachfrageschwankungen zu erhöhen.
Vermorel hebt die Bedeutung hervor, Unsicherheiten anzunehmen und sich darauf zu konzentrieren, bessere Entscheidungen auf Basis von Wahrscheinlichkeiten zu treffen. Durch die Automatisierung der Prozesse und die Eliminierung der Verzögerung zwischen Vorhersagen und Entscheidungsfindung können Unternehmen ihre Agilität verbessern und besser auf Nachfragespitzen reagieren.
Vollständiges Transkript
Kieran Chandler: Heute in Lokad TV werden wir diskutieren, ob es mit dem Aufstieg von Social Media nun möglich ist und was Unternehmen tun können, um von diesen frühen Signalen zu profitieren. Also, Joannes, heute dreht sich alles um die Vorhersage dieser frühen Signale. Was ist die Grundidee dahinter?
Joannes Vermorel: Die Idee, wie sie von vielen Softwareanbietern präsentiert wird, ist, dass man durch die Nutzung großer Datenquellen, die über das hinausgehen, was das Unternehmen besitzt, im Grunde die Zukunft etwas früher erkennen kann, um einen Blick in eine weiter entfernte Zukunft zu werfen. Das Prototypbeispiel für dieses Konzept eines frühen Signals wäre, zu erkennen, dass etwas auf Instagram im Trend liegt, weil einige Prominente nun eine neue Art von Kleidungsstück tragen, und dann zack, kann man das nutzen, um einen Monat im Voraus einen aufkommenden Trend oder Ähnliches zu antizipieren.
Kieran Chandler: Also, wenn wir über diese Datenquellen sprechen, reden wir vielleicht über Social-Media-Quellen. Sind das die richtigen Arten von Daten, auf die man schauen sollte?
Joannes Vermorel: Zumindest würden das viele KI-gesteuerte supply chain optimization Anbieter sagen.
Kieran Chandler: Und in der Praxis, wie gut funktioniert das tatsächlich, frühe Signale basierend auf externen Datenquellen vorherzusagen?
Joannes Vermorel: Derzeit gibt es eigentlich nichts, was auch nur annähernd für supply chains funktioniert, nicht auch nur annähernd. Die Vorstellung, dass man in Social Media hineingehen und dort einfach relevante Daten extrahieren kann, ist nur eine Illusion. Es sind Menschen, die so tun, als ob sie das könnten; sie haben nie festgestellt, dass der Großteil des Traffics in diesen sozialen Medien nicht einmal von Menschen, sondern von Bots, also Robotern, generiert wird. Daher ist es sehr schwer herauszufinden, was echt ist und was nicht. Selbst Werbetreibende, die für Impressionen bezahlen, haben große Schwierigkeiten, das Echte vom Unechten zu unterscheiden, und sie zahlen einen Haufen Geld, um Werbung auf diesen Plattformen zu schalten. Selbst wenn man für jede einzelne Impression bezahlt und verzweifelt darauf achtet, dass tatsächlich echte Menschen mit echten Augen diese Anzeigen ansehen, ist es sehr schwierig. Stellen Sie sich also vor, Sie sind einfach ein Anbieter, der Terabytes an zufälligen Traffic-Daten sammelt – was Sie bekommen, ist einfach viel Zufälligkeit, viel Rauschen. Die Vorstellung, dass man basierend darauf automatisch Trends vorhersagen kann, mag in einigen extremen Situationen funktionieren, ja, aber sie sind selten, sodass sie nicht sehr interessant sind. Und die Art von Informationen, die man erhalten würde, hätte bei weitem nicht die Granularität, die Sie benötigen, um das, was Sie aus diesen externen Datenquellen erhalten, in etwas zu übersetzen, das supply chain-technisch Sinn macht, um Güter zu produzieren und zu verteilen.
Kieran Chandler: Okay, und was ist also das Problem in Bezug auf die Datenqualität? Du hast erwähnt, dass es auf diesen Social-Media-Plattformen viele Roboter und Ähnliches gibt, aber dennoch steigen die Beiträge mit den meisten Likes an die Spitze und werden am sichtbarsten. Warum ist das in Bezug auf die Daten nicht interessant?
Joannes Vermorel: Das Problem ist, dass in supply chains deine Produktionen nach SKUs organisiert sind. Du produzierst SKUs von etwas und verkaufst diese Produkte dann möglicherweise über ein bundle für komplexe Marketingkanäle usw. Unabhängig davon, welche Tweets eine Million Mal retweetet werden oder welches Instagram-Bild eine Unmenge an Aufrufen bekommt, gibt es keine direkte Übereinstimmung zwischen diesen und den SKUs, die du produzierst oder vertreibst. Menschen fügen in ihren Tweets sehr selten den UPC-Code ein, der besagt, dass dieses Produkt mit diesem Strichcode wirklich erstklassig ist. Daher ist es normalerweise sehr unklar. Selbst wenn es irgendwie offensichtlich erscheint, selbst wenn ein Superstar tweetet: “Diese neuen Schuhe sind super cool”, könnten manche Leute sich lediglich auf die Farbe konzentrieren, andere denken an die Form, wieder andere an die Marke, und manche interpretieren, dass es alles sein könnte, was so aussieht. Es kann sehr unklar sein, und wenn man das mit der Tatsache kombiniert, dass es viele Interaktionen gibt, sodass man nicht einfach einen Beitrag ansehen und sagen kann: “Das ist es.” Es handelt sich um eine Serie; es gibt Interaktionen. Es ist für Menschen gedacht. Die Qualität der Reaktionen ist wichtig, denn was, wenn jemand etwas postet, das eine Unmenge an Retweets erhält, diese Retweets jedoch sehr kritisch oder sarkastisch sind? Man kann Sentiment-Analyse anwenden, aber man bewegt sich in einem Bereich, in dem es sehr schwierig wird.
Kieran Chandler: Okay, also das klingt sicherlich herausfordernd aus der Social-Media-Perspektive, aber gibt es noch andere frühe Signale, die wir betrachten könnten? Wir haben in einer früheren Episode über das Wetter gesprochen, also was könnten wir sonst noch betrachten?
Joannes Vermorel: Ja, ich meine, normalerweise, wenn man sich die Daten der Unternehmen selbst ansieht, gibt es dort eine Menge Daten, und man kann versuchen, anhand der bereits vorhandenen Daten der Unternehmen einen schärferen Blick in die Zukunft zu gewinnen. Das ist typischerweise der Ansatz, den Lokad verfolgt. Dann, wenn es darum geht, ein wirklich frühes Signal für etwas zu haben, das ich als ein Randereignis oder etwas, das ein wenig außerhalb des Gewöhnlichen liegt, bezeichnen würde, ist das sehr schwierig. Ja, wenn man ein sehr gutes Prognosemodell hat, kann man ein Signal erhalten, das etwas früher kommt, aber es gibt starke Grenzen dabei. Nur weil ein besseres Prognosemodell normalerweise bedeutet, dass…
Kieran Chandler: Also, nach Ihrer Erfahrung ist Stabilität wichtig, wenn es um Prognosemodelle geht – sei es klassisch oder probabilistisch. Supply chains benötigen einen relativ konstanten Plan zur Ausführung, und man möchte nicht, dass schon ein wenig Marktrauschen den Kurs ändert, was Produktion und Distribution stören würde. Wie gehen Sie mit forecasting engines um, die zu überreagieren beginnen und Fehlalarme auslösen?
Joannes Vermorel: Eine gute Prognosetechnologie gerät nicht aus der Fassung, nur weil es einen zusätzlichen Tag im Jahr gibt. In den meisten Situationen läuft alles wie gewohnt mit nur einer minimalen Kursänderung. Wenn Sie eine Prognoseengine haben, die zu überempfindlich wird, endet das in Fehlalarmen. Man könnte meinen, man habe ein frühes Signal, um den Kurs drastisch zu ändern, doch zwei Wochen später stellt man fest, dass es nur ein Artefakt oder ein Ausschlag war, was sehr kostspielig sein kann. Bei Lokad haben wir im letzten Jahrzehnt Fortschritte gemacht, aber diese sind sehr marginal. Wir freuen uns, wenn wir eine Störung ein paar Tage früher erkennen können, aber ein paar Tage Einsparung sind das Beste, was wir erreichen können.
Kieran Chandler: Und was ist, wenn es einen großen Ausschlag gibt, wie es beim Coronavirus der Fall war? Es ist sicherlich gut, ein frühes Signal für diese Art von Szenarien zu haben, und was können Sie tun, wenn Sie eines dieser frühen Signale erhalten? Ist das nicht vorteilhaft?
Joannes Vermorel: Ich hinterfrage die Idee, dass man ein frühes Signal für extreme Randereignisse wie COVID-19 haben kann. Die meisten Leute waren verblüfft über den Verlauf der Ereignisse, da er sehr zufällig und inkonsistent über Länder oder gar Regionen hinweg verlief. Ausreißer sind per Definition sehr schwer vorherzusagen. Ich bezweifle auch, dass eine Prognose, selbst mit einem zweiwöchigen Vorsprung, wirklich dabei geholfen hätte, mit COVID-19 umzugehen.
Kieran Chandler: Die probabilistische Sichtweise in Bezug auf Randereignisse besagt, dass man sie eigentlich nicht vorhersagen kann. Das ist nahezu per Design, da es sehr schwierig ist, weil es neu und überraschend ist. Aber was Sie tun können, ist, Ihre Vorhersage – Ihre probabilistische Vorhersage – zu haben, die immer eine gewisse Wahrscheinlichkeit für Ereignisse mit wilden Ausmaßen einräumt. Es ist nicht so, als könnten Sie COVID-19 antizipieren, aber es ist, als würden Sie sagen: Im nächsten Quartal besteht etwa eine einprozentige Chance, dass das Geschäft nur halb so hoch ist wie jetzt oder wie im letzten Jahr. Warum? Ich weiß es nicht, ich weiß es nicht. Es ist einfach eine Möglichkeit. Es könnte ein Krieg sein, es könnte eine Pandemie sein, es könnte ein massiver Rückruf sein, vielleicht eine Verleumdungskampagne online gegen die Marke oder so etwas. Ist es vernünftig zu sagen, dass für die meisten Unternehmen in jedem Quartal etwa eine einprozentige Chance besteht, dass der Umsatz im nächsten Quartal halbiert wird?
Joannes Vermorel: Ich würde sagen, für die meisten Unternehmen, ja. Das bedeutet, dass viermal pro Jahrhundert eine massive Katastrophe eintritt. Ich denke, das ist fair. Wenn wir uns das 20. Jahrhundert ansehen, war es mehr als das. Also brauchen Sie probabilistisches Forecasting, bei dem Sie eine feste, niedrige Wahrscheinlichkeit für extreme Ereignisse veranschlagen und sich dann darauf vorbereiten, in dem Wissen, dass dies jederzeit passieren kann und, wenn es eintritt, Sie von vornherein mit keiner Vorwarnung rechnen müssen. Aber die gute Nachricht ist, dass wenn Sie diese Wahrscheinlichkeit über Jahre hinweg berücksichtigen, Sie kleine Anpassungen vorgenommen haben, so dass, wenn dieses Ereignis eintritt, Sie gewissermaßen vorbereitet sind. Aber es hat jahrelange Vorbereitung erfordert, in denen Sie Ihre Ressourcen gut genutzt haben.
Kieran Chandler: Wir sprechen immer darüber, reflektiert gegenüber dem zu sein, was in der Welt vor sich geht. Gibt es Branchen, die Sie beobachtet haben, die klassisch langsam in ihrer Reaktion sind und vielleicht von einem frühen Signal-Ansatz profitieren könnten?
Joannes Vermorel: Die Sache ist die, dass die meisten Branchen, die ich beobachtet habe, selbst wenn man ihnen ein frühes Signal gibt, damit nichts tun würden. Der Grund dafür ist, dass bis zu einem gewissen Punkt – und das führt uns zurück zu dieser die Quantitative Supply Chain Vision, in der Punkt Nummer vier davon handelt, dass Sie eine vollautomatisierte Datenpipeline haben, um Ihre Entscheidungen zu generieren – in den meisten Unternehmen das Prognoseelement nur ein Schritt im Prozess ist, der letztlich zu Entscheidungen führt, wie zum Beispiel, ob wir mehr von den Lieferanten kaufen, mehr produzieren oder den Preis tatsächlich senken oder erhöhen sollten. Aber die Realität ist, dass bei den meisten Unternehmen der Prozess, Vorhersagen in tatsächliche Entscheidungen umzuwandeln, sehr manuell und, wie ich das sehe, sehr langsam ist. Stellen Sie sich vor, Sie haben viel in Technologie investiert, um ein frühes Signal zu erhalten, vielleicht eine Woche früher, zwei Wochen früher, wenn man sehr gut ist. Das ist die Art von Sache, die man mit der heutigen Technologie bekommen kann.
Kieran Chandler: Nun mag es Randfälle geben, in denen man etwas im Voraus erkennen kann, aber ich bezweifle, dass es sich in diesem Fall um eine statistische Prognose handelt. Es ist vielmehr wahrscheinlich eine übergeordnete Einsicht in die Marktentwicklung, getrieben von Zahlen und Statistiken. In so einer Situation haben Sie Ihre frühe Prognose, aber werden Sie auch darauf reagieren?
Joannes Vermorel: Üblicherweise, wenn die Konsequenz eines frühen Signals lediglich darin besteht, eine E-Mail an jemanden in Ihrem Unternehmen zu senden oder zu erwarten, dass diese Person in eine App geht, um sich die Warnmeldungen anzusehen, passiert kurzfristig nichts. Es wird träge verlaufen. Supply chains sind komplex und verteilt, sie involvieren viele Menschen, Systeme und Maschinen an zahlreichen Standorten. Wenn Sie eine gute Supply chain-Reaktion erzielen möchten, brauchen Sie Koordination. Sofern nicht ein extrem hoher Automatisierungsgrad vorhanden ist, wird diese Koordination darin bestehen, dass reale Menschen hektische Telefonate führen – und das wird in der Regel Wochen dauern.
Der springende Punkt ist, dass wenn Sie ein frühes Signal haben, aber keinen vollautomatisierten Prozess besitzen, der Ihre Prognose automatisch und ohne menschliches Eingreifen in Entscheidungen umwandelt, der Großteil des potenziellen Nutzens dieses frühen Signals in der Trägheit der Menschen verloren geht, die versuchen, diese Prognosen in Handlungen umzusetzen.
Kieran Chandler: Ich nehme an, eines der Probleme mit diesen frühen Signalen ist das Maß an Vertrauen, das man tatsächlich in die Ergebnisse setzen kann. Wie Sie sagten, sie sind oft ziemlich verrauscht. Glauben Sie, dass wir in Zukunft einen Stand erreichen könnten, an dem die Technologie so weit entwickelt ist, dass man den Ergebnissen mehr Vertrauen schenken kann?
Joannes Vermorel: Nein, und der Grund ist, dass die Zukunft unscharf ist und diese Ungewissheit irreduzibel bleibt. Was wir im letzten Jahrzehnt in den Mittelpunkt gestellt haben, ist probabilistisches Forecasting, das die Tatsache umarmt, dass die Zukunft unsicher ist. Wenn Sie ein magisches Computersystem erwarten, das Ihnen mit 100%iger Gewissheit die Gewinnlotteriezahl liefert, funktioniert das nicht so. Bestenfalls können Sie ein System haben, das Ihnen Wahrscheinlichkeiten liefert.
Zum Beispiel könnten Sie mit einer Situation konfrontiert sein, die anfangs eine 1%-Chance für ein extremes Ereignis aufweist. Dann bemerken Sie vielleicht, dass etwas nicht stimmt, und am nächsten Tag steigt die Schätzung auf 1,5%. Sollten Sie etwas unternehmen? Vielleicht nicht. Am nächsten Tag steigt sie auf 3%, was einem exponentiellen Wachstum entspricht, aber immer noch sehr langsam ist. Dann sind es 6%. Sollten Sie jetzt schon durchdrehen, weil eine Chance von 6% besteht?
Kieran Chandler: So etwas, das eigentlich nur einmal alle 25 Jahre passieren sollte, tritt hier auf, als käme es vielleicht einmal alle fünf Jahre vor. Aber es ist, wiederum, nur ein Ausschlag, und die Idee ist, dass diese Prioritäten sehr unscharf sind, und wenn Ihr Entscheidungssystem gut konstruiert ist, werden die Mechanismen, die diese Prioritäten in Entscheidungen umwandeln, allmählich widerspiegeln, dass das Risiko, das bei einem Prozent lag, jetzt bei sechs Prozent liegt. So wird es ein wenig in eine Richtung lenken, die für Ihr Unternehmen schützender ist, aber ohne wieder in Panik zu geraten. Man möchte nichts, was die Supply chain verrückt macht, indem es wilde Kursänderungen bewirkt – und vielleicht am nächsten Tag kehren die Dinge von sechs Prozent wieder auf drei Prozent zurück, weil es tatsächlich vielleicht ein Fehlalarm war oder weil der Wert weiter ansteigt. Aber sehen Sie, das ist eine Art gute Reaktion, die man von einer vollautomatisierten Datenpipeline erwarten kann. Und dann, wenn Sie supply chain scientists an Bord haben und sie die Nachrichten verfolgen, verfügen sie über ein tiefes Verständnis und erkennen, dass etwas wie eine große Welle im Anmarsch ist – wie ein Coronavirus –, dann können Sie tatsächlich Menschen haben, die zusätzlich die numerische Formel so anpassen, dass ein zusätzlicher menschlicher Einblick einfließt, um das System in eine bessere Richtung zu steuern.
Joannes Vermorel: Also, wenn Sie ein Supply-Chain-Praktiker sind, der das hier anschaut, sollte Ihr Hauptfokus darauf liegen, Ihre Prozesse vollautomatisch zu gestalten, anstatt sich darüber zu sorgen, was vielleicht schon früher im Prozess passiert? Sie sollten darauf achten, wie Sie in dem Moment reagieren.
Kieran Chandler: Genau. Ich meine, Sie müssen einschätzen, wie viele Tage an Agilität Sie gewinnen können. Für die meisten Unternehmen würde ich sagen, dass Sie mit einer besseren Prognosetechnologie – vielleicht wie der von Lokad – sagen wir, wie viel können Sie einsparen? Vielleicht eine Woche, vielleicht zwei, verglichen mit einem gleitenden Durchschnitt. Vielleicht erzielen Sie bessere Prognosen, sodass es ein wenig mehr ausmachen könnte, wissen Sie, vielleicht vier Wochen, wenn Ihr Unternehmen sehr schlecht darin ist, mit seasonality umzugehen oder so etwas. Aber wenn Sie keinen dysfunktionalen Prozess hätten, sprechen wir wahrscheinlich nur von ein paar Wochen. Doch wenn es um Entscheidungen geht, beobachte ich häufig, dass Unternehmen bis zu einem Quartal benötigen, um sich zu fangen und eine neue Realität zu akzeptieren. Es ist also sehr langsam, und selbst in super reaktionsschnellen Branchen wie Fast Fashion, wo es sechs Wochen dauerte, die Prognose in eine Entscheidung umzuwandeln – und ich spreche von der Entscheidung, zu der danach noch produziert, transportiert und distribuiert werden muss – braucht es immer noch Zeit. Ehrlich gesagt denke ich, dass es im Durchschnitt für die überwiegende Mehrheit der Unternehmen viel sicherer ist, zuerst das Verzögerungsglied zwischen Vorhersagen und Entscheidungen zu eliminieren, indem man all diese Schritte in einen automatisierten Prozess bündelt, und danach herauszufinden, wie sie mit super fortschrittlichen Prognosen, falls sie Glück haben, ein paar weitere Tage oder Wochen einsparen können. Okay, großartig, wir müssen hier Schluss machen. Aber ich denke, jetzt können wir die sozialen Medien nutzen, ohne zu wissen, dass Unternehmen alles beobachten, was wir tun.
Joannes Vermorel: Oh, sie schauen zu. Es ist einfach nett – es macht einige Analysten glücklich, aber sie machen daraus nichts Umsetzbares.
Kieran Chandler: Super, das war alles für diese Woche. Vielen Dank, dass Sie eingeschaltet haben, und wir sehen uns in der nächsten Folge wieder.