Frühe Signale und Prognosen

00:00:07 Die Bedeutung der Trendprognose.
00:01:36 Die Grenzen der Verwendung von Social-Media-Daten für die Prognose der Lieferkette.
00:04:26 Die Diskrepanz zwischen Social-Media-Trends und SKU-Level-Lieferketten-Daten.
00:06:37 Herausforderungen bei der Suche nach frühen Signalen in Social-Media-Daten.
00:07:20 Verwendung von Unternehmensdaten für eine bessere Prognose und die Bedeutung stabiler Prognosemodelle.
00:10:07 Die Schwierigkeit, extreme Ereignisse wie COVID-19 vorherzusagen, und die Bedeutung probabilistischer Prognosen.
00:13:42 Der langsame und manuelle Prozess der Umsetzung von Prognosen in Entscheidungen in den meisten Branchen.
00:15:00 Die träge Natur von Lieferketten und die Ineffizienz bei der Reaktion auf frühe Signale.
00:15:53 Die Notwendigkeit der Robotisierung von Datenpipelines zur effizienteren Generierung von Entscheidungen.
00:17:07 Die Grenzen der Prognosetechnologie und die Akzeptanz von Unsicherheit.
00:19:35 Die Rolle von Supply Chain Scientists und menschlichem Fachwissen bei Entscheidungsfindungen.
00:20:31 Bewertung des potenziellen Zeiteinsparens durch bessere Prognosetechnologie.
00:22:00 Priorisierung der Automatisierung bei Entscheidungsfindungen gegenüber fortschrittlicher Prognose.

Zusammenfassung

Kieran Chandler und Joannes Vermorel diskutieren die Herausforderungen und das Potenzial der Verwendung externer Datenquellen wie sozialer Medien zur Vorhersage von Trends in der Lieferkette. Vermorel argumentiert, dass zwar wertvolle Informationen in sozialen Medien vorhanden sein können, es jedoch schwierig ist, die Daten mit spezifischen Produkten abzugleichen, und die Qualität und der Kontext der Daten oft unklar sind. Stattdessen empfiehlt er, sich auf interne Daten für präzisere zukünftige Ansichten zu konzentrieren und einen probabilistischen Ansatz zur Vorbereitung auf extreme Ereignisse zu wählen. Vermorel betont die Notwendigkeit für Unternehmen, ihre entscheidungsbasierten Prozesse zu automatisieren, um ihre Agilität zu verbessern und besser auf Nachfrageschwankungen reagieren zu können.

Ausführliche Zusammenfassung

Die Diskussion zwischen Kieran Chandler und Joannes Vermorel dreht sich um das Potenzial der Verwendung großer externer Datenquellen wie sozialer Medien zur Vorhersage von Trends und zur Erfassung früher Signale für die Optimierung der Lieferkette. Vermorel argumentiert, dass dieser Ansatz in der Praxis für Lieferketten nicht effektiv funktioniert, da es schwierig ist, relevante Daten zu extrahieren und zwischen echten und gefälschten Informationen zu unterscheiden. Selbst Werbetreibende haben Schwierigkeiten, zwischen echtem 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 mithilfe sozialer Medien in seltenen oder extremen Situationen funktionieren könnte, aber die Granularität der Informationen, die für die Optimierung der Lieferkette benötigt werden, ist im Allgemeinen nicht erreichbar.

Sie diskutierten die Herausforderungen und das Potenzial der Verwendung externer Daten wie sozialer Medien zur Vorhersage von Trends in der Lieferkette. Vermorel erklärt, dass zwar wertvolle Informationen in sozialen Medien vorhanden sein können, es jedoch schwierig ist, diese Daten direkt mit bestimmten Produkten oder SKUs abzugleichen. Darüber hinaus sind die Qualität und der Kontext der Daten oft unklar, da die Menschen in ihren Beiträgen selten Produktdetails wie UPC-Codes erwähnen und die Interpretation des Inhalts stark subjektiv sein kann.

Vermorel fügt hinzu, dass selbst wenn die Informationen offensichtlich erscheinen, wie zum Beispiel eine Berühmtheit, die ein Produkt unterstützt, die Interpretation erheblich variieren kann. Die Menschen können sich auf verschiedene Aspekte des Produkts konzentrieren, wie Farbe, Form oder Marke. Diese Unschärfe wird durch die Tatsache verstärkt, dass Social-Media-Beiträge oft Teil einer größeren Unterhaltung sind, bei der Interaktionen und Antworten weitere Unklarheiten hinzufügen. Sentiment-Analyse kann helfen, aber es bleibt schwierig, klare und handlungsorientierte Informationen aus Social-Media-Daten zu extrahieren.

Auf die Frage nach anderen Frühindikatoren für Trends in der Lieferkette schlägt Vermorel vor, dass Unternehmen sich auf ihre eigenen internen Daten konzentrieren sollten. Eine schärfere Sicht auf die Zukunft kann durch die Analyse dieser Daten gewonnen werden, aber die Erkennung von Frühindikatoren für außergewöhnliche Ereignisse bleibt eine Herausforderung. Er erklärt, dass selbst mit einem guten Prognosemodell aufgrund der Notwendigkeit von Stabilität Grenzen bestehen. Eine Lieferkette erfordert einen stabilen Plan zur Ausführung, und zu viel Reaktionsfähigkeit kann zu kostspieligen Fehlalarmen führen.

Vermorel räumt ein, dass Verbesserungen bei der frühzeitigen Erkennung von Signalen möglich sind, aber der Fortschritt ist oft marginal. Zum Beispiel sind sie bei Lokad zufrieden, wenn sie eine Störung ein paar Tage früher als zuvor erkennen können. Er warnt jedoch, dass diese Frühindikatoren in den meisten Fällen immer noch reaktiv sind, da sie auf Unternehmensdaten basieren, die Veränderungen im Verkauf oder anderen Faktoren widerspiegeln.

Angesichts der Idee, Frühindikatoren für bedeutende Ereignisse wie das Coronavirus zu haben, stellt Vermorel die Machbarkeit der zuverlässigen Erkennung solcher Signale in Frage. Er schlägt vor, dass es zwar vorteilhaft sein kann, Frühwarnsysteme für seltene, groß angelegte Störungen zu haben, aber die Praktikabilität der Entwicklung genauer und zuverlässiger Prognosemodelle für diese Szenarien bleibt unsicher.

Der Gründer diskutierte extreme Randereignisse wie COVID-19, die Herausforderungen bei der Vorhersage solcher Ereignisse und die Bedeutung der probabilistischen Prognose. Er argumentiert, dass die Vorhersage von Ausreißern aufgrund ihrer überraschenden und beispiellosen Natur grundsätzlich schwierig ist. Stattdessen empfiehlt er einen probabilistischen Ansatz, der extremen Ereignissen eine geringe Wahrscheinlichkeit zuweist und sich im Laufe der Zeit auf sie vorbereitet.

Vermorel betont die Notwendigkeit für Organisationen, reflektierend und anpassungsfähig auf weltweite Ereignisse zu reagieren. Er stellt fest, dass viele Branchen langsam reagieren, selbst wenn ihnen frühzeitige Warnsignale gegeben werden, da ihnen die Fähigkeit fehlt, Prognosen effizient in handlungsorientierte Entscheidungen umzusetzen. Dies liegt oft an der manuellen und zeitaufwändigen Natur der Entscheidungsprozesse in Unternehmen.

Er betont die Bedeutung eines vollständig automatisierten Prozesses zur Umwandlung von Prognosen in Entscheidungen ohne menschliches Eingreifen. Ohne Automatisierung gehen die Vorteile frühzeitiger Warnsignale oft aufgrund der Trägheit der Menschen, Prognosen in Handlungen umzusetzen, verloren. Darüber hinaus weist er auf das Problem des Vertrauens in Frühindikatoren hin, da sie oft ungenau und unsicher sind.

Vermorel schlägt vor, dass sich die Technologie in Zukunft möglicherweise verbessern könnte, aber das Hauptproblem bleibt die Umsetzung von Prognosen in Entscheidungen. Er glaubt, dass ein quantitatives Lieferketten -Ansatz, der eine vollständige Robotisierung der Datenpipeline beinhaltet, für die Bewältigung dieses Problems unerlässlich ist. Dies ermöglicht es Unternehmen, schneller und besser auf unerwartete Ereignisse vorbereitet zu sein.

Er diskutierte die Herausforderungen bei der Vorhersage und Reaktion auf Nachfragesteigerungen, wie während einer Pandemie. Vermorel erklärt, dass die Zukunft grundsätzlich unsicher ist und die probabilistische Prognose der beste Ansatz ist, um diese Unschärfe anzunehmen. Er betont, dass Unternehmen sich darauf konzentrieren sollten, bessere Entscheidungen auf der Grundlage von Wahrscheinlichkeiten zu treffen, anstatt zu versuchen, die genauen Zahlen vorherzusagen.

Vermorel glaubt, dass der Schlüssel zur erfolgreichen Reaktion auf Nachfragesteigerungen Agilität ist und Unternehmen dies durch Automatisierung ihrer Prozesse erreichen können. Er stellt fest, dass eine bessere Prognosetechnologie einem Unternehmen im Vergleich zu traditionellen Methoden nur eine Woche oder zwei Zeit sparen kann, aber der eigentliche Vorteil liegt darin, die Verzögerung zwischen Prognose 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 darauf konzentrieren sollten, ihre Prozesse zu automatisieren und zeitnah auf Veränderungen in der Nachfrage zu reagieren. Er stellt fest, dass Unternehmen oft erhebliche Zeit verschwenden, manchmal bis zu einem Viertel, um sich an neue Realitäten anzupassen. Durch die Optimierung und Automatisierung von Prozessen können Unternehmen diese Verzögerung reduzieren und ihre Agilität verbessern.

Vermorel spricht auch über die Grenzen der Verwendung von Social-Media-Daten für die Prognose. Obwohl es einige Einblicke liefern kann, handelt es sich nicht unbedingt um handlungsorientierte Informationen für Unternehmen. Stattdessen sollten Unternehmen ihre Entscheidungsprozesse automatisieren und fortschrittlichere Prognosemethoden implementieren, um ihre Agilität bei der Reaktion auf Nachfrageschwankungen zu erhöhen.

Vermorel betont die Bedeutung, Unsicherheit anzunehmen und sich darauf zu konzentrieren, bessere Entscheidungen auf der Grundlage von Wahrscheinlichkeiten zu treffen. Durch Automatisierung von Prozessen und Beseitigung der Verzögerung zwischen Prognose und Entscheidungsfindung können Unternehmen ihre Agilität verbessern und besser auf Nachfragesteigerungen reagieren.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir diskutieren, ob dies angesichts des Aufstiegs der sozialen Medien jetzt möglich ist und was Unternehmen tun können, um diese frühen Signale zu nutzen. Also, Joannes, heute dreht sich unser Thema um die Vorhersage dieser frühen Signale. Was steckt dahinter?

Joannes Vermorel: Die Idee, wie sie von vielen Softwareanbietern präsentiert wird, besteht darin, dass man durch die Nutzung großer Datenquellen, die über das hinausgehen, was das Unternehmen hat, im Grunde genommen die Zukunft ein wenig früher kennen kann, um einen Blick in eine etwas fernere Zukunft zu werfen. Das Archetyp dieser Idee eines frühen Signals wäre, zu erkennen, dass etwas auf Instagram im Trend liegt, weil einige Prominente jetzt eine neue Art von Kleidungsstück tragen, und dann kann man das nutzen, um einen Monat im Voraus zu antizipieren, dass ein kommender Trend oder etwas Ähnliches bevorsteht.

Kieran Chandler: Wenn wir über diese Datenquellen sprechen, meinen wir vielleicht soziale Medien. Ist das die richtige Art von Daten, auf die man schauen sollte?

Joannes Vermorel: Zumindest ist das das, was viele KI-gesteuerte Anbieter für die Optimierung der Supply Chain sagen würden.

Kieran Chandler: Und in der Praxis, wie gut funktioniert das dann tatsächlich, frühzeitige Signale auf der Grundlage externer Datenquellen vorherzusagen?

Joannes Vermorel: Gegenwärtig gibt es praktisch nichts, was auch nur annähernd für Lieferketten funktioniert, nicht einmal annähernd. Die Vorstellung, dass man in sozialen Medien relevante Daten extrahieren kann, ist nur eine Illusion. Es sind Menschen, die vorgeben, das zu tun, aber sie haben nie bemerkt, dass der Großteil des Datenverkehrs in diesen sozialen Medien nicht von Menschen, sondern von Bots, also Robotern, durchgeführt wird. Es ist also sehr schwer herauszufinden, was echt ist und was nicht echt ist. Selbst Werbetreibende, die für Anzeigen bezahlen, haben große Schwierigkeiten, das Echte vom Unechten zu unterscheiden, und sie zahlen eine Menge Geld, um Anzeigen auf diesen Plattformen zu schalten. Selbst wenn Sie für jede einzelne Impression bezahlen und verzweifelt sicherstellen möchten, dass es tatsächlich echte Menschen mit echten Augen sind, die sich diese Anzeigen ansehen, ist es sehr schwer. Stellen Sie sich also vor, Sie sind nur ein Anbieter, der Terabytes an zufälligen Verkehrsdaten sammelt. Was Sie bekommen, ist nur eine Menge Zufälligkeit, viel Lärm. Die Vorstellung, dass man auf dieser Grundlage automatisch Trends vorhersagen kann, mag in einigen extremen Situationen möglich sein, aber sie sind selten, also nicht sehr interessant. Und die Art von Informationen, die Sie erhalten würden, hätte bei weitem nicht die Granularität, an der Sie interessiert sind. Ja, wenn Ihre Granularität darin besteht, vorherzusagen, wer in den USA in diesem Jahr zu den 50 beliebtesten Künstlern gehören wird, können Sie ein frühes Signal erhalten, indem Sie einfach soziale Medien betrachten. Das gibt Ihnen ein klares Bild davon, wer am Ende des Jahres der größte Künstler sein wird. Aber wenn Sie tatsächlich Informationen wie… Wie viele T-Shirts dieser Größe, dieser Farbe, dieses Musters werde ich in dieser Region der USA verkaufen? Das ist eine ganz andere Herausforderung. Hier würde ich sagen, dass Sie größtenteils keine Informationen haben werden, die auch nur annähernd die Qualität von Informationen haben, die erforderlich sind, um das, was Sie aus diesen externen Datenquellen erhalten, in etwas Sinnvolles für die Lieferkette zu übersetzen, um Waren herzustellen und zu verteilen.

Kieran Chandler: Okay, und was ist also das Problem in Bezug auf die Qualität der Daten? Sie haben erwähnt, dass es viele Roboter und so auf diesen sozialen Medien gibt, aber trotzdem werden wir diese Beiträge mit den meisten Likes oben sehen, sie werden am sichtbarsten. Also, warum ist das in Bezug auf Daten nicht interessant?

Joannes Vermorel: Das Problem ist, dass in Lieferketten Ihre Produktionen nach SKUs organisiert sind. Sie produzieren SKUs von etwas und verkaufen dann diese Produkte möglicherweise über ein Bundle für komplexe Marketingkanäle usw. Egal, welche Tweets eine Million Mal retweetet werden oder welches Instagram-Bild eine Milliarde Mal angesehen wird, es gibt keine direkte Übereinstimmung zwischen diesen und den SKUs, die Sie produzieren oder verteilen. Die Leute schließen sehr selten den UPC-Code in ihren Tweets ein und sagen, dass dieses Produkt mit diesem Barcode wirklich erstklassig ist. Normalerweise ist es sehr unklar. Selbst wenn es offensichtlich aussieht, selbst wenn Sie einen Superstar haben, der twittert: “Dieses neue Paar Schuhe ist super cool”, könnten einige Leute tatsächlich nur die Farbe der Schuhe betrachten, einige Leute könnten über die Form nachdenken, andere würden über die Marke nachdenken, und einige könnten interpretieren, dass es alles ist, was so aussieht. Es kann sehr unklar sein, und wenn man das mit der Tatsache kombiniert, dass es viele Interaktionen gibt, kann man nicht einfach einen Beitrag betrachten und sagen: “Das ist es.” Es ist eine Serie; es gibt Interaktionen. Es ist für Menschen gedacht. Die Qualität der Antwort ist wichtig, denn was ist, wenn jemand etwas postet, das eine Milliarde Retweets hat, aber die Retweets sind sehr kritisch oder sarkastisch? Sie können eine Stimmungsanalyse durchführen, aber Sie betreten einen Bereich, in dem es sehr schwierig ist.

Kieran Chandler: Okay, es klingt sicherlich herausfordernd aus der Perspektive der sozialen Medien, aber gibt es noch andere frühe Signale, auf die wir achten könnten? Wir haben in einer früheren Episode über das Wetter gesprochen, also worauf könnten wir noch achten?

Joannes Vermorel: Ja, ich meine, normalerweise, wenn Sie sich nur die Daten der Unternehmen selbst ansehen, gibt es dort viele Daten, und Sie können versuchen, indem Sie sich die Daten ansehen, die Unternehmen bereits haben, um einen schärferen Blick auf die Zukunft zu haben. Das ist in der Regel der Ansatz, den Lokad verfolgt. Wenn es jedoch darum geht, ein wirklich frühes Signal für etwas zu haben, das ich als ein Randereignis oder etwas Außergewöhnliches bezeichnen würde, ist es sehr schwierig. Ja, wenn Sie ein sehr gutes Prognosemodell haben, können Sie ein Signal haben, das etwas früher kommt, aber es gibt starke Grenzen dafür. Nur weil ein besseres Prognosemodell in der Regel bedeutet, dass…

Kieran Chandler: Also ist Stabilität Ihrer Erfahrung nach wichtig, wenn es um Prognosemodelle geht, sei es klassisch oder probabilistisch. Lieferketten benötigen einen relativ stabilen Plan zur Ausführung, und Sie möchten nicht, dass nur ein wenig Lärm auf dem Markt die Gänge wechselt, was Produktion und Vertrieb stören würde. Wie gehen Sie mit Prognosemaschinen um, die übermäßig reagieren und zu falschen positiven Ergebnissen führen?

Joannes Vermorel: Eine gute Prognosetechnologie wird nicht verrückt, nur weil ein zusätzlicher Tag im Jahr ist. Für die meisten Situationen ist es einfach wie immer mit einer minimalen Kursänderung. Wenn Sie eine Prognosemaschine haben, die zu reaktionsschnell wird, enden Sie mit falschen positiven Ergebnissen. Sie könnten denken, dass Sie ein frühes Signal haben, um den Kurs drastisch zu ändern, aber zwei Wochen später stellen Sie fest, dass es nur ein Artefakt oder eine Störung war, was sehr kostspielig sein kann. Bei Lokad haben wir in den letzten zehn Jahren Fortschritte gemacht, aber sie sind sehr geringfügig. Wir sind zufrieden, wenn wir eine Störung ein paar Tage früher erkennen können, aber das Beste, was wir tun können, ist nur ein paar Tage abzuschneiden.

Kieran Chandler: Und was ist, wenn es einen großen Ausschlag gibt, wie bei dem, was mit dem Coronavirus passiert ist? Sicherlich ist es gut, ein frühes Signal für solche Szenarien zu haben, und was können Sie tun, wenn Sie eines dieser frühen Signale haben? Ist das nicht vorteilhaft?

Joannes Vermorel: Ich bezweifle die Idee, dass Sie ein frühes Signal für extreme Randereignisse wie COVID-19 haben können. Die meisten Menschen waren verwirrt über die Art und Weise, wie sich die Ereignisse entwickelten, da sie sehr willkürlich und inkonsistent über Länder oder sogar Regionen hinweg waren. Randereignisse sind per Definition sehr schwer vorherzusagen. Ich bezweifle auch die Idee, dass eine Prognose, selbst mit einem zweiwöchigen Vorsprung, wirklich geholfen hätte, mit COVID-19 umzugehen.

Kieran Chandler: Die probabilistische Sichtweise in Bezug auf Randereignisse besagt, dass man sie nicht wirklich vorhersagen kann. Es ist sozusagen von Natur aus schwierig, weil es neu und überraschend sein wird. Aber was Sie tun können, ist Ihre Prognose, Ihre probabilistische Prognose, die immer eine gewisse Wahrscheinlichkeit für Dinge enthält, die einfach wild sind. Es ist nicht so, als ob Sie COVID-19 hätten vorhersehen können, aber es ist so, als ob Sie sagen würden, dass im nächsten Quartal eine einprozentige Chance besteht, dass das Geschäft halb so groß ist wie jetzt oder halb so groß wie im letzten Jahr. Warum? Ich weiß es nicht, ich weiß es nicht. Es ist nur eine Möglichkeit. Es könnte ein Krieg sein, es könnte eine Pandemie sein, es könnte eine massive Rückrufaktion sein, vielleicht eine Rufschädigungskampagne online gegen die Marke oder was auch immer. Ist es vernünftig zu sagen, dass für die meisten Unternehmen die Chance besteht, dass der Umsatz in jedem Quartal halbiert wird?

Joannes Vermorel: Ich würde sagen, für die meisten Unternehmen ja. Das bedeutet, dass viermal pro Jahrhundert eine massive Katastrophe passiert. Ich denke, das ist fair. Wenn wir uns das 20. Jahrhundert anschauen, war es mehr als das. Sie benötigen also eine probabilistische Prognose, bei der Sie eine feste, geringe Wahrscheinlichkeit für extreme Ereignisse festlegen und sich dann darauf vorbereiten, zu wissen, dass dies jederzeit passieren kann und wenn es passiert, nehmen Sie an, dass Sie keine Warnung haben werden. Aber die gute Nachricht ist, dass Sie, wenn Sie diese Wahrscheinlichkeit jahrelang haben, kleine Anpassungen vorgenommen haben, sodass Sie im Falle eines solchen Ereignisses irgendwie vorbereitet sind. Aber es hat Jahre der Vorbereitung gedauert, um Ihre Ressourcen gut zu nutzen.

Kieran Chandler: Wir sprechen immer von der Idee, reflektierend auf das zu sein, was in der Welt passiert. Gibt es Branchen, die Sie gesehen haben, die klassischerweise langsam in ihrer Reaktion sind und von einem frühen Signalansatz profitieren könnten?

Joannes Vermorel: Das Problem ist, dass die meisten Branchen, die ich beobachtet habe, selbst wenn Sie ihnen ein frühes Signal geben, nichts damit anfangen würden. Der Grund dafür ist, dass bis zu einem bestimmten Punkt erreicht ist, und das bringt die Frage zurück zu dieser Vision der quantitativen Supply Chain, wo Punkt Nummer vier darin besteht, Ihre Datenpipeline vollständig zu robotisieren, damit Sie Ihre Entscheidungen generieren können. Sehen Sie, was in den meisten Unternehmen passiert, ist, dass das Prognoseelement nur ein Schritt des Prozesses ist, der letztendlich zu Entscheidungen führt, die Entscheidungen sind Dinge wie, sollten wir mehr von Lieferanten kaufen, sollten wir mehr produzieren oder sollten wir den Preis erhöhen oder senken? Aber die Realität ist, dass der Prozess, Prognosen in tatsächliche Entscheidungen umzusetzen, für die meisten Unternehmen sehr manuell und aus meiner Sicht sehr langsam ist. Stellen Sie sich also vor, Sie haben viel in Technologie investiert, um ein frühes Signal zu erhalten, vielleicht eine Woche früher, zwei Wochen früher, wenn Sie sehr gut sind. Das ist die Art von Dingen, die Sie mit der Technologie, wie sie jetzt existiert, erreichen können.

Kieran Chandler: Nun, es mag Randfälle geben, in denen Sie etwas im Voraus sehen können, aber ich bezweifle, dass es sich in diesem Fall um eine statistische Prognose handelt. Es wird wahrscheinlicher eine hochrangige Einsicht über die Entwicklung des Marktes sein, die von Zahlen und Statistiken getrieben wird. In solchen Situationen haben Sie Ihre frühe Prognose, aber werden Sie danach handeln?

Joannes Vermorel: Normalerweise, wenn die Konsequenz eines frühen Signals darin besteht, jemandem in Ihrem Unternehmen eine E-Mail zu senden oder zu erwarten, dass diese Person zu einer App geht, um sich die Warnungen anzusehen, wird in kurzer Zeit nichts passieren. Es wird träge sein. Lieferketten sind komplex und verteilt und umfassen viele Menschen, Systeme und Maschinen an vielen Standorten. Wenn Sie eine gute Reaktion der Lieferkette haben möchten, benötigen Sie Koordination. Es sei denn, es gibt einen sehr hohen Grad an Automatisierung, wird diese Koordination echte Menschen erfordern, die hektische Telefonate führen, und es wird Zeit brauchen, in der Regel Wochen.

Das Fazit ist, dass wenn Sie ein frühes Signal haben, aber keinen vollständig automatisierten Prozess haben, der Ihre Prognose automatisch in Entscheidungen umsetzt, ohne menschliches Eingreifen, geht der Großteil des potenziellen Nutzens aus dem frühen Signal in der Trägheit der Menschen verloren, die versuchen, diese Prognosen in Maßnahmen umzusetzen.

Kieran Chandler: Ich denke, eines der Probleme mit diesen frühen Signalen ist die Menge an Vertrauen, die Sie tatsächlich in die Ergebnisse haben können. Wie Sie gesagt haben, sind sie oft ziemlich ungenau. Glauben Sie, dass wir in Zukunft zu einem Punkt gelangen könnten, an dem die Technologie vorhanden ist, dass Sie mehr Vertrauen in die Ergebnisse haben können?

Joannes Vermorel: Nein, und der Grund dafür ist, dass die Zukunft ungewiss ist und diese Unsicherheit nicht reduzierbar ist. In den letzten zehn Jahren haben wir uns auf probabilistische Prognosen konzentriert, die die Tatsache berücksichtigen, dass die Zukunft unsicher ist. Wenn Sie ein magisches Computersystem erwarten, das Ihnen mit 100%iger Sicherheit die Gewinnzahl im Lotto liefert, funktioniert das nicht so. Im besten Fall können Sie ein System haben, das Ihnen Wahrscheinlichkeiten liefert.

Zum Beispiel könnten Sie mit einer Situation konfrontiert sein, die mit einer 1%igen Chance beginnt, ein extremes Ereignis zu sein. Dann sehen Sie vielleicht etwas Ungewöhnliches und am nächsten Tag steigt die Schätzung auf 1,5%. Sollten Sie etwas tun? Vielleicht nicht. Am nächsten Tag steigt sie auf eine 3%ige Chance, was ein exponentielles Wachstum ist, aber immer noch sehr langsam. Dann sind es 6%. Sollten Sie verrückt werden, weil es eine 6%ige Chance gibt?

Kieran Chandler: Um zu passieren, wissen Sie, wir reden von etwas, das nur einmal alle 25 Jahre passieren sollte, und hier sind wir, etwas, das vielleicht alle fünf Jahre passieren würde oder so. Aber das ist wieder nur eine kleine Veränderung, und die Idee ist, dass diese Prioritäten sehr unklar sind, und wenn Ihr Entscheidungssystem gut konstruiert ist, werden die Dinge, die diese Prioritäten in die Entscheidung umsetzen, allmählich widerspiegeln, dass das Risiko, das bei einem Prozent lag, jetzt bei sechs Prozent liegt. Es wird also ein wenig, aber nur ein wenig, die Entscheidungen in eine Richtung lenken, die für Ihr Unternehmen schützender ist, ohne wieder verrückt zu werden. Sie möchten nicht, dass etwas Ihre Lieferkette verrückt macht, indem es wilde Bewegungen und Änderungen vornimmt, und vielleicht geht es am nächsten Tag wieder auf eine Schätzung von drei Prozent zurück, wissen Sie, von sechs auf drei, weil es vielleicht ein falsch positives Ergebnis war oder es weiter steigen wird. Aber sehen Sie, das ist eine Art gute Reaktion, die Sie von einer vollständig automatisierten Datenpipeline haben können. Und dann, wenn Sie Supply Chain Scientists haben, die die Nachrichten sehen, ein hohes Verständnis haben und sehen, dass etwas wie eine große Welle kommt, wie ein Coronavirus, dann können Sie tatsächlich Menschen haben, die zusätzlich zu den numerischen Rezepten selbst ein wenig menschliches Einfühlungsvermögen einbringen, um das System in eine bessere Richtung zu lenken.

Joannes Vermorel: Wenn Sie also ein Supply Chain-Praktiker sind, der dies sieht, sollte Ihr Hauptaugenmerk darauf liegen, Ihre Prozesse vollständig zu automatisieren, anstatt sich darüber Gedanken zu machen, was möglicherweise früher im Prozess passiert. Sie sollten vielleicht darüber nachdenken, wie Sie in dem Moment darauf reagieren.

Kieran Chandler: Genau. Ich meine, Sie müssen bewerten, wie viele Tage Agilität Sie gewinnen werden. Für die meisten Unternehmen würde ich sagen, mit einer besseren Prognosetechnologie, vielleicht wie der von Lokad, lassen Sie uns sagen, wie viel können Sie sparen? Vielleicht eine Woche, vielleicht zwei, im Vergleich zu einem gleitenden Durchschnitt. Vielleicht haben Sie bessere Prognosen, also könnte es als etwas besser gelten, wissen Sie, vielleicht vier Wochen, wenn Ihr Unternehmen sehr schlecht darin war, mit Saisonalität oder so umzugehen. Aber, ich meine, wenn Sie keinen dysfunktionalen Prozess haben, sprechen wir wahrscheinlich nur von ein paar Wochen. Aber wenn es um Entscheidungen geht, beobachte ich häufig, dass Unternehmen bis zu einem Vierteljahr verschwenden, um sich zusammenzufinden und eine neue Realität zu akzeptieren. Es geht also sehr langsam voran, selbst in super reaktiven Branchen wie der Fast Fashion, wo es sechs Wochen dauerte, um die Prognose in eine Entscheidung umzusetzen, und ich spreche von einer Entscheidung und dann müssen Sie immer noch produzieren, transportieren und verteilen. Es dauert immer noch Zeit. Also wirklich, ich denke im Durchschnitt, für die große Mehrheit der Unternehmen ist es eine viel sicherere Wette zu sagen, dass wir einfach zuerst die Verzögerung zwischen Entscheidungen, zwischen Prognosen und Entscheidungen, beseitigen, indem wir all diese Dinge in einen automatisierten Prozess integrieren und dann herausfinden, wie sie super fortschrittliche Prognosen haben können, wo sie ein paar weitere Tage oder Wochen einsparen können, wenn sie Glück haben. Okay, großartig, wir müssen es dabei belassen. Aber ich denke, jetzt können wir Social Media nutzen, ohne zu wissen, dass Unternehmen alles beobachten, was wir tun.

Joannes Vermorel: Oh, sie beobachten. Es ist nur schön, also macht es einige Analysten glücklich, aber sie machen nichts daraus.

Kieran Chandler: Großartig, das war alles für diese Woche. Vielen Dank fürs Einschalten und wir sehen uns in der nächsten Folge wieder.