Bessere Daten für bessere Prognosen

00:00:06 Wichtigkeit der Daten für Optimierungsprojekte und das Entkräften von Datenmythen.
00:01:50 Zufälliges Datensammeln und die Herausforderungen bei der Nutzung von Daten aus unterschiedlichen Systemen.
00:03:39 Die Grenzen von Zeitreihendaten und die Bedeutung der Transaktionsgranularität.
00:06:18 Der Bedarf an besseren und relevanteren Daten für Prognosen.
00:07:26 Praktisches Beispiel: Optimierung des Bestands in einer Einzelhandelskette und die Bedeutung von Transaktionsdaten.
00:10:01 Die Rolle von Transaktionsschichten und Datenspeicherung bei der Sammlung historischer Daten.
00:11:38 ERP-Systemübergänge und die Notwendigkeit verbesserter Prognoseprozesse.
00:13:37 Die Nachteile von Datenbereinigung und die Bedeutung des vollen Datenspektrums.
00:15:20 Der Einsatz von Computersystemen für supply chain Operationen und die Datenpräzision.
00:17:31 Wichtigkeit, Bestände und Retouren in Prognosen zu berücksichtigen.
00:19:24 Anpassung des Prognoseansatzes aus einer fachspezifischen Perspektive.
00:21:46 Das Verständnis für bessere Daten und die Erweiterung des Horizonts relevanter Daten.
00:24:48 Ein klares Verständnis der Datengenerierung und das Erreichen besserer Prognosen.

Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel, den Gründer von Lokad, über die Bedeutung der Datensammlung in supply chain optimization. Vermorel schlägt vor, dass Unternehmen Daten oft zufällig und nicht gezielt zur Optimierung sammeln, doch diese Daten können dennoch für Prognosen und Optimierungsprozesse nützlich sein. Er betont die Bedeutung granularer Daten, da die Aggregation der Daten in time series zum Verlust wertvoller Informationen führen kann. Vermorel rät Unternehmen, mit den rohen, transaktionalen Daten zu arbeiten und ihre supply chain Probleme aus einer fachspezifischen Perspektive anzugehen. Das Gespräch berührt auch die Wichtigkeit, Faktoren wie Preisgestaltung, Retouren, backorders und Bestandsbewegungen in Prognoseprozessen zu berücksichtigen.

Erweiterte Zusammenfassung

In diesem Interview diskutiert Kieran Chandler, der Moderator, mit Joannes Vermorel, dem Gründer von Lokad, die Bedeutung der Datensammlung und ihre Rolle in der supply chain Optimierung. Sie räumen mit dem Mythos auf, dass Daten perfekt sein müssen, damit Maschinen damit arbeiten können, und untersuchen, wie Unternehmen ihre Datensammlungsprozesse verbessern können.

Vermorel weist darauf hin, dass die meisten Unternehmen Daten zufällig sammeln, als Nebenprodukt ihrer Transaktionssysteme, anstatt gezielt für Optimierungszwecke. Systeme wie ERPs und Kassensysteme wurden ursprünglich entwickelt, um alltägliche Abläufe zu optimieren, nicht um eine umfassende transaktionale Historie zu sammeln. Diese zufällige Datensammlung kann jedoch dennoch als Grundlage für Prognosen und Optimierungsprozesse dienen.

Chandler fragt, ob es ungenutzte Datenvorräte in Unternehmen gibt, die bislang nicht genutzt wurden. Vermorel erklärt, dass die von Unternehmenssystemen generierten Daten oft komplex und schwer zu interpretieren sind, da sie eher die inneren Abläufe des IT-Systems widerspiegeln als die Realität des Prozesses. Wenn Unternehmen versuchen, Prognoseprozesse zu implementieren, extrahieren sie oft eine vereinfachte Version dieser Daten, wie tägliche oder wöchentliche Verkaufszahlen. Diese Vereinfachung kann jedoch dazu führen, dass kritische Informationen über das Geschäft und dessen Abläufe verloren gehen.

Die Granularität der Daten ist ein wesentlicher Punkt, da aggregierte Daten möglicherweise nicht ausreichende Einblicke für effektive Prognosen und Optimierungen liefern. Vermorel argumentiert, dass Unternehmen durch die Transformation ihrer Rohdaten in vereinfachte Versionen enorme Mengen an Informationen verlieren, die für die supply chain Optimierung wertvoll sein könnten.

Das Interview behandelt die Bedeutung der Datensammlung in der supply chain Optimierung und hebt die Herausforderungen hervor, denen Unternehmen bei der Nutzung der oft zufällig gesammelten Daten gegenüberstehen. Das Gespräch betont, dass perfekte Daten keine Voraussetzung für effektive Prognosen und Optimierungen sind, räumt aber ein, dass es erheblichen Verbesserungsbedarf in der Art und Weise gibt, wie Unternehmen ihre Daten sammeln, verarbeiten und analysieren.

Es wird darüber diskutiert, welche Herausforderungen und Möglichkeiten es gibt, mit granularen Daten zu arbeiten, um Prozesse zur supply chain optimieren besser zu gestalten.

Vermorel erklärt, dass viele Unternehmen ihre Daten in Zeitreihen aggregieren, wodurch die Daten auf eine einzelne Zahl pro Tag vereinfacht werden. Während diese Methode einfach zu handhaben ist, könnte sie für fundierte Geschäftsentscheidungen weder relevant noch nützlich sein. Er behauptet, dass bessere Prognosen und supply chain Optimierungen erreicht werden können, indem auf Transaktionsebene gearbeitet wird, da dies mehr Kontext und Einblick in die tatsächlichen Geschäftsabläufe bietet.

Das Interview hebt einige Fallstricke bei der Arbeit mit aggregierten Daten hervor, da diese irreführend sein können und dazu führen, dass Unternehmen wichtige Szenarien übersehen. So erklärt Vermorel beispielsweise in einem Szenario einer Einzelhandelskette, wie die Aggregation der Daten zu einer Fehlinterpretation der Nachfrage auf Ebene des Distributionszentrums führen kann.

Das Gespräch spricht auch historische Daten an und wie viele Unternehmen wertvolle Informationen verlieren, wenn sie zwischen verschiedenen ERP-Systemen wechseln. Früher war es nicht prioritär, Daten zu bewahren, da das Ziel von ERP-Systemen war, den Betrieb reibungsloser zu gestalten. Außerdem waren Datenspeicherungen früher teuer, was zur Implementierung von Heuristiken führte, um Daten in verschiedener Weise loszuwerden. Heutzutage ist die Datenspeicherung jedoch relativ günstig, sodass das Bewahren von Daten realistischer geworden ist.

Vermorel betont, dass, wenn Lokad mit Unternehmen arbeitet, häufig festgestellt wird, dass bestehende Prognoseprozesse kein geeigneter Ausgangspunkt für die supply chain Optimierung sind. Dies liegt daran, dass ein großer Teil der relevanten Informationen aufgrund der crude Projektion transaktionaler Daten in Zeitreihen verloren gegangen ist.

Abschließend thematisiert das Interview auch die Datenbereinigung. Vermorel behauptet, dass die rohen transaktionalen Daten bereits für ihre Zwecke sauber genug sind und dass der Begriff “Datenbereinigung” oft die Vereinfachung der Daten in Zeitreihen beschreibt, was möglicherweise nicht dabei hilft, die wahre Natur der Geschäftsabläufe zu verstehen.

Vermorel beginnt damit zu erklären, dass, wenn Unternehmen ihre Daten nur auf eine eingeschränkte Weise betrachten, etwa nur verschiedene Grüntöne berücksichtigen, ihr Verständnis der Welt begrenzt sein wird. Er betont, dass Daten im vollen Farbspektrum betrachtet werden sollten, um ein genaueres Bild zu erhalten. Er weist auch darauf hin, dass Daten nicht von Natur aus falsch sind, sondern lediglich die Prozesse des Unternehmens widerspiegeln. Unternehmen müssen ihre Daten so anerkennen, wie sie sind, und sie nutzen, um bessere Prognosen zu erstellen.

Vermorel fährt fort, dass Unternehmen erkennen sollten, dass ihre Systeme ursprünglich nicht zur Datenerzeugung, sondern zum Betrieb der supply chain gedacht waren. Die Tatsache, dass Unternehmen Rechnungen, Zahlungen und andere Dokumentationen haben, beweist, dass ihre Daten größtenteils korrekt sind. Allerdings übersehen Unternehmen bei Prognosen oft entscheidende Faktoren wie Preisgestaltung, Retouren und stock levels.

Die Preisgestaltung hat einen erheblichen Einfluss auf die Nachfrage und die supply chain. Wenn Unternehmen sich ihre Prognoseprozesse ansehen, stellen sie meist fest, dass Preisgestaltung fehlt. Das ist nur die Spitze des Eisbergs, da auch Faktoren wie Retouren und Bestände häufig fehlen. Vermorel erklärt, dass das Verständnis der Bestände wesentlich ist, denn wenn es keinen Bestand gibt, wird es auch keinen Verkauf geben. Ebenso stellen Rückstände eine spezielle Art der Nachfrage dar, die nicht wie reguläre Nachfrage behandelt werden sollte.

Vermorel rät Unternehmen, ihre supply chain Probleme aus einer fachspezifischen Perspektive anzugehen. Sie sollten überlegen, welche Faktoren für ihre Branche am relevantesten sind, und sich darauf konzentrieren. So könnte zum Beispiel in der Luftfahrt das Ziel darin bestehen, AOG-Vorfälle zu minimieren, indem Investitionen optimiert werden, während im Frischwaren-Einzelhandel der Fokus darauf liegen sollte, eine langfristige loyalty der Kunden zu maximieren, indem die Produktverfügbarkeit und Frische sichergestellt werden.

Statt sich darauf zu konzentrieren, historische Daten zu vervollkommnen und zu aggregieren, schlägt Vermorel vor, den Horizont relevanter Daten zu erweitern, indem man alltägliche Aspekte wie Preise, Retouren, Rückstände und Bestandsbewegungen berücksichtigt. Er betont die Wichtigkeit, zu verstehen, wie Daten erzeugt werden, um “garbage in, garbage out” zu vermeiden. Vermorel argumentiert außerdem, dass bessere Prognosen in Dollar gemessen und an bessere decision-making geknüpft sein sollten, anstatt sich auf prozentuale Messgrößen zu stützen.

Vollständiges Transkript

Kieran Chandler: Also, heute werden wir besprechen, was ein Unternehmen tun kann, wenn es bereits Daten sammelt, um sich zu verbessern und den Mythos anzugehen, dass Daten perfekt sein müssen, damit Maschinen damit arbeiten können. Also, Joannes, wenn ein Unternehmen bereits Daten sammelt, kann es dann wirklich noch so viel mehr tun?

Joannes Vermorel: Ja, das Erste, was man verstehen muss, ist, dass die meisten Unternehmen Daten sammeln, aber auf völlig zufällige Weise. Es war nie die Absicht, Daten zu sammeln; die Absicht war lediglich zu operieren. Zum Beispiel ist ein ERP nicht dazu konzipiert, Daten zu sammeln, sondern dafür, dass all die sehr alltäglichen Vorgänge, die ständig im Unternehmen passieren, durch die Unterstützung eines zentralisierten IT-Systems ermöglicht werden. So wie, wenn man an der Kasse in einem Geschäft steht, ist die elektronische Registrierkasse lediglich dazu da, den Bezahlvorgang zu beschleunigen. Das System wurde nämlich nicht wirklich dafür entwickelt oder eingerichtet, um eine umfassende transaktionale Historie aller Belege zu sammeln. Da diese Systeme seit Ewigkeiten Daten sammeln, besitzen Unternehmen eine Menge Daten, aber sie sind nicht von Natur aus für Optimierungen konzipiert. Daher gibt es zahlreiche Daten, und in den letzten Jahrzehnten hat sich in der Regel irgendein Prognose- oder Optimierungsprozess daraus entwickelt. Aber das bedeutet nicht, dass es keinen enormen Spielraum für Verbesserungen gibt.

Kieran Chandler: Wenn Unternehmen nicht beabsichtigten, Daten von Anfang an zu sammeln, heißt das, dass ein ganzer Datenbestand einfach irgendwo in der Speicherung liegt und nicht wirklich betrachtet wurde?

Joannes Vermorel: Das Problem ist, dass Daten in der Regel nicht bewusst gesammelt werden. Sie sind lediglich ein Nebenprodukt der Transaktionssysteme. Sie sind nicht unbedingt chaotisch; wenn man die Daten so betrachtet, wie sie in typischen Unternehmenssystemen generiert werden, wirken sie sehr fremd. Sie spiegeln nicht die reale Welt wider, sondern haben meist mehr mit der inneren Struktur des IT-Systems zu tun als mit der Realität des Prozesses. Folglich, wenn in einer großen Organisation ein neuer Prozess gestartet wird – sagen wir, ein ERP-Prozess –, und man eine Art Prognose implementieren möchte, landet man mit Daten, die sehr seltsam und fremdartig sind und Unmengen an zufälligen Komplexitäten enthalten, die nichts mit der Prognoseherausforderung zu tun haben. Üblicherweise extrahieren Unternehmen eine stark vereinfachte Version dieser Daten, sodass sie am Ende tägliche oder wöchentliche Verkaufszahlen haben und darauf aufbauend ihre Prognosen erstellen. Hierbei gibt es zahlreiche Probleme: Sobald diese Daten als tägliche oder wöchentliche Verkaufszahlen extrahiert werden, gehen viele entscheidende Informationen darüber verloren, was im Unternehmen vor sich geht.

Kieran Chandler: Aber wie granular müssen diese Daten sein? Denn wenn wir uns ein Unternehmen ansehen, das seit etwa 20 Jahren Daten sammelt, macht es nicht vieles einfacher, diese Daten zu aggregieren? Zum Aggregieren meine ich, dass man die Daten so formatieren kann, dass sie idealerweise in ein Format passen, das typischerweise mit Zeitreihen arbeitet. Und ja, Zeitreihen sind super praktisch – man hat einen Wert pro Tag, und dann möchte man diesen in die Zukunft ziehen. Es ist sehr einfach. Es gibt zahlreiche sehr gute Modelle, die mit dieser Art von Daten arbeiten können, angefangen bei gleitenden Durchschnitten bis hin zu etwas ausgefeilteren Methoden. Aber das Problem ist, dass nur weil es einfach ist, es nicht bedeutet, dass es tatsächlich relevant für das Unternehmen ist.

Joannes Vermorel: Das ist die Gefahr. Das Problem ist, dass die Leute denken: „Oh, ich brauche disaggregiertere Daten, also muss ich von monatlichen Daten auf wöchentliche oder von wöchentlichen Daten auf tägliche Daten umsteigen.“ Das ändert jedoch nur den Aggregationszeitraum. Sie würden sagen: „Oh, wenn wir es besser machen, gehen wir zu stündlichen Daten.“ Aber genau das ist nicht das Problem. Das Problem ist, dass, wenn man an Zeitreihendaten denkt, man das Problem bereits so rahmt, dass es völlig anders ist, als die Daten in den Systemen tatsächlich vorliegen. In den Systemen gibt es keine Zeitreihen. Entscheidend ist, Daten auf Transaktionsebene zu haben, da dies viel mehr aussagt. Wenn man bessere Prognosen mit besseren Daten möchte, bedeutet das in unserer Erfahrung, so nah wie möglich an der Art und Weise zu arbeiten, wie die Dinge im IT-System vorliegen, anstatt eine stark vereinfachte Version zu verwenden, bei der bereits alle relevanten Informationen verloren gegangen sind.

Kieran Chandler: Also, die relevanten Informationen gehen verloren, und im Grunde genommen könnten die Daten, die Sie betrachten, etwas irreführend sein. Bei welchen Szenarien verlieren Sie möglicherweise den Überblick?

Joannes Vermorel: Üblicherweise handelt es sich um Dinge, die so alltäglich sind, dass die Menschen sie sogar vergessen. Zum Beispiel, betrachten wir eine Einzelhandelskette, wie Lebensmittelgeschäfte. Stellen Sie sich vor, Sie haben eine Reihe von Distributionszentren, und jedes Distributionszentrum bedient, sagen wir, 20 Supermärkte oder Ähnliches. Wie sieht das aus, wissen Sie, solche Dinge? Man nimmt die Aufgabe wahr, beispielsweise den Bestand im Distributionszentrum zu optimieren. So ist es, dass jeden einzelnen Tag die Geschäfte Bestellungen an das Distributionszentrum aufgeben. Und wenn Sie, sagen wir, 100 Einheiten von etwas für den Supermarkt bestellen, können im Distributionszentrum zwei Dinge passieren: Entweder erfüllen sie die Bestellung, sodass typischerweise am nächsten Tag 100 Einheiten verschickt werden, oder sie erfüllen die Bestellung nicht. Also gibt der Laden eine Bestellung über 100 Einheiten auf und das Distributionszentrum sendet dann nichts. Und am nächsten Tag gibt derselbe Laden eine weitere Bestellung über 150 Einheiten auf.

Nun stellt sich die Frage: Wenn Sie die Nachfrage auf Distributionszentrumsebene für diese beiden Tage berücksichtigen wollen, wie hoch ist die Nachfrage? Sind es 100 Einheiten plus 150 Einheiten? Aber das erscheint falsch, denn wie Sie sehen, ist der Grund, dass am zweiten Tag der Laden eine Bestellung über 150 Einheiten aufgibt, dass die Bestellung vom Vortag über 100 Einheiten nicht erfüllt wurde. Im Grunde mussten sie also sowohl die Nachfrage des nicht erfüllten Tages als auch die des nächsten Tages decken. So bestellen sie mehr, aber es ist ein Fehler zu denken, dass die Nachfrage 250 Einheiten beträgt. Vielleicht sollte die Gesamtnachfrage tatsächlich nur 150 Einheiten betragen, weil die ursprünglichen 100 Einheiten komplett verworfen werden sollten. Aber die Realität kann chaotisch sein.

Kieran Chandler: Fangen Sie an, eine Zeitreihe zu erstellen – wissen Sie, diese Information geht verloren und all die Unschärfen, die es gibt, weil es viele Mehrdeutigkeiten gibt. All diese Mehrdeutigkeiten werden eliminiert, und man könnte sagen, das ist eine gute Sache. Plötzlich kann ich meine data scientists an nicht mehrdeutigen Daten arbeiten lassen. Aber ja und nein, denn durch das Entfernen der Mehrdeutigkeit haben Sie bereits eine Aussage darüber getroffen, wie Ihr Unternehmen operiert, und diese Aussage kann völlig falsch sein.

Joannes Vermorel: Einer der Gründe, warum Unternehmen ihre alten Daten aggregieren, ist, dass sie möglicherweise von einem ERP-System zu einem neueren wechseln. Also, ist es wirklich nützlich, all diese historischen Informationen vielleicht in das neue ERP-System zu importieren? Ursprünglich, als wir über das sprachen, was wir heute als “yuppies” bezeichnen – transaktionale Schichten von Systemen, die nur Routineaufgaben verwalten – war es nicht das Ziel, historische Daten zu sammeln. Als alles begann, sagen wir Ende der 70er oder 80er Jahre, war die Datenspeicherung nicht das Ziel, und damals ging es im Grunde nur darum, das Unternehmen reibungsloser arbeiten zu lassen.

Aufgrund der Tatsache, dass damals computing hardware im Vergleich zu heute sehr teuer war, und insbesondere auch die Datenspeicherung sehr kostspielig war, taten viele software vendors damals das Richtige. Sie implementierten heuristische Werkzeuge, um sich in vielerlei Hinsicht von Daten zu befreien. Ich spreche nicht von heute, denn die meisten dieser Heuristiken bzw. Systeme ergeben heutzutage einfach keinen Sinn mehr, weil die Datenspeicherung inzwischen super günstig ist.

Kieran Chandler: Also, gibt es irgendwo, an dem diese Unternehmen eine Art von Datenbereinigung durchführen sollten? Oder sagen Sie, sie sollten die Rohdaten einfach so belassen?

Joannes Vermorel: Die Daten sind bereits sauber. Das Problem ist, wenn Sie von Datenbereinigung sprechen, was meinen Sie damit? Wenn ich Ihnen sage, dass das Problem darin besteht, dass Sie ein gutes, genaues Bild der Welt haben wollen, und Sie sich aus irgendeinem Grund entscheiden, die Welt nur in einem Grünton zu betrachten. So haben Sie ein Bild, das nur Grüntöne enthält, und alles, was nicht grün ist, wird einfach schwarz erscheinen. Sie werden es überhaupt nicht sehen. Dann, bei Dingen, die mehr oder weniger grün sind, erhalten Sie verschiedene Grüntöne – und das ist Ihr Bild der Welt.

Offensichtlich würden Sie sagen: “Ich denke, ich muss eine Datenbereinigung durchführen; dieses Bild ist nicht sehr genau. Ich muss es vielleicht irgendwie verbessern.” Aber Sie benötigen das volle Farbspektrum an Farben. Das Problem ist nicht der Grünton; es gibt keine Bereinigung. Ihr Bild ist einfach das, was es ist. Das Problem ist nur, dass Sie, wenn Sie ein besseres Bild der Welt haben wollen, das volle Farbspektrum benötigen.

Kieran Chandler: Daher, bessere Prognosen – das Erste ist, einfach das Unternehmen so zu betrachten, wie es ist. Daten sind nicht falsch, sie sind nur dort, wo sie sind, wissen Sie. Was ich meine, ist, dass die Erzeugung von Daten nie das Hauptziel all Ihrer Systeme war. Ihre Systeme wurden implementiert, damit die supply chain funktionieren kann, damit es möglich ist zu produzieren, Waren zu bewegen und zu verkaufen. Also sind alle Ebenen, die Sie haben, nur ein Abbild all dieser Prozesse, was völlig in Ordnung ist. Die Tatsache, dass es funktioniert und Sie Dinge wie Rechnungen, Zahlungen und dergleichen haben, beweist, dass diese Daten größtenteils korrekt sind. Sie sind nicht völlig fehlerfrei; andernfalls wüssten Sie nicht, was Sie in Rechnung stellen sollen, wie viel Sie Ihren Lieferanten zahlen müssen und so weiter.

Also denke ich, dass bei den meisten Unternehmen heutzutage – zumindest bei Unternehmen, die seit Jahrzehnten Computersysteme verwenden – in Europa, Nordamerika und tatsächlich in den meisten Teilen Asiens bereits alles an seinem Platz und solide ist. Das Problem ist, dass, wenn man in vereinfachten Begriffen über Prognosen nachdenkt, es nicht nur um Verkäufe geht. Es kann um Retouren gehen, es kann auch um eines der super grundlegenden Dinge gehen, an die die Leute denken: Wie können wir unsere Prognosen verbessern?

Joannes Vermorel: Üblicherweise, wenn wir uns diese Zeitreihen anschauen, stellen wir fest, dass man den Preis gar nicht kennt. Wenn wir mit Unternehmen arbeiten und sie ihre Prognose verbessern wollen, schauen wir uns einfach ihre data pipeline an, die die Prognose generiert, und wir sehen, dass die Preisgestaltung fehlt. Offensichtlich haben Preise einen enormen Einfluss auf die supply chain. Wenn Sie plötzlich all Ihre Produkte um 50% rabattieren, wird Ihre Nachfrage explodieren, vielleicht verschwindet auch Ihre Rentabilität, aber dennoch haben Preise in der Regel einen massiven Einfluss auf die Nachfrage und auf Ihre supply chain. Meistens, wenn wir uns diese S&OP Prozesse und Prognoseprozesse ansehen, fehlt die Preisgestaltung – und das ist in der Regel nur die Spitze des Eisbergs.

Kieran Chandler: Wir haben das bereits angesprochen, und die Leute fokussieren sich auf die Nachfrage, und die Preisgestaltung ist offensichtlich ein Aspekt, den man betrachten kann – aber vielleicht lohnt es sich, noch einmal zu wiederholen: Welche anderen Dinge könnten von Interesse sein?

Joannes Vermorel: Üblicherweise fehlen Retouren, Lagerbestände fehlen. Man könnte denken: Warum braucht man Lagerbestände? Die Antwort lautet: Nun, weil, wenn Sie einen stock out haben, werden Sie nichts verkaufen, weil es einfach nichts zu verkaufen gibt. Vielleicht erhalten Sie Rückstände, aber auch das folgt einem sehr spezifischen Muster. Können Sie also einen Rückstand wirklich wie einen regulären Verkauf zählen? Ich meine, es erfordert Engagement. Ein Rückstand entsteht im Grunde, wenn das Produkt nicht verfügbar ist, sodass ich den Anbieter bitte, etwas als Rückstand zu vermerken, um es später zu verschicken – und als Kunde bin ich bereit, eine erhebliche Verzögerung in Kauf zu nehmen. Also, auch das stellt Nachfrage dar, aber es handelt sich um eine Nachfrage, die nicht exakt derselben Natur wie die reguläre Nachfrage ist. Wenn Sie also sagen, eine Einheit Rückstand sei exakt dasselbe wie ein Verkauf, dann, na ja, nicht wirklich, nicht wirklich.

Insbesondere um Ihnen ein Beispiel zu geben: Wenn aus irgendeinem Grund ein großer Teil der Nachfrage, die Sie haben – vielleicht im B2B-Bereich – von Kunden stammt, die mit Rückständen und langen Lieferverzögerungen einverstanden sind, wenn sie einen besseren Preis erhalten, dann ist es aus prognostischer Sicht sehr vorteilhaft, denn plötzlich müssen Sie gar nichts mehr prognostizieren.

Kieran Chandler: Können Sie über Nachfrage und Rückstände sprechen?

Joannes Vermorel: Etwas, das als Rückstand zur späteren Verschiffung vorgesehen ist – als Kunde bin ich bereit, vielleicht eine erhebliche Verzögerung in Kauf zu nehmen. Also, nochmals: Das ist Nachfrage, aber es ist eine Nachfrage, die nicht exakt derselben Natur wie die reguläre Nachfrage ist. Wenn Sie also sagen, eine Einheit Rückstand sei genau dasselbe, dann ist das eben nicht so. Insbesondere, um Ihnen ein Beispiel zu geben: Wenn aus irgendeinem Grund ein großer Teil der Nachfrage, die Sie haben – vielleicht im B2B-Bereich – von Kunden stammt, die mit Rückständen und langen Lieferverzögerungen einverstanden sind, wenn sie einen besseren Preis erzielen können, dann ist es aus prognostischer Sicht sehr, sehr vorteilhaft, denn plötzlich müssen Sie überhaupt nichts mehr prognostizieren. Sie sehen einfach die Rückstände und orchestrieren Ihre supply chains so, dass, wenn die erwartete Lieferzeit kommt, die Ware bereitsteht. Aber Sie müssen diese Nachfrage nicht unbedingt prognostizieren, da sie, wie Sie wissen, bereits im Voraus bekannt ist, weil sie schon bestellt wurde.

Kieran Chandler: Wenn Sie das Beste aus den Daten herausholen wollen, die Sie momentan haben, was raten Sie den Unternehmen?

Joannes Vermorel: Zunächst einmal müssen Sie das Problem – würde ich sagen – aus einer sehr branchenspezifischen Perspektive betrachten. Sie müssen sich fragen: “Ich habe eine supply chain. Was ist wirklich wichtig?” Und die Antwort lautet: “Kommt darauf an.” Es hängt wirklich davon ab, welche Art von supply chain Sie betreiben. Wenn Sie in der Luft- und Raumfahrt tätig sind, läuft die Frage letztlich darauf hinaus: “Für jeden Dollar, den ich in meine supply chain investiere, wie kann ich die maximale Anzahl von AOG-(aircraft on ground)-Vorfällen vermeiden, weil etwas fehlt und ein Flugzeug am Boden festsitzt?” Üblicherweise lautet die Frage: “Wie kann ich pro investiertem Dollar die maximale Anzahl an AOG-Vorfällen vermeiden?” Das wäre die Perspektive in der Luftfahrt. Bei frischen Lebensmitteln handelt es sich um ein völlig anderes Problem. Dann wäre die Frage: “Wie kann ich die langfristige Loyalität meiner Kunden wirklich maximieren, da es bei Lebensmitteln vollständig um wiederkehrende Geschäfte geht?” Also, was Sie sicherstellen wollen, ist nicht das service level eines einzelnen Produkts – das ist irgendwie zweitrangig. Es ist Ihnen auch nicht wirklich wichtig, weil es so viele Ersatzmöglichkeiten gibt. Sie wollen sicherstellen, dass Ihre treuen Kunden, die in Ihren Laden kommen, um im Grunde nicht nur ein Produkt, sondern einen ganzen Korb zu kaufen, eine sehr gute Erfahrung machen. Und wenn etwas fehlt, gibt es immer einen Ersatz, sodass sie Ihre Geschäfte verlassen und mit nicht nur der generellen Verfügbarkeit, sondern auch der allgemeinen Frische dessen, was sie kaufen, sehr zufrieden sind. Das wird Teil des Gesamterlebnisses sein, und nochmals: Pro investiertem Dollar – wie können Sie das optimieren? Die Frage ist wirklich branchenspezifisch. Welche Ideen sind am relevantesten, bei denen Sie wirklich genauer hinschauen müssen? Nun, es ist allein Ihre Branchenexpertise, die es Ihnen erlaubt, darüber zu urteilen, und in der Regel erfordert es keine fortgeschrittenen Data-Science-Fähigkeiten. Es ist einfach ein direktes Verständnis der Branche, das Ihnen zeigt, ob etwas schön zu haben oder absolut kritisch ist, um wirklich dumme Entscheidungen zu vermeiden.

Kieran Chandler: Was ist die zentrale Botschaft von heute?

Joannes Vermorel: Also, wenn wir das Ziel dieser Episode betrachten – wissen Sie, es geht darum, wie ich bessere Prognosen mit mehr Aussagekraft haben kann –, dann ist das etwas, das wir erreichen wollen, und die besseren Daten sind typischerweise nicht das, was man erwartet.

Kieran Chandler: Ich meine, ja, Sie können Daten haben, die weitaus besser für Ihre Prognosevorhaben geeignet sind, aber das Problem ist: Was meine ich mit “besser”? Üblicherweise bedeutet die lokale Erfahrung, dass wir sehr spezifische Dinge meinen, die absolut nicht dem entsprechen, was die meisten erwarten. Erstens heißt bessere Daten, ein vollständiges Bild von all den Dingen zu haben, die Sie betrachten sollten, und in der Regel geht es dabei nicht um Instagram, Ihre sozialen Netzwerke oder Wettervorhersagen. Es ist etwas, das viel alltäglicher ist – Dinge, die bereits im System existieren. Es ist etwas, bei dem viele Personen, vielleicht Ihre Vorgänger, bereits entschieden haben, dass es sich nicht einmal lohnt, es zu betrachten.

Joannes Vermorel: Nun, unsere Botschaft lautet, dass diese Daten es wirklich wert sind, betrachtet zu werden. Ich spreche von Preisen, Retouren, Rückständen, Lagerbewegungen – all dem. Sie spielen eine Rolle, und die gute Nachricht ist, dass sie bereits irgendwo in Ihren Systemen vorhanden sind. Zuerst erweitern Sie Ihren Horizont darüber, was Sie überhaupt als relevante Daten betrachten. Zweitens sollten Sie die Idee der Datenaufbereitung vergessen. Sie müssen verstehen, wie die Daten generiert werden, warum? Denn andernfalls landen Sie in einer Garbage-in-Garbage-out-Situation. Das Verständnis der Daten ist knifflig, weil es zwei Dinge umfasst: das Verständnis der Software und auch des Prozesses, den die Personen befolgen, die mit der Software arbeiten.

Üblicherweise haben die Semantiken der Daten zwei Anteile: Sie liegen zur Hälfte im Kopf der Person, die die Software bedient, und zur Hälfte im Kopf des Softwareingenieurs, der die Unternehmenssoftware ursprünglich entworfen hat. Wenn ich von der Person spreche – leider sind es meist sehr viele Personen –, und im schlimmsten Fall haben diese Personen widersprüchliche Interpretationen. Genau hier kann es sehr chaotisch werden. Also, erweitern Sie Ihren Horizont in Bezug auf relevante Daten – nichts Extravagantes, einfach grundlegende, alltägliche Dinge für Ihr Geschäft, aber nicht nur Verkaufszahlen. Danach müssen Sie ein Verständnis für diese Daten entwickeln.

Schließlich, wenn Sie bessere Prognosen haben wollen, kommt es darauf an, was das überhaupt bedeutet – eine bessere Prognose? Dann gelangen wir an den Punkt, an dem Leute sagen würden: “Oh, eine bessere MAPE oder ein besserer MAE”, oder besser gesagt, allerlei Metriken. Und nochmals: Wenn diese in Prozent ausgedrückt werden, ist das einfach nicht gut. Es muss in Dollar ausgedrückt werden. Und so wie wir in einer der vorherigen Episoden über decision-first gesprochen haben, kann eine Prognose letztlich nur dann als besser gelten, wenn sie zu besseren Entscheidungen führt.

Leider können Sie beurteilen, ob eine Prognose besser ist oder nicht, nur durch den Blickwinkel der endgültigen Entscheidung, die Sie treffen. Es ist schwierig, aber so geht es. Wenn Sie einfach sagen: “Oh, ich habe eine bessere MAPE, und die Prognose ist besser”, dann ist das sehr falsch, und Sie werden nicht einmal den Pfad betreten, auf dem Sie, würde ich sagen, Fehler begehen, die an Nationalismus oder dergleichen grenzen.

Kieran Chandler: Ja, okay, damit muss ich leben, aber ich vermute, es gibt wahrscheinlich ein paar IT-Manager, die uns dafür danken werden, weil sie jetzt in den Archiven wühlen werden. Okay, das war alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Folge wieder. Tschüss für jetzt.