Bessere Daten für bessere Prognosen

00:00:06 Bedeutung von Daten für Optimierungsprojekte und Entkräftung von Datenmythen.
00:01:50 Zufällige Datensammlung und die Herausforderungen bei der Verwendung von Daten aus verschiedenen Systemen.
00:03:39 Die Grenzen von Zeitreihendaten und die Bedeutung der Transaktionsgranularität.
00:06:18 Die Notwendigkeit von besseren und relevanteren Daten für Prognosen.
00:07:26 Praktisches Beispiel: Optimierung des Lagerbestands in einer Einzelhandelskette und die Bedeutung von Transaktionsdaten.
00:10:01 Die Rolle von Transaktionsschichten und Datenspeicherung bei der Erfassung historischer Daten.
00:11:38 ERP-Systemübergänge und die Notwendigkeit verbesserter Prognoseprozesse.
00:13:37 Die Nachteile der Datenbereinigung und die Bedeutung von Vollspektrumdaten.
00:15:20 Die Verwendung von Computersystemen für Supply-Chain-Operationen und Datenpräzision.
00:17:31 Bedeutung der Berücksichtigung von Lagerbeständen und Rücksendungen bei Prognosen.
00:19:24 Anpassung des Prognoseansatzes basierend auf einer domänenspezifischen Perspektive.
00:21:46 Verständnis der Bedeutung besserer Daten und Erweiterung des Horizonts relevanter Daten.
00:24:48 Klares Verständnis der Datenentstehung und Erzielung besserer Prognosen.

Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel, den Gründer von Lokad, über die Bedeutung der Datensammlung in der Supply-Chain-Optimierung. Vermorel stellt fest, dass Unternehmen oft zufällig Daten sammeln, anstatt dies gezielt für Optimierungszwecke zu tun, aber diese Daten können dennoch für Prognosen und Optimierungsprozesse nützlich sein. Er betont die Bedeutung von granularen Daten, da die Aggregation von Daten in Zeitreihen zum Verlust wertvoller Informationen führen kann. Vermorel rät Unternehmen, mit den rohen, transaktionalen Daten zu arbeiten und ihre Supply-Chain-Probleme mit einer domänenspezifischen Perspektive anzugehen. Das Gespräch berührt auch die Bedeutung der Berücksichtigung von Faktoren wie Preisgestaltung, Rücksendungen, Rückständen und Lagerbewegungen bei Prognoseprozessen.

Erweiterte Zusammenfassung

In diesem Interview diskutiert Kieran Chandler, der Gastgeber, mit Joannes Vermorel, dem Gründer von Lokad, die Bedeutung der Datensammlung und ihre Rolle bei der Optimierung der Supply Chain. Sie widerlegen den Mythos, dass Daten perfekt sein müssen, damit Maschinen damit arbeiten können, und erkunden, wie Unternehmen ihre Datensammlungsprozesse verbessern können.

Vermorel weist darauf hin, dass die meisten Unternehmen Daten zufällig sammeln, als Nebenprodukt ihrer Transaktionssysteme, anstatt dies gezielt für Optimierungszwecke zu tun. Systeme wie ERPs und Point-of-Sale-Geräte wurden ursprünglich entwickelt, um alltägliche Abläufe zu optimieren, nicht um eine umfassende Transaktionshistorie zu erfassen. Diese zufällige Datensammlung kann jedoch immer noch als Grundlage für Prognosen und Optimierungsprozesse dienen.

Chandler fragt, ob es ungenutzte Datenschätze in Unternehmen gibt, die noch nicht genutzt wurden. Vermorel erklärt, dass von Unternehmenssystemen generierte Daten oft komplex und schwer interpretierbar sind, da sie eher die inneren Abläufe des IT-Systems als die Realität des Prozesses widerspiegeln. Wenn Unternehmen versuchen, Prognoseprozesse zu implementieren, extrahieren sie oft eine vereinfachte Version dieser Daten, wie z.B. tägliche oder wöchentliche Verkäufe. Diese Vereinfachung kann jedoch zum Verlust wichtiger Informationen über das Geschäft und seine Abläufe führen.

Die Granularität der Daten ist ein wesentliches Anliegen, da aggregierte Daten möglicherweise nicht ausreichende Einblicke für eine effektive Prognose und Optimierung bieten. Vermorel argumentiert, dass Unternehmen, wenn sie ihre Rohdaten in vereinfachte Versionen umwandeln, massive Mengen an Informationen verlieren können, die für die Optimierung der Lieferkette wertvoll sein könnten.

Das Interview erörtert die Bedeutung der Datensammlung bei der Optimierung der Lieferkette und hebt die Herausforderungen hervor, denen Unternehmen bei der Nutzung der von ihnen zufällig gesammelten Daten gegenüberstehen. Das Gespräch betont, dass perfekte Daten keine Voraussetzung für eine effektive Prognose und Optimierung sind, erkennt jedoch an, dass es erheblichen Verbesserungsbedarf bei der Art und Weise gibt, wie Unternehmen ihre Daten sammeln, verarbeiten und analysieren.

Sie diskutieren die Herausforderungen und die Bedeutung der Arbeit mit granularen Daten, um die Prozesse der Lieferkettenoptimierung zu verbessern.

Vermorel erklärt, dass viele Unternehmen ihre Daten in Zeitreihen aggregieren, was die Daten auf eine einzige Zahl pro Tag vereinfacht. Obwohl diese Methode einfach zu handhaben ist, ist sie möglicherweise nicht relevant oder nützlich für fundierte Geschäftsentscheidungen. Er behauptet, dass eine bessere Prognose und Optimierung der Lieferkette durch die Arbeit mit Daten auf Transaktionsebene erreicht werden kann, da dies mehr Kontext und Einblick in die tatsächlichen Geschäftsabläufe bietet.

Das Interview hebt einige der Fallstricke bei der Arbeit mit aggregierten Daten hervor, da diese irreführend sein können und Unternehmen wichtige Szenarien übersehen können. Zum Beispiel erklärt Vermorel in einem Szenario einer Einzelhandelskette, wie die Aggregation von Daten zu einer falschen Interpretation der Nachfrage auf der Ebene des Vertriebszentrums führen kann. Durch die Verarbeitung von Daten in Zeitreihen beseitigen Unternehmen Unklarheiten, was sowohl vorteilhaft als auch nachteilig sein kann, da sie unbeabsichtigt falsche Annahmen über ihre Geschäftsabläufe treffen könnten.

Das Gespräch berührt auch historische Daten und wie viele Unternehmen wertvolle Informationen verlieren, wenn sie zwischen verschiedenen ERP-Systemen wechseln. In der Vergangenheit hatte die Erhaltung von Daten keine Priorität, da das Ziel von ERP-Systemen darin bestand, Unternehmen reibungsloser zu betreiben. Außerdem waren die Datenspeicherungskosten früher hoch, was zur Implementierung von Heuristiken führte, um Daten auf verschiedene Weise loszuwerden. Heutzutage ist die Datenspeicherung jedoch relativ günstig, sodass die Erhaltung von Daten realisierbarer ist.

Vermorel betont, dass wenn Lokad mit Unternehmen zusammenarbeitet, sie oft feststellen, dass bestehende Prognoseprozesse kein geeigneter Ausgangspunkt für die Optimierung der Lieferkette sind. Dies liegt daran, dass ein Großteil der relevanten Informationen aufgrund der rohen Projektion von Transaktionsdaten in Zeitreihen verloren gegangen ist. Stattdessen schlägt er vor, dass Unternehmen sich darauf konzentrieren sollten, mit den rohen, transaktionalen Daten zu arbeiten, um ihre Lieferkettenprozesse zu optimieren.

Schließlich wird das Thema der Datenbereinigung angesprochen. Vermorel behauptet, dass die rohen Transaktionsdaten bereits sauber genug für ihre Zwecke sind und dass der Begriff “Datenbereinigung” oft auf die Vereinfachung von Daten in Zeitreihen verweist, was möglicherweise nicht hilfreich ist, um die wahre Natur der Geschäftsabläufe eines Unternehmens zu verstehen.

Vermorel erklärt, dass wenn Unternehmen ihre Daten nur eingeschränkt betrachten, z. B. nur Grüntöne berücksichtigen, ihr Verständnis der Welt eingeschränkt sein wird. Er betont, dass Daten in ihrem vollen Farbspektrum betrachtet werden sollten, um ein genaueres Bild zu erhalten. Er weist auch darauf hin, dass Daten an sich nicht falsch sind, sondern vielmehr eine Reflexion der Prozesse des Unternehmens darstellen. Unternehmen müssen ihre Daten als das akzeptieren, was sie sind, und sie nutzen, um bessere Prognosen zu erstellen.

Vermorel fährt fort zu sagen, dass Unternehmen erkennen sollten, dass ihre Systeme ursprünglich nicht dazu entwickelt wurden, Daten zu erzeugen, sondern um die Supply Chain zu betreiben. Die Tatsache, dass Unternehmen Rechnungen, Zahlungen und andere Dokumentationen haben, ist ein Beweis dafür, dass ihre Daten größtenteils korrekt sind. Wenn es jedoch um Prognosen geht, übersehen Unternehmen oft entscheidende Faktoren wie Preisgestaltung, Rücksendungen und Bestandsniveaus.

Die Preisgestaltung hat einen erheblichen Einfluss auf die Nachfrage und die Supply Chain. Wenn Unternehmen ihre Prognoseprozesse betrachten, stellen sie in der Regel fest, dass die Preisgestaltung fehlt. Dies ist nur die Spitze des Eisbergs, da auch Faktoren wie Rücksendungen und Bestandsniveaus oft fehlen. Vermorel erklärt, dass das Verständnis der Bestandsniveaus entscheidend ist, denn wenn kein Bestand vorhanden ist, wird es keine Verkäufe geben. Ebenso stellen Rückstände eine einzigartige Art von Nachfrage dar, die nicht wie reguläre Nachfrage behandelt werden sollte.

Vermorel rät Unternehmen, ihre Supply Chain-Probleme mit einer domänenspezifischen Perspektive anzugehen. Sie sollten überlegen, welche Faktoren für ihre Branche am relevantesten sind und sich darauf konzentrieren. Zum Beispiel könnte es in der Luft- und Raumfahrt das Ziel sein, Vorfälle mit Flugzeugen am Boden (AOG) durch Optimierung von Investitionen zu minimieren, während es im Einzelhandel mit frischen Lebensmitteln darum gehen sollte, die langfristige Kundenbindung loyalty durch Sicherstellung der Produktverfügbarkeit und Frische zu maximieren.

Anstatt sich darauf zu konzentrieren, historische Daten zu perfektionieren und zu aggregieren, schlägt Vermorel vor, den Horizont relevanter Daten zu erweitern, indem banale Aspekte wie Preise, Rücksendungen, Rückstände und Bestandsbewegungen berücksichtigt werden. Er betont die Bedeutung des Verständnisses, wie Daten generiert werden, um Situationen von “garbage in, garbage out” zu vermeiden. Vermorel argumentiert auch, dass bessere Prognosen in Dollar gemessen und mit einer besseren Entscheidungsfindung verknüpft sein sollten, anstatt sich auf prozentuale Kennzahlen zu verlassen.

Vollständiges Transkript

Kieran Chandler: Heute werden wir besprechen, was ein Unternehmen tun kann, um seine Daten zu verbessern und dem Mythos entgegenzuwirken, dass Daten perfekt sein müssen, damit Maschinen damit arbeiten können. Also Joannes, wenn ein Unternehmen bereits Daten sammelt, gibt es dann noch viel mehr, was sie tatsächlich tun können?

Joannes Vermorel: Ja, das erste, was man verstehen muss, ist, dass die meisten Unternehmen Daten sammeln, aber auf völlig zufällige Weise. Es war nie beabsichtigt, Daten zu sammeln; die Absicht bestand nur darin, zu operieren. Zum Beispiel ist ein ERP nicht darauf ausgelegt, Daten zu sammeln, sondern so, dass alle sehr banalen Vorgänge, die ständig im Unternehmen stattfinden, mit Unterstützung eines zentralisierten IT-Systems durchgeführt werden können. Genauso wie beim Verkaufspunkt in einem Geschäft ist die elektronische Registrierkasse nur dazu da, Ihre Zahlung schneller zu erhalten. Das System wurde tatsächlich nicht entwickelt oder implementiert, um eine vollständige Transaktionshistorie aller Belege zu sammeln. Da diese Systeme seit Jahrzehnten Daten sammeln, haben Unternehmen tatsächlich eine Menge Daten, aber sie sind nicht natürlicherweise für die Optimierung konzipiert. Es gibt also viele Daten, die herumschwirren, und in der Regel entsteht in den letzten Jahrzehnten irgendein Prozess für Prognosen oder Optimierung auf der Grundlage dieser Daten. Aber das bedeutet nicht, dass es nicht enormen Spielraum für Verbesserungen gibt.

Kieran Chandler: Wenn Unternehmen beim Start eigentlich nicht beabsichtigt haben, Daten zu sammeln, bedeutet das, dass es einen ganzen Schatz an Daten gibt, der irgendwo in der Speicherung liegt und nicht wirklich beachtet wurde?

Joannes Vermorel: Das Problem ist, dass Daten in der Regel nicht absichtlich gesammelt werden. Es handelt sich lediglich um ein Artefakt, ein Nebenprodukt Ihrer Transaktionssysteme. Es ist nicht unbedingt chaotisch; es ist nur so, dass die Daten, wie sie in typischen Unternehmenssystemen generiert werden, etwas sehr Fremdes sind. Sie ahmen nicht die reale Welt nach; sie haben in der Regel mehr mit der internen Funktionsweise des IT-Systems zu tun als mit der Realität des Prozesses. Als Ergebnis davon haben große Organisationen, wenn sie einen neuen Prozess starten, sagen wir einen ERP-Prozess, und sie eine Art Prognose implementieren möchten, Daten, die sehr seltsam und fremd sind und viele zufällige Komplexitäten aufweisen, die nichts mit der Herausforderung der Prognose zu tun haben. Typischerweise extrahieren Unternehmen eine sehr vereinfachte Version dieser Daten, sodass sie tägliche oder wöchentliche Verkäufe erhalten, und dann bauen sie ihre Prognosen darauf auf. Hier gibt es eine ganze Reihe von Problemen: Die Tatsache, dass diese Daten, sobald sie als tägliche oder wöchentliche Verkäufe extrahiert wurden, viele sehr wichtige Informationen verlieren. Es handelt sich um eine sehr verlustreiche Transformation, die einfach und vernünftig aussieht, aber tatsächlich haben Sie eine enorme Menge an Informationen darüber verloren, was im Unternehmen vor sich geht, wenn Sie das tun.

Kieran Chandler: Aber wie granular müssen diese Daten sein? Denn wenn wir uns ein Unternehmen ansehen, das seit über 20 Jahren Daten sammelt, macht es die Aggregation dieser Daten nicht viel einfacher? Bei der Verwaltung meine ich, wenn Sie Daten aggregieren, fügen Sie sie normalerweise zusammen, sodass sie gut in etwas passen, das normalerweise mit Zeitreihen funktioniert. Und ja, Zeitreihen sind sehr praktisch, Sie wissen schon, eine Zahl pro Tag, so ist es einfach. Sie haben eine Serie, eine Zahl pro Tag, und dann möchten Sie das in die Zukunft ziehen. Es ist sehr einfach. Es gibt viele sehr gute Modelle, die mit dieser Art von Daten arbeiten können, angefangen bei gleitenden Durchschnitten bis hin zu etwas ausgefeilterem. Aber das Problem ist, dass es nicht, weil es einfach ist, auch tatsächlich relevant ist. Und das ist das Problem: Es ist sehr einfach, es auf diese Weise zu tun, aber das bedeutet nicht, 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 zu wöchentlichen oder von wöchentlichen Daten zu täglichen Daten wechseln.” Das ändert nur den Zeitrahmen der Aggregation. Sie würden sagen: “Oh, wenn wir es besser machen, gehen wir zu stündlichen Daten.” Das ist absolut nicht das Problem. Das Problem ist, dass Sie, wenn Sie an Zeitreihendaten denken, das Problem bereits auf eine völlig andere Weise angehen, als es die Daten tatsächlich in Ihren Systemen gibt. In Ihren Systemen gibt es keine Zeitreihen. Es ist wichtig, Daten auf Transaktionsebene zu haben, weil sie Ihnen viel mehr sagen können. Wenn Sie bessere Prognosen mit besseren Daten möchten, bedeutet dies nach unserer Erfahrung, sich sehr nahe an der Art und Weise zu bewegen, wie die Dinge in Ihrem IT-System sind, anstatt eine stark vereinfachte Version zu haben, bei der bereits alle relevanten Informationen verloren gegangen sind.

Kieran Chandler: Also gehen relevante Informationen verloren und im Grunde genommen könnte die von Ihnen betrachteten Daten etwas irreführend sein. Welche Art von Szenarien könnten Ihnen entgehen?

Joannes Vermorel: Normalerweise sind es Dinge, die so banal sind, dass die Leute sie sogar vergessen. Betrachten wir zum Beispiel eine Einzelhandelskette, wie Lebensmittelgeschäfte. Stellen Sie sich vor, Sie haben eine Reihe von Vertriebszentren, und jedes Vertriebszentrum versorgt, ich weiß nicht, 20 Supermärkte oder so. Wie sieht das aus, wissen Sie, solche Dinge? Sie nehmen die Position ein, die Bestände im Vertriebszentrum zu optimieren. Also sieht es so aus, dass die Geschäfte jeden Tag Bestellungen an das Vertriebszentrum senden. Und wenn Sie beispielsweise 100 Einheiten von etwas für den Supermarkt bestellen, können zwei Dinge im Vertriebszentrum passieren: Entweder erfüllen sie die Bestellung und versenden typischerweise am nächsten Tag 100 Einheiten oder sie erfüllen die Bestellung nicht. Das Geschäft gibt also eine Bestellung über 100 Einheiten auf und das Vertriebszentrum sendet nichts. Und dann gibt das Geschäft am nächsten Tag erneut eine Bestellung über 150 Einheiten auf.

Nun stellt sich die Frage, wenn Sie die Nachfrage auf der Ebene des Vertriebszentrums für diese beiden Tage erfassen möchten, wie hoch ist die Nachfrage? Sind es 100 Einheiten plus 150 Einheiten? Aber das fühlt sich falsch an, denn der Grund, warum das Geschäft am zweiten Tag eine Bestellung über 150 Einheiten aufgibt, ist, dass die Bestellung vom Vortag über 100 Einheiten nicht erfüllt wurde. Also mussten sie sowohl die Nachfrage für den nicht erfüllten Tag als auch für einen weiteren Tag abdecken. Dann bestellen Sie mehr, aber es ist ein Fehler zu denken, dass die Nachfrage 250 Einheiten beträgt. Vielleicht sollte die tatsächliche Gesamtnachfrage nur 150 Einheiten betragen, weil Sie die anfänglichen 100 Einheiten vollständig verwerfen sollten. Aber die Realität kann chaotisch sein.

Kieran Chandler: Wenn Sie eine Zeitreihe erstellen, wissen Sie, dass diese Informationen verloren gehen und alle Unklarheiten, die bestehen, beseitigt werden, und man könnte sagen, das ist eine gute Sache. Plötzlich können meine Datenwissenschaftler mit eindeutigen Daten arbeiten. Aber ja und nein, denn durch die Beseitigung der Unklarheit haben Sie bereits eine Aussage darüber gemacht, wie Ihr Unternehmen funktioniert, und diese Aussage kann völlig falsch sein.

Joannes Vermorel: Einer der Gründe, warum Unternehmen ihre alten Daten zusammenfassen, besteht darin, dass sie möglicherweise von einem ERP-System zu etwas Neuem wechseln. Ist es also wirklich nützlich, all diese historischen Informationen möglicherweise in das neue ERP-System wieder zu importieren? Als wir anfingen, über das zu sprechen, was wir heute “Yuppies” nennen, waren transaktionale Schichten von Systemen, die nur Routineoperationen verwalten, ihr Ziel nicht, historische Daten zu sammeln. Als alles begann, sagen wir Ende der 70er oder 80er Jahre, war das Bewahren von Daten nicht das Ziel, und damals ging es nur darum, das Unternehmen reibungsloser arbeiten zu lassen.

Aufgrund der Tatsache, dass damals Computertechnik im Vergleich zur Gegenwart sehr teuer war und insbesondere die Datenspeicherung ebenfalls sehr teuer war, haben viele Softwareanbieter zur damaligen Zeit das Richtige getan. Sie implementierten Heuristik-Tools, um Daten in vielerlei Hinsicht loszuwerden. Ich spreche nicht von heute, ich meine, die meisten dieser Heuristiken oder die meisten dieser Systeme machen einfach keinen Sinn mehr, einfach weil die Datenspeicherung bereits sehr billig ist.

Kieran Chandler: Sollten diese Unternehmen also irgendwo eine Art von Datenbereinigung durchführen? Oder sagen Sie, sie sollten die Rohdaten nehmen und so belassen?

Joannes Vermorel: Die Daten sind bereits sauber. Das Problem ist, wenn Sie von Datenbereinigung sprechen, was bedeutet das? Wenn ich Ihnen sage, dass das Problem darin besteht, ein gutes, genaues Bild von der Welt zu haben, und aus irgendeinem Grund entscheiden Sie, dass Sie die Welt nur betrachten möchten, indem Sie Dinge in irgendeinem Grünton betrachten. Sie haben also ein Bild, das nur Grüntöne enthält, und alles, was nicht grün ist, wird einfach schwarz sein. Sie werden es überhaupt nicht sehen. Dann haben Sie mehr oder weniger grüne Dinge, Sie werden Grüntöne haben, und das ist Ihr Bild von der Welt.

Offensichtlich würden Sie sagen: “Ich glaube, ich muss einige Datenbereinigungen durchführen; dieses Bild ist nicht sehr genau. Ich muss es vielleicht verbessern.” Aber Sie benötigen ein volles Spektrum an Farben. Das Problem ist nicht der Grünton; es gibt keine Bereinigung. Ihr Bild ist einfach das, was es ist. Das Problem besteht nur darin, dass Sie ein besseres Bild von der Welt haben möchten und dafür das volle Farbspektrum benötigen.

Kieran Chandler: Daher ist das erste, um eine bessere Prognose zu erstellen, einfach, das Unternehmen so zu betrachten, wie es ist. Die Daten sind nicht falsch, sie sind einfach da, wissen Sie. Was ich sage, ist, dass die Erzeugung von Daten nie das erste Ziel all Ihrer Systeme war. Ihre Systeme wurden implementiert, damit die Lieferkette funktionieren kann, damit es möglich ist, Dinge zu produzieren, zu bewegen und zu verkaufen. Alle Ebenen, die Sie haben, sind nur ein Spiegelbild 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 sehr korrekt; sonst wüssten Sie nicht, was Sie in Rechnung stellen sollen, Sie würden nicht wissen, wie viel Sie Ihren Lieferanten bezahlen sollen, und so weiter.

Also denke ich, dass es für die meisten Unternehmen heutzutage, zumindest für Unternehmen, die seit Jahrzehnten Computersysteme verwenden, einen Standort in Europa, Nordamerika und tatsächlich in den meisten Teilen Asiens, bereits alles an seinem Platz ist, bereits solide ist. Das Problem ist, dass wenn man in einfachen Begriffen über Prognosen nachdenkt, es nicht nur um den Verkauf geht. Es kann um Rücksendungen gehen, es kann auch nur um eine der grundlegendsten Dinge gehen, an die die Leute denken, wie können wir unsere Prognosen verbessern?

Joannes Vermorel: Normalerweise, wenn wir uns diese Zeitreihen ansehen, stellen wir fest, dass Sie nicht einmal den Preis kennen. Wenn wir mit Unternehmen zusammenarbeiten und sie ihre Prognosen verbessern möchten, betrachten wir einfach ihre Datenpipeline, die die Prognose generiert, und stellen fest, dass die Preisgestaltung fehlt. Offensichtlich haben Preise einen massiven Einfluss auf die Lieferkette. Wenn Sie plötzlich alle Ihre Produkte um 50% rabattieren, wird Ihre Nachfrage explodieren, möglicherweise wird auch Ihre Rentabilität verschwinden, aber Preise haben in der Regel einen massiven Einfluss auf die Nachfrage und Ihre Lieferkette. Die meiste Zeit, wenn wir uns diese S&OP -Prozesse und Prognoseprozesse ansehen, fehlt die Preisgestaltung, aber das ist normalerweise nur die Spitze des Eisbergs.

Kieran Chandler: Wir haben das schon einmal angesprochen, und die Leute konzentrieren sich auf die Nachfrage, und die Preisgestaltung ist offensichtlich etwas, worauf sie achten können, aber vielleicht ist es es wert, zu wiederholen, was sind die anderen Dinge, die von Interesse sein könnten?

Joannes Vermorel: Normalerweise fehlen Rücksendungen, Lagerbestände fehlen. Man könnte denken, warum Sie Lagerbestände benötigen? Die Antwort ist, nun, weil Sie erstens, wenn Sie einen Lagerbestand haben, nichts verkaufen können, weil nichts zum Verkauf da ist. Vielleicht erhalten Sie Rückstände, aber auch das ist ein sehr spezifisches Muster. Können Sie einen Rückstand wirklich wie einen regulären Verkauf zählen? Ich meine, es erfordert Engagement. Ein Rückstand ist im Grunde genommen, wenn das Produkt nicht da ist, also bitte ich den Lieferanten, etwas auf Rückstand zu setzen, um es später zu versenden, und als Kunde bin ich bereit, eine umfangreiche Verzögerung in Kauf zu nehmen. Also nochmal, das ist Nachfrage, aber es ist eine Nachfrage, die nicht genau von der gleichen Art ist wie die reguläre Nachfrage. Wenn Sie also sagen, dass eine Einheit Rückstand genau dasselbe ist wie ein Verkauf, 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, Kunden sind, die mit Rückständen und langen Lieferverzögerungen einverstanden sind, wenn sie einen besseren Preis bekommen können. Dann ist es plötzlich aus Sicht der Prognose sehr schön, weil Sie plötzlich nichts mehr prognostizieren müssen.

Kieran Chandler: Können Sie über Nachfrage und Rückstände sprechen?

Joannes Vermorel: Etwas auf Rückstand setzen, um es später zu versenden, als Kunde bin ich vielleicht bereit, eine umfangreiche Verzögerung in Kauf zu nehmen. Also nochmal, das ist Nachfrage, aber es ist eine Nachfrage, die nicht genau von der gleichen Art ist wie die reguläre Nachfrage. Wenn Sie also sagen, dass eine Einheit Rückstand genau dasselbe ist wie ein Verkauf, wenn es gerade sagt, nein, nicht wirklich. Insbesondere, insbesondere um Ihnen ein Beispiel zu geben, wenn aus irgendeinem Grund ein großer Teil der Nachfrage, die Sie haben, vielleicht im B2B-Bereich, Kunden sind, die mit Rückständen und langen Lieferverzögerungen einverstanden sind, wenn sie einen besseren Preis bekommen können, dann ist es plötzlich aus Sicht der Prognose sehr, sehr schön, weil Sie plötzlich nichts mehr prognostizieren müssen. Sie sehen nur die Rückstände und organisieren Ihre Lieferketten so, dass Sie die Ware bereit haben, wenn die erwartete Lieferzeit kommt. Aber Sie müssen diese Nachfrage nicht unbedingt prognostizieren, weil Sie diese Nachfrage im Voraus kennen, weil sie bereits bestellt ist.

Kieran Chandler: Wenn Sie das Beste aus den Daten machen möchten, die Sie derzeit haben, was ist dann Ihr Rat an Unternehmen?

Joannes Vermorel: Das Erste ist, dass Sie das Problem aus einer sehr domänenspezifischen Perspektive betrachten müssen. Sie müssen sich fragen: “Ich habe eine Lieferkette. Was ist wirklich wichtig?” Und die Antwort lautet: “Es kommt darauf an.” Es hängt wirklich von der Art der Lieferkette ab, in der Sie tätig sind. Wenn Sie in der Luft- und Raumfahrt tätig sind, reduziert sich die Frage im Wesentlichen auf: “Für jeden Dollar, den ich in meine Lieferkette investiere, wie kann ich die maximale Anzahl von AOG (Flugzeuge am Boden) -Vorfällen vermeiden, weil etwas fehlt und Sie ein Flugzeug haben, das am Boden feststeckt?” Also, normalerweise lautet die Frage: “Wie kann ich die maximale Anzahl von AOG-Vorfällen pro investiertem Dollar erhalten?” Das wäre die Perspektive für die Luft- und Raumfahrt. Bei frischen Lebensmitteln handelt es sich um ein völlig anderes Problem. Das wäre: “Okay, wie kann ich die langfristige Loyalität meiner Kunden wirklich maximieren, weil es bei Lebensmitteln komplett um wiederholte Geschäfte geht?” Also, was Sie wollen, ist nicht der Service Level eines einzelnen Produkts, das ist irgendwie sinnlos. Das ist Ihnen nicht wirklich wichtig, weil es so viele Alternativen gibt. Sie möchten sicherstellen, dass Ihre treuen Kunden, die in Ihren Laden kommen, um nicht nur ein Produkt, sondern einen ganzen Einkaufskorb zu kaufen, eine sehr gute Erfahrung haben. Und so, wenn etwas fehlt, gibt es immer einen Ersatz und sie können Ihren Laden sehr zufrieden mit der Gesamtverfügbarkeit und der Gesamtfrische dessen, was sie kaufen, verlassen. Das wird Teil des weltlichen Erlebnisses sein, und auch hier lautet die Frage pro investiertem Dollar, wie können Sie das optimieren? Die Frage ist wirklich domänenspezifisch. Welche Ideen sind am relevantesten, auf die Sie wirklich achten müssen? Nun, das können Sie nur beurteilen, wenn Sie über Fachkenntnisse in diesem Bereich verfügen, und normalerweise erfordert es keine fortgeschrittenen Datenwissenschaftsfähigkeiten. Es ist einfach so, dass ich sagen würde, ein direktes Verständnis der Domäne, das es Ihnen ermöglicht zu sagen, ob etwas schön zu haben ist oder ob es unbedingt vermieden werden muss, um keine super dumme Entscheidung zu treffen.

Kieran Chandler: Was ist die Kernbotschaft von heute?

Joannes Vermorel: Also, wenn wir das Ziel dieser Episode betrachten, wissen Sie, es geht darum, wie ich eine bessere Prognose mit einem besseren Schwanz haben kann. Das wäre etwas, das wir haben möchten, und die besseren Daten sind in der Regel nicht das, was Sie erwarten.

Kieran Chandler: Ich meine, ja, Sie können Daten haben, die für Ihre Prognosearbeit viel besser sind, aber das Problem ist, was meine ich mit besser? Normalerweise bedeutet die lokale Erfahrung, dass wir sehr spezifische Dinge meinen, die absolut nicht das sind, was die meisten Menschen erwarten. Zunächst einmal bedeutet bessere Daten, ein vollständiges Bild von allem zu haben, worauf Sie achten sollten, und in der Regel handelt es sich nicht um Instagram oder Ihre sozialen Netzwerke oder Wettervorhersagen. Es handelt sich um etwas viel Banaleres, Dinge, die bereits im System vorhanden sind. Es handelt sich um etwas, bei dem viele Menschen, vielleicht Menschen vor Ihnen, bereits entschieden haben, dass es nicht einmal wert ist, betrachtet zu werden.

Joannes Vermorel: Nun, unsere Botschaft ist, dass diese Daten sehr viel wert sind. Ich spreche von Preisen, Rücksendungen, Rückständen, Lagerbewegungen, all dem. Sie sind wichtig, und die gute Nachricht ist, dass sie bereits irgendwo in Ihren Systemen vorhanden sind. Erweitern Sie also zuerst Ihren Horizont darüber, was Sie überhaupt als relevante Daten betrachten. Das zweite wäre, diese Idee der Datenvorbereitung zu vergessen. Sie müssen verstehen, wie die Daten generiert werden, warum? Denn sonst landen Sie in einer Situation von “Müll rein, Müll raus”. Das Verständnis der Daten ist schwierig, weil es zwei Dinge sind: das Verständnis der Software und auch das Verständnis des Prozesses, dem die Personen folgen, die auf der Software arbeiten.

Normalerweise haben die Semantik der Daten zwei Teile: Es ist zur Hälfte im Kopf der Person, die die Software bedient, und zur Hälfte im Kopf des Softwareingenieurs, der die Unternehmenssoftware entworfen hat. Wenn ich von der Person spreche, ist es leider in der Regel vielen, vielen Menschen so, und der schlimmste Fall ist, wenn diese Menschen unterschiedliche Interpretationen haben. Das kann zu einer sehr chaotischen Situation führen. Sie sehen also, erweitern Sie Ihren Horizont in Bezug auf relevante Daten, nichts sehr Ausgefallenes, nur grundlegende banale Dinge für Ihr Geschäft, aber nicht nur Verkäufe. Dann müssen Sie ein Verständnis für diese Daten haben.

Schließlich, wenn Sie bessere Prognosen haben möchten, kommt es darauf an, was bedeutet das, eine bessere Prognose? Dann kommen wir zu dem Punkt, an dem die Leute sagen würden: “Oh, es ist besserer mittlerer absoluter prozentualer Fehler oder besserer mittlerer absoluter Fehler,” oder besser, wissen Sie, alle möglichen Metriken. Und wieder würde ich sagen, wenn es in Prozent ausgedrückt wird, ist es einfach nicht gut. Es muss in Dollar ausgedrückt werden. Und genau wie wir in einer der vorherigen Episoden über Entscheidungsorientierung diskutiert haben, kann eine Prognose letztendlich nur dann als besser angesehen werden, wenn sie zu besseren Entscheidungen führt.

Leider können Sie nur anhand der endgültigen Entscheidung beurteilen, ob eine Prognose besser ist oder nicht. Das ist schwierig, aber so machen Sie es. Wenn Sie einfach sagen: “Oh, ich habe einen besseren MAPE, und die Prognose ist besser”, ist das sehr falsch, und Sie werden nicht einmal auf dem Weg sein, Dinge zu machen, die Fehler des Nationalismus sind, Fehler sozusagen.

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 herumstöbern werden. Okay, das ist alles für diese Woche. Vielen Dank fürs Zuschauen, und wir sehen uns in der nächsten Episode wieder. Bis bald.