Szenarioplanung vs. Probabilistische Vorhersage

00:00:08 Szenarioanalyse und Vergleich mit probabilistischer Vorhersage.
00:01:02 Szenarioplanung und ihre Einfachheit.
00:02:56 Einschränkungen der Szenarioplanung in der Software und im Umgang mit Unsicherheit.
00:05:57 Die Alternative: probabilistische Vorhersage und ihre Vorteile.
00:06:48 Herausforderungen bei der Umsetzung mehrerer Szenarien in der supply chain Planung.
00:08:00 Die Grenzen der Szenarioplanung im supply chain Management.
00:09:52 Probabilistische Vorhersage als Alternative zur Szenarioplanung.
00:10:38 Vergleich von probabilistischer Vorhersage mit hochauflösender Bildgebung.
00:13:22 Die Illusion der Einfachheit in der Szenarioplanung und Herausforderungen in der Entscheidungsfindung.
00:15:00 Ein Beispiel, das die Unzulänglichkeit der Mittelwertbildung von Entscheidungen über Szenarien hinweg veranschaulicht.
00:16:01 Die Grenzen der traditionellen Szenarioplanung.
00:17:27 Umsetzungsherausforderungen der probabilistischen Vorhersage.
00:19:00 Die Vorteile der Szenarioplanung und ihre Zukunft.
00:20:58 Automatisierung der Abstimmung zwischen möglichen Zukünften.
00:23:19 Die Bedeutung geeigneter Werkzeuge für probabilistische Entscheidungsfindung.

Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel, Gründer des supply chain Optimierung Softwareunternehmens Lokad, und diskutiert dabei die Effektivität der Szenarioanalyse und ihren Vergleich mit probabilistischer Vorhersage. Vermorel ist der Ansicht, dass, obwohl die Szenarioplanung Einschränkungen wie Zeitaufwand und erheblichen manuellen Einsatz erfordert, die probabilistische Vorhersage einen effizienteren und effektiveren Ansatz bietet, um mit Unsicherheit in der supply chain umzugehen. Er weist darauf hin, dass die Erkundung der ungewöhnlichen Werkzeuge, die benötigt werden, um alle Zukünfte gleichzeitig zu berücksichtigen, für die Akzeptanz entscheidend ist, und Lokad hat eine Algebra von Zufallsvariablen entwickelt, ein mathematisches und statistisches Werkzeug, um mit probabilistischen Zukünften umzugehen. Die jüngste Unvorhersehbarkeit von supply chains unterstreicht die Notwendigkeit besserer Werkzeuge, um mit abweichenden Szenarien umzugehen.

Ausführliche Zusammenfassung

Im Interview diskutieren der Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, einem Softwareunternehmen für supply chain Optimierung, die Effektivität der Szenarioanalyse und ihren Vergleich mit probabilistischer Vorhersage. Die Szenarioanalyse wurde erstmals in den 1970er Jahren von Shell entwickelt und ist ein Gedankenexperiment, bei dem Annahmen über die Zukunft gemacht und untersucht werden, um zu sehen, wie sich die Dinge entwickeln, insbesondere in Bezug auf supply chain Angelegenheiten. Der Zweck der Szenarioplanung besteht darin, mehrere alternative Zukünfte zu erkunden, um bessere Entscheidungen zu treffen und eine robustere Leistung gegenüber unvorhersehbaren Schwankungen zu erzielen. Obwohl supply chains komplex sind, kann die Szenarioplanung den Prozess vereinfachen und wird durch Software-Tools unterstützt. Andererseits unterscheidet sich die probabilistische Vorhersage in ihrem Ansatz und beruht nicht auf Annahmen. Sie befasst sich mit statistischen Wahrscheinlichkeiten und der Unsicherheit der Zukunft. Obwohl beide Methoden mit ungewissen Zukünften zu tun haben, unterscheiden sie sich in ihrem Ansatz, wobei die Szenarioanalyse ein eleganterer und direkterer Ansatz ist und die probabilistische Vorhersage stärker auf statistischen Wahrscheinlichkeiten basiert.

Die Diskussion konzentriert sich auf die Szenarioplanung und Vorhersage im supply chain Management.

Vermorel erklärt, dass die Szenarioplanung darin besteht, verschiedene Szenarien basierend auf unterschiedlichen Eingaben und Annahmen zu prognostizieren. Diese Szenarien können Entscheidungsträgern dabei helfen, alternative Zukünfte zu planen und ihre Strategien entsprechend anzupassen. Dennoch hat die Szenarioplanung auch ihre Grenzen. Zum Beispiel kann sie zeitaufwendig sein und erfordert erheblichen manuellen Einsatz von Experten.

Vermorel schlägt vor, dass ein effizienterer und effektiverer Ansatz darin besteht, probabilistische Vorhersage zu verwenden, die auf rechnergestützten Methoden anstelle von menschlicher Expertise beruht. Dieser Ansatz ist besonders nützlich in Situationen, in denen viele Variablen zu berücksichtigen sind und die Anzahl möglicher Szenarien überwältigend ist.

Vermorel weist darauf hin, dass, obwohl es viele Berater und Anbieter gibt, die szenariobasierte Planung befürworten, es selten vorkommt, dass diese Szenarien in der Produktion verwendet werden. Er vermutet, dass dies daran liegt, dass die Szenarioplanung einen erheblichen Zeit- und Ressourceneinsatz erfordert und es für Unternehmen nicht immer praktikabel ist, sie umzusetzen.

Insgesamt betont Vermorel die Wichtigkeit, verschiedene Szenarien zu berücksichtigen und für Unsicherheiten im supply chain Management zu planen. Während die traditionelle Szenarioplanung ihre Grenzen hat, bietet die probabilistische Vorhersage einen effizienteren und effektiveren Ansatz für diese Herausforderung.

Das Gespräch konzentrierte sich auf die Rolle von Szenarien im supply chain. Vermorel ist der Ansicht, dass Szenarien eine bedeutende Rolle in den alltäglichen Aufgaben des supply chain Teams spielen, aber zu kostspielig sind. Er ist der Meinung, dass die grundlegende Erkenntnis im Umgang mit unsicheren Zukünften korrekt ist, jedoch die klassische supply chain Perspektive, eine Prognose zu erstellen, zutiefst falsch ist. Vermorel argumentiert, dass Unternehmen Szenarien nutzen, weil ihnen bessere Alternativen im Umgang mit unsicheren Zukünften fehlen.

Probabilistische Vorhersage ist eine neue Alternative, um mit unsicheren Zukünften umzugehen. Vermorel erklärt, dass probabilistische Vorhersage sich von Szenarien unterscheidet, weil sie eine völlig andere Perspektive einnimmt, indem sie große Mengen an Rechenleistung nutzt, die heutzutage günstig verfügbar ist. Die Schlüsselidee hinter der probabilistischen Vorhersage besteht darin, alle möglichen Zukünfte zu betrachten, selbst wenn die Wahrscheinlichkeit ihres Eintretens sehr gering ist. Vermorel ist der Meinung, dass probabilistische Vorhersage eine bessere Alternative im Umgang mit unsicheren Zukünften als Szenarien darstellt, da sie die große Verfügbarkeit von Rechenleistung nutzt.

Vermorel erklärte das Konzept der probabilistischen Vorhersage, die eine mechanische Methode darstellt, Wahrscheinlichkeiten für mögliche zukünftige Ereignisse festzulegen. Damit ist Vermorel der Ansicht, dass Szenarien nicht mehr erforderlich sind, da alle möglichen Zukünfte analysiert werden können. Er nutzte die Analogie, ein hochauflösendes Bild der gesamten Zukunft zu haben, anstatt eines niedrigauflösenden Bildes mit nur wenigen Pixeln.

Chandler fragte Vermorel nach den Unterschieden aus Endanwendersicht zwischen Szenarioplanung und probabilistischer Vorhersage. Vermorel stellte fest, dass die Szenarioplanung eine Illusion der Einfachheit vermittelt, jedoch problematisch sein kann, wenn Entscheidungen für mehrere Szenarien getroffen werden, die inkonsistent sein können. Vermorel gab das Beispiel eines Geschäfts, das Bücher verkauft, bei dem die Mehrheit der Kunden Eltern sind, die nur ein Exemplar eines Buches wünschen, während gelegentlich ein Lehrer hereinkommt und 30 Exemplare desselben Buches haben möchte.

Vermorel betonte die Bedeutung der probabilistischen Vorhersage als Werkzeug für die supply chain Optimierung und entscheidungsbasierte Optimierung, da sie ein hochauflösendes Bild aller möglichen Zukünfte liefert und nicht nur einige wenige Szenarien.

Die Diskussion dreht sich um die Herausforderungen der supply chain Optimierung. Vermorel ist der Gründer von Lokad, einem Softwareunternehmen, das sich auf diesen Bereich spezialisiert hat. Das Gespräch beginnt mit einer Diskussion über die angemessene Menge an Lagerbestand, die in einem Geschäft für ein bestimmtes Buch gehalten werden sollte. Vermorel argumentiert, dass das Mitteln des benötigten Lagerbestands keinen Sinn ergibt und dass der herkömmliche Ansatz, mehr Arbeitskräfte in das Problem zu investieren, die Problematik verschärft. Er erklärt, dass die Szenarioplanung eine potenzielle Lösung bietet, indem sie das Management mehrerer Zukünfte ermöglicht, aber sie erfordert mehr als nur das Kopieren und Einfügen von Logik. Die Implementierung eines Ansatzes der probabilistischen Vorhersage ist deutlich herausfordernder, bietet jedoch für supply chain software vendors wie Lokad eine bedeutende Chance, ihre Systeme zu verbessern. Vermorel schließt mit dem Hinweis, dass die Abstimmung der Ergebnisse, die aus der Szenarioplanung hervorgehen, eine kritische Herausforderung darstellt, der begegnet werden muss.

Sie diskutieren die Szenarioanalyse und ihre Grenzen im supply chain Management. Vermorel erklärt, dass Unternehmen oft nicht merken, dass sie ein Problem haben, bis sie ein System implementieren und auf Randfälle stoßen, die es unbrauchbar machen. Trotzdem sind Anbieter dazu angehalten, Funktionen zu verkaufen, die in Demos cool aussehen und funktionieren, und solange die Menschen sich keine Alternative vorstellen können, scheint die Szenarioanalyse die beste Option zu sein. Vermorel ist der Ansicht, dass die probabilistische Prognose, die Szenarien Wahrscheinlichkeiten zuordnet, eine natürliche Erweiterung der Szenarioanalyse ist, aber das eigentliche Problem darin liegt, die Abstimmung zwischen allen möglichen Zukünften vollständig zu automatisieren. Um dieses Problem zu lösen, hat Lokad eine Algebra von Zufallsvariablen entwickelt, ein spezifisches mathematisches und statistisches Werkzeug zur Bewältigung probabilistischer Zukünfte. Vermorel betont, dass die Erforschung der ungewöhnlichen Werkzeuge, die benötigt werden, um alle Zukünfte gleichzeitig zu berücksichtigen, entscheidend für die Akzeptanz ist, da es nicht ausreicht, sich bewusst zu machen, dass es möglich ist, alle möglichen Zukünfte mit Wahrscheinlichkeiten zu betrachten. Abschließend diskutieren sie über jüngste Ereignisse, die die Unvorhersehbarkeit von supply chains gezeigt haben, und die Notwendigkeit besserer Werkzeuge, um mit abweichenden Szenarien umzugehen.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir die Effektivität diskutieren und ob sie durch alternative Methoden wie probabilistische Vorhersage ersetzt werden kann.

Joannes Vermorel: Diese beiden Methoden sind insofern ähnlich, als dass man mit unsicheren Zukünften umgehen möchte. Da man nicht genau weiß, wie die Zukunft aussehen wird, will man verschiedene Optionen erkunden. Allerdings ist die Art und Weise, wie man diese Erkundung durchführt, sehr unterschiedlich.

Kieran Chandler: Heute werden wir die Szenarioplanung genauer unter die Lupe nehmen. Vielleicht ist ein guter Startpunkt, zu erklären, wie sie funktioniert und was sie ist.

Joannes Vermorel: Die Szenarioplanung ist konzeptionell sehr einfach. Es handelt sich im Grunde um ein Was-wäre-wenn-Gedankenexperiment, bei dem man annimmt, dass die Zukunft so aussehen wird. Nehmen wir an, die Zukunft ist genau so, und auf Basis dieser anfänglichen Annahme schauen wir, wie sich die Dinge aus der Perspektive der supply chain entwickeln, falls diese Zukunft eintritt. In gewisser Weise ist das sehr elegant und simpel, und man kann diesen Vorgang wiederholen. Die Idee hinter der Szenarioplanung ist, dass wir statt nur einer einzigen, wahren Prognose mehrere Alternativen erkunden. Durch das Erkunden mehrerer Alternativen können Sie Ihre Entscheidungen treffen und Ihre Leistung robuster gegenüber unvorhersehbaren, aber erwarteten Schwankungen gestalten.

Kieran Chandler: Es ist interessant, denn wir wissen, dass in der supply chain die Nachfrage eine Variation sein kann, aber es könnte auch andere verwandte Schwankungen geben, wie Durchlaufzeit. Kann diese Methode diese mehrfachen Schwankungen miteinander verbinden?

Joannes Vermorel: Die Schlüsselidee der Szenarioplanung besteht darin, die Dinge sehr einfach zu halten, indem man sich gedanklich an etwas orientiert, das der Vergangenheit sehr ähnlich ist. Es heißt buchstäblich, dass die Nachfrage zahlenmäßig dies und das sein wird. Aufgrund dieser Simplizität stellt sich heraus, dass man aus Software-Sicht Werkzeuge benötigt, um diese Denkansätze zu unterstützen, besonders wenn man es mit der Komplexität von Tausenden von Produkten, Unmengen von Standorten usw. zu tun hat. Interessanterweise ist die Szenarioplanung aus softwaretechnischer Perspektive wie ein Ausschneide- und Einfüge-Vorgang, bei dem Ihre Einrichtung und Logik, die mit der klassischen Prognose umgehen, verwendet wird.

Kieran Chandler: Können Sie erklären, was Szenarioanalyse ist und wie sie in der supply chain Optimierung eingesetzt wird?

Joannes Vermorel: Sicher, die Szenarioanalyse basiert darauf, Zahlen zu prognostizieren, die mögliche zukünftige Szenarien darstellen. Auf Basis dieser Prognosen können Sie Entscheidungen ableiten. Wenn Sie ein alternatives Szenario haben möchten, handelt es sich einfach um eine andere Prognose, möglicherweise mit einem Bias, zum Beispiel einem Abwärtstrend. Anschließend können Sie alle Entscheidungen ableiten und sie mit dem ersten Satz von Entscheidungen vergleichen, die Sie für das Median-Szenario getroffen haben, welches Ihre übliche, klassische Prognose darstellt.

Die Tatsache, dass es mit Software, bei der Sie Szenarien einfach vervielfältigen können, sehr einfach umzusetzen ist, bedeutet nicht zwangsläufig, dass es alles tut, was Sie möchten. Insbesondere ist man auf Experten und manuelle Anpassungen angewiesen, um die Szenarien zu justieren. Man passt die Szenarien tendenziell anhand simplistischer Variablen an, wie das Aufblähen oder Abschwächen der zukünftigen Nachfrage. Aber es gibt viele andere Bereiche, die ebenfalls unsicher sind, wie zum Beispiel die Durchlaufzeiten.

Das Problem bei der Anpassung von Szenarien ist, dass es unzählige Kombinationen gibt und dies überwältigend wird. Grundsätzlich ist die Auswahl der Szenarien eine stark von Menschen getriebene Angelegenheit. Menschen sollen gerade diese Szenarien selektiv auswählen.

Der alternative Ansatz besteht darin, einen stärker rechnergestützten Ansatz zu verfolgen, und hier passt die probabilistische Vorhersage hinein.

Kieran Chandler: Also, ist das der Grund, warum es besser ist, das einer Maschine zu überlassen, statt einem Menschen?

Joannes Vermorel: Ja, die Szenarioanalyse ist eine interessante Methode, um dem Umstand zu begegnen, dass man die Zukunft nicht perfekt kennt, leidet jedoch unter dem Problem, dass man nur einige wenige Szenarien selektiv auswählt. Tatsache ist, dass der klassische Ansatz für supply chain Prognosen und Planung bereits sehr zeitaufwendig ist, selbst für nur das primäre Szenario. In großen Unternehmen benötigt es bereits ganze Teams von Planern und Prognostikern, um die Arbeit zu erledigen. Wenn Sie weitere Szenarien hinzufügen möchten, stehen Sie vor der Situation, dass ein nahezu linearer Anstieg des Personalaufwands erforderlich ist, um den Prozess zu unterstützen. Deshalb habe ich aus meiner Erfahrung heraus, obwohl es viele Berater und Anbieter gibt, die szenariobasierte Planung befürworten, nur sehr selten gesehen, dass diese Szenarien tatsächlich in der Produktion eingesetzt werden. Es ist eher die Ausnahme als die Regel. Betrachtet man den täglichen Betrieb, so ist es tatsächlich recht selten, dass sie eingesetzt werden.

Kieran Chandler: Dass man Unternehmen sieht, in denen Szenarien eine bedeutende Rolle in den täglichen Aufgaben des supply chain Teams spielen, ist selten, und ich glaube, der Grund dafür ist, dass es schlichtweg zu kostspielig ist. Aber dies ist eine Technik, die es seit den 1970er Jahren gibt. Warum also drängen Berater und Anbieter immer noch darauf, und warum wird sie offensichtlich weiterhin von Unternehmen genutzt?

Joannes Vermorel: Zunächst einmal glaube ich, dass der zentrale Gedanke, nämlich die Notwendigkeit, mit unsicheren Zukünften umzugehen, zutiefst korrekt ist. Denn tatsächlich ist die klassische supply chain Perspektive, bei der man einfach eine Vorhersage macht und sagt “das ist es, das ist die Zukunft” – so wie nächste Woche 155 Einheiten dieses Produkts verkauft werden sollen – grundlegend fehlerhaft. Intuitiv erkennt man, dass an diesem Ansatz etwas grundlegend falsch ist; man muss sich damit abfinden, dass die Zukunft nicht bekannt ist. Szenarien sind eine Antwort – wenn auch eine dürftige – auf dieses Problem, und mangels besserer Alternativen ist es sehr verlockend, sie zu verwenden. Es gibt das Motto, dass, wenn man in der Hand nur einen Hammer hat, alles, was man sieht, ein Nagel ist. Wenn man also kein besseres Werkzeug hat, wird man das nutzen, was man hat, nämlich den Hammer, auch wenn man in Wahrheit mit einer Schraube zu tun hat.

Nun sind Alternativen entstanden, die auf Dingen beruhen, die vor vier oder fünf Jahrzehnten nicht existierten, wie etwa große Mengen an günstiger Rechenleistung. Das ist das Wesen des probabilistischen Forecastings. Es bedeutet im Grunde, das Problem aus einer völlig anderen Perspektive anzugehen, indem man die heutzutage verfügbare enorme Rechenleistung nutzt.

Kieran Chandler: Warum ist probabilistisches Forecasting vielleicht so anders? Weil man im Grunde genommen immer noch eine alternative Zukunft betrachtet. Ich nehme an, beim probabilistischen Forecasting weist man ihr eine Wahrscheinlichkeit zu, dass sie vielleicht eintritt, aber oberflächlich betrachtet scheinen sie gar nicht so unterschiedlich zu sein, da man lediglich mögliche Alternativen in Betracht zieht.

Joannes Vermorel: Die zentrale Idee des probabilistischen Forecastings besteht darin, dass es maschinell generierte Zukünfte geben wird. Man wird alle möglichen Zukünfte betrachten, oder zumindest alle numerisch relevanten Zukünfte. Selbst wenn einem immense Rechenressourcen zur Verfügung stehen, macht es keinen Sinn, die Konsequenzen von etwas zu bewerten, das nur eine Chance von einer Billion hat, einzutreten. Es ist einfach keine sinnvolle Investition der vorhandenen Rechenleistung. Aber wenn wir nur Dinge in Betracht ziehen, die wenigstens eine Chance haben, zu geschehen – sagen wir, mindestens eine Chance von einer Million pro Jahr – dann ist es zwar noch sehr unwahrscheinlich, aber nicht verschwindend unwahrscheinlich. Dann steht genügend rohe Rechenleistung zur Verfügung, um solche Ereignisse mit modernen Computern zu bewältigen.

Kieran Chandler: In einigen Jahrzehnten, mit den alltäglichen Computern, die man zu Hause oder sogar im Smartphone hat, ist probabilistisches Forecasting buchstäblich nur eine mechanische Methode, Wahrscheinlichkeiten auf jede Menge möglicher zukünftiger Ereignisse zu legen. Sobald man das hat, erkennt man, dass man Szenarien nicht mehr benötigt. Man kann all jene Szenarien, die aus allen möglichen Zukünften herausgefiltert wurden, durch etwas ersetzen, das brutal alle möglichen Zukünfte analysiert. Es ist, als wechselt man von einer Videokamera mit nur vier Pixeln im Bild zu einem vollständigen hochauflösenden Bild der gesamten Zukunft, in dem man jeden einzelnen Pixel sieht.

Joannes Vermorel: Welchen Unterschied macht das? Frag dich einfach: Wenn du eine Landschaft hast und nur fünf Pixel, ist es sehr schwer zu erkennen, wie sie aussieht. Wenn du viel Mühe investierst, hast du vielleicht 20 Pixel in deinem Bild, und das wird sehr mühsam sein. Aber wenn du von 20 Pixeln auf 4 Millionen übergehst, wandelst du dich von etwas, das kaum Sinn ergibt, zu einem hochqualitativen Bild, das vollkommen Sinn macht. In der Praxis – auch wenn es theoretisch ein gradueller Prozess ist – ist es komplett anders.

Kieran Chandler: Lassen Sie uns die Dinge aus der Perspektive des Endnutzers betrachten. Bei der Szenarioplanung hat man vielleicht mit nur vier Pixeln zumindest eine Vorstellung davon, was am Anfang und am Ende passiert, und das ist sehr logisch. Aber die Vorstellung, einen probabilistischen Forecast und alle möglichen Zukünfte zu betrachten, ist weitaus weniger logisch und schwerer zu verstehen. Ist das für den Endnutzer einfacher?

Joannes Vermorel: Bei der Szenarioplanung hat man eine Illusion der Einfachheit. Man wählt ein Szenario aus und hat einen Satz von Entscheidungen, der für dieses spezielle Szenario Sinn macht. Es ist relativ unkompliziert. Das Problem ist jedoch, dass du, wenn du ein anderes Szenario betrachtest, einen anderen Satz von Entscheidungen erhältst. Betrachtet man ein drittes Szenario, erhält man wieder einen anderen Satz von Entscheidungen. Was soll man mit all diesen Entscheidungen tun, die in der Praxis völlig inkonsistent sein können und sind? Die naive Antwort wäre, einen Durchschnitt zu bilden, aber warum sollte dieser Durchschnitt relevant sein?

Joannes Vermorel: Um ein Beispiel zu nennen: Stell dir vor, du hast einen Laden, der Bücher für Schulen verkauft. Die Mehrheit deiner Kunden sind Eltern, die ein Kind haben und nur ein Exemplar des Buches möchten. Im selben Laden betritt hin und wieder ein Lehrer den Laden und möchte 30 Exemplare des Buches.

Kieran Chandler: Die Frage ist: Ergibt es Sinn, einen Bestand von fünf Exemplaren eines Buches in einem Laden zu haben?

Joannes Vermorel: Wenn du nur die Eltern bedienen möchtest, die gelegentlich in den Laden kommen, dann könnten fünf Exemplare ausreichen. Wenn du jedoch die Lehrer bedienen willst, benötigst du wahrscheinlich 35 Exemplare des Buches. Du bräuchtest 30, um die Lehrer zu bedienen, und noch fünf zusätzliche, um die Eltern zu bedienen. Aber wenn du den Durchschnitt nimmst und sagst: “Oh, 25 sollten reichen”, nein – 25 ist irgendwie schlecht, weil es weit mehr ist, als du für die Eltern benötigst, und gleichzeitig nicht ausreichend für den Lehrer ist. So siehst du, Durchschnittsbildung macht normalerweise wenig Sinn. Und wenn du Nichtlinearitäten wie MOQs – Mindestbestellmenge – hast, funktioniert es nicht. Im Grunde genommen entsteht der Anschein von Einfachheit, wenn man sich jene Szenarien anschaut, in denen man ein Szenario auswählt und meint: “Hier gibt es eine einfache Lösung.” Wählst du ein anderes Szenario, hast du eine weitere einfache Lösung. Aber dann stehst du vor dem Problem, wie du all diese Szenarien miteinander in Einklang bringen sollst. Die Realität ist, dass der traditionelle Ansatz einfach darin besteht, noch mehr Personal in das Problem zu stecken. Du siehst, du hattest bereits etwas, das in Bezug auf den Personaleinsatz äußerst intensiv war. Für jedes einzelne Szenario werden mehr Planer, mehr Forecast-Experten benötigt. Aber damit entsteht ein weiteres Problem: Jetzt braucht man ein zusätzliches Team, um all diese Ergebnisse zusammenzuführen. Das ist sogar schlimmer, als wenn der Personalaufwand nur linear zunähme – es ist ein hyperlinearer Anstieg an Aufwand, um mit einer großen Anzahl von Szenarien umzugehen. Und das ist sehr, sehr schlecht.

Kieran Chandler: Ich denke, dass einer der Vorteile der Szenarioplanung vielleicht einfach darin besteht, ein bisschen Logik zu kopieren und aus Implementierungsperspektive einfach mehr Ressourcen hineinzustecken. Bedeutet das, dass die Implementierung eines probabilistischen Forecasting-Ansatzes viel herausfordernder ist und deshalb die Unternehmen sich nicht so sehr dafür interessieren?

Joannes Vermorel: Also, als Softwareanbieter – ja, absolut. Stell dir buchstäblich vor, du bist ein Software supply chain Softwareanbieter und hast ein supply chain Forecasting- und Planungssystem entwickelt. Das bedeutet, dass dein System zumindest aus der klassischen Perspektive in der Lage ist, eine klassische Vorhersage zu managen. Es geht darum, eine tägliche, wöchentliche oder monatliche Menge für einen bestimmten Zeitraum im Voraus für einen einzelnen SKU oder ein Produkt zuzuweisen. So sieht ein klassisches Forecasting-Produkt aus. Du hast alles in der Hand, um eine einzige Zukunft abzubilden und zu sagen: “Das ist es. So werden die Dinge ablaufen.” Wenn du jedoch in Richtung Szenarioplanung übergehen willst, musst du im Grunde nur sagen: “Ich werde einfach eine zweite Instanz dieser Zukunft abbilden und diese als zweites Szenario bezeichnen.” In Bezug auf die Logik, in Bezug auf den Code, ist es buchstäblich derselbe Code, bei dem lediglich eine zusätzliche Dimension – die Szenario-Dimension – hinzugefügt werden muss. Und damit ist es getan. Du hast dein Szenarioplanungssystem bereits implementiert. Aber es gibt einen Haken: Du hast nichts unternommen, um die Ergebnisse, die daraus entstehen, miteinander abzugleichen.

Kieran Chandler: Szenarien – aber die Realität ist, dass Unternehmen in der Regel nicht erkennen, dass sie tatsächlich vor diesem Problem stehen, bis sie das System implementieren und auf all die Randfälle stoßen, bei denen es unsinnig ist, die Ergebnisse der verschiedenen Szenarien zu mitteln.

Joannes Vermorel: Wenn du beispielsweise drei Beispiele umsetzt, ist der Anbieter ziemlich zufrieden – schließlich ist es für den Anbieter sehr günstig zu implementieren. Warum also nicht ein Feature implementieren, das günstig ist und bei den Demos cool aussieht? Außerdem besteht bei einem ganz einfachen Piloten die Chance, dass du nicht auf die Randfälle stößt, die ich gerade beschrieben habe, sodass das Mitteln der Szenarien für dich zunächst funktionieren könnte. Aber sobald du in eine komplexere Situation hineinwächst, wirst du feststellen, dass unzählige Randfälle auftreten, und das macht die ganze Sache unbrauchbar. Doch zu diesem Zeitpunkt ist der Anbieter bereits zufrieden, weil er schon bezahlt wurde. Du weißt, es gibt all die falschen Anreize, wie du deinen supply chain Softwareanbieter bezahlst – wie wir in der vorherigen Episode besprochen haben. Und außerdem, solange sich die Leute keine Alternative vorstellen können, scheint es immer noch das Beste zu sein, was es mangels etwas Besserem gibt.

Kieran Chandler: Okay, lass uns die Dinge ein wenig zusammenführen. Du sagst, die Leute können sich keine Alternative vorstellen, und nun befinden wir uns in einer Situation, in der es dank unserer Rechenleistung eine Alternative gibt. Es existiert eine alternative Methode – kannst du dir vorstellen, dass so etwas wie die Szenarioanalyse irgendwann ausstirbt?

Joannes Vermorel: Ja, ich meine, obwohl, ehrlich gesagt, Lokad noch einen weiten Weg vor sich hat, buchstäblich den Rest der Welt davon zu überzeugen. Das Problem ist nicht der probabilistische Forecast an sich, denn die Idee, dass es viele Szenarien mit Wahrscheinlichkeiten geben wird, ist relativ unkompliziert und fühlt sich wie eine sehr natürliche Erweiterung des Szenarioansatzes an – nur eben mit vielen Szenarien, so wie das Hinzufügen von Pixeln zu einem Bild, wobei die Anzahl der Pixel der Wahrscheinlichkeit entspricht.

Kieran Chandler: Anstatt an Farbe zu denken, könntest du das als mein Szenario betrachten, dem eine bestimmte Wahrscheinlichkeit zugeordnet ist. Aber das Problem ist, dass du, sobald du all diese möglichen Zukünfte hast, Wege finden musst, um die Abstimmung zwischen all diesen möglichen Zukünften vollständig zu automatisieren. Genau hier wird es aus lokadischer Sicht wirklich knifflig und bizarr.

Joannes Vermorel: Weißt du, die von uns entwickelte Lösung nennt sich Algebra der Zufallsvariablen. Das heißt, du benötigst eine Art sehr spezifische mathematisch-statistische Werkzeuge, um mit diesen Konzepten umzugehen – nicht nur auf der Forecasting-Seite, sondern auch bei der Entscheidungsfindung. Tatsächlich, wenn du dir den technologischen Stack von Lokad genauer ansiehst, wirst du feststellen, dass Forecasting heutzutage nur ein relativ kleiner Teil des Ganzen ist. Der Großteil der Komplexität, Techniken, Werkzeuge, Praktiken, Algorithmen und so weiter liegt darin, wie du deine Entscheidungen tatsächlich optimierst, während du all diesen unsicheren, probabilistischen Zukünften begegnest.

Und das ist, glaube ich, das Problem, um die weitere Verbreitung zu fördern. Die Leute müssen nicht nur begreifen, dass es möglich ist, all diese möglichen Zukünfte mit Wahrscheinlichkeiten zu betrachten, sondern sie müssen auch Dinge erforschen, die – würde ich sagen – sehr ungewöhnlich sind; die Art von Werkzeugen, die man benötigt, um gleichzeitig über alle Zukünfte hinweg zu operieren. Denn ohne diese Werkzeuge ist man im Grunde wieder bei Null, wo es eine enorme Zeit erfordert, all diese Möglichkeiten auszuwerten. Der Clou ist, dass wir bei Lokad nicht all diese Möglichkeiten ausschließen, sondern sie während des gesamten Prozesses beibehalten. Es ist also nicht gerade einfach, aber tatsächlich ziemlich unkompliziert, wenn man die richtigen Werkzeuge hat.

Kieran Chandler: Okay, wir müssen es hiermit abschließen. Aber ich nehme an, basierend auf den jüngsten Ereignissen wissen wir, dass es so viele abweichende Szenarien geben kann, die auftreten – Szenarien, die Menschen wahrscheinlich niemals vorhersagen könnten. Das war alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Danke fürs Zuschauen.