Szenarioplanung vs. probabilistische Prognose

00:00:08 Szenarioanalyse und Vergleich mit probabilistischer Prognose.
00:01:02 Szenarioplanung und ihre Einfachheit.
00:02:56 Grenzen der Szenarioplanung mit Software und Umgang mit Unsicherheit.
00:05:57 Die Alternative: probabilistische Prognose und ihre Vorteile.
00:06:48 Schwierigkeiten 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 Prognose als Alternative zur Szenarioplanung.
00:10:38 Vergleich der probabilistischen Prognose mit hochauflösender Bildgebung.
00:13:22 Illusion der Einfachheit in der Szenarioplanung und Herausforderungen bei Entscheidungsfindung.
00:15:00 Beispiel, das die Unzulänglichkeit der Durchschnittsbildung über Szenarien verdeutlicht.
00:16:01 Die Grenzen der traditionellen Szenarioplanung.
00:17:27 Umsetzungsherausforderungen der probabilistischen Prognose.
00:19:00 Die Vorteile der Szenarioplanung und ihre Zukunft.
00:20:58 Automatisierung der Abstimmung zwischen möglichen Zukunftsszenarien.
00:23:19 Die Bedeutung geeigneter Werkzeuge für probabilistische Entscheidungsfindung.

Zusammenfassung

Kieran Chandler interviewt Joannes Vermorel, den Gründer des Softwareunternehmens Lokad für Supply Chain-Optimierung, und diskutiert die Wirksamkeit der Szenarioanalyse und deren Vergleich mit probabilistischer Prognose. Vermorel ist der Meinung, dass die Szenarioplanung zwar ihre Grenzen hat, wie zum Beispiel den hohen Zeitaufwand und den Bedarf an umfangreichen Eingaben, aber die probabilistische Prognose ein effizienterer und effektiverer Ansatz ist, um mit Unsicherheit in der Supply Chain umzugehen. Er betont, dass die Erkundung ungewöhnlicher Werkzeuge, die erforderlich sind, um gleichzeitig über alle möglichen Zukunftsszenarien zu operieren, für die Akzeptanz entscheidend ist, und Lokad hat eine Algebra der Zufallsvariablen entwickelt, ein mathematisches und statistisches Werkzeug, um mit probabilistischen Zukunftsszenarien umzugehen. Die jüngste Unvorhersehbarkeit von Lieferketten verdeutlicht die Notwendigkeit besserer Werkzeuge, um mit unvorhergesehenen Szenarien umzugehen.

Erweiterte Zusammenfassung

In diesem Interview diskutieren der Moderator Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, einem Softwareunternehmen für Supply Chain-Optimierung, die Wirksamkeit der Szenarioanalyse und deren Vergleich mit der probabilistischen Prognose. Die Szenarioanalyse wurde erstmals in den 1970er Jahren von Shell entwickelt und ist ein Gedankenexperiment, bei dem Annahmen über die Zukunft gemacht und erkundet werden, um zu sehen, wie sich die Dinge entwickeln, insbesondere in Bezug auf Supply Chain-Angelegenheiten. Das Ziel der Szenarioplanung besteht darin, mehrere alternative Zukunftsszenarien zu erkunden, um bessere Entscheidungen zu treffen und eine robustere Leistung gegenüber unvorhersehbaren Variationen zu erzielen. Obwohl Lieferketten komplex sind, kann die Szenarioplanung den Prozess vereinfachen und von Software-Tools unterstützt werden. Die probabilistische Prognose hingegen unterscheidet sich in ihrem Ansatz und stützt sich nicht auf Annahmen. Sie beschäftigt sich mit statistischen Wahrscheinlichkeiten und der Unsicherheit der Zukunft. Obwohl beide Methoden sich mit unsicheren Zukunftsszenarien befassen, unterscheiden sie sich in ihrem Ansatz, wobei die Szenarioanalyse einen eleganteren und einfacheren Ansatz darstellt und die probabilistische Prognose stärker auf statistischen Wahrscheinlichkeiten beruht.

Die Diskussion konzentriert sich auf die Szenarioplanung und Prognose im Supply Chain-Management.

Vermorel erklärt, dass die Szenarioplanung die Prognose verschiedener Szenarien auf der Grundlage verschiedener Eingaben und Annahmen beinhaltet. Diese Szenarien können den Entscheidungsträgern helfen, sich auf alternative Zukunftsszenarien vorzubereiten und ihre Strategien entsprechend anzupassen. Die Szenarioplanung hat jedoch auch ihre Grenzen. Zum Beispiel kann sie zeitaufwändig sein und erfordert erhebliche manuelle Eingaben von Experten.

Vermorel schlägt vor, einen effizienteren und effektiveren Ansatz zu verwenden, nämlich die probabilistische Prognose, 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 der möglichen Szenarien überwältigend ist.

Vermorel stellt fest, dass es zwar viele Berater und Anbieter gibt, die für die szenariobasierte Planung plädieren, aber selten sieht man diese Szenarien tatsächlich in der Produktion eingesetzt. Er schlägt vor, dass dies daran liegt, dass die Szenarioplanung eine erhebliche Investition von Zeit und Ressourcen erfordert und es für Unternehmen möglicherweise nicht immer praktikabel ist, sie umzusetzen.

Insgesamt betont Vermorel die Bedeutung, verschiedene Szenarien zu berücksichtigen und sich auf Unsicherheiten im Supply Chain-Management vorzubereiten. Obwohl es Grenzen für die traditionelle Szenarioplanung gibt, bietet die probabilistische Prognose einen effizienteren und effektiveren Ansatz für diese Herausforderung.

Das Gespräch konzentrierte sich auf die Rolle von Szenarien in der Supply Chain. Vermorel glaubt, dass Szenarien eine wichtige Rolle bei den täglichen Aufgaben des Supply Chain-Teams spielen, aber zu teuer sind. Er ist der Meinung, dass der Kerngedanke, mit unsicheren Zukunftsszenarien umzugehen, richtig ist, aber die klassische Perspektive der Supply Chain, eine Prognose zu erstellen, grundlegend falsch ist. Vermorel argumentiert, dass Unternehmen Szenarien verwenden, weil ihnen bessere Alternativen fehlen, um mit unsicheren Zukunftsszenarien umzugehen.

Die probabilistische Prognose ist eine neue Alternative, um mit unsicheren Zukunftsszenarien umzugehen. Vermorel erklärt, dass die probabilistische Prognose sich von Szenarien unterscheidet, weil sie eine völlig andere Perspektive einnimmt, indem sie große Mengen an Rechenleistung nutzt, die heutzutage kostengünstig verfügbar sind. Die Schlüsselidee hinter der probabilistischen Prognose besteht darin, alle möglichen Zukunftsszenarien zu betrachten, auch wenn die Wahrscheinlichkeit, dass sie eintreten, sehr gering ist. Vermorel ist der Meinung, dass die probabilistische Prognose eine bessere Alternative ist, um mit unsicheren Zukunftsszenarien umzugehen, da sie von den großen Mengen an Rechenleistung profitiert, die heute verfügbar sind.

Vermorel erläuterte das Konzept der probabilistischen Prognose, die eine mechanische Methode ist, um Wahrscheinlichkeiten für mögliche zukünftige Ereignisse festzulegen. Damit glaubt Vermorel, dass es keine Notwendigkeit mehr für Szenarien gibt, da alle möglichen Zukunftsszenarien analysiert werden können. Er verwendete die Analogie, dass man ein hochauflösendes Bild der gesamten Zukunft hat, anstatt nur ein niedrigauflösendes Bild mit nur wenigen Pixeln.

Chandler fragte Vermorel nach den Unterschieden in der Perspektive der Endbenutzer zwischen der Szenarioplanung und der probabilistischen Prognose. Vermorel bemerkte, dass die Szenarioplanung eine Illusion von Einfachheit bietet, aber problematisch sein kann, wenn Entscheidungen für mehrere inkonsistente Szenarien getroffen werden müssen. Vermorel gab ein Beispiel für einen Laden, der Bücher verkauft, bei dem die Mehrheit der Kunden Eltern sind, die nur eine Kopie eines Buches möchten, aber gelegentlich betritt ein Lehrer den Laden und möchte 30 Kopien desselben Buches.

Vermorel betonte die Bedeutung der probabilistischen Prognose als Werkzeug für die Optimierung der Supply Chain und die Entscheidungsfindung, da sie ein hochauflösendes Bild aller möglichen Zukunftsszenarien bietet, anstatt nur ein paar Szenarien.

Die Diskussion konzentriert sich auf die Herausforderungen der Optimierung der Supply Chain. Vermorel ist der Gründer von Lokad, einem Softwareunternehmen, das sich auf diesem Gebiet spezialisiert hat. Das Gespräch beginnt mit einer Diskussion über die angemessene Menge an Lagerbestand, die für ein bestimmtes Buch in einem Geschäft aufbewahrt werden soll. Vermorel argumentiert, dass es keinen Sinn macht, den benötigten Lagerbestand zu durchschnittlichen und dass der traditionelle Ansatz, mehr Arbeitskräfte in das Problem zu stecken, das Problem verschlimmert. Er erklärt, dass die Szenarioplanung eine mögliche Lösung bietet, indem sie das Management mehrerer Zukunftsszenarien ermöglicht, aber mehr erfordert als nur das Kopieren und Einfügen von Logik. Die Implementierung eines probabilistischen Prognoseansatzes ist viel herausfordernder, aber für Lieferanten von Supply Chain-Software wie Lokad bietet er eine bedeutende Möglichkeit, ihre Systeme zu verbessern. Vermorel schließt mit der Feststellung, dass die Ergebnisse, die aus der Szenarioplanung hervorgehen, ein kritisches Problem sind, das angegangen werden muss.

Sie diskutieren Szenarioanalyse und ihre Grenzen im Supply Chain Management. Vermorel erklärt, dass Unternehmen oft nicht erkennen, dass sie ein Problem haben, bis sie ein System implementieren und auf Randfälle stoßen, die es nicht lebensfähig machen. Trotzdem haben Anbieter Anreize, Funktionen zu verkaufen, die cool aussehen und während Demos funktionieren, und solange die Menschen sich keine Alternative vorstellen können, scheint die Szenarioanalyse die beste Option zu sein. Vermorel glaubt, dass die probabilistische Prognose, die Szenarien Wahrscheinlichkeiten zuweist, eine natürliche Erweiterung der Szenarioanalyse ist, aber das eigentliche Problem liegt in der vollständigen Automatisierung der Abstimmung zwischen allen möglichen Zukunftsszenarien. Um dieses Problem zu lösen, hat Lokad eine Algebra der Zufallsvariablen entwickelt, ein spezifisches mathematisches und statistisches Werkzeug, um mit probabilistischen Zukunftsszenarien umzugehen. Vermorel betont, dass es für die Akzeptanz unerlässlich ist, die ungewöhnlichen Werkzeuge zu erkunden, die benötigt werden, um gleichzeitig über alle möglichen Zukunftsszenarien zu operieren, da es nicht ausreicht, zu erkennen, dass es möglich ist, alle möglichen Zukunftsszenarien mit Wahrscheinlichkeiten zu betrachten. Schließlich diskutieren sie aktuelle Ereignisse, die die Unvorhersehbarkeit von Lieferketten gezeigt haben und den Bedarf an besseren Werkzeugen zur Bewältigung von unvorhergesehenen Szenarien.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV werden wir über seine Effektivität diskutieren und ob es durch alternative Methoden wie die probabilistische Prognose ersetzt werden kann.

Joannes Vermorel: Diese beiden Methoden sind ähnlich in dem Sinne, dass Sie mit unsicheren Zukünften umgehen möchten. Weil Sie nicht sicher wissen, wie die Zukunft aussehen wird, möchten Sie Optionen erkunden. Die Art und Weise, wie Sie diese Erkundung durchführen, ist jedoch sehr unterschiedlich.

Kieran Chandler: Heute werden wir uns das Szenarioplanung genauer ansehen. Vielleicht ist ein guter Ausgangspunkt, zu erklären, wie es funktioniert und was es ist.

Joannes Vermorel: Die Szenarioplanung ist konzeptionell sehr einfach. Sie machen nur ein Gedankenexperiment, was wäre wenn, und sagen, die Zukunft wird so sein. Nehmen wir an, die Zukunft ist genau so, und basierend auf dieser anfänglichen Annahme schauen wir, wie sich die Dinge aus Sicht der Supply Chain entwickeln, wenn diese Zukunft eintritt. In gewisser Weise ist es sehr elegant und einfach, und Sie können die Übung wiederholen. Die Idee hinter der Szenarioplanung ist, dass wir anstelle einer einzigen wahren Prognose mehrere Alternativen erkunden werden. Indem Sie mehrere Alternativen erkunden, können Sie Ihre Entscheidungen und Leistung robuster gegenüber Variationen machen, die Sie nicht vorhersagen können, aber erwarten.

Kieran Chandler: Es ist interessant, weil wir wissen, dass in der Supply Chain die Nachfrage eine Variation sein kann, aber es kann auch andere verwandte Variationen geben, wie Durchlaufzeit. Kann diese Methode diese verschiedenen Variationen kombinieren?

Joannes Vermorel: Die Schlüsselidee der Szenarioplanung besteht darin, dass sie die Dinge sehr einfach macht, indem sie sich geistig an etwas hält, das dem Vergangenen sehr ähnlich ist. Es sagt buchstäblich, die Nachfrage wird numerisch so und so sein. Aufgrund dieser Einfachheit stellt sich heraus, dass Sie aus Sicht der Software Werkzeuge benötigen, um diese Denkweisen zu unterstützen, insbesondere wenn Sie es mit der Komplexität von Tausenden von Produkten, Tonnen von Standorten usw. zu tun haben. Das Interessante ist, dass die Szenarioplanung aus Sicht der Software wie eine Copy-and-Paste-Übung mit Ihrem Setup und Ihrer Logik zur Bewältigung der klassischen Prognose ist.

Kieran Chandler: Können Sie erklären, was Szenarioanalyse ist und wie sie zur Optimierung der Supply Chain verwendet wird?

Joannes Vermorel: Die Szenarioanalyse basiert auf Prognosezahlen, die mögliche zukünftige Szenarien darstellen. Basierend auf diesen Prognosen können Sie Entscheidungen ableiten. Wenn Sie ein alternatives Szenario haben möchten, handelt es sich nur um eine andere Prognose mit möglicherweise einer Verzerrung. Zum Beispiel ein Abwärtstrend. Sie können dann alle Entscheidungen ableiten und sie mit dem ersten Satz von Entscheidungen vergleichen, den Sie für das Median-Szenario getroffen haben, das Ihre übliche klassische Prognose darstellt.

Die Tatsache, dass es sehr einfach ist, diesen Prozess mit Software zu implementieren, bei dem Sie Szenarien einfach multiplizieren können, bedeutet nicht unbedingt, dass es alles tut, was Sie wollen. Insbesondere sind Sie auf Experten und manuelle Anpassungen angewiesen, um die Szenarien anzupassen. Sie neigen dazu, die Szenarien entsprechend simplen Variablen anzupassen, wie z.B. die zukünftige Nachfrage aufzublähen oder zu verringern. Aber es gibt viele andere Bereiche, die ebenfalls unsicher sind, wie z.B. Durchlaufzeiten.

Das Problem bei der Anpassung von Szenarien besteht darin, dass Sie unzählige Kombinationen haben und es überwältigend wird. Grundsätzlich ist die Auswahl der Szenarien eine sehr von Menschen getriebene Angelegenheit. Menschen sollen diese Szenarien auswählen.

Der alternative Ansatz besteht darin, einen stärker rechnerischen Ansatz zu wählen, und hier kommt die probabilistische Prognose ins Spiel.

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

Joannes Vermorel: Ja, die Szenarioanalyse ist eine interessante Möglichkeit, mit der Tatsache umzugehen, dass Sie die Zukunft nicht perfekt kennen, aber sie leidet darunter, dass Sie nur einige Szenarien auswählen. Die Realität ist, dass der klassische Ansatz für die Prognose und Planung der Supply Chain bereits sehr zeitaufwändig ist, selbst für nur das primäre Szenario. Für große Unternehmen benötigt es bereits ganze Teams von Planern und Prognostikern, um die Arbeit zu erledigen. Wenn Sie mehr Szenarien hinzufügen möchten, stehen Sie vor der Situation, dass Sie einen nahezu linearen Anstieg der Arbeitskräfte benötigen, um den Prozess zu unterstützen. Deshalb habe ich in meiner Erfahrung, obwohl es viele Berater und Anbieter gibt, die für szenariobasierte Planung plädieren, diese Szenarien nur sehr selten tatsächlich in der Produktion gesehen. Es ist eher die Ausnahme als die Norm. Wenn wir uns den täglichen Betrieb ansehen, ist es tatsächlich ziemlich selten, dass sie verwendet werden.

Kieran Chandler: Es ist selten, Unternehmen zu sehen, in denen Szenarien eine bedeutende Rolle bei den täglichen Aufgaben des Supply-Chain-Teams spielen, und ich glaube, dass der Grund dafür ist, dass es einfach viel zu kostspielig ist. Aber diese Technik gibt es schon seit den 1970er Jahren. Warum also werden sie von Beratern und Anbietern immer noch propagiert und warum wird sie offensichtlich von Unternehmen immer noch verwendet?

Joannes Vermorel: Zunächst glaube ich, dass die Kernidee, nämlich mit unsicheren Zukunftsszenarien umzugehen, zutiefst richtig ist. Die klassische Perspektive der Supply Chain, bei der Sie einfach eine Prognose erstellen und sagen “das ist es, das ist die Zukunft”, wie zum Beispiel nächste Woche werden wir 155 Einheiten dieses Produkts verkaufen, ist grundsätzlich fehlerhaft. Intuitiv sehen Sie, dass etwas grundlegend falsch an diesem Ansatz ist; Sie müssen damit umgehen, dass die Zukunft unbekannt ist. Szenarien sind eine Antwort, wenn auch eine schlechte, auf dieses Problem, und mangels besserer Alternativen ist es sehr verlockend, sie zu verwenden. Es gibt dieses Motto, dass wenn alles, was Sie in der Hand haben, ein Hammer ist, alles andere ein Nagel ist. Wenn Sie also kein besseres Werkzeug haben, werden Sie das verwenden, was Sie haben, nämlich einen Hammer, auch wenn Sie tatsächlich versuchen, eine Schraube zu bearbeiten.

Inzwischen sind Alternativen entstanden, die auf Dingen beruhen, die vor vier oder fünf Jahrzehnten nicht existierten, wie zum Beispiel große Mengen an kostengünstiger Rechenleistung. Das ist das Wesen der probabilistischen Prognose. Es handelt sich im Grunde um eine völlig andere Perspektive auf das Problem, indem man die heutzutage verfügbaren großen Mengen an Rechenleistung nutzt.

Kieran Chandler: Warum ist die probabilistische Prognose vielleicht so anders? Denn man betrachtet immer noch eine alternative Zukunft. Ich nehme an, bei der probabilistischen Prognose weisen Sie ihr eine Wahrscheinlichkeit zu, dass sie möglicherweise eintritt, aber auf den ersten Blick scheinen sie tatsächlich nicht so unterschiedlich zu sein, weil Sie nur mögliche Alternativen betrachten.

Joannes Vermorel: Die Schlüsselidee der probabilistischen Prognose besteht darin, dass Sie maschinengenerierte Zukunftsszenarien haben werden. Sie werden alle möglichen Zukunftsszenarien betrachten, oder zumindest alle numerisch relevanten Zukunftsszenarien. Selbst wenn Sie immense Rechenressourcen zur Verfügung haben, macht es keinen Sinn, die Konsequenzen von etwas zu bewerten, das nur eine Chance von einer Billion hat, zu passieren. Es ist einfach keine gute Investition der Rechenleistung, die Sie haben. Aber wenn wir nur Dinge berücksichtigen, die zumindest eine Chance haben, zu passieren, sagen wir mindestens eine Chance von einer Million pro Jahr, ist es immer noch sehr unwahrscheinlich, aber es ist nicht verschwindend unwahrscheinlich. Dann gibt es genügend Rechenleistung, um mit solchen Ereignissen durch moderne Computer umzugehen.

Kieran Chandler: Jahrzehnte später, mit den gewöhnlichen Computern, die Sie zu Hause oder sogar auf Ihrem Smartphone haben, ist die probabilistische Prognose buchstäblich nur eine mechanische Möglichkeit, Wahrscheinlichkeiten für eine Vielzahl möglicher zukünftiger Ereignisse festzulegen. Sobald Sie das haben, erkennen Sie, dass Sie keine Szenarien mehr benötigen. Sie können all diese Szenarien, die aus allen möglichen Zukunftsszenarien ausgewählt wurden, durch etwas ersetzen, das alle möglichen Zukunftsszenarien brutal analysiert. Es ist wie der Übergang von einer Videokamera mit nur vier Pixeln in Ihrem Bild zu einem vollständigen hochauflösenden Bild der gesamten Zukunft, in dem Sie alle Pixel sehen.

Joannes Vermorel: Was macht das für einen Unterschied? Fragen Sie sich einfach, wenn Sie eine Landschaft haben und nur fünf Pixel haben, ist es sehr schwer zu erkennen, wie es aussieht. Wenn Sie sich viel Mühe geben, haben Sie vielleicht 20 Pixel auf Ihrem Bild, und das wird sehr mühsam sein. Aber wenn Sie von 20 Pixeln auf 4 Millionen wechseln, gehen Sie von etwas, das kaum Sinn ergibt, zu einem hochwertigen Bild, das völlig Sinn ergibt. In der Praxis ist es zwar ein gradueller Prozess in der Theorie, aber es ist völlig anders.

Kieran Chandler: Sprechen wir aus der Perspektive des Endbenutzers. Mit Szenarioplanung haben Sie vielleicht nur Ihre vier Pixel und eine Vorstellung davon, was am Anfang und am Ende passiert, und das ist sehr logisch. Aber diese Idee, sich eine probabilistische Prognose und alle möglichen Zukunftsszenarien anzusehen, ist viel weniger logisch und schwerer zu verstehen. Ist es für den Endbenutzer einfacher?

Joannes Vermorel: Mit Szenarioplanung haben Sie eine Illusion von Einfachheit. Sie wählen ein Szenario aus und haben eine Reihe von Entscheidungen, die für dieses bestimmte Szenario Sinn ergeben. Es ist relativ einfach. Aber das Problem ist, dass Sie sich ein anderes Szenario ansehen und eine andere Reihe von Entscheidungen erhalten. Wenn Sie sich ein drittes Szenario ansehen, erhalten Sie wieder eine andere Reihe von Entscheidungen. Was werden Sie 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 wäre der Durchschnitt relevant?

Nur um Ihnen ein Beispiel zu geben, stellen Sie sich vor, Sie haben einen Laden, der Bücher für Schulen verkauft. Die Mehrheit Ihrer Kunden sind Eltern, die ein Kind haben und nur eine Kopie des Buches möchten. Im selben Laden kommt ab und zu ein Lehrer herein und möchte 30 Exemplare des Buches.

Kieran Chandler: Die Frage ist, macht es Sinn, fünf Exemplare eines Buches im Laden vorrätig zu haben?

Joannes Vermorel: Wenn Sie nur die Eltern bedienen möchten, die ab und zu in den Laden kommen, dann reichen fünf Exemplare vielleicht aus. Wenn Sie jedoch auch die Lehrer bedienen möchten, benötigen Sie wahrscheinlich 35 Exemplare des Buches. Sie benötigen 30, um die Lehrer zu bedienen, und dann noch fünf, um die Eltern zu bedienen. Aber wenn Sie den Durchschnitt bilden und sagen: “Oh, 25 sollten ausreichen”, nein, 25 ist nicht gut, weil es viel mehr ist, als Sie für die Eltern benötigen, und es reicht immer noch nicht für den Lehrer aus. Also sehen Sie, der Durchschnitt ergibt normalerweise keinen Sinn. Und wenn Sie Nichtlinearitäten wie MOQs haben, funktioniert es nicht. Im Grunde genommen haben Sie den Anschein von Einfachheit, wenn Sie sich diese Szenarien ansehen, in denen Sie ein Szenario auswählen und sagen: “Nun, hier gibt es eine einfache Lösung.” Sie wählen ein anderes Szenario aus, und Sie haben eine andere einfache Lösung. Aber dann haben Sie das Problem, wie Sie all diese Szenarien in Einklang bringen. Die Realität ist, dass der traditionelle Ansatz darin besteht, noch mehr Arbeitskräfte in das Problem zu stecken. Also sehen Sie, Sie hatten bereits etwas, das in Bezug auf die Arbeitskräfte sehr intensiv war. Für jedes einzelne Szenario benötigen Sie mehr Planer, mehr Prognostiker. Aber dann schaffen Sie ein weiteres Problem, nämlich dass Sie jetzt ein weiteres Team benötigen, um all diese Dinge in Einklang zu bringen. Also sehen Sie, es ist noch schlimmer als eine lineare Zunahme der Anzahl der Mitarbeiter. Es ist wie eine hyperlineare Zunahme der Dinge, mit denen Sie sich mit einer großen Anzahl von Szenarien befassen müssen. Und das ist sehr, sehr schlecht.

Kieran Chandler: Ich denke, vielleicht ist einer der Vorteile der Szenarioplanung einfach eine Frage des Kopierens und Einfügens einer Logik und aus einer Implementierungsperspektive geht es nur darum, mehr Ressourcen darauf zu werfen. Bedeutet das, dass die Implementierung eines probabilistischen Prognoseansatzes viel herausfordernder ist und deshalb Unternehmen nicht so daran interessiert sind?

Joannes Vermorel: Ich meine, als Softwareanbieter definitiv ja. Stellen Sie sich vor, Sie sind ein Softwareanbieter für die Lieferkette und Sie haben ein Lieferkettenprognose- und Planungssystem entwickelt. Das bedeutet, dass Ihr System zumindest aus klassischer Sicht in der Lage ist, eine klassische Prognose zu verwalten. Es geht darum, eine tägliche, wöchentliche oder monatliche Menge für einen bestimmten Zeitraum im Voraus für jede einzelne SKU oder jedes Produkt zuzuweisen. So sieht ein klassisches Prognoseprodukt aus. Sie haben alles, um eine Zukunft zu verwalten und zu sagen: “So wird es passieren.” Wenn Sie jedoch zur Szenarioplanung übergehen möchten, müssen Sie im Grunde genommen nur sagen: “Nun, ich werde einfach eine zweite Instanz dieser Zukunft verwalten und das als zweites Szenario bezeichnen.” In Bezug auf Logik und Code handelt es sich buchstäblich um den gleichen Code, bei dem Sie nur eine zusätzliche Dimension hinzufügen müssen, nämlich die Szenariodimension, und das war’s. Sie haben bereits Ihr Szenarioplanungssystem implementiert. Aber es gibt einen Haken. Der Haken besteht darin, dass Sie nichts unternommen haben, um die Ergebnisse, die daraus entstehen, in Einklang zu bringen.

Kieran Chandler: Szenarien, aber die Realität ist, dass Unternehmen normalerweise nicht erkennen werden, dass sie dieses Problem tatsächlich haben, bis sie das System implementieren und auf alle Arten von Randfällen stoßen, bei denen Sie die Ergebnisse der verschiedenen Szenarien nicht durchschnittlich berechnen können, bei denen es tatsächlich unsinnig ist, die Ergebnisse durchschnittlich zu berechnen.

Joannes Vermorel: Wenn Sie drei Beispiele machen und der Anbieter ziemlich gut ist, wissen Sie, ich meine, zunächst ist es für den Anbieter sehr günstig zu implementieren, warum also nicht ein Feature implementieren, das billig ist und während der Demos cool aussieht? Außerdem, wenn Sie nur einen sehr einfachen Pilotversuch machen, ist die Wahrscheinlichkeit gering, dass Sie auf die Randfälle stoßen, die ich gerade beschrieben habe, und daher wird das Durchschnittlichberechnen der Szenarien wahrscheinlich für Sie funktionieren. Aber sobald Sie in eine komplexere Situation geraten, werden Sie feststellen, dass unendlich viele Randfälle auftreten, und das macht das Ganze nicht lebensfähig. Aber zu diesem Zeitpunkt ist der Anbieter bereits zufrieden, weil der Anbieter bereits bezahlt wurde. Sie wissen, es gibt alle falschen Anreize dafür, wie Sie Ihren Lieferkettensoftwareanbieter bezahlen, über die wir in der vorherigen Episode gesprochen haben. Außerdem scheint es immer noch wie das Beste zu sein, solange die Menschen sich keine Alternative vorstellen können.

Kieran Chandler: Okay, lassen Sie uns also langsam alles zusammenführen. Sie sagen, dass die Menschen sich keine Alternative vorstellen können, und jetzt sind wir in einer Position, in der es mit der Rechenleistung, die wir haben, eine alternative Methode gibt. Es gibt eine alternative Methode, also können Sie sich vorstellen, dass Szenarioanalysen irgendwann aussterben?

Joannes Vermorel: Ja, ich meine, obwohl Lokad noch einen langen Weg vor sich hat, um buchstäblich den Rest der Welt davon zu überzeugen. Das Problem ist nicht die probabilistische Prognose an sich, denn die Idee, dass Sie viele Szenarien mit Wahrscheinlichkeiten haben werden, ist relativ einfach und fühlt sich wie eine sehr natürliche Erweiterung des Szenarioansatzes an, einfach mit vielen Szenarien, ähnlich wie das Hinzufügen von Pixeln zu einem Bild, wobei die Menge die Wahrscheinlichkeit wäre.

Kieran Chandler: Anstelle der Farbe könnten Sie dies als mein Szenario betrachten, dem eine Wahrscheinlichkeit zugewiesen ist. Aber das Problem ist, dass Sie, sobald Sie all diese möglichen Zukünfte haben, Wege finden müssen, um die Abstimmung zwischen all diesen möglichen Zukünften vollständig zu automatisieren. Und das ist der Punkt, an dem die Dinge aus der Sicht von Lokad wirklich knifflig und bizarr werden.

Joannes Vermorel: Die von uns entwickelte Lösung nennt sich Algebra der Zufallsvariablen. Sie benötigen also eine spezifische mathematische und statistische Werkzeugausstattung, um mit solchen Konzepten umzugehen, nicht nur auf der Prognoseseite, sondern auch auf der Entscheidungsseite. Tatsächlich, wenn Sie sich die technologische Basis von Lokad genauer ansehen, werden Sie feststellen, dass die Prognose nur ein relativ kleiner Teil des Bildes ist. Der Großteil der Komplexität, Techniken, Werkzeuge, Praktiken, Algorithmen und des Rests liegt darin, wie Sie Ihre Entscheidungen optimieren, während Sie all diesen unsicheren, probabilistischen Zukünften gegenüberstehen.

Und das ist das Problem, glaube ich, um die weitere Akzeptanz zu fördern. Die Leute müssen nicht nur erkennen, dass es möglich ist, all diese möglichen Zukünfte mit Wahrscheinlichkeiten zu betrachten, sondern sie müssen auch Dinge erkunden, die ich als sehr ungewöhnlich bezeichnen würde - die Art von Werkzeugen, die Sie benötigen, um gleichzeitig über alle Zukünfte zu arbeiten. Denn ohne diese Werkzeuge sind Sie im Grunde wieder am Anfang, wo es eine enorme Menge an Zeit kostet, um all diese Möglichkeiten zu sortieren. Der Trick ist, dass wir bei Lokad nicht alle diese Möglichkeiten sortieren; wir halten all diese Möglichkeiten während des gesamten Prozesses aufrecht. Es ist also nicht gerade einfach, aber es ist tatsächlich ziemlich einfach, wenn Sie die richtige Werkzeugausstattung haben.

Kieran Chandler: Okay, wir müssen hier abschließen. Aber ich denke, basierend auf aktuellen Ereignissen wissen wir, dass es so viele unvorhersehbare Szenarien gibt, die Menschen wahrscheinlich nie vorhersagen könnten. Das ist also alles für diese Woche. Vielen Dank fürs Zuschauen, und wir sehen uns in der nächsten Folge wieder. Danke fürs Zuschauen.