Prognosegenauigkeit in Dollar statt Prozentsätzen

00:00:08 Einführung des Themas Verbesserung der Genauigkeit von Prognosen in der Supply-Chain-Branche.
00:01:22 Erläuterung, was eine genauere Prognose bedeutet und die Verwendung von Prognosemetriken.
00:03:21 Diskussion über die Grenzen der Verwendung mathematischer Metriken zur Messung der Leistung von Lieferketten.
00:05:30 Betonung der Messung der Prognosegenauigkeit in Dollar statt Prozentsätzen.
00:08:42 Erläuterung, wie eine Maximierung der Genauigkeit in Prozenten die Leistung der Lieferkette irreführend sein kann.
00:09:04 Diskussion über die Grenzen der Verwendung einer einfachen Metrik zur Prognose von Verkäufen.
00:10:20 Erläuterung, wie die Verwendung eines Modells, das null Verkäufe prognostiziert, zu einem katastrophalen Ergebnis für das Unternehmen führt.
00:11:23 Erläuterung des Problems mit symmetrischen Metriken im Kontext des Supply-Chain-Managements.
00:13:02 Erläuterung, dass Prognosen nur fundierte Meinungen über die Zukunft sind und wie sie sich auf die Supply Chain auswirken.
00:16:32 Diskussion über die Gefahren der Schaffung von Abteilungen, die sich der Verbesserung der Genauigkeit von Prognosen widmen.
00:18:09 Diskussion darüber, wie sich die Prognose im Laufe der Zeit verbessern wird.
00:19:01 Erläuterung, dass bessere Prognosemetriken nicht immer zu einer verbesserten Leistung der Lieferkette führen.
00:21:41 Erkenntnis, dass das Wachstum und die Rentabilität des Unternehmens nicht unbedingt bedeuteten, dass sich die Lieferketten der Kunden verbesserten.
00:22:04 Erläuterung des Unterschieds zwischen einem monatlichen Abonnementmodell und mehrjährigen Plänen.
00:25:53 Erläuterung, wie sich das Produkt von einer reinen Prognose zu einem Werkzeug entwickelt hat, das zur Entdeckung von Genauigkeitsmetriken beiträgt.
00:26:56 Diskussion über Metriken, die im Supply-Chain-Management verwendet werden.
00:27:20 Die Vorteile der Verwendung probabilistischer Prognosen und spezifischer Metriken wie Kreuzentropie und kontinuierlicher Rangwahrscheinlichkeitsscore.
00:27:54 Der Perspektivenwechsel von der Verbesserung der Prognosegenauigkeit zur Maximierung der Leistung der Lieferkette.
00:29:51 Die Bedeutung einer Person, die für die gesamte Lieferkette verantwortlich ist.
00:32:23 Die Bedeutung eines monolithischen Optimierungsprozesses im Supply-Chain-Management.

Zusammenfassung

Der Gründer von Lokad, Joannes Vermorel, sprach mit Moderatorin Nicole Zint über die Grenzen der Verwendung von Genauigkeitsmetriken zur Verbesserung der Leistung der Lieferkette. Vermorel argumentierte, dass Unternehmen oft zu sehr darauf bedacht sind, die Prognosegenauigkeit zu verbessern, ohne die Auswirkungen auf das Ergebnis zu berücksichtigen. Er schlug vor, die Prognosegenauigkeit in Dollarfehlern anstatt in Prozentsätzen zu messen, um besser beurteilen zu können, ob sich ein Unternehmen in die richtige Richtung bewegt. Vermorel betonte auch die Bedeutung der Suche nach Schlüsselentscheidungen in der Lieferkette, die den Gewinn oder die Leistung maximieren, anstatt sich ausschließlich auf die Verbesserung der Prognosegenauigkeit zu konzentrieren. Er warnte vor irreführenden Metriken, die zu unsinnigen Entscheidungen führen können, die dem Unternehmen schaden.

Ausführliche Zusammenfassung

Das Thema des Interviews ist die Genauigkeit von Prognosen in der Supply-Chain-Branche. Die Moderatorin Nicole Zint stellt fest, dass trotz jahrzehntelanger Bemühungen um eine verbesserte Prognosegenauigkeit, eine bessere Genauigkeit nicht zu einer besseren Leistung der Lieferketten geführt hat. Sie fragt sich, ob die Branche das Problem falsch angeht oder sich auf das falsche Problem konzentriert. Joannes Vermorel, der Gründer von Lokad, erklärt, dass eine genauere Prognose bedeutet, dass ein Prognosemodell genauer ist als ein anderes gemäß einer Prognosemetrik. Es gibt verschiedene Prognosemetriken, aber sie sind alle mathematische Objekte, die für die Supply-Chain-Branche möglicherweise nicht relevant sind. Vermorel stellt fest, dass die Erwartung, dass man einfach eine mathematische Metrik aus einem Lehrbuch auswählen kann, um ein Problem zu lösen, falsch ist. Er fügt hinzu, dass eine Maximierung der Genauigkeit in Prozentangaben für die Leistung der Lieferkette irreführend sein kann. Er stellt auch fest, dass eine Verringerung des Prognosefehlers durch die Optimierung mathematischer Metriken keine zusätzliche Leistung der Lieferkette erzeugt. Eine Erhöhung des Prognosefehlers verbessert jedoch auch nicht zwangsläufig die Leistung der Lieferkette. Vermorel ist der Ansicht, dass die Lieferkette kein eindimensionales Problem ist und dass es eine falsche Dualität zwischen Genauigkeit und Leistung gibt.

Vermorel erklärt, dass es zur Verbesserung der Leistung der Lieferkette entscheidend ist, Prognosefehler zu reduzieren. Es ist jedoch nicht immer so einfach, Fehler zu reduzieren, da Lieferketten mehrdimensional sind. Der Schlüssel zur Verbesserung der Leistung liegt darin, die Qualität der Prognose mit der Leistung der Lieferkette zu verbinden, indem ein wirtschaftlicher Treiber eingeführt wird. Vermorel schlägt vor, die Prognosegenauigkeit in Dollarfehlern anstatt in Prozentsätzen zu messen, um zu beurteilen, ob sich das Unternehmen in die richtige Richtung bewegt. Er stellt fest, dass ein in Prozenten ausgedrückter Prognosefehler nicht immer mit der Prognosegenauigkeit in Dollar übereinstimmt, was das Kernproblem darstellt.

Zint fragt Vermorel, wie man die Leistung der Lieferkette messen kann, worauf Vermorel antwortet, dass die verwendeten Metriken schwer zu definieren sein können. Die Herausforderung besteht darin, eine gute Prognose zu finden, die von der Situation abhängt. Vermorel schlägt vor, sich ein konkretes Beispiel anzusehen, wie zum Beispiel einen Supermarkt, um zu verstehen, wie man die Prognose optimieren kann. Er erklärt, dass auf Ladenebene die überwiegende Mehrheit der Produkte eine durchschnittliche Nachfrage hat, die deutlich niedriger ist als eine Einheit pro Woche, was bedeutet, dass das wahrscheinlichste Ergebnis für die überwiegende Mehrheit der Produkte an jedem beliebigen Tag null Verkäufe sind. Wenn Unternehmen gegen eine Metrik optimieren, die die Prognosegenauigkeit in Prozenten maximiert, enden sie mit einem Modell, das jeden Tag nur null vorhersagt, was katastrophal für das Unternehmen wäre. Noch schlimmer ist, wenn ein Modell null vorhersagt, wird der Laden auch null nachbestellen, was zu Umsatz- und Kundenverlusten führt.

Insgesamt argumentiert Vermorel, dass der Schlüssel zur Verbesserung der Leistung der Lieferkette darin liegt, die Qualität der Prognose mit der Leistung der Lieferkette zu verbinden, indem ein wirtschaftlicher Treiber eingeführt wird. Er schlägt vor, die Prognosegenauigkeit in Dollarfehlern zu messen und die Kosten zu berücksichtigen, die mit einem unzureichenden Lagerbestand verbunden sind, anstatt nur gegen eine Metrik zu optimieren, die die Prognosegenauigkeit in Prozenten maximiert. Auf diese Weise können Unternehmen vermeiden, ihre Prognose für das falsche Ergebnis zu optimieren, wie zum Beispiel null Verkäufe jeden Tag, und stattdessen ein besseres Gleichgewicht zwischen Angebot und Nachfrage erreichen.

Vermorel diskutiert das Problem der Prognosegenauigkeit im Supply-Chain-Management und weist auf das Problem hin, eine symmetrische Prognosegenauigkeitsmetrik zu verwenden, die dem Überprognostizieren und dem Überbestand das gleiche Gewicht gibt. Vermorel argumentiert, dass dies ein Problem ist, da ein Überbestand ein erhebliches Problem mit asymmetrischen Konsequenzen darstellt. Er argumentiert, dass die Prognosegenauigkeit zwar wichtig ist, sie jedoch mit dem Endresultat verknüpft sein sollte, nämlich die richtige Entscheidung zum richtigen Zeitpunkt für jedes einzelne Produkt an jedem einzelnen Tag zu treffen.

Vermorel argumentiert, dass die Einführung numerischer Artefakte wie Sicherheitsbestände, ABC-Klassen und Service-Level dazu verleiten kann, eine Gruppe von Spezialisten innerhalb eines Unternehmens zu schaffen, die Experten im Umgang mit diesen numerischen Artefakten sind. Vermorel argumentiert jedoch, dass diese Artefakte nicht real sind und dass die Schaffung eines Teams von Spezialisten, das sich ausschließlich auf die Verbesserung der Prognosequalität konzentriert, eine Wurzel des Problems ist. Er glaubt, dass ein solches Team in seiner eigenen Blase arbeitet und Prognosen gemäß ihrem eigenen Ziel und ihrer eigenen Metrik erstellt, ohne die Endresultate zu berücksichtigen.

Aus Vermorels Sicht haben große Unternehmen Schwierigkeiten, die Arbeitsbelastung zu verteilen, und die Einführung eines numerischen Artefakts bedeutet nicht zwangsläufig, dass ein Team geschaffen werden sollte, um es zu optimieren. Stattdessen argumentiert Vermorel, dass Supply-Chain-Manager sich auf die Endresultate konzentrieren und zum richtigen Zeitpunkt die richtigen Entscheidungen für jedes einzelne Produkt an jedem einzelnen Tag treffen sollten. Während die Prognosegenauigkeit wichtig ist, sollte sie mit dem Endresultat verknüpft sein, und Supply-Chain-Manager sollten darauf achten, sich nicht ausschließlich auf die Verbesserung der Prognosegenauigkeit zu konzentrieren, ohne die Konsequenzen ihrer Entscheidungen zu berücksichtigen.

Sie diskutierten über die Grenzen der Verwendung von Genauigkeitsmetriken zur Verbesserung der Leistung der Lieferkette. Vermorel glaubt, dass Unternehmen zu sehr darauf bedacht sind, die Prognosegenauigkeit zu verbessern, ohne die Auswirkungen auf das Ergebnis zu berücksichtigen. Mit einem Vergleich zu den Frachtkulten der Pazifikinseln während des Zweiten Weltkriegs stellt Vermorel fest, dass Prognoseteams Metriken optimieren, ohne die tiefgreifenden Auswirkungen auf die Lieferkette zu berücksichtigen. Indem sie sich auf die tiefgreifenden Auswirkungen ihrer Prognosemethoden konzentrieren, glaubt Vermorel, dass Lokad Kunden dabei helfen kann, eine besser funktionierende Lieferkette durch ein monatliches Abonnementmodell zu erreichen, das positive Ergebnisse priorisiert.

Vermorel diskutiert, wie die Rückkopplungsschleife bei der Optimierung der Lieferkette enger ist, was bedeutet, dass das Unternehmen auf Veränderungen im Markt reagieren muss. Er stellt auch fest, dass es nicht ausreicht, gemäß einer vorgegebenen Metrik zu optimieren, da dies zahlreiche Probleme verursachen kann. Stattdessen müssen Unternehmen die Genauigkeitsmetriken entdecken, die spezifisch für ihr Geschäft sind, was angesichts der vielen Randfälle und einzigartigen Faktoren jeder Branche eine Herausforderung sein kann.

Vermorel betont die Bedeutung der Suche nach Schlüsselentscheidungen in der Lieferkette, die den Gewinn oder die Leistung maximieren, anstatt sich ausschließlich auf die Verbesserung der Prognosegenauigkeit zu konzentrieren. Er argumentiert, dass Unternehmen eine Person haben müssen, die für die end-to-end Entscheidungsfindung verantwortlich ist, und dass Fragmentierung zu unsinnigen Entscheidungen führen kann, die dem Unternehmen schaden. Vermorel warnt vor den Gefahren irreführender Metriken, die rational klingen, aber letztendlich tief irrational sind, wie zum Beispiel sich ausschließlich auf das Überleben einer einzelnen Schachfigur zu konzentrieren, anstatt das Spiel zu gewinnen. Er schließt mit dem Rat an Unternehmen, einen monolithischen Optimierungsprozess anstelle einer Zerlegung des Prozesses zu haben, der von Grund auf fehlerhaft und kontraproduktiv ist.

Vollständiges Transkript

Nicole Zint: Die gesamte Supply-Chain-Branche versucht seit Jahrzehnten, die Genauigkeit ihrer Prognosen zu verbessern. Jedes große Unternehmen hat sogar eine eigene Abteilung, die sich nur mit diesem Problem befasst. Aber das Ergebnis dieser Bemühungen, vielleicht kontraintuitiv, hat gezeigt, dass eine bessere Genauigkeit und Prognose nicht zu einer besseren Leistung der Lieferketten geführt haben. Schauen wir uns das Problem vielleicht falsch an oder vielleicht sogar das falsche Problem von Anfang an? Und was ändert sich, wenn wir die Genauigkeit in Dollar statt in Prozent messen? Das ist das Thema der heutigen Episode, also lasst uns damit beginnen, Jonas. Was bedeutet es, dass eine Prognose genauer ist?

Joannes Vermorel: Eine genauere Prognose bedeutet, dass Sie gemäß einer bestimmten Prognosemetrik ein Modell haben, das genauer ist als ein anderes. Genauer gesagt, wenn wir sagen, dass wir eine genauere Prognose haben, ist das ein Missbrauch der Sprache. Tatsächlich sagen wir damit, dass wir ein Prognosemodell haben, das genauer ist als ein anderes Prognosemodell, und gemäß was? Gemäß einer bestimmten Prognosemetrik, die nur eine Metrik ist, nur eine Messung, die den Prognosefehler quantifiziert, den Sie bei den beiden Prognosemodellen haben. Die Prognosegenauigkeit hängt also direkt von der Metrik ab, die Sie verwenden, absolut. Und es gibt eine Vielzahl von bekannten Prognosemetriken, würde ich sagen, in der Literatur. Die verbreitetsten sind wahrscheinlich der mittlere quadratische Fehler, der absolute Fehler, der mappy mittlere absolute prozentuale Fehler, der gewichtete Mapping, es gibt eine Weltbestiarium von Funktionen, mit denen Sie den Prognosefehler messen können. Und all diese Prognosemetriken haben gemeinsam, dass sie Ihnen nur sagen, dass Ihr Fehler null ist, wenn Sie perfekte Ergebnisse haben. Wir haben also eine Vielzahl von verschiedenen Metriken zur Auswahl. Welche ist die beste? Wie wissen Sie das?

Nicole Zint: Was die Lieferkette betrifft, ist dies eine sehr knifflige Frage, denn die Realität ist, dass alle von mir aufgeführten Metriken tatsächlich mathematische Objekte sind. Sie finden sie in Lehrbüchern, weil sie Ihnen viele interessante mathematische Eigenschaften bieten. Aber nur weil etwas mathematisch interessant ist, bedeutet das nicht unbedingt, dass es für einen bestimmten Bereich relevant ist. Es gibt viele Dinge, die aus mathematischer Sicht sehr interessant sein können, und das bedeutet nicht, dass sie aus Sicht der Lieferkette von Bedeutung sind. Und ich glaube, hier liegt das Kernproblem. Die Leute erwarten, und das ist meiner Meinung nach die falsche Erwartung, dass sie einfach in ein mathematisches Lehrbuch gehen, die Dutzenden von Metriken überprüfen und eine auswählen können und sagen: Diese hier passt am besten. So funktioniert es einfach nicht. Wenn wir also versuchen, unsere Genauigkeit in Prozenten zu maximieren, kann das für die Leistung der Lieferkette ziemlich irreführend sein.

Joannes Vermorel: Ja, ich meine, unsere Schlussfolgerung ist nicht, dass wir den Prognosefehler maximieren sollten. Darüber spreche ich nicht. Sie sehen, die Erkenntnis war noch verwirrender. Die Erkenntnis war, dass wenn Sie Ihren Prognosefehler einfach durch die Optimierung mathematischer Metriken reduzieren, dies keine zusätzliche Leistung der Lieferkette erzeugt. Aber das Gegenteil ist nicht einfach. Es ist nicht so, dass Sie Ihre Prognosefehler erhöhen und dadurch automatisch die Leistung der Lieferkette verbessern. Sie sehen, hier wird es sehr verwirrend, weil es diese Art von falscher Dualität gibt, bei der man sagt, entweder das eine oder das andere. Ja, das wäre so, wenn die Lieferkette ein eindimensionales Problem wäre, bei dem Sie, wissen Sie…

Nicole Zint: Wenn Sie also den Prognosefehler reduzieren, verbessern Sie die Leistung der Lieferkette, und wenn Sie einfach den umgekehrten Weg gehen, verschlechtern Sie die Leistung der Lieferkette. Wenn wir in einer eindimensionalen Welt leben würden, ja, dann wäre das so, aber Lieferketten sind viele, viele dimensionale, also funktioniert das überhaupt nicht so. Und hier kann die grundlegende Intuition diese Dinge sehr, sehr falsch verstehen. Also, lassen Sie mich Sie das fragen. Sie haben die Leistung der Lieferkette erwähnt. Wie messen Sie die Leistung der Lieferkette?

Joannes Vermorel: Das ist eigentlich das Kernproblem, sehen Sie, diese Kennzahlen der Lieferkette, die Leute haben wirklich Schwierigkeiten zu verstehen, was eine gute Prognose sein sollte. Daher wählen Sie eine Metrik aus einem Lehrbuch aus und sagen: “Das ist es”, aber Sie erkennen sehr schnell, dass es nicht darum geht, dass es in einem Lehrbuch gefunden wurde, sondern dass es in einem mathematischen Lehrbuch gefunden wurde, dass es irgendeine Relevanz für Ihr Lieferkettenproblem hat. Und daher, wenn Sie etwas haben wollen, ist die Frage, was noch. Sie wissen, das fühlt sich wie eine sehr offene Frage an, und tatsächlich ist es eine sehr, sehr schnelle Frage, und die Art von Praxis, die wir entwickelt haben, betrachtet im Wesentlichen den Fehler in Dollar. Was versuchen Sie zu optimieren? Und nun, um die Qualität und die Leistung Ihrer Prognose mit der Leistung Ihrer Lieferkette zu verbinden, müssen Sie eine Dosis wirtschaftlicher Treiber injizieren, eine ziemlich große Dosis, und das ist der Zeitpunkt, an dem Sie Dinge in Dollarfehlern messen. Dann können Sie beurteilen, ob Sie tatsächlich den Hebel in die Richtung bewegen, die für Ihre Lieferkette sinnvoll ist. Also, tatsächlich generiert eine bessere Leistung der Lieferkette sicherlich mehr Geld für das Unternehmen, wir senken die Kosten in unserer Lieferkette und dadurch steigt unser Umsatz. Das ist ziemlich interessant, denn das bedeutet, dass eine Genauigkeit der Prognose in Prozenten nicht unbedingt mit einer Genauigkeit der Prognose in Dollar übereinstimmt, was das Kernproblem ist, über das wir gerade diskutieren.

Nicole Zint: Ja, und das ist sehr konzentriert. Noch einmal, ich denke, das wird eine kontroverse Aussage sein, aber die Reduzierung des Prognosefehlers, ausgedrückt in Prozenten des Fehlers, verbessert nicht die Leistung der Lieferkette. Manchmal kann es sogar genau das Gegenteil bewirken. Wenn wir uns ein Beispiel ansehen, sagen wir, einen Supermarkt. Ein Supermarkt ist ein ziemlich interessantes Problem, weil menschliches Verhalten ziemlich unvorhersehbar sein kann. Also, wenn ich einen Supermarkt leite und wissen möchte, ob ich heute null Shampooflaschen verkaufen werde oder fünf, und ich eine Prognose habe, Joannes, wie groß ist der Unterschied in der Genauigkeit dieser Prognose in meinem Szenario jetzt, wenn ich es in Prozenten versus Dollar betrachte?

Joannes Vermorel: Also, lassen Sie uns zunächst eine Sache klären. Die Tatsache, dass es eine Unsicherheit oder sehr wenig Unsicherheit gibt, wird nur die Art von Prognosefehler definieren, die Sie beobachten werden. Das ist in Ordnung. Sie sehen, das ist einfach völlig situationsabhängig. Wenn Sie zum Beispiel den nationalen Stromverbrauch betrachten, ist die Variation von einem Tag zum anderen sehr, sehr gering. Es gibt ein tägliches Muster, aber sonst ist der Verbrauch sehr, sehr stabil, sodass Sie sehr, sehr geringe Variationen beobachten werden. Und wenn Sie etwas betrachten, das extrem disaggregiert ist, wie die Flaschen Shampoo in einem Supermarkt, werden Sie prozentual viel höhere Variationen beobachten. Dies

Nicole Zint: Schauen wir uns dieses spezifische Supermarktbeispiel an. Das ist eine Anekdote, die ich bereits in einer anderen Episode gegeben habe. Vor Jahren haben wir einen Prognosevergleich in dieser Konfiguration durchgeführt, und was wir festgestellt haben, ist, dass die große Mehrheit der Produkte, wenn Sie auf der Ladenebene arbeiten, eine durchschnittliche Nachfrage haben, die viel niedriger ist als eins. Sie wissen, Sie verkaufen im Durchschnitt pro Woche ein Produkt oder manchmal sogar weniger. Es ist wahrscheinlicher, null als eine Einheit davon zu verkaufen. Absolut, das wahrscheinlichste Ergebnis für die große Mehrheit der Produkte an einem beliebigen Tag ist der Verkauf von null. Wie wirkt sich die Prognose aus, die darauf abzielt, die Genauigkeit in Prozenten zu maximieren?

Joannes Vermorel: Wenn Sie eine Metrik nehmen, sagen wir den absoluten Wert Ihrer Prognose minus der Realität, und dann können Sie durch den Jahresumsatz oder ähnliches teilen und normalisieren. Was Sie erhalten, ist eine Metrik, die, wenn Sie gegen diese Metrik optimieren, das heißt, wenn Sie herausfinden möchten, welches Prognosemodell Ihnen die besten Ergebnisse gemäß dieser Metrik liefert, zu einem Modell führt, das jeden Tag nur null prognostiziert. Und warum? Weil null Verkäufe das bei weitem wahrscheinlichste Ergebnis an jedem beliebigen Tag sind. Das Modell, das gemäß dieser sehr einfachen und geradlinigen Metrik, die ich Ihnen gegeben habe, am genauesten sein wird, ist der absolute Wert von Realität minus Prognose, wenn Sie das nur optimieren, erhalten Sie eine Prognose, die null produziert. Und noch seltsamer und noch schädlicher für die Supply Chain ist, dass wenn Sie ein Modell haben, das null prognostiziert, dann werden Sie null bestellen, und sehr schnell wird Ihr Geschäft nichts auf dem Regal haben, und somit wird Ihre Prognose sehr schnell zu 100% genau sein, weil Sie null prognostizieren, Sie verkaufen null. Alles ist gut, außer dass es das Unternehmen in eine Katastrophe stürzt.

Nicole Zint: Ja, das ist ziemlich interessant. Selbst wenn wir 100% Genauigkeit bei unseren Prognosen haben, haben wir keinen Umsatz. Und noch schlimmer, wir haben immer noch keinen Umsatz, aber wir haben alle Kosten. Wir betreiben immer noch einen Laden. Wir müssen für die Mitarbeiter bezahlen, für das Gebäude, alles. Sie sehen, es ist noch schlimmer als das. Und dann verlieren wir Kunden, weil sie nicht finden, wonach sie suchen, und sie kommen nicht zurück.

Joannes Vermorel: Genau. Und hier sehen wir, dass es eine Art Absurdität ist. Es ist nicht so offensichtlich, wenn wir uns aggregiertere Zeitreihen ansehen, aber das Problem ist genau dasselbe. Grundsätzlich besteht das Problem hier in diesem Hypermarktbeispiel darin, dass wir massive Asymmetrien haben. Die Kosten für den Mangel an einer Einheit sind absolut nicht mit den Kosten für eine unverkaufte Einheit für einen zusätzlichen Tag vergleichbar. Das ist sehr, sehr asymmetrisch. Und daher sehen Sie, dass das Problem mit der Prognosegenauigkeitsmetrik, die ich gerade skizziert habe, dem absoluten Wert von Prognose minus Realität, darin besteht, dass sie völlig symmetrisch ist. Sie legt im Wesentlichen das gleiche Gewicht auf die Überprognose und die Überbestände. Und hier sehen wir, dass es sich um ein sehr einfaches Problem handelt, bei dem wir eine massive Asymmetrie haben und die Prognosemetrik das nicht einmal erfasst. Und warum sollte es aus mathematischer Sicht oder aus Sicht der Metriken, die Sie betrachten, typischerweise symmetrisch sein? Das ist aus mathematischer Sicht. Warum möchten Sie eine stark asymmetrische Metrik haben? Es ist normalerweise nicht…

Nicole Zint: Also möchte ich ein wenig über die Genauigkeit der Prognose und ihre Rolle bei der Optimierung der Supply Chain sprechen. Aus mathematischem Interesse ist es sehr interessant, und das kratzt nur an der Oberfläche. Wir betrachten nur ein winziges Problem, aber dieses winzige Problem ist bereits groß genug, um alle beabsichtigten Vorteile zunichte zu machen, die aus einem Prozess kommen würden, der Prognosen gemäß einer symmetrischen Metrik optimiert. Es scheint mir also, dass wir uns möglicherweise nicht nur das Problem auf die falsche Weise ansehen, sondern möglicherweise sogar das falsche Problem betrachten, um überhaupt anzufangen. Wir sind so darauf konzentriert, zu erraten, wie die Nachfrage sein wird, dass wir nicht über die Kosten von Überbeständen oder Unterbeständen nachdenken. Und wir entfernen uns von den tatsächlichen Gewinnen, die wir erzielen können, und betrachten nur das Erraten der genauen Nachfrage.

Joannes Vermorel: Ja, ich meine, grundsätzlich ist eine Prognose nur eine Meinung. Idealerweise ist es eine fundierte Meinung über die Zukunft, die irgendwie korrekt ist. Am Ende ist eine Prognose jedoch nur das, eine fundierte Meinung über die Zukunft. Sie tut nichts für Ihre Supply Chain. Das Einzige, was etwas für Ihre Supply Chain tut, ist das, was Sie tatsächlich tun. Die Entscheidungen, die Sie treffen, ob ich eine zusätzliche Einheit in diesen Hypermarkt stelle oder nicht, für ein bestimmtes Produkt an einem bestimmten Tag, das sind die Entscheidungen. Die Frage ist also, wenn Sie in Bezug auf die Genauigkeit der Prognose denken möchten, wie trägt die Verbesserung Ihres Prognosemodells zu Ihrem Endziel bei, nämlich die richtige Entscheidung zur richtigen Zeit für jedes einzelne Produkt an jedem einzelnen Tag zu treffen. Das ist ein fehlendes Bindeglied und das ist in der Regel das, was bei diesen Genauigkeitsmetriken vollständig fehlt. Und deshalb sehe ich, wenn ich Diskussionen in Supply Chain-Communities sehe, in denen Leute sagen: “Sie wissen, es gibt 20 verschiedene Metriken, die wir für die Supply Chain verwenden können. In dieser Situation können Sie dies verwenden. In dieser Situation können Sie das verwenden”, usw., usw., in der Regel fehlt bei all diesen Diskussionen völlig der Punkt. Sie beginnen nicht einmal damit, diese Prognosen, die wiederum nur eine Meinung sind, mit den Endergebnissen zu verbinden, nämlich den Entscheidungen, die auf der Grundlage dieser Prognosen getroffen werden. Wir lenken also unsere Aufmerksamkeit von den Konsequenzen jeder dieser Entscheidungen ab.

Nicole Zint: Absolut. Aber diese großen Unternehmen haben immer noch Abteilungen, die sich speziell mit der Verbesserung der Genauigkeit dieser Prognosen befassen. Sollte es überhaupt eine solche Abteilung geben?

Joannes Vermorel: Das ist ein Thema, das wir in einer der früheren Episoden der Kette kurz angesprochen haben, nämlich Silos und Abteilungen innerhalb großer Unternehmen. Das Problem ist, dass, wenn Sie numerische Artefakte einführen, und numerische Artefakte können jede Art von Artefakt sein, es können ABC-Klassen sein, es können Sicherheitsbestände sein, es können Prognosen sein, nochmals, ich sage, all das sind numerische Artefakte. Es gibt keinen solchen Begriff wie einen Sicherheitsbestand in Ihrem Lager. Sie haben nicht zwei Bestände, den Arbeitsbestand und den Sicherheitsbestand. Jetzt gibt es nur noch einen Bestand. Was Sie haben, und wenn Sie diese numerischen Artefakte einführen, besteht die Versuchung, eine Untergruppe von Spezialisten innerhalb des Unternehmens zu schaffen, die Experten darin sind, mit diesem numerischen Artefakt umzugehen. Das Problem ist, dass es nicht real ist. Nur weil Sie es tun oder die Hälfte der Branche es tut, können Sie in die Irre geführt werden und denken, dass es irgendwie real ist, aber das ist es nicht, wortwörtlich. Und es gibt tonnenweise Dinge wie das, die einfach nicht real sind. Sicherheitsbestände sind nicht real, Servicelevel sind nicht real, Prognosen, egal wie Sie es machen

Nicole Zint: Also, Joannes, wenn wir über numerische Artefakte sprechen, was genau meinen wir damit?

Joannes Vermorel: Nun, sie sind nicht real; es sind numerische Artefakte, die Sie produzieren, um eine bestimmte Art von Operation und bestimmte Arten von Entscheidungen zu treffen. Und wenn wir zu diesen großen Unternehmen zurückkehren, haben sie immer Schwierigkeiten, die Arbeitslast zu verteilen. Nur weil Sie ein numerisches Artefakt eingeführt haben, bedeutet das nicht, dass Sie ein Team einführen sollten. Dies ist im Gegenteil eine der Hauptursachen für jene, würde ich sagen, Übel, die die Leistung der Supply Chain von Anfang an untergraben.

Nicole Zint: Und warum ist das so?

Joannes Vermorel: Nun, wenn Sie anfangen, ein Team von Spezialisten zu schaffen, die nur daran arbeiten werden, die Qualität der Prognose zu verbessern, was wird passieren? Die Realität ist, dass sie eine Metrik auswählen werden. Warum? Nun, weil sie ohne Metrik nicht arbeiten können. Also werden sie eine Metrik auswählen. Wir brauchen etwas zum Messen, ja. Und weil sie eine Metrik haben, sieht es sehr rational aus, wissen Sie. Ja, wir optimieren die Prognose, absoluter Wert der Prognose minus Realität. Offensichtlich wäre unser Prognosefehler null, wenn wir eine perfekt genaue Prognose erstellen würden. Und so sind sich alle einig. Ja, klingt vernünftig, klingt rational. Außer, außer dass wir im Beispiel des Hypermarkts gesehen haben, dass es absolut nicht real und nicht rational ist. Sie können damit völlig verrückte Dinge tun. Trotzdem werden Sie als großes Unternehmen das vielleicht nicht erkennen. Der Teufel steckt im Detail, und wahrscheinlich werden die Leute nicht einmal erkennen, dass es von Anfang an absolut komplett falsch und unsinnig ist. Trotzdem haben Sie ein Team, und dann ist das Team, das für die Prognose zuständig ist, in ihrer eigenen Blase tätig, wissen Sie. Also treffen sie nicht die tatsächlichen Entscheidungen, die sie hineinbringen; sie produzieren die Prognose.

Nicole Zint: Und warum ist das ein Problem?

Joannes Vermorel: Gemäß ihrem Ziel und ihrer Metrik verbessern sie sich. Sie werden eine Reihe von Modellen erstellen, und im Laufe der Zeit werden sie besser darin werden. Sie werden die Saisonalität berücksichtigen; sie werden die religiösen Feiertage berücksichtigen. Sie werden Tonnen von Faktoren berücksichtigen, und sie werden besser werden. Und so wird die Prognose gemäß der Metrik besser werden. Und möglicherweise werden sie im Laufe der Zeit bessere Software einführen, allerlei Dinge. Es wird sich gemäß der Metrik verbessern, die nicht mit dem Interesse des Unternehmens in Dollar übereinstimmt. Die Leistung der Supply Chain verbessert sich also nicht mit der verbesserten Prognose. Ja, und wieder würden die Leute sagen: “Aber warum? Wir haben bessere Prognosen, warum sollte es sich verbessern?” Diese Leute tun nichts, um sich tatsächlich gemäß den Dollars des Fehlers zu verbessern, den sie für Genauigkeitsmetriken anstreben. Sehen Sie, das ist der Trick. Es ist nicht so, dass Sie etwas tun, das irgendwie etwas anderem ähnelt, dass Sie das Ergebnis erhalten, das Sie erhalten würden, wenn Sie etwas anderes tun würden. Sie wissen, es gab eine sehr, ich schweife ein wenig ab, aber es gibt eine Anekdote über Cargo-Kulte im Zweiten Weltkrieg, die man auf Wikipedia nachlesen kann. Dort flogen US-Flugzeuge über Inseln im Pazifik und warfen Fracht ab - Lebensmittel, Munition, verschiedene Güter -, damit die Soldaten, die gerade auf den Inseln angekommen waren, bereits etwas hätten

Nicole Zint: Als die Menschen realisierten, dass sie sogar Zeugen der Entstehung neuer Religionen waren, in denen sie versuchten, das Erscheinen eines Flugzeugs auszulösen, das mehr Fracht liefern würde. Wie Sie sehen, ist dies das, was passiert, wenn man nur versucht, an der Oberfläche etwas nachzuahmen, das in der Vergangenheit vorteilhaft war, aber jetzt nicht mehr den Kern darstellt. Und das sind diese Frachtkräusel, die entstanden sind, indem man versucht hat, die Lieferung einer Fracht auf der Insel einfach durch die Reproduktion von etwas zu wiederholen, das passiert ist. Ich glaube, dass dies auch bei den meisten Prognoseteams der Fall ist, die versuchen, die Leistung der Supply Chain durch die Optimierung dieser Metriken zu verbessern. Es hat seine eigene Rationalität, aber wenn man das Gesamtbild betrachtet, ist es absolut nicht rational. Dies ist nur eine Fassade der Rationalität, und man nimmt nur die Formen an, also hat man Zahlen, kluge Leute, Prozesse, aber es ist nicht so, dass das Ganze tatsächlich Sinn ergibt, nur weil man alle Kästchen angekreuzt hat. Also muss ich fragen, Joannes, am Anfang haben wir mit der Erstellung von Prognosen begonnen und uns darauf konzentriert, eine Prognose immer genauer zu machen. Joannes, wie bist du während dieser Reise von Lokad zu der Erkenntnis gekommen, dass dies tatsächlich keine bessere Leistung der Supply Chain für unsere Kunden generiert oder generiert hat?

Joannes Vermorel: Weil es nicht funktioniert hat, ganz einfach. Also, wie hast du erkannt, dass wir das falsche Problem betrachten? Ich meine, ich habe erkannt, zuerst einmal, wie habe ich erkannt, dass es nicht funktioniert hat? Das ist eine knifflige Frage, denn auch wenn es nicht funktioniert hat, hat Lokad Kunden gewonnen und ist ganz gut gewachsen und profitabel gewesen, sozusagen, ganz gut. Also, wenn man wächst, wenn man profitabel ist und ein Softwareunternehmen ist, klingt das gut, klingt gut, ja, ja. Aber es hat für die Kunden nicht funktioniert, wisst ihr? Und als ich mich zurückgezogen habe und nachgedacht habe, habe ich mich gefragt, ob ich die Situation wirklich besser für die Kunden gemacht habe. Wenn ich mich zurückziehe, die Metriken vergesse und versuche, ein Bauchgefühl für die Situation zu bekommen, wird es wirklich besser? Und ich habe angefangen zu erkennen, dass es nicht so war, wisst ihr, es war nicht so. Und das war, aber laut allen Metriken war es so. Aber wenn ich für einen Moment aus der Matrix ausgestiegen wäre, wenn ich versucht hätte, kalt zu beurteilen, ob das, was wir tun, wirklich eine positive Veränderung bewirkt hat, wisst ihr, in einem tieferen Sinne, etwas, das, und das war es nicht. Aber die Leute würden sagen: “Oh, aber laut allen Metriken sind wir gut, also erfüllen wir die Metriken.” Aber wir bringen nicht, aber das Problem ist, dass wenn man eine Metrik auswählt und gegen diese Metrik optimiert, dann wird man besser sein, gemessen an dieser Metrik. Das ist wirklich genau das, was mathematische Optimierung und Machine Learning für einen tun werden. Man wählt eine Metrik aus und führt eine numerische Optimierung durch, und man wird etwas Besseres gemessen an dieser Metrik bekommen. Also, seht ihr, das hatte eine gewisse tautologische Natur. Wir wählen eine Metrik aus, wir verbessern uns gemäß dieser Metrik, was habt ihr erwartet, wisst ihr? Es sei denn, die Algorithmen sind fehlerhaft, dann sollten wir tatsächlich genau das tun. Aber das bedeutet nicht, dass wir auf einer tieferen Ebene

Nicole Zint: Können Sie erklären, warum Sie an eine frühzeitige Stornierung von Plänen glauben?

Joannes Vermorel: Frühzeitige Stornierung, weil Sie sehen, dass die meisten unserer Konkurrenten sich für mehrjährige Pläne entscheiden. Sie erkennen nie, dass etwas nicht stimmt, weil sie im Grunde genommen ein ERP durchlaufen, ihre Sachen verkaufen und dann eine fünfjährige Reise antreten. Ob es funktioniert oder nicht, der Kunde hat so viel Aufwand dafür betrieben, dass er es nicht ändern kann, also steckt er fest. Sie wissen, dass es versunkene Autos sind, mit denen sie spielen. Es gibt eine solche psychologische Falle, einfach dabei zu bleiben, da Sie bereits so viel investiert haben. Sie genießen es, dass Sie es so sehr verpasst haben, und nach fünf Jahren sind Sie erschöpft, um die superkomplexe Lösung umzusetzen, also ändern Sie sich nicht, Sie wollen nicht sofort ändern. Und wenn Sie schließlich entscheiden, dass Sie ändern möchten, wissen Sie, dass Sie 8 oder 10 sind, dann gehen Sie durch eine weitere RFP. Also, wenn Sie den Kunden zu diesem Zeitpunkt verlieren, sagen Sie einfach: “Nun, es ist nicht so, dass wir mit der Prognose etwas falsch gemacht haben, es ist nur so, dass sich die Technologie weiterentwickelt hat, einige unserer Konkurrenten haben diesen speziellen Kunden überholt, und deshalb haben wir den Kunden nicht erneut in der zweiten RFP gewonnen.” Aber Sie stellen nicht natürlich die Verbindung her, dass die Verbindung sehr locker ist, ob Sie etwas Gutes tun und ob Ihre Prognosen tatsächlich etwas tun, das für den Kunden von Wert ist. Wenn Sie den Monat kaufen, wissen Sie plötzlich, wann der Supply Chain Director realisiert, dass er oder sie das gleiche Bauchgefühl hat, dass es einfach keinen Wert auf den Tisch bringt, egal was die KPIs sagen, dann sind Sie draußen. Und so ist die Rückkopplungsschleife viel, würde ich sagen, viel enger.

Nicole Zint: Können Sie mir sagen, wie sich ein Produkt im Vergleich zu einer reinen Prognose entwickelt hat?

Joannes Vermorel: Wir haben festgestellt, dass es bei der Genauigkeit der Prognose nicht darum geht, die Optimierung gemäß einer bestimmten Prognosegenauigkeit, gemäß einer bestimmten Metrik, zu optimieren. Sie wählen eine aus, es wird viele Probleme geben. Das ist nicht das Problem. Und wenn Ihre Werkzeuge richtig sind, wählen Sie eine Metrik aus und optimieren Sie gegen diese Metrik, und das war’s. Das ist sehr einfach. Ich meine, es könnte noch einfacher gemacht werden, aber das ist sehr einfach. Optimieren wir jetzt? Die Melodie? Das ist die Sache. Das Werkzeug ist in der Metrik optimiert, aber die Sache ist, dass das von uns entwickelte Werkzeug das ist, was es braucht, um die Metriken, die Genauigkeitsmetriken, die Sie für Ihr Unternehmen benötigen, zu entdecken. Sie sehen, das ist so, dass die Reise begann mit der Idee, dass wir nur einen vorgefertigten Satz von Metriken haben und nur gegen diese optimieren können und es gut sein wird. Das ist nicht der Fall, und das ist viel schlimmer, als ich anfangs dachte. Es geht nicht darum, bessere Metriken zu identifizieren. Ja, es gibt einige Metriken, die etwas besser sind. Wenn wir zum Beispiel zu dieser Situation im Hypermarkt zurückkehren, wenn Sie die Pinball Loss-Funktion nehmen, das ist eine stark asymmetrische Funktion, die beliebig asymmetrisch gemacht werden kann. Sie können marginale bessere Ergebnisse erzielen, wenn Sie sich für probabilistische Prognosen entscheiden. Sie können sogar Ihre spezifischen Metriken für probabilistische Prognosen verwenden, Kreuzentropie, kontinuierliche Rangwahrscheinlichkeit, es gibt andere. Es gibt also Metriken, die marginale Verbesserungen bringen, aber das ist es. Sie sind nur marginal besser. Das Problem ist, dass Sie bei einer realen Situation stehen-

Nicole Zint: Joannes, können Sie über den Paradigmenwechsel in der Optimierung der Supply Chain sprechen, der in den letzten zehn Jahren stattgefunden hat?

Joannes Vermorel: Ja, natürlich. Sie sehen, dies ist die Art von Paradigmenwechsel, den wir in den letzten zehn Jahren durchlaufen mussten. Die Werkzeuge, die wir heute haben, beantworten buchstäblich die Frage, was Supply Chain Scientists entdecken müssen. Wir analysieren die Daten und besprechen mit dem Supply Chain-Experten im Unternehmen, wie die Genauigkeitsmetrik aussehen sollte. Und Sie werden feststellen, dass dies etwas ist, das nicht die Art von numerischer Eleganz hat, die diese mathematischen Metriken haben, weil es eine Vielzahl von Faktoren, Randfällen und Dingen gibt, die sehr spezifisch für die Art von Geschäft sind, das Sie betreiben. Wenn Sie beispielsweise im Bereich Luxusgüter tätig sind, ist dies völlig anders als bei frischen Lebensmitteln oder der Luft- und Raumfahrt. Es gibt also eine Vielzahl von Randfällen und Randbedingungen, die nur Sinn ergeben, weil Sie sich ein sehr spezifisches Unternehmen ansehen. Dennoch sind diese Randfälle völlig entscheidend, wenn Sie am Ende Ergebnisse und Entscheidungen erzielen möchten, die nicht völlig verrückt sind. Also worauf wir wirklich abzielen, sind diese genauen Supply Chain-Entscheidungen. Ja, das wäre das Endziel. Das wäre sozusagen die Art und Weise, zu messen, dass Sie etwas Gutes tun, und das gilt für alle Zwischenprodukte, die Sie produzieren.

Nicole Zint: Können Sie erklären, was Sie mit numerischen Artefakten meinen?

Joannes Vermorel: Ja, natürlich. Prognosen, die mit ihrer eigenen Prognosegenauigkeitsmatrix gemessen werden, sind nur eine Art von numerischem Artefakt. Es gibt in der Regel dutzende weitere numerische Artefakte, die sich im Laufe des Prozesses befinden. Wir sind also von der Verbesserung der Prognosegenauigkeit zu der Suche nach den entscheidenden Supply Chain-Entscheidungen übergegangen, die den Gewinn maximieren oder die Supply Chain-Leistung maximieren, was eine interessante Perspektivenänderung ist.

Nicole Zint: Was ist also Ihr Rat an Unternehmen, die ihre Supply Chain optimieren möchten?

Joannes Vermorel: Mein Rat ist, dass, wenn nicht eine Person für alles verantwortlich ist, angefangen bei der Auswertung der Daten im ERP bis hin zur endgültigen Generierung der Produktionsaufträge, Auffüllungsauftrag, Bestellung, Lagerbewegungen, Preisbewegungen, dann haben Sie noch nicht einmal damit begonnen, Ihre Supply Chain zu optimieren. Wenn Sie nicht ein Prozent haben, das end-to-end für diese gesamte Kette verantwortlich ist, dann ist all die Mühe, die Sie in eine bessere Prognose oder was auch immer gesteckt haben, nur eine Illusion. Wenn die Anreize nicht ausgerichtet sind, werden diese Personen Dinge tun, die für das Unternehmen unsinnig sind. Stellen Sie sich vor, Sie spielen Schach und ich sage, Sie spielen den Springer und Ihr Ziel ist es nur sicherzustellen, dass der Springer bis zum Ende des Spiels überlebt. Die Frage ist, glauben Sie, dass, wenn Sie sagen, Sie spielen den Springer, Sie den Turm spielen und ich die Dame spiele?

Nicole Zint: Und Ihr Ziel ist es zu überleben. Ihr Ziel ist es zu überleben. Glauben Sie, dass wir insgesamt ein Spiel spielen werden, das eine Chance hat, gegen den Gegner zu gewinnen?

Joannes Vermorel: Nein, das tun wir nicht. Das ist irreführend. Das Ziel, das wir zu sagen versuchen, ja, und die Leute sagen: “Oh, in 99% der Spiele, die wir gespielt haben, habe ich den Springer gespielt und der Springer war am Ende des Spiels immer noch auf dem Brett.” Ja, aber wir haben jedes einzelne Spiel verloren.

Nicole Zint: Das ist gut, aber dieses Spiel…

Joannes Vermorel: Das ist das Problem mit irreführenden Metriken, sie mögen rational klingen und aussehen, aber eigentlich sind sie im Kern zutiefst irrational. Und ich glaube, diese Art von Prognosepraktiken und Prognoseabteilungen, die viele größere Unternehmen haben, sind völlig irrational. Und ich weiß, dass es sehr schwierig ist, weil diese Abteilungen voller Ingenieure sind, die Gutes tun wollen. Sie sind keine Idioten, und ihre Chefs und die Menschen über ihnen sind auch keine Idioten, und sie wollen Gutes tun. Also sehen Sie, das ist kein Problem von Menschen, die entlassen werden sollten oder so, nein, nein, es ist die schlechteste Einrichtung. Es ist einfach produktiv kontraproduktiv.

Nicole Zint: Genau, das kann es nicht. Es ist von Grund auf kaputt. Es wird nicht erreichen.

Joannes Vermorel: Also mein Rat wäre, stellen Sie sicher, dass Sie diese eine Person haben. Diese Person kann so viele Kollegen haben, wie Sie möchten, um die Verbindung zwischen der Reihe, in der sie sich befinden, und der endgültigen Entscheidung herzustellen, und das sollte eine monolithische Optimierung sein. Sie sollten diesen Prozess nicht zerschneiden und zerhacken.

Nicole Zint: Joannes, vielen Dank für dieses Thema heute. In der Tat sehr zum Nachdenken anregend. Vielen Dank fürs Zuschauen und bis zum nächsten Mal.

Joannes Vermorel: Danke.