Supply Chain Personae - Vorlesung 2.1

00:50 Einführung
02:22 Buch von Claude Bernard
11:19 Die bisherige Geschichte
13:39 Supply Chain Experimente?
19:21 Experimentelle Methoden: gegen Fallstudien
20:50 Zu großen Namen
28:14 Über Tabus
35:05 Über Berufsaussichten
37:51 Über Pseudo-Neutralität
42:59 Über Anbieter
45:57 Experimentelle Methoden: pro Personae
46:54 Fiktion vs Realität
52:19 Erstellung einer supply chain Persona
55:26 Ausschlusskriterien
01:02:33 Problem vs Lösung, 1/3
01:08:53 Problem vs Lösung, 2/3
01:11:41 Problem vs Lösung, 3/3
01:16:13 Bevorstehende Personae
01:17:06 Fazit
01:18:29 Bevorstehende Vorlesung und Fragen aus dem Publikum

Beschreibung

Eine supply chain „persona“ ist ein fiktives Unternehmen. Doch obwohl das Unternehmen fiktiv ist, wurde diese Fiktion so gestaltet, dass sie aufzeigt, was aus der supply chain-Perspektive Beachtung verdient. Allerdings wird die Persona nicht idealisiert im Sinne einer Vereinfachung der supply chain Herausforderungen. Im Gegenteil, die Absicht besteht darin, die herausforderndsten Aspekte der Situation zu verstärken, jene Aspekte, die sich am hartnäckigsten jeglichen Versuchen quantitativer Modellierung und jedem Versuch, eine Initiative zur Verbesserung der supply chain zu pilotieren, widersetzen.

In der supply chain leiden Fallstudien – wenn ein oder mehrere Parteien namentlich genannt werden – unter erheblichen Interessenkonflikten. Unternehmen und ihre unterstützenden Anbieter (Software, Consulting) haben ein eigenes Interesse daran, das Ergebnis im positiven Licht darzustellen. Zudem leiden tatsächliche supply chains in der Regel oder profitieren von zufälligen Gegebenheiten, die nichts mit der Qualität ihrer Ausführung zu tun haben. Die supply chain Personae sind die methodische Antwort auf diese Probleme.

Gesamtes Transkript

Hallo zusammen, willkommen zu dieser Reihe von supply chain Vorlesungen. Ich bin Joannes Vermorel und heute präsentiere ich „Supply Chain Personae.“ Für diejenigen unter euch, die die Vorlesung live verfolgen, könnt ihr jederzeit über den YouTube-Chat Fragen stellen. Ich werde die Fragen jedoch während der Vorlesung nicht vorlesen; stattdessen werde ich am Ende der Vorlesungen, sofern möglich, auf alle gestellten Fragen eingehen.

Das heutige Thema ist, ob wir das Studium der supply chains als Wissenschaft aufwerten können. Man könnte einwenden, dass supply chains in erster Linie ein Geschäft und eine Praxis sind. Absolut, aber die Frage lautet: Können wir das supply chain management verbessern und, falls ja, dies auf systematische, verlässliche und in gewisser Weise kontrollierte Weise tun? Ich glaube, dass dies nur via etwas möglich ist, das einer Art wissenschaftlicher Methode entspricht, angewandt auf das Wissen, das wir besitzen.

Um Verbesserungen zu erzielen, benötigen wir Wissen, und dieses Wissen muss von hoher Qualität sein. Was meine ich mit hochwertigem Wissen? Es ist Wissen, das sich durch die Merkmale auszeichnet, die heutzutage üblicherweise wissenschaftliches Wissen kennzeichnen. Wenn das Einzige, was wir besitzen, Intuition ist, dann schränkt das stark ein, was wir systematisch in die supply chains einbringen können. Die wissenschaftliche Methode ist von großem Interesse, und die Fähigkeit, das Studium der supply chains als Wissenschaft aufzuwerten, ist von entscheidender Bedeutung. Doch das wirft die Frage auf: Was ist Wissenschaft und was ist die wissenschaftliche Methode?

Ich bin der Überzeugung, dass es ein Buch gibt, “An Introduction to the Study of Experimental Medicine”, veröffentlicht von Claude Bernard im Jahr 1865, das ein absolutes Wegweiserdokument in der Geschichte der Wissenschaft ist. Claude Bernard, ein damals sehr berühmter Forscher, gilt bis heute von vielen als einer der zentralen Väter, wenn nicht gar als der Vater der modernen Medizin. Aufgrund einer Krankheit zog er sich zurück und reflektierte über seine lebenslange Suche nach Wissen. Er begann, seine Ideen darüber niederzuschreiben, wie er dies bewerkstelligte und welche Methoden er während seiner Karriere einsetzte, um all die Entdeckungen zu machen, die er machte.

Dies ist ein absolut faszinierendes Buch. Es liest sich wie ein Roman, was sehr überraschend ist. Es ist völlig anders als Newtons “Principia Mathematica”, das fast unerträglich ist. Dieses Buch ist sehr gut verständlich, zumindest in der französischen Originalfassung. Ich weiß nichts über die englische Version, aber ich vermute, dass es gute Übersetzungen gibt. Mit viel Klarheit und Einfachheit erklärt Claude Bernard und liefert viele Hinweise auf die Wissenschaft und die wissenschaftliche Methode. Es ist etwas, das supply chains zutiefst erleuchtet.

Übrigens, trotz des Titels dieses Buches, der sich stark auf die Medizin zu konzentrieren scheint, ist das meiste von dem, was Claude Bernard beschrieb, völlig unspezifisch für die Medizin. Dieses Buch hatte einen tiefgreifenden Einfluss auf viele andere Wissenschaften weit über die Medizin hinaus. Um zu verstehen, warum, müssen wir begreifen, dass Claude Bernard im 19. Jahrhundert gegen Gegner kämpfte, die der Idee, dass sich die Medizin zumindest teilweise zu einer Wissenschaft entwickeln sollte, völlig ablehnend gegenüberstanden. Tatsächlich steht das Studium der Medizin vor zwei sehr zentralen Herausforderungen, die meiner Meinung nach auch für supply chains von größter Relevanz sind.

Die erste Herausforderung besteht darin, dass Lebewesen unglaublich und irreduzibel komplex sind. Wenn man einen lebenden Organismus hat, kann man nicht einfach einen Divide-and-Conquer-Ansatz anwenden; man kann ihn nicht auseinandernehmen, um ihn zu studieren, denn wenn man das tut, tötet man das Lebewesen, und es bleibt etwas zurück, das nicht mehr lebendig ist. Das verfehlt völlig den Zweck dessen, was man zu untersuchen versucht. Diese irreduzible Komplexität und die Tatsache, dass man etwas extrem Komplexes hat, das man nicht einfach auseinandernehmen kann, gilt auch für supply chains. Wenn Sie eine supply chain haben, die aus Lieferanten, Werken, warehouses, Vertriebszentren und Geschäften besteht, und Sie entfernen eines dieser Elemente, funktioniert die supply chain nicht mehr und macht auch keinen Sinn mehr. Man kann sie nicht einmal mehr als supply chain untersuchen. Also, wir haben diese Art von irreduzibler Komplexität, die sehr gut auch für supply chains gilt.

Die zweite große Herausforderung besteht darin, dass ein Lebewesen im Wesentlichen ein verflochtenes System ist. Wenn Sie eine kleine lokale Veränderung vornehmen, wird dies wahrscheinlich Auswirkungen auf den gesamten Organismus haben. Zum Beispiel können Sie eine sehr lokale Injektion von Gift vornehmen, aber das wird den gesamten Organismus beeinflussen, nicht nur die Stelle, an der Sie das Gift tatsächlich injiziert haben. Dies trifft auch sehr auf supply chains zu, denn wie ich in einer meiner vorherigen Vorlesungen beschrieben habe, verlagern die meisten lokalen Optimierungen in einer supply chain ein Problem lediglich an eine andere Stelle im Netzwerk. So haben wir diese beiden Probleme, und seinerzeit sah sich Claude Bernard Gegnern gegenüber, die im Grunde behaupteten, dass die Medizin aufgrund dieser Probleme irreduzibel sei und nicht auf etwas so Banales wie eine Wissenschaft reduziert werden könne. Claude Bernard hat zusammen mit vielen anderen und seinen Nachfolgern diese Sichtweise völlig widerlegt. Es ist jedoch interessant, dass diese Herausforderung immer noch besteht, und ich glaube, dass wir auch anderthalb Jahrhunderte später noch in dieser Phase sind, was supply chains betrifft.

Nun, wenn wir verstehen wollen, was Claude Bernard vor allem einbringt, so ist es die Idee der Experimente. In seinem Buch vertritt er die Ansicht, dass unser Wissen drei Stadien durchläuft: Emotion, Vernunft und Experiment. Die Idee ist, dass die wissenschaftliche Methode mit einer Emotion beginnt, einem Funken des Willens, der Ihnen eine Art vorgefasste Vorstellung vom Universum gibt. Durch diese Emotion können Sie anfangen, irgendetwas zu tun, auch wenn es zutiefst irrational ist und keine wissenschaftlichen Eigenschaften besitzt. Ohne das fehlt jener initiale Impuls, der den Rest auslöst. Die Initialisierung dieses Wissenssystems erfolgt über die Emotion, und dann folgt die Vernunft. Die Vernunft verleiht dieser Idee Form, Struktur und Richtung, sodass Sie aktiv werden können. An diesem Punkt haben Sie eine Idee, aber es ist noch unklar, ob sie wahr oder falsch ist. Sie existiert einfach, besitzt jedoch mehr Struktur als die erste Phase, die lediglich die Emotion war.

Durch die Vernunft können Sie den ersten Schritt eines Experiments aufbauen. Die Idee ist, dass Sie durch die Vernunft Ihre Idee auf den Prüfstand stellen werden. Sie haben diese vorgefasste Vorstellung vom Universum, und Sie werden ein Experiment durchführen, das es Ihnen ermöglicht, die Idee zu testen. Das Interessante ist, dass Sie an Ihre Idee glauben müssen, sonst werden Sie nicht den ganzen Aufwand und die Zeit investieren, die nötig sind, um das Experiment tatsächlich durchzuführen. Die wissenschaftliche Methode bedeutet nicht, den bisherigen Glauben auszuschließen; das ist absolut nicht der Fall. Sie müssen etwas haben, das Sie antreibt, diese vorgefassten Ideen, die Ihr Handeln leiten werden.

Dann führen Sie das Experiment durch, beobachten die Ergebnisse und lassen die Beobachtung die Kontrolle über Ihre Ideen übernehmen. Sie hatten Ihre vorgefassten Ideen, Sie haben das Experiment durchgeführt, und sobald das Experiment abgeschlossen ist, lassen Sie das, was Sie gerade beobachtet haben, Ihre Ideen steuern – und das stellt die Etablierung von Wissen dar. Eine der tiefgreifenden Ideen der experimentellen Wissenschaft ist, dass es kein angeborenes Wissen in uns gibt. Wir haben Emotionen und eine gewisse angeborene Fähigkeit zur Vernunft, aber all das Wissen, das es zu finden gibt, befindet sich außerhalb von uns. Auch wenn es heute selbstverständlich erscheint, so war es im 19. Jahrhundert alles andere als so. Was supply chains betrifft, ist nicht glasklar, dass alle in diesem Punkt mit mir übereinstimmen. Die Idee, eine experimentelle Wissenschaft zu betreiben, besteht darin, Wissen aus dem Universum zu konstruieren und zu extrahieren, und der elementare Schritt dazu ist eine Reihe von Experimenten.

In meiner letzten Vorlesung schloss ich das erste Kapitel dieser Vorlesungsreihe ab, welches der Prolog war. Im Prolog stellte ich meine Ansichten dar, wie man supply chains grundsätzlich angehen sollte. Ich definierte supply chain in der ersten Vorlesung als die Beherrschung der Optionalität. Außerdem präsentierte ich sowohl qualitative als auch quantitative Ansätze, um Ihnen einen Eindruck davon zu geben, wie ich das Problem angehe. In diesen Vorlesungen eröffne ich ein zweites Kapitel: die Methodik. Wenn wir supply chains verbessern wollen, benötigen wir Wissen, das unsere Handlungen lenkt. Wenn wir auf verlässliche Weise Verbesserungen herbeiführen und zuversichtlich sein wollen, einen hohen Grad an Kontrolle zu erreichen, dann muss dieses Wissen solide begründet sein. Ich glaube, dass wir etwas brauchen, das der wissenschaftlichen Methode ähnelt. Wenn ich von der wissenschaftlichen Methode spreche, missbrauche ich den Begriff, da es so etwas wie “die wissenschaftliche Methode” eigentlich nicht gibt. Es gibt in der Tat eine Vielzahl von Methoden, und Claude Bernard präsentiert in seinem Buch eine Reihe davon. Bernard zeigte auch, dass sich die Wissenschaft nicht nur durch bessere Theorien, sondern auch durch bessere Methoden weiterentwickelt. Die Herausforderung besteht nicht nur darin, mehr über supply chains zu wissen, sondern auch in der Etablierung von Grundlagen mit Methoden, die sich als überlegen erweisen, um schneller, verlässlicher und genaueres Wissen zu generieren. Der Sinn einer supply chain besteht darin, eine Methode unter vielen zu haben, um supply chains als Forschungsfeld mit dem, was in der realen Welt geschieht, zu verknüpfen und die Informationen zu nutzen, die nicht in uns, sondern in der Außenwelt liegen.

Der Weg, einen Schuss Realität in Ihr Fachgebiet zu bringen, erfolgt typischerweise durch Experimente. Im speziellen Fall von supply chains scheint es jedoch, dass supply chain Experimente aus mehreren Gründen sehr kompliziert sind. Lassen Sie mich diese kurz vorstellen.

Der erste Grund ist die Vertraulichkeit. Wie wir in einer früheren Vorlesung gesehen haben, kann eine supply chain nicht direkt beobachtet werden; sie kann nur indirekt erfasst werden. Das Einzige, was man in einer supply chain beobachten kann, sind die elektronischen Aufzeichnungen, die von einer Enterprise Software gesammelt und zusammengetragen werden. Auf diese Weise kann man supply chains beobachten – durch die von der Enterprise Software gesammelten Aufzeichnungen oder durch Datensätze. Das Problem ist, dass Unternehmen nicht bereit sind, diese Datensätze zu teilen, und es gibt sehr gute Gründe, warum sie das nicht tun wollen. Erstens ist es ein Wettbewerbsvorteil, oder vielmehr, wenn sie diese Daten öffentlich teilen würden, wäre es ein Wettbewerbsnachteil, da ihre Konkurrenten die Möglichkeit hätten, durch den Zugang zu diesen Daten einen Wettbewerbsvorteil zu erlangen.

Aber das ist nicht der einzige Grund. Es gibt auch gute Gründe, Daten nicht zu teilen, wie Datenschutz und Vertraulichkeit. Zum Beispiel haben wir in Europa inzwischen die DSGVO als Regulierung. Ich diskutiere nicht, ob die DSGVO etwas Gutes oder etwas Schlechtes ist; ich mache nur darauf aufmerksam, dass selbst wenn ein Unternehmen bereit wäre, seine Daten zu teilen, es riskieren würde, etwas Illegales zu tun. Als anekdotischer Beleg fand letztes Jahr der M5-Forecasting-Wettbewerb statt, basierend auf Verkaufsdaten, die von Walmart bezogen wurden. Soweit ich weiß, war es der größte, umfassendste Datensatz, der jemals für ein supply chain Experiment veröffentlicht wurde. Nur um Ihnen eine Vorstellung vom Ausmaß des Problems zu geben, waren diese Daten nur die Verkaufsdaten eines kleinen Bruchteils der Produkte eines einzelnen Geschäfts. Walmart ist ein gigantisches Unternehmen, das über 10.000 Geschäfte betreibt, und der Datensatz des Wettbewerbs auf Kaggle stellte nicht einmal ein gesamtes Geschäft dar. Es war tatsächlich ein kleiner Bruchteil eines Geschäfts, und es handelte sich im Grunde um den Verkaufsverlauf, einschließlich der Historie der Verkäufe in Mengen und Preisen. Um das Problem noch zu verschärfen, stellte sich aufgrund von technischen Problemen in Bezug auf die Datenextraktion heraus, dass die Hälfte des Datensatzes, der aus Preisen bestand, für den Wettbewerb nicht einmal verwertbar war. Keines der Gewinnerteams, die es in die Top 10 des Wettbewerbs geschafft hatten, konnte diese Daten nutzen. Das gibt Ihnen einen Eindruck davon, wie schwierig es ist, öffentlich zu diesem Thema zu kommunizieren, aber das ist nicht das einzige Problem.

Wir haben auch das Problem der Reproduzierbarkeit. Zum Beispiel habe ich im Januar 2020 mit mehreren Kunden von Lokad gesprochen, und im E-Commerce in ihren jeweiligen Unternehmen machte dieser etwa 30 % des Volumens aus. Bis Januar 2021 war er auf 60 % angestiegen. Offensichtlich hat ein ganzes Jahr der Pandemie stattgefunden, und einige beispiellose Ereignisse haben die Landschaft in vielen Branchen – wahrscheinlich für immer – grundlegend verändert. Dies ist ein erhebliches Problem, denn Reproduzierbarkeit steht im Kern der experimentellen Wissenschaften. Aber wenn man im supply chain Bereich etwas unternimmt und es replizieren möchte, könnte die Landschaft einige Jahre später so anders aussehen, dass es keinerlei Hoffnung gibt, etwas zu replizieren. Das ist eine weitere Kategorie großer Probleme, mit denen wir konfrontiert sind.

Zudem gibt es die Kosten und Verzögerungen, die damit einhergehen. Als Faustregel gilt, dass ein supply chain Experiment mindestens doppelt so lang dauern müsste wie die charakteristische lead time des Unternehmens. In vielen Branchen oder Segmenten liegt die charakteristischen Durchlaufzeit bei etwa drei Monaten, was bedeutet, dass die typische Verzögerung für ein supply chain Experiment sechs Monate oder länger betragen würde. Das ist sehr lang, und es gibt einen guten Grund, wenn experimentelle Wissenschaften – wie die experimentelle Medizin – dazu neigen, Mäuse für Experimente zu verwenden, bedingt durch ihren schnellen Stoffwechsel und ihre rasche Fortpflanzungsrate. Zeit ist entscheidend, selbst in der Medizin, und es verhält sich im supply chain ähnlich. Doch die typische Dauer von Experimenten ist sehr lang.

Des Weiteren haben wir das zuvor besprochene nicht-lokale Element, bei dem es schwierig ist, ein kleinkalibriges, kostengünstiges Experiment durchzuführen, da es um Netzwerkeffekte geht. Man kann nicht einfach etwas an einem Ort tun und Ergebnisse erwarten. Als Faustregel gilt: Von einem lokalen Experiment im supply chain lässt sich nichts ableiten.

Offensichtlich bin ich nicht der Erste, der erkannt hat, dass wir diese große Reihe von Problemen haben und dass supply chains sich dem naiven experimentellen Ansatz widersetzen. Infolgedessen weichen viele der in supply chains durchgeführten Studien standardmäßig von einem supply chain Experiment zu einer Alternative, der supply chain Fallstudie, ab. Die Idee ist simpel: Wir wollen supply chain als Studienfeld mit der realen Welt verbinden. Wir wollen Portionen der Realität in unsere Theorie einbringen. Genau darum geht es in einer Fallstudie. Mein heutiger Vorschlag an Sie ist, dass Fallstudien aufgeblasene Infomercials sind und, wenn man Fallstudien danach bewertet, wie viel Wissen mit diesem Format vermittelt werden kann, meine Antwort ungefähr null lautet. Dennoch ist nicht alles verloren, da es mögliche Alternativen gibt – und hier werde ich supply chain Personal vorstellen. Aufgrund der Prävalenz von Fallstudien müssen wir zunächst verstehen, warum sie schlichtweg nicht funktionieren, nicht funktionieren können und leider niemals funktionieren werden.

Eine Fallstudie umfasst ein Unternehmen, ein Problem, eine Altlösung (das ist die Lösung, die vor Beginn der Fallstudie im Einsatz war) und anschließend eine neuere, bessere Lösung. Die Fallstudie beschreibt all dies und quantifiziert den Nutzen, den die neue, angeblich bessere Lösung dem Unternehmen bringt. Mein größtes Problem ist, dass, wenn ich Fallstudien betrachte und die Argumentationsweise der Menschen dazu, nicht die in den Fallstudien enthaltenen Zahlen dominieren, sondern der Name des Unternehmens, das Gegenstand der Fallstudie ist. Es wirkt ein massiver Halo-Effekt der Autorität.

Stellen Sie sich eine supply chain Fallstudie vor, die von Google, einem Technologieriesen, ausgeht. Google verfügt über eine ziemlich umfangreiche supply chain, um all die computing hardware zu verwalten, die weltweit verteilt ist, um seine Rechenzentrumsaktivitäten zu unterstützen. Stellen Sie sich vor, diese Fallstudie würde die Überlegenheit einer spezifischen supply chain Methode demonstrieren, die bei Google entwickelt wurde. Sie würde als sehr relevant angesehen werden, offensichtlich, weil Google ein sehr großer Name ist. Allerdings hat Googles Erfolg nichts mit supply chain zu tun. Google ist ein fantastisches, erfolgreiches Unternehmen, aber sein Erfolg rührt nicht von seinen supply chain Praktiken her. Wenn wir eine solche Fallstudie betrachten würden, hätte sie ein hohes Gewicht – und ich würde sagen ein übermäßiges Gewicht – allein aufgrund des Markennamens, den Google trägt. Nur weil Google viele super talentierte Ingenieure eingestellt hat und den Stand der Technik im Software-Engineering in vielen Bereichen neu definiert hat, gibt es keinen Grund zu glauben, dass sich dies automatisch auf alles überträgt, was sie tun, insbesondere wenn es sich um eine Unterstützungsfunktion wie supply chain handelt.

Das ist interessant, denn wenn ich zu Claude Bernards Buch “An Introduction to the Study of Experimental Medicine” zurückblicke, präsentiert Claude Bernard als Erstes die Ablehnung von Autorität als wesentlichen Bestandteil der wissenschaftlichen Methode. In der Mitte des 20. Jahrhunderts sagte er, dass das größte Problem der damaligen Medizin darin bestand, dass sie größtenteils eine Frage der Autorität sei. Die Menschen glaubten etwas, nur weil es einen großen Namen gab oder jemand, der in der Gesellschaft viel Gewicht hatte, die Theorie unterstützte. Das ist falsch. Claude Bernards radikale Position lautet, dass wir in der Wissenschaft alle Autoritäten ablehnen müssen, außer denen, die direkt durch Experimente gewonnen wurden. Die letztendliche Quelle der Autorität – und eigentlich die einzige Quelle wissenschaftlicher Wahrheit – sollte das Experiment bzw. die Realität selbst sein.

Wenn wir uns Fallstudien anschauen, treten Autoritätsprobleme überall auf. Um diesen Punkt zu verdeutlichen, nenne ich vier bemerkenswerte Unternehmen. All diese Unternehmen sind weithin anerkannt, äußerst erfolgreich und haben in ihrer Geschichte absolut epische supply chain Ausfälle erlitten. Diese Ausfälle waren auf eine wahnsinnige Kombination aus Arroganz, Gier, Faulheit, Ignoranz und weiteren Problemen zurückzuführen. Um ein paar Beispiele zu nennen: Nike verlor 2004 400 Millionen Dollar in einem fehlgeleiteten Versuch, ihre supply chain mit einem Softwareanbieter zu verbessern. Lidl verlor 2018 500 Millionen Euro mit einem anderen bekannten supply chain Anbieter. Ich glaube, diese Zahlen sind nur ein kleiner Bruchteil der tatsächlichen Kosten für diese Unternehmen, da der monetäre Verlust nur ein Aspekt dieser epischen Ausfälle war. Das Management war jahrelang abgelenkt, und im Fall von Lidl fast ein Jahrzehnt. Die Opportunitätskosten dieser Fehlentscheidungen sind absolut gigantisch.

Ich behaupte nicht, dass diese Unternehmen in bestimmten Bereichen nicht sehr gute Arbeit leisten. Sie sind wirklich bemerkenswert und haben epische Ausfälle in ihrer supply chain überstanden, was beweist, dass sie Dinge auf eine sehr beeindruckende Weise angehen – andernfalls wären sie bankrott gegangen. Dennoch möchte ich betonen, dass ein guter Name, ein hervorragender Ruf und phänomenaler Erfolg nicht automatisch Aufschluss über die Qualität der supply chain Praktiken eines Unternehmens geben. Das ist meine zentrale Kritik, und genauso wie Claude Bernard es forderte, müssen wir all jene Mechanismen, die auf Autorität beruhen, grundsätzlich ablehnen – auch im Bereich der supply chain Studien.

Wir haben jedoch noch eine weitere Reihe von Problemen, und es ist ein Tabu. Wenn ich mir veröffentlichte Fallstudien anschaue, würde ich – ganz ohne konkrete Statistik – sagen, dass 99 % der Fallstudien positiv ausfallen. Sie zeigen ein Problem, eine Altlösung und eine neue Lösung, bei der die neue Lösung zu einem positiven Ergebnis führt. Gleichzeitig habe ich über ein Jahrzehnt mit supply chain Direktoren gesprochen, über 100 an der Zahl, und mein Eindruck ist, dass die überwiegende Mehrheit der supply chain Initiativen scheitert. Normalerweise sind diese Misserfolge nicht so episch wie die zuvor erwähnten, aber sie treten überall auf, und die Mehrheit dieser Initiativen scheitert. Das ist nicht überraschend – wenn es einem Unternehmen gelänge, systematisch und ohne Ausnahme seine supply chain zu verbessern und diese Methode über ein Jahrzehnt hinweg ständig anzuwenden, würde dieses Unternehmen die Konkurrenz regelrecht zerschlagen, ähnlich wie es Amazon getan hat. Aber ich schweife ab.

Zurück zur Idee der Tabus: Ich glaube, dass wir eine offensichtliche Diskrepanz zwischen der überwältigenden Positivität der Fallstudien und der überwältigenden Negativität der tatsächlichen realen supply chain Erfahrungen haben. Dies lässt sich einfach dadurch erklären, dass Misserfolg größtenteils ein Tabu ist. Es gibt einen fantastischen Artikel namens “The Last Days of Target” von Joe Castaldo, veröffentlicht 2016, über Target Canada. Target, eine nordamerikanische retail chain, versuchte, nach Kanada zu expandieren, investierte über 5 Milliarden Dollar in dieses Vorhaben, und alles endete in einer vollständigen disaster. Der Betrieb wurde mit massiven Verlusten eingestellt, und im Kern des Problems stand eine lange Reihe brutaler supply chain Probleme. Im Wesentlichen handelte es sich um eine lange Reihe massiver supply chain Fehler.

Das Lustige ist, dass Joe Castaldo das Problem aus einer journalistischen Perspektive fantastisch beschreibt. Es stellt niemanden ins rechte Licht. Die Geschichte zeigt eine wilde Kombination aus Arroganz, Stolz, Dummheit, Ignoranz und Wunschdenken. Man sieht hochbezahlte Führungskräfte, die eine lange Serie absolut törichter Entscheidungen treffen, angefeuert von einem Anbieter, der nicht den geringsten Schimmer hat, was er im Bereich supply chain Analytics tut. Alles eskaliert auf recht spektakuläre Weise. Es erfordert enormen Mut, eine solche Geschichte zu veröffentlichen. Ich kenne Joe Castaldo nicht persönlich, aber allein der Gedanke, eine solche Geschichte zu veröffentlichen, würde mir Angst einjagen, denn die Anwälte von Target und des Softwareanbieters, dessen Name ich nicht einmal aussprechen kann, würden wahrscheinlich jeden verklagen, der diese Geschichte erzählt, weil sie so düster ist. Wir haben ein Problem – es gibt viele Dinge, die buchstäblich aufgrund von Tabus nicht erzählt werden können. Ich glaube, das erklärt die massive Verzerrung in Fallstudien, die dazu neigen, nur die positiven Ergebnisse darzustellen, was zu einem erheblichen Survivorship-Bias führt. Ist das ein neues Problem? Absolut nicht.

Wenn wir auf das Buch von Claude Bernard, einem renommierten Wissenschaftler, zurückblicken, so wurde er berühmt durch den extensiven Einsatz von Vivisektion, also der Zerlegung lebender Tiere. In seinem Buch erklärt er, dass diese Methode abscheulich, grausam, brutal und ekelhaft sei, argumentiert jedoch zugleich, dass sie für die moderne Medizin unverzichtbar ist. Nicht nur wurde er zu seiner Zeit durch seine Entdeckungen bestätigt, sondern anderthalb Jahrhunderte später besteht kein Zweifel daran, dass Vivisektionen grundlegend für den Fortschritt waren, den wir in der modernen Medizin heute genießen.

Wissenschaft dreht sich nicht darum, was uns gut oder angenehm fühlen lässt. Oft betrachtet gute Wissenschaft jene Sachverhalte, die uns am meisten unbehaglich machen. Intuitiv liegt das daran, dass wir keine Scheu haben, die Bereiche zu untersuchen, in denen wir uns wohlfühlen – dort ist unsere Intuition meist ziemlich verlässlich. Doch genau in den Bereichen, in denen sich etwas falsch anfühlt und in denen wir ein Gefühl der Abscheu verspüren, werden wir instinktiv nicht hinsehen. Deshalb benötigen wir die wissenschaftliche Methode, um eine sorgfältigere, unparteiische Betrachtung der Realität zu ermöglichen, die nicht vollständig von Vorurteilen verunreinigt ist.

Zusammenfassend zu den Tabus: Fallstudien greifen oft von der falschen Seite an. Sie folgen der Neigung, ausschließlich positive Ergebnisse zu sehen und die negativen zu übergehen. Doch damit ist die Geschichte noch lange nicht zu Ende.

Könnten wir guten Grund zu der Annahme haben, dass die an Fallstudien Beteiligten dazu neigen, die Ergebnisse zu übertreiben? Mein Vorschlag lautet: Ja, absolut. Es ist nicht schwer zu erkennen, warum.

Wenn Sie als Führungskraft an einer Fallstudie teilnehmen, in der behauptet wird, Sie hätten einen atemberaubenden Erfolg erzielt und dabei dem Unternehmen Millionen Dollar eingespart, sieht das hervorragend in Ihrem Lebenslauf aus. Es verbessert Ihre Chancen, intern im Unternehmen oder extern in einem anderen Unternehmen eine höhere Position zu erreichen. Jeder, der in einem großen Unternehmen gearbeitet hat, weiß, dass es nicht nur darum geht, dem Unternehmen exzellent zu dienen. Wenn man in einem großen Unternehmen aufsteigen möchte, muss man nicht nur großartige Leistungen erbringen, sondern auch dafür sorgen, dass die eigenen Erfolge wahrgenommen werden. Für die an Fallstudien Beteiligten besteht ein massiver Interessenkonflikt, da sie diejenigen sind, die die Zahlen präsentieren, welche den Gewinn rechtfertigen. Es ist selten der Fall, dass man den durch eine neuartige Methode, Technologie oder einen Prozess generierten Gewinn allein anhand der Buchhaltung ableiten kann. In der Regel erfolgt dies viel indirekter; man muss die Zahlen umrechnen, die Vorteile in einen sinnvollen Kontext setzen und zahlreiche Annahmen treffen. Dies kann recht subjektiv sein, und wenn Beteiligte einen signifikanten Interessenkonflikt haben, wissen wir, dass dies die Ergebnisse verzerren wird. Dieser Interessenkonflikt kann dazu führen, dass positive Ergebnisse übertrieben werden.

Um dieses Problem anzugehen, ziehen manche in Betracht, eine neutrale dritte Partei hinzuzuziehen, um eine objektive Meinung zu erhalten und sicherzustellen, dass alles fair abläuft. Es gibt zwei Haupttypen neutraler Dritter: Marktforschungsunternehmen und akademische Forscher. Ich glaube jedoch, dass diese Parteien alles andere als neutral sind.

Marktforschungsunternehmen sind im Geschäft damit, den Markt zu untersuchen, die relativen Stärken und Schwächen von Lösungen zu bewerten und die Ergebnisse ihrer Untersuchungen in Form von Berichten an Unternehmen, die Lösungen suchen, zu verkaufen. Diese Unternehmen können den Bericht kaufen und eine unparteiische, von Experten bereitgestellte Marktübersicht erhalten, was es ihnen ermöglicht, den besten Anbieter auszuwählen. Tatsächlich verdienen die großen Marktforschungsunternehmen, die ich kenne, ihr Geld nicht durch den Verkauf von Berichten; der Großteil ihrer Einnahmen stammt aus Beratungs- und Coaching-Dienstleistungen, die sie an Lösungsanbieter verkaufen. Dies versetzt diese Unternehmen in eine Position, in der sie das Beste für ihre Kunden tun wollen, die nämlich nicht die Unternehmen sind, die Lösungen suchen, sondern vielmehr die Tech-Anbieter, die für Beratungsleistungen bezahlen.

Es stellt sich heraus, dass diese vermeintlich neutrale Drittpartei tatsächlich stark befangen ist und das Problem verschlimmern kann, indem sie ihre eigene Schicht von Vorurteilen auf die bestehenden Vorurteile aufsetzt. Wenn man akademische Forscher betrachtet, haben sie selbst viele widersprüchliche Interessen. Publish or perish ist in der akademischen Welt sehr real, und negative Fallstudien, insbesondere die Art, die man eher in der supply chain antreffen würde, sind nicht epische Katastrophen, sondern vielmehr kleinskalige, enttäuschende Misserfolge. Es liegt im Interesse eines akademischen Forschers, positive Ergebnisse zu zeigen, da diese leichter zu veröffentlichen sind.

Manche mögen argumentieren, dass die Veröffentlichung gefälschter Ergebnisse die Karriere eines akademischen Forschers ruinieren könnte, aber wenn es um Fallstudien in der supply chain geht, können sich die Forscher sicher sein, dass niemand ihre Ergebnisse widerlegen wird. Es ist äußerst schwierig, Experimente in der supply chain durchzuführen, und es ist noch schwieriger, etwas zu widerlegen, das sich als falsch erwiesen und veröffentlicht wurde. Es wäre nahezu unmöglich zu beweisen, dass eine Fallstudie aus der Vergangenheit falsch war oder dass die Ergebnisse grob überhöht dargestellt wurden. Dies soll nicht heißen, dass Forscher unehrlich sind, aber sie haben eindeutig einen Zielkonflikt, und es ist unmöglich für einen Beobachter, die ehrlichen Forscher von den unehrlichen zu unterscheiden. In der Regel ist eine Fallstudie, an der eine Drittpartei beteiligt ist, meistens noch voreingenommener, als wenn keine Drittpartei involviert wäre, was ziemlich überraschend ist.

Nun, um diese Serie über Fallstudien abzuschließen, werfen wir einen genauen Blick auf die Anbieter. Oft glaubt man, dass Anbieter nicht lügen sollen, aber das ist nicht ganz richtig. Es gibt ein Konzept, das als “dolus bonus” oder “gute Lüge” bekannt ist und von den Römern vor langer Zeit eingeführt wurde.

Um dieses Konzept zu verstehen, stellen Sie sich einen Händler auf einem Markt vor, der Eier verkauft und eine absurde Behauptung aufstellt, dass ein Ei das beste sei, das Sie je essen werden und dass es Sie einen ganzen Monat lang glücklich machen wird. Offensichtlich hat diese Behauptung überhaupt keine Chance, wahr zu sein. Die Römer stellten die Frage, ob man etwas gegen diesen lügenden Händler unternehmen sollte? Sollten wir diesen Händler ins Gefängnis werfen oder bestrafen? Die Antwort war nein; es ist völlig in Ordnung. Dieses Konzept des “dolus bonus” legt nahe, dass es einfach zur Natur eines Händlers gehört, über das, was er verkauft, zu lügen. Zwar gibt es Grenzen, aber das Gesetz erkennt an, dass Händler tun werden, was sie tun, und man sollte ihnen nicht vorwerfen, dass sie versuchen, ihre Produkte in ein günstigeres Licht zu rücken, auch wenn es absurd ist. So funktioniert der Markt eben.

Selbst wenn Anbieter sich der juristischen, kleingedruckten Details nicht bewusst sind, wissen sie es instinktiv, und folglich neigen sie dazu, Fallstudien zu produzieren, die Geld und Zeit kosten und im Grunde genommen als ausgeklügelte Infomercials dienen. Während Werbung in der Gesellschaft eine Funktion erfüllt, ist der Glaube, dass verherrlichte Werbung ein Vehikel zur Vermittlung von Wissen sein kann, fehlgeleitet. Fallstudien können von vornherein nicht für diesen Zweck gerettet werden.

Wenn wir also Fallstudien eliminieren, da sie völlig ungültig sind, was bleibt uns dann übrig? Wir müssen eine alternative Methode finden, die nicht unter denselben Problemen leidet. Hier kommen supply chain Narrativen ins Spiel. Die Absicht eines supply chain Narrativs ist es, Probleme zu beschreiben, damit Wissen unter supply chain Praktikern und Forschern geteilt werden kann, mit Fokus auf die bestehenden Herausforderungen und das, was wir zu lösen versuchen.

Um zu beginnen, lassen Sie uns ein sehr interessantes Buch besprechen, einen Roman namens “The Phoenix Project.” Obwohl es möglicherweise kein wissenschaftliches Meisterwerk ist, handelt es sich um eine unterhaltsame Lektüre über ein fiktives Unternehmen, erzählt aus der Perspektive des IT-Direktors. Die meisten Ereignisse in der Geschichte beinhalten eine Reihe von supply chain und Enterprise-Software Problemen, die tief miteinander verstrickt sind. Die Geschichte erzählt von den Kämpfen, denen das Unternehmen gegenübersteht, und was die Menschen tun, um diese Probleme zu lösen. Überraschend ist, dass dieses Werk völlige Fiktion bei vielen, die es lesen, tiefen Anklang findet, sogar mehr als die meisten Fallstudien, abgesehen vielleicht von den negativen, wie sie von Joe Castello produziert wurden.

Dieses scheinbare Paradoxon ist vielleicht gar kein Paradoxon, wenn man den ersten Schritt betrachtet, den die Autoren unternommen haben. Sie entschieden, dass die Geschichte von einem fiktiven Unternehmen handeln würde, wodurch alle Probleme, die mit dem Namen und der Autorität verbunden wären, die mit einer Fallstudie eines klar identifizierten Unternehmens einhergehen, entfernt wurden. Durch die Schaffung eines fiktionalen Werks beseitigten sie den Reiz der Autorität, die an ein reales Unternehmen geknüpft wäre.

Zweitens, in Bezug auf Tabus ermöglichte das fiktive Unternehmen den Autoren, viele interessante Aspekte der Geschichte zu erforschen. Die meisten Charaktere haben Grenzen, sie sind fehlerhaft, sie kämpfen, manchmal machen sie dumme Fehler und manchmal sind sie so eigennützig, dass sie dem Unternehmen erheblichen Schaden zufügen. Sie können in einer Weise gierig sein, die völlig im Widerspruch zu den Interessen des Unternehmens steht. Man kann sehen, wie bestimmte Charaktere ihre Kollegen anlügen. In einer Fallstudie wäre es unmöglich, diese Geschichte zu schreiben, da dies zu einer langen Reihe von Rechtsstreitigkeiten führen würde, wenn reale Personen involviert wären.

Jedoch, könnte man sagen, dass dieser Roman ein wissenschaftliches Werk ist? Nein, und das aus einem einfachen Grund: Der Roman ist ein Plädoyer für DevOps, eine Philosophie zur Herangehensweise an die Entwicklung und Wartung von Enterprise-Software. Die Autoren erzählen die Geschichte einer Gruppe von Charakteren in ihrem fiktiven Unternehmen, die immense Schwierigkeiten haben und allmählich die Herausforderungen überwinden, denen sie gegenüberstehen, bis sie die Kernprinzipien der DevOps-Philosophie wiederentdecken. Dieses Buch kommt mit einer sehr geladenen Agenda, und die Autoren machen kein Geheimnis daraus; sie treiben die DevOps-Agenda voran.

Meine Hauptkritik ist, dass wir dasselbe Problem wie bei Fallstudien haben: einen völligen Interessenkonflikt. Die Autoren sind zufällig Berater, die Beratungsdienstleistungen verkaufen, um Unternehmen bei der Implementierung von DevOps-Praktiken zu unterstützen. Die Tatsache, dass in der Geschichte alles auf glaubwürdige Weise gelöst werden kann und dass es ein Happy End gibt, bei dem das Unternehmen dank dieser Methodik enorme Gewinne erzielt, ist weit davon entfernt, objektiv zu sein.

Die Idee eines supply chain Narrativs besteht darin, mit einem fiktiven Unternehmen zu beginnen, dabei jedoch einen ausschließlichen Fokus auf die Probleme zu legen. Wir wollen das Problem angehen, indem wir ein fiktives Unternehmen kreieren, um das Autoritätsproblem und die Tabus zu vermeiden. Allerdings möchten wir in unserem Narrativ nicht die Beschreibung der Lösungen einbeziehen, da dies zu einer langen Reihe von Interessenkonflikten führen würde. Wir wollen uns ausschließlich auf die Problemseite konzentrieren und die Lösungsseite beiseite schieben.

Es mag einige bescheidene Ausnahmen von dieser Regel geben, denn manchmal, um zu rechtfertigen, dass ein bestimmtes Problem relevant ist, muss man eine Intuition für die Lösung liefern. Wenn man der Intuition der Lösung keinen Raum gibt, erscheint das Problem schlichtweg unmöglich. Um Einwänden zu begegnen, dass einige Herausforderungen nicht anzugehen sind und daher nicht interessant, müssen wir möglicherweise einen kleinen Hinweis auf die Existenz zumindest einer Lösung geben. Wir behaupten nicht, dass es sich um eine gute Lösung handelt, sondern nur, dass eine Lösung existiert.

Das Ziel des supply chain Narrativs ist es, Realität und praktische Erfahrung in das Feld des Supply Chain Managements einzubringen. Wir wollen, dass dieses Format ein geeignetes Vehikel ist, um Wissen an andere supply chain Praktiker und Forscher zu vermitteln und uns sogar dabei zu helfen, selbst über die supply chains nachzudenken, was aufgrund ihrer Komplexität eine ziemliche Herausforderung darstellt. Um das Ganze verständlich und glaubwürdig zu machen, müssen wir einen Hintergrund und Kontext haben. Wir möchten die Relevanz der im Narrativ präsentierten Probleme hervorheben.

Wenn wir also ein fiktives Unternehmen erfinden und alle Probleme auflisten, die supply chains betreffen, können wir das einfach als Wissenschaft bezeichnen? Absolut nicht.

Das Problem ist, dass wir es sehr einfach machen müssen, die Gültigkeit eines Narrativs abzulehnen. Bei einer Fallstudie ist es sehr leicht, ein solches zu konzipieren, aber es ist unglaublich schwer, seine Gültigkeit zu widerlegen oder abzulehnen. Mit dem Design des Narrativs als Methode wollen wir dieses Problem umkehren. Wir wollen etwas schaffen, das enorm schwer zu erstellen, aber relativ einfach abzulehnen ist.

Das erste Kriterium wäre die Resonanz. Wenn wir ein Narrativ über einen spezifischen Unternehmensarchetyp in einer bestimmten Branche haben und mit supply chain Direktoren dieser Branche sprechen, würden sie zustimmen, dass dieses Narrativ die Art von Problemen widerspiegelt, die sie haben? Obwohl es sehr subjektiv erscheinen mag, glaube ich nicht, dass es so subjektiv ist. Wenn wir das Buch “The Phoenix Project” betrachten, fand praktisch jeder meiner Kollegen, der es gelesen hat, dass es mit ihren Erfahrungen in verschiedenen Unternehmen übereinstimmt. Wir konzentrieren uns nicht auf die Lösung, sondern lediglich auf die Problemdefinition. Selbst wenn es weit verbreitete Meinungsverschiedenheiten darüber geben kann, was bezüglich des Problems zu tun ist, gibt es meist heiße Übereinstimmung über die Probleme, die auf der Agenda stehen. Es ist nicht unbedingt so subjektiv, wie es scheint, obwohl ein nicht reduzierbarer Grad an Subjektivität existiert.

Ein weiterer Faktor ist die Ausschöpfung. Wenn man ein Unternehmen auswählen kann, das angeblich gut zu diesem Persona passt, und zeigen kann, dass dieses Unternehmen wichtige Probleme hat, die nicht einmal in dem Persona aufgeführt sind, dann ist die Last der Zurückweisung sehr leicht. Man muss nur ein Unternehmen und ein Problem vorweisen und sagen: “Dies ist ein Grund, das Persona abzulehnen.” Es erfordert keine monatelange Arbeit, sondern nur ein wenig Feedback und eine gut gemeinte Beschreibung eines wichtigen Problems.

Ein gutes Persona sollte auch bereit sein, Risiken in Bezug auf Zahlen einzugehen, und mit Zahlen meine ich nicht präzise Zahlen, sondern Größenordnungen. Wir müssen klarstellen, ob wir von einem Unternehmen sprechen, das versucht, 100 SKUs zu betreiben oder von 100 Millionen SKUs. Wir müssen die charakteristischen Dimensionen und Größenordnungen angeben, die das Unternehmen ausmachen. Wenn Sie ein Unternehmen finden, das nicht zu den angegebenen Größenordnungen passt, kann das bedeuten, dass wir das Persona falsch eingegrenzt haben.

Der letzte Punkt ist subtiler, aber ebenfalls sehr wichtig: die Existenz von Lösungen auf dem Markt. Je nachdem, ob eine Lösung auf dem Markt existiert oder nicht, kann dies genutzt werden, um die Gültigkeit eines Persona abzulehnen. Wenn wir eine Lösung haben, die das Problem völlig trivialisiert oder eine definitive Lösung bietet, so dass das, was zuvor ein Problem war, zu einem Nicht-Problem wird, dann ist dies ein Grund, das Persona zumindest in seiner aktuellen Form abzulehnen.

Um ein konkretes Beispiel zu geben: Wenn wir ein großes Unternehmen betrachten, das 1950 mit Zehntausenden von SKUs in einem Lager operierte, könnte das Persona dieses Unternehmens die Aufrechterhaltung angemessener Lagerbestände als eine große Herausforderung aufführen. Zu jener Zeit mussten die Lagerbestände manuell durch eine kleine Armee von Angestellten gepflegt werden, die Register aktualisierten. Es war tatsächlich eine immense Herausforderung, über einen längeren Zeitraum genaue Bestandsaufzeichnungen zu führen. Aber, 70 Jahre später in der Gegenwart, könnten wir dies noch immer als Herausforderung betrachten? Überhaupt nicht. Mit Barcodes und Bestandsverwaltungssoftware ist die Aufrechterhaltung genauer Lagerbestände in einem Lager praktisch ein vollständig gelöstes Problem. Es ist nicht wert, in einem Persona berücksichtigt zu werden, da es zahlreiche Lösungen gibt und es praktisch keinerlei Unsicherheit darüber gibt, welche Art von Lösung benötigt wird.

Ich präsentiere eine Dualität von Problem versus Lösung, und die Realität ist, dass es überraschend schwierig sein kann, eine klare Trennung zwischen Problemen und Lösungen zu haben. Es ist herausfordernd, an ein Problem zu denken, wenn man sich nicht zunächst eine Lösung vorstellen kann, und vice versa. Eine Quelle der Schwierigkeit beim Verständnis von Problemen liegt in der latenten Ideologie, die die Gesellschaft durchdringt. Wir haben Werte, die einfach ein Teil unserer Gesellschaft sind, und wir leben mit ihnen, ohne sie überhaupt wahrzunehmen. Diese Werte können einen massiven Einfluss darauf haben, wie wir Probleme betrachten und ob wir entscheiden, dass sie relevant sind oder nicht.

Um dies zu veranschaulichen, möchte ich den Fall der Zufälligkeit ins Feld führen. Zufälligkeit wurde mit dem Stigma des Glücksspiels assoziiert, das als falsch angesehen wurde. In Claude Bernards “Introduction to the Study of Experimental Medicine” ist Bernard vehement gegen die Präsenz von Zufälligkeit im Bereich der Wissenschaft. Er sagt, dass, wenn ein Experiment nicht vollkommen deterministisch ist, dies in der Regel ein starkes Zeichen für schlechte Wissenschaft oder bestenfalls unvollständige Wissenschaft ist.

Spulen wir 70 Jahre vor, so sehen wir, dass Albert Einstein enorme Beiträge im Bereich der Quantenmechanik geleistet hat, und er war sehr zwiegespalten in Bezug auf einige Aspekte, insbesondere den Indeterminismus oder die Zufälligkeit, die als eine fundamentale Eigenschaft des Universums erscheinen. Einstein räumte mehrfach ein, dass die Quantenphysik wahrscheinlich nicht falsch sei, da ihre Funktionsweise ausgezeichnet war. Allerdings war er der Ansicht, dass der Non-Determinismus darauf hindeute, dass die Quantenphysik unvollständig sei und nicht das Endprodukt dessen, was die Physik sein sollte. Es dauerte viele Jahrzehnte, aber heutzutage herrscht die Auffassung, dass Indeterminismus wirklich eine fundamentale Eigenschaft des Universums ist und es kein Entkommen gibt.

Meine Lieblingstheorie ist, dass das Stigma des Glücksspiels, das mit Zufälligkeit assoziiert wurde, über die Jahrhunderte hinweg anhielt und sogar die Gegenwart beeinflusste. Vor einem Jahrzehnt bei Lokad beschlossen wir, die Idee der probabilistischen Vorhersage voranzutreiben, indem wir Zufälligkeit umarmten, anstatt sie abzulehnen. Dies führte dazu, dass wir das Problem vollständig neu definierten, und wir stießen auf Skepsis und noch intensivere Reaktionen. Einige fragten die Relevanz der Zufälligkeit in Bezug auf die Probleme in Frage, die sie lösen mussten.

Aus meiner Perspektive ist das Studium der Struktur der Zufälligkeit selbst von großem Interesse. Allerdings könnten wir vorgefasste Meinungen haben, die unser Verständnis bestimmter Probleme behindern. Eine weitere Herausforderung ist die Ablenkung, die entstehen kann, wenn für ein schwieriges Problem eine exzellente Lösung auftaucht. Es kann schwierig werden, über das abstrakte Problem nachzudenken, da wir dazu neigen, es reflexartig in Bezug auf die Lösung zu definieren.

Ein historisches Beispiel hierfür ist die Entwicklung von Flugmaschinen im 19. Jahrhundert. Leichter-als-Luft-Flugmaschinen wie Heißluftballons wurden entdeckt und genutzt, um atemberaubende Entdeckungen zu machen. Der Erfolg dieser leichter-als-Luft-Maschinen lenkte die betreffenden Gemeinschaften davon ab, schwerer-als-Luft-Alternativen in Betracht zu ziehen. Es dauerte Jahrzehnte, bis die relevanten Gemeinschaften Alternativen erforschten, und ich glaube, ein Teil des Problems lag darin, dass eine atemberaubende Lösung, wie der Bau einer Flugmaschine, massiv ablenkte.

Eine weitere Herausforderung, der wir uns bei der Untersuchung von Problemen und Situationen stellen müssen, besteht darin, wenn das Problem undenkbar ist. Es ist die Art von Situation, in der man das Problem nicht einmal konzeptualisieren kann, obwohl es ein reales Problem darstellt.

Um diese Idee zu veranschaulichen, möchte ich auf ein fantastisches Paper verweisen, das 2018 von einem Forscherteam bei Facebook über maschinelle Übersetzung veröffentlicht wurde. Maschinelle Übersetzung beinhaltet, einen Text in einer Sprache entgegenzunehmen und mithilfe einer Maschine eine Übersetzung in eine andere Sprache zu erstellen. Dieses Forschungsfeld existiert seit etwa 70 Jahren. Die ersten automatisierten Übersetzer waren unglaublich naiv und verwendeten einfach Wörterbücher, um Wörter einer Sprache durch die entsprechenden Wörter einer anderen Sprache zu ersetzen. Dieser Ansatz führte zu Übersetzungen von sehr geringer Qualität.

Im Laufe der Jahre haben sich die Techniken weiterentwickelt, und die meisten Methoden hatten eines gemeinsam: die Verwendung von zweisprachigen Korpora. Die Idee war, Datensätze zu verwenden, die Phrasen in zwei Sprachen enthalten, aus diesen Beispielen zu lernen, um ein automatisiertes Übersetzungssystem aufzubauen. Das atemberaubende Ergebnis, das das Facebook-Forschungsteam erzielte, war die Entwicklung eines Übersetzungssystems ohne jeglichen expliziten Übersetzungsdatensatz. Sie verwendeten einen riesigen Datensatz von Texten in Französisch und einen separaten, nicht überlappenden Datensatz von Texten in Englisch und bauten dann ein maschinelles Übersetzungssystem, das von Französisch nach Englisch übersetzen konnte, ohne jemals Beispiele erhalten zu haben. Dieses Ergebnis widerspricht dem konventionellen Ansatz der automatisierten Übersetzung und erforderte eine tatsächliche Lösung, bevor die Menschen überhaupt überdenken konnten, wie sie sich dem Problem nähern sollten.

Ein bescheideneres, aber relevantes Beispiel aus unserer Arbeit bei Lokad findet sich im automobilen Aftermarket. In diesem Bereich besteht die Herausforderung darin, das richtige Autoteil mit der korrekten mechanischen Kompatibilität für ein bestimmtes Fahrzeug zu finden. Auf dem europäischen Markt gibt es beispielsweise über 1 Million verschiedene Autoteile und über 100.000 unterschiedliche Fahrzeuge. Wenn man in eine Werkstatt geht und ein Teil ausgetauscht werden muss, muss die Person in der Werkstatt irgendeinen Service konsultieren, um festzustellen, welches Teil für Ihr Fahrzeug geeignet ist. Es stellt sich heraus, dass die gesamte Liste der Teil-Fahrzeug-Kompatibilitäten, die ich als die Kanten bezeichne, die Teile und Fahrzeuge verbinden, eine Größenordnung von etwa 100 Millionen Kompatibilitäten hat. In diesem Markt gibt es einige hochspezialisierte Unternehmen, die diesen Datensatz für den europäischen Markt pflegen. Sie verkaufen den Zugriff auf diesen Datensatz an nahezu jedes einzelne Unternehmen, das in der automobilen Aftermarket-Branche tätig ist, auf die eine oder andere Weise.

Das Problem ist, dass dieser Datensatz enorm ist, mit 100 Millionen Kompatibilitäten, und dass er viele Fehler enthält. Basierend auf verschiedenen Quellen schätze ich, dass es einige Datensätze für Europa gibt, und die meisten von ihnen haben etwa eine Fehlerquote von 3%. Die Fehler sind sowohl falsch positive, bei denen eine Kompatibilität deklariert wird, die nicht existiert, als auch falsch negative, bei denen eine Kompatibilität existiert, aber nicht richtig im System erfasst wird. Diese Fehler verursachen fortlaufend Probleme für alle Unternehmen, die im Aftermarket tätig sind.

Wenn eine Reparatur durchgeführt werden muss und ein Kunde in Eile ist, steht das Fahrzeug still. Es wird ein Teil bestellt, das Teil kommt rechtzeitig an, aber dann stellen die Leute fest, dass das Teil nicht kompatibel ist. Das Teil muss zurückgeschickt werden, ein anderes Teil wird bestellt, und es entstehen zusätzliche Tage der Verzögerung und Kundenfrustrationen. Also, es ist ein Problem, aber was können wir dagegen tun? Die Unternehmen, die diese Datensätze pflegen, beschäftigen bereits manuell kleine Armeen von Angestellten, um sie auf dem neuesten Stand zu halten. Sie beheben ständig Fehler, fügen aber auch ständig neue Teile und neue Fahrzeuge hinzu. Über Jahrzehnte hinweg wächst der Datensatz leicht, Fehler werden behoben, neue Fehler werden eingeführt, und die 3%-Fehlerquote bleibt einigermaßen konstant. Sie verbessert sich im Laufe der Zeit nicht.

Das System hat bereits ein Gleichgewicht erreicht, und Unternehmen im automobilen Aftermarket-Bereich sind möglicherweise nicht bereit, das Zehnfache zu bezahlen, damit die Unternehmen, die die Datensätze pflegen, das Zehnfache an Angestellten einstellen, um die verbleibenden Fehler zu korrigieren. Es gibt abnehmende Erträge, und die Fehler, die noch nicht entdeckt wurden, sind vermutlich sehr schwer zu beheben.

Bei Lokad haben wir einen Algorithmus entwickelt, der sowohl falsch positive als auch falsch negative Ergebnisse erkennt und etwa 90% dieser Probleme automatisch beheben kann. Das Schöne daran ist, dass dieser Algorithmus nichts als den ursprünglichen Datensatz verwendet. Es mag seltsam erscheinen, aber wir können diesen sehr Datensatz nutzen, um die Fehler im Datensatz zu erlernen, und genau das haben wir gemacht. Übrigens werde ich diese Techniken in einem späteren Vortrag im Detail vorstellen. Sie können online den Plan einsehen; der Zeitplan für die Vorträge ist auf der Lokad-Website verfügbar. Dies ist ein weiteres Beispiel dafür, dass es, solange man keine Lösung hat, sehr schwierig ist zu denken, dass es überhaupt ein Problem gibt.

Im Rahmen meiner Absicht werde ich eine kurze Vortragsreihe zu Personas präsentieren, die Archetypen charakterisieren, denen wir bei Lokad begegnet sind. Ich werde mein Bestes tun, um die Art und Weise, wie ich das Problem sehe, zusammenzufassen, wobei ich all die Erfahrungen synthetisiere, die ich durch meine eigene Tätigkeit und durch die Erfahrung meiner Kollegen bei Lokad gesammelt habe. Nochmals, Sie können feststellen, dass ich diese Personas nicht in einer Sequenz präsentieren werde, da dies wahrscheinlich für das Publikum super langweilig und vielleicht auch ein wenig ermüdend für mich wäre. Daher beabsichtige ich, eine Persona wahrscheinlich in etwa zwei Wochen vorzustellen und dann auf andere interessante Elemente einzugehen.

Abschließend haben wir heute einige sehr wichtige Fragen zur supply chain als Forschungsbereich aufgeworfen, und ich hoffe, dass ich einige sehr vielversprechende Antworten präsentieren konnte, vielleicht nicht bewiesene, aber zumindest einige vielversprechende Ansätze zu diesen Fragen. Ich erkenne auch, dass ich wahrscheinlich unter den Kreisen der Menschen, die einen großen Teil ihres Berufslebens mit der Erstellung von Fallstudien verbracht haben, heute keine Freunde gewonnen habe, und ich hoffe wirklich, nicht wie der Mann in der Illustration zu enden. Das wäre ziemlich schrecklich, aber nochmals, ich denke, die Einsätze sind ziemlich hoch. Wir wollen die supply chain als Forschungsbereich zu einer Wissenschaft etablieren und aufwerten, damit wir etwas haben, das sehr kapitalistisch, aggressiv ist und bei dem wir vernünftige Erwartungen haben können, Verbesserungen auf zuverlässige und kontrollierte Weise zu liefern.

So, das war es für heute. Ich werde mir nun die Fragen ansehen.

Frage: Ich habe das Konzept der Exhaustivität bei den Personas nicht verstanden. Können Sie das näher erläutern?

Okay, Exhaustivität bedeutet genau das: Aufgrund von Systemeffekten sollte die Beschreibung der supply chain Herausforderungen und Probleme vollständig sein. Lieferketten beinhalten eine lange Reihe von trade-offs, sodass, wenn man eine der wirkenden Kräfte weglässt, man womöglich nicht korrekt über das Problem nachdenkt. Zum Beispiel kann man nicht korrekt darüber nachdenken, was das optimale Lagerbestandsniveau ist, wenn man das Problem eines begrenzten Angebots an Betriebskapital ignoriert. Exhaustivität bedeutet, alle sehr relevanten Dinge aufzulisten, und wenn wir bei der Auflistung aller relevanten Probleme nicht exhaustiv sind, deutet das wahrscheinlich darauf hin, dass dies keine sehr gute Persona ist, da einige Dinge übersehen wurden und dies das gesamte darauf basierende Denken gefährlich beeinträchtigen könnte.

Frage: Die falsche Art von Lösungen in supply chains ist weit verbreitet, und es gibt viele supply chain Praktiker, die wissen, dass diese von Grund auf fehlerhaft sind. Wie können wir ihnen helfen, aufzugeben und zu annähernd korrekten Lösungstypen überzugehen und die Unsicherheit anzunehmen?

Zuerst denke ich, dass das Hauptproblem darin besteht, dass supply chain als Forschungsbereich noch in seiner präwissenschaftlichen Kindheit steckt, und es gibt weit verbreiteten Zweifel an der Gültigkeit von nahezu allem, was veröffentlicht wird. Es ist sehr schwer, die Menschen zu überzeugen. Ich denke, der erste Schritt ist, die Menschen davon zu überzeugen, dass supply chain für die wissenschaftliche Methode zugelassen ist. Dies wäre ein bedeutender erster Schritt, denn es geht nicht um eine Frage der Meinung oder Ideologie; es gibt potenziell ein Endziel, bei dem wir Objektivität und hochwertige Erkenntnisse erlangen. Wir können solide Grundlagen dafür haben, die Probleme zu verstehen und angemessene Lösungen anzuwenden. Der erste Schritt – und genau das versuche ich mit diesen Vorträgen zu tun – ist, die breite Öffentlichkeit darüber aufzuklären, dass supply chain nicht nur eine Praxis oder eine Kunst ist, sondern eine Wissenschaft sein könnte.

Claude Bernard, der als einer der Väter der modernen Medizin gilt, stieß in seiner Zeit auf viele Einwände. Er wurde von Ärzten konfrontiert, die behaupteten, sie hätten bereits die Wissenschaft, und dass es nichts über seine Methoden zu lernen gäbe. Sie schlugen vor, dass er sich einfach an ihre Theorien halten und keine Experimente durchführen solle. Der größte Kampf, den Bernard zu führen hatte, war die bloße Vorstellung, dass Medizin überhaupt mit einer wissenschaftlichen Methode untersucht werden könne. Ähnlich vermute ich, dass das meiste, was veröffentlicht wird, selbst in akademischen Kreisen, über supply chain nicht wissenschaftlich ist. Ich glaube, dass ich heute gezeigt habe, dass ein großer Teil der Literatur, wie Fallstudien, nicht wissenschaftlich ist. Im nächsten Vortrag werden wir sehen, was mit der anderen Hälfte der verbleibenden Literatur zu tun ist, und es sieht nicht sehr vielversprechend aus.

Wenn es um Ihre Frage zur Unsicherheit geht, wäre mein erster Schritt, die Menschen davon zu überzeugen, dass Unsicherheit irreduzibel ist und dass sie sich in ihrem täglichen Leben mit ihr als einem massiven Problem auseinandersetzen müssen. Können wir uns einig sein, dass es keine Hoffnung gibt, perfekt vorhersagen zu können, was die Menschen kaufen werden? Um die Handlungen einer Person in einem Geschäft perfekt vorhersagen zu können, müsste man ihre gesamte Intelligenz perfekt replizieren. Der Algorithmus, der jeden einzelnen Schritt einer Person vorhersagen könnte, wäre grundsätzlich so intelligent wie eine perfekte Replikation menschlicher Intelligenz, was hoch unvernünftig erscheint. Die alternative Annahme, dass Unsicherheit in großem Maße irreduzibel ist, erscheint als wesentlich vernünftigere Annahme. Die größte Herausforderung besteht darin, die Diskussion so zu führen, dass wir von einem halb-wissenschaftlichen Standpunkt aus argumentieren, statt uns auf Praktiken, Bauchgefühle, Intuition und autoritäre Aussagen zu verlassen.

Frage: Was halten Sie von Design Thinking?

Ich bin mir bezüglich der konkreten Frage nicht ganz sicher, aber was ich zu vermitteln versuche, ist eine Verbindung zwischen supply chain und der realen Welt. Wenn wir supply chain-Experimente durchführen können, die sich an dem orientieren, was in vielen anderen experimentellen Wissenschaften praktiziert wird, können wir supply chain auf eine befriedigende Weise mit der realen Welt verbinden. Ich habe heute eine Methode vorgestellt, die Persona, und es gibt wahrscheinlich viele andere Methoden. Ich folge keiner spezifischen Denkweise; ich bin mehr an der Methode zur Wissensgewinnung interessiert als an der Art und Weise, wie die Menschen denken.

In diesem Zusammenhang stimme ich den Ideen zu, die Claude Bernard präsentiert. Der initiale Funke des Wissens, die Emotion, die Intuition, ist grundsätzlich etwas, das überhaupt nicht wissenschaftlich ist. Sie liegt im Bereich der Emotion, nicht der Vernunft. Ich glaube nicht, dass man diesen Teil wirklich rationalisieren kann, und selbst wenn man dies könnte, wäre ich sehr misstrauisch, dass die gleiche Methode für alle funktionieren würde. Aber ich schweife ab.

Ich denke, wir sind für den Moment mit den Fragen durch. Bis zum nächsten Mal in zwei Wochen; wir treffen uns am gleichen Tag und zur gleichen Zeit. Wir werden eine Persona namens Paris für ein Fast-Fashion-Unternehmen, das ein Einzelhandelsnetz betreibt, näher betrachten. Bis dann.

Literatur

• Eine Einführung in das Studium der experimentellen Medizin, Claude Bernard, 1865
• The Phoenix Project: Ein Roman über IT, DevOps und wie man seinem Unternehmen zum Erfolg verhilft, Gene Kim, Kevin Behr, George Spafford, 2013
• Unüberwachte maschinelle Übersetzung unter ausschließlicher Verwendung monolingualer Korpora, Guillaume Lample, Alexis Conneau, Ludovic Denoyer, Marc’Aurelio Ranzato, 2018