Ein halbes Jahrhundert Forecasting-Wissenschaft (mit Spyros Makridakis)

00:00:08 Einführung und Hintergrund von Spyros Makridakis.
00:01:36 Skepsis gegenüber statistischer Prognose in den Anfangstagen.
00:04:44 Die Entwicklung der Prognose im Einzelhandel und bei Konsumgütern.
00:05:44 Ergebnisse aus Spyros’ ersten Prognosestudien.
00:07:21 Der M5-Wettbewerb und seine Bedeutung für die Prognosebranche.
00:08:01 Die Leistung von Lokad bei einem Prognosewettbewerb.
00:09:01 Einfache Modelle und ihre Wirksamkeit im Wettbewerb.
00:10:20 Entwicklung von Prognosetechniken im Laufe der Jahre.
00:11:46 Einführung von Computern und ihre Auswirkungen auf die Prognose.
00:14:32 Testszenario versus Anwendung in der realen Welt und methodologische Verzerrung.
00:16:00 Diskussion über die Herausforderungen der Prognose von unregelmäßigen Zeitreihen.
00:17:20 Wandel der Wahrnehmung von Prognose als Wissenschaft.
00:18:28 Das Problem der Überzeugung und unrealistischer Erwartungen bei der Prognose.
00:21:00 Umgang mit Unsicherheit und Fat-Tail-Ereignissen bei der Prognose.
00:23:01 Einbringen struktureller Voraussetzungen zur Berücksichtigung extremer Ereignisse in Prognosemodellen.
00:24:00 Diskussion über die Auswirkungen von Extremereignissen auf Prognosemodelle.
00:24:46 Einbringen struktureller Voraussetzungen für widerstandsfähigere Supply-Chain-Entscheidungen.
00:25:52 Empfehlung von Nassim Talebs Arbeit zur Verständnis von Black Swan-Ereignissen.
00:26:35 Errungenschaften aus M-Wettbewerben: Einfachheit, Verständnis von Unsicherheit und Risikomanagement.

Zusammenfassung

In diesem Interview diskutiert Kieran Chandler mit Joannes Vermorel, dem Gründer von Lokad, und Spyros Makridakis, einem Professor an der Universität von Nicosia, über Prognosen. Sie untersuchen die Auswirkungen der M-Wettbewerbe, die Wirksamkeit einfacher Methoden und die Rolle der Unsicherheit bei der Prognose. Vermorel teilt seine Erfahrungen im M5-Wettbewerb und betont die Kraft einfacher Modelle und die Bedeutung des Verständnisses von Unsicherheit. Makridakis hebt die Bedeutung empirischer Beweise und die Notwendigkeit der Vorbereitung angesichts von Risiken hervor. Sie betonen die Grenzen der Prognose und die Herausforderung, die Akzeptanz von Unsicherheit an Kunden zu vermitteln.

Ausführliche Zusammenfassung

In diesem Interview spricht Moderator Kieran Chandler mit den Gästen Joannes Vermorel, dem Gründer von Lokad, und Spyros Makridakis, einem Professor an der Universität von Nicosia und Organisator der M-Wettbewerbe. Die Diskussion dreht sich um die Forecasting-Wissenschaft und die Auswirkungen der M-Wettbewerbe auf die Branche.

Spyros Makridakis teilt seine Erfahrungen als Lehrer und Organisator der M-Wettbewerbe, die sowohl die akademische als auch die industrielle Prognose beeinflusst haben. Das Interview wird später tiefer in die M5-Wettbewerbe eintauchen.

Joannes Vermorel diskutiert das Misstrauen, dem er sich gegenübersah, als er Lokad im Jahr 2007 gründete, wobei einige Leute glaubten, dass statistische Prognosen unzuverlässig seien. Im Laufe der Zeit ist diese Perspektive jedoch größtenteils aus der Branche verschwunden, und Vermorel schreibt den M-Wettbewerben von Makridakis zu, dass sie dazu beigetragen haben, das Feld als wissenschaftliche Unternehmung zu normalisieren.

Makridakis betont die Bedeutung der Prognose, indem er auf die aktuelle Situation in Texas hinweist, wo Supermärkte keine Waren mehr haben. Er erklärt, dass die Verbraucher in den meisten Fällen finden können, was sie brauchen, weil Unternehmen wie Walmart und Target Millionen von Artikeln wöchentlich prognostizieren. Wenn es zu Engpässen kommt, unterstreicht dies tatsächlich die Wirksamkeit der Prognose, da die Menschen nur dann darauf aufmerksam werden, wenn etwas schief geht.

Makridakis reflektiert auch über seine frühe Karriere, als er die erste Studie zur Genauigkeit verschiedener Prognosemethoden durchführte. Die Ergebnisse, die zeigten, dass einfache Methoden genauer waren als ausgefeilte und dass die Kombination von Methoden die Genauigkeit verbesserte, waren überraschend und stießen anfangs auf Skepsis. Diese Erkenntnisse wurden jedoch seitdem bestätigt und haben das Feld der Prognose stark beeinflusst.

Sie diskutieren Prognosetechniken, den M5-Wettbewerb und wie sich die Technologie auf das Feld ausgewirkt hat.

Makridakis erklärt, dass neue Prognosetechniken mit Hilfe des Deep Learning eine große Anzahl von Modellen generieren und den Median als beste Prognose nehmen. Vermorel teilt seine Erfahrungen bei der Teilnahme am M5-Wettbewerb mit und stellt fest, dass Lokad den 6. Platz von 909 Teams auf der Seite der Quantil-Prognose belegte. Er hebt die Abwesenheit ihrer Hauptkonkurrenten in den Top 100 und die Diskrepanz zwischen Marktanteil und Leistung in solchen Wettbewerben hervor.

Vermorel weist dann darauf hin, dass Lokad ein sehr einfaches parametrisches Modell verwendet hat, was die Kraft einfacher Methoden in der Prognose zeigt. Darüber hinaus betont er, dass Genauigkeit nicht der einzige wichtige Aspekt bei der Prognose ist; das Verständnis der Struktur der Unsicherheit ist ebenfalls entscheidend. Makridakis stimmt dem zu und fügt hinzu, dass die Ergebnisse des M5-Wettbewerbs gezeigt haben, dass einfache Machine Learning Methoden genauer und effektiver sind als ausgefeilte.

Das Gespräch wechselt zur Einführung von Computern in der Prognose, wobei Makridakis erklärt, dass der Schlüssel zum Erfolg in der Einfachheit liegt. Er beschreibt die Bedeutung der Aufteilung der Prognosedaten in Trainings- und Testteile, um das Overfitting der Vergangenheit zu vermeiden und Veränderungen zwischen Vergangenheit und Zukunft zu berücksichtigen. Vermorel stimmt zu und hebt die Herausforderung hervor, Daten präzise vorherzusagen, die noch nicht verfügbar sind, sowie die Bedeutung, nicht anzunehmen, dass die Zukunft genau wie die Vergangenheit sein wird.

Sie diskutieren die Entwicklung der Prognose, die Bedeutung des Nicht-Overfittings von Daten und die Bedeutung der Unsicherheit bei Vorhersagen.

Vermorel erklärt die Entwicklung der Prognosetheorie am Ende des 20. Jahrhunderts, wobei die Arbeiten von Vapnik und Chervonenkis zum Konzept der Support Vector Machines beitrugen. Diese Maschinen verdeutlichten die Notwendigkeit, sowohl den strukturellen als auch den empirischen Fehler zu minimieren und lieferten gleichzeitig eine untere Grenze für den realen Fehler.

Makridakis betont die Bedeutung von Wettbewerben, bei denen ein Teil der Daten zurückgehalten wird, um eine saubere Methodik für die Prognose zu etablieren. Er stellt dies den realen Szenarien gegenüber, bei denen die Versuchung besteht, Daten zu überfitten, um eine perfekte Anpassung an vergangene Ereignisse zu erreichen, was zu weniger genauen zukünftigen Vorhersagen führen kann.

Vermorel teilt ein Beispiel aus seiner Erfahrung bei Lokad, bei dem Kunden oft von der gleichmäßigeren Prognose überrascht waren, die für unregelmäßige Zeitreihen, wie den Konsum von Alkohol in Hypermärkten, generiert wurde. Konkurrenten würden oft Prognosen präsentieren, die der unregelmäßigen Natur der historischen Daten stark ähnelten, was dazu führte, dass Kunden skeptisch gegenüber den gleichmäßigeren Vorhersagen von Lokad waren.

Makridakis diskutiert den Wandel der Wahrnehmung von Prognosen als Wissenschaft und betont die Bedeutung der Trennung von Vergangenheit und Zukunft sowie den Versuch, vergangene Daten nicht zu überfitten. Er hebt die Bedeutung der Berücksichtigung von Unsicherheit bei Vorhersagen hervor und erkennt an, dass Kunden diesen Aspekt möglicherweise nicht schätzen, er aber für realistische Prognosen entscheidend ist.

Die Diskussion drehte sich um die Erwartungen an Prognosen. Vermorel stellt fest, dass einige Wettbewerber in der Einzelhandelsbranche unrealistische Behauptungen über hohe Genauigkeit aufstellen, was angesichts des Verhaltens der Verbraucher unpraktisch ist. Dies wirft die Frage auf, ob die Menschen heute zu viel von Prognosen erwarten und ob sie sie als unfehlbar wahrnehmen.

Das Gespräch dreht sich um Prognosen, die Grenzen und Herausforderungen auf diesem Gebiet und die Auswirkungen von Unsicherheit und seltenen Ereignissen auf die Optimierung der Supply Chain.

Die Teilnehmer diskutieren, wie einige Anbieter und Berater dazu neigen, die Idee von unglaublich genauen Prognosen zu überschätzen, was zu unrealistischen Erwartungen der Benutzer führt. Sie betonen, dass Prognosen nicht perfekt sind und Unsicherheit inhärent ist, insbesondere in Bereichen wie dem Einzelhandel. Makridakis weist darauf hin, dass es nicht nur normale Unsicherheit gibt, sondern auch “fat tail” Unsicherheit, die seltene und extreme Ereignisse umfasst, die erhebliche Störungen, wie die COVID-19-Pandemie, verursachen können.

Vermorel stimmt dem Problem zu, dass Berater zu viel versprechen, und teilt mit, dass die Herausforderung bei der probabilistischen Prognose nicht der technische Aspekt ist, sondern die Vermittlung der Akzeptanz von Unsicherheit und der Grenzen der Kontrolle. Er erklärt, dass einfache Prognosemodelle nützlich sein können, um strukturelle Voraussetzungen einzuführen, um auf seltene Ereignisse vorbereitet zu sein, auch wenn die Quantifizierung vage ist. Dadurch können Entscheidungen in der Supply Chain auf robustere und widerstandsfähigere Lösungen in Anbetracht seltener Ereignisse ausgerichtet werden.

Makridakis betont die Bedeutung empirischer Beweise bei der Bestimmung dessen, was bei Prognosen funktioniert und was nicht. Durch die M-Wettbewerbe haben sie festgestellt, dass Einfachheit am besten funktioniert und die Zufälligkeit und Unvorhersehbarkeit der Vergangenheit anerkennt. Er betont die Bedeutung der Anerkennung der Unsicherheit und des Risikos bei Prognosen und der Notwendigkeit, darauf vorbereitet zu sein.

Das Interview behandelt die Herausforderungen und Grenzen von Prognosen, die Rolle der Unsicherheit bei Entscheidungen und die Bedeutung der Einbeziehung seltener Ereignisse in die Optimierung der Supply Chain.

Vollständiges Transkript

Kieran Chandler: Wenn es um Prognosen geht, nehmen wir oft als selbstverständlich hin, dass es bewährte Techniken gibt, die seit Generationen getestet wurden. Eine Person, die jedoch nicht in den Genuss dieser Luxus hatte, ist unser heutiger Gast, Spyros Makridakis, der als einer der Väter der Branche tatsächlich viele der Techniken erfunden hat, die wir als Standard verwenden. Heute werden wir ein wenig mehr über seine Karriere und das, was wir aus über 50 Jahren Erfahrung in der Branche lernen können, erfahren. Also Spyros, vielen Dank, dass Sie heute live aus Zypern dabei sind. Und wie immer möchten wir gerne damit beginnen, ein wenig mehr über unsere Gäste zu erfahren. Vielleicht könnten Sie uns einfach ein wenig mehr über sich selbst erzählen.

Spyros Makridakis: Nun, wie Sie wissen, war ich lange Zeit Lehrer und dort habe ich mit Prognosen gearbeitet. Dann habe ich das aufgegeben und als ich vor 15 Jahren in den Ruhestand ging, bin ich jetzt hier in Zypern an der Universität, weil wir weitermachen. Und ich weiß, dass Ihre Unternehmen sowohl an den M4- als auch an den M5-Wettbewerben teilnehmen, etwas, das ich in den letzten 40 Jahren organisiert habe. Sie wissen also, was mein Beitrag ist und wie die M-Wettbewerbe, die für Makridakis-Wettbewerbe stehen, die Branche der Prognosen und die Unternehmen und Akademiker, die die Ergebnisse nutzen, beeinflusst haben.

Kieran Chandler: Großartig! Wir werden später noch ein wenig über die M5-Wettbewerbe sprechen. Vielleicht werden wir uns im ersten Teil die letzten 50 Jahre der Prognosewissenschaft ansehen, wie wir sie kennen, und es scheint heute viel zu besprechen zu geben. Joannes?

Joannes Vermorel: Ja, interessant ist, dass es, als ich Lokad gründete und das Unternehmen 2007 aufbaute, immer noch Menschen gab, die stark skeptisch gegenüber der Idee der statistischen Prognose jeglicher Art waren. Das war sehr seltsam, denn damals habe ich mich selbst gefragt, ob ich mein Promotionsstudium in maschinellem Lernen fortsetzen sollte, das ich begonnen, aber nie abgeschlossen hatte, oder ob ich mit Lokad, diesem Projekt, weitermachen sollte. Als ich mich bei einem Startup-Inkubator bewarb, wurde meine Bewerbung beim ersten Mal abgelehnt, weil es zwei Personen in der Jury gab, die fest davon überzeugt waren, dass statistische Prognosen völliger Unsinn seien. Es war buchstäblich so, als ob sie sagten: “Nein, wir akzeptieren keine Startups, deren Geschäftsplan im Grunde genommen darin besteht, Wahrsagerei zu verkaufen.” Es besteht kein Zweifel daran, dass man mit Wahrsagerei Geld verdienen kann; das machen die Menschen seit Ewigkeiten. Aber sind wir damit einverstanden, dass ein solches Unternehmen tatsächlich in den Inkubator aufgenommen wird? Die Antwort war ein klares Nein. Aber das Lustige ist, dass es so ziemlich die letzte Generation war. Ich denke, während des Jahrzehnts, in dem ich Lokad betrieben habe, gibt es in dieser Branche so gut wie niemanden mehr, der an diesen Glauben festhält. Es ist also sehr lustig; es war buchstäblich Wissenschaft in Aktion.

Kieran Chandler: Joannes und Spyros, vielen Dank, dass Sie heute bei uns sind. Joannes, ich glaube, Ihre Beiträge und die M-Wettbewerbe waren wirklich entscheidende Elemente für die Normalisierung des Bereichs der Prognosen. Es ist mehr wie normale Wissenschaft und nicht mehr Randwissenschaft geworden. Was derzeit in Texas passiert, ist interessant. Die Supermärkte sind völlig ohne Waren und die Menschen können keine Lebensmittel oder andere wichtige Dinge finden. Wenn sie über Prognosen sprechen, sage ich ihnen, sie sollen an all die anderen Male denken, wenn sie in einen Supermarkt gehen und das finden, was sie wollen. Supermärkte haben Millionen von Artikeln und sie machen Prognosen für jeden einzelnen von ihnen. Unternehmen wie Walmart und Target prognostizieren wöchentlich Millionen von Artikeln, damit die Verbraucher das finden können, was sie kaufen möchten. Wenn es nicht genug Nachschub gibt, wie jetzt in Texas, überrascht es die Menschen, aber es beweist tatsächlich, wie gut die Prognosen sind, denn die meiste Zeit können sie das finden, was sie wollen.

Spyros Makridakis: Absolut, Kieran. Die Prognose wurde in vielerlei Hinsicht durch die Arbeit, die ich geleistet habe, geprägt. Als ich als junger Professor anfing, sah die Landschaft ganz anders aus. Wir haben die erste Studie darüber gemacht, wie genau verschiedene Prognosemethoden vorhersagen können. Was wir herausgefunden haben, hat die Statistiker der damaligen Zeit überrascht. Ich habe die Ergebnisse in London bei der Royal Statistical Society vorgestellt und alle haben mich angegriffen und gesagt, dass wir diese Ergebnisse gefunden haben, weil wir keine Erfahrung in der Prognose hatten. Wir haben festgestellt, dass sehr einfache Methoden genauer waren als ausgefeilte Methoden und dass die Genauigkeit verbessert wurde, wenn man mehr als eine Methode kombinierte. Beide dieser Ergebnisse waren ein Anathema für die Statistiker dieser Zeit, die glaubten, dass man die beste Methode finden könnte und dass ausgefeiltere Methoden genauer wären. Aber jetzt verwenden neue Techniken des Deep Learning 500 verschiedene Modelle zur Prognose und nehmen dann den Median von ihnen, den sie als die beste Prognose finden.

Kieran Chandler: Joannes, der M5-Wettbewerb ist einer, an dem Sie vor nicht allzu langer Zeit teilgenommen haben. Aus Sicht eines Anbieters, was bedeutet Ihnen der M5-Wettbewerb?

Joannes Vermorel: Der M5-Wettbewerb macht viel Spaß. Es ist eine der wenigen Gelegenheiten, bei denen wir unsere Prognosefähigkeiten präsentieren und mit anderen in der Branche zusammenarbeiten können. Es hilft uns, unsere Methoden zu verbessern und das Feld wettbewerbsfähig zu halten, was Innovation und Fortschritt vorantreibt.

Kieran Chandler: Herzlich willkommen zu unserem heutigen Interview. Heute haben wir Joannes Vermorel, den Gründer von Lokad, und Spyros Makridakis, einen Professor an der Universität von Nicosia, Direktor des Instituts für die Zukunft und emeritierter Professor für Entscheidungswissenschaften an der INSEAD. Joannes, Sie haben an den M-Wettbewerben teilgenommen, können Sie uns mehr darüber erzählen?

Joannes Vermorel: Ja, die M-Wettbewerbe sind weltweit anerkannte Veranstaltungen, bei denen Menschen aufgrund ihrer Fähigkeiten konkurrieren, im Gegensatz zu Messen, die sich meist auf Marketing konzentrieren. Das Interessante ist, dass in den Top 100 Unternehmen keiner unserer größten Konkurrenten vertreten war, unabhängig davon, ob man sich die eine oder die andere Seite des Wettbewerbs ansah. Das ist überraschend, denn das, was sie verkaufen, sind Prognosen. Es gibt also eine massive Diskrepanz zwischen dem, was während eines tatsächlichen Tests passiert, und den typischen Marktanteilen, die in diesem Markt beobachtet werden. Ein weiterer Punkt, den ich kommentieren möchte, ist die Einfachheit unseres Modells. Lokad erreichte den sechsten Platz von 909 Teams auf der Quantil-Seite des Wettbewerbs mit einem sehr einfachen parametrischen Modell, das nur drei Einfachheiten hatte: Wochentag, Anfang und Ende des Monats und Woche des Jahres. Wir haben ESSM verwendet und Ergebnisse erzielt, die innerhalb von 1% Genauigkeit des besten Modells lagen, das Gradient-Booster-Bäume und ein massives Datenaugmentierungsschema verwendete. Das Interessante ist, dass wir nur 0,001 der Komplexität verwendet haben. Ich glaube, das zeigt, dass sehr einfache Methoden sehr leistungsstark sein können. Der Wettbewerb hat auch gezeigt, dass Genauigkeit im klassischen Sinne nicht das einzige Element ist, das zählt. Andere Dimensionen der Prognose, wie ein besseres Verständnis der Struktur der Unsicherheit selbst, sind ebenfalls wichtig. Darum geht es bei probabilistischen Prognosen, und wir bei Lokad arbeiten seit fast einem Jahrzehnt hart daran.

Spyros Makridakis: Du hast recht, Joannes. Bei der ersten M-Competition waren einfache statistische Methoden genauer als ausgefeilte Methoden. Bei der M5-Competition haben wir festgestellt, dass einfache Methoden des maschinellen Lernens genauer waren als ausgefeilte Methoden des maschinellen Lernens, wie Deep Learning. Die besten Wettbewerber sowohl in der Genauigkeits- als auch in der Unsicherheits-Herausforderung verwendeten einfache Methoden des maschinellen Lernens und waren am genauesten und effektivsten bei der Vorhersage der Walmart-Daten. Ein interessanter Aspekt des M5-Wettbewerbs ist, dass alle computerbasierte Prognosetechniken verwenden.

Kieran Chandler: Und das ist jetzt Standard in der gesamten Branche, aber wenn man zurückblickt, als du angefangen hast, Spyro, als du als Professor angefangen hast, war das sozusagen vor der Zeit der Computer. Wie hat die Einführung von Computern die Art und Weise, wie du Dinge gemacht hast, verändert? Welche Möglichkeiten hat das dir gegeben?

Spyros Makridakis: Nun, die Möglichkeiten bestanden darin, dass es die Dinge einfacher gemacht hat. Bei der Prognose gibt es zwei Teile: einen Teil, der das Geschehene in der Vergangenheit abbildet, was einfach ist. Bevor wir den Wettbewerb gestartet haben, haben die Leute die Vergangenheit überangepasst und gedacht, dass die Zukunft genauso sein würde wie die Vergangenheit. Es gab nicht die Idee, die Prognosedaten in einen Trainings- und einen Testteil aufzuteilen. Also versuchen wir so genau wie möglich vorherzusagen, nicht den Trainings-, sondern den Testteil - die Zukunft, mit anderen Worten. Denn die Zukunft ist nicht genau wie die Vergangenheit, sie ändert sich, und die Idee ist jetzt, dass wir die Vergangenheit nicht überanpassen wollen, weil es Veränderungen zwischen Vergangenheit und Zukunft geben wird. Also versuchen wir herauszufinden, wie diese Veränderungen stattfinden werden, und nutzen sie, um in Zukunft genauer vorherzusagen. Das ist ein sehr großer Unterschied, denn in der Vergangenheit wurde das nicht berücksichtigt; man dachte, dass die Zukunft genauso sein würde wie die Vergangenheit, aber wir wissen sehr gut, dass das nie passiert.

Kieran Chandler: Würden Sie dem zustimmen, Joannes? Ich meine, wie haben Sie gesehen, wie sich Prognosetechniken im Laufe der Jahrzehnte entwickelt haben, wenn Sie zurückblicken?

Joannes Vermorel: Ich denke, was Spyros Makridakis betont, ist grundlegend. Es gibt dieses scheinbare Paradoxon, dass man genau sein will bei den Daten, die man nicht hat. Das ist etwas sehr verwirrendes, wenn man darüber nachdenkt, denn natürlich möchte man offensichtlich, wenn man die Genauigkeit messen möchte, die Genauigkeit anhand der Daten messen, die man hat, aber das ist nicht das, was man tun möchte. Dieses Problem wurde zum Teil am Ende des 20. Jahrhunderts mit der Theorie von Vapnik und Chervonenkis angegangen. Es ist eine sehr abstrakte Theorie, die zur Entstehung von Support Vector Machines geführt hat, die sehr komplex sind. Sie begannen, die Idee zu formalisieren, dass es den empirischen Fehler und den strukturellen Fehler gibt. Der strukturelle Fehler ist im Grunde genommen die Idee, dass man den realen Fehler minimieren möchte, wobei der reale Fehler definiert ist als der Fehler, den man bei Daten machen wird, die man nicht hat. Man muss sowohl den strukturellen Fehler als auch den empirischen Fehler minimieren, und darum geht es bei Support Vector Machines. Support Vector Machines haben eine sehr theoretische Perspektive. Sie wurden implementiert und haben als maschinelles Lernverfahren in einigen Bereichen große Erfolge erzielt. Ich denke, ihr wichtigster Beitrag bestand darin, aus einer eher theoretischen Perspektive zu klären, was vor sich geht. Und dann, wenn man tatsächlich zu realen Ergebnissen kommen möchte, denke ich, dass es wahrscheinlich der richtige Weg ist, auf diese Wettbewerbe zurückzugreifen, bei denen man einen Teil der Daten wirklich zurückhält, um genaue Prognosen zu erhalten.

Kieran Chandler: Um eine sehr saubere Methodik zu haben, wie unterscheidet sich der Ansatz, den Sie in einem Test-Szenario verfolgen, das sehr wettbewerbsorientiert ist, von dem, was Sie in der realen Welt tun würden? Ich meine, in der realen Welt haben Sie jederzeit Zugriff auf alle Daten, und das gibt Ihnen diese starke methodische Voreingenommenheit, auf die Professor Makridakis hingewiesen hat. Es ist unglaublich verlockend, einfach etwas zu haben, das zu den Daten passt, wissen Sie.

Spyros Makridakis: Das ist das, was sie in der Vergangenheit gemacht haben. Die berühmte Box-Jenkins-Methodik bestand darin, so gut wie möglich in der Vergangenheit anzupassen, und deshalb hat sie gegenüber allen einfachen Methoden verloren, die in der Vergangenheit nicht sehr gut angepasst waren, aber genauer in der Zukunft vorhersagten. Wenn man überanpasst, verliert man die Essenz der Prognose. Die Zukunft ist nie genau wie die Vergangenheit.

Joannes Vermorel: Genau. Und eines der verwirrenden Beispiele war, als ich Lokad gründete. Kunden waren in der Regel sehr überrascht, wenn sie sich eine unglaublich unregelmäßige Zeitreihe ansahen, zum Beispiel den Konsum von Alkohol in Hypermärkten, ein sehr unregelmäßiges Produkt mit Spitzen. Als wir in den ersten Jahren von Lokad klassische Prognosen erstellten, bei denen wir noch keine probabilistischen Prognosen erstellten, zeigten wir für diese super unregelmäßigen Zeitreihen eine Prognose, die viel glatter war als die ursprüngliche Zeitreihe. Die meisten meiner Konkurrenten konnten Prognosezeitreihen zeigen, die genauso unregelmäßig waren wie die ursprüngliche Zeitreihe. Kunden waren überrascht und ich hatte viele große Debatten mit meinen potenziellen Kunden, die noch keine Kunden waren und einfach nicht glaubten, dass diese super glatte Prognose richtig sein könnte, weil sie so anders war als die historische Zeitreihe, die super unregelmäßig und sprunghaft war. Während meine Konkurrenten sehr sprunghafte Prognosen zeigten, konnten sie sehr sprunghafte Prognosen zeigen, die genauso aussahen wie die historischen Daten.

Kieran Chandler: Also, Spyros, eine Sache, die mich wirklich interessiert, ist, wie sich die Wahrnehmung von Prognosen im Laufe Ihrer Karriere verändert hat. Wann hat dieser Wandel hin zu Prognosen als Wissenschaft stattgefunden und wann wurde es mehr in den Mainstream aufgenommen?

Spyros Makridakis: Nun, es hat einige Zeit gedauert. Anfangs haben die klassischen Statistiker dasselbe gemacht, was sie Ihnen gesagt haben, nämlich dass es wichtig ist, den Schwankungen der Serie zu folgen. Aber so prognostiziert man nicht. Es dauerte einige Zeit, um zu erkennen, dass man Zufälligkeit nicht vorhersagen kann, und was die M-Wettbewerbe zweifelsfrei bewiesen haben, ist, dass es wichtig ist, die Vergangenheit von der Zukunft zu trennen und nicht zu versuchen, die Vergangenheit zu überanpassen, sondern ein Modell zu haben, das sich an Veränderungen von der Vergangenheit zur Zukunft anpasst. Und das ist der große Unterschied. Und jetzt ist es akzeptiert, dass wir neben der Betrachtung von Prognosen auch die Unsicherheit in unseren Vorhersagen betrachten müssen. Viele Leute mögen das überhaupt nicht, weil es psychologisch gesehen nicht gut ist, über Unsicherheit zu sprechen, zu sagen, dass ich prognostizieren werde, aber unsicher bin.

Kieran Chandler: Joannes, wie ungenau würden Sie sagen, sind Ihre Prognosen? Kunden sagen mir oft, dass Sie behaupten, sich zu konzentrieren, aber auch zugeben, dass Sie aufgrund vieler Unsicherheiten in der Zukunft nicht prognostizieren können.

Spyros Makridakis: Das ist die Realität, man kann nicht vermeiden, realistisch zu sein. Es führt zu dieser Art von Vertrauensniveau in Ihre Prognose. Johannes, würden Sie sagen, dass sich die Wahrnehmung so weit verschoben hat, dass die Leute zu viel von Prognosen erwarten und erwarten, dass sie unfehlbar sind?

Joannes Vermorel: Das ist eine interessante Frage. Ich war schon oft auf der National Retail Federation Messe in New York, und was ich gesehen habe, ist, dass die meisten meiner Konkurrenten sehr häufig völlig abwegige Behauptungen aufstellten, dass sie eine 99%ige Genauigkeit im Einzelhandel hätten. Ehrlich gesagt, ich weiß nicht einmal, was 99% Genauigkeit in Hypermärkten bedeutet, wo die meisten Produkte täglich in kleinen Mengen verkauft werden. Es ist lächerlich zu denken, dass man bis zur letzten Einheit wissen würde, ob jemand ein Produkt auswählt, während diese Person es vielleicht nicht einmal selbst weiß. Ich habe viele Anbieter gesehen, die versuchen, die Idee zu übertreiben, dass man überall unglaublich genaue Prognosen haben kann, was absolut nicht der Fall ist. Sie nutzen den wissenschaftlichen Ruf, den statistische Prognosen in anderen Bereichen wie Demografie, Stromverbrauch und Wasserverbrauch erlangt haben, wo die Unsicherheit im Vergleich sehr gering ist, um zu behaupten, dass sie das gleiche Genauigkeitsniveau in Hypermärkten erreichen können, was einfach nicht dasselbe ist. Man kann viel tun, aber es ist nicht dieselbe Größenordnung in Bezug auf Genauigkeit.

Spyros Makridakis: Eines der größten Probleme bei der Verwendung von Prognosen ist, dass die Erwartungen der Benutzer zu hoch sind, weil Berater ihnen Prognosen verkaufen, in die sie zu viel Vertrauen haben, und das ist eines der größten Probleme. Ein Teil dessen, was wir in diesem Bereich tun müssen, ist zu sagen: “Schauen Sie, wir können keine Propheten sein. Unsere Daten, insbesondere im Einzelhandel, zeigen uns, dass die Unsicherheit sehr groß ist, und wir müssen etwas dagegen tun.” Wir sprechen nicht nur über die normale Unsicherheit; wir haben auch Unsicherheit, die fatal ist, wie die berühmten “Black Swan”-Ereignisse von Nassim Taleb, die viele unserer Prognosen zerstören und Probleme wie die Pandemie verursachen. Wir müssen dies auch berücksichtigen; man kann die Unsicherheit nicht vermeiden.

Kieran Chandler: Johannes, würden Sie dem zustimmen? Wir haben in der Vergangenheit ein wenig darüber gesprochen, dass Berater hereinkommen und etwas zu viel von Prognosen versprechen.

Joannes Vermorel: Ja, ich stimme zu. Was tatsächlich schwierig an der probabilistischen Prognose war, war nicht die technische Umsetzung, sondern die Erwartungen, die von Beratern zu hoch gesetzt wurden, die zu viel versprochen haben.

Kieran Chandler: Joannes, du hast über die Bedeutung der probabilistischen Prognose und der Einbringung struktureller Voraussetzungen gesprochen. Kannst du das etwas genauer erklären?

Joannes Vermorel: Sicher. Wahrscheinlichkeiten, das ist nicht so schwierig. Was schwierig war, war tatsächlich die Akzeptanz zu vermitteln, dass Lokad probabilistische Prognosen erstellt. Nicht, weil unsere Prognosen schlecht waren. Ich denke, auch wenn wir anfangs nicht die besten in diesen Wettbewerben sind, sind wir sicherlich nicht, wissen Sie, ganz oben platziert. Das Problem war nicht, dass wir schlechte Prognosen hatten, sondern dass wir akzeptieren mussten, dass es Dinge gibt, die außerhalb unserer Kontrolle liegen. Und das Interessante an diesen Ausreißer-Ereignissen ist, dass man plötzlich etwas hat, bei dem es sehr, sehr schwierig ist, seinem DR zu vertrauen. Und das ist wiederum etwas, das mich sehr interessiert. Indem man sein, ich würde sagen, nicht-ausreißerhaftes, prognostisches Modell einfach hält, hat man etwas, wo man, ich würde sagen, natürlich mit einem gewissen Maß an Subjektivität, aber wenn man ein einfaches, relativ einfaches und handhabbares prognostisches Modell hat, kann man strukturelle Voraussetzungen einbringen, um diese Dosis an extrem seltenen und extremen Ereignissen einzubringen.

Kieran Chandler: Verstehe, und wie hilft das bei der Optimierung der Supply Chain?

Joannes Vermorel: Das ist im Grunde genommen, was wir bei Lokad tun. Zum Beispiel können wir Pandemien nicht vorhersagen. Aber was wir tun können, und das ist nicht einmal besonders kompliziert, ist zu sagen: “Nun gut, ich kann eine Annahme einbringen und sagen, dass es eine jährliche Wahrscheinlichkeit von zwei Prozent gibt, dass es zu einem 50-prozentigen Rückgang kommt, der das Unternehmen beeinflusst.” Ich weiß nicht warum, ich weiß nur, dass es eine vernünftige Annahme ist. Es ist subjektiv, wissen Sie, warum zwei Prozent, warum zwei Prozent von einem 50-prozentigen Rückgang? Das alles ist sehr subjektiv, aber das Interessante ist, dass wenn Sie eine Dosis von Extremereignissen in Ihre Prognosemodelle einbringen, selbst wenn sie ziemlich ungenau sind, wissen Sie, in Bezug auf die Quantifizierung ist es sehr vage. Was passiert ist, dass wenn Sie Ihre Supply Chain-Optimierung darauf aufbauen, lenken Sie die Entscheidung in Richtung Dinge, die gegenüber diesen Extremereignissen viel robuster sind, ohne dafür zu viel Geld ausgeben zu müssen. Das Interessante ist also, und das ist das, was wir tun, dass wir diese Prognosemodelle einfach halten, damit wir diese strukturellen Voraussetzungen einbringen können, die, würde ich sagen, sehr erfunden sind, obwohl sie vernünftig sind. Sie sind nicht präzise, aber die Konsequenz davon ist, dass Sie am Ende Supply Chain-Entscheidungen haben können, die gegenüber Dingen, die selten auftreten, viel widerstandsfähiger sind. Der Prozess ist ziemlich einfach, aber in der Praxis erfordert es viel Überzeugungsarbeit, um die Menschen dazu zu bringen, diese schwarzen Schwäne zu verstehen. Tatsächlich greife ich häufig auf “Bitte lesen Sie die Arbeiten von Nassim Taleb” zurück, aber es ist schwierig, wenn man einem Interessenten ein 600-seitiges Buch von einem weiteren großartigen griechischen Denker wie Nassim Taleb geben möchte.

Spyros Makridakis: Joannes, darf ich eine Frage stellen? Denn es scheint mir, dass Sie strukturelle Voraussetzungen einbringen, die als Voreingenommenheit in Ihren Prognosemodellen angesehen werden könnten. Glauben Sie, dass diese Voreingenommenheit die Prognosegenauigkeit Ihrer Modelle beeinträchtigen kann?

Joannes Vermorel: Ja, das ist eine sehr gute Frage, Spyros. Dazu gibt es zwei Dinge. Erstens,

Kieran Chandler: Spyros, Sie sind seit einem halben Jahrhundert in der Branche tätig. Worauf sind Sie am stolzesten, wenn Sie auf Ihre Karriere zurückblicken?

Spyros Makridakis: Nun, ich bin am stolzesten darauf, dass wir empirische Beweise dafür liefern, was bei der Prognose funktioniert und was nicht. Es ist nicht nur Gerede, sondern wir haben Experimente durch die M-Wettbewerbe durchgeführt. Aus diesen Experimenten können wir Ihnen sagen, welche Methoden funktionieren und welche nicht. Was wir Ihnen sagen können, ist, dass Einfachheit funktioniert. Wir erkennen, dass es viel Zufälligkeit in vergangenen Ereignissen gibt und wir nicht alles genau vorhersagen können. Da unsere Prognosen unsicher sind, besteht ein Risiko und wir müssen etwas tun, um dieses Risiko zu antizipieren und darauf vorbereitet zu sein.

Kieran Chandler: Vielen Dank euch beiden für eure Zeit heute.

Joannes Vermorel: Vielen Dank.

Spyros Makridakis: Danke, dass Sie mich interviewt haben.

Kieran Chandler: Das war alles für diese Woche. Vielen Dank fürs Zuschauen und wir sehen uns in der nächsten Folge wieder.