00:00:08 Übersicht über Prognose-Mehrwert als Managementtechnik.
00:01:29 Erklärung des Prognose-Mehrwert-Prozesses und warum er entstanden ist.
00:02:06 Bedeutung von Kennzahlen zur Bestimmung der Genauigkeit des Prognoseprozesses.
00:03:37 Diskussion darüber, warum mehrstufige Prognosen durch mehrere Teams nicht funktionieren.
00:07:55 Die Idee, dass mehrere Teams zusammenarbeiten, um die Genauigkeit zu verbessern, ist verlockend, wird aber von der Wissenschaft nicht unterstützt.
00:08:01 Nachteile, wenn die Öffentlichkeit über den nächsten Zug eines Schachmeisters abstimmt.
00:10:31 Die Ineffektivität von Forecast Value Added in der supply chain.
00:12:17 Die Ineffektivität manueller Eingriffe zur Verbesserung der Prognosegenauigkeit.
00:14:50 Die Schwierigkeit, der Wissenschaft mehr zu vertrauen als dem menschlichen Urteil bei der Prognose.
00:15:55 Die Detailgenauigkeit des Verständnisses und der Analyse eines Vertriebsmitarbeiters bezüglich seiner Kunden.
00:16:00 Kritik an der Vorstellung, dass eine Prognose eine gemeinsame Anstrengung sein sollte.
00:17:02 Die jüngste Wiederbelebung der Beliebtheit der Prognosebewertungsmethodik.
00:17:23 Das Potenzial finanzieller Gewinne durch die Erstellung von Kennzahlen und das Berechnen von Upgrades.
00:19:10 Die Wichtigkeit, festzustellen, ob ein Berater dem Unternehmen echten Mehrwert bietet oder nur Beschäftigungsarbeit leistet.
00:23:36 Die Notwendigkeit, radikale Inkompetenz zu identifizieren und Forecast Value Added als Lackmustest zu verwenden.
Zusammenfassung
Forecast Value Added (FVA) ist ein fehlerhafter Ansatz der supply chain Prognose, der die Zusammenarbeit verschiedener Teams innerhalb einer Organisation beinhaltet, um die Genauigkeit zu verbessern. Joannes Vermorel, Gründer von Lokad, argumentiert, dass FVA eine zusätzliche Komplexitätsebene zum supply chain management hinzufügt, ohne dass ein klarer Nutzen für das Unternehmen erkennbar wäre, und dass es nicht durch wissenschaftliche Forschung gestützt wird. Vermorel schlägt vor, dass Unternehmen sich darauf konzentrieren sollten, einfachere und effektivere Lösungen für ihre supply chain Herausforderungen zu finden und Spezialisten in verschiedenen Bereichen zu vertrauen. Unternehmen sollten FVA als Lackmustest nutzen, um radikale Inkompetenz bei Anbietern oder Beratungsagenturen, die kollaborative Prognosen fördern, zu erkennen.
Erweiterte Zusammenfassung
In diesem Interview diskutieren Moderator Kieran Chandler und Joannes Vermorel, Gründer von Lokad, das Konzept des Forecast Value Added (FVA) und dessen Wirksamkeit in der supply chain Optimierung. FVA entstand in den frühen 2000er Jahren als Technik, die Genauigkeit von Prognosen zu verbessern, indem die einzelnen Schritte im Prognoseprozess dahingehend identifiziert werden, ob sie positiv oder negativ zum Endprodukt beitragen. Dieser Ansatz beinhaltet typischerweise, dass verschiedene Teams innerhalb einer Organisation an der Prognose zusammenarbeiten, beispielsweise Marketing, Vertrieb und Produktion.
Die Idee hinter FVA ist, dass man durch das Messen der Genauigkeit jedes einzelnen Schrittes im Prozess die Teams identifizieren kann, die sich positiv oder negativ auf die Genauigkeit der Prognose auswirken. Dies erfolgt durch Backtesting, indem die Genauigkeit der Basisprognose mit der Genauigkeit von Prognosen verglichen wird, die zusätzliche Inputs verschiedener Teams enthalten.
Vermorel weist jedoch darauf hin, dass dieser Ansatz in der Praxis nicht funktioniert und nicht durch wissenschaftliche Forschung gestützt wird. Die statistische Prognose-Literatur befürwortet keinen mehrstufigen Prozess, bei dem Prognosen von Abteilung zu Abteilung innerhalb eines Unternehmens weitergegeben werden. Tatsächlich haben Prognosewettbewerbe stets gezeigt, dass die Gewinner sich nicht auf solche Techniken verlassen.
Trotz seiner Mängel hat FVA an Bedeutung gewonnen, da es eine verlockende Lösung darstellt, die es jedem ermöglicht, beizutragen und sich in den Prozess eingebunden zu fühlen. Vermorel vergleicht dies mit der Vorstellung, dass eine Gruppe von Menschen versucht, einem Schachmeister bei seinem nächsten Zug zu helfen, was höchstwahrscheinlich eher zu einer Ablenkung als zu einer Leistungsverbesserung führen würde.
Forecast Value Added ist ein populärer, aber fehlerhafter Ansatz der supply chain Prognose. Er beinhaltet die Zusammenarbeit verschiedener Teams innerhalb einer Organisation mit dem Ziel, die Genauigkeit zu verbessern. Diese Methode wird jedoch nicht durch wissenschaftliche Forschung gestützt, und empirische Belege deuten darauf hin, dass sie nicht zu besseren Prognosen führt. Der Reiz von FVA könnte von dem Wunsch nach kollektiver Beteiligung und der Zufriedenheit herrühren, ein Teil des Entscheidungsfindung Prozesses zu sein.
Sie diskutierten das Konzept des Forecast Value Added und seine Schwächen. Er ist der Meinung, dass es sich um eine bürokratische Idee handelt, die dem supply chain management eine zusätzliche Komplexitätsebene hinzufügt, Prozesse verlangsamt und Abläufe verkompliziert, ohne einen klaren Nutzen für das Unternehmen zu bieten.
Vermorel argumentiert, dass die Annahme, Prognosen seien eine gemeinschaftliche Anstrengung, falsch sei, da Wissenschaft und vergangene Prognosewettbewerbe diese Ansicht nicht unterstützen. Er betont, dass der menschliche Verstand nicht gut dafür geeignet ist, mit statistischem Rauschen umzugehen, und dass manuelle Eingriffe tendenziell die Prognosegenauigkeit verringern. Er schlägt vor, sich stattdessen darauf zu konzentrieren, das numerische Fundament, das der Prognose zugrunde liegt, zu verbessern, anstatt Prognosen manuell anzupassen.
Er stellt die Fähigkeit von Nicht-Spezialisten in Frage, komplexe numerische Aufgaben besser zu bewältigen als Experten, die jahrelang vernünftige numerische Verfahren entwickelt haben. Vermorel weist darauf hin, dass Vertriebsteams beispielsweise in der Regel mit einer wesentlich gröberen Granularität arbeiten, als es für die Prognose des Bedarfs einzelner SKU erforderlich ist. Stattdessen sollten ihre Erkenntnisse genutzt werden, um das numerische Fundament zu überarbeiten, was zu genaueren Prognosen führt.
Trotz Vermorels Bedenken stellt er fest, dass Forecast Value Added in den letzten Jahren wieder an Popularität gewonnen hat, wobei viele Berater und Software Vendors die Methodik fördern. Dennoch bleibt er dieser Herangehensweise kritisch gegenüber und ist der Ansicht, dass sie nicht der effektivste Weg ist, um die Prognosegenauigkeit im supply chain management zu verbessern.
Vermorel äußert seine Bedenken darüber, dass Software Vendors Geld verdienen, indem sie komplexe Lösungen für supply chain Probleme anbieten, die möglicherweise nicht wirklich wertvoll sind. Er schlägt vor, dass viele Anbieter Ablenkungsmanöver nutzen, um ihre Produkte und Dienstleistungen zu verkaufen, was es für Kunden erschwert, echten Mehrwert zu erkennen.
Vermorel betont die Wichtigkeit, Komplexität um ihrer selbst willen zu vermeiden. Er weist darauf hin, dass das Hinzufügen unnötiger Dimensionen zu einem Prozess das Problem quadratisch komplexer machen kann, was für das Unternehmen möglicherweise nicht von Vorteil ist. Zudem ist er der Ansicht, dass Anbieter oft höhere Gebühren für diese komplexen Lösungen verlangen, einschließlich Upgrades und Beratungsgebühren.
Um zwischen wertvollen Beratern und solchen, die lediglich Kennzahlen erstellen, zu unterscheiden, schlägt Vermorel vor, dass Unternehmen sich fragen sollten, ob der angebotene Service oder die Lösung tatsächlich Mehrwert liefert oder nur Beschäftigungsarbeit darstellt. Er betont die Wichtigkeit, sich auf externe Lösungen zu konzentrieren anstatt auf interne, da zusätzliche Komplexität innerhalb eines Prozesses nicht zwangsläufig zu besseren Ergebnissen führt.
Im Kontext von supply chain management argumentiert Vermorel gegen die Vorstellung, dass Prognosen eine gemeinsame Anstrengung sein sollten. Er vergleicht dies mit der Stromversorgung eines Gebäudes, die nicht als Teamarbeit betrachtet wird. Er behauptet, dass es keinen Grund gibt, warum Prognosen ein kollaborativer Prozess sein sollten, und dass Unternehmen sich darauf konzentrieren sollten, einfachere und effektivere Lösungen für ihre supply chain Herausforderungen zu finden.
Vermorel hebt die Bedeutung hervor, Spezialisten in verschiedenen Bereichen zu vertrauen, wie zum Beispiel in der Elektrotechnik oder der supply chain Prognose. Er weist darauf hin, dass kollaborative Prognose-Methoden oft kontraproduktiv sind, und zitiert eine Reihe von Studien, die zeigen, dass manuelle Eingriffe in Prognosen schädlich sein können. Dies liegt daran, dass Menschen zufällige Muster schlecht wahrnehmen; während sie hervorragend darin sind, Muster zu erkennen, fällt es ihnen schwer, Zufälligkeiten zu verstehen.
Vermorel ist der Ansicht, dass man einem kollaborativen Prognoseansatz nicht vertrauen sollte, solange nicht nachgewiesen ist, dass er überlegen ist. Er weist darauf hin, dass führende Forscher auf diesem Gebiet, wie beispielsweise diejenigen, die an Prognosewettbewerben teilnehmen, keine kollaborativen Methoden verwenden. Vermorel schlägt vor, dass Unternehmen Anbietern und Beratungsagenturen, die solche kollaborativen Prognosemethoden fördern, mit mehr Skepsis begegnen sollten, da ihnen möglicherweise die nötige Kompetenz fehlt.
Die Kernaussage des Interviews ist, dass sich Unternehmen darauf konzentrieren sollten, Bereiche radikaler Inkompetenz in ihrem supply chain management zu identifizieren, anstatt zu versuchen, Prognosen durch Zusammenarbeit zu verbessern. Vermorel empfiehlt, Forecast Value Added als Lackmustest zu verwenden, um radikale Inkompetenz bei Anbietern oder Beratungsagenturen, die kollaborative Prognosen fördern, zu erkennen. Er vergleicht dies mit der Identifizierung von Anbietern, die Methoden auf Basis von Astrologie oder künstliche Intelligenz vorantreiben, ohne ihre wahren Implikationen zu verstehen.
Vermorel rät Unternehmen, bei der Zusammenarbeit mit Anbietern und Beratungsagenturen im Bereich supply chain Optimierung vorsichtig zu sein und Forecast Value Added als Instrument zur Identifizierung von Inkompetenz zu nutzen. Das Vertrauen in Spezialisten und das Vermeiden kollaborativer Prognosemethoden können zu einem effektiveren supply chain management führen.
Vollständiges Transkript
Kieran Chandler: Heute werden wir besprechen, wie gut das funktioniert und warum das Aufteilen einer Prognose tatsächlich zu schwierigeren Entscheidungen führen kann. Also, Joannes, worin besteht heute die Idee hinter Forecast Value Added?
Joannes Vermorel: Forecast Value Added ist ein Prozess, der in den frühen 2000er Jahren, vielleicht sogar in den 90ern, entstand. Ich habe keine Veröffentlichungen aus einer früheren Zeit gefunden, aber da es sich um keine sehr komplizierte Idee handelt, vermute ich, dass sie bereits in den 90ern unter verschiedenen Namen und Formen praktiziert wurde. Im Wesentlichen handelt es sich um einen Prozess, der darauf abzielt, die Genauigkeit der Prognose quantitativ zu verbessern, indem er feststellt, ob bestimmte beim Erstellen des Endprodukts, also der Prognose, durchgeführte Schritte tatsächlich die Genauigkeit erhöhen.
Um dies zu veranschaulichen, haben wir ein Prognoseteam, das die Basisprognose erstellt. Dann greift das Marketing-Team ein und passt diese Basis an, basierend auf ihren zusätzlichen Marketing-Erkenntnissen – zum Beispiel, was sie in Bezug auf Kampagnen zu tun beabsichtigen. Anschließend kommt der Vertrieb ins Spiel und fügt aufgrund der zusätzlichen Vertriebs-Erkenntnisse seine eigene Korrekturebene hinzu. Dann übernimmt die Produktion, und so weiter. Wir kehren schließlich zum Prognoseteam zurück, das den Plan abschließt, und im Wesentlichen handelt es sich dabei um die Abläufe, die im Rahmen des SNLP-Prozesses durchgeführt werden. Der Forecast Value Added-Prozess besteht darin, Kennzahlen für die durch jeden einzelnen Schritt des Prognoseprozesses eingeführte Veränderung zu etablieren – hinsichtlich der Frage, ob wir die Genauigkeit verbessern oder verschlechtern – und implizit darin, die Beiträge zu eliminieren, die letztlich die Prognosegenauigkeit verschlechtern.
Kieran Chandler: Warum ist diese Idee überhaupt entstanden? Weil die Einbeziehung so vieler verschiedener Stakeholder die Dinge definitiv verkomplizieren kann.
Joannes Vermorel: Ja, tatsächlich weisen zumindest die frühen Veröffentlichungen in den 2000er Jahren darauf hin, dass das Erstellen von Prognosen mit vielen Beteiligten in der Regel genau das Gegenteil des beabsichtigten Effekts bewirkt – nämlich die Prognosegenauigkeit zu verschlechtern. Ihre Schlussfolgerung ist, dass das Festhalten an der naiven Basisprognose, die sehr häufig etwas wie gleitender Durchschnitt plus Saisonalität beinhaltet, letztlich genauer ist, als wenn man vielen verschiedenen Personen erlaubt, diese Prognosen nach Belieben anzupassen. Die Logik besagt, dass man die schlechten Beiträge herausfiltern sollte, um die guten zu erhalten – so bekommt man das Beste aus beiden Welten: die anfängliche Genauigkeit, die durch zusätzliche Beiträge weiter verbessert wird, jedoch sorgfältig durch den Forecast Value Added-Prozess gefiltert.
Kieran Chandler: Wie bestimmst du, welche Teams die guten Beiträge liefern und welche Teams sozusagen die schlechten produzieren?
Joannes Vermorel: Sehr einfach, durch einen Backtest.
Kieran Chandler: Wie hoch war die Genauigkeit der Basisprognose im letzten Quartal? Wie hoch war die Genauigkeit der Basisprognose plus dem Beitrag des Vertriebsteams? Und dann haben wir zwei verschiedene Setup-Prognosen: die Basisprognose und die mit der ersten Korrekturebene. So können wir feststellen, ob wir die Prognosegenauigkeit verbessert haben oder nicht. Anschließend können wir dieses Experiment für jede einzelne Stufe wiederholen, um sie mit der Genauigkeit der unmittelbar vorangegangenen Stufe zu vergleichen – sodass wir die Ergebnisse im Wesentlichen isolieren.
Joannes Vermorel: Es ist sehr vergleichbar mit einem Backtest-Prozess, nur dass man eine zusätzliche Ebene der Granularität in die Analyse einbringt. Man möchte die jeweilige Genauigkeit vor und nach den Änderungen analysieren und vergleichen, indem man die Schlüsselschritte des Prognoseprozesses betrachtet. Und wenn ich von Schlüsselschritten spreche, meine ich die Schritte aus der Perspektive der Organisation, in denen eine Prognose an ein Team weitergegeben wird, das Korrekturen vornimmt und sie dann an ein weiteres Team übergibt. Das Ganze zirkuliert innerhalb des Unternehmens, bis es schließlich zum ursprünglichen Prognoseteam zurückkehrt, das für den gesamten Prognoseprozess verantwortlich ist.
Kieran Chandler: Das ergibt aus logischer Sicht Sinn; man gewinnt immer mehr Fachwissen hinzu, also sollte es vermutlich genauer werden. Was ist also das große Problem?
Joannes Vermorel: Das Problem ist, dass es einfach nicht funktioniert und durch keine wissenschaftlichen Belege gestützt wird. Es ist eine Art von Sache, die intuitiv erscheint und gut klingt, aber wenn wir uns die Literatur zur statistischen Forecasting ansehen, arbeitet kein Wissenschaftler tatsächlich mit diesen Techniken. Selbst wenn sie Forecasting-Modelle mit mehreren Stufen haben, werden all diese Stufen in einen einzigen algorithmischen Rahmen integriert, also nur ein piece of software. Die Idee, dass man eine statistische Prognose verfeinern kann, indem sie innerhalb des Unternehmens von Abteilung zu Abteilung springt, ist größtenteils Wahnsinn. Wenn wir uns Forecasting-Wettbewerbe anschauen, die schon seit langer Zeit stattfinden, wie die von Professor Makridakis organisierten, griffen die Personen, die diese Wettbewerbe letztlich gewannen, nicht auf einen mehrstufigen Forecasting-Prozess zurück, bei dem die Prognose von Spezialist zu Spezialist springt. Meiner Meinung nach ist es die Art von Sache, die sehr ansprechend ist, weil sie alle glücklich macht; jeder kann seinen Beitrag leisten, und es erzeugt ein Gefühl positiver Emotion.
Joannes Vermorel: In diesem Prozess, ja, aber so funktioniert es nicht. Es ist, als ob du dir einen Schachweltmeister vorstellst und sagst: “Okay, jetzt werden wir versuchen, diesem Champion zu helfen, indem wir eine große Abstimmung unter vielen Menschen abhalten, die ihm helfen sollen, seinen nächsten Zug zu machen.” Die Antwort ist nein, das wird diesen Champion nicht besser machen. Es ist höchstwahrscheinlich einfach nur eine völlige Ablenkung. Wenn du das Beste vom Besten haben willst, lass ihn oder sie einfach das Spiel spielen, genau so, wie es die Champions für richtig halten, und das war’s.
Kieran Chandler: Warum hat sich diese Art von Idee dann so stark durchgesetzt? Liegt es daran, dass es viele Menschen glücklich macht, sodass sie das Gefühl haben, etwas beizutragen? Ich meine, warum haben die Leute schon vom Forecast Value Added gehört?
Joannes Vermorel: Ich glaube, es ist eine Art sehr bürokratische Idee, die viel Anziehungskraft besitzt, weil sie sehr nach innen gerichtet ist. Sobald man anfängt, die wirklichen Probleme anzugehen, wie beispielsweise das Risikomanagement, das einen dazu zwingt, die eigene Praxis in Richtung probabilistic forecasting aufzurüsten, wird es super kompliziert. Forecast Value Added ist trivial. Das mathematische Niveau entspricht dem der Mittelstufe. Es ist die Art von Sache, die gut aussieht, und niemand wird intellektuell durch Forecast Value Added herausgefordert. Es ist buchstäblich überaus einfach.
Joannes Vermorel: Es ist sehr verlockend, einfach eine weitere Schicht Bürokratie in deine supply chain einzufügen, um Menschen diesen Prozess übernehmen zu lassen, der gut aussieht und vernünftig klingt. Das hält einfach alle beschäftigt, und du wirst ziemlich gut darin sein. Wie könntest du bei etwas so Einfachem und Geradlinigem wie Forecast Value Added scheitern? Die Realität ist, dass du scheitern wirst, indem du eine zusätzliche Komplexitätsebene hinzufügst, die höchstwahrscheinlich alles verlangsamt, verkompliziert und durcheinanderbringt. Aber deine kurzsichtigen KPIs werden ein kleines bisschen besser, und niemand hat eine Ahnung, ob das dem Unternehmen auch nur einen Dollar einbringt. Aus der super engen Perspektive deiner sehr kurzsichtigen KPIs könnte es sich ein wenig verbessern.
Kieran Chandler: Gibt es nicht ein Element der Wahrheit darin, dass, wenn wir uns auf bestimmte Kernbereiche konzentrieren, wir enorme Verbesserungen erzielen könnten?
Joannes Vermorel: Das Erste, was wir demontieren müssen, ist, dass die Grundlage dieses Vorschlags völlig falsch ist. Die Annahme lautet, dass Forecasting eine kollaborative Anstrengung sein sollte. Das ist nicht der Fall. Die Wissenschaft unterstützt diesen Vorschlag absolut nicht, und auch alle Forecasting-Wettbewerbe der letzten Jahrzehnte bestätigten ihn nicht. Auch die von mir gelesenen Fachartikel stützen diese Annahme nicht. Wir haben also buchstäblich eine von vornherein falsche Voraussetzung. Forecasting wird nicht besser, wenn es als kollaborative Anstrengung durchgeführt wird. Daher ist die Idee, alle an Bord zu haben und jeden beitragen zu lassen, schlichtweg falsch.
Kieran Chandler: Und grundsätzlich haben wir bei Lokad den Beitrag manueller Anpassungen an der Prognose benchmarked, und im Grunde waren diese durchweg inkorrekt. Sie haben die Prognosegenauigkeit stets verringert. Um das zu erreichen, musst du zunächst eine Denkweise haben, bei der, wenn jemand eine statistische Prognose sieht, die völlig falsch ist, du nicht versuchst, die Prognose manuell anzupassen, sondern das zugrunde liegende numerische Rezept reparierst. Ich gehe davon aus, dass wir von einem vernünftigen numerischen Rezept sprechen, das sich in der Praxis bewährt hat. Wenn also offensichtliche Faktoren nicht richtig in die Prognose einfließen, wurden diese Probleme bereits behoben. Zum Beispiel: Wenn du deine stockouts nicht berücksichtigst, verwechselst du Nullverkäufe mit keiner Nachfrage, was völlig falsch ist.
Joannes Vermorel: Ja, du musst dein numerisches Rezept für die stockouts sensibilisieren. Ich nehme an, dass sobald alle diese eher fehlerbehebungsbezogenen Probleme gelöst sind und das Modell sich in der Praxis bewährt und debuggt wurde, wir bei Lokad auf Wunsch vieler Kunden zahlreiche Benchmarks durchgeführt haben, bei denen wir die Prognosegenauigkeit vor und nach manuellen Eingriffen betrachtet haben. Und jedes Mal verschlechterten manuelle Eingriffe die Prognosegenauigkeit. Es hat sich gezeigt, dass der menschliche Geist nicht besonders gut mit statistischem Rauschen umgehen kann. Statistisches Rauschen ist nichts, was wir wahrnehmen – wir sehen überall Muster. Es ist tatsächlich sehr schwierig, das statistische Rauschen als solches zu erkennen, und selbst einfache statistische Methoden wie gleitende Durchschnitte übertreffen oft das menschliche Urteilsvermögen, obwohl sie kaum besser als gleitende Durchschnitte sind, und dennoch schon überlegen wirken.
Kieran Chandler: Also befürwortest du im Grunde einen einzelnen Champion, der eine Prognose erstellt. Und warum, meinst du, fällt es den Menschen so schwer, ihr Vertrauen in die Wissenschaft zu setzen? Warum ist es ein so großer Vertrauensvorschuss?
Joannes Vermorel: Es ist kein Vertrauensvorschuss; so etwas verlangt die Wissenschaft nicht von dir zu glauben, sondern es geht darum, zu verstehen, was passiert. Die Frage ist: Warum sollten Laien in der Lage sein, sich ein umfangreiches Datenset vorzunehmen und eine komplexe numerische Aufgabe im Kopf oder mit zufälligen Tabellenkalkulationen besser zu lösen als Menschen, die tatsächlich Jahre damit verbringen, vernünftige numerische Rezepte zu identifizieren, um genau das zu tun? Welche Art von Magie müsste da im Spiel sein? Und wenn Leute behaupten, sie hätten Marktkenntnisse, ja, aber in welcher Granularität? Stellen wir uns ein typisches Unternehmen vor, das etwa 20.000 SKUs hat, und dann fragst du die Leute aus dem Vertriebsteam – sagen wir, es sind fünf Personen – und gibst ihnen eine Tabelle mit 20.000 SKUs, um ihre Einsichten zu liefern.
Kieran Chandler: Deine Beiträge darüber, ob diese Reihen nach oben und unten gehen sollten – das weiß das Vertriebsteam nicht. Ich meine, wenn du Teil des Vertriebsteams bist, betreust du vielleicht ein halbes Dutzend wichtiger VIP-Kunden, wenn du im B2B-Geschäft tätig bist. Diese Kunden bestellen vierteljährlich Tausende von Produkten in unterschiedlichen Mengen. Das ist nicht die Granularität, in der du arbeitest, wenn du Verkäufer bist. Deine Granularität besteht darin, dass dein Kunde eine Organisation ist, und in dieser Organisation kennst du eine Reihe von Personen. Das ist die Granularität in Bezug auf Denken und Analyse. Und ich weiß, dass diese Organisation Traktion hat, und die Leute könnten tatsächlich dazu neigen, sich dem Angebot, das ich präsentiere, näher zu kommen oder sich im Gegenteil zurückzuziehen. Aber die Details der über 20.000 SKUs – buchstäblich, sie wissen es nicht –, sie werden also einfach etwas raten und so tun, als wäre die Arbeit erledigt.
Joannes Vermorel: Das ist die Illusion. Das Problem ist, wenn du wichtige Einsichten hast, warum überarbeitest du dann nicht explizit das numerische Rezept, sodass es diese zusätzlichen Elemente als Input nutzen kann? Die Arbeit wird mit weitaus weniger Aufwand und mit viel mehr Genauigkeit erledigt.
Kieran Chandler: Würdest du also sagen, dass dieses Problem weiterhin besteht, oder meinst du, dass die Menschen mittlerweile zu der Idee kommen, dass nicht nur eine einzige Person für die Prognose verantwortlich ist?
Joannes Vermorel: Die Bewertung von Prognosen hat in den letzten Jahren ein Comeback erlebt. Viele Berater und sogar einige ziemlich fehlgeleitete Softwareanbieter drängen jetzt auf diese Methodik. Um ehrlich zu sein, gibt es für Anbieter wie Lokad ein Vermögen zu verdienen. Es ist die Art von Sache, die eine völlige Ablenkung darstellt. Das Gute an einer solchen Ablenkung ist, dass man nie scheitern kann. Es gab von vornherein keinen Gewinn zu erzielen, aber umgekehrt auch keinen offensichtlichen Verlust. Also, man kann niemals scheitern. Das ist sehr gut. Ablenkung ist eine Aufgabe, bei der man nicht scheitern kann.
Man kann Wochen oder Monate damit verbringen, eine ganze Metrik-Wand zu erstellen, die eine weitere Dimension hinzufügt, sodass allem, was du vorher getan hast, eine zusätzliche Dimension hinzugefügt wird – das heißt, jedes einzelne Element, das du bereits machst, profitiert oder wird in jeder einzelnen Phase des Prozesses beeinträchtigt. Ich meine, du machst das Problem quadratisch komplexer – nicht komplizierter, weil es sehr einfach ist, es ist nur eine zusätzliche Dimension –, aber du machst es erheblich komplexer. Wenn du ein großes Unternehmen mit zehn verschiedenen Stufen hast, hast du buchstäblich zehnmal mehr Metriken für jedes einzelne Element, das du vorher gemessen hast. Und somit kannst du entsprechend abrechnen. Du kannst für Upgrades, Beratungsgebühren oder Ähnliches berechnen.
Kieran Chandler: Wie kannst du also zwischen den Beratern unterscheiden, die tatsächlich einen Mehrwert bieten, und jenen, die diese Metriken nur um ihrer selbst willen erstellen?
Joannes Vermorel: Ich glaube, du musst dich einfach fragen: Machst du etwas Reales? Übst du etwas aus, das einen tatsächlichen Einfluss hat?
Kieran Chandler: Glaubst du also, dass dieser kollaborative Ansatz im Forecasting einen inhärenten Wert für das Unternehmen hat, oder betreibst du lediglich Beschäftigungsarbeit, um die Bürokratie zu beschäftigen?
Joannes Vermorel: Als Lackmustest erwähnte ich bereits, als ich über den bürokratischen Kern der supply chain sprach, ob man nach innen oder außen schaut. In diesem Fall ist es das archetypische Beispiel für nach innen schauen. Wenn du einen bestehenden Forecasting-Prozess nimmst, seine inneren Bestandteile zerlegst und eine weitere Komplexitätsebene hinzufügst, um ihn zu verbessern, funktioniert das in der realen Welt nicht so. Du erhältst nichts Besseres in Bezug auf Organisation, indem du nach innen schaust und zusätzliche Artefakte hinzufügst. Durch diese Abstraktion gewinnt man keinen Mehrwert. Die einfache Idee sollte sein, die Annahme zu entfernen, dass der Forecast eine kollaborative Anstrengung sein muss – das muss es nicht.
Es gibt viele Dinge, wie etwa die Stromversorgung in deinem Gebäude, die keine Teamarbeit erfordern. Du würdest nicht denken, dass jeder an Bord sein muss, um Strom im Gebäude zu haben. Es ist doch offensichtlich, dass, wenn du eine anständige elektrische Anlage möchtest, du Spezialisten vertraust, die den Job erledigen und dafür sorgen, dass dein Gebäude nicht aufgrund einer unsicheren elektrischen Anlage in Brand gerät. Die Idee, dass man eine bessere elektrische Anlage durch Teamarbeit erreichen könnte, ist Unsinn, und es stellt sich heraus, dass dasselbe auch für Forecasting gilt.
Wenn ich sage “Glaube der Wissenschaft”, meine ich, dass es eine Reihe von Fachartikeln gibt, die belegen, dass manuelle Eingriffe in Prognosen schädlich sind. Diese Arbeiten sind circa 20 Jahre alt, und ihre Ergebnisse sind nicht überraschend, da es ein ganzes Feld der Psychologie gibt, das den Menschen in ihrer Wahrnehmung von Zufälligkeit testet. Es stellt sich heraus, dass der menschliche Geist furchtbar darin ist, Zufälligkeiten zu verstehen. Wir sind sehr gut darin, Muster zu erkennen, aber nicht darin, die Zufälligkeit an sich zu verstehen.
Kieran Chandler: Ich glaube, wir haben einen guten Grund zu sagen: Solange du nicht nachweisen kannst, dass ein kollaborativer Forecast überlegen ist, sollten wir dir nicht vertrauen. Und wenn wir feststellen, dass es Wettbewerb gibt, bei dem alle Gewinner – du weißt schon, die es in die Top 100 schaffen – keinerlei kollaborative Methode anwenden und selbst führende Forscher in diesem Bereich wie Foreman das nicht tun, und wenn du ihr Buch von vorne bis hinten liest, wirst du nichts dergleichen finden. Es ist durchaus vernünftig anzunehmen, dass das völliger Unsinn ist. Es gibt viele Dinge, die sehr gut aussehen und vernünftig wirken, aber schlichtweg völlig falsch sind, und ebenso wie, weißt du, wenn man sich umschaut, ist die Erde flach.
Joannes Vermorel: Wenn wir heute zum Abschluss kommen, lautet die Kernbotschaft weitaus radikaler: Wenn du deine supply chain verbessern willst, musst du die Stellen radikaler Inkompetenz identifizieren – also diejenigen Personen, die absolut keine Ahnung haben, was sie tun, buchstäblich Bozo the Clown. Im Geschäftsleben können diese Personen zwar ernsthaft wirken, aber Forecast Value Added sollte als Lackmustest genutzt werden, um radikale Inkompetenz aufzudecken. Wenn also ein Forecasting-Anbieter das auf seiner Website propagiert, streiche diesen Anbieter als völlig inkompetent. Tut das eine Beratungsagentur, kannst du sie als völlig inkompetent abtun. Das ist die Art von Sache, die gut ist, weil es ein wenig ist wie bei Blockchain oder künstlicher Intelligenz – das ist derselbe Test: Wenn sie für künstliche Intelligenz werben, haben sie absolut keine Ahnung, was sie tun. Man kann sie einfach abschreiben und weitermachen. Stell dir vor, ein Anbieter würde tatsächlich für eine Methode werben, die auf Astrologie basiert – du würdest sagen, diese Leute sind nicht glaubwürdig, du bist raus. Ich möchte nicht einmal deine Argumentation hören. Ich weiß, dass die Wahrscheinlichkeit zu 99,9% besteht, dass du ein kompletter Betrüger bist. Nun, das ist gut so. Forecast Value Added gibt dir einen Lackmustest, um ein Unternehmen oder Beratungsfirmen auszusondern, die sich als völlig inkompetent erweisen. Sei dankbar und nutze das als Filter.
Kieran Chandler: Okay, ich muss es dabei belassen, aber ein paar Unternehmen stehen noch auf der Streichtafel. Das war also alles für diese Woche. Vielen Dank fürs Einschalten, und wir sehen uns in der nächsten Episode wieder. Danke fürs Zuschauen.