Forecast Value Added

00:00:08 Überblick über Forecast Value Added als Managementtechnik.
00:01:29 Erklärung des Forecast Value Added-Prozesses und warum er entstanden ist.
00:02:06 Bedeutung von Kennzahlen zur Bestimmung der Genauigkeit des Prognoseprozesses.
00:03:37 Diskussionen darüber, warum mehrstufige Prognosen von mehreren Teams nicht funktionieren.
00:07:55 Die Idee, dass mehrere Teams zusammenarbeiten, um die Genauigkeit zu verbessern, ist zwar verlockend, wird aber nicht von der Wissenschaft unterstützt.
00:08:01 Nachteile der öffentlichen Abstimmung über den nächsten Zug eines Schachweltmeisters.
00:10:31 Die Unwirksamkeit von Forecast Value Added in der Supply Chain.
00:12:17 Die Unwirksamkeit manueller Eingriffe zur Verbesserung der Prognosegenauigkeit.
00:14:50 Schwierigkeit, der Wissenschaft gegenüber menschlichem Urteilsvermögen bei Prognosen zu vertrauen.
00:15:55 Granularität des Verständnisses und der Analyse eines Vertriebsmitarbeiters über seine Kunden.
00:16:00 Kritik an der Idee, dass eine Prognose eine gemeinsame Anstrengung sein sollte.
00:17:02 Die jüngste Wiederbelebung der Beliebtheit der bewerteten Prognosemethodik.
00:17:23 Das Potenzial für finanziellen Gewinn durch die Erstellung von Kennzahlen und das Berechnen von Upgrades.
00:19:10 Die Bedeutung der Feststellung, ob ein Berater einen echten Mehrwert für das Unternehmen bietet oder nur Beschäftigungstherapie ist.
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 für die Prognose in der Supply Chain, der eine Zusammenarbeit zwischen verschiedenen Teams innerhalb einer Organisation zur Verbesserung der Genauigkeit beinhaltet. Joannes Vermorel, Gründer von Lokad, argumentiert, dass FVA eine zusätzliche Ebene der Komplexität im Supply Chain Management ohne klaren Nutzen für das Unternehmen hinzufügt und nicht durch wissenschaftliche Forschung unterstützt 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 verwenden, um radikale Inkompetenz bei Anbietern oder Beratungsagenturen, die gemeinsame 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 Effektivität bei der Optimierung der Supply Chain. FVA entstand in den frühen 2000er Jahren als Technik zur Verbesserung der Genauigkeit von Prognosen, indem identifiziert wird, welche Schritte im Prognoseprozess positiv oder negativ zum Endergebnis beitragen. Dieser Ansatz beinhaltet in der Regel die Zusammenarbeit verschiedener Teams innerhalb einer Organisation bei der Prognose, wie Marketing, Vertrieb und Produktion.

Die Idee hinter FVA ist, dass durch die Messung der Genauigkeit jedes Schrittes im Prozess die Teams identifiziert werden können, die positiv oder negativ zur Genauigkeit der Prognose beitragen. Dies geschieht durch Backtesting, indem die Genauigkeit der Baseline-Prognose mit der Genauigkeit von Prognosen mit zusätzlichen Eingaben verschiedener Teams verglichen wird.

Vermorel weist jedoch darauf hin, dass dieser Ansatz in der Praxis nicht funktioniert und nicht durch wissenschaftliche Forschung unterstützt wird. Die statistische Prognoseliteratur befürwortet keinen mehrstufigen Prozess, bei dem Prognosen von Abteilung zu Abteilung in einem Unternehmen springen. Tatsächlich haben Prognosewettbewerbe konsequent gezeigt, dass die Gewinner nicht auf solche Techniken angewiesen sind.

Trotz seiner Mängel hat FVA an Bedeutung gewonnen, weil es eine attraktive Lösung ist, die es jedem ermöglicht, einen Beitrag zu leisten und sich am Prozess beteiligt zu fühlen. Vermorel vergleicht dies mit der Vorstellung einer Gruppe von Menschen, die versuchen, einem Schachmeister bei seinem nächsten Zug zu helfen, was wahrscheinlich zu einer Ablenkung führen würde, anstatt die Leistung zu verbessern.

Der Forecast Value Added ist ein beliebter, aber fehlerhafter Ansatz für die Prognose in der Supply Chain. Er beinhaltet die Zusammenarbeit verschiedener Teams innerhalb einer Organisation mit dem Ziel, die Genauigkeit zu verbessern. Dieser Ansatz wird jedoch nicht durch wissenschaftliche Forschung unterstützt, und empirische Beweise legen nahe, dass er nicht zu besseren Prognosen führt. Die Attraktivität von FVA könnte aus dem Wunsch nach kollektiver Beteiligung und der Zufriedenheit resultieren, die aus der Teilnahme am Entscheidungsprozess resultiert.

Sie diskutierten das Konzept des hinzugefügten Prognosewerts und seine Mängel. Er glaubt, dass es eine bürokratische Idee ist, die eine zusätzliche Ebene der Komplexität im Supply Chain Management hinzufügt, die Prozesse verlangsamt und den Betrieb kompliziert, ohne klaren Nutzen für das Unternehmen.

Vermorel argumentiert, dass die Annahme, dass Prognosen eine gemeinsame Anstrengung sind, falsch ist, da Wissenschaft und vergangene Prognosewettbewerbe diese Vorstellung nicht unterstützen. Er betont, dass der menschliche Verstand nicht gut mit statistischem Rauschen umgehen kann und manuelle Eingriffe dazu neigen, die Prognosegenauigkeit zu verringern. Er schlägt vor, dass es effizienter ist, sich auf die Verbesserung des numerischen Rezepts zu konzentrieren, das der Prognose zugrunde liegt, anstatt Prognosen manuell anzupassen.

Er stellt die Fähigkeit von Nicht-Spezialisten in Frage, komplexe numerische Aufgaben besser zu erledigen als Experten, die jahrelang vernünftige numerische Rezepte entwickelt haben. Vermorel weist darauf hin, dass Vertriebsteams zum Beispiel in der Regel auf einer viel größeren Granularitätsebene arbeiten als für die Prognose der Nachfrage nach einzelnen SKU erforderlich ist. Stattdessen sollten ihre Erkenntnisse verwendet werden, um das numerische Rezept zu überarbeiten und zu genaueren Prognosen zu gelangen.

Trotz Vermorels Bedenken stellt er fest, dass der Forecast Value Added in den letzten Jahren wieder an Popularität gewonnen hat, da viele Berater und Softwareanbieter die Methodik bewerben. Er bleibt jedoch kritisch gegenüber diesem Ansatz und glaubt, dass er nicht der effektivste Weg ist, um die Prognosegenauigkeit im Supply Chain Management zu verbessern.

Vermorel äußert Bedenken darüber, dass Softwareanbieter Geld verdienen, indem sie komplexe Lösungen für Supply Chain-Probleme anbieten, die möglicherweise keinen Mehrwert bieten. Er schlägt vor, dass viele Anbieter Ablenkungen nutzen, um ihre Produkte und Dienstleistungen zu verkaufen, was es für Kunden schwierig macht, echten Mehrwert zu erkennen.

Vermorel betont die Bedeutung, Komplexität um der Komplexität willen zu vermeiden. Er weist darauf hin, dass das Hinzufügen unnötiger Dimensionen zu einem Prozess das Problem tatsächlich quadratisch komplexer machen kann, was für das Unternehmen möglicherweise nicht vorteilhaft ist. Darüber hinaus glaubt er, dass Anbieter oft mehr für diese komplexen Lösungen verlangen, einschließlich Upgrades und Beratungsgebühren.

Um wertvolle Berater von denen zu unterscheiden, die nur Metriken produzieren, schlägt Vermorel vor, dass Unternehmen sich fragen sollten, ob der angebotene Service oder die angebotene Lösung tatsächlich einen Mehrwert bietet oder nur beschäftigt. Er betont die Bedeutung von lösungsorientierten Ansätzen nach außen hin, anstatt nach innen, da das Hinzufügen zusätzlicher Ebenen der Komplexität innerhalb eines Prozesses möglicherweise nicht zu besseren Ergebnissen führt.

Im Kontext des Supply Chain Managements argumentiert Vermorel gegen die Vorstellung, dass Prognosen eine gemeinsame Anstrengung sein sollten. Er vergleicht dies mit der Bereitstellung von elektrischer Energie in einem Gebäude, was nicht als Teamarbeit betrachtet wird. Er behauptet, dass es keinen Grund gibt, warum Prognosen ein gemeinsamer Prozess sein sollten, und dass Unternehmen sich darauf konzentrieren sollten, einfachere und effektivere Lösungen für ihre Supply Chain-Herausforderungen zu finden.

Vermorel betont die Bedeutung des Vertrauens in Spezialisten auf verschiedenen Gebieten wie elektrische Installationen oder Prognosen der Supply Chain. Er weist darauf hin, dass kollaborative Prognosemethoden oft kontraproduktiv sind und zitiert eine Reihe von Studien, die zeigen, dass manuelle Eingriffe in Prognosen schädlich sein können. Dies liegt an der schlechten Wahrnehmung von Zufälligkeit durch Menschen; während Menschen gut darin sind, Muster zu erkennen, haben sie Schwierigkeiten, Zufälligkeit zu verstehen.

Vermorel argumentiert, dass eine kollaborative Prognosemethode erst dann vertrauenswürdig ist, wenn ihre Überlegenheit nachgewiesen werden kann. Er stellt fest, dass führende Forscher auf diesem Gebiet, wie diejenigen, die an Prognosewettbewerben teilnehmen, keine kollaborativen Methoden verwenden. Vermorel schlägt vor, dass Unternehmen skeptischer gegenüber Anbietern und Beratungsagenturen sein sollten, die solche kollaborativen Prognosemethoden fördern, da ihnen möglicherweise Kompetenz in diesem Bereich fehlt.

Die Kernbotschaft des Interviews ist, dass Unternehmen sich darauf konzentrieren sollten, Bereiche radikaler Inkompetenz im Supply Chain Management zu identifizieren, anstatt Prognosen durch Zusammenarbeit zu verbessern. Vermorel empfiehlt, den Wert der Prognose als Maßstab zu verwenden, um radikale Inkompetenz bei Anbietern oder Beratungsagenturen zu erkennen, die kollaborative Prognosen fördern. Er vergleicht dies mit der Erkennung von Anbietern, die Methoden auf der Grundlage von Astrologie oder künstlicher Intelligenz ohne Verständnis ihrer wahren Auswirkungen vorantreiben.

Vermorel rät Unternehmen zur Vorsicht im Umgang mit Anbietern und Beratungsagenturen im Bereich der Supply Chain-Optimierung und empfiehlt, den Wert der Prognose als Werkzeug zur Identifizierung von Inkompetenz zu verwenden. Dem Vertrauen in Spezialisten und dem Vermeiden kollaborativer Prognosemethoden kann zu effektiverem Supply Chain Management führen.

Vollständiges Transkript

Kieran Chandler: Heute werden wir besprechen, wie gut dies funktioniert und warum die Zerlegung einer Prognose tatsächlich zu schwierigeren Entscheidungen führen kann. Also, Joannes, was ist die Idee hinter dem Mehrwert der Prognose?

Joannes Vermorel: Der Mehrwert der Prognose ist ein Prozess, der in den frühen 2000er Jahren entstanden ist, vielleicht auch in den 90er Jahren. Ich habe keine früheren Veröffentlichungen gefunden, aber da es keine sehr komplizierte Idee ist, vermute ich, dass sie bereits in den 90er Jahren praktiziert wurde, wahrscheinlich unter verschiedenen Namen und Formen. Im Wesentlichen handelt es sich um einen Prozess, der darauf abzielt, die Genauigkeit der Prognose quantitativ zu verbessern, indem festgestellt wird, ob bestimmte Schritte, die bei der Erstellung des endgültigen Produkts, also der Prognose, unternommen werden, tatsächlich die Genauigkeit verbessern.

Zur Veranschaulichung haben wir ein Prognoseteam, das die Baseline-Prognose erstellt. Dann tritt das Marketingteam ein und passt diese Baseline anhand ihrer zusätzlichen Marketingkenntnisse an, zum Beispiel was sie in Bezug auf Kampagnen vorhaben. Dann tritt der Vertrieb ein und fügt seine eigene Korrekturschicht aufgrund der zusätzlichen Vertriebserkenntnisse hinzu. Dann tritt die Produktion ein, und so weiter. Wir kommen zum Prognoseteam zurück, das schließlich mit dem Plan abschließt, und das sind im Wesentlichen die Dinge, die im Rahmen des SNLP-Prozesses durchgeführt werden. Der Prozess des Mehrwerts der Prognose besteht darin, Metriken für die Differenz einzuführen, die durch jeden einzelnen Schritt des Prognoseprozesses eingeführt wird, um festzustellen, ob wir die Genauigkeit verbessern oder verringern, und implizit geht es darum, die Beiträge zu entfernen, die letztendlich die Genauigkeit der Prognose beeinträchtigen.

Kieran Chandler: Warum ist diese Idee entstanden? Denn die Einbeziehung so vieler unterschiedlicher Interessengruppen kann die Dinge definitiv komplizieren.

Joannes Vermorel: Ja, tatsächlich deuten zumindest die frühen Veröffentlichungen aus den 2000er Jahren darauf hin, dass die Erstellung von Prognosen mit vielen Händen in der Regel das Gegenteil des beabsichtigten Effekts bewirkt, nämlich die Verschlechterung der Prognosegenauigkeit. Ihre Schlussfolgerung ist, dass es genauer ist, bei der naiven Baseline-Prognose zu bleiben, die sehr häufig etwas wie gleitender Durchschnitt plus Saisonalität ist, als das, was man bekommt, wenn man viele verschiedene Personen diese Prognosen nach oben und unten anpassen lässt. Aber die Logik besagt, dass wir versuchen sollten, die schlechten Beiträge herauszufiltern, um die guten zu behalten, damit wir das Beste aus beiden Welten haben können: die anfängliche Genauigkeit, die durch zusätzliche Beiträge weiter verbessert wird, aber sorgfältig durch den Prozess des Mehrwerts der Prognose gefiltert wird.

Kieran Chandler: Wie bestimmen Sie also, welche Teams die guten Beiträge liefern und welche Teams diejenigen sind, die die schlechten Beiträge liefern?

Joannes Vermorel: Ganz einfach, indem man einen Backtest durchführt.

Kieran Chandler: Wie genau war die Genauigkeit der Baseline-Prognose für das letzte Quartal? Wie genau war die Baseline-Prognose plus der Beitrag des Vertriebsteams? Und dann haben wir zwei verschiedene Setup-Prognosen: die Baseline-Prognosen und diejenigen mit der ersten Korrekturstufe. Wir können sehen, ob wir die Prognosegenauigkeit verbessert haben oder nicht. Und dann können wir dieses Experiment für jede einzelne Stufe wiederholen, um es mit der Genauigkeit dessen zu vergleichen, was gerade zuvor kam. So können wir die Ergebnisse isolieren.

Joannes Vermorel: Es ähnelt sehr einem Backtest-Prozess, nur dass Sie eine zusätzliche Ebene der Granularität in der Analyse hinzufügen. Sie möchten die jeweilige Genauigkeit vor und nach den Änderungen analysieren und vergleichen und dabei die Schlüsselschritte des Prognoseprozesses betrachten. Und wenn ich von Schlüsselschritten spreche, meine ich Schritte aus der Perspektive der Organisation, bei denen eine Prognose an ein Team übergeben wird, das Team Korrekturen vornimmt und sie dann an ein anderes Team weitergibt. Das Ganze zirkuliert innerhalb des Unternehmens, bis es zum ursprünglichen Prognoseteam zurückkehrt, das für den gesamten Prognoseprozess verantwortlich ist.

Kieran Chandler: Es ergibt irgendwie logisch Sinn; man erhält immer mehr Fachwissen von immer mehr Menschen, also wird es wahrscheinlich genauer sein. Also, was ist dann das große Problem?

Joannes Vermorel: Das Problem ist, dass es einfach nicht funktioniert und von keiner wissenschaftlichen Evidenz unterstützt wird. Es ist so etwas, das intuitiv aussieht und gut klingt, aber wenn wir uns die statistische Prognoseliteratur anschauen, arbeitet kein Wissenschaftler tatsächlich mit solchen Techniken. Selbst wenn sie Prognosemodelle mit mehreren Stufen haben, sind alle diese Stufen in eine algorithmische Umgebung integriert, also nur eine Software. Die Idee, eine statistische Prognose zu verfeinern, indem sie von Abteilung zu Abteilung im Unternehmen springt, ist größtenteils Wahnsinn. Wenn wir uns Prognosewettbewerbe anschauen, die schon lange stattfinden, wie diejenigen, die von Professor Makridakis organisiert werden, haben diejenigen, die diese Wettbewerbe gewonnen haben, nicht auf einen mehrstufigen Prognoseprozess zurückgegriffen, bei dem die Prognose von Spezialist zu Spezialist springt. Meiner Meinung nach ist es so etwas, das sehr ansprechend ist, weil es alle glücklich macht; jeder kann seinen Beitrag leisten und es erzeugt ein Gefühl positiver Emotionen.

Joannes Vermorel: In diesem Prozess ja, aber so funktioniert es nicht. Es ist so etwas wie wenn man sich vorstellt, man hat einen Schachweltmeister und sagt: “Okay, jetzt werden wir versuchen, diesem Champion zu helfen, indem wir eine große Abstimmung von Menschen durchführen, die versuchen, ihm bei seinem nächsten Zug zu helfen.” Die Antwort ist nein, es wird diesen Champion nicht besser machen. Die Chancen stehen gut, dass es nur eine Ablenkung sein wird. Wenn Sie das Beste vom Besten haben wollen, lassen Sie ihn einfach das Spiel spielen oder lassen Sie sie das Spiel genau so spielen, wie es die Champions für richtig halten, und das ist es.

Kieran Chandler: Warum hat sich diese Idee dann so stark durchgesetzt? Liegt es daran, dass es etwas ist, das viele Menschen glücklich macht und sie das Gefühl haben, dass sie einen Beitrag leisten? Ich meine, warum haben die Menschen von Mehrwert der Prognose gehört?

Joannes Vermorel: Ich glaube, es handelt sich um eine Art sehr bürokratische Idee, die aufgrund ihrer starken Innenorientierung viel Attraktivität hat. Sobald Sie sich jedoch mit den realen Problemen befassen, wie dem Risikomanagement, das Sie dazu zwingt, Ihre Praxis in Richtung probabilistische Prognosen zu verbessern, wird es äußerst kompliziert. Der Mehrwert der Prognose ist trivial. Das mathematische Niveau ist auf dem Niveau einer Junior High School. Es ist so etwas, das gut aussieht und niemand intellektuell herausfordern wird. Es ist buchstäblich äußerst einfach.

Joannes Vermorel: Es ist sehr verlockend, Ihrer Supply Chain einfach eine weitere bürokratische Ebene hinzuzufügen, damit sich die Leute um diesen Prozess kümmern können, der gut aussieht und vernünftig klingt. Es wird alle beschäftigen und Sie werden darin ziemlich gut sein. Wie könnten Sie bei etwas so Einfachem und Geradlinigem wie dem Mehrwert der Prognose scheitern? Die Realität ist, dass Sie scheitern werden, in dem Sinne, dass Sie eine zusätzliche Schicht von Komplexität hinzufügen, die höchstwahrscheinlich alles verlangsamen, alles komplizieren und alles verwirren wird. Aber Ihre kurzsichtigen KPIs werden ein kleines bisschen besser sein und niemand hat eine Ahnung, ob es dem Unternehmen einen Dollar einbringen wird. Aus der sehr engen Perspektive Ihrer sehr kurzsichtigen KPIs könnte es sich etwas verbessern.

Kieran Chandler: Gibt es nicht eine gewisse Wahrheit darin, dass wir, wenn wir uns auf bestimmte Kernbereiche konzentrieren, einige enorme Verbesserungen sehen könnten?

Joannes Vermorel: Das erste, was wir zerlegen müssen, ist, dass die Prämisse dieses Vorschlags völlig falsch ist. Die Prämisse besagt, dass die Prognose eine gemeinsame Anstrengung sein sollte. Das ist nicht der Fall. Die Wissenschaft unterstützt diese Behauptung absolut nicht und auch alle Prognosewettbewerbe der letzten Jahrzehnte unterstützen diese Behauptung nicht. Auch die von mir gelesenen Fachartikel unterstützen diese Behauptung nicht. Also haben wir buchstäblich eine völlig falsche Prämisse. Die Prognose wird nicht besser, wenn sie als gemeinsame Anstrengung durchgeführt wird. Daher ist die Idee, dass alle an Bord sind und alle Beiträge leisten, einfach falsch.

Kieran Chandler: Und grundsätzlich haben wir bei Lokad den Beitrag manueller Anpassungen an die Prognose bewertet und im Wesentlichen waren sie immer falsch. Sie haben die Prognosegenauigkeit immer verringert. Um dies jedoch zu erreichen, müssen Sie zuerst eine Denkweise haben, bei der Sie, wenn jemand eine statistische Prognose sieht, die stark falsch ist, die Prognose nicht manuell anpassen möchten; Sie möchten das zugrunde liegende numerische Rezept beheben. Ich gehe davon aus, dass wir von einem vernünftigen numerischen Rezept für die Prognose sprechen, das einem Praxistest unterzogen wurde. Wenn also offensichtliche Dinge nicht ordnungsgemäß in die Prognose einbezogen werden, wurden diese Probleme behoben. Wenn Sie beispielsweise Ihre Lagerbestände nicht berücksichtigen, verwechseln Sie Nullverkäufe mit Nullnachfrage, was völlig falsch ist.

Joannes Vermorel: Ja, Sie müssen Ihr numerisches Rezept über die Lagerbestände informieren. Ich gehe davon aus, dass Sie, sobald Sie all diese Probleme gelöst haben, die eher von der Art eines Debuggings sind, und sobald das Modell einem Praxistest und Debugging unterzogen wurde, bei Lokad auf Anfrage vieler Kunden viele Benchmarks durchgeführt haben, bei denen wir die Prognosegenauigkeit vor und nach manuellen Eingriffen betrachtet haben. Und jedes einzelne Mal haben manuelle Eingriffe die Prognosegenauigkeit verschlechtert. Es stellt sich heraus, dass der menschliche Verstand nicht sehr gut mit statistischem Rauschen umgehen kann. Statistisches Rauschen ist etwas, das wir nicht wahrnehmen; wir sehen überall Muster. Es ist tatsächlich sehr schwierig, das statistische Rauschen als das zu erkennen, was es ist, und daher tendieren selbst einfache statistische Methoden wie der gleitende Durchschnitt dazu, das menschliche Urteilsvermögen zu übertreffen, obwohl er kaum besser ist als der gleitende Durchschnitt, und dennoch ist er bereits besser.

Kieran Chandler: Also, was Sie befürworten, ist eine Art Einzelkämpfer, der eine Prognose erstellt. Und warum, denken Sie, fällt es den Menschen so schwer, Vertrauen in die Wissenschaft zu haben? Warum ist es ein so großer Sprung des Glaubens?

Joannes Vermorel: Es ist kein Glaubenssprung; das ist etwas, was die Wissenschaft Sie nicht bitten würde, tatsächlich zu glauben. Es geht darum, zu verstehen, was passiert. Die Frage ist, warum sollten Menschen, die keine Spezialisten sind, in der Lage sein, auf einem umfangreichen Datensatz zu arbeiten und eine komplexe numerische Aufgabe im Kopf oder mit zufälligen Tabellenkalkulationen besser zu erledigen als Menschen, die tatsächlich Jahre damit verbringen, vernünftige numerische Rezepte genau dafür zu identifizieren? Welche Art von Magie wäre darin involviert? Und wenn Menschen sagen, sie hätten Einblicke in den Markt, ja, aber in welcher Granularität? Stellen wir uns für ein typisches Unternehmen vor, Sie haben etwa 20.000 SKU’s, und dann bitten Sie die Mitarbeiter des Vertriebsteams - sagen wir, es gibt fünf Personen -, Ihnen eine Tabelle mit 20.000 SKU’s zu geben und ihre Einsichten zu liefern.

Kieran Chandler: Ihre Eingaben dazu, ob diese Warteschlangen steigen oder fallen sollten, wissen die Vertriebsmitarbeiter nicht. Ich meine, wenn Sie Teil des Vertriebsteams sind, verwalten Sie vielleicht ein halbes Dutzend wichtiger VIP-Kunden, wenn Sie in einem B2B-Geschäft tätig sind. Diese Kunden bestellen Tausende von Produkten pro Quartal in unterschiedlichen Mengen. Das ist nicht die Granularität, mit der Sie arbeiten, wenn Sie Vertriebsmitarbeiter sind. Ihre Granularität besteht darin, dass Ihr Kunde eine Organisation ist, und in dieser Organisation kennen Sie eine Reihe von Personen. Das ist Ihre Granularität in Bezug auf Denken und Analyse. Und ich weiß, dass diese Organisation Tritt fasst und die Leute tatsächlich dazu neigen könnten, sich dem Angebot anzunähern, das ich mache, oder im Gegenteil, sich zurückzuziehen. Aber die Details der über 20.000 SKU’s, ich meine, sie wissen es buchstäblich nicht, also werden sie einfach etwas raten und vorgeben, dass die Arbeit erledigt ist.

Joannes Vermorel: Das ist die Illusion. Das Problem ist, dass, wenn Sie wichtige Erkenntnisse haben, warum das numerische Rezept nicht explizit überarbeiten, damit es diese zusätzlichen Elemente als Eingabe verwenden kann? Die Arbeit wird mit viel weniger Aufwand und viel mehr Genauigkeit erledigt.

Kieran Chandler: Würden Sie also sagen, dass dieses Problem immer noch besteht oder würden Sie sagen, dass die Leute langsam zu der Idee kommen, dass nicht nur eine einzelne Person für die Prognose verantwortlich ist?

Joannes Vermorel: Die Bewertung von Prognosen hat in den letzten Jahren wieder an Popularität gewonnen. Viele Berater und sogar einige ziemlich fehlgeleitete Softwareanbieter setzen sich jetzt für diese Methodik ein. Um ehrlich zu sein, für Anbieter wie Lokad gibt es tonnenweise Geld zu verdienen. Es ist die Art von Sache, die eine vollständige Ablenkung sein wird. Das Gute für einen Anbieter mit einer vollständigen Ablenkung ist, dass Sie niemals scheitern können. Es gab von Anfang an keinen Gewinn zu erzielen, aber umgekehrt gibt es keinen offensichtlichen Verlust, der eintreten könnte. Also, Sie können niemals scheitern. Das ist sehr gut. Ablenkung ist eine Mission, bei der man nicht scheitern kann.

Sie können Wochen oder Monate damit verbringen, eine ganze Wand von Metriken zu generieren, die Ihnen eine weitere Dimension geben, so dass alles, was Sie zuvor getan haben, eine zusätzliche Dimension hinzufügt, nämlich wie jede einzelne Sache, die Sie bereits tun, von jeder einzelnen Phase des Prozesses profitiert oder beeinträchtigt wird. Ich meine, Sie machen das Problem quadratisch komplexer, nicht komplizierter, weil es sehr einfach ist, es ist nur eine zusätzliche Dimension, aber Sie machen es deutlich komplexer. Wenn Sie ein großes Unternehmen mit zehn verschiedenen Phasen haben, haben Sie buchstäblich zehnmal mehr Metriken für alles, was Sie zuvor gemessen haben. Und daher können Sie entsprechend berechnen. Sie können für Upgrades, Beratungsgebühren, was auch immer berechnen.

Kieran Chandler: Wie können Sie dann zwischen den Beratern unterscheiden, die tatsächlich einen Mehrwert bieten, und den Beratern, die diese Metriken nur zum Selbstzweck erstellen?

Joannes Vermorel: Ich glaube, Sie müssen sich einfach fragen, ob Sie etwas Reales tun. Tun Sie etwas, das tatsächlich Auswirkungen hat?

Kieran Chandler: Also glauben Sie, dass dieser kollaborative Ansatz zur Prognose einen intrinsischen Wert für das Unternehmen hat, oder erledigen Sie nur beschäftigte Arbeit und halten die Bürokratie auf Trab?

Joannes Vermorel: Als Lackmustest habe ich bereits beim Diskutieren des bürokratischen Kerns der Supply Chain erwähnt, ob Sie nach innen oder nach außen schauen. In diesem Fall handelt es sich sehr stark um den Archetyp des Blicks nach innen. Wenn Sie einen bestehenden Prognoseprozess nehmen, die inneren Teile zerlegen und eine weitere Schicht von Komplexität darin hinzufügen, um ihn zu verbessern, funktioniert das in der realen Welt nicht so. Sie erhalten keine bessere Organisation, indem Sie nach innen schauen und zusätzliche Schichten von Artefakten hinzufügen. Mit dieser Abstraktion wird kein Mehrwert erzielt. Die einfache Idee sollte sein, die Prämisse zu entfernen, dass die Prognose eine gemeinsame Anstrengung sein sollte; es gibt keinen Grund dafür.

Es gibt viele Dinge, wie zum Beispiel die Stromversorgung in Ihrem Gebäude, die keine Teamarbeit sind. Sie würden nicht denken, dass jeder an Bord sein muss, um eine Stromversorgung im Gebäude zu haben. Es ist offensichtlich, dass Sie Spezialisten vertrauen, die den Job erledigen und sicherstellen, dass Ihr Gebäude aufgrund einer unsicheren elektrischen Installation nicht abbrennt. Die Idee, dass Sie mit gemeinsamer Anstrengung eine bessere elektrische Installation haben können, ist Unsinn, und es stellt sich heraus, dass dasselbe für Prognosen gilt.

Wenn ich sage “glauben Sie der Wissenschaft”, meine ich, dass es eine Reihe von Studien gibt, die zeigen, dass manuelle Eingriffe in Prognosen schädlich sind. Diese Studien sind etwa 20 Jahre alt, und ihre Ergebnisse sind nicht überraschend, weil es ein ganzes Feld der Psychologie gibt, das Menschen auf ihre Wahrnehmung von Zufälligkeit testet. Es stellt sich heraus, dass der menschliche Verstand darin schlecht ist, Zufälligkeit zu verstehen. Wir sind sehr gut darin, Muster zu erkennen, aber nicht darin, Zufälligkeit selbst zu verstehen.

Kieran Chandler: Also glaube ich, dass wir einen sehr guten Grund haben zu sagen, solange Sie nicht nachweisen können, dass eine kollaborative Prognose überlegen ist, sollten wir Ihnen nicht vertrauen. Und wenn wir sehen, dass wir Wettbewerb haben, bei dem jeder, der gewinnt, es in die Top 100 schafft, keine Art von kollaborativer Methode verwendet und dass auch führende Forscher in diesem Bereich wie Foreman das nicht tun, und Sie ihr Buch von vorne bis hinten lesen können, werden Sie nichts finden, was so aussieht. Es ist ziemlich vernünftig anzunehmen, dass es kompletter Unsinn ist. Es gibt viele Dinge, die sehr gut aussehen, sich sehr vernünftig anfühlen, aber die einfach völlig falsch sind, und genauso, wissen Sie, wenn Sie sich umschauen, ist die Erde flach.

Joannes Vermorel: Wenn wir heute alles zusammenfassen, ist die Kernbotschaft viel radikaler. Sie müssen die Bereiche radikaler Inkompetenz identifizieren, wenn Sie Ihre Supply Chain verbessern wollen, Menschen, die absolut keine Ahnung haben, was sie tun, buchstäblich Bozo der Clown. Im Geschäftsleben können diese Menschen, wissen Sie, einen ernsthaften Eindruck erwecken und so weiter. Der hinzugefügte Prognosewert sollte als Lackmustest behandelt werden, um radikale Inkompetenz aufzudecken. Wenn ein Prognoseanbieter dies auf seiner Website bewirbt, streichen Sie diesen Anbieter als völlig inkompetent. Wenn eine Beratungsagentur dafür wirbt, können Sie sie als völlig inkompetent streichen. Das ist so etwas wie die Blockchain oder die künstliche Intelligenz, wissen Sie, das ist der gleiche Test, bei dem, wenn sie für künstliche Intelligenz werben, okay, sie haben absolut keine Ahnung, was sie tun. Wir können streichen, zum nächsten übergehen. Stellen Sie sich einfach vor, wenn ein Anbieter tatsächlich eine Methode bewerben würde, die auf Astrologie beruht, würden Sie sagen, okay, diese Leute sind nicht glaubwürdig, Sie sind raus. Ich möchte nicht einmal Ihre Argumentation hören. Ich weiß, dass es eine 99,9%ige Chance gibt, dass Sie ein kompletter Betrüger sind. Nun, das ist eine gute Sache. Der hinzugefügte Prognosewert gibt Ihnen einen Lackmustest, um ein Unternehmen oder Beratungsunternehmen auszusortieren, die sich als völlig inkompetent erweisen. Seien Sie dankbar und verwenden Sie das einfach als Filter.

Kieran Chandler: Okay, ich muss es dabei belassen, aber ein paar Unternehmen von der Liste streichen. Das war alles für diese Woche. Vielen Dank fürs Einschalten und wir sehen uns in der nächsten Folge wieder. Vielen Dank fürs Zuschauen.