00:00:07 Einführung von Warren Powell und das Thema des Tages.
00:00:36 Warrens Hintergrund und seine Arbeit an Princeton und Casa Labs.
00:02:00 Das Thema der Diskussion - Unsicherheit im supply chain management.
00:03:05 Vergleich zwischen Lkw-Frachttransport und supply chain management.
00:06:00 Das Konzept der sequentiellen Entscheidungsfindung im supply chain management.
00:09:01 KPIs, wichtige Leistungsindikatoren und das Durchführen von Simulationen in einer supply chain.
00:10:00 Die Notwendigkeit einer Entscheidungsregel, um Simulationen durchzuführen und die Leistung des Unternehmens zu bewerten.
00:11:51 Die Nutzung von Simulationen, um die beste Entscheidung für ein Unternehmen zu ermitteln.
00:13:03 Die Dualität zwischen probabilistischer Vorhersage und einem generativen Modell.
00:15:17 Die Herausforderung, diese Ideen im praktischen Einsatz umzusetzen, die Schwierigkeit des Reinforcement Learning und das Potenzial des Deep Learning.
00:18:00 Diskussion über die Notwendigkeit, Komplexität zu akzeptieren und Machine-Learning-Algorithmen zu entwickeln, die policy-basierte Entscheidungen treffen können.
00:18:26 Erläuterung, wie auch Menschen Policies zur Entscheidungsfindung nutzen.
00:19:37 Die Bedeutung von Computersimulationen für das supply chain management und ihre unersetzliche Rolle.
00:22:17 Erläuterung der vier grundlegenden Klassen von Methoden zur Entscheidungsfindung.
00:24:00 Kritik an den aktuellen Prognosemethoden, die von großen Modemarken verwendet werden, und die Notwendigkeit, Kannibalisierung und Substitution zu berücksichtigen.
00:26:01 Diskussion über die Auswirkungen von Rabatten und Verkäufen auf das Verbraucherverhalten und wie dies Unternehmen beeinflusst.
00:27:08 Vergleich zwischen der Nutzung mathematischer Modelle und des Bauchgefühls zur Entscheidungsfindung im Geschäft.
00:29:44 Erläuterung der Bedeutung von Vertrauen in policy-basierte Prognosen.
00:30:32 Erläuterung der Notwendigkeit, dass sachkundige Personen das Problem verstehen und die richtigen Kennzahlen betrachten.
33:37 Abschließende Gedanken zur Zukunft des supply chain management und der Notwendigkeit von Werkzeugen und supply chain engineers.

Zusammenfassung

Das Interview zwischen Joannes Vermorel, Gründer von Lokad, und Warren Powell, Professor an der Princeton University und Mitbegründer von Optimal Dynamics, befasst sich mit den Komplexitäten und Unsicherheiten des supply chain management und der Entscheidungsfindung. Die Experten teilen ihre Erfahrungen aus der Praxis und bieten Einblicke, wie man diese Komplexitäten durch mathematische Modellierung und Simulationen angehen kann. Sie betonen die Bedeutung von Policies und Simulationen, um strategische, taktische und operative Entscheidungen im supply chain management zu treffen, und heben dabei die Grenzen der traditionellen Prognosemethoden hervor. Das Interview schließt mit einer Diskussion über die Zukunft policy-basierter Methoden im supply chain management und dem Bedarf an kompetenten supply chain engineers ab.

Erweiterte Zusammenfassung

Im Interview moderiert Kieran Chandler eine Diskussion zwischen Joannes Vermorel, dem Gründer von Lokad, und Warren Powell, Professor an der Princeton University und Mitbegründer von Optimal Dynamics. Sie gehen auf die Komplexitäten und Unsicherheiten ein, die mit dem supply chain management und der Entscheidungsfindung verbunden sind.

Warren Powell teilt seine Erfahrungen aus der Praxis und berichtete von der Gründung von Castle Labs, einer einzigartigen Zusammenarbeit zwischen Universität und Industrie, die reale Probleme angeht. Er erklärt, wie ihn seine frühe Arbeit im truckload trucking mit den Herausforderungen der Planung unter unsicheren Bedingungen konfrontierte.

Joannes Vermorel erläutert das Kernproblem der sequentiellen Entscheidungsfindung in supply chains, bei der gegenwärtige Entscheidungen stark von zukünftigen Entscheidungen beeinflusst werden. Er vergleicht diesen Prozess mit dem Schachspiel, bei dem jeder Zug im Kontext der nachfolgenden Züge betrachtet werden muss. Vermorel räumt ein, dass die mathematische Modellierung dieser Probleme komplex und rätselhaft sein kann.

Warren Powell erklärt, dass die Messung der Effektivität von Entscheidungen in supply chains darin besteht, wichtige Leistungs-indikatoren (KPIs) zu verwenden, um die Auswirkungen von Entscheidungen auf Kosten und Produktivität zu bewerten. Er schlägt vor, dass Simulationen helfen können, die chaotische und unvorhersehbare Natur des supply chain management zu bewältigen, da deterministische Modelle möglicherweise keine präzisen Lösungen liefern.

Das Interview untersucht die Herausforderungen, Unsicherheiten zu managen und effektive Entscheidungen in supply chains zu treffen, in denen jede Entscheidung mit zukünftigen Entscheidungen verknüpft ist. Die Experten diskutieren ihre praktischen Erfahrungen und geben Einblicke, wie man diese Komplexitäten durch mathematische Modellierung und Simulationen angehen kann.

Das Gespräch begann mit einem Vergleich der supply chain Optimierung mit einem Schachspiel gegen einen unvorhersehbaren Gegner, was darauf hindeutet, dass die Nutzung von Simulationen zu besseren Entscheidungen verhelfen kann. Powell erklärte, dass Policies oder Entscheidungsregeln neben Simulationen eingesetzt werden können, um die Unternehmensleistung schnell anhand verschiedener Kennzahlen zu bewerten.

Vermorel stimmte zu und betonte die Bedeutung der probabilistischen Vorhersage und generativer Modelle, die beide für die supply chain Optimierung genutzt werden können. Er erörterte die Dualität zwischen diesen beiden Ansätzen und hob hervor, dass die Wahl zwischen ihnen vom spezifischen zu lösenden Problem abhängt.

Sowohl Vermorel als auch Powell stimmten der Bedeutung zu, Policies in Kombination mit Simulationen zu verwenden, um supply chain optimieren Entscheidungen zu treffen.

Vermorel wies auch darauf hin, dass jüngste Durchbrüche im deep learning und in Optimierungsmethoden, wie stochastischem gradient descent, die Anwendbarkeit policy-basierter Entscheidungsfindung in komplexen Umgebungen verbessert haben. Diese Techniken funktionieren gut in geräuschvollen Umgebungen und bei einer großen Anzahl von Variablen, was sie für reale Probleme der supply chain Optimierung geeignet macht.

Powell erwähnte, dass Menschen ebenfalls Policies oder Methoden zur Entscheidungsfindung einsetzen und dass es vier grundlegende Klassen von Methoden gibt. Er führte das Beispiel von Google Maps als Look-Ahead-Policy an, die im Kontext langer supply chains nützlich sein könnte.

Powell betont die Notwendigkeit von Simulationen, um strategische, taktische und operative Entscheidungen im supply chain management zu treffen. Aufgrund der langen Zeithorizonte und der komplexen Natur von supply chains ist Versuch und Irrtum keine praktikable Methode zur Erprobung von Ideen. Simulationen bieten, obwohl sie nicht perfekt sind, eine bessere Alternative. Er unterstreicht die Bedeutung, die getroffenen Entscheidungen, die Bewertungskennzahlen, die Unsicherheitsquellen und den Entscheidungsprozess zu verstehen.

Vermorel hingegen spielt den Advocatus Diaboli, indem er Bedenken hinsichtlich der Glaubwürdigkeit numerischer Methoden äußert. Er stimmt zu, dass Simulationen effektiver sind als endlose Meetings, weist aber darauf hin, dass viele hochentwickelte mathematische Modelle kontextuell naiv sein können. Er nennt die Modeindustrie als Beispiel, wo punktuelle Prognosen oft wesentliche Faktoren wie Kannibalisierung und Substitution außer Acht lassen. Er betont, dass das Bauchgefühl in der Regel genauer sei, wenn es um naive Modelle geht.

Vermorel argumentiert weiter, dass Manager einen verständnisvolleren Ansatz bei der Modellierung verfolgen sollten, indem sie Heuristiken berücksichtigen und das Problem annehmen. Gleichzeitig räumt Powell ein, dass eine feingliedrige Modellierung für den Erfolg unerlässlich ist, da vereinfachte Modelle wichtige Faktoren übersehen können, was zu potenziell erheblichen Fehlern führen kann.

Sowohl Vermorel als auch Powell sind sich einig, dass, obwohl Computersimulationen und fortschrittliche Modelle für die supply chain Optimierung entscheidend sind, es ebenso wichtig ist, ein tiefes Verständnis des vorliegenden Problems zu haben und Modelle zu entwickeln, die die Komplexitäten der realen supply chain genau abbilden.

Die Diskussion dreht sich um die Grenzen von Point Forecasts und die Vorteile policy-basierter Prognosemethoden.

Die Teilnehmer argumentieren, dass traditionelle Prognosemethoden, die stark auf Bauchgefühl beruhen und die Vielzahl von Variablen nicht berücksichtigen, oft zu Überbeständen oder Unterbeständen führen. Point Forecasts neigen dazu, sehr knappe Lagerbestände zu erzeugen, von denen man gelernt hat, dass sie nicht optimal sind. Stattdessen schlagen sie vor, realistisch, intelligent zu agieren und die richtigen Fragen zu stellen, um zu besseren Entscheidungen zu gelangen.

Die Herausforderung, Menschen dazu zu bringen, den Nutzen policy-basierter Prognosen zu vertrauen und diesen zu veranschaulichen, wird ebenfalls diskutiert. In der Frachttransportbranche werden probabilistische Prognosen verwendet, um verschiedene Szenarien zu simulieren, die dann anhand von Key Performance Indicators (KPIs) bewertet werden, um festzustellen, ob sie plausibel erscheinen. Dieser Prozess trägt dazu bei, Vertrauen in die Methode aufzubauen.

Sowohl Vermorel als auch Powell betonen die Bedeutung von supply chain engineers, die über tiefgreifendes Wissen über das Problem und Programmierkenntnisse verfügen. Sie sind sich einig, dass der beste Ansatz darin besteht, eine Vielzahl von Kennzahlen zu verwenden, um Bereiche zu identifizieren, in denen Entscheidungen fehlerhaft, kostspielig oder ineffizient sein könnten. Es ist wichtig, sich auf Ausreißer zu konzentrieren, da diese oft erhebliche Konsequenzen haben können.

Sie thematisieren die Beschränkungen von Durchschnittskosten- und Point Forecasts und betonen den Bedarf an supply chain engineers anstelle von data scientists oder Softwareingenieuren. Sie sind der Überzeugung, dass policy-basierte Methoden, die Unsicherheit und Risiko berücksichtigen, die Zukunft des supply chain management vorantreiben werden, unterstützt durch zunehmend fortschrittlichere Computertechnologien.

Das Interview endet mit einer Diskussion über die Zukunft policy-basierter Methoden im supply chain management. Powell ist der Ansicht, dass Point Forecasts veralten werden, da sie die reale Welt nicht genau abbilden. Die Fortschritte in der Computertechnologie und die zunehmende Fähigkeit, Unsicherheiten zu bewältigen, werden policy-basierte Prognosemethoden effektiver und verbreiteter machen.

Das Interview hebt die Grenzen traditioneller Prognosemethoden hervor und betont die Vorteile policy-basierter Prognosen, während es gleichzeitig die Bedeutung von kompetenten supply chain engineers und den Einsatz vielfältiger Kennzahlen für eine effektive Entscheidungsfindung unterstreicht.

Gesamtes Transkript

Kieran Chandler: Heute bei Lokad TV freuen wir uns, von Warren Powell begleitet zu werden, der mit uns den Unterschied zwischen Policy- und Point Forecasts sowie deren Einsatz zur Optimierung dieser Catch-22-Entscheidungen diskutieren wird. Warren, vielen Dank, dass du heute live aus den USA zu uns gestoßen bist. Und wie immer beginnen wir gerne damit, ein wenig über unsere Gäste zu erfahren. Vielleicht könntest du uns zu Beginn ein wenig über dich erzählen.

Warren Powell: Zunächst einmal danke, dass ihr mich in die Sendung eingeladen habt. Ich habe meine Arbeit immer sehr genossen und schätze die Gelegenheit, darüber zu sprechen. Ich habe 39 Jahre lang an Princeton unterrichtet, und vor etwa 30 Jahren habe ich dieses Labor namens Castle Labs gegründet. Ich habe viel mit der Industrie gearbeitet und bin in der Frachttransportbranche gestartet. Während Akademiker viel Geld von Regierungen und Ähnlichem bekommen, war unsere Hauptfinanzierungsquelle die Industrie. Ich stellte auch fest, dass eine der Schwächen der staatlichen Finanzierung darin bestand, dass sie keine Daten haben; sie haben eigentlich kein Problem. Daher entwickelte ich durch Castle Labs diese einzigartige Zusammenarbeit zwischen Universität und Industrie, in der wir mit der Industrie zusammenarbeiteten und ihre Probleme angingen. Es bestand früh ein Interesse daran, Computer zu nutzen, um Unternehmen effizienter zu führen, sodass das Labor sehr erfolgreich war, schnell wuchs, und ich hatte das Glück, eine große Anzahl von Studenten zu gewinnen. Ich glaube, ich habe etwa 60 Absolventen und Postdocs ausgebildet, die ich als die Hauptquelle unserer etwa 250 Veröffentlichungen ansehe. Das war größtenteils die Arbeit der Studenten. Ich habe drei Beratungsunternehmen gegründet, das jüngste ist Optimal Dynamics, an dem ich immer noch beteiligt bin. Tatsächlich habe ich mich letztes Jahr zurückgezogen, um mich vollzeitlich bei Optimal Dynamics zu engagieren. Es ist eine sehr aufregende Gelegenheit.

Kieran Chandler: Klingt großartig, und heute dreht sich alles um die Optimierung der Entscheidungen, die man innerhalb einer supply chain trifft. Vielleicht könntest du damit beginnen, uns zu erzählen, welche Arten von Unsicherheit du im supply chain management beobachten kannst?

Warren Powell: Nun, ich muss noch einen weiteren Hintergrund geben: Meine allerersten Projekte waren im truckload trucking, und der Einstieg kam von einem großen Unternehmen namens Schneider National. Sie hatten bereits Computermodelle, die deterministisch in die Zukunft planten, und sie sagten: “Schau, truckload trucking ist nicht deterministisch. Wir wissen nicht, was morgen passieren wird. Wir wissen nicht, was heute passieren wird.” Und ich stellte fest, dass die akademische Gemeinschaft noch nicht wirklich gelernt hatte, wie man diese Probleme modelliert und sie auf Computern löst. Das führte über mehrere Jahrzehnte dazu, dass ich mich einfach fragte, “Okay, wie können wir überhaupt über dieses Problem nachdenken?”, weil die akademische Gemeinschaft es wirklich nicht ausgereift hatte.

Als ich vom Truckload Trucking, das groß und kompliziert ist, zum supply chain management gewechselt bin, habe ich festgestellt, dass letzteres bei weitem nicht so komplex ist wie der supply chain. Denn bei Truckload-Carriern besteht das Hauptproblem darin, ob der Versender eine Fracht abruft oder nicht, wie viele Ladungen ich transportieren muss und es gibt noch einige weitere Störfaktoren, wie etwa, ob der Fahrer erscheint und ob er im Verkehr stecken bleibt. Das ist bei weitem nicht annähernd so komplex wie supply chains. In supply chains steigt die Komplexität, während man im Truckload Trucking Entscheidungen vielleicht etwa eine Woche im Voraus trifft.

Kieran Chandler: Zwei Tage in der Zukunft, meistens tendiert es zu drei oder vier Tagen im Voraus. Supply chains können bis zu 100 oder 150 Tage in die Zukunft reichen. Bestellungen von Produkten aus China können mehrere Monate dauern. In diesen Monaten können größere Ereignisse eintreten, starke Stürme, politische Probleme, Arbeitskonflikte und Rohstofffehlbestände auftreten. Vieles davon passiert uns tatsächlich heute. Der Lieferant sieht sich mit erheblichen Unwägbarkeiten konfrontiert, was die Dauer betrifft, die der Hersteller in China benötigt, um das von dir angeforderte Produkt herzustellen. Er muss möglicherweise eine Produktionslinie hochfahren und seine Teile sowie Materialien zusammenstellen. Dann wird das Produkt auf ein Frachtschiff verladen, welches 30 Tage benötigen kann, aber je nach Sturm und Wetter auch 35 oder 36 Tage benötigen könnte. Es kann zu Hafenverzögerungen kommen. Wenn das Produkt schließlich vom Schiff entladen wird, folgt das Entladen, und es muss auf die Schiene oder in einen Lkw verladen werden. Und wenn es dann endlich ankommt, muss man es prüfen und feststellen, ob die Qualität in Ordnung ist. Es ist schlichtweg eine Litanei verschiedener Formen der Ungewissheit.

Kieran Chandler: Ja, und Joannes, genau das wollen wir heute etwas detaillierter besprechen. Was Warren dort angesprochen hat, ist die große Bandbreite der Zeitrahmen. Warum ist das interessant? Was bedeuten diese Unterschiede in den Zeitrahmen aus einer eher technischen Perspektive?

Joannes Vermorel: Ich halte Warrens Arbeit für sehr interessant, allerdings vielleicht aus einem etwas anderen Blickwinkel, nämlich dem sequentiellen Entscheidungsprozess. Die Unwägbarkeiten sind zwar nur eine technische Spielerei, aber der Kern des Problems besteht darin, überhaupt erst über die sequentiellen Entscheidungen nachzudenken, die man nacheinander trifft. Der Clou dabei ist, dass die Zukunft die Vergangenheit formt, was sich irgendwie falsch anfühlt. Die Entscheidung, die du gerade optimieren möchtest, hängt in Wirklichkeit von der Entscheidung ab, die du später treffen wirst. Ob die Entscheidung, die du jetzt triffst, gut ist oder nicht, hängt maßgeblich von der später getroffenen Entscheidung ab.

Joannes Vermorel: Um diese Situation zu veranschaulichen, nehmen wir an, du bestellst bei einem ausländischen Lieferanten mit einer Mindestbestellmenge (MOQ) und bestellst Tonnen von Produkten von diesem Lieferanten, sodass du einen voll beladenen Container erreichst. Das Problem ist, du gibst eine Bestellung auf, und der Container kann Hunderte unterschiedlicher Produkte enthalten. Ist das eine gute Bestellung? Nun, es kommt darauf an. Es hängt davon ab, wann du tatsächlich die Bestellung für die nächsten Container aufgibst. Siehst du, wenn dir ein Produkt nur wenige Tage nach der Bestellung deines Containers ausgeht, könntest du einen Lagerengpass bei diesem Produkt haben. Kannst du tatsächlich eine weitere Bestellung bei deinem Lieferanten aufgeben? Nein, nicht wirklich, da dieses Produkt für sich genommen nur einen winzigen Bruchteil eines ganzen Containers ausmacht. Also bist du festgelegt. Du hast einen ganzen Container bestellt und musst warten, bis du eine Bestellkapazität erreichst, die es dir ermöglicht, wieder einen vollen Container zu bestellen.

Kieran Chandler: Und so, ist die Entscheidung, die du gleich treffen wirst, die richtige? Es hängt davon ab, wann du deine nächste Entscheidung treffen wirst. Die Realität in supply chains und in vielen anderen Bereichen ist, dass, wenn du darüber nachdenkst, was es wirklich bedeutet, eine gute Entscheidung zu treffen, diese Entscheidung im Zusammenspiel mit einer später getroffenen Entscheidung stehen muss. Es ist, als ob du Schach spielst – es geht nicht darum, ob ich gerade den richtigen Zug gemacht habe. Man kann nur sagen, dass es ein guter Zug ist, wenn man alle anderen noch bevorstehenden Züge berücksichtigt. Genau das bedeutet es. Und dann wird das Problem plötzlich mathematisch sehr schwierig, weil du denkst: “Okay, ich habe eine Entscheidung, und es gibt verschiedene Mengen, aus denen ich wählen kann.” Aber dann hast du eine Art rekursive Perspektive, in der du an alle zukünftigen, noch nicht getroffenen Entscheidungen denken musst, und du fragst dich: “Ich möchte diese Entscheidung, die ich noch nicht getroffen habe, optimieren, aber gleichzeitig muss ich zukünftige Entscheidungen berücksichtigen, die noch nicht getroffen wurden.” Siehst du, es ist ein Henne-und-Ei-Problem, und mathematisch ist es schwierig und rätselhaft. Ich denke, ein Teil von Warren Powells Arbeit bestand darin, einen Korpus mathematischer Rahmenwerke und Ansätze zusammenzuführen, damit man numerisch konsistent über diese Probleme nachdenken kann. Ich mag diesen Vergleich, der dem Schachspiel ähnelt und stark davon abhängt, was der andere Spieler vielleicht tut und was sonst in der Welt vor sich geht.

Warren Powell: Nun, alle Unternehmen haben Möglichkeiten, ihre Leistung zu messen. Sie nennen diese KPIs, die key performance indices. Also haben sie all ihre Kennzahlen zu Kosten und Produktivität. Unternehmen verfügen über Dutzende und manchmal Hunderte dieser Kennzahlen. Man verwendet diese gleichen Kennzahlen. Was wir in der Regel tun, ist, Simulationen durchzuführen. Es wäre schön, wenn wir eine deterministische Welt hätten. Stell dir Google Maps vor, bei der wir so tun, als wüssten wir alle Reisezeiten, sodass wir den gesamten Weg zum Ziel kennen. Supply chains sind jedoch zu chaotisch. Es gibt zu viele zufällige Ereignisse, die eintreten, sodass es nicht ein einzelner Weg ist, sondern viele. Anstatt in die Zukunft zu blicken und zu denken, dass du genau weißt, was passiert, ist die Schach-Analogie passender. Aber wenn du gegen einen Schachexperten spielst, sind dessen Züge oft sehr vorhersehbar. Stell dir vor, er spielt gegen einen weniger erfahrenen Schachspieler. Dann wird es etwas zufälliger, weil er unvorhersehbar agiert. Das Problem wird dadurch wesentlich komplizierter. Aber um es einfach zu halten, stell dir vor, der Computer könnte einfach Simulationen durchführen. Wenn wir in die Zukunft blicken, brauche ich eine Regel – oder, wie ich es nenne, eine Policy –, eine Methode, um eine Entscheidung zu treffen, die mir sagt, welche Entscheidung ich treffen werde, egal was passiert. Also kann ich diese Simulationen durchführen, und immer wenn ich an einen Punkt komme – sagen wir, einen Monat in der Zukunft – an dem ich eine Entscheidung treffen muss, habe ich eine Regel. Computer können diese Simulationen sehr schnell ausführen. Wir können 100 verschiedene Szenarien parallel in die Zukunft simulieren.

Kieran Chandler: Fangen wir damit an, wie ein Unternehmen Kennzahlen nutzen kann, um seine Leistung zu bewerten. Wenn es darum geht, Entscheidungen zu treffen, wie zum Beispiel, ob man eine Bestellung aufgibt und wie groß die Bestellung sein sollte, wie können Unternehmen diese Entscheidungen und ihre möglichen Ergebnisse simulieren?

Warren Powell: Um diese Entscheidungen zu treffen, können Unternehmen Simulatoren einsetzen, um die Kennzahlen zu analysieren und die beste Entscheidung für den aktuellen Moment zu bestimmen. Wir können eine Regel für die Entscheidung jetzt anwenden, müssen diese Regel jedoch auch mithilfe von Simulationen feinabstimmen, um sicherzustellen, dass sie optimal funktioniert – und das nicht nur für den Moment, sondern auch in Hinblick auf die Zukunft. Für einfachere Probleme, wie Bestandskontrolle, kann eine einfache Order-up-to-Policy sehr gut funktionieren. Bei komplexeren Problemen, wie etwa wann eine Bestellung für einen Lkw-Ladung aus China, die in 90 Tagen ankommt, aufgegeben werden sollte, müssen Faktoren wie frühere Bestellungen, bekannte Ereignisse wie Hurrikane und andere unbekannte Faktoren berücksichtigt werden. Wir können diese Szenarien simulieren und die Optionen anhand der besten Kennzahlen für die Zukunft bewerten. Im Grunde geht es darum, dein Unternehmen so zu simulieren und zu betreiben, wie du es normalerweise tun würdest, und es entsprechend zu bewerten.

Kieran Chandler: Johannes, was hältst du von diesem Policy-Ansatz? Funktioniert die Simulation deiner Meinung nach tatsächlich?

Joannes Vermorel: Ja, ich stimme voll und ganz zu, dass Simulation funktioniert. Beim Forecasting ist der moderne Ansatz, probabilistisches Forecasting zu betrachten. Es gibt eine Dualität zwischen probabilistischen Vorhersagen und generativen Modellen. Probabilistische Vorhersagen liefern Wahrscheinlichkeiten für bestimmte Zukünfte, die als Beispiele möglicher Zukünfte entnommen werden können. Generative Modelle dagegen erzeugen Zukünfte, die, wenn man sie mittelt, die Wahrscheinlichkeiten deines ganzheitlichen Modells ergeben. Im Grunde genommen sind diese Modelle zwei verschiedene Ansätze, um dasselbe zu betrachten. Die Wahl zwischen ihnen ist mehr eine Frage technischer Details und dessen, was für die numerische Lösung deines Problems angemessener ist.

Warren Powell: Genau, und das Wesentliche des mathematischen Tricks zur Optimierung sequentieller Entscheidungen besteht darin, die Entscheidungen von heute und morgen zu entflechten. Anstatt sich auf die Entscheidung selbst zu konzentrieren, müssen wir den Entscheidungsfindungsmechanismus erlernen. Dieser Mechanismus kann viele Parameter besitzen, die optimiert werden können.

Kieran Chandler: Joannes, könntest du erklären, wie Policies abgestimmt werden können und welche Rolle sie in der supply chain Optimierung spielen?

Joannes Vermorel: Eine Policy ist im Grunde eine abstrakte Regel mit Parametern, die auf die eine oder andere Weise erlernt werden können. Die Idee ist, sich mit den Policies auseinanderzusetzen, die Entscheidungen generieren. Dafür benötigt man ein generatives Modell, das typischerweise aus einem probabilistischen Forecast oder anderen Methoden abgeleitet wird.

Kieran Chandler: Wie hilft es, Simulation als probabilistischen Forecast zu betrachten, um die Genauigkeit einer Policy zu beurteilen?

Joannes Vermorel: Es ist interessant, Simulation als probabilistischen Forecast zu betrachten, weil es einem ermöglicht, die Genauigkeit ins Auge zu fassen. Wenn Leute sagen, sie führen Simulationen durch, lautet die zentrale Frage, ob die Simulation eine präzise Darstellung der Zukunft liefert. Um diese Frage zu beantworten, muss man die Perspektive des probabilistischen Forecastings einnehmen, um beurteilen zu können, ob der Simulator eine akkurate Darstellung der möglichen Zukünfte deines Unternehmens bietet.

Kieran Chandler: Kannst du näher auf die Herausforderungen bei der Umsetzung dieser Policies im praktischen Einsatz eingehen und den Fortschritt in der Informatik erläutern, der diese Herausforderungen zu überwinden hilft?

Joannes Vermorel: Das Problem wird in der praktischen Umsetzung dieser Ideen schnell zu einer Frage der Praktikabilität. Das Erlernen von Policies war aus numerischer Sicht ein außerordentlich schwieriges Problem. Traditionelle Ansätze des Reinforcement Learning waren oft nur in einfachen Versuchsaufbauten erfolgreich, hatten jedoch Schwierigkeiten bei Problemen, die Tausende oder Millionen von Variablen beinhalten.

Einer der Nebeneffekte des Durchbruchs im Deep Learning war die Entwicklung besserer mathematischer Optimierungsmethoden, wie etwa des stochastischen Gradientenabstiegs, der in geräuschvollen Umgebungen mit Transfervariablen gut funktioniert. Diese Methoden wurden nicht speziell für Entscheidungsfindungsprozesse entwickelt, aber der Fortschritt in der Informatik hat sie äußerst anwendbar für die Policy-Optimierung in realen, komplexen Szenarien gemacht. Dies schließt Situationen ein, in denen Simulationen Tausende oder sogar Hunderttausende von Lagerhaltungseinheiten (SKUs) umfassen und Hunderte Tage in die Zukunft reichen.

Kieran Chandler: Wir haben ein halbes Dutzend miteinander verflochtener Unsicherheiten: Nachfrageschwankungen, Durchlaufzeiten, Rohstoffpreise, Kannibalisierung, Bewegungen der Wettbewerber. Sie sind nicht sehr komplex, aber sie sind alle miteinander verknüpft. Daher musst du in der Lage sein, diese Art von ambienter Komplexität zu berücksichtigen, damit dein Simulator nicht allzu naiv hinsichtlich möglicher Zukünfte ist. Warren, würdest du dem zustimmen? Wie würdest du diese Machine-Learning-Algorithmen entwickeln, um diese policy-basierten Entscheidungen zu treffen?

Warren Powell: Zunächst einmal sollten wir uns daran erinnern, dass auch Menschen Policies verwenden. Immer wenn eine Entscheidung getroffen wird, wird eine Methode angewendet. Nennen wir das eine Policy, aber es ist im Grunde eine Methode. Jeder verwendet eine Methode, daher ist das nichts Neues. Was ich gemacht habe, ist festzulegen, dass es vier grundlegende Klassen von Methoden gibt. Die Order-up-to-Policy gehört zu diesen vier Klassen; sie wird als Policy Function Evaluation bezeichnet.

Nehmen wir Google Maps als Beispiel; das ist eine Look-Ahead-Policy. In der Bestandsplanung neigen die Leute dazu, diese einfache Policy Function Evaluation zu verwenden: wenn der Bestand unter einen bestimmten Wert fällt, wird bis zu einem bestimmten Wert nachbestellt. Wenn du solche langen supply chains hast, musst du wirklich an die Zukunft denken. Das ist ein direkter Ausblick, sodass wir nun zwei der vier Klassen abgedeckt haben.

Diese vier Klassen artikulieren im Grunde das, was wir ohnehin tun. Um herauszufinden, welche Klasse die beste ist, musst du simulieren und sehen, wie sie sich im Laufe der Zeit bewährt. Bei einem Transportunternehmen könnte ich auf eine Idee kommen, sie einige Wochen testen und beobachten, ob sie funktioniert. Bei supply chains geht das nicht; es kann nahezu ein Jahr dauern, bis sich etwas bewährt. Die Zeitrahmen sind einfach zu lang, und deshalb sind Computersimulationen nahezu unersetzlich.

Ohne Computer sitzt man einfach nur eine Gruppe von Menschen um einen Tisch, die streiten und sagen: “Oh, naja, ich denke, das ist besser”, während jemand anderes etwas anderes bevorzugt. Das sieht man heute in der supply chain-Welt – viele Menschen reden und diskutieren, aber niemand hat Beweise. Ich habe meine Karriere bei Castle Labs damit verbracht, Simulatoren für strategische und taktische Planungen zu entwickeln, um einen Blick in die Zukunft zu werfen und so entscheiden zu können, ob ich gerade die richtige Entscheidung treffe.

Ohne Simulationen, was soll man sonst tun? Ich könnte eine Idee ausprobieren, drei Monate warten, eine andere Idee testen, weitere drei Monate abwarten, aber natürlich haben die nächsten drei Monate nichts mit den ersten zu tun. Ich sehe keinen Weg, auf einen Computer zu verzichten, der mir sagt: “Hier ist eine Methode, um Entscheidungen zu treffen, hier ist entweder eine völlig andere oder eine etwas abgewandelte Methode. Welche scheint zu funktionieren?” Du führst deine Simulationen durch. Simulationen sind nie perfekt, aber was ist besser? Nenne mir etwas, das besser ist.

Der Prozess ist eigentlich sehr einfach zu verstehen. Eines der schwierigsten Dinge, die ich in supply chains feststelle, ist, einen supply chain-Experten zu fragen, welche Entscheidungen er trifft. Ich kann kaum glauben, wie viele Leute dich gläubig anstarren und sagen: “Nun, so habe ich nie wirklich darüber nachgedacht.” An supply chains ist mehr beteiligt als nur die Bestellung von Inventar; viele weitere Entscheidungen spielen eine Rolle.

Kieran Chandler: Also, was sind Ihre Kennzahlen? Es ist nicht nur eine; es gibt eine Menge davon. Und was sind Ihre Quellen der Unsicherheit? Darüber könnten wir lange diskutieren, aber Sie werden nicht alle aufzählen. Es tut mir leid, diese großen supply chains, von denen Sie sprechen, beinhalten globale Unsicherheiten. Wer hätte voraussagen können, dass ein Schiff im Suezkanal steckenbleibt oder dass die COVID-Pandemie eintritt? Aber es gibt viele unvorhersehbare Dinge, die Sie erwarten können, und wir müssen uns bewusst sein, dass solche Dinge passieren. Sobald Sie also die Entscheidungen, die Sie treffen, Ihre Bewertungsmethoden und die Unsicherheiten festgelegt haben, geht es darum, wie die Entscheidung getroffen wird. Und wissen Sie was? Es gibt vier Klassen von Richtlinien – von der einfachsten Variante bis hin zur kompliziertesten vollständigen Vorausplanung. Man kann deterministisch vorausplanen, wie Google Maps, oder mit Unsicherheit vorausplanen.

Warren Powell: Wenn ich mit Geschäftsleuten spreche und sie das Wort “forecast” benutzen, habe ich immer das Gefühl, dass sie mit “forecast” eine Punktprognose meinen. Was mir an dieser Sendung gefällt, ist, dass ich diese Diskussion nicht mit euch führen muss; ihr versteht voll und ganz, dass man stochastisch denken muss. Man muss über die Unsicherheit der Prognose nachdenken – das heißt, man muss über Regeln zur Entscheidungsfindung nachdenken und nicht nur über die Entscheidung selbst. Und das Ganze ist sehr simpel. Ja, wir brauchen den Computer. Wenn Sie keinen Computer einsetzen wollen, sagen Sie mir bitte, was Sie stattdessen tun werden. Wenn Sie eine bessere Idee haben, kann ich sie nicht nachvollziehen.

Kieran Chandler: Johannes, wie viel Vertrauen können wir in diese richtlinienbasierten Ansätze haben? Wie solide sind diese mathematischen Modellierungen?

Joannes Vermorel: Zunächst einmal stimme ich zu, dass das Gegenstück zu endlosen S&OP-Meetings nicht sehr produktiv ist. Ein Problem – und ich halte das für eine berechtigte Kritik an numerischen Methoden – ist, dass wir, wie Russell Ackoff vor fast 40 Jahren sagte, Methoden besitzen, die mathematisch sehr anspruchsvoll, aber kontextuell unglaublich naiv sein können. Das Problem ist also, dass wir anfangen müssen zu überlegen, wie viel Glaubwürdigkeit zukünftigen Projektionen beigemessen werden kann. Tatsache ist, dass viele populäre Methoden, die in großen supply chains noch weit verbreitet sind, kompletter Müll sind. Ich verstehe die Sichtweise eines Managers, der sich eine ausgeklügelte Computersimulation ansieht, die zwar sehr anspruchsvoll ist, aber den Kern der Sache völlig verfehlt und sich auf Schätzungen stützt. Um ein konkretes Beispiel zu nennen: Fast jede große Modemarke erstellt heutzutage Prognosen, wobei die meisten eine punktweise Prognose durchführen. Man nimmt also seine Produkte und versucht, wöchentliche Nachfragevorhersagen zu erstellen. Allerdings würde ich schätzen, dass etwa 0% dieser Modemarken tatsächlich Kannibalisierung und Substitution berücksichtigen.

Kieran Chandler: Willkommen, alle zusammen, zu unserem heutigen Interview. Wir haben zwei Gäste bei uns: Joannes Vermorel, den Gründer von Lokad – einem Softwareunternehmen, das sich auf supply chain optimization spezialisiert hat – und Warren Powell, Professor an der Princeton University, Mitgründer und Chief Analytics Officer bei Optimal Dynamics. Vielen Dank an beide, dass Sie dabei sind. Lassen Sie uns in die Diskussion eintauchen.

Joannes Vermorel: Wenn es darum geht, ein Produkt zu kaufen, verlässt man sich oft einfach auf sein Bauchgefühl und wählt ein Produkt, das zu seinem Geschmack passt. Man sieht, dass massive Effekte von Substitution und Kannibalisierung im Spiel sind. Zum Beispiel: Wenn ich ein Modegeschäft betrete und 20 verschiedene weiße Hemden sehe, wirken sie alle irgendwie gleich für mich. Letztlich bevorzuge ich das eine über das andere, ohne dass ich von Anfang an einen festen Plan hatte, welches Produkt ich kaufen möchte. If you have a forecasting model that ignores something as massive as substitution, how much trust can you have in the mathematical model? I think there has been a lot of warranted skepticism because managers look at those fancy methods and ask, “Do you deal with something as basic as substitution?” If the answer is no, how can you trust the model? You also need to consider the impact of discounts. If we start giving away large discounts at the end of the season, people will get used to the fact that our brand gives a lot of discounts, and they will wait for the next collection’s sale season to benefit from the discounts. People are smart, and they adapt. So, when comparing a naive model to gut feeling, gut feeling is usually more correct. It is better to be approximately correct than exactly wrong. With proper care and understanding, it is possible to improve the model, but it requires a mechanical sympathy and embracing the problem to be approximately correct. Warren Powell: Ich stimme deinem Beispiel zu, Joannes. Hier gibt es zwei Probleme: die Zufälligkeit bei der Auswahl eines Hemdes, die mathematische Modelle gut handhaben können, und die subtilere Modellierung von Rabatten sowie die Reaktion des Marktes darauf. Ein naives Modell könnte Letzteres leicht übersehen und Preisnachlässe vorschlagen, ohne zu berücksichtigen, dass der Markt sich daran gewöhnt, wenn Sie den Preis senken. Das ist ein erheblicher Fehler. People have a gut feeling, and more sophisticated models should be able to handle these subtleties. But a simple model won’t. I’ve spent years in the lab building models that companies were funding, and we’ve seen these sorts of mistakes occur when the models overlook crucial aspects of the problem. Kieran Chandler: Würden Sie erläutern, wie Sie Vertrauen in Ihre Modelle aufbauen, insbesondere bei der Arbeit im Frachttransport?

Warren Powell: Es hat uns sechs oder acht Jahre gekostet, ein Modell zu entwickeln, dem Norfolk Southern vertraute. Es war viel Arbeit. Man darf die Feinheit, dass sich der Markt an etwas gewöhnt, nicht ignorieren – das ist ein so leicht zu begehender Fehler. Man muss die Modelle kalibrieren, gute Statistiken erfassen und sachkundige Leute einbinden, die die richtigen Fragen stellen. Ständig Dinge aus dem Nichts zu erfinden, wird jedoch schwierig. Ich denke, es gibt zu viele Variablen, die ein Mensch berücksichtigen kann; eine Möglichkeit, dem entgegenzuwirken, ist, mehr Inventar zu bestellen und es zu verstecken – was allerdings teuer ist. Wenn man Punktprognosen verwendet, arbeitet man tendenziell mit sehr knapp bemessenem Inventar. Wir lernen, dass auch das nicht der richtige Weg ist. Kieran Chandler: Warren, kommen wir zurück zum Thema Vertrauen. Wenn Sie diese richtlinienbasierten Prognosen erstellen, wie bringen Sie die Leute dazu, diese Vision wirklich zu visualisieren und mitzutragen? Denn eines der eigentlichen Probleme bei Lokad war, die Menschen davon zu überzeugen, zu verstehen, was wir mit probabilistischen Prognosen machten. Warren Powell: Im Frachttransport erstellen wir probabilistische Prognosen darüber, was Versender leisten können. Wir führen Simulationen durch und beobachten, wie sich die Lkw tatsächlich verhalten, um zu prüfen, ob das Szenario plausibel erscheint. Wir stellen Kennzahlen zusammen, wie oft wir Ladungen abdecken oder Fahrer nach Hause bringen, und wir betrachten die standardmäßigen KPIs, die jedes Unternehmen nutzt. Sie können Ihre probabilistische Prognose erstellen, tausend Simulationen laufen lassen, Ihre KPIs zusammentragen und dann beurteilen, ob das Ergebnis vernünftig erscheint. Es erfordert ein gewisses Maß an Versuch und Irrtum, und kluge, fachkundige Leute müssen eingebunden werden, die die KPIs und die richtigen Metriken im Blick haben, um zu beurteilen, ob sich alles korrekt verhält. Kieran Chandler: Johannes, wie würdest du deinen Weg im Vergleich zu Warrens beschreiben? Es klingt, als hättest du ziemlich ähnliche Erfahrungen gemacht. Joannes Vermorel: Ja, genau. Bei Lokad werden die Personen, die Programmierkenntnisse und tiefgehendes Wissen über das supply chain Problem selbst haben, Supply Chain Scientists genannt. Es stimmt, dass man das Problem nicht aus einer monolithischen, einheitlichen Kennzahlen-Perspektive angehen kann, da dies in der Regel sehr trügerisch wirkt. Wenn man das tut, endet man in etwas, das sehr Kaggle-ähnlich ist – und zwar nicht im positiven Sinne –, wo man eine Kennzahl mikroomtimal optimiert und damit das System komplett ausnutzt. Kieran Chandler: Über den Punkt der Irrelevanz hinaus besteht der Ansatz typischerweise darin, eine Vielzahl von Kennzahlen zu nutzen, um Ihr Setup zu instrumentieren, damit Sie die Bereiche identifizieren können, in denen etwas gravierend schief läuft. Joannes, könntest du das näher erläutern? Joannes Vermorel: Bei Lokad nennen wir das experimentelle Optimierung. Die Idee ist, Situationen zu identifizieren, in denen Ihr numerisches Modell, das Ihre Richtlinie generiert, sehr schlechte Entscheidungen hervorbringen wird. Dies ist typischerweise der Ausgangspunkt, um zu diagnostizieren, was nicht stimmt. Die Methode, diese Ausreißerentscheidungen zu erkennen – bei denen etwa etwas fehlt, wie das Übersehen eines Elefanten – besteht darin, das Problem aus vielen Blickwinkeln zu betrachten. Diese falschen Entscheidungen können sehr kostspielig sein, sind aber selten. Wenn Sie nur Ihre Durchschnittswerte betrachten, bemerken Sie sie vielleicht nicht, da probabilistische Metriken meist Mittelwerte über viele Situationen darstellen. Das Problem bei Durchschnittswerten ist, dass sie ein Ereignis verbergen können, das zwar nur einmal in tausend Fällen auftritt, aber Ihre Kosten um den Faktor 10 vervielfacht. Deshalb versuchen wir, dem entgegenzuwirken. The key is to have people that are supply chain engineers first and foremost, rather than being data scientists or software engineers. This brings me to the conclusion that you need some sort of tooling to operate with a decent level of productivity, but that’s a completely different problem. Kieran Chandler: Danke, Joannes. Warren, wir überlassen dir das letzte Wort. Was erhoffst du dir für die Zukunft? Siehst du, dass eines Tages alle diese richtlinienbasierten Methoden anwenden werden?

Warren Powell: Zunächst einmal, weil heute jeder richtlinienbasierte Methoden verwendet, denke ich, dass dies der Weg in die Zukunft ist. Das Google Maps der Punktprognosen – entschuldigung – wird einfach nicht überleben. Sie müssen verstehen, es war der Beginn meiner Karriere im Jahr 1981.

Kieran Chandler: Willkommen bei Schneider National zu jener Zeit, unserem größten Truckload-Carrier in den Vereinigten Staaten und einem frühen Pionier der Analytics. Im Jahr 1981 liefen bereits Computermodelle, doch man setzte weiterhin auf Punktprognosen. Diejenigen, die zu mir kamen, sagten: “Warren, die Welt ist stochastisch. Deshalb wechseln wir in die Welt des supply chain management. Punktprognosen werden einfach nicht funktionieren. Vielleicht glaubt jemand insgeheim, dass das die Realität sei, aber das ist es nicht.” Diese Vorstellung eines richtlinienbasierten Ansatzes beschreibt, wie Menschen Entscheidungen treffen.

Warren Powell: Man kann einfache Richtlinien wie “order up to” verwenden oder Look-Ahead-Richtlinien. Wenn die Leute “look ahead” sagen, denken sie in der Regel deterministisch. Hier muss es neu gedacht werden. Man muss “look ahead” unter Berücksichtigung von Unsicherheit betrachten, aber heute stehen uns die Computer zur Verfügung. In den 1980er Jahren waren die Computer eine Peinlichkeit. Heutzutage sitzen wir in der Cloud und lassen 50 Szenarien parallel laufen, um – statt nur Durchschnittswerte zu ermitteln – zu bewerten, wie häufig ein schlechtes Ereignis eintritt, um das Risiko abzuschätzen.

Warren Powell: Alle anderen von Joannes angesprochenen Punkte sind nach wie vor gültig. Man muss das Problem angemessen modellieren, aber irgendwann kommt der Wendepunkt, an dem das, was der Computer leistet, immer noch deutlich besser ist als das, was irgendein Mensch tun könnte. Ich finde es äußerst spannend, dass die Zeit reif ist. Wir setzen das bereits in der Truckload-Branche ein. Ich habe supply chain simulators entwickelt, allerdings hauptsächlich als Simulatoren. Ich denke, den Simulator in den praktischen Einsatz zu bringen – also sozusagen: “Okay, jetzt überlege ich, was in der Zukunft passieren könnte, um mir bei der heutigen Entscheidungsfindung zu helfen” – ist zum Greifen nah.

Kieran Chandler: Okay, brillant. Ich muss hier nun zum Schluss kommen, aber meine Herren, ich danke Ihnen beiden für Ihre Zeit. Das war also alles für diese Woche. Vielen Dank fürs Einschalten und auf Wiedersehen.

The key is to have people that are supply chain engineers first and foremost, rather than being data scientists or software engineers. This brings me to the conclusion that you need some sort of tooling to operate with a decent level of productivity, but that’s a completely different problem.

Kieran Chandler: Danke, Joannes. Warren, wir überlassen dir das letzte Wort. Was erhoffst du dir für die Zukunft? Siehst du, dass eines Tages alle diese richtlinienbasierten Methoden anwenden werden?

Warren Powell: Zunächst einmal, weil heute jeder richtlinienbasierte Methoden verwendet, denke ich, dass dies der Weg in die Zukunft ist. Das Google Maps der Punktprognosen – entschuldigung – wird einfach nicht überleben. Sie müssen verstehen, es war der Beginn meiner Karriere im Jahr 1981.

Kieran Chandler: Willkommen bei Schneider National zu jener Zeit, unserem größten Truckload-Carrier in den Vereinigten Staaten und einem frühen Pionier der Analytics. Im Jahr 1981 liefen bereits Computermodelle, doch man setzte weiterhin auf Punktprognosen. Diejenigen, die zu mir kamen, sagten: “Warren, die Welt ist stochastisch. Deshalb wechseln wir in die Welt des supply chain management. Punktprognosen werden einfach nicht funktionieren. Vielleicht glaubt jemand insgeheim, dass das die Realität sei, aber das ist es nicht.” Diese Vorstellung eines richtlinienbasierten Ansatzes beschreibt, wie Menschen Entscheidungen treffen.

Warren Powell: Man kann einfache Richtlinien wie “order up to” verwenden oder Look-Ahead-Richtlinien einsetzen. Wenn die Leute “look ahead” sagen, denken sie normalerweise deterministisch. Hier muss es neu gedacht werden. Man muss “look ahead” mit Unsicherheit betrachten, aber heute stehen uns die Computer zur Verfügung. In den 1980er Jahren waren die Computer eine Peinlichkeit. Heute sitzen wir in der Cloud und lassen 50 Szenarien parallel laufen, und anstatt Durchschnittswerte zu berechnen, schätzen wir ab, wie häufig ein negatives Ereignis eintritt, um das Risiko zu bewerten.

Warren Powell: Alle anderen von Joannes angesprochenen Punkte bleiben gültig. Man muss das Problem angemessen modellieren, aber irgendwann gibt es den Punkt, an dem das, was der Computer leistet, deutlich besser ist als das, was irgendein Mensch erzielen könnte. Ich finde es enorm aufregend, dass die Zeit reif ist. Wir setzen dies bereits in der Truckload-Branche um. Ich habe supply chain simulators entwickelt, allerdings hauptsächlich als Simulatoren. Ich denke, den Simulator in den tatsächlichen Betrieb zu überführen – sprich: “Okay, jetzt überlege ich, was in der Zukunft passieren könnte, um mir bei der heutigen Entscheidung zu helfen” – ist zum Greifen nah.

Kieran Chandler: Okay, brillant. Ich muss hier nun zum Schluss kommen, aber meine Herren, ich danke Ihnen beiden für Ihre Zeit. Das war also alles für diese Woche. Vielen Dank fürs Einschalten und auf Wiedersehen.