00:00:07 Einführung von Warren Powell und dem heutigen Thema.
00:00:36 Warrens Hintergrund und seine Arbeit an der Princeton University und Casa Labs.
00:02:00 Das Thema der Diskussion - Unsicherheit im Supply Chain Management.
00:03:05 Vergleich von LKW-Transport und Supply Chain Management.
00:06:00 Das Konzept der sequenziellen Entscheidungsfindung im Supply Chain Management.
00:09:01 KPIs, Key Performance Indicators, und Durchführung von Simulationen in einer Supply Chain.
00:10:00 Die Notwendigkeit einer Entscheidungsregel zur Durchführung von Simulationen und Bewertung der Unternehmensleistung.
00:11:51 Verwendung von Simulationen zur Bestimmung der besten Entscheidung für ein Unternehmen.
00:13:03 Die Dualität zwischen probabilistischer Prognose und einem generativen Modell.
00:15:17 Die Herausforderung, diese Ideen in der Praxis umzusetzen, die Schwierigkeit des verstärkenden Lernens und das Potenzial des Deep Learnings.
00:18:00 Diskussion über die Notwendigkeit, Komplexität anzunehmen und maschinelle Lernalgorithmen zu entwickeln, die richtlinienbasierte Entscheidungen treffen können.
00:18:26 Erläuterung, wie auch Menschen Richtlinien verwenden, um Entscheidungen zu treffen.
00:19:37 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 derzeit von großen Modeunternehmen verwendeten Prognosemethoden und die Notwendigkeit, Kannibalisierung und Substitution zu berücksichtigen.
00:26:01 Diskussion über die Auswirkungen von Rabatten und Verkäufen auf das Verbraucherverhalten und wie es Unternehmen beeinflusst.
00:27:08 Vergleich zwischen der Verwendung mathematischer Modelle und dem Bauchgefühl zur Entscheidungsfindung in Unternehmen.
00:29:44 Erläuterung der Bedeutung von Vertrauen in richtlinienbasierte Prognosen.
00:30:32 Erläuterung der Notwendigkeit von sachkundigen Personen, das Problem zu verstehen und die richtigen Kennzahlen zu betrachten.
33:37 Abschließende Gedanken zur Zukunft des Supply Chain Managements und der Notwendigkeit von Werkzeugen und Supply Chain Engineers.
Zusammenfassung
Das Interview zwischen Joannes Vermorel, dem Gründer von Lokad, und Warren Powell, Professor an der Princeton University und Mitbegründer von Optimal Dynamics, geht auf die Komplexitäten und Unsicherheiten im Supply Chain Management und bei Entscheidungsfindungen ein. Die Experten teilen ihre Erfahrungen auf diesem Gebiet und bieten Einblicke, wie diese Komplexitäten durch mathematische Modellierung und Simulationen bewältigt werden können. Sie betonen die Bedeutung von Richtlinien und Simulationen für strategische, taktische und operative Entscheidungen im Supply Chain Management und weisen auf die Grenzen herkömmlicher Prognosemethoden hin. Das Interview schließt mit einer Diskussion über die Zukunft richtlinienbasierter Methoden im Supply Chain Management und den Bedarf an qualifizierten Supply Chain Engineers.
Ausführliche Zusammenfassung
In dem Interview führt 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 im Supply Chain Management und bei Entscheidungsfindungen ein.
Warren Powell teilt seine Erfahrungen auf diesem Gebiet und hat Castle Labs gegründet, eine einzigartige Zusammenarbeit zwischen Universität und Industrie, die sich mit realen Problemen befasst. Er diskutiert, wie seine frühe Arbeit im Bereich des LKW-Transports ihn mit den Herausforderungen der Planung für unsichere Faktoren konfrontiert hat.
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 erkennt an, dass die mathematische Modellierung dieser Probleme komplex und verwirrend sein kann.
Warren Powell erklärt, dass die Messung der Effektivität von Entscheidungsfindung in Supply Chains die Verwendung von Leistungskennzahlen (KPIs) beinhaltet, um die Auswirkungen von Entscheidungen auf Kosten und Produktivität zu bewerten. Er schlägt vor, dass Simulationen helfen können, mit der unübersichtlichen und unvorhersehbaren Natur des Supply Chain Managements umzugehen, da deterministische Modelle möglicherweise keine genauen Lösungen liefern.
Das Interview untersucht die Herausforderungen bei der Bewältigung von Unsicherheiten und der effektiven Entscheidungsfindung in Supply Chains, bei denen jede Entscheidung mit zukünftigen Entscheidungen verbunden ist. Die Experten diskutieren ihre Erfahrungen auf diesem Gebiet und bieten Einblicke, wie diese Komplexitäten durch mathematische Modellierung und Simulationen bewältigt werden können.
Das Gespräch begann mit einem Vergleich der Optimierung von Supply Chains mit dem Schachspiel gegen einen unberechenbaren Spieler und legte nahe, dass die Verwendung von Simulationen zu besseren Entscheidungen führen kann. Powell erklärte, dass Richtlinien oder Entscheidungsregeln zusammen mit Simulationen verwendet werden können, um die Unternehmensleistung schnell anhand verschiedener Kennzahlen zu bewerten.
Vermorel stimmte zu und betonte die Bedeutung der probabilistischen Prognose und generativer Modelle, die beide für die Optimierung von Supply Chains verwendet werden können. Er diskutierte 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 waren sich einig über die Bedeutung der Verwendung von Richtlinien in Verbindung mit Simulationen zur Optimierung von Supply Chain-Entscheidungen. Richtlinien sind abstrakte Regeln, die Parameter haben können, die erlernt und angewendet werden können. Vermorel wies darauf hin, dass es schwierig ist, diese Konzepte in realen Situationen anzuwenden, da es jahrzehntelange Forschung mit begrenztem Erfolg in Bezug auf numerische Leistungen gegeben hat.
Vermorel wies auch auf jüngste Durchbrüche im Bereich des Deep Learning und der Optimierungsmethoden hin, wie zum Beispiel stochastischer Gradientenabstieg, die die Anwendbarkeit der richtlinienbasierten Entscheidungsfindung in komplexen Umgebungen verbessert haben. Diese Techniken funktionieren gut in lauten Umgebungen und mit einer großen Anzahl von Variablen, was sie für reale Optimierungsprobleme in der Supply Chain geeignet macht.
Powell erwähnte, dass Menschen auch Richtlinien oder Methoden verwenden, wenn sie Entscheidungen treffen, und dass es vier grundlegende Klassen von Methoden für die Entscheidungsfindung gibt. Er nannte das Beispiel von Google Maps als eine vorausschauende Richtlinie, die im Kontext langer Supply Chains nützlich sein könnte.
Powell betont die Notwendigkeit von Simulationen für strategische, taktische und operative Entscheidungen im Supply Chain Management. Aufgrund der langen Zeiträume und der komplexen Natur von Supply Chains ist Versuch und Irrtum keine praktikable Methode, um Ideen zu testen. Simulationen bieten eine bessere Alternative, obwohl sie nicht perfekt sind. Er betont die Bedeutung des Verständnisses der getroffenen Entscheidungen, der Bewertungsmetriken, der Unsicherheitsquellen und des Entscheidungsprozesses.
Vermorel spielt jedoch den Advokaten des Teufels und äußert Bedenken hinsichtlich der Glaubwürdigkeit numerischer Methoden. Er stimmt zu, dass Simulationen effektiver sind als endlose Meetings, weist jedoch darauf hin, dass viele ausgefeilte mathematische Modelle kontextuell naiv sein können. Er nennt die Modeindustrie als Beispiel, wo punktweise Prognosen oft wichtige Faktoren wie Kannibalisierung und Substitution ignorieren. Er betont, dass das Bauchgefühl in der Regel genauer ist, wenn es um naive Modelle geht.
Vermorel argumentiert weiterhin, dass Manager einen sympathischeren Ansatz für das Modellieren wählen sollten, indem sie Heuristiken in Betracht ziehen und das Problem annehmen. Powell hingegen erkennt an, dass subtile Modellierung für den Erfolg unerlässlich ist, da einfache Modelle wichtige Faktoren übersehen können, was zu potenziell schwerwiegenden Fehlern führt.
Sowohl Vermorel als auch Powell sind sich einig, dass zwar Computersimulationen und fortschrittliche Modelle für die Optimierung der Supply Chain entscheidend sind, es jedoch ebenso wichtig ist, ein tiefes Verständnis für das vorliegende Problem zu haben und Modelle zu entwickeln, die die Komplexität der realen Supply Chain genau widerspiegeln.
Die Diskussion dreht sich um die Grenzen von Punktprognosen und die Vorteile von richtlinienbasierten Prognosemethoden.
Die Teilnehmer argumentieren, dass traditionelle Prognosemethoden, die stark auf das Bauchgefühl setzen und die Vielzahl von Variablen nicht berücksichtigen, oft zu Überbeständen oder Unterbeständen führen. Punktprognosen neigen dazu, sehr geringe Bestände zu erzeugen, was sich als nicht optimal erwiesen hat. Stattdessen schlagen sie vor, realistisch zu sein, intelligent zu handeln und die richtigen Fragen zu stellen, um bessere Entscheidungen zu treffen.
Die Herausforderung, Menschen dazu zu bringen, den Nutzen von richtlinienbasierten Prognosen zu vertrauen und zu visualisieren, 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 vernünftig erscheinen. Dieser Prozess trägt dazu bei, Vertrauen in die Methode aufzubauen.
Sowohl Vermorel als auch Powell betonen die Bedeutung von Supply Chain Ingenieuren, die über fundiertes Wissen über das Problem und Programmierkenntnisse verfügen. Sie sind sich einig, dass der beste Ansatz darin besteht, eine Vielzahl von Metriken zu verwenden, um Bereiche zu identifizieren, in denen Entscheidungen möglicherweise falsch, kostspielig oder ineffizient sind. Es ist wichtig, Ausreißer zu beachten, da sie oft erhebliche Auswirkungen haben können.
Sie gehen auf die Grenzen von Durchschnittskosten und Punktprognosen ein und betonen die Notwendigkeit von Supply Chain Ingenieuren anstelle von Data Scientists oder Software Engineers. Sie glauben, dass richtlinienbasierte Methoden, die Unsicherheit und Risiko berücksichtigen, die Zukunft des Supply Chain Managements vorantreiben werden, unterstützt durch immer fortschrittlichere Computerfähigkeiten.
Das Interview endet mit einer Diskussion über die Zukunft von richtlinienbasierten Methoden im Supply Chain Management. Powell glaubt, dass Punktprognosen veraltet werden, da sie die reale Welt nicht genau repräsentieren. Die Fortschritte in der Computertechnologie und die zunehmende Fähigkeit, mit Unsicherheit umzugehen, werden richtlinienbasierte Prognosemethoden effektiver und verbreiteter machen.
Das Interview hebt die Grenzen traditioneller Prognosemethoden hervor und betont die Vorteile von richtlinienbasierten Prognosen, während es die Bedeutung von qualifizierten Supply Chain Ingenieuren und die Verwendung einer Vielzahl von Metriken für eine effektive Entscheidungsfindung betont.
Vollständiges Transkript
Kieran Chandler: Heute bei Lokad TV freuen wir uns, Warren Powell begrüßen zu dürfen, der mit uns über den Unterschied zwischen richtlinienbasierten und Punktprognosen sprechen wird und wie diese zur Optimierung dieser Catch-22-Entscheidungen eingesetzt werden können. Warren, vielen Dank, dass Sie heute live aus den USA dabei sind, und wie immer möchten wir gerne damit beginnen, ein wenig über unsere Gäste zu erfahren. Vielleicht könnten Sie uns einfach ein bisschen über sich selbst erzählen.
Warren Powell: Nun, zunächst einmal vielen Dank für die Einladung in die Sendung. Ich habe es wirklich genossen, das zu tun, was ich tue, und schätze die Gelegenheit, darüber zu sprechen. Ich habe 39 Jahre lang an der Princeton University unterrichtet und vor etwa 30 Jahren dieses Labor namens Castle Labs gegründet. Ich habe viel mit der Industrie zusammengearbeitet und meine Karriere im Güterverkehr begonnen. Nun, die Akademiker erhalten viel Geld von Regierungen und so weiter, aber unsere Hauptfinanzierungsquelle war die Industrie. Mir wurde auch klar, dass eine der Schwächen der staatlichen Finanzierung darin besteht, dass sie keine Daten haben; sie haben tatsächlich kein Problem. Also habe ich diese einzigartige Zusammenarbeit zwischen Universität und Industrie durch Castle Labs entwickelt, um mit der Industrie zusammenzuarbeiten und ihre Probleme anzugehen. Es gab bereits frühzeitig Interesse daran, Computer einzusetzen, um Unternehmen effizienter zu führen, und das Labor lief sehr gut, es wuchs schnell, und ich hatte das Glück, eine große Anzahl von Studenten zu bekommen. Ich glaube, ich habe etwa 60 Absolventen und Postdocs betreut, und ich weise auf sie als die Hauptquelle hin, ich glaube, wir haben etwa 250 Veröffentlichungen geschrieben. Das ist größtenteils die Arbeit der Studenten. Ich habe drei Beratungsfirmen gegründet, die neueste ist Optimal Dynamics, mit der ich immer noch verbunden bin. Tatsächlich bin ich letztes Jahr in den Ruhestand gegangen, um mich mehr in Vollzeit bei Optimal Dynamics zu engagieren. Es ist eine sehr aufregende Gelegenheit.
Kieran Chandler: Klingt großartig, und heute geht es darum, diese Entscheidungen innerhalb einer Supply Chain zu optimieren. Vielleicht könnten Sie damit beginnen, uns zu erzählen, welche Arten von Unsicherheiten Sie im Supply Chain Management beobachten können?
Warren Powell: Nun, ich muss noch eine weitere Hintergrundinformation geben, nämlich dass meine allerersten Projekte im LKW-Verkehr waren, und die Einführung kam von einem großen Unternehmen namens Schneider National. Sie hatten bereits Computermodelle, die deterministisch in die Zukunft planen würden, und sie sagten: “Schauen Sie, der LKW-Verkehr 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 nicht gelernt hatte, wie man diese Probleme wirklich modelliert und auf Computern löst. Also habe ich mich einfach gefragt, wie man dieses Problem überhaupt angehen kann, weil die akademische Gemeinschaft es wirklich nicht ausgearbeitet hatte.
Als ich vom LKW-Verkehr, der groß und kompliziert ist, zum Supply Chain Management gewechselt bin, habe ich festgestellt, dass letzteres bei weitem nicht so kompliziert ist wie die Supply Chain. Bei LKW-Frachtführern besteht das Hauptproblem darin, ob der Versender einen Auftrag erteilt oder nicht, wie viele Aufträge muss ich bewegen, und dann gibt es noch ein paar andere Störquellen wie zum Beispiel, ob der Fahrer auftaucht und ob er im Verkehr stecken bleibt. Es ist bei weitem nicht im gleichen Maßstab wie bei Supply Chains. Bei Supply Chains steigen Sie ein, und im LKW-Verkehr treffen Sie vielleicht eine Woche im Voraus Entscheidungen.
Kieran Chandler: In der Zukunft tendiert es dazu, dass die meisten Entscheidungen drei oder vier Tage im Voraus getroffen werden. Supply Chains können sich über 100 Tage, 150 Tage erstrecken. Die Bestellung von Produkten aus China kann mehrere Monate dauern. In diesen Monaten können sich wichtige Ereignisse ereignen, wie zum Beispiel schwere Stürme, politische Probleme, Arbeitsprobleme und Fehlbestände. Vieles davon passiert uns heute tatsächlich. Der Lieferant hat viele Unsicherheiten hinsichtlich der Zeit, die der Hersteller in China benötigt, um das von Ihnen angeforderte Produkt herzustellen. Er muss möglicherweise eine Produktionslinie hochfahren und seine Teile und Lieferungen bereitstellen. Dann legen Sie es auf das Frachtschiff, und das Frachtschiff kann 30 Tage dauern, aber je nach Stürmen und Wetter kann es auch 35 oder 36 Tage dauern. Es kann zu Hafenausfällen kommen. Wenn das Produkt tatsächlich vom Schiff abgeladen wird, muss es entladen werden. Sie müssen es auf eine Eisenbahn oder einen Lastwagen laden. Wenn es schließlich ankommt, müssen Sie es sich ansehen und fragen, ob die Qualität in Ordnung ist. Es ist einfach eine Litanei verschiedener Unsicherheiten.
Kieran Chandler: Ja, und Joannes, das ist es, worüber wir heute etwas genauer sprechen werden. Was Warren dort besprochen hat, ist die große Variation der Zeitspannen. Warum ist das interessant? Was bedeuten diese Unterschiede in den Zeitspannen vielleicht aus einer technischeren Perspektive?
Joannes Vermorel: Ich finde Warrens Arbeit sehr interessant, aber vielleicht aus einem etwas anderen Blickwinkel, nämlich dem sequenziellen Entscheidungsprozess. Die Unsicherheiten sind eine Art technische Frage, aber der Kern des Problems besteht darin, überhaupt über diese sequenziellen Entscheidungen nachzudenken, die Sie in Sequenz treffen. Der Trick besteht darin, dass die Zukunft die Vergangenheit formt, was sich irgendwie falsch anfühlt. Die Entscheidung, die Sie jetzt optimieren möchten, hängt tatsächlich von der Entscheidung ab, die Sie später treffen werden. Ob die Entscheidung, die Sie gerade treffen, gut ist oder nicht, hängt sehr stark von der Entscheidung ab, die später getroffen wird.
Joannes Vermorel: Um diese Art von Situation zu klären, nehmen wir an, Sie bestellen bei einem ausländischen Lieferanten mit einer minimalen Bestellmenge (MOQ) und bestellen Tonnen von Produkten von diesem Lieferanten, und Sie müssen einen vollen Container erreichen. Nun, das Problem ist, dass Sie eine Bestellung aufgeben und der Container Hunderte verschiedener Produkte enthalten kann. Ist es eine gute Bestellung? Nun, das hängt ab. Es hängt davon ab, wann Sie tatsächlich die Bestellung für die nächsten Container aufgeben werden. Sehen Sie, das Problem ist, wenn Ihnen ein Produkt nur wenige Tage nach der Bestellung des Containers ausgeht, können Sie für dieses Produkt einen Fehlbestand haben. Können Sie tatsächlich eine weitere Bestellung bei Ihrem Lieferanten aufgeben? Nein, eigentlich nicht, denn dieses Produkt allein ist nur ein winziger Bruchteil eines ganzen Containers. Sie stecken fest. Sie stecken fest mit der Tatsache, dass Sie einen ganzen Container bestellt haben und warten müssen, bis Sie wieder eine Bestellkapazität haben, die bequem ist und mit der Bestellung eines vollen Containers kompatibel ist.
Kieran Chandler: Und so hängt die Entscheidung, die Sie treffen werden, davon ab, wann Sie Ihre nächste Entscheidung treffen werden. Die Realität in der Supply Chain und in vielen Bereichen der Interaktion besteht darin, dass, wenn Sie darüber nachdenken, was es wirklich bedeutet, eine gute Entscheidung zu treffen, es eine Entscheidung sein muss, die gut mit einer Entscheidung harmoniert, die später getroffen wird. Genauso wie beim Schachspielen geht es nicht darum, ob ich gerade den richtigen Zug gemacht habe. Es macht nur Sinn zu sagen, dass dies ein guter Zug ist in Bezug auf alle anderen Züge, die gespielt werden sollen. Das ist es, was es bedeutet. Und dann wird die Frage plötzlich sehr schwierig, sich sogar mathematisch anzunähern, weil Sie darüber nachdenken: “Okay, ich habe eine Entscheidung, und Sie können denken, ich habe verschiedene Mengen, die ich wählen kann.” Aber dann haben Sie eine Art rekursive Perspektive, in der Sie über alle zukünftigen Entscheidungen nachdenken müssen, die noch nicht getroffen wurden, und Sie fragen sich: “Ich möchte diese Entscheidung, die ich noch nicht getroffen habe, optimieren, meine Entscheidung, und doch muss ich zukünftige Entscheidungen berücksichtigen, die noch nicht einmal getroffen wurden.” Verstehen Sie, Sie haben also dieses Huhn-und-Ei-Problem, und mathematisch gesehen ist es schwierig und verwirrend. Ich denke, ein Teil des Prozesses der Arbeit von Warren Powell bestand darin, tatsächlich einen Korpus mathematischer Rahmenbedingungen und Ansätze zu konsolidieren, damit Sie numerisch über diese Probleme nachdenken können, auf konsistente Weise. Ich mag diese Analogie sehr, dass es in gewisser Weise dem Schach ähnelt und stark davon abhängt, was die andere Person vielleicht tut und was sonst noch in der Welt passiert.
Warren Powell: Nun, alle Unternehmen haben Möglichkeiten, die Leistung zu messen. Sie nennen sie die KPIs, die Kennzahlen zur Leistung. Sie haben alle ihre Metriken zu Kosten, Produktivität. Unternehmen haben Dutzende und Dutzende, manchmal Hunderte dieser Metriken. Sie verwenden diese gleichen Metriken. Was wir tendenziell tun, ist, Simulationen durchzuführen. Es wäre schön, wenn wir eine deterministische Welt hätten. Stellen Sie sich Google Maps vor, wo wir so tun, als ob wir alle Reisezeiten kennen, damit wir den gesamten Weg zum Ziel sehen können. Supply Chains sind zu unordentlich. Es geht zu weit und es werden zu viele zufällige Dinge passieren, also ist es nicht ein Weg; es sind viele. Anstatt in die Zukunft zu schauen und zu denken, dass Sie genau wissen, was passieren wird, ist die Schach-Analogie eine gute. Aber wenn Sie gegen einen Experten-Schachspieler spielen, tendieren sie dazu, sehr vorhersehbar zu sein. Stellen Sie sich vor, sie spielen gegen einen weniger erfahrenen Schachspieler. Das ist etwas zufälliger, weil sie unberechenbar handeln. Das Problem wird tatsächlich viel komplizierter. Aber um es einfach zu halten, stellen Sie sich vor, der Computer kann einfach Simulationen durchführen. Wenn wir in die Zukunft gehen, muss ich eine Regel haben, oder ich nenne es gerne eine Richtlinie, 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 jedes Mal, wenn ich einen Punkt erreiche, sagen wir einen Monat im Voraus, und ich eine Entscheidung treffen muss, habe ich eine Regel. Computer können diese Simulationen sehr schnell durchführen. Wir können 100 verschiedene Szenarien in die Zukunft parallel laufen lassen.
Kieran Chandler: Fangen wir damit an, wie ein Unternehmen Metriken verwenden kann, um ihre Leistung zu bewerten. Wenn es darum geht, Entscheidungen zu treffen, wie zum Beispiel ob eine Bestellung aufgegeben werden soll und wie groß die Bestellung sein sollte, wie können Unternehmen diese Entscheidungen und ihre potenziellen Ergebnisse simulieren?
Warren Powell: Um diese Entscheidungen zu treffen, können Unternehmen Simulatoren verwenden, um die Metriken zu betrachten und die beste Entscheidung für den gegenwärtigen Moment zu bestimmen. Wir können eine Regel verwenden, um jetzt eine Entscheidung zu treffen, aber wir müssen auch Simulatoren verwenden, um diese Regel zu verfeinern, um sicherzustellen, dass sie am besten funktioniert, indem wir nicht nur die Gegenwart, sondern auch die Zukunft berücksichtigen. Für einfachere Probleme wie die Bestandsverwaltung kann eine einfache Bestell-auf-Bestand-Politik sehr gut funktionieren. Für komplexere Probleme wie zum Beispiel wann eine Bestellung für eine Ladung aus China aufgegeben werden soll, die in 90 Tagen eintreffen wird, muss die Entscheidung Faktoren wie frühere Bestellungen, bekannte Ereignisse wie Hurrikane und andere unbekannte Faktoren berücksichtigen. Wir können diese Szenarien simulieren und die Entscheidungen anhand der besten Metriken für die Zukunft bewerten. Im Wesentlichen geht es darum, Ihr Unternehmen zu simulieren und es entsprechend zu bewerten.
Kieran Chandler: Johannes, was denkst du über diesen politischen Ansatz? Funktioniert die Simulation deiner Meinung nach tatsächlich?
Joannes Vermorel: Ja, ich stimme sehr zu, dass Simulation funktioniert. Wenn es um Prognosen geht, ist der moderne Ansatz, über probabilistische Prognosen nachzudenken. Es gibt eine Dualität zwischen probabilistischen Prognosen und generativen Modellen. Probabilistische Prognosen geben Ihnen Wahrscheinlichkeiten für bestimmte Zukunftsszenarien, die zur Erstellung von Beispielen möglicher Zukünfte verwendet werden können. Generative Modelle hingegen generieren Zukünfte, die, wenn sie gemittelt werden, Ihnen die Wahrscheinlichkeiten Ihres ganzheitlichen Modells geben. Im Wesentlichen handelt es sich bei diesen Modellen um zwei verschiedene Möglichkeiten, dieselbe Sache zu betrachten. Die Wahl zwischen ihnen ist eher eine Frage der technischen Details und dessen, was für die numerische Auflösung Ihres Problems am besten geeignet ist.
Warren Powell: Das stimmt, und das wesentliche mathematische Trick, um sequenzielle Entscheidungen zu optimieren, besteht darin, die Entscheidungen von heute und morgen zu entflechten. Anstatt sich auf die Entscheidung selbst zu konzentrieren, müssen wir den Entscheidungsmechanismus erlernen. Dieser Mechanismus kann viele Parameter haben, die optimiert werden können.
Kieran Chandler: Joannes, könntest du erklären, wie Richtlinien angepasst werden können und welche Rolle sie bei der Optimierung der Supply Chain spielen?
Joannes Vermorel: Eine Richtlinie ist grundsätzlich eine abstrakte Regel mit Parametern, die auf die eine oder andere Weise erlernt werden können. Die Idee besteht darin, Ihre Richtlinien, die Entscheidungen generieren, zu konfrontieren. Dazu benötigen Sie ein generatives Modell, das in der Regel aus einer probabilistischen Prognose oder anderen Methoden abgeleitet wird.
Kieran Chandler: Wie hilft es, Simulation als probabilistische Prognose zu betrachten, um die Genauigkeit einer Richtlinie zu bewerten?
Joannes Vermorel: Es ist interessant, Simulation als probabilistische Prognose zu betrachten, weil es Ihnen ermöglicht, die Genauigkeit zu berücksichtigen. Wenn Leute sagen, dass sie Simulationen durchführen, stellt sich die große Frage, ob die Simulation eine genaue Darstellung der Zukunft liefert. Um diese Frage zu beantworten, müssen Sie die Perspektive der probabilistischen Prognose einnehmen, damit Sie beurteilen können, ob Ihr Simulator eine genaue Darstellung der möglichen Zukünfte für Ihr Unternehmen liefert.
Kieran Chandler: Können Sie näher auf die Herausforderungen bei der Umsetzung dieser Richtlinien im Feld und den Fortschritt in der Informatik eingehen, um diese Herausforderungen zu bewältigen?
Joannes Vermorel: Das Problem wird sehr stark zu einer Frage der Praktikabilität, wenn es darum geht, diese Ideen im Feld umzusetzen. Das Erlernen von Richtlinien war aus numerischer Sicht ein äußerst schwieriges Problem. Traditionelle Verstärkungslernverfahren waren oft nur in Spielzeugumgebungen erfolgreich, hatten aber Schwierigkeiten mit Problemen, die Tausende oder Millionen von Variablen umfassen.
Einer der Nebeneffekte des Durchbruchs im Bereich des Deep Learning war die Entwicklung besserer mathematischer Optimierungsmethoden wie dem stochastischen Gradientenabstieg, der in rauschigen Umgebungen mit Transfervariablen gut funktioniert. Diese Methoden wurden nicht speziell für den Entscheidungsfindungsprozess entwickelt, aber der Fortschritt in der Informatik hat sie für die Optimierung von Richtlinien in realen, komplexen Umgebungen sehr anwendbar gemacht. Dies umfasst Situationen, in denen Simulationen Tausende oder sogar Hunderttausende von Lagerhaltungseinheiten (SKUs) umfassen und Hunderte von Tagen in die Zukunft reichen.
Kieran Chandler: Wir haben eine Handvoll verflochtener Unsicherheiten: Unsicherheit der Nachfrage, Durchlaufzeit, Rohstoffpreis, Kannibalisierung, Wettbewerbsbewegungen. Sie sind nicht sehr komplex, aber sie sind alle miteinander verflochten. Sie müssen also in der Lage sein, diese Art von Umgebungs-Komplexität zu berücksichtigen, damit Ihr Simulator nicht zu naiv in Bezug auf mögliche Zukunftsszenarien ist. Warren, würden Sie dem zustimmen? Wie würden Sie vorgehen, um diese maschinellen Lernalgorithmen zu entwickeln, um diese richtlinienbasierten Entscheidungen zu treffen?
Warren Powell: Nun, zunächst einmal sollten wir uns daran erinnern, dass auch Menschen Richtlinien verwenden. Jedes Mal, wenn eine Entscheidung getroffen wird, wird eine Methode verwendet. Nennen wir das eine Richtlinie, aber es ist eine Methode. Jeder verwendet eine Methode, also ist das eigentlich nichts Neues. Was ich getan habe, ist zu sagen, dass es vier grundlegende Klassen von Methoden gibt. Die Bestellmenge ist eine der vier Klassen; sie wird als Richtlinienfunktionsevaluierung bezeichnet.
Nehmen wir Google Maps als Beispiel; das ist eine vorausschauende Richtlinie. Bei der Bestandsplanung neigen die Menschen dazu, diese einfache Richtlinienfunktionsevaluierung zu verwenden: Wenn die Bestellung unter etwas fällt, bis zu etwas bestellen. Wenn Sie diese langen Lieferketten haben, müssen Sie wirklich über die Zukunft nachdenken. Das ist eine direkte Vorausschau, also haben wir jetzt zwei der vier Klassen abgedeckt.
Diese vier Klassen artikulieren nur, was wir sowieso tun. Um herauszufinden, welche Klasse am besten ist, müssen Sie simulieren und sehen, wie sie sich im Laufe der Zeit bewährt. In einem Speditionsunternehmen könnte ich eine Idee entwickeln, sie einige Wochen lang testen und sehen, ob sie funktioniert. Das können Sie bei Lieferketten nicht tun; es dauert vielleicht fast ein Jahr, um herauszufinden, ob etwas funktioniert. Die Zeiträume sind einfach zu lang, und deshalb sind Computer-Simulationen fast unersetzlich.
Ohne einen Computer sind Sie nur eine Gruppe von Menschen, die sich um einen Tisch streiten und sagen: “Oh, ich denke, das ist besser”, und jemand anderes denkt, dass das besser ist. Das ist das, was Sie in der heutigen Welt der Lieferketten sehen - viele Menschen, die durcheinander reden und miteinander sprechen, aber niemand hat irgendwelche Beweise. Ich habe meine Karriere bei Castle Labs damit verbracht, Simulatoren für die strategische Planung, taktische Planung und Simulatoren zur Zukunftsvorhersage zu entwickeln, um zu entscheiden, ob ich die richtige Entscheidung getroffen habe.
Ohne Simulationen, was würden Sie sonst tun? Ich könnte eine Idee ausprobieren, drei Monate warten, eine andere Idee ausprobieren, weitere drei Monate warten, aber natürlich haben die nächsten drei Monate nichts mit den ersten drei Monaten zu tun. Ich sehe keine Möglichkeit, auf einen Computer zu verzichten und zu sagen: “Hier ist eine Methode zur Entscheidungsfindung, hier ist entweder eine sehr andere oder eine etwas andere Methode zur Entscheidungsfindung. Welche scheint zu funktionieren?” Sie führen Ihre Simulationen durch. Simulationen sind nie perfekt, aber was ist besser? Nennen Sie mir etwas, das besser ist.
Der Prozess ist eigentlich sehr einfach zu verstehen. Eine der schwierigsten Dinge, die ich in Lieferketten finde, ist es, einen Lieferkettenexperten zu fragen, welche Entscheidungen er trifft. Ich kann nicht glauben, wie viele Leute dich mit leerem Blick ansehen und sagen: “Nun, darüber habe ich mir nie wirklich Gedanken gemacht.” In der Lieferkette geht es nicht nur um die Bestellung von Inventar; es gibt viele andere Entscheidungen, die getroffen werden müssen.
Kieran Chandler: Also, welche Kennzahlen haben Sie? Es ist nicht nur eine; es gibt eine Menge davon. Und welche Unsicherheitsquellen haben Sie? Darüber können wir lange diskutieren, aber Sie werden nicht alle auflisten können. Es tut mir leid, aber bei den großen Lieferketten, von denen Sie sprechen, gibt es globale Unsicherheiten. Wer hätte voraussehen können, dass das Schiff im Suezkanal stecken bleibt oder die COVID-Pandemie ausbricht? Aber es gibt viele Dinge, auf die man sich einstellen kann, und wir müssen uns bewusst sein, dass solche Dinge passieren. Also, wenn Sie die Entscheidungen getroffen haben, die Sie treffen, wie Sie bewertet werden und die Unsicherheiten, dann geht es darum, wie Sie die Entscheidung treffen. Und raten Sie mal, es gibt vier Klassen von Richtlinien, von der einfachsten Bestellung bis hin zur kompliziertesten vollständigen Vorausschau. Sie können deterministisch vorausschauen, wie bei Google Maps, oder Sie können mit Unsicherheit vorausschauen.
Warren Powell: Wenn ich mit Geschäftsleuten spreche und sie das Wort “Prognose” verwenden, habe ich das Gefühl, dass sie jedes Mal, wenn ich das Wort “Prognose” höre, eine Punktprognose meinen. Was mir an dieser Show gefällt, ist, dass ich mit euch nicht darüber diskutieren muss; ihr versteht vollkommen die Notwendigkeit, stochastisch zu denken. Ihr müsst über die Unsicherheit eurer Prognose nachdenken, was bedeutet, dass ihr über Regeln für die Entscheidungsfindung nachdenken müsst, anstatt über die Entscheidung selbst. Und das ist alles sehr einfach. Ja, wir brauchen den Computer. Wenn Sie keinen Computer verwenden wollen, lassen Sie mich wissen, was Sie tun werden. Wenn Sie eine bessere Idee haben, kann ich es nicht herausfinden.
Kieran Chandler: Johannes, wie viel Vertrauen können wir in diese richtlinienbasierten Ansätze haben? Wie solide sind diese mathematischen Modellierungen?
Joannes Vermorel: Zunächst einmal würde ich zustimmen, dass es nicht sehr produktiv ist, endlose S&OP Meetings zu haben. Allerdings ist eines der Probleme, und ich glaube, das ist eine berechtigte Kritik an numerischen Methoden, dass, wie Russell Ackoff vor fast 40 Jahren sagte, wir Methoden haben, die mathematisch sehr anspruchsvoll sein können, aber inhaltlich unglaublich naiv sind. Das Problem ist also, dass wir anfangen müssen, darüber nachzudenken, wie viel Glaubwürdigkeit wir diesen Zukunftsprojektionen geben können. Die Realität ist, dass es immer noch viele beliebte Methoden gibt, die in großen Lieferketten weit verbreitet sind und absoluter Müll sind. Ich verstehe die Position eines Managers, der sich eine ausgeklügelte Computersimulation ansieht, die zwar sehr anspruchsvoll sein kann, aber völlig am Ziel vorbeigeht und auf Vermutungen beruht. Um Ihnen ein konkreteres Beispiel zu geben, würde ich sagen, dass wahrscheinlich fast jede einzelne große Modemarke heutzutage Prognosen erstellt, von denen die meisten punktweise Prognosen erstellen. Sie nehmen also Ihre Produkte und versuchen, wöchentliche Nachfrageprognosen zu erstellen. Allerdings schätze ich, dass etwa 0% dieser Modemarken tatsächlich Kannibalisierung und Substitution berücksichtigen.
Kieran Chandler: Herzlich willkommen zu unserem heutigen Interview. Wir haben zwei Gäste bei uns, Joannes Vermorel, den Gründer von Lokad, einem Softwareunternehmen, das sich auf die Optimierung von Lieferketten spezialisiert hat, und Warren Powell, Professor an der Princeton University, Mitbegründer und Chief Analytics Officer bei Optimal Dynamics. Vielen Dank, dass Sie beide dabei sind. Lassen Sie uns in die Diskussion eintauchen.
Joannes Vermorel: Wenn es darum geht, ein Produkt zu kaufen, haben Sie oft nur ein Gefühl und wählen eines aus, das Ihrem Geschmack oder Bauchgefühl entspricht. Sie können sehen, dass massive Effekte von Substitution und Kannibalisierung im Spiel sind. Wenn ich zum Beispiel in ein Modegeschäft gehe und 20 verschiedene weiße Hemden sehe, sehen sie alle irgendwie gleich aus. Ich bevorzuge eines gegenüber dem anderen, aber es ist nicht so, dass ich eine absolute Vorstellung davon hatte, welchen Barcode ich nehmen wollte, als ich in den Laden ging.
Wenn Sie ein Prognosemodell haben, das etwas so Massives wie Substitution ignoriert, wie viel Vertrauen können Sie in das mathematische Modell haben? Ich denke, es gab viel berechtigten Skeptizismus, weil Manager sich diese ausgefeilten Methoden ansehen und fragen: “Beschäftigen Sie sich mit etwas so Grundlegendem wie Substitution?” Wenn die Antwort nein lautet, wie können Sie dann dem Modell vertrauen?
Sie müssen auch die Auswirkungen von Rabatten berücksichtigen. Wenn wir am Ende der Saison große Rabatte geben, gewöhnen sich die Menschen daran, dass unsere Marke viele Rabatte gewährt, und sie werden auf die Verkaufssaison der nächsten Kollektion warten, um von den Rabatten zu profitieren. Die Menschen sind schlau und passen sich an.
Wenn man also ein naives Modell mit dem Bauchgefühl vergleicht, ist das Bauchgefühl in der Regel genauer. Es ist besser, ungefähr richtig zu sein als genau falsch. Mit angemessener Sorgfalt und Verständnis ist es möglich, das Modell zu verbessern, aber es erfordert ein mechanisches Mitgefühl und die Annahme des Problems, um ungefähr richtig zu sein.
Warren Powell: Ich stimme Ihrem Beispiel zu, Joannes. Hier gibt es zwei Probleme: die Zufälligkeit der Wahl eines Hemdes, mit der mathematische Modelle recht gut umgehen können, und die subtilere Modellierung von Rabatten und wie der Markt darauf reagiert. Ein naives Modell könnte letzteres leicht übersehen und vorschlagen, die Preise zu senken, ohne zu berücksichtigen, dass der Markt sich daran gewöhnt, wenn Sie Ihren Preis senken. Das ist ein großer Fehler.
Menschen haben ein Bauchgefühl, und anspruchsvollere Modelle sollten in der Lage sein, diese Feinheiten zu berücksichtigen. Aber ein einfaches Modell kann das nicht. Ich habe Jahre im Labor verbracht, um Modelle aufzubauen, die von Unternehmen finanziert wurden, und wir haben solche Fehler gesehen, wenn die Modelle wichtige Aspekte des Problems übersehen haben.
Kieran Chandler: Könnten Sie bitte erläutern, wie Sie Vertrauen in Ihre Modelle aufbauen, insbesondere bei der Arbeit im Güterverkehr?
Warren Powell: Es hat uns sechs oder acht Jahre gedauert, um ein Modell zu entwickeln, dem Norfolk Southern vertraut hat. Es war viel Arbeit. Sie können die Feinheiten nicht ignorieren, dass sich der Markt an etwas gewöhnt, das ist ein so leichter Fehler. Sie müssen die Modelle kalibrieren, gute Statistiken haben und sachkundige Personen haben, die die richtigen Fragen stellen. Es wird jedoch schwierig sein, ständig Dinge aus der Luft zu greifen. Ich glaube, es gibt zu viele Variablen, die ein Mensch berücksichtigen muss, daher ist eine Möglichkeit, sie abzudecken, mehr Inventar zu bestellen und es zu verstecken, was teuer ist. Wenn Sie Punktprognosen verwenden, neigen Sie dazu, sehr geringe Bestände zu haben. Wir lernen, dass das auch nicht richtig ist.
Kieran Chandler: Warren, lassen Sie uns noch einmal über das Vertrauen sprechen. Wie schaffen Sie es, dass die Menschen diese politikbasierten Prognosen wirklich visualisieren und sich in diese Vision einkaufen? Denn eines der wirklichen Probleme, die wir bei Lokad hatten, war es, die Menschen dazu zu bringen, zu visualisieren, was wir mit probabilistischen Prognosen gemacht haben.
Warren Powell: Im Güterverkehr erstellen wir probabilistische Prognosen darüber, was Spediteure tun können. Wir führen Simulationen durch und betrachten, was die Lastwagen tatsächlich tun, um zu sehen, ob es vernünftig erscheint. Wir stellen Metriken zusammen, wie oft wir Ladungen abdecken oder Fahrer nach Hause bringen, und wir betrachten die standardmäßigen KPIs, die jedes Unternehmen verwenden würde. Sie können Ihre probabilistische Prognose erstellen, tausend Simulationen durchführen, Ihre KPIs zusammenstellen und dann fragen, ob es vernünftig aussieht. Sie müssen eine gewisse Menge an Versuch und Irrtum durchführen, und kluge Menschen, die das Problem verstehen, müssen beteiligt sein. Sie müssen sich die KPIs und die richtigen Metriken ansehen, um festzustellen, ob es sich richtig verhält.
Kieran Chandler: Johannes, wie würden Sie Ihre Reise im Vergleich zu Warrens beschreiben? Es klingt so, als hätten Sie ziemlich ähnliche Erfahrungen gemacht.
Joannes Vermorel: Ja, genau. Bei Lokad werden die Personen, die über Programmierkenntnisse und tiefgreifendes Wissen über das Supply-Chain-Problem verfügen, als Supply Chain Scientists bezeichnet. Es ist wahr, dass dies nicht aus einer monolithischen Einzelmetrik-Perspektive angegangen werden kann, da dies in der Regel sehr irreführend ist. Wenn Sie das tun, landen Sie mit etwas, das sehr Kaggle-ähnlich ist, und das ist nicht gut, wo Sie eine Metrik mikrooptimieren, aber dann komplett manipulieren.
Kieran Chandler: Nachdem es seine Relevanz verloren hat, besteht der Ansatz in der Regel darin, viele Metriken zu haben, die Ihnen helfen, Ihre Einrichtung zu instrumentieren, damit Sie die Bereiche identifizieren können, in denen Sie etwas sehr falsch machen. Joannes, könnten Sie dies näher erläutern?
Joannes Vermorel: Bei Lokad nennen wir es experimentelle Optimierung. Die Idee besteht darin, die Situation zu identifizieren, in der Ihr numerisches Modell, das Ihre Richtlinie generiert, sehr schlechte Entscheidungen treffen wird. Dies ist in der Regel der Einstiegspunkt, um festzustellen, was falsch ist. Der Weg, um diese Ausreißerentscheidungen zu identifizieren, bei denen etwas fehlt, wie das Fehlen eines Elefanten, besteht darin, das Problem aus vielen Blickwinkeln zu betrachten. Diese falschen Entscheidungen können sehr kostspielig sein, treten jedoch auch selten auf. Wenn Sie nur Ihre Durchschnittswerte betrachten, bemerken Sie sie möglicherweise nicht, weil Sie probabilistische Metriken betrachten, die in der Regel Durchschnittswerte über viele Situationen beinhalten. Das Problem bei Durchschnittswerten ist, dass sie etwas verbergen können, das nur einmal in tausend Malen passiert, aber Ihre Kosten um den Faktor 10 multipliziert. Deshalb versuchen wir, das zu instrumentieren.
Der Schlüssel besteht darin, dass die Menschen in erster Linie Supply Chain Engineers sind, anstatt Datenwissenschaftler oder Softwareingenieure zu sein. Das führt mich zu dem Schluss, dass Sie eine Art Werkzeug benötigen, um mit einem anständigen Produktivitätsniveau arbeiten zu können, aber das ist ein völlig anderes Problem.
Kieran Chandler: Vielen Dank, Joannes. Warren, wir überlassen Ihnen das letzte Wort. Was sind Ihre Hoffnungen für die Zukunft? Können Sie sich vorstellen, dass eines Tages jeder diese policybasierten Methoden verwendet?
Warren Powell: Zunächst einmal denke ich, dass dies der richtige Weg ist, da heute jeder policybasierte Methoden verwendet. Die Google Maps der Punktprognosen, tut mir leid, aber das wird einfach nicht überleben. Sie müssen verstehen, dass dies der Anfang meiner Karriere im Jahr 1981 war.
Kieran Chandler: Willkommen bei Schneider National zu dieser Zeit, unserem größten LKW-Frachtführer in den Vereinigten Staaten und einem frühen Pionier der Analytik. Im Jahr 1981 hatten sie bereits Computermodelle im Einsatz, aber sie gingen mit Punktprognosen voran. Sie waren diejenigen, die zu mir kamen und sagten: “Warren, die Welt ist stochastisch. Also gehen wir jetzt zur Welt des Supply Chain Managements über. Punktprognosen funktionieren einfach nicht. Ich meine, vielleicht denkt jemand in seinem Kopf, dass es die reale Welt ist, aber das ist es nicht.” Diese Vorstellung von einem policybasierten Ansatz beschreibt, wie Menschen Entscheidungen treffen.
Warren Powell: Sie können einfache Richtlinien wie “bis zu bestellen” haben oder Sie können vorausschauende Richtlinien haben. Wenn die Leute “vorausschauend” sagen, denken sie tendenziell deterministisch. Hier müssen die Dinge neu sein. Sie müssen “vorausschauend” mit Unsicherheit denken, aber die Computer sind jetzt da. In den 1980er Jahren waren die Computer eine Peinlichkeit. Jetzt sitzen wir in der Cloud und führen 50 Szenarien parallel aus, und anstatt Durchschnittswerte zu verwenden, bewerten wir, wie oft ein schlechtes Ereignis aufgetreten ist, um das Risiko zu bewerten.
Alle anderen von Joannes aufgeworfenen Fragen sind immer noch gültig. Sie müssen das Problem immer noch angemessen modellieren, aber irgendwann werden Sie den Punkt erreichen, an dem das, was der Computer tut, immer noch viel besser ist als das, was ein Mensch tun könnte. Ich denke, es ist unglaublich aufregend, dass die Zeit gekommen ist. Wir machen das bereits in der LKW-Branche. Ich habe Supply-Chain-Simulatoren geschrieben, aber hauptsächlich nur als Simulatoren. Ich denke, den Simulator ins Feld zu bringen, das heißt, “Okay, jetzt werde ich darüber nachdenken, was in der Zukunft passieren könnte, um mir bei der Entscheidungsfindung zu helfen”, kommt in die Nähe.
Kieran Chandler: Okay, großartig. Ich muss hier abschließen, aber meine Herren, vielen Dank für Ihre Zeit. Das ist alles für diese Woche. Vielen Dank fürs Zuschauen und bis bald.
