Aufkommende algorithmische Paradigmen für die Optimierung der Supply Chain (mit David Simchi-Levi)

00:00:07 Einführung und Diskussion über Paradigmenwechsel in der Supply Chain-Planung.
00:00:51 Hintergrund von Professor David Simchi-Levi, akademische Arbeit und von ihm gegründete Unternehmen.
00:02:43 Neuer Kurs zur Bedarfsplanung und Analyse; Fokus auf Digitalisierung, Analyse und Automatisierung.
00:04:22 Ausgleich von Effizienz und Widerstandsfähigkeit der Supply Chain und Herausforderungen bei der Messung der Widerstandsfähigkeit.
00:07:08 Risikobewertung in Lieferketten und die Bedeutung von maschinengesteuerten Berechnungen gegenüber Intuition.
00:09:47 Vorhersage des Zustands der Supply Chain Wochen im Voraus.
00:10:20 Arbeit des MIT-Teams zur Widerstandsfähigkeit der Supply Chain und zur Vorhersage von Pandemien.
00:12:15 KPIs vs. KPPs und die Bedeutung von prädiktiven Daten.
00:15:35 Umgang mit Unsicherheit und verschiedenen Wahrscheinlichkeiten bei Vorhersagen.
00:18:10 Zeit zum Überleben und Identifizierung versteckter Risiken und Möglichkeiten zur Kosteneinsparung.
00:19:32 Bedeutung von erklärbarer maschineller Lernfähigkeit bei Entscheidungsfindung.
00:20:56 Die Rolle von Supply Chain Scientists bei der Entwicklung erklärbarer Metriken.
00:24:17 Herausforderungen, denen Unternehmen bei der Bewältigung von Black-Box-Prognosen gegenüberstehen.
00:25:51 Gesetze der Physik in der Supply Chain und ihre Bedeutung.
00:27:34 Beispiele für die Anwendung von physikalischen Gesetzen im Supply Chain Management.
00:29:16 Diskussion wissenschaftlicher Debatten und die Bedeutung mathematischer Grundlagen beim Aufbau von Algorithmen und Frameworks.
00:30:57 Bedeutung von Flexibilität in der Gestaltung der Supply Chain und deren Auswirkungen auf den Servicegrad, den Bestand und die Reaktionszeit.
00:32:29 Ansprechen des wirtschaftlichen Kompromisses bei der Flexibilität und der Notwendigkeit von grundlegenden Theorien in der Optimierung der Supply Chain.
00:35:44 Fokus auf Frameworks anstelle einzelner Lösungen, um der sich ändernden Natur der Supply Chains gerecht zu werden.
00:37:18 Vorstellung von vier Frameworks für die Digitalisierung der Supply Chain, beginnend mit einer einheitlichen Sicht auf die Nachfrage.
00:38:14 Segmentierung der Supply Chain für effektive Strategien.
00:38:53 Fokus auf S&OP und Datenanalyse für die Planung.
00:39:37 Jonas diskutiert die Komplexität von Nachfrage und Unternehmenssystemen.
00:43:01 Herausforderungen bei der Extraktion und dem Verständnis von Nachfragedaten.
00:45:36 Der Wechsel von Prognose und Planung zu numerischen Artefakten. {< timer “00:47:14” >}} Diskussion über Entscheidungsträger, die sich auf Ergebnisse anstatt auf Vorhersagen oder Pläne verlassen.
00:48:22 Aufkommende Algorithmen im Lernen und der Optimierung der Supply Chain und negative Trends.
00:49:33 Fehlgeleitete Vorstellung, die Produktion näher an die Marktnachfrage zu verlagern, um die Widerstandsfähigkeit zu erhöhen.
00:50:09 Integration von maschinellem Lernen und Optimierung, Offline- und Online-Lernen.
00:53:22 Herausforderungen von mehrschichtigen Unternehmenssoftware und neuen algorithmischen Paradigmen zur Vereinfachung von Prozessen.
00:56:37 Diskussion über die IT-Komplexität im Supply Chain Management.
00:57:57 Die Notwendigkeit von Tools zur Bewältigung komplexer Konzepte wie Widerstandsfähigkeit und Risikomanagement.
00:58:43 Die Vor- und Nachteile von Microsoft Excel bei der Entscheidungsfindung in der Supply Chain.
00:59:30 Die Zurückhaltung, in die Digitalisierung der Supply Chain zu investieren, vor der Pandemie.
01:00:20 Die Möglichkeit, die Geschäftsleistung durch moderate Investitionen in die Digitalisierung der Supply Chain zu verbessern.

Zusammenfassung

In diesem Interview führt Nicole Zint ein Gespräch mit Joannes Vermorel, dem Gründer von Lokad, und Prof. David Simchi-Levi, einem Professor am MIT, über die Optimierung der Supply Chain und die Rolle der Technologie bei der Entscheidungsfindung. Sie betonen die Bedeutung des Ausgleichs von Effizienz und Widerstandsfähigkeit und nutzen Daten, Analysen und Automatisierung zur Risikobewältigung. Key Performance Indicators (KPIs) und Key Performance Predictors (KPPs) werden als wesentliche Konzepte für eine proaktive Entscheidungsfindung vorgestellt. Die Experten diskutieren auch die Bedeutung der Erklärbarkeit in der KI, die “Gesetze der Physik” im Supply Chain Management, Flexibilität und die wirtschaftlichen Abwägungen zwischen Flexibilität und Modellierung. Das Gespräch unterstreicht die Notwendigkeit für Unternehmen, ihre Geschäftsprozesse zu digitalisieren, um zukünftigen Herausforderungen und Chancen gerecht zu werden.

Erweiterte Zusammenfassung

In diesem Interview spricht Moderatorin Nicole Zint mit Joannes Vermorel, dem Gründer von Lokad, und Prof. David Simchi-Levi, einem Professor am MIT und Autor von über 300 Publikationen, über die Optimierung der Supply Chain und die Rolle der Technologie bei der Entscheidungsfindung. Die Diskussion untersucht die Paradigmen des Lernens und der Anpassung im Supply Chain Management und konzentriert sich auf die Integration von Digitalisierung, Analytik und Automatisierung.

Prof. Simchi-Levi betont, dass sich der aktuelle Zustand der Supply Chains in den letzten zehn Jahren erheblich verändert hat und Unternehmen Effizienz und Widerstandsfähigkeit ausbalancieren müssen. Er stellt fest, dass Effizienz leicht durch Kostenreduzierung gemessen werden kann, während Widerstandsfähigkeit schwieriger zu quantifizieren ist. Die Integration von Daten, Analysen und Automatisierung spielt eine entscheidende Rolle bei der Bewältigung dieser Herausforderungen, indem sie Unternehmen hilft, versteckte Risiken zu identifizieren und zu mindern.

Joannes Vermorel stimmt zu, dass der Kompromiss zwischen Widerstandsfähigkeit und Effizienz wichtig ist und betont die probabilistische Natur der Risikomessung. Er argumentiert, dass das Überlebensverzerrung bei Marktbewertungen weit verbreitet ist und es daher schwierig ist, das volle Ausmaß der Risiken, mit denen Unternehmen konfrontiert sind, einzuschätzen. Vermorel unterstreicht die Bedeutung eines maschinengesteuerten, berechnungsbasierten Ansatzes für das Risikomanagement, anstatt sich allein auf menschliche Intuition zu verlassen.

Prof. Simchi-Levi führt die Konzepte der Key Performance Indicators (KPIs) und Key Performance Predictors (KPPs) ein. KPIs konzentrieren sich auf den aktuellen Zustand einer Supply Chain, während KPPs den Zustand der Supply Chain in der Zukunft vorhersagen sollen. Der Professor betont die Bedeutung der Verwendung von Daten und Analysen, um KPIs mit KPPs zu ergänzen und Unternehmen zu ermöglichen, korrigierende Maßnahmen zu ergreifen, bevor Probleme auftreten.

Vermorel unterstützt die Unterscheidung zwischen KPIs und KPPs und hebt hervor, dass viele Supply Chain-Direktoren möglicherweise den prädiktiven Bestandteil in ihren KPIs nicht erkennen. Er erklärt, dass reale Supply Chain-Systeme oft unordentlich sind und Eingaben enthalten, die nicht vollständig zuverlässig sind, insbesondere bei der Vorhersage der Zukunft. Vermorel plädiert dafür, Unsicherheit bei zukünftigen Vorhersagen zu akzeptieren, da selbst eine gut informierte Vermutung wertvolle Erkenntnisse für Entscheidungsfindung liefern kann.

Prof. Simchi-Levi verwendet eine Sportanalogie, um die Bedeutung von KPPs zu veranschaulichen und bezieht sich auf das berühmte Zitat des Eishockeyspielers Wayne Gretzky: “Ich laufe nicht dorthin, wo der Puck ist, sondern dorthin, wo der Puck sein wird.” Im Supply Chain-Management bedeutet dies, heute Entscheidungen zu treffen, um potenzielle Herausforderungen in der Zukunft anzugehen und die Anpassungsfähigkeit und Widerstandsfähigkeit der Supply Chain sicherzustellen.

Die Diskussion dreht sich um die Optimierung der Supply Chain, den Umgang mit Unsicherheit, Szenarioanalyse und den Einsatz von Machine Learning und KI in der Entscheidungsfindung der Supply Chain.

Prof. Simchi-Levi betont die Bedeutung der Szenarioanalyse im Supply Chain-Management. Durch die Generierung mehrerer Szenarien auf der Grundlage verschiedener Faktoren wie Nachfrageänderungen oder Störungen können Unternehmen versteckte Risiken und Kosteneinsparungsmöglichkeiten identifizieren. Er erkennt jedoch die Grenzen dieses Ansatzes an und verweist auf die Unvorhersehbarkeit realer Ereignisse. Um diese Einschränkungen zu überwinden, schlägt er vor, Kriterien und Werkzeuge zu verwenden, die unabhängig von bestimmten Szenarien oder Lieferanteninformationen sind. Er gibt Beispiele für von ihm entwickelte Konzepte wie “Zeit zur Wiederherstellung”, “Leistungsauswirkung” und “Überlebenszeit”.

Sowohl Simchi-Levi als auch Vermorel sind sich einig über die Bedeutung der Erklärbarkeit von Machine Learning und KI für das Supply Chain-Management. Sie argumentieren, dass menschliche Supply Chain-Planer Empfehlungen einer Maschine nicht vertrauen werden, wenn sie nicht verstehen können, wie die Maschine zu ihren Schlussfolgerungen gekommen ist. Vermorel schlägt vor, dass ein menschlicher “Supply Chain Scientist” neben KI-Algorithmen arbeiten sollte, um die logische Vorhersageoptimierung und ihre erklärungsfähigen Faktoren zu gestalten, und erkennt dabei die menschliche Expertise an, die für eine effektive Entscheidungsfindung erforderlich ist.

Prof. Simchi-Levi führt das Konzept der “Gesetze der Physik” im Zusammenhang mit dem Supply Chain-Management ein. Diese Gesetze sind allgemeine Beziehungen zwischen verschiedenen Supply Chain-Faktoren, die universell anwendbar sind, unabhängig von der Branche oder der spezifischen Supply Chain. Er gibt Beispiele für solche Beziehungen, wie den Zusammenhang zwischen Lagerbestand Sicherheitsbestand, Service Level und Variabilität. Diese Gesetze können Unternehmen helfen, ihre Supply Chains besser zu verwalten, indem sie die zugrunde liegenden Prinzipien verstehen, die ihren Betrieb regeln.

Vermorel unterstützt die Idee universeller Gesetze im Supply Chain-Management und nennt Zipfs Gesetz als Beispiel. Er erklärt, dass dieses Gesetz in verschiedenen Aspekten von Supply Chain-Daten beobachtet werden kann, wie z.B. Produktverteilung und Lieferantengröße. Das Wissen um diese Gesetze kann bei der Entwicklung effektiver Werkzeuge, Algorithmen und Frameworks für die Optimierung der Supply Chain von entscheidender Bedeutung sein.

Die Diskussion berührt auch die Bedeutung von Flexibilität im Supply Chain-Management. Prof. Simchi-Levi erklärt, dass Flexibilität zwar wichtig ist, aber nicht kostenlos ist. Unternehmen müssen das richtige Maß an Flexibilität verstehen, in welche Bereiche sie investieren sollten und welche potenziellen Vorteile sie bietet. Mithilfe der Gesetze der Physik können Supply Chain-Manager ihre Supply Chains auf Flexibilität auslegen und deren Auswirkungen auf verschiedene Aspekte der Supply Chain, wie Service Level, Lagerbestand und Reaktionszeit, quantifizieren.

Sie sprechen über die Bedeutung des Findens eines Gleichgewichts und des wirtschaftlichen Kompromisses zwischen Flexibilität und Modellierung. Der Schwerpunkt liegt auf der Entwicklung einer zuverlässigen Theoriebasis im Supply Chain-Management. Sie diskutieren auch die Notwendigkeit einer langfristigen Strategie, um den ständigen Änderungsbedarf zu vermeiden. Professor Simchi-Levi erwähnt vier Frameworks für die Digitalisierung der Supply Chain, darunter eine einheitliche Sicht auf die Nachfrage, die Segmentierung der Supply Chain und eine effektive Planung. Joannes Vermorel betont die Komplexität von Daten und die Bedeutung von Werkzeugen zur Extraktion und Verarbeitung dieser Daten. Er beschreibt auch eine Methode, die sich auf die tagtägliche Ausführung ohne Pläne oder Prognosen konzentriert. Sie schließen mit einem Beispiel aus dem Bereich Modeeinzelhandel und wie Vorhersagen zur Steuerung der Supply Chain verwendet werden.

Sie diskutierten die aufkommenden Trends und negativen Trends in der Optimierung der Supply Chain. Die Gruppe diskutierte, wie sich die neue Normalität von Störungen und Volatilität auf die Supply Chain-Branche auswirkt und wie Unternehmen ihre Managementstrategien überdenken müssen. Die Integration von maschinellem Lernen und Optimierung wurde ebenfalls als Chance für eine bessere Entscheidungsfindung diskutiert, wobei Offline- und Online-Lernen wichtige Komponenten sind. Die Komplexität moderner Unternehmenssoftware und der Bedarf an besseren Werkzeugen zur Entscheidungsfindung wurden jedoch als negative Trends angesehen, die die Initiativen zur Optimierung der Supply Chain behindern. Die Gruppe war sich einig, dass Unternehmen die Gelegenheit nutzen müssen, ihre Geschäfte zu digitalisieren, um zukünftigen Herausforderungen und Chancen zu begegnen.

Vollständiges Transkript

Nicole Zint: In der heutigen Folge diskutieren wir diese Paradigmen für das Lernen und die Optimierung von Supply Chains. Wir freuen uns, Professor David Simchi-Levi bei uns zu haben. Heute werden wir über seine Arbeit und seine über 300 Veröffentlichungen sprechen. Professor, wie immer möchten wir damit beginnen, dass unsere Gäste sich vorstellen. Vielen Dank.

Prof. David Simchi-Levi: Hallo, Nicole. Hallo, Joannes. Schön, hier zu sein. Ich bin David Simchi-Levi und arbeite an der Fakultät für MIT. Ich bin schon lange in der Wissenschaft tätig, seit den letzten 21 Jahren an MIT. Parallel zur wissenschaftlichen Arbeit habe ich auch einige Unternehmen gegründet. Das erste Unternehmen war auf Supply Chain-Analytik spezialisiert und wurde 2009 Teil der IBM-Technologieinfrastruktur. Zu dieser Zeit hatten wir etwa 350 Kunden, die unsere Technologie für die Optimierung des Mehr-Ebenen-Lagerbestands, das Design von Supply Chain-Netzwerken und verwandte Themen nutzten. 2011 gründete ich ein weiteres Unternehmen im Bereich Business Analytics. Der Fokus lag nicht nur auf der Supply Chain, sondern ging über die Supply Chain hinaus. Dieses Unternehmen wurde 2016 Teil von Essential Technology. Dann gründete ich 2014 ein Cloud-Technologieunternehmen, das 2018 Teil von Accenture wurde. Derzeit bin ich unabhängig und konzentriere mich auf meine Forschung an MIT. An MIT leite ich das MIT Data Science Lab. Das Data Science Lab ist eine Partnerschaft zwischen MIT und etwa 20-25 Unternehmen, die sich darauf konzentriert, einige der wichtigsten Herausforderungen anzugehen, mit denen sie konfrontiert sind, indem sie Daten, Modelle und Analysen zusammenbringen. Hoffentlich haben wir die Gelegenheit, über einige der spannenden Arbeiten und Möglichkeiten zu sprechen, die wir heute auf dem Markt sehen.

Nicole Zint: Das ist eine sehr beeindruckende Hintergrundgeschichte, muss ich sagen, Professor. Zusätzlich zu all dem haben Sie kürzlich einen Kurs mit dem Titel Demand Planning and Analytics gestartet, in dem Sie diese drei aufstrebenden Technologien erwähnt haben: Digitalisierung, Analytik und Automatisierung. Warum sind diese gerade jetzt so beliebt?

Prof. David Simchi-Levi: Es ist interessant, dass Sie den neuen Kurs erwähnen, den wir gerade zu Nachfrage- und Supply-Chain-Analytik gestartet haben. In diesem Kurs konzentrieren wir uns, wie Sie bereits erwähnt haben, auf die Integration von Daten, Analytik und Automatisierung. Es geht wirklich um die Integration dieser Fähigkeiten, mit denen Unternehmen einige der herausforderndsten Bereiche in ihrem Geschäft angehen können. Denken Sie an Lieferketten mit langen Durchlaufzeiten, die erhebliche Kostensteigerung in der Logistik aufgrund von Veränderungen der Ölpreise und die Lieferkettenunterbrechungen, die wir in den letzten drei bis vier Jahren gesehen haben. Vom Handelskrieg zwischen den USA und China über COVID, den Ukraine-Krieg bis hin zum Klimawandel - all dies erfordert von Unternehmen, ihre Supply-Chain-Strategie heute neu zu überdenken.

Nicole Zint: Das Normale ist völlig anders als das, was wir vor zehn Jahren gesehen haben. Wie managt man heute effektiv die Supply Chain? Es ist anders als das, was Unternehmen vor fünf bis zehn Jahren getan haben, und ich werde es mit einem Beispiel zusammenfassen. Bis etwa 2020 lag der Schwerpunkt in der Branche auf der Effizienz der Supply Chain, von Lean über Outsourcing bis hin zur Verlagerung ins Ausland. Unternehmen konzentrierten sich darauf, die Kosten in ihrer Supply Chain drastisch zu senken. Aber was sie in den letzten drei Jahren beobachtet haben, ist die Notwendigkeit, Effizienz und Widerstandsfähigkeit der Supply Chain in Einklang zu bringen. Effizienz ist leicht messbar; man konzentriert sich auf Kosten. Widerstandsfähigkeit ist nicht leicht messbar. Wie misst man Widerstandsfähigkeit? Wie erkennt man versteckte Risiken? Hier kommen die Technologietrends ins Spiel, die ich gerade erwähnt habe: Digitalisierung, Analytik und Automatisierung. Also Joannes, was denken Sie über diesen Kompromiss zwischen Widerstandsfähigkeit und Effizienz, den der Professor gerade erwähnt hat?

Joannes Vermorel: Es ist tatsächlich ein Kompromiss im Sinne eines wirtschaftlichen Kompromisses, denn Widerstandsfähigkeit ist in der Regel nicht kostenlos. Es geht darum, Ihre Optionen aufzubauen, die Sie aufrechterhalten und etablieren müssen. Das Interessante ist, dass ich Professor Simchi-Levi voll und ganz zustimme, wenn er sagt, dass es sehr schwierig zu messen ist, weil es im Grunde genommen um eine probabilistische Perspektive der Zukunft geht. Man betrachtet Dinge, die passieren können oder auch nicht. Wenn Sie zum Beispiel in eine zweite Lieferantenlinie investieren, die sich in Küstennähe befindet, sie aber in diesem Jahr nicht nutzen, sehen Sie die Kosten, aber Sie sehen nicht die eigentliche Existenz der Option, die Sie retten würde, wenn Sie sie benötigen würden.

Interessant ist, dass Sie überall den Überlebensbias haben. Die einzigen Unternehmen, die Sie sehen, sind diejenigen, die noch existieren. Diejenigen, die einen terminalen Fehler gemacht und sich vom Markt zurückgezogen haben, sind nicht mehr da, also sehen Sie sie nicht. Wenn Sie sich umschauen und eine Umfrage machen, sehen Sie immer im Durchschnitt, dass die Menschen im Vergleich zu dem, was sie sollten, zu viel Risiko eingehen. Der Grund für diese Verzerrung ist, dass es immer wieder Menschen gibt, die zu viel Risiko eingegangen sind und den Markt verlassen haben, aber wenn Sie eine Umfrage machen, sind sie nicht Teil der Umfrage, weil Sie nur aktive Unternehmen befragen.

Der Trick, oder besser gesagt, eines der ersten Paradigmen der Risikomessung, besteht darin, eine Bewertung von Potenzialen zu haben, die in den meisten Fällen zwar nicht realisiert, aber dennoch sehr real sind. Wenn Sie einen Würfel werfen und nur eine 3%ige Chance haben, ein kritisches Ereignis zu treffen, das Ihr Unternehmen beenden würde, und Sie das jedes Jahr tun, über einen Zeitraum von einem halben Jahrhundert, dann ist es nahezu sicher, dass Ihr Unternehmen aufgrund dieser langfristigen Ereignisse verschwinden wird.

Nicole Zint: Supply Chains wurden typischerweise von dedizierten, also sehr großen Unternehmen aufgebaut. Es gibt heute einige Unternehmen, die sehr groß sind, wie zum Beispiel Apple, aber selbst Apple ist nicht genau wie ein brandneues Startup. Es hat Jahrzehnte gedauert, um sich zu etablieren und zu dem zu werden, was es heute ist. Selbst Unternehmen, die sich fantastisch schnell entwickelt haben, brauchen immer noch mehrere Jahrzehnte, um die Art von Reife in der Supply Chain zu erreichen, von der wir sprechen. Es ist also ein langsamer Prozess, und wenn man das Risiko über einen Zeitraum von mehreren Jahrzehnten betrachtet, muss man sich mit Dingen auseinandersetzen, die aus menschlicher Sicht sehr selten vorkommen. Das ist auch der Grund, warum die Art von maschinengetriebener Perspektive, berechnungsgetrieben im Gegensatz zur reinen Intuition, so wichtig wird. Joannes, können Sie Ihre Gedanken dazu teilen?

Joannes Vermorel: Ich glaube, dass Menschen sehr gut darin sind, Dinge auf menschlicher Ebene wahrzunehmen, und Lieferketten tendieren dazu, sich von dieser Komplexität zu entfernen. Es gibt einfach zu viele Dinge, aber auch in Bezug auf den Zeitraum denken wir wirklich in Begriffen von Dingen, die einmal oder einmal pro Vierteljahrhundert passieren könnten. Und doch, wenn Sie eine große Lieferkette betreiben, ist dies die Art von Risiko, über die Sie nachdenken sollten.

David Simchi-Levi: Lassen Sie mich zeigen, worauf Joannes mit einer wichtigen Beobachtung hingewiesen hat. Unternehmen konzentrieren sich in der Regel auf KPIs. Sie fragen sich: “Wie ist die Leistung meiner Lieferkette im Moment?” Wenn der Service-Level niedrig ist, könnten sie eine Änderung vornehmen, wie zum Beispiel mehr Inventar hinzufügen. Wenn die Transportkosten hoch sind, könnten sie eine Änderung vornehmen, um Kosten zu senken. Diese Diskussion über Resilienz, diese Diskussion über die Verwendung von Daten und Analysen, geht auch darum, KPIs mit dem zu ergänzen, was ich KPPs nenne - Schlüsselleistungsvorhersagen. Alles könnte in einer Lieferkette gut aussehen, aber wir möchten vorhersagen, wie der Zustand der Lieferkette in sechs oder sieben Wochen sein wird. Denn wenn wir das tun können und ein mögliches Problem erkennen, können wir das Problem heute lösen, bevor es die Lieferkette in sieben Wochen erreicht.

Und Sie könnten denken: “Hey, ist das möglich?” Tatsächlich hat uns die Pandemie gezeigt, dass wir dies sehr effektiv tun können. Lassen Sie mich dies anhand einer Geschichte veranschaulichen. Mein Team im Data Science Lab des MIT hat lange vor der Pandemie an der Widerstandsfähigkeit von Lieferketten gearbeitet. Wir haben eine neue Methode entwickelt, um die Widerstandsfähigkeit einer Lieferkette zu messen und versteckte Risiken zu identifizieren. Wir haben sie bei mehreren Unternehmen implementiert. Das erste Unternehmen war die Ford Motor Company, dann folgten andere Unternehmen, aber nicht viele. Alles änderte sich zu Beginn der Pandemie.

Im Februar 2020, erinnern Sie sich an diesen Zeitraum, traf die Pandemie China. Sie war nicht in Europa, sie war nicht in den USA, sie traf nur China. Ich schrieb einen sehr kurzen Artikel, in dem ich das Modell und die Daten, die ich hatte, für die Widerstandsfähigkeit der Lieferkette verwendete, und ich schrieb einen kurzen Artikel, in dem stand, dass wir Mitte März, also sechs Wochen später, eine Störung der Lieferketten sowohl in Nordamerika als auch in Europa sehen werden. Und genau das ist passiert. Die Fähigkeit, Daten zu verwenden, und wir haben sowohl Echtzeitdaten, die aus internen Daten stammen, die Unternehmen haben, als auch externe Daten, ermöglicht es Unternehmen, ihre KPIs, Schlüsselleistungsindikatoren, mit KPPs, Schlüsselleistungsvorhersagen, zu ergänzen, nämlich dem Zustand der Lieferkette im Moment.

Nicole Zint: Mit Schlüsselleistungsvorhersagen, wie wird der Zustand meiner Lieferkette in sechs Wochen oder acht Wochen sein, und heute korrigierende Maßnahmen ergreifen, bevor das Problem die Lieferkette trifft? Das ist der Grund, warum Joannes betont hat, dass die Verwendung von Daten und Analysemaschinen einen großen Einfluss auf die Leistung der Lieferkette hat.

Prof. David Simchi-Levi: Mir gefällt diese Unterscheidung zwischen KPI und KPP wirklich gut. Übrigens glaube ich, dass die meisten Supply Chain-Leiter in den meisten Unternehmen nicht erkennen, dass tatsächlich ein Großteil dessen, was sie KPIs nennen, auf die eine oder andere Weise eine Vorhersagekomponente enthält. Wenn Sie zum Beispiel sagen, dass Sie KPIs zu Servicelevels haben, enthalten die meisten Servicelevels tatsächlich eine Nachfrageprognose. Wenn Sie sagen, dass Sie dieses Servicelevel oder diese Menge an Servicelevel haben, ist die Realität, dass die Nachfrage für die meisten SKUs sehr gering ist. Sie haben keine SKU, bei der Sie sagen: “Ich habe eine Servicelevel von 90%.” Es ist entweder vorhanden oder nicht vorhanden. Was Sie jedoch haben, ist letztendlich eine schrittweise Analyse oder ein Vorhersagemodell, das Ihnen diese Art von Schätzung gibt, wie hoch Ihr Servicelevel für Ihre SKU ist, aber es ist auch eine Schätzung. Und selbst dann gibt es häufig Situationen, in denen die Menge an Lagerbestand tatsächlich von Dingen abhängt, bei denen die voraussichtlichen Liefertermine nicht vollständig garantiert sind.

Joannes Vermorel: Die binäre Sichtweise finde ich sehr interessant, insbesondere um zu erkennen, wie in realen Lieferketten-Systemen, die sehr unübersichtlich sind und bei denen es viele interne, aber nicht vollständig zuverlässige Eingaben gibt, insbesondere wenn es um die Zukunft geht, ein unscharfer Graubereich zwischen den beiden besteht. Und viele Menschen haben, glaube ich, das Problem, zu sehr darauf zu vertrauen, dass es sich bei vielen Indikatoren um eine neutrale, objektive Beobachtung der Vergangenheit handelt. Das ist es nicht. Und dann gibt es noch einen anderen Aspekt, nämlich dass, sobald man sich mit Risiken auseinandersetzen möchte, man nicht mehr diese naive Ein-Zukunft-Perspektive haben kann. Man muss bedenken, dass, wenn man vorhersagt, dass eine Störung auftritt, man höchstwahrscheinlich, wenn man sehr vorsichtig ist, etwas sagt wie: “Ich bin zu 80% sicher, dass es ab frühestens acht Wochen und spätestens zwanzig Wochen zu einer Störung kommen wird”, usw. Aber grundsätzlich geht es darum, die Tatsache anzuerkennen, dass, sobald man die Zukunft betrachtet, Dinge wahrscheinlich, aber nicht sicher sind. Und dennoch hat es einen Wert. Nur weil es einen Grad an Unsicherheit gibt, heißt das nicht, dass man sagen sollte, dass es nicht existiert. Ich meine, eine sehr gute Vermutung zu haben, auch wenn es nur eine Vermutung ist, hat bereits einen großen Wert, und man sollte danach handeln, auch wenn es nur Wahrscheinlichkeiten sind.

Prof. David Simchi-Levi: Lassen Sie mich, Nicole, wenn Sie mir erlauben, anhand eines Beispiels aus dem Sport veranschaulichen, warum Unternehmen über KPI und KPP nachdenken müssen. Ich habe nie Eishockey gespielt, aber ich mag Eishockey. Und wenn Sie über einen der besten Eishockeyspieler in Nordamerika nachdenken, Gretzky, hat er immer gesagt: “Ich laufe nicht dorthin, wo der Puck ist, sondern dorthin, wo der Puck sein wird.” Darum geht es bei KPP.

Nicole Zint: Ich möchte heute eine Entscheidung treffen, um mich mit dem Zustand meiner Lieferkette in sechs Wochen oder sieben Wochen auseinanderzusetzen, denn wenn ich das heute tun kann, kann ich Kapazitäten reservieren, meine Kosten senken und effektiv auf eine potenzielle Störung reagieren, die mein System in naher Zukunft voraussagt. Es ist also wirklich interessant, dass wir etwas vorhersagen oder angeblich etwas vorhersagen können, das in unserer Lieferkette in sechs, sieben oder acht Wochen passieren kann. Bei Lokad versuchen wir jedoch, diese Unsicherheit anzunehmen und eher einen Überblick über die Wahrscheinlichkeit verschiedener zukünftiger Ereignisse zu haben. Also, Professor, wenn Sie sagen, dass Sie etwas sechs oder sieben Wochen im Voraus vorhersagen können, wie genau können Sie das wissen? Konzentrieren Sie sich dann nur auf ein zukünftiges Szenario, das das Modell ausgibt, oder nehmen Sie eher diese verschiedenen Wahrscheinlichkeiten an?

Prof. David Simchi-Levi: Wir verwenden eine Kombination von Ansätzen. Es gibt keine Einheitslösung, und lassen Sie mich dies betonen, da ich denke, dass es mit dem zusammenhängt, worauf Joannes und Sie sich konzentriert haben. Ein Ansatz ist die Szenarioanalyse. Wir generieren mehrere Szenarien; die Szenarien können mit einer Änderung der Nachfrage verbunden sein, ein Szenario kann mit einer Störung bei einem bestimmten Lieferanten oder in einer bestimmten Region verbunden sein. Und mit Hilfe dessen versuchen wir, versteckte Risiken in der Lieferkette zu identifizieren. Aber es gibt eine Grenze für unsere Fähigkeit, Szenarien zu generieren, und um dies zu veranschaulichen, denken Sie nur daran, was in den letzten drei Monaten im Vergleich zu dem, was vor zwei Jahren passiert ist, geschehen ist. Wer hätte vorhergesagt, was wir jetzt in Osteuropa sehen, richtig? Also, die Szenarioanalyse ist sehr wichtig, sie ist Teil dessen, was wir tun, aber wir brauchen auch Kriterien und Werkzeuge, die unabhängig von einem bestimmten Szenario sind, zum Beispiel unabhängig von Informationen, die wir von bestimmten Lieferanten erhalten können. Solche Werkzeuge existieren immer noch und stehen Unternehmen heute zur Verfügung. Lassen Sie mich dies an einem Beispiel veranschaulichen. Ich habe einige Konzepte zur Widerstandsfähigkeit der Lieferkette entwickelt: eines davon ist die Zeit zur Wiederherstellung und die Auswirkung auf die Leistung; diese sind alle szenariobedingt. Aber ich habe auch die Zeit zum Überleben entwickelt. Was ist die Zeit zum Überleben? Die Zeit zum Überleben ist völlig unabhängig von einem Szenario. Sie betrachten die gesamte Lieferkette von Anfang bis Ende, Sie haben eine Lieferkettenabbildung, Sie wissen, wo sich Ihr Lagerbestand befindet und wie viel Lagerbestand Sie haben, und jetzt entfernen Sie eine Einrichtung aus der Lieferkette und fragen, wie lange kann ich die Versorgung mit Nachfrage aufrechterhalten, ohne diese Einrichtung? Das ist nicht szenariobedingt, oder? Das ist gegeben die Störung, und ich werde Ihnen sagen, wie lange ich die Versorgung bewältigen kann. Dies ermöglicht es mir, Risiken in der Lieferkette zu identifizieren, aber auch Kosteneinsparungsmöglichkeiten. Als wir dies in mehreren Unternehmen implementiert haben, haben wir festgestellt, dass Unternehmen manchmal viel Inventar an einem falschen Ort für ihr eigenes Produkt lagern. Dies ermöglicht es Ihnen, versteckte Risiken zu identifizieren und auch Einsparungsmöglichkeiten zu identifizieren. Es ist also nicht ein Ansatz, der uns ein gutes Verständnis für die Widerstandsfähigkeit der Lieferkette gibt; es sind mehrere Ansätze.

Nicole Zint: Das letzte Element, das ich hinzufügen werde, ist, dass wir uns stark darauf konzentrieren, Maschinen, maschinelles Lernen und Optimierung einzusetzen, um bessere Entscheidungen zu treffen. Aber niemand wird einer Empfehlung einer Maschine folgen, wenn die Maschine sich nicht erklären kann. Neben der Fähigkeit, eine Prognose oder eine empfohlene Entscheidung zu generieren, benötigen wir eine Erklärung dafür, warum diese Prognose zeigt, dass die Nachfrage nach Produkt A im Mittleren Westen signifikant steigen wird, aber an der Westküste nicht erfolgreich sein wird. Die Erklärbarkeit dessen, was aus der Maschine kommt, ist ein wesentlicher Bestandteil dieses Entscheidungsprozesses.

Joannes Vermorel: In Anlehnung an Ihre Bemerkungen zur Notwendigkeit der Erklärbarkeit der Modelle ist meine eigene beiläufige Beobachtung, dass numerische Modelle, selbst halbtriviale wie lineare Regression mit ein paar Koeffizienten, von Natur aus undurchsichtig sind. Das ist sozusagen gegeben, sobald man Zahlen hat. Computer sind so viel besser darin, Berechnungen durchzuführen als Menschen, dass es nicht viele Zahlen braucht, um etwas zu haben, das für den durchschnittlichen nicht-genialen menschlichen Beobachter völlig undurchsichtig ist.

Und der typische Ansatz ist, dass eine Zahl, die in Bezug auf die Erklärung Sinn macht, tendenziell unglaublich kontextabhängig ist. Es ist sehr verlockend, eine Wand von Metriken mit Millionen von Zahlen zu produzieren, die Sie aus der Projektion Ihrer Daten in alle möglichen Richtungen extrahieren können. Das ist mit modernen Computern sehr einfach zu tun, aber Ihre Lieferkettenplaner haben nur eine begrenzte Zeit, um das zu tun.

Daher arbeitet Lokad an einem Prozess, bei dem es auf algorithmischer Ebene relativ einfach sein wird, dass der sogenannte Supply Chain Scientist (eine Art auf Supply Chain spezialisierter Datenwissenschaftler) sowohl die vorhersagende Optimierungslogik als auch ihre erklärenden Faktoren entwickeln kann. Aber es gibt einen Haken: Ich erwarte nicht, dass die KI oder irgendwelche ausgefallenen Machine-Learning-Rezepte diese Arbeit erledigen können. Ich verfolge vielmehr einen paradigmatischen Ansatz, bei dem ich sage, dass ich Klassen von Algorithmen habe, bei denen ich weiß, dass ein Supply Chain Scientist mit seiner sehr menschlichen Intelligenz das Extra-Meile machen kann, was wir als White Boxing bezeichnen.

Dadurch können sie die Art von Metriken entwickeln, die für das Supply Chain Management im Allgemeinen sinnvoll sind, damit sie verstehen können, was vor sich geht. Aber es gibt eine sehr menschliche Komponente darin, nämlich jemanden zu haben, der die Zahlen erstellt, damit Sie ein paar KPIs auswählen können. Ihre Zahlen, nicht nur KPIs, können gemäß Ihrer Definition TPP sein, aber sie werden sehr sorgfältig ausgewählt. Der einzige Zaubertrick besteht darin, eine algorithmische Methode zu haben, die sich sehr gut für diese Art von eingehender Zerlegung dessen eignet, was vor sich geht.

Prof. David Simchi-Levi: Richtig, und ich kann verdeutlichen, warum dies so wichtig ist, anhand eines Beispiels für die Implementierung dessen, was ich als einheitliche Sicht bezeichne.

Nicole Zint: Von der Nachfrage in einem sehr großen CPG, wenn Sie dies implementieren, erhalten Sie Anrufe, in der Regel von der Finanzabteilung. Die Anrufe gehören zu drei Arten. Die erste lautet: “Hey, Data Scientists, hey, Tim, wir verstehen nicht, warum Ihr Fokus darauf hindeutet, dass dieses Produkt oder diese Familie in einer Region unglaublich gut wachsen wird, aber in einer anderen Region nicht gut abschneidet”, richtig? Das ist Teil der Erklärbarkeit.

David Simchi-Levi: Der zweite Teil ist noch herausfordernder. Sie erhalten einen weiteren Anruf, und die Finanzleute sagen: “Wir verstehen nicht, Sie haben uns gerade eine Prognose gegeben, weil wir jede Woche eine Prognose für die nächsten 80 Wochen abgeben. Die Prognose, die Sie uns heute gegeben haben, unterscheidet sich von der Prognose, die Sie uns vor vier Wochen gegeben haben. Was ist los? Die Welt hat sich nicht verändert.”

David Simchi-Levi: Das dritte ist: “Hey, vor einem Monat haben Sie uns eine Prognose über die heutige Nachfrage gegeben, aber sie ist ziemlich anders. Wenn wir diese drei Herausforderungen nicht bewältigen können, wird niemand einer Black Box vertrauen, die Woche für Woche Prognosen für jedes Produkt ausspuckt. Deshalb ist es so wichtig zu erkennen, dass das, was Sie in Ihrem Unternehmen tun, das, was mein Team im MIT Data Science Lab tut, nicht nur Wissenschaft ist. Um effektiv zu sein, erfordert es die Kombination von Wissenschaft und Kunst. Die Wissenschaft ist die Maschine und die Daten in der Analytik; die Kunst ist die Einsicht, die Intuition, die Erfahrung, die Menschen, in diesem Fall in der Supply Chain, haben. Es ist eine Kombination aus beidem. Aber wenn wir nicht mit der Maschine sprechen können, um zu verstehen, was die Maschine sagt, wird es für Menschen schwer sein, Empfehlungen der Maschine zu befolgen.”

Nicole Zint: Also, Professor, bevor ich zu den Hauptfragen komme, welche aufkommenden Paradigmen wir haben, möchte ich Sie nur fragen, Sie haben auch in Ihrem Kurs von diesen “Gesetzen der Physik” gesprochen, die für Supply Chain-Praktiker und Unternehmen relevant sind. Aber was meinen Sie mit “Gesetzen der Physik” aus der Perspektive der Supply Chain?

David Simchi-Levi: Für mich sind “Gesetze der Physik” allgemeine Beziehungen zwischen Informationen, Kapazität, Serviceniveau, Bestandsbeziehungen, die immer wahr sind, unabhängig davon, ob Sie eine regionale Lieferkette oder eine globale Lieferkette haben, unabhängig davon, ob Sie sich auf High-Tech, CPG oder Pharmazeutika konzentrieren.

Nicole Zint: Könnten Sie ein Beispiel für eine dieser Beziehungen nennen, die Sie gerade erwähnt haben?

David Simchi-Levi: Eine Beziehung zwischen Bestand, Sicherheitsbestand, Serviceniveau und Variabilität. Wir wissen, wie man die Beziehung zwischen den drei quantifiziert: Sicherheitsbestand oder Bestand, Variabilität und Serviceniveau. Sobald Sie die Beziehung zwischen den drei verstehen, können Sie erkennen, wie Sie Ihre Lieferkette besser verwalten können.

David Simchi-Levi: Ein weiteres Beispiel ist die Beziehung zwischen dem Informationsstand und wie viel Volatilität ich in der Lieferkette haben werde. Sobald Sie das verstehen, können Sie erkennen, wie viel Sichtbarkeit und Informationsaustausch es uns ermöglichen können, die Volatilität zu reduzieren. Und was ist die Beziehung zwischen Volatilität und verlorenen Verkäufen? Wenn Sie das verstehen, erkennen Sie: “Oh, ich muss reduzieren…”

Nicole Zint: Wie kann ich die Volatilität verwalten, um mein Serviceniveau zu erhöhen und meine verlorenen Verkäufe zu reduzieren?

Prof. David Simchi-Levi: Eine Möglichkeit, die Volatilität zu reduzieren, besteht darin, Informationen zu teilen. In meinem Buch, das im September letzten Jahres in der vierten Auflage veröffentlicht wurde, diskutiere ich etwa 40 oder 50 Arten von “Gesetzen der Physik”, die es Unternehmen ermöglichen, Chancen in ihrem Geschäft zu identifizieren. Dies sind globale Beziehungen, und deshalb nenne ich sie Gesetze der Physik.

Denken Sie darüber nach, was wir in Physikkursen in der High School oder im College gelernt haben. Die Idee ist, dass es einige grundlegende Beziehungen im Geschäft gibt, die eine Art quantitativer Messung verschiedener Teile definieren. Sie haben Situationen, in denen Sie Gleichungen projizieren können, die immer wahr sein werden, wie die vier Maxwell-Gleichungen in der Physik. Es hängt nicht von einer bestimmten Situation ab.

Joannes Vermorel: Also, im Wesentlichen geht es bei Lieferketten nicht nur um Poesie. Es gibt diese grundlegenden Beziehungen im Geschäft, die eine Art quantitativer Messung verschiedener Teile definieren. Zum Beispiel weise ich in meiner Vortragsreihe darauf hin, dass praktisch jede einzelne Verteilung, die in der Lieferkette beobachtet wird, ein Zipf’sches Gesetz ist. Vom höchsten Volumenprodukten bis zum Long Tail erhalten Sie ein Zipf’sches Gesetz. Das Gleiche gilt für Lieferanten, vom größten bis zum kleinsten erhalten Sie ein Zipf’sches Gesetz, und so weiter.

Diese Theorie kann in wissenschaftlicher Hinsicht angefochten werden, indem man beispielsweise hinterfragt, ob es die beste Theorie ist, um die Welt zu erklären, oder ob es Situationen gibt, die der allgemeinen Theorie widersprechen. Es ist jedoch nicht diskutabel im Sinne, dass Sie einfach nicht daran glauben können, basierend auf Ihrer spezifischen Branche.

Das Interessante ist, dass, wenn Sie diese mathematischen Grundlagen für Klassen von Phänomenen haben, dies unglaublich mächtig ist für den Aufbau von Tools, Algorithmen und Frameworks. Bei Lokad nutzen wir dies umfangreich. Zum Beispiel hat die Zipf-Verteilung zur Folge, dass Sie Lieferketten-Daten enorm komprimieren können, da der Großteil Ihrer Zeilen garantiert Nullen oder Einsen sind und somit für die Kompression geeignet sind.

Ein weiteres Beispiel ist, dass Sie den Quicksort-Algorithmus in Bezug auf das Sortieren tatsächlich übertreffen können. Sie können schneller sein als das theoretische Optimum, nur aufgrund der geringen Kardinalität dessen, was Sie lösen müssen. Es gibt viele Dinge, die wichtig sind in Bezug auf Software-Design und auch das Design der auf diesen mathematischen Grundlagen aufbauenden Lieferketten-Theorien.

Nicole Zint: Also, wir sind heute hier mit Joannes Vermorel und Professor David Simchi-Levi, um über die Optimierung der Lieferkette zu sprechen. Joannes, du sprichst oft über die Bedeutung von Flexibilität in Lieferketten. Kannst du das etwas genauer erläutern?

Joannes Vermorel: Das wird lebendig, wenn du mir erlaubst. Jeder versteht die Konzepte, die Idee von Flexibilität. Jeder versteht, dass mehr Flexibilität besser ist als weniger, aber Flexibilität ist nicht kostenlos. Wie viel Flexibilität brauche ich? Wo sollte ich in Flexibilität investieren und welche potenziellen Vorteile hat Flexibilität? Das sind Schlüsselfragen, die beantwortet werden müssen. Aber darüber hinaus stellt sich die Frage, wie definiere ich Flexibilität? Sobald Sie eine präzise Definition von Flexibilität haben, zum Beispiel die Fähigkeit, auf Veränderungen zu reagieren, und Veränderungen können auf viele verschiedene Arten auftreten, Änderungen des Nachfragevolumens, der Nachfragezusammensetzung, Störungen, wissen wir genau, wie man eine Lieferkette für Flexibilität entwirft. Diese kommen aus der Physik, und wenn Sie das wissen, können Sie quantifizieren, welche Auswirkungen dies auf meinen Servicegrad hat? Welche Auswirkungen hat dies auf meinen Bestand? Welche Auswirkungen hat dies auf meine Reaktionszeit? Und das wird von Unternehmen in der Automobilindustrie, in der Konsumgüterindustrie genutzt, indem sie die Gesetze der Physik nutzen, um den Grad, das Maß an Flexibilität in der Lieferkette neu zu überdenken. Das Gleiche gilt für Redundanz, das Gleiche gilt für Widerstandsfähigkeit. Deshalb sind die Gesetze der Physik so wichtig.

Nicole Zint: Es ist sehr interessant, dass du Flexibilität erwähnt hast, denn oft sehen wir, wenn Unternehmen Entscheidungen treffen müssen, ob sie ein bestimmtes Produkt in ihrem zentralen Lager oder in lokaleren Lagern aufbewahren sollen, dass es im Grunde genommen ein Gleichgewicht oder einen Kompromiss zwischen mehr Flexibilität gibt, wenn es sich im zentralen DC befindet, oder einen besseren Service für Ihre Kunden, weil sie das Produkt schneller erhalten.

David Simchi-Levi: Ja, in der Tat geht es darum, dieses perfekte Gleichgewicht zu finden. Aber ich denke, der spezifische Punkt, den Joannes macht, ist, dass es nicht nur darum geht, das Gleichgewicht zu finden, das Gleichgewicht zu finden ist sozusagen gegeben. Was er betont, ist, dass es einen wirtschaftlichen Kompromiss gibt, der immer mit Flexibilität einhergeht, und dass dieser modelliert werden kann und dass er in allen Situationen zur Optimierung herangezogen wird. Das ist es, was er sagt, ich glaube, das ist so eine Art Spitzname für das Gesetz der Physik. Das ist das Gesetz der, würde ich sagen, physischen Lieferketten. Sie wissen, das ist wie die Kurzform dafür. Es gibt Grundlagen, die etabliert werden können, die nicht von Natur aus vollständig sind, die nicht von Natur aus endgültig sind, aber sie sind da. Und es ist wichtig, diese Lieferketten hier in diesem Fall mit einer Denkweise anzugehen, bei der nicht alles, würde ich sagen, zur Debatte steht. Sie sehen, das ist der Punkt dieser Art von physikalischem Ansatz. Wenn Leute sagen, wir haben die Gleichung für Elektromagnetismus, wissen Sie, dass wir im Wesentlichen das sind, was wir die vier Maxwell-Gleichungen nennen, also sind wir nicht von Maxwell fertig, aber egal, die vier Gleichungen des Elektromagnetismus. Sie können versuchen, sie zu widerlegen, aber in der Zwischenzeit wird jeder Elektromagnetismus betreiben und sagen, dass dies die ganze Zeit wahr ist. Das ist keine Option. Die Leute sagen nicht, dass es von Natur aus unmöglich ist, eine Situation zu finden, in der sie im Unrecht wären. Das ist keine Wissenschaft. Es geht darum, den Fluss in Ihrem Modell zu entdecken, und wir finden weiter. Aber der Punkt ist, dass ich denke, dass es sehr interessant ist, eine Art Kern zu etablieren, würde ich sagen.

Nicole Zint: Joannes, könntest du uns etwas über die Theorien erzählen, auf die du dich stützt, um einen quantitativen Ansatz aufzubauen, der für die Optimierung der Lieferkette funktioniert?

Joannes Vermorel: Es gibt zwei Theorien im wissenschaftlichen Sinne, auf die man sich stützen kann, um darauf aufzubauen. Sie wissen, im Gegensatz zu nur Meinungen und Debatten zu haben. Denn das Problem ist, dass es sehr schwierig wird, einen quantitativen Ansatz zu haben, der nicht zufällig ist, wenn man diese Grundlage nicht hat. Sie möchten eine Methode haben, die potenziell immer in allen Unternehmen funktioniert. Das ist der Höhepunkt der Allgemeinheit. Aber wenn Sie sehr solide Grundlagen haben, können Sie Dinge haben, die dem immer näher kommen. Ich denke, darin liegt das wahre Interesse.

Nicole Zint: Es ist interessant, dass du sagst, dass du nach dieser Lösung suchst, die für viele verschiedene Probleme funktionieren kann, nicht nur für eines. Und tatsächlich, Professor, das ist etwas, das wir auch in Ihren Veröffentlichungen gesehen haben. Dass Sie oft nicht nur über einen einzelnen Algorithmus oder eine einzelne Lösung sprechen, sondern eher über einen Rahmen, der auf eine Vielzahl von Problemen anwendbar sein kann. Warum haben Sie sich genau darauf konzentriert, anstatt nur einzelne Module zu verteilen?

Prof. David Simchi-Levi: Nun, es ist wahrscheinlich sehr offensichtlich, aber gleichzeitig sehen wir, dass sich die Leute nicht oft auf den Rahmen konzentrieren. Aber es geht immer darum, diese eine Lösung zu finden. Aber wenn sich die Lieferkette ändert, und Sie erwähnten, dass sich die Welt ständig verändert, dann stecken wir fest. Also müssen wir das Problem immer wieder neu lösen. Und tatsächlich konzentrieren wir uns bei Lokad genau darauf. Wir suchen nach einem problemorientierten Ansatz anstelle dieser einen einzigen Lösung, die nur im Moment anwendbar ist.

Nicole Zint: Professor, könnten Sie auch die Frage beantworten, warum Sie sich auf Rahmenbedingungen konzentrieren?

Prof. David Simchi-Levi: In Ihrer Beschreibung des Schwerpunkts meiner Forschung liegt der Fokus darauf, sicherzustellen, dass wir eine langfristige Strategie für die Lieferkette haben. Damit wir unsere Strategie nicht jede Woche oder jeden Tag ändern müssen, wenn es zu einer aktuellen Störung oder einer Änderung der Nachfrage kommt. Vielleicht werde ich dies mit der Arbeit, die ich zur Digitalisierung der Lieferkette geleistet habe, verdeutlichen. Welche Rahmenbedingungen haben wir bei der Digitalisierung der Lieferkette identifiziert, die es Unternehmen ermöglichen, die meisten Vorteile einer vollständigen Digitalisierung zu erzielen, ohne die vier oder fünf Jahre Investition in die digitale Lieferkette? Und ich werde vier Rahmenbedingungen hervorheben. Die erste, die ich bereits erwähnt habe, ist die einheitliche Sicht auf die Nachfrage, die die Konsensprognose ersetzt. Die Konsensprognose wird von Führungskräften und der Industrie seit vielen, vielen Jahren verwendet. Finanzen haben ihre eigene Prognose. Die Betriebsabteilung hat ihre eigene Prognose. Der Vertrieb hat eine andere Prognose. Und dann treffen sie sich in einer Konsenssitzung, um sich auf einen Kompromiss zu einigen. Es ist nicht klar, dass dieser Kompromiss die Realität korrekt darstellt. Was Sie tun möchten, ist, sich auf die Daten zu einigen. Sobald ich die Daten habe, möchte ich, dass die Analytik und die Maschine eine Prognose generieren, die von den verschiedenen Funktionsbereichen verwendet werden kann. Das ist der erste. Der zweite ist ein…

Nicole Zint: Könnten Sie uns etwas über den Rahmen erzählen, den Sie bei der Optimierung der Lieferkette verwenden?

Prof. David Simchi-Levi: Sicher, der Rahmen, den wir verwenden, basiert auf der Idee, dass eine Einheitsstrategie für die meisten Unternehmen nicht angemessen ist. Wenn Sie sich anschauen, was die meisten Unternehmen tun, haben sie eine Strategie für alle Kanäle, alle Märkte und alle Produkte. Was wir betonen, ist die Segmentierung der Lieferkette, die Segmentierung von Produkten, die Segmentierung von Märkten und die Segmentierung von Kanälen. Dies ermöglicht es Unternehmen, die Lieferkettenstrategie für jeden Cluster, für jede Gruppe fein abzustimmen und dadurch je nach den Merkmalen jedes Segments reaktionsfähiger zu sein. Das dritte Element in diesem Rahmen ist die Konzentration auf SNOP (Sales and Operations Planning), das Daten und Analytik verwendet, um Unternehmen bei der Identifizierung eines effektiven Plans zu unterstützen. Das letzte ist die Erkenntnis, dass es trotz der Effektivität des Plans immer Abweichungen vom Plan gibt, wie Lieferstörungen und Nachfrageänderungen. Wenn ich diese Störungen und Abweichungen frühzeitig identifizieren kann, kann ich sehr effektiv darauf reagieren. Dies ist Teil der KPP (Key Performance Parameters) und des Kontrollturms, auf die ich sicher bin, dass sich Ihr Unternehmen mit vielen Ihrer Kunden konzentriert.

Nicole Zint: Joannes, was denkst du über das, was Professor Simchi-Levi sagt, insbesondere über diesen SNOP-Prozess, den auch Lokad hat?

Joannes Vermorel: Ja, ähm, aber es ist nicht, würde ich sagen, ein anderer Ansatz. Aufgrund unseres Fokus und unserer Herkunft betrachten wir den Punkt aus einem etwas anderen Blickwinkel. Das bedeutet nicht, dass wir besonders anderer Meinung sind. Das Erste, was ich sehe, ist, dass wir die Supply Chain nie direkt beobachten, also wenn wir zum Beispiel von Nachfrage sprechen, gibt es die Vermittlung der Unternehmenssysteme, die sehr komplex sein können. Ein typisches ERP, das drei Jahrzehnte alt ist, hat beispielsweise 2000 Tabellen. Jede Tabelle hat etwa 50 bis 200 Felder, und wenn man mit einem multinationalen Unternehmen spricht, kann es zu einer halb albtraumhaften Situation kommen, in der es ein anderes ERP pro Land gibt, also 40 Länder. Also erstens ist das Eingangssignal aufgrund der reinen IT-Komplexität unglaublich komplex, das sollte man nicht unterschätzen. Es gibt also zuerst diese, würde ich sagen, diese Barriere, dass selbst wenn alles vorhanden ist, selbst wenn die Daten korrekt sind, die Daten nicht Müll sind, dass es sich um sehr saubere Transaktionsdaten handelt. Das Problem ist nur, dass es aufgrund der Tatsache, dass alle Systeme nie zur Messung der Nachfrage eingesetzt wurden, sondern zur Steuerung der Supply Chains, außerordentlich komplex ist. Also haben wir zuerst diese, würde ich sagen, brutale Undurchsichtigkeit der Anwendungsumgebung. Das zweite, was wir haben, ist, dass das, was wir Nachfrage nennen, wenn man sich tatsächlich Branchen ansieht, viel granularer ist. Nehmen wir zum Beispiel an, Sie haben ein Unternehmen, das elektrisches Material an B2B-Kunden verkauft. Die Realität ist, dass die Bestellung, die sie erhalten, eine Bestellung ist, bei der ein Kunde ein Gebäude bauen möchte, und sie werden eine große Bestellung mit potenziell Tausenden von Produktreferenzen aufgeben und die Lieferung tatsächlich planen. Sie werden also sagen: “Wir möchten, dass in neun Monaten alles geliefert wird, aber wir möchten, dass die ersten 500 Referenzen in drei Monaten geliefert werden, dann die nächsten 500 in vier Monaten usw.”

Nicole Zint: Also, Joannes, könntest du uns erzählen, wie du das Problem der Nachfrageprognose angehst und welche Herausforderungen damit verbunden sind?

Joannes Vermorel: Ja, die Granularität der Nachfrage kann ziemlich kompliziert sein. Wenn Sie zum Beispiel eine große Sammelbestellung haben, die über einen Zeitraum von sechs Monaten geplante Lieferungen erfordert, wie zählen Sie die Nachfrage? Zählen Sie sie, wenn sie entsteht oder wenn sie geliefert wird? Es gibt also offensichtlich viele Komplexitäten. Was ich sage, ist, dass wenn wir von “Nachfrage” sprechen, es sich nicht um etwas eindimensionales mit einer Zeitreihen-Perspektive handelt, bei der man projizieren kann. In der Regel handelt es sich um ein sehr multidimensionales Problem, das durch die Tatsache verschärft werden kann, dass wenn Sie Ihren eigenen neuen Produkttyp einführen, der die alte Generation von Produkten ersetzt, Sie sehr aggressive Kannibalisierungseffekte haben werden, einfach weil es buchstäblich Ihre eigene überlegene Technologie ist, die Ihre eigene vorherige Technologie von Produkten kannibalisiert. Die Produkte sind typischerweise sehr ähnlich, und Ihre nächste Generation ist ein Allrounder, der alles, was zuvor war, besser ersetzt.

David Simchi-Levi: Ja, und deshalb ist es entscheidend, die richtigen Werkzeuge und einen gut ausgebildeten Supply Chain Scientist zu haben, um diese Herausforderung anzugehen. SQL ist eine Programmiersprache, die zur Extraktion von Daten verwendet wird, aber wir brauchen bessere Werkzeuge als das, um mit der großen Menge an Daten umzugehen, die wir verarbeiten müssen.

Joannes Vermorel: Genau. Bei Lokad haben wir uns darauf konzentriert, darüber nachzudenken, welche Art von Werkzeugen unsere Supply Chain Scientists benötigen. Wir haben keine KI, die einfach Daten nehmen und uns Nachfrageprognosen liefern kann. Wir brauchen menschliche Intelligenz, um die Daten zu verstehen. Eine Frage, die wir stellen, ist: Welche Art von Werkzeugen haben sie? Haben sie SQL oder etwas Besseres?

Nicole Zint: Und wie gehst du mit dem Plan um? Wie gehst du damit um?

Joannes Vermorel: Nun, Lokad ist ein sehr operatives Unternehmen, und wir konzentrieren uns auf die tägliche Ausführung von Lieferketten. Was wir heute tun, ist, den Plan vollständig verschwinden zu lassen. Es gibt keine Pläne mehr, keine Prognosen mehr. Oder zumindest existieren diese Dinge noch als numerische Artefakte, aber sie sind völlig flüchtig und in das Datenpipeline-System eingebettet. Die einzigen sichtbaren Auswirkungen sind die Endspielentscheidungen. Zum Beispiel, was kaufst du? Was produzierst du? Wo bewegst du den Bestand hin? Bewegst du den Preis nach oben oder unten? Wenn also eine Störung aus China kommt, ist das ein Input, aber die Tatsache, dass sie den Plan ändert, ist bedeutungslos. Das Einzige, was die Leute sehen werden, sind Entscheidungen, die in etwas leicht Abweichendes gelenkt werden. Und wenn sie sich die treibenden Kräfte in Dollar oder Euro ansehen, werden sie sehen, dass die in Dollar ausgedrückten Risiken für bestimmte Risikoklassen aufgrund dieser neuen Informationen in die Höhe geschossen sind.

Nicole Zint: Also, Joannes, was denkst du über die Auswirkungen von Störungen auf die Lieferkette?

Joannes Vermorel: Nun, Störungen in der Lieferkette können ernsthafte Risiken für Offshore-Lieferanten verursachen. Sie können ihr zugehöriges Risiko explodieren lassen und alle Entscheidungen von ihnen wegleiten. Für die meisten Unternehmen werden jedoch die Prognose und der Plan zu einem numerischen Artefakt, das ziemlich bedeutungslos ist. Ich meine, es gibt viele andere numerische Artefakte, die keine erstklassigen Bürger sind und nicht das Interesse des Unternehmens wecken. Ich muss wahrscheinlich mehr darüber erfahren, was Sie tun, um einen substantielleren Kommentar zu dem zu geben, was Sie beschrieben haben.

Prof. David Simchi-Levi: Unternehmen, mit denen ich zusammengearbeitet habe, stehen vor Herausforderungen in verschiedenen Teilen der Lieferkette, die ein unterschiedliches Denken über Planung und Prognose implizieren können. Lassen Sie mich ein sehr schnelles Beispiel geben: Wenn Sie über den Modeeinzelhandel nachdenken, ist ein Teil des Portfolios ein Portfolio, das ich in keinem Fall vorhersagen kann. Wir können eine Prognose erstellen, aber sie ist so unzuverlässig, dass sich die Lieferkette nur auf Geschwindigkeit konzentriert. Aber es gibt andere Teile ihres Portfolios, bei denen ich sehr gut vorhersagen kann, und diese Vorhersage wird verwendet, um die Lieferkette vollständig zu steuern. Es kann sein, dass viele der Supply Chain-Verantwortlichen die Vorhersage nicht sehen, aber sie wird verwendet, um zu motivieren, wo ich den Bestand positioniere, wie viel Bestand ich positioniere, wie ich auf Bestellungen reagiere. Aber im ersten Teil ist nicht nur die Vorhersage verborgen, es gibt keine Vorhersage, weil sie so unzuverlässig ist, und die Lieferkette konzentriert sich hauptsächlich auf Geschwindigkeit. In diesem Teil ist Ihr Punkt etwas anders, etwas tiefer, dass selbst wenn Sie eine Vorhersage haben und einen Plan haben, was Sie der Entscheidungsfindung zeigen möchten, ist nur das Ergebnis eines bestimmten Ereignisses, nicht das, was zum Ergebnis beiträgt, nämlich die Vorhersage oder der Plan. Nun, ein wichtiger Aspekt ist, ob ein menschlicher Entscheidungsträger sich damit wohl fühlt, nur das Ergebnis zu betrachten und nicht zu verstehen, was das Ergebnis antreibt, ob es der Plan selbst ist oder ob es die Vorhersage ist. Aber ich muss sicherlich etwas mehr Einblick darüber haben, was Sie tun, um die potenzielle Möglichkeit in diesem Bereich zu identifizieren.

Nicole Zint: David, welche aufkommenden Algorithmen sehen Sie derzeit im Bereich des Lernens und der Optimierung von Lieferketten, aber auch welche negativen Trends sehen Sie, die ebenfalls populär werden?

Prof. David Simchi-Levi: Ich denke, ich fange mit dem zweiten Teil an, nämlich dem Trend um die negativen Trends. Der negative Trend in Bezug auf die Auswirkungen von Störungen und Volatilität, den wir auf dem Markt sehen, wird uns noch viele Jahre begleiten. Dies ist eine neue Normalität, und daher müssen Unternehmen die Art und Weise neu überdenken…

Nicole Zint: Joannes, du hast über einige negative Trends gesprochen, die sich auf Kunden auswirken. Könntest du das näher erläutern?

Joannes Vermorel: Ja, sicher. Aus meiner Sicht gibt es zwei Probleme, die sich auf Kunden auswirken. Das erste Problem besteht darin, dass moderne Unternehmenssoftware unglaublich vielschichtig ist. Es gibt Schichten über Schichten von Schichten, und die Daten fließen von Schicht zu Schicht. Bei modernen Systemen sprechen wir leicht von über 100 Schichten, in denen die Daten fließen. Die Datenwissenschaft fügt nur etwa 20 Schichten hinzu. Um Ihnen eine Vorstellung zu geben: Wenn Sie sagen, dass Sie Datenwissenschaft in Python machen möchten, ist die Realität, dass Sie nicht alles in Python machen. Sie haben Schichten in Pandas, Schichten in NumPy, Schichten in Kit und so weiter. Viele Unternehmen haben enorme Schwierigkeiten damit, dass sich die Systeme in den letzten Jahrzehnten so vielschichtig entwickelt haben, dass jede Schicht eine Gelegenheit für Fehler, Regressionen und allerlei Missgeschicke bietet. Dies hindert alle Initiativen in der Lieferkette auf eine sehr brutale und einfache Weise. Sie versuchen etwas zu tun, und am Ende des Tages können sie nicht einmal den Lagerbestand richtig erfassen, nur weil die KI durch mehr als 50 Systeme fließt und es sehr kompliziert ist.

Prof. David Simchi-Levi: Kann ich etwas dazu sagen? Die Implikation dessen, was Joannes sagt, ist, dass die Qualität dessen, was die Menschen tun, beeinträchtigt wird.

Joannes Vermorel: Ja, das ist richtig. Das zweite Problem, das ich sehe, besteht darin, dass einige maschinelle Lernverfahren, wie Deep Learning, unglaublich technisch sind und ihre eigenen Schichten hinzufügen. Das wird sehr schwierig umzusetzen. Sicherlich schaffen es sehr große Unternehmen, das zu tun, aber es ist sehr, sehr schwierig. Daher sehe ich neue Klassen algorithmischer Paradigmen, die es uns ermöglichen, ganze Klassen von Schichten zu entfernen, in denen wir beispielsweise Lernen und Optimierung sowie die Datenbankebene in einer einzigen Schicht zusammenführen können. Sie entfernen einfach ganze Klassen von Schichten, so dass Sie alles, was Sie in Bezug auf die Lieferkette tun möchten, mit IT-Systemen in großem Maßstab durchführen können, ohne zu viel Chaos einzuführen. Die Realität ist, dass wenn ich darauf zurückkomme, warum Unternehmen so viele Jahre brauchen, um ihre Dinge zu erledigen, sehr häufig nicht der reine schicke Teil des maschinellen Lernens ist, der so viel Zeit oder der sehr intelligente algorithmische Teil des Systems in Anspruch nimmt, der so viel Zeit und Aufwand erfordert. Es ist alles, was davor und danach kommt, was sehr locker integriert ist, und man endet mit…

Nicole Zint: Entschuldigung, aber könnten Sie klären, was Sie mit “alles, was davor und danach kommt” meinen?

Joannes Vermorel: Ja, sicher. Vor dem schicken Teil des maschinellen Lernens müssen Sie ordnungsgemäße Datenpipelines, ordnungsgemäße Datenbanken und ordnungsgemäße Datenbereinigung haben. Nach dem maschinellen Lernteil müssen Sie ordnungsgemäße Möglichkeiten haben, die Ausgabe dieses maschinellen Lernteils in das ERP-System oder das Auftragsverwaltungssystem oder das WMS-System zu integrieren. Alle diese Teile müssen gut integriert sein, und das ist die Herausforderung.

Nicole Zint: Joannes, können Sie uns etwas über die Komplexität der Optimierung der Lieferkette in Bezug auf Daten erzählen?

Joannes Vermorel: Es ist enorm kompliziert, würde ich sagen, Datenpipelines. Die Komplexität der Logistik der Daten übertrifft tatsächlich die Komplexität der Logistik der physischen Güter. Das ist die Sichtweise eines Softwareanbieters. Aber jetzt, meine eigene Beobachtung ist, dass Menschen, die sich auf Dinge konzentrieren, die nur die Idee dieser Unternehmen in die Höhe treiben, die IT-Komplexität, das wird Ihre Lieferkette nicht widerstandsfähiger machen, wenn Sie am Ende eine weitere Klasse von Risiken durch superkomplizierte Ausbrüche einführen. Heutzutage sehe ich immer mehr Unternehmen, die aufgrund eines IT-Problems zum Stillstand kommen, das ein Ransomware sein kann, aber manchmal sind es nur interne Fehler.

Nicole Zint: Und Professor Simchi-Levi, wie denken Sie, kann Technologie zur Verbesserung der Optimierung der Lieferkette genutzt werden?

Prof. David Simchi-Levi: Wenn wir vor der Pandemie über die Möglichkeiten gesprochen haben, Technologie, maschinelles Lernen, Optimierung zur Verbesserung der Geschäftsleistung und der Lieferkette einzusetzen, würden die Leute zustimmen. Aber Führungskräfte wären sehr zurückhaltend, in die Digitalisierung der Lieferkette zu investieren, die Digitalisierung der zwischenbetrieblichen Lieferkette. Nicht weil sie den Nutzen nicht erkennen können, sie verstehen den Nutzen, aber sie sind besorgt über die enormen finanziellen Investitionen und die lange Zeit, die es dauert, um den gewünschten Nutzen zu erzielen. Was uns die Pandemie gezeigt hat, ist, dass die Zukunft hier ist, dass wir heute mit den verfügbaren Daten agiler und widerstandsfähiger in unseren Lieferketten sein können.

Joannes Vermorel: Wenn wir mehr tun wollen, insbesondere um intelligent mit komplexen Konzepten wie Widerstandsfähigkeit und Risikomanagement umzugehen, die sich nicht für direkte Messungen eignen, müssen wir Werkzeuge haben, die dazu in der Lage sind. Aber wir sollten keine Dinge entwickeln, die tatsächlich in relativ kurzer Zeit bereitgestellt und in Produktion genommen werden können, und das ist wirklich eine Herausforderung. Die Frage ist, dass im Moment das universelle Werkzeug, das verwendet wird, um eine Entscheidung innerhalb von 48 Stunden in die Produktion zu bringen, Microsoft Excel ist. Und wenn wir buchstäblich etwas haben, das alle Eigenschaften hat, die Menschen in Excel suchen, nämlich ein Entscheidungswerkzeug, mit dem Sie eine Milliarden-Lieferkette steuern und die Entscheidung treffen können, die jetzt getroffen werden muss, mit überlegener Korrektheit von Design, dann wäre das eine Möglichkeit, es zu betrachten. Das ist definitiv die Art von Forschungsorientierung, der wir folgen.

Nicole Zint: Professor Simchi-Levi, können Sie zu dem kommentieren, was Joannes gerade gesagt hat?

Prof. David Simchi-Levi: Lassen Sie mich auf das aufbauen, was Joannes gesagt hat, und es mit den heutigen Herausforderungen in der Lieferkette und den IT-Herausforderungen verbinden.

Nicole Zint: Also, Joannes, wie wichtig ist Ihrer Meinung nach die Digitalisierung der Lieferkette und wie kann sie Unternehmen zugutekommen?

Joannes Vermorel: Mit der uns zur Verfügung stehenden Technologie können wir die Geschäftsleistung dramatisch verbessern. Wir können vielleicht nicht alle Vorteile einer vollständigen Digitalisierung der Lieferkette erreichen, aber mit einer moderaten finanziellen Investition und einer relativ kurzen Zeitspanne können Unternehmen einen enormen Einfluss auf das Ergebnis erzielen. Deshalb sehe ich trotz aller Herausforderungen, die wir gesehen haben, einen wichtigen positiven Trend. Wir erkennen, dass die Zukunft oder die Realität hier ist und Unternehmen, die darüber nachdenken, wie sie vorankommen können, diese Gelegenheit nutzen müssen, um einen Teil ihres Geschäfts zu verändern und zu digitalisieren, um nicht die Herausforderungen von gestern, sondern die Herausforderungen und Chancen von morgen anzugehen.

Nicole Zint: Professor, stimmen Sie Joannes’ Perspektive zur Bedeutung der Digitalisierung der Lieferkette zu?

Prof. David Simchi-Levi: Absolut, ich stimme Joannes vollkommen zu. Die Vorteile der Digitalisierung der Lieferkette sind signifikant und Unternehmen, die sich dem nicht anschließen, werden zurückbleiben. Wir sehen, dass Unternehmen in allen Branchen die Digitalisierung übernehmen und davon profitieren. Von der Optimierung der Lagerbestände bis zur Reduzierung der Vorlaufzeiten hat die Digitalisierung der Lieferkette das Potenzial, Unternehmen zu transformieren.

Nicole Zint: Können Sie uns ein Beispiel für ein Unternehmen nennen, das die Digitalisierung der Lieferkette erfolgreich umgesetzt hat?

Prof. David Simchi-Levi: Sicher, ein großartiges Beispiel ist Walmart. Walmart ist einer der größten Einzelhändler der Welt und konnte die Digitalisierung der Lieferkette nutzen, um seine Betriebskosten zu senken und seine Gewinnmarge zu verbessern. Durch den Einsatz von Datenanalyse und maschinellem Lernen konnte Walmart seine Lagerbestände optimieren, Verschwendung reduzieren und Lieferzeiten verbessern.

Nicole Zint: Vielen Dank, Professor, für dieses Beispiel. Und vielen Dank, dass Sie beide heute an dieser sehr interessanten Diskussion zur Digitalisierung der Lieferkette teilgenommen haben.