Geschichten der Zukunft: Eine Diskussion mit Jonathon Karelse - Ep 136

00:00:00 Diskussion über die Bedeutung von Prognosen und Skepsis.
00:00:40 Vorstellung der Gäste Jonathon Karelse und Joannes Vermorel.
00:01:37 Inspiration für das Schreiben von “Geschichten der Zukunft” und die Bedeutung des Hinterfragens von Prognosemethoden.
00:05:49 Definition von Prognosen und ihre Wurzeln im frühen 20. Jahrhundert.
00:08:53 Debatte über die Sinnhaftigkeit der Verlängerung von Messreihen zur Vorhersage der Zukunft.
00:09:40 Klassische Sichtweise der Prognose im 21. Jahrhundert und ihre Verbindung zur Zeitreihe.
00:10:33 Neukalibrierung der Erfolgsmessung bei Prognosen und Fokussierung auf das Geldverdienen im Geschäft.
00:13:25 Newtonsche Prinzipien und deterministischer Ansatz bei Prognosen und ihr Einfluss auf das wirtschaftliche Denken.
00:16:55 Europäische Fortschritte in Mathematik und Statistik und ihr Einfluss auf nordamerikanische Prognosemethoden.
00:18:25 Anpassung an die inhärente Ungenauigkeit von Prognosen und Akzeptanz der Tatsache, dass sie niemals perfekt genau sein werden.
00:19:29 Das Problem der deterministischen Prognose und die Akzeptanz probabilistischer Ansätze.
00:20:36 Frühe Denker über KI und ihre Vorhersagen für ihre Fähigkeiten.
00:21:55 Der Einfluss der Verhaltensökonomie auf Prognosen und den klassischen Ansatz.
00:23:00 Die Irrationalität der Menschen und das Aufkommen der Verhaltensökonomie.
00:26:34 Heuristiken, ihre evolutionären Vorteile und die Nachteile bei der Interpretation von Daten.
00:28:55 Untersuchung des menschlichen Verhaltens bei Entscheidungen auf der Grundlage von Daten.
00:29:37 Wie die Rahmung der Daten mit einer Geschichte die Entscheidungsfindung beeinflusst.
00:31:13 Die Auswirkungen organisatorischer Vorurteile auf Prognosen.
00:33:00 Das Problem des Überoptimismus bei der Prognose von Beförderungen.
00:36:23 Anwendung von Vernunft auf Irrationalität und das Potenzial menschlicher Einfallsreichtum.
00:38:53 Die Bedeutung, sich nicht übermäßig auf komplexe Modelle für operative Strategien zu verlassen.
00:39:48 Die Gefahren von “nackten Prognosen” und die Notwendigkeit konkreter Verbindungen zum Geschäft.
00:42:34 Wie bürokratische Prozesse und Lieferketten anfällig für Probleme bei der Prognose sind.
00:45:31 Verhaltensökonomie und menschliche Vorurteile im Prognoseprozess.
00:47:53 Maximierung des Werts menschlichen Urteils bei Prognosen durch das Verständnis von Vorurteilen.
00:48:39 Bedeutung der Anerkennung von Vorurteilen und ihrer Rolle bei Prognosen.
00:50:40 Grenzen der Zeitreihenperspektive bei Prognosen.
00:52:00 Menschliche Probleme bei Prognosen, die über Vorurteile hinausgehen.
00:54:53 Die Zukunft der KI-Entwicklung und ihre Rolle bei der Unterstützung oder dem Ersatz menschlicher Prognostiker.
00:57:01 Die Bedeutung menschlicher Einfallsreichtum und das Stellen der richtigen Fragen.
00:58:47 Diskussion numerischer Rezepte und die Rolle des Menschen bei der Automatisierung.
01:01:58 Zukünftige Automatisierung im Supply Chain Management.
01:04:11 Potenzielle Themen für eine zweite Ausgabe des Buches.
01:05:22 Nutzung der Verhaltensökonomie in C-Level-Meetings.
01:08:46 Grenzen der Prognose in der Luftfahrt und im Einzelhandel.
01:09:30 Fokussierung auf Entscheidungen und die seltsame Natur der prädiktiven Modellierung.
01:10:27 Vergleich der Seltsamkeit zukünftiger Vorhersagen mit der Quantenmechanik.
01:11:12 Jonathons Ratschlag für Supply Chain-Praktiker.
01:11:56 Fazit und Dank an die Gäste.

Zusammenfassung

In einem Interview diskutieren Joannes Vermorel, Gründer von Lokad, und Jonathon Karelse, CEO von NorthFind Management, die Bedeutung des Verständnisses und der Hinterfragung des Zwecks von Prognosen in Unternehmen. Sie plädieren für einen skeptischen Ansatz und betonen, dass Genauigkeit nicht das einzige Maß für den Erfolg sein sollte. Prognosen sollten als diagnostische Metrik betrachtet werden, um Fehler zu identifizieren und zu beheben, um kontinuierliche Verbesserungen zu ermöglichen. Beide Experten sind sich einig, dass Vorurteile Prognosen beeinflussen können und Unternehmen sich auf Techniken konzentrieren sollten, die greifbare Auswirkungen haben. Sie diskutieren auch die Rolle der KI in der Optimierung der Supply Chain und stellen fest, dass KI zwar unterstützen kann, aber menschliche Einfallsreichtum unverzichtbar bleibt.

Ausführliche Zusammenfassung

In diesem Interview diskutiert Gastgeber Conor Doherty mit Joannes Vermorel, dem Gründer von Lokad, und Jonathon Karelse, dem CEO von NorthFind Management, Prognosen. Karelse erklärt, dass sein Ansatz für Prognosen darauf abzielt, deren Auswirkungen auf Unternehmen zu verstehen. Viele Organisationen prognostizieren, weil es “gemacht” werden soll, fragen sich aber oft nicht, warum sie prognostizieren oder ob es Möglichkeiten gibt, den Prozess zu verbessern. Er betont die Bedeutung eines gesunden Skeptizismus und der kontinuierlichen Hinterfragung von Praktiken zur Verbesserung der Prognosen.

Karelse teilt die Inspiration für sein Buch “Histories of the Future”, das aus seinem Wunsch entstand, den historischen Kontext von Prognosen und die Gültigkeit bestimmter Prognoseprinzipien zu untersuchen. Er bezieht sich auf die Arbeit von Bruno LaTour, der die Gewissheit wissenschaftlicher Prinzipien in Frage stellte und dafür plädierte, den historischen Kontext zu verstehen, in dem sie entstanden sind. Dieser Ansatz inspirierte Karelse dazu, eine ähnliche Perspektive auf das Feld der Prognosen anzuwenden.

Auf die Frage nach der Definition von Prognosen sagt Karelse, dass es im Wesentlichen darum geht, eine Vermutung darüber anzustellen, wie die Zukunft aussehen wird. Während die Vermutung wissenschaftlicher und geleiteter werden kann, ist es wichtig, nicht aus den Augen zu verlieren, dass Prognosen letztendlich auf Ungewissheit basieren. Vermorel fügt hinzu, dass die klassische Perspektive auf Prognosen, die bis ins frühe 20. Jahrhundert zurückreicht, auf Zeitreihen und der Erweiterung von Messungen über die Zeit basiert. Er glaubt jedoch, dass im 21. Jahrhundert weiterhin neue Möglichkeiten entstehen werden, die Zukunft zu betrachten.

Karelse betont, dass die Genauigkeit von Prognosen nicht das einzige Maß für den Erfolg sein sollte. Stattdessen sollte die Genauigkeit der Prognosen als diagnostische Metrik betrachtet werden, die dazu beitragen kann, die Ursachen von Fehlern und Suboptimalitäten zu identifizieren, die dann zur Neukalibrierung und Optimierung für kontinuierliche Verbesserungen genutzt werden können. Das Ziel von Prognosen ist es, Geld zu verdienen, und das Verständnis der spezifischen Bedürfnisse und Erwartungen eines Unternehmens ist entscheidend für die effektive Nutzung von Prognosen.

Vermorel stimmt zu, dass Prognosen nicht immer mit Skepsis betrachtet wurden. Frühe Befürworter wie Roger Babson glaubten an die absolute Macht der Wissenschaft, die Zukunft vorherzusagen und zu modellieren. Sowohl Karelse als auch Vermorel plädieren jedoch für einen skeptischeren Ansatz, der herkömmliches Wissen in Frage stellt und Prognosemethoden verbessert, um Unternehmen zugute zu kommen.

Die Diskussion beginnt mit einer kurzen Geschichte der Prognosen, insbesondere der kulturellen und geografischen Aspekte, die bei ihrer Entwicklung eine Rolle spielten. Das Gespräch wendet sich dann dem klassischen Ansatz zur Prognose zu, der auf einer deterministischen Philosophie basierte, die sich auf mathematische und wissenschaftliche Prinzipien stützte, um zu genauen Schlussfolgerungen zu gelangen. Die Grenzen dieses Ansatzes werden diskutiert, einschließlich der Tatsache, dass Menschen nicht immer rationale Akteure sind und unbewusste Vorurteile Entscheidungsfindung beeinflussen können. Das Konzept der Heuristik wird eingeführt und die Vor- und Nachteile ihrer Nutzung werden diskutiert. Auch die Idee der Überzeugungskraft, die eine Vorstufe zur Diskussion über Verhaltensökonomie ist, wird untersucht. Das Gespräch wechselt dann zur Bedeutung der probabilistischen Prognose und wie sie Organisationen helfen kann, die Grenzen ihrer Vorhersagen besser zu verstehen. Die Diskussion schließt mit einer kurzen Erwähnung von künstlicher Intelligenz und ihrem Potenzial zur Unterstützung von Prognosen, aber auch der Notwendigkeit, zu akzeptieren, dass es ultimative Grenzen für unser Verständnis von allem gibt.

Das Problem der positiven Verzerrung bei Prognosen, insbesondere in Organisationen mit kulturellen und geschäftsbezogenen Verzerrungen zugunsten von Wachstum und positiven Ergebnissen. Selbst ohne offensichtliche Verzerrungen zeigt die Forschung, dass Menschen viermal häufiger positive Anpassungen an eine Prognose vornehmen als negative Anpassungen. Diese Verzerrung wird auf unsere evolutionären Tendenzen zur Risikovermeidung und zur Verwirklichung von Chancen zurückgeführt.

Joannes Vermorel teilte seine Erfahrungen mit Kunden im Einzelhandel, wo die Tendenz zu positiven Umsatzsteigerungen für Promotions vorherrschte und zu unsinnigen Prognosen führte. Seine Lösung bestand darin, Prognosen als eine Technik unter vielen anderen zu betrachten, anstatt als den Kernansatz. Dies beinhaltet nur numerische Techniken zu verwenden, die einen greifbaren Einfluss auf das Geschäft ermöglichen, wie etwas herzustellen, etwas von Ort A nach Ort B zu bewegen oder Daten zu verwenden, die direkt mit etwas Greifbarem verbunden sind. Vermorel betonte die Notwendigkeit, Prognosen als eine von vielen Techniken zu behandeln und keine nackten Prognosen zu haben, die nicht mit etwas Greifbarem verbunden sind.

Jonathon Karelse trug zur Diskussion bei, indem er hinzufügte, dass alle Modelle falsch sind, aber einige Modelle nützlich sind und das ultimative Ziel darin besteht, nach Einfachheit und Modellauswahl zu streben. Er warnte auch davor, Prognosen zu mikromanagen, da dies Zeitverschwendung ist, wenn die Prognosegenauigkeit bei einem Horizont von sieben oder acht Monaten bereits miserabel ist. Er schlug vor, dass die Anwendung unbegrenzter Fähigkeiten zur Genialität in spezifischen Anwendungen, in denen die Wahrscheinlichkeit für positive Ergebnisse am größten ist, der richtige Weg ist.

Sie kamen zu dem Schluss, dass Prognosen nur eine Technik unter vielen sind und nicht der einzige Weg, die Zukunft anzugehen. Sie waren sich einig, dass ein besseres Verständnis der Verhaltensökonomie innerhalb einer Organisation die Prognosen verbessern kann. Indem sie die Vorurteile erkennen, die Prognosen beeinflussen können, können Organisationen unsinnige Prognosen vermeiden und sich auf Techniken konzentrieren, die einen greifbaren Einfluss auf das Geschäft ermöglichen.

Die Diskussion dreht sich um den Einsatz von KI und Prognosen in der Optimierung der Supply Chain. Sie untersuchen die Quellen und Grade der Verzerrung im menschlichen Urteilsvermögen und wie sie den Prozess beeinflussen. Vermorel argumentiert, dass der Fokus auf der Entwicklung numerischer Rezepte liegen sollte, die im großen Maßstab funktionieren und vernünftige Entscheidungen generieren. Er stellt fest, dass solche Rezepte in der täglichen Ausführung vollständig automatisiert sein sollten, während sich Menschen auf langfristige Entscheidungen konzentrieren sollten, die mehr geistige Kapazität erfordern. Karelse stimmt zu, dass KI Menschen bei der Prognose unterstützen kann, sie aber nicht ersetzen kann, und menschliche Genialität ist immer noch wichtig, um interessante und wichtige Fragen zu stellen, die KI lösen kann. Die Diskussion endet mit Karelse’s Hoffnung, dass Organisationen das Potenzial von menschlichen Erkenntnissen mit der Schwäche, die jeden aufgrund der Unvollkommenheit unserer Denkweise betrifft, in Einklang bringen können.

Die Zukunft der Optimierung der Supply Chain. Vermorel äußerte seine Überzeugung, dass mit besseren Werkzeugen und Techniken große Teams von Menschen im Supply Chain Management möglicherweise überflüssig werden könnten, und er beschrieb seine Erfahrung, Menschen dabei zu beobachten, wie sie weiterhin Dinge tun, die offensichtlich irrational sind, trotz der Beweise, die das Gegenteil beweisen. Karelse stimmte Vermorel zu und fügte hinzu, dass er Verhaltensökonomie nutzt, um Führungskräften auf C-Ebene zu helfen, zu verstehen, warum ihre Prozesse fehlerhaft sind und wie sie ihren Geschäftswert messen können. Vermorel glaubt, dass sich die Konzentration auf die Vorhersagemodellierung im Supply Chain Management zunehmend seltsam anfühlen wird, und Karelse empfahl den Praktikern, niemals zufrieden zu sein, nur zu wissen, sondern immer nach dem Warum zu fragen. Das Interview endete damit, dass Karelse Vermorels Buch empfahl und beide Gäste Doherty für seine Zeit dankten.

Vollständiges Transkript

Conor Doherty: Willkommen zur Show. Ich bin Ihr Gastgeber, Conor. Heute habe ich Joannes Vermorel, Mitbegründer von Lokad, und einen besonderen Gast, Jonathon Karelse, CEO und Mitbegründer von NorthFind Management, bei mir. Er ist ein veröffentlichter Forscher auf dem Gebiet der unbewussten Vorurteile und hat dieses schöne Buch “Histories of the Future” geschrieben. Jonathan, vielen Dank, dass Sie dabei sind.

Jonathon Karelse: Danke, dass Sie mich eingeladen haben.

Conor Doherty: Nun, Jonathan, ich hoffe, Sie sind bereit für eine Flut von Schmeicheleien, denn ich habe das Buch tatsächlich gelesen. Es hat mir sehr gut gefallen. Ich glaube, ich bin tatsächlich Ihre Zielgruppe, weil ich belesen bin, aber auch ein Interesse an diesen Themen habe, Sie wissen schon, Wirtschaft, Geschäft, Verhaltensökonomie. Aber ich habe tatsächlich keine formale Ausbildung in diesem Bereich; mein Hintergrund, wie wir zuvor besprochen haben, ist Musik und Philosophie. Also habe ich beim Durchgehen der Geschichte der Prognosen tatsächlich einiges gelernt. Sie haben einen sehr angenehmen Ton, sehr zugänglich und lesbar, also vielen Dank dafür. Also fangen wir am Anfang an, nehme ich an. Was war genau die Inspiration, ein Buch über die letzten 100 Jahre der Prognosen zu schreiben?

Jonathon Karelse: Nun, mein Ansatz für Prognosen und Praxis war es immer, zu verstehen, was einen geschäftlichen Einfluss haben wird, und das mag offensichtlich erscheinen. Aber in vielen Organisationen werden Prognosen gemacht, weil es “gemacht werden soll”, und es wird nicht unbedingt viel darüber nachgedacht, warum wir prognostizieren. Als Ergebnis werden viele überlieferte Weisheiten von Generation zu Generation im Geschäft weitergegeben, und die Menschen gehen einfach den Routineprozess der Prognose durch, ohne wirklich zu verstehen, welche Elemente des Prozesses den Geschäftserfolg beeinflussen. Gibt es Dinge, die wir verbessern könnten, und vor allem warum?

Die Frage nach dem “Warum” ist etwas, das ich mich vielleicht nicht unbedingt als Querdenker bezeichnen würde, aber ich denke, es ist immer gut, ein wenig gesunden Zynismus oder Skepsis zu haben. Ich habe oft nach dem Warum gefragt, und ein Buch, das mich wirklich beeindruckt hat, als ich Wirtschaftsstudent war, wurde von Bruno LaTour geschrieben. Er stammt aus dieser LaTour-Familie. Er ist im Grunde das schwarze Schaf der Familie, weil er nicht Wein macht, aber Bruno LaTour hat einen Doktortitel in Erkenntnistheorie von der Le Cole de Mine, die, für diejenigen von Ihnen, die damit vertraut sind, wissen, dass es keine schlechte Universität ist. Er hat viel Zeit damit verbracht, die Lern- und Wissensmodi zu erforschen, und er hat ein Buch mit dem Titel “Science in Action” geschrieben.

Dieses Buch “Science in Action” betrachtet einige der Black-Box-Grundlagen der Wissenschaft, wie zum Beispiel die Doppelhelix-Struktur der DNA, und bringt sie zurück, bevor sie Fakten waren, bevor sie in Black Boxes verpackt wurden, und hilft uns, den historischen Kontext zu verstehen, in dem sie geboren wurden. Dabei zeigt er wirklich, dass viele dieser wissenschaftlichen Gewissheiten viel weniger sicher sind, als wir denken. Es ist bequem

Conor Doherty: Wenn Sie den Begriff Prognose verwenden, was genau meinen Sie damit?

Jonathon Karelse: Das ist eine gute Frage. Im Wesentlichen bedeutet Prognose, eine Vermutung darüber anzustellen, wie die Zukunft aussehen wird. Diese Vermutung kann wissenschaftlicher und von Unsicherheitsprinzipien geleitet sein, aber letztendlich raten wir. Es ist wichtig, diesen Fakt nicht aus den Augen zu verlieren, da er auf Unsicherheit basiert.

Conor Doherty: Das ist ein interessanter Punkt. Und Johannes, ein grundlegendes Prinzip von Lokad ist es, Unsicherheit anzunehmen, oder?

Joannes Vermorel: Ja, aber um die Frage zur Prognose zu beantworten, glaube ich, dass es eine klassische Prognoseperspektive gibt, die bis Anfang des 20. Jahrhunderts zurückreicht und von Personen wie Roger Babson und Irving Fisher populär gemacht wurde. Diese Perspektive nähert sich der Prognose durch Zeitreihen. Sie haben Messungen, die im Laufe der Zeit durchgeführt werden, wie zum Beispiel die Menge an produziertem Stahl oder die Anzahl geernteter Kartoffeln. Sie erhalten eine Sequenz von Messungen, die Sie als Zeitreihe darstellen können. Das Naheliegende ist, die Kurve zu erweitern und zu sehen, wohin sie als nächstes führt. Dies ist das Wesentliche der klassischen Prognoseperspektive, die Anfang des 20. Jahrhunderts entstand. Es ist jedoch nur eine Möglichkeit, es zu betrachten.

Die eigentliche Frage ist, ob es sinnvoll ist, die Zukunft zu betrachten, indem man eine Reihe von Messungen einfach erweitert. Es ist nicht unbedingt falsch, aber es ist eine subjektive Art, sich der Zukunft zu nähern. Diese Herangehensweise war sehr stark im 20. Jahrhundert präsent und hat sich im Laufe des Jahrhunderts weiterentwickelt und verfeinert. Es wird jedoch wahrscheinlich neue Möglichkeiten geben, die Zukunft zu betrachten, die im 21. Jahrhundert entstehen werden, von denen einige viel seltsamer sein können als der klassische Ansatz.

Conor Doherty: Johannes, zu diesem Punkt über den klassischen Ansatz zur Prognose möchte ich es an Jonathon zurückgeben. Etwas, das sich durch Ihre gesamte Arbeit zieht, ist eine Neukalibrierung der Art und Weise, wie Menschen den Erfolg einer Prognose messen. Ihre These scheint zu sein, dass es nicht nur um die Genauigkeit der Prognose geht. Könnten Sie das bitte näher erläutern?

Jonathon Karelse: Ich hoffe, wir werden in Zukunft auf die Idee des klassischen Ansatzes im Vergleich zu verschiedenen Philosophien der Prognose eingehen. Aber in der Zwischenzeit ist eines der Dinge, die mich verwirren, wie die Leute oft darüber sprechen, dass sie wissen, dass die Prognose immer falsch sein wird, als ob es eine Freikarte wäre. Sie sagen: “Du verlangst von mir, eine Prognose abzugeben. Ich werde mein Bestes tun, aber die Prognose ist immer falsch, also mach mir keine Vorwürfe, wenn sie es ist.

Conor Doherty: …aber dann kalibrieren sie immer noch operative Strategien und tatsächlich finanzielle Strategien in der Hoffnung auf eine hoch genaue Prognose. Also möchte ich sehr klar sein, denn ich habe letzte Woche auf einigen Konferenzen in Amsterdam darüber gesprochen und hatte einige sehr wütende Leute, insbesondere Softwareanbieter in diesen Sitzungen, die sagten: “Wovon redest du? Prognose spielt keine Rolle.” Und ich möchte klarstellen: Prognose spielt absolut eine Rolle, insbesondere in bestimmten Anwendungen, denn es gibt einige Bereiche, in denen es aus Sicht des ROI keine Rolle spielt.

Jonathon Karelse: Wenn Sie ein maßgeschneiderter Schneider sind und drei Anzüge pro Jahr herstellen können und Ihre Kunden bereit sind, 10 Jahre zu warten, müssen Sie nicht viel Zeit für die Prognose der Nachfrage aufwenden. Sie sind am Maximum der Kapazität. Der ROI wird minimal sein. Für alle anderen gibt es wahrscheinlich einen ROI, aber der Punkt ist, dass die Genauigkeit der Prognose für mich nicht die Kennzahl ist. Die Genauigkeit der Prognose ist nicht das Ziel. Die Genauigkeit der Prognose ist eine diagnostische Kennzahl, die wir verwenden können, um die Ursachen von Fehlern und die Ursachen von Suboptimalitäten zu identifizieren, die wir dann zur Neukalibrierung und Optimierung für kontinuierliche Verbesserungen nutzen können. Das Ziel der Prognose ist Geld zu verdienen, weil das Ziel des Geschäfts ist, Geld zu verdienen, es sei denn, Sie sind in einem Geschäft, das das nicht tut. Und die Prognose ist eines von mehreren Werkzeugen, die wir zur Verfügung haben, um das zu tun. In einigen Fällen, richtig eingesetzt, ist es das beste Werkzeug, das wir haben. In anderen Fällen ist es ein unterstützendes Werkzeug und in anderen Fällen wird es wahrscheinlich nicht viel Nutzen bringen. Aber es ist wichtig, Ihr Geschäft zu verstehen, um zu verstehen, was Sie von einer Prognose erwarten sollten, denke ich.

Joannes Vermorel: Die Prognose ist immer falsch, und jetzt benutzen die Leute das als eine Art “Freikarte”. Ich liebe diesen Ausdruck wirklich. Das Interessante ist, dass es nicht immer die vorherrschende Perspektive war. Sie wissen, Roger Babson war ein großer Fan der Arbeit von Sir Isaac Newton, und selbst damals gab es diesen unglaublichen Glauben an die absolute Macht der Wissenschaft, dass man Dinge erfassen und eine Art numerische Modellierung haben könnte, genau wie man die Position von Mars bis auf die letzte Bogensekunde vorhersagen kann, drei Jahrhunderte von jetzt an.

Jonathon Karelse: Beide glaubten, wie ich letztendlich auch, dass Mathematik allem zugrunde liegt und dass Mathematik alles erklären könnte, wenn wir die Kapazität und genügend Daten hätten. Aber in der Praxis sind wir noch nicht so weit. Und ich würde sagen, das war zu Beginn des 20. Jahrhunderts nicht sehr gut verstanden. Es gibt Schwierigkeiten in Größenordnungen, die einfach nicht vorhanden sind, und es ist nicht so, als ob die ultimative Formel gleich um die Ecke wäre.

Joannes Vermorel: Ich glaube, dass eine der wichtigsten Entdeckungen des 21. Jahrhunderts darin besteht zu erkennen, wie viel, was das Wissen betrifft, ganze Wissensgebiete unserer Erfassung entgehen. Es geht nicht nur darum, etwas Äquivalentes zum Gravitationsgesetz zu finden, wo man mit nur einer Gleichung eine enorme Menge an Dingen erklären kann. Das war die Art von Denken, die damals existierte.

Conor Doherty: Für das Publikum sprechen wir über nordamerikanische Statistiker, die in dem Buch beschrieben werden, das in den USA entstanden ist, weil es das Aufkommen einer Mittel…

Conor Doherty: Also, wer besitzt Aktienoptionen, nicht Aktienoptionen, Entschuldigung, Aktien, und sie wollten eine Prognose darüber haben, was ihnen die besten Renditen bringt. Sie waren sehr interessiert an all diesen Arten von Prognosen, und so war es etwas, das wirklich in den USA und in Nordamerika entstanden ist. Die kulturelle Komponente oder die geokulturelle Komponente ist entscheidend.

Joannes Vermorel: Das ist sehr wichtig, denn in Nordamerika war es nicht besonders statistisch geprägt. Wie Sie bereits erwähnt haben, liebte Babson Newton und alles Newtonsche. Er hatte ein ziemlich oberflächliches Verständnis der Newtonschen Prinzipien und versuchte, sie ohne das Wissen über Statistik auf die Prognose anzuwenden. Im Grunde genommen, wenn etwas eine Weile steigt, wird es eine Weile fallen, weil das mit der Schwerkraft passiert.

Jonathon Karelse: Irving Fisher, der den ersten Doktortitel in Wirtschaftswissenschaften in Nordamerika erwarb, versuchte, seinen mathematischen Hintergrund auf das zuvor eine Sozialwissenschaft gewesen war, anzuwenden. Er begann, einige der Statistiken zu verbinden, die zweifellos in Europa und nicht in Nordamerika vorangetrieben wurden, mit dem nordamerikanischen Bereich der Wirtschaftswissenschaften. Aber wirklich, in Europa sehen wir zu dieser Zeit alle Fortschritte in der Mathematik, die letztendlich für die Prognose verwendet werden würden.

Joannes Vermorel: Es gab diesen deterministischen Ansatz, bei dem die Menschen glaubten, dass sie die Zukunft mechanistisch modellieren könnten. Dieses Denken hielt lange an. Selbst Science-Fiction-Werke der 60er Jahre, wie Isaac Asimovs Foundation-Serie, griffen die Idee der Psychohistorie auf, einer Wissenschaft, die die Zukunft sehr mechanistisch vorhersagen kann.

Jonathon Karelse: Das ist sehr interessant, denn das ist die klassische Perspektive. Aber aufgrund der Tatsache, dass die Menschen seit Jahrzehnten mit ziemlich ungenauen Prognosen arbeiten, haben sie erkannt, dass die Prognose immer falsch ist. Sie haben jedoch nicht akzeptiert, dass sie niemals vollständig richtig sein wird.

Joannes Vermorel: Das ist ein interessanter Punkt. Die Menschen haben moralisch akzeptiert, dass die Prognose immer falsch ist, und sie entlassen deswegen keine Leute, was gut ist. Aber sollten wir uns wirklich intensiv mit diesem Aspekt der Prognose auseinandersetzen? Nicht wirklich.

Jonathon Karelse: Was sehr interessant ist, ist, dass Sie ein paar Mal den Determinismus erwähnt haben, und ich denke, das ist der Schlüssel. Ein Großteil der Wissenschaft, die im 19. und frühen 20. Jahrhundert weltweit aufkam, nicht nur in Nordamerika, wurde im Grunde genommen aus dem Schwung geboren, den wir in der Renaissance gewonnen haben. Wir kamen aus dem dunklen Zeitalter heraus und begannen herauszufinden, dass wir durch Anwendung wissenschaftlicher Prinzipien anfangen können, Licht in diese dunklen Bereiche zu bringen.

Conor Doherty: Bereiche des Wissens und uns wirklich zu erheben, und wir begannen, glaube ich, ein wenig arrogant zu werden, was den Umfang betrifft, in dem wir das tun können. Wir begannen im 19. und frühen 20. Jahrhundert zu glauben, dass wir mit genug Anstrengung wirklich alles lernen können. Und das prägt zwei wirklich wichtige Themen in der Prognose. Der erste ist ein deterministischer Ansatz macht Sinn mit dieser Philosophie, weil es bedeutet, wenn ich hart genug arbeite und klug genug bin, werde ich zu diesem genauen Schluss kommen, anstatt zu akzeptieren, dass es eine Täuschung ist. Ich werde immer falsch liegen und probabilistische Ansätze, die übrigens…

Jonathon Karelse: …und alle diese. Nun, Joannes Komagarov hat zur gleichen Zeit wie diese frühen deterministischen Ansätze seine Arbeit in der Statistik gemacht. Es ist also nicht so, dass wir noch weitere hundert Jahre auf die Möglichkeit probabilistischer Ansätze warten mussten. Die Mathematik war da. Der zweite Punkt ist, dass wir glauben, dass wir mit genug Anstrengung, mit genug Fokus alles herausfinden könnten. Das bringt uns zu einem Thema, das heute sehr aktuell ist: Künstliche Intelligenz. Die Idee, dass KI nicht wertschöpfende oder routinemäßige Aktivitäten für Menschen lösen kann, ist nicht neu. Tatsächlich gab es in den 1950er Jahren eine Konferenz am Dartmouth College, bei der eine Gruppe früher Denker über KI 10 Dinge festlegte, die sie dachten, dass KI in den nächsten 10 Jahren erreichen könnte. Und wir haben davon 70 Jahre später nichts erreicht. Das hindert uns jedoch nicht daran, es zu versuchen, und ich denke, das Versuchen ist wichtig. Aber ich denke letztendlich, die Lehre daraus ist, dass wir akzeptieren müssen, dass es ultimative Grenzen für unser Verständnis von allem gibt. Und sobald wir das verstehen, werden wir offener für andere Ansätze wie zum Beispiel probabilistische Prognosen, die uns dann auf die Realität vorbereiten, dass wir wissen, dass wir immer falsch liegen werden. Aber jetzt, da wir das akzeptieren, wollen wir verstehen, wie sich das in Bezug auf reale Geschäftsergebnisse auswirkt und unsere Strategien auf der Erkenntnis kalibrieren, dass wir falsch liegen werden, anstatt auf der Hoffnung, dass wir irgendwie richtig liegen werden.

Conor Doherty: Es scheint, als hättest du zwei sehr interessante Punkte angesprochen, einen davon als Vorläufer einer Diskussion über Verhaltensökonomie, ich glaube, du beziehst dich auf Überoptimismus, und den zweiten über KI. Ich denke, in Kapitel 6, ich glaube fünf oder sechs, werden wir uns damit befassen, wenn es dir nichts ausmacht. Zuerst zur Verhaltensökonomie, ich weiß, dass das sehr dein Metier ist. Könntest du etwas genauer erklären, wie die Verhaltensökonomie tatsächlich die Prognose beeinflusst oder mit ihr interagiert?

Jonathon Karelse: Sicher. Joannes hat früh in unserem Gespräch mehrmals den klassischen Ansatz zur Prognose erwähnt. Und ich würde sagen, der klassische Ansatz zur Prognose ist selbst eine Art Nebenprodukt der klassischen oder genauer gesagt neoklassischen wirtschaftlichen Sichtweise des Geschäfts im Allgemeinen. Und das geht wieder auf eine sehr 19. und 18. Jahrhundert Sichtweise zurück, dass wir, wenn wir hart arbeiten und mathematische und wissenschaftliche Prinzipien darauf anwenden, es verstehen können. Und Adam Smith schrieb 1776 das wegweisende Werk “Der Wohlstand der Nationen”, und einer seiner Hauptpunkte ist, dass im Grunde der gesamte Handel durch das grundlegende Prinzip verstanden werden kann, dass Menschen rationale Akteure sind, die sich bei klaren wertbasierten Entscheidungen natürlicherweise für diejenige mit dem größten Nutzen entscheiden werden. Und das bedeutet nicht unbedingt das meiste Geld, sondern das, von dem sie den größten Nutzen haben. Und intuitiv fühlt sich das richtig an. Das Problem ist, dass jeder, der Wirtschaft studiert hat, insbesondere die Ökonometrie, wissen wird…

Conor Doherty: Obwohl sicherlich in der Anwendung Prinzipien der neoklassischen Wirtschaftslehre gelten, müssen wir in einem weiteren Sinne verstehen, wie diese Systeme von Angebot und Nachfrage, Preisbildung und letztendlich Entscheidungsfindung von unbewussten Treibern beeinflusst werden, von unbewussten psychologischen Treibern, die in einigen Fällen Umweltfaktoren sind, in einigen Fällen evolutionär verankert sind, aber in allen Fällen existieren. Egal wie frei von Vorurteilen man denkt, egal wie objektiv man denkt, man unterliegt immer diesen unbewussten Vorurteilen, die eine Linse schaffen, durch die man Daten interpretiert.

Conor Doherty: Tatsächlich, entschuldige, du hast tatsächlich in dem Buch gesagt, dass der durchschnittliche Mensch etwa 30.000 Entscheidungen pro Tag trifft, und ich meine, wir sind offensichtlich nicht bei allen davon bewusst. Das könnten wir unmöglich sein.

Jonathon Karelse: Nein, und das ist der Vorteil dieser heuristischen Prozesse, die wir haben. Oft betrachten wir Heuristiken abwertend, als ob es eine Abkürzung wäre. Als Joannes in den 70er und 80er Jahren erwähnte, als einige dieser komplizierteren wissenschaftlichen oder statistischen Ansätze zur Prognoseentwicklung aufkamen, haben ihre Befürworter wie George Box und Willem Jenkins, die vielen Ihrer Zuhörer als Mitautoren der ARIMA-Methode bekannt sein dürften, die einfacheren Methoden wie einfache exponentielle Glättung oder Holt-Winters-Dreifachexponentialglättung verachtet, weil sie zu einfach und nur heuristisch waren, eine Abkürzung.

Jonathon Karelse: Aber die ersten vier M-Wettbewerbe haben gezeigt, dass es in vielen Fällen in der Praxis nicht unbedingt schlecht ist, eine Heuristik zu sein. Und psychologisch gesehen gibt es einen großen Vorteil darin, Entscheidungen evolutionär sehr schnell treffen zu können. Wenn ich mir eines Tigers in meinem peripheren Blickfeld bewusst bin, der mich im Wald verfolgt, und wenn ich anhalte und alle meine Möglichkeiten in Betracht ziehe und über all die verschiedenen Dinge nachdenke, die der Tiger tun kann, und über all die verschiedenen Optionen, die ich haben kann, und dann versuche, die für mich am besten geeignete abzuwägen, werde ich wahrscheinlich von einem Tiger gefressen. Und das bedeutet, dass ich mich nicht fortpflanze und dass meine DNA aufhört zu existieren. Im Laufe der Zeit haben wir also gelernt, dass es eine Reihe von heuristischen Prozessen gibt, die uns evolutionär zugutekommen.

Jonathon Karelse: Einer davon ist die Repräsentativitätsheuristik, die besagt: “Das sieht aus wie etwas, das ich schon einmal gesehen habe, das letzte Mal, als ich damit konfrontiert wurde, und ich hatte ein erfolgreiches Ergebnis. Das ist das, was ich getan habe. Das werde ich wieder tun.” Wir müssen Babys nicht beibringen, sich vor Dingen zu fürchten, die wie Schlangen aussehen; das ist angeboren. Wir müssen nicht darüber nachdenken, was wir tun sollen, wenn wir einen Bus auf uns zukommen sehen; wir springen zurück. Und die 30.000 Entscheidungen, die wir täglich treffen müssen, werden größtenteils von irgendeiner Art von Heuristik navigiert. Wenn wir alle objektiv darüber nachdenken müssten, wären wir gelähmt.

Jonathon Karelse: Der Nachteil von Heuristiken besteht darin, dass das, was wir für etwas halten, das wir schon einmal gesehen haben, nicht immer tatsächlich dieses Ding repräsentiert. Und besonders bei der Interpretation von Daten sind wir oft dem sogenannten Cluster-Illusions-Bias ausgesetzt. Wenn wir Menschen dafür bezahlen, Daten zu interpretieren und eine Prognose zu erstellen, haben sie das Bedürfnis, einen Mehrwert zu schaffen. Wir bezahlen sie dafür, Muster zu finden, und sie finden Muster, auch wenn die Muster tatsächlich nicht existieren. Das ist natürlich, man kann ihnen das nicht vorwerfen. Aber es gibt eine Vielzahl von Vorurteilen, die unsere Fähigkeit beeinflussen, Daten rational und objektiv gut zu interpretieren.

Conor Doherty: Jonathan, zu diesem Punkt hast du tatsächlich ein Beispiel im Buch aus einer anderen von dir veröffentlichten Studie. Du hast einer Gruppe von Menschen völlig bereinigte Zufallsdaten vorgelegt und sie gebeten, zu raten, ob die Linie nach oben, unten, statisch oder ob sie es nicht wussten, gehen würde. Kannst du das erklären und die Bedeutung dieser Erkenntnis erläutern?

Jonathon Karelse: Sicher. Der Wahlrahmen, den wir präsentiert haben, ist ein Spoiler für jeden, der letztendlich unseren Bias-Test machen wird. Ein Großteil der präsentierten Daten ist stochastisch. Wir haben eine Reihe verschiedener stochastischer Datensätze erhalten und wollten sicherstellen, dass wir versehentlich keinen Trend oder Saisonalität in einem von ihnen hatten. Diese Daten sind so stochastisch wie möglich; es besteht keine Möglichkeit, dass ein Statistikpaket einen Trend, eine Saisonalität oder ein anderes Muster in diesen Datensätzen findet.

Als wir den ungeschnittenen, ungerahmten Datensatz präsentierten und die Leute fragten, wohin sie die Nachfrage gehen sehen, hatten wir eine ziemlich gleichmäßige Verteilung zwischen Aufwärts-, Abwärts- und Unverändert-Antworten. Es gab nicht viele Leute, die sagten, sie wüssten es nicht, was eine völlig angemessene Antwort wäre, weil das bedeuten würde, dass sie nichts über die Bedeutung der Daten wissen. Sie haben nicht einmal den Vorteil, ein Statistiktool darauf laufen zu lassen, um zu sehen, ob es einen Trend oder eine Saisonalität gibt, und übrigens kann man die Zukunft sowieso nicht vorhersagen. Das wäre die richtige Antwort, aber sehr wenige Leute sagen das tatsächlich.

Später haben wir den gleichen Datensatz im Rahmen des Tests mit einer Reihe anderer Fragen präsentiert, aber diesmal begleitet von einer kleinen Geschichte. Die Daten sind die gleichen und die Geschichte enthält Informationen, die nützlich erscheinen könnten, aber in Wirklichkeit keinen Einfluss auf die Daten haben. Was wir festgestellt haben, ist, dass etwa 70 Prozent der Menschen sich sicherer bei der Entscheidung werden, die sie treffen werden. Jeder, der “nicht weiß” war, wechselt in der Regel aus diesem Lager heraus, und die meisten Menschen, die “unverändert” waren, wechseln entweder in die Kategorie “oben” oder “unten”.

Es hängt davon ab, wie wir es rahmen. Wenn wir einen positiven Rahmen haben, neigen viele Menschen dazu, sich in diese Richtung zu bewegen. Das ist eine sehr wichtige Erkenntnis aus Sicht der praktischen Prognose, weil sich die Daten nicht geändert haben. Im ersten Beispiel ist das Ergebnis wahrscheinlich am nächsten an dem, was man von einem Menschen erwarten könnte. Ein Computer hätte es sofort gemacht. Aber sobald wir das mit einer Geschichte begleiten, gehen plötzlich alle Logik und Rationalität verloren, und wir haben eine extrem voreingenommene Sicht auf die Daten.

Das Problem ist, in der Praxis ist es nicht so anders. Wir bitten die Menschen, Nachfragepläne zu erstellen, aber sie tun dies im größeren Kontext einer Organisation, die ihre eigenen kulturellen Vorurteile und geschäftsbezogenen Vorurteile in Bezug auf Wachstum und positive Ergebnisse hat. Es ist also nicht wirklich überraschend, dass wir, wenn wir den Effekt menschlicher Intervention auf computerbasierte Prognosen messen, am häufigsten einen positiven Bias feststellen. In einigen Fällen gibt es sogar offenen Druck, einen positiven Bias in Organisationen zu haben, Druck, Prognosen zu erstellen und bestimmte Ziele zu erreichen. Den Menschen wird im Grunde gesagt, dass sie sich ändern sollen.

Conor Doherty: Die Prognose, aber selbst abzüglich dieser offensichtlichen Vorurteile, zeigen einige Forschungen von Len Tashman und, äh, oh, ich werde alle ihre Namen vergessen, Spheros Mocker Docus, ähm, Paul Goodwin. Ihre langfristige Forschung zeigt, dass wir wahrscheinlich etwa viermal häufiger positive Anpassungen an eine Prognose vornehmen als negative Anpassungen, was keinen Sinn ergibt, wenn wir mit einer statistisch fundierten Prognose beginnen. Der Rest sollte normalverteilt auf beiden Seiten dieser Prognose fallen. Wenn im Laufe der Zeit eine menschliche Anpassung erforderlich ist, sollten wir uns ausgleichen. Aber aufgrund dieses unbewussten Vorurteils, bei dem wir viel risikoaverser sind als auf Gewinn ausgerichtet, und wieder gibt es evolutionäre Gründe dafür, mögen wir es viel mehr, Aufwärtsmöglichkeiten zu verwirklichen, als Abwärtsrisiken zu verwirklichen, und wir haben überall positive Vorurteile in der Prognose. Findest du, dass das der Fall sein sollte, wenn du Prognosen erstellst?

Joannes Vermorel: Ja, also vor einem Jahrzehnt, als Lokad noch, würde ich sagen, klassische Prognosen erstellt hat, haben wir als Softwareanbieter mit klassischen Prognosen begonnen. Im Moment würde ich sagen, dass wir ein Element des prädiktiven Modellierens im Toolkit haben, aber die Art und Weise, wie wir arbeiten, können wir darüber diskutieren. Es ist sehr, sehr seltsam und außerhalb des Kontexts dessen, was über diese Bäume Ihrer Zukunft relevant wäre, es sei denn, Sie fangen an, über die Geschichte der Zukunft für das 21. Jahrhundert zu sprechen. Aber zurück zu diesen Erfahrungen, es ist sehr interessant, weil wir ähnliche Erfahrungen hatten, insbesondere mit unseren Kunden. Wir hatten eine Reihe von Kunden, haben immer noch im Einzelhandel, und wenn es um die Prognose von Werbeaktionen ging, war eine der häufigsten Rückmeldungen, dass der Umsatzanstieg durch die Werbeaktion begrenzt ist. Ja, Sie werden vielleicht sagen, in einem Hypermarkt, ja vielleicht, wird der Umsatz um 30-50% steigen. Das ist viel, aber das liegt weit unter der Art von “Wir werden das Produkt um das 10-fache steigern”, was die Leute erwartet haben.

Und das Interessante war, dass wir für diese Werbeaktionen eine Art Weltmeisterschaft der Benchmarks mit Teams durchgeführt haben, die tatsächlich nur eine super einfache Steigerung für die Werbeaktion modelliert haben, im Vergleich zu Personen, die Mikro-Optimierungen durchführten und sagten: “Ah, ich kenne genau diese Marke von Schokolade”, usw. Und schauen Sie, was in Bezug auf die Genauigkeit mit, würde ich sagen, lächerlich einfachen Modellen herauskommt, Sie wissen schon, die Art von Dingen, die von der Komplexität des exponentiellen Glättens waren, aber nur für die Steigerung einer Werbeaktion, die nur ein konstanter Faktor plus 50 ist, und Sie sind fertig. Und das war tatsächlich besser, aber viel besser als bei Personen, die Mikro-Optimierungen durchführten. Und tatsächlich war das Vorurteil sehr positiv, wo sie sagen würden: “Aber Sie erkennen, dass diese Marke zum ersten Mal in den letzten 10 Jahren beworben wird; sie wird das 10-fache tun!” Und wir denken: “Ja, wahrscheinlich nicht. Es wird wahrscheinlich nur plus 50 sein. Ich weiß, dass Sie enttäuscht sein werden.”

Aber dann enden Sie mit super seltsamen Dingen, bei denen Sie zum Beispiel eine Prognose haben, die völlig unsinnig ist, wie zum Beispiel, Sie sagen, Sie werden das 10-fache tun, und Sie tun das 10-fache nicht, aber der Kauf von 10-fachem ist tatsächlich die richtige Entscheidung, weil der Lieferant dem Einzelhändler einen massiven Rabatt gewährt. Im Grunde genommen handelt es sich um eine Spekulation über den Wert des Lagerbestands. Und wenn Ihr Lieferant Ihnen im Laufe der Zeit einen Rabatt von 25% gewährt,

Conor Doherty: Werden Sie es im Laufe der Zeit verkaufen können, könnte es sich als kluge Entscheidung erweisen, aber Sie sehen, dass etwas sehr Seltsames in Bezug auf das Denken war. Das war, ich werde mit einer sehr unsinnigen Prognose beginnen, wie ich es früher gemacht habe, und dann aufgrund der Tatsache, dass ich normalerweise mit Werbeaktionen den Bestand mit einem großen Rabatt vom Lieferanten kaufe, um einen großen Rabatt auf den Verkaufspreis der Ware geben zu können, mache ich im Laufe der Zeit eine gute Aktion.

Joannes Vermorel: Aber sehen Sie, die Dekonstruktion ist, es gibt ein Element der Rationalität. Sie haben am Ende aus den falschen Gründen recht.

Jonathon Karelse: Genau, und das ist sehr interessant. Das sind die Arten von Dingen, bei denen es nicht darum geht, und noch einmal, die Tatsache, dass Menschen irrational sein können, bedeutet nicht, dass man nicht Vernunft darauf anwenden kann, um diese Irrationalität zu modellieren. Absolut, es ist irrational, aber es ist nicht so, und deshalb würde ich sagen, meine eigene Perspektive wäre, dass es keine Grenze für menschliche Einfallsreichtum gibt. Wissen Sie, anscheinend ist das mein Glaube, das ist kein Element der Wissenschaft. Mein Grundglaube ist, dass es keine Grenze für die Menge an menschlicher Einfallsreichtum gibt, aber machen Sie sich keine Illusionen, einige Dinge erfordern eine absolut immense Menge an menschlicher Einfallsreichtum, und wahrscheinlich, wissen Sie, Dinge, die von der, und wir sprechen von Jahrhunderten der Arbeit. Also, wir müssen sehr bescheiden sein in dieser großen Reise der Wissenschaft, die vor ein paar Jahrhunderten begonnen hat. Das ist erst der Anfang, und es gibt wahrscheinlich ganze Klassen von Wissen, von denen wir noch nicht einmal den Verdacht haben, dass sie überhaupt existieren könnten.

Joannes Vermorel: Ja, und ich stimme Ihnen vollkommen zu, Jonathon. Das ist auch ein Grundglaube von mir.

Jonathon Karelse: Ich glaube, es war Pascal, der sagte: “Wenn es existiert, kann es quantifiziert werden.” Und natürlich gibt es Grenzen für unsere Fähigkeit, das zu tun, aber ich glaube letztendlich, mit ausreichender Kapazität kann alles quantifiziert und verstanden werden. Aber offensichtlich ist das Problem, dass wir von dieser Kapazität so weit entfernt sind, dass es in der Praxis wahnsinnig ist, jede Art von geschäftlicher Reise mit dieser Philosophie zu beginnen, weil wir zu weit vom Ziel entfernt sind. Aber es ist eine wichtige Folgerung aus der Idee, dass die Prognose immer falsch ist und dem Punkt, den Joannes über das Mikromanagement von Prognosen gemacht hat. Als George Box sagte: “Alle Modelle sind falsch, aber einige Modelle sind nützlich”, stammt das sozusagen von der Idee, dass die Prognose immer falsch ist. Es gibt zwei weitere Dinge, die er gesagt hat, die die meisten Menschen ignorieren. Das erste war: “Da alle Modelle falsch sind, aber einige nützlich sind, streben Sie nach Sparsamkeit bei der Auswahl des Modells.” Mit anderen Worten, Sie werden so oder so falsch liegen, also ist es besonders für Ökonomen, die ein riesiges kompliziertes Modell erstellen, immer noch mit einem gewissen Grad an Fehlern behaftet. Also legen Sie nicht die Notwendigkeit für ein riesiges komplexes Modell fest, das Ihnen Genauigkeit liefert, weil Sie immer noch falsch liegen werden. Aber das zweite, und das ist für mich in der Praxis wichtiger, ist “Machen Sie sich keine Sorgen um die Mäuse, wenn es Tiger gibt.” Wie oft arbeiten wir mit Organisationen zusammen, die sagen, sie wissen, dass die Prognose immer falsch ist, ihre Prognosegenauigkeit in der Praxis aber miserabel ist, aber wir verbringen Stunden damit, ein oder zwei Prozent bei einem Horizont von sieben oder acht Monaten für eine SKU zu debattieren, ist verrückt. Ihre Prognosegenauigkeit auf diesem Horizont auf SKU-Ebene beträgt zum Beispiel 30 Prozent.

Conor Doherty: Eine Anpassung um ein oder zwei Prozent ist unerheblich. Du wirst falsch liegen, und du wirst so falsch liegen, dass die Zeit, die du für diese ein oder zwei Prozent Anpassung aufgewendet hast, komplett verschwendet ist. Du solltest nur darauf achten, diese letztendlich unendliche Kapazität für Einfallsreichtum anzuwenden, von der ich auch glaube, dass Menschen sie in bestimmten Anwendungen haben, wo die Wahrscheinlichkeit für einen positiven Ausgang am größten ist. Und das ist der Fall, wenn A) du etwas mit Sicherheit über die Zukunft verstehst, das sich nicht in der Geschichte widerspiegelt, B) der Wert der Sache, die du berührst, ausreichend wertvoll ist, um das Eingreifen zu rechtfertigen, und letztendlich C) der Umfang dieses Eingriffs ausreichend groß ist, um ihn zu rechtfertigen, denn sonst landest du immer noch innerhalb der Fehlermargen und du hast Sicherheitsbestand oder einen anderen Mechanismus, der sich darum kümmert.

Joannes Vermorel: Das ist sehr interessant, denn das spiegelt sehr gut die Art der Reise wider, die Lokad durchgemacht hat. Heutzutage besteht der Ansatz darin, sich zunächst nur mit den Auswirkungen der zukünftigen Ereignisse zu befassen. Deshalb ist es jetzt fast wie ein dogmatischer Teil des Lokad-Dogmas zu sagen, dass nackte Prognosen nicht erlaubt sind. Du darfst es nicht tun, und das wird auch verstärkt. Ich kann es bei Lokad natürlich durchsetzen, da ich der CEO bin. Die Idee ist, dass du, wenn du eine nackte Prognose machst, per Definition von den realen Konsequenzen isoliert bist. Die Prognose an sich ist eine Abstraktion einer Messung für die Zukunft. Sie sagt nichts darüber aus, ob dein Geschäft gut oder schlecht ist. Ja, du kannst die Zahlen anpassen, aber letztendlich ist sie nicht einmal wirklich mit der Realität verbunden. Es ist eine sehr abstrakte Sache.

Und noch einmal, die Leute sind nur bereit, sich auf diese Art von Übung einzulassen, weil die klassische Prognose ziemlich rar geworden ist. Es gibt Leute, die Prognosen in ihrem Lebenslauf haben, wie zum Beispiel “Ich bin zertifiziert, um Prognosen zu erstellen.” Es gibt Prognosen, und Demand Planner ist eine Sache. Sie haben Positionen und Prozesse. Also siehst du diese sehr abstrakten Dinge, die eine Möglichkeit waren, die Zukunft anzugehen, wurden durch Jobpositionen, Softwarekomponenten verfestigt. Du zahlst Geld für Lizenzen, um sie zu bekommen, also siehst du, das ist eine Möglichkeit, es real zu machen. Wenn du für etwas bezahlst, existiert es sicherlich.

Und so ist der Ansatz, wenn ich zu dieser Idee der nackten Prognose zurückkehre, dass nein, wir müssen Prognosen als eine Technik unter vielen anderen numerischen Techniken behandeln, die uns einfach Entscheidungen ermöglichen. Es gibt tonnenweise Dinge, die einen greifbaren Einfluss auf das Geschäft haben. Die Idee ist, dass du keine direkte Verbindung zu etwas haben darfst, das sehr greifbar ist, wie zum Beispiel etwas zu produzieren, etwas von Ort A nach Ort B zu bewegen oder etwas zu produzieren, damit du einige Materialien loswirst und ein Ergebnis hast, dann darfst du keine prädiktive Modellierung haben. Das ist das, was sehr verlockend ist; sobald du eine Zeitreihe oder irgendeine Art von Daten hast, kannst du immer ein Modell entwickeln.

Conor Doherty: Joannes, kannst du Einblick in die Herausforderungen geben, Prognosen in der Optimierung der Supply Chain zu verwenden?

Joannes Vermorel: Das Schöne an Prognosen ist, dass sie machbar sind, egal ob sie relevant oder klug sind. Das Problem ist jedoch, dass wenn du einen Hammer in der Hand hast, alles wie Nägel aussieht. Wenn du eine Zertifizierung in Prognosetechniken hast, kannst du jeden Datensatz nehmen und deine Modelle anwenden. Unsere Richtlinie bei Lokad lautet “keine nackten Prognosen”, weil sie zu gefährlich sind. Wenn du die Prognose nicht mit etwas sehr Realem verbindest, wirst du intensiven Vorurteilen oder sogar bürokratischen Problemen ausgesetzt sein. Wenn du eine Metrik entwickelst, kannst du innerhalb der Organisation alle möglichen Dinge optimieren, die gegen diese erfundene Metrik ausgerichtet sind. Da Supply Chains von Natur aus bürokratisch sind, ist die Abstimmung von Angebot und Nachfrage eine sehr bürokratische Übung. Es geht darum, viele Menschen, Prozesse und Software zu synchronisieren. Wenn du Öl ins Feuer gießt, kannst du schnell etwas bekommen, das große Ausmaße annimmt. Supply Chains sind menschliche Konstrukte, die aus vielen Menschen, Software und Prozessen bestehen, und das schafft einen fruchtbaren Boden für Probleme, insbesondere bei der Prognose.

Conor Doherty: Jonathan, wie verbessert ein besseres Verständnis der Verhaltensökonomie innerhalb der Organisation den Prognoseprozess in konkreten Begriffen?

Jonathon Karelse: Ich würde sagen, dass es zwei große Möglichkeiten gibt, wie es den Prozess verbessert. Erstens glauben viele Organisationen, dass Menschen den Prognoseprozess nicht beeinflussen, daher versuchen sie, menschliches Urteilsvermögen so weit wie möglich vom Prognoseprozess fernzuhalten. Sie glauben, dass sie dadurch immuner gegenüber Vorurteilen und Spielereien sind, die in dem von Joannes treffend als sehr bürokratischer Prozess bezeichneten Prozess stattfinden. Ich würde jedoch argumentieren, dass selbst in Situationen, in denen wir glauben, Menschen vom Prozess ferngehalten zu haben, immer noch menschliche Fingerabdrücke vorhanden sind. Es gibt menschlichen Einfluss bei der Auswahl von Daten, der Auswahl von Software und vor allem bei den Maßnahmen, die wir als Ergebnis des Prognoseprozesses ergreifen.

Die Prognose selbst ist nur eine Idee, eine potenzielle Anleitung oder eine Karte. Wir müssen immer noch entscheiden, was wir damit tun sollen, und das erfordert Menschen in der Supply Chain, die handeln. Das Verständnis dafür, in welchem Maße und auf welche Weise wir voreingenommen sind, hilft uns, die potenziellen Fallstricke in unserem Prozess zu verstehen. Wenn wir von den potenziellen Ergebnissen auf den Prozess zurückschließen, anstatt anzunehmen, dass der Prozess uns zu einem bestimmten Ergebnis führt, ermöglicht dies ein besseres Verständnis der Quellen und Grade der Voreingenommenheit der beteiligten Personen.

Conor Doherty: Die Supply Chain und die Planung helfen uns, mit noch größerem Einblick zu verstehen, was diese Ergebnisse sein könnten. Wahrscheinlicher ist es, dass eine Organisation einen Prognose- oder Bedarfsplanungsprozess hat, der einen gewissen Grad an Automatisierung und computergesteuerten Elementen aufweist, aber auch durch die Integration menschlichen Urteils geprägt ist. Ich glaube, unter bestimmten Richtlinien gibt es im Laufe der Zeit einen Mehrwert durch die Integration von Urteilsvermögen, unter bestimmten Kriterien. Aber Sie tragen dazu bei, das Potenzial für einen Mehrwert des menschlichen Urteils zu maximieren, wenn Sie verstehen, in welchem Maße die Personen, die dieses Urteil abgeben, voreingenommen sind. In Organisationen, die entweder aktiv nicht glauben wollen, dass sie voreingenommen sind, oder sich der Tatsache nicht bewusst sind, dass sie voreingenommen sind, ist es am wahrscheinlichsten, dass Sie Voreingenommenheit in den Bedarfsplanungsprozess übertragen, entweder durch aktive Integration von Urteilen oder durch diese menschlichen Fingerabdrücke, die überall vorhanden sind. Wenn Sie anfangen, die Voreingenommenheiten in Ihrer Organisation zu betrachten, können Sie Leitplanken bereitstellen, die ihre Auswirkungen mildern. Sie wird immer vorhanden sein. Ich meine, menschliches Urteilsvermögen wird immer fehlerhaft sein, aber es geht darum, das potenzielle Potenzial menschlicher Erkenntnisse in bestimmten Fällen gegen die Gewissheit abzuwägen, dass mit diesen Erkenntnissen die Schwäche einhergeht, die uns allen aufgrund der Unvollkommenheit unserer Denkweise innewohnt.

Joannes Vermorel: Ich stimme der Idee zu, die auch meine Erfahrung ist, dass es eine sehr bewährte Methode ist, die Menge an Voreingenommenheit zu maximieren, wenn Sie nicht einmal anerkennen, dass Sie möglicherweise voreingenommen sind. Für Organisationen ist das sehr stark meine eigene Erfahrung. Die Art von Dingen, bei denen ich sagen würde, und wenn ich diese Idee der Herangehensweise an die Zukunft weiter dekonstruieren müsste, wenn die Menschen über diese Voreingenommenheiten nachdenken, haben sie immer noch diese zeitliche Perspektive im Hinterkopf. Und es ist sehr schwierig, darüber nachzudenken, was ich in meiner Prognoseaktivität falsch mache, ohne die Art von Lösung oder Mechanismus im Hinterkopf zu haben, mit dem ich es mache. Die Voreingenommenheit bezieht sich darauf, dass Sie Dinge haben, die zu hoch oder zu niedrig sind, und dies ist eine sehr eindimensionale Perspektive mit der Vorstellung, dass Sie mit einer Zeitreihe arbeiten.

Die Art von Problemen, die ich gesehen habe und die die technologische Entwicklung von Lokad waren, ist, dass es ganze Klassen von Dingen gibt, die nicht mit Zeitreihen ausgedrückt werden können, wenn Sie Informationen über die Zukunft vermitteln möchten. Das bedeutet nicht, dass es nicht mit Zahlen ausgedrückt werden kann; es kann nur nicht mit Zeitreihen ausgedrückt werden. Zeitreihen sind eine sehr vereinfachte Art, es ist buchstäblich eine Abfolge von Messungen, die sich in die Zukunft erstrecken. Nur um ein Beispiel zu geben, wenn ich mir meine Verkäufe eines Produkts anschaue, könnte ich meine Verkaufsvolumina prognostizieren, aber meine Verkaufsvolumina sind bedingt durch den von mir praktizierten Preis, und der Preis ist nichts, was gegeben ist, es ist eine Entscheidung für mich. Selbst wenn ich eine sehr genaue Prognose hätte, wäre sie immer noch unvollständig.

Conor Doherty: Etwas, das seltsam wäre, müsste mathematisch eine Funktion sein, die besagt, wenn ich dies für den Preis tue, dann wäre dies das Ergebnis. Hier berühren wir plötzlich die Tatsache, dass selbst wenn wir aus dieser sehr deterministischen Perspektive schauen, nur Vorurteile haben und so weiter, möchte ich darauf hinweisen, dass es Elemente gibt, bei denen diese Zeitreihenperspektive sehr schwach ist, um Dinge zu berücksichtigen, die sehr groß sind. Es geht nicht nur darum, etwas zu haben, das zu hoch oder zu niedrig ist, es ist fast eine andere Dimension, die einfach nicht berücksichtigt wird. Hier gebe ich nur die Idee, das Ergebnis buchstäblich durch andere Handlungen formen zu können. Es geht nicht nur darum, die Bewegung der Planeten zu beobachten; Ich kann handeln und die Zukunft des Ergebnisses verändern. Aber auch wenn wir bei einem rein passiven Beobachter bleiben, gibt es Situationen, in denen Zeitreihen immer noch unzureichend sind.

Joannes Vermorel: Zum Beispiel, wenn ich mich mit der Luft- und Raumfahrtindustrie befasse, möchte ich meine Flugzeuglinien behalten. Ich kann die Nachfrage nach Teilen prognostizieren, aber das Problem ist, dass bei der Reparatur eines Flugzeugs eine Liste von Teilen vorhanden ist, die ich reparieren muss. Also, ich vereinfache das Schema, ein Flugzeug kommt zur Wartung in den Hangar, die Leute stellen eine Diagnose, es gibt eine Liste von Teilen, die sie austauschen müssen, und solange jedes einzelne dieser Teile ausgetauscht wurde, kann das Flugzeug nicht wieder fliegen. Es ist am Boden. Die Tatsache, dass ich alle Teile unabhängig voneinander prognostizieren kann, sagt mir nichts über die gemeinsame Verfügbarkeit aller Teile aus. In der Theorie, wenn alle meine Prognosen für alle Teile absolut perfekt wären, dann ja, wäre auch das gemeinsame Wissen perfekt. Aber sobald Sie auch nur sehr geringe Unsicherheit bei jedem Teil haben, wobei für das Publikum ein Flugzeug aus etwa 300.000 verschiedenen Teilen besteht, bedeutet auch nur sehr geringe Unsicherheit über die Art des Bedarfs, den Sie für jedes einzelne Teil haben, dass die Unsicherheit, die Sie für die gemeinsame Verfügbarkeit aller Teile haben, die Sie zur Reparatur des Flugzeugs benötigen, absolut gigantisch ist.

Joannes Vermorel: Und das ist ein Beispiel, bei dem die klassische Zeitreihenperspektive mathematisch einfach nicht ausdrucksstark genug ist. Das ist also eine weitere Klasse von Problemen, bei denen die Art von Problemen, die wir haben, wenn wir zu Vorurteilen zurückkehren, darin besteht, dass Sie die Art von Vorurteilen haben, wie zu hoch oder zu niedrig zu prognostizieren, aber es gibt auch andere Klassen von sehr menschlichen Problemen, die einfach nicht in die richtige Richtung schauen oder nicht einmal mit der Art von Struktur schauen, die Ihnen eine relevante Antwort geben würde. Und das sind, würde ich sagen, sehr stark die Art und Weise des 21. Jahrhunderts, es zu betrachten, und sie sind viel rätselhafter.

Jonathon Karelse: Ich stimme absolut zu.

Conor Doherty: Nun, das führt uns meiner Meinung nach zwangsläufig dazu, über die Zukunft oder die nächsten hundert Jahre, die Zukunft der Zukunft, die Zukunft der Zukünfte zu diskutieren. Also, Jonathon, ich gehe zuerst auf dich zu. In Bezug auf die Entwicklung von KI und Technologie, siehst du, dass dies den Menschen bei der Prognose hilft oder sie letztendlich ersetzt?

Jonathon Karelse: Wenn Daniel Kahneman gefragt wird, ob KI Menschen ersetzen wird, ist er einerseits hoffnungsvoll, dass es

Conor Doherty: Wir sind so schlecht darin, objektive Urteile zu fällen, aber andererseits sicher, dass es niemals passieren wird. Und das ist wiederum für mich die Bedeutung, das Theoretische oder Philosophische vom Praktischen zu trennen. Auf theoretischer Seite sollte es irgendwann in der Zukunft geschehen, an einem Punkt, an dem unsere Kapazität zur Verarbeitung von Daten, unsere Kapazität, auf einer viel nuancierteren und granulareren Ebene zu verstehen, wie menschliches Denken funktioniert und was Intelligenz selbst tatsächlich ist, es uns ermöglichen wird, komplexe Systeme hervorzubringen, wie es die Leute auf der Dartmouth-Konferenz in den 50er Jahren anstrebten, als sie dachten, sie könnten das menschliche Gehirn in ein paar Jahrzehnten replizieren. Das ist auf der theoretischen Seite.

Im wirklichen Leben, in meinem Leben, in deinem Leben, glaube ich nicht, dass das passieren wird. Und das kann ich mit einer gewissen Sicherheit sagen, wenn ich mir die Entwicklung der KI in den letzten 70 Jahren anschaue. Sicherlich lernen wir heute viel. Die Rechenleistung nimmt exponentiell zu, ebenso wie die Menge an verfügbaren Daten, aber das hat bisher noch nichts annähernd zu dem Durchbruch in der KI in der Praxis geführt, der Menschen ersetzen wird. Kann es uns unterstützen? Sicherlich. Es gibt heute viele Beispiele, wo die anfängliche Anwendung von KI in vielen verschiedenen Bereichen einen Nutzen hat, aber die Kluft zwischen dem Ersetzen von Menschen und der Unterstützung von Menschen bleibt heute eine große Kluft.

Um auf etwas zurückzukommen, was Joannes am Anfang gesagt hat und mit dem ich sehr einverstanden bin, ist die menschliche Fähigkeit zur Genialität der Teil, den ich für nicht gefährdet halte, von Computern oder KI ersetzt zu werden. Ich denke, der Wert der Menschheit liegt nicht darin, komplexe Fragen beantworten zu können, weil wir Computer richtig einsetzen können, um komplexe Fragen zu lösen. Ich denke, wo wir am wertvollsten sind, ist das Stellen interessanter und wichtiger Fragen von Anfang an. Nur durch das Stellen dieser Fragen können wir die Gesamtheit der heutigen Technologie nutzen, um die Antwort zu finden, aber es ist das Stellen dieser blauäugigen Fragen, das Menschen immer noch zu einem wichtigen Teil des Prozesses macht.

Möchtest du etwas hinzufügen, Joannes? Ich werfe es zu dir rüber.

Joannes Vermorel: Meine Meinung ist, dass das, was die Leute als Prognose als menschliche Tätigkeit sehen, im klassischen Sinne, wie eine Armee von Angestellten oder Unternehmen, die ihre S&OP Prozesse von Hunderten von Personen unterstützen lassen, die Tabellenkalkulationen verarbeiten und Zahlen generieren, mich sehr hoffnungsvoll stimmt, dass ich es innerhalb meines Lebens sehen werde, wie es verschwindet. Die Art und Weise, wie wir es bei Lokad gemacht haben, macht mich sehr hoffnungsvoll, weil wir es für die Kunden, die wir bedienen, weitgehend eliminiert haben.

Aber die Art und Weise, wie wir es gemacht haben, und das ist die Art von Produkt, besteht nicht darin, Menschen zu eliminieren oder irgendeine Art von künstlicher Intelligenz zu haben. Die Art und Weise, wie wir es gemacht haben, bestand darin, sich auf diese Entscheidungen zu konzentrieren und intelligente Ingenieure numerische Rezepte zu entwickeln. Das ist der typische Begriff, den ich verwende, weil einige heuristisch sein könnten, einige könnten sogar banaler sein, nur Filter und so weiter. Selbst das ist nicht einmal eine Heuristik, das ist etwas noch Grundlegenderes.

Conor Doherty: Also Ingenieurwesen numerischer Rezepte, die einfach im großen Maßstab für diese Unternehmen funktionieren, die banalen täglichen Dinge, und das kann jetzt vollständig automatisiert werden. Bedeutet das, dass wir Menschen aus dem Bild entfernt haben?

Joannes Vermorel: Nicht wirklich, denn erstens sind die numerischen Rezepte sehr stark ein menschliches Produkt. Es braucht einen wirklich intelligenten menschlichen Ingenieur, um sie zu entwickeln, und auch die Wartung erfolgt vollständig durch Menschen. Die numerischen Rezepte sind nur eine Art von Know-how, welche Art von numerischen Prozessen in großem Maßstab vernünftige Entscheidungen generieren. Gibt es Intelligenz in den numerischen Rezepten? Absolut nicht. Das numerische Rezept ist eine sehr mechanische Angelegenheit. Ja, es mag Teile des maschinellen Lernens geben, aber das sind nur statistische Techniken. Sie sind immer noch unglaublich mechanisch in ihrer Natur.

Conor Doherty: Wo ist es also sehr interessant?

Joannes Vermorel: Wenn man von dieser Perspektive ausgeht, endet man immer noch mit einem Prozess, der etwas automatisiert, das Hunderte von Menschen in großen Unternehmen beschäftigt hält. Am Ende des Tages haben Sie jedoch immer noch ein Team von Menschen, die für diese numerischen Rezepte verantwortlich sind, die nicht von selbst funktionieren. Der Schlüssel besteht darin, dass Menschen die geistige Kapazität haben, zu denken, und wenn sie vollständig von den winzigen Details komplexer Dinge in der Lieferkette überwältigt werden, wird es schwierig.

Ein Beispiel für eine komplexe Sache in der Lieferkette wäre die Verwaltung von 50 Millionen SKU, bei denen ich entscheiden muss, ob ich einen, zwei, drei, fünf usw. Einheiten auf Lager haben möchte. Und ich habe 50 Millionen solcher Lagerbestände, die ich täglich verwalten muss. Meine Hoffnung ist, dass die für diese Art von Entscheidung erforderlichen minutengenauen Prognosen vollständig automatisiert werden. Aber für einen längeren Zeitraum, wie von einem Jahr zum nächsten, in dem sich das Unternehmen selbst weiterentwickelt, in dem sich sein Markt weiterentwickelt, in dem sich die richtigen Fragen zur Beantwortung weiterentwickeln, glaube ich nicht, dass wir in meinem Leben sehen werden, dass Maschinen diese Fragen beantworten.

Conor Doherty: Was bedeutet das also praktisch für Unternehmen?

Joannes Vermorel: Ich glaube, diese Automatisierung wird Schichten des Ökosystems ersetzen, in denen Menschen Dinge tun, die nur sehr wenig Mehrwert haben, insbesondere im Rahmen von S&OP. Einige Leute würden argumentieren, dass es vielleicht nicht das echte S&OP oder das gute S&OP ist, aber das ist nicht meine Debatte. Mein Punkt ist, dass ich in der Lieferkettenbranche beobachtet habe, dass es viele große Unternehmen mit erstaunlich großen Teams von Menschen gibt, die nur Zahlen hin und her schieben, und ich vermute, dass das verschwinden könnte. Nicht, weil wir irgendeine fantastische Werkzeugausstattung haben, die den Bedarf an Menschen beseitigen würde, sondern weil wir mit besserer Werkzeugausstattung die Effizienz des Supply Chain Managements verbessern können.

Jonathon Karelse: Ich stimme Joannes zu. Mit der Weiterentwicklung von besseren Werkzeugen und Technologien werden wir eine Verschiebung der Rollen sehen, die Menschen im Supply Chain Management spielen. Während die Automatisierung viele der banalen und wiederholenden Aufgaben übernehmen kann, wird menschliche Expertise weiterhin für Strategie, Innovation und die Anpassung an sich entwickelnde Marktbedingungen unerlässlich sein.

Conor Doherty: Und mit besseren Techniken können wir ein paar kluge Leute haben, die Dinge entwickeln können, die in großem Maßstab funktionieren. Nun, wenn ich es einfach zurückwerfe, Jonathan, hast du etwas dazu zu sagen? Denn ich möchte dir das letzte Wort dazu geben.

Jonathon Karelse: Ich meine, ich kann das letzte Wort haben, aber ich stimme im Allgemeinen mit allem überein, was er sagt, das ist sicher. Und ich werde mich auch nicht in die “S&OP”-Debatte verwickeln lassen.

Conor Doherty: Dann werden wir ein wenig weitermachen. In Bezug auf die Zukunft, wenn Sie eine zweite Ausgabe von “Geschichte der zukünftigen Geschichten der Zukunft Teil zwei des 21. Jahrhunderts” schreiben würden, gibt es bestimmte Ideen, auf die Sie sich konzentrieren würden?

Jonathon Karelse: Nein, mein zweites Buch wird keine Fortsetzung dieses Buches sein. Mein zweites Buch muss nach meiner Pensionierung sein, denn es wäre die Geschichte all der verrückten Dinge, die ich in meiner Karriere in der Lieferkette gesehen habe. Wer trotz aller Beweise dafür, wie verrückt es wäre, es zu tun, weiterhin daran festhält. Aber natürlich, alle meine aktuellen Kunden da draußen, keine Sorge, Sie werden nicht darin vorkommen. Aber nein, wir sind nur wenige Monate nach der Veröffentlichung dieses Buches, also denke ich nicht, dass es irgendwelche dieser neuen, wie Joannes sagte, noch unentdeckten Wissenssysteme oder Arten von Wissenschaft gibt, über die ich nachdenken müsste.

Conor Doherty: Nun, zu diesem Thema, und es ist etwas, worüber ich vorher nicht die Gelegenheit hatte zu fragen, Joannes, werde ich Sie auch fragen. In Ihrer Erfahrung bei NorthFind, wenn Sie mit Führungskräften auf C-Ebene in einem Raum sind und versuchen, ihnen diese Ideen zu verkaufen, über die wir gerade gesprochen haben, und Sie auf den Widerstand stoßen, von dem wir vorher durch unbewusste Vorurteile gesprochen haben, wie nutzen Sie Verhaltensökonomie, um das zu überwinden und die Art von verrückten Beispielen zu vermeiden, auf die Sie gerade angespielt haben?

Jonathon Karelse: Ich werde den Ansatz Ihrer Frage teilweise ablehnen. Ich glaube nicht, dass ich versuche, Verhaltensökonomie als Möglichkeit zu nutzen, um in diesen Diskussionen zu einem gewünschten Ergebnis zu gelangen. Ich denke, ich bin vielleicht in einer einfacheren Position, um dieses Terrain zu navigieren als zum Beispiel ein Softwareanbieter. Denn für mich bedeutet Geschäftserfolg nicht, ein Softwarestück zu verkaufen. Und um es klar zu sagen, ich sage nicht, dass Software nicht wichtig ist; sie ist absolut wichtig, sie ist ein entscheidender Enabler. Aber weil wir uns mit der Bewertung von Prozessen und Problemen beschäftigen und letztendlich Lösungen entwerfen, versuche ich nicht oft, C-Level-Personen in eine bestimmte Richtung zu drängen. Es geht eher darum zu verstehen, gegeben die Kultur ihres Unternehmens, gegeben ihre verfügbaren Ressourcen - seien es Daten, Tools oder Menschen - wo ist der wahrscheinlichste oder optimalste erste Schritt auf dem Weg zur Prozessumgestaltung? Und wenn sie stark dagegen sind, ihre Kontrolle über eine Prognose aufzugeben und wirklich wollen, dass 300 Vertriebsmitarbeiter jeden Monat Zeit damit verbringen, eine Prognose anzupassen, ist das nicht unbedingt ein Hügel, auf dem ich sterben möchte. Ich meine, es ist dann in Ordnung. Wenn dies weiterhin unsere Realität ist, lassen Sie uns das als Teil des Prozesses haben, aber vor allem lassen Sie uns den Geschäftswert dieser Aktivität messen. Und oft kommen sie selbst zu dem Schluss. Der Grund, warum es so viele dieser verrückten Aktivitäten gibt, ist, weil

Conor Doherty: Das Erbe in diesen Organisationen ist eine Art Messung, die es ihnen ermöglicht, fortzufahren. Es ist eine Messung, die nicht offensichtlich macht, wie verrückt die Aktivität ist. Die Maßnahmen selbst sind oft verrückt, weil es einer verrückten Maßnahme bedarf, um einen verrückten Prozess zu rechtfertigen. Wenn Sie zu einer Organisation gehen und die Messgenauigkeit auf der obersten Ebene des Dollarwerts und über drei Monate hinweg sehen, wissen Sie, dass es das Ergebnis davon ist, dass sie nicht wissen wollen, wie schlecht der Prognoseprozess ist. Denn wenn sie es für seinen eigentlichen Zweck verwenden würden, der diagnostisch und nicht als Scorecard ist, würden sie niemals mehrere Monate aggregieren und sie würden niemals so hoch in einer Hierarchie aggregieren. Ich schweife ein wenig ab, aber das Fazit ist, dass ich sie nicht zu einem Schluss drängen möchte, wenn sie wirklich an einem verrückten Prozess festhalten. Wir helfen ihnen einfach zu verstehen, indem wir den Geschäftsnutzen dieses verrückten Prozesses messen, ob sie ihn weiterhin tun möchten oder nicht, und oft kommen sie selbst zu dem Schluss.

Joannes Vermorel: Offensichtlich ist meine Herangehensweise als Softwaremodell etwas anders. Meine Herangehensweise besteht normalerweise darin, Beispiele so einfach wie möglich zu skizzieren, bei denen die Art der Prognose nicht das liefern kann, wonach sie suchen. Manchmal gibt es sehr einfache Situationen. In der Luftfahrt zum Beispiel gibt es keine Informationen darüber, ob das Flugzeug repariert wird, wenn Sie die Dinge auf Teilebene betrachten. Wenn Sie in den Einzelhandel gehen und sagen, dass das Geschäft viele Produkte hat, die sehr gute Alternativen zueinander sind, haben Sie eine andere Art von Problemen. Das wird mir überhaupt keinen guten Indikator geben. Bin ich mit dieser Art von Organisation sehr erfolgreich? Ich weiß es nicht. Vielleicht ist Ihr eigener Ansatz, dass sie ihre eigene Reise machen, effizienter. Es ist eine schwierige Reise. Einer der Punkte, die die Erfahrung mit Lokad interessant machen, nicht unbedingt einfacher, aber interessant, ist, dass wir uns auf die Entscheidungen konzentrieren. Die Art von Dingen, die wir im Bereich der prädiktiven Modellierung tun, sind einfach sehr seltsam, positiv betrachtet. Es gibt diese Reise, bei der die nützlichsten Prognosen immer seltsamer werden. Ich vermute, die Geschichtsschreibung des 21. Jahrhunderts wird sehr seltsam sein, ein bisschen wie die Art von Seltsamkeit, die mit der Quantenmechanik einhergeht. Es ist eine ganze Reihe von Ideen, die einfach überhaupt nicht intuitiv sind. Sie kommen mit Mathematik, die einfach bizarr ist. Wenn man das anwendet, endet man mit noch bizarreren Dingen als erwartet.

Jonathon Karelse: Nun, meine Herren, ich denke, ich werde das hier beenden. Aber bevor wir gehen, Jonathan, wenn du allen im Supply Chain Management oder allen Supply Chain-Praktikern da draußen einen Rat geben könntest, was wäre es?

Jonathon Karelse: Kaufen Sie das Buch, erhältlich in Geschäften. Das ist ein Rat, den vielleicht mein Buchhalter geben würde. Wenn es ein einziger Ratschlag ist, dann ist es, warum zu fragen. Seien Sie nie zufrieden damit, nur zu wissen; versuchen Sie zu verstehen, warum. Wir haben tatsächlich ein sehr schönes Zitat, und ich weiß nicht, ob Sie es geschrieben haben, aber es lautet: “Ein schlechter Prognostiker mit Daten ist wie ein Betrunkener mit einem Laternenpfahl: Er benutzt ihn als Stütze und nicht zur Erleuchtung.” Suchen Sie also immer nach dem Licht.

Conor Doherty: Vielen Dank. Nun, Jonathan, vielen Dank für Ihre Zeit. Joannes, vielen Dank für Ihre Zeit. Und vielen Dank an alle, die zugeschaut haben. Wir sehen uns das nächste Mal.