Risiken im supply chain Management

00:00:00 Introduction and definition of terms
00:02:40 Uncertainty and cost of safeguarding in supply chain
00:03:54 Risk management and minimizing waste
00:05:30 Irreducible risk and opportunities in supply chain
00:07:37 Supply chain vs manufacturing perfection
00:09:35 Risks and opportunities in supply chain and competitors
00:14:09 Problems with static approach in supply chain
00:15:56 Predictable mistakes as business practice
00:18:46 Engineering agility in supply chain
00:21:20 Dollar value of risk and opportunities
00:23:36 Financial optimization of supply chain risks
00:26:37 Lokad’s approach to probabilistic forecasting
00:29:53 Risk of massive disruption and regional disasters
00:31:59 Factoring risks into daily supply chain decisions
00:34:08 Risk of losing big clients and correlation of risks
00:37:03 Distortion in map projections and mathematical models
00:42:31 Building forecasts and time series risk
00:45:20 Stochastic optimization and probabilistic approach
00:48:36 Decomposing economic drivers for supply chain decisions
00:51:44 Companies often surprised by past events
00:57:00 Damaging forecasts and cross-entropy in forecasting
01:00:00 Importance of actionable risk assessments
01:06:49 Financial risks of inventory distribution
01:13:54 Cost of promotions and IT dependencies as a risk
01:17:22 Difficulty of modeling customer psychology
01:24:26 Evaluating time series forecasts
01:27:33 Risks in mainstream supply chain software
01:29:30 Closing thoughts and call to action

Zusammenfassung

Conor Doherty, Moderator von LokadTV, und Joannes Vermorel, Gründer von Lokad, diskutieren die inhärenten Risiken im supply chain management. Vermorel betont, dass das primäre Risiko die Ungewissheit der Zukunft ist, die irreduzibel und außerhalb der Kontrolle liegt. Er weist darauf hin, dass jede Entscheidung eine Abwägung zwischen Risiko und Belohnung beinhaltet, und dass null Risiko nicht erreichbar ist. Vermorel hebt auch die Chancen hervor, die sich aus diesen Risiken ergeben können, wie etwa das Ausnutzen von Markt-Engpässen. Er befürwortet eine agile und opportunistische Denkweise sowie den Einsatz von probabilistischer Vorhersage zur Risikominderung. Vermorel und Doherty schließen damit, dass selbst kleine Unternehmen von Risikomanagement profitieren können, was zu höheren Margen und verbessertem Cashflow führt.

Erweiterte Zusammenfassung

In einem Gespräch zwischen Conor Doherty, dem Moderator, und Joannes Vermorel, dem Gründer von Lokad, einem Softwareunternehmen, das sich auf supply chain Optimierung spezialisiert, wird das Thema Risikomanagement in supply chains eingehend erörtert. Vermorel erklärt, dass die primäre Quelle des Risikos in supply chains die Ungewissheit der Zukunft ist. Anders als in der Fertigung, wo Risiken durch eine perfekte Prozessoptimierung eliminiert werden können, hängen die Risiken in supply chains von zukünftigen, unbekannten und irreduziblen Bedingungen ab.

Vermorel betont, dass jede Entscheidung im supply chain Management einen Kompromiss zwischen Risiko und Belohnung beinhaltet und dass die Ungewissheit über die Zukunft irreduzibel ist. Er stellt außerdem fest, dass in supply chains kein Nullrisiko existiert. Selbst bei einem perfekten Fertigungsprozess besteht immer ein zweistelliger prozentualer Anteil an Risiko, dass ein Produkt in fünf Jahren nicht mehr auf dem Markt verkauft wird.

Vermorel wiederholt, dass die Quelle des Risikos in supply chains die Ungewissheit der Zukunft ist. Er erklärt, dass dieses Risiko irreduzibel ist und, im Gegensatz zu anderen Bereichen wie der Buchhaltung, in denen Risiken eliminiert werden können, risks in supply chains außerhalb der Kontrolle liegen und nur gemindert werden können. Er weist auch darauf hin, dass es zwar Risiken in supply chains gibt, aber auch Chancen. Zum Beispiel kann ein hoher Lagerbestand, wenn der Markt einen Engpass erlebt, zu einem ordentlichen Gewinn führen.

Vermorel stimmt Dohertys Beobachtung zu, dass die Risiken in supply chains häufiger auftreten und vorhersehbare finanzielle Auswirkungen haben. Er betont, dass das supply chain Management darin besteht, mit einer Vielzahl von Risiken und Chancen umzugehen, die größtenteils außerhalb der Kontrolle liegen, und dass das einzig Mögliche darin besteht, Entscheidungen zu treffen, die diese Risiken und Chancen ausbalancieren.

Vermorel erklärt, dass sowohl Risiken als auch Chancen in supply chains entstehen können. Zum Beispiel kann das Eintreten oder Austreten eines Wettbewerbers in den Markt entweder die Preise senken oder erhöhen und somit die Rentabilität beeinflussen. Er nennt auch das Beispiel eines europäischen E-Commerce-Unternehmens, das eine überraschende Begebenheit genutzt hat, um einen außergewöhnlichen Gewinn zu erzielen.

Vermorel erklärt, dass es in supply chains wichtig ist, eine agile und opportunistische Denkweise zu haben. Er merkt an, dass es zwar möglich ist, Praktiken zu etablieren, die aus vorhersehbaren Fehlern Nutzen ziehen, man sich jedoch auch auf neue Risiken vorbereiten muss.

Vermorel diskutiert die Kosten von Mängeln in der Automobilproduktion und stellt fest, dass es im supply chain Management keine harten Beschränkungen gibt und alles für finanzielle Optimierungen infrage kommt. Er erklärt, dass im supply chain Management Prognosen eingesetzt werden, um Risiken zu mindern. Allerdings werden, im Gegensatz zu Mängeln in der Automobilproduktion, Prognoseungenauigkeiten niemals vollständig eliminiert.

Vermorel führt das Konzept der probabilistischen Vorhersage ein, bei der jede mögliche Zukunft eine Wahrscheinlichkeit hat. Er erklärt, dass Risiken, wie beispielsweise eine 2%ige Chance, Kunden zu verlieren, in probabilistische Prognosen einbezogen werden können, indem das Verhalten der Kunden prognostiziert wird, anstatt die Nachfrage nach den Produkten.

Vermorel argumentiert, dass die Qualität eines risikobasierten Ansatzes an den Endergebnissen gemessen werden sollte und nicht an der Qualität einer probabilistischen Vorhersage. Er betont, dass die Hauptsache sein sollte, wie viel Geld verdient oder verloren wurde, und nicht die Genauigkeit der Prognose.

Vermorel schlägt vor, dass Kreuzentropie, ein Maß für die Genauigkeit probabilistischer Prognosen, so abstrakt ist wie Prozentsätze, aber gute Eigenschaften für das Erlernen hochwertiger Modelle besitzt. Er betont, dass die Endergebnisse, die zu geringeren Fehlern in monetärer Hinsicht führen, die wichtigste Kennzahl sind.

Vermorel meint, dass solche Risikomanagement-Abteilungen oft bürokratisch sind und ihre Bewertungen keine Konsequenzen haben, wenn sie nicht jede einzelne Entscheidung im supply chain anpassen. Er argumentiert, dass Risikobewertungen ignoriert werden, wenn sie keine Auswirkungen auf Kaufentscheidungen haben.

Vermorel stimmt zu und argumentiert, dass, obwohl beides wichtig ist, Makroentscheidungen oft einem Glücksspiel gleichen, während tägliche Entscheidungen quantitativ bewertet werden können.

Vermorel erörtert die klassische Perspektive des supply chain Management, bei der jeder Laden einzeln betrachtet wird und ein Sicherheitsbestand gehalten wird, um potenzielle Engpässe abzudecken. Allerdings kann dieser Ansatz zu Problemen führen, wie etwa einem Lagerausfall auf Ebene des Lager . Er kritisiert den traditionellen Ansatz, den Sicherheitsbestand sequentiell an die Läden zu verteilen, was dazu führen kann, dass einige Läden voll bestückt sind, während andere leer ausgehen. Dies kann zu ungeklärter Nachfrage und Überbeständen in bestimmten Läden führen.

Vermorel schlägt vor, einen besseren Ansatz zu verfolgen, indem das Inventar so verteilt wird, dass alle Läden gleichzeitig einen Lagerausfall erleiden, um den Verkauf zu maximieren. Er schlägt einen probabilistischen Ansatz vor, der das Netzwerk und die gegenseitigen Abhängigkeiten aller Läden sowie das verfügbare Inventar berücksichtigt.

Vermorel spricht über immaterielle Risiken, wie beispielsweise Kundenerwartungen und Markenwert. So kann etwa das Anbieten von Rabatten dazu führen, dass Kunden in Zukunft weitere Rabatte erwarten, was schwer zu quantifizieren und zu managen ist. Er erwähnt auch andere Risikoklassen, wie IT-Abhängigkeiten, die den supply chain beeinflussen können.

Vermorel erklärt, dass Promotions dazu führen können, dass Kunden auf zukünftige Promotions warten, bevor sie einen Kauf tätigen, was aufgrund des langfristigen Verhaltens der Kunden schwer zu modellieren und zu steuern ist. Er schlägt vor, dass ein risikobasierter Ansatz besser mit diesen Arten von Schätzungen kompatibel ist als traditionelle Zeitreihen Planungsprognosen.

Vermorel stellt die Ansicht in Frage, dass nur große Unternehmen in der Lage seien, Risiken zu managen, und argumentiert, dass das Ignorieren von Risiken kostspieliger sein kann. Er schlägt vor, dass probabilistische Prognosen effektiver und leichter einzusetzen sind als traditionelle Zeitreihenprognosen. Vermorel argumentiert, dass selbst kleine Unternehmen von Risikomanagement profitieren können, da dies zu höheren Margen und verbessertem Cashflow führt.

Abschließend stimmt Vermorel Dohertys Zusammenfassung zu und argumentiert, dass viele Unternehmen vermeidbare Katastrophen erleben, weil sie Risiken ignorieren. Er schlägt vor, dass eine bessere Abstimmung zwischen Realität und supply chain Management zu einem höheren Automatisierungsgrad und zu weniger benötigtem Personal führen kann.

Vollständiges Transkript

Conor Doherty: Willkommen zurück bei LokadTV! Risiko ist systemisch in der supply chain. Aus einer bestimmten Perspektive birgt jede einzelne supply chain decision potenzielle Risikoklassen, sei es direkt oder indirekt. Um zu erklären, warum – und vor allem, wie man sie vermeidet – haben wir Joannes Vermorel, den Gründer von Lokad, zu Gast.

So Joannes, um den großen amerikanischen Denker George Costanza zu zitieren: Um Risiken zu managen, müssen wir sie zunächst verstehen. Und um sie zu verstehen, müssen wir sie zuerst definieren. Was genau ist also im Kontext der supply chain Risikomanagement, und wie unterscheidet es sich vom Risikomanagement in anderen Bereichen wie der Fertigung?

Joannes Vermorel: Die primäre Risikoquelle in der supply chain ist die Zukunft, die man nicht kennt. In der Fertigung geht es hauptsächlich darum, den richtigen Prozess zu haben. Wenn man den richtigen Prozess hat, kann man möglicherweise eine Milliarde Teile produzieren, ohne jemals auf Mängel zu stoßen. Potenziell kann man in der Fertigung also das Risiko eliminieren. Das Risiko hängt nicht so sehr von der Zukunft ab. Zum Beispiel, wenn man einen fehlerhaften Prozess hat, der eine Brandgefahr für die Fabrik darstellt, ist es nur eine Frage der Zeit, bis die Fabrik in Brand gerät.

In der supply chain ist es buchstäblich die Zukunft, die man nicht kennt, und man kann nicht wirklich alle Möglichkeiten absichern, weil das zu teuer wäre. Es besteht immer die Möglichkeit, dass die Nachfrage nach bestimmten Produkten um den Faktor 20 ansteigt – aber sollte man dann 20-mal mehr auf Lager haben, als man zu verkaufen erwartet, wenn man die geltende Durchlaufzeit und Ähnliches bedenkt, nur wegen dieser einen entfernten Möglichkeit, einen solch unvorhersehbaren Nachfrageschub zu erleben? Nein.

Grundsätzlich würde ich sagen, dass in der supply chain, im Gegensatz zu einigen anderen Bereichen, die Risikoquellen in zukünftigen Bedingungen liegen, die man nicht kennt, und dass jede getroffene Entscheidung eine Art Abwägung zwischen Risiko und Belohnung darstellt, die mit dieser Ungewissheit über die Zukunft einhergeht. Und ich würde sagen, die Ungewissheit über die Zukunft ist irreduzibel, im Gegensatz zur Unsicherheit beispielsweise in Bezug auf die physischen Anlagen in einem Fertigungsprozess in einer Fabrik.

Nullrisiko existiert nie. Zwar kann man in einem Fertigungsprozess sehr, sehr nahe an Null herankommen. Ich meine, es ist nicht absolut null, aber sehr nahe dran. In der supply chain, betrachte man irgendein Produkt, gibt es immer einen zweistelligen prozentualen Anteil an Risiken, dass dieses Produkt in fünf Jahren nicht mehr auf dem Markt verkauft wird. Es gibt nur sehr wenige Produkte, von denen man mit absoluter Sicherheit sagen kann, dass sie auch in fünf Jahren noch existieren werden, besonders wenn man bedenkt, dass das Produkt durch eine Variante ersetzt werden kann, die trotzdem als eine andere SKU zählt.

Conor Doherty: Fassen wir zusammen: Sagst du, dass Risikomanagement in der supply chain ausschließlich eine Frage der Minimierung verschwendeter Ressourcen ist, oder handelt es sich dabei lediglich um ein finanzielles Anliegen?

Joannes Vermorel: Die Quelle des Risikos ist buchstäblich die Tatsache, dass man die Zukunft nicht kennt. Hätte man eine magische Kristallkugel, die einem die Zukunft verrät, könnte man theoretisch eine nahezu risikofreie supply chain Praxis haben, vorausgesetzt man hat genug Geld.

Diese Risikoquelle ist irreduzibel und wirkt in vielen anderen Bereichen befremdlich. Zum Beispiel gibt es in der Buchhaltung das Risiko von Fehlern, aber genau dafür gibt es Buchhaltungspraktiken, um dieses Risiko im Wesentlichen zu eliminieren. Wenn man in Bezug auf Risiken im Zusammenhang mit fehlerhaften Buchhaltungspraktiken denkt, möchte man, dass diese ausgesprochen selten auftreten.

In der supply chain hat man keine Wahlmöglichkeit. Egal wie kompetent man ist oder wie korrekte Praktiken vorhanden sind, das Risiko bleibt irreduzibel. Es kann Krieg, Lockdowns, Brände und allerlei Ereignisse geben, die einfach außerhalb der eigenen Kontrolle liegen und die Nachfrage massiv in die eine oder andere Richtung beeinflussen. Das ist die primäre Risikoquelle – man kennt sie nicht – und alles, was man tun kann, besteht darin, diese Risiken zu mindern. Aber ebenso wie es Risiken gibt, gibt es auch Chancen, die in anderen Bereichen wie der Buchhaltung nicht existieren.

Zum Beispiel, wenn man zufällig einen großen Lagerbestand von etwas hat, während der Markt einen Engpass erlebt, kann man potenziell einen ordentlichen Gewinn erzielen, indem man diesen Bestand zu einem Aufpreis verkauft.

Conor Doherty: Es klingt so, als ob viele dieser Probleme in der supply chain viel häufiger vorkommen werden als das von dir genannte Beispiel, in dem eine inkompetente oder moralisch fragwürdige Person eingestellt wird. Solche Fälle sind verschwindend selten, aber vermutlich sind die Risikoklassen, über die du im Kontext der supply chain sprichst – wie etwa verlängerte oder sogar um ein paar Tage verkürzte Durchlaufzeiten – durchaus regelmäßig und haben vorhersehbare finanzielle Folgeeffekte.

Joannes Vermorel: Ja, und sie hängen nicht von dir ab. Das ist auch einer der Aspekte, in denen sich das deutlich unterscheidet. Wenn du in einem Fertigungsprozess in einem Werk bist und Fehler auftreten, liegt es ganz bei dir, den Prozess zu verbessern, sodass keine Fehler mehr vorkommen. Du kannst möglicherweise einen Zustand ohne jegliche Fehler erreichen – das ist Perfektion –, oder du kommst sehr nah an Perfektion heran.

Aber in der supply chain ist das wirklich nicht der Fall. Per Definition, wenn du eine Durchlaufzeit hast, hast du auch einen Lieferanten, und dieses Unternehmen liegt außerhalb deiner Kontrolle. Und selbst wenn du ihn internalisierst, hast du eventuell einen Spediteur, der dennoch außerhalb deiner Kontrolle liegt. Selbst wenn du den Transport intern organisierst, könnte die Straße gesperrt werden, weil die Autobahn überflutet ist oder etwas anderes passiert – und auch das liegt außerhalb deiner Kontrolle.

Das Besondere an der supply chain-Praxis ist also, dass du mit vielen Risiken, aber umgekehrt auch vielen Chancen konfrontiert bist – und sie liegen meist außerhalb deiner Kontrolle. Das Einzige, was du tun kannst, ist Entscheidungen zu treffen, die diese Risiken und Chancen angemessen ausbalancieren.

Conor Doherty: Wenn du also im Kontext von Risiken von Chancen sprichst, meinst du damit verpasste Gelegenheiten?

Joannes Vermorel: Ja, ein Wettbewerber kann plötzlich in den Markt eintreten und die Preise senken. Das stellt ein Risiko dar. So könntest du gezwungen sein, deinen Preis ebenfalls zu senken, wodurch du weniger profitabel bist, als du erwartest – oder vielleicht sogar gar nicht mehr profitabel. Aber auch das Gegenteil kann passieren: Ein Wettbewerber könnte den Markt verlassen. In diesem Fall kannst du deinen Preis erhöhen und profitabler sein, als du erwartest.

Jedes Mal, wenn du denkst, dass ein Risiko besteht, gibt es auch eine Chance. Wenn es beispielsweise zu einer Überschwemmung kommt, wird vielleicht dein Lager überflutet oder das eines Wettbewerbers. In Fertigungsumgebungen strebst du nämlich nach einem klaren Ziel – nämlich Perfektion. Deshalb gibt es hier bei Risiken zwangsläufig keine wirklich opportunistischen, zufälligen Aufwärtspotenziale.

Aber in der supply chain kann das passieren. Du hast vielleicht Tausende von Produkten und aus zufälligen Gründen machen Wettbewerber Fehler. Sie haben entweder nicht den richtigen Lagerbestand, nicht die passende Kapazität oder eine fehlerhafte Zuordnung – und daraus ergeben sich Chancen.

Zum Beispiel war eine der Techniken eines großen europäischen E-Commerce-Unternehmens, dass sie Modeprodukte zu verkaufen begannen und bereits innerhalb eines oder zweier Tage die Bestseller der Saison identifizierten. Anschließend gaben sie sofort eine gigantische Bestellung beim Originalhersteller auf und sicherten sich den gesamten Lagerbestand.

Es wurde überraschend gut angenommen, und deshalb sagten sie: “Okay, wenn uns dieser Absatz als Überraschung kommt, wird es höchstwahrscheinlich auch der Originalmarke unerwartet sein. Was passiert also, wenn wir eine riesige Bestellung aufgeben? Dann sitzen wir auf einem großen Haufen Inventar, während alle anderen keinen Lagerbestand mehr haben. Wir können dieselben Produkte zu einem etwas höheren Preis als üblich verkaufen und dennoch alles absetzen, ohne Nachteile im Zusammenhang mit Schlussverkaufsaktionen in Kauf nehmen zu müssen.”

Also, verstehst du, dass es darum geht, dass ein überraschendes Ereignis eintritt, bei dem sich ein Produkt besser verkauft als Experten erwarten würden, und wenn du clever bist, kannst du daraus die Chance machen, den noch verfügbaren Lagerbestand aufzubuchen und damit einen außergewöhnlichen Gewinn zu erzielen. So siehst du, das Risiko ist da, aber ebenso entsteht eine Chance.

Conor Doherty: Verstanden, danke. Dieses Beispiel ist ziemlich interessant, da es einen potenziellen Wendepunkt in der Diskussion eröffnet. Wenn ich es richtig verstanden habe, war dein Beispiel eine reaktive Reaktion auf eine Chance. Dieser Modehändler hat eine Gelegenheit erkannt und sehr agil darauf reagiert. War das der bestmögliche Ansatz in der supply chain, oder gibt es einen proaktiven Mechanismus, um derartige Ereignisse vorauszusehen?

Joannes Vermorel: Ich hätte dazu eine zweigeteilte Antwort. Erstens: Du hast absolut recht. Es ging mit einer agilen, opportunistischen Denkweise einher, die sowohl für Risiken als auch für Chancen gilt. Interessant ist, dass, wenn du aus der Perspektive der Fertigung kommst, dies nicht die Sichtweise ist, die du einnimmst. Du möchtest einfach das Risiko eliminieren. Es ist ein statisches Problem. Entweder dein Prozess ist risikofrei, fehlerfrei, ohne Gefahren – dann bist du in Ordnung – oder er ist es nicht und du musst ihn beheben.

Hier in der supply chain ist das Interessante, dass wenn du versuchst, Risiken mit einer statischen Denkweise anzugehen, du denkst, dass du das Problem ein für alle Mal beheben kannst. Aber das funktioniert nicht, denn wenn alles vollkommen statisch wäre, könntest du die Chancen nicht mehr nutzen. Und in Wirklichkeit kannst du auch nicht auf neu auftretende Risiken reagieren. Es ist vollkommen symmetrisch: Es entstehen Chancen, aber es gibt auch Risiken, die plötzlich hochkochen und alle überraschen – und du musst schnell reagieren.

Was bedeutet es nun, vorbereitet zu sein? Wie ich bereits das Beispiel dieses großen europäischen E-Commerce-Unternehmens erwähnte, das es sich zur Aufgabe gemacht hat, Markeninventar zu monopolisieren, so ist das eine etablierte Praxis. Sie wissen, dass eine große Modemarke, die vielleicht 20.000 unterschiedliche Varianten umfasst, zwangsläufig Fehler machen wird – das ist gewiss. Du weißt nicht, welcher Fehler es sein wird, aber es ist eine sichere Annahme, dass es unmöglich ist, dass eine so große Marke alles im Lagerbestand fehlerfrei ausbalanciert. Dadurch kannst du Praktiken etablieren, die diese vorhersehbaren Fehler zu deinem Vorteil nutzen.

Conor Doherty: Wenn du davon sprichst, in einem Unternehmen – etwa bei schnelllebigen Konsumgütern – einen Prozess zu entwickeln, wie setzt man das konkret um? Ist es ein Top-down- oder ein Bottom-up-Prozess? Ich meine, wie realisiert man diesen Prozess, der Chancen nutzt?

Joannes Vermorel: Wie bei den meisten Dingen in der supply chain muss es bis zu einem gewissen Grad von oben nach unten erfolgen. Du kannst nicht erwarten, dass Leute ganz unten in der Hierarchie an der Neugestaltung der Organisation arbeiten. Wenn du zum Beispiel entscheidest, dass dein Prozess einem SNOP (Sales and Operations Planning) entsprechen soll und vierteljährlich SNOP-Sitzungen durchführst, bei denen du zwei Monate investierst, um eine neue Prognose zu erstellen und einen großen Konsens herbeizuführen, und dann alle befragt werden, die Ergebnisse zusammengetragen werden müssen und du schließlich die Prognosen, die pro Woche und pro Kategorie erstellt wurden, in entscheidungsrelevante Größen überführst – dann spielt es keine Rolle, ob die Mitarbeiter ganz unten agil sind oder nicht. Der Prozess und die Organisation verhindern jede Art von Agilität. In großem Umfang muss, wenn du agil sein möchtest, dieser Prozess von oben angestoßen werden, damit diese Agilität überhaupt möglich wird. Aber sobald du etwas erschaffen hast, das diese Möglichkeit bietet, wird es mehr zu einem Bottom-up-Ansatz, bei dem es darum geht, ob die verschiedenen Teams diese neu gewonnene Agilität nutzen.

Conor Doherty: Mir kommt auch in den Sinn, dass es einen anderen Weg gibt, an das Thema Risiko und Chance heranzugehen. Wenn du einfach das von dir gegebene Beispiel umdrehst – anstatt dich auf das Unternehmen zu konzentrieren, das diese T-Shirts wie warme Semmeln verkauft und sich damit den Markt sichert (also eine Chance nutzt) – stellt sich aus der Perspektive des Lieferanten die Frage: Wenn plötzlich, völlig unerwartet, der Modehändler Joannes anruft und sagt, “Oh, wir wollen alle T-Shirts, die du hast, alle schwarzen T-Shirts – wir kaufen sie sofort”, sollte man dann vorsichtig sein? Denn auch hier gibt es Risiko und Chance. Als Lieferant, sollte ich verkaufen? Es ist ein garantierter Verkauf, heute, und ich räume alles ab. Oder sollte ich untersuchen, warum er diese gerade jetzt kaufen möchte? Spielt da noch etwas anderes eine Rolle?

Joannes Vermorel: Es hängt wirklich davon ab, ob du es dir überhaupt leisten kannst, Zeit in Nachforschungen zu investieren. Wenn zum Beispiel eine EDI Verbindung besteht und Einkäufe vollständig automatisiert ablaufen, sodass niemand manuell eingreift, kommt es darauf an. Solch widersprüchliches Verhalten ist in der supply chain allerdings alltäglich. Deine Lieferanten sind deine besten Partner und potenziell auch deine Konkurrenten, denn sie können deinen Gewinn begrenzen. Im Laufe der Zeit können sie zu Wettbewerbern werden, sich dazu entschließen, eigene Marken zu etablieren, usw. Und umgekehrt: Wenn du eine Marke bist, kannst du Prozesse internalisieren und dich plötzlich mit deinen ehemaligen Lieferanten messen. Es gibt also keine allgemeinen Regeln – es kommt wirklich auf den Einzelfall an. Das Interessante ist aber, dass du in der supply chain buchstäblich Dollar oder Euro an Belohnungen und Chancen an solche Sachen hängen kannst.

Noch einmal: Wenn du zur Automobilproduktion zurückkehrst – was kostet es, einen Defekt zu haben, der eine Person tötet? Die Antwort ist einfach viel zu hoch. Du siehst also, dass es nicht darum geht, aufwendiges Engineering zu betreiben, denn so etwas ist in den allermeisten Fällen nicht akzeptabel. In der Theorie würden Ökonomen sagen, dass der Wert eines Menschenlebens in den USA laut verschiedener Berechnungen bei vielleicht fünf Millionen liegt – man könnte dafür argumentieren. Aber in der Realität wird niemand wirklich ernsthaftes Engineering betreiben, sondern einfach alles tun, um sicherzustellen, dass es nicht zu dem Problem kommt, dass jemand stirbt. Es gibt daher kein wirkliches finanzielles Engineering, denn aus der Perspektive der Fertigung versucht man, solche Probleme systematisch zu vermeiden, anstatt das Risiko im Sinne eines Abwägens von Vor- und Nachteilen zu optimieren – das Ziel ist, es zu eliminieren. Aber in der supply chain ist das nicht möglich, und es wird ein echter Kompromiss sein. Was immer du tust, hat seinen Preis; es gibt eine Belohnung, und alles bewegt sich in Graustufen. Du kannst immer einen etwas höheren oder niedrigeren Lagerbestand halten – oder sogar versuchen, überhaupt keinen Lagerbestand vorzuhalten und ausschließlich mit Back Orders zu arbeiten. Dadurch hast du viel mehr Flexibilität und es gibt nur sehr wenige starre Zwänge in der supply chain. Solange du bereit bist zu zahlen, gibt es praktisch keine Einschränkungen. Brauchst du mehr Lagerfläche? Wenn du zahlungsbereit bist, kann sogar der Bau eines zweiten Lagers bezahlt werden. Letztlich sind all diese Zwänge, Risiken und Belohnungen eher weich, sodass sie sich sehr gut zur finanziellen Optimierung eignen – im Gegensatz zu Situationen von Leben und Tod, bei denen man sagt: “Nein, so etwas werden wir nicht finanziell optimieren. Es muss eine kategorische Entscheidung sein. Das wollen wir einfach nicht.” Die supply chain bietet den Luxus, dass der Großteil der Probleme tatsächlich weiche Probleme sind, bei denen du von einem sehr schlechten Service zu einem hervorragenden Service gelangen kannst und das gesamte Spektrum möglich ist, während sich die Kostenstruktur anpasst, wenn du eine bessere oder schlechtere Servicequalität anstrebst.

Conor Doherty: Das Beispiel aus der Automobilproduktion bietet tatsächlich einen sehr schönen Übergang, denn ich weiß, dass in der Automobilproduktion – zum Beispiel bei Ford – Risiken, insbesondere bei autonomen Fahrzeugen, durch den Einsatz digitaler Zwillinge gemanagt werden. Sie erstellen eine digitale Version sowie eine digitale Umgebung und setzen das theoretische autonome Fahrzeug mithilfe von Algorithmen einer Vielzahl von Tests aus, um das Risiko zu bewerten, ohne jemals einen Prototypen in der realen Welt fertigen zu müssen. Das ist ein Schritt im Risikomanagement. Gibt es so etwas auch in der supply chain? Denn auch hier handelt es sich nicht um ein physisches Produkt an sich, obwohl es aus vielen beweglichen Teilen besteht.

Joannes Vermorel: Das ist das Interessante. Genau das versucht man mit der Prognose: Das Risiko, das du hinsichtlich dieser unsicheren Zukunft hast, durch Prognosen abzuschwächen. Idealerweise, wenn deine Prognosen perfekt wären, würdest du dieses Risiko eliminieren. Deshalb gibt es in der supply chain viele Ansätze, die die Prognosegenauigkeit genauso behandeln wie Automobilhersteller Mängel an ihren Bremsbelägen – als etwas, das beseitigt werden sollte.

Doch das Problem ist, dass im Gegensatz zu Mängeln bei Bremsbelägen, bei denen die Fehlerquote auf einen pro Milliarde gesenkt werden kann – sodass sie vernachlässigbar wird – die Ungenauigkeit von Prognosen niemals auf einen Fehler von 0,01 sinken wird. Wenn du die Granularität betrachtest, die für entscheidungsrelevante Prognosen sinnvoll ist – also im Grunde pro SKU und pro Tag – wirst du mit stark ungenauen Prognosen feststecken, im Durchschnitt mit einer Fehlerquote von etwa 50 % pro Tag und SKU, wenn du mehrere Monate in die Zukunft blickst.

Das Interessante ist: Welche Werkzeuge, Prozesse und Methoden hast du, um mit diesen Risikoklassen umzugehen? Genau das macht Lokad im Grunde mit probabilistischer Prognose. Es ist ein Weg, diese Unsicherheit anzunehmen. Aber das unterscheidet sich erheblich vom klassischen Paradigma, das einfach davon ausgeht, dass die Prognose korrekt sein wird, und bei Ungenauigkeiten diese als einen zu behebenden Mangel auffasst.

Der Ansatz von Lokad, die probabilistische Prognose, beruht darauf, dass wir nicht davon ausgehen – und es auch nicht erwarten – dass diese Ungenauigkeiten jemals verschwinden werden. Was wir haben, sind Wahrscheinlichkeiten. Wir können unsere Modelle verbessern, sodass sich diese Wahrscheinlichkeiten etwas konzentrierter darstellen und wir eine schärfere Vision der Zukunft erhalten. Doch die Gesamtperspektive bleibt, dass es extrem unklar und unsicher bleiben wird, egal was passiert.

Conor Doherty: Ich möchte hier einen Punkt unterstreichen, weil ich denke, dass er wichtig ist, und ihn noch verstärken. Wenn du von der Prognose zukünftiger Nachfrage sprichst, verstehen die meisten darunter lediglich, dass man frühere Verkaufsdaten analysiert und daraus eine Zahl ableitet, wie in einer Zeitreihe. Ist es deine Ansicht, dass der Ansatz der probabilistischen Prognose nicht nur die historischen Daten, sondern auch die anderen Risikoklassen berücksichtigt, über die wir sprechen – wie verlängerte Durchlaufzeiten, ein Schiff, das in einem Kanal stecken bleibt oder Ähnliches – und diese miteinander verknüpft?

Joannes Vermorel: Ja, absolut. Deshalb sprechen wir bei Lokad typischerweise von predictive modeling anstelle von Vorhersagen. Bei Vorhersagen könnte man theoretisch alles prognostizieren, aber in der Realität geht man standardmäßig davon aus, dass man mit einer Vorhersage von Nachfrage oder Absatz spricht. Das trifft in 99 % der Fälle zu – wenn Leute sagen, wir haben eine Vorhersage, meinen sie eine Prognose des Absatzes oder der Nachfrage. Aber die Realität ist, dass alles, was bezüglich der Zukunft unsicher ist, antizipiert werden kann, und deshalb haben wir dieses prädiktive Modellieren.

Das Interessante ist, dass es viele Bereiche gibt, in denen man Risiken modellieren kann, selbst wenn man keine wirklich detaillierten Daten hat. Zum Beispiel der Krieg in Europa. Wenn man die letzten 100 Jahre betrachtet, gab es etwa alle halbe Jahrhundert einen größeren Krieg. Betrachtet man das, bedeutet das, dass es jedes Jahr etwa eine zweiprozentige Chance gibt, dass ein Krieg eintritt, der Sie beeinträchtigen könnte. Man kann fünf Jahrhunderte in der Geschichte Europas zurückblicken, und das ist etwas, das immer wieder passiert ist.

Ich hoffe, dass das Risiko eines tatsächlichen Kriegs in Westeuropa momentan relativ gering ist, aber wenn man eine historische Perspektive einnimmt, ist es nicht völlig abwegig zu sagen, dass es eine zweiprozentige Chance auf eine massive Disruption gibt. Schauen Sie, was in der Ukraine passiert. Das Risiko ist definitiv real, und vor 20 Jahren war es in Ex-Jugoslawien. Solche Dinge kommen vor, und man braucht keine präzisen Daten, um zu behaupten, dass wir ein zweiprozentiges Risiko eines großen disruptiven Ereignisses ansetzen können.

Man könnte von der Region abhängig sein, man könnte von Überschwemmungen betroffen sein, man könnte Brände erleiden. Es gibt zahlreiche Risiken, bei denen man eine grobe Abschätzung vornehmen kann. Es ist besser, das zu tun, als so zu tun, als würden diese Risiken überhaupt nicht existieren. Und bei der probabilistischen Vorhersage ist es technisch gesehen ziemlich einfach, ein etwas geschätztes zweiprozentiges Risiko – etwa einen großen Nachfragerückgang – einzubauen.

Im Gegensatz dazu, wenn Sie die Zukunft mit einer klassischen deterministischen Zeitreihenprognose angehen, ist das nahezu unmöglich. Ja, Sie können behaupten, dass es ein Szenario gibt, in dem eine Katastrophe eintritt, aber wie bringen Sie dieses Szenario, das stark von Ihrer primären Prognose abweicht, mit Ihren täglichen Abläufen in Einklang? In der Praxis geht das nicht.

Es gibt also viele Unternehmen, die sagen: “Oh, wir machen Szenarien, wir modellieren Risiken”, aber in Wirklichkeit stellt sich die Frage: Was ist mit Ihren täglichen Entscheidungen? Alle diese täglichen Entscheidungen werden zu 100 % von der Median- oder Durchschnittsprognose bestimmt, die das gesamte Risiko völlig außer Acht lässt. Insofern mag es sein, dass man intellektuelle Übungen unternommen hat, um über Risiken nachzudenken, aber wenn alle täglichen Entscheidungen dieses Risiko in keiner Weise berücksichtigen, dann ist das nur eine intellektuelle Übung. Es hat keinerlei Auswirkungen auf Ihr tägliches Tun.

Conor Doherty: Ich möchte in diesem Punkt noch ein wenig nachhaken, denn ich bin tatsächlich auch neugierig. Wenn Sie an andere Prognosetechniken denken, wie zum Beispiel den forecast value added, bei dem Menschen gemeinsam an einer Prognose arbeiten und die Idee dahinter ist, dass verschiedene Abteilungen Einblicke haben – nehmen Sie zum Beispiel an, ein neuer Wettbewerber steht kurz davor aufzutauchen und Sie nehmen diese Information auf, das Marketing hat diese Information und sie fügen sie irgendwie in eine Zeitreihe ein. Das ist in gewisser Weise schwierig, denn wie übersetzt man solches Wissen in eine Prognose? Ähnlich dränge ich hier: Wie genau kann man eine zweiprozentige Wahrscheinlichkeit für einen Krieg in Westeuropa in eine probabilistische Prognose einfließen lassen, um auf die Anzahl der Einheiten auf meinem Regal zu kommen? Denn diese scheinen sich in gewisser Weise zu ähneln.

Joannes Vermorel: Fangen wir mit der Zeitreihe an. Sehen Sie, heutzutage besteht bei vielen – nicht bei allen, aber bei den meisten Mainstream supply chain Praktikern – der allgemeine Glaube, dass man die Zukunft ausschließlich durch die Brille der Zeitreihen betrachten kann. Zeitreihen sind ein unglaublich eingeschränkter Weg, um alles, was man über die Zukunft weiß, auszudrücken. Nehmen wir an, Sie sind ein B2B-Unternehmen, also Ihre Kunden sind andere Unternehmen – ein sehr grundlegendes Risiko besteht darin, dass einer dieser großen Kunden zu einem Ihrer Wettbewerber wechselt. Und wenn das passiert, hören alle Produkte, die dieser Kunde bei Ihnen kaufte, abrupt auf, abgesetzt zu werden. Wenn Sie zum Beispiel ein Produkt auf Lager haben, das routinemäßig von diesem einen Kunden gekauft wurde, und dieser Kunde plötzlich abwandert, wird dieser Lagerbestand über Nacht zu toter Ware – einfach, weil, obwohl sich der Bestand gut im Umlauf befand, ein verstecktes Risiko bestand, dass der Kunde Sie verlassen könnte.

Hier haben wir also das Szenario, und die Vorstellung, dass diese großen Kunden Sie verlassen können, ist nicht gerade hochkomplex. Jeder Vertriebsmitarbeiter würde sagen: “Nun, wir hatten diesen Kunden, und es besteht immer das Risiko, dass er uns verlässt.” Das Problem ist jedoch, dass wenn Sie Ihre Zukunftserwartungen ausschließlich mittels Zeitreihen formulieren, Sie feststecken. Sie können das nicht ausdrücken, weil die vorliegenden Informationen den Kunden betreffen und nicht die Produkte. Und wenn Sie sagen, dass ein Risiko besteht, dass dieses Produkt auf null fällt, mag das sein – aber dieses Risiko ist stark korreliert. Es betrifft all die Dinge, die dieser Kunde kauft, und all diese könnten gleichzeitig auf null fallen. Das ist eine ganz andere Art von Risiko, als zu behaupten, dass dieses Produkt isoliert betrachtet auf null fallen kann.

Das Erste ist, dass Zeitreihen überhaupt nicht geeignet sind, Risiken auszudrücken.

Damit es niemand übersehen sollte: Eine Zeitreihe spiegelt die Beziehung eines Kunden zu einem Produkt wider, aber nicht die Produkte selbst. Eine Zeitreihe ist lediglich eine eindimensionale Messung. Sie haben eine Messung, die jeden Tag, jede Woche, jeden Monat erfasst wird. Das nennt man auf Equis basierende Zeitreihen. Das ist das, was die Menschen meinen, wenn sie an Zeitreihen denken. Es ist eine eindimensionale Messung und es ist buchstäblich wie Temperaturen. Es gab Temperaturen in der Vergangenheit, es wird Temperaturen in der Zukunft geben, und so können Sie diese Zeitreihe fortführen.

Allerdings handelt es sich dabei um die bisherigen Beziehungen, die bestehende Kunden zu den von Ihnen gekauften Produkten hatten – das sagt jedoch nichts über die Zukunft aus. Das Problem ist, dass die Informationen, die Ihnen vorliegen, auf der Ebene des Kunden liegen, während Ihre Prognose auf der Ebene des Produkts erfolgt. Es gibt dazu eine Diskrepanz, und es gibt keinen Weg, diese Informationen ineinander zu übersetzen. Das ist ein entscheidender Punkt.

In der Mathematik, wenn man schummelt, erhält man seltsame Ergebnisse. Zum Beispiel, wenn man nur ein wenig schummelt – nehmen wir an, die Erde ist annähernd eine Kugel. Sie ist nicht exakt kugelförmig, aber nahe genug. Wenn Sie also eine Karte erstellen möchten, projizieren Sie eine Kugel auf eine flache Oberfläche. Betrachtet man eine Weltkarte, gibt es Verzerrungen. Beispielsweise erscheint Afrika auf europäischen Karten sehr klein im Vergleich zu Europa, obwohl Afrika tatsächlich größer als Europa ist. Das ist einfach ein Effekt der Verzerrung, weil Sie eine flache Oberfläche verwenden, um eine Kugel darzustellen.

Aber hier ist das Problem weitaus größer. Sie versuchen, etwas völlig Risikoreiches darzustellen. Es handelt sich um ein vieldimensionales Objekt, das Sie als eindimensionales Objekt – Ihre Zeitreihe – abbilden wollen. Die Art und Weise, wie sich die Probleme und Verzerrungen dabei zeigen, ist absolut gigantisch. Wenn Sie denken, dass es schon problematisch ist, Afrika kleiner als Europa erscheinen zu lassen, dann sind diese Probleme sehr moderat im Vergleich zu den Herausforderungen in der supply chain, wenn Sie versuchen, all jene Informationen, die Sie über das Risiko haben, in die Zeitreihe einzubinden.

Wir haben ein weiteres Problem. Wenn man die Lösung nicht kennt, ist es sehr schwierig, über das Problem nachzudenken. Die Menschen sind mit jener Klasse mathematischer Modelle, die diese Risiken abbilden könnten, nicht wirklich vertraut. Sie hängen an Zeitreihen, weil sie sich nicht einmal vorstellen können, dass etwas anderes möglich wäre als eine Zeitreihe. Aber der erste Schritt besteht darin, anzuerkennen, dass dies keine korrekte Darstellung ist. Es spielt keine Rolle, wenn noch nicht ganz klar ist, was stattdessen verwendet werden sollte.

Es gibt einige technische Aspekte. Zum Beispiel ist nicht ganz klar, wie ein Logarithmus berechnet wird, aber das ist in Ordnung. Man muss nicht unbedingt ein vollständiges Verständnis davon haben, um ihn erfolgreich anzuwenden. Dann kommen wir zum zweiten Teil: Wie nutzt Lokad diese Art von Informationen?

Die Idee ist, dass, wenn man über die Zukunft nachdenkt, jede einzelne mögliche Zukunft eine Wahrscheinlichkeit hat – in der hochdimensionalen Sichtweise. Man könnte also sagen, dass es für jede denkbare Zukunft, in der Sie den genauen Absatz von allem, die Nachfrage, die erneut verkauft wird, kennen, eine Wahrscheinlichkeit gibt.

Die Wahrscheinlichkeit, dass dies eintritt, mag verschwindend gering sein, aber wenn Sie die richtigen mathematischen Werkzeuge besitzen, können Sie mit solch winzigen Wahrscheinlichkeiten arbeiten. Und aufgrund der Tatsache, dass es eine sehr große Anzahl möglicher Zukünfte gibt, summiert sich das dennoch zu Wahrscheinlichkeit eins. Es gibt eine Zukunft, die eintreten wird, und die Summe all dieser Wahrscheinlichkeiten entspricht eins.

Sie können ein Risiko, wie die zweiprozentige Chance, diese Kunden zu verlieren, berücksichtigen. Das ist eigentlich gar nicht so schwierig. Wenn Sie die Nachfrage aus der Perspektive der Produkte betrachten, ist es sehr schwierig, die Kunden einzubeziehen. Aber wenn Sie die Nachfrage als Ergebnis des Verhaltens der Kunden betrachten und deren Verhalten prognostizieren, wird das Hinzufügen dieses zusätzlichen Risikos, dass der Kunde Sie verlässt, relativ einfach.

Sie können Ihre Prognose auf unterschiedliche Weise erstellen. Betrachtet man die Agilität, die man mit einem Zeitreihenansatz im Vergleich zur Agilität des probabilistischen Ansatzes hat – was ist da der Unterschied, und wie übersetzt sich das dann in das Risikomanagement?

Das Hauptproblem ist, dass Risiken in Zeitreihen schlichtweg nicht existieren. Sie können überhaupt nicht existieren. Es ist wie ein Würfel in einem zweidimensionalen Raum. Ein Würfel passt dort schlichtweg nicht hinein. Man kann einen Würfel zeichnen, aber grundsätzlich passt er einfach nicht. Das ist ein Problem, wenn Sie zusätzliche Dimensionen haben, die nicht passen – Sie stecken fest. Wenn alles, was Sie haben, eine zweidimensionale Ebene ist, können Sie darin keinen Würfel stapeln. Es wird einfach nicht passen. Und so sind Sie mit Zeitreihen irgendwie festgefahren.

Man könnte alles notdürftig zusammenflicken. Man könnte sagen, wir können uns nicht wirklich mit dem Risiko auseinandersetzen, aber wir können schummeln, indem wir absichtlich eine fehlerhafte Prognose erzeugen, die verzerrt ist, sodass die auf dieser Prognose basierende Entscheidung dieses Risiko widerspiegelt. Das ist ein sehr umständlicher Weg zum Risikomanagement.

Technisch ist es möglich, dies irgendwie umzusetzen, aber es wird auf sehr merkwürdige Weise geschehen. Zum Beispiel können Sie das Risiko berücksichtigen, indem Sie Ihre Prognose absichtlich weniger genau machen und damit eine Verzerrung einführen – eine absichtliche Verzerrung in Ihrer Prognose. Das ist eine Möglichkeit, mit Risiken umzugehen. Aber das ist ein sehr verschlungener Weg, um zum Ziel zu gelangen.

Wenn Sie den probabilistischen Ansatz wählen, haben Sie von Anfang an eine probabilistische Prognose. Dann sind diese Wahrscheinlichkeiten per Design vorhanden. Ein weiterer Teil der Herausforderung besteht darin, wie Sie eine Optimierung durchführen. Das nennt man den stochastischen Optimierungsprozess. Wie optimiert man eine Entscheidung unter unsicheren Bedingungen? Sie müssen also eine Optimierung vornehmen, die eine natürliche Affinität zu diesen Unsicherheiten in den Ausgangsbedingungen hat.

Conor Doherty: Wenn ich das bewerte – und ich bin wirklich neugierig, wie genau, na, lassen Sie mich die Frage noch einmal neu formulieren – wenn Sie in einer Situation sind, in der Sie ein Unternehmen haben und den probabilistischen Ansatz verfolgen, bisher Zeitreihen verwendet haben und von dem, was Sie gerade gesagt haben, überzeugt sind, und Ihnen dann eine Empfehlung präsentiert wird, die das Endprodukt der probabilistischen Prognosemethodik ist, und in diesem empfangenen Wert tatsächlich viele dieser Faktoren eingearbeitet sind – zum Beispiel die Möglichkeit, einen Kunden zu verlieren –, und die Geschäftsführung das sieht und denkt, das ist verrückt: Wie genau sollen sie damit umgehen, da wieder so viele Dinge einfließen? Wie überbrücken Sie diese Lücke?

Joannes Vermorel: Also zuerst: Was ist das Ergebnis? Und hier tritt eine radikale Divergenz auf. Das Ergebnis eines risikogesteuerten supply chain Prozesses, der durch probabilistische Prognosen unterstützt wird – denn buchstäblich ist es meines Wissens die einzig praktikable Technik, mit der wir Risiken bewältigen können, wofür Wahrscheinlichkeiten eben da sind – sind die Entscheidungen, nicht der Plan. Es ist merkwürdig, wenn man denkt, dass die Zukunft bekannt sein könnte und man deswegen alle Risiken eliminieren kann – supply chain Risiken drehen sich hauptsächlich um diese unsichere Zukunft. Wenn Sie glauben, dass Sie eine accurate forecast haben können, dann ist das Ergebnis Ihrer supply chain Praxis die Prognose, und die Prognose ist Ihr Plan, denn sobald Sie die Prognose haben, geht es nur noch darum, die Entscheidungen zu orchestrieren.

Wenn Sie einen risikogesteuerten Ansatz verfolgen, dann ist das Ergebnis Ihres Prozesses nicht der Plan, es ist nicht die Prognose, sondern die Entscheidungen. Aber wenn Ihr risikogesteuerter Prozess schlecht ist – denn er kann schlecht sein – wird er zu schlechten Entscheidungen führen. Und wie erkennen Sie, dass eine Entscheidung schlecht ist? Nun, das funktioniert ganz anders. Wenn wir wieder den klassischen Ansatz betrachten, denken die Leute an Prognosegenauigkeit, denn das ist das Endziel. Wenn Sie risikogesteuert vorgehen, würden Sie sagen: Es gibt eine Entscheidung, und an dieser Entscheidung haften Risiken und Chancen, ausgedrückt in Dollar oder Euro. Und wenn Sie also eine schlechte Entscheidung feststellen, sagen Sie im Grunde, dass die in Dollar oder Euro vorgenommene Bewertung dieser anstehenden Entscheidung falsch ist.

Und so können Sie den Kernpunkt identifizieren – typischerweise zerlegen wir für jede generierte Entscheidung die wirtschaftlichen Treiber, sodass wir sagen können, dass wir etwa ein halbes Dutzend Treiber haben, die widerspiegeln, was in diese Entscheidung einfließt. Und wenn Sie das in Frage stellen möchten, dann hinterfragen Sie eine Komponente und sagen: Nehmen wir zum Beispiel die carrying cost; das von Ihnen geschätzte Risiko der Lagerhaltungskosten scheint völlig daneben zu liegen. Und ja, das ist die Aufgabe der supply chain scientists, den Prozess rückzuentwickeln, um herauszufinden, was an dieser Schätzung falsch ist. Aber das ist sehr technisch.

Aber die Realität ist, dass, wenn Sie eine klassische Zeitreihenprognose haben, die sehr falsch ist, Sie sagen: Diese Zeitreihenprognose ist sehr ungenau. Aber sobald Sie das feststellen, wird die Untersuchung der Ursachen ebenfalls ein sehr technisches Unterfangen sein.

Conor Doherty: Wenn wir zurückblicken, sprachen wir früher über proaktive Ansätze im Risikomanagement – zum Beispiel die digitalen Zwillinge in der Automobilindustrie – und dann über eine Art reaktives Risikomanagement anhand der Bekleidungsanalogie, die du gegeben hast. Probabilistische Prognosen klingen fast proaktiv, insofern als du Szenarien simulierst, in denen du diese Entscheidung triffst: Hier ist die erwartete Reaktion, du triffst diese Entscheidung, hier ist die erwartete Reaktion.

Joannes Vermorel: Es ist also proaktiv, weil man einfach sagt, es wird Schwankungen geben – es wird immer Schwankungen geben, die weit außerhalb meiner Kontrolle liegen. Darum geht es bei dieser irreduziblen Unsicherheit in Bezug auf die Zukunft, und darauf basierend muss ich einen Prozess entwickeln, der schnell und angemessen auf diese sich ändernden Bedingungen reagiert, ganz gleich, ob sie mich positiv oder negativ beeinflussen. Und ja, es ist sehr proaktiv, weil es viel Vorbereitung erfordert, einen solchen Prozess zu entwickeln, der es dir ermöglicht, die sich bietenden Chancen zu nutzen und Probleme zu mildern, sobald sie auftreten.

Aber man täuscht sich nicht ein, indem man glaubt, man könne sich so sehr vorbereiten, dass die Unsicherheit von vornherein eliminiert wird. Siehst du, das ist nicht das Endziel. Es ist gewissermaßen eine dogmatische Haltung, aber es drückt die Idee aus, dass man dem Kaninchenbau der prädiktiven Modellierung nicht bis zum Grund kommen kann. Man wird nie ein Modell erreichen, das zu 100% genau ist. Die verbleibende Unsicherheit wird enorm sein, und folglich bleibt nur, einen Prozess zu entwickeln, der hervorragend darin ist, mit den beobachteten Veränderungen Schritt zu halten.

Denn, weißt du, oft werden Unternehmen von Dingen überrascht, die sich Monate zurückziehen. Man könnte sagen: „Oh, die Zukunft kennen wir nicht, aber was ist mit der Vergangenheit? Die kennen wir.“ Aber wenn deine durchschnittliche Reaktionszeit auf etwas, das du bereits gesehen hast, etwa sechs Monate beträgt, dann könntest du am Ende von etwas überrascht werden, das schon ein paar Monate zurückliegt – und genau so werden Unternehmen ganz regelmäßig überrascht.

Conor Doherty: Nochmals, ich möchte hier ein wenig nachhaken, denn wenn wir über Risikomanagement sprechen, sollten wir auch darüber diskutieren, wie wir unsere Risikomanagementpraktiken bewerten. Und zurück zu den Zeitreihen- versus probabilistischen Ansätzen: Wenn du eine Zeitreihe hast und diese völlig danebenliegt, kann ich darauf hinweisen und sagen: „Das war falsch, es war massiv inkorrekt.“ Es ist binär – entweder war sie akkurat oder nicht. Du sagtest, wir würden 100 verkaufen, aber wir verkauften 10. Du lagst um eine Größenordnung daneben. Beim probabilistischen Ansatz gibst du Wahrscheinlichkeiten an, du behauptest nicht, dass dies definitiv verkauft wird. Schützt dich das also irgendwie davor, falsch zu liegen?

Joannes Vermorel: Nein, technisch gibt es zwar Metriken zur Genauigkeit probabilistischer Prognosen, aber noch interessanter ist, dass man die Richtigkeit der Entscheidungen selbst bewerten kann. Und dabei – vergiss die Wahrscheinlichkeiten. Sie sind nur vorübergehende Berechnungsartefakte. Es gibt zahlreiche weitere numerische Artefakte, die in die Berechnung einfließen. Sie sind unerheblich, denn wenn du falsche Wahrscheinlichkeiten hast, aber trotzdem die richtige Entscheidung triffst, spielt es wirklich keine Rolle, dass deine Wahrscheinlichkeiten falsch sind?

Conor Doherty: Was meinst du damit? Du könntest eine falsche Wahrscheinlichkeit haben und trotzdem die richtige Entscheidung treffen?

Joannes Vermorel: Zum Beispiel approximieren Computer ständig – etwas, dessen sich viele nicht immer bewusst sind. Immer wenn du eine Berechnung durchführst, verwendest du eine gewisse Anzahl an Dezimalstellen. Ist der Verlust an Präzision wichtig oder nicht? Die Antwort lautet: Es kommt darauf an. Und im supply chain kommt es darauf an, worauf. Nun, es hängt davon ab, ob die endgültige Entscheidung gut oder schlecht ist.

Zusammengefasst sage ich, dass du die Qualität dieses risikobasierten Ansatzes daran messen solltest, was er am Ende des Prozesses bewirkt, nämlich an den Entscheidungen. Der Umgang mit hochdimensionalen Wahrscheinlichkeiten – also der numerischen Bewertung von Wahrscheinlichkeiten in einem sehr hochdimensionalen Raum – bringt allerlei Eigenheiten mit sich. Ob die Techniken angemessen sind oder nicht, sollte wirklich an den Endergebnissen gemessen werden, nicht an der Qualität einer probabilistischen Prognose.

Natürlich ist die Genauigkeit der Prognose nicht das Hauptanliegen, sondern vielmehr, wie viel Geld verdient oder verloren wurde.

Conor Doherty: Ja, genau. Und nun, das fällt manchen Menschen sehr schwer. Verzeih mir, ich möchte nicht herablassend wirken, aber sagst du, dass der Wunsch nach einer genaueren Prognose aus technischer Sicht des Risikomanagements falsch ist?

Joannes Vermorel: Zunächst einmal sage ich: Wenn du sagst, du hättest beispielsweise eine Prognose, die um 20% ungenau ist – diese Prozentsätze sind völlig erfundene Einheiten. Sie sind nicht Kilogramm, nicht Kilowatt, sie sind nichts, das eine greifbare Realität hat. Das ist erfunden, und die Leute sagen: „Oh, aber wir sind es so gewohnt, dass Genauigkeitsprozente als Prozentsatz ausgedrückt werden, dass es wahrhaftig real sein muss.“ Ich sage: keineswegs. Du kannst äußerst schädliche Prognosen haben, die zufällig sehr genau sind, wobei die Ungenauigkeit, ausgedrückt als Prozentsatz, sehr gering ist.

Es gibt eine Anekdote, die mir immer wieder erzählt wurde, wonach du für ein Geschäft einfach null Nachfrage prognostizieren kannst – und das wird dir sehr schnell eine 100% genaue Prognose liefern. Du prognostizierst null, eröffnest mit null, und die Prognose wird zu 100% akkurat. Daher ist diese Messgröße in Prozent nicht sehr sinnvoll.

Wenn ich dir sage, dass du eine probabilistische Prognosemessung in Form von Kreuzentropie ausdrücken kannst, ist das sehr abstrakt und wird nicht besonders aufschlussreich sein. Aber was ich sagen möchte, ist, dass Kreuzentropie ebenso abstrakt und undurchsichtig ist wie die Prozentangaben. Sie ist sehr erfunden. Der einzige Grund, warum wir bei Lokad beispielsweise Kreuzentropie wählen, ist, dass sie gute Eigenschaften besitzt, wenn es darum geht, zu den finalen Entscheidungen zu gelangen.

Zum Beispiel weist Kreuzentropie sehr steile Gradienten auf, die das Erlernen hochwertiger Modelle erleichtern. Das ist etwas sehr Technisches, aber es funktioniert. Und in welchem Sinne funktioniert es? Es funktioniert, indem es die Endergebnisse beurteilt – also die Entscheidung, die am Ende des Prozesses getroffen wird und letztlich zu einer Verringerung des Fehlers in Euro oder Dollar führt. Das ist die Kennzahl, die für Menschen, die aus dieser risikobasierten Perspektive agieren, von Bedeutung ist.

Nochmals, wenn du aus der Zeitreihenperspektive arbeitest, denkst du in Begriffen, wie ein Autohersteller mit einem Defekt, der Menschen töten könnte. Du sagst: „Weißt du was, wir zählen keine Dollar, wir wollen einfach sicherstellen, dass wir außerordentlich sicher sind und fast jenseits jeglicher Messung Sicherheit erreichen.“

Conor Doherty: Also, wenn du eine ganze Abteilung hast, die dem Risikomanagement und der Risikobewertung gewidmet ist, aber dein supply chain auf einem Zeitreihenprognoseansatz basiert – ist das dann für dich fast paradox, also ein Widerspruch in sich?

Joannes Vermorel: Nein, das bedeutet einfach, dass die Personen, die das Risikomanagement betreiben, lediglich Bürokraten sind. Was auch immer sie tun, hat keine Konsequenzen. In der Regel hat es eben keine Konsequenzen. Siehst du, wenn du eine Risikoeinschätzung vornimmst, die aber nicht in jede einzelne Entscheidung in deinem supply chain einfließt, dann hast du deine Einschätzung vorgenommen und sie gleich wieder begraben.

Siehst du, wenn du sagst: „Oh, dieser Lieferant hat ein 2%-iges Risiko, nächstes Jahr in Konkurs zu gehen“ – hat das Einfluss auf deine Einkaufsentscheidungen? Wenn nicht, dann hast du deine Einschätzung einfach begraben. Du ignorierst sie, du steckst deinen Kopf in den Sand.

Und das ist sehr merkwürdig, denn die Leute würden sagen: „Oh, aber wir haben das Risiko analysiert.“ Ja, aber du handelst nicht auf Basis dieser Einschätzung. Und wenn ich „handeln“ sage, meinen viele, dass das ein Fehler ist. Wenn Menschen an supply chain denken, hört man in den Medien oft: „Oh, wir sollten unsere Fabrik nicht in China haben.“ Ja, das ist ein sehr Makrorisiko, aber es gibt auch viel alltäglichere Risiken.

Also, was kaufst du, wo lagerst du es, erhöhst du deine Preisgestaltung oder senkst du sie? Das sind Entscheidungen, die ebenfalls mit Risiken verbunden sind, und diese Entscheidungen werden täglich für jede einzelne SKU getroffen, die du entweder einkaufst, produzierst oder verkaufst. Und welche Risikoeinschätzung du auch bezüglich deines Lieferanten, deines Wettbewerbers oder deiner Kunden hast – die Frage ist: Wenn es nichts gibt, das numerisch die Verbindung zwischen dieser Einschätzung und den sehr kleinen Entscheidungen, die du triffst, herstellt, dann managst du das Risiko nicht richtig.

Conor Doherty: Korrigiere mich, falls ich falsch liege: Sagst du, dass das Risikoverständnis der meisten Menschen auf der Makroebene liegt, also als ein massives Ereignis, das supply chains vollständig stört, während dein Standpunkt ist, dass das wichtigere, dringlichere Risikomanagement in den täglichen, kleineren Entscheidungen liegt?

Joannes Vermorel: Beide Ebenen sind sehr wichtig, aber seien wir realistisch, wie gut man wirklich informiert ist, um die richtige Entscheidung zu treffen. Bei den Makro-Entscheidungen ist es größtenteils ein Glücksspiel – ein komplettes Glücksspiel, und das ist in Ordnung. Das ist Kapitalismus. Es ist eine Wirtschaft von Gewinnen und Verlusten. Menschen gehen Risiken ein, und dabei spielt auch der Zufall eine Rolle. Und ich sage, man kann eigentlich keine Methode haben, die dir zuverlässig sagt, ob es beispielsweise sicher ist, in einen neuen Markt einzutreten oder nicht. Du kannst Einschätzungen vornehmen, du kannst versuchen, den Prozess ein wenig zu rationalisieren, aber im Grunde entzieht sich das den Statistiken und der quantitativen Analyse.

Im Gegenteil, wenn man sich eine supply chain anschaut, trifft ein mittelständisches Unternehmen täglich Zehntausende von Entscheidungen – jeden einzelnen Tag. Und das meine ich: Anders als bei den großen Makro-Entscheidungen, bei denen man quasi auf sein Bauchgefühl angewiesen ist, kann man bei diesen zehntausenden täglichen Entscheidungen eine quantitative Bewertung vornehmen, die tatsächlich sinnvoll ist.

Conor Doherty: Um von den gigantischen Beispielen auf Makroebene abzusehen, gehen wir einmal auf die SKU-Ebene. Angenommen, wir haben mehrere Geschäfte, sagen wir 10 Geschäfte, und wir verfügen über eine begrenzte Menge an Inventar – Inventar an weißen T-Shirts –, und alle 10 Geschäfte benötigen weiße T-Shirts. Was wäre der probabilistische, risikobewussteste Weg, das Vorhandene entsprechend dem Bedarf auf alle Geschäfte zu verteilen?

Joannes Vermorel: Nehmen wir die klassische Perspektive. Bei der klassischen, auf Zeitreihen fokussierten Perspektive gehst du davon aus, dass du die Zukunft kennst. Also hast du einen Sicherheitsbestand. Grundsätzlich sagst du, dass jedes Geschäft diese Menge auf Lager haben sollte, und um die geringe verbleibende Unsicherheit zusätzlich zu berücksichtigen, fügst du einen kleinen Puffer hinzu – und das ist dein Sicherheitsbestand. Alle Geschäfte werden unabhängig behandelt, und die Idee ist, dass du genügend Bestand haben solltest, um alle deine Geschäfte abzudecken.

Nun, was ist das eigentliche Risiko? Das Risiko besteht darin, dass der Lagerbestand im Lagerhaus ausgehen kann, und dann stellt sich die Frage: Ich habe eine begrenzte Ressource im Lagerhaus – was soll ich für meine verschiedenen Geschäfte tun? Wenn du es einfach auf die klassische Weise machst, würde die klassische Methode sagen: „Ich habe meinen Sicherheitsbestand, ich weise zuerst das erste Geschäft zu, es bleibt noch Inventar, ich wiederhole den Vorgang für das zweite Geschäft, und vielleicht höre ich beim vierten Geschäft auf, weil kein Inventar mehr übrig ist.“ So hast du effektiv die ersten vier Geschäfte aufgefüllt und den anderen nichts zukommen lassen. Das ist nicht sehr klug. Es begegnet dieser kleinen Mini-Krise – nämlich dem Ausverkauf eines Produkts im Lager – nicht angemessen.

Conor Doherty: Was sind jedoch die finanziellen Risiken dabei?

Joannes Vermorel: Nein, so ist es nicht. Genau darum geht es bei deinem Sicherheitsbestand. Wenn du einen Sicherheitsbestand einrichtest, sagst du, dass du Einheiten in einem Geschäft platzierst, die eine sehr geringe Wahrscheinlichkeit haben, in deinem relevanten Zeitraum verkauft zu werden. Dafür ist der Sicherheitsbestand gedacht – ein Puffer, den du höchstwahrscheinlich nicht benötigen wirst.

Wenn du deinen Umsatz maximieren möchtest, ist es viel besser, das Inventar so zu verteilen, dass jedes Geschäft etwas bekommt. Das Ziel ist, dass alle Geschäfte gleichzeitig ausverkauft sind. Offensichtlich kannst du das nicht wirklich erreichen, aber dem solltest du möglichst nahekommen.

Betrachten wir die alternative Situation, in der du den Bestand auf die ersten vier Geschäfte konzentriert hast. Alle anderen Geschäfte sind dann ausverkauft, sodass du dort gar nichts verkaufst. Und in diesen verkaufst du nur etwa die Hälfte des Inventars, sodass viel übrig bleibt. Am Ende befindest du dich in einer Situation, in der ein Geschäft ausverkauft ist, während ein anderes vergleichsweise überschüssigen Bestand hat und die Nachfrage in den Geschäften ohne Lagerbestand nicht befriedigt wird.

Conor Doherty: Also, da liegt das Risiko?

Joannes Vermorel: Ja, und genau dabei sprechen wir vom Risiko eines Out-of-Stock. Eine Möglichkeit, dem entgegenzuwirken, besteht darin, den Bestand im Lagerhaus zu erhalten, wenn du erkennst, dass ein Produkt im Lagerhaus Gefahr läuft, ausverkauft zu sein. So können die besten Geschäfte weiterhin etwas Warenbestand erhalten.

Im Gegensatz zum Zeitreihenansatz, der jedes unserer 10 Geschäfte unabhängig behandelt, berücksichtigt ein probabilistischer Ansatz das Netzwerk sowie die Eventualitäten oder Wechselwirkungen zwischen all diesen Geschäften und die Beziehung zu meinem verfügbaren Inventar.

Conor Doherty: Ich bin neugierig, wie ein Unternehmen das alles genau managen kann, denn das ist eine Menge Information im Vergleich zum traditionellen Zeitreihenansatz. Ist der einzige Weg, das alles über Automatisierung zu managen, oder sind doch noch Leute involviert, die diese Entscheidungen überwachen?

Joannes Vermorel: So macht es Lokad, indem der gesamte Prozess automatisiert wird. Es gibt Leute, die die Automatisierung überwachen, aber die Realität ist, dass die meisten Unternehmen, obwohl sie behaupten, dass alles manuell validiert wird, schon lange relativ automatisierte Prozesse nutzen. Wann immer du ein min-max Inventarsystem mit einem Mittelwert und einem Maximum hast, existiert ein replenishment Automat, der typischerweise unbeaufsichtigt läuft. Das ist schon seit Jahrzehnten der Fall, dass umfangreich automatisierte Systeme existieren.

Lokad ist nur ein weiterer Schritt in diese Richtung, aber es ist nicht unbedingt ein revolutionärer Wandel im Vergleich zu dem, was bisher existierte. Es ist mehr automatisiert, aber viele Unternehmen arbeiten bereits mit hochautomatisierten Systemen.

Conor Doherty: Könnte ein Unternehmen, das nicht auf Automatisierung setzt, aber, wie ich bereits erwähnte, ganze Abteilungen von Experten im Risikomanagement hat, durchaus bewusst sein, oder?

Mir fällt auch ein, dass wir das gesamte Gespräch irgendwie auf greifbarere Risiken wie SKUs, Geschäfte, Überschwemmungen fokussiert haben. Dies sind alles sehr greifbare Ressourcen oder Vermögenswerte und die entsprechenden Risiken. Gibt es auch immaterielle Risiken, Dinge wie Zeit, Bandbreite, Wissen, all diese Dinge, die zum Betrieb eines Unternehmens beitragen? Was sind dort die Risiken oder wie managen wir sie?

Joannes Vermorel: Es gibt immaterielle Risiken. Zum Beispiel, wenn Sie ein Modeunternehmen sind und Aktionen durchführen, erzeugen Sie bei Ihren Kunden die Erwartung, dass diese Rabatte in Zukunft wieder stattfinden werden, und die Menschen passen ihr Verhalten entsprechend an. Dieses Verfahren theoretisch abzuschätzen, ist möglich, aber in der Praxis sehr schwierig, denn den Erwartungen Ihrer Kunden Glaubwürdigkeit zu verleihen, dauert viele Jahre – es ist also nichts, wo Experimente leicht durchführbar wären.

Zum Beispiel, wenn Sie eine Luxusmarke sind und fest davon überzeugt sind, niemals Promotionen durchzuführen, weil diese Ihre Marke abwerten, werden Sie keinen fünfjährigen Test machen, um zu überprüfen, ob eine Promotion Ihre Marke tatsächlich abwertet. Irgendwann müssen Sie auf Überzeugungen und Urteilskraft setzen, anstatt Tests durchzuführen.

Die Kosten, die durch eine Promotion entstehen, sind sehr real. Wenn Sie eine Promotion durchführen, verzichten Sie sofort auf einen bestimmten Geldbetrag, indem Sie Ihren Preis senken, was zu einem Verlust an Marge führt. Das ist eine unmittelbare Kostenbelastung, aber es besteht auch das zusätzliche Risiko, dass sich schlechte Gewohnheiten bei den Kunden einstellen, und Sie müssen diese Kosten quantifizieren.

Es gibt auch andere Risikoklassen, wie etwa IT-Abhängigkeiten. Sie können Software haben, die zusammenbricht, oder viele andere Dinge, die einfach Ihre supply chain beeinträchtigen. Aber diese Risiken ähneln eher denen in der Fertigung, wo man möchte, dass Ihr ERP zu 100% betriebsbereit ist. Es gibt keinen Grund für Ausfallzeiten, denn Sie können so konstruieren, dass Sie etwas erreichen, das unglaublich nahe an 100% Uptime liegt.

Conor Doherty: Sie haben gerade erwähnt, dass aus der Perspektive der Preisstrategie Promotionen schlechte Konsumgewohnheiten fördern könnten. Was meinten Sie damit?

Joannes Vermorel: Immer wenn Sie eine Promotion durchführen, sieht der Kunde, dass Sie eine Aktion machen. Also werden sie beim nächsten Mal sagen: “Ich werde nicht zum vollen Preis kaufen. Ich warte einfach, bis Sie wieder eine Promotion machen. Ich habe gesehen, dass Sie Aktionen durchführen, also weiß ich, dass bei Ihrer Marke Promotionen stattfinden, also kann ich warten. Ich warte, bis Sie eine Promotion durchführen, und dann kaufe ich.”

Das Problem ist, dass nichts dies wirklich modellieren kann. Die Psychologie Ihrer Kunden zu modellieren, liegt größtenteils außerhalb Ihres Einflussbereichs, da es ein Jahrzehnt dauert, die Denkweise Ihrer Kunden zu formen.

Wenn Sie einen Preis festlegen, übermitteln Sie Ihren Kunden eine Botschaft. Die Menschen schenken einer gewissen Aufmerksamkeit, aber es braucht Zeit, bis sie sich einprägt. Es gibt also eine beträchtliche Trägheit. Sie können versuchen, aufwendige Modelle zu erstellen, um genau den Einfluss abzuschätzen, aber die Realität ist, dass solche Dinge Jahre dauern, sodass Sie nicht viel experimentieren können. Sie werden nicht in der Lage sein, die von Ihnen verwendeten Techniken zu validieren. Deshalb müssen Sie in der Realität auf Ihr Urteil vertrauen.

Conor Doherty: Das ist also ein Element des Risikomanagementprotokolls, das weiterhin im Aufgabenbereich von Personen liegt, die einen Konsens erzielen. Wollen wir diesen Bestand liquidieren? Wollen wir ihn für immer behalten? Oder möchten wir ihn in einer Promotion verkaufen?

Joannes Vermorel: Ja, und wenn Sie diesen risikobasierten Ansatz verfolgen, ist er viel besser mit solchen Schätzungen vereinbar als eine herkömmliche Zeitreihenprognose, bei der solche Dinge keinen Platz hatten.

Conor Doherty: Also sollte das Leitprinzip zur Bestimmung der Faustregeln, die Unternehmen anwenden sollten, darin bestehen, ob sie zu einer höheren Rendite beitragen?

Joannes Vermorel: Wenn etwas quantitativ bewertet werden kann, dann sollten Sie es angehen. Aber wenn das nicht möglich ist, obwohl man sich einig ist, dass es wichtig ist, dann sollten Sie schätzen.

Ich denke, es ist ein sehr gefährlicher Weg zu sagen, dass wir keine vernünftigen Zahlen haben und deshalb so tun, als würde es das nicht geben. Es existiert, und deshalb müssen Sie schätzen. Es ist besser, eine Zahl zu haben, die annähernd korrekt ist, als exakt richtig zu sein.

Conor Doherty: Ich habe das Gefühl, dass wir uns ein wenig dem Ende nähern, aber ich hätte eine etwas schwierigere Frage. Sie sprachen davon, dass eine quantitative Analyse finanziell prohibitiv sein kann. Also für größere Unternehmen, die sich aufwändigere Prognosen und Risikomanagementrichtlinien leisten können, ist vielleicht der probabilistische Ansatz möglich. Aber was würden Sie Unternehmen raten, die nicht über solche verfügbaren Mittel verfügen, in Bezug auf ein umsetzbares Risikomanagement?

Joannes Vermorel: Ich würde herausfordern: Können Sie es sich wirklich leisten, das Risiko zu ignorieren? Inventar kostet Geld. Der Preisplan, um einen Supply Chain Scientist zu engagieren, der Ihnen bei der Optimierung Ihrer Entscheidungen hilft, liegt bei etwa 2.500 Euro pro Monat. Ja, das ist eine beträchtliche Summe, aber wenn Sie kein kleines Unternehmen sind, wenn Sie ein Unternehmen mit einem Umsatz von über 10 Millionen Dollar oder Euro sind, ist das kein großer Betrag. Es ist tatsächlich nur ein Bruchteil dessen, was Sie für eine einzelne Person bezahlen.

Wenn Sie zufällig fünf oder mehr Personen haben, die supply chain Funktionen wie Bestandsauffüllung, Produktionsplanung, Bestandsallokation, Preismanagement erfüllen und dabei den Prozess komplett das Risiko ignorieren, dann würde ich sagen: Können Sie es sich wirklich leisten, so weiterzumachen? Das Ignorieren dieser Risiken könnte Sie Millionen von Dollar kosten, nur weil Sie eine sehr schlechte Entscheidung getroffen haben, indem Sie das Risiko völlig außer Acht gelassen haben.

Aufgrund der Tatsache, dass es ungewöhnlich ist, würden die Leute erwarten, dass dies nur den Unternehmen wie Amazon und so weiter vorbehalten ist. Nein, dem ist nicht so. In großem Maße ist die klassische Zeitreihenprognose viel komplizierter, und der Grund ist, dass sie nicht zum Problem passt. Ja, auf den ersten Blick mag es einfacher erscheinen, weil die Menschen an Zeitreihen gewöhnt sind, aber wenn es um die eigentliche Lösung des Problems geht, passt sie überhaupt nicht, und diese Lösung ist, obwohl sie in der Praxis einfach aussieht, ein Alptraum in der Umsetzung und Anwendung.

Die Art von probabilistischen Prognosen, die Lokad für kleine Kunden, kleine Unternehmen verwendet, ist ungewöhnlich, passt aber sehr gut zum Problem, und so am Ende, wissen Sie, und das ist wieder ein Beispiel aus meinen Vorträgen, in denen ich zeige, dass, wenn Sie sich Wahrscheinlichkeitsmethoden ansehen möchten, die meisten meiner Codebeispiele weniger als 20 Zeilen lang sind. Also würden die Leute sagen, oh, das ist unvorstellbar kompliziert, und ich antworte: Es sind nur etwa 20 Zeilen Code, und Sie können die vollständigen Details der Methode in einem Vortrag von etwa anderthalb Stunden erläutern.

Können Sie wirklich sagen, dass Ihr Unternehmen so klein ist, dass Sie es sich nicht leisten können, ein paar Dutzend Stunden in den Fall zu investieren? Ist das wirklich jenseits Ihrer Möglichkeiten? Ich meine, ja, wenn Sie wie eine Boutique mit nur einer Person sind, aber wenn Sie ein Unternehmen sind, das einen Umsatz von über 10 Millionen Dollar pro Jahr erzielt, dann sind Sie keine Boutique. Sie haben bereits viel auf dem Spiel, und Fehler können viel mehr kosten – und umgekehrt, denn es geht nicht nur um Fehler, sondern auch um Chancen.

Wenn Sie durch eine Preiserhöhung zum richtigen Zeitpunkt Ihre Marge um zehn Prozent steigern, kann das zu mehreren Hunderttausend Dollar an reinem Geldzufluss in Ihr Unternehmen führen, was die Kosten für einige Personen, die Zeit in das Risikomanagement investieren, wirklich ausgleicht.

Conor Doherty: Wenn ich das zusammenfassen sollte, dann wäre es im Wesentlichen so, dass es ein Element des Vertrauenssprungs gibt, aber das Wasser ist nicht so kalt, sobald man es tut…

Joannes Vermorel: Ich würde sagen, es ist nicht wirklich ein Vertrauenssprung. Ich denke, es gibt diese sehr merkwürdige Vorstellung, dass laut der Mainstream supply chain Theorie Risiken buchstäblich nicht existieren. Man spricht von sanften Schwankungen in der Nachfrage und sanften Schwankungen bei den Lieferzeiten, die mit Normalverteilungen modelliert werden – was im Grunde bedeutet, dass es kein Risiko gibt.

Die Realität ist, dass ich noch nie einen Unternehmer getroffen habe, der sich nicht voll bewusst war, dass das Geschäft, das er betreibt, überall voller Risiken ist. Die wahre Absurdität besteht darin, dass man mit der Mainstream supply chain software so tut, als wären die Risiken nicht vorhanden, dabei sind sie es aber, und so sehen sich die Unternehmen routinemäßig mit Katastrophen konfrontiert, die sehr kostspielig sind – Risiken, über die, naja, ich sage nicht, dass es wie eine Investition in den russischen Markt 1991 sei, in der man dachte, es würde funktionieren und plötzlich das neue El Dorado wird.

Ich sage, dass Unternehmen Katastrophen erleben, die vollkommen vermeidbar gewesen wären, Dinge, die wirklich im Rahmen der erwarteten Risikospanne liegen, wie etwa Probleme mit Lieferanten, Preiserhöhungen oder -senkungen, schwankende Nachfrage, aber nicht jenseits dessen, was man von der allgemeinen Marktentwicklung erwarten könnte. Solche Dinge – und mein Punkt ist, dass es diese Absurdität gibt, bei der die meisten Mainstream-Praktiken das Risiko völlig ignorieren.

Wenn ich mit supply chain Praktikern spreche, sagen sie, ja, es gibt viele Risiken, aber der Punkt ist, dass sie eine Lücke nicht überbrücken können, und ich sage, es ist nicht sehr schwierig, es ist nur ganz anders als das, was Sie tun, und es ist nicht nur bekannt, sondern tatsächlich günstiger, weil es auch zu einem höheren Automatisierungsgrad führt, denn einer der Gründe, warum man so viele Leute benötigt, wenn man supply chain mit Zeitreihen betreibt, ist, dass aufgrund der massiven Diskrepanz zwischen der Realität und diesen Zeitreihen viele Menschen benötigt werden, um den Prozess ständig nur notdürftig zu flicken.

Aber wenn Sie etwas haben, das besser passt, benötigen Sie nicht annähernd so viele Leute, um es notdürftig zu flicken.

Conor Doherty: In diesem Sinne denke ich, dass ich zum Abschluss komme. Joannes, wie immer vielen Dank, es war mir ein Vergnügen. Und vielen Dank fürs Zuschauen, wir sehen uns beim nächsten Mal.