00:00:00 Einführung und Sims Hintergrund in Data Science und supply chain Analytik.
00:02:00 Überblick über Prognosen und Zeitreihen als gängiger Ansatz im supply chain management.
00:06:26 Einführung in die probabilistische Vorhersage und deren Unterschied zur Punktprognose.
00:08:10 Sims Erfahrung mit probabilistischer Vorhersage und der Bewältigung realer geschäftlicher Herausforderungen.
00:09:15 Diskussion über die Grenzen der Punktprognose und die Vorteile der probabilistischen Vorhersage im Risikomanagement.
00:11:39 Diskussion über Quantilregression und deren Bedeutung für das Bestandsmanagement.
00:14:20 Übergang zur probabilistischen Vorhersage und deren Vorteile.
00:16:37 Vergleich der probabilistischen Vorhersage mit traditionellen Methoden und deren Einschränkungen.
00:17:37 Die Entwicklung probabilistischer Vorhersagen in verschiedenen Branchen.
00:19:00 Wie probabilistische Vorhersagen das Bestandsmanagement im Vergleich zum klassischen Ansatz vereinfachen.
00:23:07 Diskussion über den Quantil-Prognoseansatz und dessen Herausforderungen.
00:24:26 Eingeschränktes Umfeld in Unternehmen und supply chains.
00:25:58 Einführung in die probabilistische Vorhersage für bessere Entscheidungsfindung.
00:27:56 Bewältigung von supply chain Herausforderungen mit probabilistischer Vorhersage.
00:30:41 Implementierung probabilistischer Vorhersagen in großen, etablierten Unternehmen.
00:34:10 Bedeutung einer organisatorischen Umstrukturierung bei der Einführung eines neuen Systems.
00:36:02 Traditioneller Ansatz zur Konfliktlösung zwischen mehreren Einschränkungen.
00:38:31 Herausforderungen beim Abschied von traditionellen Prognosemethoden.
00:41:00 Wie man Prioritäten neu setzt und die Ressourcenstruktur umgestaltet.
00:42:33 Der potenzielle Wert der Einführung probabilistischer Vorhersagen.
00:45:30 Ermutigung von Unternehmen, mit neuer Technologie einen Sprung zu wagen.
00:46:55 Übergang von Excel zu fortgeschritteneren Werkzeugen im supply chain management.
00:48:30 Abhängigkeit von kompetenten Ingenieuren für fortgeschrittene supply chain Tools.
00:50:06 Vertrauen in die Empfehlungen neuer Systeme.
00:53:00 Bedeutung kombinierten Wissens in supply chain und Data Science.
00:56:49 Schaffung einer abteilungsübergreifenden Data Science Einheit.
00:59:42 Diskussion über die zukünftige Struktur der Datenanalytik und deren Integration in die Geschäftsbereiche.
01:02:16 Die Vorteile einer einheitlichen Data Science Organisation.
01:04:01 Die Bedeutung des Verständnisses von supply chain bei der Implementierung neuer Technologien.
01:05:38 Vergleich der probabilistischen Vorhersage mit komplexeren Technologien wie Deep Learning.
01:08:16 Die Bedeutung der Lagerauffüllungslogik und deren Beziehung zur Prognose.
01:10:34 Die Herausforderungen, supply chain Führungskräfte von einem neuen Ansatz zu überzeugen.
01:12:05 Sims Erfahrung mit probabilistischer Vorhersage und deren Vorteile.
01:15:01 Anekdote zur Anwendung quantiler Prognosen in einem großen kanadischen Einzelhändler.
01:19:35 Diskussion über suboptimale Entscheidungen im Geschäft und eine bessere Entscheidungsfindung.
01:21:14 Die Bedeutung von ROI-basierten Entscheidungen für Randfälle.
01:22:18 Aufforderung zum Handeln: Neue Konzepte und Ansätze im supply chain management zu übernehmen.
01:23:25 Hoffnungen auf ein optimierteres Bestell- und Lagerauffüllungsszenario in der Zukunft.
Zusammenfassung
In diesem Interview diskutieren Joannes Vermorel, Gründer von Lokad, und Sim Taylor, Director of Analytics und Data Science bei Petco, die Bedeutung der probabilistischen Vorhersage in der Optimierung der supply chain. Sie erklären, dass es darum geht, Wahrscheinlichkeiten mehreren Szenarien zuzuordnen, was ein besseres Bestandsmanagement und entscheidungsbasierte Optimierung ermöglicht. Trotz der Herausforderungen bei der Implementierung probabilistischer Vorhersagen in großen Organisationen ermutigen sie supply chain Direktoren, neue Konzepte zu übernehmen und über traditionelle Ansätze hinauszugehen. Sie betonen auch die Bedeutung des Vertrauens in Data Scientists und die Notwendigkeit von Fachleuten, die sowohl supply chain Herausforderungen als auch technische Aspekte verstehen.
Erweiterte Zusammenfassung
In diesem Interview spricht Gastgeber Conor Doherty mit Joannes Vermorel, Gründer von Lokad, und Sim Taylor, Director of Analytics und Data Science bei Petco. Sie diskutieren die Bedeutung der probabilistischen Vorhersage in der Optimierung der supply chain.
Sim Taylor teilt seinen Hintergrund in Data Science und Analytik und arbeitet dabei vorwiegend im Bereich der Waren- und supply chain Analytik. Er erklärt, dass seine Arbeit darauf abzielt, Daten und Statistik zu nutzen, um Produkte besser an ihre vorgesehenen Orte in der supply chain zu leiten, um finanzielle Ergebnisse zu maximieren.
Auf die Frage nach Prognosen beschreibt Taylor diese als eine Ableitung oder Vorhersage eines zukünftigen Ergebnisses unter Verwendung historischer Informationen und anderer Datenpunkte. Vermorel stimmt zu und fügt hinzu, dass Zeitreihen Prognosen ein Eckpfeiler der klassischen supply chain Theorie sind, betont jedoch, dass dies nur einer von vielen Ansätzen ist, um an die Zukunft zu denken.
Die Diskussion verlagert sich auf probabilistische Vorhersagen, bei denen Wahrscheinlichkeiten oder Eintrittswahrscheinlichkeiten mehreren möglichen Szenarien zugeordnet werden. Taylor teilt seine Erfahrungen mit der Anwendung von Quantilregression in Prognosen, die darauf abzielt, extreme Ereignisse vorherzusagen und Fehlbestände zu vermeiden. Diese Methode beinhaltet, direkt für ein spezifisches Service Level zu lösen, wodurch Unternehmen ihre Bestandsniveaus festlegen können, ohne sich auf potenziell fehlerhafte Sicherheitsbestand Berechnungen zu verlassen.
Taylor erklärt, dass der klassische Ansatz des Bestandsmanagements darin besteht, das wahrscheinlichste Ergebnis (Prognose) vorherzusagen und die Variabilität durch Hinzufügen von Sicherheitsbestand zu berücksichtigen. Im Gegensatz dazu schätzt die probabilistische Vorhersage direkt den Gesamtbestand, der benötigt wird, um das Risiko von Fehlbeständen abzudecken. Taylor spricht auch über die Herausforderungen bei der Bestimmung des richtigen quantilen Extremwerts der Nachfrage und der Balance zwischen Kundenbedürfnissen, Finanzen und Lagerhaltungskosten.
Die Interviewpartner diskutieren die Vorteile probabilistischer Vorhersagen in eingeschränkten Umgebungen, wie begrenzten Budgets oder Mindestbestellmengen. Taylor weist darauf hin, dass probabilistische Vorhersagen Unternehmen dabei helfen können, klare Entscheidungen zwischen konkurrierenden Bedürfnissen zu treffen, indem sie die Wahrscheinlichkeit des Verkaufs jeder zusätzlichen Einheit und den damit verbundenen finanziellen Wert verstehen.
Die Diskussion hebt die Herausforderungen hervor, denen sich Organisationen bei der Umsetzung probabilistischer Vorhersagen gegenübersehen, insbesondere wenn es darum geht, etablierte Prozesse und Arbeitsaufteilungen zu verändern. Sim Taylor berichtet von seinen Erfahrungen bei der Implementierung des Quantil-Prognoseansatzes, der ein umfassendes Verständnis und die Übernahme der supply chain Ausführung erfordert. Die Prognose dient dabei als Mittel zum Zweck, wobei der Fokus auf der Verbesserung der Kundenzufriedenheit, dem Umsatz und der Senkung der Kosten liegt.
Sim Taylor betont die Bedeutung der Automatisierung der mathematischen Kernaufgaben in der Prognose und Bestellmengenbestimmung, während er gleichzeitig den Wert menschlicher Intuition und der Expertise erfahrener supply chain Manager anerkennt. Er schlägt vor, dass Unternehmen ihre Organisationen neu gestalten können, um den Einsatz ihres erfahrenen Personals zu optimieren, was eine Veränderung der Rollen und ein Verlassen auf die Empfehlungen des Systems beinhalten kann.
Joannes Vermorel betont die Herausforderung, sich von traditionellen Prognosen und den damit verbundenen KPIs zu lösen, da die probabilistische Vorhersage den Fokus von der Genauigkeit der Prognosen weg und hin zu den dadurch ermöglichten operativen Entscheidungen verlagert. Er fragt Sim Taylor nach seiner Perspektive, wie Unternehmen ihre Ressourcen neu priorisieren und umstrukturieren können, um diesem Wandel gerecht zu werden.
Sim Taylor räumt ein, dass die Umsetzung probabilistischer Vorhersagen in großen, risikoscheuen Organisationen schwierig ist. Er schlägt vor, dass Erfolg Schritt für Schritt erreicht werden kann, indem zunächst einfachere und schnellere Werkzeuge bereitgestellt und dann der Wert des neuen Ansatzes demonstriert wird. Dies könnte beinhalten, einen Anwendungsfall oder ein Unternehmen zu finden, das bereit ist, den Vertrauensvorschuss zu wagen und die Geschäftsergebnisse zu messen. Insgesamt betont das Gespräch die potenziellen Vorteile der Einführung probabilistischer Vorhersagen, während gleichzeitig die Herausforderungen für etablierte Organisationen anerkannt werden.
Das Gespräch greift das Bedürfnis auf, Erfolge zu demonstrieren, um die Einführung neuer Technologien und Ansätze zu fördern. Vermorel äußert Bedenken hinsichtlich der Einschränkungen von Excel und der Notwendigkeit fortschrittlicherer Werkzeuge, um Unsicherheiten zu bewältigen. Taylor räumt ein, dass Excel von supply chain Praktikern verwendet wird, betont jedoch, dass viele Entscheidungen von einem System getrieben werden, das für die Anwender oft eine “black box” darstellt.
Sowohl Taylor als auch Vermorel betonen die Bedeutung des Vertrauens in Data Scientists und die Notwendigkeit von Fachleuten, die supply chain Herausforderungen verstehen und mit Code arbeiten können, um Entscheidungen intelligent zu automatisieren. Taylor schlägt vor, Personen zu finden, die eine Kombination aus supply chain Verständnis und technischer Neigung besitzen. Vermorel fügt hinzu, dass er sich in Zukunft vorstellt, dass Data Science in jede Abteilung eines Unternehmens integriert wird, wobei Analysten sich auf ihre jeweiligen Bereiche spezialisieren.
Sim Taylor unterstreicht die Bedeutung, in der supply chain management greifbaren Mehrwert zu liefern, unabhängig vom Titel oder der Rolle. Er ist der Meinung, dass die Kombination aus technischer Expertise und betriebswirtschaftlichem Wissen entscheidend für positive finanzielle Ergebnisse ist. Das Gespräch greift auch den Wert der Zusammenarbeit zwischen Analytik-Experten aus verschiedenen Bereichen auf und betont, wie wichtig es ist, eng mit dem Geschäft verbunden zu sein, um sinnvolle Ergebnisse zu erzielen.
Joannes Vermorel hebt die praktischen Vorteile der probabilistischen Vorhersage im supply chain management hervor, im Gegensatz zu technischeren Innovationen wie Deep Learning. Die probabilistische Vorhersage konzentriert sich darauf, einen Mehrwert zu schaffen, indem sie das Problem der Unsicherheit auf radikal andere Weise angeht.
Sim Taylor spricht auch über die Bedeutung der Lagerauffüllung Logik und wie entscheidend sie für die Entscheidungsfindung im supply chain management ist. Er ist der Meinung, dass der Fokus auf den Wert der supply chain essenziell ist und dass sich das Gespräch darauf konzentrieren sollte, wie Entscheidungen das beste Ergebnis vorantreiben.
Sowohl Taylor als auch Vermorel sind sich einig, dass das Teilen von Anwendungsfällen und Erfolgsgeschichten wichtig ist, um das Vertrauen von Unternehmen aufzubauen und den Wert probabilistischer Vorhersagen zu demonstrieren. Taylor teilt ein Beispiel aus der Zusammenarbeit mit einem großen kanadischen Einzelhändler, bei dem die Anwendung eines Quantil-Prognoseansatzes zu Verbesserungen bei der Warenverfügbarkeit und im Bestandsmanagement führte.
Taylor betont, dass supply chain eine von Einschränkungen geprägte Welt ist und dass Randfälle zu suboptimalen Ergebnissen führen können. Ziel ist es, zusätzliche Informationen zu nutzen, um optimalere Entscheidungen zu treffen, die weniger Aufwand erfordern. Ein Beispiel, das er anführt, ist die Entscheidung, ob ein voller LKW von einem Anbieter bestellt werden soll, wenn nur ein Teil benötigt wird. Die Fähigkeit, den Wert jeder Einheit, die Wahrscheinlichkeit des Verkaufs sowie die potenzielle Marge und Lagerkosten zu bewerten, ermöglicht in solchen Fällen eine bessere Entscheidungsfindung.
Sowohl Vermorel als auch Taylor ermutigen supply chain Direktoren, neue Konzepte wie probabilistische Vorhersagen zu evaluieren und anzunehmen sowie über traditionelle, seit Jahrzehnten angewendete Ansätze hinauszugehen. Sie hoffen, dass durch das Teilen erfolgreicher Beispiele das Gespräch beschleunigt und Unternehmen zu optimaleren Bestell- und Lagerauffüllungsentscheidungen verholfen werden kann.
Gesamtes Transkript
Conor Doherty: Willkommen zurück bei Lokad TV. Ich bin euer Gastgeber Conor und wie immer bin ich begleitet vom Gründer von Lokad, Joannes Vermorel. Heute sprechen wir mit Sim Taylor. Er ist Director of Analytics und Data Science bei Petco, einem ziemlich großen Unternehmen, und wird mit uns über die Vorzüge probabilistischer Vorhersagen sprechen. Tim, willkommen bei Lokad.
Sim Taylor: Hallo, vielen Dank, dass ihr mich eingeladen habt, Conor und Joannes. Ein wenig zu meinem Hintergrund: Ich leite Data Science- und Analytik-Teams, spezialisiert auf Waren- und supply chain Analytik. Ein Großteil meiner Karriere verlief aus der Beratungsperspektive. Ich habe viele Jahre mit Deloitte in ihren supply chain Teams in Großbritannien und Kanada zusammengearbeitet, und in der zweiten Hälfte davon habe ich mich darauf konzentriert, Modelle zu entwickeln, die Unternehmen dabei helfen, ihren Bestand zu optimieren. Im Wesentlichen dreht sich meine Arbeit darum, wie wir Daten und Statistik nutzen können, um Produkte besser zu den verschiedenen Standorten in der supply chain, in Distributionszentren, Geschäften und zu Kunden in den richtigen Mengen und zur richtigen Zeit zu leiten, um Kunden zufriedenzustellen und finanzielle Ergebnisse zu maximieren. Ich habe mit einer Vielzahl von Unternehmen gearbeitet, vorwiegend mit Warenhäusern und Einzelhändlern für allgemeine Konsumgüter, typischerweise mit vielen Produkten, einem breiten Sortiment und einem großen Warenportfolio, zu dem auch Mode und Spezialhandel gehören. Vor ein paar Jahren bin ich von der Beratung in die Industrie gewechselt, und ich arbeite derzeit bei Petco, einem großen US-amerikanischen Haustierhändler mit Sitz in Kalifornien und einer Präsenz in den USA und Mexiko.
Conor Doherty: Vielen Dank. Wenn Sie allgemein oder in groben Zügen erläutern, was Prognosen sind, wie erklären Sie das Nicht-Fachleuten?
Sim Taylor: Sicher, also Prognosen – als Grundlage – sind ein relativ verständlicher Prozess. Es geht im Wesentlichen darum, eine Schlussfolgerung oder Vorhersage über ein zukünftiges Ergebnis zu treffen. In der supply chain und im Einzelhandel sprechen wir viel über die Vorhersage der Nachfrage, der Kundennachfrage. Also, für dieses Produkt in diesem Geschäft, was wollen meine Kunden in einer Woche, in zwei Wochen oder in 52 Wochen? Es geht wirklich darum, historische Informationen und Dinge, die wir über die Zukunft wissen, wie die Preise von Produkten und andere wichtige Datenpunkte, zu nutzen, um zu verstehen, welches Ergebnis wahrscheinlich eintreten wird und wie wir unsere Bestellungen planen und das Produkt an den richtigen Ort bringen können. Es ist wirklich der Eckpfeiler der klassischen supply chain Theorie, diese Prognose. Joannes, würdest du dieser Definition zustimmen?
Joannes Vermorel: Ja, ich stimme der Idee der Zeitreihenprognose als Eckpfeiler der klassischen supply chain Theorie sehr zu. Aber ich möchte auch darauf hinweisen, dass es tatsächlich eine sehr spezifische Herangehensweise ist, die Zukunft zu betrachten. Dieser Ansatz ist so etabliert und so weit verbreitet, dass die Branche als Ganzes größtenteils vergessen hat, dass es nur einen von vielen Ansätzen gibt, die Zukunft zu überdenken. Denn es ist etwas Flüchtiges, über die Zukunft nachzudenken und sie vorauszusehen. Durch die Linse einer Zeitreihenprognose zu blicken, verleiht einem einige Fähigkeiten, wie die Vielzahl von Modellen, die in dieses Paradigma passen, beschränkt aber auch, was man tun kann. Und ich denke, eines der interessanten Dinge in dieser Branche ist, dass, da Zeitreihenprognosen schon so lange existieren
Conor Doherty: Ich denke, es könnte hilfreich sein zu erläutern, wie ich auf probabilistische Prognosen gestoßen bin. Ich komme eher aus einem wirtschaftlichen als aus einem akademischen Hintergrund, daher bin ich tatsächlich auf probabilistische Prognosen gestoßen, als ich mit einem Einzelhändler an der Lösung einiger realer geschäftlicher Herausforderungen bei Bestellungen und Auffüllungen gearbeitet habe.
Sim Taylor: Für diesen Kunden bauten wir Auffüllungswerkzeuge auf Basis der standardmäßigen Punktprognose, die nach wie vor die Grundlage in den meisten Unternehmen bildet. Im Wesentlichen gingen wir davon aus, dass dieses Produkt morgen fünf Einheiten, übermorgen sechs Einheiten verkaufen wird usw. Da es so viele Möglichkeiten gibt, dass diese eine Zahl nicht stimmt, wendeten wir dann den klassischen Sicherheitsbestandsansatz bzw. die entsprechende Gleichung an, was im Grunde besagt, dass unsere einzelne Vorhersage des wahrscheinlichsten Nachfrageergebnisses oft falsch sein wird.
Der Standard-Sicherheitsbestandsansatz nimmt im Wesentlichen die grobe Annahme vor, dass die Variabilität der Nachfrage und die lead times der Lieferanten symmetrisch um unsere wahrscheinlichste Prognose verteilt sind. Diese Annahme der Normalverteilung aus statistischer Sicht wird in vielen Unternehmen ohne weitere Frage als Grundlage akzeptiert.
Während wir diese Arbeit verrichteten, betrachteten mein Team und ich die tatsächliche Realität der Verkäufe über das relevante Durchlaufzeitfenster. Wir stellten fest, dass in den meisten Fällen die Annahme der Normalverteilung bei den meisten Einzelhändlern überhaupt nicht zutrifft. Die Nachfrage und die Durchlaufzeiten sind meistens nicht normal verteilt. Bei den meisten Produkten konzentriert sich die Nachfrage stark um einen niedrigen Wert, und dann gibt es diesen langen Schwanz von potenziellen Nachfragewerten nach rechts.
Uns wurde klar, dass wir repräsentativere statistische Verteilungen verwenden mussten, um diese Variabilität der Kundennachfrage und der Durchlaufzeit zu modellieren. Andernfalls wären wir in Gefahr, in gewissen Situationen ausverkauft zu sein, weil wir die potenziellen Ergebnisse nicht korrekt abgebildet haben.
Conor Doherty: Wie seid ihr – du und dein Team – also dazu gekommen, alternative Ansätze zur Punktprognose in Betracht zu ziehen?
Sim Taylor: Zuerst setzten wir in unseren Prognosen auf Quantilregression, die auf der Erkenntnis basiert, dass es im Lagerbestand nicht wirklich um das wahrscheinlichste Ergebnis geht, welches man von einer Standardprognose erhält. Was uns wichtig ist, sind diese extremen Ereignisse und sicherzustellen, dass genügend Inventar vorhanden ist, um Ausverkäufe zu verhindern, wenn diese eintreten. Das ist es, was die Servicelevels im Standard-Sicherheitsbestandsansatz bewirken.
Wir erstellten Prognosen mithilfe der Quantilregression, die direkt für ein bestimmtes Servicelevel optimiert war. Zum Beispiel: Wenn wir alle möglichen Nachfrageszenarien über die Durchlaufzeit auflisten, was ist das 95. Quantil – die sehr unwahrscheinliche Situation dieser Nachfrage in jener Durchlaufzeit? Auf dieser Grundlage legen wir unseren Lagerbestand fest. Man muss sich dann nicht darum kümmern, es als Sicherheitsbestand zu bezeichnen oder, falls die Berechnungen des Sicherheitsbestands aufgrund falscher Annahmen grundsätzlich fehlerhaft sind.
So begannen wir, alternative Nachfragemodelle zu erforschen, anstatt uns nur auf den Mittelwert oder das durchschnittliche Ergebnis zu stützen. Dann entwickelte sich die Frage, auf welchem Servicelevel wir uns festlegen sollten, um zu bestimmen, welches Quantil der Nachfrage oder der Durchlaufzeit wir prognostizieren, und wie sich diese Quantilprognosen für Nachfrage und Durchlaufzeiten kombinieren lassen. Genau an diesem Punkt stieß ich auf Lokad und ihren einzigartigen, differenzierten Ansatz, bei dem alle potenziellen Ergebnisse für die Nachfrage über die Durchlaufzeit prognostiziert und jedem eine Wahrscheinlichkeit zugeordnet wird – das erfasst weit mehr Informationen als das bloße Verstehen der Quantile.
Joannes Vermorel: Deine Reise erinnert mich unglaublich an meine, denn es war bei Lokad, dass ich persönlich Probleme mit diesen Annahmen hatte. Der Begriff “Sicherheitsbestand” klingt sicher, aber in Wirklichkeit sind die mathematischen Annahmen, die dahinterstehen, ziemlich verrückt und sicherlich sehr unsicher. Man endet mit Phänomenen wie negativen Durchlaufzeiten, was unglaublich bizarr ist. Das ist es, was man mit einer Normalverteilung der Durchlaufzeiten erhält. Und die Idee
Conor Doherty: Ich stellte fest, dass es eine Diskrepanz zwischen dem gab, woran die Leute wirklich interessiert waren, und dem, was sie sagten. Supply chain directors wollten eine bessere Prognose, aber letztendlich wünschten sie sich eine bessere supply chain Entscheidung. Wenn man anfängt, in statistischen Begriffen zu denken, kommt es nicht auf den Durchschnitt an, sondern auf die Extremfälle. Diese Extremsituationen führen zu Ausverkauf oder Überbeständen, und genau diese Situationen möchte man statistisch analysieren. Ich habe festgestellt, dass Menschen in der Finanzwelt und der Wettervorhersage seit den frühen 90ern probabilistische Prognosen verwenden. In 2011-2012 begannen wir dann, dies auch für die supply chain zu tun, allerdings mit ziemlicher Verzögerung im Vergleich zu anderen Pionieren in anderen Branchen.
Sim Taylor: Der klassische Ansatz versucht immer noch, das Risiko zu berücksichtigen, aber wir nennen unser Inventar einfach anders. In Wirklichkeit zählt das Ergebnis für das Geschäft. In unserem Standardansatz bemühen wir uns, das wahrscheinlichste Ergebnis bestmöglich vorherzusagen, erkennen aber an, dass es eine seltsame Sichtweise ist, denn uns geht es eigentlich darum, das Risiko extremer Eventualitäten abzudecken – und hier kommt der Sicherheitsbestand ins Spiel. Quantilprognosen legen beides direkt fest, indem sie das extreme Nachfrageszenario betrachten und den notwendigen Lagerbestand berechnen.
Joannes Vermorel: Wenn man eine vollständige Bandbreite potenzieller Wahrscheinlichkeiten hat, wie wird diese dann in die betriebliche Realität übersetzt und genutzt? Es sind diese Bestellentscheidungen, die zählen, um sicherzustellen, dass sie so optimal wie möglich sind. Vielleicht brauchen wir den Begriff “Sicherheitsbestand” nicht mehr, aber ich bin neugierig, wie du das in die praktische Ausführung überführst.
Sim Taylor: Der erste Anstoß, alternative Prognosen in Betracht zu ziehen, war die Erkenntnis, dass die Nachfrageszenarien nicht der Art von Verteilung folgen, die im klassischen Sicherheitsbestandsansatz modelliert wird. Das war der Hauptgrund für mich, andere Ansätze zu evaluieren und unsere Fähigkeit zu prüfen, ein alternatives Modell zu entwickeln, das die Daten besser abbildet.
Conor Doherty: Um die Variabilität, wie sie typischerweise bei Nachfrage und Durchlaufzeiten auftritt, besser widerzuspiegeln, begann ihr also mit einem quantilbasierten Prognoseansatz. Doch es gab Herausforderungen, wie zum Beispiel, den richtigen quantilen Extremwert der Nachfrage zu bestimmen, um die Kundenbedürfnisse und finanziellen Aspekte gegen die Lagerhaltungskosten abzuwägen. Und in eingeschränkten Umgebungen, wie sie in Unternehmen und supply chains oft vorkommen, brauchte man eine Methode, um zwischen verschiedenen Produkten und Einheiten zu entscheiden, die gekauft werden sollen. Kannst du näher erläutern, wie du auf probabilistische Prognosen als Lösung für diese Herausforderungen gestoßen bist?
Sim Taylor: Ja, was mich an probabilistischen Prognosen faszinierte, war das Konzept, alle potenziellen Szenarien und deren Wahrscheinlichkeiten zu verstehen. Wenn ich weiß, wie wahrscheinlich es ist, dass ich vier, fünf oder sechs Einheiten verkaufe, kann ich berechnen, wie wahrscheinlich es ist, dass auch die nächste Einheit, die ich kaufe, verkauft wird. Wenn ich diese Wahrscheinlichkeit kenne und den Wert, den ich aus dem Verkauf dieses Produkts erziele – also die Bruttomarge – sowie die Kosten für das Halten des Produkts und das Risiko eines Ausverkaufs, kann ich eine klare Entscheidung darüber treffen, welche Einheit meinem Geschäft mehr Wert bringt. Damit löst sich vieles an Herausforderungen, mit denen mein Team und andere schon lange zu kämpfen hatten. Wir bewegen uns stets in einer Umgebung mit Einschränkungen, und das Verständnis der Wahrscheinlichkeit, mit der die nächste Einheit verkauft wird, sowie ihres finanziellen Wertes, ist eine elegante Methode, diese Probleme anzugehen.
Joannes Vermorel: Das ist sehr interessant. Mein größtes Problem, wenn ich versuche, probabilistische Prognosen in großen, etablierten Unternehmen wie Petco durchzusetzen, ist die historisch geteilte Arbeitsteilung zwischen der Prognose und der Entscheidungsfindung. Große Organisationen haben typischerweise die Zuständigkeit aufgeteilt zwischen denjenigen, die für die Prognosen verantwortlich sind, und denjenigen, die operative Entscheidungen wie Auffüllungen, Produktionsaufträge oder Lagerbewegungen treffen. Aber probabilistische Prognosen sind ein Werkzeug, das einen effizienteren Entscheidungsprozess ermöglicht. Die Entscheidungsfindung selbst ist nicht gleichbedeutend mit der Prognose, sondern im Grunde sind die Auffüllentscheidung und die Erstellung der Prognose viel stärker miteinander verknüpft als in der alten Welt, in der ein separates Team die Sicherheitsbestandsanalysen durchführte und dann die Entscheidungen traf.
Conor Doherty: Auffüllung ist, würde ich sagen, eine klassische supply chain Theorie, die eine sehr klare Arbeitsteilung zwischen denjenigen vorsieht, die für die Prognose/Planung verantwortlich sind, und denjenigen, die operative Entscheidungen treffen, wie Produktionsaufträge, Auffüllungsaufträge, Lagerbewegungsaufträge usw. Wie gehst du damit um? Du hast in sehr großen, etablierten Unternehmen gearbeitet, die offensichtlich eine supply chain Praxis hatten, die diese probabilistischen Einsichten lange vorweggenommen hat. Wie hast du die Organisation von dieser Methode überzeugt, die meines Erachtens die historischen Grenzen der Arbeitsteilung, auf denen die supply chain Praxis beruhte, nicht respektiert?
Sim Taylor: Ich denke, in Situationen, in denen wir zum Beispiel durch den quantitativen Prognoseansatz (mit all seinen Vorteilen) tatsächlichen Mehrwert liefern konnten, hilft es wirklich, wenn man die Verantwortung über die gesamte supply chain Ausführung trägt. Wenn unser letztendliches Ziel – nämlich die Verbesserung der Kundenzufriedenheit, der Verkaufszahlen und die gleichzeitige Senkung der Kosten – im Vordergrund steht, ist die Prognose selbst nur ein Mittel zum Zweck. Es geht uns um das Endergebnis: Wie viel soll bestellt werden, für welchen Standort, und zu welchem Zeitpunkt – sowohl in Distributionszentren als auch in Geschäften. Wo ich bereits Erfolg hatte, war, wenn uns der Auftrag übertragen wurde, diese Prognose zu erstellen und direkt in Bestellmengen umzusetzen.
Wir prognostizieren, generieren die Bestellmengen, sei es von den Lieferanten in die Distributionszentren oder die Auffüllung von Distributionszentren in die Geschäfte. Die Rolle besteht dabei überwiegend im Genehmigungs- und Bewertungsprozess. In einer idealen Welt möchte man so viel der mathematischen Schwerstarbeit wie möglich automatisieren und sicherstellen, dass die Mehrheit der Szenarien korrekt abgedeckt wird. Anschließend kombiniert man diese datengestützte Erkenntnis mit dem Fachwissen der Geschäftsteams, um die Extremfälle bzw. verschiedene Beispiele zu verstehen, zu bewerten und gegebenenfalls Anpassungen vorzunehmen.
Wenn ein Unternehmen seine Bestellauffüllung ersetzen oder transformieren möchte, handelt es sich um ein erhebliches Projekt, das viel Arbeit erfordert, viele Monate zur Implementierung dauert und an dem viele Personen beteiligt sind. Es ist eine Chance, neu zu starten und zu überdenken, wie das Unternehmen geführt wird. Viele Unternehmen nutzen dies als Gelegenheit, ihre Organisation neu zu gestalten – was typischerweise Change Management und organisatorische Neugestaltung umfasst. Wenn du deine Organisation neu strukturieren und um ein viel besseres System herum gestalten kannst, dann liegt der wahre Erfolg darin, die Bestellkosten zu senken und die stock levels für Kunden zu verbessern.
Conor Doherty: Ich habe nur eine ganz spezifische Frage, die ich dir, Joannes, stellen möchte. Wir sprechen über den traditionellen Ansatz, Konflikte zwischen mehreren Einschränkungen in Geschäftsteams zu lösen. Wie würde ein nicht-probabilistisches Geschäftsteam das üblicherweise handhaben, oder wie wird ein nicht-probabilistischer Optimierungsprozess im Alltag umgesetzt?
Joannes Vermorel: Wenn wir ein Einzelhandelsbeispiel nehmen, dann hättest du ein Team, das die Prognosen erstellt. Dieses Team legt die Basislinie fest, verwaltet seasonality Profile und legt vielleicht auch Dinge wie ABC classes mit dem entsprechenden Fokus fest. So entsteht ein Team, das sich ganz darauf konzentriert, zukünftige Projektionen in Form von Zeitreihen zu erstellen.
Joannes Vermorel: Wenn man maßgeschneiderte workflows für diese Denkweise entwickelt – auch wenn sie teilweise willkürlich sind – und wenn man einmal eine Fülle von Werkzeugen hat, die die Positionen verifizieren, dann gibt es einen Bildschirm, der der Überprüfung von Zeitreihenprognosen gewidmet ist, einen anderen zur Anpassung der Sicherheitsbestände und einen weiteren zur Alarmverwaltung. Diese abstrakten Konzepte werden zu greifbaren Elementen in der Organisation, weil es Menschen mit definierten Rollen und darauf basierenden Workflows gibt.
Wie unser Gast erwähnte, ist eine interessante Tatsache, dass probabilistische Vorhersagen die Organisation auf einer ziemlich tiefen Ebene herausfordern. Wenn wir ein umfangreiches Projekt haben, das eine der Kernfunktionen des Unternehmens, wie zum Beispiel die Auffüllung in einem Einzelhandelsgeschäft, erneut betrachtet, besteht die Möglichkeit, viele Annahmen zu überdenken. Es erfordert einen gewissen Vertrauensvorschuss, da es ein Sprung vom traditionellen Ansatz im supply chain management zu einer alternativen Organisation ist, die eine Folge dessen darstellt, was probabilistische Vorhersagen in Ihrem Unternehmen ermöglichen.
Prognosen sind nur Artefakte; sie sind ein Instrument, um etwas anderes zu erreichen. Und doch werden in vielen Unternehmen, insbesondere in denen mit einer großen supply chain, Prognosen typischerweise als Selbstzweck behandelt. Es gibt ein Team mit KPIs in Genauigkeit, und dies ist Teil des S&OP-Prozesses. Sie wollen für das nächste Jahr eine genauere Prognose als Ziel.
Sim Taylor: Die Herausforderung besteht darin, die Prognose loszulassen. Mit probabilistischen Vorhersagen schlagen Sie vor, den Fokus des Managements zu verlagern. Anstatt den KPIs zur Prognosegenauigkeit zu folgen, Ressourcen, Budget und Werkzeuge bereitzustellen, um sie zu verbessern, sollten wir uns auf die Entscheidungen konzentrieren, die wir auf Grundlage dieser Prognosen treffen. Das ist viel zu verarbeiten und erfordert einen Vertrauensvorschuss. Wie können wir eine tiefere Argumentation liefern, anstatt einfach zu sagen “Vertrau mir, es wird so viel besser sein”?
Es ist schwer und sehr herausfordernd. Ich sehe hier einen enormen potenziellen Wert, aber mir ist kein großes Unternehmen bekannt, das probabilistische Vorhersagen vollständig angenommen hat. Es schrittweise zu implementieren, zunächst ein einfacheres, schnelleres Werkzeug bereitzustellen und Ergebnisse zu zeigen, ist der Weg, um supply chain Executives zu engagieren und zu inspirieren. Man braucht dieses eine Beispiel und misst dann die geschäftliche Realität: die Verfügbarkeit im Lager, Lagerumschlag, Lagerinvestitionen und die Wochenvorräte vor und nach der Einführung des neuen Ansatzes.
Zeigen Sie die klaren, unumstößlichen finanziellen Vorteile, die durch den neuen Ansatz erzielt werden. Ist uns die Prognose wirklich wichtig? Darüber können wir sprechen, aber es sind die Ergebnisse, die zählen. Wenn wir mit den Geschäftsergebnissen beginnen und das Gespräch mit historischen Ergebnissen und Erfolgen einleiten, wird das mehr Aufmerksamkeit erregen, als wenn wir mit der Theorie beginnen.
Conor Doherty: Ich erwähnte supply chain Experten, Führungskräfte mit viel Erfahrung, die über eine großartige Intuition verfügen, und man kann darauf zugreifen. Jeder will sein Geschäft verbessern, sodass fast jeder den Anstoß verspürt, einen Sprung zu wagen, aber man braucht nur etwas Bodenhaftung und Vertrauen. Sie haben ein ähnliches Unternehmen gesehen und die finanziellen Rückflüsse, die den Erfolg wirklich demonstrieren. Sobald man diesen einen Anwendungsfall des Sprungs hatte, hat man wirklich eine Plattform, um ihn auszurollen. Ich denke, so beginnen neue Technologien und Ansätze immer. Letztlich sind wir in einem Unternehmen, um das Beste für den Kunden zu erreichen und den Aktionären finanziell den besten Nutzen zu bieten. Wenn wir zeigen können, dass es einen guten Anwendungsfall gibt, dieses Risiko einzugehen und etwas anderes auszuprobieren, weil wir anderswo Renditen gesehen haben, ist das ein aufregendes Angebot. Viel eher wird man ein Gespräch beginnen und den Ball ins Rollen bringen. Aber ich stimme zu, es ist eine große Herausforderung, da etablierte Prozesse fest in der Strukturierung unserer Teams in den meisten großen Unternehmen verwurzelt sind. Deshalb braucht es die richtigen Menschen, die bereit sind, die Herausforderungen wirklich zu verstehen und Einfluss nehmen können, um den Business Case darzulegen, und zu zeigen, dass es tatsächlich einen Mehrwert gibt, etwas Derartiges auszuprobieren.
Joannes Vermorel: Einwände, die ich häufig höre, sind, dass der Übergang von etwas wie Punktprognosen, die sich leicht in Excel darstellen lassen, zu probabilistischen Prognosen, die in Excel bis zu einem gewissen Grad darstellbar sind, zu einem regelrechten Alptraum werden kann. Der Punkt ist also, dass man seine Werkzeuge so oder so aufrüsten muss. Um Modelle zu haben, die Unsicherheiten einbeziehen, benötigt man ein Werkzeug, das leistungsfähiger ist als Excel. Man schafft eine Risikoklasse, wodurch Ihre Organisation plötzlich von Personen abhängig ist, die in der Lage sind, diese komplexeren Werkzeuge zu bedienen. Aufgrund Ihrer Position als Leiter der Datenwissenschaft denke ich, dass Sie an vorderster Front stehen, wenn es darum geht, Dinge einzuführen, die nicht sofort zugänglich sind. Sobald wir davon sprechen, 20 Zeilen Python zu haben, ist die Art von Fähigkeit, die benötigt wird, um das zu bewältigen, im Gegensatz zu einer einfachen Tabelle, durchaus erheblich. Das bedeutet also, dass das Unternehmen von Personen abhängig ist, die viel mehr Ingenieurswissen besitzen, als man früher in diesen supply chain Positionen hatte. Ich weiß, dass einige der Personen, mit denen ich spreche, sich um eine solche Vorgehensweise sorgen. Sie fragen sich, wie das zu adressieren ist, wenn sie eine realweltliche supply chain auf etwas stützen wollen, das nicht über Excel-Tabellen läuft oder als regelbasiertes System in ERP implementiert wird.
Sim Taylor: Es gibt wahrscheinlich zwei Aspekte, die es zu klären gilt. Der erste ist, dass Excel ein Werkzeug ist, das Category Managern, Einkäufern und supply chain Praktikern sehr vertraut ist. Es gibt da definitiv Anwendung, aber in den meisten Unternehmen werden die meisten Entscheidungen von einem System getroffen und gesteuert, das für diejenigen, die tatsächlich die Einkaufsentscheidungen treffen, bereits eine Art Black Box darstellt. Der Punkt, den Sie bezüglich des Übergangs von Excel ansprechen, ist in manchen Fällen kein großer Sprung. Es ist ein Übergang von einem System, das auf eine Art Empfehlungen gibt, zu einem anderen System, das auf eine andere Art Empfehlungen gibt. Ich denke, solange Vertrauen in die Funktionsweise des neuen Systems besteht und die richtige Schulung sowie Diskussionen stattfinden, um zu verstehen, warum das System etwas anders arbeitet, ist es kein großer Sprung, das System selbst zu ändern.
Der zweite Teil ist das Vertrauen in Datenwissenschaftler. Ich bin fest davon überzeugt, dass supply chain und Merchandise-Planung einer jener Bereiche sind, in die man nicht einfach einen Datenwissenschaftler werfen und greifbare finanzielle Vorteile erwarten kann. Es gibt vielleicht ein
Conor Doherty: Joannes und Sim, ich möchte mehr darüber erfahren, wie wichtig es ist, sowohl über technische und mathematische Expertise als auch supply chain Erfahrung zu verfügen, wenn es darum geht, supply chains zu optimieren. Was sind eure Gedanken dazu?
Sim Taylor: Supply chain Optimization erfordert eine Kombination aus Fachwissen, einschließlich des Verständnisses der Herausforderungen und Komplexitäten der supply chain Welt sowie mathematischer und technischer Fähigkeiten. Der ideale Kandidat hätte Erfahrung sowohl im supply chain management als auch in der Datenwissenschaft. Er sollte in der Lage sein, frühere Systeme zu verstehen und damit zu arbeiten und Kenntnisse über gängige Herausforderungen, wie z. B. Mindestbestellmengen von Lieferanten und Kapazitätsengpässe in Distributionszentren, besitzen. Ein Datenwissenschaftler, der gerade frisch von der Uni kommt, könnte dieses Wissen nicht haben, was zu Misstrauen führen kann, wenn man versucht, Technologie mit supply chain management zu vereinen. Was wir suchen, sind kluge Individuen mit sowohl betriebswirtschaftlichem Verständnis als auch technischer Affinität, die in der Lage sind, Code zu schreiben oder zu erklären, um Entscheidungen auf intelligente Weise zu automatisieren. Diese Kombination ist entscheidend für den Aufbau erfolgreicher Analytics-Teams.
Conor Doherty: Joannes, würdest du sagen, dass dein Ansatz bei der Auswahl von Supply Chain Scientists bei Lokad mit Sims Auffassung bezüglich der Wichtigkeit einer Kombination von Fähigkeiten übereinstimmt?
Joannes Vermorel: Ja, ich denke, unsere Ansichten stimmen überein. Tatsächlich sehe ich eine mögliche Entwicklung auf dem Markt, in der Datenwissenschaftsteams, die derzeit unabhängig operieren, in einem Jahrzehnt Teil von supply chain Abteilungen werden könnten. Ich stelle mir eine Zukunft vor, in der jede Abteilung ein Team von Ingenieuren hat, die sich auf quantitative Analyse spezialisieren und das Rückgrat der Optimierung für das Unternehmen bilden. Sie würden eng mit dem operativen Geschäft und dem Top-Management zusammenarbeiten, um Strategien zu entwickeln. Ich glaube, dass diese natürliche Entwicklung dazu führen würde, dass datenwissenschaftliche Fähigkeiten in jede einzelne Abteilung zurückgeführt werden, beispielsweise indem Supply Chain Analysts Teil der supply chain Abteilung werden und Marketing Analysts in die Marketingabteilung wechseln. Die aktuelle Organisationsstruktur, in der Datenwissenschaftsabteilungen unabhängig von den Abteilungen agieren, die sie unterstützen, könnte sich ändern, da Datenwissenschaft zu einem wesentlichen Bestandteil jeder Praxis wird, anstatt nur eine unterstützende Funktion zu sein.
Sim Taylor: Joannes, ich finde deine Perspektive auf die Zukunft der Datenwissenschaft und Analytics innerhalb von Unternehmen interessant. Als Leiter der Analytics bei Petco glaube ich, dass, wenn wir weiterhin operationelle Erfolge sehen, es in einem Jahrzehnt tatsächlich zu einer Verschiebung hin zur Integration von Data Analytics Abteilungen in die jeweiligen Fachbereiche kommen könnte.
Conor Doherty: Siehst du das als mehr davon, dass in jeder Abteilung, in der Erfolg erzielt wird, Dinge internalisiert werden?
Joannes Vermorel: Was für eine interessante Frage, es geht wirklich darum, wie man ein Unternehmen organisiert und strukturiert und welche Vorteile die verschiedenen Ansätze haben. Meiner persönlichen Meinung nach stimme ich dir zu. Ich denke, der Titel und die Organisation, in der man sich befindet, sind irgendwie unwichtig.
Sim Taylor: Was mich jeden Tag zur Arbeit begeistert, ist die Suche nach Möglichkeiten, Wert zu schaffen – greifbaren Wert, den wir messen können. Ich konzentriere mich sehr speziell auf die supply chain, wie ich bereits erwähnte, beispielsweise in der Merch Planung. Mein Chef leitet die übergreifende Data Analytics Organisation in vielen verschiedenen Bereichen und bringt diese irgendwie zusammen. Aber wie gesagt, speziell für die supply chain habe ich in der Vergangenheit gesehen, dass man sehr schlaue Leute hat, die zwar nicht die supply chain Erfahrung besitzen, aber sehr technisch versiert sind, und das führt nicht zwangsläufig dazu, dass sie einen bedeutenden Mehrwert im Geschäft liefern. Es ist die Kombination aus betriebswirtschaftlichem Know-how und einem tiefen Verständnis der Branche gepaart mit der Fähigkeit, technisch auszuführen, die meiner Meinung nach zu positiven, bedeutenden finanziellen Ergebnissen führt.
Ob Sie sich nun als Datenwissenschaftler bezeichnen oder als supply chain practitioner, in gewisser Weise denke ich, dass dies die falsche oder eine irrelevante Frage ist. Für mich persönlich kommt die Begeisterung daraus, supply chain Probleme zu lösen, und es spielt also keine Rolle, ob man die Leute in einem Team als Supply Chain Scientists oder Demand Planners bezeichnet, wichtig ist die Arbeit, die man leistet.
Ich stimme definitiv zu, dass man eng mit dem Geschäft verbunden sein muss; andernfalls gibt es so viele Nuancen in der Welt der supply chain und Merch Planung, dass man, wenn man das nicht versteht, nur mit Zahlen spielt, und es ist schwer, bedeutende Ergebnisse zu liefern.
Die Kehrseite ist, dass ich denke, es gibt einen großen Mehrwert, der daraus entsteht, Analytics-Experten und Praktiker aus verschiedenen Bereichen zusammenzubringen. Der Vorteil einer einheitlichen Data Science Organisation besteht darin, dass man diese Verbindungen und Beziehungen zwischen gleichgesinnten, klugen Leuten aufbauen kann, sodass sie voneinander lernen und wirklich auf einiges von ihrem technischen Fachwissen aus unterschiedlichen Bereichen zurückgreifen können. Es hat einen großen Nutzen, wie die Teams interagieren – beispielsweise in den Bereichen Marketing Analytics, supply chain, Customer, Pricing – es gibt viele Verbindungen, die wertvoll sein können und dies zusammenbringen.
Ich denke, es hängt wirklich vom Unternehmen ab und davon, was es als insgesamt beste Strategie ansieht. Aber rein aus der Perspektive der supply chain denke ich, dass die Ergebnisse das sind, was zählt, und es ist sehr schwer, jenes Vertrauen zu gewinnen, über das wir gesprochen haben – das so wichtig ist, wenn man etwas Neues und scheinbar Komplexes ausprobiert –, wenn man es nicht in verständlichen Begriffen destillieren und erklären kann, wie es den Geschäftswert steigern wird, verbunden mit einem Verständnis dafür, wie die supply chain funktioniert.
Joannes Vermorel: Ich denke, Sie haben einen sehr interessanten Punkt angesprochen, und ich möchte ein wenig zurückkommen im Vergleich zu Ihren Kommentaren zur Zentralisierung. Zurückkommend auf probabilistische Vorhersagen: Es ist eine ziemlich technische Innovation, aber überraschend ist, dass sie das Geschäft so sehr berührt. Der Grund, warum sie Sie interessiert – und das haben Sie schon einige Male erwähnt – sind die Werte, die Sie schaffen können.
Das Interessante aus meiner Sicht, und das ist auch etwas, das sehr schwer zu vermitteln ist, ist, dass es von Natur aus etwas unglaublich anderes ist als, sagen wir, Deep Learning oder KI. Dies ist grundsätzlich eine Innovation, die deshalb von Interesse ist, weil man damit sehr praktisch in der supply chain etwas bewirken kann. Die Menge der technologischen Zutaten – es gibt einige technologische Zutaten bei der Durchführung probabilistischer Vorhersagen, aber es spielt eine
Conor Doherty: Bessere Prognosen können zu einer verbesserten supply chain führen. Unternehmen, die im klassischen Ansatz exzellent sind, können eine bessere Bestell- und Auffüllungsoptimierung erreichen. Es ist jedoch wichtig zu beachten, dass die Logik der Auffüllung und wie wir Prognosen in supply chain Entscheidungen umsetzen, gleichermaßen wichtig ist.
Sim Taylor: Die Leute sind oft überrascht zu erfahren, dass in manchen Fällen ein naiver gleitender Durchschnitt ähnliche Ergebnisse liefern kann wie eine schlechte Punktprognose. Ich versuche, das Gespräch mehr darauf zu fokussieren, Entscheidungen auf Basis dessen zu treffen, was den besten Output liefert, und darauf, wie wir Nachfrageschwankungen und Lieferzeitvariabilität bewerten. Wir müssen den finanziellen Erfolg dieses Ansatzes auf einfache und greifbare Weise für Unternehmen demonstrieren.
Conor Doherty: Sim und Joannes, habt ihr Beispiele von Unternehmen oder Kunden, bei denen ihr den finanziellen Erfolg nach der Implementierung dieses Ansatzes wirklich nachweisen könnt?
Sim Taylor: Ich habe kein spezifisches Beispiel aus der Perspektive probabilistischer Vorhersagen, aber aus der Perspektive von Quantilen habe ich Erfolge gesehen. Wir haben diesen Ansatz in Unternehmen eingeführt, wobei wir uns auf wichtige Geschäftskennzahlen wie die Verfügbarkeit im Lager und Wochenvorräte konzentriert haben. Wir konnten eine höhere Lagerverfügbarkeit erreichen, während wir die Bestandsniveaus gleich hielten oder sogar reduzierten. Dieser Ansatz half, Vertrauen aufzubauen und zeigte, dass die intelligente Anwendung dieser Konzepte den Geschäftswert steigern kann.
Conor Doherty: Habt ihr Anekdoten von Erfolgsgeschichten, in denen ihr einen probabilistischen Vorhersageansatz angewendet und den von euch angesprochenen Mehrwert demonstriert habt?
Sim Taylor: Nicht speziell aus der Perspektive probabilistischer Prognosen, sondern aus quantiler Sicht, tue ich das. In Zusammenarbeit mit einem großen kanadischen Einzelhändler haben wir einen Ansatz zur Sicherheitsbestandsbestimmung mittels Punktprognosen eingeführt, was zu einer Verbesserung der in-stock Verfügbarkeit führte, ohne das Inventar zu erhöhen. Als wir zur Quantilprognose übergingen, sahen wir einen deutlichen Anstieg bei der Erreichung höherer in-stock Verfügbarkeit, während die Inventarstände gleich blieben oder sogar reduziert wurden. Dies offenbarte klare Trends und Unterschiede bei den Faktoren der Geschäftsleistung und schuf Vertrauen in diesen Ansatz. Ich bin ein Enthusiast, der den nächsten Sprung wagen und den probabilistischen Prognoseansatz einsetzen möchte, um diese Ergebnisse weiter zu verbessern.
Conor Doherty: Die Quantilprognose löst dieses Problem nicht vollständig, nun, vielen Dank, Sim, in diesem Punkt. Joannes, hast du etwa Anekdoten wie die von Sim?
Joannes Vermorel: Ja, ich meine, es ist ein Detail, aber wenn ich vergleiche, was Lokad vor anderthalb Jahrzehnten zu Beginn gemacht hat und was es jetzt mit probabilistischen, prognosegestützten Ansätzen für supply chain macht, ist die Anzahl der Randfälle sehr interessant. Jedes Mal, wenn wir versucht haben, ein supply chain-Problem zu lösen, war da ein Gewirr von Randfällen. Mit Randfällen meine ich Situationen, in denen die übliche Logik so gravierend versagt, dass man eingreifen und das Ganze manuell korrigieren muss, weil das Ergebnis unsinnig ist. Deshalb haben Anbieter wie Lokad in der Regel Warnmeldungen und Ausnahmen, um all jene Situationen zu verwalten, die so offensichtlich unsinnig sind. Man kann sogar eine Regel einrichten, die dies erkennt und sagt: “Okay, jemand muss eingreifen, weil das System ein Ergebnis produziert, das so wenig Sinn ergibt.”
Und wir sind von massenhaft Randfällen zu nahezu keinen übergegangen. Das ist interessant, denn für mich bedeutete dies die Beseitigung der Randfälle – jener Dinge, die spezifische Aufmerksamkeit und spezifische Regeln erfordern. Letztendlich bin ich der Meinung, dass diese Eliminierung beweist, dass all dies lediglich die Folge einer Methode war, die im Kern die Unsicherheit ignorierte. Sobald also Unsicherheit oder Risiko ins Spiel kam – und übrigens, wenn wir Einschränkungen haben, etwa mit einem Emoji, und was auch immer es bedeutet, eine risikobewusste Entscheidung zu treffen – gelang es uns überwiegend, diese zu vereinfachen.
Obwohl es ein sehr anekdotisches Element ist, habe ich festgestellt, dass die Eliminierung von Randfällen der verlässlichste Indikator für die Reife und Qualität Ihrer Technologie war. Es zeigt sich darin, ob man mit einer sehr begrenzten Anzahl von Randfällen und Rand-Situationen arbeiten kann, die menschliches Eingreifen und Mikromanagement der Softwarelösung erfordern. Umgekehrt, wenn Sie Ihre Softwarelösung, die Ihre supply chain betreibt, mikromanagen müssen, bedeutet das höchstwahrscheinlich, dass auf fundamentaler Ebene etwas nicht stimmt. Es besteht eine Inkongruenz zwischen der Herangehensweise an das Problem und der Funktionsweise Ihrer Software, sodass Sie letztlich zu diesem Mikromanagement greifen, um Ihre supply chain notdürftig zusammenzukleben.
Für mich stellt sich die Frage: Können wir von Punktprognosen zu Quantil- und probabilistischen Prognosen übergehen? Also, die offene Frage lautet: Was kommt als Nächstes? Ich bin mir ziemlich sicher, dass es in diesem Bereich die nächste Stufe der Technologie geben wird, aber vorerst bleibt der Kampf, die meisten Unternehmen überhaupt dazu zu bringen, die Idee des reinen Akzeptierens von Unsicherheit zu verinnerlichen.
Sim Taylor: Und Joannes, nur um hinzuzufügen: Du erwähntest den Arbeitseinsparungseffekt als einen wesentlichen Vorteil, den du beobachtet hast. Ich denke, die Kehrseite ist, dass wenn wir über einige dieser speziellen Randfälle sprechen – die eigentlich gar nicht so randständig sind, sondern in der supply chain ständig auftreten, man bedenke, es ist eine Welt voller Einschränkungen – entweder mehr Arbeit erforderlich ist oder, wie ich es in früheren Unternehmen gesehen habe, viel häufiger die falsche Entscheidung getroffen wird. Vielleicht ist es nicht tatsächlich extra Arbeit, aber wir nehmen einfach einen
Conor Doherty: Vereinfachte Entscheidungsfindung führt oft zu suboptimalen Ergebnissen. Das Ziel ist es, zusätzliche Informationen zu nutzen, um eine optimalere Entscheidung zu treffen, die weniger Aufwand erfordert.
Sim Taylor: Richtig. Zum Beispiel haben wir lediglich genügend Bedarf, um 50 LKW-Ladungen bei einem Anbieter zu bestellen, doch unser Vertrag schreibt vor, dass wir volle LKW-Ladungen bestellen oder eine Mindestbestellmenge einhalten müssen. Ist es finanziell vorteilhafter, jetzt zu bestellen und zusätzlich Produkte zu erwerben, die wir nicht benötigen – was zu einem Überschuss an Inventar führt, der Kapazitäten belegt – oder gar nicht zu bestellen und das Risiko von Fehlbeständen bei bestimmten Produkten einzugehen? Idealerweise hätten wir eine ROI-basierte Entscheidung darüber, ob wir jetzt oder später bestellen sollten, was Randfallentscheidungen effektiver machen würde.
Conor Doherty: Meine Herren, ich habe keine weiteren Fragen. Sim, als Kunde gebe ich dir das letzte Wort. Möchtest du noch etwas hinzufügen oder weitere Fragen an supply chain-Direktoren richten, die den probabilistischen Prognoseansatz noch nicht angenommen haben?
Sim Taylor: Mein Appell an die supply chain-Community lautet: Evaluieren Sie diese Konzepte, übernehmen Sie sie und wagen Sie den Sprung, um durch Testen und Iterieren den Wert zu erschließen, den wir gewinnen können, wenn wir über den klassischen Ansatz hinausgehen. Ersetzen wir damit lediglich ein System durch ein anderes, das Ähnliches leistet? Ich würde mich freuen, mehr Gespräche und echte Anwendungsfälle zu sehen, in denen wir diesen Ansatz in Unternehmen verankern, um damit erfolgreich zu sein. Wenn wir Beispiele für diesen Mehrwert teilen, wird das dazu beitragen, die Diskussion zu beschleunigen und uns gemeinsam zu einem optimaleren Bestell- und Auffüllungsszenario zu führen.
Conor Doherty: Danke dafür, Sim. Ich kann nicht den gesamten Kredit dafür einstreichen – Joannes leistet da großen Beitrag.
Joannes Vermorel: Danke, Conor. Ich weiß das sehr zu schätzen.
Conor Doherty: In diesem Sinne, meine Herren, schließen wir ab. Joannes, vielen Dank für deine Zeit. Sim, vielen Dank für deine. Wir sehen uns beim nächsten Mal.
