00:00:00 Einführung und Sim’s Hintergrund in Datenwissenschaft und Supply Chain Analytics.
00:02:00 Überblick über Prognosen und Zeitreihen als gängiger Ansatz im Supply Chain Management.
00:06:26 Einführung in probabilistische Prognosen und den Unterschied zu Punktprognosen.
00:08:10 Sim’s Erfahrungen mit probabilistischen Prognosen und der Bewältigung realer geschäftlicher Herausforderungen.
00:09:15 Diskussion der Grenzen von Punktprognosen und der Vorteile probabilistischer Prognosen bei der Risikobewältigung.
00:11:39 Diskussion der Quantilsregression und ihrer Relevanz für das Bestandsmanagement.
00:14:20 Übergang zu probabilistischen Prognosen und ihren Vorteilen.
00:16:37 Vergleich von probabilistischen Prognosen mit traditionellen Methoden und ihren Grenzen.
00:17:37 Die Entwicklung probabilistischer Prognosen in verschiedenen Branchen.
00:19:00 Wie probabilistische Prognosen im Vergleich zum klassischen Ansatz die Bestandsverwaltung vereinfachen.
00:23:07 Diskussion des quantilen Prognoseansatzes und seiner Herausforderungen.
00:24:26 Begrenztes Umfeld in Unternehmen und Supply Chains.
00:25:58 Einführung von probabilistischen Prognosen zur besseren Entscheidungsfindung.
00:27:56 Bewältigung von Supply Chain Herausforderungen mit probabilistischen Prognosen.
00:30:41 Implementierung probabilistischer Prognosen in großen etablierten Unternehmen.
00:34:10 Bedeutung der organisatorischen Neugestaltung bei der Einführung eines neuen Systems.
00:36:02 Traditioneller Ansatz zur Konfliktlösung zwischen mehreren Einschränkungen.
00:38:31 Herausforderungen beim Loslassen traditioneller Prognosemethoden.
00:41:00 Wie man die Ressourcen neu priorisiert und restrukturiert.
00:42:33 Das potenzielle Wert von probabilistischen Prognosen.
00:45:30 Unternehmen dazu ermutigen, mit neuer Technologie einen Schritt zu wagen.
00:46:55 Übergang von Excel zu fortschrittlicheren Tools im Supply Chain Management.
00:48:30 Abhängigkeit von qualifizierten Ingenieuren für fortschrittliche Supply Chain Tools.
00:50:06 Vertrauen in die Empfehlungen neuer Systeme.
00:53:00 Bedeutung kombinierter Supply Chain und Datenwissenschaft Kenntnisse.
00:56:49 Schaffung einer datenwissenschaftlichen Abteilung, die verschiedene Abteilungen umfasst.
00:59:42 Diskussion der zukünftigen Struktur der Datenanalyse und ihrer Integration in Abteilungen.
01:02:16 Die Vorteile einer einzigen datenwissenschaftlichen Organisation.
01:04:01 Die Bedeutung des Verständnisses der Supply Chain bei der Implementierung neuer Technologien.
01:05:38 Vergleich von probabilistischen Prognosen mit komplexeren Technologien wie Deep Learning.
01:08:16 Bedeutung der Auffülllogik und ihrer Beziehung zur Prognose.
01:10:34 Die Herausforderungen, Supply Chain Führungskräfte von einem neuen Ansatz zu überzeugen.
01:12:05 Sim’s Erfahrungen mit probabilistischen Prognosen und ihren Vorteilen.
01:15:01 Anekdote über die Anwendung der Quantil-Prognose in einem großen kanadischen Einzelhändler.
01:19:35 Diskussion über suboptimale Entscheidungen im Geschäft und bessere Entscheidungsfindung.
01:21:14 Die Bedeutung von ROI-basierten Entscheidungen für Randfälle.
01:22:18 Aufruf zur Akzeptanz neuer Konzepte und Ansätze im Supply Chain Management.
01:23:25 Hoffnung auf ein optimales Bestell- und Auffüllungsszenario 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 Prognose für die Optimierung der Supply Chain. Sie erklären, dass dies die Zuweisung von Wahrscheinlichkeiten zu mehreren Szenarien beinhaltet, was zu einer besseren Bestandskontrolle und Entscheidungsfindung führt. Trotz der Herausforderungen bei der Implementierung der probabilistischen Prognose in großen Organisationen ermutigen sie Supply Chain-Leiter, neue Konzepte zu akzeptieren und über traditionelle Ansätze hinauszugehen. Sie betonen auch die Bedeutung des Vertrauens in Datenwissenschaftler und die Notwendigkeit von Fachleuten, die sowohl die Herausforderungen der Supply Chain 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 Prognose für die Optimierung der Supply Chain.
Sim Taylor teilt seine Erfahrungen im Bereich Data Science und Analytics, hauptsächlich in den Bereichen Merchandising und Supply Chain Analytics. Er erklärt, dass seine Arbeit darauf abzielt, Daten und Statistiken zu nutzen, um Produkte besser zu ihren vorgesehenen Standorten in der Supply Chain zu führen und finanzielle Ergebnisse zu maximieren.
Auf die Frage nach Prognosen beschreibt Taylor sie als eine Schlussfolgerung oder Vorhersage über ein zukünftiges Ergebnis unter Verwendung historischer Informationen und anderer Datenpunkte. Vermorel stimmt zu und fügt hinzu, dass die Zeitreihen-Prognose ein Eckpfeiler der klassischen Supply Chain-Theorie ist, betont jedoch, dass dies nur einer von vielen Ansätzen ist, um die Zukunft zu betrachten.
Das Gespräch geht zur probabilistischen Prognose über, bei der Wahrscheinlichkeiten oder Wahrscheinlichkeiten mehreren möglichen Szenarien zugeordnet werden. Taylor teilt seine Erfahrungen mit der Verwendung von Quantil-Regression bei der Prognose, die darauf abzielt, extreme Ereignisse vorherzusagen und Lagerbestände zu verhindern. Diese Methode beinhaltet die direkte Lösung für einen bestimmten Service-Level, was es Unternehmen ermöglicht, Bestandsniveaus festzulegen, ohne sich auf potenziell falsche Sicherheitsbestand-Berechnungen zu verlassen.
Taylor erklärt, dass der klassische Ansatz des Lagermanagements darin besteht, das wahrscheinlichste Ergebnis (Prognose) vorherzusagen und die Variabilität durch Hinzufügen von Sicherheitsbeständen zu berücksichtigen. Die probabilistische Prognose hingegen schätzt direkt den Gesamtbestand, der benötigt wird, um das Risiko von Fehlbeständen abzudecken. Taylor spricht auch über die Herausforderungen bei der Bestimmung des richtigen Quantils der Nachfrage und dem Ausgleich von Kundenbedürfnissen mit finanziellen Aspekten und Lagerhaltungskosten.
Die Interviewpartner diskutieren die Vorteile der probabilistischen Prognose in begrenzten Umgebungen wie begrenzten Budgets oder Mindestbestellmengen. Taylor merkt an, dass die probabilistische Prognose Unternehmen dabei helfen kann, klare Entscheidungen zwischen konkurrierenden Bedürfnissen zu treffen, indem sie das Wahrscheinlichkeitsmaß für den Verkauf jeder zusätzlichen Einheit und den finanziellen Wert, den sie bieten würde, verstehen.
Das Gespräch hebt die Herausforderungen hervor, denen Organisationen gegenüberstehen, wenn sie versuchen, die probabilistische Prognose umzusetzen, insbesondere wenn es darum geht, etablierte Prozesse und Arbeitsteilungen zu ändern. Sim Taylor teilt seine Erfahrungen bei der Umsetzung des quantenbasierten Prognoseansatzes mit, der ein umfassendes Verständnis und eine Verantwortung für die Umsetzung der Supply Chain erfordert. Die Prognose dient als Mittel zum Zweck und konzentriert sich auf die Verbesserung der Kundenzufriedenheit, des Umsatzes und der Kostenminimierung.
Sim Taylor betont die Bedeutung der Automatisierung der mathematischen Schwerarbeit bei Prognosen und Bestellmengen, wobei er den Wert der menschlichen Intuition und der Expertise erfahrener Supply Chain Manager anerkennt. Er schlägt vor, dass Unternehmen ihre Organisationen neu gestalten können, um die Nutzung ihres erfahrenen Personals zu optimieren, was eine Änderung ihrer Rollen und die Nutzung von Empfehlungen des Systems beinhalten kann.
Joannes Vermorel betont die Herausforderung, sich von traditionellen Prognosen und den damit verbundenen KPIs zu lösen, da die probabilistische Prognose den Fokus weg von der Genauigkeit der Prognosen und hin zu den durch sie ermöglichten operativen Entscheidungen lenkt. Er fragt Sim Taylor nach seiner Perspektive, wie Unternehmen ihre Ressourcen neu priorisieren und umstrukturieren können, um diese Veränderung zu ermöglichen.
Sim Taylor erkennt die Schwierigkeiten bei der Implementierung der probabilistischen Prognose in großen, risikoscheuen Organisationen an. Er schlägt vor, dass Erfolg schrittweise erreicht werden kann, indem zunächst einfachere und schnellere Tools bereitgestellt werden und dann der Wert des neuen Ansatzes demonstriert wird. Dies kann die Suche nach einem Anwendungsfall oder einem Unternehmen beinhalten, das bereit ist, den Sprung des Glaubens zu wagen und die Geschäftsergebnisse zu messen. Insgesamt betont das Gespräch die potenziellen Vorteile der Einführung der probabilistischen Prognose, erkennt jedoch auch die Herausforderungen an, die sie für etablierte Organisationen darstellt.
Das Gespräch berührt die Notwendigkeit, Erfolg zu demonstrieren, um die Akzeptanz neuer Technologien und Ansätze zu fördern. Vermorel äußert Bedenken hinsichtlich der Einschränkungen von Excel und dem Bedarf an fortschrittlicheren Tools zur Bewältigung von Unsicherheit. Taylor erkennt die Verwendung von Excel durch Supply Chain-Experten an, weist jedoch darauf hin, dass viele Entscheidungen von einem System getroffen werden, das für diejenigen, die es verwenden, oft eine “Black Box” ist.
Sowohl Taylor als auch Vermorel betonen die Bedeutung des Vertrauens in Datenwissenschaftler und die Notwendigkeit von Fachleuten, die die Herausforderungen der Supply Chain verstehen und mit Code arbeiten können, um Entscheidungen intelligent zu automatisieren. Taylor schlägt vor, Personen mit einer Kombination aus Verständnis für die Supply Chain und technischer Neigung zu finden. 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 betont die Bedeutung der Schaffung konkreten Mehrwerts im Supply Chain Management, unabhängig von Titel oder Rolle. Er glaubt, dass die Kombination von technischem Fachwissen und betrieblichem Wissen entscheidend ist, um positive finanzielle Ergebnisse zu erzielen. Das Gespräch berührt auch den Wert der Zusammenarbeit zwischen Analyseexperten aus verschiedenen Bereichen und die Bedeutung einer Verbindung zum Geschäft für aussagekräftige Ergebnisse.
Joannes Vermorel hebt die praktischen Vorteile der probabilistischen Prognose im Supply Chain Management hervor, im Gegensatz zu technischeren Innovationen wie Deep Learning. Die probabilistische Prognose konzentriert sich darauf, Wert zu schaffen, indem das Problem der Unsicherheit auf radikal andere Weise angegangen wird.
Sim Taylor diskutiert auch die Bedeutung der Logik der Wiederbeschaffung und wie sie für Entscheidungen im Supply Chain Management entscheidend ist. Er glaubt, dass es wichtig ist, sich auf den Wert der Supply Chain zu konzentrieren, und dass sich das Gespräch darauf konzentrieren sollte, wie Entscheidungen die besten Ergebnisse erzielen.
Sowohl Taylor als auch Vermorel sind sich einig, dass es wichtig ist, Anwendungsfälle und Erfolgsgeschichten zu teilen, um das Vertrauen der Unternehmen aufzubauen und den Wert der probabilistischen Prognose zu demonstrieren. Taylor teilt ein Beispiel aus der Zusammenarbeit mit einem großen kanadischen Einzelhändler, bei dem der Einsatz eines Quantilprognoseansatzes zu Verbesserungen bei der Bestandverfügbarkeit und Bestandsverwaltung führte.
Taylor betont, dass die Supply Chain eine Welt voller Einschränkungen ist und dass Randfälle zu suboptimalen Ergebnissen führen können. Das Ziel ist es, zusätzliche Informationen zu nutzen, um optimalere Entscheidungen zu treffen, die weniger Aufwand erfordern. Ein Beispiel, das er nennt, ist die Entscheidung, ob man eine volle LKW-Ladung von einem Lieferanten bestellt, wenn nur ein Teil davon benötigt wird. Die Fähigkeit, den Wert jeder Einheit, die Wahrscheinlichkeit des Verkaufs, die potenzielle Marge und die Lagerhaltungskosten zu bewerten, ermöglicht eine bessere Entscheidungsfindung in solchen Fällen.
Sowohl Vermorel als auch Taylor ermutigen Supply Chain-Direktoren, neue Konzepte wie die probabilistische Prognose zu bewerten und anzunehmen und sich von traditionellen Ansätzen zu lösen, die seit Jahrzehnten verwendet werden. Sie hoffen, dass sie durch das Teilen erfolgreicher Beispiele das Gespräch beschleunigen und Unternehmen dabei helfen können, optimalere Bestell- und Wiederbeschaffungsentscheidungen zu treffen.
Vollständiges Transkript
Conor Doherty: Willkommen zurück bei Lokad TV. Ich bin Ihr Gastgeber Conor und wie immer bin ich mit dem Gründer von Lokad, Joannes Vermorel, zusammen. Heute sprechen wir mit Sim Taylor. Er ist der Direktor für Analytik und Data Science bei Petco, einem ziemlich großen Unternehmen, und er wird mit uns über die Vorzüge der probabilistischen Prognose sprechen. Tim, herzlich willkommen bei Lokad.
Sim Taylor: Hallo, vielen Dank, dass Sie mich eingeladen haben, Conor und Joannes. Ein wenig Hintergrund zu meiner Person: Ich leite Teams für Data Science und Analytik und habe mich auf Waren und Supply Chain-Analytik spezialisiert. Der Großteil meiner Karriere war aus beratender Perspektive. Ich habe viele Jahre lang mit Deloitte in ihren Supply Chain-Teams in Großbritannien und Kanada zusammengearbeitet und mich in der zweiten Hälfte meiner Karriere darauf konzentriert, Modelle zu entwickeln, um Unternehmen bei der Optimierung ihres Lagerbestands zu unterstützen. Im Wesentlichen geht es bei meiner Arbeit darum, wie wir Daten und Statistiken nutzen können, um Produkte in der Supply Chain, in Fulfillment-Zentren, Geschäften und bei Kunden in den richtigen Mengen zur richtigen Zeit bereitzustellen, um Kunden zufriedenzustellen und finanzielle Ergebnisse zu maximieren. Ich habe mit einer Vielzahl von Unternehmen zusammengearbeitet, hauptsächlich Warenhäusern und Einzelhändlern für Allgemeinwaren, typischerweise mit vielen Produkten, einer großen Auswahl und einem großen Lagerbestand, ergänzt durch Mode- und Spezialeinzelhandel. Vor ein paar Jahren bin ich von der Beratung in die Industrie gewechselt und arbeite derzeit bei Petco, einem großen amerikanischen Zoofachhändler mit Sitz in Kalifornien und Präsenz in den USA und Mexiko.
Conor Doherty: Danke. Wenn Sie Menschen allgemein oder einem nicht spezialisierten Publikum erklären, was Prognose ist, wie erklären Sie das?
Sim Taylor: Sicher, Prognose ist im Grunde genommen 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 Prognose der Nachfrage, die Kundennachfrage. Also, für dieses Produkt in diesem Geschäft, was wollen meine Kunden in einer Woche, in zwei Wochen oder in 52 Wochen? Es geht 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, was ein wahrscheinliches Ergebnis ist, das wir erwarten können, und wie wir unsere Bestellung planen und das Produkt zum richtigen Zeitpunkt am richtigen Ort bekommen können. Das ist wirklich der Grundpfeiler der klassischen Supply Chain-Theorie, diese Prognose. Joannes, würden Sie dieser Definition zustimmen?
Joannes Vermorel: Ja, ich stimme der Idee der Zeitreihenprognose als Grundpfeiler der klassischen Supply Chain-Theorie sehr zu. Aber ich möchte auch darauf hinweisen, dass es tatsächlich eine sehr spezifische Art und Weise ist, wie man die Zukunft angehen kann. Diese Herangehensweise ist so etabliert und so weit verbreitet, dass die Branche als Ganzes weitgehend vergessen hat, dass es nur eine von vielen Herangehensweisen ist, um über die Zukunft nachzudenken. Denn es ist eine schwer fassbare Sache, über die Zukunft nachzudenken und sie vorherzusehen. Wenn man darüber durch die Brille der Zeitreihenprognose nachdenkt, hat man bestimmte Möglichkeiten, wie viele Modelle in dieses Paradigma passen würden, aber es schränkt auch ein, was man tun kann. Und ich denke, eine der interessanten Dinge in dieser Branche ist, dass aufgrund der Tatsache, dass Zeitreihenprognosen schon lange existieren,
Conor Doherty: Ich denke, es könnte hilfreich sein, darüber zu sprechen, wie ich auf die probabilistische Prognose gestoßen bin. Ich komme aus einer geschäftlichen Hintergrund und nicht aus dem akademischen Bereich, also bin ich tatsächlich auf die probabilistische Prognose gestoßen, als ich mit einem Einzelhändler zusammengearbeitet habe, um einige der realen geschäftlichen Herausforderungen bei Bestellung und Auffüllung zu lösen.
Sim Taylor: Für diesen Kunden haben wir Auffüllungswerkzeuge auf der Grundlage der Standardpunktprognose entwickelt, die immer noch die Grundlage für die meisten Unternehmen ist. Im Wesentlichen gehen wir davon aus, dass dieses Produkt morgen fünf Einheiten verkauft, übermorgen sechs Einheiten usw. Da es so viele Möglichkeiten gibt, dass diese eine Zahl nicht stimmt, haben wir dann den klassischen Sicherheitsbestandansatz oder die Gleichung angewendet und im Grunde gesagt, dass unsere einzelne Vorhersage des wahrscheinlichsten Nachfrageergebnisses oft falsch sein wird.
Der Standard-Sicherheitsbestandansatz geht im Wesentlichen davon aus, dass die Variabilität der Nachfrage und der Lieferanten Durchlaufzeiten symmetrisch um unsere wahrscheinlichste Prognosevorhersage verteilt ist. Diese Annahme der Normalverteilung wird aus statistischer Sicht in vielen Unternehmen einfach als Grundlage akzeptiert, ohne Frage.
Während wir diese Arbeit gemacht haben, haben mein Team und ich uns die tatsächliche Realität der Verkäufe im relevanten Durchlaufzeitfenster angesehen. Wir sind auf die Erkenntnis gestoßen, dass die Annahme der Normalverteilung für die meisten Einzelhändler überhaupt nicht zutrifft. Nachfrage und Durchlaufzeiten sind in der Regel nicht normal verteilt. Die Nachfrage tendiert bei den meisten Produkten stark zu einem niedrigen Wert und dann gibt es diesen langen Schwanz potenzieller Nachfragewerte nach rechts.
Es wurde uns klar, dass wir repräsentativere statistische Verteilungen verwenden müssen, um diese Variabilität der Kundennachfrage und der Durchlaufzeit zu modellieren. Andernfalls würden wir in einigen Situationen Gefahr laufen, dass uns die Ware ausgeht, weil wir die potenziellen Ergebnisse nicht korrekt modelliert haben.
Conor Doherty: Wie haben Sie und Ihr Team dann begonnen, Alternativen zur Punktprognose in Betracht zu ziehen?
Sim Taylor: Zuerst haben wir uns bei unseren Prognosen auf die Quantilsregression gestützt, die auf der Erkenntnis beruht, dass es in der Lagerhaltung nicht wirklich um das wahrscheinlichste Ergebnis geht, das wir aus einer Standardprognose erhalten. Es geht darum, diese extremen Ereignisse zu berücksichtigen und sicherzustellen, dass wir genügend Lagerbestand haben, um Lagerausfälle zu verhindern, wenn diese eintreten. Das ist es, was Service-Level in dem Standard-Sicherheitsbestandansatz tun.
Wir haben Prognosen mit Quantilsregression erstellt, die direkt auf einen bestimmten Service-Level abzielen. Wenn wir zum Beispiel alle möglichen Nachfrageereignisse über die Durchlaufzeit auflisten, was ist das 95. Quantil, die sehr unwahrscheinliche Situation dieser Nachfrage in dieser Durchlaufzeit? Das ist der Punkt, an dem Sie Ihren Lagerbestand festlegen. Sie müssen sich keine Gedanken darüber machen, ob Sie es als Sicherheitsbestand bezeichnen oder ob Ihre Sicherheitsbestandberechnungen auf falschen Annahmen beruhen.
So haben wir begonnen, verschiedene Nachfrageprognosen zu erkunden, die über das Durchschnittsergebnis hinausgehen. Dann entwickelte sich die Frage, welchen Service-Level wir festlegen sollten, um zu bestimmen, welches Quantil der Nachfrage oder der Durchlaufzeit vorhergesagt werden soll, und wie wir diese Quantilprognosen für Nachfrage und Durchlaufzeiten kombinieren können. Das ist der Zeitpunkt, an dem ich auf Lokad und ihren einzigartigen, differenzierten Ansatz gestoßen bin, bei dem sie alle möglichen Ergebnisse für die Nachfrage über die Durchlaufzeit prognostizieren und jedem eine Wahrscheinlichkeit zuweisen, was weit mehr Informationen erfasst als das Verständnis der Quantile.
Joannes Vermorel: Ihre Reise erinnert mich sehr an meine eigene, denn bei Lokad hatte ich persönliche Probleme mit diesen Annahmen. Der Begriff “Sicherheitsbestand” klingt sicher, aber die mathematischen Annahmen, die dahinter stecken, sind ziemlich verrückt und sicherlich sehr unsicher. Man landet bei Dingen wie negativen Durchlaufzeiten, was unglaublich seltsam ist. Das ist das Ergebnis einer Normalverteilung für Durchlaufzeiten. Und die Idee
Conor Doherty: Mir wurde klar, dass es eine Diskrepanz zwischen dem gab, woran die Leute wirklich interessiert waren, und dem, was sie sagten. Supply Chain-Direktoren wollten eine bessere Prognose, aber letztendlich wollten sie eine bessere Supply Chain-Entscheidung. Wenn man in statistischen Begriffen denkt, kommt es nicht auf den Durchschnitt an, sondern auf die Extremwerte. Diese Extremsituationen sind es, die zu Lagerausfällen oder Überschussbeständen führen, und das sind die Situationen, die man wirklich aus statistischer Sicht analysieren möchte. Ich habe festgestellt, dass Finanz- und Wettervorhersagen bereits seit den frühen 90er Jahren probabilistische Prognosen durchführen. 2011-2012 haben wir das auch für die Supply Chain gemacht, 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 unseren Bestand einfach anders. In Wirklichkeit kommt es auf das Ergebnis für das Unternehmen an. Bei unserem Standardansatz versuchen wir, das wahrscheinlichste Ergebnis sehr gut vorherzusagen, aber wir erkennen an, dass es eine seltsame Art ist, die Dinge zu betrachten, weil es uns wirklich darum geht, für das Risiko von extremeren Eventualitäten abzusichern, und wir haben diesen Sicherheitsbestand. Die Quantilprognose setzt genau diese beiden Aspekte, indem sie das extreme Beispiel der Nachfrage betrachtet und den Lagerbestand berechnet, den wir an unserem Standort haben sollten.
Joannes Vermorel: Wenn man eine vollständige Palette potenzieller Wahrscheinlichkeiten hat, wie wird das tatsächlich in der Geschäftswirklichkeit umgesetzt und genutzt? Diese Bestellentscheidungen sind es, worauf es ankommt, und es geht darum sicherzustellen, dass sie so optimal wie möglich sind. Wir brauchen vielleicht nicht mehr den Begriff “Sicherheitsbestand”, aber ich bin neugierig, wie Sie das in die praktische Umsetzung übersetzen.
Sim Taylor: Die erste Motivation, alternative Prognosen in Betracht zu ziehen, bestand darin, die Realität zu erkennen, dass Nachfrageereignisse nicht der Art von Verteilung folgen, die im klassischen Sicherheitsbestandansatz modelliert wird. Das war der Hauptanstoß für mich, andere Ansätze zu prüfen und unsere Fähigkeit zu bewerten, ein alternatives Modell zu haben, das besser zu den Daten passt.
Conor Doherty: Um also die Variabilität besser abzubilden oder zu berücksichtigen, wie sie typischerweise für Nachfrage und Durchlaufzeiten aussieht, haben Sie mit einem Quantilprognoseansatz begonnen. Aber es gab Herausforderungen, wie die Bestimmung des richtigen Quantil-Extrems der Nachfrage, um Kundenbedürfnisse und Finanzen mit den Kosten der Lagerhaltung in Einklang zu bringen. Und in beschränkten Umgebungen, die in Unternehmen und Lieferketten häufig vorkommen, benötigten Sie eine Möglichkeit, zwischen verschiedenen Produkten und Einheiten zu entscheiden, die gekauft werden sollen. Können Sie mehr darüber sprechen, wie Sie auf die probabilistische Prognose als Lösung für diese Herausforderungen gestoßen sind?
Sim Taylor: Ja, was mich an der probabilistischen Prognose interessiert hat, war das Konzept, alle potenziellen Szenarien und ihre Wahrscheinlichkeiten zu verstehen. Wenn ich die Wahrscheinlichkeit kenne, vier Einheiten, fünf Einheiten, sechs Einheiten zu verkaufen, kann ich herausfinden, wie wahrscheinlich es ist, dass ich die nächste Einheit, die ich kaufen werde, verkaufe. Wenn ich das weiß und den Wert kenne, den ich aus dem Verkauf dieses Produkts erhalte, die Bruttomarge sowie die Kosten für die Lagerhaltung und das Ausverkaufen, kann ich eine klare Entscheidung darüber treffen, welche Einheit meinem Unternehmen mehr Wert bietet. Damit löst es viele Herausforderungen, mit denen mein Team und andere schon lange zu kämpfen haben. Wir befinden uns immer in einer beschränkten Umgebung, und die Wahrscheinlichkeit, dass jede nächste Einheit verkauft wird, und ihr finanzieller Wert sind ein eleganter Weg, um diese Herausforderungen anzugehen.
Joannes Vermorel: Das ist sehr interessant. Mein größtes Problem, wenn ich versuche, probabilistische Prognosen in großen etablierten Unternehmen wie Petco einzuführen, ist die historische Arbeitsteilung zwischen Prognose und Entscheidungsfindung. Große Organisationen haben typischerweise die Aufgaben zwischen den für die Prognose zuständigen Personen und denen, die Entscheidungen wie Wiederbeschaffung, Produktionsaufträge und Bestellbewegungen treffen, aufgeteilt. Aber die probabilistische Prognose ist ein Werkzeug, das einen effizienteren Entscheidungsprozess ermöglicht. Die Entscheidungsfindung selbst ist nicht genau die Prognose, aber grundsätzlich sind die Wiederbeschaffungsentscheidung und die Prognose viel stärker miteinander verflochten als in der alten Welt, in der ein separates Team die Sicherheitsbestandsanalyse durchführte und die Entscheidungen traf.
Conor Doherty: Die Wiederbeschaffung ist, würde ich sagen, eine klassische Theorie der Lieferkette, die eine sehr klare Arbeitsteilung zwischen den Personen vorsieht, die für die Prognose/Planung zuständig sind, und den anderen Personen, die die operativen Entscheidungen treffen sollen, wie Produktionsaufträge, Wiederbeschaffungsaufträge, Bestellbewegungen usw. Wie gehen Sie damit um? Sie haben in sehr großen, etablierten Unternehmen gearbeitet, die offensichtlich eine Lieferkettenpraxis hatten, die diese probabilistischen Erkenntnisse weitgehend vorwegnahm. Wie sind Sie tatsächlich mit dieser Methode auf die Organisation zugegangen, die meines Erachtens die historischen Grenzen der Arbeitsteilung, die zur Unterstützung der Lieferkettenpraxis bestanden, nicht respektiert?
Sim Taylor: Ich denke, in Situationen, in denen wir beispielsweise mit dem quantitativen Prognoseansatz einen Mehrwert erzielt haben, ist es wirklich hilfreich, die Verantwortung für die gesamte Umsetzung der Lieferkette zu haben. Wenn unser ultimatives Ziel, was es immer ist, darin besteht, die Kundenzufriedenheit, den Umsatz und die Kosten zu verbessern, während wir dies tun, ist die Prognose selbst nur ein Mittel zum Zweck. Uns geht es um die Ergebnisse: Wie viel sollte ich bestellen, an welchem Ort und zu welcher Zeit, sowohl in den Vertriebszentren als auch in den Geschäften. Wo ich früher Erfolg hatte, war, als uns die Aufgabe übertragen wurde, diese Prognose zu erstellen und sie direkt in die Bestellmengen zu übersetzen.
Wir prognostizieren, generieren die Bestellmengen entweder von Lieferanten in die Vertriebszentren oder die Wiederbeschaffung von den Vertriebszentren in die Geschäfte. Die Rolle ist weitgehend ein Genehmigungs- und Evaluierungsprozess. In einer idealen Welt möchten Sie so viel wie möglich des mathematischen Schwerstarbeit automatisieren und die Dinge in der Mehrheit der Szenarien richtig machen. Dann ist es eine Möglichkeit, diese datengetriebene Erkenntnis mit der Expertise der Geschäftsteams zu kombinieren, um die Extreme oder verschiedene Beispiele zu verstehen und dort Anpassungen vorzunehmen.
Wenn ein Unternehmen plant, die Art und Weise, wie es seine Bestellungen und Wiederbeschaffungen durchführt, zu ersetzen oder zu transformieren, handelt es sich um ein umfangreiches Projekt, das viel Arbeit, viele Monate zur Implementierung und die Beteiligung vieler Menschen erfordert. Es ist eine Chance, die Art und Weise, wie Ihr Unternehmen läuft, neu zu gestalten und zu erfrischen. Viele Unternehmen nutzen dies als Gelegenheit, ihre Organisation neu zu gestalten, was in der Regel Change Management und organisatorische Neugestaltung beinhaltet. Wenn Sie Ihre Organisation neu gestalten und sie um ein viel besseres System herum neu ausrichten können, liegt darin der eigentliche Erfolg bei der Reduzierung der Bestellkosten und der Verbesserung der Bestandsebenen für Kunden.
Conor Doherty: Ich habe eine ganz spezifische Frage, die ich dir stellen möchte, Joannes. Wir sprechen über den traditionellen Ansatz zur Lösung von Konflikten zwischen mehreren Einschränkungen, wenn es um Geschäftsteams geht. Wie wird das normalerweise von einem nicht-probabilistischen Geschäftsteam oder einem nicht-probabilistischen Optimierungsprozess gelöst? Wie wird das im Alltag gemacht?
Joannes Vermorel: Wenn wir ein Einzelhandelsbeispiel nehmen, hätten Sie ein Team, das Prognosen erstellt. Sie würden die Grundlinie festlegen, Saisonalitätsprofile verwalten und möglicherweise Dinge wie ABC-Klassen mit dem Grad der Aufmerksamkeit und so weiter festlegen. Es gäbe also ein Team, das sehr eng damit verbunden ist, zukünftige Prognosen zu erstellen, die Zeitreihen sind. Dann haben Sie ein anderes Team oder eine Reihe anderer Teams, die für die operativen Entscheidungen verantwortlich sind, wie beispielsweise die Wiederbeschaffung oder die Entscheidung, ob ein Produkt überhaupt in einem Geschäft zugelassen ist oder nicht. Die Mainstream-Organisation ist vollkommen gerechtfertigt und sehr etabliert und rarifiziert in dem Sinne, dass die meisten Software-Tools, die auf dem Markt existieren, Benutzeroberflächen und Prozesse bieten.
Joannes Vermorel: Wenn Sie maßgeschneiderte Workflows für diese Denkweise haben, selbst wenn sie teilweise willkürlich ist, haben Sie, sobald Sie Tonnen von Tools haben, die die Positionen überprüfen, einen Bildschirm, der der Überprüfung von Zeitreihenprognosen gewidmet ist, einen anderen Bildschirm für die Anpassung von Sicherheitsbeständen und einen weiteren Bildschirm für das Alert-Management. Diese abstrakten Konzepte werden in der Organisation zu greifbaren Dingen, weil es Menschen mit Rollen und Workflows gibt, die darauf aufbauen.
Wie unser Gast erwähnt hat, stellt die probabilistische Prognose die Organisation auf einer ziemlich tiefen Ebene vor Herausforderungen. Wenn wir ein umfangreiches Projekt haben, das eine der Kernfunktionen des Unternehmens, wie beispielsweise die Wiederbeschaffung in einem Einzelhandelsunternehmen, überdenkt, besteht die Möglichkeit, viele Annahmen zu überdenken. Es erfordert einen gewissen Glaubenssprung, da es ein Sprung von der traditionellen Art und Weise ist, das Supply Chain Management anzugehen, zu einer alternativen Organisation, die eine Konsequenz dessen ist, was probabilistische Prognosen in Ihrem Unternehmen ermöglichen.
Prognosen sind nur Artefakte; sie sind ein Instrument, um etwas anderes zu erreichen. Und doch werden Prognosen in vielen Unternehmen, insbesondere solchen mit einer großen Lieferkette, typischerweise als eigenständiges Ziel behandelt. Es gibt ein Team mit KPIs in Bezug auf Genauigkeit, und dies ist Teil des S&OP-Prozesses. Sie möchten eine genauere Prognose als Ziel für das nächste Jahr.
Sim Taylor: Die Herausforderung besteht darin, sich von der Prognose zu lösen. Mit probabilistischer Prognose schlagen Sie vor, den Fokus des Managements zu verlagern. Anstatt KPIs zur Genauigkeit der Prognose zu verfolgen und Ressourcen, Budget und Tools zur Verbesserung bereitzustellen, sollten wir uns auf die Entscheidungen konzentrieren, die wir aufgrund dieser Prognosen treffen. Das ist viel zu berücksichtigen und erfordert einen Glaubenssprung. 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 ich kenne kein großes Unternehmen, das sich vollständig der probabilistischen Prognose verschrieben hat. Die schrittweise Implementierung, die Bereitstellung eines einfacheren, schnelleren Tools zuerst und das Zeigen von Ergebnissen ist der Weg, um Supply Chain-Verantwortliche einzubeziehen und zu durchdringen. Sie benötigen dieses eine Beispiel und dann messen Sie die geschäftliche Realität: die Verfügbarkeit im Bestand, den Lagerumschlag, die Lagerinvestition und die Wochenversorgung vor und nach der Einführung des neuen Ansatzes.
Zeigen Sie die klaren, unbestreitbaren finanziellen Vorteile, die durch den neuen Ansatz entstehen. Kümmern wir uns wirklich um die Prognose? Darüber können wir sprechen, aber die Ergebnisse sind das, was zählt. Wenn wir mit den Geschäftsergebnissen beginnen und das Gespräch mit historischen Ergebnissen und Erfolgen beginnen, weckt das mehr Aufmerksamkeit als wenn wir mit Theorie beginnen.
Conor Doherty: Ich habe Supply Chain-Experten erwähnt, Führungskräfte mit viel Erfahrung, sie haben diese großartige Intuition, und Sie können darauf zurückgreifen. Jeder möchte sein Geschäft verbessern, also hat fast jeder einen Anreiz, einen Sprung zu wagen, aber sie brauchen nur etwas Bodenhaftung und etwas Vertrauen. Sie haben ein ähnliches Unternehmen gesehen und die finanziellen Erträge gesehen, die wirklich den Erfolg demonstrieren. Das ist, wie Sie wissen, wenn Sie diesen einen Anwendungsfall haben, um den Sprung zu wagen, dann haben Sie wirklich eine Plattform und können damit beginnen, das auszurollen. Ich denke, so fangen neue Technologien und Ansätze immer an. Am Ende des Tages sind wir in einem Unternehmen, um das Beste für den Kunden zu tun und finanziell das Beste für die Aktionäre zu tun. Wenn wir zeigen können, dass es einen guten Anwendungsfall gibt, um dieses Risiko einzugehen, etwas Neues auszuprobieren, weil wir anderswo Erträge gesehen haben, ist das ein aufregender Vorschlag. Sie sind viel eher bereit, ein Gespräch zu beginnen und den Ball ins Rollen zu bringen. Aber ich stimme zu, es ist eine große Herausforderung, weil etablierte Prozesse in der Art und Weise, wie wir unsere Teams in den meisten großen Unternehmen strukturieren, gut verwurzelt sind. Daher braucht es die richtigen Personen, die bereit sind, die Herausforderungen wirklich zu verstehen und auch Einfluss zu nehmen, um diesen Geschäftsfall zu machen, um zu zeigen, dass es tatsächlich Wert ist, so etwas auszuprobieren.
Joannes Vermorel: Einer der Einwände, die ich häufig höre, ist, dass der Übergang von etwas wie Punktprognosen, die leicht in Excel dargestellt werden können, zu probabilistischen Prognosen, die in gewissem Maße in Excel dargestellt werden können, zu einem albtraumhaften Prozess wird. Also, das Fazit ist, dass Sie Ihre Werkzeuge auf die eine oder andere Weise aufrüsten müssen. Um Modelle zu haben, die Unsicherheit umfassen, benötigen Sie ein Werkzeug, das leistungsfähiger ist als Excel. Sie schaffen eine Risikoklasse, bei der Ihre Organisation plötzlich von Personen abhängt, die in der Lage sind, diese komplexeren Werkzeuge zu handhaben. Aufgrund Ihrer Position als Leiter der Datenwissenschaften denke ich, dass Sie an vorderster Front stehen, um Dinge einzuführen, die nicht sofort zugänglich sind. Sobald wir darüber sprechen, 20 Zeilen Python zu haben, ist die Art von Fähigkeiten, die dafür erforderlich sind, im Gegensatz zu einer einfachen Tabellenkalkulation, ziemlich groß. Das bedeutet also, dass Sie als Unternehmen von Personen abhängig sind, die über viel mehr Ingenieurkompetenz verfügen als das, was sie in diesen Supply Chain-Positionen früher hatten. Ich weiß, dass sich einige der Personen, mit denen ich spreche, Sorgen über diese Art von Vorschlag machen. Sie fragen sich, wie sie damit umgehen sollen, wenn sie eine realitätsnahe Supply Chain von etwas abhängig machen wollen, das nicht einfach durch Excel-Tabellen fließt oder als regelbasiertes System in ERP implementiert werden kann.
Sim Taylor: Es gibt wahrscheinlich zwei Dinge zu klären. Erstens ist Excel ein Tool, das den Category Managern, Einkäufern und Supply Chain-Experten sehr vertraut ist. Es gibt definitiv Verwendungsmöglichkeiten, aber in den meisten Unternehmen werden die meisten Entscheidungen von einem System bestimmt und vorangetrieben, das für diejenigen, die tatsächlich die Einkaufsentscheidungen treffen, bereits eine Art Black Box ist. Daher ist der Wechsel von Excel in einigen Fällen kein großer Sprung. Es ist ein Übergang von einem System, das Empfehlungen auf eine bestimmte Weise gibt, zu einem System, das Empfehlungen auf eine andere Weise gibt. Ich denke, solange Vertrauen in die Funktionsweise des neuen Systems besteht und die richtige Schulung und Diskussionen stattfinden, um zu verstehen, warum das System etwas anders macht, ist es nicht so sehr ein Sprung, das System selbst zu ändern.
Der zweite Teil ist das Vertrauen in Datenwissenschaftler. Ich glaube wirklich, dass Supply Chain und Merchandise Planning zu den Bereichen gehören, bei denen man nicht einfach einen Datenwissenschaftler einsetzen kann und konkrete finanzielle Vorteile erwarten kann. Es gibt vielleicht ein
Conor Doherty: Joannes und Sim, ich möchte mehr über die Bedeutung von technischer und mathematischer Expertise sowie Supply Chain-Erfahrung wissen, wenn es darum geht, Supply Chains zu optimieren. Was denken Sie darüber?
Sim Taylor: Die Optimierung der Supply Chain erfordert eine Kombination von Fachkenntnissen, einschließlich des Verständnisses der Herausforderungen und Komplexitäten der Supply Chain-Welt sowie mathematischer und technischer Fähigkeiten. Der ideale Kandidat sollte Erfahrung sowohl im Supply Chain Management als auch in der Datenwissenschaft haben. Er sollte in der Lage sein, mit früheren Systemen umzugehen und Kenntnisse über gängige Herausforderungen wie Mindestbestellmengen von Lieferanten und Kapazitätsbeschränkungen in Distributionszentren zu haben. Ein Datenwissenschaftler direkt nach dem Studium hat möglicherweise nicht dieses Wissen, was zu Misstrauen führen kann, wenn versucht wird, Technologie mit Supply Chain Management zu verbinden. Wir suchen intelligente Personen mit sowohl betriebswirtschaftlichem Verständnis als auch technischer Neigung, die in der Lage sind, mit Code zu arbeiten oder Entscheidungen auf intelligente Weise zu automatisieren. Diese Kombination ist entscheidend für den Aufbau erfolgreicher Analyseteams.
Conor Doherty: Joannes, würden Sie sagen, dass Ihr Ansatz bei der Auswahl von Supply Chain-Wissenschaftlern bei Lokad mit Sim’s Ansichten über die Bedeutung einer Kombination von Fähigkeiten übereinstimmt?
Joannes Vermorel: Ja, ich denke, unsere Ansichten stimmen überein. Tatsächlich sehe ich eine mögliche Entwicklung auf dem Markt, bei der sich in zehn Jahren Datenwissenschaftsteams, die derzeit unabhängig arbeiten, in die Supply Chain-Abteilungen integrieren könnten. Ich stelle mir eine Zukunft vor, in der jede Abteilung ein Team von Ingenieuren hat, die sich auf quantitative Analysen spezialisiert haben und das Rückgrat der Optimierung für das Unternehmen bilden. Sie würden eng mit dem Betrieb und dem Top-Management zusammenarbeiten, um Strategien festzulegen. Ich glaube, dass diese natürliche Entwicklung dazu führen würde, dass Datenwissenschaftliche Fähigkeiten in jede entsprechende Abteilung wieder eingegliedert werden, zum Beispiel indem Supply Chain-Analysten Teil der Supply Chain-Abteilung werden und Marketing-Analysten der Marketing-Abteilung beitreten. Die derzeitige Organisationsstruktur, bei der Datenwissenschaftsabteilungen unabhängig von den Abteilungen sind, die sie bedienen, könnte sich ändern, da Datenwissenschaft eine intrinsische Komponente jeder Praxis wird, anstatt eine unterstützende Funktion zu sein.
Sim Taylor: Joannes, ich finde deine Perspektive auf die Zukunft von Datenwissenschaft und Analytik in Organisationen interessant. Als Leiter der Analytik bei Petco glaube ich, dass es in zehn Jahren tatsächlich eine Verschiebung hin zur Integration von Datenanalyseabteilungen in die jeweiligen Fachabteilungen geben könnte, wenn wir weiterhin operative Erfolge sehen.
Conor Doherty: Sehen Sie das eher als eine Internalisierung in jeder Abteilung, in der Sie Erfolg haben?
Joannes Vermorel: Was für eine interessante Frage, die wirklich darüber spricht, wie man ein Unternehmen jetzt organisiert und strukturiert und welche Vorteile diese verschiedenen Ansätze haben. Aus meiner persönlichen Meinung heraus stimme ich Ihnen nicht zu. Ich denke, der Titel und die Organisation, in der Sie sich befinden, sind weitgehend irrelevant.
Sim Taylor: Was mich begeistert, wenn ich jeden Tag zur Arbeit gehe, ist die Suche nach Möglichkeiten, einen messbaren Mehrwert zu schaffen. Ich konzentriere mich sehr stark auf die Supply Chain, wie ich bereits erwähnt habe, zum Beispiel in der Merchandise-Planung. Mein Chef leitet die breitere Datenanalyseorganisation in vielen verschiedenen Bereichen und bringt diese zusammen. Aber wie ich bereits erwähnt habe, denke ich speziell für die Supply Chain, dass ich das in der Vergangenheit gesehen habe: Sie haben wirklich kluge Leute, die keine Erfahrung in der Supply Chain haben, aber sehr technisch versiert sind, und sie führen nicht unbedingt zu diesem bedeutsamen Mehrwert im Geschäft. Es ist die Kombination aus den betriebswirtschaftlichen Fähigkeiten und dem Verständnis dieser Branche zusammen mit der Fähigkeit zur technischen Umsetzung, die meiner Meinung nach positive, bedeutsame finanzielle Ergebnisse vorantreibt.
Ob Sie sich nun als Datenwissenschaftler oder als Supply Chain-Praktiker bezeichnen, ich denke, es ist die falsche Frage oder eine irrelevante Frage. Für mich besteht die Begeisterung darin, Supply Chain-Probleme zu lösen, und daher ist es egal, ob man Teammitglieder als Supply Chain-Wissenschaftler oder Nachfrageplaner bezeichnet. Es kommt auf die Arbeit an, die man leistet.
Ich stimme definitiv zu, dass man eng mit dem Geschäft verbunden sein muss; sonst gibt es so viele Feinheiten in der Welt der Supply Chain und der Merchandise-Planung, dass man nur mit Zahlen herumspielt und es schwer ist, bedeutungsvolle Ergebnisse zu erzielen.
Die Kehrseite ist jedoch, dass ich glaube, dass es viel Wert bringen kann, Analytics-Experten und Praktiker aus verschiedenen Bereichen zusammenzuführen. Der Vorteil einer einzigen Data-Science-Organisation besteht darin, dass man diese Verbindungen und Beziehungen zwischen gleichgesinnten, klugen Menschen aufbauen kann, die voneinander lernen und auf ihr technisches Fachwissen aus verschiedenen Bereichen zurückgreifen können. Es gibt viele Vorteile darin, wie die Teams in den Bereichen Marketing-Analytics, Supply Chain, Kunden und Preisgestaltung zusammenarbeiten. Es gibt viele wertvolle Verbindungen, die hergestellt werden können und die das Ganze zusammenbringen können.
Ich denke, es hängt wirklich von dem Unternehmen ab und davon, was sie als die beste Gesamtstrategie betrachten. Aber rein aus der Perspektive der Supply Chain denke ich, dass die Ergebnisse zählen und dass es sehr schwer ist, dieses Vertrauen aufzubauen, von dem wir gesprochen haben, das so wichtig ist, wenn man etwas Neues und scheinbar Komplexes ausprobieren möchte, wenn man es nicht auf den Punkt bringen und erklären kann, wie es den Geschäftswert steigern wird und wie die Supply Chain funktioniert.
Joannes Vermorel: Ich denke, Sie haben einen sehr interessanten Punkt angesprochen, und ich gehe ein wenig auf Ihre Kommentare zur Zentralisierung zurück. Um auf die probabilistische Prognose zurückzukommen, handelt es sich um eine ziemlich technische Innovation, aber sie betrifft so sehr das Geschäft. Der Grund, warum es Sie interessiert und warum Sie das schon mehrmals erwähnt haben, sind die Werte, die Sie schaffen können.
Das Interessante aus meiner Perspektive, und das ist auch etwas, das sehr schwer zu vermitteln ist, ist, dass es etwas in der Natur gibt, das sich grundlegend von Deep Learning oder KI unterscheidet. Dies ist im Wesentlichen eine Innovation, die aufgrund dessen, was Sie in einer sehr praktischen Supply Chain-Weise damit tun können, von Interesse ist. Es gibt einige technologische Bestandteile, um probabilistische Prognosen zu erstellen, aber es spielt eine
Conor Doherty: Bessere Prognosen können zu einer verbesserten Supply Chain führen. Unternehmen, die im klassischen Ansatz herausragend sind, können eine bessere Bestell- und Auffüllungs-Optimierung haben. Es ist jedoch wichtig zu beachten, dass die Auffüllungslogik und wie wir Prognosen in Supply Chain-Entscheidungen extrapolieren, gleichermaßen wichtig ist.
Sim Taylor: Es überrascht die Leute oft zu wissen, dass in einigen Fällen ein einfacher gleitender Durchschnitt ähnliche Ergebnisse wie eine schlechte Punktprognose liefern kann. Ich versuche, das Gespräch mehr darauf zu konzentrieren, Entscheidungen auf der Grundlage dessen zu treffen, was den besten Output bringt, und wie wir die Nachfragevariabilität und die Lieferzeitvariabilität bewerten. Wir müssen den finanziellen Erfolg dieses Ansatzes auf einfache und greifbare Weise für Unternehmen demonstrieren.
Conor Doherty: Sim und Joannes, haben Sie Beispiele von Unternehmen oder Kunden, bei denen Sie die finanzielle Verbesserung nach der Implementierung dieses Ansatzes wirklich zeigen können?
Sim Taylor: Ich habe kein spezifisches Beispiel aus der Perspektive einer probabilistischen Prognose, aber aus einer Quantil-Perspektive habe ich Erfolg gesehen. Wir haben diesen Ansatz mit Unternehmen eingeführt und uns auf wichtige Geschäftskennzahlen wie die Verfügbarkeit im Lager und die Wochenversorgung konzentriert. Wir konnten eine höhere Verfügbarkeit im Lager erreichen, während wir die Lagerbestände gleich oder sogar reduziert halten konnten. Dieser Ansatz half dabei, Vertrauen aufzubauen und zu zeigen, dass die intelligenten Anwendung dieser Konzepte einen Geschäftswert schaffen kann.
Conor Doherty: Haben Sie irgendwelche Anekdoten von Erfolgsgeschichten, in denen Sie einen probabilistischen Prognoseansatz angewendet und den von Ihnen erwähnten Wert nachgewiesen haben?
Sim Taylor: Nicht speziell aus der Perspektive einer probabilistischen Prognose, aber aus einer Quantil-Perspektive schon. Bei der Zusammenarbeit mit einem großen kanadischen Einzelhändler haben wir einen Sicherheitsbestandsansatz für Punktprognosen eingeführt, der zu einer Verbesserung der Verfügbarkeit im Lager führte, ohne den Lagerbestand zu erhöhen. Als wir uns der Quantilprognose zuwandten, konnten wir eine bedeutende Steigerung der Verfügbarkeit im Lager erreichen, während wir die Lagerbestände gleich oder sogar reduziert hielten. Dies zeigte klare Trends und Unterschiede in den Geschäftsleistungsfaktoren und schaffte Vertrauen in diesen Ansatz. Ich bin ein Enthusiast, der den nächsten Schritt gehen möchte und den probabilistischen Prognoseansatz nutzen möchte, um diese Ergebnisse weiter zu verbessern.
Conor Doherty: Quantile-Prognosen lösen das Problem nicht ganz, nun, danke, Sim, zu diesem Punkt. Ich werfe es jetzt zu dir, Joannes, gibt es ähnliche Anekdoten wie bei Sim?
Joannes Vermorel: Ja, ich meine, es ist eine Kleinigkeit, aber wenn ich vergleiche, was Lokad vor anderthalb Jahrzehnten gemacht hat, als es begann, und jetzt, was es mit probabilistischen Prognose-fähigen Ansätzen für die Supply Chain macht, ist die Anzahl der Randfälle sehr interessant. Als wir anfingen, gab es jedes Mal, wenn wir ein Supply-Chain-Problem angehen wollten, einen Wald von Randfällen. Mit Randfällen meine ich etwas, bei dem die übliche Logik so kläglich versagt hat, dass man eingreifen und die Sache manuell korrigieren musste, weil das Ergebnis unsinnig war. Das ist der Grund, warum Anbieter wie Lokad in der Regel Warnungen und Ausnahmen haben, um all diese Situationen zu bewältigen, die so offensichtlich unsinnig sind. Man kann sogar eine Regel erstellen, um dies zu erkennen und zu sagen: “Okay, jemand muss eingreifen, weil das System eine Ausgabe erzeugt, die so wenig Sinn ergibt.”
Und wir sind von einer Menge davon zu sehr wenig davon übergegangen. Das ist interessant, weil für mich das Beseitigen der Randfälle, der Art von Dingen, die spezielle Aufmerksamkeit und spezielle Regeln erfordern, beweist letztendlich, dass all das nur die Folge davon war, dass eine Methode, die im Kern die Unsicherheit ignorierte, verwendet wurde. Daher, wann immer Unsicherheit oder Risiko ins Spiel kamen, und übrigens, wenn wir Einschränkungen haben, zum Beispiel mit einem Emoji und was auch immer es bedeutet, eine risikobewusste Entscheidung zu treffen, haben wir es überwiegend geschafft, sie zu vereinfachen.
Obwohl es ein sehr anekdotisches Element ist, das Beseitigen von Randfällen, habe ich festgestellt, dass es der zuverlässigste Indikator für die Reife und Qualität Ihrer Technologie ist. Es ist die Frage, ob Sie mit einer sehr begrenzten Anzahl von Randfällen und Randbedingungen arbeiten können, die menschliches Eingreifen und Mikromanagement der Softwarelösung erfordern. Wenn Sie Ihre Softwarelösung, die Ihre Supply Chain betreibt, mikromanagen müssen, bedeutet das höchstwahrscheinlich, dass es auf fundamentaler Ebene etwas gibt, das Sie nicht richtig verstehen. Sie haben eine Impedanzanpassung in der Art und Weise, wie Sie das Problem angehen, und der Art und Weise, wie Ihre Software funktioniert, und deshalb müssen Sie dieses Mikromanagement als Möglichkeit verwenden, Ihre Supply Chain zu flicken.
Für mich stellt sich die Frage, können wir von Punktprognosen zu Quantilen zu probabilistischen Prognosen übergehen? Die offene Frage wird also sein, was als Nächstes kommt? Ich bin mir ziemlich sicher, dass es eine nächste Stufe der Technologie in diesem Bereich geben wird, aber im Moment besteht die Herausforderung immer noch darin, die meisten Unternehmen dazu zu bringen, die Idee der Akzeptanz von Unsicherheit überhaupt anzunehmen.
Sim Taylor: Und Joannes, um hinzuzufügen, du sprichst von der Reduzierung der Arbeit als einem großen Vorteil, den du gesehen hast. Ich denke, die Kehrseite ist, wenn wir über einige dieser Nischenrandfälle sprechen, die wirklich nicht so randständig sind, sondern in der Supply Chain immer wieder auftauchen, wie gesagt, es ist eine Welt voller Einschränkungen. Entweder erfordert es mehr Arbeit oder, was ich in früheren Unternehmen viel häufiger gesehen habe, es wird die falsche Entscheidung getroffen. Vielleicht ist es keine zusätzliche Arbeit, aber wir treffen einfach eine
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 nur genug Einkaufsbedarf, um 50 LKW-Ladungen von einem Lieferanten zu bestellen, aber unser Vertrag schreibt vor, dass wir volle LKW-Ladungen bestellen müssen oder eine Mindestbestellmenge erreichen müssen. Ist es finanziell besser, jetzt zu bestellen und zusätzliche Produkte zu kaufen, die wir nicht brauchen und die Kapazität beanspruchen, oder bestellen wir überhaupt nicht und riskieren Lücken in bestimmten Produkten? Idealerweise hätten wir eine ROI-basierte Entscheidung darüber, ob wir jetzt oder später bestellen sollten, was die Entscheidungen in Randfällen effektiver machen würde.
Conor Doherty: Meine Herren, ich habe keine weiteren Fragen. Sim, als Kunde gebe ich Ihnen das letzte Wort. Gibt es etwas, das Sie hinzufügen möchten oder irgendwelche Nachfragen, die Sie an Supply Chain-Direktoren stellen möchten, die probabilistische Prognosen noch nicht angenommen haben?
Sim Taylor: Mein Aufruf an die Supply Chain-Community ist es, diese Konzepte zu bewerten, sie anzunehmen und den Schritt zu wagen, um zu testen und zu iterieren, um den Wert zu verstehen, den wir durch den Übergang zum klassischen Ansatz gewinnen können. Ersetzen wir nur ein System durch ein anderes, das Ähnliches tut? Ich würde gerne mehr Gespräche und reale Anwendungsfälle sehen, in denen wir über diesen Ansatz nachdenken und ihn in Unternehmen integrieren, um Erfolg daraus zu ziehen. Wenn wir Beispiele für den Wert teilen, wird dies dazu beitragen, das Gespräch zu beschleunigen und uns gemeinsam in Richtung einer optimaleren Bestell- und Auffüllungssituation zu bewegen.
Conor Doherty: Vielen Dank dafür, Sim. Ich kann nicht alleine den ganzen Ruhm für mich beanspruchen. Joannes hilft viel.
Joannes Vermorel: Danke, Conor. Ich schätze es.
Conor Doherty: Damit beenden wir die Diskussion, meine Herren. Joannes, vielen Dank für Ihre Zeit. Sim, vielen Dank für Ihre Zeit. Wir sehen uns beim nächsten Mal.
