00:00:00 Einführung ins Interview
00:01:46 Auswirkungen der Prognosegenauigkeit auf den Gewinn
00:03:25 Definition von Genauigkeit in der Prognose
00:07:36 Bewertung mit einem quantitativen Instrument
00:09:35 Zeitreihe als eine Messgröße
00:11:16 Nachfrage auf Warenkorbebene ausgedrückt
00:13:22 Analogie der Zeitreihenprognose
00:15:17 Beschränkungen von Zeitreihen im Kontext verderblicher Lebensmittel
00:18:51 Zeitreihen spiegeln nicht das Kerngeschäft wider
00:21:41 Erwähnung von Forecast Value Added
00:24:47 Diskussion über Prognosegenauigkeit als KPI
00:27:55 Fokus der Modeindustrie auf das Erzeugen von Wünschen
00:30:35 Übergang zur Diskussion über die Luft- und Raumfahrtindustrie
00:33:05 Lokads probabilistischer Ansatz
00:36:22 Beispiel des Verkaufs von Rucksäcken und zukünftigen Entscheidungen
00:39:34 Angebot geht der Nachfrage voraus, Beispiel iPhone
00:42:37 Unterschied zwischen Lokad und anderen Unternehmen
00:46:13 Lokads Ansatz zur Problemlösung
00:49:11 Abweichung von den gängigen supply chain Perspektiven
00:51:49 Übergang zu Fragen des Publikums
00:54:06 Planung spiegelt das Geschäftsverständnis nicht wider
00:57:35 Die Lehrbuchdefinition von Genauigkeit ist irrelevant
01:00:01 Frage zu Prognosegenauigkeit und Umsetzung
01:03:38 Frage zur bereichsübergreifenden Kommunikation und zu Silos
01:06:15 Beispiel eines B2B-Verteilers von Elektrogeräten
01:09:34 Warenkorbanalyse im B2B häufiger anzutreffen
01:12:30 Messung der Prognosegenauigkeit
01:15:02 Hinterfragung des Titels des Videos
01:17:10 Analogie zur Entfernung eines Krebses
01:20:32 Geheime Tabellenkalkulationen der Manager
01:23:03 Joannes’ Antwort auf die Frage
01:25:00 Frage zur Zeitreihenprognose in der Prognosestruktur
01:27:05 Frage, warum Universitäten traditionelle Prognosemethoden lehren
01:30:54 SNOP für die Unternehmensabstimmung
01:33:23 Experiment während der Lockdowns ohne Planungsabteilung
01:36:12 Diskussion über die Transformation des Unternehmens
01:39:10 Große Illusion im supply chain
01:42:13 Genauigkeit, die genau die falsche Denkweise verdeutlicht
01:42:49 Ende des Interviews
Summary
Joannes Vermorel, CEO von Lokad, kritisiert das traditionelle Verständnis von forecast accuracy im supply chain management, da er behauptet, dass es nicht die wesentliche DNA eines Unternehmens widerspiegelt. Er schlägt vor, dass time series Prognosen, die üblicherweise verwendet werden, übermäßig vereinfacht sind und nicht in der Lage, die Zukunft für supply chain Zwecke genau abzubilden. Vermorel schlägt einen anderen Ansatz vor, der darauf abzielt, quantitativ getreu dem Wesen eines Unternehmens zu sein. Er kritisiert den Fokus auf inkrementelle Verbesserungen und behauptet, dass Unternehmen nach einfacheren, besseren Lösungen suchen sollten. Vermorel betont die Bedeutung, das Wesen des Problems zu verstehen und quantifizierbare Aussagen zu treffen, die für das Geschäft sinnvoll sind.
Extended Summary
In einem Gespräch zwischen Joannes Vermorel, CEO von Lokad, und Conor Doherthy wurde das Thema Prognosegenauigkeit und ihre Rolle in der Nachfrageplanung erörtert. Vermorel, ein französischer Softwareunternehmer, stellte das traditionelle Verständnis von Prognosegenauigkeit im supply chain management in Frage, ein Konzept, das seit den 1920er Jahren fest in der Branche verankert ist. Er argumentierte, dass, obwohl Prognosegenauigkeit direkt mit Gewinn in der Börsenspekulation verknüpft sei, dieses Modell nicht auf das supply chain management übertragbar ist, da es keine direkte Übersetzung zwischen Prognosegenauigkeit und Rentabilität gibt.
Vermorel schlug zwei Wege vor, Genauigkeit zu definieren: den Mainstream-Ansatz und den Lokad-Ansatz. Die Mainstream-Definition, erklärte er, ist eine Zeitreihenprognose, eine periodische Vorhersage mit gleichen Intervallen. Allerdings kritisierte Vermorel diesen Ansatz, weil er wesentliche Annahmen trifft, wie die Symmetrie zwischen Vergangenheit und Zukunft, die Lokalität der Messungen und eine Gleichgültigkeit gegenüber der rechnerischen oder Softwareumgebung. Er argumentierte, dass Zeitreihen ein übermäßig vereinfachtes Modell sind, das die Zukunft für supply chain Zwecke nicht getreu abbildet.
Anhand des Beispiels eines Supermarktes verdeutlichte Vermorel, dass Zeitreihenprognosen wichtige Zusammenhänge zwischen Produkten außer Acht lassen. Er argumentierte, dass Zeitreihenprognosen für wichtige Dimensionen blind sind und die Struktur der Zukunft nicht widerspiegeln. Er schlug vor, dass Zeitreihenprognosen für kleine Unternehmen ausreichend sein könnten, jedoch nicht für große Unternehmen, die komplexe supply chains betreiben.
Vermorel kritisierte auch den Fokus von supply chain Lehrbüchern auf Zeitreihen zur Bestimmung der Genauigkeit und argumentierte, dass dies nicht die wesentliche DNA eines Unternehmens widerspiegelt. Er betonte, dass Supermärkte darauf ausgelegt sind, Warenkörbe zu verkaufen und nicht einzelne Produkte. Er hinterfragte die Logik, prädiktive Werkzeuge zu verwenden, die Produkte isoliert betrachten, wenn Supermärkte darauf ausgelegt sind, dass Kunden viele Artikel auf einmal kaufen.
Vermorel erörterte auch die Komplexität der Nachfrage und nutzte Verderblichkeit als Beispiel. Er erklärte, dass, wenn die Hälfte des Lagerbestands eines Geschäfts am nächsten Tag abläuft, tatsächlich nicht 50 Einheiten vorrätig sind. Er erwähnte auch, dass Kunden Produkte mit der längsten Haltbarkeit wählen könnten, was die Dringlichkeit des Verkaufs bestimmter Produkte beeinflussen kann.
Vermorel argumentierte, dass Zeitreihen wichtige Muster wie Warenkörbe und perishable Artikel in einem Supermarkt nicht genau widerspiegeln können. Er ist der Meinung, dass die Genauigkeit von Zeitreihen nur das eigene Paradigma widerspiegelt, weshalb Lokad von diesem Ansatz abweicht.
Vermorel kritisierte auch mathematische Lösungen, die technisch korrekt, aber in der Praxis unpraktisch sind. Er räumte ein, dass Kritiker argumentieren könnten, dass Werkzeuge, die auf Zeitreihen basieren, in der Praxis funktionieren, trotz seiner Kritik. Vermorel bemerkte, dass Anbieter in den letzten 45 Jahren behauptet haben, ihre Werkzeuge funktionierten, und dabei versprachen, alles, was supply chain betrifft, zu automatisieren. Er argumentierte, dass trotz dieser Behauptungen nach wie vor alles über Tabellenkalkulationen erledigt wird.
Vermorel ist der Ansicht, dass das Hauptproblem darin besteht, dass die Zeitreihenperspektive falsch und nicht an die Struktur des Problems angepasst ist. Er kritisierte die eindimensionale Sicht auf die Zukunft, die durch Zeitreihen vermittelt wird. Auf die Frage, was anstelle von Prognosegenauigkeit als KPI verfolgt werden sollte, schlug Vermorel vor, dass das Ziel darin bestehen sollte, quantitative Aussagen über die Zukunft zu treffen, die für das Unternehmen Sinn ergeben.
Vermorel schlussfolgerte, dass Zeitreihen für die meisten Unternehmen nahezu immer falsch liegen. Er verglich den Versuch, ein mathematisches Modell mit der falschen Struktur zu verwenden, mit dem Versuch, eine runde Form in ein quadratisches Loch zu pressen. Er schlug vor, dass es je nach Unternehmen viele andere Ansätze zur Lösung des Problems gibt.
Vermorel nannte Beispiele für verschiedene Geschäftsmodelle, wie Supermärkte und Modeunternehmen, und wie Zeitreihen für diese keinen Sinn ergeben. Er argumentierte, dass man bei der Betrachtung der Zukunft die “Halos der Wünsche” berücksichtigen müsse, die nicht mit der Zeitreihen-Vision übereinstimmen.
Vermorel sprach auch über die Luft- und Raumfahrtindustrie, in der der Verbrauch von Teilen durch den Lebenszyklus von Flugzeugen bestimmt wird. Er schlussfolgerte, dass die Verwendung von Zeitreihen eine grobe Annäherung für jede Geschäftssparte ist. Er verglich die Nutzung von Zeitreihen damit, eine Kuh als Kugel zu approximieren, und argumentierte, dass dies eine unzureichende Näherung für reale Situationen darstellt.
Vermorel erörterte auch die Probleme, die er mit dem traditionellen Ansatz des supply chain management sieht, der davon ausgeht, dass die Vergangenheit ein exaktes Abbild der Zukunft sei. Er argumentierte, dass dem nicht so ist, insbesondere im supply chain, wo zukünftige Entscheidungen noch nicht getroffen wurden und von verschiedenen Faktoren, einschließlich der Entscheidungen der Wettbewerber, beeinflusst werden.
Vermorel nutzte das Beispiel des Verkaufs von Rucksäcken, um seinen Standpunkt zu verdeutlichen. Er erklärte, dass die Anzahl der Varianten, die ein Unternehmen einführt, die future demand erheblich beeinflussen kann. Er argumentierte, dass der traditionelle Ansatz, zunächst das Sortiment festzulegen und dann zu prognostizieren, unsinnig ist, da die Nachfrage nicht in Stein gemeißelt ist und von den Entscheidungen des Unternehmens beeinflusst wird.
Vermorel erklärte weiter, dass Unternehmen ihre Nachfrage gestalten, indem sie Produkte auf den Markt bringen, was dann die Nachfrage nach diesen Produkten erzeugt. Doherthy brachte die Praxis des forecast value added zur Sprache, bei der Erkenntnisse aus verschiedenen Abteilungen genutzt werden, um die Prognose zu überarbeiten. Vermorel kritisierte diese Praxis und argumentierte, dass sie oft lediglich dazu dient, Bauchgefühle mit Zahlen zu untermauern, und nicht zum eigentlichen decision-making Prozess beiträgt.
Vermorel erklärte, dass Lokad numerische Rezepte verwendet, die vielseitiger sind und nicht auf Zeitreihenmodelle beschränkt sind. Er erörterte die Bedeutung, eine Aussage zu treffen, die der Zukunft des Geschäfts getreu ist und mit dem übereinstimmt, was das Unternehmen zu erreichen versucht. Vermorel betonte die Wichtigkeit, das Wesen des Geschäfts zu verstehen und ein darauf basierendes Modell zu entwickeln.
Vermorel kritisierte die in den meisten supply chain Büchern vertretene Perspektive, welche die Besonderheiten verschiedener Branchen außer Acht lässt. Doherthy fragte Vermorel, wie er auf große, erfolgreiche Unternehmen reagiert, die nicht mit seinen Ansichten übereinstimmen. Vermorel argumentierte, dass Unternehmen keine Meinungen haben, sondern nur die für sie tätigen Personen. Er ist der Überzeugung, dass viele Führungskräfte in großen Unternehmen seinen Ansichten zustimmen würden, da sie oft von dem traditionellen Planungsansatz frustriert sind.
Vermorel argumentierte, dass die traditionelle Definition der Prognosegenauigkeit in supply chain Lehrbüchern fehlerhaft ist, weil sie auf einem Zeitreihenprognose-Paradigma basiert, das seiner Meinung nach inkorrekt ist. Er schlug vor, dass Lokads Ansatz, der darauf abzielt, quantitativ getreu dem Wesen eines Unternehmens zu sein, wertvoller sei.
Vermorel stimmte einem Standpunkt eines Zuschauers zu, der Unsicherheiten durch probabilistische Prognosen zu akzeptieren, betonte jedoch auch die Notwendigkeit, über eindimensionales Denken hinauszugehen und zukünftige Entscheidungen zu berücksichtigen, die noch nicht getroffen wurden.
Vermorel erklärte, dass eine Prognose nur ein Bestandteil ist und keinen eigenen Wert besitzt. Er ist der Meinung, dass der Wert einer Prognose nur durch ihre Umsetzung im supply chain bewertet werden kann. Er warnte auch davor, zu viele KPIs teamübergreifend zu teilen, da dies nicht unbedingt einen Mehrwert für das Unternehmen schafft.
Vermorel erklärte, dass die Weitergabe von Daten keine manuelle Verarbeitung durch Menschen beinhalten sollte. Stattdessen sollte jeder programmatischen Zugang zu allen Daten im Unternehmen haben, um seine eigenen Entscheidungen zu optimieren. Er warnte davor, eine Bürokratie zu schaffen, indem andere Abteilungen gezwungen werden, Berichte zu lesen.
Vermorel argumentierte, dass das Warenkorbkonzept für B2B-Unternehmen essenziell ist, und benutzte das Beispiel eines B2B-Verteilers von Elektrogeräten. Er erklärte, dass der Großteil ihres Geschäfts von Baustellen getrieben wird, die große Bestellungen von Geräten zu bestimmten Zeiten benötigen. Dies, so sagte er, sei eine Form der Warenkorbanalyse.
Vermorel argumentierte, dass die Alternative zur Zeitreihenprognose nicht unbedingt eine komplexe KI sein muss. Er schlug vor, dass es viele andere mathematische Modelle gibt, die nicht komplizierter als Zeitreihen sind, sondern einfach anders.
Vermorel erklärte, dass Lokad eine finanzielle Perspektive verwendet, um die vielen widersprüchlichen Ziele der supply chain eines großen Unternehmens in Einklang zu bringen. Er schlug vor, dass die Formulierung aller Ziele und Einschränkungen in Dollar eine einheitliche Sprache bietet, um diese Konflikte zu managen. Er betonte, dass es dabei nicht darum gehe, in Dollar zu denken, sondern um Praktikabilität und Skalierbarkeit in komplexen Unternehmen.
Vermorel behauptet, dass Genauigkeit und Zeitreihen im Mainstream-supply chain-Paradigma dasselbe sind. Er schlägt vor, dass Lokad sie trennen möchte, und obwohl es einen Weg gibt, Prognosegenauigkeit relevant zu machen, ist dieser radikal anders als in supply chain Lehrbüchern dargestellt.
Vermorel kritisiert FVA als Überkonstruktion eines Prozesses, der auf einem fehlerhaften Konzept der Zeitreihen-Genauigkeit basiert. Er argumentiert, dass dies das Unternehmen in die falsche Richtung lenkt und unnötige Bürokratie schafft, ohne die supply chain wettbewerbsfähiger zu machen.
Vermorel beschreibt, wie große Unternehmen oft auf inoffizielle Tabellenkalkulationen anstatt auf offizielle SNOP-Prognosen zurückgreifen. Er schlägt vor, dass diese Tabellenkalkulationen, die mehr mit dem Wesen des Geschäfts übereinstimmen, tatsächlich das Geschäft vorantreiben.
Vermorel argumentiert, dass eine Verbesserung gegenüber dem Status quo nicht zwangsläufig eine Gesamtverbesserung darstellt. Er kritisiert den Fokus auf inkrementelle Verbesserungen und schlägt vor, dass Unternehmen nach einfacheren, besseren Lösungen suchen sollten.
Vermorel stimmt zu, dass Zeitreihen ein Bestandteil der Struktur sein können, warnt jedoch davor, sich ausschließlich auf Zeitreihen zu verlassen. Er schlägt vor, dass Unternehmen ihren Wortschatz und Horizont erweitern müssen.
Vermorel vergleicht klassische Zeitreihen und machine learning mit Schwarzweißfernsehen bzw. LCD-Bildschirmen und stellt fest, dass, obwohl machine learning seine Vorteile habe, es dennoch keinen Quantensprung gegenüber klassischen Methoden darstellt.
Er kritisiert Universitäten dafür, dass sie nicht die richtige Einstellung zur Prognose lehren, und betont die Wichtigkeit, das Wesen des Problems zu verstehen und quantifizierbare Aussagen zu treffen, die für das Geschäft Sinn machen.
Vermorel berichtet, dass Lokad im Walmart-Wettbewerb den fünften Platz belegte, indem ein einfacher parametrischer Ansatz verwendet wurde, was zeigt, dass komplexe Modelle nicht immer für den Erfolg notwendig sind.
Er argumentiert, dass es ein Kontinuum von klassischen Modellen bis hin zu fortgeschrittenen Machine-Learning-Modellen gibt und dass die Unterscheidung zwischen ihnen nicht so eindeutig ist, wie manche denken.
Vermorel wiederholt seine Kritik an Universitäten, weil sie nicht die richtige Forecasting-Einstellung lehren, und betont die Bedeutung der richtigen Denkweise im Umgang mit zukünftigen supply chain Herausforderungen.
Er erklärt, dass das S&OP-Prozessziel darin besteht, eine unternehmensweite Abstimmung zu erreichen, die in der Praxis jedoch oft in endlose Meetings ausartet.
Vermorel behauptet, dass Informationen durch IT-Systeme fließen und dass Abstimmung keine ständige Kommunikation zwischen den Menschen erfordert.
Er schlägt vor, dass S&OP-Meetings sich auf numerische Rezepte und die Klärung der strategischen Ausrichtung des Unternehmens konzentrieren sollten.
Vermorel argumentiert, dass viele große Unternehmen auch ohne ihre Zeitreihenprognosen problemlos funktionieren könnten.
Er nennt das Beispiel von Unternehmen, die während der Lockdowns 2020 und 2021 mit 80% Kapazität betrieben, obwohl ihre Planungsabteilungen inaktiv waren.
Vermorel schlägt vor, dass, wenn ein Unternehmen 14 Monate ohne eine bestimmte Abteilung auskommen kann, diese Abteilung möglicherweise nicht geschäftskritisch ist.
Er führt das Beispiel eines Unternehmens an, das während der Lockdowns einen massiven Wandel durchlief und von 5% auf zwei Drittel E-Commerce umstieg.
Vermorel stellt die Bedeutung einiger Funktionen innerhalb eines Unternehmens in Frage, da manche Unternehmen massive Transformationen durchliefen und dennoch effektiv arbeiteten.
Er argumentiert, dass Genauigkeit nicht der einzige wichtige Faktor in der Prognose ist, und führt als Beispiel Unternehmen an, die normal operierten, obwohl ihre Planungsabteilungen über ein Jahr hinweg inaktiv waren.
Vermorel kritisiert das Mainstream-Paradigma der Zeitreihengenauigkeit, weil es keine wichtigen Fragen zur Instrumentalität von Prognosen stellt.
Er betont die Bedeutung, den Zusammenhang von Entscheidungen zu mathematischen Modellen herzustellen und die realen finanziellen Auswirkungen dieser Entscheidungen zu bewerten.
Vermorel kritisiert die übliche Praxis, die Genauigkeit einer Prognose isoliert zu bewerten, und argumentiert, dass dies nicht die realen Bedingungen widerspiegelt.
Er schließt daraus, dass das Problem mit der Genauigkeit darin besteht, dass sie oft falsch definiert wird, und dass ein annähernd korrektes Bauchgefühl besser sei als ein ausgeklügeltes, aber fehlangepasstes Geschäftsmodell.
Das Interview endet damit, dass Conor Doherthy Vermorel für seine Zeit dankt und verspricht, seine restlichen Fragen für einen anderen Tag aufzuheben.
Vollständiges Transkript
Conor Doherthy: Willkommen zurück bei Lokad TV live. Heute im Studio ist der Lokad-Gründer Joannes Vermorel. Heute diskutieren wir ein sehr interessantes Thema: Prognosegenauigkeit, ihre Rolle in der Nachfrageplanung und ob sie überhaupt eine Rolle spielt. Zögern Sie nicht, jederzeit während dieses Gesprächs Ihre Fragen zu stellen; wir werden diese im zweiten Teil der Unterhaltung beantworten. Falls Sie mit etwas nicht einverstanden sind, das Sie hören, werden wir diese Fragen zuerst beantworten. Also, gehen wir los. Joannes, wir sind, denke ich, ein wenig ein konträres Unternehmen. Dies könnte unsere konträrste Ansicht sein. Bevor wir also zu unserer Position kommen und warum wir glauben, dass die Genauigkeit der Nachfrageprognose unwichtig ist, warum wird Prognosegenauigkeit von so vielen Unternehmen als der Heilige Gral der Nachfrageplanung betrachtet?
Joannes Vermorel: Das “Warum” ist, glaube ich, relativ einfach. Es steht so in den supply chain textbooks. Es wird seit vielleicht 50–70 Jahren geschrieben, möglicherweise sogar bevor es supply chain genannt wurde – damals hieß es Operational Research. Ich vermute, dass wir sogar noch weiter zurückgehen könnten, bis in die 1920er Jahre, und dann die Grundidee finden, die mit dem Aufkommen der professionellen Wirtschaftsprognostiker einherging. Wenn man die Idee der Prognosegenauigkeit bis zu ihren Wurzeln zurückverfolgt – nämlich zu den Wirtschaftsprognostikern in den USA zu Beginn des 20. Jahrhunderts – dann hat Genauigkeit eine eins-zu-eins Übersetzung in Ihren Gewinn, wenn Sie im Aktienhandel mitspielen. Also buchstäblich: Wenn Sie den Preis von Rohstoffen prognostizieren – ob der Preis von Roheisen steigen wird oder nicht – dann können Sie mit einer genauen Prognose potenziell den Markt schlagen und fantastische Renditen erzielen. Das gilt zwar für Spekulationen, aber das Problem ist: Haben Sie ein Prognosemodell, das den Markt schlagen kann? Die kurze Antwort lautet: Nein – zumindest kein leicht zugängliches Modell. Somit können Sie den Markt im Grunde nicht mehr schlagen. Es gibt einige Vorbehalte, einige Arbitrage-Unternehmen verdienen Geld damit, aber das ist nur ein Aspekt. Aus supply chain-Sicht ist mein Punkt, dass es keine direkte Übersetzung gibt. Aber meine Kritik bezieht sich nicht genau darauf. Die Probleme sind tiefer und grundsätzlicher, denn es geht nicht einfach darum, eine Zahl zu erhalten, und wenn diese Zahl stimmt, wird automatisch Geld verdient – so wie es beim Aktienhandel der Fall ist.
Conor Doherthy: Sagen Sie also, dass es keinen Zusammenhang zwischen erhöhter Prognosegenauigkeit und der Profitabilität des Unternehmens gibt?
Joannes Vermorel: Das Problem hier ist, dass bezüglich der Begriffe selbst eine Täuschung vorliegt. Ich beginne vielleicht damit, zu klären, wie wir Genauigkeit definieren. Es gibt mindestens zwei Ansätze: einen Mainstream-Ansatz zur Definition von Genauigkeit und einen, der der Lokad-Ansatz wäre. Lassen Sie mich mit dem Lokad-Ansatz beginnen, der nicht Mainstream ist, in Bezug darauf, wie wir Genauigkeit betrachten. Die gesamte Idee von Genauigkeit besteht darin, dass ich eine quantitative Aussage über die Zukunft treffe. Die Genauigkeit ist eine Qualifikation in Bezug auf die Qualität – wie gut sie ist, wie getreu sie ist – dieser Aussage. Sie haben also eine Aussage über die Zukunft, die Zukunft sollte so aussehen, und das ist keine qualitative, sondern eine quantitative Aussage. Und auf dieser quantitativen Aussage über die Zukunft möchten Sie angeben, wie gut sie ist, wie getreu sie ist, wie sie tatsächlich die Zukunft abbildet – und diese Bewertung soll selbst quantitativ erfolgen. Genau das sollte Genauigkeit bedeuten. Wenn wir Genauigkeit so definieren, wie ich es tue, würde ich sagen: Gut, ich stimme zu. Diese Definition ist sehr relevant, sie führt zu etwas, das bedeutungsvoll und bedeutsam ist und potenziell profitabel für Ihr Unternehmen sein kann. Dies entspricht absolut nicht der Definition, die Sie in den supply chain textbooks finden werden – nicht einmal annähernd. Die Mainstream-Definition von Genauigkeit bezieht sich auf eine Zeitreihenprognose. Das heißt, wenn Leute von Genauigkeit sprechen, meinen sie implizit eine Zeitreihenprognose – und nicht irgendeine Art von Zeitreihenprognose, sondern eine Punktprognose für gleichmäßig verteilte Zeitreihen. Was bedeutet “gleichmäßig verteilt”? Es handelt sich um eine periodische Prognose pro Tag, pro Woche, pro Monat, pro Quartal, möglicherweise pro Jahr oder sogar pro Stunde, also in gleichen Intervallen. Das ist also eine periodische Prognose. Es handelt sich nicht um irgendeine Art von Prognose – man könnte sich viele alternative Prognosen vorstellen –, es ist eine eindimensionale Zeitreihe und periodisch, wobei alle Perioden gleich sind. Darüber hinaus sprechen wir von einer Punktprognose, bei der jede Periode einen einzelnen Wert erhält – das ist die Zeitreihenprognose. Meine Definition ist ganz anders. Die von mir gegebene Definition ist wesentlich umfassender und unspezifisch in Bezug darauf, welche Art von quantitativer Aussage ich über die Zukunft mache. Ich sage, dass meine Definition völlig agnostisch ist – sie besagt nur, dass wir versuchen, eine Aussage über die Zukunft zu qualifizieren – und dass diese Aussage quantitativ sein sollte. Ich stelle also nichts in Frage wie “Ich glaube, dass dies ein gutes Jahr wird”; nein, das ist keine quantitative Aussage über die Zukunft, sondern nur etwas Qualitatives. Ich sage vielmehr, dass Genauigkeit für quantitative Aussagen über die Zukunft gilt und dass wir sie wiederum mit einem quantitativen Instrument bewerten wollen. Der Mainstream-Ansatz ist wesentlich direkter und trifft sehr fundamentale Annahmen. Diese Annahmen sind: Zeitreihen, eindimensional, periodisch oder gleichmäßig verteilt und Punktprognosen. Das sind im Grunde die Kernannahmen. Es gibt noch einige fundamentalere Annahmen, die oft übersehen werden, wie die Symmetrie zwischen Vergangenheit und Zukunft, die Lokalisierung der Messwerte und der Agnostizismus gegenüber der rechnerischen oder Softwareumgebung.
Conor Doherty: Danke. Und nochmals, um ein wenig nachzuhaken: Wenn Sie den Unterschied zwischen dem Lokad-Ansatz und dem Mainstream-Ansatz beschrieben haben, ist für manche vielleicht nicht klar, was das Problem mit der Zeitreihenperspektive ist. Sie sagen, sie sei eindimensional – in welchem Sinne und warum ist das ein Problem?
Joannes Vermorel: Wenn Sie sich entscheiden, die Zukunft mit quantitativen Aussagen zu beschreiben, sind wir so sehr daran gewöhnt – und in den textbooks steht es, es sind buchstäblich die supply chain textbooks, aber auch andere Wirtschaftslehrbücher –, dass es schlichtweg nicht in Betracht gezogen wird, dass es einen anderen Weg geben könnte, die Zukunft als mehr als nur eine Zeitreihe zu betrachten. Die Leute, und das ist, denke ich, der größte Fehler, vermitteln den Eindruck, als ob der einzige Weg, die Zukunft quantitativ zu betrachten, die Zeitreihe sei. Und ich sage: Keinesfalls. Darüber hinaus sind Zeitreihen ein unglaublich simplistisches Modell. Es ist, als hätte man nur eine Messung, einen einzigen Takt über die Zeit in jeder Periode. Es ist das simpelste aller mathematischen Modelle, die wir haben. Ist es eine getreue Darstellung der Zukunft? Spiegelt es in sinnvoller Weise etwas wider, von dem Sie wissen, dass es in der Zukunft liegt? Und mein Argument ist, dass dies aus supply chain-Sicht nicht der Fall ist – und erst recht nicht annähernd. Wenn wir einige Beispiele betrachten, werfen wir einen Blick auf die Nachfrage, die ein Supermarkt beobachtet. Die Zeitreihenperspektive besagt, dass Sie jedes Produkt, das im Supermarkt verkauft wird, nehmen und eine Zeitreihe für jedes einzelne Produkt erstellen können. Ist das der richtige Weg, über die zukünftige Nachfrage nachzudenken? Nein, warum? Weil Menschen nicht in einen Supermarkt gehen, um ein einzelnes Produkt isoliert zu kaufen. Was sie wollen, ist ein Warenkorb – oder zumindest der Großteil; gelegentlich mag es Menschen geben, die nur ein Produkt kaufen, aber der überwiegende Teil der Verkäufe wird von Menschen getätigt, die einmal pro Woche in den Supermarkt gehen und einen kompletten Warenkorb erwerben. Was zählt, wird also auf Warenkorb-Ebene ausgedrückt. Das ist es, was die Leute wahrnehmen, was sie fühlen, und wenn sie in Bezug auf den Service denken, wird es auch auf Warenkorb-Ebene wahrgenommen: Habe ich alles, was ich für meine Einkaufsliste benötige? Diese Wahrnehmung auf Warenkorb-Ebene hat nichts mit den isolierten Zeitreihen zu tun, und diese ignorieren völlig alle Beziehungen, die zwischen den Produkten sowie alle Substitutionen und Kannibalisierungseffekte existieren können. Sie sind somit manchmal blind für diese Effekte. Dadurch entsteht ein Problem der Blindheit.
Diese eine Dimension, die im Kern der Zeitreihe liegt, ignoriert die höheren Dimensionen, die äußerst wichtig sein können. Und mein Ansatz ist, dass dies kein Zufall ist. Nehmen Sie das Beispiel eines Supermarkts oder eines beliebigen Unternehmens und überlegen Sie einmal, was die Zukunft wirklich bedeutet – worauf wir tatsächlich blicken. Sie werden feststellen, dass wir im Kern nicht auf Zeitreihen schauen. Wir betrachten Dinge, die eine Struktur haben, aber nicht notwendigerweise – und in der Regel auch nicht – eine Zeitreihenstruktur. Es mag durchaus einige unglaublich simple Geschäfte geben, Tante-Emma-Läden, bei denen die Zeitreihe ausreicht, aber diese Geschäfte sind die Ausnahme, nicht die Regel, insbesondere in der Welt von heute, in der große Unternehmen umfangreiche supply chains mit viel umgebender Komplexität betreiben. Jede Zeitreihe würde jeden einzelnen Artikel oder jedes einzelne SKU isoliert von allen anderen SKUs in einem Katalog behandeln. Wenn es also Wechselwirkungen gibt, wenn es bundles oder Substitutionen gibt, bleibt dies unberücksichtigt oder wird schlicht ignoriert. Das führt letztendlich dazu, dass die Genauigkeit für ein einzelnes Element nicht falsch, sondern irreführend ist. Wenn ich eine Analogie machen dürfte: Stellen Sie sich vor, Sie hätten einen Fernseher, der nur in Schwarzweiß anzeigt. Das wäre Ihre Zeitreihenprognose – es fehlt etwas. Sie könnten Pixel hinzufügen, das wäre eine Erhöhung der Genauigkeit, aber Sie hätten immer noch nur Schwarzweiß. Und wenn Sie denken: “Oh, aber wenn ich viele Pixel hinzufüge…” Ja, aber Sie haben immer noch nur Schwarzweiß. Es spielt keine Rolle, wie groß Sie den Fernseher machen oder wie hoch Sie die Aktualisierungsrate ansetzen – Sie erhalten weiterhin keine Farben, sondern lediglich Schwarz und Weiß.
Ich nehme dies als Beispiel, dass es, egal was man tut, nicht funktioniert: Wenn Dimensionen fehlen, kann man das Problem nicht retten. Und es fehlen so viele Dimensionen, dass wir dieses Supermarktbeispiel bei verderblichen Lebensmitteln erneut betrachten. Verderbliche Lebensmittel – nehmen wir an, Sie haben Produkte in den Regalen, wobei jede Einheit ihr eigenes Mindesthaltbarkeitsdatum mitbringt. Und was viele Käufer tun, wenn sie den Laden besuchen, ist, dass sie auf das Verfallsdatum schauen, wodurch ihre Meinung über das Produkt variiert, je nachdem, ob nur noch ein Tag Haltbarkeit übrig ist oder ob noch drei Wochen verbleiben – in dem Fall ist es noch sehr frisch. Aber wenn wir die Daten aus einer Zeitreihenperspektive betrachten, fehlt diese Information. Man könnte nicht durch eine Zeitreihenabbildung der Verkäufe oder der Nachfrage, sagen wir, für einen Pack Joghurt, die Frische abbilden. Das wäre, wenn ich zu meinem Fernseherschema zurückkehre, so, als ob ich sagen würde: “Nun, ich habe nur Schwarzweiß – aber wissen Sie was? Ich könnte einfach drei Fernseher kaufen, wobei der erste Blau, der zweite Grün und der dritte Rot anzeigen. Und technisch gesehen hätte ich alle Farben. Ich müsste sie nur irgendwie visuell kombinieren.” Ich würde sagen: “Ja, aber das ist eine sehr, sehr umständliche Lösung des Problems. Es ist einfach keine gute Lösung.” Aus praktischer Anwendersicht ist das völliger Unsinn.
Und das wäre genauso, als würden wir im Supermarkt sagen, dass wir das Verderblichkeitsproblem einfach dadurch lösen, dass wir mehr Zeitreihen hinzufügen. Ja, in einem sehr technischen Sinne könnte man das theoretisch tun, aber es wäre einfach eine sehr unpraktische Lösung. Es wäre keine gute Lösung. Und wie Sie sehen, Verderblichkeit – das Problem ist, dass die Nachfrage keine eindimensionale Größe ist. Es gibt noch eine weitere Dimension, nämlich Frische, und die zählt. Sie beeinflusst die Nachfrage und wirkt sich auch auf Ihren Bestand aus. Wenn Sie denken, dass Sie 50 Einheiten auf Lager haben, aber die Hälfte davon morgen abläuft, dann haben Sie tatsächlich nicht 50 Einheiten auf Lager. Und das gilt nur, wenn der Kunde nicht ein nachteiliges Verhalten zeigt, indem er die Einheiten auswählt, die die längste Haltbarkeit haben.
Die Kunden, die Produkte im Regal eines Supermarkts auswählen, könnten sogar die Produkte mit der längsten Haltbarkeit auswählen und damit tatsächlich jene Produkte benachteiligen, die am wenigsten dringend verkauft werden müssen. Zurück zum ursprünglichen Fall: Zeitreihen können das nicht abbilden – und wir haben gerade ein Beispiel genannt, den Supermarkt – und wir haben bereits zwei Beispiele für extrem wichtige Muster wie Warenkörbe und verderbliche Artikel. Diese sind sehr wichtig, sie sind zentral, und sie passen nicht in das Zeitreihen-Paradigma. Und dann spiegelt die Genauigkeit – die Lehrbuchgenauigkeit – nur das Zeitreihen-Paradigma wider. Sie passt nur implizit, und deshalb sage ich, dass Lokad abweicht. Das Supply Chain Lehrbuch, wenn es um Genauigkeit geht, bezieht sich ausschließlich auf Zeitreihen. Und mein Punkt ist, dass Sie zwar ein Instrument haben, das etwas misst, das unbedeutend ist und nicht mit der grundlegenden DNA des Geschäfts übereinstimmt – das, was das Geschäft antreibt, diese Warenkörbe, diese verderblichen Dinge –, aber es klingt, als ob Sie von Einschränkungen sprechen. Es gibt viele Einschränkungen, viele andere – nicht einmal Einschränkungen, sondern Strukturen. Die grundlegende Struktur des Problems bedeutet, dass es in einem Supermarkt nicht darum geht, Einheiten, Produkte einzeln zu verkaufen. Es geht darum, Warenkörbe zu verkaufen. Das ist es, was den Supermarkt antreibt. Das ist das Wesen des Supermarkts. Der Supermarkt wurde buchstäblich von Boden bis Decke darauf ausgelegt, Warenkörbe zu verkaufen.
Deshalb gibt es Verkaufsstellen, an denen Sie Ihre gesamte Ware abladen und den kompletten Ablauf in Gang bringen können. Deshalb gibt es auch Einkaufswagen. Ich meine, im Supermarkt wurde alles so konstruiert, dass die Menschen viele Dinge auf einmal kaufen können. Wenn Sie nur einen zusätzlichen Kaffee kaufen möchten, macht es keinen Sinn, in einen Supermarkt zu gehen. Mein Punkt ist also, dass, weil alles – einschließlich des Parkplatzes vor dem Supermarkt – darauf ausgerichtet ist, einen kompletten Warenkorb zu kaufen, es keinen Sinn macht, wenn Ihr Prognosetool den Fall eines einzelnen Produkts isoliert betrachtet. Und meine Antwort lautet: Nein, das macht keinen Sinn. Es gibt also keine Möglichkeit, die Perspektive der Zeitreihen so anzupassen, dass sie die Unbekannten oder immateriellen Aspekte, die Sie beschreiben, widerspiegelt. Ein Mathematiker würde sagen, wenn man genügend Zeitreihen stapelt, kann man das. Denn wie Sie sehen, könnten wir immer sagen, dass wir einfach mehr Zeitreihen hinzufügen können. Und das ist genau so, als ob man sagt, wir haben einen Fernseher, der nur in Schwarzweiß ist – Sie können mehrere Fernseher haben und dann hätten Sie einen für jede Farbe, und technisch gesehen besitzen Sie damit die Farben. Sehen Sie, wir müssen hier vorsichtig sein. Wenn Sie sagen, dass man bei Zeitreihen einfach immer mehr hinzufügen darf, dann können Sie theoretisch mit jeder Anzahl von Dimensionen umgehen, indem Sie die Dimensionalität Ihres Instruments durch das Hinzufügen von Zeitreihen erhöhen. Aber das ist keine praktische Lösung. Genauso wie es keine gute Lösung ist, mehrere Fernseher zu besitzen, wenn Sie Farben auf Ihrem Fernseher haben möchten. In der Mathematik gibt es viele Lösungen, die weithin unpraktisch sind. Mathematiker sind sehr gut darin, verrückte Lösungen zu erfinden, die technisch korrekt sind, aber nur mathematisch korrekt.
In der realen Welt ist das verrückt. So würde man das Problem nicht angehen. Es wird Ihnen keine gute Lösung liefern, sondern nur eine sehr theoretische. Aber Kritiker könnten dann sagen, dass es zahlreiche Tools gibt, die auf dem Zeitreihenansatz beruhen und in der Praxis tatsächlich funktionieren. Nehmen Sie zum Beispiel forecast value added. Was Sie gerade beschrieben haben, passt meiner Annahme nach nicht dazu. Aber Befürworter würden sagen, dass es tatsächlich funktioniert – entgegen allem, was Sie gerade gesagt haben. Also, ja, schon seit Ende der 70er Jahre behaupten Leute, dass ihre Tools einfach funktionieren. Seit ungefähr 45 Jahren behaupten Anbieter, dass sie fortschrittliche automatisierte Software haben, die buchstäblich alles im Zusammenhang mit der supply chain automatisieren kann. Anbieter behaupten, dass sie fortschrittliche automatisierte Software haben, die buchstäblich alles im Zusammenhang mit der supply chain automatisieren kann. Und wenn heute jemand sagt, wir haben enterprise software für das Management, oder wenn jemand sagt, ich habe ein CRM, Customer Relationship Management, dann geht es nur um Verwaltungseinträge, Dateneingaben. Aber wenn man in die 70er zurückgeht, als man noch von Management sprach, dachten sie auch an Entscheidungen, an all die Intelligenz. Meine These ist also, dass wir theoretisch seit den letzten vier Jahrzehnten Software haben, die dazu gedacht ist, all diese Entscheidungen vollständig zu robotisieren: inventory, replenishment, production, scheduling, inventory allocation, price optimization. All das ist laut den Anbietern vollständig automatisiert, zu 100 % automatisiert, seit vier Jahrzehnten. Und die meisten Anbieter, wenn man sich anschaut, wie sie in den 80er Jahren kommunizierten, sagten, dass dies vollständig von der Maschine erledigt wird. Früher machte das ein Sachbearbeiter, aber das ist heute nicht mehr der Fall. In den letzten zehn Jahren habe ich über 200 Supply Chain Directors getroffen und fast immer gibt es bereits Software im Einsatz. Es wurden eine Reihe von Softwarelösungen implementiert, aber alles wird immer noch über Tabellenkalkulationen erledigt.
Wir haben mehrere Generationen von Enterprise-Software, die sich auf Zeitreihenvorhersagen konzentriert und angeblich alles automatisiert hat. Das machen sie seit Jahrzehnten, aber in Wirklichkeit wird es immer noch in Excel erledigt. Was ist schiefgelaufen? Ich glaube, das Kernproblem ist, dass die Zeitreihenperspektive falsch ist. Sie passt nicht zur Struktur des Problems. Es gibt noch andere Probleme, aber das größte ist, dass sie einfach nicht passt. Dieser eindimensionale Blick in die Zukunft ist zu vereinfacht, und von da an bröckelt alles. Wenn wir nicht die Vorhersagegenauigkeit als KPI verfolgen sollen, was sollten wir stattdessen anstreben? Zuerst müssen wir überdenken, was wir eigentlich lösen wollen. Wir wollen quantitative Aussagen über die Zukunft treffen, die für das Unternehmen Sinn ergeben. Eine Aussage über die Zukunft ist weitgehend branchenspezifisch, was genau das Gegenteil von dem ist, was in Supply Chain Lehrbüchern behauptet wird. Supply Chain Lehrbücher behaupten, dass Zeitreihen alles sind, was man braucht. Meine Schlussfolgerung, nach der Beobachtung hunderter Unternehmen, lautet, dass dies fast immer falsch ist. Wenn es Unternehmen gibt, die mit Zeitreihen adäquat modelliert werden können, dann sind sie die Ausnahme, nicht die Regel. Die Struktur stimmt nicht mit Zeitreihen überein. Wenn Sie versuchen, ein mathematisches Modell zu projizieren, und es hat nicht die richtige Struktur, werden Sie die Realitäten, die Sie modellieren wollen, nicht richtig abbilden. Es ist, als würde man versuchen, eine runde Form in ein quadratisches Loch zu zwängen. Wenn Sie bisher nur eine runde Form gesehen haben, könnten Sie meinen, dass das alles ist, was es gibt. Aber es gibt viele andere Möglichkeiten, und diese hängen vom jeweiligen Geschäft ab. Wenn Sie ein Supermarkt sind, ist Ihre DNA die Warenkörbe. Wenn Sie in der Modebranche tätig sind, wird es völlig anders sein. Wenn Sie ein Modeunternehmen sind, wollen Sie Wünsche erzeugen, und Zeitreihen ergeben da nicht wirklich Sinn. Nehmen wir an, Sie haben ein neues Muster, das in Mode kommt. Sie können viele Produkte kreieren, die damit spielen, aber Sie können mehr oder weniger Produkte haben.
Der Großteil Ihrer Kunden befindet sich im Mittelfeld. Wenn Sie sich für sehr extreme Farben entscheiden, haben Sie möglicherweise nicht genügend Nachfrage, um so viele Varianten zu unterstützen. Wenn Sie an die Zukunft denken, müssen Sie an diese Halos der Wünsche denken – und das passt nicht zu Ihrer Zeitreihen-Vision. Wenn Sie Merchandising für Actionfiguren verkaufen, dann wird es noch seltsamer. Das gesamte Geschäft ist um diese Helden herum strukturiert. Batman ist im Bereich des Merchandisings weitaus mächtiger als Green Lantern, und das ist seit ein paar Jahrzehnten konstant. Wenn wir in die Luftfahrt gehen, wäre das noch eine andere Sache. Der Verbrauch von Teilen wird dadurch bestimmt, dass Sie eine Flotte von Flugzeugen haben. Jedes Flugzeug hat einen Lebenszyklus, der etwa drei bis vier Jahrzehnte dauert. Der Verbrauch von Teilen wird in diesem Lebenszyklus einer bestimmten Kurve folgen. Die richtige Struktur, wenn Sie ein großes MRO betreiben möchten, das Flugzeugflotten unterstützt, besteht darin, darüber nachzudenken, welche Flugzeugflotten Sie unterstützen und wie sie aufgebaut und wieder abgebaut werden. Die Realität ist, dass egal in welchem Sektor Sie tätig sind, wenn Sie eine Zeitreihe anwenden, es eine sehr grobe Näherung ist. Es kommt nicht einmal annähernd einer getreuen Darstellung der Problemstruktur nahe. Wenn wir die Struktur betrachten und an eine Übung denken, die mein Physiklehrer früher gemacht hat, würden wir sagen: “Okay, das ist eine Kuh, und wir werden die Kuh als Kugel approximieren.” Es ist gut für eine Übung, aber in Wirklichkeit ist die Kuh keine Kugel und auch nicht annähernd kugelförmig. Das ist also eine sehr absurde Näherung. Es ist gut für eine Übung, aber für etwas Reales ungeeignet. Wenn Sie es mit echten Kühen zu tun haben, würde ich nicht empfehlen, Ihre Kühe als Kugeln zu approximieren. Es wird nicht gut enden. Das ist keine gültige Näherung.
Conor Doherty: Wieder einmal, wenn Sie sagen, dass eine Zeitreihe eine sehr vereinfachte Näherung der Zukunft ist, beschreiben wir bei Lokad unseren probabilistischen Ansatz routinemäßig mit den Worten “lieber annähernd richtig als exakt falsch”. Ist das nur eine Frage der Terminologie?
Joannes Vermorel: Wie gesagt, zuerst haben wir die Struktur. Und übrigens, das ist auch einer der Punkte, in denen sich Lokad abhebt. Wir verwenden den probabilistischen Ansatz als ein Schlachtruf, aber in Wirklichkeit liegt mein Problem wahrscheinlich in erster Linie an der Struktur. Das zweite Problem, das ich sehe, ist ein weiteres: der klassische Lehrbuchansatz in der supply chain, der lediglich Genauigkeit fordert und davon ausgeht, dass die Vergangenheit das exakte Spiegelbild der Zukunft ist. Das ist nicht der Fall. Das trifft in gewisser Weise zu, wenn man beispielsweise die Bewegung der Planeten betrachtet – also Dinge, bei denen Sie nur ein Beobachter sind, die Menschheit sie beobachtet und nichts daran ändern kann. Wenn Sie also die Bewegung der Planeten prognostizieren wollen – sagen wir, den Mars –, dann ist es in Ordnung, anzunehmen, dass die Vergangenheit ein Spiegelbild der Zukunft ist, weil wir keinen greifbaren, messbaren Einfluss auf die Bewegung des Planeten Mars haben. Aber für die supply chain ist das nicht gut, denn Ihre gesamte Zukunft hängt von Entscheidungen ab, die noch nicht getroffen wurden. Ihre Zukunft ist abhängig von Ihrer zukünftigen Entscheidung und nicht nur von Ihrer, sondern auch von zukünftigen Entscheidungen, die von anderen getroffen werden, zum Beispiel von Ihren Wettbewerbern. Es gibt also diese radikale Asymmetrie zwischen der Vergangenheit und der Zukunft, und die klassische Zeitreihenperspektive, die durch Genauigkeit charakterisiert ist, ignoriert das völlig. Es wird nicht einmal erwähnt. Es existiert nicht und wird in solchen Genauigkeitsmetriken nicht einmal bewertet. Wenn Sie eine getreue Aussage über die Zukunft treffen wollen – unabhängig davon, wie diese Aussage lautet – muss sie in sich die Tatsache enthalten, dass die Zukunft noch von Entscheidungen abhängt. Sie wollen eine Aussage treffen, die trotz der Tatsache, dass Entscheidungen noch nicht getroffen wurden, nützlich bleibt.
Conor Doherty: Viele Leute denken irgendwie, dass sie auf beiden Seiten der Nachfrage stehen und diese – wie Sie sagten – nur als Beobachter betrachten. Aber Sie sagen, dass wir die Zukunft zwar nicht kontrollieren, sie aber gemeinsam mit den getroffenen Entscheidungen mitgestalten können. Was genau ist das für diejenigen, die sich dessen nicht bewusst sind?
Joannes Vermorel: Sagen wir, Sie verkaufen Rucksäcke. Wie viel werden Sie verkaufen? Das hängt zunächst davon ab, wie viele Varianten Sie einführen. Wenn Sie nur einen schwarzen Rucksack haben und diesen überall in Ihrem E-Commerce und in all Ihren Geschäften anbieten, verkaufen Sie vielleicht viel. Aber wenn Sie dann mehr Varianten haben, beispielsweise andere Rucksäcke, die ähnlich, etwas größer sind, und dann ein halbes Dutzend Farben einführen – jedes Mal, wenn Sie eine weitere Variante einführen, verdoppeln sich Ihre Verkäufe? Nein, offensichtlich wird es zu Kannibalisierung kommen. Die Nachfrage, die Sie für die Zukunft haben, ist nicht in Stein gemeißelt. Sie hängt sehr davon ab, wie viele Varianten Sie einführen. Das ist eine Entscheidung, die noch getroffen werden muss. Und wenn Sie das Problem aufteilen und sagen: “Nein, ich möchte zunächst das Rucksacksortiment festlegen und dann prognostizieren”, wäre das unsinnig. Denn wenn Sie zuerst Ihr Sortiment festlegen und dann prognostizieren und feststellen, dass einige Produkte nicht genügend Nachfrage haben, werden Sie diese entfernen. Wir gestalten buchstäblich die Nachfrage, und das ist es, was Unternehmen tun. Das ist auch das Gesetz von Jean-Baptiste Say, dem Ökonomen: Supply precedes the demand. Man muss die Produkte zuerst auf den Markt bringen, um die Nachfrage zu erzeugen. Bevor Apple das iPhone einführte, war die Nachfrage nach dem iPhone auf dem Markt exakt null. Sie müssen das Produkt zuerst auf den Markt bringen, und dann werden Sie Nachfrage für das Produkt erzeugen.
Conor Doherty: Aber innerhalb des Paradigmas, das Sie kritisieren, gibt es Praktiken wie forecast value added, bei denen Sie die Nachfrage ermitteln und dann zu Marketing und Vertrieb gehen, um deren Einsichten einzuholen. Wir werden x Varianten einführen, und dabei ist man sich bewusst, dass unsere Entscheidungen die Zukunft mitgestalten – sodass Anpassungen nach unten oder oben erfolgen.
Joannes Vermorel: Aber ich möchte noch einmal sagen, nach über einem Jahrzehnt – fast anderthalb Jahrzehnten – der Beobachtung von Unternehmen, dass dies alles nur Bürokratien sind. Wenn man anschaut, wie die Dinge wirklich geschehen, gibt es irgendwo im Unternehmen Leute, die sagen: “Oh, wir haben eine Gelegenheit, wir werden es tun.” Und dann denken sie, dass es unwissenschaftlich klinge, wenn sie es einfach so machen. Also wollen sie ihr Bauchgefühl mit Zahlen untermauern, und einige Leute werfen Zahlen obendrauf, wonach es heißen würde: “Okay, wir haben Zahlen, es ist jetzt wissenschaftlich, wir machen es.” Aber nein, es war ein sehr berechtigtes Bauchgefühl in Bezug auf den Markt, ein sehr fundiertes, übergeordnetes Denkmodell, und dann hatten sie die Schnellrechnung, um die Initiative grob zu dimensionieren. Und all der Rest war nur Bürokratie, um die Initiative abzustempeln, ohne etwas zur Sache beizutragen. Es war nicht der anfängliche Funke, nicht der Impuls, nicht einmal die wahre wissenschaftliche Beherrschung von etwas, das es möglich machte. Es war nur Papierkram, der nach der Schlacht anfiel. Du hast gerade beschrieben, was Lokad mit seinen eigenen Kunden macht. Wir kommunizieren, sie geben uns Einblicke in ihre zukünftigen Pläne, und wir integrieren diese in das numerische Rezept. Der funktionale Unterschied besteht darin, dass wir grundsätzlich numerische Rezepte haben, die weitaus vielseitiger sind. Wir sind nicht an Zeitreihen gebunden und verwenden in der Praxis selten Zeitreihenmodelle. Wenn du eine Kurve auf dem Bildschirm darstellen willst, muss es eine Zeitreihe sein. Das liegt daran, dass Bildschirme zweidimensional sind und wir eine Dimension, nämlich die Zeit, haben.
Unter der Haube ist das Modell nicht eindimensional. Die meisten unserer Vorhersagemodelle funktionieren nicht wie Zeitreihen-Prognosemodelle. Wir haben Genauigkeitsmetriken, die sich an der Vision orientieren, welche die Treue einer quantitativen Aussage über die Zukunft skizzieren. Aber das hat wenig mit Metriken des mittleren absoluten prozentualen Fehlers zu tun. Wir fragen uns: Treffen wir eine Aussage, die wirklich bedeutsam, vertrauenswürdig und im Einklang damit ist, was wir tatsächlich erreichen wollen? Zum Beispiel in der Luft- und Raumfahrtindustrie: Haben wir etwas, das diesen Gedanken wirklich aufgreift, dass wir eine Flotte bedienen und dass an dieser Flotte Parameter sind, die wir kontrollieren können? Ein Flugzeug hat eine Lebensdauer von vielleicht drei bis fünf Jahrzehnten. Das ist sehr gut begrenzt, sodass wir diese Gegebenheiten buchstäblich in unsere Modelle einbauen können. Wenn wir mit Kunden arbeiten, haben wir Modelle, bei denen wir einfach die Dinge tun. Wir nehmen uns die Zeit zu verstehen, was sie lösen wollen und welche Aussagen sinnvoll wären, um der Zukunft ihres Geschäfts treu zu bleiben. Es ist ganz anders. Wenn wir eine Genauigkeitsmetrik haben, gehen wir vom Wesentlichen des Geschäfts aus, versuchen, die Struktur zu erfassen, und entwickeln dann etwas darauf aufbauend. Es geht dabei nicht einmal darum, die Besonderheiten einer Branche zu erfassen, sondern ihre DNA. Zum Beispiel in der Luftfahrt muss man berücksichtigen, dass das, was man als Ersatzteile lagert, Flugzeuge sind. In der Bekleidung kommen bestimmte Modeerscheinungen und Trends, die kommen und gehen. In der Luftfahrt gibt es Flotten, die kommen und gehen. Zum Beispiel wird die Boeing 747 ausgemustert, aber der Airbus 350 eingeführt. Wenn du im Modebereich tätig sein willst und sagst, dass du Neuheit ignorieren willst, lautet meine Antwort darauf: Es wird nicht gut enden. Ich lehne die in den meisten supply chain Büchern vertretene Perspektive, dass diese Dinge nur Details seien, entschieden ab. Das sind sie nicht. Man kann sich einer Branche nicht nähern, indem man völlig abweisend gegenüber dem ist, was diese Branche ausmacht. Man kann kein Merchandising für Sportmannschaften betreiben und dabei ignorieren, dass es Turniere gibt und dass die Struktur deines Problems jedes Jahr darin besteht, dass immer nur ein Team gewinnt. Zum Beispiel, zurück zu jenem Unternehmen, das Accessoires für Baseballteams verkauft: Wie passt du die Tatsache hinein, dass es immer nur ein siegreiches Team gibt, in eine Zeitreihe? Du entwickelst deine Genauigkeitsmetrik. Du erstellst etwas aufbauend auf einem Modell, dieses Mal ein Service-Modell, das einfach keinen Sinn ergibt. Du wirst Zahlen erhalten, aber…
Conor Doherty: Also, mir ist bewusst, dass ich jetzt anfangen möchte, zum Schluss zu kommen und einige Fragen aus dem Publikum anzusehen. Wir sind ein Unternehmen, das rein aus finanzieller Sicht ergebnisorientiert arbeitet. Es gibt eine einfache Kritik, die vielleicht schon geäußert wurde – ich weiß es nicht –, aber ich werde sie dir jetzt vorlegen. Es gibt Multi-Milliarden-Dollar-Unternehmen, die im Grunde genommen allem widersprechen, was du gerade gesagt hast. Multi-Milliarden-Dollar-Unternehmen, die seit einem Jahrhundert oder länger bestehen. Wie antwortest du ihnen, wenn sie sagen: “Schau auf unseren Kontostand, Joannes, wir sind nicht mit dir einverstanden”?
Joannes Vermorel: Auf mehreren Ebenen – erstens: Unternehmen stimmen zu oder widersprechen nichts, denn Unternehmen sind einfach große Ansammlungen von Menschen; sie haben als solche keine eigene Meinung. Nur die Menschen, die in diesen Unternehmen arbeiten, haben eine Meinung. Daher geschieht in Unternehmen vieles – vor allem in großen Unternehmen – einfach zufällig. Es wurde nicht aktiv so gestaltet, es passierte einfach so. Das sind die Zufälle. Wenn wir sagen, dass ich Zeitreihen ablehne, ist meine Erfahrung, dass, wenn ich mit Führungskräften großer Unternehmen spreche, sie sehr häufig diesen grundlegenden Aspekten zustimmen, die ich gerade erwähnt habe. Wenn ich mit dem CEO eines großen Modeunternehmens spreche, ist dieser in der Regel völlig erstaunt darüber, warum die Planungsteams darauf bestehen, alles in Zeitreihen zu pressen, was in krassem Widerspruch zu seiner eigenen Vision steht. Also, bin ich wirklich uneinig? Ich glaube nicht. Meine Erfahrung im Umgang mit Führungskräften, die Jahrzehnte in einer Branche verbracht haben, ist, dass sie meist einen großen Frust darüber empfinden, wie die Planung abläuft, weil diese einfach nicht ihre Kernwahrnehmung und ihr Verständnis ihres eigenen Geschäfts widerspiegelt. Am Ende des Tages vertraue ich meinem Bauchgefühl mehr als den Zahlen des Planungsteams. Die Tatsache, dass diese Führungskräfte das so sehen und dass das Unternehmen erfolgreich ist, beweist, dass sie sozusagen das Richtige tun. Sie haben ein Planungsteam, weil sie ihr Bauchgefühl nicht skalieren können. Also, du brauchst mehr Zahlen, du brauchst dieses Planungsteam und diese Werkzeuge, aber sie sind eigentlich gar nicht so gut. Ich weiche erheblich von dem ab, was in den Lehrbüchern steht, aber ich bin nicht sicher, ob ich so sehr vom Bauchgefühl der meisten Führungskräfte abweiche, mit denen ich sprechen durfte.
Conor Doherty: Kannst du eine Zusammenfassung deiner Position geben, warum Prognosegenauigkeit nicht wichtig ist, und dann wechseln wir das Thema?
Joannes Vermorel: Es ist unwichtig, denn wenn ich die Definition aus dem supply chain Lehrbuch zugrunde lege, ist alles falsch. Es basiert auf einem fehlerhaften Paradigma, nämlich einem Zeitreihen-Prognoseparadigma, das völlig falsch ist. Deshalb sage ich, dass es ein vollständiges paradigmenmäßiges Missverhältnis darstellt. Es passt nicht zu dem Problem, das es zu lösen versucht, und ist somit nur eine ausgefallene mathematische oder statistische Lösung für das falsche Problem. In diesem Sinn spielt es keine Rolle. Wenn wir jedoch den Lokad-Weg gehen – also prüfen, ob wir etwas haben, das quantitativ der Essenz des Unternehmens treu ist – dann ist es von enormer Bedeutung.
Conor Doherty: Vielen Dank für all eure Fragen. Ich bin mir nicht sicher, ob wir unser Bestes tun werden, sie in der Reihenfolge zu beantworten, in der sie hinter den Kulissen eingereicht wurden. Also lese ich, was mir vorgetragen wurde, und einige dieser Aussagen wirst du, nehme ich an, beantworten. Also, von einem Kerl namens Dustin: “Prognosegenauigkeit ist wichtig, jedoch ist die derzeitige Methode, sie zu quantifizieren, indem die Genauigkeit einer Punktprognose gemessen wird, einschränkend. Das ultimative Ziel sollte sein, die Genauigkeit einer Wahrscheinlichkeitsverteilung zu messen. Stimmst du dem zu?”
Joannes Vermorel: Nochmals, Lokad, wir bewegen uns mit der probabilistischen Prognose in die richtige Richtung. Die probabilistische Prognose ermöglicht es dir, die Unsicherheit anzunehmen. Aber dennoch, es ist nicht genug. Deshalb sage ich: Ja, die Akzeptanz von Unsicherheit ist sicherlich notwendig, Lokad, wir sind voll dafür. Aber nochmals: Wenn du immer noch eindimensional bist, ist es immer noch nicht gut. Und wenn du die Vergangenheit immer noch als Spiegelbild der Zukunft behandelst, lehnst du dieses Potenzial von Entscheidungen, die noch nicht getroffen wurden, vollständig ab.
Conor Doherty: Schlägst du vor, dass sich die Genauigkeit der Prognose mehr auf die Präzision der Ausführung bezieht, die Einsichten sowohl aus internen als auch externen Veränderungen umfasst? Aus prognostischer Sicht, sollte der Fokus auf Menge und Wert liegen? Paulo ist der Meinung, dass KPIs die größte Bedeutung haben, wenn sie abteilungsübergreifend geteilt werden, insbesondere in den Bereichen Vertrieb, Marketing und Finanzen. Wie siehst du das: Sind Aufwärts- und Abwärtsszenarien nützlich? Da sind viele kleine Fragen, ich überlasse dir die Wahl.
Joannes Vermorel: Das ist etwas sehr Interessantes. Zunächst einmal ist eine Prognose eine Zutat, ein Artefakt an sich. Sie bewirkt einem Unternehmen nichts, wenn sie isoliert betrachtet wird. Wenn du eine quantitative Aussage über die Zukunft machst, ist die Software nur ein Artefakt. Sie hat keinen eigenständigen Wert. Ich denke, Paulo hat vollkommen recht, dass deine Bewertung nichts sein kann, was der Prognose inhärent ist. Nur durch die Ausführung der supply chain kannst du beurteilen, ob dieses Instrument, dieses numerische Artefakt, geeignet war oder nicht. Du erstellst dein numerisches Artefakt, deine Prognose, und dann kannst du erst an ihren weitreichenden Konsequenzen beurteilen, ob es eine gute oder schlechte Prognose war. Genau dort musst du von den weitreichenden Konsequenzen zurückgehen bis zur numerischen Rezeptur, mit der die Prognose erstellt wurde, um zu bewerten, ob sie gut oder schlecht war. Das ist ein sehr folgerichtiger Ansatz, den ich für die Prognose vertrete.
Was die KPIs betrifft, die an die verschiedenen Abteilungen verteilt werden, würde ich sagen: Sei vorsichtig. Unternehmen verdienen kein Geld damit, dass Menschen Zahlen lesen. Dass Zahlen teamübergreifend geteilt werden, ist zwar gut und schön, aber schafft dies einen echten Mehrwert für das Unternehmen? Eigentlich nicht. Und wenn von KPI die Rede ist, soll es sich um Schlüsselkennzahlen handeln – angeblich nur wenige – wie key performance indicators. Meine Beobachtung ist jedoch, dass Unternehmen Dutzende, Hunderte, manchmal Tausende von KPIs haben. Es geht also nicht um KPIs, sondern um Leistungsindikatoren, wie eine LKW-Ladung an Leistungsindikatoren. Mein Punkt ist: Ja, bis zu einem gewissen Grad, aber sei wachsam. Unternehmen bezahlen bereits viel zu viele Leute, die ihre Zeit damit verbringen, Metriken zu beobachten, während sie im Anschluss sehr wenig tun.
Conor Doherty: Ich möchte dazu vielleicht kurz nachhaken, denn korrigiere mich bitte, falls ich falsch liege: Du sagst, dass zu viel abteilungsübergreifende Kommunikation nachteilig sein kann. Aber ist nicht genau das Gegenteil von Silos, von denen ich weiß, dass du kein besonderer Fan bist?
Joannes Vermorel: Was sollen die Leute mit diesen Zahlen anfangen? Meiner Ansicht nach, wenn man Daten teilen möchte, sollten diese nicht durch die Augen und das Gehirn von Menschen fließen. Wir sprechen dabei von einem typischen Kunden, der mehr als ein Terabyte an Transaktionsdaten besitzt. Das sind sehr viele Daten. Realistisch betrachtet: Wenn wir sagen, dass du über deine Augen siehst, wie viele Ziffern kannst du pro Sekunde erfassen? Etwa fünf Ziffern pro Sekunde. Es würde ein ganzes Leben dauern, diese Daten durch menschliche Gehirne zu leiten. Offensichtlich meinen wir, dass, wenn wir sagen, wir wollen Daten teilen, das nicht bedeutet, dass sie durch Menschen hindurch müssen. Das Aufbrechen der Silos bedeutet nicht, dafür zu sorgen, dass Bob aus der anderen Abteilung all die Daten konsumieren muss, die du produzierst, generierst, in Berichten und Ähnlichem. Es geht lediglich darum, sicherzustellen, dass jeder programmatischen Zugriff auf alle Daten im Unternehmen hat, damit er seine eigenen Entscheidungen optimieren kann. Und falls eine Koordination notwendig ist, dann darum, die numerischen Rezepturen, die die verschiedenen Entscheidungen herbeiführen, aufeinander abzustimmen. Das bedeutet nicht, dass die Menschen ihre eigene Zeit und Bandbreite – menschliche Zeit und Kapazitäten – dafür aufwenden müssen, diese Daten manuell zu verarbeiten. Das Aufbrechen der Silos soll nicht zur Folge haben, dass für die andere Abteilung zusätzliche Arbeit generiert wird, indem ein Bericht erstellt wird, von dem du erwartest, dass die Leute in der anderen Abteilung ihn lesen. Hier erzeugst du lediglich Bürokratie. Du schaffst eine bürokratische Aufgabe, die du einer anderen Abteilung aufzwängst. Und meine Intuition ist, dass dies in den meisten Fällen nicht in etwas Profitables für das Unternehmen mündet. Es könnte zwar der Fall sein, aber es ist keine Selbstverständlichkeit und meistens wird es eben nicht so enden.
Conor Doherty: Danke dafür. Mir ist bewusst, dass wir nur begrenzt Zeit haben, daher die Frage von Sashin oder Sain: Wie anwendbar ist das Basket-Konzept bzw. die Basket-Perspektive für B2B-Unternehmen im Vergleich zu reinen Konsumgütern?
Joannes Vermorel: Das ist wesentlich. Nehmen wir ein Beispiel. Einer unserer Kunden bei Lokad ist ein B2B-Händler für Elektrotechnik. Es ist ein sehr großes Unternehmen. Wenn man Elektrotechnik verkauft, sind Ihre Kunden Großunternehmen und der Großteil Ihres Geschäfts wird von Baustellen angetrieben. Ja, es gibt vereinzelt ein Unternehmen, das eine Glühbirne oder einen Lichtschalter bestellt, nur um eine kleine Reparatur durchzuführen, aber der Großteil des Geschäfts wird von Baustellen bestimmt. Es gibt einen neuen Turm und in 6 Monaten brauchen Sie 4.000 Lichtschalter – alle vom gleichen Modell – zur gleichen Zeit und buchstäblich 200 km Kabel. Und so haben wir – und das ist kein Sonderfall, sondern etwas sehr Klassisches im Hochbau – ein Gebäude wird errichtet und es wird Unternehmen geben, die Großbestellungen aufgeben, um anzugeben, dass sie das Gebäude in Sachen Elektrotechnik ausstatten wollen. Und so wird man sagen, 6 Monate im Voraus, und man erwartet nicht, dass dieser Elektrotechnik-Versorger alles auf Lager hat. Niemand hat solch eine Menge an Lagerbestand sofort verfügbar, also weiß das Unternehmen, das den Einbau des Gebäudes übernimmt, das. Deshalb geben sie Monate im Voraus eine Großbestellung auf und wissen, dass es nicht sofort verfügbar sein wird. Aber sie sagen: „Wir geben Ihnen viel Zeit, aber zu diesem Termin im nächsten Jahr, Ende März, muss alles bereitstehen, weil wir dann mit der Ausstattung des Gebäudes fortfahren und jedes einzelne Teil benötigen.“ Also haben wir eine Großbestellung, tausend Referenzen, wobei es für jede Referenz Hunderte von Einheiten gibt, und wir brauchen jedes einzelne Teil bis zur letzten Einheit perfekt zu diesem Datum verfügbar. Und wir täuschen Sie nicht, wir geben Ihnen genügend Monate, um dies zu realisieren. Und genau das ist es – in diesem Fall sehen Sie, dass wir erneut von der Zeitreihe abweichen. Wir haben eine Nachfrage, aber wenn man die Nachfrage als Zeitreihe betrachtet, verfehlt man den Kernpunkt. Der Punkt ist, dass Sie zwei Daten haben: das Bestelldatum und das vorgesehene Verfügbarkeitsdatum der Ware. Das ist also ebenso ein Warenkorb – dies ist B2B und bringt im Vergleich zum Supermarkt eine zusätzliche Komplexität mit sich, da alles, was benötigt wird, im Voraus angekündigt worden ist.
Conor Doherty: Vom Stefan, oder Stefane, dem Franzosen – ich glaube, Stefan hat einen Kommentar. Er sagt: “Man kann potenziell eine riesige Menge an Daten, strukturiert oder nicht, in eine fortgeschrittene KI einspeisen, um eine Prognose zu erhalten. Allerdings gibt es dabei einen Haken, nicht wahr?” Das ist eine Frage. Vielleicht wissen Sie mehr?
Joannes Vermorel: Ja, ich meine, die Leute denken, dass die Alternative zu einer Zeitreihe irgendeine Art von Skynet-KI ist. Meine Antwort lautet: Warum denken Sie das? Wenn Sie in Ihrem ganzen Leben nur runde Formen gesehen haben und nie eine quadratische Form, könnten Sie meinen, dass die Alternative zu einer runden Form eine unglaublich komplizierte Form ist. Doch das ist nicht gemeint. Ich behaupte nicht, dass die Alternative zu einer runden Form etwas unvorstellbar Kompliziertes ist – es könnte einfach eine quadratische Form sein. Ich sage nicht, dass die Alternative zur Zeitreihe eine Skynet-level KI oder Ähnliches ist. Die meisten Modelle, die Lokad verwendet, sind sehr einfach und keine Zeitreihen. Es existiert sozusagen ein Kultgedanke, dass es Zeitreihen sein muss. Ich sage: Warum nicht auch anders? Die Mathematik ist immens, es gibt unzählige alternative Ansätze, die nicht komplizierter sind als Zeitreihen. Sie sind einfach anders. Zeitreihen sind das Einfachste vom Einfachsten – ja, sie sind ein wenig komplex, ein kleines bisschen, weil es kaum etwas Einfacheres als eine Zeitreihe gibt. Eine Zeitreihe besteht buchstäblich aus einer einzigen Größe mit einer Zeitdimension, weshalb es schwierig ist, weil man die Zeitdimension berücksichtigen muss. Es ist kaum möglich, etwas Einfacheres als eine Zeitreihe zu finden, da diese bereits super simpel ist. Aber das bedeutet nicht, dass die Alternative zur Zeitreihe eine Skynet-level KI ist. Diese Modelle sind immer noch parametrisch, sehr einfach, und es geht nur darum, die Struktur des zu lösenden Problems zu nutzen. Wenn ich die Struktur von Problemen beschreibe – wie eine Serie von Baseballspielen, bei denen jedes Jahr ein Sieger gekürt wird und die anderen verlieren – sprechen wir nicht von unvorstellbar komplizierten Strukturen. Diese Dinge sind nicht so komplex; sie lassen sich in wenigen Minuten beschreiben, und die Modelle, die Lokad üblicherweise verwendet, lassen sich ebenfalls in wenigen Minuten erklären. Zeitreihen können in Sekunden beschrieben werden, daher bewegen wir uns bei den alternativen Ansätzen oft in einem Minutenbereich.
Conor Doherty: Nun, was den Unterschied zwischen den Formen angeht – und ich werde kurz darauf eingehen – wenn Menschen die Frage erörtern, wie gut oder treu eine Prognose war, schauen sie auf die Genauigkeit. Wir tun das nicht. Die andere „Form“, die wir verwenden, ist der finanzielle Impact. Ist das die alternative Form?
Joannes Vermorel: Das ist Teil unseres Trickkoffers. Die finanzielle Perspektive bedeutet nicht, dass wir stur darauf beharren. Es ist nur so, dass es nach meiner Erfahrung – wenn man es mit einem großen Unternehmen mit einer riesigen supply chain zu tun hat – das Problem gibt, Dutzende von widersprüchlichen Zielen in Einklang zu bringen. Sie haben unzählige Ziele. Als großes Unternehmen möchten Sie keinen Abfall produzieren, Sie wollen einen hohen Service-Level, die maximale Auslastung Ihres warehouse und Ihrer Anlagen, Sie haben Beschränkungen wie begrenzten Lagerraum und Verfallsdaten. Sie haben also überall Einschränkungen und Ziele. Man braucht eine gemeinsame Sprache, um das alles zu vereinen. Es ist eine sehr praktische Angelegenheit. Diese Dinge stehen oft im direkten Konflikt zueinander. Qualität des Service widerspricht dem Ziel, keinen Abfall zu produzieren. Wenn Sie sagen, dass Sie einen extrem hohen service level wünschen, führt das bei verderblichen Waren oft dazu, dass Sie Bestände haben, die ablaufen und weggeworfen werden müssen – also Abfall erzeugen. Es besteht ein Spannungsfeld: Sie können nicht gleichzeitig null Abfall und sehr hohe Servicequalität haben. Bei hoher Servicequalität gehört etwas Abfall dazu, und wenn Sie den Abfall vollständig eliminieren, kommt es sehr häufig zu stockouts. Das ist unvermeidbar – so ist das Problem beschaffen. Sie haben diese Konflikte zwischen verschiedenen Zielen. Und vergrößern Sie das Ganze: Bei einem großen Unternehmen muss all das vereinheitlicht werden. Mein Vorschlag, der auch der Trickkoffer von Lokad ist, besteht darin, all diese Zielsetzungen in Dollar auszudrücken. So erhalten wir eine lingua franca – einen gemeinsamen Nenner zur Vereinheitlichung. Es ist nicht so, dass ich zwingend in Dollar denken möchte, sondern es ist meine Erfahrung, dass dies das Einzige ist, das bei der Betrachtung komplexer Unternehmen skaliert. Es ist schlicht eine Frage der praktischen Umsetzbarkeit im großen Maßstab.
Conor Doherty: Danke. Also sollte dieses Video den Titel “Does Time Series Matter?” tragen? Sie sind der Meinung, dass die Quantifizierung von Unsicherheit und Prognosegenauigkeit essentiell ist, lehnen aber die aktuellen Methoden ab, richtig?
Joannes Vermorel: Nochmals: Genauigkeit und Zeitreihe sind dasselbe. Wenn Sie in supply chain Lehrbüchern nachschlagen, habe ich noch nie ein supply chain Lehrbuch gesehen, in dem die Genauigkeit nicht sofort mit einer Zeitreihe verknüpft wird. Die meisten supply chain Lehrbücher machen nicht einmal den Aufwand, die mathematische Definition einer Zeitreihe zu erläutern. Sie springen sofort zur Genauigkeitsdefinition, die in sich schon die Zeitreihe beinhaltet. Sie sehen, diese Konzepte sind im Mainstream-supply chain Paradigma ko-substantiell – sie sind ein und dasselbe. Und Lokad behauptet, wir wollen sie auseinandernehmen. Es gibt zwar eine Möglichkeit, Genauigkeit relevant zu machen, allerdings ist diese so grundlegend anders als das, was in den supply chain Lehrbüchern gelehrt wird, dass ich sehr zögerlich bin. Ich stehe dem Begriff „Genauigkeit“ ambivalent gegenüber. Genauigkeit ist ein guter und gültiger Begriff – und moralisch ist das, was wir tun. Aber was wir tun, ist ein so radikaler Bruch mit den herkömmlichen supply chain Lehrbüchern, dass es Verwirrung stiftet, wenn wir denselben Begriff verwenden.
Conor Doherty: Danke. Ich glaube, wir haben das Thema in den letzten beiden Fragen bereits angerissen. Dies ist von Constantine. Einige plädieren für FVA – Ihr Favorit – als Mittel, um zu bestimmen, ob der Aufwand zur Verbesserung der Genauigkeit gerechtfertigt ist. Sie haben kürzlich eine Kritik an FVA veröffentlicht. Was schlagen Sie als Alternative vor?
Joannes Vermorel: Also, hier gebe ich eine Antwort – die nicht von mir stammt, sondern von TOA. Wenn ein Chirurg einen Krebs aus Ihrem Körper entfernt, womit ersetzt er den Tumor? In Bezug auf FVA vertrete ich die Meinung, dass die im Mainstream-Paradigma erzielte Genauigkeit ein trügerisches Konzept ist. Es hält einer kritischen Betrachtung des Wesentlichen des Geschäfts nicht stand. Ergibt dieses mathematische Instrument – eine Linie – in einem hohen Geschäftsrahmen überhaupt Sinn? Meine These lautet, dass, wenn man genau hinsieht, das nicht der Fall ist. FVA ist somit lediglich eine Übertechnisierung eines Prozesses über ein falsches Paradigma, ein falsches Instrument. Damit wird alles nur noch schlimmer. FVA treibt das Unternehmen in die falsche Richtung. Sie hatten bereits ein falsches Konzept, diese Zeitreihen-Genauigkeit, und jetzt wollen Sie darauf einen Prozess aufbauen, der zu einer Mini-Bürokratie im Unternehmen führt. Meiner Meinung nach ist dies weder die erste noch die letzte nutzlose Bürokratie, die in einem großen Unternehmen Einzug hält. Große Unternehmen haben Dutzende von unnützen Bürokratien. Am Ende ist es für das Unternehmen nicht das Schlimmste, wenn eine weitere nutzlose Bürokratie hinzukommt – aber macht es die supply chain des Unternehmens wettbewerbsfähiger? Nein, bei weitem nicht. Im Gegenteil, es bewirkt das genaue Gegenteil. Zwar wird es das Unternehmen nicht zum Scheitern bringen, aber es fügt lediglich Kosten hinzu, während das Unternehmen weitermacht.
Conor Doherty: Okay, ich werde hier noch ein wenig nachhaken, weil wir beide Thomasos Analogie mögen. Wenn ein Chirurg einen Krebs entfernt, womit füllt er dessen Stelle? Übertragen auf diesen Kontext heißt das fast, es werde einfach nichts ersetzt – man solle die Hände in den Schoß legen. Was soll diese Lücke füllen?
Joannes Vermorel: Lassen Sie mich erklären, was Genauigkeit in einem großen Unternehmen tatsächlich bedeutet. Es gibt diesen SNOP-Prozess mit einem Bureau CES, der Prognosen erstellt, und dann werden diese Prognosen bewertet. Aber werden sie genutzt? Nein, das werden sie nicht. In all den großen Unternehmen, mit denen ich in den letzten zehn Jahren Kontakt hatte – über 200 große Unternehmen – stelle ich bei Inspektionen und Audits fest, dass das ganze Unternehmen auf Schatten-IT-Tabellenkalkulationen basiert. All diese Zahlen, die aus dem SNOP-Prozess heraustreten, werden nicht verwendet. Die Vertriebsmitarbeiter, die Produktion, die supply chain-Experten, Logistik, Transportkapazitäten – alle nutzen diese Zahlen nicht. Es ist wie ein Potemkin-Dorf. Es besteht die Illusion von Rationalität, wenn Leute diese großartigen SNOP-Prozesse entwickeln und sie einmal pro Quartal überarbeiten. Doch letztendlich hat jeder Manager sein eigenes geheimes Tabellenblatt, das tatsächlich das Geschäft am Laufen hält. Interessanterweise glaubt jeder Manager, dass er der Einzige mit so einem geheimen Tabellenblatt ist. Mehrfach hat mir beispielsweise ein VP der supply chain erzählt, dass er ein geheimes Tabellenblatt hat, weil die offiziellen Zahlen Müll sind. Dennoch bestehen seine Untergebenen darauf, den offiziellen SNOP-Prozess zu befolgen. In Audits berichteten auch die Untergebenen, dass sie ein geheimes Tabellenblatt verwenden, weil sie den offiziellen Zahlen nicht trauen. Und alle denken, sie wären die Einzigen mit so einem geheimen Tabellenblatt. Diese Situation habe ich immer wieder erlebt. Es gibt falsche Zahlen im SNOP-Plan, aber die endgültigen Entscheidungen fallen dennoch richtig aus. Wie ist das möglich? Die Antwort ist stets, dass irgendwo ein Tabellenblatt existiert, das viel näher an der wirklichen Essenz des Geschäfts ausgerichtet ist. Die Leute verstecken eben das Tabellenblatt, weil es nicht der offiziellen Vorgabe entspricht – und trotzdem ist es genau das, was das Unternehmen antreibt und nicht dieses großartige, aber trügerische Potemkin-Dorf an Zahlen.
Conor Doherty: Danke. Wir haben noch einige Fragen, daher bitte ich im Folgenden um Kürze. Dies ist von Sean. Er schreibt: “Die Prognosegenauigkeit ist ein Element in der supply chain. Es mag nicht der entscheidende Engpass in einem bestimmten Geschäft sein. Stimmen Sie dem zu?”
Joannes Vermorel: Macht es überhaupt einen Unterschied, ob man auf eine verbesserte Faxmaschine setzt? Sehen Sie, das ist der Punkt, den ich vermitteln möchte. Wenn mir jemand sagt, dass wir im klassischen Sinn eine bessere Genauigkeit haben, ist das gleichbedeutend damit, mir zu sagen, dass Sie eine bessere Faxmaschine haben. Nur weil es im Vergleich zum Status quo eine Verbesserung darstellt, heißt das nicht, dass es insgesamt eine Verbesserung ist. Das ist der Fluch des Inkrementalismus in der supply chain. Die Leute betrachten Verbesserungen nur im Verhältnis zu dem, was sie bisher hatten. Wenn Sie sich ausschließlich auf bessere Faxmaschinen konzentrieren, befinden Sie sich nicht in einer guten Lage. Und wenn Leute sagen: “Oh, Sie reden von KI, Skynet”, so antworte ich beispielsweise, dass E-Mail grundsätzlich einfacher ist als eine Faxmaschine. Eine Faxmaschine ist technologisch anspruchsvoller und aufwendiger, und dennoch ist sie eine schlechtere Lösung im Vergleich zur Alternative. Das ist mein Punkt. Wenn man sagt: “Oh, wir haben diese Verbesserung”, dann antworte ich: “Ja, Sie haben einfach eine bessere Faxmaschine. Herzlichen Glückwunsch. Aber Sie verpassen den eigentlichen Kernpunkt. Sie verpassen die Gelegenheit, etwas zu tun, das insgesamt einfacher, besser, angepasster, schneller und schlanker ist.”
Conor Doherty: Danke. Weiter geht’s, von Philippe: “Wenn man über Struktur in der Prognose spricht, kann eine Zeitreihen-Prognose, sofern anwendbar, ein Bestandteil dieser Struktur sein?”
Joannes Vermorel: Das kann sein. Zeitreihen sind so eine grundlegende Struktur. Es ist sehr schwierig, beim Entwickeln von etwas zu vermeiden, dass Zeitreihen unabsichtlich entstehen, selbst als Bestandteil des prädiktiven Elements. Meine Botschaft ist nicht, dass Zeitreihen nicht verwendet werden sollten. Das ist nicht der Kern. Ich sage nur, dass wenn alles, was man hat, Zeitreihen sind, das sehr simpel ist. Man muss seinen Wortschatz, seinen Horizont erweitern. Es gibt noch andere Dinge, und in diesen anderen Dingen kann man durchaus Zeitreihen haben. Das kommt gelegentlich vor.
Conor Doherty: Als Nächstes, von Manuel: “Universitäten lehren weiterhin traditionelle Prognosemethoden und betonen deren Genauigkeit. Mit der jüngsten Einführung von Machine-Learning-Modellen, die viele zusätzliche Faktoren berücksichtigen, hat sich dadurch die heute präsentierte Sichtweise verändert?”
Joannes Vermorel: Der Unterschied zwischen einem Schwarzweiß-Fernseher, der ein klassischer Bildschirm wäre, und einem Licht, das Dinge projiziert – das wäre der große Flachbildschirm – entspricht den altmodischen Zeitreihen. Machine Learning liefert dir nur den Schwarzweiß-LCD-Bildschirm. Er ist immer noch schwarzweiß; das eine besitzt bessere Eigenschaften, ist schlanker, hat seinen Platz. Mein Problem mit Universitäten liegt nicht beim besseren numerischen Modell. Mein Problem ist nicht, dass Universitäten nicht den richtigen Prognosealgorithmus lehren, sondern dass sie nicht versuchen, die richtige Prognosehaltung zu vermitteln. Siehst du den Kern des Problems? Versuchst du, eine quantifizierte Aussage zu treffen, die für das Geschäft Sinn macht? Ist das, was du tust? Ergibt es Sinn? Berücksichtigst du, dass die Zukunft nicht das Spiegelbild der Vergangenheit ist? Noch einmal: Es geht um die Haltung. Und dann kommen die technischen Details. Für mich gibt es ein weltweites Spektrum zwischen klassischen Zeitreihen und Machine Learning. Wenn wir uns den Walmart-Wettbewerb anschauen, bei dem wir den fünften Platz erreichten, war der Kniff, dass wir ein super simplistisches parametrisches Modell mit fünf Parametern verwendet haben. Zählt das also als klassisch? Von tausend konkurrierenden Teams belegten wir den fünften Platz, und wir waren sogar auf SKU-Ebene – über allen anderen – mit einem super simplistischen Modell auf Platz eins. Das Interessante ist, dass es sich um ein super simplistisches Modell mit fünf Parametern handelt. In gewisser Hinsicht ist es also ein altmodisches Modell, aber die Art und Weise, wie wir diese Parameter ermittelt haben, erfolgte durch aufwändigeres differenzierbares Programmieren. Also, ist es Machine Learning? Ist es altmodisch? Für mich gibt es ein Kontinuum von super klassischen autoregressiven Modellen bis hin zu super ausgefallenen Deep Learning Modellen. Es gibt keinen Quantensprung – all das ist vorhanden. Mein Problem ist nicht, dass Universitäten diese Prognosealgorithmen nicht korrekt lehren, sondern dass sie nicht die richtige Prognosehaltung, die Denkweise vermitteln, die man haben muss, wenn man sich mit der Zukunft für supply chain Zwecke auseinandersetzt. Das ist das Problem. Das Ziel des S&OP-Prozesses ist es, eine unternehmensweite Abstimmung zu schaffen. Das wäre das Ziel, damit die Personen in der Produktion das herstellen, was das Vertriebsteam verkaufen wird, und die Vertriebsmitarbeiter das verkaufen, was erfüllbar ist. Es geht buchstäblich um unternehmensweite Abstimmung. Aber in der Praxis sind S&OP-Praktiken eine endlose Reihe von Meetings. Das ist es.
Meiner Ansicht nach fließt Information durch die IT-Systeme, die Applikationslandschaft. Wir haben konkurrierende Paradigmen. Wir sind nicht einmal auf derselben Seite. Ich sage: Die Information fließt, und wenn es Koordination gibt, wird es nicht um die Information gehen. Die Information fließt durch die Applikationslandschaft. Es ist nicht nötig, dass Menschen miteinander sprechen, um Abstimmung zu erzielen. Es wird um die numerischen Rezepte und darum gehen, den strategischen Willen des Unternehmens zu verdeutlichen – was absolut nicht das ist, was in S&OP-Meetings gemacht wird. Viele Großunternehmen erzielen anständige Ergebnisse, aber diese Zeitreihenprognosen sind nur ein Teil der Bürokratien, die zu nichts beitragen. Man könnte sie entfernen, und es würde einwandfrei funktionieren. Während der Lockdowns von 2020 und 2021 wurden in einigen Ländern gewisse Teile der weißen-Kragen-Belegschaft mancher Unternehmen für 14 Monate technisch arbeitslos gemeldet. Das Unternehmen operierte dennoch mit 80 % Kapazität. Es war reduziert, aber nicht auf null. Aufgrund dieser Lockdowns wurde der gesamten weißen-Kragen-Belegschaft, besonders in der Planung, buchstäblich befohlen, zu Hause zu bleiben und niemals die Firmencomputer zu berühren. Wir hatten ein großes Experiment, bei dem die gesamte Planungsabteilung für 14 Monate ausfiel – und alles war in Ordnung. Wenn also ein Unternehmen 14 Monate lang ohne eine Abteilung auskommt, in der alle Mitarbeiter fehlen, was sagt das über diese Abteilung aus? Vermutlich, dass sie nicht gerade super missionskritisch ist. Wir hatten sogar einen Fall, in dem ein großes Unternehmen – ein Hersteller – während des Lockdown-Zeitraums im Grunde genommen zu einem e-commerce wurde. Das e-commerce-Segment machte vor den Lockdowns 5 % ihres Geschäfts aus. Ende 2021 stammten zwei Drittel des Umsatzes aus e-commerce. Das Unternehmen unterzog sich also einer massiven Transformation, indem es von 5 % e-commerce zu de facto einem e-commerce-Unternehmen wurde. Wenn dein Unternehmen massive, schnelle Transformationen durchlaufen und gut umsetzen kann, was sagt das über diese Funktionen aus? Ich stelle diese Annahme in Frage. Ich behaupte nicht, dass Genauigkeit keine Rolle spielt – insbesondere nicht in dem spezifischen Sinn, den Lokad verfolgt. Aber wenn man betrachtet, wie es normalerweise gehandhabt wird, habe ich immer wieder erlebt, dass es Lockdowns gab, dass wir sogar das große Experiment hatten, die Abteilung, die für diese Genauigkeitsmetriken zuständig ist, für über ein Jahr – genauer: 14 Monate – stillzulegen. Und was war der Einfluss auf das Geschäft? Nichts, alles lief wie gewohnt. Einige dieser Unternehmen florierten danach sogar. Das war ein echter Augenöffner für mich. Das ist ein Experiment, das nicht hätte passieren dürfen – aber es ist passiert.
Conor Doherty: Joannes, danke. Und die letzte Frage, ebenfalls von Nicholas – möglicherweise eine andere, ich weiß es nicht. Ich stelle oft fest, dass Abteilungen versuchen, statistische Daten mit Bauchgefühlen zu überstimmen. Wie definieren Sie den Einfluss der Prognosegenauigkeit auf die Verbesserung des Lagerbestands und des Kundenerlebnisses in Echtzeit?
Joannes Vermorel: Genau darum geht es – diese Frage wird im Mainstream-Paradigma der Zeitreihengenauigkeiten niemals gestellt. In supply chain Lehrbüchern wird diese Frage nicht aufgeworfen. Sie fehlt schlichtweg. Doch das ist nicht die einzige Sorge. Es gibt einen ganzen Bereich, den wir nicht berührt haben: die Instrumentalität der Prognose. Wie gut sollen sie tatsächlich im Unternehmen eingesetzt werden? Und diese Aspekte fehlen. Ja, das ist also sehr wichtig. Und alle Punkte – von der Entscheidung bis hin zum mathematischen Modell, das diese Aussagen erzeugt – miteinander zu verknüpfen, ist von großer Bedeutung. Das setzt aber voraus, dass man numerische Rezepte hat, die einen durchgängigen Prozess abbilden – von der prädiktiven Erzeugung dieser quantitativen Aussagen über die Zukunft bis hin zur getroffenen Entscheidung, die reale Konsequenzen mit finanziellen Auswirkungen auf dein Unternehmen hat. Und so wirst du beurteilen, ob dein prädiktives Modell verlässlich ist oder nicht. Ich benutze “verlässlich”, weil ich nicht das Wort “genau” verwenden möchte. Ein Teil des Trickkoffers ist eben dieser finanzielle Blickwinkel, der dies erleichtert. Aber wie es üblicherweise gehandhabt wird, hört es auf halbem Weg auf. Es gibt diese große Illusion, die in supply chain Lehrbüchern und auch in der meisten supply chain Software gepflegt wird, dass man das Problem an der Prognosestufe abschneiden und isoliert bewerten könne, wie gut oder schlecht man ist. Und das ist kompletter Unsinn. Es gibt nichts derart, dass man isoliert die Angemessenheit oder Genauigkeit einer Prognose bewerten kann. Dabei geht es nur um das Benchmarking mathematischer Modelle. Das ist gut – aber nicht das wirkliche Leben. Es ist, als ob du den Sieger an der Schießbude ermitteln möchtest. Du magst einen olympischen Schießmeister haben, aber wenn es zu einer tatsächlichen Militäroperation kommt, schießen die Leute nicht mit echten Waffen in einem echten Krieg so, wie in einer kontrollierten Umgebung geübt wird. Das ist völlig anders. Der abschließende Punkt ist, dass ein Teil des Genauigkeitsproblems darin besteht, dass das Problem selbst falsch formuliert ist. Es geht nicht darum, dass Genauigkeit im mathematischen Sinn falsch ist. Das ist nicht, was ich sage. Ich behaupte nicht, dass beispielsweise Forecast Value Added im statistischen Sinne inkorrekt ist. Das ist nicht, was ich sagen will. Ich sage vielmehr, dass das paradigmenbezogene Umfeld, das diese Konzepte umgibt, unzureichend ist. Wenn du zwischen einem Bauchgefühl, das ein Unternehmen wirklich umarmt, und einem super ausgeklügelten, aber völlig unpassenden Ansatz wählen musst, schlägt “ungefähr korrekt” jeden Tag “exakt falsch”. Darin liegt der Punkt. Und Genauigkeit veranschaulicht die traditionelle Art und Weise, wie diese “exakt falsch”-Denkweise funktioniert.
Conor Doherty: Joannes, ich habe keine weiteren Fragen. Eigentlich schon, aber die hebe ich mir für einen anderen Tag auf. Vielen Dank für deine Zeit. Und an alle, die so lange bei uns geblieben sind: Vielen Dank für eure Zeit. Wir sehen uns beim nächsten Mal.