Spielt die Genauigkeit der Prognose überhaupt eine Rolle?

00:00:00 Einführung in das Interview
00:01:46 Auswirkungen der Prognosegenauigkeit auf den Gewinn
00:03:25 Definition der Genauigkeit bei Prognosen
00:07:36 Bewertung mit einem quantitativen Instrument
00:09:35 Zeitreihen als eine Messung
00:11:16 Nachfrage auf Warenkorb-Ebene ausgedrückt
00:13:22 Analogie der Zeitreihenprognose
00:15:17 Einschränkungen von Zeitreihen im Kontext verderblicher Lebensmittel
00:18:51 Zeitreihen spiegeln nicht den Kern des Geschäfts wider
00:21:41 Erwähnung des hinzugefügten Prognosewerts
00:24:47 Diskussion der Prognosegenauigkeit als KPI
00:27:55 Fokus der Modebranche auf das Erzeugen von Wünschen
00:30:35 Übergang zur Diskussion der Luft- und Raumfahrtindustrie
00:33:05 Lokads probabilistischer Ansatz
00:36:22 Beispiel für den Verkauf von Rucksäcken und zukünftige 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 Uneinigkeit mit gängigen Supply Chain Perspektiven
00:51:49 Übergang zu Fragen aus dem Publikum
00:54:06 Planung spiegelt kein Verständnis des Geschäfts wider
00:57:35 Lehrbuchdefinition der Genauigkeit ist irrelevant
01:00:01 Frage zur Prognosegenauigkeit und Umsetzung
01:03:38 Frage zur zwischenabteillichen Kommunikation und Silos
01:06:15 Beispiel für einen B2B-Vertreiber von Elektrogeräten
01:09:34 Warenkorb-Analyse häufiger im B2B-Bereich
01:12:30 Messung der Prognosegenauigkeit
01:15:02 Hinterfragung des Titels des Videos
01:17:10 Analogie des Entfernens 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 nach traditionellen Prognosemethoden, die von Universitäten gelehrt werden
01:30:54 Snop für die Unternehmensausrichtung
01:33:23 Experiment während Lockdowns mit abwesender Planungsabteilung
01:36:12 Diskussion der Unternehmensumwandlung
01:39:10 Große Illusion in der Supply Chain
01:42:13 Genauigkeit als Beispiel für genau falsche Denkweise
01:42:49 Ende des Interviews

Zusammenfassung

Joannes Vermorel, CEO von Lokad, kritisiert das traditionelle Verständnis der Prognosegenauigkeit im Supply Chain Management und argumentiert, dass es nicht das Kern-DNA eines Unternehmens widerspiegelt. Er schlägt vor, dass Zeitreihenprognosen, die häufig verwendet werden, zu einfach gestrickt sind und die Zukunft für Supply Chain-Zwecke nicht genau repräsentieren. Vermorel schlägt einen anderen Ansatz vor, der sich darauf konzentriert, quantitativ der Essenz eines Unternehmens treu zu bleiben. Er kritisiert den Fokus auf inkrementelle Verbesserungen und schlägt vor, dass Unternehmen nach einfacheren, besseren Lösungen suchen sollten. Vermorel betont die Bedeutung des Verständnisses der Essenz des Problems und der Erstellung quantifizierbarer Aussagen, die für das Unternehmen sinnvoll sind.

Erweiterte Zusammenfassung

In einem Gespräch zwischen Joannes Vermorel, CEO von Lokad, und Conor Doherthy wurde das Thema Prognosegenauigkeit und ihre Rolle in der Bedarfsplanung untersucht. Vermorel, ein französischer Softwareunternehmer, stellte das traditionelle Verständnis der Prognosegenauigkeit im Supply Chain Management in Frage, ein Konzept, das seit den 1920er Jahren tief in der Branche verwurzelt ist. Er argumentierte, dass während die Prognosegenauigkeit direkt mit dem Gewinn bei Aktienspekulationen verbunden ist, dieses Modell nicht auf das Supply Chain Management übertragbar ist, da es keine direkte Übersetzung zwischen Prognosegenauigkeit und Rentabilität gibt.

Vermorel schlug zwei Möglichkeiten vor, die Genauigkeit zu definieren: den Mainstream-Weg und den Lokad-Weg. Die Mainstream-Definition, erklärte er, ist eine Zeitreihenprognose, eine periodische Prognose mit gleichen Intervallen. Vermorel kritisierte jedoch diesen Ansatz, da er bedeutende Annahmen macht, wie die Symmetrie zwischen Vergangenheit und Zukunft, die Lokalität von Messungen und die Agnostizismus gegenüber der Rechen- oder Softwareumgebung. Er argumentierte, dass Zeitreihen ein zu einfaches Modell sind, das die Zukunft für Supply Chain-Zwecke nicht treu repräsentiert.

Anhand des Beispiels eines Supermarkts verdeutlichte Vermorel, dass Zeitreihenprognosen wichtige Beziehungen zwischen Produkten ignorieren. Er argumentierte, dass Zeitreihenprognosen blind für wichtige Dimensionen sind und die Struktur der Zukunft nicht widerspiegeln. Er schlug vor, dass Zeitreihenprognosen für kleine Unternehmen ausreichend sein können, aber nicht für große Unternehmen mit komplexen Lieferketten.

Vermorel kritisierte auch den Fokus der Supply Chain-Lehrbücher auf Zeitreihen für die Genauigkeit und argumentierte, dass dies nicht das Kern-DNA eines Unternehmens widerspiegelt. Er betonte, dass Supermärkte darauf ausgerichtet sind, Warenkörbe zu verkaufen, nicht einzelne Produkte. Er hinterfragte die Logik der Verwendung von Vorhersagewerkzeugen, die Produkte isoliert betrachten, wenn Supermärkte darauf ausgelegt sind, dass Kunden viele Artikel auf einmal kaufen.

Vermorel diskutierte auch die Komplexität der Nachfrage und verwendete die Verderblichkeit als Beispiel. Er erklärte, dass wenn die Hälfte des Lagerbestands eines Ladens am nächsten Tag abläuft, er nicht wirklich 50 Einheiten auf Lager hat. Er erwähnte auch, dass Kunden Produkte mit der längsten Haltbarkeit wählen können, was die Dringlichkeit des Verkaufs bestimmter Produkte beeinflussen kann.

Vermorel argumentierte, dass Zeitreihen wichtige Muster wie Warenkörbe und verderbliche Artikel in einem Supermarkt nicht genau widerspiegeln können. Er glaubt, dass die Genauigkeit von Zeitreihen nur ihr eigenes Paradigma widerspiegelt, weshalb Lokad von diesem Ansatz abweicht.

Vermorel kritisierte auch mathematische Lösungen, die technisch korrekt, aber in der realen Welt unpraktisch sind. Er räumte ein, dass Kritiker argumentieren könnten, dass Werkzeuge auf der Grundlage von Zeitreihen in der Praxis funktionieren, trotz seiner Kritik. Vermorel wies darauf hin, dass Anbieter seit 45 Jahren behaupten, dass ihre Werkzeuge alles im Zusammenhang mit der Lieferkette automatisieren. Er argumentierte jedoch, dass trotz dieser Behauptungen immer noch alles über Tabellenkalkulationen erledigt wird.

Vermorel glaubt, dass das Kernproblem darin besteht, dass die Perspektive der Zeitreihen falsch ist und nicht zur Struktur des Problems passt. Er kritisierte die eindimensionale Sichtweise der Zukunft, die Zeitreihen bieten. Auf die Frage, was anstelle der Prognosegenauigkeit als KPI verfolgt werden sollte, schlug Vermorel vor, dass das Ziel darin bestehen sollte, quantitative Aussagen über die Zukunft zu produzieren, die für das Unternehmen sinnvoll sind.

Vermorel kam zu dem Schluss, dass Zeitreihen für die meisten Unternehmen fast immer falsch sind. Er verglich den Versuch, ein mathematisches Modell mit der falschen Struktur anzupassen, mit dem Versuch, eine runde Form in ein quadratisches Loch zu stecken. Er schlug vor, dass es viele andere Möglichkeiten gibt, das Problem anzugehen, je nach Unternehmen.

Vermorel gab Beispiele für verschiedene Geschäftsmodelle, wie Supermärkte und Modeunternehmen, und wie Zeitreihen für sie keinen Sinn ergeben. Er argumentierte, dass man für die Betrachtung der Zukunft die “Wünsche der Kunden” berücksichtigen müsse, die nicht mit der Vision der Zeitreihen übereinstimmen.

Vermorel diskutierte auch die Luft- und Raumfahrtindustrie, in der der Verbrauch von Teilen durch den Lebenszyklus von Flugzeugen bestimmt wird. Er kam zu dem Schluss, dass die Verwendung von Zeitreihen für jede Geschäftsbranche eine grobe Annäherung ist. Er verglich die Verwendung von Zeitreihen mit der Annäherung einer Kuh als Kugel und argumentierte, dass dies eine schlechte Annäherung an reale Situationen ist.

Vermorel diskutierte auch die Probleme, die er mit dem traditionellen Ansatz des Supply Chain Managements sieht, der davon ausgeht, dass die Vergangenheit ein genaues Spiegelbild der Zukunft ist. Er argumentierte, dass dies nicht der Fall ist, insbesondere in der Lieferkette, wo zukünftige Entscheidungen noch nicht getroffen wurden und von verschiedenen Faktoren beeinflusst werden, einschließlich der Entscheidungen der Wettbewerber.

Vermorel verwendete das Beispiel des Verkaufs von Rucksäcken, um seinen Standpunkt zu verdeutlichen. Er erklärte, dass die Anzahl der Varianten, die ein Unternehmen einführt, die zukünftige Nachfrage erheblich beeinflussen kann. Er argumentierte, dass der traditionelle Ansatz, zuerst über das Sortiment zu entscheiden und dann eine Prognose zu erstellen, unsinnig ist, da die Nachfrage nicht in Stein gemeißelt ist und von den Entscheidungen des Unternehmens beeinflusst wird.

Vermorel erklärte weiterhin, dass Unternehmen ihre Nachfrage durch die Einführung von Produkten auf dem Markt steuern, was dann eine Nachfrage nach diesen Produkten generiert. Doherthy brachte die Praxis des “Forecast Value Added” zur Sprache, bei der Erkenntnisse aus verschiedenen Abteilungen verwendet werden, um die Prognose zu überarbeiten. Vermorel kritisierte diese Praxis und argumentierte, dass sie oft nur eine Möglichkeit ist, Bauchgefühle mit Zahlen zu untermauern und nicht zum eigentlichen Entscheidungsprozess beiträgt.

Vermorel erklärte, dass Lokad numerische Rezepte verwendet, die vielseitiger sind und nicht auf Zeitreihenmodellen beschränkt sind. Er diskutierte die Bedeutung einer Aussage, die der Zukunft des Unternehmens treu ist und mit dem übereinstimmt, was das Unternehmen erreichen möchte. Vermorel betonte die Bedeutung des Verständnisses der Essenz des Unternehmens und der Entwicklung eines Modells darauf aufbauend.

Vermorel kritisierte die in den meisten Supply Chain-Büchern zum Ausdruck gebrachte Perspektive, die die Besonderheiten verschiedener Branchen missachtet. 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 Menschen, die für sie arbeiten. Er glaubt, dass viele Führungskräfte in großen Unternehmen seinen Ansichten zustimmen würden, da sie oft frustriert sind von dem traditionellen Ansatz zur Planung.

Vermorel argumentierte, dass die traditionelle Definition der Prognosegenauigkeit in Supply Chain-Lehrbüchern fehlerhaft ist, da sie auf einem Zeitreihenprognoseparadigma basiert, das seiner Meinung nach falsch ist. Er schlug vor, dass der Ansatz von Lokad, der darauf abzielt, quantitativ der Essenz eines Unternehmens treu zu sein, wertvoller ist.

Vermorel stimmte einem Standpunkt eines Zuschauers zu, der Unsicherheit durch probabilistische Prognosen umarmt, 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 eine Zutat ist und an sich keinen Wert hat. Er stimmt der Idee zu, dass der Wert einer Prognose nur durch ihre Umsetzung in der Supply Chain bewertet werden kann. Er warnte auch davor, zu viele KPIs zwischen Teams zu teilen, da dies nicht unbedingt einen Mehrwert für das Unternehmen schafft.

Vermorel erklärte, dass das Teilen von Daten keine manuelle Verarbeitung durch Menschen beinhalten sollte. Stattdessen sollte jeder programmatisch Zugriff auf alle Daten im Unternehmen haben, um ihre eigenen Entscheidungen zu optimieren. Er warnte davor, durch das Erzwingen des Lesens von Berichten anderen Abteilungen Bürokratie zu schaffen.

Vermorel argumentierte, dass das Konzept des Warenkorbs für B2B-Unternehmen wesentlich ist und verwendete das Beispiel eines B2B-Vertreibers von Elektrogeräten. Er erklärte, dass der Großteil ihres Geschäfts von Baustellen getrieben wird, die große Bestellungen von Geräten zu bestimmten Zeiten erfordern. Dies 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 einer Supply Chain eines großen Unternehmens in Einklang zu bringen. Er schlug vor, dass die Ausdrückung aller Ziele und Einschränkungen in Dollar eine einheitliche Sprache bietet, um diese Konflikte zu bewältigen. Er betonte, dass es nicht darum geht, 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 dass es einen Weg gibt, um Genauigkeit wichtig zu machen, der radikal anders ist als das, was in Supply-Chain-Lehrbüchern präsentiert wird.

Vermorel kritisiert FVA als Überentwicklung eines Prozesses, der auf einem fehlerhaften Konzept der Zeitreihengenauigkeit basiert. Er argumentiert, dass dies das Unternehmen in die falsche Richtung lenkt, indem es unnötige Bürokratie hinzufügt, ohne die Supply Chain wettbewerbsfähiger zu machen.

Vermorel beschreibt, wie große Unternehmen oft auf inoffizielle Tabellenkalkulationen anstelle offizieller SNOP-Prognosen angewiesen sind. Er schlägt vor, dass diese Tabellenkalkulationen, die mehr mit der Essenz des Geschäfts übereinstimmen, das Geschäft tatsächlich antreiben.

Vermorel argumentiert, dass eine Verbesserung im Vergleich zum Status quo nicht unbedingt eine Gesamtverbesserung ist. 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 ihren Horizont erweitern müssen.

Vermorel vergleicht klassische Zeitreihen und Machine Learning mit Schwarz-Weiß-Fernsehen bzw. LCD-Bildschirmen und stellt fest, dass Machine Learning zwar seine Vorteile hat, aber immer noch kein Quantensprung gegenüber klassischen Methoden ist.

Er kritisiert Universitäten dafür, dass sie nicht die richtige Prognosehaltung vermitteln und betont die Bedeutung des Verständnisses der Essenz des Problems und der Erstellung quantifizierbarer Aussagen, die für das Geschäft sinnvoll sind.

Vermorel teilt mit, dass Lokad im Walmart-Wettbewerb mit einem simplen parametrischen Modell den fünften Platz belegt hat und damit zeigt, dass komplexe Modelle für den Erfolg nicht immer notwendig sind.

Er argumentiert, dass es eine Kontinuität von klassischen Modellen zu fortgeschrittenen Machine Learning-Modellen gibt und die Unterscheidung zwischen ihnen nicht so klar ist, wie manche denken mögen.

Vermorel wiederholt seine Kritik an Universitäten, die nicht die richtige Prognosehaltung vermitteln, und betont die Bedeutung der richtigen Denkweise im Umgang mit zukünftigen Supply-Chain-Problemen.

Er erklärt, dass das Ziel des S&OP Prozesses darin besteht, eine unternehmensweite Ausrichtung zu schaffen, aber in der Praxis oft in endlosen Meetings endet.

Vermorel argumentiert, dass Informationen durch IT-Systeme fließen und dass eine Ausrichtung keine ständige Kommunikation zwischen Menschen erfordert.

Er schlägt vor, dass S&OP-Meetings sich auf numerische Rezepte und die Klärung der strategischen Absicht des Unternehmens konzentrieren sollten.

Vermorel argumentiert, dass viele große Unternehmen auch ohne ihre Zeitreihenprognosen gut funktionieren könnten.

Er teilt ein Beispiel von Unternehmen mit, die während der Lockdowns 2020 und 2021 mit 80% Kapazität arbeiteten, obwohl ihre Planungsabteilungen inaktiv waren.

Vermorel schlägt vor, dass wenn ein Unternehmen 14 Monate lang ohne eine Abteilung auskommen kann, diese Abteilung möglicherweise nicht missionkritisch ist.

Er teilt ein Beispiel eines Unternehmens, das während der Lockdowns eine massive Transformation durchlief und sich von 5% E-Commerce auf zwei Drittel E-Commerce verlagerte.

Vermorel stellt die Bedeutung bestimmter Funktionen innerhalb eines Unternehmens in Frage, da einige Unternehmen massive Transformationen durchlaufen konnten und dennoch effektiv arbeiten.

Er argumentiert, dass Genauigkeit nicht der einzige wichtige Faktor bei der Prognose ist und nennt als Beispiel Unternehmen, die trotz der Inaktivität ihrer Planungsabteilungen über ein Jahr lang normal arbeiteten.

Vermorel kritisiert das gängige Paradigma der Zeitreihengenauigkeit dafür, dass es wichtige Fragen zur Instrumentalität von Prognosen nicht stellt.

Er betont die Bedeutung der Verbindung zwischen Entscheidung und mathematischem Modell und der Bewertung der finanziellen Auswirkungen dieser Entscheidungen in der realen Welt.

Vermorel kritisiert die gängige Praxis, die Genauigkeit einer Prognose isoliert zu bewerten, und argumentiert, dass dies nicht die realen Bedingungen widerspiegelt.

Er kommt zu dem Schluss, dass das Problem mit der Genauigkeit darin besteht, dass sie oft falsch eingerahmt wird und dass ein ungefähr richtiges Bauchgefühl besser ist als ein ausgeklügeltes, aber nicht passendes Geschäftsmodell.

Das Interview endet damit, dass Conor Doherthy Vermorel für seine Zeit dankt und verspricht, seine übrigen Fragen für einen anderen Tag aufzubewahren.

Vollständiges Transkript

Conor Doherthy: Willkommen zurück bei Lokad TV live. Heute bei mir im Studio ist der Gründer von Lokad, Joannes Vermorel. Heute diskutieren wir ein sehr interessantes Thema: Prognosegenauigkeit, ihre Rolle in der Bedarfsplanung und ob sie überhaupt wichtig ist. Fühlen Sie sich frei, Ihre Fragen jederzeit während dieses Chats zu stellen, und wir werden in der zweiten Hälfte des Gesprächs darauf eingehen. Wenn Sie mit etwas, das Sie hören, nicht einverstanden sind, werden wir diese Fragen zuerst beantworten. Also lasst uns anfangen. Joannes, wir sind, glaube ich, sicherlich ein Unternehmen mit einer gewissen Gegenposition. Das hier könnte unsere gegensätzlichste Ansicht sein. Bevor wir jedoch auf unsere Position und warum wir glauben, dass die Genauigkeit der Nachfrageprognose unwichtig ist, eingehen, warum wird die Prognosegenauigkeit von so vielen Unternehmen als das Nonplusultra der Bedarfsplanung angesehen?

Joannes Vermorel: Das “Warum” ist meiner Meinung nach relativ einfach. Es steht in den Supply-Chain-Lehrbüchern. Es wurde wahrscheinlich in den letzten 50-70 Jahren geschrieben, vielleicht sogar schon bevor es Supply Chain genannt wurde, sondern als Operationsforschung bezeichnet wurde. Ich vermute, dass wir sogar noch weiter zurückgehen könnten, bis in die 1920er Jahre, und dort die Grundlage dafür finden würden, mit dem Aufkommen der professionellen Wirtschaftsprognostiker. Wenn man diese Idee der Prognosegenauigkeit auf ihre Wurzeln zurückführt, die Wirtschaftsprognostiker in den USA zu Beginn des 20. Jahrhunderts, dann hat die Genauigkeit eine direkte Übersetzung in Ihren Gewinn, wenn Sie das Börsenspiel spielen. Wenn Sie also die Preise 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 natürlich für Spekulationen. Das Problem ist, ob Sie ein Prognosemodell haben, das den Markt schlagen kann. Die kurze Antwort lautet nein, zumindest kein leicht zugängliches Modell. Sie können den Markt also nicht wirklich schlagen. Es gibt einige Einschränkungen, einige Arbitrage-Unternehmen verdienen damit Geld, aber das ist nur ein Punkt. Was die Supply Chain betrifft, ist mein Punkt, dass es keine direkte Übersetzung gibt. Aber meine Kritik ist nicht genau darauf ausgerichtet. Die Probleme sind tiefer und grundlegender, denn es geht nicht nur darum, eine Zahl zu bekommen und wenn Sie die Zahl richtig haben, wird sie automatisch in Geld umgewandelt, genauso wie beim Börsenspiel.

Conor Doherthy: Bedeutet das also, dass es keinen Zusammenhang zwischen einer erhöhten Prognosegenauigkeit und der Rentabilität des Unternehmens gibt?

Joannes Vermorel: Das Problem hierbei ist, dass es eine Täuschung in Bezug auf die Begriffe selbst gibt. Ich werde vielleicht damit beginnen, zu erklären, wie wir Genauigkeit definieren. Es gibt mindestens zwei Möglichkeiten: eine gängige Art, Genauigkeit zu definieren, und eine Art, wie Lokad Genauigkeit definiert. Lassen Sie mich mit der Lokad-Methode beginnen, die nicht gängig ist, und wie wir Genauigkeit angehen. Die ganze Idee der Genauigkeit besteht darin, dass ich eine quantitative Aussage über die Zukunft mache. Die Genauigkeit ist eine Qualifikation in Bezug auf die Qualität, wie gut sie ist, wie treu sie ist, in Bezug auf diese Aussage. Sie haben also eine Aussage über die Zukunft, die Zukunft sollte so aussehen, und das ist keine qualitative Aussage, sondern eine quantitative Aussage. Und dann möchten Sie zusätzlich zu dieser quantitativen Aussage über die Zukunft qualifizieren, wie gut sie ist, wie treu sie ist, wie sie die Zukunft wirklich darstellt, und Sie möchten diese Bewertung selbst quantitativ haben. Und das ist es, was die Genauigkeit sein sollte. Wenn wir Genauigkeit so definieren, wie ich es tue, würde ich sagen, in Ordnung, ich stimme zu. Das ist sehr relevant, diese Definition führt zu etwas, das für Ihr Unternehmen sinnvoll, bedeutsam und potenziell profitabel ist. Nun, das ist absolut nicht die Definition, die Sie in Supply-Chain-Lehrbüchern finden werden, nicht einmal annähernd. Die gängige Definition von Genauigkeit ist eine Zeitreihenprognose. Wenn Menschen also von Genauigkeit sprechen, sprechen sie implizit von Zeitreihenprognosen und nicht von irgendeiner Art von Zeitreihenprognose, sondern von einer punktuellen, gleichmäßig verteilten Zeitreihenprognose. Was bedeutet gleichmäßig verteilt? Es handelt sich um eine periodische Prognose pro Tag, pro Woche, pro Monat, pro Quartal, potenziell pro Jahr, potenziell pro Stunde, gleiche Intervalle. Das ist also eine periodische Prognose. Es handelt sich nicht um irgendeine Art von Prognose, Sie können sich viele andere alternative Prognosen vorstellen, es handelt sich um eine eindimensionale, periodische Zeitreihe, bei der alle Perioden gleich sind. Darüber hinaus sprechen wir von einer punktuellen Prognose, bei der jeder Periode ein Wert zugeordnet wird, das ist die Zeitreihenprognose. Meine Definition ist sehr unterschiedlich. Die von mir gegebene Definition war viel breiter und unspezifischer darüber, welche Art von quantitativer Aussage ich über die Zukunft mache. Ich sage, dass meine Definition völlig agnostisch ist, sie sagt nur aus, dass wir versuchen, eine Aussage über die Zukunft zu qualifizieren, und ich sage nur, dass diese Aussage quantitativ sein sollte. Ich stelle also nicht etwas wie “Ich glaube, dass dies ein gutes Jahr sein wird” in Frage, nein, das ist keine quantitative Aussage über die Zukunft, sondern nur etwas Qualitatives. Ich sage nur, dass Genauigkeit auf quantitative Aussagen über die Zukunft zutrifft und dass wir sie erneut mit einem quantitativen Instrument bewerten möchten. Der gängige Ansatz ist viel direkter und er macht sehr signifikante Annahmen. Die Annahmen sind Zeitreihen, eindimensional, periodisch oder gleichmäßig verteilt und punktuelle Prognose. Das sind im Wesentlichen die Kernannahmen. Es gibt noch einige grundlegendere Annahmen, die die Menschen vielleicht nicht einmal sehen, wie die Symmetrie zwischen Vergangenheit und Zukunft, die Lokalität der Messungen und die Agnostizität gegenüber der Berechnungs- oder Softwareumgebung.

Conor Doherty: Danke. Und noch einmal, um ein wenig dagegen anzugehen, wenn Sie den Unterschied zwischen Lokad und dem gängigen Ansatz beschrieben haben, könnte es für einige Menschen nicht klar sein. Was ist das Problem mit der Zeitreihenperspektive? Sie sagen, sie ist eindimensional, okay, in welchem ​​Sinne und warum ist das ein Problem?

Joannes Vermorel: Wenn Sie sich dafür entscheiden, die Zukunft mit quantitativen Aussagen zu beschreiben, sind wir so daran gewöhnt, und in den Lehrbüchern, es sind buchstäblich Supply-Chain-Lehrbücher, aber auch andere Geschäftslehrbücher, wird nicht einmal anerkannt, dass es eine andere Möglichkeit gibt, die Zukunft zu betrachten als Zeitreihen. Die Menschen, ich meine, und ich denke, der größte Fehler besteht darin, dass es den Eindruck erweckt, als ob die einzige Möglichkeit, die Zukunft quantitativ zu betrachten, Zeitreihen wären. Und ich sage, ganz sicher nicht. Und mehr noch, Zeitreihen sind ein unglaublich vereinfachtes Modell. Es ist wie eine Messung mit einem Tick über die Zeit in jedem Zeitraum. Es ist das Einfachste vom Einfachsten des mathematischen Modells, das wir haben. Ist es eine treue Darstellung der Zukunft? Spiegelt es auf sinnvolle Weise etwas wider, das Sie über die Zukunft wissen? Und mein Vorschlag ist, dass es für Supply-Chain-Zwecke nein ist, und nicht einmal annähernd. Und wenn wir mit einigen Beispielen beginnen, werfen wir zum Beispiel einen Blick auf die Nachfrage, die ein Supermarkt beobachten wird. Die Zeitreihenperspektive besagt, dass Sie jedes Produkt, das im Supermarkt verkauft wird, nehmen können und eine Zeitreihe haben, eine pro Produkt, das vom Supermarkt verkauft wird. Ist das der richtige Weg, um über die zukünftige Nachfrage nachzudenken? Nein, warum? Weil die Menschen nicht in einen Supermarkt gehen, um ein Produkt isoliert zu kaufen. Was sie wollen, ist ein Einkaufswagen oder zumindest die große Mehrheit, gelegentlich haben Sie vielleicht einige Leute, die in den Supermarkt gehen, um ein Produkt zu kaufen, aber der Großteil der Verkäufe wird von Menschen getätigt, die einmal pro Woche in den Supermarkt gehen und einen ganzen Einkaufswagen voller Produkte kaufen. Was in Bezug auf die Nachfrage wichtig ist, wird auf der Ebene des Einkaufswagens ausgedrückt. Das ist es, was die Menschen beobachten, was sie fühlen werden, und wenn sie denken, dass es, und wenn wir in Bezug auf die Servicequalität denken müssen, wird es in Bezug auf Einkaufswagen wahrgenommen. Also, habe ich alle Dinge, die ich für meine Einkaufsliste brauchte? Also, und diese Wahrnehmung, die auf der Ebene des Einkaufswagens liegt, hat nichts mit diesen isolierten Zeitreihen zu tun, und diese isolierten Zeitreihen ignorieren einfach alle Beziehungen, die zwischen den Produkten bestehen, und alle Substitutionen und Kannibalisierungen, die auftreten können. Manchmal sind sie blind für diese Effekte. Also haben wir ein Problem der Blindheit, dass diese eine Dimension, die im Kern der Zeitreihen liegt, die höheren Dimensionen ignoriert, die äußerst wichtig sein können. Sie ignorieren einfach alle Beziehungen, die zwischen den Produkten bestehen, und alle Substitutionen und Kannibalisierungen, die auftreten können. Also, manchmal sind sie blind für diese Effekte. Also haben wir ein Problem der Blindheit.

Diese eine Dimension, die im Kern der Zeitreihen liegt, ignoriert die höheren Dimensionen, die äußerst wichtig sein können. Und mein Vorschlag ist, dass dies kein Zufall ist. Nehmen Sie das Beispiel eines Supermarkts oder eines Unternehmens und denken Sie tatsächlich darüber nach, was die Zukunft bedeutet, worauf wir tatsächlich schauen. Sie werden feststellen, dass wir im Kern nicht auf Zeitreihen schauen. Wir schauen auf Dinge, die Struktur haben, aber nicht unbedingt und in der Regel keine Zeitreihenstruktur haben. Es mag einige unglaublich einfache Unternehmen geben, kleine Läden, in denen die Zeitreihen ausreichen, aber diese Unternehmen sind die Ausnahme, sie sind nicht die Norm, insbesondere in der Welt, in der wir heute leben, mit großen Unternehmen, die große Lieferketten mit einer Vielzahl von Umgebungsvariablen betreiben. Jede Zeitreihe würde jedes einzelne Element oder jede einzelne SKU unabhängig von jeder anderen SKU in einem Katalog behandeln. Wenn es also Wechselbeziehungen gibt, wenn es Bundles oder Substitutionen gibt, wird es das ignorieren oder blind dafür sein. Und das macht letztendlich die Genauigkeit für jedes einzelne Element nicht falsch, aber irreführend. Wenn ich einen Vergleich anstellen möchte, stellen Sie sich vor, Sie haben einen Fernseher und er ist schwarz-weiß. Das wäre Ihre Zeitreihenprognose. Ihnen fehlt etwas. Sie können Pixel hinzufügen, das wäre eine Erhöhung der Genauigkeit. Aber Sie haben immer noch nur Schwarz-Weiß. Und wenn Sie denken: “Oh, aber wenn ich viele Pixel hinzufüge…” Ja, aber Sie sind immer noch schwarz-weiß. Es spielt keine Rolle, wie Sie den Fernseher größer machen, Sie können die Bildwiederholfrequenz erhöhen, Sie haben immer noch keine Farben, Sie haben nur Schwarz-Weiß.

Also, ich nehme dies als Beispiel, wo es egal ist, was Sie tun, wenn Ihnen Dimensionen fehlen, können Sie den Fall nicht retten. Und es gibt so viele fehlende Dimensionen. Lassen Sie uns dieses Supermarktbeispiel mit verderblichen Lebensmitteln noch einmal betrachten. Verderbliche Lebensmittel, sagen wir, Sie haben Produkte auf den Regalen, aber jede Einheit, die Sie auf dem Regal haben, hat ihre eigene Haltbarkeit. Und was viele Kunden tun, wenn sie den Laden besuchen, ist, dass sie das Verfallsdatum betrachten und ihre Meinung über das Produkt hängt davon ab, ob nur noch ein Tag Lebensdauer für dieses Produkt übrig ist oder ob noch drei Wochen übrig sind. Es ist immer noch sehr frisch. Aber wenn wir die Daten aus einer Zeitreihenperspektive betrachten, fehlt dies. Sie können die Frische nicht durch eine Zeitreihendarstellung Ihrer Verkäufe oder Nachfrage nach, sagen wir, einem Packung Joghurts darstellen. Es fehlt. Das wäre so, als würde ich zu meinem Fernsehäquivalent zurückkehren und sagen: “Nun, ich habe nur Schwarz-Weiß, aber wissen Sie was? Ich kann einfach drei Fernseher kaufen und ich würde sagen, der erste zeigt Blau, der zweite zeigt Grün und der dritte zeigt Rot. Und technisch gesehen habe ich alle Farben. Ich muss sie nur irgendwie visuell wieder kombinieren.” Ich würde sagen: “Ja, aber das ist eine sehr, sehr umständliche Lösung für das Problem. Es ist keine gute Lösung.” Aus praktischer Benutzererfahrung ist es kompletter Mist.

Und das wäre dasselbe, wenn wir für den Supermarkt sagen würden, dass wir uns nur mit Verderblichkeit befassen, indem wir einfach mehr Zeitreihen hinzufügen. Ja, in einem sehr technischen Sinne könnten Sie das potenziell tun, aber es wird nur eine sehr unpraktische Lösung sein. Es wird keine gute Lösung sein. Und Sie sehen, hier wiederum ist Verderblichkeit, das Problem ist, dass die Nachfrage keine eindimensionale Sache ist. Sie haben eine weitere Dimension, nämlich die Frische, und sie spielt eine Rolle. Sie wirkt sich auf die Nachfrage aus und sie 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 nicht wirklich 50 Einheiten auf Lager. Und das gilt nur, wenn der Kunde kein ungünstiges Verhalten hat und die Einheiten auswählt, die die längste Haltbarkeit haben.

Die Kunden, die Produkte in einem Supermarktregal auswählen, wählen möglicherweise sogar die Produkte aus, die die längste Haltbarkeit haben, und wählen somit möglicherweise tatsächlich die Produkte aus, die am wenigsten dringend verkauft werden müssen. Also, zurück zum ursprünglichen Fall, die Zeitreihen können das nicht, und wir haben gerade ein Beispiel genannt, den Supermarkt, und wir haben bereits zwei Beispiele für sehr wichtige Muster wie Einkaufskörbe und verderbliche Artikel. Sie sind sehr wichtig, sie sind sehr grundlegend, und sie passen nicht zum Zeitreihenparadigma. Und dann spiegelt die Genauigkeit, die im Lehrbuch steht, nur das Zeitreihenparadigma wider. Es passt nur implizit und deshalb sage ich, dass sich Lokad unterscheidet. Das Supply Chain-Lehrbuch, wenn es um Genauigkeit geht, geht es nur um Zeitreihen. Und mein Punkt ist, dass Sie ein Instrument haben, das etwas misst, das belanglos ist und nicht zum Kern-DNA des Geschäfts passt, das das Geschäft antreibt, diese Einkaufskörbe, verderbliche Dinge. Es klingt, als würden Sie über Einschränkungen sprechen. Es gibt viele Einschränkungen, viele andere nicht einmal Einschränkungen, Struktur. Die grundlegende Struktur des Problems, das bedeutet in einem Supermarkt geht es nicht darum, Einheiten, Produkte einzeln zu verkaufen. Es geht darum, Einkaufskörbe zu verkaufen. Das ist es, was den Supermarkt antreibt. Das ist das Wesen des Supermarkts. Der Supermarkt wurde buchstäblich vom Boden bis zur Decke darauf ausgelegt, Einkaufskörbe zu verkaufen.

Deshalb gibt es diese Verkaufsstellen, an denen Sie Ihre gesamte Ware abladen können und alles vorwärts bewegt wird. Deshalb gibt es einen Einkaufswagen. Ich meine, alles im Supermarkt wurde so konzipiert, dass die Leute viele Dinge auf einmal kaufen können. Wenn Sie nur eine zusätzliche Tasse Kaffee kaufen möchten, macht es keinen Sinn, in einen Supermarkt zu gehen. Also mein Punkt ist, dass, weil alles konzipiert wurde, einschließlich des Parkplatzes vor dem Supermarkt, um einen ganzen Korb zu kaufen, macht es Sinn, dass Ihr Vorhersage-Tool den Fall eines Produkts nach dem anderen betrachtet, alles isoliert? Und meine Antwort ist nein, das ergibt keinen Sinn. Es gibt also keine Möglichkeit, die Zeitreihenperspektive anzupassen, um die Unbekannten oder die immateriellen Dinge widerzuspiegeln, von denen Sie sprechen. Ein Mathematiker würde sagen, wenn Sie genug Zeitreihen stapeln, können Sie das. Denn sehen Sie, wir könnten immer sagen, wir können mehr Zeitreihen hinzufügen. Und das ist genau wie zu sagen, wir haben einen Fernseher, der schwarz-weiß ist, Sie können mehrere Fernsehgeräte haben, und dann haben Sie eins für jede Farbe, und dann haben Sie technisch gesehen die Farben. Also, sehen Sie, wir müssen hier vorsichtig sein. Wenn Sie sagen, dass Sie für Zeitreihen einfach immer mehr Zeitreihen einführen dürfen, dann ja, technisch gesehen können Sie mit einer beliebigen Anzahl von Dimensionen umgehen, weil Sie die Dimensionalität Ihres Instruments erhöhen, indem Sie einfach Zeitreihen hinzufügen. Aber das ist keine praktikable Lösung. Genauso wie wenn Sie Farben auf Ihrem Fernseher haben möchten, ist es keine gute Lösung, mehrere Fernsehgeräte zu haben. In der Mathematik gibt es viele Lösungen, die weitgehend unpraktisch sind. Mathematiker sind sehr gut darin, verrückte Lösungen zu erfinden, die technisch gesehen korrekt sind, aber sie sind nur mathematisch korrekt.

In der realen Welt ist das verrückt. Es ist nicht die Art und Weise, wie Sie das Problem angehen würden. Es wird Ihnen keine gute Lösung geben. Es wird Ihnen eine sehr theoretische Lösung geben. Okay, aber Kritiker könnten dann sagen, es gibt viele Tools, die auf dem Zeitreihenansatz beruhen und die tatsächlich in der Praxis funktionieren. Nehmen wir zum Beispiel den “Forecast Value Added”. Nun, was Sie gerade beschrieben haben, passt vermutlich nicht dazu. Aber diejenigen, die das befürworten, würden sagen, dass es tatsächlich im Gegensatz zu allem steht, was Sie gerade gesagt haben. Ja, die Leute behaupten seit den späten 70er Jahren, dass ihre Tools einfach funktionieren. Seit etwa 45 Jahren sagen Anbieter, dass sie fortschrittliche automatisierte Software haben, die buchstäblich alles automatisieren kann, was mit der Lieferkette zusammenhängt. Anbieter sagen, dass wir fortschrittliche automatisierte Software haben, die buchstäblich alles automatisieren kann, was mit der Lieferkette zusammenhängt. Und wenn die Leute sagen, dass sie ein CRM haben, ein Customer Relationship Management, geht es heutzutage nur um die Verwaltung der Büroaufzeichnungen, der Dateneingabe. Aber wenn man in den 70er Jahren zurückgeht, als sie von Management sprachen, dachten sie auch an Entscheidungen, an die gesamte Intelligenz. Also, mein Vorschlag ist, dass wir in der Theorie seit den letzten vier Jahrzehnten Software haben, die angeblich all diese Entscheidungen vollständig automatisieren sollen: Bestandsführung, Auffüllung, Produktion, Planung, Bestandszuweisung, Preisoptimierung. All das ist laut Anbietern vollständig automatisiert, zu 100% automatisiert, seit vier Jahrzehnten. Und die meisten Anbieter, wenn man sich ansieht, wie sie in den 80er Jahren kommuniziert haben, haben gesagt, dass dies vollständig von der Maschine erledigt wird. Früher war es ein Büroangestellter, der das gemacht hat, aber das ist nicht mehr der Fall. In den letzten zehn Jahren habe ich über 200 Supply Chain-Direktoren getroffen und unweigerlich gibt es Software im Einsatz. Es wurden eine Reihe von Softwarelösungen implementiert, aber alles wird immer noch über Tabellenkalkulationen erledigt.

Wir haben mehrere Generationen von Unternehmenssoftware, die sich auf Zeitreihenprognosen konzentrieren und angeblich alles automatisieren. Sie tun dies seit Jahrzehnten, aber die Realität ist, dass es immer noch in Excel gemacht wird. Was ist schief gelaufen? Ich glaube, das Kernproblem ist, dass die Perspektive auf Zeitreihen falsch ist. Sie passt nicht zur Struktur des Problems. Es gibt noch andere Probleme, aber das größte ist, dass es nicht passt. Diese eindimensionale Sichtweise auf die Zukunft ist zu einfach und alles fällt von dort auseinander. Wenn wir die Genauigkeit der Prognose nicht als KPI verfolgen sollen, was sollten wir dann stattdessen verfolgen? Zuerst müssen wir überdenken, was wir lösen wollen. Wir versuchen, quantitative Aussagen über die Zukunft zu produzieren, die für das Unternehmen sinnvoll sind. Eine Aussage über die Zukunft ist weitgehend domänenspezifisch, was dem widerspricht, was in Supply-Chain-Lehrbüchern behauptet wird. Supply-Chain-Lehrbücher behaupten, dass Zeitreihen alles sind, was man braucht. Meine Schlussfolgerung, nachdem ich Hunderte von Unternehmen beobachtet habe, ist, dass dies fast immer falsch ist. Wenn es Unternehmen gibt, die durch Zeitreihen angemessen modelliert werden können, sind sie die Ausnahme, nicht die Norm. Die Struktur ist nicht auf eine Zeitreihe ausgerichtet. Wenn Sie versuchen, ein mathematisches Modell zu projizieren und es nicht die richtige Struktur hat, werden Sie die Realitäten, die Sie modellieren möchten, nicht richtig modellieren. Es ist wie der Versuch, eine runde Form in ein quadratisches Loch zu stecken. Wenn Sie nur eine runde Form gesehen haben, könnten Sie denken, dass das alles ist. Aber es gibt viele andere Möglichkeiten, und diese anderen Möglichkeiten hängen vom Geschäft ab. Wenn Sie ein Supermarkt sind, ist Ihr DNA die Einkaufskörbe. Wenn Sie in der Modebranche sind, ist es völlig anders. Wenn Sie ein Modeunternehmen sind, möchten Sie Bedürfnisse generieren, und Zeitreihen machen dafür keinen Sinn. Angenommen, Sie haben ein neues Muster, das trendy wird. Sie können viele Produkte generieren, die damit spielen, aber Sie können mehr oder weniger Produkte haben.

Der Großteil Ihrer Kunden befindet sich in der Mitte. Wenn Sie sehr extreme Farben wählen, haben Sie möglicherweise nicht genug Nachfrage, um so viele Varianten zu unterstützen. Wenn Sie über die Zukunft nachdenken möchten, müssen Sie über diese Bedürfnis-Halos nachdenken, und das ist etwas, das nicht zu Ihrer Zeitreihen-Vision passt. Wenn Sie Merchandising für Actionfiguren verkaufen, ist es noch seltsamer. Das gesamte Geschäft ist um diese Helden herum strukturiert. Batman ist in Bezug auf Merchandising viel mächtiger als Green Lantern, und das ist seit den letzten Jahrzehnten konstant geblieben. Wenn wir in die Luft- und Raumfahrt gehen, wäre das noch etwas anderes. Der Verbrauch von Teilen wird durch die Tatsache gesteuert, dass Sie eine Flotte von Flugzeugen haben. Jedes Flugzeug hat eine Lebensdauer von etwa drei bis vier Jahrzehnten. Der Verbrauch von Teilen wird in diesem Lebenszyklus einer bestimmten Kurve folgen. Die richtige Struktur, wenn Sie eine große MRO unterstützen möchten, die Flotten von Flugzeugen unterstützt, besteht darin, darüber nachzudenken, welche Flotten von Flugzeugen ich unterstütze und wie sie hoch- und runtergefahren werden. Die Realität ist, dass immer, wenn Sie eine Branche wählen, ist eine Zeitreihe eine sehr grobe Annäherung. Es ist nicht einmal annähernd eine treue Darstellung der Struktur des Problems. Wenn wir die Struktur betrachten und zu einer Übung zurückkehren, die mein Physiklehrer früher gemacht hat, würden wir sagen: “Okay, das ist eine Kuh und wir werden die Kuh als Kugel approximieren.” Das ist gut für eine Spielübung, aber die Kuh ist in Wirklichkeit keine Kugel und nicht einmal annähernd eine Kugel. Also, das ist eine sehr verrückte Annäherung. Es ist gut für eine Übung, aber es ist nichts Gutes für etwas Reales. Wenn Sie es mit echten Kühen zu tun haben, würde ich Ihnen nicht raten, Ihre Kühe als Kugeln anzunähern. Es wird nicht gut enden. Das ist keine gültige Annäherung.

Conor Doherty: Wenn Sie sagen, dass eine Zeitreihe eine sehr vereinfachte Annäherung an die Zukunft ist, beschreiben wir bei Lokad routinemäßig unseren probabilistischen Ansatz als besser, ungefähr richtig zu sein, als genau falsch zu sein. Ist das nur ein Unterschied in den Begriffen?

Joannes Vermorel: Wie gesagt, zuerst haben wir die Struktur. Und übrigens ist das auch ein Punkt, an dem sich Lokad unterscheidet. Wir verwenden den probabilistischen Ansatz als eine Art Sammelflagge, aber die Realität ist, dass mein Problem zuerst wahrscheinlich mit der Struktur zu tun hat. Das zweite Problem, das ich sehe, ist ein anderes. Es ist der klassische Lehrbuchansatz in der Supply Chain, der nur nach Genauigkeit fragt und annimmt, dass die Vergangenheit das exakte Spiegelbild der Zukunft ist. Das ist nicht der Fall. Das ist in gewisser Weise wahr, wenn man sich zum Beispiel die Bewegung von Planeten ansieht. Dinge, bei denen man nur ein Beobachter ist, die Menschheit beobachtet es und kann nichts ändern. Wenn Sie also die Bewegung von Planeten, sagen wir mal dem Planeten Mars, vorhersagen möchten, dann ist es in Ordnung anzunehmen, dass die Vergangenheit nur ein Spiegelbild der Zukunft ist, weil wir keinen messbaren Einfluss auf die Bewegung des Planeten Mars haben. Aber für die Supply Chain ist das nicht gut, weil Ihre Zukunft von Entscheidungen abhängt, die noch nicht getroffen wurden. Ihre Zukunft hängt von Ihrer zukünftigen Entscheidung ab und nicht nur von Ihrer zukünftigen Entscheidung, sondern auch von zukünftigen Entscheidungen, die von anderen Personen wie Ihren Konkurrenten getroffen werden. Es besteht also eine radikale Asymmetrie zwischen Vergangenheit und Zukunft, und die klassische Zeitreihenperspektive, die durch Genauigkeit gekennzeichnet ist, ignoriert das einfach vollständig. Es wird nicht einmal erwähnt. Es existiert nicht einmal und wird in dieser Art von Genauigkeitsmetriken nicht einmal bewertet. Wenn Sie eine verlässliche Aussage über die Zukunft machen möchten, egal welche Aussage das ist, muss sie in sich selbst den Fakt enthalten, dass die Zukunft immer noch von Entscheidungen abhängt. Sie möchten eine Aussage machen, die trotz der Tatsache, dass Entscheidungen noch nicht getroffen wurden, immer noch nützlich ist.

Conor Doherty: Viele Leute denken irgendwie, dass sie auf beiden Seiten der Nachfrage stehen und sie einfach als Beobachter beobachten. Aber Sie sagen, dass wir die Zukunft zwar nicht kontrollieren, aber sie mit den getroffenen Entscheidungen mitgestalten können. Was sind diese Entscheidungen jedoch für Menschen, die sich dessen nicht bewusst sind?

Joannes Vermorel: Nehmen wir an, Sie verkaufen Rucksäcke. Wie viel werden Sie verkaufen? Es hängt zunächst davon ab, wie viele Varianten Sie einführen werden. Wenn Sie nur einen schwarzen Rucksack haben und ihn überall in Ihrem E-Commerce und in all Ihren Geschäften platzieren, werden Sie vielleicht viel verkaufen. Aber wenn Sie mehr Varianten haben, andere Rucksäcke, die ein wenig ähnlich sind, etwas größer, und dann führen Sie ein halbes Dutzend Farben ein. Jedes Mal, wenn Sie eine weitere Variante einführen, verdoppeln Sie Ihre Verkäufe? Nein, offensichtlich wird es Kannibalisierung geben. Die Nachfrage, die Sie für die Zukunft haben, ist nicht festgelegt, sie ist nicht in Stein gemeißelt. Es hängt sehr davon ab, wie viele Varianten Sie einführen. Das ist eine Entscheidung, die Sie treffen müssen und die noch nicht getroffen wurde. Und wenn Sie das Problem aufteilen und sagen, nein, ich möchte zuerst die Rucksackauswahl treffen und dann die Prognose erstellen, würde ich sagen, dass dies unsinnig ist. Denn offensichtlich, wenn Sie zuerst Ihre Auswahl treffen und dann prognostizieren, wenn Sie feststellen, dass einige Produkte nicht genug Nachfrage haben, werden Sie sie entfernen. Wir gestalten die Nachfrage buchstäblich und das ist es, was Unternehmen tun. Das ist auch das Gesetz von Jean-Baptiste Say, dem Ökonomen. Das Angebot geht der Nachfrage voraus. Sie müssen die Dinge auf den Markt bringen, um die Nachfrage zu schaffen. Bevor Apple das iPhone eingeführt hat, betrug die Nachfrage nach dem iPhone auf dem Markt genau null. Sie müssen das Produkt zuerst auf den Markt bringen und dann wird sich die Nachfrage nach dem Produkt entwickeln.

Conor Doherty: Aber innerhalb des von Ihnen kritisierten Paradigmas gibt es Praktiken wie den prognosebasierten Mehrwert, bei dem Sie die Nachfrage haben und ich gehe zum Marketing und zum Vertrieb und hole ihre Erkenntnisse ein. Wir werden x Menge an Varianten einführen und dann gibt es ein Bewusstsein dafür, dass unsere Entscheidungen die Zukunft gestalten werden und Revisionen nach unten oder nach oben vorgenommen werden.

Joannes Vermorel: Aber ich würde sagen, nachdem ich Unternehmen seit über einem Jahrzehnt, fast anderthalb Jahrzehnten beobachtet habe, handelt es sich dabei nur um Bürokratien. Wenn man sich ansieht, wie die Dinge tatsächlich passieren, haben Sie irgendwo im Unternehmen Leute, die sagen: “Oh, wir haben eine Gelegenheit, wir werden es tun.” Und dann denken sie, dass es unscientific klingt, wenn sie es einfach so tun. Also wollen sie ihr Bauchgefühl mit Zahlen untermauern und einige Leute werden Zahlen darauf werfen und dann sagen: “Okay, wir haben Zahlen, es ist jetzt wissenschaftlich, wir machen es.” Aber nein, es war ein sehr gültiges Bauchgefühl über den Markt, es war eine sehr gültige hochrangige Überlegung über etwas und dann hatten sie die grobe Berechnung, um die Initiative richtig zu dimensionieren. Und der Rest war nur Bürokratie, um die Initiative zu stempeln, aber es hat nichts zur Sache beigetragen. Es war nicht der ursprüngliche Funke, es war nicht der Impuls, es war nicht einmal die wahre wissenschaftliche Beherrschung von irgendetwas, das es möglich gemacht hat. Es war nur Papierkram, der danach nach der Schlacht passiert ist. Sie haben gerade beschrieben, was Lokad mit seinen eigenen Kunden macht. Wir kommunizieren, sie geben uns Einblicke in ihre zukünftigen Pläne und wir integrieren das in das numerische Rezept. Der funktionale Unterschied besteht darin, dass wir grundsätzlich viel vielseitigere numerische Rezepte haben. Wir sind nicht auf Zeitreihen festgelegt und verwenden in der Praxis selten Zeitreihenmodelle. Wenn Sie eine Kurve auf dem Bildschirm anzeigen möchten, muss es sich um eine Zeitreihe handeln. Dies liegt daran, dass Bildschirme zweidimensional sind und wir eine Dimension haben, die Zeit ist.

Unter der Haube ist das Modell nicht eindimensional. Die meisten unserer Vorhersagemodelle funktionieren nicht wie Zeitreihenprognosemodelle. Wir haben Genauigkeitsmetriken, die mit der Vision übereinstimmen und die Genauigkeit einer Mengenaussage über die Zukunft beschreiben. Aber es hat sehr wenig mit Metriken wie dem mittleren absoluten prozentualen Fehler zu tun. Wir stellen uns die Frage: Machen wir eine Aussage, die wirklich signifikant ist, die treu ist, die mit dem übereinstimmt, was wir wirklich tun wollen? Zum Beispiel in der Luft- und Raumfahrtindustrie, haben wir etwas, das diese Idee wirklich umfasst, dass wir eine Flotte bedienen und dass die Flotte einige Parameter hat, die wir kontrollieren können? Ein Flugzeug hat eine Lebensdauer von vielleicht drei bis fünf Jahrzehnten. Dies ist sehr gut definiert, so dass wir diese Dinge buchstäblich in unsere Modelle einbauen können. Wenn wir mit Kunden zusammenarbeiten, haben wir Modelle, bei denen wir einfach Dinge tun. Wir nehmen uns die Zeit, um zu verstehen, was sie lösen wollen und welche Aussagen sinnvoll wären, um treu an die Zukunft ihres Unternehmens zu sein. Es ist sehr unterschiedlich. Wenn wir eine Genauigkeitsmetrik haben, gehen wir von der Essenz des Geschäfts aus, versuchen die Struktur zu erfassen und dann etwas darauf aufzubauen. Es geht nicht einmal darum, die Besonderheiten einer Branche zu erfassen, sondern ihr DNA. Zum Beispiel müssen Sie in der Luftfahrt berücksichtigen, dass das, was Sie als Ersatzteile speichern, Flugzeuge sind. In der Mode gibt es bestimmte 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 wird eingeführt. Wenn Sie Mode machen wollen und sagen, dass Sie Neuheiten ignorieren werden, ist meine Antwort darauf, dass es nicht gut enden wird. Ich bin stark anderer Meinung als die in den meisten Supply-Chain-Büchern zum Ausdruck gebrachte Perspektive, dass diese Dinge Details sind. Das sind sie nicht. Sie können sich einer Branche nicht nähern, ohne völlig abweisend gegenüber dem zu sein, was diese Branche spezifisch macht. Sie können kein Merchandising für Sportteams betreiben, ohne die Tatsache zu ignorieren, dass es Turniere gibt und dass jedes Jahr die Struktur Ihres Problems darin besteht, dass es ein Team gibt, das gewinnt. Zum Beispiel gehen wir zurück zu diesem Unternehmen, das Zubehör für Baseballteams verkauft. Wie passen Sie die Tatsache an, dass es immer nur ein Gewinnerteam gibt, in eine Zeitreihe? Sie konstruieren Ihre Genauigkeit. Sie konstruieren etwas auf der Grundlage eines Modells, dieses Zeitreihenmodells, das keinen Sinn ergibt. Sie erhalten Zahlen, aber…

Conor Doherty: Nun, mir ist bewusst, dass ich langsam zum Ende kommen möchte und einige Fragen aus dem Publikum betrachten möchte. Wir sind ein Unternehmen, das rein finanziell ausgerichtet ist. Es gibt eine einfache Kritik, die möglicherweise bereits gestellt wurde, ich weiß es nicht, aber ich werde sie Ihnen jetzt stellen. Es gibt Milliarden-Dollar-Unternehmen, die mit so ziemlich allem, was Sie gerade gesagt haben, komplett nicht einverstanden sind. Milliarden-Dollar-Unternehmen, die seit einem Jahrhundert oder länger bestehen. Wie reagieren Sie auf diejenigen, die sagen: “Schauen Sie sich unser Bankkonto an, Joannes, wir sind anderer Meinung als Sie”?

Joannes Vermorel: Auf mehreren Ebenen, zunächst einmal stimmen Unternehmen nicht zu oder widersprechen sich. Unternehmen sind nur große Gruppen von Menschen, sie haben keine eigene Meinung. Nur die Menschen, die für diese Unternehmen arbeiten, haben eine Meinung. Unternehmen tun also viele Dinge, viele Dinge, insbesondere in großen Unternehmen, sind nur zufällig. Es wurde nicht wirklich geplant, es ist einfach so passiert. Das sind also die Zufälle. Wenn wir sagen, dass ich mit Zeitreihen nicht einverstanden bin, ist meine Erfahrung, dass Führungskräfte in großen Unternehmen sehr häufig mit den grundlegenden Prinzipien, die ich gerade erwähnt habe, übereinstimmen. Wenn ich mit dem CEO eines großen Modeunternehmens spreche, ist er in der Regel sehr verwirrt darüber, warum die Planungsteams unbedingt alles in Zeitreihen einpassen wollen, was überhaupt nicht mit seiner eigenen Vision übereinstimmt. Bin ich also wirklich anderer Meinung? Ich glaube nicht. Meine Erfahrung ist, dass Führungskräfte, die Jahrzehnte in einer Branche tätig waren, oft sehr frustriert darüber sind, wie die Planung durchgeführt wird, weil sie einfach nicht ihre eigene Wahrnehmung und ihr Verständnis ihres eigenen Geschäfts widerspiegelt. Am Ende vertraue ich meinem Bauchgefühl mehr als den Zahlen, die vom Planungsteam kommen. Die Tatsache, dass diese Führungskräfte das sagen und dass das Unternehmen erfolgreich ist, beweist, dass sie irgendwie richtig liegen. Sie haben ein Planungsteam, weil sie ihr Bauchgefühl nicht skalieren können. Sie benötigen also mehr Zahlen, Sie benötigen dieses Planungsteam und Sie benötigen diese Tools, aber sie sind nicht wirklich super gut. Ich weiche erheblich von dem ab, was in den Lehrbüchern steht, aber ich bin mir nicht sicher, ob ich mich so sehr von dem Bauchgefühl der meisten Führungskräfte unterscheide, mit denen ich die Chance hatte zu sprechen.

Conor Doherty: Können Sie eine Zusammenfassung Ihrer Position geben, warum die Genauigkeit der Prognose nicht wichtig ist, und dann werden wir weitermachen?

Joannes Vermorel: Es ist unwichtig, weil es, wenn ich die Definition der Supply Chain aus dem Lehrbuch nehme, völlig falsch ist. Es basiert auf einem fehlerhaften Paradigma, nämlich einem Zeitreihenprognose-Paradigma, das völlig falsch ist. Deshalb sage ich, dass es eine vollständige paradigmatische Missanpassung ist. Es passt nicht zum Problem, das es zu lösen versucht, und ist daher nur eine ausgeklügelte mathematische oder statistische Lösung für das falsche Problem. In diesem Sinne spielt es also keine Rolle. Wenn wir jedoch den Lokad-Weg betrachten, der quantitativ dem Wesen des Unternehmens treu ist, dann spielt es eine große Rolle.

Conor Doherty: Vielen Dank für Ihre Fragen. Ich bin mir nicht sicher, ob wir unser Bestes tun werden, um sie in der Reihenfolge zu beantworten, in der sie hinter den Kulissen eingereicht wurden. Also, ich lese, was mir präsentiert wurde, und einige davon sind Aussagen, auf die Sie, nehme ich an, antworten werden. Also, von einem gewissen Dustin: “Die Genauigkeit der Prognose ist wichtig, jedoch ist die aktuelle Methode, sie zu quantifizieren, indem man die Genauigkeit einer Punktprognose misst, begrenzt. Das ultimative Ziel sollte sein, die Genauigkeit einer Verteilung von Wahrscheinlichkeiten zu messen. Stimmen Sie dem zu?”

Joannes Vermorel: Noch einmal, Lokad bewegt sich in die richtige Richtung mit der probabilistischen Prognose. Die probabilistische Prognose ermöglicht es Ihnen, Unsicherheit zu umarmen. Aber es reicht immer noch nicht aus. Deshalb sage ich ja, Unsicherheit zu umarmen ist sicherlich notwendig, Lokad ist voll dafür. Aber gehen Sie wieder zurück, wenn Sie immer noch eindimensional sind, ist es immer noch nicht gut. Und wenn Sie die Vergangenheit immer noch als Symmetrie der Zukunft behandeln, ignorieren Sie immer noch vollständig dieses Potenzial von Entscheidungen, die noch nicht getroffen wurden.

Conor Doherty: Schlagen Sie vor, dass die Genauigkeit der Prognose mehr von der Genauigkeit der Umsetzung abhängt, die Erkenntnisse aus internen und externen Veränderungen umfasst? Sollte der Fokus aus prognostischer Sicht auf Menge und Wert liegen? Paulo glaubt, dass KPIs die größte Bedeutung haben, wenn sie über verschiedene Funktionen hinweg geteilt werden, insbesondere in den Bereichen Vertrieb, Marketing und Finanzen. Sind Upside- und Downside-Szenarien Ihrer Meinung nach nützlich? Es gibt viele kleine Fragen, ich lasse Ihnen die Wahl.

Joannes Vermorel: Das ist etwas sehr Interessantes. Zunächst einmal ist eine Prognose eine Zutat, ein Artefakt an sich. Es tut nichts für ein Unternehmen. Wenn Sie eine quantitative Aussage über die Zukunft machen, ist die Software nur ein Artefakt. Sie hat an sich keinen Wert. Ich denke, Paulo hat absolut recht, dass Ihre Bewertung nichts sein kann, was intrinsisch zur Prognose gehört. Es ist nur durch die Ausführung der Supply Chain, dass Sie beurteilen können, ob dieses Instrument, dieses numerische Artefakt, geeignet war oder nicht. Sie erstellen Ihr numerisches Artefakt, Ihre Prognose, und dann können Sie nur beurteilen, ob es eine gute oder schlechte Prognose war, indem Sie ihre Konsequenzen, ihre weitreichenden Konsequenzen, betrachten. Dort müssen Sie von den weitreichenden Konsequenzen bis zur numerischen Rezeptur, die zur Erstellung der Prognose verwendet wurde, zurückgehen, um zu beurteilen, ob sie gut oder schlecht war. Das ist ein sehr konsequenter Ansatz, den ich für die Prognose habe.

Was die KPIs betrifft, die auf die verschiedenen Abteilungen verteilt werden, würde ich sagen, seien Sie vorsichtig. Unternehmen verdienen kein Geld damit, dass Menschen Zahlen lesen. Es ist schön und gut, Zahlen zwischen Teams zu teilen, aber schafft es einen Mehrwert für das Unternehmen? Nicht wirklich. Und wenn die Leute von KPIs sprechen, soll es Schlüssel sein, wie Schlüsselkennzahlen, angeblich nur ein paar. Aber meine Beobachtung ist, dass Unternehmen Dutzende, Hunderte, manchmal Tausende von KPIs haben. Also sind es nicht KPIs, es sind Leistungskennzahlen, wie eine Ladung von Leistungskennzahlen. Mein Punkt ist, ja, bis zu einem gewissen Grad, aber Vorsicht. Unternehmen zahlen bereits viel zu vielen Menschen, um Zeit damit zu verbringen, Metriken zu beobachten, während sie danach sehr wenig tun.

Conor Doherty: Ich möchte nur kurz darauf eingehen, denn korrigieren Sie mich, wenn ich falsch liege, Sie sagen, dass zu viel zwischenabteilliche Kommunikation schlecht sein kann. Aber ist das nicht das Gegenteil von Silos, von denen ich weiß, dass Sie kein großer Fan sind?

Joannes Vermorel: Was werden die Leute mit diesen Zahlen tun? Meine Meinung ist, dass Daten, wenn Sie sie teilen möchten, nicht durch die Augen und das Gehirn von Menschen reisen sollten. Wir sprechen hier von einem typischen Kunden für uns, der mehr als ein Terabyte Transaktionsdaten hat. Das ist viel. Realistisch betrachtet, wenn wir sagen, dass Sie durch Ihre Augen wissen, wie viele Ziffern können Sie pro Sekunde lesen? So etwas wie fünf Ziffern pro Sekunde. Es würde ein ganzes Leben dauern, um diese Daten durch menschliche Gehirne zu kanalisieren. Offensichtlich bedeutet das, wenn wir sagen, dass wir Daten teilen wollen, nicht, dass sie durch Menschen gehen müssen. Das Aufbrechen der Silos bedeutet nicht, sicherzustellen, dass Bob von der anderen Abteilung alle Daten konsumieren muss, die Sie produzieren und generieren und Berichte und dergleichen. Es geht nur darum, sicherzustellen, dass jeder programmatisch Zugriff auf alle Daten im Unternehmen hat, damit sie ihre eigenen Entscheidungen optimieren können. Und wenn sie koordinieren müssen, geht es darum, die numerischen Rezepte selbst abzustimmen, die die verschiedenen Entscheidungen treffen. Das bedeutet nicht, dass die Menschen selbst ihre eigene Zeit und Bandbreite, menschliche Zeit und menschliche Bandbreite, verwenden müssen, um diese Daten manuell zu verarbeiten. Das Aufbrechen der Silos bedeutet nicht, dass Sie Arbeit für die andere Abteilung generieren, indem Sie einen Bericht erstellen, den Sie von den Mitarbeitern der anderen Abteilung erwarten, dass sie ihn lesen. Hier schaffen Sie nur Bürokratie. Sie schaffen nur eine bürokratische Aufgabe, die Sie einer anderen Abteilung aufzwingen. Und meine Intuition ist, dass dies in den meisten Fällen nicht zu etwas Profitablem für das Unternehmen führen wird. Es könnte, aber es ist nicht garantiert und meistens wird es nicht.

Conor Doherty: Danke dafür. Mir ist bewusst, dass wir nur begrenzte Zeit haben, daher stammt diese Frage von Sashin oder Sain. Wie anwendbar ist das Konzept des Warenkorbs oder die Perspektive des Warenkorbs für B2B-Unternehmen im Vergleich zu reinen Konsumgütern?

Joannes Vermorel: Es ist entscheidend. Nehmen wir ein Beispiel. Einer unserer Kunden bei Lokad ist ein B2B-Verteiler von elektrischer Ausrüstung. Es handelt sich um ein sehr großes Unternehmen. Wenn Sie elektrische Ausrüstung verkaufen, sind Ihre Kunden große Unternehmen und der Großteil Ihres Geschäfts wird von Baustellen angetrieben. Ja, es gibt gelegentlich Unternehmen, die eine Glühbirne oder einen Lichtschalter bestellen, um eine kleine Reparatur durchzuführen, aber der Großteil des Geschäfts wird von Baustellen angetrieben. Es gibt einen neuen Turm und in 6 Monaten benötigen Sie 4.000 Lichtschalter desselben Modells zur gleichen Zeit und Sie benötigen buchstäblich 200 km Kabel. Und das ist kein Einzelfall, sondern etwas sehr Klassisches, wenn man sich den Hochbau ansieht. Es gibt ein Gebäude, das gebaut wird, und es wird Unternehmen geben, die große Bestellungen aufgeben, um alles auszustatten, was sie in Bezug auf elektrische Ausrüstung für das Gebäude benötigen. Und sagen wir mal, 6 Monate im Voraus erwarten sie nicht, dass dieser Elektroverteiler alles auf Lager hat. Niemand hat diese Menge an Lagerbestand sofort verfügbar, das weiß das Unternehmen, das den Gebäudebau durchführt. Monate im Voraus geben sie also eine große Bestellung auf und sie wissen, dass sie nicht verfügbar sein wird, also geben sie sie Monate im Voraus auf. Aber sie sagen, wir geben Ihnen viel Zeit, aber an diesem Datum nächstes Jahr, Ende März, möchten wir alles bereit haben, denn dann werden wir mit der Installation im Gebäude beginnen und wir brauchen jedes einzelne Teil. Also haben wir eine große Bestellung, tausend Referenzen, für jede Referenz gibt es Hunderte von Einheiten und wir brauchen jedes einzelne Teil bis zur letzten Einheit perfekt verfügbar zu diesem Datum. Und wir täuschen Sie nicht, wir geben Ihnen viele Monate Zeit, um dies zu erreichen. Und das ist es, was, also sehen Sie in diesem Fall, das Interessante ist, dass wir uns wieder von der Zeitreihe abweichen. Wir haben Nachfrage, aber wenn Sie über die Nachfrage als Zeitreihe nachdenken, verfehlen Sie den Punkt. Der Punkt ist, dass Sie zwei Daten haben, das Bestelldatum und das beabsichtigte Verfügbarkeitsdatum für die Ware. Das ist also auch ein Warenkorb, das ist B2B und es bringt im Vergleich zum Supermarkt eine zusätzliche Komplexität mit sich, dass alles, was Sie benötigen, im Voraus angekündigt wird. Ist es perfekt bekannt? Nein, denn es kann kleine Abweichungen in den Bauplänen geben und dann kann der Kunde zu Ihnen zurückkommen und sagen, wir brauchen diese Dinge eine Woche früher oder eine Woche später. Sie sehen also, es gibt immer noch eine gewisse Variabilität und während der Baustelle können marginale Anpassungen an ihrem Warenkorb vorgenommen werden. Aber Sie haben immer noch den Großteil der Informationen eine lange Zeit zur Verfügung. Also sehen Sie wieder, auch wenn wir uns B2B anschauen, haben wir solche Phänomene. Noch mehr würde ich sagen, B2B dreht sich alles um wiederkehrendes Geschäft mit gut identifizierten Partnern. Daher ist diese Art der Warenkorb-Analyse in B2B noch verbreiteter als im Einzelhandel B2C.

Conor Doherty: Von Stefan oder Stefane, dem Franzosen, glaube ich, Stefan hat einen Kommentar. Er sagt: “Man kann potenziell einer fortgeschrittenen KI eine große Menge an Daten, strukturiert oder nicht, zuführen, um eine Prognose zu erhalten. Aber es gibt einen Haken dabei, oder?” Das ist eine Frage. Vielleicht wissen Sie es?

Joannes Vermorel: Ja, also, die Leute denken, dass die Alternative zu einer Zeitreihe irgendeine Art von Skynet-KI ist. Meine Antwort ist, warum denken Sie das? Wenn Sie in Ihrem Leben nur runde Formen gesehen haben und noch nie eine quadratische Form gesehen haben, könnten Sie denken, dass die Alternative zu einer runden Form eine unglaublich komplizierte Form ist. Das ist nicht das, was ich sage. Ich sage nicht, dass die Alternative zu einer runden Form etwas ist, das unmöglich kompliziert ist. Es könnte einfach eine quadratische Form sein. Ich sage nicht, dass die Alternative zu Zeitreihen eine Skynet-Level-KI oder so etwas ist. Die meisten Modelle, die Lokad verwendet, sind sehr einfach, sie sind einfach keine Zeitreihen. Es gibt diese Art von Kult, dass es Zeitreihen sein müssen. Ich sage, warum nicht? Die Mathematik ist umfangreich, es gibt tonnenweise alternative Dinge, die Sie tun können, die nicht komplizierter sind als Zeitreihen. Sie sind anders. Zeitreihen sind das Einfachste vom Einfachsten, ja, sie sind ein bisschen komplizierter, ein bisschen, weil es fast nichts gibt, was einfacher ist als Zeitreihen. Zeitreihen sind buchstäblich eine Größe mit einer Zeitdimension, daher ist es schwierig, weil wir mit der Zeitdimension umgehen müssen. Es ist schwer, einfacher als Zeitreihen zu sein, weil Zeitreihen bereits super vereinfacht sind. Aber das bedeutet nicht, dass die Alternative zu Zeitreihen eine Skynet-Level-KI ist. Diese Modelle sind immer noch parametrisch, sehr einfach, und es geht nur darum, die Struktur des Problems zu erfassen, das Sie lösen möchten. Wenn ich die Struktur der Probleme beschreibe, wie eine Reihe von Baseballspielen mit einem Gewinner pro Jahr, verlieren die anderen Teams, sprechen wir nicht von unmöglich komplizierten Strukturen. Diese Dinge sind nicht so kompliziert, sie können in Minuten beschrieben werden, und die Modelle, die Lokad typischerweise verwendet, können auch in Minuten beschrieben werden. Zeitreihen können in Sekunden beschrieben werden, also geht es mehr um Dinge, die Minuten brauchen, um beschrieben zu werden.

Conor Doherty: Nun, was den Unterschied zwischen den Formen betrifft, werde ich kurz darauf eingehen. Wenn die Leute darüber sprechen, wie gut oder treu eine Prognose war, schauen sie sich die Genauigkeit an. Wir schauen uns das nicht an. Die andere Form, die wir verwenden, ist der finanzielle Einfluss. Ist das die alternative Form?

Joannes Vermorel: Das ist Teil unseres Trickkastens. Die finanzielle Perspektive ist nicht so, dass wir darauf beharren. Es ist nur so, dass wir in meiner Erfahrung, wenn wir es mit einem großen Unternehmen mit einer großen Lieferkette zu tun haben, ein Problem der Abstimmung von Dutzenden von konkurrierenden Zielen haben. Sie haben so viele Ziele. Sie sind ein großes Unternehmen, Sie möchten nicht verschwenden, Sie möchten eine hohe Servicequalität, Sie möchten eine maximale Auslastung Ihres Lagers und Ihrer Vermögenswerte, Sie haben Einschränkungen wie maximaler Lagerplatz, Sie haben Haltbarkeit. Sie haben also Einschränkungen und Ziele überall. Wir brauchen eine Sprache, um das alles zu vereinen. Es ist eine sehr praktische Sache. Diese Dinge stehen irgendwie im Widerspruch zueinander. Die Servicequalität steht im Widerspruch zur Verschwendung. Wenn Sie sagen, dass Sie einen super hohen Servicelevel haben möchten, dann haben Sie bei Verderb eine sehr hohe Servicequalität, das bedeutet, dass Sie manchmal Bestände haben, die ablaufen und weggeworfen werden müssen, also erzeugen Sie Verschwendung. Es gibt Spannungen. Sie können nicht sagen, dass Sie null Verschwendung und eine sehr hohe Servicequalität haben möchten. Wenn Sie eine hohe Servicequalität haben, haben Sie etwas Verschwendung, und wenn Sie die Verschwendung vollständig beseitigen, bedeutet das, dass Sie sehr häufig mit Lagerbeständen enden. Das ist unvermeidlich. Das ist einfach die Struktur des Problems selbst. Sie haben diese konkurrierenden Ziele. Also jetzt, lassen Sie uns das vergrößern. Wir haben ein großes Unternehmen, wir müssen all diese Dinge vereinen, und mein Vorschlag, der der Trickkasten ist, den Lokad verwendet, ist, dass wir, wenn wir das alles in Dollar ausdrücken, die lingua franca haben. Wir haben die Möglichkeit, alles zu vereinen. Es ist nur ein Trickkasten. Es ist nicht so, dass ich in Dollar denken möchte, es ist nur meine Erfahrung. Es ist das Einzige, was bei komplexen Unternehmen skaliert. Das ist nur eine Frage der Praktikabilität im großen Maßstab.

Conor Doherty: Danke. Sollte dieses Video also “Spielt Zeitreihen eine Rolle?” heißen? Sie glauben, dass die Quantifizierung von Unsicherheit und Prognosegenauigkeit wichtig ist, aber Sie sind mit den aktuellen Methoden nicht einverstanden, richtig?

Joannes Vermorel: Nochmals, Genauigkeit und Zeitreihen sind dasselbe. Wenn Sie sich Supply-Chain-Lehrbücher ansehen, habe ich noch nie ein Supply-Chain-Lehrbuch gesehen, in dem die Genauigkeit nicht sofort mit einer Zeitreihe in Verbindung gebracht wird. Die meisten Supply-Chain-Lehrbücher würden sich nicht einmal die mathematische Definition einer Zeitreihe geben. Sie würden direkt zur Genauigkeitsdefinition übergehen, die an sich die Zeitreihe definiert. Also sehen Sie, diese Dinge sind im Mainstream-Supply-Chain-Paradigma miteinander verbunden. Sie sind ein und dasselbe. Und Lokad sagt, dass wir sie trennen wollen. Tatsächlich gibt es eine Möglichkeit, die Genauigkeit wichtig zu machen, aber es ist etwas, das so radikal anders ist als das, was in diesen Supply-Chain-Lehrbüchern tatsächlich präsentiert wird, dass ich sehr zögerlich bin. Ich bin unsicher, ob ich es Genauigkeit nennen soll. Genauigkeit ist ein guter Begriff, er ist gültig, und das ist das, was wir moralisch tun. Aber das, was wir tun, ist so ein radikaler Bruch mit dem, was in den Supply-Chain-Lehrbüchern zu finden ist, dass es nur Verwirrung stiftet, wenn wir denselben Begriff verwenden.

Conor Doherty: Danke. Ich glaube, wir haben das in den letzten beiden Fragen bereits berührt. Dies ist von Constantine. Einige befürworten FVA, Ihren Favoriten, als Mittel, um festzustellen, ob Bemühungen zur Verbesserung der Genauigkeit lohnenswert sind. Sie haben kürzlich eine Kritik an FVA veröffentlicht. Was schlagen Sie als Alternative vor?

Joannes Vermorel: Also hier werde ich eine Antwort geben. Es ist nicht von mir, es ist tatsächlich von TOA. Wenn ein Chirurg einen Krebs aus Ihrem Körper entfernt, womit ersetzen Sie den Krebs? Also, bei FVA ist meine Meinung, dass die Genauigkeit, die mit dem Mainstream-Paradigma gemacht wird, eine falsche Idee ist. Sie hält einer Überprüfung nicht stand, wenn man die Essenz des Geschäfts betrachtet. Macht dieses mathematische Instrument, eine Linie, auf einer höheren Ebene Sinn für mein Geschäft? Und mein Vorschlag ist, dass es das nicht tut, wenn man mit einem Mindestmaß an Aufmerksamkeit hinschaut. Also ist FVA nur eine Überentwicklung eines Prozesses auf der Grundlage eines falschen Paradigmas, eines falschen Werkzeugs. Sie machen es also nur schlimmer. FVA bewegt das Unternehmen nur weiter in die falsche Richtung. Also hatten Sie ein falsches Konzept, diese Zeitreihengenauigkeit, und jetzt wollen Sie einen Prozess darauf aufbauen, um eine Art Mini-Bürokratie im Unternehmen zu schaffen. Also ist meine Meinung, dass es nicht die erste, noch wird es die letzte nutzlose Bürokratie sein, die im Unternehmen eingeführt wird. Große Unternehmen haben dutzende nutzloser Bürokratien, die herumschwirren. Am Ende ist es also nicht das Endspiel für das Unternehmen, nur eine weitere nutzlose Bürokratie herumschwirren zu haben. Aber wird es die Supply Chain des Unternehmens wettbewerbsfähiger machen? Nein, bei weitem nicht. Es wird genau das Gegenteil bewirken. Obwohl es das Unternehmen auch nicht ruinieren wird. Es ist so etwas wie eine zusätzliche Kostenstelle und das Unternehmen wird weitermachen.

Conor Doherty: Okay, ich werde da ein wenig widersprechen, denn wir mögen beide Thomasos Analogie. Wenn ein Chirurg einen Krebs entfernt, was setzt er an seine Stelle? Wenn man das auf diesen Kontext anwendet, ist es fast so, als würde man sagen, nun, wir haben das entfernt, setzen Sie sich auf Ihre Hände, setzen Sie nichts an seine Stelle. Was füllt dieses Vakuum?

Joannes Vermorel: Lassen Sie mich die Realität dessen beschreiben, was Genauigkeit in einem großen Unternehmen tatsächlich bedeutet. Es gibt diesen SNOP-Prozess mit einem Büro CES, das Prognosen erstellt, und dann bewerten die Menschen diese Prognosen. Werden sie verwendet? Nein, werden sie nicht. Alle großen Unternehmen, mit denen ich in den letzten zehn Jahren in Kontakt gekommen bin, über 200 große Unternehmen, wenn ich sie überprüfe und prüfe, stelle ich fest, dass das gesamte Unternehmen auf Schatten-IT-Tabellenkalkulationen läuft. Alle diese Zahlen, die aus dem SNOP-Prozess stammen, werden nicht verwendet. Die Vertriebsmitarbeiter, die Produktion, die Mitarbeiter der Lieferkette, die Mitarbeiter der Logistik, die Mitarbeiter der Transportkapazität verwenden diese Zahlen auch nicht. Es ist wie ein Potemkinsches Dorf. Es gibt diese Illusion der Rationalität, wo die Menschen diese großartigen Dinge mit SNOP produzieren und es einmal pro Quartal überprüfen. Aber dann hat jeder einzelne Manager seine eigene geheime Tabelle auf der Seite, die er verwendet, und das ist es, was das Geschäft antreibt. Das Interessante ist, dass jeder einzelne Manager denkt, er sei der Einzige, der diese geheime Tabelle hat. Ich hatte mehrmals, dass mir ein VP der Lieferkette gesagt hat, er habe eine geheime Tabelle, weil die Zahlen, die er bekommt, Müll sind. Aber für seine Untergebenen verlangt er, dass sie sich an den offiziellen SNOP-Prozess halten. Im Rahmen der Prüfung führe ich Interviews mit den Untergebenen durch und sie sagen mir, dass sie eine geheime Tabelle haben. Sie vertrauen den Zahlen nicht, also machen sie es anders. Und sie alle denken, sie seien die Einzigen, die diese geheime Tabelle haben. Ich habe diese Situation immer wieder gesehen. Sie haben falsche Zahlen im SNOP-Plan, aber die endgültigen Entscheidungen sind richtig. Wie ist das möglich? Die Antwort ist immer, dass es irgendwo eine Tabelle gibt, die so gestaltet ist, dass sie viel besser mit dem Wesen des Geschäfts übereinstimmt. Die Leute verstecken die Tabelle nur, weil es nicht die offizielle Richtlinie ist, aber trotzdem ist es das, was das Unternehmen antreibt, nicht das große Potemkinsche Dorf dieser großen Zahlen.

Conor Doherty: Danke. Wir haben noch ein paar Fragen zu beantworten, also muss ich um Kürze bitten. Dies ist von Sean. Er schreibt: “Prognosegenauigkeit ist ein Element in der Lieferkette. Es ist möglicherweise nicht die Hauptbeschränkung in einem bestimmten Unternehmen. Um von einer verbesserten Prognose zu profitieren, sind in der Regel weitere Änderungen in der Lieferkette erforderlich. Stimmen Sie dem zu?”

Joannes Vermorel: Ist es wichtig, von einer verbesserten Faxmaschine zu profitieren? Sehen Sie, das ist es, was ich vermitteln möchte. Wenn mir Leute sagen, dass sie eine bessere Genauigkeit im klassischen Sinne haben, ist es dasselbe, als würden sie mir sagen, dass sie eine bessere Faxmaschine haben. Nur weil es im Vergleich zum Status quo eine Verbesserung ist, bedeutet das nicht, dass es insgesamt eine Verbesserung ist. Das ist das Übel des Inkrementalismus in der Lieferkette. Die Leute sehen Verbesserungen nur durch die Brille von “Ja, es ist im Vergleich zu dem, was wir haben, inkrementell besser”. Wenn Sie nur an bessere Faxmaschinen denken können, sind Sie nicht in einer guten Position. Wenn die Leute sagen: “Oh, Sie sprechen über KI, Skynet”, sage ich zum Beispiel, dass E-Mail im Grunde genommen einfacher ist als eine Faxmaschine. Eine Faxmaschine ist anspruchsvoller, technologisch anspruchsvoller, und dennoch ist sie im Vergleich zur Alternative eine schlechtere Lösung. Das ist mein Punkt. Wenn die Leute sagen: “Oh, wir haben diese Verbesserung”, sage ich: “Ja, Sie haben nur eine bessere Faxmaschine. Herzlichen Glückwunsch. Aber Sie verstehen nicht den Punkt. Sie verpassen die Gelegenheit, einfach etwas zu tun, das einfacher, besser, besser auf allen Ebenen ausgerichtet ist.”

Conor Doherty: Danke. Weiter geht es mit Philippe: “Wenn es um Struktur in der Prognose geht, kann eine Zeitreihenprognose in gewissem Maße ein Bestandteil dieser Struktur sein, wenn dies zutreffend ist?”

Joannes Vermorel: Das kann sein. Zeitreihen sind eine so grundlegende Struktur. Es ist sehr schwierig, etwas zu gestalten, ohne dass sich zufällig Zeitreihen als Bestandteil Ihrer Vorhersagezutat ergeben. Meine Botschaft ist nicht, dass Zeitreihen nicht verwendet werden sollten. Das ist nicht der Kern. Ich sage nur, dass wenn alles, was Sie haben, Zeitreihen sind, es sehr vereinfachend ist. Sie müssen Ihren Wortschatz, Ihren Horizont erweitern. Es gibt andere Dinge, und in diesen anderen Dingen können Sie ja Zeitreihen haben. Es kommt gelegentlich vor.

Conor Doherty: Als nächstes von Manuel: “Universitäten setzen weiterhin auf traditionelle Prognosemethoden und betonen deren Genauigkeit. Hat sich diese Sichtweise angesichts der jüngsten Einführung von maschinellen Lernmodellen, die viele zusätzliche Faktoren berücksichtigen, geändert?”

Joannes Vermorel: Der Unterschied zwischen einem Schwarz-Weiß-Fernseher, der ein klassischer Bildschirm wäre, und einem Licht, das Dinge projiziert, das wäre der große Flachbildschirm, das wäre die altmodische Zeitreihe. Maschinelles Lernen gibt Ihnen nur den Schwarz-Weiß-LCD-Bildschirm. Es ist immer noch schwarz-weiß, einer hat bessere Eigenschaften, er ist schlanker, er hat seinen Platz. Mein Problem mit Universitäten liegt nicht am besseren numerischen Modell. Mein Problem ist nicht, dass Universitäten den richtigen Prognosealgorithmus nicht lehren. Mein Problem ist, dass sie nicht versuchen, die richtige Prognosehaltung zu lehren. Schauen Sie sich das Wesen des Problems an. Versuchen Sie, eine sinnvolle, quantifizierte Aussage für das Geschäft zu erstellen. Ist das das, was Sie tun? Macht es Sinn? Berücksichtigen Sie die Tatsache, dass die Zukunft nicht das Spiegelbild der Vergangenheit ist? Wieder einmal Haltung. Und dann haben wir die technischen Details. Für mich gibt es ein Spektrum von klassischen Zeitreihenmodellen bis hin zu super ausgeklügelten Deep Learning Modellen. Es gibt keinen Quantensprung, all das ist vorhanden. Mein Problem ist nicht, dass Universitäten diese Prognosealgorithmen nicht richtig lehren, sondern dass sie die richtige Prognosehaltung, die Denkweise, die man für die Zukunft in der Supply Chain benötigt, nicht richtig lehren. Das ist das Problem. Das Ziel des S&OP-Prozesses besteht darin, eine unternehmensweite Ausrichtung zu schaffen. Das wäre das Ziel, damit die Mitarbeiter in der Produktion das herstellen, was vom Vertrieb verkauft wird und die Vertriebsmitarbeiter das produzieren, was Sie erfüllen können. Es geht buchstäblich um die unternehmensweite Ausrichtung. Aber in der Praxis sind S&OP-Praktiken eine endlose Reihe von Meetings. Das ist es, was es ist.

Meiner Meinung nach fließt die Information durch die IT-Systeme, die Anwendungslandschaft. 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 Anwendungslandschaft. Sie brauchen keine Leute, die miteinander sprechen, wenn Sie Ausrichtung schaffen müssen. Es wird um die numerischen Rezepte und die Klärung der strategischen Absicht des Unternehmens gehen, was absolut nicht in S&OP-Meetings gemacht wird. Viele große Unternehmen haben anständige Ergebnisse, aber diese Zeitreihenprognosen sind nur Teil der Bürokratien, die überhaupt nichts dazu beitragen. Sie könnten es entfernen und es würde genauso gut funktionieren. Während der Lockdowns von 2020 und 2021 hatten einige Unternehmen in einigen Ländern Teile ihrer Büroangestellten, die für 14 Monate in technische Arbeitslosigkeit versetzt wurden. Das Unternehmen war immer noch zu 80% in Betrieb. Es war reduziert, aber es war nicht null. Aufgrund dieser Lockdowns wurden alle Büroangestellten, insbesondere aus der Planung, buchstäblich aufgefordert, zu Hause zu bleiben und die Firmencomputer niemals anzufassen. Wir hatten ein großes Experiment, bei dem die gesamte Planungsabteilung 14 Monate lang weg war und alles in Ordnung war. Also, wenn ein Unternehmen 14 Monate lang ohne eine Abteilung arbeiten kann, in der alle Mitarbeiter dieser Abteilung abwesend sind, was sagt das über die Abteilung aus? Wahrscheinlich, dass sie nicht gerade super wichtig ist. Wir hatten sogar einen Fall, in dem ein großes Unternehmen, ein Hersteller, während der Lockdown-Phase im Wesentlichen zu einem E-Commerce-Unternehmen wurde. Das E-Commerce-Segment betrug vor den Lockdowns 5% ihres Geschäfts. Ende 2021 machte E-Commerce zwei Drittel ihres Umsatzes aus. Das Unternehmen hat also eine massive Transformation durchlaufen und ist faktisch zu einem E-Commerce-Unternehmen geworden. Wenn Ihr Unternehmen massive, schnelle Transformationen durchlaufen und sie gut umsetzen kann, was sagt das über diese Funktionen aus? Ich hinterfrage diese Vorstellung. Ich sage nicht, dass Genauigkeit keine Rolle spielt, insbesondere im spezifischen Sinne, wie es Lokad hat. Aber wenn wir uns anschauen, wie es normalerweise praktiziert wird, habe ich immer wieder beobachtet, dass wir Lockdowns hatten, wir hatten sogar das große Experiment, die Abteilung, die für diese Genauigkeitsmetriken verantwortlich ist, für über ein Jahr, genau 14 Monate, stillzulegen. Und was war der Einfluss auf das Geschäft? Nichts, alles wie immer. Einige dieser Unternehmen haben sogar danach florierendes Geschäft gemacht. Das war für mich ein Augenöffner. Dies ist ein Experiment, das nicht hätte passieren sollen, aber es ist passiert.

Conor Doherty: Vielen Dank. Und die letzte Frage, auch von Nicholas, möglicherweise eine andere, ich weiß es nicht. Ich finde oft, dass Abteilungen versuchen, statistische Daten mit Bauchgefühl zu übergehen. Wie definieren Sie die Auswirkungen der Prognosegenauigkeit auf die Verbesserung des Lagerbestands und der Kundenerfahrung in Echtzeit?

Joannes Vermorel: Das ist das Problem, diese Frage wird nie im Rahmen des gängigen Paradigmas der Zeitreihengenauigkeit gestellt. Es ist keine Frage, die in Supply-Chain-Lehrbüchern gestellt wird. Das fehlt. Aber das ist nicht die einzige Sorge. Es gibt einen ganzen Bereich, den wir nicht berührt haben, nämlich die Instrumentalisierung der Prognose. Wie gut können sie tatsächlich im Unternehmen verwendet werden? Und diese Dinge fehlen. Ja, das ist sehr wichtig. Und es ist sehr wichtig, alle Punkte von der Entscheidung bis zum mathematischen Modell, das diese Aussagen produziert, zu verbinden. Aber das bedeutet, dass Sie numerische Rezepte benötigen, die von der vorhersagenden Generierung dieser quantitativen Aussagen über die Zukunft bis zur Entscheidung gehen und reale Auswirkungen mit finanziellen Auswirkungen auf Ihr Unternehmen haben. Und so werden Sie beurteilen, ob Ihr Vorhersagemodell treu ist oder nicht. Ich benutze treu, weil ich das Wort genau nicht verwenden möchte. Und ein Teil des Trickkoffers ist diese finanzielle Perspektive, weil sie dies erleichtert. Aber so wie es normalerweise praktiziert wird, bleibt es halbwegs stehen. Es gibt diese große Illusion, die von Supply-Chain-Lehrbüchern und den meisten Supply-Chain-Softwareprogrammen aufrechterhalten wird, dass Sie das Problem in der Prognosephase abschneiden können und isoliert beurteilen können, wie gut oder wie schlecht wir sind, isoliert von allem anderen. Und das ist kompletter Unsinn. Es gibt keine Möglichkeit, die Angemessenheit oder Genauigkeit einer Prognose isoliert zu bewerten. Es geht nur darum, mathematische Modelle zu benchmarken. Das ist gut, aber das ist nicht das wirkliche Leben. Es ist so, als ob Sie den Gewinner des Schießwettbewerbs haben möchten. Sie können einen olympischen Schießmeister haben, aber wenn es um eine tatsächliche militärische Übung geht, schießen die Leute nicht mit echten Waffen in einem echten Krieg, wie die Leute in einer kontrollierten Umgebung schießen. 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 Sinne falsch ist. Das ist nicht das, was ich sage. Ich sage, dass die paradigmatische Umgebung, die diese Konzepte umgibt, unzureichend ist. Wenn Sie zwischen Bauchgefühl wählen müssen, das ein echtes Geschäft wirklich umfasst, und super ausgeklügeltem, aber völlig unpassendem Geschäft, ist ungefähr richtig jeden Tag besser als genau falsch. Das ist das Problem. Und Genauigkeit veranschaulicht die traditionelle Art und Weise, wie dieser genau falsche Denkansatz funktioniert.

Conor Doherty: Joannes, ich habe keine weiteren Fragen. Ich meine, ich habe welche, aber ich werde sie für einen anderen Tag aufsparen. Vielen Dank für Ihre Zeit. Und vielen Dank an alle, die so lange bei uns geblieben sind. Wir sehen uns nächstes Mal.