Probabilistische Vorhersagen & Sequenzielle Entscheidungsfindung (mit Warren Powell) - Ep 163

00:00:00 Einführung der Gäste
00:01:27 Warrens Rolle bei Optimal Dynamics und Buch
00:03:06 Herausforderungen und Vorhersagen im Lkw-Transport
00:04:31 Warrens Paper und Verständnis von Unsicherheit
00:06:41 Joannes’ Werdegang und Erfolge in der Software
00:08:12 Umgang mit Unsicherheit und akademische Perspektive auf supply chain
00:09:39 Sequentielle Entscheidungen und Schwierigkeiten bei der Zusammenarbeit in der Industrie
00:11:13 Probabilistische vs deterministische Vorhersagen
00:13:27 Metriken für probabilistische Vorhersagen und Verständnis der Herausforderungen
00:15:28 Bedeutung der Vorhersageabdeckung und genauer Prognosen
00:17:09 Lokads Weg mit probabilistischen Vorhersagen und Herausforderungen
00:19:15 Schwierigkeit von Unsicherheitsproblemen und Mangel einer einheitlichen Community
00:21:05 Entscheidungen und Unsicherheit in der mathematischen Programmierung
00:23:03 Vielfältige Lab-Erfahrungen und Anwendungen des ADP-Buchs
00:25:07 Notwendigkeit eines Werkzeugkastens im supply chain und Übergang zu einem neuen Ansatz
00:27:35 Deterministische Optimierung und Approximation der Kostenfunktion
00:29:57 Google Maps als ein Beispiel für Look-Ahead
00:31:51 Stochastischer Look-Ahead und Wertfunktionsapproximation
00:33:21 Joannes’ Perspektive auf Entscheidungsfindung und Problemstellung
00:35:29 Bedeutung des korrekten Zustands, der Übergangsfunktion und der Kostenfunktion
00:37:28 Berücksichtigung der Problem-Dimensionalität und groß angelegter Probleme
00:39:15 Fragilität von Lösungen und Vergleich mit Netzwerken von Supermärkten
00:41:16 Ansatz zur Problemlösung und Verfassen eines Buchs über supply chain Analytics
00:43:44 Einfachheit im Modellentwurf und verschiedene Arten von Unsicherheit
00:45:13 Bedeutung schneller Iteration und realweltlicher Einschränkungen
00:47:51 Bedeutung der rechnerischen Praktikabilität und Entwicklung eines Graphics-Tools
00:50:27 Rolle der Instrumentierung in der Optimierung und Herausforderungen in der Industrie
00:53:11 Zusammenarbeit mit Frachtführern und Kritik am akademischen Ansatz
00:55:23 Joannes’ Übergang von der Vorhersage zur Entscheidungsfindung
00:58:28 Schwierigkeit des Datenzugriffs und Umgang mit zukünftigen Vorhersagen
01:00:32 Bedeutung der Berücksichtigung größerer Störungen und Akzeptanz pessimistischer Modelle
01:02:45 Variabilität in supply chain und Modebranche
01:04:43 Jährliche Erneuerung von Produkten und Vorhersage neuer Produkte
01:06:27 Bedeutung der Modellierung von Unsicherheit und Kritik an Unternehmensregeln
01:08:16 Warrens Ansatz zur stochastischen Optimierung und Bestandsmanagement
01:09:56 Planung für Notfälle und Entscheidungsfindung unter Unsicherheit
01:11:39 Bedeutung der Echtzeitdisposition im Lkw-Verkehr und richtiger Ladungsauswahl
01:13:27 Herausforderungen bei der Entscheidungsfindung unter Unsicherheit und Probleme mit gebildeten Personen
01:15:45 Excels Grenzen im Umgang mit Unsicherheit und das Verständnis der CEOs
01:19:30 Grenzen von supply chain Büchern und Bedeutung benutzerfreundlicher Werkzeuge
01:21:46 Lokads Bildungsinitiativen und Erstellung relevanter Datensätze
01:25:01 Drei wesentliche Fragen zur Problemlösung und Entwicklung von Entscheidungskategorien
01:27:48 Die Herausforderung von nicht-quantitativen MBAs und Unternehmen, die Entscheidungen in Workflows vergraben
01:30:26 Preis der Einfachheit und sequentielles Lernen als Werkzeug der Entscheidungsfindung
01:32:33 Vermittlung des Konzepts, höher zu zielen, und Herausforderungen starrer Richtlinien
01:34:34 Schwierigkeit, das Konzept der Erkundung zu verstehen, und Bedeutung des aktiven Lernens
01:37:41 Unterschiede zwischen Trucking und supply chain und Größe des truckload Geschäfts
01:40:04 Titel des Buchs, Zweck, Lehrstil und fünf Elemente des Modellierens
01:42:39 Lob für Optimal Dynamics, Lokad und das Teilen akademischer Ideen
01:43:22 Schlussbemerkungen und Dank

About the guest

Warren B Powell is Professor Emeritus at Princeton University, where he taught for 39 years, and is currently the Chief Innovation Officer at Optimal Dynamics. He was the founder and director of CASTLE Lab, which focused on stochastic optimization with applications to freight transportation, energy systems, health, e-commerce, finance and the laboratory sciences, supported by over $50 million in funding from government and industry. He has pioneered a new universal framework that can be used to model any sequential decision problem, including the identification of four classes of policies that spans every possible method for making decisions. This is documented in his latest book with John Wiley: Reinforcement Learning and Stochastic Optimization: A unified framework for sequential decisions. He published over 250 papers, five books, and produced over 60 graduate students and post-docs. He is the 2021 recipient of the Robert Herman Lifetime Achievement Award from the Society for Transportation Science and Logistics, the 2022 Saul Gass Expository Writing Award. He is a fellow of Informs, and the recipient of numerous other awards.

Summary

In einem aktuellen LokadTV-Interview diskutierten Conor Doherty, Joannes Vermorel und Gast Warren Powell probabilistische Vorhersagen und Entscheidungsfindung in supply chains. Warren Powell, ein pensionierter Princeton-Professor und Chief Innovation Officer bei Optimal Dynamics, teilte seine Karriereerfahrungen und Einblicke in die Planung unter Unsicherheit. Joannes Vermorel, Lokads CEO, sprach über seinen Übergang von deterministischen Methoden zur probabilistischen Vorhersage und kritisierte dabei die mangelnde praxisnahe Anwendung in der Wissenschaft. Beide waren sich einig, dass probabilistische Vorhersagen überlegen sind, trotz ihrer Komplexität und der Schwierigkeiten, sie in Unternehmen anzuwenden. Das Gespräch hob die Notwendigkeit einer breiteren Perspektive und eines einheitlichen Ansatzes im Umgang mit Unsicherheit in Entscheidungsfindung hervor.

Extended Summary

In einem aktuellen Interview, moderiert von Conor Doherty, Leiter der Kommunikation bei Lokad, führten Warren Powell, ein pensionierter Professor der Princeton University und Chief Innovation Officer bei Optimal Dynamics, sowie Joannes Vermorel, CEO und Gründer von Lokad, eine diskussionsanregende Unterhaltung über probabilistische Vorhersagen und sequentielle Entscheidungsfindung in supply chain unter Unsicherheit.

Warren Powell, ein erfahrener Veteran auf dem Gebiet der Entscheidungsfindung in komplexen Bereichen, begann damit, seinen Karriereweg zu schildern. Seine Arbeit begann mit der Deregulierung des Gütertransports in den Vereinigten Staaten, was ihn dazu brachte, sich auf die Planung unter Unsicherheit zu konzentrieren. Er sprach auch über seine Rolle bei Optimal Dynamics, einem Startup, mit dem er zusammenarbeitet, wo er seine ehemaligen Doktoranden anleitet und über neue Richtungen für das Unternehmen nachdenkt.

Das Gespräch wechselte dann zu Powells Buch “Reinforcement Learning and Stochastic Optimization”, das sich mit der verteilungs- beziehungsweise probabilistischen Vorhersage beschäftigt. Powell erzählte eine Anekdote über ein Unternehmen, das den Wert verstehen wollte, einem Versender einen Rabatt anzubieten, sofern dieser zukünftige Ladungen prognostizieren könnte. Dies weckte sein Interesse an dem Thema und veranlasste ihn, die Herausforderungen der Vorhersage im Truckload trucking aufgrund ihrer stochastischen Natur zu erforschen.

Joannes Vermorel hingegen schilderte seinen Übergang von deterministischen Methoden zur probabilistischen Vorhersage. Er erklärte, dass deterministische Methoden nicht funktionierten und dass es notwendig sei, Unsicherheit bei supply chain problems zu akzeptieren. Zudem kritisierte er die akademische Gemeinschaft wegen ihres Mangels an praxisnaher Anwendung und ihres Fokus darauf, Theoreme zu beweisen und numerische Arbeiten durchzuführen.

Das Gespräch wandte sich anschließend dem Unterschied zwischen deterministischer und probabilistischer Vorhersage zu. Powell erläuterte, dass deterministische Vorhersagen zwar eine einzige, umsetzbare Zahl liefern, jedoch die Variabilität der realen Welt nicht berücksichtigen. Er argumentierte, dass die verteilungsbasierte Vorhersage, die eine Bandbreite möglicher Ergebnisse bietet, überlegen sei, obwohl Unternehmen oft Schwierigkeiten haben, dieses Konzept zu verstehen und anzuwenden.

Vermorel stimmte Powell zu und fügte hinzu, dass probabilistische Vorhersagen komplexere Metriken und ein tieferes Verständnis von Wahrscheinlichkeitsverteilungen erfordern. Er verglich deterministische Vorhersagen mit dem Blick durch ein Mikroskop auf einen winzigen, detaillierten Teil eines Schreibtisches, während probabilistische Vorhersagen einen breiteren, umfassenderen Überblick bieten.

Das Gespräch endete damit, dass Vermorel seine Erfahrungen bei der Implementierung probabilistischer Vorhersagen bei Lokad teilte. Er merkte an, dass es mehrere Jahre gedauert habe, herauszufinden, wie man Entscheidungen basierend auf diesen Vorhersagen optimiert. Außerdem sprach er über das Fehlen einer einheitlichen Community oder eines Paradigmas im Umgang mit Unsicherheit in der Entscheidungsfindung. Powell stimmte zu und beschrieb das Gebiet der Entscheidungen und Unsicherheit als einen “Dschungel” aufgrund der Vielzahl unterschiedlicher Communities, Sprachen und Notationssysteme. Er berichtete von seinen vielfältigen Erfahrungen in verschiedenen Bereichen, von der Güterbeförderung bis zu Energiesystemen, und wie ihn diese dazu brachten, die Grenzen bestimmter Ansätze und die Notwendigkeit einer breiteren Perspektive zu erkennen.

Full Transcript

Conor Doherty: Willkommen zurück. Die Identifizierung und Bewertung tragfähiger supply chain Entscheidungen ist schwierig, insbesondere wenn man noch traditionelle Metriken verwendet. Warren Powell, unser heutiger Gast, hat 40 Jahre damit verbracht, Entscheidungsfindung in verschiedenen komplexen Bereichen zu analysieren. Außerdem hat er fünf Bücher geschrieben, etwa 250 Artikel veröffentlicht und ist ein pensionierter Professor von Princeton. Also, Warren, zunächst einmal herzlich willkommen zurück bei Lokad. Zweitens, für alle, die deinen ersten Auftritt vielleicht verpasst haben: Könntest du dich bitte noch einmal vorstellen und uns einen Eindruck davon vermitteln, womit du dich beschäftigt hast?

Warren Powell: Nun, vielen Dank, dass ihr mich wieder eingeladen habt. Ich habe eine interessante Karriere hinter mir. Meine Karriere begann, als der Gütertransport in den Vereinigten Staaten dereguliert wurde, und ich so in diese Branche, genannt truckload trucking, hineingeworfen wurde. Eines der ersten Themen, über die man sprach, war die Unsicherheit und wie man unter Unsicherheit plant – und das hat letztlich meine Karriere geprägt. Ich habe in zahlreichen verschiedenen Anwendungsbereichen gearbeitet.

Warren Powell: Ich habe meine Karriere damit abgeschlossen, meinem Startup Optimal Dynamics im Bereich truckload trucking zu helfen, was auch der Startpunkt meiner Karriere war. Wir verwenden eine Vielzahl von Techniken, aber glücklicherweise konnte ich an genügend unterschiedlichen Anwendungen arbeiten, um zu erkennen, dass es mehr als nur ein Werkzeug in diesem Werkzeugkasten der Unsicherheit gibt. Ich freue mich also auf diese Diskussion. Es ist schön, mit anderen Menschen zu sprechen, die meine Leidenschaft für die Modellierung von Unsicherheit teilen.

Conor Doherty: Danke. Und du hast Optimal Dynamics erwähnt. Du bist der Chief Innovation Officer, der CIO. Ich hatte diesen Begriff noch nie gehört. Könntest du erklären, was du dort machst?

Warren Powell: Man nennt mich gerne Yoda. Ich bin in kein Management involviert. Niemand arbeitet für mich. Fünf meiner ehemaligen Doktoranden arbeiten dort, und ich arbeite mit ihnen im Wesentlichen so, wie ich es als Professor im Labor getan habe. Ich warte, bis sie die Hand heben und sagen: “Hey, wir brauchen Hilfe.” Ansonsten verbringe ich meine Zeit damit, über Dinge nachzudenken und auch über neue Richtungen für das Unternehmen, wenn sich die Gelegenheit bietet.

Warren Powell: Aber hin und wieder werde ich doch wieder hinzugezogen, um bei einem Problem zu helfen, und ich habe ein paar neue Innovationen entwickelt, die geholfen haben. Aber im Grunde bin ich hier, um dem Unternehmen zu helfen, wenn es Unterstützung benötigt, und ansonsten halte ich mich gerne zurück. Ich habe als Akademiker gelernt, dass eine der größten Herausforderungen, besonders wenn man mit klugen Menschen arbeitet, darin besteht, zu wissen, wann man helfen sollte und wann man sich zurückhalten sollte. Und so hat mir das glücklicherweise viel Zeit für das Schreiben von Büchern und Ähnlichem verschafft.

Conor Doherty: Apropos Buchschreiben, eines deiner Bücher, “Reinforcement Learning and Stochastic Optimization”, ist eines der Themen, über die wir am liebsten mit dir sprechen wollten. Dein Ansatz zur Entscheidungsfindung und ich weiß, dass du ein Interesse an der verteilungs- beziehungsweise probabilistischen Vorhersagemethode hast, die Lokad anwendet. Um das Interview also richtig zu beginnen: Was fasziniert dich so sehr an der verteilungsbasierten Vorhersage, dass es zu diesem Gespräch geführt hat?

Warren Powell: Nun, die größte Herausforderung, als ich begann, mein Truckload-Problem zu modellieren – im Trucking, also im truckload trucking, ist sehr spärlich. Man könnte eine Ladung zwischen zwei Städten haben, oder auch nicht. Wenn man einen Fahrer von zum Beispiel Chicago nach Atlanta schickt und in Atlanta ankommt, gibt es Ladungen, die in ganz unterschiedliche Richtungen gehen. Es könnte eine Ladung nach Texas geben oder auch nicht. Also hat man etwas, das 0 oder 1 ist. Was prognostiziert man? Prognostiziert man Null oder Eins, oder sagt man 0,2 voraus, was die realistischere Erwartung ist?

Warren Powell: Ich hatte hier in den Vereinigten Staaten ein Unternehmen, Schneider National, das in den 1970er Jahren voraussah, dass die Deregulierung bevorstand, und mit einem Dozenten der University of Cincinnati an frühen Optimierungsmodellen arbeitete, die jedoch alle deterministisch waren. Und jemand von Schneider besuchte mich in Princeton, sah mich an und sagte – und das war jemand mit einem Master in Operations Research – “Warren, truckload trucking ist stochastisch.”

Wir wissen nicht, welche Ladungen schon morgen verfügbar sein werden. Wir würden gerne wissen, welchen Wert es hätte, einem Versender einen Rabatt zu geben, wenn er uns die zukünftigen Ladungen verraten würde." Und ich erinnere mich, wie ich bei diesem Abendessen dachte: “Oh mein Gott, was für eine großartige Frage.” Es ist nicht so, dass ich die Antwort nicht kenne, sondern dass ich nicht weiß, wie ich darüber nachdenken soll.

Später in den späten 1980er Jahren schrieb ich ein Paper, das ich mein Museumspapier nenne. Tatsächlich ist es im Internet als das Museumspapier verfügbar. Ich habe fünf verschiedene Ansätze, um diese Truckload-Trucking-Probleme zu modellieren – alle, die auf unterschiedliche Weise mit Unsicherheit umgehen – und ich war mir voll bewusst, dass keiner davon funktionieren würde. So saß ich also Ende der 1980er da und sagte: “Ich weiß nicht, was ich sonst tun soll. Nichts, was aus der akademischen Gemeinschaft kommt, funktioniert.”

So begann dieser jahrzehntelange Prozess, in dem ich irgendwie den Überblick gewinnen und diese Aha-Momente erleben sollte. Und so hatte ich einen großen schon Anfang 2000. Schneider kam tatsächlich zu mir und sagte: “Hey, Warren, wir brauchen wirklich Hilfe. Könntest du uns dieses Modell erstellen?” Dieses Modell wurde schließlich zur grundlegenden Software für Optimal Dynamics. Aber schon seitdem dieses Modell gebaut wurde, das mit Unsicherheit umgehen konnte, kam auch meine Arbeit im Bereich des approximativen dynamischen Programmierens heraus.

Ich würde sagen, dass ich alle paar Jahre einen weiteren dieser großen Aha-Momente hatte. Tatsächlich hatte ich selbst seit meinem Abschluss noch einige weitere Aha-Momente. Ich meine, dieses Feld ist einfach atemberaubend reichhaltig, und ich erlebe immer wieder Momente wie: “Oh mein Gott, so habe ich nie darüber nachgedacht.”

Conor Doherty: Joannes, entspricht das dem, wie du zur probabilistischen Vorhersage gekommen bist? Viele Aha-Momente?

Joannes Vermorel: Ja, irgendwie. Für mich war es eine etwas andere Reise, denn als ich 2008 Lokad gründete, ging ich tatsächlich direkt mit den Mainstream supply chain Theorien an die Sache heran. Es war also nicht so, dass jemand zu mir kam und sogar das Wort stochastic aussprach. Ich bin mir ziemlich sicher, dass die meisten Leute, die ich bis sehr spät in meinem Leben getroffen habe, – wenn ich das Wort stochastic ausgesprochen hätte – nicht gewusst hätten, ob ich von einer Art elastischer Variante oder so etwas sprach.

Aber wie auch immer, sie waren klug, aber sie waren keine Statistiker oder Probabilisten oder Ähnliches. Und so war mein Weg eher folgender: In den ersten Jahren bei Lokad habe ich diese deterministischen Methoden mit ziemlichem Erfolg als enterprise software Anbieter angewendet, was bedeutet, dass es einem tatsächlich gelingt, seine Produkte zu verkaufen. Es bedeutet nicht, dass sie tatsächlich funktionieren, wissen Sie, das sind zwei verschiedene Metriken. Man kann als Enterprise Vendor erfolgreich sein und trotzdem gar nichts haben, das wirklich funktioniert.

Es gab Konkurrenten, die ihre gesamte Karriere damit verbracht haben, genau das zu tun. Aber so brauchte ich tatsächlich ein paar Jahre, um zu erkennen, dass es einfach nicht funktionierte und niemals funktionieren würde. Dass die Mainstream-Perspektive, die supply chain Perspektive, die auf dieser vollständig deterministischen Sichtweise basiert, dass es keine Unsicherheit gibt, dass Erfolg nicht unmittelbar bevorsteht. Es ging nicht darum, noch diese zusätzlichen 1% an forecast accuracy zu erzielen, die es plötzlich funktionieren würden.

Nein, es hat mich ziemlich viele Jahre gekostet, eher vier Jahre, um die Idee aufzugeben, dass trotz Fortschritten in der Vorhersage, trotz Verbesserung des Prozesses, Verbesserung von allem, Erfolg nicht unmittelbar bevorsteht. Und so hatten wir diesen Aha-Moment, aber er kam eher aus Verzweiflung als als Folge eines großartigen Gesprächs mit jemandem, der erleuchtend war. Wie auch immer, wir kamen ein wenig zu diesem Punkt. Es hat Zeit gebraucht. Aber wenn man ein Jahrzehnt vorspult, ist es jetzt schmerzhaft offensichtlich. Ich würde sagen, dass meine ersten paar Jahre bei Lokad komplett darauf ausgerichtet waren, supply chain Probleme anzugehen, ohne die Unsicherheit zu berücksichtigen. Das war einfach ein toter Endpunkt, und naja, es hat mich ein paar Jahre gekostet, bis ich dort ankam.

Warren Powell: Was sind die Herausforderungen, die ich gefunden habe, wenn ich das so sagen darf, also aus der akademischen Perspektive, Joannes, wenn ich mit dir spreche, habe ich fast das Gefühl, mit einem Kollegen aus der Akademia zu reden, aber du kommst aus der Industrie. Mein Labor war von Anfang an ungewöhnlich. Ich musste rausgehen, auf die Straße und mit Unternehmen sprechen, um Geld zu bekommen. Die National Science Foundation, die viele Akademiker finanziert, hatte in meinem Bereich eine explizite Richtlinie. Sie sagten: “Wir finanzieren keine Forschung. Wir segnen sie. Geht und holt Geld von der Industrie, und dann streuen wir NSF-Engelstaub.”

Aber wir haben viel zu viele Akademiker, und das besteht bis heute, die nicht mit der Industrie zusammenarbeiten, sondern mit erfundenen Modellen, ihre Theoreme beweisen, ihre numerischen Arbeiten durchführen, und das alles findet völlig innerhalb der akademischen Gemeinschaft statt. Und das gilt besonders für die stochastische Optimierung. Das trifft nicht so sehr auf machine learning zu. Machine Learner gehen raus, besorgen sich echte Datensätze und passen Modelle an.

Das gilt nicht einmal für die deterministische Optimierung. Es gibt keinen Mangel an realweltlicher deterministischer Optimierung. Aber was ich jetzt gerne sequenzielle Entscheidungen nenne – und das bringt mich übrigens weg von dem Wort stochastic – ist, dass es in diesem Bereich eine Flut von Papieren gibt, also Modelle, die von Akademikern erfunden wurden, die nicht wirklich verstehen, was die tatsächlichen Probleme sind, weil es schwierig ist, mit der Industrie zusammenzuarbeiten, und man muss Unternehmen einbinden, und ich hatte bereits Unternehmen. Sie mussten an dem arbeiten, was sie später als “bleeding edge” bezeichneten, wo sie das Unternehmen waren, bei dem ich gelernt habe, was funktionierte und was nicht.

Also, es ist wirklich ein Problem damit, wie Akademiker arbeiten. Eines: Ich hatte eine erfolgreiche Publikationskarriere, aber Junge, gegen Ende dachte ich: “Weißt du, das ist ein ziemliches Spiel.” Um veröffentlicht zu werden, muss man einen bestimmten Stil einhalten, den die Fachzeitschriften verlangen, und die Gemeinschaft der stochastischen Optimierung ist keine einheitliche Gemeinschaft. Es gibt über ein Dutzend. Alle haben ihre eigenen Sprachen, Stile sowie kleine Werkzeuge und Techniken, und sie sind alle sehr stolz darauf, und sie beweisen ihre Theoreme und führen sogar Berechnungen durch, aber fast nichts davon funktioniert in der Praxis.

Conor Doherty: Nun, danke. Um den Punkt zu unterstreichen, die Differenz zwischen einem rein akademischen Ansatz und einem praxisnäheren, sprachen wir über den deterministischen Ansatz in der Vorhersage versus den distributionalen oder probabilistischen Ansatz. Ich werde aus Gründen der Einfachheit gerade den Begriff probabilistic verwenden. Warren, du zuerst: Skizziere für diejenigen, die das vielleicht zum ersten Mal hören, diese Dichotomie. Was ist aus deiner Sicht der Unterschied zwischen dem deterministischen Ansatz der Vorhersage und dem probabilistischen, und warum ist der probabilistische, sagen wir, überlegen in deiner Meinung?

Warren Powell: Also, jedes Mal, wenn ich jemanden aus der Wirtschaft treffe, der das Wort forecast benutzt, sage ich sofort: Okay, er meint die Punktprognose. Jeder liebt die Punktprognose. Sie wollen wissen: “Ich werde 500 Widgets oder zwei Autos verkaufen oder es wird sechs Lkw-Ladungen Fracht geben.” Sie lieben diese Zahl, weil sie umsetzbar ist. Es heißt: “Oh, es werden sechs Trucks kommen, also muss ich sechs Fahrer haben.”

Die Herausforderung ist – und übrigens passiert das jeden Tag im Truckload Trucking – dass man einen heißen Versender hat, der weiß, dass er zu den Top-Versendern gehört, und dann anruft und, um die Worte eines Disponenten zu zitieren, sagt: “Schau, dieser Kerl könnte zwischen 10 und 20 Trucks benötigen.” Nun, das ist ziemlich frustrierend, aber das ist die Realität im Dispatching. Aber in den Vorhersagemodellen ist die gesamte Mathematik darauf ausgelegt, mit einer einzelnen Zahl zu operieren.

Die Leute mögen auch eine einzelne Zahl. Sie ist umsetzbar, sie ist leicht verständlich. Wenn man sagt: “Schau, es wird irgendwo zwischen 10 und 20 liegen,” weiß man, wie viele Fahrer man bereithalten muss, um einer Nachfrage gerecht zu werden, die irgendwo zwischen 10 und 20 liegt. Nun, ich sage Ihnen, was die Truckers tun: Sie sagen: “Nun, das ist ein wirklich wichtiger Truck. Vielleicht werde ich nicht 20 Fahrer haben, aber vielleicht 17. Aber wenn er kommt und nur 12 benötigt, dann nehme ich diese fünf Fahrer und schicke sie woanders hin.” Und sie haben dann etwas, das in der Optimierung als Rückgriff (recourse) bekannt ist. Es ist so: “Wenn das passiert, dann mache ich das.”

Aber jeder liebt diese Punktprognose. Ich begann in den 1990er Jahren mit distributionaler Vorhersage, als ich mit Yellow Freight arbeitete. Ich sagte: “Schaut, ich würde gerne Konfidenzintervalle verwenden,” und sie antworteten: “Unsere Leute wissen einfach nicht, wie sie damit umgehen sollen.” Unser größtes Problem war, dass vor nicht allzu langer Zeit, als wir mit einem großen Versender arbeiteten, dieser wirklich von der distributionalen Vorhersage begeistert war – und dann drehten sie sich um und sagten: “Na gut, nehmen wir sie und schauen, wie genau sie ist.” Ich sehe, wie Joannes lächelt. Es ist, als ob er sagt: “Okay, wie gehst du mit dem um, ‘Oh, das ist großartig, distributionale Vorhersage, das klingt cool. Wie genau ist sie?’ Wie beantwortest du diese Frage, Joannes?”

Joannes Vermorel: Ja, ich meine, bei etwas wie cross entropy oder einer anderen Metrik, die für die probabilistische Vorhersage funktioniert, ist CRPS eine weitere. Aber in der Tat, so ist es. Wenn man in den Bereich dieser Wahrscheinlichkeitsverteilungen eintritt, hat man zwar weiterhin Metriken, aber sie sind nicht wie diese einfachen, intuitiven Metriken, die man buchstäblich Kindern in der Mittelschule erklären könnte, sodass sie es verstehen. Die Norm Eins, Norm Zwei – in der Mittelschule versteht man das irgendwie. Was ist der Abstand?

Wenn man in Wahrscheinlichkeitsverteilungen eintaucht, ist es, um ehrlich zu sein, gar nicht so schwierig. Es ist nicht besonders, wenn man beispielsweise Maximum Likelihood verwendet oder so etwas. Es ist nichts, wofür man einen PhD in Statistik benötigt, aber es dauert länger als 2 Minuten. Und was die Intuition angeht, müsste man wahrscheinlich den Ablauf des Formalismus durchgehen, und das würde etwa eine halbe Stunde, vielleicht zwei Stunden dauern, wenn man sehr unkundig ist.

Warren Powell: Ja, und an diesem Punkt beginnen die Geschäftsleute, ihre Augen glasig werden zu lassen, und sie sagen: “Oh ja, das habe ich verstanden. Also, wie genau ist sie?”

Joannes Vermorel: Das ist etwas sehr Merkwürdiges. Es geht darum, eine reichhaltigere Prognose zu haben. Wenn wir diese Entscheidungen optimieren wollen, geht es darum, die Tiefe unserer Sichtweise zu verbessern. Was sehen Sie? Ich meine, Sie machen eine Projektion in die Zukunft, eine Aussage über die Zukunft. Aber nicht wie genau, sondern wie vollständig – welchen Deckungsgrad hat Ihre Prognose?

Das ist also etwas sehr Ungewöhnliches, denn bei einer Punktprognose hätte man etwas, das unglaublich scharf ist. Es ist ein bisschen so, als ob man ein Mikroskop nimmt und tausendfach auf einen Punkt auf seinem Schreibtisch zoomt. So können Sie einen Quadratmillimeter Ihres Schreibtisches detailliert betrachten, während Sie den Rest gar nicht sehen. Und die Leute sagen: “Oh, wissen Sie was? Ich glaube, ich brauche ein größeres Mikroskop, damit ich diesen einen Quadratmillimeter noch schärfer sehen kann.” Und die probabilistische Prognose lautet: “Nein, Sie sollten sich wahrscheinlich den Rest des Schreibtisches ansehen, anstatt sich nur auf diesen einen Punkt zu konzentrieren, den Sie ohnehin schon ziemlich scharf sehen.”

Warren Powell: Nun, hier ist etwas, das jeder Geschäftsfreund, besonders im Einzelhandel, absolut verstehen wird: die Nachfrageabdeckung. Und sie werden sagen: “Schaut, wir wollen 97% der Nachfrage abdecken.” Das ist keine ungewöhnliche Forderung. Aber wie deckt man 97% ab, ohne das Konzept einer distributionalen Prognose? Hier können Sie zurückkommen und sagen: “Ja, aber Sie wollen 97% der Nachfrage abdecken. Ich kann das nicht, solange ich keine distributionale Prognose habe. Brauche ich 20 zusätzliche Einheiten oder 200 zusätzliche Einheiten?” Das ist vielleicht der Ansatz, um zu sagen: “Schaut, ihr wollt einen hohen Prozentsatz eurer Nachfrage abdecken. Niemand möchte nur die durchschnittliche Nachfrage abdecken – die Hälfte der Zeit wird es zu kurz kommen. Irgendwie müssen wir diesen sehr vertrauten geschäftlichen Anspruch in die, naja, distributionale oder probabilistische Vorhersage überführen.”

Joannes Vermorel: Und das Interessante ist, dass wir bei Lokad 2012 damit begannen, und als Überleitung zu deinem Buch: Es hat tatsächlich ein paar Jahre gedauert, nachdem wir mit der probabilistischen Vorhersage gestartet hatten, bis wir wirklich herausgefunden haben, wie man darauf irgendeine Art von anspruchsvoller Optimierung aufsetzt. Denn, sehen Sie, ich würde sagen, es war schwierig, sich damit abzufinden, dass wir diese probabilistische Vorhersage tatsächlich brauchten. Das war also der erste Teil meiner Reise bei Lokad.

Es stellte sich heraus, dass 2012 die probabilistische Vorhersage aus völlig anderen Gründen im deep learning ziemlich populär geworden war. Sie waren im Deep Learning sehr beliebt, weil Metriken wie Kreuzentropie sehr steile Gradienten liefern, die bei der Optimierung helfen. Also nutzte die Deep Learning Community diese probabilistischen Vorhersagen, obwohl sie absolut nicht an den Wahrscheinlichkeiten interessiert war. Es ging ihnen einzig um die Punktprognose, aber die super steilen Gradienten, die man im Wesentlichen mit Kreuzentropie erzielen konnte, waren sehr vorteilhafte numerische Eigenschaften, um diese Modelle zum Laufen zu bringen.

Das war also sozusagen eine kleine Abweichung. Wir begannen, diese probabilistischen Vorhersagen um ihrer selbst willen zu verwenden, anstatt sie nur als clevere numerische Tricks für Gradienten zu betrachten. Aber sobald man das hat, wird einem klar: Okay, ich habe Entscheidungen, die ich optimieren möchte. Ich will die beste Option wählen, und offensichtlich handelt es sich um wiederkehrende Geschäfte, sodass es eine Folge von Entscheidungen gibt.

Und dann fragt man sich: “Was brauche ich als Softwareinstrument, um das einfach zu lösen?” Und da, als Überleitung zu deinem Buch, ist es ein sehr schwieriges Problem, denn die Hauptschwierigkeit, der ich begegnete, war ein regelrechtes Fehlen von Paradigmen. Es gibt, wie du sagtest, vielleicht ein halbes Dutzend Gemeinschaften, in denen man veröffentlichen könnte, aber meines Erachtens gibt es bis heute noch keine wirklich einheitliche Gemeinschaft, die diese Probleme mit Unsicherheit, bei denen man optimieren möchte, einfach übernimmt. Es ist einfach nicht da.

Also war es so eine Art Treffer oder Fehlschlag. Ich hatte ein wenig Reinforcement Learning betrieben, klassische Optimierung gemacht. Meine Herausforderung bestand wirklich in diesem Mangel an Paradigmen. Und das ist ziemlich interessant in diesem sehr umfangreichen Werk von, wissen Sie, 1100 Seiten, dass man tatsächlich seine eigenen Paradigmen vorschlägt, um den Bereich gründlich zu durchdenken und ihn in seine Bestandteile zu zerlegen. Und ja, dieses Buch ist immer noch irgendwie einzigartig. Es gibt nicht so viele.

Ich meine, wenn du ein Buch über, sagen wir, Klassifikatoren haben möchtest, gibt es – weißt du – im Bereich des maschinellen Lernens etwa 500 Bücher, die dir alle Klassiker zu Klassifikatoren bieten, von linearer Klassifikation bis hin zu Support Vector Machines und Gradient Booster Trees und so weiter. Es gibt quasi 500 Bücher, die das Klassifikationsproblem und dergleichen umrahmen. Hier ist es noch sehr, würde ich sagen, etwas, bei dem die Community einfach noch gar nicht wirklich hinschaut.

Warren Powell: Ja, das Thema Entscheidungen und Unsicherheit ist ein erstaunlich reichhaltiges Feld. Wenn man sich der deterministischen mathematischen Programmierung zuwendet, gibt es zwar viele deterministische mathematische Programme, doch alle folgen dem grundlegenden Paradigma, das mit George Dantzig etabliert wurde. Man hat eine Zielfunktion, man hat eine Nebenbedingung, man hat eine Entscheidungsvariable, man hat einen Algorithmus. Und weil also jeder in dieses Rahmenkonzept passt – maschinelles Lernen, Statistik, maschinelles Lernen, ganz ähnlich – hat man irgendeine Funktion, die man an Daten anzupassen versucht.

Nun gibt es viele verschiedene Problemsätze, aber da sie im Grunde alle denselben Ansatz verfolgen, ist dies nur eine von vielen Funktionen. Die populärsten Statistikbücher stellen dir all diese unterschiedlichen Funktionen vor. Und wenn du einen Kurs in Statistik oder maschinellem Lernen belegst, verlässt praktisch jeder den Kurs mit ungefähr demselben Werkzeugkasten. Und das ermöglicht ihnen auch die Nutzung dieser gemeinfreien Software.

Als man Entscheidungen und Unsicherheit kombinierte, hielt ich 2014 diesen Vortrag – ein Tutorial bei INFORMS –, und ich nannte ihn “The Clearing the Jungle of Stochastic Optimization.” Und ich musste einen Tutorial-Artikel schreiben. Ich erinnere mich immer an einen der Gutachterberichte. Der Gutachter meinte: “Oh, es ist gar nicht so schlimm. Vielleicht solltest du es ‘The Garden of Stochastic Optimization’ nennen.” Und ich musste laut lachen und sagte: “Ihr habt noch nie versucht, in diesen Bereichen ein Paper zu veröffentlichen. Es ist ein Dschungel, weil es all diese verschiedenen Communities gibt – weit über ein Dutzend – und sie sprechen unterschiedliche Sprachen. Ich habe acht grundlegend verschiedene Notationssysteme gezählt. Und dann gibt es natürlich noch die Ableger.”

So hat das Reinforcement Learning die Notation der Markov-Entscheidungsprozesse übernommen, aber stochastic control hat ihre eigene Notation und stochastic programming wiederum ihre eigene, nämlich die Entscheidungbäume. Und das ist einfach ein Durcheinander. Doch jede davon hat eine ziemlich umfangreiche Community. So haben sie ihre eigene Gruppe von Leuten, die alle dieselbe Sprache sprechen. Und wenn man Papers schreibt, werden gewisse Dinge erwartet.

Ich habe ein Labor geleitet, das groß und vielfältig genug war. Während ich also im Bereich des Gütertransports begann und auch wieder endete, leitete ich zwischendurch ein ganzes Energie-System-Labor. Ich habe eine Menge Arbeit im Bereich optimalen Lernens und der Materialwissenschaft geleistet. Das war eine tolle Erfahrung eine Zeit lang. E-Commerce, Finanzen – und bei Princeton muss man eine Abschlussarbeit im Bachelorstudium anfertigen. Ich habe etwa 200 Abschlussarbeiten betreut. Und ich sage dir, wenn man genug Studenten betreut und sich mit ausreichend vielen Problemen beschäftigt, kam eine Zeit, als ich gerade mein ADP-Buch geschrieben hatte und dachte: “Wow, ADP ist großartig. Schau, ich kann Speditionen optimieren. Und das ist nicht gefälscht. Das ist real. Es gab Momente, in denen ich sagte: ‘Aber das ist nicht nur irgendeine Scherz-Anwendung. Das ist eine echte industrielle Anwendung. Sie muss in der Lage sein, alles zu können.’ Junge, lag ich falsch.”

Also, es war in der zweiten Ausgabe meines ADP-Buchs, als ich ein Kapitel – Kapitel sechs – schrieb, das besagte: “Weißt du was, es scheint, als gäbe es diese vier Klassen von Policies.” Nun, ich hatte nicht alle vier – ich kannte drei davon. Die vierte hatte ich falsch verstanden. Und sechs Monate, nachdem ich es an den Verlag geschickt hatte, dachte ich: “Oh mein Gott, ich habe die vierte Policy-Klasse herausgefunden.” Und von da an, bis das große Buch 2022 erschien, entwickelte ich mich ständig weiter, schrieb einen weiteren Tutorial-Artikel im Jahr 2016 und schließlich lud mich das European Journal of Operational Research ein, einen Übersichtsartikel zu verfassen.

Also, Roman Slowinski, einer der Chefredakteure, lud mich dazu ein, und dieses Paper wurde schließlich zur Gliederung für dieses große Buch. Sobald ich dieses Paper verfasst hatte, war ich überzeugt: “Okay, das ist das neue Buch”, und ich wollte eine dritte Ausgabe meines ADP-Buchs machen. Aber ich sagte: “Nein, das geht nicht. ADP, was speziell die Approximation der Wertfunktion bedeutet, ist ein sehr mächtiges Werkzeug für eine sehr kleine Anzahl von Problemen. Und wenn du einen Hammer hast – und du hast deinen Lieblingshammer, und wir alle haben unsere Lieblingshämmer, jeder in der Wissenschaft hat seinen Lieblingshammer – dann findest du immer Probleme, die zu deinem Hammer passen.”

Aber wenn du aus einem Anwendungsbereich kommst – nehmen wir einen reichen Anwendungsbereich wie supply chain management – dann wirst du einen kompletten Werkzeugkasten brauchen. Du kannst nicht in das supply chain management mit irgendeinem Hammer einsteigen, und es ist mir egal, welchen Hammer du hast, du musst mit einem gesamten Werkzeugkasten arbeiten, denn obwohl verteilungsbasierte Prognosen schön sind, musst du letztlich eine Entscheidung treffen, was bedeutet, dass du eine Entscheidung unter Unsicherheit triffst.

Conor Doherty: Nun, wenn ich da einfach anknüpfen darf, weil das ein perfekter Übergang ist: Wenn man vom Werkzeugkasten spricht und den Schwerpunkt auf probabilistische Prognosen legt, um etwas Handlungsorientiertes zu bieten, und die Leute etwas Handlungsorientiertes wollen – könntest du bitte den Werkzeugkasten auspacken und im Kontext von supply chain management erklären, wie dein universeller Rahmen für sequentielle Entscheidungsfindung tatsächlich zu besseren Entscheidungen führt?

Warren Powell: Nun, einer meiner größten Übergänge ist, dass ich diese PowerPoint-Folie habe, die ich liebe. Ich habe ungefähr 15 Bücher dazu, die sich alle mit irgendeiner Form von sequentiellem Entscheidungsproblem befassen. Jedes dieser Bücher – und eines davon ist mein ADP-Buch – ist wie ein Hammer, der nach einem Nagel sucht. Wir alle haben unsere Lieblingstechniken zur Entscheidungsfindung, weshalb die Bücher um ein oder zwei grundlegende Hämmer herum geschrieben wurden.

Wenn du aus der Anwendungswelt kommst, merkst du bald, dass all diese Hämmer gut sind. Keiner von ihnen funktioniert bei allen Problemen. Vom Anwendungssektor her kommend, kannst du dein Problem nicht aussuchen. Akademiker, die an Methoden arbeiten, wählen das Problem aus, an dem sie ihre Methoden testen, aber in der Anwendung hast du diese Wahl nicht. Man sagt dir: “Das ist das Problem, das ich lösen muss. Was wirst du tun?” Und mein großer Karriereerfolg war, dass ich erkannte, dass alle Methoden in diese vier Klassen fallen. Und dann merkte ich mit meinem Paper von 2019, dass diese vier Klassen in zwei Hauptkategorien unterteilt werden können.

Die einfachere Kategorie trifft eine Entscheidung auf Basis einer Funktion, die nicht in die Zukunft plant, aber über einstellbare Parameter verfügt, die so optimiert werden müssen, dass sie auch zukünftig gut funktionieren. Das einfachste Beispiel in supply chains ist die Bestandsbestellung. Wenn der Bestand unter ein bestimmtes Niveau fällt, wird bis zu einem anderen Niveau nachbestellt. Ich schaue nicht in die Zukunft. Ich plane nicht. Es ist einfach eine Regel, aber diese Auffüllniveaus müssen so abgestimmt werden, dass sie über die Zeit gut funktionieren.

Die zweite der einfacheren Varianten ist typischerweise – es ist fast immer ein deterministisches Optimierungsmodell, vereinfacht, aber mit einstellbaren Parametern. Das habe ich “cost function approximation” genannt. Man findet es nirgendwo sonst außer in meinem großen Buch, obwohl es in der Industrie weit verbreitet ist. Leute aus der Industrie würden sagen: “Ja, das machen wir die ganze Zeit. Wir dachten nur, es sei ein Industrie-Hack.”

Ich erkenne, dass wenn man ein lineares Programm nimmt, das eine Approximation eines unordentlichen stochastischen Problems darstellt, und dann einstellbare Parameter hinzufügt, um Dinge wie Pufferbestände, Ertragskorrekturen oder Spielräume zu erfassen – Fluggesellschaften machen das beispielsweise so, dass sie sagen: “Okay, wenn ich von Atlanta nach New York fliege, könnte es aufgrund des Wetters zu Verzögerungen kommen. Ich füge mal 20 Minuten extra hinzu.”

Das Lösen dieser deterministischen Probleme mit einstellbaren Parametern ist außerordentlich mächtig. Die Akademiker bezeichnen es gern als “nur deterministischen Unsinn”. Ich habe beschlossen, dass es eigentlich nicht unähnlich zur parametrischen Prognose ist. Wenn du Prognosen erstellst, möchtest du wissen, dass die Nachfrage eine Funktion des Preises ist. Ein höherer Preis führt zu geringerer Nachfrage. Nehmen wir an, wir entwerfen eine abwärts geneigte Funktion, vielleicht einfach eine Gerade, vielleicht eine S-Kurve, und passen dann die beste Funktion an, die wir können. Dasselbe können wir auch mit parametrisierten deterministischen Modellen machen.

Nun lieben die Akademiker die andere Klasse von Policies. Das sind die Policies, die eine Entscheidung jetzt treffen, indem sie in die Zukunft planen. Eine davon lautet: Wenn ich jetzt eine Entscheidung treffe, ergreife ich sofort die Aktion. Nehmen wir an, ich habe einen gewissen Inventarbestand. Ich order more Inventar. Das versetzt mich in einen zukünftigen Zustand, und ich erhalte den Wert, in diesem Zustand zu sein. Das nennen sie dynamische Programmierung oder Bellmans Gleichung. Akademiker lieben Bellmans Gleichung, oder wenn man aus dem Ingenieurwesen kommt, nennen sie es Hamilton-Jacobi-Gleichung. Und wenn du einen Kurs an einer guten Universität besuchst, in dem gelehrt wird, wie man über die Zeit unter Unsicherheit Entscheidungen trifft, wird dir als Erstes Bellmans Gleichung gezeigt.

Ich schrieb ein 500-seitiges Buch, das sich ganz der Approximation von Bellmans Gleichung widmete. Darauf war ich sehr stolz. Es ist eine mächtige Technik, die bei so vielen Problemen funktioniert. Ehrlich gesagt, geh in eine Wirtschaftsgemeinschaft, in der Leute sequentielle Entscheidungen treffen, und frage: “Wie viele haben überhaupt schon von Bellmans Gleichung gehört?” – und fast niemand. Niemand verwendet Bellmans Gleichung.

Die ganz letzte Klasse ist das vollumfängliche Vorausplanen. Ich benutze als Beispiel Google Maps. Wenn du einen Weg zu einem Ziel planen möchtest, musst du bis ganz zum Ende planen. Es gibt eine Reihe von Planungsmodellen, die in die Zukunft blicken müssen. Sie verwenden keine Wertfunktion. Stattdessen modellieren sie explizit die gesamte Zukunft, und das geschieht weitaus häufiger, als einfach auszuschreiten und eine Wertfunktionsapproximation zu betreiben.

Also, die Akademiker lieben diese fortgeschritteneren Techniken wirklich. In der realen Welt findest du meist eine der drei Klassen von Policies: die einfachen Regeln wie “order up to,” “buy low, sell high,” oder “wear a coat.” Für komplexere Probleme verwende ich ein deterministisches Modell, das nicht allzu kompliziert ist. Ich füge einstellbare Parameter hinzu und stimme diese dann ab. Die dritte Technik ist das deterministische Vorausplanen, wie bei Google Maps. Das sind die großen Drei.

Ich denke, wenn man tatsächlich eine Liste aller Entscheidungen erstellen könnte, die jeder irgendwo in jeglichem Umfeld trifft, würden 97 % dieser Entscheidungen mit diesen drei Klassen von Policies getroffen werden. Rate mal? In den Büchern wird dem nicht so viel Bedeutung beigemessen. Darauf ziele ich ab. Viel von diesem Gedankengut werde ich dir zuschreiben; diese besondere Diskussion findest du nicht einmal in meinem großen Buch, sodass sie auf die zweite Ausgabe warten muss.

Dies ist mein Aha-Moment, als ich sagte: “Weißt du was, nehmen wir die vier Klassen von Policies, zerlegen wir das Look-ahead und teilen es in zwei: deterministisches Look-ahead und stochastisches Look-ahead.” Jetzt habe ich fünf Policies, und ich fragte mich, welche davon am meisten verwendet werden? Kategorie eins, also weit verbreitet, sind die ersten drei: die Policy-Funktionsapproximationen wie einfache Regeln, die Cost Function Approximations, welche parametrisiert deterministisch sind, und das deterministische Look-ahead. Das sind die großen Drei.

Manchmal benötigt man ein stochastisches Look-ahead. Zum Beispiel bestelle ich aus China; normalerweise dauert es fünf Wochen, aber es könnte auch sieben Wochen dauern. Wenn man also reingeht und sagt: “Nun, ich plane mit sieben Wochen,” ist das tatsächlich eine Form des stochastischen Look-ahead, die robuste Optimierung unter Verwendung einer probabilistischen Prognose genannt wird. Denn ich plane mit dem Maximum, das es sein könnte, anstatt mit dem, was typischerweise der Fall ist.

Die Approximationen der Wertfunktion, das Thema meines früheren Buchs, sind weiter unten aufgeführt. Ich denke ehrlich, dass das ein großartiges Werkzeug für viele Probleme ist. Wenn du das wirklich brauchst, solltest du einen Experten hinzuziehen, aber im Alltag wirst du es einfach nicht verwenden – es ist viel zu schwer zu handhaben.

Nun, einige Leute sprechen über Reinforcement Learning. In den frühen Tagen war Reinforcement Learning nur ein anderer Name für approximate dynamic programming. Es waren einfach nur verschiedene Worte für dasselbe. Die ORL-Community hat genau das entdeckt, was ich festgestellt habe; sie fanden: “Wow, das funktioniert nicht immer.” Wenn du von der ersten Ausgabe des Buchs von Sutton und Barto ausgehst, in der du ausschließlich approximate dynamic programming siehst, und zur zweiten Ausgabe wechselst, kannst du – wenn du weißt, wonach du suchst – alle vier Klassen von Policies in der zweiten Ausgabe entdecken. Aber ich bin immer noch der Meinung, dass die meisten Leute, wenn sie sagen, sie nutzen Reinforcement Learning, approximate dynamic programming meinen. Die Informatiker sind doch so viel besser darin, ihre Werkzeuge zu vermarkten als wir anderen.

Conor Doherty: Nun, danke. Ich werde es sofort an dich weitergeben, Joannes. Entspricht das deiner Auffassung davon, wie wir hier bei Lokad Entscheidungen treffen?

Joannes Vermorel: Ich meine, nicht ganz, aber um fair zu sein, dieser Unterschied ist – wie ich glaube – technisch sehr korrekt, was die Aufteilung des Gebietes angeht. Ich werde diesen Punkt nicht in Frage stellen. Und wenn ich vom Gebiet spreche, meine ich ein allgemein anerkanntes intellektuelles Modell, in dem wir Zustandsübergangsfunktionen und eine Belohnungsfunktion haben und dann diese Entscheidungen optimieren wollen, usw. Betrachtet man es aus dieser Perspektive, würde ich sagen, dass die Art, wie du es beschreibst, korrekt ist.

Aber wie ich persönlich an das Problem herangehe, erfolgt aus relativ unterschiedlichen Blickwinkeln. Meine erste Perspektive, noch bevor ich die Techniken ins Auge fasste, wäre: Was ist eigentlich mit der Problemstellung? Der Weg zur Problemstellung ist entscheidend. Das ist ein wenig eine ungerechte Kritik an diesem Buch, denn es ist bereits 1100 Seiten lang, und anscheinend wollten deine Verleger kein 3000-seitiges Buch.

Bei Lokad lautet die erste Frage, wenn wir uns dem nähern, wie stark wir den Zustand approximieren sollten. Man könnte denken, es sei selbstverständlich, aber das ist es nicht. Man modelliert immer die reale Welt, und man modelliert sie nicht bis auf die Position jedes Atoms, sodass es einen enormen Spielraum gibt, was man als Zustand definiert. Dann gibt es die Übergangsfunktion, die wiederum einen enormen Spielraum bietet, zu entscheiden, wie man von einem Zustand zu einer anderen Version dieses Zustands gelangt.

Ich bin der Meinung, dass dies ein wesentlicher Teil der Problemlösung ist. Wenn du in dieser Phase die falsche Entscheidung triffst – wenn dein Zustand viel zu detailliert ist oder wenn die Übergangsfunktion viel zu komplex ist – wird dein Werkzeugkasten anschließend einfach auseinanderfallen. Für mich ist es also zunächst entscheidend, die richtige Entscheidung zu treffen und das passende Paradigma dafür zu haben. Gleiches gilt für die Kostenfunktion oder die Belohnungsfunktion.

Wir haben einen klassischen Fall für Kunden, die die Kosten eines Lagerleeres oder die Kosten für die Gewährung eines Rabatts bewerten müssen. Wenn Sie einmal einen Rabatt geben, verzichten Sie auf einen Teil Ihrer Marge. Das ist in Ordnung, Sie können es messen, es ist ziemlich unkompliziert. Aber dann schaffen Sie auch eine schlechte Gewohnheit, weil die Leute erwarten werden, dass dieser Rabatt erneut angewendet wird. So bereiten Sie sich später ein Problem vor.

Es ist sehr schwierig, das Verhalten genau einzuschätzen, wie sehr sich die Menschen an Ihre früheren Rabatte erinnern und so weiter. Das ist Ihre Übergangsfunktion; Sie müssen diese approximieren. Mein erster Schritt wäre, die Approximationen zu definieren, bevor ich die verschiedenen Zahnräder des algorithmischen Prozesses mit diesem Rahmen approximiere.

Meine Perspektive beginnt bereits bei der Definition der Modelle. Ich gehe nicht davon aus, dass das Modell im Allgemeinen – also das, was Sie optimieren möchten – gegeben ist. Für mich ist das Teil der Methodologie. Das wäre der erste Punkt. Entschuldigen Sie, ich bin noch nicht fertig. Der zweite Punkt – und das rührt eher von meinem Hintergrund in der Informatik her – besteht darin, die Dimension des Problems zu betrachten.

Es ist ganz anders, wenn Sie ein kleines Problem angreifen, wie zum Beispiel ein paar tausend Entscheidungen, wie etwa eine Route in einer Stadt mit einigen hundert Lieferungen und dergleichen. Tausend Entscheidungen sind, was mich betrifft, ein ganz kleines Problem. Wir haben Probleme, bei denen es bis zu einer Milliarde Variablen gibt. Wenn wir eine große supply chain betrachten, wie zum Beispiel einen Hypermarkt, kann es in einem Hypermarkt 100.000 SKUs geben. Haben Sie tausend Hypermärkte, ergeben sich 100 Millionen SKUs. Für jede SKU gibt es ein halbes Dutzend Entscheidungen, und das wiederholen Sie einige Wochen in die Zukunft. Am Ende können Sie entweder mit super kleinen Problemen, wie der Routenoptimierung, oder mit sehr großen Problemen konfrontiert werden, die nicht einmal in den Arbeitsspeicher passen.

Für mich wäre das die Art von Sache, bei der ich, wenn ich das Problem angehe, zunächst versuche, die wesentlichen Merkmale des Problems zu erfassen. Die Dimensionalität ist eines davon. Ein weiteres, sehr wichtiges Merkmal ist, wie schwierig es ist, in Richtung der besseren Lösung zu navigieren. Nehmen wir diese beiden Beispiele: Die Routenoptimierung ist etwas sehr nichtlineares, sehr fragiles. Sie tauschen einfach zwei Standorte aus, und schon können Sie von einer sehr schlechten Lösung zu einer sehr guten Lösung gelangen, indem Sie nur zwei Punkte vertauschen. So verhält sich Ihre Lösung ein wenig wie ein Kristall; sie besitzt diese Art von Fragilität. Es ist sehr leicht, die Lösung zu stören und von etwas Gutem zu etwas sehr Schlimmem überzugehen.

Andererseits, wenn ich in diesem Problemspektrum an mein Netzwerk von Supermärkten denke, und wenn ich beschließe, eine Einheit, die eigentlich woanders sein sollte, an einen anderen Ort zu setzen, ist das Problem sehr unempfindlich. Es gibt Ihnen viel Spielraum. Sie möchten etwas, das wesentlich richtungsgetreuer ist. Dieses Spektrum reicht von Kristalleigenschaften bis zu Schlamm-Eigenschaften. Kristalleigenschaften sind fragil und spröde und zerbrechen leicht, während Schlamm-Eigenschaften formlos sind. Solange Sie richtungsgetreu bleiben, ist es so in Ordnung. Das wäre die zweite Überlegung.

Der dritte Aspekt sind die Zeiteigenschaften, die Sie anstreben. Diese reichen vom Steuern von Robotern in einem Lager, wo Sie in Millisekunden konstant zeit- und speichergesteuerte Antworten benötigen. Wenn man sagt, Sie haben 10 Millisekunden, um eine Antwort zu liefern, und wenn Sie das nicht schaffen, entstehen allerlei andere Probleme, im Gegensatz zu einem anderen Problem, wie dem Einkauf im Ausland, bei dem es 10 Wochen dauert, bis die Ware aus China kommt. Wenn Ihre Berechnung 24 Stunden dauert, ist das kein großes Problem. Wir können uns diese 24 Stunden leisten; wir haben keinerlei Einschränkungen.

So zerlege ich das Fachgebiet ein wenig. Ich verstehe, dass die Art und Weise, wie ich das Fachgebiet aufgliedere, nicht viel über die Algorithmen aussagt, die Sie anwenden möchten, aber ich nutze das, um von vornherein potenzielle Lösungen für die Art von Problemen auszuschließen, an denen ich interessiert bin.

Warren Powell: Ich liebe es, dass Sie aus einem Anwendungsbereich kommen. Eines der Dinge, die ich festgestellt habe, als ich begann, mein supply chain analytics Buch zu schreiben – das erste Buch, das ich jemals zu einer Problemklasse verfasst habe – ist, dass all meine anderen Bücher im Grunde Methodenbücher waren, und das macht richtig Spaß.

Nun, geben Sie meinem großen Buch einen Kredit für Folgendes: Ich habe ein ganzes Kapitel, 90 Seiten lang, das dem Modellieren gewidmet ist – aber dem Modellieren auf eine sehr generische Weise. Ich schätze den gesamten Prozess, den Sie beschrieben haben, absolut. Dies hier ist eine Zustandsvariable. Bei komplexen Problemen habe ich einige Tutorials, in denen ich sage, dass wir fünf Elemente des Problems haben, beginnend mit den Zustandsvariablen. Aber wenn ich modelliere, bestimme ich die Zustandsvariable zuletzt.

Zudem ist es wirklich iterativ. Sie werden einen Prozess durchlaufen, in dem Sie das Modellieren Schritt für Schritt anwenden. Die Zustandsvariable ist dabei nur Information. Sie gehen das Modell durch und sagen: Okay, ich brauche diese Information, jene Information, diese Information – ach, da ist meine Zustandsvariable. Aber zum Beispiel: Wie treffen Sie Entscheidungen? Das hängt davon ab, wie Sie Unsicherheit modellieren. Wie modellieren Sie Unsicherheit? Es hängt davon ab, wie Sie Entscheidungen treffen.

Deshalb beschreibe ich den Prozess des Modellierens von Unsicherheit und der Entscheidungsfindung so, als würde man zwei Leitern erklimmen. Kommen Sie nicht mit einer unglaublich ausgefeilten Methode zur Entscheidungsfindung unter Unsicherheit, wenn Ihr Modell nur ein sehr einfaches Wahrscheinlichkeitsmodell enthält. Bei unseren komplexen Problemen können wir Unsicherheitsmodelle so kompliziert gestalten, wie wir wollen.

Im Allgemeinen beginnen Sie nicht mit dem kompliziertesten Modell. Sie starten mit etwas Einfachem. Dann benötigen Sie etwas, das Entscheidungen treffen kann. Es ist nicht notwendig, etwas unglaublich Kompliziertes zu entwickeln, da es sich nur um ein Basis-Modell handelt. Sobald Sie ein anständiges Entscheidungsmodell haben, können Sie zu Ihrem Unsicherheitsmodell zurückkehren, vielleicht weil Sie nun andere Risikomessgrößen berücksichtigen möchten.

Jetzt wollen Sie Entscheidungen treffen, die das Risiko widerspiegeln. Also steigen Sie diese Leiter hinauf, und ich bin mir sicher, dass Ihr gesamter Prozess bei Lokad iterativ war. Wir wollen immer das einfachste Modell, das das Problem löst. Die Frage ist: Was ist nötig, um die Geschäftsziele zu erreichen? Und das ist ein Lernprozess.

Joannes Vermorel: Absolut. Ich spreche Ihrem Buch volle Anerkennung aus. Ich glaube, Sie listen dort – ich meine, wenn ich mich recht erinnere, etwa 15 verschiedene Arten von Unsicherheit auf, und das ist wahrscheinlich die längste Liste, die ich je gesehen habe – und ja, das ist eine sehr reale Sorge. Wenn Sie von Unsicherheit sprechen, denken die Leute: „Oh, Sie reden nur von den Ungenauigkeiten der Punktprognose.“ Und ich würde sagen: Keineswegs, es gibt so viele Quellen der Unsicherheit. Das kann der Preis der Rohstoffe sein, auf die Sie angewiesen sind und die schwanken, oder die Arbeitskraft, von der Sie abhängig sind, die streiken könnte, oder einfach nicht qualifiziert ist oder nicht vorhanden.

Es kann auch die Möglichkeit sein, dass es an Ihren Standorten zu Problemen mit der Lagerung kommt. Wenn man Unsicherheit nur durch die Linse der Ungenauigkeiten Ihrer Verkaufszahlen betrachtet – denn das ist nur ein Aspekt, demand for sales forecast, sales point forecast –, ist das äußerst eng gefasst. Ich stimme Ihnen vollkommen zu. Bei Lokad arbeiten wir äußerst iterativ, genau das tun wir, was eine weitere Frage aufwirft, nämlich die Produktivität der Ingenieure, die Sie einsetzen müssen, um schneller iterieren zu können.

Bei Lokad gehen wir solche stochastischen Optimierungsprobleme typischerweise an, indem wir programming paradigms identifizieren. Wir verfügen über eine Sammlung dieser Paradigmen. Sie sind nicht vereinheitlicht, eher wie eine kleine Bibliothek von Werkzeugen, die Sie nutzen können. Diese Paradigmen bieten Ihnen einen Ansatz, um die Umsetzung Ihres Solvers relativ zügig voranzutreiben. Dabei stimme ich dem iterativen Prozess voll und ganz zu. Die Herausforderung aus geschäftlicher Sicht besteht darin, dass meine Kunden sehr ungeduldig sind.

Wir müssen sehr zügig iterieren, aber wir befassen uns mit etwas Kompliziertem, das harte algorithmische Ansätze beinhaltet. Es muss sichergestellt werden, dass der Algorithmus in endlicher Zeit implementiert wird. Eine weitere Überlegung, die oft nicht diskutiert wird, ist, dass viele in Büchern beschriebene Methoden funktionieren, wenn Sie superschlaue Universitätsprofessoren haben, die ein Jahrzehnt Zeit haben, den Algorithmus zu implementieren. In der realen Welt, wenn Sie 100 Stunden zur Implementierung haben, sind manche Methoden auf Implementierungsebene unglaublich schwer korrekt umzusetzen. Deshalb helfen diese programming paradigms. Sie bieten eine Möglichkeit, den Code so zu schreiben, dass er in endlicher Zeit in der Produktion funktioniert, während Sie gleichzeitig iterieren.

Warren Powell: Gegen Ende von Kapitel 11, ich meine im allerletzten Abschnitt, habe ich einen Unterabschnitt über die weichen Aspekte der Bewertung von Policies. Im gesamten Buch schreibe ich immer, dass Policy-Optimierung das Maximieren über Policies – Erwartungswert von etwas – bedeutet. Gegen Ende von Kapitel 11, das von der Website heruntergeladen werden kann, führe ich etwa fünf verschiedene Qualitätsmerkmale auf, wobei die methodologische Komplexität eines davon ist. Wenn man sich eine Methode anschaut, ist absolut das, was Sie gerade sagten, sehr wichtig: die rechnerische Handhabbarkeit, Transparenz. Wir haben alle Algorithmen programmiert, und die Lösung kommt heraus – und während wir uns am Kopf kratzen und der Kunde es nicht versteht, möchte man in der Lage sein zu sagen: „Nun, hier ist der Grund, warum es so herausgekommen ist“, weil es vielleicht ein Datenfehler oder eine Regeländerung war.

Bei Optimal Dynamics erhalten wir diese Daten von Transportunternehmen, und wir erleben alle dieselben Erfahrungsberichte, auf die auch Sie stoßen, und wenn ihnen eine Antwort nicht gefällt, möchten sie, dass sie ziemlich schnell korrigiert wird. Eines der leistungsstärksten und wichtigsten Werkzeuge, das ich in meinem Labor an der Universität entwickelt habe, ist ein Grafiktool namens Pilot View, das zwei Module umfasst. Eines ist eine Karte, auf der Sie Ströme sehen und diese auf allerlei ausgefallene Weise filtern können, und das andere – ich nenne es mein Elektronenmikroskop – ermöglicht es mir, einzelne Fahrer und einzelne Ladungen aufzurufen, auf irgendetwas zu klicken und zu sehen, welchem Fahrer welche Ladung zugewiesen wurde, aber nicht nur, welcher Fahrer welcher Ladung zugewiesen wurde, sondern welche Ladungen wir in Betracht gezogen haben, denn wenn ich tausend Fahrer und tausend Ladungen habe, kann ich nicht alle möglichen Kombinationen von tausend Fahrern mal tausend Ladungen in Betracht ziehen, und das hat nichts mit dem Algorithmus zu tun, sondern alles mit dem Netzwerk-Generator.

Also verwenden wir ausgefallene Werkzeuge, aber es kann vorkommen, dass ich einen Fahrer habe, den ich keiner Ladung zugeordnet habe – warum auch nicht? Nun, vielleicht, weil die Strafen zu hoch waren, vielleicht, weil die Kosten zu hoch waren oder vielleicht, weil eine meiner Beschneidungsregeln ihn einfach nicht berücksichtigt hat, und so geschah es. Und natürlich, wenn der Kunde sich beschwert, benötigen Sie sehr schnell eine Antwort, denn sobald Sie im Einsatz sind, ist Schluss mit komplizierten Algorithmen.

Joannes Vermorel: Davon fühle ich mich enorm angesprochen. Diese Beobachtung habe ich nicht selbst gemacht, ich habe sie im Internet gefunden – ich erinnere mich nicht genau, wer sie geäußert hat – aber im Wesentlichen lautete sie: Um einen Algorithmus debuggen zu können, müssen Sie doppelt so schlau sein wie bei der Implementierung des Algorithmus.

Wenn Sie also einen Algorithmus wählen, bei dessen Implementierung Sie bereits so schlau wie möglich waren, bedeutet das, dass Sie, wenn Sie in Produktion sind und debuggen möchten, doppelt so schlau sein müssen – und das ist gar nicht möglich, denn die Implementierung des Algorithmus war bereits Ihr Bestes. Sie benötigen also eine Lösung, die nicht Ihr absolutes Bestes fordert, damit Sie sie debuggen können. Außerdem stimme ich dem, was Sie beschreiben, bezüglich dieses unterstützenden Tools voll zu. Die Rolle der Instrumentierung ist absolut fundamental, und ich denke, das ist ebenfalls etwas, wenn auch Schwieriges. Dieses Buch enthält so viel – ich gebe Ihnen dafür Anerkennung – es ist kein Buch, dem es an Einsichten mangelt; die Rolle der Instrumentierung ist von größter Bedeutung.

Die klassische Optimierungsgemeinschaft im deterministischen Sinn würde einfach sagen, wie viele CPU-Sekunden Sie benötigen und wie die Leistung der Lösung aussieht – und das war’s. Aber wenn Sie in das Reich der stochastischen Optimierung eintreten, benötigen Sie umfangreiche unterstützende Instrumentierung, um zu verstehen, was vor sich geht. Und ich denke, dass es in diesem Bereich auch eine Art paradigmatische Lücke in der Betrachtung gibt, weil das bedeutet, dass nicht nur das Werkzeug entscheidend ist, das Ihnen die Entscheidung generiert, sondern auch all die Instrumente, die Sie darüber legen können, um Ihren Entscheidungsprozess – und damit nicht nur eine einzelne Entscheidung, sondern den gesamten Entscheidungsprozess – nachvollziehbar zu machen. Ohne diese Instrumentierung würden die Leute Bedenken äußern, und Sie kämen nicht weiter, und Sie können nicht einfach sagen: „Vertrauen Sie mir, es ist gut.“ In der stochastischen Optimierung funktioniert das nicht so gut wie in der klassischen mathematischen Optimierung.

Warren Powell: Ja, es ist offensichtlich eine schöne Herausforderung, mit der Industrie zusammenzuarbeiten. Diese Erfahrung habe ich seit Beginn meiner Karriere gemacht. Erst in den 1990er Jahren, als ich mein Labor gründete und einige professionelle Programmierer einstellte – ich meine, alle hatten ihre Promotion – waren sie nur da, um zu programmieren, und ohne die beiden Personen, die ich hatte, wäre mein Labor niemals gestartet. Es ist erstaunlich, wie es passiert, dass Ihr Algorithmus eine Lösung präsentiert, die Ihnen nicht gefällt, und auch dem Kunden missfällt, während alle am Tisch sitzen, den Kopf kratzend, und sich fragen, was Ihrer Meinung nach falsch ist – und wie oft wir diese Übung gemacht haben, wobei jeweils unterschiedliche Personen eine Theorie hatten, die ihrem Fachwissen entsprach. Da saß ich also und dachte: Oh mein Gott, ich finde, der Algorithmus könnte ausgefeilter sein, während der eine sich um die Daten sorgt und der andere einen Programmierfehler befürchtet, und oft saßen wir in solch hypothetischen Situationen zusammen und lagen alle falsch.

Es ist wirklich erstaunlich. Offensichtlich würde ich mich freuen, irgendwann mit Ihnen zusammenzusitzen und mehr über Ihre Probleme bei der Beschaffung der Rohdaten zu erfahren. In meiner Branche des Truckload-Truckings arbeiten wir nur mit Frachtführern zusammen, die bereits mit einem kommerziellen TMS-System arbeiten – und das heißt nicht, dass es perfekt ist, aber es bedeutet, dass wir wesentlich weiter entwickelt sind. Aber es ist eine Herausforderung, es macht sehr viel Spaß. Eines, was ich mir wünschen würde, wäre, die akademische Gemeinschaft mit den realen Problemen herauszufordern, und ich habe mich in gewisser Weise von der akademischen Gemeinschaft abgewendet.

Sie sind nicht dazu da, Probleme zu lösen, sondern um Theoreme zu beweisen und Aufsätze zu schreiben. Ich habe diese Welt fast 40 Jahre lang erlebt und verstanden, aber ich denke, sie ist grundlegend fehlerhaft. Eines, das bei meinen Frachtsparteien der Fall war, ist, dass sie alle bereit waren, Daten zu teilen. Das ist bei Versendern nicht der Fall.

Ich habe noch nie einen Versender getroffen, der bereit gewesen wäre, supply chain Daten zu teilen. Das kommt gar nicht in Frage, sie werden es nicht tun. Ich habe ein großes supply chain Projekt für Pratt and Whitney, den Triebwerkshersteller, durchgeführt, das von der Regierung finanziert wurde und von der Firma, die sie besitzt, United Technologies, abgesegnet wurde, aber sie hörten nicht einmal auf einen Vorschlag, ihre Daten zu teilen. Sie sagten, “Oh mein Gott, das ist viel zu proprietär.”

Und so beteiligten sie sich gerne an dem Projekt, bei dem wir unseren eigenen raffinierten Datengenerator schreiben und zufällige Bedarfe auf der ganzen Welt erfinden mussten, und sie sagten, “Nein, einige unserer Lieferanten sind wirklich geheim, wissen Sie, wir können nicht einmal zulassen, dass jemand erfährt, dass es irgendwo im Bundesstaat Connecticut einen Lieferanten gibt, der das macht.” Sie sagten einfach nein, das wäre einfach zu viele Informationen.

Es ist also schwierig, diese realen Probleme in einem Umfeld zu lösen, in dem man nicht an die Daten kommt. Ich habe mich an der Rutgers University verpflichtet, ich bin jetzt als Executive in Residence in deren supply chain management Abteilung tätig, und ich hoffe, sie dazu zu bringen, einen Simulator mit fiktiven Daten zu entwickeln und sie zumindest dazu zu bewegen, mit simulierten realistischen Problemen zu arbeiten.

Joannes Vermorel: Ich kann mich sehr gut mit der Reihe von Problemen identifizieren, mit denen du konfrontiert warst. Ich denke, ich kam aus dem anderen Spektrum der supply chain Welt. Auf der einen Seite des Spektrums hat man den Straßentransport, der fast die letzten, relativ kurzfristigen Entscheidungen repräsentiert – noch extremer wäre das Steuern von Robotern – das ist das eine Ende des Spektrums.

Am anderen Ende des Spektrums hat man S&OP, Sales and Operation, einen super makroorientierten Plan auf Unternehmensebene und so weiter. Dazwischen liegt alles. Mein eigener Weg begann am anderen Ende, beim S&OP, sehr strategisch, sehr prognoseorientiert. In den ersten Jahren von Lokad waren Entscheidungen gar nicht involviert, es ging nur um reine Prognosen.

Zurück zu deinem Anliegen, mein Problem war, dass ich in der Wissenschaft sah – übrigens, ich bin ein Doktorabbrecher, also habe ich meinen Doktorvater nicht stolz gemacht – und ich habe schamlos mein Doktorstudium abgebrochen, um Lokad zu gründen. Die Wissenschaft konzentriert sich auf Prognosegenauigkeit und veröffentlicht seit jeher 20.000 Modelle für bessere Verkaufsprognosen.

In der Industrie haben wir genau die von dir beschriebene Situation: 10 Personen sitzen um den Tisch, betrachten das Problem aus ihrer Perspektive, und wenn es um die Prognose geht – die in der Phase vor der Entscheidung, kurz bevor gehandelt wird, erfolgt –, dann wollen sie zunächst die Prognose erstellen. Die Leute ringen darum, die Prognose nach oben oder unten zu beeinflussen.

Im S&OP gibt es Verkäufer, die die Prognose absichtlich niedrig halten wollen, damit sie die Erwartungen übertreffen können. Dann gibt es die Fertigungsmitarbeiter, die die Prognose aufblähen wollen, denn wenn sie sie aufblähen, erhalten sie ein größeres Budget für ihre Fertigungsanlagen, und somit wird es einfacher, welche Bestellung auch immer letztlich produziert wird, sofern sie über mehr Kapazität verfügen.

Es gibt ein Tauziehen, bei dem der Vertrieb die Zahlen nach unten drücken will, während die Fertigung sie in die Höhe treiben möchte, und das ist nicht besonders rational. Interessanterweise veröffentlichten die Wissenschaftler ein Papier, in dem sie einen unglaublich raffinierten Weg fanden – unter Nutzung einer obskuren russischen Theorie – um 0,1% Verzerrung zu entfernen.

Dann landet man in einem Raum, in dem ein Tauziehen stattfindet, bei dem die Leute buchstäblich sagen, “Ich will minus 50%,” und ein anderer sagt, “Ich will plus 50%.” Das führt zu einer derartigen Diskrepanz. Der Zugang zu den Daten war schon immer unglaublich schmerzhaft.

Warren Powell: Eine Frage zur Prognose, und ich würde gerne wissen, was du damit machst. Es gibt viel Mathematik, die sich damit beschäftigt, aus der Vergangenheit die Zukunft vorherzusagen, aber wir wissen, dass die Zukunft oft sehr anders sein wird als die Vergangenheit – aus einer Vielzahl von Gründen, und besonders, und ich weiß nicht, ob die Zukunft steigt oder fällt, aber ich weiß, dass sie ganz anders sein könnte als alles, was ich bisher gesehen habe. Darf ich fragen, wie du damit umgehst?

Joannes Vermorel: Ja, absolut. Der übliche Weg ist, dass wir irgendeine Art von makroökonomischer Unsicherheit einführen, die nicht exakt gerechtfertigt ist. Das klingt seltsam. Man könnte denken, okay, wir haben die Bedarfsprognose, gut, und wir sagen: Fügen wir eine Variable hinzu, bei der es jedes Jahr eine 4%ige Chance gibt, dass die Nachfrage, die Aktivität – einfach alles – um 30% scharf zurückgeht.

Dann sagen die Leute, “Wow, ein Rückgang von 30% in einem Jahr, das ist enorm. Warum sollte man so etwas in Betracht ziehen?” Meiner Meinung nach, wenn man das 20. Jahrhundert betrachtet, gab es zwei Weltkriege und eine ganze Reihe anderer Kriege. Dann gab es in jüngerer Zeit globale Lockdowns und Ähnliches. Zu sagen, dass alle 25 Jahre ein Asteroid ins Gesicht trifft, der deine Branche schädigt, halte ich nicht für so abwegig.

Aber die Leute erwarten, dass sie etwas prognostizieren, von dem sie wissen, was es ist, und hier sagen wir, nein, ihr müsst nicht alles genau wissen. Ihr könnt einfach sagen, wir nehmen eine große Störung an – was auch immer das sei – und dann erfinden wir Zahlen. Diese Zahlen sind völlig erfunden: 4% jährliche Wahrscheinlichkeit, 30% – ihr könnt es ändern, ihr könnt auch fünf sagen oder 50%.

Das zwingt einen dazu, ständig an die große Störung zu denken. Zum Beispiel haben wir Kunden in der Luftfahrt bedient. Die Leute sagten, “Oh, das passiert nicht so häufig.” Aber es ist häufig, denn wenn man sich die Branche anschaut, wurde beispielsweise der Boeing 737 Max stillgelegt. Für meinen Kunden, der Flugzeuge bediente und Dutzende dieser Flugzeuge hatte, war das ein großes Problem.

Letzten Endes geht es darum, zu akzeptieren, äußerst pessimistische Annahmen in die Modelle einzubauen. Das ist in der Regel schwer zu verkaufen, weil es nicht konsensfähig ist. Das Problem liegt nicht wirklich daran, dass es an Mathematik mangelt, sondern daran, dass es beängstigend ist, und die Leute wollen nicht verängstigt werden. Aber wenn du dich nicht auf diese großen, einschneidenden Ereignisse vorbereitest, wirst du unvorbereitet sein. So einfach ist das.

Das andere ist, das wäre eine Seite – eine sehr pessimistische Seite –, du musst diese großen Störungen in Betracht ziehen, damit klarkommen und akzeptieren, dass sie mit 100%iger Sicherheit passieren werden, wenn du ihnen genügend Zeit gibst. Das ist ein Aspekt.

Der andere Aspekt ist, dass die meisten meiner Kunden, wenn sie sich mit Unsicherheit und Entscheidungsunsicherheit beschäftigen, nur das schlechte Ergebnis sehen. Ich denke, das Problem liegt in der Variabilität. Die Leute assoziieren Variabilität mit schlechten Ergebnissen. In der Fertigung hat jemand wie Deming den Gedanken populär gemacht, dass man konsequent sein muss – es ist eine grundlegende Tugend. Man muss absolut konsequent sein. Es ist in Ordnung, minderwertige Produkte zu machen, solange man immer dasselbe macht. Es wird billig sein, und die Leute wissen, was sie erwarten können.

Was nicht in Ordnung ist, ist, teilweise gute und teilweise schlechte Ergebnisse zu erzielen. Nein, man muss stets absolut konsequent sein. Die Leute setzen Fertigungsvariabilität mit etwas Negativem gleich. Aber ist es das wirklich? Sobald man die Welt der Fertigung verlässt, ist Variabilität so etwas Schlechtes? Nicht von Natur aus.

Ein Paradebeispiel ist die Mode. In der Mode kreierst du Produkte, die entweder ein Erfolg oder ein Misserfolg sind. Wenn du die Varianz deiner Erfolge und Misserfolge erhöhen kannst, was zu einem fetten Schwanz in der Verteilung führt, bedeutet das, dass es zwar mehr Misserfolge geben wird, aber auch Erfolge, die um eine Größenordnung größer sind.

Variabilität in der Fertigung ist schlecht, aber in der gesamten supply chain ist sie nicht so schlimm. Wenn du einen nahezu perfekt konstanten Strom von Möglichkeiten hast – super konstant –, dann wird dich eine Unterbrechung umhauen; im Gegensatz dazu etwas, das etwas unbeständiger, etwas holprig ist, wo du ständig Risiken eingehst, die du sorgfältig mit Entscheidungen managst, die unter Unsicherheit optimiert sind, sodass ein Fehler dich nicht umbringt.

Du könntest in einer Situation landen, in der, wenn die Störung eintritt, sie nicht annähernd so gravierend ist. Zum Beispiel, wenn du in einem Geschäftsfeld tätig bist, in dem du erwartest, dass 98% deiner Produkte von einem Jahr zum nächsten bestätigt werden, und sich dann das Gesetz ändert und 20% deiner Produkte als illegal deklariert werden, weil du das falsche Produkt, den falschen Prozess oder was auch immer verwendet hast – das wäre ein massiver Schlag.

Du warst in einem Geschäft, in dem sich jedes Jahr 2% deiner Produkte änderten, und jetzt sind es 20%, die aufgrund von Regulierung ausgemustert werden. Aber wenn du in einem Geschäft bist, in dem du jedes Jahr, sagen wir, 15% deiner Produkte erneuerst, dann gibt es zwar ein Jahr mit 20%, aber du wirst viel schneller erholen können, weil du eine gewisse Vorliebe für Neuheiten hast, die du beibehältst.

Nicht alle Unsicherheiten sind schlecht. Manchmal ist es gut, ein wenig davon zu nutzen. Zum Beispiel hassen die meisten Prognosepraktiker die Vorhersage von neuen Produkten, weil sie keine Historie für die Zeitreihen haben. Wenn man sich die Literatur zu Zeitreihenprognosen ansieht, schließen in 99% der Fälle Produkte ohne Historie aus. Aus meiner Sicht ist die Prognose von Produkten ohne Historie das Interessanteste.

Hier werden die wahren Schlachten der supply chain ausgetragen. Es sind jene neuen Produkte, die Erfolge werden können und den Kurs des Unternehmens verändern könnten. Das ist also eine lange Antwort auf deine Frage.

Warren Powell: Ich möchte einen abschließenden Kommentar abgeben. Eines der Dinge, die ich an meinem Rahmenwerk mit meinen vier Klassen von Politiken am meisten schätze, ist, dass es mir erlaubt zu sagen: Mach dir keine Sorgen um die Entscheidung. Wir wählen eine der vier Klassen, wir wählen etwas Vernünftiges – mach dir keinen Kopf. Das ist nicht das Hauptproblem. Das Hauptproblem ist, die Unsicherheit zu modellieren. Wenn ich die Leute von der Komplexität der Entscheidungsfindung unter Unsicherheit wegbekomme und sie mehr auf die Modellierung der Unsicherheiten fokussiere, ist das der große Gewinn.

Joannes Vermorel: Ich stimme dir vollkommen zu. Große Konzerne, wenn sie mit Unsicherheit konfrontiert sind, tun eines der Schlimmsten, indem sie sich Regeln ausdenken, um die Unsicherheit zu reduzieren. Man erfindet Regeln nur, um das Problem zu vereinfachen. Zum Beispiel haben sie herausgefunden, dass UPS in ihren Routen nur Linksabbiegungen macht, und dann sagen sie, okay, also werden wir selbst nur Linksabbiegungen machen, weil das etwas vereinfacht.

Man sieht, dass, wenn man so viel Potenzial und so viele Möglichkeiten hatte, mit so viel Unsicherheit umzugehen, eine der ungünstigsten Herangehensweisen an das Problem darin besteht, eine ganze Reihe von komplett erfundenen Einschränkungen zu erfinden, damit das Problem überschaubarer wird. Um auf deine Rahmenwerke überzuleiten, würde ich sagen, dass das der falsche Weg ist, denn es gibt Optionen, um mit den wahren Problemen umzugehen.

Fang also nicht an, Einschränkungen nur um ihrer selbst willen zu erfinden, nur weil du Angst hast, dass es niemals eine Lösung für dein Problem geben wird. Es gibt genügend Lösungen, daher solltest du es vermeiden, Regeln und Einschränkungen nur zur Vereinfachung des Entscheidungsprozesses zu erfinden.

Conor Doherty: Nun, ich bin immer noch hier, und das ist in Ordnung. Ich habe drei oder vier separate Notizseiten angefertigt, aber eines der Dinge – und das knüpft daran an – du verwendest den Begriff des Managements finanzieller Risiken, und ich habe trade-offs, geschäftliche Anliegen, Leistungsbewertung und das Management finanzieller Risiken geschrieben.

Also, Warren, als Gelegenheit, dein Rahmenwerk und deinen Ansatz zur stochastischen Optimierung zusammenzufassen, weiß ich, dass deine Perspektive darin besteht, geschäftliche Anliegen zu managen und die Trade-offs zu bewältigen, die der Entscheidungsfindung inhärent sind. Nimm dir so viel Zeit, wie du möchtest, aber wie genau managt dein Rahmenwerk das finanzielle Risiko – sei es bei der Routenoptimierung, im Bestandsmanagement oder bei der Prognose und Verwaltung von Beständen für Produkte, für die wir keine Historie haben?

Warren Powell: Sicher. Zunächst einmal denke ich, dass einer der Nebeneffekte, die Johannes und ich haben – wir arbeiten beide an realen Problemen – darin besteht, dass man mit bestimmten Dingen herauskommt, über die wir uns alle einig sind, zu denen gehört: Zuerst das Modell, dann die Lösung. Man muss das Problem verstehen. Du verwendest das Wort Risiko, und das hebt für mich hervor, dass man über Unsicherheit sprechen muss – und das ist weit komplizierter als eine normale Verteilung.

Die Statistikexperten mögen es, dass man, sobald man sich mit Unsicherheit befasst, einem Studenten zuerst die Normalverteilung vorstellt. Sie sagen, “Okay, wir haben einen Mittelwert und eine Varianz. Es gibt Zufälligkeiten um den Mittelwert,” und sie scheinen nicht zu erkennen, dass die größte Unsicherheitsquelle der Mittelwert ist. Wir wissen nicht, was der Mittelwert sein wird. Der Mittelwert schwankt. Es gibt zwar Rauschen um den Mittelwert, aber das Schwanken des Mittelwerts ist das Schlimmste.

Und dann gibt es diese Ereignisse, die eigentlich nicht in eine Wahrscheinlichkeitsverteilung passen – es sind Eventualitäten. Sie sind so etwas wie: “Schau, ich weiß nichts über eine Wahrscheinlichkeit, aber hier ist etwas, das passieren könnte. Was würde ich, angesichts dieser Eventualität, tun?” Und es ist mir egal, wie wahrscheinlich es ist. Es gibt Ereignisse, von denen ich glaube, dass sie passieren können, und ich muss wissen, was passiert, wenn dieses Schiff einen Monat zu spät ankommt. Was, wenn dieser Hafen geschlossen wird? Was, wenn es ein Erdbeben in Japan gibt? Das sind diese großen Ereignisse. Ich muss nicht unbedingt genau wissen, welches Ereignis eintreten wird, aber ich muss für Eventualitäten planen.

Das ganze Thema, Entscheidungen unter Unsicherheit zu treffen – eines der ersten Dinge, die ich gerne sage, ist: Mann, da gibt es eine Menge komplizierter Mathematik, aber ist dir bewusst, dass wir Menschen ständig Entscheidungen unter Unsicherheit treffen? Und früh in meiner Karriere, als ich wirklich mit meinen Lkw-Problemen zu kämpfen hatte, dachte ich: Aber die Lkw-Disponenten machen das doch bereits. Wir müssen uns daran erinnern, dass eine der erstaunlichen Fähigkeiten des menschlichen Gehirns seine Fähigkeit ist, Entscheidungen unter Unsicherheit zu treffen.

Viele dieser Themen werden die Leute sagen, “Oh, ich mag das Stochastische nicht.” Und doch wird genau dieselbe Person für zufällige Ereignisse, Unsicherheiten und Eventualitäten planen. Das ist einfach etwas, das ins menschliche Gehirn eingebaut ist, denn ich schätze, wir Tiere mussten uns während unserer gesamten Evolution damit auseinandersetzen. Die größte Herausforderung besteht nicht darin, Entscheidungen unter Unsicherheit zu treffen. Die größte Herausforderung ist es, Computern beizubringen, wie man Entscheidungen unter Unsicherheit trifft.

Und so denke ich, dass dieses Gespräch niemals ein Ende finden wird. Wir müssen quantifizieren, wir müssen Computer einsetzen, denn die Vorstellung von vollen Räumen mit Menschen, die Entscheidungen treffen, wirkt etwas veraltet. In den Transportunternehmen verfügen wir bei Optimal Dynamics über eine ganze Palette von Modellen – von strategischen bis hin zu Echtzeitanwendungen. Aber das Produkt, das absolut die Grundlage dessen bildet, was wir verkaufen, ist jenes, das Echtzeit-Disponentensteuerung leistet, denn es gibt keinen Truckload-Manager irgendwo in den Vereinigten Staaten, der nicht davon überzeugt ist, dass das größte Problem in seinem Unternehmen der Dispositionsbereich ist – ob das nun stimmt oder nicht, das ist ihr Glaube.

Ich habe gelernt, dass die Idee, den richtigen Fahrer zu finden, um eine Ladung zu bewegen, eigentlich nicht am wichtigsten ist. Am wichtigsten ist es, die richtige Ladung auszuwählen – und das ist wie Revenue Management bei Fluggesellschaften. Man muss ein Stück weit in die Zukunft planen, aber es ist so schwierig, den richtigen Fahrer zu finden, der nach Hause kommt und die DOT-Stunden einhält, dass sich alle so sehr auf das Problem der Fahrerdisposition fixieren.

Doch es geht wirklich darum, die richtige Ladung auszuwählen, denn das Schwierige dabei ist, dass ich mich vielleicht mehrere Tage oder gar eine Woche im Voraus festlegen muss, ohne zu wissen, wo meine Fahrer sein werden und was ich überhaupt bewältigen kann. Man muss also inmitten von Unsicherheiten planen können. Die Disponenten wissen das, und auch wenn sie vielleicht keine ausgeklügelten Werkzeuge haben, besitzen sie dieses Bauchgefühl: “Hey, das ist ein guter Ort. Wahrscheinlich habe ich da einen Fahrer.”

Ich habe Leute förmlich sagen hören, dass sie sich mit keiner Unsicherheit auseinandersetzen, weil CEOs das Stochastische nicht verstehen. Nein, sie verstehen das Wort “stochastisch” nicht; sie verstehen alle Unsicherheit. Übrigens müssen wir über ihr Beharren, die Prognose einzuhalten, hinausgehen.

Ich denke, eines der größten Probleme bei den Transportleuten – ich spreche hier von denen auf der supply chain Seite – ist, dass alle ein Budget für ihre Transportkosten, speziell im Truckload-Bereich, haben und keines davon einhalten. Es ist immer irgendeine optimistische Schätzung ihrer Transportausgaben, und sie schaffen es immer, mehr auszugeben – das gehört einfach dazu, wenn man ein supply chain Typ ist, der die Transportressourcen planen muss.

Also, es gibt viele unterhaltsame Probleme. Ich glaube nicht, dass uns jemals die Themen ausgehen werden.

Joannes Vermorel: Ja, und ehrlich gesagt, um auf deinen Fall zurückzukommen, bei dem der menschliche Geist von Natur aus Entscheidungen unter Gewissheit trifft – da stimme ich dir voll und ganz zu. Und ich sehe diese sehr eigentümliche Situation, in der die schwierigsten Diskussionen nicht mit Menschen geführt werden, die in Mathe ungebildet sind, noch mit denen, die am anderen Ende des Spektrums stehen und super in Mathe ausgebildet sind. Genau die Sweet Spots – die komplett Ungebildeten und die Supergebildeten.

Der schwierige Bereich für mich sind die leicht Gebildeten, denn das Kuriose ist, dass es tatsächlich ziemlich schwer ist, einen Computer mit Unsicherheit umgehen zu lassen. Ich stimme voll zu – und was bedeutet das für jemanden, der in dieser Kunst nur wenig bewandert ist? Es heißt: Excel, Microsoft Excel.

Und so besteht das Problem – und das habe ich sehr oft erlebt – darin, dass sie ein bisschen wissen, also Excel kennen, und nun gibt es das Problem, dass sie das Universum nur durch die Linse der einzigen Lösung sehen, die sie sich vorstellen können. So landet man beim Laien, der nichts über Excel weiß und einfach – wie beim Pokerspielen – durch Gewohnheit gut geworden ist. Er hat nicht die Theorien, aber er hat es geschafft, ein Pokerspiel zu spielen und einigermaßen gute Ergebnisse zu erzielen.

Und ebenso verhält es sich bei der Auswahl der richtigen Ladung. Ich bin mir ziemlich sicher, dass du viele Leute finden wirst, die keinerlei Verständnis für Wahrscheinlichkeiten haben, aber durch Erfahrung zu sehr guten Spielern geworden sind. Sie besitzen diese Intuition, obwohl ihnen der formale Ansatz fehlt.

Und dazwischen befinden sich diejenigen, die Excel kennen und sagen: “Okay, ich muss das in Excel umsetzen.” Und Excel ist dafür ein schreckliches Werkzeug, denn Excel befasst sich nicht mit Wahrscheinlichkeiten. Excel ist nicht dafür ausgelegt, irgendetwas im Stil von Monte Carlo zu berechnen – Excel ist das schlechteste Werkzeug dafür. Excel ist großartig, um Buchhaltung zu machen, aber absolut ungeeignet, um mit irgendeiner Art von Unsicherheit umzugehen.

Und so ist meine schwierigste Situation, dass Leute an der Lösung über Excel festhalten. Wenn etwas außerhalb von Excel liegt – sei es, weil es nur ein Bauchgefühl ist, das zutreffender ist als die Excel-Berechnung, oder weil es zu ausgefeilt ist und nicht mehr in die Excel-Berechnung passt – dann gibt es eine starke Ablehnung.

Das ist also sehr interessant, und ich kann mich sehr damit identifizieren. Ich kenne Menschen in diesem mittleren Segment, die sich an Microsoft Excel-Tabellen klammern, und genau dort ist der Kampf groß.

Und ich denke, dass wenn sie sagen, der CEO würde das nicht mögen, ich sehr häufig herausgefunden habe, dass es eine Projektion ihrer eigenen Wahrnehmung des Problems ist. CEOs sind fast immer – sprich: ab einer gewissen Unternehmensgröße – Menschen, die hervorragend darin sind, mit einem enormen Durcheinander umzugehen.

Ich denke, es ist sehr schwer für jemanden, die Position eines CEO in einem Unternehmen – sagen wir ab ein paar Hundert Mitarbeitern – zu erreichen und dabei überhaupt nicht von der Tatsache beeinträchtigt zu werden, dass die Welt total chaotisch ist. Das ist schließlich dein Alltag, in dem dir ständig Unsinn entgegengeworfen wird.

Also, meiner Meinung nach habe ich sehr oft erlebt, dass wenn Leute mir sagen: “Oh, das ist zu kompliziert. Der CEO würde das nicht verstehen oder so”, das eigentlich ihre eigene Angst ist, projiziert darauf, dass der CEO ohnehin kaum Zeit hat, irgendetwas über dieses Unternehmen zu verstehen. Das wird also nur eine von tausend Dingen sein, die diese Person an ihrem eigenen Unternehmen nicht versteht – und es wird nicht das letzte sein. So sehe ich das. Was meinst du?

Warren Powell: Ja, naja, oft kommen CEOs aus einer ganz anderen Liga. Sie konzentrieren sich auf das große Ganze der Finanzen, besonders bei größeren Unternehmen. Die Details dessen, was auf dem operativen Boden passiert, haben sie in ihrer Karriere wahrscheinlich übersprungen.

Ich meine, in den alten Zeiten – übrigens, in meiner Schulzeit – gingen viele, sogar Princeton-Studenten, eventuell für Proctor and Gamble arbeiten, und sie verbrachten sechs Monate auf dem Fabrikboden, nur um dann in die Managementränge aufzusteigen. So waren sie auf einem schnellen Aufstieg, aber man sagte ihnen, sie sollten ganz unten anfangen. Das verschwand in den 1980er Jahren.

In den 1980er Jahren, als ich an Princeton zu unterrichten begann, ging keiner der Princeton-Studenten jemals in ein Unternehmen arbeiten. Der heiße Scheiß war damals, für Unternehmensberatungen zu arbeiten. So sammelten sie praktische Erfahrungen in einem Beratungsunternehmen, machten einen MBA, kehrten zurück, arbeiteten noch ein paar Jahre und wechselten dann in der Regel zu einer hochrangigen Führungsposition in einem Unternehmen. Damit übersprangen sie all diese Details.

Dein Punkt zu Excel: Als ich in der Lkw-Branche gearbeitet habe, traf ich nur Lkw-Fahrer – Entschuldigung, Disponenten und niedere Manager. Es gab kaum jemanden, der auch nur einfache Arbeiten in einer Excel-Tabelle erledigen konnte. Während in der supply chain aber Millionen von ihnen sitzen und ganz simple Aufgaben ausführen.

Schau dir die Bücher an. Während ich mich an einem echten supply chain Programm an der Rutgers beteilige, habe ich all diese Bücher durchgearbeitet – und entweder sind es mathematische Spielereien oder sie vereinfachen alles radikal. Also gibt es nicht nur Leute, die denken, sie könnten alles in einer Excel-Tabelle machen, sondern die Bücher lehren ihnen auch nur das, was in einer Excel-Tabelle möglich ist.

Und so denke ich, dass wir mehr als nur ein Excel-Tabellen-Problem haben. Wir müssen darüber nachdenken, wer diese Probleme lösen und die Werkzeuge anwenden wird. Ich stimme dir voll zu, wenn du sagst: “Was wir brauchen, sind gute Werkzeuge, bei denen unter der Haube alles sehr ausgefeilt ist, die aber trotzdem einfach zu bedienen sind.”

Bei Optimal Dynamics konzentrieren wir uns wirklich darauf, unsere Werkzeuge benutzerfreundlich zu machen. Aber unter der Haube – solange es funktioniert – wollen die Leute wirklich die bestmögliche Lösung. Supply chain – ich habe das Gefühl, wenn ich mal hereinblicke und über die Schultern der Leute schaue und sage: “Da gibt es diese interessante supply chain Welt, aber was passiert, ist, dass ihr…” – ich erinnere mich an eine Statistik: “93% der Leute planen in einer Excel-Tabelle.”

Nun, du bist auf das beschränkt, was du in einer Excel-Tabelle machen kannst. Und wenn du anfängst, über das Durchführen einfacher Simulationen zu sprechen – ich meine, ich kann eine einfache Inventarsimulation in Excel machen – aber lass uns darüber reden, lange Durchlaufzeiten bei mehreren Lieferanten einzuführen –, dann gerät es schnell an die Grenzen einer Excel-Tabelle. Es übersteigt auch die Fähigkeiten derjenigen, die diese Tabelle programmieren und glauben, dass sie das alleine hinbekommen.

Ich habe eine ehemalige Doktorandin – sie ist jetzt unsere Chief Analytics Officer, hyperintelligent – aber sie verbrachte acht Jahre damit, Operations Planning bei Kimberly Clark in Brasilien zu betreiben. Lange Geschichte dahinter, und irgendwann hatte sie mit den üblichen Problemen der Inventarplanung zu kämpfen. Also rief sie ihre ehemaligen Kollegen bei McKenzie, wo sie kurz gearbeitet hatte, zur Hilfe – und rate mal, McKenzie kannte nur das, was in den Lehrbüchern stand. Sie merkte sofort, dass die keine Ahnung hatten, wovon sie sprachen, und setzte sie sofort vor die Tür. Wir lehren nicht einmal den Besten und Klügsten, wie man Probleme löst. Ich spreche nicht davon, seltsame Mathematik zu betreiben, sondern von praktischen Ansätzen, dem Modeling, das absolut nötig ist, um das Problem zu lösen. Das wird nirgendwo gelehrt.

Conor Doherty: Wenn ich darf, wird es irgendwo gelehrt. Schamloser Plug.

Joannes Vermorel: Schamloser Plug. Bei Lokad haben wir begonnen, dies an einem halben Dutzend Universitäten zu lehren, die hauptsächlich rund um Paris liegen. Wir haben auch eine ganze Reihe öffentlicher Workshops für Problemlösungssituationen in der supply chain gestartet, und eine unserer größten Anstrengungen – unsere größte Investition, die wir tätigen müssen – ist die Erstellung von Datensätzen.

Also erstellen und veröffentlichen wir die relevanten Datensätze, und in der Tat war meine eigene Meinung, dass die Erstellung eines vollständig synthetischen Datensatzes einfach zu schwierig ist, sodass wir die bestehenden Kundendaten mit deren Zustimmung vollständig anonymisieren müssen. Wir nehmen echte Daten, machen sie komplett anonym, bewahren die ungewöhnlichen Muster und verpacken sie in relativ kleine, gut organisierte Datensätze, damit die Studenten das Problem angehen können, ohne drei Monate mit chaotischen Daten zu kämpfen. Ich stimme dem voll und ganz zu, und übrigens: Meine beiden Eltern fingen bei Procter & Gamble an, sodass ich dieses Gefühl sehr gut nachvollziehen kann.

Warren Powell: Also unterrichtest du – welchen Typ Studenten unterrichtest du denn in den Schulen rund um Paris?

Joannes Vermorel: Oh, das ist ganz klassisch. Das französische System sieht zwei Jahre Vorbereitung vor, quasi eine nationale Prüfung. Man verbringt zwei Jahre mit nationalen Prüfungen, alle erhalten Ranglisten, und deine Noten werden in der Zeitung veröffentlicht – wenn du schlechte Noten bekommst, steht das in der Zeitung, kein Druck. Dann gibt es die Grandes Écoles, die man als die kleine französische Ivy League betrachten kann. Ich spreche also nur von drei Segmenten: Ingenieursschulen, Wirtschaftsschulen und Verwaltungsschulen. Hier spreche ich nur von den Ingenieursschulen.

Warren Powell: Ingenieurwesen, okay. An Princeton habe ich die Ingenieure unterrichtet. Jetzt, wo ich an Rutgers mitmische, wird es das erste Mal in einer Wirtschaftsschule sein, und man hat mich bereits sanft darauf hingewiesen, dass von allen Kategorien von Studenten in der Wirtschaftsschule diejenigen, die Supply Chain Management wählen, tendenziell am unteren Ende hinsichtlich technischer Fähigkeiten stehen. Die anderen steigen in die Finanzwelt ein, was einen Abwärtseffekt nach sich zieht. Ich habe noch nicht begonnen – ich werde keinen Kurs unterrichten, sondern die Dozenten schulen – aber ich werde von ihnen erwarten, dass sie sagen: “Schau, Warren, damit kommen wir nicht durch.”

Ein Punkt, auf den ich mich konzentriere, ist folgender: “Schau, es gibt einen sehr wichtigen Teil meines Frameworks, der keinerlei Mathematik beinhaltet. Er umfasst die folgenden drei Fragen – und ohne diese drei Fragen kannst du kein Modell bauen.” Selbst wenn du kein Modell bauen willst, solltest du – wenn du ein Problem lösen möchtest – trotzdem die folgenden drei Fragen beantworten: Was sind deine Kennzahlen? Welche Arten von Entscheidungen triffst du? Und welche Arten von Unsicherheiten gibt es?

Auf gut Deutsch formuliert heißt das: Keine Mathematik, aber das sind die Fragen, auf die ich Antworten brauche, wenn ich ein mathematisches Modell bauen will. Also habe ich beschlossen, in die Geschäftswelt zu gehen und nach Kennzahlen zu fragen – jeder kennt Kennzahlen, es gibt Listen und Listen davon. Dann frage ich nach den getroffenen Entscheidungen und sage: “Habt ihr ein kleines rotes Buch mit einer Liste der Entscheidungen, die ihr trefft?” – und man bekommt nur stummes Blinzeln als Antwort.

Also, nach diesem Vortrag, Joannes, beginne ich damit, eine Reihe von Gedanken und Notizen zu entwickeln, die ich mit den anderen Dozenten von Rutgers teilen werde. Es ist ein Google Docs-Dokument, das öffentlich bearbeitet werden kann, und du wirst sehen, wie ich verschiedene Kategorien entwickle. Ich habe gerade mit dem Abschnitt über Entscheidungen begonnen und werde es dir auch schicken, weil ich denke, dass es dir Spaß machen wird. Das ist nicht für ein Buch oder so, das ist einfach nur Geplauder – mein Weg, die Dozenten zu schulen, denn ich kann ihnen nicht vorschreiben, was sie tun sollen. Die Professoren müssen sagen: “Oh, das ist eine gute Idee, das werde ich verwenden.” Wenn sie das nicht tun, fließt die Idee nicht in den Unterricht ein, aber ich muss auf ihr Wissen darüber vertrauen, was die Studenten machen. Es gibt einen Kurs über Operations Analysis, in dem sie sich mit Inventarproblemen befassen. Ich denke, du kannst dir vorstellen, was dort gelehrt wird – es ist eine sehr grundlegende Präsentation, und ich sage: “Entschuldigung, sollten wir ihnen nicht zumindest beibringen, wie man, selbst in einer Excel-Tabelle, ein sehr einfaches Inventarproblem simulieren kann?”

Also, ich schicke dir den Link zum Google Doc. Eines der Dinge, die ich gerne zusammenstellen würde – und das habe ich noch nicht gemacht, ich fange gerade erst an, darüber nachzudenken – aber ich habe mich in meiner ganzen Karriere nicht ausschließlich mit Supply Chain management befasst, ich habe an viel breiteren Problemstellungen gearbeitet. Ich möchte mir eine Liste von Entscheidungen überlegen. Das wird keine kleine Sache sein; Entscheidungen kommen in vielen Varianten und Kategorien, es geht nicht nur um Inventar. Es gibt Finanzen, es gibt informationelle Entscheidungen, und letztlich möchte ich es in eine Tabelle eintragen und dann herumverschicken, um die Leute einzuladen: “Hey, was gehört zu meiner Kategorie oder was sind Beispiele für Entscheidungen?” Denn ich hatte diesen Slogan, der besagt: “Wenn du irgendetwas besser führen willst – nenn es supply chain – musst du bessere Entscheidungen treffen.” Ich habe noch nie jemanden gegenteilig gehört, alle sagen: “Ja, das stimmt.” Wenn du also bessere Entscheidungen treffen willst, was ist dann deine Liste von Entscheidungen?

Also, ich werde mit einem sehr nicht-quantitativen Ansatz beginnen, denn das spricht dein Gefühl an, dass man zuerst modellieren muss, und ich denke, für einen nicht-quantitativen MBA ist das eine gute Herausforderung, weil es ums Beantworten geht und dann natürlich um die Unsicherheiten – ganze Karrieren bauen darauf, Quellen der Unsicherheit für supply chains zu identifizieren – aber ich liebe besonders den Aspekt der Entscheidungen. Sollten wir nicht alle in der Lage sein zu wissen, welche Entscheidungen wir treffen? Ich verstehe, warum man in der Wirtschaft das nicht tut, weil es heißt: “Na ja, das ist das Problem eines anderen, ich bewerte einfach, wie gut er ist.” In der Wirtschaft spricht man eben ausschließlich die Sprache der Metriken, aber sollte es nicht irgendwo ein kleines rotes Buch geben, das die Entscheidungen enthält?

Joannes Vermorel: Ja, ich stimme vollkommen zu, und Entscheidungen sind sehr schwierig, weil große Unternehmen dazu tendieren, Entscheidungen und Entscheidungsprozesse unter workflows und Prozessen zu verbergen. Tatsächlich bemerken sie eine Entscheidung nicht einmal, weil eine Regel angewendet wird, die eigentlich ein Entscheidungsprozess ist. Und es ist schon so allgegenwärtig, dass man es nicht mehr sieht – es steuert einfach das Unternehmen. Es kann eine schlechte Richtlinie sein, sie existiert, sie steuert das Geschäft, sie liefert effektiv potenziell Tausende von Entscheidungen pro Tag, und niemand nimmt es wahr. Sobald sie eine Weile in Kraft ist, hat diese Sache nicht einmal einen Befehl. Es gibt niemanden, der dafür verantwortlich ist, einfach weil es so ist, als ob frische Luft ins Gebäude käme – es passiert einfach, und die Leute wissen nicht einmal genau, warum es so ist, es ist einfach so.

Ich stimme deiner Auffassung von Entscheidungen sehr zu. Es ist schwierig, weil die Leute ein falsches Verständnis von Entscheidungen haben. Sie denken, eine Entscheidung sei etwas, bei dem ein Meeting stattfindet, es Spannungen gibt und ein Chef anwesend ist, der dann nach einer Debatte entscheidet. Das ist eine Art von Entscheidung, aber es gibt viel alltäglichere Entscheidungen, die weitreichendere Konsequenzen haben. Wenn sie so alltäglich sind, dass man sie gar nicht mehr bemerkt, ist das sehr faszinierend.

Warren Powell: Denn, wie du gesagt hast, haben sie bereits die Richtlinie gewählt – sobald du die Richtlinie festlegst, hört es auf, eine Entscheidung zu sein. Und tatsächlich ist nicht die Entscheidung selbst entscheidend, sondern die gewählte Richtlinie.

Nun lass mich noch einen weiteren Einblick geben. Weißt du, ich spreche von den komplizierten Richtlinien in den einfachen Richtlinien. Einen Satz, den ich mir ziemlich sicher in meinem großen Buch merke, lautet: “Der Preis der Einfachheit sind einstellbare Parameter.” Praktisch jede einfache Richtlinie, wie SS-Richtlinien, hat einstellbare Parameter, und das Abstimmen ist schwierig. Dieses Abstimmen ist eine dieser universellen Arten von Entscheidungen. Es ist ein Problem des aktiven Lernens.

Ich halte im Juni einen Vortrag auf einem supply chain analytics Conference Workshop an der Rutgers, und einer der Punkte, denen ich in einem eigenen Abschnitt gewidmet habe, ist, dass es etwas gibt, das absolut jeder – egal in welchem Bereich – verstehen muss. Es gibt eine Klasse von sequentiellen Entscheidungsproblemen, die “Lernen” genannt wird.

Es wird unter vielen Namen geführt. Es kann intelligentes Trial and Error, stochastische Suche oder Multi-Arm Bandit heißen, aber es handelt sich um Lernprobleme. Es ist nichts Physisches. Wenn etwas Physisches involviert ist, werden die Dinge komplizierter, aber es gibt viele Probleme, bei denen es nicht physisch ist – es geht einfach ums Lernen.

Du probierst dies aus, das hat funktioniert oder eben nicht, und du wirst etwas anderes versuchen. Es ist eine sequentielle Entscheidung, aber das Einzige, was du von einem Zeitpunkt zum nächsten mitnimmst, ist das, was du gelernt hast, und dein Vertrauen in das, was am besten funktioniert.

Sequentielles Lernen sollte auf Bachelor-Niveau gelehrt werden – nicht in einem einzigen Kurs, sondern im gesamten Curriculum, so wie Statistik in unterschiedlichen Formen unterrichtet wird. Aktives Lernen sollte jedem vermittelt werden, auch außerhalb der Englisch-Studiengänge.

Es sei denn, du bist ein Student der reinen Geisteswissenschaften – nenne ein Fachgebiet, in dem du nicht irgendeine Form von intelligentem Trial and Error anwenden musst. Das ist ein grundlegend menschlicher Prozess, und es gibt einfache Werkzeuge dafür, sodass du die Leute in Gang bringen kannst.

Es gibt grundlegende Richtlinien, sogenannte UCB-Richtlinien, die du in einer Minute vermitteln kannst. Du sagst einfach: “Schau, du hast diskrete Optionen, hier ist, wie gut ich jede einzeln einschätze, aber hier ist meine Unsicherheit.”

Es gibt eine einfache Übung, die besagt, dass, wenn du dich ausschließlich darauf stützt, wie gut du etwas einschätzt, das ernsthaft suboptimal sein kann. Du möchtest ein wenig höher zielen, du möchtest darauf setzen, wie gut etwas sein könnte. Das ist ein Einblick, den du in einer Minute vermitteln kannst, und doch gibt es Feinheiten, die es viel reichhaltiger machen, und das muss wirklich gelehrt werden.

Joannes Vermorel: Ich stimme sehr zu. Das ist wirklich amüsant, denn aus der Perspektive des maschinellen Lernens war Lokad hauptsächlich im prognostischen Machine Learning tätig.

Die typische Situation war, dass diese simplen Richtlinien mit einstellbaren Parametern in der Praxis nie abgestimmt wurden. Wenn du schließlich die Daten eines Unternehmens in den Händen hältst, wird es kompliziert – aber bei Lokad bekommen wir endlich den Datensatz.

Du wendest deine Lernalgorithmen an und stellst fest, dass es sehr wenig zu lernen gibt, weil das Unternehmen schon so lange mit einem unglaublich starren Autopiloten arbeitet, dass du Milliarden von Dollar oder Euro an Historie haben kannst und dennoch so wenig daraus lernen kannst, weil immer wieder exakt dasselbe ohne jegliche Variation gemacht wurde.

Eine der Herausforderungen, vor denen wir stehen, ist, dass wir häufig, wenn wir lernen wollen, anfangen müssen zu explorieren und ein wenig Rauschen hinzuzufügen. Dieses Rauschen dient ausschließlich dem Lernen.

Du musst sicherstellen, dass es nicht zu teuer wird, aber der Gedanke, von dem abzuweichen, was als optimal gilt – sie haben keine Ahnung, ob es optimal ist, aber es ist sicherlich der Standard, der Status quo, die Praxis – spielt hier eine Rolle.

Von der gewohnten Praxis abzuweichen, um zufällig etwas zu explorieren, das so abstrakt ist wie das Sammeln von Informationen darüber, wie die Landschaft aussieht, wenn du von deinem üblichen Vorgehen abweichst, ist sehr verblüffend.

Nur sehr wenige Menschen, die einen MBA oder Ähnliches gemacht haben, können sich diese Idee von kleinen Abweichungen vorstellen. Wenn du ein großes Unternehmen bist, wird selbst eine kleine Dosis Exploration – wenn du in großem Maßstab operierst – dir über die Zeit hinweg viele Informationen liefern.

In der Fertigung ist Abweichung schlecht. Du möchtest so starr und konsistent wie möglich sein. Aber im aktiven Lernen, wenn du das in der supply chain Welt machst und so starr bist – und diese Richtlinie unverändert bleibt – lernst du kaum etwas.

Das ist ein sehr seltsames Konzept. Mit der Idee des aktiven Lernens vertraut zu werden, dass du deine Abweichungen gezielt auswählen kannst, um maximal informiert zu werden – also nicht einfach etwas Zufälliges zu tun, sondern mit der Absicht, etwas zu lernen – ist entscheidend.

Warren Powell: Die Erkenntnisse, die du gerade formuliert hast, sind so grundlegend wichtig, dass sie in allen möglichen Bereichen gelehrt werden sollten, nicht nur in analytischen Feldern.

Das kann man sowohl auf fortgeschrittenem analytischen Niveau als auch auf grundlegender Ebene vermitteln, je nach den Studenten. Ich verstehe nicht, warum das nicht gelehrt wird.

Ich schreibe gerade einen Artikel für Princeton vor Ort, um zu sagen: “Hey, schau mal, 40 Jahre Princeton – rate mal, welchen Kurs wir nicht unterrichten.” Etwa die Hälfte der Universität ist in Fachbereiche involviert, in denen es irgendeine Möglichkeit gibt, ein Trial and Error-Denken anzuwenden.

Wir könnten noch stundenlang weitermachen.

Conor Doherty: Ich werde wieder einsteigen und einen Kreis schließen. Einer der unverfrorenen Hinweise, nur um das klarzustellen: Wenn du davon sprichst, dass supply chain Studenten lernen, sind die von dir erwähnten Workshops tatsächlich auf unserer Website öffentlich zugänglich.

Was das Erlernen des Codens für supply chain Probleme betrifft, haben wir vollständig kostenlose, öffentlich zugängliche Ressourcen auf unserer Website docs.lokad.com. Dabei handelt es sich um geführte Übungen, die von unseren Supply Chain Scientists entworfen wurden, um die Art von Entscheidungsbäumen nachzuahmen, über die du sprichst.

Wenn du die Performance evaluieren möchtest, beispielsweise bei der Lieferantenanalyse, haben wir ein kostenloses, geführtes Tutorial dafür, in dem du alle Code-Schnipsel siehst, die speziell für diese Art von Problemen entwickelt wurden – im Gegensatz zu einer groben Annäherung in einer Excel-Tabelle.

Warren Powell: Ich weiß, dass Lokad eine eigene Programmiersprache hat. Das fand ich sehr interessant. Ich liebe die Ressourcen, die ihr zur Verfügung stellt. Wir versuchen, etwas in dieser Art für den Lkw-Verkehr zu machen, aber Lkw-Verkehr ist ein ganz anderes Geschäft.

Wir versuchen, sehr lehrreiche Inhalte zu bieten. So etwas würden wir niemals veröffentlichen. Zum einen haben wir nicht diesen einfachen Bit-Code, und außerdem gibt es niemanden in der Truckload-Branche.

Eine Sache, die irgendwie interessant am Truckload-Trucking ist, ist, nun ja, dass wir nicht viel Konkurrenz haben. Es entspricht nicht dem Umfang des Truckload-Geschäfts, das in den Vereinigten Staaten etwa 800 Milliarden Dollar pro Jahr ausmacht. Ich meine, es ist ein großer Markt, aber nur ein winziger Anteil von supply chains.

Supply chain ist ein wahrer Ozean, während Truckload-Trucking eher ein Meer oder so etwas ist. Aber ich werde eure Ressourcen dem Department an der Rutgers zur Kenntnis bringen, weil ich denke, dass das sehr interessant sein könnte.

Ich muss damit umgehen, dass es sich um Wirtschaftsstudierende handelt, die ich zum Lernen bringen muss. Außerdem gibt es dort auch einen Fachbereich für Wirtschaftsingenieurwesen, und ich habe das Gefühl, dass der eher auf Ingenieurniveau angesiedelt ist.

Ich denke tatsächlich, dass diese beiden Fachbereiche zusammenarbeiten sollten, denn dieser erste Schritt – diese drei Fragen zu beantworten – ist wirklich schwierig. Man muss genau wissen, wovon man spricht. Daher braucht man eine gute, kluge, managementberatende Denkweise, um diese Fragen zu beantworten.

Sobald du sie beantwortet hast, benötigst du eine andere Fähigkeit, um sie in Analysen umzusetzen und einen Computer zur Unterstützung zu nutzen. Ich hoffe also, dass an der Rutgers – wo ich Menschen im Wirtschaftsingenieurwesen ganz gut kenne – die Gruppe, die ich nicht so gut kenne, der Fachbereich supply chain management, daran Gefallen findet, was ich sage, und ich werde versuchen, den Vorschlag zu unterbreiten, dass wir sie zusammenbringen.

Conor Doherty: Ich denke, das reicht nun schon eine ganze Weile, und ich habe alle meine Fragen erschöpft. Aber es ist bei Lokad Brauch, dem Gast das letzte Wort zu überlassen. Also, Warren, ich erlaube dir, mit einem Aufruf zum Handeln oder unverfrorenen Hinweisen abzuschließen. Hier stören uns solche Dinge nicht.

Joannes Vermorel: Es gibt einen klaren Aufruf zum Handeln, und zwar: Das Buch zu kaufen. Es ist ein sehr solides, gutes Buch.

Warren Powell: Ich empfehle, dass die Leute nicht mit dem großen Buch beginnen, sondern mit einem Buch, das sie kostenlos herunterladen können.

Tinyurl.com/SDAmodeling, das ist das Buch, das ich für den Bachelor-Kurs geschrieben habe. Es heißt Sequential Decision Analytics and Modeling. Ich arbeite mit einem Verlag zusammen – sie zahlen mir nichts –, aber sie ermöglichen es mir, die PDF kostenlos anzubieten, also die veröffentlichte Version.

Das ist das Buch. Es verwendet einen lehrreichen Ansatz durch Beispiele. Abgesehen von Kapitel eins, das das universelle Framework darstellt und Inventarbeispiele enthält, besteht jedes Kapitel – außer Kapitel 7 – nur aus unterschiedlichen Beispielen, die alle im exakt gleichen Stil geschrieben sind, mit einem Schwerpunkt auf Modellierung.

Also, ich habe meine fünf Elemente: State, decision, information, transition, objective. Ich beginne immer mit einer Erzählung, einer einfachen Erzählung in klarem Englisch, und dann präsentiere ich die fünf Elemente. Anschließend sage ich ein Wort zur Modellierung von Unsicherheit – nicht sehr viel –, und dann sage ich etwas in der Art: “Hier ist eine Möglichkeit, wie wir Entscheidungen treffen könnten.”

Bis ich zu Kapitel 7 gelange, habe ich Beispiele aller vier Klassen von Richtlinien gegeben. Kapitel 7 lautet also: Lassen Sie uns einen Moment innehalten und uns ansehen, was wir gerade getan haben. Die verbleibenden Kapitel, 8 bis 14, sind einfach fortgeschrittenere Beispiele, einschließlich des Beer Game.

Das Beer Game ist meine Gelegenheit, ein Multi-Agent-Problem zu behandeln. Eines meiner Lieblingskapitel in meinem großen Buch ist das letzte Kapitel über Multi-Agent. Ich habe dieses Kapitel geschrieben und gesagt, wenn ich heute meine Karriere von vorne beginnen würde, wäre Multi-Agent so viel Spaß.

Und natürlich ist in der supply chain Welt alles Multi-Agent. Es definiert beinahe das Problem, dass du nicht nur einen Agenten hast. Wie in meiner Arbeit im Trucking – obwohl es verschiedene Manager gibt – verhalten wir uns ungefähr so, als ob das Lkw-Unternehmen ein einziger Agent wäre.

Supply chain, das geht nicht. Es funktioniert einfach nicht. Du musst die Tatsache modellieren, dass du all diese interagierenden Komponenten hast, was die Tür zur Modellierung von wer weiß was öffnet. Jetzt modellierst du also die Organisation von Information und nicht nur die Bestellung von Inventar.

Das ist ein so unglaublich reichhaltiges Gebiet. Ich blicke auf 70 Jahre Lehrbuchliteratur und stelle fest, dass unsere Bücher scheinbar so weit hinter dem zurückliegen, was wirklich nötig wäre, um das Problem zu lösen. Darüber bin ich ein wenig erstaunt. Es ist eine tolle Gelegenheit – ich wünschte, ich wäre ein paar Jahrzehnte jünger.

Es ist also großartig, dass ihr diese TV-Serie macht. Ich werde das definitiv bewerben. Ich würde diesen Link sicherlich herumverschicken, aber ich werde auch die Leute auf eure Website hinweisen, weil ich euren akademischen Stil liebe.

Optimal Dynamics ist ein großartiges Unternehmen. Ich kann nicht allzu viel unverfrorenes Eigenlob machen, weil es sich wirklich auf truckload carriers konzentriert, aber ich werde Lokad das unverfrorene Lob zukommen lassen. Ich mag euren Stil. Ich spreche über euch, weil es zeigt, dass ihr eine sehr akademische Sichtweise habt.

Ich liebe es, wie ihr gerne teilt. Akademiker teilen gerne. Ja, wir würden zwar gerne etwas Geld verdienen, aber wir können nicht anders, als unsere Ideen zu teilen und sehr stolz darauf zu sein, so wie ihr es auch sein solltet. Ich schätze das, weil ich eure Website sorgfältig durchgesehen habe und es mir hilft, Dinge zu lernen und euren Stil zu übernehmen.

Conor Doherty: Vielen Dank. Ich habe keine weiteren Fragen. Joannes, ich möchte mich sehr für deine Zeit bedanken, Warren – danke auch dir. Und vielen Dank an alle fürs Zuschauen. Wir sehen uns beim nächsten Mal.