00:00:00 Eröffnungsworte von Robert Fildes
00:01:08 Conor Doherty stellt das Panel und das Thema vor
00:03:11 Nicolas Vandeputs Perspektive
00:06:16 Sven Crones Präsentation
00:10:34 Alexey Tikhonovs Perspektive
00:15:01 Notwendigkeit der Automatisierung bei Entscheidungsfindung
00:20:13 Informationsaustausch zwischen Menschen ist Zeitverschwendung
00:25:29 Perspektive zur menschlichen Intervention
00:30:23 Bewertung einer Prognose
00:35:18 Finanzielle Perspektive und Entscheidungsfindung
00:40:14 Kosten von Prognosefehlern
00:45:43 Automatisierung und Vertrauen
00:50:27 Augmented AI und ihre Anwendungen
00:55:03 Auswirkungen von KI auf menschliche Übersetzer
01:00:16 Bedeutung einer klaren Vision bei der Implementierung von KI
01:06:00 Schlussgedanken und Zukunft der Nachfrageplaner
01:11:50 Frage aus dem Publikum: Prognosen für Krankenhäuser
01:15:38 Frage aus dem Publikum: Modell und Reduzierung von menschlichen Vorurteilen
Hintergrund des Panels
Das Panel wurde erstmals von Robert Fildes (Professor Emeritus an der Lancaster University) als Reaktion auf Conors Artikel zur Kritik an FVA vorgeschlagen. Dieser Artikel wurde in der Ausgabe Q2 2024 von Foresight (herausgegeben vom International Institute of Forecasters, derselben Organisation, die das Symposium veranstaltet) veröffentlicht. Das Panel wurde anschließend erweitert, um eine ausgewogenere Auswahl an Perspektiven aus Wissenschaft und Industrie zu bieten, und umfasste Sven Crone, Nicolas Vandeput und Alexey Tikhonov.
Zusammenfassung der Podiumsdiskussion
Aufgenommen im Juli 2024 auf dem 44. Internationalen Symposium für Prognosen in Dijon diskutierten vier Redner über “Nachfrageplanung und die Rolle des Urteilsvermögens in der neuen Welt der KI/ML”. Moderiert von Conor Doherty, dem Leiter der Kommunikation bei Lokad, umfasste das Panel Alexey Tikhonov (Lokad), Sven Crone (Lancaster University & iqast) und Nicolas Vandeput (SupChains). Die Diskussion drehte sich um die Integration von KI in die Nachfrageplanung, den Wert von Prognosen bei der Entscheidungsfindung und die Zukunft der Nachfrageplaner. Die Panelisten teilten unterschiedliche Ansichten über die Rolle des menschlichen Urteilsvermögens in der Nachfrageplanung, das Potenzial von KI, Nachfrageplaner zu ersetzen, und die Bedeutung von Genauigkeit bei Prognosen.
Ausführliche Zusammenfassung
Das 44. Internationale Symposium für Prognosen in Dijon, Frankreich, veranstaltet vom International Institute of Forecasters, beinhaltete eine Podiumsdiskussion über “Nachfrageplanung und die Rolle des Urteilsvermögens in der neuen Welt der KI/ML”. Die Diskussion wurde von Conor Doherty von Lokad moderiert und die Panelisten waren Alexey Tikhonov von Lokad, Sven Crone von iqast und Nicolas Vandeput von SupChains. Die Sitzung wurde von Robert Fildes, Professor Emeritus an der Lancaster University, eingeleitet.
Die Diskussion begann mit Nicolas Vandeput, der seine Vision für die Nachfrageplanung im Zeitalter des Maschinenlernens skizzierte. Er schlug einen vierstufigen Prozess vor, der die Nachfrageprognose als ein Informationspiel betrachtet, eine automatisierte Maschinenlern-Nachfrageprognose-Engine erstellt, menschlichen Nachfrageplanern ermöglicht, die Prognose mit Informationen anzureichern, die nicht im Modell enthalten sind, und den Mehrwert aller Beteiligten am Prozess zu verfolgen.
Sven Crone teilte seine Erfahrungen im Bereich KI und Prognosen mit und wies auf die langsame Akzeptanz von KI in der Nachfrageplanung hin. Er diskutierte die Komplexität der Integration von KI in Nachfrageplanungsprozesse und schlug vor, dass KI in Zukunft möglicherweise Nachfrageplaner ersetzen könnte. Er betonte jedoch auch die Heterogenität der Prognosen, wobei verschiedene Branchen unterschiedliche Ansätze erfordern.
Alexey Tikhonov argumentierte, dass die Nachfrageplanung ein veraltetes Konzept ist und dass prognostische Eingriffe auf Urteilsvermögen verschwenderisch sind. Er plädierte für probabilistische Prognosen, die das strukturelle Risikomuster erfassen, und kritisierte die Nachfrageplanung für ihren Mangel an wirtschaftlicher Perspektive und Automatisierung. Er argumentierte auch für eine vollständige Automatisierung des Entscheidungsprozesses in Lieferketten und betonte, dass die Komplexität und der Umfang der in Lieferketten erforderlichen Entscheidungen dies notwendig machen.
Die Panelisten diskutierten auch den Wert von Prognosen für Entscheidungsfindung. Nicolas Vandeput betonte, dass Prognosen erstellt werden, um Entscheidungsfindung zu erleichtern, und plädierte für Modelle, die so viele Informationen wie möglich verarbeiten können. Er schlug auch vor, dass er bei der Bewertung einer Prognose den Schwerpunkt auf die Prognosegenauigkeit legen würde, anstatt auf Geschäftsergebnisse, da letztere von vielen anderen Faktoren beeinflusst werden können, die außerhalb der Kontrolle des Prognostikers liegen.
Sven Crone diskutierte die industrielle Perspektive der Nachfrageplanung und betonte die Bedeutung langfristiger strategischer Entscheidungen und szenariobasierter Planung. Er hob auch die Herausforderungen bei der Messung des Mehrwerts hervor und die Bedeutung des Urteils im Prozess.
Alexey Tikhonov hinterfragte den Wert einer genaueren Prognose, wenn sie nicht zu einer anderen Entscheidung führt. Er argumentierte, dass der Wert einer Entscheidung nicht allein von der Prognose abhängt, sondern auch von anderen Faktoren wie Entscheidungstreibern.
Die Panelisten diskutierten auch das Vertrauen in Prognosen, wobei Nicolas Vandeput vorschlug, dass der einzige Weg, Vertrauen in eine Prognose aufzubauen, unabhängig davon, ob sie von einem Menschen oder einer Maschine generiert wird, darin besteht, die Genauigkeit jedes einzelnen Schritts im Prozess zu verfolgen. Sven Crone stimmte zu, dass Vertrauen wichtig ist, und schlug vor, dass eine Kombination aus KI und einfachen, transparenten Methoden verwendet werden könnte, um Teile des Prozesses zu automatisieren.
Die Panelisten diskutierten auch die Zukunft der Nachfrageplaner. Sven Crone glaubt, dass Nachfrageplaner auch in Zukunft eine Rolle spielen werden, aber sie werden zunehmend mit Herausforderungen konfrontiert sein, aufgrund der zunehmenden Häufigkeit von Entscheidungen und der wachsenden Menge an verfügbaren Daten. Nicolas Vandeput sieht die Rolle der Nachfrageplaner darin, Daten und Informationen zu sammeln, zu strukturieren und zu bereinigen. Alexey Tikhonov glaubt, dass Nachfrageplaner langfristig nicht mit intelligenten Systemen konkurrieren können.
Die Diskussion endete mit einer Fragerunde, in der die Panelisten Fragen aus dem Publikum zu Themen wie den Bedingungen oder Anforderungen für die automatische Entscheidungsfindung in der Nachfrageplanung, der Rolle des Urteils in der Nachfrageplanung und der Integration von menschlichem Urteilsvermögen in den statistischen Bias zur Reduzierung des Gesamtbias beantworteten.
Vollständiges Transkript
Robert Fildes: Ich bin Robert Fildes und ich leite diese beiden Sitzungen ein. Aus logistischen Gründen wurden sie vertauscht und wir werden uns in den nächsten Stunden mit der veränderten Rolle der Nachfrageplaner und der möglichen Veränderung ihrer Rolle durch die Entwicklungen in KI und maschinellem Lernen befassen. Die Panelisten werden in Kürze ihre weisen Worte verkünden. Die Sitzung von Paul Goodwin und mir, in der wir über viele empirische Beweise zur Rolle des Urteils sprechen, findet heute Nachmittag um 15:10 Uhr statt. Sie ist sowieso im Programm enthalten. Ja, Urteilsanpassung, darüber werden wir sprechen, aber nicht in diesem Raum, sondern in einem anderen Raum. Ich freue mich darauf, Sie dann zu sehen, und ich freue mich auf eine anregende und möglichst kontroverse Diskussion und übergebe an den Vorsitzenden, Conor.
Conor Doherty: Nun, vielen Dank Robert. Hallo zusammen, ich bin Conor, Leiter der Kommunikation bei Lokad, und ich freue mich sehr, auf der Bühne von einem illustren Panel aus Wissenschaft und Industrie begleitet zu werden. Direkt links von mir ist Alexey Tikhonov, Geschäfts- und Produktentwickler bei Lokad. Links von ihm ist Dr. Sven Crone von der Lancaster University, CEO und Gründer von iqast, und last but not least Nicolas Vandeput von SubChains. Das Thema der heutigen Diskussion, wie Sie hoffentlich auf dem Bildschirm sehen können, ist die Nachfrageplanung und die Rolle des Urteils in der neuen Welt von KI und maschinellem Lernen.
Ich bin ziemlich zuversichtlich, dass es bei den beteiligten Personen auf der Bühne einen lebhaften Ideenaustausch geben wird, und ich denke, dass Fortschritte in der Technologie in der Regel Fragen aufwerfen, wie sich diese Fortschritte auf die menschliche Beteiligung auswirken werden. Ich freue mich also sehr darauf, unsere drei Panelisten darüber diskutieren zu hören. Bevor ich jedoch darauf eingehe, ist Zeit heute ein knappes Gut, daher ein wenig Verwaltungsaufwand. Jeder Panelist hat 5 Minuten Zeit, um seine Perspektive zum Thema darzulegen. Zuerst wird Nicolas sprechen, dann Sven und schließlich Alex.
Danach werde ich einige Fragen stellen, um einige Details und Auswirkungen ihrer Perspektiven zu ergründen, und je nachdem, wie das läuft, hoffentlich auch einige Fragen aus dem Publikum. Was ich sagen möchte ist, bitte haben Sie, wenn möglich, schon einige Ideen, bevor das Mikrofon übergeben wird, anstatt einen Monolog gefolgt von einem Fragezeichen zu halten. Aber damit übergebe ich zuerst an Nicolas, bitte, Ihre Perspektive zum Thema.
Nicolas Vandeput: Vielen Dank, Conor. Hallo zusammen. Großartig, ich habe die Folien. Lassen Sie mich Ihnen die Vision vorstellen, die ich für Exzellenz in der Nachfrageplanung im Zeitalter des maschinellen Lernens habe und wie Sie maschinelles Lernen zusammen mit menschlicher Bereicherung in die Prognose der Nachfrage in der Supply Chain integrieren können. Auf der Folie sehen Sie vier Schritte. Lassen Sie mich das erklären.
Das erste Hauptanliegen für mich ist es, die Nachfrageprognose als ein Informationspiel zu betrachten. Was Sie also tun möchten, bedeutet, dass Sie so viele Daten, Informationen, Erkenntnisse, wie auch immer Sie es nennen möchten, über die zukünftige Nachfrage sammeln möchten. Das könnte Ihr Werbekalender sein, wie viel Werbung Sie machen werden, Verkaufsdaten, Bestände bei Ihren Kunden, Bestellungen, die Sie bereits im Voraus von Ihren Kunden erhalten haben, all das. Das kann in einigen Branchen unterschiedlich sein, das ist völlig in Ordnung, aber im Grunde genommen geht es darum, im ersten Schritt Informationen darüber zu finden, was in Zukunft ansteht. Sie sind ein Journalist, ein Reporter, ein Detektiv, gehen Sie und finden Sie diese Informationen.
Sobald wir all diese Informationen haben, müssen strukturierte Daten an das maschinelle Lernen weitergegeben werden, und Sie möchten eine maschinelle Lernnachfrageprognose-Engine erstellen, die automatisiert und fehlerfrei ist. Mit automatisiert meine ich, dass es ein Werkzeug ist, eine Engine, die keine manuellen Änderungen, Überprüfungen oder Feinabstimmungen durch Menschen erfordert. Es wird von einem Data-Science-Team oder automatisch durchgeführt, also vollständig automatisiert. Fehlerfrei bedeutet, dass Ihre maschinelle Lernengine auf die meisten Ihrer Geschäftstreiber reagieren muss, nämlich Promotion, Preise, Fehlbestände, möglicherweise Werbung, möglicherweise das Wetter, Feiertage und so weiter. Sie ist also gegenüber den meisten Geschäftstreibern fehlerfrei und vollständig automatisiert, Sie müssen sie nicht anfassen oder überprüfen.
Sobald Sie dies haben, können Menschen, wie Nachfrageplaner, die Prognose immer noch auf der Grundlage von Informationen bereichern, die in diesem Modell nicht enthalten sind. Nehmen wir zum Beispiel an, sie rufen Ihren Kunden an und der Kunde sagt: “Nun, es ist wirklich eine schwierige Zeit, ich werde diesen Monat nicht bestellen.” Der Kunde wird das maschinelle Lernmodell nicht anrufen, das maschinelle Lernmodell ist sich dessen nicht bewusst. Der Planer ist es. Der Planer sollte die Prognose überprüfen und bearbeiten, weil er etwas weiß, von dem das Modell nichts weiß.
Letzter Schritt, hinzugefügter Prognosewert. Dies ist ein absolut entscheidender Schritt. Ich würde sogar damit anfangen. Es bedeutet, dass wir den Mehrwert aller Beteiligten im Prozess verfolgen müssen. Wir müssen die Prognosegenauigkeit vor und nach der Bereicherung verfolgen, um sicherzustellen, dass die Bereicherung im Laufe der Zeit einen Mehrwert schafft. Natürlich kann jeder zu bestimmten Zeiten Glück oder Pech haben, das ist völlig in Ordnung. Nicht jede einzelne Bereicherung wird einen Mehrwert schaffen, aber was wir im Laufe der Zeit beweisen und zeigen wollen, ist, dass diese Bereicherungen im Durchschnitt einen Mehrwert schaffen. Es lohnt sich also unsere Zeit. Nun, das war meine Vision in vier Schritten, wie man maschinelles Lernen und Nachfrageplaner integriert.
Conor Doherty: Nun, vielen Dank, Nicolas. Jetzt übergebe ich an Sven.
Sven Crone: Danke. Ja, danke. Ich bin Sven Crone von der Lancaster University, Assistenzprofessor dort mit wahrscheinlich fast zwei Jahrzehnten Forschung in KI und Prognosen. Ich bin also völlig voreingenommen gegenüber KI, das muss ich vorweg sagen. Ich habe versucht, KI seit vielen, vielen Jahren in der Prognosearbeit einzusetzen. Damit Sie sich über die grundlegende Voreingenommenheit im Klaren sind. Gleichzeitig haben wir ein kleines Unternehmen gegründet, in dem wir großen multinationalen Unternehmen geholfen haben, neue Technologien zu nutzen, und wenn ich auf diese Jahrzehnte zurückblicke, ist es extrem schwierig. Ich denke, wir müssen heute hoffentlich auf dem Podium einige Elefanten im Raum ansprechen.
Obwohl die Vision seit vielen Jahren besteht, dass wir Statistiken durch KI ersetzen können, können wir das durch Statistiken ersetzen. Tatsächlich waren wir bei der Betrachtung der Nachfrageplanungsprozesse nicht besonders transformierend, denke ich. Das ist meine grundlegende Voreingenommenheit. Wenn wir uns das anschauen, kann ich einige Erfahrungen teilen, dass wir viele Nachfrageplaner darin geschult haben, einige der exponentiellen Glättungsalgorithmen und ARIMA-Algorithmen dort zu schätzen. Ich kann Ihnen sagen, dass das keine angenehme Übung ist. Sie sind langsam, um sich an einige davon anzupassen. Es ist eine angenehme Übung mit der Nachfrage, aber es ist sehr schwer, sie dazu zu bringen, einige der einfacheren Technologien zu akzeptieren. Ich denke, wir werden später ein wenig darüber sprechen, was passiert, wenn diese Technologie noch fortschrittlicher wird und die Menschen damit interagieren müssen.
Aber der aktuelle Stand, vor etwa 10 Jahren, war die Verwendung von KI sehr begrenzt, obwohl neuronale Netze seit gut 60 Jahren existieren und sicherlich auf einige der frühen Innovationen, insbesondere der 1980er Jahre, zurückgehen. Die Akzeptanz war jedoch vergleichsweise langsam. In den letzten zwei oder drei Jahren führen wir regelmäßig Umfragen auf Praktikerkonferenzen durch. Wir haben gerade auf einer Praktikerkonferenz, der ASM, in Brüssel gesprochen und eine Umfrage im Publikum durchgeführt. Wir haben gefragt, wie viele Menschen tatsächlich live mit einem Proof of Concept in KI und ML sind, und etwa 50% des Publikums waren dabei. Das ist im Vergleich zu 5 bis 10% vor 10 Jahren gestiegen. Jetzt machen 50% einen Proof of Concept. Sie sind noch nicht in Produktion, aber einige sind bereits in Produktion und wir haben hier bereits einige großartige Unternehmen gesehen, die dies ausprobieren. Also keine Ängste im Publikum und ein paar andere, also wirklich interessante Fallstudien. Aber was auch auffällt, ist, dass genauso viele Projekte scheitern wie erfolgreich sind.
Also hatten wir einen großen Teil im Publikum, in dem KI-Projekte nicht erfolgreich waren, und ich denke, es ist genau diese Schnittstelle zwischen der Einbettung einer Technologie in einen Nachfrageplanungsprozess, der viel mehr ist als nur der Prognoseschritt. Wenn wir uns die Industrie ansehen, müssen wir uns mit dem Management von Stammdaten, der Datenbereinigung, der Priorisierung, den Fehlermetriken, der Durchführung eines statistischen Modells, der potenziellen Analyse von Fehlern, der Identifizierung von Warnungen und der Anpassung daran befassen. Und übrigens, selbst wenn Sie einen vollständig ausgereiften statistischen Baseline-Prognoseprozess haben, den die Mehrheit der Unternehmen auch heute noch nicht hat, hat Gartner eine schöne Reifegradlandschaft der verschiedenen Stufen der S&OP-Reife.
Nur sehr wenige Unternehmen befinden sich auf Stufe vier, die meisten von ihnen befinden sich zwischen eins, zwei und drei. Selbst wenn Sie einen statistischen Prozess haben, wie Sie die Zeitreihen-Historie bereinigen, ob automatisch oder manuell, das ist eine subjektive Entscheidung. Die Wahl des Algorithmus ist eine Entscheidung. Die Wahl der Metaparameter, nach denen gesucht werden soll, ist eine subjektive Entscheidung. Es gibt also viel subjektive Entscheidung, aber ich denke, traditionell denken wir über die subjektive Anpassung einer statistischen Baseline-Prognose nach, die verstanden wird oder nicht. Und vielleicht, um in die Zukunft zu schauen, habe ich nicht viel Bewegung oder Innovation gesehen, wenn es darum geht, den S&OP-Prozess zu innovieren, wie er von O.W. entworfen wurde, und ich sehe, dass Führungskräfte ernsthaft unzufrieden sind mit dem mangelnden Fortschritt, dem wahrgenommenen mangelnden Fortschritt, obwohl es oft Fortschritte bei der Entwicklung der Prozesse gibt.
Aber ich denke, es gab einen CEO von Unilever, der sagte, wir müssen die Nachfrageplanung loswerden, sie funktioniert nicht in COVID-Zeiten. Es stehen echte Herausforderungen für Nachfrageplaner bevor, um ihre Jobs zu behalten, es sei denn, sie nutzen KI, und ich denke, es gibt ein realistisches Szenario, dass KI, wie Sie gesagt haben, wenn es Ihnen gelingt, all dies zu tun, in der Lage sein wird, Nachfrageplaner sogar in den subjektiven Anpassungsschritten zu ersetzen. Aber wir sind noch nicht so weit. Ich freue mich darauf, Ihre Meinungen zu hören.
Conor Doherty: Nun, vielen Dank, Sven. Alexey, Ihre Gedanken bitte.
Alexey Tikhonov: Vielen Dank. Mein Vorschlag wird radikal anders sein. Ich denke, wir müssen zuerst den Rahmen erweitern, weil die Nachfrageplanung in der Supply Chain existiert und das Ziel der Supply Chain darin besteht, Entscheidungen unter Unsicherheit zu treffen, profitabel Entscheidungen unter Unsicherheit zu treffen, unter Berücksichtigung von Einschränkungen. Was dieses Ziel betrifft, ist meine Meinung, dass die Nachfrageplanung ein veraltetes Konzept ist und subjektive Prognoseeingriffe verschwenderisch sind, selbst wenn sie dazu beitragen, die Prognosegenauigkeit geringfügig zu verbessern. Warum ist das so?
Die Nachfrageplanung ist ein veraltetes Konzept, weil sie davon ausgeht, dass wir die Prognose und die Entscheidungsfindung trennen müssen. Diese Trennung führt zwangsläufig zur Wahl einfacher Werkzeuge, weil wir eine menschliche Schnittstelle einführen. Wir müssen Informationen auf sehr einfache Weise vermitteln und wir wählen Punktprognosen, weil jeder Punktprognosen verstehen kann. Die Berechnung von Genauigkeitsmetriken ist einfach, so dass wir über diese Punkte diskutieren können, wir können sie nach oben oder unten anpassen. Aber leider verhindert uns diese Wahl der Werkzeuge, profitabel Entscheidungen zu treffen.
Um eine profitable Entscheidung zu treffen, müssen wir finanzielle Risiken und finanzielle Erträge bewerten. Das können wir nur tun, wenn wir das strukturelle Muster des Risikos erfassen. Es gibt nur ein Werkzeug, soweit ich weiß, das das tut. Es heißt probabilistische Prognose, bei der Sie anstelle von einzelnen Punktprognosen eine fundierte Meinung darüber haben, wie alle möglichen Zukunftsszenarien aussehen, welche Wahrscheinlichkeiten es für verschiedene Zukunftsszenarien gibt.
Ich spreche nicht nur von der Nachfrage. Es gibt auch andere Unsicherheiten, zum Beispiel Unsicherheiten bei der Durchlaufzeit, die berücksichtigt werden müssen. Dies ist besonders relevant, wenn Sie es mit Waren zu tun haben, die aus Übersee verschickt werden. Dann können Sie Unsicherheiten bei der Ausbeute haben, wenn Sie es mit der Produktion von Lebensmitteln zu tun haben. Sie können Unsicherheiten bei Rücksendungen haben, wenn Sie es mit E-Commerce zu tun haben. Es gibt also mehrere Quellen von Unsicherheit und Sie benötigen spezielle Werkzeuge, die als probabilistische Modellierung bezeichnet werden, um all diese Unsicherheiten zu kombinieren und Entscheidungen in späteren Phasen abzuleiten.
Die Nachfrageplanung bietet uns nur eine Version der Zukunft, nämlich eine Punktprognose, die wahrscheinlichste Szenario. Aber wir interessieren uns für die Ränder dieser Verteilung, weil die Risiken an den beiden Extremen konzentriert sind. Dann führt uns die Perspektive der Nachfrageplanung zwangsläufig dazu, nur eine Entscheidungsoption in Betracht zu ziehen. Sie haben eine Punktprognose, Sie wenden entweder eine Sicherheitsbestandsformel oder eine einfache Bestellpolitik an, Sie leiten eine Entscheidung ab. Aber ist diese Entscheidung profitabel? Was ist, wenn ich sie nach oben oder unten ändere? Wie ändert sich meine erwartete Rentabilität? Das kann ich nicht tun, weil meine Prognosen Punktprognosen sind. Ich gebe keine Wahrscheinlichkeiten für diese Szenarien an.
Das dritte Problem bei der Nachfrageplanung ist, dass die wirtschaftliche Perspektive vollständig fehlt. Wir sprechen über Prognosegenauigkeit in Prozent oder wenn wir verschiedene Metriken verwenden, die sich mit Genauigkeit in Einheiten befassen, fehlt uns die finanzielle Perspektive. Was wir also brauchen, ist eine Schätzung der erwarteten Kosten, der erwarteten Belohnungen und wir müssen auch sekundäre Treiber schätzen, wie wir Inventarentscheidungen für verschiedene Produkte vergleichen. Jeder Einzelhändler weiß zum Beispiel, dass es viel wichtiger ist, Windeln auf Lager zu haben als Premium-Schokolade, denn wenn Sie das erste Produkt nicht haben, werden Ihre Kunden enttäuscht sein, Sie werden die Kundentreue verlieren.
Die Nachfrageplanung hindert uns an einer umfassenden Automatisierung. Was werden wir automatisieren? Wir werden die Produktion der Endspielentscheidungen automatisieren, nicht nur die Prognose. Wir müssen die gesamte Pipeline automatisieren. Wir müssen unsere rohen Transaktionsdaten in umsetzbare Entscheidungen umwandeln, die bereits alle Entscheidungsbeschränkungen wie Mindestbestellmengen (MOQs) und andere Entscheidungstreiber wie Preisstaffeln berücksichtigen.
Und zu guter Letzt muss es eine Verantwortlichkeit geben. Derzeit gibt es keine Verantwortung für die Endspielentscheidungen, weil wir diesen Übergangsprozess haben, bei dem die Prognose an ein anderes Team geht und dann leiten sie die Entscheidung ab und dann gibt es ein Schuldspiel. “Oh, wir haben diese Entscheidung getroffen, weil Ihre Prognose ungenau war oder es gab eine subjektive Erhöhung der Prognose und das hat uns zu einer falschen Entscheidung geführt.”
Zusammenfassend ist die Perspektive der Nachfrageplanung veraltet und wir haben etwas Besseres. Danke.
Conor Doherty: Nun, wir werden uns heute einig sein, aber nicht in allem. Kann ich darauf antworten, weil ich in einigen Punkten voll und ganz zustimme. Ich denke, du hast Punkt- gegen Intervall- oder Wahrscheinlichkeitsverteilungsprognosen erwähnt, da stimme ich zu. Aber es gibt viele Softwarepakete, die das seit vielen Jahren tun, aber die Praktiker ignorieren es. Aber ich denke, wir alle verstehen den Wert der Kommunikation nicht nur des Nachfragewerts, sondern auch des damit verbundenen Risikos.
SAS macht das schon lange, Forecast Pro macht das und sogar Forecast X macht das, aber es wird weitgehend ignoriert. Warum wird es ignoriert? Vielleicht sollten wir darüber sprechen, warum Nachfrageplaner Intervallprognosen nicht verstehen. Das wäre interessant. Das andere, was du erwähnt hast und was ich auch für einen guten Punkt halte, ist, dass es oft eine Diskrepanz zwischen der Nachfrageplanung und der Bestandsplanung, der Netzwerkplanung und der Produktionsplanung gibt, was es sinnvoll machen würde, eine ganzheitliche Lösung abzuleiten.
Aber wenn wir über große multinationale Unternehmen nachdenken, denke ich, dass die Prozesse so festgelegt sind, dass Sie tatsächlich Entscheidungen über Zehntausende von Mitarbeitern treffen würden, die alle eingreifen und ihr Wissen nicht frei teilen. Und das dritte, ich denke, wir müssen darüber nachdenken, was wir als das betrachten. Ich denke, wir haben alle unterschiedliche Hintergründe in der Betrachtung der Nachfrageplanung. Ich komme aus der Industrie, multinationale Unternehmen, vielleicht multinationale Transportunternehmen, schnelllebige Konsumgüter, Pharma. Sie haben wahrscheinlich eher eine Einzelhandelsvision und -hintergrund, wo diese Dinge zusammengefasst werden können.
Aber was wir sehen, es gibt sehr schöne Bücher von Charlie Chase von SAS. Ich glaube, er hat über nachfragegesteuerte Bestandsplanung geschrieben. Es geht um die Abstimmung von Angebot und Nachfrage. Es ist ein Prozess, um Informationen auszutauschen und Erwartungen und Risikomanagement zu teilen, genau das Risikomanagement über einen langfristigen Horizont in S&OP, der grob 6 bis 18 Monate vorausschaut. S&OE betrachtet einen Zeitraum von einem bis vier Monaten und es ist dieser Informationsaustausch, der auch unbezahlbar sein kann, unabhängig davon, wie die endgültige Einzelprognose aussieht.
Also ich bin nicht anderer Meinung, dass wir in Bezug auf die Integration von Entscheidungsfindung noch einen langen Weg vor uns haben. Aber ich denke, die Nachfrageplanung erfüllt mehr als einen Zweck. Aber ich denke, im Interesse der Dinge, schauen wir uns heute die Automatisierung an. Vielleicht wird KI im Zusammenhang mit Automatisierung verwendet und wir schauen hauptsächlich auf Genauigkeit. Aber sehr wenige Menschen betrachten tatsächlich den Informationsaustausch. Es gibt ein paar interessante Arbeiten zur Robustheit von Prognosen. Was passiert, wenn Sie Ihre Prognose ständig mit einem sehr reaktiven maschinellen Lernmodell ändern und die Produktionsplanung verrückt wird, weil sie es über die Vorlaufzeit aufsummieren und Sie Überbestände oder Unterbestände einführen.
Also denke ich, wenn wir uns vielleicht auf den Prozess der Nachfrageplanung und den Beitrag der Prognose zur Nachfrageplanung konzentrieren können, denn das andere Zeug ist Bestandsplanung und Netzwerkplanung, Produktionsplanung. Aber das wird unsere Diskussion schwieriger machen. Aber ich stimme Ihnen voll und ganz zu, dass das wichtig wäre.
Alexey Tikhonov: Vielleicht mit einem kurzen Kommentar. Ja, meine Meinung war nicht, dass wir besseren Informationsaustausch, eine bessere Prognose brauchen. Meine Meinung ist, dass wir den Entscheidungsprozess vollständig automatisieren müssen. Wir sollten Supply-Chain-Praktiker nicht in den Prognoseprozess einbeziehen, weil Supply Chains immens komplex sind. Wir sprechen von Unternehmen wie, selbst wenn Sie mittelgroße Unternehmen mit einem Umsatz von 100 Millionen nehmen, im Einzelhandel haben sie Zehntausende von SKUs, Hunderte von Geschäften. Sie multiplizieren eins mit dem anderen und für jeden SKU-Standort müssen Sie täglich eine Entscheidung treffen.
Selbst wenn Sie vordefinierte Entscheidungszyklen haben, wie z.B. “Ich treffe diese Entscheidung einmal pro Woche”, sollten Sie diese Entscheidungen besser täglich neu berechnen. Warum? Weil die menschliche Bandbreite begrenzt ist. Sie benötigen einen Computer, der überprüft, ob es einen Nachfrageanstieg gibt, den ich vor meinem üblichen Entscheidungszyklus kennen sollte, weil ich erwarte, dass die Nachfrage gleichmäßiger ist. Sie müssen diese Entscheidungen also täglich neu berechnen, obwohl der Großteil dieser Entscheidungen triviale Entscheidungen sein wird, nämlich “wir kaufen heute nicht ein”.
Die menschliche Bandbreite ist sehr begrenzt und wenn wir über den Informationsaustausch zwischen Menschen sprechen, verschwenden wir Zeit. Wir müssen so viel wie möglich automatisieren. Wir müssen kapitalistisch sein. Wir müssen Vermögenswerte aufbauen, Entscheidungsroboter. Nur so können wir Rentabilität aus Supply Chains erzielen.
Nicolas Vandeput: Könnten Sie bitte für einen Moment zu meiner Folie zurückkehren? Ich möchte das strukturieren. Also ich werde mit meinem Rahmen beginnen und von dort aus die Diskussion weiterführen. Ich denke, wir sind uns alle einig, dass wir nur Prognosen erstellen, weil wir gute Entscheidungen treffen wollen. Und wir würden sagen, nun ja, vielleicht wäre diese Art von Prognose besser, diese Art von Prognose, diese Granularität, dieser Horizont, Punktprognose und so weiter. Aber wir sind uns alle einig, dass wir Prognosen erstellen, weil wir irgendwann eine Entscheidung treffen müssen.
Warum sind wir alle so geneigt zur Automatisierung? Weil wir so viele Prognosen und Entscheidungen im großen Maßstab treffen müssen und keine Variabilität wollen. Wenn Sie einen Menschen haben, haben Sie ein Problem mit der Variabilität. Sie haben ein Problem, dass so viele Prognosen und Entscheidungen getroffen werden müssen usw. Nun, so sehe ich Prognosen, es geht nur darum, wie viel Informationen Sie verarbeiten können und wie gut Sie darin sind, diese Informationen zu verarbeiten. Also möchte ich ein Modell haben, das so gut wie möglich darin ist, so viele Informationen wie möglich zu verarbeiten.
Die Technologie, die wir haben, könnte sich in 10 Jahren ändern. Wir könnten ein einziges Modell haben, das mit allen verfügbaren Informationen auf der Welt umgehen kann. Nehmen wir ein sehr einfaches Beispiel, die COVID-19-Pandemie. Stellen Sie sich vor, es ist Mitte März 2020. Wenn Sie eine Prognosemaschine haben, selbst mit der besten Lerntechnologie, die wir heute haben, wissen Sie als Mensch, dass COVID dort ankommen wird und sich der Zustand der Welt und der Stadt in den nächsten Wochen ändern wird. Ihr Modell ist sich dessen nicht bewusst.
Nun, Sie könnten eine Punktprognose haben, Sie könnten eine probabilistische Prognose haben, aber Sie als Mensch müssen das immer noch bereichern und überprüfen, weil Sie Zugang zu Informationen haben, auf die Ihr Modell keinen Zugriff hat. Für mich hat die Diskussion darüber, ob es eine Punktprognose sein sollte, kein Interesse in dieser Diskussion, denn das Fazit ist immer dasselbe. Es geht darum, wie viele Informationen Sie Ihrem Modell so weit wie möglich zuführen können.
Und wenn Sie bestimmte Informationen nicht an Ihr Modell weitergeben können, dann ist es Zeit für einen Menschen, das zu bereichern. Und deshalb macht es immer Sinn, einen einzelnen letzten Menschen zu haben, der in der Lage ist, eine Entscheidung oder eine Prognose auf der Grundlage von Informationen zu überprüfen, die das Modell nicht verarbeiten kann.
Sven Crone: Ich glaube, wir sprechen hier über verschiedene Branchen. Wenn wir uns die Bedarfsplanung ansehen, bin ich voll und ganz bei Ihnen, dass Sie in einem Einzelhandelsbereich und auf täglicher Ebene Tausende von Entscheidungen treffen müssen, dann benötigen Sie einen erheblichen Automatisierungsgrad.
Aber wir arbeiten seit einiger Zeit intensiv mit Einzelhändlern in Großbritannien zusammen und auch dort werden Anpassungen in den Sortimenten für Dinge vorgenommen, bei denen Unsicherheit herrscht, wie extreme Wettereffekte oder die Auswirkungen von COVID-Schließungen auf Duschgel im Vergleich zu Toilettenpapier in Deutschland.
Aber wenn Sie sich zum Beispiel einen Pharmahersteller ansehen, der vielleicht zwei bis 400 Kernprodukte hat, sind sie für einen Menschen recht überschaubar. Ich meine, warum kommen all diese Unternehmen zurecht? Wir haben Umfragen durchgeführt und etwa 50% der Unternehmen verwenden sehr einfache statistische Maßnahmen. Sie kommen zurecht, sie sind profitabel, sie wachsen, sie sind agil in ihrer Lieferkette, sie haben alle S&OP integriert.
Es gibt also ein ganzes Spektrum an Problemen, die wir haben, und ich denke, das ist eine der Dinge, die ich an dieser Konferenz immer liebe. Alle diese verschiedenen Prognosevarianten kommen zusammen. Wir haben Leute, die uns die Stromlast für intelligente Zähler zeigen. Ja, Sie haben Hunderttausende von intelligenten Zählern mit minutengenauen Prognosen, da ist kein menschliches Eingreifen möglich.
Aber wenn Sie nur sehr wenige wichtige Artikel haben, die Sie wirklich gut verstehen, sagen wir in einem Pharmaunternehmen, wissen Sie, wir haben uns zum Beispiel Impfstoffe angesehen, die gut verstanden werden. Ich denke also, es gibt verschiedene Arten der Bedarfsplanung.
Was wir in der Prognose tun, ist so heterogen wie Produkte und Märkte, und das ist das Schöne daran. Deshalb sitzen wir alle an der Bar und reden über Prognosen, wir reden über völlig unterschiedliche Dinge. Aber ich bin ganz bei Ihnen, wenn wir über den Einzelhandelsbereich sprechen, bin ich sicher, dass Automatisierung möglich ist.
Wir sind uns einig, dass die Welt groß genug ist für all die verschiedenen Softwarepakete, um spezialisierte Lösungen zu haben. Deshalb haben große Unternehmen wie SAP spezialisierte Lösungen für den Einzelhandel, die sich von denen für Konsumgüter und die Pharmaindustrie oder andere Bereiche unterscheiden. Also denke ich, wir sind uns einig, kommen nur aus unterschiedlichen Blickwinkeln.
Conor Doherty: Alex, möchten Sie etwas dazu sagen?
Alexey Tikhonov: Nur ein kleiner Kommentar. Ich kann der Aussage nicht zustimmen, dass Menschen in den Prognoseprozess eingreifen müssen. Wo Menschen einen Mehrwert schaffen können, können sie am Anfang dieses Entscheidungssystems einen Mehrwert schaffen, um die Semantik der Daten zu klären, mehr Daten zu liefern und dem Ingenieur, der all diese Algorithmen oder das Entscheidungssystem entwickelt, zu erklären, wie die Daten im Geschäft verwendet werden, damit er ein besseres Verständnis des Bildes hat.
Und dann können sie am Ende einen Mehrwert schaffen, indem sie die Entscheidungen überprüfen, die das Entscheidungssystem generiert, und herausfinden, welche verrückten oder ungenauen Entscheidungen ihrer Meinung nach getroffen wurden, und dann dieses numerische Rezept überarbeiten, um herauszufinden, was falsch ist. Welche Annahmen sind falsch? Warum trifft es die falsche Entscheidung? Denn wenn sie dazwischen eingreifen, die Prognose beeinflussen oder die Entscheidung außer Kraft setzen, bedeutet das, dass Ressourcen verbraucht werden, anstatt investiert zu werden. Sie müssen zuerst und vor allem die Möglichkeiten betrachten, wie Sie diese Robotisierung verbessern können, denn wenn Sie es manuell machen, verschwenden Sie Zeit.
Und Sie sollten mit den Entscheidungen beginnen, nicht mit der Prognose. Denn was ist, wenn ich eine Mindestbestellmenge von 100 Einheiten habe und Sie zu mir kommen und sagen: “Oh, jetzt habe ich eine bessere Prognose. Anstelle von 50 Einheiten Nachfrage gibt es 55.” Nun, ich habe immer noch eine Mindestbestellmenge, also sind beide Prognosen aus meiner Sicht irgendwie irrelevant, trotz der Tatsache, dass eine genauer ist. Ich treffe immer noch die gleiche Entscheidung und die Tatsache, dass Sie mehr Ressourcen investiert haben, um eine rechenintensivere und potenziell genauere Prognose zu erstellen. Sie haben eine bessere Prognosegenauigkeit erreicht, aber insgesamt befinden wir uns in einer negativen Situation, weil wir immer noch die gleiche Entscheidung treffen, während wir mehr Ressourcen investieren.
Deshalb bin ich dagegen, die Schritte des Prozesses manuell zu beeinflussen. Überarbeiten Sie das gesamte Rezept, um die Automatisierung zu verbessern, damit sie robuster, zuverlässiger und vernünftiger wird.
Sven Crone: Es ist nur schade, dass wir die Diskussion von Robert und Paul nicht vorher hatten, die wahrscheinlich am Nachmittag den Mehrwert der Prognose betrachtet haben, denn wir haben viele Beweise dafür, dass neben fortschrittlichen statistischen Methoden auch das Urteilsvermögen einen erheblichen Mehrwert bieten kann.
Und ich denke, die Frage, die heute gestellt wurde, ist, ob maschinelles Lernen den Mehrwert von Statistik und Urteilsvermögen überwinden kann oder ob es dasselbe ist. Und dann denke ich, dass die Frage nach den Gesamtbetriebskosten eine gute ist, oder? Welches ist effizienter?
Ich bin mir ziemlich sicher, dass Nicolas viele Beispiele hat, die Sie zuvor erwähnt haben oder über die Sie berichtet haben, bei denen Sie tatsächlich das gesamte System automatisieren und mehr Wert hinzufügen, als wenn Sie Urteilsanpassungen vornehmen würden. Aber vielleicht gehen wir zur nächsten Frage über.
Conor Doherty: Nun, eigentlich ist es eher ein Übergang, der immer noch eine Art Übergang ist. Es geht darum, meiner Meinung nach eigentlich um die grundlegende Frage, denn wenn ich Ihnen zuhöre, gibt es hier fast eine instrumentelle Meinungsverschiedenheit, aber es gibt eine allgemeine Übereinstimmung.
Und ich werde zuerst zu Ihnen kommen, Nicolas. Etwas, das Sie früher gesagt haben, Sie sagten, und verzeihen Sie mir, wenn ich falsch zitiere, ich paraphrasiere, wir verwenden Prognosen, um bessere Entscheidungen zu treffen. Das bedeutet, dass Prognosen instrumentell in einem größeren Prozess sind, was dann die Frage aufwirft, wo der Wert liegt?
Denn wenn Sie Prognosen als Werkzeug verwenden, um etwas Größeres zu erreichen, wo liegt dann der Wert? Liegt der Wert im Werkzeug, das das Haus baut, oder liegt der Wert in der Struktur des Hauses? Das Haus wäre die Entscheidung in diesem Analogon.
Nicolas Vandeput: Ich denke, Sie haben zwei wichtige Fragen zur Prognose. Sie haben die erste Frage, ist Ihre Prognose genau oder nicht? Und wieder könnten wir darüber diskutieren, wie man Genauigkeit misst, sehr interessante Debatten, aber das ist heute nicht der Punkt. Stellen wir uns einfach vor, der erste Schritt besteht darin, zu bewerten, wie genau oder gut sie ist.
Die zweite Frage ist, basierend auf einer gegebenen Prognose, wie gut ist Ihr Unternehmen darin, die richtige Entscheidung zu treffen? Nun, leider sind die Teams, die dies tun, unterschiedliche Teams mit unterschiedlichen Eingaben, unterschiedlichen Ausgaben, unterschiedlichen KPIs.
Ich würde von einem Supply-Chain-Standpunkt aus weder Prognostiker noch Personen, die den Prognose-Engine erstellen, für schlechte Entscheidungen oder für entscheidungsbezogene KPIs verantwortlich machen, weil sie keinen Einfluss darauf haben. Gleichzeitig könnten Sie eine sehr schlechte Prognose haben und der Entscheidungsträger hat entweder Glück gehabt oder ist extrem gut darin, trotz schlechter Prognose gute Entscheidungen zu treffen.
Sie könnten also einige sehr gute Geschäftskennzahlen haben. Auch hier könnten wir diskutieren, welche KPI relevant ist oder nicht, aber wir könnten sie in beide Richtungen haben. Wenn ich also eine Prognose bewerten möchte, würde ich nicht auf das Geschäftsergebnis schauen. Ich würde mich rein auf die Prognosegenauigkeit konzentrieren, weil ich weiß, dass das Geschäftsergebnis von so vielen anderen Dingen abhängen kann, die völlig außerhalb der Kontrolle derjenigen liegen, die die Prognose erstellen, sei es Maschine oder Mensch.
Nun, was sehr interessant ist, und das habe ich für einige Kunden simuliert, ist, dass je nach Qualität Ihrer Prognose, wieder könnten wir darüber diskutieren, wie man Genauigkeit misst, aber abhängig davon und insbesondere abhängig von der Verzerrung, zum Beispiel sind Sie sehr positiv verzerrt, unterprognostizieren Sie oder haben Sie ein Werkzeug, das ordnungsgemäß kalibriert ist, hoffentlich, kann der resultierende Supply-Chain-Optimierungs-Engine sehr unterschiedliche Richtlinien haben.
Die optimale Richtlinie oder der optimale Weg, Entscheidungen zu treffen, kann sich je nach Qualität der Prognose ändern. Das bedeutet auch, dass wenn Sie heute von einer Prognose ausgehen, die alles extrem überprognostiziert, weil Ihr Prozess so politisch verzerrt ist, zu einer Prognose, die tatsächlich maschinelles Lernen verwendet, müssen Sie gleichzeitig überprüfen, wie Ihre Supply-Chain-Entscheidungen getroffen werden.
Die Menschen verlassen sich auf den Prozess, das Werkzeug, den Motor. Historisch gesehen war die Prognose immer um 30% zu hoch. Wenn Sie das jetzt ändern, müssen Sie auch den Lieferprozess ändern. Beide müssen integriert werden. Aber aus Sicht der Supply Chain würde ich die KPIs so unabhängig wie möglich bewerten.
Conor Doherty: Danke. Sven, Ihre Gedanken? Um die Frage noch einmal zu wiederholen, wenn Prognosen ein Werkzeug sind, um etwas anderes zu erreichen, wo schreiben Sie den Wert zu? Liegt er in der Qualität der Entscheidung oder in der Qualität der Prognose? Definieren Sie diese bitte, wie Sie möchten.
Sven Crone: Ich denke, wir haben das bereits angesprochen. Für mich ist die Bedarfsplanung, oder um die Gartner-Definition der Bedarfsplanung und den Oliver Wight-Prozess zu verwenden, betrachten wir es aus industrieller Sicht. Nehmen wir die pharmazeutische Industrie, die Konsumgüterindustrie, sie betrachten normalerweise viel längere Zeithorizonte als das, was Sie betrachten. Sie betrachten zum Beispiel 6 bis 18 Monate im Voraus. Die teuren Entscheidungen sind die strategischen. Sie identifizieren langfristige Pläne, Sie identifizieren Prognosen, Sie führen Maßnahmen zur Schließung von Lücken durch, Sie versuchen, Angebot und Nachfrage auf einem viel längeren Horizont in Einklang zu bringen. Sie haben keine Werbeinformationen, Sie haben keine Wetterinformationen, Sie haben keine Störungsinformationen. Das geht also sehr stark in die szenariobasierte Planung und die end-to-end Planung von Szenarien, die sich in Bestandspositionen materialisieren müssen.
Aber das ist eine langfristige Position. Wenn Sie sich das anschauen, denke ich, dass die Mehrheit der Branche immer noch eine Art dreimonatige Sperrfrist hat. Ich meine, das ist so, dass wir uns den Zeitrahmen außerhalb davon anschauen. S&OE hingegen, das kürzlich von Gartner übernommen wurde, betrachtet dies ganz anders. Dort sind Transparenz, Kommunikation, wichtige Dinge, um sich auf sich ändernde Budgets vorzubereiten, Budgets neu auszurichten, Volumen- und Wertversöhnung durchzuführen. Es ist ein sehr aggregierter Prozess. Sie betrachten hohe Hierarchieebenen, Sie betrachten Märkte, Sie betrachten Kanäle, aber Sie betrachten keine einzelnen Produkte.
Dann sind Sie in der täglichen Arbeit und das ist S&OE. Bei S&OE stimme ich zu, dass Sie automatisierte Entscheidungen, standardisierte Entscheidungen haben, Genauigkeit ist eine wichtige Sache, Transparenz ist immer noch wichtig, was oft übersehen wird, oder Robustheit. Aber ich denke, 85% aller Präsentationen auf dieser Konferenz sprechen über Genauigkeit. Es gibt diese ganze Sitzung über Robustheit, was schön zu sehen ist. Aber ich denke, die wichtigste Innovation zur Messung des gesamten Prozesses ist der Wertbeitrag der Prognose. Das ist wirklich, die einzelnen Bestandteile zu nehmen und zu sehen, wie sie Wert hinzufügen. Das ist eine sehr managementorientierte Sichtweise, denn Sie möchten Ressourcen dort investieren, wo Sie Wert hinzufügen.
Leider umfasst es nicht Dinge wie das Management von Stammdaten. Es ist schwer zu messen. Es umfasst nicht Dinge wie die Datenbereinigung, die ich für entscheidend halte, um überhaupt etwas in der statistischen Prognose zu erreichen. Und es betrachtet am Ende sehr stark den Menschen. Aber wir haben Schwierigkeiten, den Wertbeitrag zu messen, weil als Prognosegenauigkeit typischerweise kosten- und volumengewichtet ist, um aggregiert zu sehen, treffen sie die besten Entscheidungen mit Fehlermetriken, die Akademiker nicht berühren würden. Aber worauf sie wirklich schauen, ist der Wertbeitrag. Aber wir haben viele Bedarfsplaner, die tatsächlich eine Wahl für einen statistischen Algorithmus in dem Tool treffen. Sie können die Wahl überschreiben, aber dieser Wert wird dem statistischen Algorithmus zugeschrieben. Ich denke also, es steckt viel Wert in der Beurteilung heute und er kann gemessen werden. Und ich denke, die Mehrheit der Unternehmen hat das übernommen und Wertbeitrag ist ein gutes Werkzeug dafür. Und noch einmal, ich schaue auf die langfristige Perspektive und viel weniger auf die kurzfristige, wo die Bestandsleistung verknüpft sein sollte und so weiter.
Conor Doherty: Okay, danke.
Alexey Tikhonov: Ich denke, wenn wir über Änderungen der Prognosegenauigkeit sprechen, Verbesserungen potenziell, und wir uns auf den Prozess des hinzugefügten Prognosewerts beziehen, sind wir verwirrt in den Begriffen, denn der bessere Name wäre Prognosegenauigkeit hinzugefügt, nicht Wert. Denn Wert, wenn wir über Wert sprechen, löst für mich sofort eine finanzielle Perspektive aus. Und die finanzielle Perspektive wird von Entscheidungen angetrieben. Die Ergebnisse Ihres Unternehmens hängen ausschließlich von den Entscheidungen ab, die Sie treffen, und wie gut Sie diese Entscheidungen umsetzen. In dieser Perspektive ist nichts anderes involviert, nur Entscheidungen und wie gut Sie sie umsetzen.
Wenn wir Entscheidungen betrachten, wie zum Beispiel, ich habe eine Prognose Nummer eins, sie führt mich zur Entscheidung A und Prognose Nummer zwei, sie ist genauer. Ich weiß, um wie viel, ich kenne den Genauigkeitsunterschied. Aber die Frage ist, führt mich diese unterschiedliche, genauere Prognose zu einer anderen Entscheidung? Wenn nicht, dann ist es verschwenderisch, trotz der größeren Genauigkeit. Trotz des besseren scheinbaren Werts haben wir aus finanzieller Sicht ein negatives Ergebnis. Und wenn die Entscheidung unterschiedlich ist, wie bewerten wir diese Entscheidungsabweichung, wie den Wechsel von Entscheidung A zu Entscheidung B, wie viel mehr Gewinn erzielen wir im Vergleich zum Unterschied in der Ressourceninvestition? Für mich ist das eine offene Frage. Wir können beide Prognosemodelle verwenden, um die potenziellen Erträge beider Entscheidungen zu bewerten, aber es ist immer noch eine Spekulation, weil wir keine zwei alternativen Universen haben, um zwei Entscheidungen auszuprobieren. Wir müssen uns schließlich nur für eine entscheiden.
Und noch mehr, der Wert der Entscheidung hängt nicht allein von der Prognose an sich ab. Es gibt andere Überlegungen wie Entscheidungstreiber. Ein Beispiel dafür ist, dass wir mit Air France zusammenarbeiten, ihrer MRO-Abteilung für Ersatzteile für Flugzeuge. Und erst kürzlich haben wir mit ihnen eine Entscheidungsengine implementiert und erst kürzlich wurde ein großer Kauf ausgelöst, bei dem ein Roboter mehrere Dutzend, glaube ich, Hilfsstromaggregate für ein Flugzeug gekauft hat, was insgesamt mehrere Millionen Euro ausmacht. Und die Leute dachten, “Oh, das muss ein Fehler sein.” Aber als sie anfingen zu überprüfen, stellte sich heraus, dass jemand auf der anderen Seite einen Fehler gemacht und den Preis deutlich niedriger als den Durchschnittspreis auf dem Markt festgelegt hatte. Und der Roboter hat das erkannt und sofort Ausführungsaufträge umgesetzt. Das hat nichts mit der Prognosegenauigkeit zu tun, aber diese Entscheidung hat einen enormen Wert.
Sie sehen also, wir konzentrieren uns auf die Prognosegenauigkeit, aber es gibt so viele andere Dinge, die den Wert der Entscheidung beeinflussen können. Wenn wir also über monetären Wert sprechen, sollten wir uns nicht nur auf die Prognose konzentrieren. Wir sollten den gesamten Prozess betrachten, wie wir Entscheidungen treffen, was berücksichtigt wird, was unser Entscheidungsprozess ist, welche Dinge wichtig sind, welche Dinge von sekundärer Bedeutung sind.
Sven Crone: Nur um hinzuzufügen, ich stimme zu, und Sie haben das bereits in der ersten Runde erwähnt, dass es eine Bestandsentscheidung geben sollte und dass Sie diese anhand von Bestandsentscheidungen bewerten sollten. Und ich denke, um fair zu sein, haben die meisten Menschen in der Wissenschaft oder die gesamte Bandbreite der Zeitschriften dies als bewährte Praxis oder als Mindestpraxis übernommen. Wenn Sie sich die Zeitschriften in der Produktionswirtschaft und der ISER, der Inventargesellschaft, ansehen, ist das bewährte Praxis. Sie werden hier ziemlich viele Präsentationen von Akademikern sehen, die tatsächlich die Entscheidungskosten auf Trade-off-Kurven über den Servicegrad und die Lieferzeiten messen und die damit verbundenen Lagerhaltungskosten angeben. Das ist etwas, das ich in der Praxis überhaupt nicht sehe.
Es ist in der Praxis sehr schwer umzusetzen, es ist schwer, es zu tun, aber es ist möglich. Natürlich müssen Annahmen getroffen werden. Die Supply Chain ist komplex, aber ich stimme Ihnen voll und ganz zu. Die Entscheidungskosten sollten gut sein. Aber das geht auf Granger 1969, asymmetrische Verlustfunktionen, zurück. Normalerweise haben wir die Entscheidungskosten nicht, also müssen wir etwas annehmen. Was ich als eine große Lücke sehe, und vielleicht auch als ein Versäumnis, was diese Gemeinschaft nicht erreichen konnte, ist die Verbindung zwischen der Genauigkeit der Prognose, wie auch immer Sie sie messen möchten, und den damit verbundenen Entscheidungskosten.
Also hatten wir tatsächlich ein Forschungsprojekt. Es gibt sehr wenige Unternehmen, Johnson and Johnson hat das in der Vergangenheit veröffentlicht. Ein Prozentpunkt Genauigkeit der Prognose, normalerweise gewichteter Kosten-gewichteter MAPE, entspricht 8 Millionen US-Dollar an Fertigwarenbestand und Kosten für die Beschleunigung der Produktion im Vertriebszentrum und so weiter. Sie hatten eine ganze Linie, wie sie das etabliert haben. Wir haben kürzlich etwas präsentiert, bei dem wir eine Bottom-up-Simulation mit TESA gemacht haben. Es gibt einige Rechner im Internet, denen ich nicht vollständig vertraue, aber ich denke, das ist eine wichtige Sache, dass Prognosefehler teuer sind, rein aus der Entscheidung über Sicherheitsbestände und Bestände im unmittelbaren nächsten Schritt, ohne dass es um Produktionsplanung und Rohstoffbeschaffung und langfristige Entscheidungen geht.
Also denke ich, dass das ein echtes Versäumnis ist. Deshalb denke ich, dass die Nachfrageplanungsteams in Unternehmen immer noch zu klein sind. Wenn sie wüssten, wie teuer ihre Entscheidungen sind, wie wertvoll Prognosen sind, würden wir dort viel mehr Ressourcen sehen. Aber, und übrigens, TESA, es war ungefähr, natürlich hängt es von der Unternehmensgröße ab, es war, wir dürfen die Zahl nicht nennen, es ist ein Bugatti Veyron. Bugatti Veyrons haben einen ziemlich starren Preis, also sind es 1,5 Millionen pro Prozentpunkt Genauigkeit im Bestand, direkte Übersetzungen. Und wir arbeiten jetzt mit einigen anderen Unternehmen zusammen, um dies zu etablieren, angesichts der minderwertigen Bestandsmodelle. Aber das ist eine wirklich wichtige Sache. Sie lösen das Problem direkt und zeigen ihnen die Entscheidungskosten. Aber wenn der Prozess entkoppelt ist, können Sie das immer noch tun. Und ich denke, das ist der fehlende Punkt. Aber ich bin voll dabei. Bestands- oder Entscheidungskosten wären ideal. Bestand ist eine direkte Verbindung, die gemacht werden kann und gemacht werden muss und von Akademikern gemacht wird.
Conor Doherty: Ich möchte vorangehen und einige Punkte zusammenführen, die besonders hervorgehoben wurden, insbesondere in Bezug auf Annahmen. Ich meine, Annahmen, wenn das eine Annahme eines Nachfrageplaners ist, wie “Oh, das ist falsch, ich muss eine manuelle Überschreibung vornehmen”, das ist eine Annahme. Eine Annahme fließt in den Aufbau einer Prognose oder eines automatisierten Modells ein. Also, ich meine, das sind Unterscheidungen. Rosen bei jedem anderen Namen, aber meine Frage ist, ist es vernünftig zu erwarten, dass das Management, also Personen ohne Schulung in den Dingen, über die wir heute sprechen, das gleiche Vertrauensniveau in die Automatisierung hat, wie in eine automatisch generierte Prognose im Vergleich zu einer Prognose, die beispielsweise durch Ihren Schreibtisch gegangen ist? Und ich werde, Entschuldigung, oder Nicolas’ Schreibtisch, oder Alex'.
Nicolas Vandeput: Wenn Sie nichts dagegen haben, zurück zu meiner Folie zu gehen, ist die häufigste Frage, wenn ich sie in wenigen Worten zusammenfassen soll: “Wie kann ich dem maschinellen Lernen vertrauen?” Und Sie könnten maschinelles Lernen durch statistische Werkzeuge ersetzen. Ich mag es, diese Frage zu ändern in: “Ja, aber wie können Sie den Menschen vertrauen?” Denn die Leute sagen: “Okay, Nicolas, wie kann ich dir vertrauen? Wie kann ich deinem maschinellen Lernen vertrauen?” Und ich sage: “Wie können Sie Ihrem Team vertrauen?” Und das ist, denke ich, die eigentliche Frage. Und es gibt für mich nur eine Möglichkeit, das zu verfolgen und zu beantworten. Es nennt sich “Prognosewertzuwachs”. Und die Idee ist wirklich, ich werde versuchen, es in nur wenigen Sätzen zu erklären. Sie möchten die Genauigkeit jedes einzelnen Schrittes in Ihrem Prozess verfolgen. Das kann ein Mensch sein, das kann eine Maschine sein, das können Informationen von Ihrem Kunden sein, die Prognose, die von Ihrem Kunden kommt. Jeder einzelne Schritt, Sie verfolgen die Genauigkeit vor dem Schritt und die Genauigkeit nach dem Schritt.
Während Sie das tun, und ich würde auch empfehlen, dass Sie die Gesamtgenauigkeit Ihres Prozesses mit einem statistischen Benchmark vergleichen, der jedes beliebige einfache Modell sein könnte, das Sie kostenlos finden können. Wenn Sie das über Wochen, Monate, Tage tun, je nach Ihrem Horizont, können Sie wirklich beweisen, dass ein Teil Ihres Prozesses, sei es menschlich oder maschinell, einen Mehrwert bietet und genau ist. Das ist der einzige Weg, es zu tun. Und ich würde sogar so weit gehen zu sagen, wenn Sie das nicht tun, ist es, als hätten Sie das Licht im Raum nicht eingeschaltet. Sie sind im Dunkeln. Sie haben keine Ahnung.
Und wenn mich Unternehmen kontaktieren, die Verbesserungsprojekte für die Nachfrageplanung durchführen möchten, ist die erste Frage: “Verfolgen Sie den Prognosewertzuwachs?” Denn wenn Sie das nicht tun, gibt es keine Möglichkeit zu wissen, ob mein Modell einen Mehrwert bietet und ob wir gut oder schlecht abschneiden. Dies ist der erste Schritt, um die Frage zu beantworten: “Wie wissen Sie, ob Sie dem maschinellen Lernen vertrauen können?” Es ist die gleiche Frage wie: “Wie wissen Sie, ob Sie den Menschen vertrauen können?” Und die Antwort lautet, Sie müssen den Prognosewertzuwachs verfolgen.
Alexey Tikhonov: Ich denke, der Wechsel zu den Entscheidungen ist wichtig. Wie kann ich einer Prognose vertrauen? Ich weiß nicht, ob eine Prognose gut oder schlecht ist, es sei denn, ich sehe, welche Entscheidung sie empfiehlt, welche Entscheidungen ich mit dieser Prognose ableiten kann. Und aus dieser Perspektive haben Menschen, Praktiker, oft eine sehr gute Intuition. Wenn Sie unsinnige Entscheidungen treffen, werden sie darauf hinweisen und Ihnen sagen, warum. Wenn Ihre Bestellung zu groß ist, werden sie Ihnen sagen, wie groß sie sein sollte, was der Richtwert für einen guten Kauf ist und warum sie so denken. Das Verfolgen der Prognosegenauigkeit, ja. Das Einbeziehen von Menschen in den Prozess der Urteilsprognoseüberschreibungen, wie ich bereits sagte, ist ziemlich verschwenderisch, weil diese Eingriffe eine sehr kurze Haltbarkeit haben.
Sie können sie überschreiben, aber sie halten nicht noch ein weiteres Jahr. Sie werden wahrscheinlich Auswirkungen auf Ihre nächste Bestellung haben, aber nicht auf die, die danach kommt. Sie involvieren eine sehr teure Ressource, eine sehr unzuverlässige Ressource, denn wir sollten auch diskutieren, wir haben keine Zeit, aber wir sollten auch diskutieren, was der Prozess hinter diesen Urteilsüberschreibungen ist. Sie sind in ihrer Natur halbquantitativ. Es gibt keinen rigorosen Prozess wie bei automatisch generierten Prognosen, bei dem wir überprüfen und analysieren können, was falsch ist, wenn etwas falsch ist. Also müssen Sie so viel wie möglich automatisieren. Und wie gewinnen Sie Vertrauen? Nun, auf die gleiche Weise, wie Sie Ihrer Wetteranwendung vertrauen. Wenn sie konsistente Prognosen liefert, wenn sie sagt, dass es eine hohe Regenwahrscheinlichkeit gibt und ja, meistens regnet es, wenn sie sagt, dass es regnen wird. Oder verschiedene Technologien wie Spam-Filter.
Denken Sie daran, als sie gerade in E-Mail-Clients eingeführt wurden. Wir haben den Spam-Ordner sehr häufig überprüft, weil der Prozentsatz der falsch klassifizierten E-Mails ziemlich hoch war. Heutzutage gehe ich nur dann in den Spam-Ordner, wenn ich weiß, dass mir eine Person, die noch nicht in meiner Kontaktliste steht, eine E-Mail geschickt hat und ich sie nicht erhalten habe. Und ich gehe hin und ja, sie ist da, und ich klicke auf “kein Spam”, und sie wird nie wieder als Spam eingestuft. Sie sehen also, Vertrauen wird im Laufe der Zeit aufgebaut, und Sie benötigen einen Prozess. Wir nennen es experimentelle Optimierung, wenn Sie diese Entscheidungsengine feinabstimmen. Sobald sie vernünftige Ergebnisse liefert, müssen Sie nur noch die Metriken verfolgen. Ja, Sie verfolgen die Genauigkeit der Prognose. Wenn sich dies drastisch ändert, benötigen Sie einen Ingenieur, um gemeinsam mit den Praktikern zu überprüfen, was hinter den Kulissen passiert. Aber Sie sollten niemals in diese Entscheidungspipeline eingreifen. Sie möchten das reparieren, was kaputt ist, und es dann laufen lassen, so wie Sie es mit Maschinen tun. Sie führen Wartungsarbeiten durch und fahren dann Ihr Auto.
Sven Crone: Ja, ich denke, Vertrauen ist eine wichtige Frage, oder? Wenn wir auf die letzten 10, 20 Jahre zurückblicken, haben viele Unternehmen versucht, beispielsweise im Bereich der Prognosen mit statistischen Prognosen live zu gehen. Und warum gibt es so viel Skepsis? Warum haben so viele Unternehmen begonnen und wieder aufgehört, begonnen und wieder aufgehört, begonnen und wieder aufgehört? Wir alle kennen das Problem der Überanpassung. Wir alle wissen, wie wir diese Sandbox-Experimente mit allen zukünftigen Variablen durchführen, bei denen Sie beim Entwerfen von Dingen in einem Proof of Concept wirklich vorsichtig sein müssen, dann in einer Pilotstudie, die parallel läuft, anstatt dies zu verbrennen. Und tatsächlich ist es mit so vielen Freiheitsgraden und Metaparametern und so vielen führenden Indikatoren, die in irgendeine Art von Dekomposition eindringen können, sehr, sehr einfach, ein Maß an Genauigkeit zu versprechen, das sich anschließend nicht materialisiert. Wir haben eine gewisse Genauigkeit versprochen, und dann kam COVID, und das Management hat nicht verstanden, warum wir dieses Genauigkeitsniveau nicht erreichen. Für uns war es klar. Für sie nicht. Aber ich sage, wissen Sie, das Vertrauen ging verloren.
Vertrauen, ich glaube nicht, dass die Akzeptanz von Technologie im Allgemeinen ein Thema in der Informationstechnik ist, oder? Die Akzeptanz von Technologie ist ein großes Problem. Es gibt ganze Konferenzen, die analysieren, wie man dies vermitteln kann. Und ich denke, eine Möglichkeit besteht darin, dass es etwas mit der allgemeinen Akzeptanz von Technologie zu tun hat. Sie wissen schon, die meisten von uns wären skeptisch, wenn sie das erste Mal in ein fahrerloses Auto in San Francisco einsteigen. Vielleicht nicht, aber vielleicht werden in 20 Jahren alle damit zufrieden sein. Das ist es, was Sie gesagt haben, wissen Sie, die Benutzerfreundlichkeit, es passiert nichts und so weiter, und so können Sie Vertrauen aufbauen. Sie müssen auch Dinge kommunizieren. Aber ich glaube nicht, dass die Antwort erklärbar KI ist. Jeder geht hin und erklärt, der Algorithmus muss sich mir selbst erklären. Ich meine, ich habe mich sehr bemüht zu erklären, was ein Gamma-Faktor von 0,4 über 12 saisonale Indizes tut, die sich im Laufe der Zeit ändern, oder? Kein Manager versteht das. Aber der Manager an der Spitze muss, wissen Sie, er muss die Entscheidung letztendlich treffen. Vertraut er dieser bedeutenden Investition in den Bestand? Vertraut er seinem Team, effektiv und effizient zu arbeiten?
Und ich denke, dafür haben wir viel Vertrauen in Statistiken verloren, möglicherweise durch einige minderwertige Softwareimplementierungen, die damals auf dem neuesten Stand waren, aber einige von ihnen haben in einer Stichprobe einen Schritt zu viel parametrisiert. Es gibt viele Beweise hier für die Modellauswahl. Viele dieser Innovationen wurden also nicht übernommen, sondern eher von jüngeren und innovativen Unternehmen. Ein Zwischenschritt, den wir gesehen haben, um Vertrauen in die Medizin aufzubauen, ist zum Beispiel eine unglaubliche Fallstudie zur Erkennung von Brustkrebs anhand von Bildern. Und die Maschine, der Algorithmus, waren deutlich genauer und hatten eine viel höhere Rate an richtigen positiven Ergebnissen, eine viel niedrigere Rate an falschen positiven Ergebnissen, wissen Sie, mit unglaublichen Kosten für einzelne Leben, die damit verbunden sind. Und Ärzte würden es nicht übernehmen. Allein in den 1980er Jahren haben sie einige der Entscheidungsprozesse nicht übernommen, weil sie ihnen nicht vertraut haben. Sie haben sich mehr auf sich selbst verlassen.
Die Lösungen, die wir jetzt entwickeln, wenn KI Ausreißerkorrekturen durchführen kann, aber wir tatsächlich den Ausreißer im Bedarfsplan hervorheben. KI kann die Modellauswahl treffen, aber wir heben lieber die Rangfolge hervor, die wir für sinnvoll halten. Wir versuchen zu erklären, was wir in den Daten sehen, also denken wir, dass dies stark saisonal ist und eine Störung hat. Diese erweiterte Sache auch für Ärzte war im Grunde genommen nicht nur eine Klassifizierung, sondern es wurde tatsächlich auf dem Bild hervorgehoben, wo der Krebs wahrscheinlich erkannt wird, und es hat Ihnen nicht nur eine wahre oder falsche Antwort gegeben, Krebs oder nicht, sondern es hat Ihnen eine Wahrscheinlichkeit gegeben, dass dies Krebs ist, was es in zeitkritischen Situationen ermöglichte, nach Wahrscheinlichkeit zu sortieren und nur diejenigen anzusehen, die eindeutig Krebs sind und diejenigen, die eindeutig kein Krebs sind, nicht anzusehen, sondern diejenigen anzusehen, bei denen Unsicherheit besteht. Und da konnten die Ärzte tatsächlich ihre Fachkenntnisse einbringen und plötzlich gab es eine massive Akzeptanz.
Also denke ich, es hat viel mit dem Design der Systeme zu tun, dem Design des Entscheidungsprozesses und es ist nicht alles Automatisierung, weil wir ABC und XYZ und neue Produkte und Endprodukte haben, wissen Sie, es ist nicht so, dass man alles automatisieren kann, man sollte nicht alles automatisieren, aber einige Teile mit KI automatisieren, andere Teile mit sehr einfachen Methoden, die vielleicht transparent sind, automatisieren und andere Teile mit robusten Algorithmen automatisieren. Aber ich denke, dass für das derzeitige Maß an Akzeptanz und Skepsis gegenüber Technologie, obwohl wir alle GPT lieben, um unsere nächste Geburtstagsfeier zu planen, denke ich, dass wahrscheinlich die erweiterte KI ein guter Schritt ist, um Akzeptanz zu bekommen, und dann können wir vollständig mit KI automatisieren.
Conor Doherty: Kommentieren Sie das. Nun, um darauf zurückzukommen, weil Sie beide sehr gute Punkte angesprochen haben. Aber ich möchte nur einen der Vergleiche auseinandernehmen. Also, ich denke, Alexey, du hast das Beispiel einer Wettervorhersage-App genannt, was, ich meine, die Grundlage der Meteorologie ist seit geraumer Zeit die probabilistische Vorhersage. Und dann hast du es mit einem autonomen Fahrzeug verglichen oder zumindest indirekt verglichen. Und ich denke, wir werden das nehmen und einfach eine Frage stellen. Also, um Alex’ Beispiel zu verwenden, wenn jeder im Raum gesagt würde, dass er nächste Woche Urlaub machen muss, Ihr einziges Ziel ist Bermuda. Die Wettervorhersage sagt, nächste Woche wird es einen Tsunami geben. Werden Sie Ihr eigenes Geld bezahlen? Werden Sie Ihre Zeit, Mühe und Energie investieren, um nach Bermuda zu fliegen? Die meisten Menschen würden nein sagen. Nehmen Sie jetzt genau dieselbe Perspektive, nämlich Finanzen und probabilistische Vorhersagen, und setzen Sie all diese Menschen in ein Unternehmen und sagen Sie hier ist eine priorisierte Liste von risikobereinigten Entscheidungen, die von einem Algorithmus generiert wurde. Oh nein, absolut nicht, dem vertraue ich nicht. Also, ist es selektives Misstrauen? Ihre Kommentare.
Alexey Tikhonov: Ich könnte einen kurzen Kommentar abgeben. Ich denke, das eigentliche Problem bei der menschlichen Ablehnung der Einführung neuer Technologien im Allgemeinen, wenn wir über Automatisierung sprechen, ist die Angst, irrelevant und verdrängt zu werden. Und tatsächlich ist das, was normalerweise passiert, genau das Gegenteil. Ja, wir automatisieren einige Teile, in denen Menschen finanziell nicht effizient sind. Zum Beispiel hatten wir früher Übersetzer für mehrere Sprachen, um unsere eigene Website zu übersetzen, weil wir viel veröffentlichen und kumulativ haben wir wahrscheinlich über mehrere Jahre hinweg etwa 400.000 Euro ausgegeben. Und jetzt, wenn wir etwas veröffentlichen, wird es durch LLMs übersetzt.
Wir haben Programme, die eine Markdown-Seite als Eingabe nehmen und eine Markdown-Seite mit der gesamten Markdown-Syntax, den Shortcodes und allem anderen erzeugen, wobei nur die relevanten Teile in andere Sprachen übersetzt werden. Die Kosten sind immens gesunken, um den Faktor 100 günstiger ist es jetzt. Sollten wir also 100-mal mehr an einen menschlichen Übersetzer zahlen? Nein. Brauchen wir immer noch menschliche Übersetzer? Ja, wenn Sie zum Beispiel ein rechtliches Dokument erstellen möchten, sollten Sie einen menschlichen Übersetzer verwenden, da ein einziges Wort, ein einziges Komma Sie eine enorme Menge Geld kosten kann. Brauchen wir also menschliche Übersetzer? Ja, wir brauchen sie immer noch, aber in verschiedenen Bereichen und wahrscheinlich wird es in diesem rechtlichen Bereich mehr Bedarf an menschlichen Übersetzern geben als zuvor.
Und dasselbe gilt für Lieferketten. Zum Beispiel gibt es ganze Bereiche, die aufgrund fehlender verfügbarer menschlicher Ressourcen intakt bleiben. Wenn Sie zum Beispiel eine Bestellung aufgeben möchten, wissen Sie im Voraus nicht, ob es eine Mindestbestellmenge gibt, also müssen Sie diese Informationen abrufen. Sie können Menschen verwenden, Sie können einen KI-Copiloten verwenden, aber Sie benötigen immer noch einen Menschen, um einige Informationen abzurufen, die schlecht strukturiert sind, um sie in Ihre Entscheidungsengine einzuspeisen, damit sie eine Entscheidung trifft, die mit der Mindestbestellmenge übereinstimmt. Also denke ich, dass wir immer noch Menschen für verschiedene Arten von Aufgaben brauchen, die sich weiterentwickeln werden.
Sven Crone: Ich denke, du hast einen wichtigen Punkt angesprochen, wenn es um die Akzeptanz einiger dieser maschinellen Übersetzungsverfahren geht, weil sie schon lange existieren. IBM hat bereits 1982 neuronale Netzwerke verwendet, oder? Also waren sie schon da, aber die Übersetzungsrate oder die Fehlerquote lag damals bei etwa 90% Identifikation. Ein Mensch musste also viele Buchstaben ändern, viele Wörter ändern. Jedes zehnte Wort wäre falsch und das war inakzeptabel, weil es unterhalb einer als ausreichend angesehenen Schwelle lag.
Und jetzt, wenn Sie diese Genauigkeit nicht unbedingt auf ein menschliches Niveau bringen, sondern sie über eine Schwelle hinaus bringen, haben Sie plötzlich eine massive Übernahme von Technologie. Bei der Prognose sind wir ziemlich schuldig daran, weil wir Implementierungen mit sorglosem Einsatz multiplikativer Modelle bei Zeitreihen mit Nullen gesehen haben. Und wenn Sie 10 Beispiele über 100 Zeitreihen haben, die einmal im Jahr explodieren, haben Sie keine Akzeptanz, weil das Vertrauen weg ist.
Sie müssen also tatsächlich Robustheit erreichen, um Automatisierung zu ermöglichen. Also denke ich, das ist ein guter Punkt. Und wir haben in der Regel versucht, genaue Modelle zu erstellen, anstatt robuste Modelle zu erstellen, die nicht gut funktionieren. Die neuronalen Netzwerke haben immer dieses Problem. Außerdem denke ich, dass wir alle voreingenommen sind, weil wir uns ziemlich gut an Technologie anpassen, nicht so sehr wie mein jüngerer Bruder zum Beispiel, der Technologie einfach liebt. Also gibt es auch eine Altersüberlegung. Aber was schafft Vertrauen? Ich denke, in einer Vorstandssitzung weiß ich, dass ein sehr großes Softwareunternehmen tatsächlich aktiv LLM-Modelle betrachtet und es gab kürzlich eine Entscheidung. Ich glaube, Eric Wilson vom IBF, dem Institute of Business Forecasting, hat einen Blog und sie äußern sich ziemlich offen darüber, dass KI nicht den Prozess der Bedarfsplanung übernimmt und jeder seinen Job behält.
Aber kürzlich gab es Beispiele, bei denen in einem Konferenzraum ein LLM-Modell, das auf dem Großteil des eingespeisten Wissens trainiert wurde, die Werbeinformationen, die Störungen, die Lieferkette, eine Prognose erstellt hat und der CEO das LLM-Modell gefragt hat, warum dies der Fall ist. Und die Leute hatten unterschiedliche Ansichten. Das Marketing hatte eine andere Ansicht, das Finanzwesen hatte eine andere Ansicht. Das LLM-Modell war das einzige, das eine verständliche Argumentation liefern konnte, warum dies die richtige Zahl ist. Und ich denke, es gibt eine weitere Voreingenommenheit, aber wenn man eine anschauliche Geschichte über Dinge erzählen kann, werden die Menschen dies vertrauen. Also führt dies auch zu Vertrauen, selbst wenn es falsch ist.
Also denke ich, dass es wichtig ist, als Demand Planner argumentieren zu können, warum das in einem Kontext von tausend Produkten der Fall ist. Sie sitzen dort mit dem CEO und erklären umfassend, warum Sie denken, dass es in sechs Monaten doppelt so viel sein wird, aber Sie erinnern sich nicht daran. Sie haben den ganzen Monat damit verbracht, an all diesen Zahlen zu arbeiten, sie zu analysieren und in Werte umzuwandeln, und dann top-down Anpassungen pro Kanal vorzunehmen, und am Ende kommt eine Zahl heraus. Aber das LLM-Modell konnte das argumentieren und das ist, denke ich, wo wir wahrscheinlich sehen werden, wer behaupten wird, dass ein LLM-Modell nicht alle Verkaufs- und Key-Account-Meetings lesen kann, dass es nicht alle Trichterinformationen erhalten kann, dass es den Trichter rechtfertigen kann, dass es das mit den Lieferwerten abstimmen kann und tatsächlich eine Anpassung vornehmen kann, die besser ist als bei einem Menschen, weil es einfach viel mehr Daten verarbeiten kann. Ich denke, das ist der Punkt, an dem wir möglicherweise über das Vertrauen hinweggehen und direkt zur Genauigkeit übergehen. Aber es gibt Hinweise darauf, dass diese Modelle Vertrauen schaffen können, weil sie endlich erklären können, was los ist.
Nicolas Vandeput: Also, ich sehe eine interessante Frage und ich denke, wir haben endlich unser Thema gefunden, bei dem ich anderer Meinung wäre.
Das erste, was ich ansprechen möchte, ist das Change Management in Bezug auf die Einführung von maschinellem Lernen für die Prognose. Wie bei jeder Technologie gibt es Menschen, die sich total dagegen aussprechen, und es gibt einige Menschen, die dafür sind. Und ich sehe es auf LinkedIn jedes Mal, wenn ich etwas poste, bekomme ich immer ein paar Leute von derselben Seite, die sagen, dass das niemals funktionieren wird, dass sie es niemals tun würden. Wissen Sie was, ich habe aufgehört, zu versuchen, sie zu überzeugen. Das ist in Ordnung, bleiben Sie einfach da, wo Sie sind, und ich werde mit den Menschen zusammenarbeiten, die bessere Lieferketten schaffen wollen.
Ich habe jetzt mehrere Kunden gesehen, ich habe großartige Führungskräfte gesehen, ich habe durchschnittliche Führungskräfte gesehen, ich habe schlechte Führungskräfte gesehen. Für mich ist es wichtig, wenn Sie einen automatisierten Prozess erfolgreich implementieren möchten - und wir können über die maschinelle Lernnachfrageplanung diskutieren, aber wir könnten über jeden Prozess diskutieren -, dass Sie als Führungskraft im Raum eine klare Vision dafür geben, welche Rolle jeder im Raum in Zukunft spielen wird. Ich komme zurück zur Nachfrageplanung, aber das würde wieder auf jeden Prozess zutreffen. Wenn Sie zu Ihrem Demand Planner sagen, dass seine Aufgabe darin besteht, die Prognose zu ändern und die Modelle anzupassen und zu optimieren, dann ist das es, was die Leute tun werden. Und das muss sich ändern. Es muss sich ändern zu der Aufgabe, sicherzustellen, dass die Daten, die in die Nachfrageprognose-Engine eingegeben werden, so gut wie möglich sind, und dass es die Aufgabe des Demand Planners ist, Informationen zu finden, die über das hinausgehen, was dem Modell zugeführt wird, und basierend darauf die Prognose gegebenenfalls zu ergänzen. Wenn Sie das nicht sagen, werden die Leute weiterhin die Prognose Tag für Tag ändern, weil sie einfach das Gefühl haben, dass sie ihr Gehalt nicht rechtfertigen können, wenn sie das nicht tun. Also nochmal, für die Einführung ist es äußerst wichtig, dass wir ein klares Bild davon vermitteln, was die Menschen tun sollten, was wiederum mit meiner Folie zur einsichtsgetriebenen Überprüfung und Einsammlung von Erkenntnissen usw. zusammenhängt.
Nun, etwas, das ich hinzufügen möchte, ist diese Erklärbarkeit. Ich denke, das ist ein offenes Thema und ich selbst entwickle mich in diesem Bereich weiter, aber für mich ist Erklärbarkeit überhaupt nicht erforderlich. Ich weiß nicht, wie ein Auto funktioniert, ich benutze es trotzdem und ich versuche nie, eine E-Mail an Mercedes zu schicken und zu sagen, dass ich es nie wieder benutzen werde, wenn sie mir erklären können, wie es funktioniert. Das würde ich nie tun. Ich weiß nicht, wie das Internet funktioniert, ich weiß nicht, wie dieses Ding funktioniert, ich habe keine Ahnung, aber ich benutze es trotzdem.
Wenn eine Supply Chain auf Erklärbarkeit oder Geschichten angewiesen ist, um die Prognose zu nutzen und ihr zu vertrauen, werden Sie niemals in der Lage sein, zu skalieren, weil das bedeutet, dass Ihre Supply Chain und Ihr Prozess darauf beruhen, dass jemand die Fähigkeit hat, andere Menschen zu beeinflussen, Ihre Prognose zu nutzen, weil er eine gute Geschichte hat. Für mich müssen Sie der Prognose vertrauen, weil die Genauigkeit, wie auch immer Sie sie messen, zuverlässig ist und im Laufe der Zeit genau war oder die Entscheidung im Laufe der Zeit sinnvoll war. Sie vertrauen Dingen, Sie vertrauen Prozessen, Menschen, Modellen, weil sie quantitativ großartig sind, nicht weil die Geschichte Sinn ergibt. Wenn Sie nur auf die Geschichte setzen, wird es ein Misserfolg sein. Ich habe selbst so viele Berater gesehen, die Projekte gewonnen haben, weil die Geschichte Sinn ergab, und dann hat es nie einen Wert geschaffen, weil es tatsächlich, sobald Sie das Modell erstellen, keinen Wert schafft. Aber die Geschichte ist schön, deshalb würde ich versuchen, mich so weit wie möglich von der Geschichte fernzuhalten.
Conor Doherty: Weitere Kommentare? Es besteht keine Verpflichtung.
Alexey Tikhonov: Ein paar Worte zur Erklärbarkeit und zum Verständnis dessen, was passiert, wie Entscheidungen getroffen werden, wie Prognosen erstellt werden.
Ich kann nur über das sprechen, was wir bei Lokad tun. Wir gehen Probleme mit dem Prinzip der Korrektheit durch Design an. Eines der Probleme, von denen wir wissen, dass die Menschen es haben werden, ist ein Mangel an Vertrauen, weil sie nicht verstehen, wie die Dinge funktionieren. Deshalb verwenden wir das, was wir ein “White Boxing”-Element nennen. Wenn möglich, verwenden wir explizite Modelle, bei denen Sie verstehen, was die Parameter bedeuten, anstatt irgendwelche verschleierten Feature-Engineering-Methoden. Auf diese Weise können die Menschen verstehen, was passiert. Diese Modelle sind nicht drastisch schwer zu verstehen. Ich lade das Publikum ein, sich unsere Einreichung für den M5-Prognosewettbewerb anzusehen. Das Lokad-Team wurde im Unsicherheitswettbewerb auf Platz eins eingestuft. Wenn Sie sich den Vortrag unseres CEO Joannes Vermorel ansehen, werden Sie sehen, dass das Modell ziemlich einfach ist. Sie werden überrascht sein, wie dieses einfache Modell Spitzenleistungen erzielen konnte.
Es ist nicht notwendig, hochmoderne KI einzusetzen, um eine zusätzliche Prozentzahl an Prognosegenauigkeit zu erreichen. In der Supply Chain möchten Sie ungefähr richtig sein, nicht genau falsch. Deshalb wählen wir zum Beispiel probabilistische Methoden, weil sie Ihnen die Struktur der Unsicherheit zeigen können, und dann, wenn Sie wirtschaftliche Treiber haben, können Sie diese Struktur der Unsicherheit in die Struktur der finanziellen Risiken übersetzen und fundierte Entscheidungen treffen, die risikobereinigt sind, im Gegensatz zu Entscheidungen, die gegen das Erreichen eines Service-Level-Ziels gerichtet sind.
Ich denke, die Leute können die Geschichte auf oberster Ebene verstehen, wie was Sie tun und warum Sie das tun. Aber auf einer niedrigeren Ebene können sie das auch tun, aber es ist fast belanglos, sobald Sie die oberste Ebene verstehen. Sobald Sie sehen, dass die Entscheidungen vernünftig sind, warum sollten Sie dann weiter nach unten gehen? Zum Beispiel verwenden die Menschen normalerweise Computer, aber sie interessieren sich nicht für Speicherzuweisungen, wie Ihr Random-Access-Speicher die Berechnungen nutzt. Niemand interessiert sich dafür. Genauso bei Computerchips in Ihrem Auto. Ja, Sie haben einen Roboter, der das Schalten der Gänge überwacht, aber normalerweise interessiert sich niemand dafür. Es ist belanglos. Es wird Ihre Fahrt nicht sicherer machen, wenn Sie das wissen.
Conor Doherty: Ich wollte eigentlich nur nach abschließenden Gedanken fragen. Sie alle scheinen im Allgemeinen darin übereinzustimmen, dass das Verständnis des “Wie” dieser Methoden für die meisten Menschen jenseits ihrer Ausbildung liegt. Das “Was”, wie zum Beispiel eine höhere Genauigkeit oder eine bessere Entscheidung, ist verständlich. Aber bevor wir gehen, vielleicht noch 30 Sekunden, um abzuschließen. Wie sehen Sie die Zukunft der Bedarfsplaner? Denn noch einmal, ich kann Ihre Antwort schon ein wenig erahnen, aber aus Ihrer Perspektive, nun gut, was ist dann die Zukunft der Bedarfsplaner? Wird es in 5 Jahren, 10 Jahren usw. eine Position für sie geben?
Sven Crone: Ich denke, wenn man sich die verfügbaren Daten und die Technologieadoption ansieht, wird es definitiv noch lange Zeit eine Aufgabe für Bedarfsplaner geben, wahrscheinlich länger als fünf Jahre. Da ist kein großer Druck, sich für Unternehmen umzustrukturieren oder zu innovieren. Wenn man sich all diese Initiativen zur Digitalisierung ansieht, haben die meisten Unternehmen nicht einmal Cloud-Speicher. Es ist überraschend, wie gut einige der größten multinationalen Unternehmen Europas funktionieren können.
Wahrscheinlich liegt das an den erstaunlichen Menschen, die dort arbeiten. Aber ich sehe auch, dass wir langfristig ein Risiko eingehen, wenn wir nicht anpassen, wenn die Softwareanbieter nicht anpassen, wenn wir nicht automatisieren, wenn wir keine sinnvollen Entscheidungen wie die Korrektur von Historien unterstützen, wenn wir nicht, wissen Sie, und Sie haben, ich denke, dass Erklärbarkeit wichtig ist, nicht um zu verstehen, “So funktioniert ein neuronales Netzwerk”, sondern “Dies sind die Eingangsvariablen, die in dieses Netzwerk eingespeist wurden”, und man kann eine Frage beantworten wie “Haben Sie berücksichtigt, dass die Promotion von Woche 5 auf Woche 12 verschoben wurde?” Ich denke, das sind die Fragen, die man beantworten muss. Es sind viel einfachere Fragen.
Aber ich denke, langfristig wird es für Bedarfsplaner sehr schwierig werden, da immer mehr Daten verfügbar werden. Da die Häufigkeit der Entscheidungen zunimmt, gehen wir von monatlichen zu wöchentlichen und möglicherweise intra-wöchentlichen Prognosen über, um auch mit Einzelhändlern abzustimmen. Ich sehe viel mehr Aktionen, viel mehr Störungen. Es gibt so viele Störungen, dass es praktisch unglaublich schwer für Planer sein wird, so viele Informationen in so kurzer Zeit zu bewältigen. Und deshalb glaube ich nicht wirklich, dass sie langfristig mit maschinellen Lernmodellen auf dem Niveau von Genauigkeit und Zuverlässigkeit konkurrieren können, wenn alle Daten vorhanden sind.
Conor Doherty: Danke, Sven. Ihre abschließenden Gedanken, Nicolas.
Nicolas Vandeput: Um es in nur einer Minute zusammenzufassen, was ist die Rolle der Bedarfsplaner in den kommenden Jahren, wie wird sie sich entwickeln. Für mich sind das Menschen, die die meiste Zeit damit verbringen werden, Daten, Informationen und Erkenntnisse zu sammeln, zu erfassen, zu strukturieren und zu bereinigen und den Großteil davon an maschinelle Lernmodelle weiterzugeben. Es wird automatisiert, um die Nachfrage vorherzusagen, und die Informationen, die Erkenntnisse, die nicht an maschinelle Lernmodelle weitergegeben werden können, werden von diesen Planern immer noch verwendet, um manuelle Anreicherungen an diesen Prognosen vorzunehmen. Aber diese Planer werden keine Zeit damit verbringen, Ausreißer zu kennzeichnen, Ausreißer manuell zu korrigieren. Sie werden keine Zeit damit verbringen, Modelle anzupassen, die Parameter von Modellen zu überprüfen und feinzustimmen oder Modelle auszuwählen. Für mich sollten diese Aufgaben zu 100% automatisiert werden. Menschen sollten das nicht tun. Die Planer werden sich darauf konzentrieren, Informationen und Erkenntnisse zu finden, zu sammeln und zu bereinigen.
Conor Doherty: Danke. Und Alexey, Ihre abschließenden Gedanken?
Alexey Tikhonov: Ich denke, dass die Bedarfsplanung derzeit eine Nische von Softwareprodukten namens “Systeme der Intelligenz” einnimmt, denn es gibt typischerweise drei Arten von Unternehmenssoftware: Systeme der Aufzeichnungen, das sind ERPs und verschiedene andere Transaktionssysteme; Systeme der Berichte, das sind Business-Intelligence-Anwendungen; und Systeme der Intelligenz. Dies ist ein aufstrebendes Feld. Das sind die Systeme, die Entscheidungsfindung automatisieren können, wie das, was Lokad seinen Kunden liefert. Und derzeit versuchen Bedarfsplaner, mit diesem Bereich zu konkurrieren.
Mein Verständnis ist, dass sie langfristig nicht mithalten können, sie werden verlieren. Warum? Weil Menschen großartige Wesen sind, sie sind super intelligent. Wenn wir eine einzelne Entscheidung betrachten, können sie einen Roboter übertrumpfen, weil sie immer zu einem größeren Einblick kommen, zu etwas, von dem ein Roboter nichts weiß, wie zusätzliche Informationen. Aber das ist nicht skalierbar. Menschen sind teuer. Wir sprechen von Lieferketten von immenser Größe, also können wir das nicht hochskalieren. Und das ist der Hauptgrund, warum sie langfristig verdrängt werden. Aus den gleichen Gründen haben wir in Paris keine Wasserkuriere mehr, wir haben fließendes Wasser. Warum? Weil es billiger ist. Ja, es gibt immer noch einige unterentwickelte Länder, in denen in kleinen Dörfern Menschen Wasser in Eimern tragen, weil fließendes Wasser aufgrund der Skaleneffekte noch keine Option ist. Aber auch in diesen Dörfern wird es irgendwann fließendes Wasser geben. Also haben sie langfristig keinen Platz. Und im Moment haben sich einige Unternehmen bereits von ihnen getrennt.
Conor Doherty: Vielen Dank an alle auf der Bühne für Ihre Einsichten und Antworten. An dieser Stelle übergebe ich. Hat jemand Fragen? Und ich werde sprinten und das Mikrofon weitergeben. Natürlich wird es ganz hinten sein. Okay, es sollten nicht so viele Reihen sein. Robert, wessen Hände waren oben?
Zuhörer (Bahman): Vielen Dank an alle. Mein Name ist Bahman. Ich komme von der Cardiff University. Ich möchte nur einen sehr kurzen Kommentar abgeben. Sie haben von profitablen Entscheidungen gesprochen. Ich möchte nur betonen, und das ist eigentlich ein Punkt, den Sven auch über das Spektrum erwähnt hat. Es gibt Tausende von Lieferketten, die nicht darauf abzielen, Gewinne zu erzielen. Das sollte man bedenken.
Meines Verständnisses nach lag der Schwerpunkt des Panels mehr auf der Lieferkette, aber es gibt ein ganzes Spektrum der Bedarfsplanung. Wenn man darüber nachdenkt, gibt es Millionen von Krankenhäusern auf der Welt, die Bedarfsplanung betreiben, und sie haben mit einer oder zwei oder drei Zeitreihen zu tun. Meine Frage bezieht sich also eher darauf, aus welchen Bedingungen oder Anforderungen sich automatische Entscheidungen ergeben, wenn Entscheidungen auf einer Prognose als einer Eingabe basieren. Es gibt viele andere Eingaben, von denen einige eine Prognose sein könnten, aber die Mehrheit wahrscheinlich nicht.
Sven Crone: Ich werde versuchen, das zu beantworten. Krankenhäuser haben zum Beispiel einen großen Bestand an Wiederauffüllung, wichtigen Produkten wie Blut, unwichtigen, weniger wichtigen Produkten usw., wissen Sie, Krebsbehandlungsmittel, einige davon werden auf Bestellung hergestellt, andere auf Lager. Ich denke, wir haben uns sehr auf die Industrie konzentriert, meine Erfahrung liegt nicht im Krankenhaus- oder Gesundheitssystem. Wir haben uns sehr auf die Industrie, die Seite der Industrie konzentriert, wissen Sie, ich meine, welche Branche, Supply Chain Management, Logistik, die wahrscheinlich von Gartner definiert wird, jetzt betrachten wir sehr große multinationale Unternehmen, die diese gut definierten Prozesse einführen, die erprobt und getestet wurden, die die Wertschöpfung der Prognose messen.
Ich denke, Sie haben recht, es ist wahrscheinlich auf viele andere Branchen anwendbar, Apotheken, Krankenhäuser usw. Aber ich habe wenig Beweise für die Übernahme dort, aber ich denke, für die Logistik- und Supply-Chain-Industrie, die etwa ein Sechstel des weltweiten BIP ausmacht, richtig? Also sprechen wir über ein Sechstel des weltweiten BIP, das hauptsächlich von sehr großen Unternehmen vorangetrieben wird. Dort sind wir wirklich besorgt über den Mangel an Innovation in Bezug auf diese Dinge. Aber das bedeutet nicht, dass es nicht auch an anderen Orten angewendet werden sollte.
Teilnehmer (Bahman): Ich meine, vielleicht wäre die bessere Bezeichnung eine Dienstleistungs-Supply Chain. Zum Beispiel gibt es in Krankenhäusern eine Bedarfsplanung für Notfalldienste. Es geht nicht unbedingt um Produkte, sondern um den Service selbst. Also geht es meiner Meinung nach mehr um die automatische Entscheidungsfindung, denn wie ich sehe, gibt es ein Spektrum, wissen Sie, von Notaufnahmen, die tatsächlich mit einer Zeitreihe arbeiten, und das ist vielleicht der Fall, in dem Sie nicht mit Tausenden von Zeitreihen arbeiten. Die Frage ist also, welche Anforderungen bestehen, um eine automatische Entscheidungsfindung zu schaffen?
Sven Crone: Ich denke, Sie haben recht. Es ist sehr interessant, dass es viele interessante Bereiche gibt, denen wir in der Prognose-Community nicht so viel Aufmerksamkeit geschenkt haben wie anderen. Wenn Sie sich die 10.000 Artikel zur Prognose mit neuronalen Netzwerken ansehen, denke ich, dass die Hälfte davon sich mit Elektrizität befasst, richtig? Aber sehr wenige befassen sich mit Pharmazeutika. Das ist ein guter Punkt. Ich denke, wir sollten den wichtigen Dingen mehr Aufmerksamkeit schenken.
Conor Doherty: Entschuldigung, dass ich Sie unterbreche, Nicolas, Sie können die nächste Frage beantworten. Ich möchte jetzt zur nächsten Frage übergehen.
Teilnehmer: Hallo, vielen Dank für die wunderbare Diskussion. Meine Frage betrifft mehr die Rolle des Urteils. Jeder Experte hat unterschiedliche Meinungen. Es gibt also ein Muster von Vorurteilen, die aus menschlichem Urteilsvermögen entstehen, und ein Muster von Vorurteilen, die aus KI- oder ML-Modellen entstehen, egal um welches statistische Modell es sich handelt. Wir haben also zwei Vorurteile, eines aus dem menschlichen Urteilsvermögen und eines aus den statistischen Modellen. Wie können wir das Vorurteil aus dem menschlichen Urteilsvermögen in das statistische Vorurteil einbeziehen, um das Gesamtvorurteil bei der Bedarfsplanung zu reduzieren? Vielen Dank.
Nicolas Vandeput: Vielen Dank für Ihre Frage. Das ist ein üblicher Fall, mit dem ich in der Arbeit mit Supply Chains konfrontiert werde. Eine der ersten Dinge, die wir tun, ist, uns historisch anzusehen, wie Ihre Prognosen abgeschnitten haben. Wenn sie einen sehr hohen oder sehr niedrigen Vorurteil hatten, Unterprognose oder Überprognose, dann steckt immer eine Geschichte dahinter. Menschen überprognostizieren, weil sie auf der sicheren Seite sein wollen, höchstwahrscheinlich, weil der Lieferprozess nicht gut ist und sie nicht wirklich wissen, wie man den Bestand verwaltet. Anstatt Richtlinien oder Sicherheitsbestandsziele zu ändern, verlassen sie sich auf sehr hohe Prognosen. Vielleicht haben sie auch sehr hohe Prognosen, weil sie optimistisch sein wollen, sie wollen das Budget erfüllen usw.
Andererseits kann es vorkommen, dass Menschen unterprognostizieren, weil sie die Prognose schlagen wollen, um einen Bonus zu erhalten. Wenn Ihre Supply Chain also ein sehr hohes Vorurteil erzeugt, liegt das an falschen Anreizen oder einem falschen Lieferprozess, und Sie müssen das trennen, die Mitarbeiter schulen, Ihren Lieferprozess verbessern und es möglicherweise einigen Personen unmöglich machen, die Prognose zu ändern, wenn sie einen direkten Anreiz haben, sie hoch oder niedrig zu machen. Das betrifft den Prozess. Wir müssen uns also an Personen halten, die keine Anreize haben, hohe oder niedrige Prognosen zu machen.
Der Modellteil, wenn Sie ein Modell haben, das langfristig sehr hohe oder sehr niedrige Prognosen generiert, zu hoch oder zu niedrig, meine ich nicht, dass ein Monat falsch ist, natürlich nicht, ich meine, dass Sie über mehrere Perioden hinweg dasselbe Problem haben, dann liegt das sehr wahrscheinlich an der Art und Weise, wie Sie Ihren Modell-Engine optimieren, und höchstwahrscheinlich daran, dass der KPI, der zur Optimierung des Modells verwendet wird, nicht der richtige ist. Ich würde wetten, dass er auf MAPE basiert, aber das ist ein anderes Thema.
Conor Doherty: Können Sie Alexey die Möglichkeit geben, einen abschließenden Gedanken zu äußern, denn wir müssen bald enden.
Sven Crone: Ich möchte nur etwas zu dem sagen, was Nicolas gesagt hat. Wenn wir über LLMs sprechen, die möglicherweise die Urteilsbildung übernehmen, sind wir nicht wirklich ins Detail gegangen, wie das funktioniert. Aber es gibt heutzutage viele Beweise dafür, dass Sie nicht ein LLM haben, auf das Sie alle Daten trainieren, um einen Wert zu ermitteln. Sie würden tatsächlich Personas haben, auf die Sie diese trainieren würden. Sie hätten ein Supply Chain LLM, ein Finance LLM, ein CEO LLM, ein Marketing- und ein Key Account Management LLM, die alle auf unterschiedlichen Daten trainiert sind. Oft stammen diese Verzerrungen von unterschiedlichen Kosten, die mit den Entscheidungen für Key Account versus Supply Chain verbunden sind. Aber oft haben Sie auch unterschiedliche Informationen und was sie tatsächlich sehen, kann zu einer verbesserten Entscheidungsfindung führen, wenn Sie tatsächlich Agenten haben, die miteinander kommunizieren und für einen konsolidierten Prozess argumentieren.
Es ist nicht ungewöhnlich, in der S&OP gute Praktiken zu sehen, bei denen sie zu einem Konsens kommen und dieser Konsens genauer ist als die Entscheidung eines einzelnen LLM. Es ist wirklich beängstigend, weil die Verzerrungen vorhanden sind, die Entscheidungen vorhanden sind und dann haben Sie am Ende jemanden, der basierend auf der Gewichtung der Informationen entscheidet. Es ist gespenstisch.
Conor Doherty: Alex, das letzte Wort an Sie und dann werden wir abschließen.
Alexey Tikhonov: Zu derselben Frage denke ich, dass Verzerrung ein Problem der Punktprognoseperspektive ist. Typischerweise möchten Sie, dass Ihre Prognose absichtlich verzerrt ist, weil Ihre Prognose in Bezug auf die Erfassung der Struktur des Risikos naiv ist. Sie prognostizieren das wahrscheinlichste zukünftige Szenario und nehmen dann an, dass die Modellreste normalverteilt sind, was nie der Fall ist. Deshalb führen Sie die Verzerrung ein, die Ihre Vorhersage in Richtung des Bereichs verschiebt, in dem das meiste Risiko konzentriert ist. Zum Beispiel in den rechten Schwanz, wenn Sie die Wahrscheinlichkeit des Nichterreichens Ihrer Service-Level-Ziele prognostizieren möchten, und daher verschieben Sie die Verzerrung.
Wenn Sie zu einer probabilistischen Perspektive wechseln, benötigen Sie diese Verzerrung nicht mehr, weil Sie zu einer Meinung über die Zukunft kommen, die wie diese Zukunft mit dieser Wahrscheinlichkeit aussieht, diese Zukunft mit dieser Wahrscheinlichkeit. Sobald Sie die Parameter trainieren, die die Struktur des Risikos hinreichend genau erfassen, benötigen Sie nur noch eine wirtschaftliche Perspektive wie Kosten, Gewinne und einige höher geordnete Treiber, die Ihnen ermöglichen, Abwägungsentscheidungen zu treffen. Zum Beispiel, sollte ich eine zusätzliche Einheit dieses Gutes kaufen oder eine zusätzliche Einheit dieses Gutes, weil Ihr Budget immer begrenzt ist. Mit einer probabilistischen Perspektive haben Sie dieses Problem nicht, weil Verzerrung nicht erforderlich ist.
Conor Doherty: An dieser Stelle bin ich mir bewusst, dass wir jetzt etwas über die Zeit hinaus sind. Für alle, die noch Fragen stellen möchten, werden wir uns in der Ecke der Bühne versuchen. Aber nochmals vielen Dank an Sven, Nicolas und Alexey, dass Sie uns begleitet haben, und genießen Sie den Rest des Tages. Danke.
