00:00:00 Vorstellung der Debatte-Teilnehmer und des Debatte-Formats
00:02:56 Eröffnungsrede von Joannes
00:09:53 Eröffnungsrede von Jeff
00:16:56 Widerlegung von Joannes
00:21:47 Widerlegung von Jeff
00:26:53 Abschließende Bemerkungen von Joannes
00:28:56 Abschließende Bemerkungen von Jeff
00:31:05 Nachfragen
00:48:36 Fragen aus dem Publikum
01:18:57 Rückblick auf die anfänglichen Perspektiven und Schlussfolgerungen
Zusammenfassung
In einer von Conor Doherty moderierten Debatte wurde das Thema “Ist Forecast Value Added (FVA) bewährte Praxis oder Zeitverschwendung?” von Jeff Baker und Joannes Vermorel untersucht. Jeff Baker, mit umfangreicher Erfahrung im Supply Chain Management, argumentierte für FVA und betonte dessen Wert, wenn es korrekt angewendet und strukturiert wird. Er hob die Bedeutung der Bewältigung von Vorurteilen und der Nutzung von Experteneingaben hervor. Im Gegensatz dazu argumentierte Joannes Vermorel, CEO von Lokad, dass FVA ineffizient sein kann. Er befürwortete stattdessen die finanzielle Optimierung von Supply Chain Entscheidungen mit probabilistischen Prognosen. Die Debatte verdeutlichte die unterschiedlichen Ansichten über die Rolle von FVA im Supply Chain Management und lieferte Einblicke zur Verbesserung von Entscheidungsprozessen.
Ausführliche Zusammenfassung
In einer kürzlich von Conor Doherty moderierten Debatte, Leiter der Kommunikation bei Lokad und Gastgeber des YouTube-Kanals LokadTV, wurde das Thema “Ist Forecast Value Added (FVA) bewährte Praxis oder Zeitverschwendung?” gründlich untersucht. Die Debatte wurde von zwei prominenten Persönlichkeiten der Supply Chain-Branche geführt: Jeff Baker und Joannes Vermorel.
Jeff Baker, der die Verwendung von FVA unterstützt, ist Gründer und Geschäftsführer von Libra SCM, Kursleiter am MITx MicroMasters in SCM und Associate Editor für Foresight, das International Journal of Applied Forecasting. Mit über 25 Jahren Erfahrung im Supply Chain Management spricht und schreibt Jeff häufig über Sales and Operations Planning (S&OP) und FVA.
Auf der Gegenseite argumentierte Joannes Vermorel, CEO und Gründer von Lokad, einem in Paris ansässigen Softwareunternehmen, das sich der finanziellen Optimierung von Supply Chain Entscheidungen widmet, gegen die Verwendung von FVA. Joannes ist bekannt für seine umfangreichen Veröffentlichungen zu Supply Chain-Themen und seine regelmäßigen öffentlichen Vorträge und Debatten mit Branchenführern.
Conor Doherty begann die Debatte mit der Vorstellung des Themas und gab jedem Teilnehmer die Möglichkeit, sich vorzustellen. Nach den Vorstellungen präsentierten die Teilnehmer ihre Ansichten zu FVA.
Jeff Baker argumentierte, dass FVA eine wertvolle Praxis ist, wenn sie richtig angewendet wird. Er betonte, dass Anpassungen an Prognosen geleitet und strukturiert sein sollten. Laut Jeff sollten Anpassungen auf der Richtung der Anpassung (ob nach oben oder unten), der inhärenten Vorhersagbarkeit der Zeitreihen und der Größe der Überschreibung basieren. Er betonte die Bedeutung, nach erheblichen Erhöhungen zu suchen, anstatt kleine Anpassungen vorzunehmen.
Jeff hob auch die Notwendigkeit strukturierter Eingaben hervor, bei denen Annahmen klar formuliert und auf neuen Daten basieren, die möglicherweise noch nicht modelliert wurden. Er plädierte für einen proaktiven Ansatz zur Identifizierung und Bewältigung von Verzerrungen, zum Verständnis der Motivation dahinter und zum Lernen aus vergangenen Fehlern. Jeff glaubt, dass ein gutes Urteilsvermögen auf Erfahrung beruht, die wiederum auf schlechtem Urteilsvermögen beruht. Indem Organisationen Annahmen zurückverfolgen und validieren, können sie Probleme wie Überprognosen aufgrund mangelnden Vertrauens in die Supply Chain angehen.
Darüber hinaus argumentierte Jeff, dass Experten für Vertrieb und Marketing besser in der Lage sind, Informationen zu kontextualisieren als Supply Chain Scientists. Er schlug vor, dass wertvolle Inputs dieser Experten im Laufe der Zeit automatisiert werden sollten, erkannte jedoch an, dass wir nicht in einer Welt mit unendlich reinen Daten leben. Daher ist es wichtig, die richtigen Daten aus verschiedenen Quellen, einschließlich Produktion, Vertrieb und Marketing, zu sammeln.
Joannes Vermorel hingegen argumentierte gegen die Verwendung von FVA. Er behauptete, dass FVA Zeitverschwendung sein kann und nicht immer zu besseren Entscheidungen führt. Joannes betonte die Bedeutung der Fokussierung auf die finanzielle Optimierung und die Nutzung probabilistischer Prognosen, um automatisch fundiertere Supply Chain Entscheidungen zu treffen. Er argumentierte, dass eine zu starke Abhängigkeit von FVA zu Ineffizienzen führen und von wichtigeren Aspekten des Supply Chain Managements ablenken könnte.
Die Debatte umfasste Nachfragen und einen freien Austausch zwischen den Teilnehmern, der es ihnen ermöglichte, tiefer in ihre Argumente einzusteigen und auf die Punkte des anderen einzugehen. Die Diskussion endete mit einer Fragerunde, in der das Publikum die Möglichkeit hatte, live im Chat Fragen zu stellen.
Zusammenfassend verdeutlichte die Debatte die unterschiedlichen Perspektiven zum Wert von FVA im Supply Chain Management. Jeff Baker plädierte für einen geleiteten und strukturierten Ansatz für FVA und betonte die Bedeutung des Lernens aus Erfahrungen und der Bewältigung von Verzerrungen. Joannes Vermorel hingegen argumentierte, dass FVA Zeitverschwendung sein könnte und betonte die Notwendigkeit der finanziellen Optimierung von Supply Chain Entscheidungen anstelle von Prognoseüberschreibungen. Die Debatte lieferte wertvolle Einblicke in die Komplexität der Supply Chain Prognose und die verschiedenen Ansätze zur Verbesserung der Entscheidungsfindung in diesem Bereich.
Vollständiges Transkript
Conor Doherty: Herzlich willkommen zur dritten Ausgabe der Lokad Supply Chain Debates. Heute habe ich das Vergnügen, eine mit Spannung erwartete Debatte zwischen Jeff Baker und Joannes Vermorel zu moderieren. Jeff unterrichtet Supply Chain Dynamics am MIT Center for Transportation and Logistics und ist Gründer und Geschäftsführer von Libra SCM. Joannes hingegen ist Gründer und CEO von Lokad. Er ist Ingenieur an der École Normale Supérieure in Frankreich und hat dort sechs Jahre lang Software Engineering unterrichtet.
Das Thema der heutigen Debatte lautet “Forecast Value Added (FVA): Eine bewährte Praxis oder Zeitverschwendung?” Jeff wird argumentieren, dass FVA tatsächlich eine bewährte Praxis ist, während Joannes behaupten wird, dass es Zeitverschwendung ist. Nun werde ich so schnell wie möglich die Parameter der Debatte und die organisatorischen Dinge durchgehen, damit wir zum spannenden Teil kommen können.
Zunächst wird es Eröffnungsstatements geben, maximal 7 Minuten pro Person. Wie im Voraus vereinbart, wird Joannes zuerst sprechen. Anschließend hat jeder Redner 5 Minuten für eine Widerlegung. Dies wird von einer zweiminütigen Schlussfolgerung jedes Redners gefolgt, zu der ich einige Nachfragen stellen werde. Diese Fragen können von Zuschauern jederzeit während der Veranstaltung im Live-Chat gestellt werden.
Zur Vorbereitung auf die Debatte haben beide Redner folgende Definition vereinbart: Forecast Value Added (FVA) ist ein einfaches Werkzeug zur Bewertung der Leistung jedes Schritts und Beitrags in einem Prognoseprozess. Ziel ist es, Verschwendung zu beseitigen, indem Prozesse und Aktivitäten entfernt werden, die die Prognosegenauigkeit nicht erhöhen oder Voreingenommenheit reduzieren.
Diese Definition sowie vollständige Biografien beider Redner finden Sie in einem öffentlichen Google-Dokument, das Sie im Kommentarbereich oder im Kommentarchat zu diesem Video finden können. Während des Debattenteils werde ich beide Redner streng zeitlich begrenzen und sie höflich daran erinnern, wenn ihnen die Zeit ausgeht. Ich empfehle jedoch, dass sich jeder selbst die Zeit nimmt, um zu wissen, wann die Zeit knapp wird.
Fast fertig. Die Redner müssen während des Redebeitrags des anderen vollkommen schweigen, also bitte unterbrechen Sie sich nicht gegenseitig, zumindest nicht während des zeitlich begrenzten Teils. Und zu guter Letzt etwas schamlose Eigenwerbung: Wenn Ihnen diese Debatten gefallen und Sie mögen, was wir tun, empfehle ich Ihnen, den YouTube-Kanal von Lokad zu abonnieren und uns auf LinkedIn zu folgen. Und damit, ist Forecast Value Added eine bewährte Praxis oder Zeitverschwendung? Joannes, bitte, Ihre Eröffnungsstatements.
Joannes Vermorel: Zunächst möchte ich Jeff dafür danken, dass er sich auf diese Debatte eingelassen hat. Einfach ausgedrückt ist FVA ein Werkzeug zur Verfolgung von Genauigkeitssteigerungen und -senkungen. Ist FVA eine bewährte Praxis? Damit etwas als bewährte Praxis angesehen werden kann, muss es nach Definition das Verständnis der Gemeinschaft widerspiegeln, was der effektivste Weg ist, ein bestimmtes Ziel zu erreichen. Prognose ist jedoch kein eigenständiges Ziel und findet nicht im luftleeren Raum statt.
Prognose ist ein Werkzeug, das wir verwenden, um ein bestimmtes Ziel zu erreichen. Manche mögen argumentieren, dass das Ziel der Prognose eine höhere Genauigkeit ist. Diese Position wird stark diskutiert. Meiner Meinung nach ist die Prognose nur ein weiteres Werkzeug, das uns dabei hilft, bessere Geschäftsentscheidungen zu treffen, d.h. Geschäftsentscheidungen, die mehr Geld einbringen. Die Frage ist also, ob uns FVA durch die Messung von Genauigkeitssteigerungen oder -senkungen näher an das Ziel bringt, mehr Geld zu verdienen. Ich bin nicht überzeugt und werde vorerst drei Kritikpunkte vorbringen, um meinen Standpunkt zu unterstützen.
Erstens, obwohl FVA ursprünglich nicht zur Unterstützung der kollaborativen Prognose entwickelt wurde, bietet FVA durch seine Konzeption einen Rahmen zur Messung des Genauigkeitseinflusses der kollaborativen Prognose. Das ist wichtig. FVA sagt nicht, dass Sie die besten Prognosepraktiken verwenden sollten. FVA sagt hier ist der Genauigkeitseinfluss von dem, was Sie tun. Warum ist das wichtig? Nun, was ist die bewährte Praxis in der Prognosegemeinschaft?
Seit den 1980er Jahren hat Spyros Makridakis eine Reihe von öffentlichen Prognosewettbewerben (die M-Wettbewerbe) organisiert, um die besten Praktiken zu finden. Seit dem M4 im Jahr 2018 haben diese Wettbewerbe kontinuierlich die Überlegenheit algorithmischer Methoden gezeigt. Tatsächlich schrieb Philip Tetlock, wahrscheinlich der größte Experte, wenn es um menschliche Prognosefähigkeiten geht, dass immer dann, wenn ein Prognosealgorithmus verfügbar ist, dieser verwendet werden muss. Der Grund? Der Algorithmus liefert in der Regel eine höhere Genauigkeit im Vergleich zum menschlichen Urteilsvermögen. Dieser Algorithmus und offensichtlich der Experte, der ihn verwendet, sind bewährte Praktiken.
Wenn also die kollaborative Prognose und manuelle Eingriffe nicht bewährte Praktiken sind, und das sind sie nachweislich nicht, dann ist es auch keine bewährte Praxis, diese mit FVA zu messen und, so würde ich argumentieren, eine Zeitverschwendung. Manche mögen sagen, aber Joannes, FVA befürwortet nicht explizit die kollaborative Prognose oder manuelle Eingriffe. Okay, aber so wird es populär verwendet, auch in Jeffs Schriften.
Meine zweite Kritik betrifft etwas, auf dem FVA aufbaut, nämlich die Zeitreihenperspektive. FVA erfordert klassische Zeitreihenprognosen, auch bekannt als Punktprognosen. Mindestens befürwortet FVA die Verwendung einer naiven Prognose, einfach eine Kopie des letzten tatsächlichen Wertes als Basis für den Vergleich der Prognoseeingriffe. Diese Prognose ohne Änderung ist eine Zeitreihe. Aber ist die Zeitreihe bewährte Praxis? Wieder nein. Punktprognosen sind nicht nur unvollständige Prognosewerkzeuge; sie können geradezu irreführend sein, zum Beispiel in Szenarien mit hoher Varianz. Dies liegt daran, dass Punktprognosen die Unsicherheit nicht berücksichtigen.
Tatsächlich umfasste der M5-Prognosewettbewerb eine separate Herausforderung, die Unsicherheitsherausforderung, die sich auf Quantilprognosen konzentrierte, an der Lokad übrigens auf SKU -Ebene teilnahm und gewann. In Wirklichkeit gibt es bereits eine viel bessere Klasse von Prognosen, nämlich probabilistische Prognosen. Im Gegensatz zu Zeitreihen betrachten probabilistische Prognosen nicht nur eine einzelne mögliche Zukunft, zum Beispiel die Nachfrage nächste Woche. Stattdessen betrachten wir alle möglichen Zukünfte und ihre jeweiligen Wahrscheinlichkeiten. Warum ist das wichtig? Es ist wichtig, weil die Identifizierung aller möglichen Zukunftsszenarien entscheidend ist, um die bestmögliche Wahl zu treffen. Dies ist wichtig, wenn finanzielle Risiken im Spiel sind, was für Lieferketten immer der Fall ist.
FVA ist jedoch nicht mit probabilistischer Prognose kompatibel. Warum? Weil probabilistische Prognose bedeutet, Wahrscheinlichkeitsverteilungen zu betrachten und nicht Zeitreihen. Und seien wir ehrlich, Vertriebs- und Marketingmitarbeiter werden Wahrscheinlichkeitsverteilungen mit oder ohne FVA nicht manuell bearbeiten. Das ist absolut undenkbar. Wenn Zeitreihen keine bewährte Praxis sind, und das sind sie sicherlich nicht, wenn es um Risikomanagement geht, dann ist es auch keine bewährte Praxis, FVA zur Vergleich von Genauigkeitsüberschreibungen zu verwenden. Ich würde sagen, es ist Zeitverschwendung.
Meine dritte Kritik ist, dass der prognosewertsteigernde Wert nicht den Wert misst, sondern die Genauigkeit. Und trägt die Genauigkeit zum Wert bei? Nicht unbedingt. Eine genauere Prognose trägt an sich nicht zum Wert bei. In vielen realen Situationen führen eine 90% genaue Prognose und eine 60% genaue Prognose zu genau denselben Bestandsentscheidungen, wenn MOQs oder andere Einschränkungen vorliegen. Wenn sich das finanzielle Ergebnis der Entscheidung nicht ändert, dann trägt die Messung des Genauigkeitsgewinns keinen geschäftlichen Wert bei. Aus geschäftlicher Sicht ist es daher absolut falsch zu sagen, dass Genauigkeit an sich einen Wert schafft. Wenn das der Fall ist, und das ist es, wie kann es dann bewährte Praxis sein, sich mit FVA auf Genauigkeit zu konzentrieren? Das ist es nicht.
Selbst wenn Sie FVA nicht persönlich verwenden, tun es andere. FVA basiert immer noch auf Zeitreihenprognosen, die Unsicherheit ignorieren, und auch auf der Idee, dass eine erhöhte Genauigkeit einen erhöhten Wert bedeutet, was den betrieblichen Rahmenbedingungen widerspricht. All dies sind schlechte Praktiken, und daher argumentiere ich, dass FVA selbst keine bewährte Praxis sein kann. Es ist meiner Meinung nach eine Zeitverschwendung. Danke.
Conor Doherty: Du hast noch 15 Sekunden, Joannes.
Joannes Vermorel: Okay, danke.
Conor Doherty: Nun gut, vielen Dank, Joannes, für Ihre Eröffnungsbemerkungen. Jeff, ich lade Sie jetzt ein, Ihre Eröffnungsbemerkungen zu machen.
Jeff Baker: Ja, super. Danke, Conor. Danke, Joannes. Ich schätze die Gelegenheit, an diesem Gespräch teilzunehmen, wirklich sehr. Also, offensichtlich bin ich für die Verwendung von FVA als bewährte Praxis. Das ergibt sich daraus, dass alle Lieferketten planen müssen, richtig? Wir müssen weit im Voraus Entscheidungen treffen, vielleicht zwei bis drei Monate, um einen Fertigungsplan festzulegen, mit Lieferanten zusammenzuarbeiten, vielleicht sechs Monate im Voraus festzulegen. Wir brauchen eine gute Prognose, um sicherzustellen, dass wir, wissen Sie, wenn wir geringfügige Kapazitätsänderungen haben, vielleicht Personalbesetzung, vielleicht einen Co-Hersteller, den wir hinzufügen möchten. Also müssen wir diese Entscheidungen auf lange Sicht treffen, und wir überprüfen sie auch immer wieder.
Ich habe ein paar Lieblingszitate in der Lieferkette. Eines davon lautet: “Der Plan ist nichts, aber die Planung ist alles.” Also müssen wir diesen Plan haben, um uns in die richtige Position zu bringen. Nun, mein zweites Lieblingszitat in der Lieferkette stammt von Mike Tyson: “Jeder hat einen Plan, bis er ins Gesicht geschlagen wird.” Es weist darauf hin, dass wir wissen, dass wir in der Lieferkette einige Schläge einstecken werden. Das Ziel besteht darin, die bestmögliche Entscheidung mit der größten Erfolgschance im Ausführungsbereich zu treffen. Der beste Weg, dies zu tun, besteht darin, unsere funktionalen Experten einzubeziehen. Vertrieb und Marketing haben lokale Einblicke, die zur Verbesserung der Prognose verwendet werden können und daher in den Konsensprozess einbezogen werden sollten. Die Einbindung dieser Experten auf strukturierte Weise liefert uns die besseren Daten, die wir benötigen, um bessere Entscheidungen zu treffen. Und FVA ist ein effektives Werkzeug, um die Wirksamkeit dieser Eingaben zu messen.
Nun, der Vorbehalt besteht darin, dass Sie möglicherweise eine Tür für Voreingenommenheit öffnen könnten, aber aus meiner Sicht müssen wir daran arbeiten, diese Voreingenommenheit zu korrigieren, nicht sie vollständig zu beseitigen. Wir müssen funktionsübergreifend arbeiten. Wir predigen seit vielen, vielen Jahren, dass Funktionsübergreifendes die beste Vorgehensweise ist. Ich möchte nicht zu einem funktionalen Silo zurückkehren, in dem jeder nur für seine eigene Entscheidung verantwortlich ist, nicht für ihre Auswirkungen auf andere. Um dies am besten zu tun, denke ich, dass Sie geführte Anpassungen vornehmen müssen, wo FVA glänzt. Es liefert mir die Produkte, die einen hohen Wert haben, aber einen hohen Fehler aufweisen. Das ist der fruchtbare Boden, um nach besseren Eingaben zu suchen.
Wenn ich einen großen erwarteten Einfluss habe - einen materiell nachteiligen Effekt, der kommt, oder es könnte auch ein positiver Effekt sein - müssen wir uns darauf vorbereiten können. Also, das Erste ist, dass diese Anpassungen geleitet sein sollten. Die These, die ich für meinen Master-Abschluss gemacht habe, besagt, dass wir uns die Richtung der Anpassung ansehen müssen: Geht es nach oben oder nach unten? Wie gut lässt sich die Zeitreihe prognostizieren? Wie groß ist die Überschreibung? Und lassen Sie uns sicherstellen, dass wir, wenn wir Wert hinzufügen wollen, nach einer deutlichen Steigerung suchen - wir optimieren nicht nur Kleinigkeiten.
Als Nächstes kommt die Struktur. Ich werde niemandem aus Vertrieb oder Marketing erlauben, mir einfach eine beliebige Zahl zu nennen. Ich werde fragen: Was sind ihre Annahmen? Basieren diese auf neuen Daten, die wir noch nicht einmal modelliert haben? Dann werde ich genauer nachfragen: Handelt es sich um das bestmögliche Szenario? Um das schlimmstmögliche Szenario? Was ist der wahrscheinlichste Fall? Was müsste passieren? Was müsste wahr sein, damit dieses Szenario in der Zukunft eintreten kann? Auf diese Weise versuchen wir, Ursachen von Voreingenommenheit proaktiv aufzudecken und die Motivation dahinter zu verstehen.
Nachdem wir das getan haben, schauen wir uns nächsten Monat diese Anpassungen an und fragen uns: “Haben sie Wert hinzugefügt oder nicht?” Was ich gerne sage, ist, dass gutes Urteilsvermögen auf Erfahrung beruht. Erfahrung basiert auf schlechtem Urteilsvermögen. Also lernen wir aus unseren Fehlern. Wir beziehen uns auf die Annahmen, wir validieren, wir finden vielleicht etwas heraus, dass die Vertriebsmitarbeiter ständig überprognostizieren, weil sie kein Vertrauen in die Supply Chain haben. Das ist nicht nur Voreingenommenheit, das ist ein Vertrauensproblem, und wir können anfangen, das anzugehen.
Außerdem sind sie diejenigen, die diese Informationen besser kontextualisieren können als wir. Ich glaube nicht, dass wir einen Supply Chain Scientist haben werden, der Experte für alle Nuancen des Marketings oder alle Nuancen der Prognose ist. Ich werde mich auf diese Experten verlassen, sie nutzen, um mir diese Daten zu geben. Wenn ich im Laufe der Zeit feststelle, dass diese Eingaben wertvoll sind, werde ich versuchen, sie zu automatisieren. Ich habe nichts gegen die Automatisierung bei der Erfassung der richtigen Daten einzuwenden. Aber das Problem ist, dass wir nicht in einer Welt mit unendlich reinen Daten leben. Wenn es Fertigungsdaten gibt, wenn es Verkaufsdaten gibt, wenn es Marketingdaten gibt, müssen wir oft proaktiv hinausgehen und danach suchen.
Wenn wir das gut machen, können wir viele dieser Entscheidungen automatisieren. Anpassungen sind nicht erforderlich, nur weil wir einen FVA-Prozess in einem Prognosesystem haben. Tatsächlich sollte das oberste Prognose-Mantra lauten “Keinen Schaden anrichten”. Kraft Heinz, eines der größten Lebensmittel- und Getränkeunternehmen in Nordamerika, hat die Kennzahl “geringer Berührungsaufwand Prozentsatz”. Wie kann ich sicherstellen, dass ich es nicht jedes Mal anfasse? Ich denke, Deming hat es am besten gesagt: “Tu nicht einfach etwas, steh da.” Denn er erkannte die natürliche Tendenz einer Person, zu denken: “Sie erwarten von mir, dass ich eine Eingabe mache, ich sollte also eine Eingabe machen, um zu zeigen, dass ich beschäftigt bin.” Nein, das ist völlig der falsche Ansatz.
Wenn wir uns den Beweis dafür ansehen, dass die Reduzierung von Fehlern wertvoll ist, können wir auf das Institute for Business Forecasting and Planning verweisen. Sie haben eine Umfrage unter acht CPG-Unternehmen durchgeführt und festgestellt, dass Unternehmen durch eine 1%ige Reduzierung des Prognosefehlers 1,7 Millionen Dollar an Vorteilen pro Milliarden-Dollar-Umsatz erzielen, indem sie die Kosten für die Prognose vermeiden. Dies beinhaltet die Vermeidung von Rabatten, Transshipment, veralteten Produkten, überschüssigem Lagerbestand und der Bindung von Betriebskapital. Unternehmen reduzieren auch die Kosten für eine Unterprognose um etwa 1 Million Dollar pro Milliarde Umsatz, indem sie Fehlbestände, Strafen für unvollständige Auftragsabwicklung und erhöhte Produktions- oder Versandkosten vermeiden.
Das IBF hat dies in seiner Forschung festgestellt. Gartner hat ähnliche Vorteile gefunden: eine Reduzierung des Lagerwerts um 2 bis 7%, eine Verringerung des veralteten Lagerbestands um 4 bis 9%, eine Reduzierung der Transportkosten um 3 bis 9%. Die Größenordnung dieser Zahlen macht es attraktiv, Wege zur Verbesserung der Prognosegenauigkeit zu verfolgen, insbesondere in Bereichen, in denen ein Artikel einen hohen Wert und einen hohen Fehler aufweist oder wenn wir im Voraus wissen, dass externe Ereignisse die Supply Chain in irgendeiner Weise beeinflussen werden. Danke.
Conor Doherty: Nun, vielen Dank, Jeff. Sie haben auch noch 15 Sekunden, wenn Sie möchten.
Jeff Baker: Ich habe 13, aber es ist in Ordnung.
Conor Doherty: Richtig. Nun, Jeff, vielen Dank für Ihre Eröffnungserklärung. An dieser Stelle werden wir mit dem Widerlegen fortfahren. Joannes, 5 Minuten, wenn Sie bereit sind.
Joannes Vermorel: Vielen Dank, Jeff, für Ihre Eröffnungsbemerkungen. Ich denke, Sie vertreten Ihre Position sehr gut, obwohl es ein paar Punkte gibt, die ich klären möchte. Ich stelle nicht in Frage, dass die Absicht besteht, etwas Gutes für das Unternehmen zu tun. Ich versuche jedoch, die Realität des tatsächlichen Ergebnisses in Frage zu stellen.
Erstens, wenn wir denken, dass Genauigkeit am besten ist, etwas, dem es sich lohnt nachzujagen, dann ist die Realität, wie ich in meiner ersten Aussage betont habe, dass FVA nicht die besten Prognosepraktiken widerspiegelt. Wenn ein Unternehmen tatsächlich Genauigkeit verfolgt, werden sie durch das Nicht-Durchführen dieser kollaborativen Prognosen tatsächlich genauere Ergebnisse erzielen. Das ist leider empirisch nachgewiesen worden.
Zweitens sind die manuellen Überschreibungen selbst ein sehr bürokratischer Ansatz, um das Problem anzugehen. Sobald Sie einen Mechanismus implementieren - ja, die Leute können sagen “keinen Schaden anrichten” - aber wenn Sie einen bürokratischen Mechanismus implementieren, wird er genutzt werden. FVA impliziert die Einrichtung einer Mini-Bürokratie oder Mini-Technokratie mit Softwareelementen. Es wird Leute geben, die überprüfen, ob diejenigen im Vertrieb und Marketing tatsächlich die Korrekturen vornehmen und alles. Und so legt es für mich den Grundstein für etwas, das viel bürokratische Arbeit generieren wird.
Denn die Realität ist, dass, wenn Sie sich anschauen, wie diese Prognosen und Anpassungen aussehen, wir von Zehntausenden von Zeitreihen sprechen, wobei jede Zeitreihe etwa 50 Punkte oder mehr hat, wöchentliche Prognosen ein Jahr im Voraus. Aber das führt mich zu einer weiteren Kritik, nämlich dass FVA durch die Fokussierung auf die Genauigkeit isoliert betrachtet Geld fehlalloziert und Unternehmen für viel effektivere Möglichkeiten blind macht, wie Menschen zum Prognoseprozess beitragen könnten. Und um es ganz klar zu sagen, ich habe nie behauptet, dass Mitglieder des Vertriebs, Marketings und Finanzwesens nicht sinnvoll zum Prognoseprozess beitragen könnten. Mir ist durchaus bewusst, dass jedes relevante Mitarbeitermitglied wertvolle Informationen in ihrem Kopf haben kann, Informationen, die für das Unternehmen finanziell lohnend sein könnten.
Was ich jedoch ablehne, ist die Idee, dass die Menschen bis nach der Erstellung einer Punktprognose warten sollten, um sie dann mit manuellen Überschreibungen zu manipulieren, um die Genauigkeit zu erhöhen. Dies ist, wie gesagt, keine bewährte Prognosepraxis, und dennoch ist es das, was die Menschen in der Regel mit FVA tun. Es gibt jedoch eine konstruktive Möglichkeit, Menschen in den Prognoseprozess einzubeziehen. Es besteht darin, zu den Prognosealgorithmen beizutragen, die die Prognose generieren, und später zu den Algorithmen, die Entscheidungen generieren. In der Realität bedeutet dies, den Prognoseexperten zu unterstützen. Bei Lokad wäre dies ein Supply Chain Scientist, der diese Algorithmen durch Bereitstellung von Fachwissen und Erkenntnissen schreibt und verfeinert. Das bedeutet nicht, dass jeder im Vertrieb und Marketing Wahrscheinlichkeitsverteilungen lesen und Skripte in Python schreiben muss. Stattdessen helfen sie, indem sie dem Prognoseexperten die handlungsrelevanten Erkenntnisse liefern, die nützlich sein könnten, und der Experte übersetzt diese Erkenntnisse in den Code.
Und schließlich führen die automatisierten Algorithmen die Prognose durch. Am Ende des Tages sind diese Erkenntnisse nur Informationsstücke, und sie sind, wie ich zustimme, überall im Unternehmen verteilt. Der Prognoseexperte ist jedoch die Person, die weiß, wie man all dies in eine aussagekräftige Prognose und eine sinnvolle Reihe von Supply Chain-Entscheidungen übersetzt. Es kann tonnenweise ausgezeichnete Daten geben, aber es ist nur ein Prognoseexperte, der entscheiden sollte, wie diese Daten verwendet werden sollten, um eine Prognose zu erstellen oder zu überarbeiten. Dies ist bewährte Praxis, die durch Jahrzehnte experimenteller Prognoseergebnisse unterstützt wird. Und leider hat FVA in dieser Vereinbarung keinen Platz. Indem sie die Genauigkeit misst, anstatt direkt zur Verbesserung des Prognosealgorithmus beizutragen, ist das Netteste, was man sagen kann, dass FVA eine Ablenkung ist. Ich würde es jedoch als Zeitverschwendung bezeichnen.
Conor Doherty: Joannes, Sie haben noch 20 Sekunden.
Joannes Vermorel: Ich bin fertig, danke.
Conor Doherty: Okay, danke. Jeff, in diesem Moment sehe ich, dass Sie lächeln. Fühlen Sie sich frei, mit Ihrem fünfminütigen Widerlegung zu antworten.
Jeff Baker: Übrigens, ich glaube, Sie waren stummgeschaltet.
Ja, tut mir leid. Nein, interessanter Standpunkt. Ich möchte auf ein paar Dinge zurückblicken. Sie haben die M5-Wettbewerb und Makridakis erwähnt. Eines möchte ich betonen: 92% dieser Personen haben gegen einen sehr einfachen exponentiellen Glättungsalgorithmus-Benchmark verloren. Es gibt also ein Argument für Einfachheit. Es gibt einen Unterschied, denke ich, zwischen bewährter Praxis und neuestem Stand der Technik. Ich möchte sicherstellen, dass wir hier einen Unterschied haben, denn oft ist einfacher tatsächlich besser und akzeptabler für diejenigen, die es verwenden. Aus Sicht der Erklärbarkeit ist es viel einfacher zu erklären, wie etwas funktioniert und mehr Zustimmung dafür zu bekommen, wenn wir uns in einem S&OP-Meeting in einer Nachfrageüberprüfung befinden.
Das andere, was Sie erwähnt haben, ist die Konzentration auf einen Zeitpunkt bei der Zeitreihenanalyse. Es ist bewährte Praxis, nicht nur die Zeitreihe selbst anzugeben, sondern auch die Vorhersageintervalle, oder? Und das hängt mit der Genauigkeit zusammen. Ja, bewährte Praxis kann sowohl die Zeitreihe als auch die Vorhersageintervalle umfassen. Wir sind uns einig, dass eine Punktprognose nur ein Informationsstück ist. Eine Punktprognose plus die Vorhersageintervalle ist wertvoller.
Sie haben erwähnt, dass probabilistische Prognosen nicht für FVA geeignet sind. Wenn Sie sich eine der neuesten Ausgaben von Foresight ansehen, werden Sie einen Artikel von Stefan De Kok über probabilistische Prognosen und eine Variante davon, stochastischer Mehrwert, sehen, der meines Erachtens auf den Wert dieses Rahmens hinweist. Ich bin in Bezug auf meine Prognosemethode ziemlich agnostisch. Wie auch immer ich es mache, ich möchte eine Verbesserung sehen, wenn ich verschiedene Eingaben in meine Prognose einbeziehe. Wie verbessere ich es? Und gleichzeitig sicherstellen, dass wir eine effiziente und effektive Nutzung unserer Ressourcen haben. Dieser ganze Kompromiss zwischen den Kosten der Ungenauigkeit und den Kosten der Prognoseerstellung ist seit 1971 bekannt. Es gibt einen Artikel in der Harvard Business Review darüber, wie man die Kosten für zu viel Zeit bei der Prognoseerstellung im Verhältnis zur Genauigkeit ausbalanciert. Umgangssprachlich ausgedrückt, ist der Aufwand den Nutzen wert? Basierend auf den von mir erstellten Zahlen gibt es für ein Unternehmen mittlerer Größe viele Vorteile, und ich kann es mir leisten, dass sich einige Leute das anschauen.
Ich glaube nicht, dass die kollaborative Prognoseerstellung bürokratisch ist. Ich denke, man muss diese Personen in den Prozess einbeziehen, damit sie durch das System einen Mehrwert schaffen können. Diese Eingaben sind großartig. Es wird immer Ereignisse geben. Die Lieferketten werden nicht weniger komplex, sondern immer komplexer, dynamischer und anfälliger für den Schmetterlingseffekt. Deshalb müssen die Menschen in der Lage sein, diese Informationen in den richtigen Kontext zu stellen und die beste Entscheidung zum richtigen Zeitpunkt zu treffen. Aus dieser Perspektive muss es kollaborativ sein. Wenn ich kollaborativ bin, arbeite ich immer mit Vertrieb und Marketing zusammen. Es geht darum, nicht das Unmögliche zu versuchen, sondern zu schauen, was sich geändert hat. Wenn ich das weiterhin tue, habe ich diese Beziehung. Ich bin dann in der Lage, diese Eingaben zu erhalten und eine bessere Beziehung zu ihnen aufzubauen.
Das Gegenteil ist, dass ich einen ad-hoc-Prozess habe, bei dem ich Vertrieb und Marketing nach eigenem Ermessen einbeziehe, wann immer ich möchte. Ich garantiere Ihnen, dass die Qualität Ihrer Eingaben aus Vertrieb und Marketing erheblich abnimmt, wenn sie nicht Teil eines regelmäßig geplanten Prozesses sind. Was ich von Vertriebsmitarbeitern immer wieder höre, ist: “Ich bin zu beschäftigt mit dem Verkaufen, lass mich in Ruhe.” Wenn Sie also diese Eingabe erhalten möchten, müssen Sie sie in den Prozess einbeziehen.
Sie haben die Diskrepanz zum tatsächlichen Geschäftswert erwähnt. Mit schlechten Daten können Sie keine guten Entscheidungen treffen. Das Argument lautet, ich brauche eine bessere Prognose. Es gibt kein Argument für eine Verringerung der Prognosegenauigkeit. Ich muss sicherstellen, dass ich die besten verfügbaren Daten für Entscheidungen verwende. Wird das direkt mit einem ROI verbunden sein? Kann ich den ROI einer Entscheidung isoliert für die gesamte Lieferkette berechnen? Das wird nicht passieren. Ich würde gerne sagen, dass es so ist, aber meine Entscheidung aus Sicht der Prognose ist völlig unabhängig von den funktionalen Entscheidungen, die Produktion, Einkauf, Lagerhaltung und Transport treffen. Jede dieser Entscheidungen kann zu einem schlechten ROI führen. Meine Aufgabe ist es, so genau wie möglich zu sein. Vielen Dank.
Conor Doherty: Vielen Dank, Jeff. Entschuldigen Sie, dass ich gerade am Ende dazwischen gesprochen habe, aber ich musste Sie nur daran erinnern.
Jeff Baker: Kein Problem.
Conor Doherty: An dieser Stelle vielen Dank, Jeff. Ich wende mich nun an Joannes. Bitte, Ihre abschließenden Bemerkungen, zwei Minuten.
Joannes Vermorel: Meine Damen und Herren, das Thema der Debatte lautete: “Ist FVA bewährte Praxis oder Zeitverschwendung?” Im Laufe dieser Debatte haben Sie viele Informationen gehört, aber bitte behalten Sie ein paar Dinge im Hinterkopf, wenn Sie sich eine Meinung zu FVA bilden. Erstens, wenn Sie FVA als Teil eines fortlaufenden kollaborativen Prognoseprozesses verwenden, der als Mikromanagement der Prognosepunkte verstanden wird, ist das keine bewährte Praxis. Die manuelle Überschreibung der Prognose ist zweifellos keine bewährte Praxis in der Prognosegemeinschaft, und daher ist auch die Messung mit FVA keine bewährte Praxis.
Zweitens basiert FVA auf Zeitreihenprognosen. Ich bin sicher, dass irgendjemand irgendwo versucht, es auf probabilistische Prognosen anzuwenden, aber seien wir realistisch. FVA funktioniert nur im großen Maßstab, wenn es überhaupt in Kombination mit klassischen Zeitreihenprognosen funktioniert, die die Unsicherheit vollständig ignorieren. Diese sind keine bewährte Praxis, und daher ist auch die Messung der Genauigkeit mit FVA keine bewährte Praxis.
Drittens geht FVA von vornherein davon aus, dass eine erhöhte Genauigkeit etwas ist, das es wert ist. Das ist nicht der Fall. Entgegen dem, was gesagt wurde, gibt es Fälle, in denen eine erhöhte Genauigkeit Ihrem Unternehmen tatsächlich schaden kann. Wir haben ein sehr einfaches Beispiel. Bei der Prognose von seltenen Serien ist Null häufig die genaueste Prognose, auch wenn die Prognose von null Nachfrage keinen Sinn ergibt. Selbst wenn Sie mit mir in all diesen Elementen der Prognose und der Lieferkette nicht übereinstimmen, ist dies klar: FVA kann aus all diesen Gründen und mehr nicht als bewährte Praxis betrachtet werden. Wenn doch, dann ist dies eine sehr traurige Anklage gegen die Prognosegemeinschaft.
Conor Doherty: Vielen Dank, Joannes. Jeff, ich wende mich an Sie. Ihre abschließenden Bemerkungen, bitte, zwei Minuten.
Jeff Baker: Okay, super, vielen Dank. Wie ich bereits sagte, führt eine bessere Planung zu besseren Entscheidungen. Wir müssen lernen, wie man plant, wir müssen lernen, wie man neu plant, und wir müssen sicherstellen, dass wir eine genaue Prognose haben. Ich glaube nicht, dass es einen guten Geschäftsgrund gibt, warum schlechte Daten immer zu besseren Entscheidungen führen würden. Wenn Sie schlechte Daten haben und gute Entscheidungen treffen, nenne ich das blindes Glück. Das passiert nicht sehr oft. Wo FVA glänzt, möchte ich noch einmal betonen, dass ich keine Mikromanagement befürworte, ich befürworte nicht, alles zu übersteuern. Es gibt Beispiele, bei denen wir Artikel haben, die einen hohen Wert haben und einen hohen Fehler aufweisen. Wir wissen, dass es externe Ereignisse gibt, die nicht auf einen sauberen algorithmischen Input reduziert werden können. Wir müssen diese verstehen, wir müssen dafür planen, und zwar im zeitlichen Horizont, der erforderlich ist, um diese Entscheidungen zu treffen. Jede Kritik an FVA beruht weitgehend auf einem Missverständnis darüber, wofür FVA entwickelt wurde.
Ich kenne Lokad, Sie verkaufen Softwarepakete. In früheren Arbeiten war ich bei einem Softwareunternehmen tätig und habe auch Softwarepakete implementiert. Ich weiß, dass das Tool funktioniert. Oftmals liegt das Problem in der Implementierung. Wenn der Kunde nicht das bekommt, was er will, liegt das in neun von zehn Fällen an der Implementierung. Es liegt an der Implementierung und an einem Datenproblem. Jede Kritik an FVA kommt daher, dass man nicht weiß, wie man es richtig implementiert, dass man nicht versteht, wie es funktioniert und wie es Mehrwert schafft. Ich gebe Ihnen noch eine einfache Analogie. Wenn ich eine Terrasse an der Rückseite meines Hauses baue und gehört habe, dass ich die Bretter in den Balken schrauben soll und dann einen Hammer benutze, um Holzschrauben einzuschlagen, wird das nicht funktionieren und ich werde nicht glücklich sein. Das bedeutet nicht, dass es ein Problem mit dem Hammer gibt; es bedeutet nur, dass ich nicht weiß, wie man den Hammer richtig benutzt. Ich benutze das falsche Werkzeug für den Job.
Conor Doherty: Vielen Dank. Entschuldigen Sie, dass ich Sie unterbreche, aber ich muss streng mit den Zeiten sein, um die Unparteilichkeit zu wahren. Vielen Dank, meine Herren. Vielen Dank an Sie beide für Ihre vorbereiteten Bemerkungen, Ihre Argumentation und Ihre Leidenschaft. An dieser Stelle möchte ich zu einigen Nachfragen übergehen. Es gibt einige Fragen, die gestellt wurden. Ich habe mir einige Notizen gemacht, basierend auf dem, was gesagt wurde. Bevor wir zu den Fragen aus dem Publikum übergehen, möchte ich speziell, weil ich hier sitze, zuhören und ein paar Punkte klären, die angesprochen wurden.
Ich fange an, glaube ich, tatsächlich werde ich Joannes drängen, um die Unparteilichkeit zu zeigen. Ich werde Joannes drängen. Also, Jeff, in Ihrem Widerlegung haben Sie das Sprichwort “einfacher ist besser” erwähnt. Ich glaube, Sie haben die Ergebnisse von M5 erwähnt und den Punkt gemacht, dass etwas, nur weil es anspruchsvoll oder topaktuell ist, das nicht unbedingt besser macht. Also, Joannes, Ihre Antwort auf das Konzept, dass probabilistische Prognosen, reine algorithmische Modellierung, das ist einfach zu ausgefallen. Sie sollten einfach sein.
Joannes Vermorel: Die Realität ist, dass wir auf der SKU-Ebene den M5-Wettbewerb mit einem Modell gewonnen haben, das parametrisch ist und nur fünf Parameter hat. Das ist alles. Also ja, algorithmisch bedeutet nicht besser. Tatsächlich zeigt Tetlock in seinem Buch “Superforecasting”, dass ein gleitender Durchschnitt 99% der Menschen bei der Prognose von allem schlägt. Menschen sehen überall Muster; sie haben ein immenses kognitives Problem. Es ist äußerst schwierig, mit Rauschen umzugehen, also sehen Sie überall Muster, und das ist für die Prognose einfach schlecht. Übrigens ist das etwas, bei dem künstliche Intelligenz wie ein gleitender Durchschnitt die menschliche Denkweise in den meisten Fällen übertrifft. Das war nur ein Punkt. Insbesondere die probabilistischen Prognosealgorithmen von Lokad sind nicht von Natur aus sehr ausgefallen. Sie haben nur eine seltsame Form, aber sie sind nicht super ausgefallen im Sinne von Deep Learning und so weiter.
Conor Doherty: Jeff, wie klingt das für dich? Gibt es etwas, auf das du widersprechen möchtest?
Jeff Baker: Die einzige Herausforderung, die ich hätte, und ich bin absolut dafür, die neuesten Daten und Technologien einzubringen - ich war schließlich in einem Softwareunternehmen tätig, wir haben Technologie verkauft - ist, dass wir manchmal die Dinge nicht überkomplizieren müssen. Vielleicht ist es besser, aber wir müssen sicherstellen, dass wir einen inkrementellen Wert für alles bekommen, was wir tun. Außerdem ist die Erklärbarkeit entscheidend.
Für uns hier im Raum, für diejenigen, die daran interessiert sind, dies zu beobachten, sind wir alle an probabilistischer Prognose und Daten interessiert. Wenn es um die Umsetzung geht und ich versuche, irgendeine algorithmische Prognose zu verkaufen, wenn sie unter Erklärbarkeitsproblemen leidet, können wir auf Widerstand stoßen, weil Menschen von Natur aus eine gewisse Abneigung gegen Algorithmen haben. Sie werden sich gegen Dinge wehren, die sie nicht verstehen. Viele dieser Prognosetechniken, insbesondere die einfacheren, lassen sich relativ leicht erklären. Das ist der Punkt, an dem ich sage, dass manchmal die einfacheren, aus Leistungssicht genauso gut funktionieren. Einfache Ensemble-Prognosen schlagen 92% der Menschen, die im M5-Wettbewerb um Ruhm und Reichtum kämpfen. Es steckt also ein gewisser Wert darin.
Ich würde auch sagen, dass man keine einzelne Organisation überfordern möchte. Einige Organisationen haben einen Reifegrad, den wir erreichen müssen. Für viele von ihnen ist es großartig, wenn ich sie dazu bringen kann, exponentielle Glättungsprognosen zu machen. Ensembles, großartig. Sprechen wir über die Vorhersageintervalle, fantastisch. Es gibt kein Problem mit den ausgefalleneren, anspruchsvolleren Algorithmen. Wir müssen nur sicherstellen, dass wir sie entsprechend ihrer Fähigkeit, diese Technologie zu erfassen und zu akzeptieren, auf den neuesten Stand bringen. Andernfalls besteht die Gefahr - und das hatte ich schon einmal -, dass wir gemischte lineare Programme für Unternehmen verwenden und sie es nicht verstehen und ablehnen. Das ist mein Warnhinweis, während wir versuchen, anspruchsvollere Algorithmen voranzutreiben.
Conor Doherty: Joannes, hast du noch etwas hinzuzufügen?
Joannes Vermorel: Noch einmal, ich glaube, es gibt hier etwas Missverständnis, denn das, was ich sage, ist, dass die Methoden selbst bei probabilistischer Prognose ziemlich einfach sind. Jede Raffinesse besteht nur darin, die Faktoren genau zu berücksichtigen. Unsere Alternative zu FVA besteht darin zu sagen, dass, wenn Menschen Informationen haben und die Hand heben, das Faktoren sind, die berücksichtigt werden müssen. Die Prognose selbst verwendet diese zusätzlichen Informationen nur als Eingabe, nicht als Übersteuerung des Ergebnisses.
Das hat viele positive Auswirkungen, zum Beispiel müssen Menschen bei Aktualisierung der Prognose nicht die Übersteuerung aktualisieren. Das Problem ist, dass die Leute es als Übersteuerung, als etwas Statisches betrachten. Aber wenn Sie die Prognose übersteuern, was ist, wenn nächste Woche neue Informationen vorliegen und sich Ihre Basislinie gerade verschoben hat? Was machen Sie dann? Wenden Sie dieselbe Übersteuerung, denselben Unterschied im Vergleich zu dem an, was Sie zuvor hatten, erneut an? Es gibt tonnenweise Komplikationen, die sich einfach daraus ergeben, dass das Marketing Informationen in Form einer Prognoseübersteuerung bereitstellt. Es ist viel einfacher zu sagen: “Marketing, sagen Sie uns, dass wir dieses Produkt mit einer Werbeausgabe in dieser Höhe bewerben werden”, und dann berücksichtigen Sie das als Eingabe für Ihre Prognose. Sie können sogar rückwirkend testen, ob dies die Genauigkeit erhöht oder nicht. Dieser Rücktest ist etwas, das Sie sofort erhalten können; Sie müssen nicht drei Monate warten, um zu sehen, ob Ihre manuelle Korrektur etwas Positives gebracht hat oder nicht.
Conor Doherty: Wenn ich da kurz einhaken darf, weil Sie etwas angesprochen haben, was ich auch Jeff sagen wollte. Im Hinblick auf “einfacher ist besser”, basierend auf dem, was Sie gerade gesagt haben, wäre es theoretisch nicht einfacher für einen Experten, andere Experten zu interviewen, Erkenntnisse zu gewinnen und diese in eine algorithmische Entscheidung umzusetzen, anstatt dass jeder, einschließlich Nicht-Experten, eine Prognose berührt? In Bezug auf Einfachheit, was denken Sie darüber? Sind sie gleich einfach oder ist eine komplexer als die andere?
Jeff Baker: In der Regel habe ich FVA im Vertriebs- und Betriebsplanungsprozess eingesetzt, bei der Nachfrageüberprüfung, wenn der Zeithorizont drei Monate beträgt. Wir haben den aktuellen Monat, den aktuellen Monat plus eins, zwei. Typischerweise ist das bei vielen CPG-Unternehmen, vielen Unternehmen, der gefrorene Zeitplan. Dort beginnt der Übergang zwischen Planung und Ausführung, also S&OP versus S&OE.
Wenn wir uns in diesem S&OP-Bereich befinden, betrachten wir einige dieser Ereignisse, einige der Treiber. Was wir dort tun, ist, wenn wir es auf aggregierter Ebene tun, sammeln wir Eingaben. Wenn es sich um eine Eingabe auf Produktebene handelt, können Sie diese hochrangigen Treiber verwenden, um sie weiterzugeben. Sie können einige dieser Entscheidungen disaggregieren, was eine gängige Praxis ist - nehmen Sie eine hochrangige Zahl und disaggregieren Sie sie bis ins Detail.
Auf der Ausführungsebene könnten Sie das auch auf Produktebene oder Unternehmensebene tun, je nach Größe des Einflusses. Ich denke, das ist einfacher. Ich befürworte nicht unbedingt die Anpassung jedes einzelnen SKUs, weil das, wie Sie bereits erwähnt haben, belastend sein kann. Aber wenn es große Auswirkungen gibt, müssen wir diese Anpassungen vornehmen.
Bei dieser Planung, bei dieser Neuplanung, zurück zum Plan ist nichts, Planung ist alles. Diese Vorstellung von Neuplanung, Überprüfung, wenn wir das im S&OP-Prozess einmal im Monat tun, haben wir alle Entscheidungsträger im Raum. Wir machen es einmal im Monat und konzentrieren uns auch darauf, was bereits im Modell enthalten ist, welche neuen Informationen vorliegen und wie wir diese neuen Informationen einbeziehen. Tatsächlich stand ich fast auf und habe während eines Nachfrageüberprüfungs-Meetings gejubelt, als der Vertriebsleiter, der VP, im Raum war und sagte: “Okay, welche neuen Informationen haben wir zu diesem Thema?” Keine neuen Informationen. “Okay, die statistische Prognose, die algorithmische Prognose bleibt bestehen”, und das war es. Es gab nicht viel Bürokratie dabei.
Ich denke, das ist der ideale Weg, es zu tun, es sei denn, es gibt wirklich große Ereignisse, von denen wir wissen. Aber dann müssen Sie als Supply Chain Scientist proaktiv hinausgehen und diese Informationen suchen. Währenddessen kommen Vertrieb und Marketing zu den Meetings und wissen, dass sie mir sagen müssen, was neu ist, was sich geändert hat, was nicht in den Annahmen des letzten Monats enthalten war. Wir versuchen, das so schnell wie möglich zu machen. Für ein großes CPG-Unternehmen können Sie das auf Produktebene ziemlich schnell durchgehen.
Conor Doherty: Danke, Jeff. Joannes, gibt es noch etwas hinzuzufügen?
Joannes Vermorel: Nicht allzu viel, aber um es kurz zu halten, der Grund, warum wir wirklich dafür plädieren, dass der Experte die Informationen aufnimmt, anstatt die Prognose anzupassen, ist, dass die Informationen fast immer in Bezug auf die Granularität nicht mit dem Geschäft des Unternehmens übereinstimmen. Sie haben zum Beispiel “Oh, wir haben diesen Konkurrenten, der bankrott geht.” Es gibt keine klare Überschneidung zwischen diesem Konkurrenten und dem, was er genau tut. Es ist kein Eins-zu-Eins-Verhältnis. Es gibt ein umfangreiches Problem, bei dem Kategorie für Kategorie festgestellt werden muss, welche Produkte betroffen sind.
Die Vorstellung, dass Informationen im Kopf einer Person aus Vertrieb oder Marketing oder was auch immer als “Okay, diese Informationen können eine passende Zeitreihe finden, um sie zu überschreiben”, ist fast nie der Fall. Es ist schwierig herauszufinden, was genau relevant ist. Was ist mit all den anderen Unsicherheitsquellen? Wenn Lokad ein Unternehmen mit Vorhersagemodellen betreibt, haben wir leicht ein halbes Dutzend Vorhersagemodelle - eines für die Nachfrage, ja, aber auch für die Durchlaufzeiten, Produktionsausbeuten, zukünftige Lieferantenpreise, Vorhersage der Volatilität der Preise von Wettbewerbern usw.
Wenn Sie sagen, dass der Punkt bei FVA darin besteht, dass es auch dieses Problem der Impedanzanpassung zwischen der Granularität der Informationen, die Sie haben, und der Zeitreihe gibt. Es stellt die Nachfrage einfach auf ein Podest, während Sie viele andere Unsicherheiten haben, die vorhergesagt werden müssen. Es gibt auch Informationen wie “Okay, dieser Lieferant wird völlig überfordert, die Durchlaufzeiten werden explodieren.” Das sollte im Durchlaufzeit-Vorhersagealgorithmus berücksichtigt werden.
Jeff Baker: Ja, da habe ich nichts dagegen einzuwenden, dass wir uns in der Lieferkette Dinge ansehen müssen. Ich empfehle keineswegs, dass wir uns auf FVA konzentrieren und alles andere wie Lieferzeiten des Lieferanten oder ähnliches vergessen. Das ist nicht korrekt. Wir müssen uns auf die Nachfrage konzentrieren, aus effizienter Sicht, was ist meine beste Nachfrage, richtig?
Und ich muss auch all diese anderen Dinge über meine Versorgungsseite wissen. Wir müssen beides tun, oder? Und ja, ich stimme vollkommen zu. Wir brauchen Durchlaufzeiten, Durchlaufzeitvariationen, wir müssen die Fertigung verstehen, wann sie ausfallen könnte, Lieferantenpreise, das müssen wir auch wissen. Also da habe ich nichts dagegen. Der einzige Einwand, den ich habe, ist, dass ich nicht sage, dass wir uns ausschließlich auf FVA konzentrieren sollen und die anderen Dinge außer Acht lassen sollen.
Conor Doherty: Nun, wir haben noch weitere Fragen aus dem Publikum, auf die ich eingehen werde. Es gibt nur noch einen letzten Punkt, der aufgeworfen wurde, und ich werde ihn stellen. Ich habe versucht, fair zu paraphrasieren, Jeff, also bestätigen Sie bitte, ob ich fair paraphrasiert habe. Aber dann möchte ich dich, Joannes, dazu drängen. Jeff, in deinen abschließenden Bemerkungen hast du die Behauptung aufgestellt, dass es Gegenstände gibt, die nicht auf einen Algorithmus reduziert werden können. Ist das eine faire Zusammenfassung dessen, was du gesagt hast? Es gibt bestimmte Gegenstände, ich glaube, es war eine geringe Vorhersagbarkeit, auf die man sich nicht einfach auf eine algorithmische Lösung verlassen kann.
Jeff Baker: Ja, und es gibt Ereignisse, wissen Sie, es hängt eher damit zusammen, dass Ereignisse nicht wiederholbar sind.
Conor Doherty: Und die Implikation dabei ist, dass sie eine manuelle Übersteuerung, manuelle Eingabe erfordern.
Jeff Baker: Eine Kontextualisierung der Tatsache, dass es ein Ereignis gibt. Ich habe nichts, mit dem ich es modellieren kann, aber ich werde eine Entscheidung treffen müssen. Ich werde einen Experten hinzuziehen, um mir dabei zu helfen.
Conor Doherty: Joannes, was denkst du darüber? Denn ich war sehr neugierig, dir zuzuhören und deine Meinung dazu zu hören.
Joannes Vermorel: Das ist der Punkt, an dem ich den Experten Philip Tetlock in meiner Argumentation erwähnt habe. Er hat tatsächlich ein Buch mit dem Titel “Superforecasting” geschrieben und die Fähigkeiten der menschlichen Prognose mit einem Projekt bewertet, das seit einem Jahrzehnt läuft und das Good Judgment Project genannt wird. Es wurde von IARPA finanziert, dem Geheimdienstäquivalent des US-DARPA.
Was sie herausgefunden haben, war, dass die Menschen, die gute Prognostiker für diese Art von intuitiver Prognose waren, für Dinge, für die es keine algorithmische Rezeptur gibt, sofort zu dem Schluss kamen, dass es besser ist, wenn eine algorithmische Rezeptur vorhanden ist. Wenn es keine gibt, okay, zurück zu den Menschen und hochrangigen Urteilen. Aber was sie herausgefunden haben, und das ist eine der Schlussfolgerungen des Buches, ist, dass die Superprognostiker, also Menschen, die konsequent überlegene Prognosegenauigkeit erreichen, tatsächlich Mikroalgorithmen speziell für den Fall entwickeln. Das ist es wörtlich. Und wenn Menschen dazu in der Lage sind, haben sie eine massive Verbesserung der Genauigkeit. Es geht um eine Genauigkeitssteigerung von etwa 30%, selbst bei Dingen, die sehr schwer einzuschätzen sind, wie zum Beispiel die Frage, ob der ehemalige Präsident Syriens in den nächsten fünf Jahren wieder an die Macht kommt. Eine Frage, die sehr schwer zu beantworten ist.
Die Quintessenz ist also, wenn wir zu diesen Schlussfolgerungen zurückkehren, unterstützt es erneut die Idee, dass es nicht die Person sein muss, die die Informationen hat, die diese Informationen in eine quantitative Aussage über die Prognose des Unternehmens umwandeln muss. Das ist es, was ich sage. Und deshalb denke ich, dass FVA und die Praxis dieser manuellen Übersteuerungen falsch liegen, weil wir bei Lokad das so angehen, dass uns jemand die Informationen, die Rohinformationen, gibt und dann, wenn wir ein Element haben, das aus dem Nichts auftaucht, müssen wir eine Art Mini-Zahlenrezept erfinden, das das in eine Zahl umwandelt.
Und das Interessante ist, dass man es nicht nur erfinden, sondern auch dokumentieren muss. Man muss erklären, was die Logik war, auch wenn es nur drei Sätze sind, die sagen: “Okay, ich mache das, multipliziere das mit diesem, wende ein Verhältnis und einen Rabatt an”, etwas sehr Einfaches wie ein Kochrezept. Wenn wir wieder zu “Superforecasting”, diesem Buch, zurückgehen, ist das genau das, was die Superprognostiker tun, die ohne Algorithmen überlegene Prognoseergebnisse erzielen. Sie haben das explizite numerische Rezept, das ihren Prozess verbessert. Es geht also nicht nur um Informationen, man muss einen Prozess haben, der wiederholbar und verbesserbar ist, wie man diese Erkenntnisse in Zahlen umwandelt. Das sollte nicht wie Magie im Kopf der Menschen sein.
Jeff Baker: Nein, da stimme ich vollkommen zu. Wir lassen die Leute dokumentieren, was ihre Annahmen sind. Eine Erweiterung davon, ja, wenn Sie ein großes KI-Sprachmodell für das Verkaufsteam oder das Marketing hätten, fantastisch. Denn das ist eine der Vorurteile, Sie fragen die Leute, Sie versuchen, ihre Eingaben zu bekommen, und manchmal erinnern sie sich an Dinge, manchmal erinnern sie sich nicht an Dinge. Oft gehen wir durch die Daten zurück und sagen: “Okay, wann haben wir diese Preiserhöhung gemacht? Oh, wir nähern uns einem Jahr, vielleicht hat sich der erste Anstieg durch die Preiserhöhung inzwischen abgeschwächt.” Ich bin absolut dafür, das zu automatisieren, wenn es möglich ist. Sie müssen dieses Gespräch mit den Menschen führen und damit anfangen. Es muss für sie zur Lebensweise werden, weil es derzeit in vielen Unternehmen so viele solcher Fälle gibt. Also denke ich, ja, man fängt damit an.
Conor Doherty: Richtig, nun werde ich zu einigen Fragen aus dem Publikum übergehen. Ich glaube, ich habe dich das letzte Mal zuerst gefragt, Jeff, das ist für euch beide, aber ich werde dich zuerst fragen. Das kommt von Nicholas. Wie kann man eine Situation bewältigen, in der zu viele Informationen hereinkommen und statistische Modelle dazu zwingen, sich häufig zu ändern, selbst wenn ein S&OP vorhanden ist? Wie kann der Druck von Marketing- und Finanzteams effektiv ausgeglichen werden?
Jeff Baker: Also die Frage ist, ob es viele verschiedene Informationen aus Vertrieb und Marketing gibt?
Conor Doherty: Ja, im Grunde genommen, wenn eine Welle von Informationen hereinkommt, wie geht man damit um, insbesondere wenn dies dazu führt, dass sich die statistischen Modelle häufig ändern, zum Beispiel mit vielen Überschreibungen. Obwohl ich diese Klammer selbst hinzugefügt habe.
Jeff Baker: Okay, das statistische Modell selbst würde sich nicht ändern. Wir sprechen also von einem statistischen Prognosemodell, das auf Zeitreihen basiert, und dann von Überschreibungen aus Vertrieb und Marketing. Wir sprechen nicht von…
Conor Doherty: Ich habe Nicholas gerade nicht bei mir, tut mir leid.
Jeff Baker: Okay, in diesem Fall müssen Sie eine Entscheidung zum Zeitpunkt des Horizonts treffen, richtig? Wenn ich drei Monate im Voraus planen muss, um meinen Fertigungsplan festzulegen, meine Laufsequenzierung für meine begrenzte Kapazitätsplanung, dann ja, wir müssen die Praxis haben, dass Sie nicht in letzter Minute mit neuen Informationen hereinkommen. Eine der anderen Dinge, die ich als großer Befürworter auf der Fertigungsseite bin, sind Verletzungen des eingefrorenen Zeitzauns, um das Vertriebsteam zu schulen. Überraschungen im aktuellen Monat und im nächsten Monat sind nicht willkommen. Und das ist eine kulturelle Sache, richtig? Und so würde ich das angehen. Ich meine, ein Fall, in dem ein Vertriebsmitarbeiter hereinkam und sagte: “Hey, wir haben diesen großen Verkauf”, und sie haben bis zur letzten Minute gewartet, um es der Fertigung mitzuteilen. Das ist kein gutes Geschäft, richtig? Du hast uns gerade ziemlich viel Geld gekostet.
Also diese Idee des Einfrierens, du musst den Anruf in diesem Zeitrahmen machen, das muss dein bester Anruf sein und wir werden basierend darauf planen und überrasche uns nicht. So würde ich mit einer solchen Welle umgehen. Tatsächlich ist eine der S&OP-Metriken, die ich liebe, diese Verletzung des eingefrorenen Zeitzauns. Wie oft zwingen wir unsere Fertigungsleute, sich zu beeilen, nur weil du bis zur letzten Minute gewartet hast, um uns mitzuteilen, dass es einen neuen Verkauf gibt.
Conor Doherty: Danke, Jeff. Joannes, hast du dazu Gedanken? Fühlen Sie sich auch frei, in Ihre Antwort einzubeziehen, wie ein Experte unter Ihrem Rahmen mit vielen plötzlichen Erkenntnissen von vielen verschiedenen Personen umgehen würde?
Joannes Vermorel: Zunächst einmal ist der Ansatz von Lokad, alles zu automatisieren. Für uns ist das also die Art von Situation, in der Sie zunächst Bandbreite dafür haben müssen. Und wissen Sie, das ist das Interessante daran, alles zu automatisieren. Per Definition hat der Supply Chain Scientist, sobald die Sache automatisiert ist, viel Bandbreite, um eine außergewöhnliche Situation tatsächlich aufzunehmen. Das ist typischerweise nicht der Fall in einer Situation, in der die Leute bereits ihre gesamte Zeit mit der Routine verbracht haben. Das ist also das Erste.
Das zweite ist, dass die Instabilität der Prognose eine Eigenschaft klassischer Zeitreihenprognosen ist, Sie wissen schon, Punktprognosen. Sie fügen ein bisschen Information hinzu und die Sache springt einfach auf und ab, weil Sie gemäß Ihrer Genauigkeitsmetrik genau das tun sollten, um super reaktiv zu sein, um am genauesten zu sein. Sehr häufig haben Sie diesen Kompromiss: Wenn Sie ziemlich genau sein wollen, müssen Sie Änderungen sehr schnell erfassen, und das macht die Prognose sehr sprunghaft. Hier, wenn Sie sich für probabilistische Prognosen entscheiden, neigen sie dazu, die Probleme der Sprunghaftigkeit zu beseitigen, weil Sie bereits eine Wahrscheinlichkeitsverteilung haben, die irgendwie diffus ist. Die Tatsache, dass Sie ein Ausreißer und so weiter beobachtet haben, Sie haben immer noch diese diffundierte Wahrscheinlichkeitsverteilung. Es gibt keinen großen Sprung in der Ausbreitung der Masse der Wahrscheinlichkeitsverteilung.
Auch das Problem der Sprunghaftigkeit der Prognose, selbst wenn wir uns für Punktprognosen entscheiden, die radikal verändert werden können, ist, wie gesagt, warum Menschen Sprünge in der Prognose nicht mögen? Die Antwort ist, dass Prognosen manuell erneut verarbeitet werden, mit manuellen Überschreibungen, manuellen Überprüfungen und so weiter. So macht es Lokad nicht. Die Prognose ist automatisiert, die Entscheidungen sind automatisiert. Wenn sich die Prognose ändert, spiegeln die Entscheidungen automatisch und sofort den neuen Zustand wider, unter Berücksichtigung der Tatsache, dass Sie finanziell an einen bestimmten Handlungskurs gebunden sein können. Ja, die Nachfrage hat sich geändert, aber Sie haben bereits Bestände produziert. Jetzt müssen Sie diese Bestände irgendwie liquidieren, verkaufen. Sie sehen also, dass die Automatisierung die Probleme beim Hinzufügen von Informationen zeitlich begrenzt und weitgehend beseitigt. Die Informationen können hinzugefügt werden, sobald sie verfügbar sind, und sobald sie verfügbar sind, werden sie berücksichtigt.
Jeff hat über Kultur gesprochen. Das Interessante ist, dass es die Menschen sofort belohnt, wenn sie Informationen bereitstellen, denn buchstäblich am Tag, an dem sie ihre Informationen hinzufügen, werden sie validiert. Am nächsten Tag werden die Produktionspläne gesteuert. Produktionspläne, Bestandszuweisung, Versand, Bestellungen, alles spiegelt sofort diese Informationen wider, die gestern bereitgestellt wurden. Für die Menschen sehen Sie einen Weg, eine Kultur des Vorbringens von Informationen zu entwickeln. Sie müssen sehen, dass, wenn sie Informationen bringen, innerhalb von Stunden in jeder Skala in jeder einzelnen Entscheidung reflektiert wird. So können Sie es sehr greifbar machen, nicht indem Sie ihnen sagen: “Kommen Sie nächsten Monat wieder, und dann werden wir vielleicht anfangen, uns Ihre Sachen anzusehen.”
Conor Doherty: Danke, Joannes. Jeff, ich möchte auf diesen letzten Teil auf jeden Fall Ihre Gedanken hören, weil ich sehen konnte, dass es bei Ihnen zumindest ein wenig mitschwang.
Jeff Baker: Ja, ja. Also, für mich klingt das wie ein Rezept für den Peitscheneffekt, oder? Sie sagen, dass ich jede kleine Information dort hineinwerfen werde, ich meine, ich schätze die Reaktionsfähigkeit und die technische Fähigkeit, sofort widerzuspiegeln, was die beste Entscheidung ist. Die Herausforderung besteht darin, dass wir bereits viele dieser Entscheidungen getroffen haben. Wenn ich meinen Zeitplan gemacht habe und, sagen wir mal, Haferflocken herstelle, und ich habe normale Haferflocken, dann habe ich Haferflocken mit Zimt, ich habe Zimt und Apfel, und dann mache ich Zimt, Apfel und Walnuss. Nun, ich habe jetzt eine Allergie. Es gibt einen enormen Umschaltungsaufwand zwischen diesen. Wenn Sie jetzt eingreifen und ich diesen Zeitplan sofort stören muss, gibt es einen enormen finanziellen Aufwand, einen potenziellen finanziellen Aufwand dafür. Wenn ich plötzlich schneller mehr Rohmaterial bestellen muss, habe ich einen Peitscheneffekt bei meinem Lieferanten.
Also, es gibt einige Vorteile der Stabilität. Tatsächlich gibt es viele interessante Diskussionen darüber, ob es eine wertvolle und stabile Prognose gibt, nicht die genaueste, aber genaue plus stabile, weil Stabilität einige Vorteile in der Supply Chain hat. Also, das ist ein Bereich, in dem wir gerade erst anfangen, Forschung zu betreiben, aber es spricht dafür, dass viele dieser Entscheidungen getroffen werden müssen. Wir haben sozusagen einen Pflock eingeschlagen, und jeder wird lachen, wenn ich sage, wissen Sie, eine gefrorene Prognose. Wie, Mann, sie ist nicht wirklich gefroren. Okay, wir wissen alle, dass sie nicht gefroren ist, aber es gibt finanzielle Konsequenzen, wenn man Änderungen in Entscheidungen vornimmt.
Also, während ich technisch gesehen großartig finde, dass wir sagen können: “Hey, das ist jetzt die beste Entscheidung”, denke ich, dass wir das mit der Tatsache in Einklang bringen müssen, dass mit jeder Änderung auch Kosten verbunden sind. Das mag für einige Lieferketten durchaus in Ordnung sein. Wenn ich eine reaktionsfähige Lieferkette habe, sind wir vielleicht in Ordnung. Vielleicht ist das die Welt, in der wir leben. Wenn wir jedoch eine effiziente Lieferkette haben, in der Änderungen teuer und schwierig sind, sehe ich ein Problem.
Joannes Vermorel: Ich verstehe. Bei Lokad modellieren wir natürlich die Kosten der Veränderung. Jede Ressourcenzuweisung, die von dem abweicht, was zuvor war, modellieren wir in den Kosten mit ein. Das ist super grundlegend. Also, die Sache wird nicht springen, wenn die Kosten der Veränderung die erwarteten Vorteile übersteigen. Für mich ist es so, dass die Leute normalerweise auf extrem unsinnige numerische Rezepte schauen und sagen: “Oh, schau, das ist ein Problem.”
Zum Beispiel haben wir eine Entscheidung, die super naiv von einer Prognose abhängig ist, ohne jegliche Berücksichtigung der aktuellen Verpflichtung usw. Das ist unglaublich naiv. Offensichtlich müssen Sie in Ihrem numerischen Rezept einen Teil haben, der die Entscheidung umsetzt, welche Kosten für Veränderungen und alle möglichen Kosten anfallen. Davon gibt es viele. Und genau hier glänzt auch die probabilistische Prognose. Sie gibt Ihnen noch mehr. Sie berücksichtigt die Tatsache, dass Sie diese Entscheidung jetzt treffen, sie aber in Zukunft möglicherweise überarbeiten müssen. Denn wenn Sie diese Punktprognose haben, nehmen Sie per Definition an, dass Sie die Zukunft bereits kennen. Ihr Modell verhindert automatisch, dass Sie berücksichtigen, dass Ihre Prognose falsch sein könnte. Aber mit probabilistischen Prognosen ist dies gegeben. Die Prognose sagt Ihnen bereits, dass die Nachfrage überall innerhalb dieses Bereichs liegen kann, und Sie haben die Wahrscheinlichkeiten. Also werden Sie nicht nur berechnen, wenn Sie die Entscheidung optimieren, die Kosten der Veränderung, falls eine Veränderung vorliegt, sondern auch die Tatsache, dass in Zukunft möglicherweise eine Veränderung erforderlich ist.
Conor Doherty: Nun, meine Herren, ich habe noch im Hinterkopf, dass die Zeit knapp ist und es noch mindestens vier weitere Fragen zu beantworten gibt. Aber im Sinne der Gleichberechtigung werde ich diese nächste Frage an Sie stellen, ähm, Jeff. Wäre FVA ein guter Ansatz, um den Druck zu verringern, statistische Modelle an Budgeterwartungen anzupassen? Im zweiten Teil, wie kann ein Supply Chain Data Scientist…
Entschuldigung, ich sollte das eigentlich Joannes stellen. Entschuldigung. Wäre FVA ein guter Ansatz, um den Druck zu verringern, statistische Modelle an Budgeterwartungen anzupassen? Und wie kann ein Supply Chain Data Scientist mit den politischen und hierarchischen Herausforderungen umgehen? Und Jeff, ich werde Sie um einen Kommentar bitten.
Joannes Vermorel: Auch hier liegt das Problem bei Punktprognosen. Punktprognosen setzen voraus, dass Sie die Zukunft kennen. Wenn Sie also die Zukunft kennen, ist alles, der Plan, alles eine Frage der Orchestrierung, und Ihre Prognose sagt Ihnen das Budget, das Sie für alles benötigen. Und das ist falsch, weil die Prognose Ungenauigkeiten aufweist und Sie die Unsicherheit völlig außer Acht lassen.
Eine Punktprognose ist starr an ein bestimmtes Budget gebunden. Das ist absolut nicht bewährte Praxis. Aber wenn wir in die Welt der probabilistischen Prognosen gehen, verschwinden plötzlich all diese Probleme. Was Sie haben, sind mögliche Zukünfte, und dann können alle Budgetausgaben berücksichtigt werden. Wenn Sie mir sagen, dass Sie diese Menge an Ressourcen haben, werden Sie prüfen, wie Sie diese Ressourcen zuweisen können, um das Beste gemäß diesen Wahrscheinlichkeiten in der Zukunft zu erreichen.
Und übrigens haben wir ein Beispiel dafür. Wenn die Leute eine Tabellenkalkulation haben möchten, können sie sich priorisierte Bestandsauffüllung auf unserer Website ansehen. Es handelt sich um eine Excel-Tabelle, die zeigt, dass Sie mit einer probabilistischen Prognose das Budget auswählen können, das Sie haben, und es Ihnen das Beste geben wird, was Sie für Ihr Budget bekommen können. Auch hier handelt es sich um ein Problem von defekten Punktprognosen als Paradigma. Klassische Zeitreihen sind als Paradigma defekt, und Sie haben am Ende viele Probleme, die Sie selbst konzeptionell nicht hätten, wenn Sie nicht an ein defektes Paradigma gebunden wären.
Jeff Baker: Nur so eine spontane Bemerkung zu einem defekten Paradigma, das für viele Unternehmen seit Dutzenden von Jahren sehr gut funktioniert hat. Also würde ich es nicht als defekt einstufen. Was das Budget betrifft, wissen Sie, das Budget und die Prognose sind ein großes Problem, weil Budgets aspirativ sind, richtig? Das Beste, was wir tun können, und das ist wieder aus Sicht von Vertrieb und Betrieb, ist es, dass meine Kunden immer 18 Monate im Voraus prognostizieren. Also, raten Sie mal? Mitte 2025 haben wir bereits begonnen, uns 2026 anzusehen. Wir können verstehen, wie die wahrscheinlichste Sicht auf 2026 aussehen wird.
Von dort aus können Sie Ihre ambitionierten Ziele darauf aufbauen. Kein Problem damit, aber dann erzwingen Sie das Gespräch: Was müsste passieren, damit wir unseren Umsatz um so viel steigern können, um unsere Kosten um so viel zu senken, richtig? Das ist Teil des Gesprächs. Die beste Möglichkeit, dies zu tun, besteht darin, Ihr Budget auf einer soliden statistischen Prognose oder einer Konsensprognose für die Zukunft zu basieren. Basieren Sie Ihr Budget darauf. Dann, wenn Sie Abweichungen davon haben, haben Sie auch Verkaufs-, Marketing- und Produktionspläne, um diese Lücken zu schließen. Schlechteste Praxis, hoffentlich sind wir uns alle einig, ist der Ivory Tower-Ansatz. Das ist unser Budget, Finanzen fügen es hinzu, und es erinnert mich an die alten Differentialrechnungsprobleme, bei denen die Ableitung dem Benutzer überlassen bleibt, und wir denken: “Oh, wie zum Teufel sollen wir das machen?” Also, das ist eine schlechte Praxis, diese Stecker einfach einzusetzen.
Also denke ich, dass dies eine Möglichkeit ist, sicherzustellen, dass Ihr ursprüngliches Budget auf der Realität basiert und Pläne zur Erreichung dieses Ziels enthält. Dann sage ich noch etwas, FVA ist perfekt dafür. Das ist unsere statistische Prognose. Das Budget hat keine FVA, oder? Das ist aspirativ. Aber Sie zeigen auf, wo diese Lücken sind, und zwingen das Gespräch darüber, wie man sie angeht. Ja, ich denke, wir würden alle zustimmen, dass eine absolute schlechte Praxis darin besteht, dass die Prognose dem Budget entspricht. Das würde mich verrückt machen.
Conor Doherty: Nun, vielen Dank, Jeff. Ich werde zum nächsten Kommentar, zur nächsten Frage übergehen, Entschuldigung, und diese richtet sich direkt an Joannes. Das kommt von Timur, glaube ich. Ich finde FVA nützlich, aber manchmal begrenzt in ihrem Anwendungsbereich. Würden Sie Jeffs Metapher von FVA als Hammer zustimmen oder sehen Sie das anders?
Joannes Vermorel: Also, ja. Ich bin mir nicht ganz sicher. Meine Kritik an FVA ist wirklich nicht, dass es ein Hammer ist. Es ist wirklich so, dass ich glaube, es arbeitet innerhalb der falschen Paradigmen. Es ist seltsam und aufgrund der falschen Paradigmen. Noch einmal, Zeitreihen, klassische Punktprognose, die Tatsache, dass sie in Genauigkeit verwurzelt ist und nicht in Messungen in Prozent des Fehlers, nicht in Dollar des Fehlers. Sie sehen, es gibt viele paradigmatische Probleme, und das ist es, wenn ich sage, dass diese Dinge defekt sind. Ich stehe zu meinem Standpunkt in dieser Hinsicht. Die Art von Reibung, mit der Unternehmen in der Praxis konfrontiert sind, ist eher die Manifestation all dieser Probleme.
Wenn Sie ein Stück anekdotischen Beweis dafür haben möchten, dass diese Paradigmen defekt sind, dann seit den 1970er Jahren versprach die Supply-Chain-Theorie eine vollständige Automatisierung dieser Entscheidungsprozesse. Das war übrigens das Versprechen von Oracle seit den 70er Jahren: Sie werden eine vollständig algorithmisch gesteuerte Bestandsverwaltung erhalten. Das ist nicht passiert und es ist immer wieder gescheitert. Der Punkt, den ich mache, ist, dass ich glaube und viele unterstützende Argumente habe, dass dies darauf hinweist, dass die Paradigmen, die mathematischen Werkzeuge, die Instrumente einfach falsch sind. So enden Sie mit allen möglichen seltsamen Problemen. Um auf diese Hammer-Sache zurückzukommen, ja, es fühlt sich manchmal an, als würde man versuchen, mit einem Hammer Schrauben anzuziehen. Es ist nicht so, dass der Hammer an sich schlecht ist; es ist nur so, dass Sie versuchen, etwas zu tun, für das der Hammer nicht das richtige Werkzeug ist.
Conor Doherty: Jeff, wenn Sie möchten, können Sie hier einen Kommentar abgeben, wenn es etwas gibt, das Sie hinzufügen möchten.
Jeff Baker: Nein, außer der Tatsache, dass die Analogie, die ich über den Hammer gemacht habe, besagt, dass man das Werkzeug richtig verwenden muss. FVA ist ein Werkzeug. Wenn Sie das Werkzeug nicht richtig verwenden, werden Sie keinen Nutzen daraus ziehen. Das war meine Analogie.
Conor Doherty: Danke. Ich werde weitermachen. Das kommt von Marina. Es gibt keine klare Bezeichnung, für wen das ist, also werde ich zuerst Jeff fragen. Mit der raschen Entwicklung von KI und der Möglichkeit, in naher Zukunft alle Daten zur Verfügung zu haben, glauben Sie, dass FVA effektiver oder sogar unverzichtbarer wird?
Jeff Baker: Effektiver oder unverzichtbarer? Das ist eine interessante Frage. Was ich denke, ist, dass wir, wenn KI immer präsenter wird und immer mehr Daten vorhanden sind, lernen müssen, wie wir das kontextualisieren und Entscheidungen damit treffen können. Man könnte sich fast vorstellen, dass wir in ferner Zukunft in der Lage sind, all diese Informationen zu kontextualisieren, große Sprachmodelle einzusetzen und, wie du, Joannes, gesagt hast, tatsächlich anfangen, das zu systematisieren. Das ist potenziell etwas, das dazu führen würde, dass FVA sagt: “Nun gut, wir treffen all diese Entscheidungen und sie sind großartig.”
Vielleicht bleiben Ihnen dann nur noch sehr spezielle Fälle von bedeutenden Ereignissen, wie zum Beispiel ein Konkurrent, der pleite geht oder eine Promotion zur gleichen Zeit, in der es eine Wirtschaftskrise gibt, zur gleichen Zeit gibt es eine Zunahme Ihrer Saisonalität. Vielleicht können Sie diese Fälle dann beginnen zu erfassen. Also, ich denke, es wird wahrscheinlich einige niedrig hängende Früchte geben, bei denen KI fantastisch darin sein wird, all diese Daten zu nehmen, Beziehungen zu verstehen und auch den vorhandenen Lärm und das Wertvolle und das Nicht-Wertvolle zu verstehen. Also, ich könnte mir vorstellen, dass es in Zukunft sogar ein bisschen weniger wertvoll sein könnte, wenn wir anfangen zu automatisieren.
Conor Doherty: Nun, vielen Dank, Jeff. Joannes, KI und FVA, die Zukunft: ja, nein, gut, schlecht?
Joannes Vermorel: Ich denke, wir müssen uns noch einmal mit künstlicher Intelligenz auseinandersetzen. Betrachten wir in Bezug auf die Informationsmenge, dass Transaktionssysteme Gigabyte an Informationen enthalten. Ich meine, Gigabyte, wenn Sie wirklich fancy sein wollen. Die Transaktionsdaten sind Gigabyte an Informationen. Im Vergleich dazu sind die Informationen, die Menschen in ihren Köpfen haben, Kilobytes an Informationen. Menschen haben keine große Menge an Informationen in ihrem Kopf. Menschen sind nicht wie, wissen Sie, sie sind keine Mentaten, wie ich in der Dune-Serie sagen würde, für diejenigen, die das mögen. Das bedeutet, dass 99% des Problems, die richtigen Entscheidungen zu treffen, darin besteht, in Bezug auf die Informationsmenge die banalen Transaktionsinformationen zu nehmen, die Sie haben, und daraus Entscheidungen zu generieren. Das ist 99% des Informationsvolumens hier.
Für diesen Teil des Problems, bei dem numerische Daten in tabellarischer Form verarbeitet werden, sehe ich keine große Relevanz für die großen Sprachmodelle. Ja, sie können sehr effektive Codierungswerkzeuge sein, damit Sie das Werkzeug tatsächlich verwenden können, um den Code für Sie zu schreiben. Das ist eine Sache. Aber können sie mehr tun oder andere Dinge tun als den Code schreiben? Das wird sehr unklar.
Nun, für die Kilobytes an Informationen, die Menschen in ihren Köpfen haben, können sie diese Informationen tatsächlich nutzen, um diese Informationen zu nehmen und sie in eine Brücke zu verwandeln, die die Lücke zu etwas Quantitativem schließt? Ich würde sagen ja, aber die Herausforderung besteht immer noch darin, diese Sache von Anfang bis Ende zu entwickeln, diese Pipeline zu haben, um diese automatisierte, vorhersagende Optimierung zu haben. Das ist eine echte Herausforderung, und hier stoßen wir an die Grenzen der menschlichen Intelligenz, um es richtig zu machen. Also, ich sehe in naher Zukunft nicht, dass die KI, die wir haben, das wirklich besser können als zum Beispiel ein KI-Unternehmen, das Microsoft ersetzt, indem es eine Version von Microsoft Word neu schreibt. Es ist die Art von Sache, bei der die KI Ihnen helfen kann, den Code zu schreiben, aber es wird immer noch viel menschliche intelligente Überwachung erfordern, zumindest mit dem aktuellen Paradigma, das wir mit LLMs haben. Sie sind noch nicht super intelligent.
Conor Doherty: Noch nicht, nun, es gibt noch zwei Fragen. Also Jeff, wenn Sie möchten, können wir direkt zur nächsten übergehen.
Jeff Baker: Perfekt.
Conor Doherty: Danke. Diese Frage ist für Sie. Ich fange an. Ähm, diese Frage stammt von Mark. Wie können Konfidenzintervalle für Prognosen effektiv in eine einzige diskrete Zahl wie einen Kauf oder eine Arbeitsanweisung übersetzt werden? Wäre eine Post-Prognose-Analyse der beste Ansatz, um diese Zahl zu bestimmen?
Jeff Baker: Ja, also ich habe keine Probleme mit probabilistischen Prognosen oder den Intervallen, aber am Ende des Tages müssen Sie eine Zahl in Ihr ERP System, in Ihr Planungssystem eingeben. Sie müssen eine Entscheidung über die Zahl treffen. Nun, wo das interessante Gespräch beginnt, ist die Variation dieser Zahl. Ist mein System robust? Was passiert, wenn es um 20%, 30% usw. steigt? Aber das sind Szenarien, die Sie untersuchen können, richtig? Also ja, das wäre meine Antwort.
Conor Doherty: Danke. Joannes, gibt es etwas, das Sie hinzufügen möchten?
Joannes Vermorel: Ja, noch einmal, wenn Sie der Meinung sind, dass Sie das Problem aus einer paradigmatischen Perspektive angehen müssen, in der Sie eine Entscheidung über Bestandsmengen treffen müssen und die Prognose daher eine Zahl sein muss, dann haben Sie das Problem, dass Unsicherheit nicht existiert. Sie kann nicht existieren. Und deshalb gehen die Leute, wieder zurück zu dieser falschen Perspektive, das Problem an und fragen: “Was ist mit diesen Konfidenzintervallen? Was mache ich damit? Oh, ich muss an eine Zahl denken.” Und das ist eine paradigmatische Falle. Sie sind in Konzepten gefangen, die fehlerhaft sind.
Also, wenn Sie das Problem mit dem aktuellen Paradigma angehen, bei dem eine Nachfrageprognose Ihnen eine klare Zahl für die Bestandsentscheidung liefert, ist der einzige Weg, es zu lösen, auch in der Entscheidung zu bewahren, dass die Entscheidung alle möglichen Szenarien widerspiegelt. Sie wählen also nicht eine Zahl für den Bestand aus, sondern eine spezifische Nachfrage. Nein, Ihre Bestandsentscheidung sollte alle möglichen Szenarien mit den Prioritäten widerspiegeln und die verschiedenen Risiken in monetären Begriffen ausdrücken. Das ist also eine andere Art, darüber nachzudenken. Und zurück zur Frage, wenn Sie im Zeitreihenparadigma bleiben, wissen Sie nicht, was Sie mit Ihren Konfidenzintervallen anfangen sollen. Sie passen nicht ins System.
Jeff Baker: Ich würde argumentieren, dass Sie genau wissen, was Sie mit diesen Konfidenzintervallen tun sollen, denn wenn ich den Prognosefehler in meiner Vorlaufzeit habe, fließt das in meine Berechnung des Sicherheitsbestands ein. Ob Sie dem zustimmen oder nicht, es gibt sehr gut definierte Berechnungen für den Sicherheitsbestand, die die Nachfragevariabilität und die Vorlaufzeitvariabilität berücksichtigen. Wenn wir das berücksichtigen, haben wir nun, und ich möchte das nicht aufblasen und in eine Theorie des Bestandsmanagements abdriften, aber es gibt statistische Berechnungen für den Sicherheitsbestand, die gerne eine Punktprognose zusammen mit einem Standardfehler Ihrer Prognose zur Vorlaufzeit nehmen und Ihnen eine Sicherheitsbestandszahl geben. Wir können den ganzen Tag darüber diskutieren, wie die Verteilung aussieht und ob eine Normalverteilung die richtige ist, aber so wird diese Abweichung im Prognosefehler in den meisten Unternehmen, für die ich gearbeitet habe, und in den meisten Unternehmen, von denen ich auf Konferenzen gehört habe, behandelt.
Conor Doherty: Ich werde zur letzten Frage übergehen. Wie sollten Machine-Learning-Modelle Anpassungen für bekannte Ereignisse wie einen großen neuen Kunden handhaben, die nicht in den kausalen Faktoren der statistischen Prognose enthalten sind? Joannes, wir beginnen mit Ihnen.
Joannes Vermorel: Hier berühren wir erneut das Problem, mit Informationen umzugehen, bei denen Sie keine klare algorithmische Struktur haben und Sie Machine Learning nicht als Buzzword verwenden können, um zu sagen: “Oh, die Technologie wird hier etwas für mich tun.” Hier betreten wir das Gebiet der informellen Prognose. Für das Publikum empfehle ich wirklich das Buch von Philip Tetlock mit dem Titel “Superforecasting”. Wenn Sie keine klare Grundlinie haben, was tun Sie dann?
Machine Learning liefert keine Antwort auf diese Frage. Machine Learning, zumindest das klassische Machine Learning-Paradigma, das überwachtes Lernen, Eingabe-Ausgabe umfasst, liefert überhaupt keine Antwort auf diese Frage. Ich glaube jedoch, dass die Good Judgment Project und die von ihnen entwickelten Techniken Techniken höherer Intelligenz entwickelt haben. Was ich mit höherer Intelligenz meine, ist, dass wir uns etwas anschauen, das eine ähnliche Art von unscharfer Intelligenz wie ein LLM oder höher aufweist, um diese Techniken anzuwenden.
Sie haben Techniken identifiziert, indem sie mit Superprognostikern gesprochen haben, Personen, die in dieser Art von Situation Pionierarbeit geleistet und überlegene Prognosefähigkeiten demonstriert haben, und sie haben sich angesehen, welche Techniken all diese Menschen gemeinsam hatten. Überraschenderweise kamen sie alle auf dieselbe Reihe von Techniken. Lange Rede, kurzer Sinn, es gibt Techniken, aber sie erfordern viel Urteilsvermögen. Basierend auf diesen empirischen Ergebnissen glaube ich nicht, dass Sie in einer solchen Situation mit nur einem Machine Learning-Algorithmus davonkommen können.
Sie müssen einen Fall aufbauen, ein bisschen wie ein Geschäftsfall im Geschäft, bei dem Sie Ihre eigenen Annahmen entwickeln, den Fall zerlegen, die verschiedenen Faktoren bewerten und versuchen, etwas Vernünftiges zu entwickeln. Aber Worte wie “vernünftig”, was bedeutet das formal? Das ist sehr schwierig, und dennoch können Menschen tatsächlich eine Begründung betrachten und sich darauf einigen.
Also, meine Meinung dazu wäre, erwarten Sie nicht, dass klassisches Machine Learning eine Antwort ist. LLM wäre vielleicht ein unterstützendes Werkzeug, um Ihnen beim Aufbau dieser Art von Argumentation zu helfen, sicherlich um darüber nachzudenken, wie Sie die verschiedenen Faktoren im Problem sogar zerlegen und quantifizieren können. Aber am Ende des Tages wäre es ein Prognoseexperte, der sich das wirklich ansieht und eine Entscheidung über die ad hoc numerische Modellierung trifft. Das wäre bewährte Praxis, zumindest basierend auf diesen empirischen Studien des Good Judgment Project.
Conor Doherty: Jeff, was denken Sie dazu?
Jeff Baker: Ja, ich meine, wir müssen vorsichtig sein mit zu viel davon. Ob es sich um Machine Learning handelt, ob es sich um KI handelt, zu viel Zeug hineinzuwerfen, richtig? Denn dann könnten wir anfangen, Korrelation mit Kausalität zu verwechseln. Eine der klassischen Lernerfahrungen, die ich während eines meiner Kurse gemacht habe, war ein Multiple-Regression-Modell. Wir haben Faktoren hinzugefügt, Faktoren hinzugefügt, die Anpassung wurde immer besser. Wir haben den Preis hinzugefügt, und plötzlich, raten Sie mal? Wenn ich den Preis erhöhe, erhöhe ich den Umsatz, richtig? Völlig gegenintuitiv. Die Kausalität war offensichtlich falsch, aber die Korrelation war besser.
Also müssen wir damit wirklich, wirklich vorsichtig sein, weil wir irgendwann anfangen, Rauschen zu modellieren. Wir fangen an, ob es sich um Machine Learning oder KI handelt, Fragen zu stellen. Das Problem ist, dass KI mit der ganzen Überzeugungskraft eines 5-jährigen Kleinkindes antwortet, das an die Zahnfee glaubt. Genau das passiert. Also müssen wir vorsichtig sein. Und da stimme ich Joannes zu. Sie müssen das kontextualisieren, einen Experten finden, der das verstehen kann. Versuchen Sie nicht, ein perfektes Modell zu erstellen, denn irgendwann werden Ihre Ergebnisse nicht das sein, was Sie erwarten.
Conor Doherty: Nun, zu diesem Zeitpunkt gibt es keine weiteren Fragen aus dem Publikum. Aber eine letzte Frage, die als Abschluss, als Schlussvorhang dienen kann. Ich komme zuerst zu Jeff. Das Thema der Debatte war FVA: Ist es bewährte Praxis oder Zeitverschwendung? Nun, Sie haben sich fast 80 Minuten lang gegenseitig zugehört. Jeff, wie denken Sie jetzt über diesen Vorschlag? Wenn Sie sich anhören, wie Sie Ihre Punkte machen und Ihre Widerlegungen gegenüber Joannes machen, scheinen Sie ziemlich großzügig und akzeptieren mehrere der Punkte, die Joannes macht. Ich bin nur neugierig, wie Sie das in Einklang bringen, dass Joannes in einigen oder allen oder vielen seiner Punkte richtig liegen könnte? Wie bringen Sie das mit der Position in Einklang, dass FVA immer noch bewährte Praxis ist?
Jeff Baker: Ja, ja. Ich schätze diesen offenen Ideenaustausch und ich denke, ja, ich kann immer noch argumentieren, dass Forecast Value Added derzeit bewährte Praxis ist. Wir brauchen das in der Gegenwart.
Barina stellte eine großartige Frage früher - in Zukunft, mit dem Fortschreiten der Technologie, könnte FVA immer weniger eine kritische Technik sein. Vielleicht können wir das quantifizieren, vielleicht können wir anfangen, Dinge zu parametrisieren, sie in ein Modell zu setzen und diese Entscheidungen automatisch zu treffen. Ich denke jedoch, dass wir immer einen Prozess benötigen, in dem wir Zusammenarbeit etablieren, Vertrieb, Marketing und externe Einflüsse verstehen.
Sehe ich seine Rolle möglicherweise verringert? Ja. Ich habe über dieses Hochwert-Niedrigvariabilitäts-Quadranten gesprochen und ich kann definitiv sehen, dass er in Zukunft weniger relevant wird. Aber im Moment sehe ich FVA immer noch als bewährte Praxis und glaube, dass es auch nach meiner Pensionierung bewährte Praxis bleiben wird.
Also, in naher Zukunft - ja, FVA bleibt wichtig. In der langfristigen Zukunft hat Joannes eine sehr schöne Vision von dem, was sein könnte, und ich sehe darin keine großen Probleme. Ich würde sagen, wir stimmen uns zu 50% bei vielen dieser Ideen ab.
Conor Doherty: Nun, danke, Jeff. Und Joannes, bist du nach all dem, was du gehört hast, unbeeindruckt? Ist es im Grunde ein unbeweglicher Gegenstand und eine unaufhaltsame Kraft?
Joannes Vermorel: Ich meine, ich würde sagen, sehen Sie, wenn wir zurückschauen auf das, was ich die Mainstream-Supply-Chain-Theorie genannt habe, und FVA ist Teil davon, ist es ziemlich konsistent. Das gebe ich zu.
Also, wenn Sie all diese Ideen, all diese Paradigmen und alles akzeptieren, dann ja, aus dieser Perspektive sieht es nicht schlecht aus. Ich wäre jedoch immer noch ein wenig vorsichtig mit dem bürokratischen Overhead, den Sie generieren können.
Nochmals, wenn Sie viele Menschen einbeziehen, ist das eine Rezept, um die Zeit vieler Menschen zu verbrauchen. Sobald Sie eine Art Querschnittseinheit schaffen, weil diese jeden herausfordern wird, kann das immer noch viel Beschäftigung erzeugen.
Ich habe Beispiele in meinem Netzwerk von Menschen, die eine immense Menge an Beschäftigung mit solchen Dingen haben, insbesondere alles, was peripher oder unterstützend für S&OP ist.
Nun, Lokad arbeitet seit mehr als einem Jahrzehnt mit verschiedenen Paradigmen. Es gibt übrigens eine Vortragsreihe, Jeff, die fast 100 Stunden YouTube-Serie hat, um diese alternative Vision zu unterstützen.
Aber das Interessante ist, dass wenn Sie verschiedene Paradigmen, verschiedene Werkzeuge, verschiedene Instrumente wählen, dann verschwindet die überwiegende Mehrheit dieser Probleme einfach. Sie haben neue Probleme, völlig anders, aber operativ landen Sie mit etwas sehr Seltsamem.
Es sind Lieferketten, in denen die quasi-totalität der Entscheidungen automatisch getroffen wird. Und übrigens hatten wir diese sehr seltsame Erfahrung in den Jahren 2020-2021, als Dutzende von Kunden ihre gesamte Büeohrtenbelegschaft nach Hause geschickt haben.
Wir hatten einen Kunden mit einem Bestand im Wert von über einer Milliarde Euro, der seine Belegschaft 14 Monate lang nach Hause geschickt hat, ohne Zugang zum Internet, weil er staatliche Subventionen erhalten wollte. Ihre Lieferkette lief weiterhin mit etwa 80% ihrer Nennkapazität, wobei Lokad alle Entscheidungen ohne Aufsicht traf.
Normalerweise generieren wir die Entscheidungen, aber wir haben viele Menschen, die validieren, dass das, was wir generieren, in Ordnung ist. Meine Meinung ist, dass wenn Sie mehrere Milliarden hyperkomplexe Lieferketten 14 Monate lang ohne all die Menschen betreiben können, die dieses Mikromanagement durchführen, stellt sich wirklich die Frage nach dem Mehrwert all dieser Menschen und was wir überhaupt von der Automatisierung erwarten sollten.
Ich denke, die Leute reden über KI und allerlei Dinge, aber meine Herangehensweise ist, dass man nicht unbedingt ein super fancy hyper-parametrisches Modell mit einer Billion Parametern benötigt, um Automatisierung zu erreichen.
Meine Schlussfolgerung ist, dass ich glaube, dass FVA in einer Welt gehört, in der es wirklich darum geht, dass die Menschen die Lieferkette direkt steuern. Ich gehe davon aus, dass die Maschine die Lieferkette steuert und die Menschen die Maschine steuern, nicht die Lieferkette.
Conor Doherty: Nun, vielen Dank. Wie es hier Brauch ist, geben wir gerne das letzte Wort den Gästen. Also, Jeff, vielen Dank, dass Sie dabei waren. Wenn Sie abschließende Kommentare abgeben möchten, fühlen Sie sich frei.
Jeff Baker: Nein, vielen Dank für die Gelegenheit. Ich schätze das Gespräch, Conor. Vielen Dank.
Mein Ziel ist es, zu gefallen. Ich schätze die Beteiligung des Publikums an den Fragen sehr. Ich finde es immer interessant, wenn zwei gegensätzliche Standpunkte aufeinandertreffen, denn ich denke, beide gehen ein wenig besser aus dem Austausch hervor. Ganz ehrlich, ich schätze die Gelegenheit. Es war mir ein Vergnügen, mit Ihnen zu sprechen.
Joannes Vermorel: Vielen Dank, Jeff.
Conor Doherty: Joannes, vielen Dank für Ihre Zeit. Jeff, vielen Dank für Ihre Zeit. Vielen Dank an alle, die zugeschaut haben. Wir sehen uns das nächste Mal.