Die verborgenen Kosten der Prognosegenauigkeit

00:00:00 Prognosegenauigkeit lenkt ab, monopolisiert die Managementkapazitäten
00:03:30 Zeitreihen-Denken ignoriert Agency, Preisfindung, Substitution
00:07:00 Größere Genauigkeit kann in der Praxis die Gewinne verringern
00:10:30 Genauigkeit verkennt Sortimentslücken und Schwellenwerte
00:14:00 Granularität und Gewohnheiten sind über Zeitreihen hinaus von Bedeutung
00:17:30 Verbesserte Metriken scheitern oft im realen Einsatz
00:21:00 Prognosen erzeugen manuelle Arbeit; Automatisierung bleibt blockiert
00:24:30 Zensierte Nachfrage ignorieren? Dann verlieren Sie die Warenkorbwirtschaftlichkeit
00:28:00 Stabilität schlägt Genauigkeit für praktikable Abläufe
00:31:30 Planungsmythen: feste Nachfrage, normale Durchlaufzeiten
00:35:00 Gewinnkorrelierte KPIs sind keine Prognose-“Genauigkeit”
00:38:30 Ökonomische KPIs stehen über ordentlichen statistischen Fehlern
00:42:00 Genauigkeit ist nicht richtungsweisend mit Gewinn verknüpft
00:45:30 Konzentrieren Sie sich auf Entscheidungen; quantifizieren Sie wirtschaftliche Treiber
00:49:00 Probieren, iterieren; zielen Sie auf null Wahnsinn bei Entscheidungen ab
00:52:30 Verwerfen Sie S&OP; priorisieren Sie Entscheidungen zur Ressourcenzuteilung
00:56:00 Einheitliche KPIs mit kategoriespezifischen Parametern
00:59:30 Falls blockiert, wechseln Sie das Unternehmen, um voranzukommen
01:03:00 Ändern Sie den Pitch mit P und L; prägnante Vorschläge

Zusammenfassung

Unternehmen jagen der Vorhersage-“Genauigkeit” hinterher, weil sie messbar ist, nicht weil sie Geld einbringt. Die Kennzahl – MAPE, MAE – belohnt Reaktivität und Punktschätzungen, während sie Handlungsfähigkeit, Preise, Kannibalisierung, Variabilität der Lieferzeiten und Korbeffekte außer Acht lässt. Man kann die Genauigkeit verbessern und gleichzeitig Entscheidungen verschlechtern: Bei intermittierender Nachfrage “gewinnen” Nullen; volatile Prognosen peitschen Bestellungen durch ratcheted supply chains. FVA und S&OP erhöhen Kosten und Verzögerungen. Beginnen Sie mit Entscheidungen und wirtschaftlichen Überlegungen: Margen, stockout Strafgebühren, Überbestandsrisiken, Opportunitätskosten – probabilistisch modelliert – und iterieren Sie bis zu “Null-Irrsinn”. Verwenden Sie einheitliche, an der P&L orientierte KPIs; wenn das Unternehmen nicht umsteuert, bauen Sie den Fall auf oder wechseln Sie das Unternehmen.

Erweiterte Zusammenfassung

Die Fixierung auf die Vorhersage-“Genauigkeit” ist ein klassischer Fall davon, das zu messen, was bequem ist, statt das, was zählt. Unternehmen investieren Managementzeit und -geld in die Verringerung von Fehlermaßen – MAPE, MAE und dergleichen – in der Annahme, dass kleinere Fehler zu höheren Gewinnen führen. Die Realität zeigt etwas anderes: Die Korrelation ist oft schwach, manchmal sogar negativ. Man kann eine “bessere” Genauigkeit erreichen und gleichzeitig schlechtere Entscheidungen treffen.

Warum? Weil die Genauigkeit von Zeitreihen-supply chain die Zukunft als eine inerte Verlängerung der Vergangenheit betrachtet. Sie schließt Handlungsfähigkeit, Preisbewegungen, Kannibalisierung, Substitutionen und operative Reibungen wie Variabilität der Lieferzeiten und Rücksendungen aus. Dabei schaut sie durch ein Mikroskop, während Elefanten – Sortimentsgestaltung, Kundenverhalten, geräteübergreifende Korbeffekte – durch den Raum stampfen. Im Einzelhandel führt also eine genaue Prognose, die einen schlecht gestalteten Artikelbestand als scheiternd voraussagt, letztlich zu einem Managementversagen und nicht zu einem Triumph der Mathematik.

Das Streben nach Genauigkeit belohnt oft Instabilität. Machen Sie Modelle hyperreaktiv und Sie erzielen zwar optisch bessere Fehlerzahlen, während Bestellungen durch ratcheted supply chains hin- und herschwingen. Bei intermittierender Nachfrage kann das Prognostizieren von Nullen die Kennzahl “gewinnen” und dabei das Geschäft kosten. An den Rändern – wo die wirtschaftlichen Realitäten tatsächlich leben – übersieht die Genauigkeit um den Durchschnitt herum die kostspieligen Gegebenheiten: Fehlbestände, die ganze Warenkörbe zu einem Konkurrenten abziehen, Überbestände, die Verderbliches abschreiben, oder eine 20-Dollar-Schraube, die ein Flugzeug lahmlegt.

Die institutionellen Zusätze – FVA-Programme, Meetings, die eine “Ausrichtung” (S&OP) ritualisieren – schlagen Kosten über Ablenkung. Langsame, manuelle Synchronisationszyklen sind eine Belastung für die Agilität. Gleichzeitig müssen Horden von Planern Punktprognosen in umsetzbare Entscheidungen “übersetzen”, weil die Eingaben in der falschen Granularität erfolgen und die relevanten Unsicherheiten außer Acht lassen.

Die Alternative ist nicht mystisch, sie ist managementbezogen. Beginnen Sie mit Entscheidungen, nicht mit Prognosen: Was soll heute gekauft werden, wo platziert, zu welchem Preis? Verknüpfen Sie zu jeder Entscheidung monetäre Treiber – Margen, stockout Strafgebühren, Überbestandsrisiken, Opportunitätskosten, Personalengpässe – und behandeln Sie Unsicherheit probabilistisch. Arbeiten Sie mit Praktikern im Rahmen einer “experimentellen Optimierung” zusammen, bis das Ziel erreicht ist: nicht null Ungenauigkeit, sondern null Irrsinn. Bewahren Sie ein einheitliches wirtschaftliches Konzept über alle Kategorien, und passen Sie Parameter dort an, wo es nötig ist, denn alle Kategorien konkurrieren um dasselbe Kapital und dieselbe Kapazität.

Was die KPIs betrifft: Wenn ein Mathematiker Ihre Formel als “Genauigkeit” erkennen würde, dann handelt es sich wahrscheinlich nicht um Wirtschaftlichkeit. Reale, gewinnbezogene KPIs sind unsauber, unternehmensspezifisch und umfangreich – so wie die Realität. Und wenn ein Unternehmen strukturell an diesem Genauigkeitsfetisch festhält, gibt es zwei rationale Optionen: Entweder bauen Sie einen P&L-orientierten Änderungsfall auf, prägnant für Führungskräfte aufbereitet, oder Sie wechseln das Unternehmen. Anreize, nicht Schlagworte, bestimmen die Ergebnisse.

Komplettes Transkript

Conor Doherty: Das ist Supply Chain Breakdown, und heute werden wir die versteckten Kosten der Prognosegenauigkeit aufschlüsseln. Ihr wisst, wer ich bin.

Ich bin Conor, Marketingleiter hier bei Lokad. Und zu meiner Linken, der unermüdliche Joannes Vermorel, Gründer und CEO von Lokad. Bevor wir heute beginnen, kommentiert unten: Glaubt ihr, dass eine erhöhte Prognosegenauigkeit ein KPI ist, dem man nachjagen sollte? Wenn ja, warum?

Kommentiere unten. Du sprichst heute direkt mit mir. Alles, was du fragst, alle Kommentare, alle Fragen, werde ich in etwa 20 Minuten direkt an Joannes weiterleiten. Und mit—entschuldige—und damit, Joannes, lass uns anfangen. Erste Frage: Woran sind wir heute verärgert? Was ist unser Problem mit der Prognosegenauigkeit, dem Fundament des Geschäfts?

Joannes Vermorel: Ich würde nicht so weit gehen und sagen, dass es das Fundament des Geschäfts sei—vielleicht eher das Fundament des supply chain management. Nun, das eigentliche Problem ist, dass es für fast alle Unternehmen, unter Berücksichtigung dessen, was sie gerade tun, eine völlige Ablenkung darstellt. Es ist eine enorme Ablenkung, die seit Jahrzehnten anhält.

Wenn wir über die versteckten Kosten sprechen, würde ich sagen, dass das Problem—das Manko, das ich bei der Prognosegenauigkeit habe—darin besteht, dass es bei fast allen Unternehmen, die supply chains betreiben, dieses Ding, dieses Artefakt, mehr als die Hälfte der Managementkapazität beansprucht, und das für einen sehr, sehr geringen Nutzen. Mein Punkt ist, dass es eine enorme Ablenkung ist, die sogar noch schlimmer werden kann, wenn Menschen beginnen, das in einer Weise zu instrumentieren, die den Prozess der Prognosegenauigkeit zusätzlich verkompliziert, und das wiederum für einen minimalen Nutzen.

Conor Doherty: Wenn du sagst, dass das Konzept der Prognosegenauigkeit die Kapazitäten monopolisiert, beschränkst du damit deine Kritik—oder die Kosten—auf abstrakte Größen wie Zeit, Fokus, Aufmerksamkeit? Denn viele würden argumentieren, da bin ich mir sicher, dass es auch eine konkrete finanzielle Dimension gibt.

Joannes Vermorel: Ja. Erstens, wenn man in die Zukunft blickt—bei fast allen jedenfalls—gibt es so viele Elefanten, die völlig ignoriert werden. Nimmst du die Perspektive des Kunden ein, sodass du Kannibalisierung und Substitution überhaupt wahrnehmen kannst? Wenn nicht, bin ich mir nicht ganz sicher, was du eigentlich mit deiner Prognose machst.

Berücksichtigst du die Preisgestaltung? Denn wann immer du dich in die Zukunft projizieren möchtest, musst du deine eigenen Preise und die Preise deiner Wettbewerber berücksichtigen. Siehst du, das eigentümliche Problem, das ich mit der Prognosegenauigkeit habe, besteht darin, dass die traditionelle supply chain Denkweise in die Zukunft blickt, als ob ein Astronom die zukünftige Position der Planeten bestimmt. Es herrscht eine vollständige Symmetrie zwischen der Vergangenheit und der Zukunft — und du nimmst an, dass die Zukunft nur eine Fortsetzung der Vergangenheit ist.

Was äußerst merkwürdig ist, ist, dass in der klassischen Betrachtungsweise der Zukunft — sprich der Prognosegenauigkeit — es so wirkt, als hätte das Unternehmen keinerlei Einfluss auf die Zukunft. Es ist lediglich die Zeitreihenperspektive. Wir haben gesehen, dass Kannibalisierung und Substitution Probleme darstellen. Es gibt den Preiseffekt. Zudem gibt es die Tatsache, dass Unternehmen fast alle Anstrengungen darauf verwenden, die Nachfrage zu prognostizieren, aber was ist mit den anderen Quellen der Unsicherheit — Lieferzeiten, Retouren usw.?

Dann können wir noch weiter gehen und fragen: Wie sieht es mit der Granularität aus, in der du prognostizierst? Selbst wenn wir die Annahme akzeptieren, dass wir diese Prognosen erstellen, über welche Granularität sprechen wir?

Die Granularität der Zeitreihen — die annimmt, dass man die Zukunft in gleichmäßig verteilte Abschnitte, pro Tag, pro Woche, pro Monat, unterteilen kann — ist nicht unbedingt sinnvoll. Für viele Unternehmen ist das nicht der Fall. Und zudem ignoriert man damit auch die Unsicherheit. Das ist ein Problem von Punktprognosen.

Es ist eine enorme Ansammlung. Es ist wie ein Elefantenherd — ich bin mir nicht ganz sicher, was der passende englische Ausdruck für viele Elefanten ist.

Conor Doherty: Entweder eine Herde oder ein Stampede. Ich vermute etwas in der Art. Stampede von Elefanten.

Joannes Vermorel: So viele Elefanten in diesem Raum, die einfach ignoriert werden, und so viele Unternehmen, die sich auf Genauigkeit konzentrieren wollen. Das stellt diese Vorstellung wirklich in Frage. Für mich sieht es so aus, als hättest du einen ganzen Raum, über den du nichts weißt. Du hast ein Mikroskop; du betrachtest einen winzigen Quadratmillimeter und sagst: “OK, was ich brauche, ist ein größeres Mikroskop.” Ich bezweifle wirklich die Vorstellung, dass man ein größeres, besseres Mikroskop benötigt.

Conor Doherty: Zwei zentrale Punkte hier: Erstens, es ist ein Elefantenherd; und zweitens — um zumindest wohlwollend zu sein — hast du in deinem allerersten Auftakt davon gesprochen, dass fast alle Unternehmen unverhältnismäßig viel, sagen wir mal, Geld, Aufmerksamkeit und Ressourcen einsetzen — Ressourcen zuteilen — für einen sehr geringen Nutzen.

Joannes Vermorel: Upside Return, meinst du? OK.

Conor Doherty: Bevor wir das zu sehr auseinandernehmen, was wäre das stärkste Argument dafür? Was glauben die Unternehmen zumindest, dass der Nutzen dessen ist, was sie tun?

Joannes Vermorel: Sie glauben, dass sie, wenn sie sich der Zukunft mit Hilfe von Zeitreihen-Punktprognosen nähern und eine Kennzahl verwenden — eine eindimensionale Kennzahl wie Mean Absolute Percentage Error (MAPE) oder Mean Absolute Error (MAE) oder eine der typischen Kennzahlen — davon ausgehen, dass die Minimierung dieses Kriteriums in irgendeiner Weise positiv mit den Gewinnen korreliert. Diese Position bezweifle ich wirklich.

Sehr häufig besteht nur sehr wenig Korrelation oder gar keine, und manchmal sogar eine inverse Korrelation, was bedeutet, dass eine Prognose, die ungenauer sein kann, das Unternehmen tatsächlich profitabler machen kann. Das war übrigens eine der ersten Entdeckungen, die ich vor 15 Jahren bei Lokad gemacht habe. Wir lieferten überlegene Prognosen in Bezug auf die Genauigkeit, und sehr häufig führte das tatsächlich zu Chaos und schadete den Geschäften dieser armen ersten Kunden. Es ist kontraintuitiv, aber es kommt vor.

Ein Beispiel: Eine der einfachsten Methoden, um die Genauigkeit eines Prognoseprozesses zu verbessern, besteht darin, den Prognosealgorithmus extrem reaktiv zu machen, was bedeutet, dass bei kleinen Schwankungen in den aktuellen Daten der Algorithmus sehr heftig reagiert. Das Problem dabei ist, dass du dadurch eine Prognose erhältst, die ständig massiv nach oben und unten schwankt. Es ist also zwar eine genauere Prognose, aber auch eine sehr instabile.

In einer realen supply chain gibt es überall Sperreffekte. Sobald du einen Kaufauftrag an einen ausländischen Lieferanten weiterleitest, und am nächsten Tag deine Nachfrageprognose plötzlich sinkt, weil es nur eine kurzfristige Aufwärtsfluktuation deiner Prognose war, sitzt du mit dem Kaufauftrag fest. Dies ist typischerweise eine Situation, in der eine gesteigerte Genauigkeit nicht in höhere Profitabilität umschlägt; im Gegenteil, eine höhere Genauigkeit verringert deine Profitabilität.

Noch etwas — dies war die Situation, die uns vor etwa anderthalb Jahrzehnten zu probabilistischen Prognosen geführt hat: Wenn du eine intermittierende Nachfrage hast, ist es in der Regel eine sehr genaue Prognose, wenn du null vorhersagst. Sehr häufig, wenn du eine intermittierende Nachfrage hast, kann ein Prognosemodell einfach null Nachfrage prognostizieren. Aus statistischer Sicht ist das eine sehr genaue Prognose. Geschäftlich gesehen jedoch, wenn du null prognostizierst, bestellst du null nach und verkaufst null. Daraus erzielst du nicht viele Gewinne.

Das ist die Art von Unsinn, die entsteht, wenn man der Genauigkeit hinterherjagt. Du hast Dutzende weiterer Probleme. Wiederum ist der Glaube, dass es eine positive Korrelation zwischen Prognosegenauigkeit und Profitabilität gibt, fehlgeleitet. Es ist wirklich falsch.

Conor Doherty: Der Begriff, den du zuvor verwendet hast, lautete “es mag kontraintuitiv erscheinen”, und ich denke — nachdem ich diese Diskussion nicht nur mit dir, sondern auch mit anderen geführt habe — dass das Verständnis des Ziels dessen, was du zu erreichen versuchst, dabei helfen kann, wie kontraintuitiv es erscheint.

Zum Beispiel, wenn du glaubst, dass eine höhere Prognosegenauigkeit die Kennzahl ist, die du optimieren möchtest, dann klingt es kontraintuitiv zu behaupten, dass eine weniger genaue Prognose nicht zwangsläufig profitabler ist. Wenn es dir darum geht, bessere Entscheidungen zu treffen und dies das Endziel deiner Optimierung ist, sind wir nicht die Einzigen, die darauf hingewiesen haben — Stephan Kolassa schrieb vor ein paar Jahren in Foresight — auf die Idee der “decision insensitivity”. Du könntest eine genauere und eine weniger genaue Prognose haben, aber sie münden letztlich in genau derselben Entscheidung, sagen wir mal aufgrund einer MOQ. Somit hat die zusätzliche Prognosegenauigkeit dir nichts gebracht. Die weniger genaue Prognose war in Bezug auf den Nettogewinn profitabler als der Markt.

Joannes Vermorel: Du hast so viele Probleme mit der Zeitreihenperspektive. Am Ende jagst du dem nach, was allgemein als der McNamara-Fehlschluss bekannt ist. Du hast das falsche Paradigma. Du wählst die falschen Kennzahlen. Das Publikum kann es nachschlagen; es gibt eine Wikipedia-Seite darüber — fehlgeleitete Generäle, die von der US-Seite die Vietnamkriegsanstrengungen geleitet haben.

Betrachten wir ein Beispiel. Sie sind ein Modeunternehmen, eine Modemarke, und Ihr Problem ist, dass der Kollektion, die Sie gerade auf den Markt bringen wollen, genau das fehlt, was vollkommen zum aktuellen Trend passen würde. Angenommen, das ist das Problem. Wir haben eine Kollektion, die kurz davorsteht, den Markt zu erobern, und sie ignoriert völlig den Stoff, den Stil, das Muster – was auch immer – der super angesagt wäre.

Conor Doherty: Schlaghosen in den ’70ern.

Joannes Vermorel: Und Ihre Prognose ist sehr genau. Sie sagt voraus, dass Ihre bevorstehende Kollektion miserabel abschneiden wird. Vielen Dank. OK, Sie haben eine sehr genaue Prognose. Vielen Dank.

Sehen Sie, eine Prognose prognostiziert nur – wieder, wir sprechen vom klassischen Paradigma, der Zeitreihe – sie prognostiziert nur die Zeitreihe, die Sie haben. Was ist mit einem Produkt, das Sie nicht haben, aber haben sollten? Wie wird dies in Ihrer Genauigkeitsmetrik berücksichtigt? Die Antwort lautet: Es wird nicht berücksichtigt.

Das Hauptproblem besteht darin, dass es als Paradigma sehr schwach ist und so viele Dinge ignoriert, dass es für fast alle Unternehmen eine völlige Ablenkung darstellt, weil sie die notwendige Vorarbeit nicht geleistet haben, um es zu einer relevanten Metrik zu machen. Wenn wir von einem Unternehmen sprechen würden, das äußerst ausgereift ist, das die Nachfrage anhand abstrakter Nachfrage beurteilen kann, völlig entkoppelt von dem tatsächlichen Sortiment, das Sie haben; das bereits die vielen Arten von Unsicherheiten berücksichtigt – Nachfrage, Durchlaufzeiten, Preise, Rücksendungen usw.; das bereits eine probabilistische Vision umarmt; das bereits eine funktionale Vision umfasst – funktional im Sinne, dass die Zukunft von Entscheidungen abhängt, die noch nicht getroffen wurden – dann würden wir wieder bei sequentiellen Entscheidungsprozessen usw. sein.

Wenn Sie ein Unternehmen nehmen, das all das bereits getan hat, dann ist das vielleicht der Punkt, an dem Sie anfangen können, sich mit Genauigkeitsmetriken zu beschäftigen, die übrigens relativ seltsam sein werden, da es höchstwahrscheinlich um probabilistische Prognosen geht. Aber das sind viele Grundlagen, die zuerst gelegt werden müssen.

Wenn ich von „versteckten Kosten der Prognosegenauigkeit“ spreche, meine ich, dass es eine völlige Ablenkung ist, weil diese Grundlagen völlig fehlen, und deshalb verfolgen Unternehmen Metriken, die extrem engstirnig sind und nicht die langfristigen Interessen ihrer Geschäfte widerspiegeln.

Conor Doherty: Um auf das Einzelhandelsbeispiel aufzubauen, das Sie gegeben haben – ich erinnere mich, dass Sie vor einiger Zeit die Sortimentsoptimierung erwähnt haben – gaben Sie das Beispiel: Wenn Sie ein Modehändler sind, wie viele knallgelbe T-Shirts oder knallpinke T-Shirts möchten Sie in Ihrem Sortiment haben? Sie werden sie nicht – naja, es hängt wirklich davon ab, warum Sie sie haben. Wenn Sie sie haben, weil Sie denken, dass Sie sie verkaufen werden, könnte dem anders sein, weil Sie nicht allzu viele verkaufen werden. Aber das Fehlen dieser macht Ihr Sortiment unschön, denn dann haben Sie nur weiße Hemden und schwarze oder blaue Jeans, und der Laden wirkt ziemlich trist.

Also, den Wert dieses pinken oder dieses gelben T-Shirts in einer Zeitreihe abzubilden, ist – „verlustbehaftet“ ist der Begriff, den Sie verwenden – eine verlustbehaftete Darstellung von Wert, oder so ähnlich. Ich vermassle das, da bin ich mir sicher.

Joannes Vermorel: Ja, es ist in der Tat eine sehr verlustbehaftete Darstellung der Informationen über Ihr Geschäft. Und genau da frage ich: Wie fein ist die Granularität? Das Problem bei diesen Prognosen ist, dass sie typischerweise eine Perspektive einnehmen, die nicht sehr durchdacht ist.

Wenn Sie an ein Geschäft denken, würden Sie sich überlegen: Wie könnte ich tatsächlich meine Bestands- und Sortimentsentscheidungen – Sortimentsentscheidung, Bestandsentscheidung, Preisentscheidung – optimieren, um die Nachfrage, die aus diesem Geschäft erfolgreich bedient wird, zu maximieren? Das wäre eine Perspektive. Ein anderer Ansatz wäre: Wie maximiere ich den langfristigen Wert jedes einzelnen Kunden?

Das ist zum Beispiel in der Mode wichtig: Wenn Sie einem Kunden einen Rabatt gewähren, schafft das eine schlechte Angewohnheit. Der Kunde erwartet plötzlich, zurückzukommen. Wenn dieser Kunde zurückkommt, wird er erneut einen Rabatt erwarten. Wiederum blicken wir in die Zukunft. Wir erstellen implizit eine Prognose.

Wenn Menschen anfangen, über Prognosegenauigkeit zu diskutieren, versuchen sie, ein Urteil über die Qualität ihrer Vorhersagen der Zukunft abzugeben. Was ich meine, ist, dass die Art von Eigenschaften, die Sie in der nahezu Gesamtheit der Unternehmen finden – verankert in einem extrem engstirnigen Paradigma, nämlich Punktzeitreihenprognosen – so restriktiv und fehlerhaft sind, dass alle Zahlen, die in Form von Metriken aus diesem Paradigma hervorgehen, einfach Zeitverschwendung sind. Es ist pure Zeitverschwendung, und jede Verbesserung, von der Sie denken, dass Sie sie erzielen werden, ist lediglich eine Illusion.

Ich habe auch anekdotische Beweise gesehen – Dutzende über die Jahre hinweg – von Data-Science-Teams, die laut MAPE oder MAE oder was auch immer eine „20% genauere“ Prognose vorgelegt haben, die nie in Produktion geht, weil sie so viele Probleme verursacht. Lokad war, vor etwa anderthalb Jahrzehnten, Teil dieser von Data Science geführten Unternehmen, die mit solchen Problemen konfrontiert waren. Es scheint, dass das Problem weiterhin besteht, und neuere Entwicklungen wie FVA – Forecast Value Added – machen es nur noch schlimmer.

Conor Doherty: Eine private Frage ist hereingekommen. Sie können sie privat senden, wenn Sie nicht öffentlich kommentieren möchten; ich werde sie am Ende stellen. Aber ich werde noch auf die Idee von FVA und Genauigkeit zurückkommen – denn genau darum wurde ich gerade gebeten. Ich werde noch ein wenig darauf eingehen, denn erneut geht es um das Thema der versteckten Kosten der Prognosegenauigkeit.

Ihr Buch liegt auf dem Tisch. Die Wirtschaftswissenschaften sind ein großer Teil Ihrer Gesamtweltanschauung, und Sie betonen wiederholt die Bedeutung sowohl direkter als auch indirekter Kosten, wobei die Opportunitätskosten die indirekten sind. Also, in ziemlich konkreten Begriffen: Was sind in der Praxis die Kosten eines Unternehmens, das sich darauf konzentriert, Genauigkeit zu verfolgen? Wie zeigt sich das in den täglichen Ausgaben oder Verlusten?

Joannes Vermorel: Das zeigt sich bei Ihren Bestandsmanagern oder Produktionsmanagern – oder wer auch immer die tatsächlichen Entscheidungen trifft – die viel Zeit damit verbringen, die Zahlen zu manipulieren, damit sie schließlich zu einer halbwegs sinnvollen Entscheidung gelangen. Unternehmen wundern sich manchmal: Es ist sehr merkwürdig – wir haben die Prognose, die angeblich genau sein soll, und dann haben wir einfache Regeln, um die Entscheidungen abzuleiten – was kaufen wir, was produzieren wir, wo verteilen wir den Bestand, was sind die Preise? Es stellt sich heraus, dass es einen enormen Personaleinsatz erfordert, diese Prognosen in tatsächliche Entscheidungen umzuwandeln.

Warum ist das so? Weil die Prognosen so unsinnig sind, dass Sie eine Menge Arbeitskraft und Denkleistung benötigen, um all die Dinge zu erledigen, die die Prognose nicht richtig abbildet. Diese Menschen, diese ganzen Teams, leisten in der Tat die Arbeit, die Zukunft richtig zu durchdenken, damit die Entscheidungen tatsächlich sinnvoll sind.

Das ist eine der versteckten Kosten: Warum ist Ihre supply chain nicht vollständig automatisiert in Bezug auf decision-making-Prozesse von Ende zu Ende? Die kurze Antwort lautet, dass Ihre Prognosen extrem dysfunktional sind, und das ist ein weitaus schwerwiegenderes Problem, als dass Ihre Prognosen ungenau wären.

Sie sind dysfunktional in dem Sinne, dass sie nicht einmal in einer Art und Weise ausgedrückt werden, die sich für Entscheidungsprozesse eignet. Es ist nicht die richtige Granularität. Es konzentriert sich nicht auf die richtigen Dinge. Es hat nicht die notwendige Nuance usw. So haben Sie eine Illusion einer quantifizierten Zukunft, aber das ist nur eine Illusion. Wenn wir von Prognosegenauigkeit sprechen – wieder aus der klassischen Perspektive –, jagen Sie nur dieser Illusion nach, die Zukunft zu quantifizieren.

Conor Doherty: Ich möchte vorweg sagen, dass wir nicht in eine Tirade über FVA verfallen werden, sondern nur als Beispiel für konkrete Kosten: Oft wissen wir, dass Unternehmen erhebliche Geldbeträge direkt und indirekt für Softwareprodukte ausgeben, um FVA einzuführen. Wiederum machen wir keine Aussage darüber, ob FVA funktioniert oder nicht; es ist irrelevant. Es wird als eine Kostenposition aufgeführt, ein zusätzlicher Aufschlag auf die Suche nach einer Metrik, wie: Wir wollen sehen, was die Genauigkeit erhöht, was sie verringert oder steigert.

Also sind es nicht nur die Aufmerksamkeit; es gibt die Gehälter, richtig? Es gibt die Aufmerksamkeit, die Opportunitätskosten, und in vielen Fällen – wir kennen Beispiele – auch Softwareinterventionen. Sie, als Anbieter, zahlen dafür, etc. Also gibt es sehr viel.

Joannes Vermorel: Ja. Und auch, zum Beispiel, wenn Sie Personen in den Prozess einbeziehen, wie es bei S&OP gemacht wird – ein Teil der Idee von S&OP besteht darin, die Synchronisation zu erhöhen, die Genauigkeit zu steigern. Sie möchten, dass die Menschen das produzieren, was das Verkaufsteam verkaufen wird und was das Marketing bewerben wird. Sie wollen unternehmensweite Synchronisation. In gewisser Weise geht es darum, Genauigkeit zu verfolgen, damit es weniger Desynchronisation zwischen all diesen Teilen gibt.

Aber das kommt mit enormen Kosten: Diese manuelle Synchronisation ist extrem langsam. Für die meisten Unternehmen findet sie nur einmal pro Quartal statt, und einige Unternehmen machen es einmal im Monat, aber das ist bereits sehr langsam. Selbst wenn Sie zu den besten Unternehmen gehören, die S&OP praktizieren, wird dies ein monatlicher Zyklus sein. Meiner Meinung nach ist das extrem, extrem langsam. Das ist ein weiterer Kostenfaktor, der mit der Verfolgung dieser Genauigkeit verbunden ist: Plötzlich hinkt alles, was Sie tun, um 30 Tage oder mehr hinterher. Das ist nicht gut.

Conor Doherty: Ich stimme zu, und ich habe gerade einen Nachtrag dazu notiert. Wiederum, wenn wir über den Fokus sprechen – KPIs, oft Prognosegenauigkeit – haben Sie erwähnt, dass es einen effektiv blind gegenüber vielen anderen Quellen der Unsicherheit macht, weil es größtenteils die Nachfrage ist. Wir prognostizieren die Nachfrage, und wir tun das auf eine sehr spezifische Weise, nämlich durch die Linse der Daten, für die Sie Zeitreihen haben.

Joannes Vermorel: Genau. Es ist nicht die gesamte Nachfrage. Es geht um die Dinge, bei denen Sie – im Grunde genommen – fast ausschließlich die Verkaufszahlen anhand Ihrer historischen Verkäufe projizieren. Wir sind sehr weit davon entfernt, beispielsweise zu fragen: Wie denken Sie überhaupt an Genauigkeit, wenn es in der Vergangenheit zu großen Bestandsengpässen kam und Sie die tatsächliche Nachfrage nicht beobachten konnten? Es gab eine Zensur, weil Sie nur so viel verkauft haben, weil Sie nicht mehr vorhanden waren.

Ein sehr häufiges Beispiel: Was würden die nahezu Gesamtheit der Anbieter – und Berater, und viele Lehrbücher – sagen? Sie würden sagen: „Oh, ignorieren Sie einfach den Teil der Geschichte, in dem Sie diese Probleme hatten.“ Meine Antwort lautet: Auf keinen Fall. Wenn Sie auf einen Bestandsengpass stoßen – sagen wir, Sie machen eine Promotion in einem Hypermarkt und stoßen an einem Montagmorgen nach zwei Stunden auf einen Engpass – Sie öffnen, bäm, zwei Stunden später ist der Bestand erschöpft. Das ist eine Information, die sehr bedeutsam ist. Wenn die Aktion zehn Tage dauern soll, ist ein Ausverkauf am Ende des neunten Tages eine völlig andere Situation.

Die Tatsache, dass Sie in einen Bestandsengpass geraten, entwertet nicht alles. Sie können diese Information trotzdem nutzen, auch wenn sie mit Komplikationen verbunden ist. Noch einmal: Das Problem, das ich mit „Genauigkeit“ habe, ist, dass sie fast überall mit einem fehlerhaften Paradigma betrieben wird. Daher, wenn Sie dieser Genauigkeit nachjagen, wie sie von 99% der Unternehmen praktiziert wird, entstehen immense Kosten und nur sehr wenig Nutzen – wenn überhaupt.

Conor Doherty: Um Ihr eigenes Beispiel zu nehmen und die verborgenen Kosten zu beleuchten: Sie gaben das Beispiel eines Bestandsengpasses. Die traditionelle Perspektive wäre: „Sie sind in einem Geschäft; Sie haben keine Eier. Nun, ich habe den Eierverkauf verloren.“ Was ist mit der Tatsache, dass die meisten Dinge in Kombination gekauft werden?

Sie prognostizieren ein bestimmtes Nachfrageniveau für Eier; es kam zu einem Bestandsengpass bei Eiern. „Nun, ich habe den Wert dieser Eier verloren.“ Was ist mit dem Brot, dem Käse, der Milch, dem Schinken, dem Weichspüler, dem Waschmittel? All diese Dinge wären wahrscheinlich im Warenkorb enthalten gewesen. Eier sind ein bestimmtes Produkt – ich weiß bei mir persönlich, ich esse viele Eier. Schauen Sie mich an. Wenn es in einem Geschäft keine Eier gibt, gehe ich in ein Geschäft, das welche hat, und ich nehme all das Geld mit, das ich für all die anderen Produkte ausgegeben hätte.

Joannes Vermorel: Das ist der typische Fall bei probabilistischen Prognosen: Der Großteil des wirtschaftlichen Wertes in der supply chain liegt an den Extremen. Es ist eine überraschend hohe Nachfrage, die einen Bestandsengpass verursacht, oder eine überraschend niedrige Nachfrage, die zu Überbeständen führt und – im Falle von verderblichen Waren – zu einer Inventurabschreibung.

Für fast alle Unternehmen, die sich auf klassische Genauigkeit konzentrieren, wird dies unsichtbar bleiben, weil Sie sich auf den Durchschnitt oder den Median fokussieren. Das gilt auch in der Luftfahrt: Es gibt AOGs – Aircraft on Ground. Ihnen fehlt eine Schraube im Wert von $20, und bäm, steht Ihr A320 für einen Tag am Boden, weil Ihnen ein winziges Teil fehlt.

Die Vorstellung, dass Ihre Genauigkeit – Punktprognosen – die Wirtschaft widerspiegeln oder korrelieren würde, ist in den meisten Fällen schlichtweg falsch. Für dieses Publikum gilt, dass sehr häufig eine buchstäbliche negative Korrelation besteht. Indem Sie Ihre Genauigkeit verbessern, verschlechtern Sie die Situation. Das passiert sehr häufig.

Ansonsten wird das Gegenargument lauten: „Wir verbessern die Genauigkeit, weil es zumindest nicht schadet.“ Meine Antwort lautet: Oh ja, es kann schaden. Es tut das sehr häufig. Das ist einer der Hauptgründe, warum so wenige dieser data science-Projekte jemals in Produktion gehen: Diese „genaueren“ Prognosen verursachen so viele Probleme, dass sie verworfen werden. Das führt zu enormem Frust in den Data-Science-Teams: „Aber seht her, unsere Prognose war 20% genauer!“ Die Praktiker sind nicht rückständig; sie begreifen intuitiv, dass diese Zahlen immense Probleme für das Unternehmen verursachen werden. Sie haben nicht unbedingt eine durchgängige quantitative Analyse, um zu erklären, warum, sodass der typische Bestandsplaner sich diese Prognosen ansieht – die angeblich genauer sind, aber viele kaum sichtbare Probleme erzeugen – und sagt: „Nein, das gefällt mir nicht. Ich möchte einfach meinen dreijährigen Durchschnitt beibehalten und dabei bleiben.“

Für das Data-Science-Team erscheint das verrückt – warum dieser dreijährige Durchschnitt? Es wirkt dumm. Was sie nicht sehen, ist, dass das ausgeklügelte Modell mit seiner Zeitreihenperspektive völlig defekt ist und viele Probleme verursacht. Für den Bestandsmanager hat dieser sehr naive dreijährige Durchschnitt interessante Eigenschaften: hohe Stabilität, leichte Verständlichkeit usw. Da so viel zusätzliche Arbeit erforderlich ist, um die Zukunft korrekt zu erfassen, interferiert zumindest dieser Input nicht mit all der übrigen Arbeit, die Bestandsmanager, Produktionsmanager, Allokationsmanager, Filialleiter usw. leisten müssen, um Entscheidungen in der realen Welt zu treffen.

Conor Doherty: Du hast buchstäblich gerade „capturing the future“ gesagt, und der Inhalt betraf überwiegend die direkten und indirekten Kosten, die mit der Prognose der Nachfrage verbunden sind, insbesondere mittels Zeitreihen. Du hast zuvor die Bedeutung von Durchlaufzeiten, Retouren usw. erwähnt. Warum denkst du, dass quasi alle Unternehmen so eifrig daran arbeiten, die Nachfrage zu prognostizieren und dabei super, super genau zu sein, während diese andere enorme, sehr verbreitete, sehr bekannte Quelle der Unsicherheit – über die wir gar nicht sprechen – außen vor gelassen wird?

Joannes Vermorel: Genau da komme ich im Buch ins Spiel – Kapitel 7, “Die Zukunft”. Was nahezu alle Unternehmen praktizieren, ist in technischen Begriffen eine teleologische Vision, die annimmt, dass man, ganz ähnlich wie Gosplan für die UdSSR, die Nachfrage ein Jahr im Voraus (oder beim Gosplan fünf Jahre im Voraus) prognostizieren und dann fixieren kann. Dann wird das Weltenspiel zu einem Ressourcenallokationsproblem. Es geht nur noch darum, die Ressourcen hierfür zu orchestrieren, und man nimmt an, dass alles zuverlässig erledigt wird. Andernfalls ist dies ein Problem, das behoben werden muss.

Zum Beispiel, Durchlaufzeit: Die klassische Theorie würde sagen: „Prognostiziere nicht die Durchlaufzeit. Sorge einfach dafür, dass du zuverlässige Lieferanten hast, die rechtzeitig liefern.“ Überlebt diese Sichtweise in der realen Welt? Tut sie nicht. Trotzdem ist diese Perspektive in nahezu allen Büchern vertreten. Es gibt sogar noch nonsensischere Ansätze: Manchmal geben die Autoren zu, dass sich die Durchlaufzeiten ändern können, und sagen: „Lasst uns eine Normalverteilung annehmen“, was zu positiven Wahrscheinlichkeiten für negative Durchlaufzeiten führt – äußerst merkwürdig, wenn man darüber nachdenkt. In Lehrbüchern findet man Autoren, die sagen: „Betrachten wir die Durchlaufzeit als normalverteilt“, was bedeutet, dass es in Ordnung ist, minus einen Tag Durchlaufzeit zu haben: Du bestellst jetzt und erhältst das Produkt gestern. Das ergibt überhaupt keinen Sinn. Dennoch findet man das in Software und in der Literatur.

Conor Doherty: Joannes, danke. Ich sollte darauf hinweisen, dass mein Computer im Hintergrund verrückt spielte. Ich dachte, es gäbe keine Fragen, und dann hat er sich einfach neu gestartet, während du sprachst, und tatsächlich gibt es viele. Ich hatte keine Ahnung, und dann sah ich plötzlich, dass es ziemlich viele sind. Gib mir einen Moment, um das zu verarbeiten – Microsoft hat das Windows-Update im genau richtigen Moment durchgeführt, unglaublich. Genau im richtigen Moment. Der Computer funktioniert einwandfrei, und dann machen wir ein Live-Event.

Wir kommen später noch auf einen abschließenden Kommentar zurück. Ich gehe jetzt direkt zu einem Kommentar über. Dieser stammt von Timur: „Wenn prognostische KPIs nicht mit dem Gewinn korrelieren, bedeutet das, dass diese speziellen prognostischen KPIs geändert werden müssen. Wir haben gute Erfahrungen damit gemacht, KPIs so neu zu definieren, dass eine Korrelation erkennbar wird.“ Was meinst du, Joannes?

Joannes Vermorel: Ja. Aber dann sollten wir wirklich hinterfragen: Wenn du alle notwendigen Änderungen vornimmst, damit dein KPI mit dem Gewinn korreliert, kannst du ihn dann immer noch „forecasting accuracy“ nennen? Ist das das, was in der Literatur Prognosegenauigkeit genannt wird? Wird es in fortschrittlichen Planungssystemen oder Unternehmensplanungslösungen als Prognosegenauigkeit bezeichnet? Meine Antwort lautet: Nein.

Also, was ist, wenn wir sagen, dass es möglich ist, einen KPI einzuführen, der tatsächlich mit dem Gewinn korreliert? Absolut. Aber er wird nicht mehr als Prognosegenauigkeit bezeichnet. Niemand, der sich diese Berechnung ansieht, würde sagen: „Oh, das ist eine Variante von Genauigkeit.“ Ja, es ist möglich, die Qualität deiner Voraussicht auf die Zukunft mit deinem Gewinn in Zusammenhang zu bringen. Aber wenn du das tust, landest du bei etwas so Anderem, dass es kein Statistiker mehr als Genauigkeit bezeichnen würde. Wir sind so weit fortgeschritten, dass es etwas völlig anderes darstellt.

Conor Doherty: Nächste Frage von Vivek: „Sollten wir die Genauigkeit oder den Fehler in Volumen messen, oder den Fehler in Prozent – Genauigkeit im Volumen oder Fehler im Volumen?“

Joannes Vermorel: Das Problem ist nicht, eine absolute Metrik in Einheiten auszudrücken oder etwas als Prozentsatz zu formulieren. Das ist eine völlig irrelevante technische Feinheit. Gleiches gilt, wenn du den Quadratwurzelfehler oder Ähnliches heranziehen möchtest. All das sind mathematische Instrumente mit einer präzisen Definition. Sie haben keinerlei Bezug zu den Gewinnen des Unternehmens.

Wenn du einen richtigen KPI hast, dann wird es etwas sein – ein Lackmustest – bei dem, wenn ein Statistiker oder Mathematiker die Formel deines Leistungsindikators als etwas, das man als Genauigkeit bezeichnet, erkennen würde, es sich nicht um ein wirtschaftliches Kriterium handelt. Wenn du die ökonomischen Aspekte berücksichtigst, wird es sehr komplex und extrem spezifisch für das jeweilige Geschäft. Es wird zu etwas, das du nicht einfach auf ein anderes Unternehmen übertragen kannst. Es wird extrem an die strategischen Ambitionen dieses Unternehmens gebunden und bringt viele Sonderfälle mit sich. Es gibt jede Menge unternehmensspezifische Komplexität.

Diese Leistungsindikatoren, die wirtschaftlich getrieben sind, sind sehr nützlich. Willst du sie erkennen, so sind sie typischerweise recht ausführlich, da sie viele Faktoren des Geschäfts berücksichtigen müssen. Sie besitzen nicht die mathematische Eleganz rein mathematischer Kriterien wie MAPE oder MAE. Das ist nichts, was man in einer einzigen Codezeile schreiben kann. Es wird typischerweise Hunderte, wenn nicht sogar einige tausend Codezeilen benötigen, weil du tonnenweise Variablen berücksichtigen musst.

Conor Doherty: Ich komme nun auf eine zuvor gestellte Frage zurück. Diese war als Antwort auf deine Kommentare, dass eine negative – oder genauer gesagt, eine weniger genaue – Prognose profitabler sein könnte. Ich lese das wörtlich: „Okay, eine 10% genauere Prognose bringt vielleicht nicht mehr Geld, aber eine 20% ungenauere wird dir sicher Geld kosten. Ist also Genauigkeit zumindest richtungsweisend mit der Rentabilität korreliert?“

Joannes Vermorel: Nein, das ist es nicht. Das war der Fehler, den ich in den ersten Jahren bei Lokad gemacht habe. Das Geschäftsmodell von Lokad war: Wir liefern genauere Prognosen. Und das haben wir getan. Wir sind immer noch ziemlich gut in Sachen Prognosegenauigkeit. Vor einigen Jahren, beim M5 Forecasting-Wettbewerb mit Walmart-Daten, belegte Lokad weltweit den ersten Platz auf SKU-Ebene und den fünften Platz insgesamt, während keiner unserer Wettbewerber – die ihren Fokus auf „genauere KI-Prognosen“ und dergleichen legten – es in die Top 100 schaffte.

Kann eine 20% ungenauere Prognose dein Unternehmen profitabler machen? Ja, absolut. Das war die harte und schmerzhafte Lektion der ersten Jahre bei Lokad. Wie erzielt man eine 20% genauere Prognose? Indem man die Prognose instabiler macht. Du hast einen Algorithmus, der sehr empfindlich auf den neuesten Datenabfall reagiert. Das ist eine der einfachsten Möglichkeiten, deine Prognose genauer zu machen. Aber wenn du eine derart instabile, genauere Prognose in eine reale supply chain einsetzt, verschlechtert das die Performance. Ein Rückgriff auf eine um 20% ungenauere Prognose verbessert tatsächlich die Situation.

Eine der einfachsten Methoden, um bei intermittierender Nachfrage eine Prognose „genauer“ zu machen, ist, die meiste Zeit Nullen zu prognostizieren. Historisch gesehen haben wir sogar eine große Ausschreibung für einen bedeutenden europäischen Distributor gewonnen, indem wir ausschließlich Nullen zurückgegeben haben. Wir prognostizierten die Nachfrage für Mini-Märkte – pro Produkt, pro Tag, pro Mini-Markt – für fünf Tage im Voraus. Das Kriterium war der absolute Wert der Differenz zwischen Prognose und Realität. Ich verwendete mein Zero-Forecaster-Modell – überall Null zurückgeben – und es war 20% besser als das zweitplatzierte Unternehmen in diesem Forecasting-Wettbewerb für diese Ausschreibung.

Ja, du kannst das Geschäft verbessern, indem du die Prognose weniger genau machst. Zeitreihen sind völlig unzureichend, und wenn sie zur Anwendung kommen, geschehen ständig verrückte Dinge. Deshalb braucht man so viele Leute, die Zahlen anpassen, feinjustieren und mit Tabellenkalkulationen über die Prognosen arbeiten – weil du Zeitreihen-Prognosen nicht direkt in Entscheidungen umsetzen kannst. Das ist einer der Hauptgründe, warum seit den späten 70ern keine supply chain-Automatisierung stattgefunden hat: Du kannst Entscheidungsprozesse, die auf Zeitreihenanalysen basieren, nicht automatisieren. Das ist das Problem.

Conor Doherty: Nächste Frage von Dmitri – und danke, dass du mir bei der Administration geholfen hast, Dmitri, und dass du es erneut gepostet hast. Zuerst ein Kommentar, dann die Frage: Prognosegenauigkeit wird weit verbreitet eingesetzt, weil sie einfach ist. Wie beschreibst du, Joannes, deine Konzepte anderen Geschäftspartnern – nicht unbedingt den coolen Nerds, die es sofort verstehen?

Joannes Vermorel: Unsere Herangehensweise ist: Vergiss die Prognose. Das ist ein numerisches Artefakt, ein Wert, der nur vorübergehend ist. Es ist ein Mittel zum Zweck. Was ist der Zweck? Die Entscheidung: Was kaufst du, was produzierst du, wo lagerst du das Inventar, zu welchem Preis?

Lass uns einen Blick auf die Entscheidungen werfen. Für jede Entscheidung wollen wir – in Euro oder Dollar – das halbe Dutzend der wirkenden Kräfte quantifizieren und diskutieren, ob das, was wir durch diese Kräfte erkennen, stimmig ist. Zum Beispiel: Wir stellen eine Einheit in dieses Geschäft – welche zusätzliche Marge erwarten wir, indem wir heute diese eine zusätzliche Einheit in dieses Geschäft bringen? Haben wir eine grobe Abschätzung? Welche Fehlmengenkosten vermeiden wir – wie verbessert sich der Service? Wie groß ist das Risiko von Überbeständen, das wir schaffen? Was sind die Opportunitätskosten, indem wir Platz im Geschäft einnehmen, der für ein besseres Produkt genutzt werden könnte?

Wir müssen uns auf diese wirtschaftlichen Faktoren einigen. Je nach Branche wird es viele geben. Das halbe Dutzend oder Dutzend wirtschaftlicher Kräfte, die wirken, variiert von Unternehmen zu Unternehmen erheblich, da das Geschäftsmodell und die strategische Ausrichtung unterschiedlich sind. Nichtsdestotrotz lautet die Methode bei Lokad: Bringe das zum Ausdruck in economic drivers, die die Zukunft widerspiegeln – eine Zukunft, die in diesen wirtschaftlichen Bewertungen in monetären Werten eingebettet ist – und diskutiere dann, ob wir mit den Praktikern in der richtigen Richtung liegen.

Sehr häufig erhalten wir qualitativ hochwertigeres Feedback, wenn wir es aus einer rein finanziellen Perspektive betrachten. Die Leute sagen: „Oh, du hast vergessen: Du erzählst mir davon, diese Einheit heute zu pushen, aber heute ist das Geschäft unterbesetzt. Sie haben nicht die Ressourcen, um die Ware ins Regal zu stellen. Wenn du trotzdem etwas pushst, muss jemand an der Kasse etwas erledigen, und die Kunden werden schlecht bedient. Daher sollte es eine Strafe geben.“ Okay, wir nehmen das als zusätzlichen Faktor auf.

So viele Faktoren fließen in diese Voraussicht der Zukunft ein. Es geht darum, es für die Zukunft richtig zu machen. Deshalb sage ich „Qualität der Antizipation“ anstelle von „forecasting accuracy“, wobei forecasting accuracy Zeitreihen-Punktprognosen sind.

Conor Doherty: Dmitri hat zugehört, daher eine Anschlussfrage: Kannst du erklären, wie man all diese wirtschaftlichen Faktoren auf ein Portfolio mit 5.000 SKUs anwendet? Ihr habt es mit noch grösseren Portfolios zu tun gehabt.

Joannes Vermorel: Ja, deutlich größer – wir wenden das auf über 50-Millionen SKUs an. Wichtig ist, das numerische Rezept zu formulieren. So gehst du mit Praktikern vor: durch Stichproben. Lass dich von anekdotischen Belegen leiten. Vergiss es, von durchschnittlicher Genauigkeit oder durchschnittlicher Leistung auszugehen – das sollte dich nicht steuern.

Die Methode – auch im Buch – heißt experimentelle Optimierung. Du nimmst ein Beispiel, und der Planer sagt „weiter, weiter“, er schaut sich die SKU an und meint: „Ah nein, bei dieser stimme ich nicht zu.“ Wenn du diese Methode mit echten Menschen anwendest, schauen sie sich dein Rezept an – nicht den Code, das Ergebnis, die wirtschaftlichen Faktoren – und legen schnell Einwände vor: „Ich bin hier anderer Meinung. Zum Beispiel bei diesem Produkt: Du sagst, die Fehlmengenkosten seien so hoch, aber das sind Windeln. Für junge Eltern ist das kritisch. Wenn sie nicht die Windeln der richtigen Marke im Hypermarkt finden, gehen sie sofort in einen anderen Hypermarkt.“ Okay, hier wird die Strafe also massiv unterschätzt.

Sie geben dir Feedback. Es ist anekdotisch. Dann liegt es am Supply Chain Scientist, die allgemeine Regel zu verstehen und dem auf den Grund zu gehen. Unsere Erfahrung bei Lokad – experimentelle Optimierung in der Praxis – ist: Du machst einen ersten Durchlauf, und die Planer legen bei 90% deiner Zeilen Einwände vor. Ganz gleich, welche SKU oder welche Entscheidungen du auswählst, es gibt tonnenweise Einwände. Dann iterierst du und iterierst weiter. Sehr häufig benötigt es bei uns über zwei Monate hinweg einige hundert Iterationen – manchmal fünf Iterationen pro Tag – anpassen, wiederholen, anpassen, wiederholen. Denke daran wie an eine Excel-Tabelle, in der du Dinge anpasst – ein agiler Prozess.

Manchmal führen die Kunden sogar Live-Diskussionen mit dem Supply Chain Scientist am Telefon. Der Scientist behebt den Code während des Gesprächs und führt ihn aus, um zu sehen, was herauskommt. Du iterierst. Irgendwann sagt der Praktiker: „Ich habe keine Einwände mehr.“ Sie schauen sich die Entscheidungen an: Sie wirken gut und konsistent; es herrscht kein Wahnsinn mehr. Unser Ziel in der Produktion ist 0% Wahnsinn. Wir streben nicht 0% Ungenauigkeit an; wir wollen 0% Wahnsinn. Das ist eine völlig andere Perspektive.

Du machst das durch Stichproben. Es bringt nichts, von durchschnittlicher Leistung zu sprechen, denn wenn du über viele SKUs mitteln würdest, siehst du die Probleme nicht. Du siehst nicht die Anekdoten, die Sonderfälle, die behandelt werden müssen. Selbst wenn du auf Rentabilität achtest, gibt es viele SKUs, die super profitabel sind. Beim Mitteln kann es vorkommen, dass eine SKU, bei der etwas schlecht – fast verrückt – läuft, in der Masse der profitablen und sinnvollen SKUs untergeht. Deshalb brauchst du experimentelle Optimierung und eine anekdotische Perspektive, um den Code schnell zu verbessern.

Conor Doherty: Noch zwei weitere. Ich muss wieder hochscrollen – es gibt viele Kommentare. Dmitri, ich hoffe, das hat geholfen. OK, von – verzeih bitte, ich nehme an, ich spreche das richtig aus – Alif (oder Leif): „Aus deiner Perspektive, welche Ansätze können Organisationen helfen, versteckte Kosten innerhalb von Zyklen aufzudecken und anzugehen, während gleichzeitig ein Gleichgewicht zwischen Agilität und Kosteneffizienz gewahrt wird?“ (Anmerkung: Zyklen meint S&OP.)

Joannes Vermorel: Lass S&OP fallen. Diese Prozesse haben nur einen Vorteil: Sie machen Berater reich. Lass es einfach. Konzentriere dich wirklich auf die Entscheidung. Identifiziere, welche Entscheidungen getroffen werden. Im Buch definiere ich eine supply chain-Entscheidung ganz einfach: Es ist eine Allokation von Ressourcen, die den Fluss physischer Güter unterstützt. Das war’s.

Du verwandelst einen Dollar in Rohstoffe für deine supply chain – das ist eine Ressourcenallokation. Du nimmst eine Einheit Rohstoffe und verwandelst sie in ein Halbfertigprodukt – Ressourcenallokation. Du bewegst eine Einheit Inventar von einem Ort zum anderen – Ressourcenallokation. Konzentriere dich auf die Ressourcenallokation; das sind die Entscheidungen, die getroffen werden. Nimm alles von dort.

Lass nicht zu, dass numerische Artefakte – Zwischenschritte – deinen Prozess definieren. Prognosen sind ein Teil davon; sie sind völlig flüchtig. Sie sind entbehrlich. Du kannst sie loswerden, durch etwas Besseres ersetzen. Sie sind nicht grundlegend, im Gegensatz zu den Entscheidungen. Die Entscheidungen sind fundamental. Betrachte dein Geschäft in 50 Jahren erneut – du wirst immer noch das Problem haben, dass ein Dollar in Dinge umgewandelt wird, die du gekauft hast und die durch einen Produktionsprozess transformiert wurden. Diese Entscheidungen sind extrem stabil, im Gegensatz zu numerischen Artefakten, die völlig flüchtig sind.

Conor Doherty: Das ist tatsächlich ein langer Kommentar mit viel Kontext. Ich beschränke das absichtlich nur auf eine Frage – wir werden später eine ausführlichere Antwort schicken. Grundsätzlich: Glaubst du, dass KPIs für verschiedene supply chain Kategorien unterschiedlich sein sollten, um Unterschiede bei Einkaufs- und Produktionsbeschränkungen sowie Vorlaufzeiten widerzuspiegeln?

Joannes Vermorel: Typischerweise nicht. Man möchte KPIs, die die Ökonomie des Unternehmens widerspiegeln. Das kann viele Faktoren beinhalten, die kategoriespezifisch sind. Es gibt Unternehmen – manche sehr große – mit unglaublich vielfältigen Geschäftsbereichen. Wenn du ein Unternehmen hast, das Spielzeug und Luftfahrt Teile produziert, sind das zwei separate Geschäftszweige. Wahrscheinlich sind die KPIs völlig unterschiedlich.

Aber wenn wir etwas Relativ Homogenes haben – sagen wir Avionik – sollten die KPIs dann je nach Art der Avionik unterschiedlich definiert werden? Wahrscheinlich nicht. Vermutlich ist der Code – die Logik deines KPI – überall gleich, aber er hat kategoriespezifische Parameter. Das ist typischerweise der Lokad-Ansatz. Manchmal haben wir sogar produktspezifische oder SKU-spezifische Parameter. Das ist in Ordnung. Mein Vorschlag ist: Versuche, das numerische Rezept so einheitlich wie möglich zu halten.

Warum? Letztlich konkurriert alles, was du tust, um dieselben Ressourcen. Alle Kategorien, die du einkaufst, konkurrieren letztlich um dieselben Dollar auf dem Firmenkonto. Alles, was du im Lager behältst, konkurriert letztlich um denselben Platz im selben warehouse. Es gibt unternehmensweite Einschränkungen. Wenn die Dinge nicht homogen sind, ist es äußerst schwierig, eine ordnungsgemäße Arbitrage zwischen Zuteilungen vorzunehmen. Das ist auch ein Problem der klassischen Sichtweise der supply chain Optimierung: Sie neigen dazu, in silos zu arbeiten, Kategorie für Kategorie. Das verfehlt völlig den Kern. Wenn du deine supply chain optimieren möchtest, sollte das end-to-end geschehen, sodass du erkennen kannst, wo du eine Ressourcenzuteilung vornehmen kannst, die die höchste wirtschaftliche Rendite erzielt.

Conor Doherty: Ich sollte sagen, dass Timurs Frage einen enormen Kontext hatte. Hätte er zugehört, hätte er sich vielleicht die Haare ausgerissen und gedacht: „Conor hat meine Frage aufs Äußerste reduziert.“ Wir werden später eine detailliertere Antwort schicken. Joannes hat den vollen Kontext davon nicht gesehen. Das war ein spontaner Kommentar.

Wir sind nun seit einer Stunde dabei. Ich denke, wir haben alle Fragen und Kommentare beantwortet, aber es gibt noch einen: Viele Menschen scheinen von diesem Thema begeistert zu sein. Viele arbeiten in Rahmenwerken, in denen sie Veränderungen bewirken wollen, aber dennoch ihre Einschränkungen respektieren müssen. Wir arbeiten mit numerischen Rezepten; wir arbeiten mit Einschränkungen. Sie haben S&OP-Meetings. Sie nutzen Forecast Value Added Software, mit der sie – zumindest vorerst – arbeiten müssen, sei es damit, drumherum oder hindurch. Was ist dein Rat für diejenigen, die die von dir angesprochenen Veränderungen umsetzen möchten, aber in diesem System arbeiten?

Joannes Vermorel: Wechsle das Unternehmen – buchstäblich.

Conor Doherty: So, da habt ihr es, Leute. Vielen Dank, dass ihr uns eingeladen habt.

Joannes Vermorel: Ich meine es ernst. Das Problem ist, dass, wenn du sagst: „OK, dieses Rahmenwerk, diese Organisation ist völlig dysfunktional. Es gibt etwas Offensichtliches, das passieren sollte; es passiert nicht,“ du das Unternehmen wechseln solltest. Das wird ausarten. Irgendwann wird ein Konkurrent es herausfinden, die Veränderung umsetzen, und für das Unternehmen, das diese Veränderung nicht vornimmt, wird das Probleme bedeuten.

Denke an all die Einzelhändler, die im Angesicht von Amazon pleite gingen. Sie konnten buchstäblich nicht begreifen, was geschah. Als ich Lokad gründete, führte ich in Europa Gespräche mit vielen Einzelhandelsunternehmen – von denen seitdem viele bankrott gingen. Sie sagten mir – weil ich Amazon als Bedrohung darstellte – „Oh, Mr. ML, Amazon ist nur eine Nische, dieses winzige Ding im Internet. Es ist nicht ernst. Niemand wird jemals“ – hier einfügen – „einen Fernseher, ein Sofa, ein Kleid, ein Auto, bla bla – im Internet kaufen. Die Menschen lieben es, nach draußen zu gehen.“ Sie sagten: „Sie werden dies oder das niemals online kaufen. Stell dir vor, einen teuren Kamera online zu kaufen – nein, offensichtlich nicht,“ usw. Das lief völlig aus dem Ruder.

Wenn du in einer Organisation bist, in der du viel Beschäftigungsarbeit leistest, stell dir vor, dein Konkurrent beschließt, einen kühnen Schritt zu machen und das zu automatisieren. All das ist weg. Wie lange wird dein Unternehmen überleben, wenn es das nicht tut? Glaubst du, dass deine Position dann noch vorhanden sein wird?

Ich sehe viele Menschen, die feststecken. Eines der Privilegien der Moderne ist, dass man nicht an einem Ort festhängt – besonders für Menschen mit quantitativen oder analytischen Fähigkeiten; diese sind gefragt. Unmengen von Unternehmen stellen ein. Lokad hat Schwierigkeiten, Personal zu finden; es ist schwierig. Warum solltest du Jahre deines Lebens in einem Unternehmen verschwenden, das dich durch einen fehlerhaften Prozess falsch einsetzt? Das ist verrückt.

Mein Vorschlag: Dränge sehr höflich und konstruktiv darauf, Ideen voranzubringen, um Veränderungen zu bewirken. Häufig sind die Leute überrascht: Der Grund, warum sich nichts ändert, ist, dass niemand auch nur versucht, es voranzutreiben. Die Menschen gehen standardmäßig davon aus, dass die Veränderung abgelehnt wird.

Nach meiner begrenzten Erfahrung hast du viel Spielraum, zu den Vorgesetzten zu gehen. Wenn du einen Fall vorlegen kannst, der Sinn ergibt, gut aufbereitet ist und etwas Vernünftiges sowie Umsetzbares bietet, kann sich etwas verändern. Das wäre mein Vorschlag.

Aber wenn du in einem veralteten Prozess feststeckst, ist es dringend notwendig, zu einem Unternehmen zu wechseln, das dich besser nutzt. Andernfalls stell dir vor, in zehn Jahren: Du bist immer noch in derselben veralteten Position. Auf deinem Lebenslauf stehen zehn Jahre Beschäftigungsarbeit, in denen du etwas Veraltetes gemacht hast. Es wird sehr schwierig sein, dich deinem nächsten Arbeitgeber zu präsentieren.

Conor Doherty: Das ist nicht einmal theoretisch. Es gibt Freunde des Kanals, die kürzlich genau aus diesem Grund gewechselt haben, und sie haben das offengelegt – gut für sie.

Joannes Vermorel: Es ist auch ein Weg, die Veränderung herbeizuführen, die du auf dem Markt sehen möchtest. Du siehst etwas Veraltetes und sagst: „Ich werde dazu nicht beitragen.“ Du wechselst zu einem Unternehmen, das etwas Intelligenteres macht – sagen wir Amazon, das zufällig sehr profitabel ist – und die Chancen, dass du nach einiger Zeit ein deutlich höheres Gehalt erhältst, sind sehr hoch.

Conor Doherty: Als abschließender Gedanke: Timur stimmt dir zu: „Ich stimme Joannes’ Rat zu, das Unternehmen zu wechseln. Vergeude nicht deine Zeit, wenn du nicht das umsetzen darfst, was für dich sinnvoll ist.“

Joannes Vermorel: Ja, und wenn du Veränderung willst, solltest du dir wirklich Mühe geben, deinen Vorschlag ansprechend aufzubereiten – sprich, nach dem Pyramidensystem. Du brauchst einen kurzen Primer von nicht mehr als einer halben Seite für den Chef deines Chefs, etwas sehr Verdautes. Dann die ausführlichere Version – vielleicht zwei Seiten – und anschließend vielleicht zehn Seiten sowie ein konkretes Beispiel. Wenn du Zahlen präsentieren kannst, ausgedrückt in P&L – Gewinn und Verlust – spricht das das obere Management an.

Sei nicht der Data Scientist, der sagt: „Wir müssen zu deep learning übergehen, und ich denke, wir sollten wirklich auf Low-Rank-Decomposition setzen; ich glaube, das ist die Zukunft.“ Das Management wird sagen: „Wovon redest du überhaupt?“ Es muss sehr fundiert sein. Ich glaube nicht, dass ich jemals einen Geschäftsführer getroffen habe, der, wenn ihm ein Geschäftsplan in Dollar oder Euro präsentiert wird, sagen würde: „Ich will dem gar nicht zuhören.“ Ich habe viele Situationen erlebt, in denen Leute sagten: „Dein Plan ist interessant, aber völlig fehlerhaft, weil du die falsche Annahme getroffen hast,“ sodass deine Berechnungen inkorrekt sind. Aber ich habe selten erlebt, dass das Top-Management sich weigerte, sich auf etwas finanziell Motiviertes einzulassen.

Conor Doherty: Joannes, wir haben 70 Minuten lang gesprochen und gestanden. Uns gehen die Fragen aus. Ich habe heute früher Beine trainiert, also bin ich tatsächlich ziemlich müde. Uns gehen die Fragen aus; uns geht die Zeit aus. Vielen Dank, wie immer, für all deine Einsichten. Und an alle, die teilgenommen und Fragen gestellt haben – privat wie öffentlich – vielen Dank.

Wenn du das Gespräch fortsetzen möchtest, fühl dich frei, dich privat mit uns in Verbindung zu setzen, kein Problem. Oder falls du dieses Video im Replay anschaust – und es ist im Replay verfügbar – hinterlasse unten einen Kommentar, und einer von uns wird dir antworten. Und in diesem Sinne, wir sehen uns nächste Woche. Und ja, komm zurück an die Arbeit.