00:00:00 Panel-Eröffnung, publikumsgetriebene KPI-Debatte
00:04:00 supply chain entspricht der Ökonomie: knappe Ressourcen zuweisen
00:08:00 Wert der Information verbindet Prognosen mit Finanzen
00:12:00 Teeny Beanie Babies entlarven den Genauigkeitsirrtum
00:16:00 Servicelevels verbergen Asymmetrien und Anreize
00:20:00 Pokerartige Inventarwetten; Fehlbestandvorhersage ist ausschlaggebend
00:24:00 Optionalität: Preisgestaltung, Rabatte, Transfers formen Ergebnisse neu
00:28:00 Lieferzeitunsicherheit und Korrelationen zerstören einfache Metriken
00:32:00 Purple Swans: Schwänze enthüllen zukünftige Fehlbestände
00:36:00 Luft- und Raumfahrtbedarf: Nachrüstungen und Phantom-Bestellungen
00:40:00 Entscheidungs-zu-Cash-Simulationen ersetzen das Verfolgen von KPIs
00:44:00 Zwei Dashboards: Führungskräfte-Wert und Datenintegrität
00:48:00 Kuriositäten der Datenqualität: Negative, Rücksendungen, fehlende Aussagekraft
00:52:00 Manuelle Eingriffe weisen auf Modellfehler hin
00:56:00 KPI-Boni erzeugen Konflikte und Spielereien
01:00:00 Goodharts Gesetz: Ziele verfallen mit der Zeit
01:04:00 Metrik-Barrieren abbauen; nur fünf Wesentliche beibehalten
01:08:00 Abschließende Erkenntnisse und Verabschiedung
Zusammenfassung
supply chain ist angewandte Ökonomie: knappe Ressourcen für maximalen Ertrag zuzuordnen. Prozentuale KPIs wie forecast accuracy und service levels wirken „wissenschaftlich“, ignorieren jedoch oft die echten Asymmetrien – Fehlbestände können Margen zunichtemachen, während überschüssiges Inventar in der Regel „nur“ Kosten oder Abschlagsrisiken mit sich bringt. Die Alternative ist end-to-end, in Euro bewertete Entscheidungsbewertung: probabilistic forecasts, Monte-Carlo-Simulation und erwartete versus tatsächliche finanzielle Ergebnisse. Die Governance sollte Modellfehler-Signale (insbesondere manuelle Eingriffe) und Datenintegrität nachverfolgen und gleichzeitig Anreizsysteme vermeiden, die zu KPI-Manipulation einladen.
Erweiterte Zusammenfassung
Die Diskussion beginnt damit, den supply chain so zu behandeln, wie er ist: angewandte Ökonomie unter Knappheit. Jede Entscheidung – Inventarankauf, Materialverbrauch, Warenbewegung – verbraucht begrenzte Ressourcen, die nicht doppelt ausgegeben werden können. Das eigentliche Ziel ist also nicht, „hübsch aussehende“ Prozentsätze zu maximieren, sondern den Ertrag der eingesetzten Ressourcen zu maximieren.
Ausgehend von dieser Prämisse zerlegt das Panel die üblichen Götzen: forecast accuracy und service levels. Diese Metriken sind einfach zu berechnen und leicht zu verehren, gerade weil sie von der Geschäftsrealität losgelöst sind. Ein Prozentsatz kann wissenschaftlich wirken – 97,17% klingt beruhigend – sagt jedoch wenig über Gewinn, Cashflow oder Risiko aus. Schlimmer noch, standardisierte Genauigkeitsmetriken bestrafen Über- und Unterprognosen symmetrisch, obwohl die Ökonomie asymmetrisch ist: Ein stockout kann die Marge und das Kundenvertrauen zerstören, während überschüssiges Inventar in der Regel „nur“ carrying cost oder Abschlagsrisiken verursacht.
Die Alternative besteht darin, Entscheidungen von Anfang bis Ende mit finanziellen Ergebnissen zu verknüpfen. Patrick formuliert dies als „value of information“: Verwenden Sie probabilistische Prognosen (vollständige Verteilungen, nicht nur Punktwerte), simulieren Sie Entscheidungen mittels Monte-Carlo und leiten Sie die Unsicherheit durch KPIs in die Finanzberichte, um anschließend erwartete mit tatsächlichen Werten zu vergleichen. Joannes stimmt zu und fügt hinzu, dass die technische Debatte – Simulation versus Dichtemodellierung – sekundär ist; entscheidend ist, dass die Kette in Euro oder Dollar endet und nicht in abstrakten Metriken.
Das Gespräch greift auch die Denkweise der „statischen Prognose“ an. Im Einzelhandel hängt die Nachfrage von Preisaktionen und Liquidationsoptionen ab; die Vorhersage einer einzigen Zukunft, ohne die Optionalität zu berücksichtigen, macht die Planung zu einer voreiligen Festlegung. Die tatsächlichen Abläufe sind dynamisch: Transfers zwischen Filialen, Rabatte und andere Hebel verändern die Ergebnisse nach der ersten Entscheidung.
Bei Unsicherheiten spielen lead times und seltene Ereignisse eine Rolle. Verteilungen können bimodal mit langen Schwänzen sein, Korrelationen treten bei Großaufträgen auf und Randfälle dominieren die Verluste. „Genauigkeit“ ignoriert oft das teure 1% – den Fehler, der zu unüberlegten Bestellungen führt, das perishable saisonale Versagen, das Luft- und Raumfahrtteil, das wegen Nachrüstungen oder Wartungsfenstern dringend wird. Das sind keine statistischen Kuriositäten; hier brennt das Geld.
Abschließend zur Governance: Joannes argumentiert, dass das wichtigste nichtfinanzielle Signal manuelle Eingriffe in automatisierte Entscheidungen sind – denn diese Eingriffe offenbaren Modellunzulänglichkeiten oder Datenfehler. Beide betonen die Notwendigkeit von Datenintegritätsprüfungen und warnen davor, dass an KPIs geknüpfte Anreizsysteme zu Spielchen einladen. Wenn Sie eine Metrik zum Ziel machen, verschlechtern Sie sie; es ist besser, wenige, finanziell verankerte Metriken zu behalten und sich auf das Urteil der Geschäftsführung zu verlassen, statt auf bürokratisches Punktesammeln.
Gesamte Abschrift
Conor Doherty: Dies ist Supply Chain Breakdown, und das heutige Panel wird die KPIs analysieren, die für Ihre supply chain performance am wichtigsten sind. Sie wissen, wer ich bin. Ich bin Conor, Kommunikationsdirektor hier bei Lokad.
Zu meiner Linken, wie immer, Joannes Vermorel, der Gründer von Lokad. Unser heutiger besonderer Gast, der sich uns remote anschließt, ist Patrick McDonald. Er ist Executive Adviser bei Evolution Analytics und bringt etwa 30 Jahre sehr relevante Erfahrung in dieses Panel ein.
Also, Patrick, zunächst einmal vielen Dank, dass Sie sich uns angeschlossen haben.
Patrick McDonald: Vielen Dank, Conor. Es ist wirklich großartig, hier zu sein.
Conor Doherty: Perfekt. Schön, dass Sie da sind.
Bevor wir beginnen, dies ist ein Live-Chat. Dieses Panel findet auf Wunsch unseres Publikums statt. Wenn Sie also Fragen oder Kommentare haben, lassen Sie es uns wissen. Glauben Sie, dass forecast accuracy ein wichtiger KPI für Ihre supply chain ist? Warum? Und was ist mit service levels? Fangen Sie uns nicht an.
Aber kommen wir zur Sache. Patrick, als Gast kommen wir zuerst zu Ihnen. Bevor wir in die Details der Dekonstruktion von KPIs eintauchen, sind wir alle Logiker hier, also denke ich, dass die erste Frage lauten sollte: Was genau sehen Sie als Ziel der Entscheidungsfindung in der supply chain? Und später können wir dann über KPIs zur Messung der Effektivität sprechen, oder?
Patrick McDonald: Und ich denke, das ist eine wirklich wichtige Frage. Ich habe, wie schon gesagt, 30 Jahre Managementberatung und data science Arbeit geleistet. Diese Frage korrekt zu beantworten, ist oft weitaus schwieriger, als man vielleicht denkt.
Wir kommen herein und sagen: „Was genau versuchen wir hier zu erreichen?“ Und in den meisten Fällen lautet die Antwort: Wir versuchen, eine Entscheidung darüber zu treffen, wie eine Ressource zugeteilt werden soll.
Oft geht es darum, wo wir das Inventar positionieren werden. In einem anderen Kontext könnte es darum gehen, auf was wir unsere Bemühungen konzentrieren, wie wir die Zeit unseres Personals einteilen, etc.
Aber aus der Perspektive der supply chain geht es in erster Linie darum: Wie werden wir das Inventar zuteilen? Und das ist die Kernentscheidung, die wir treffen wollen. Ich denke, man muss die Entscheidungen, die man in diesem Kontext trifft, genau betrachten, um sich wirklich darauf zu fokussieren und die besten Ergebnisse zu erzielen.
Das ist etwas, das ich im Laufe meiner Karriere immer wieder versucht habe, und genau darum werden wir uns heute kümmern. Ich freue mich darauf.
Conor Doherty: Nun, danke Patrick. Und Joannes, ich weiß, dass Sie es bevorzugen, sich auf die Optimierung von service levels isoliert zu konzentrieren, oder? Das ist Ihr Ziel in der supply chain. Ich paraphrasiere, oder?
Joannes Vermorel: Nicht ganz. Ich schätze Patricks Ansatz wirklich sehr, der sich auf die Entscheidungen konzentriert.
Genauer gesagt ist meine eigene Ansicht, dass supply chain ein angewandter Zweig der Wirtschaftswissenschaften ist. So haben wir eine Reihe von Entscheidungen, die der Zuteilung knapper Ressourcen dienen.
Inventar: Zuerst hast du dein Geld, das du dafür ausgeben musst, was du kaufen willst. Sobald du einen Dollar für etwas ausgegeben hast, kannst du ihn nicht für etwas anderes ausgeben. Und wenn du dann deine Rohstoffe hast und sie verbrauchst, um etwas zu produzieren, ist es, sobald es verbraucht ist, wieder weg.
Wenn du ein Stück Inventar eines Fertigprodukts von einem Ort A zu einem Ort B bewegst, ist es, sobald es bewegt wurde, an Ort A nicht mehr verfügbar. Du hast diese knappen Ressourcen, die für das Unternehmen maximal nützlich gemacht werden sollten.
Wenn wir dann dazu kommen, was wir eigentlich damit meinen, diese knappen Ressourcen bestmöglich zu nutzen, lautet die kurze Antwort: die Rendite maximieren.
Im Wesentlichen möchtest du für jeden Dollar oder dollaräquivalenten Ressourceneinsatz sicherstellen, dass du die maximale Menge an Dollar zurückbekommst. Du willst also effektiv die Rendite maximieren.
Conor Doherty: Nun, danke. Patrick, zurück zu dir. Stimmst du dieser Ansicht zu – dass supply chain im Grunde ein angewandter Zweig der Wirtschaftswissenschaften ist?
Patrick McDonald: Ich denke absolut. Der Ansatz, den ich in den letzten Jahren verfolgt habe, ist ein Konzept aus diesem Bereich, das vielleicht nicht sehr gut publiziert wurde. Es heißt value of information.
Die Arbeit, die ich typischerweise mache, besteht darin, die Frage zu beantworten: Aus der Perspektive der Datenwissenschaft könnten wir eine Prognose als Einsicht nutzen, oder? Und darauf basierend treffen wir eine Entscheidung darüber, wie wir Inventar platzieren.
Also tun wir das, dann können wir basierend auf unserem Modell eine Vorhersage treffen: Wenn wir das Inventar dort platzieren, wie werden sich die Verkäufe entwickeln? Wenn ich weiß, wie meine Verkäufe voraussichtlich ausfallen, kann ich auch sagen: Wie wird mein Inventarniveau voraussichtlich aussehen?
Wenn ich das weiß, kann ich berechnen, wie meine KPIs voraussichtlich ausfallen. Wenn ich meine KPIs kenne, kann ich dann berechnen, wie meine finanziellen Positionen voraussichtlich sein werden.
Also habe ich in den letzten Jahren diesen gesamten Ablauf untersucht. Typischerweise führe ich eine Monte-Carlo-Analyse basierend auf dem Unsicherheitsgrad in der Prognose durch.
Das ist eines der Schlüsseldinge, nicht wahr? Die Leute jagen dieser Punkgenauigkeit hinterher, um die es mir eigentlich überhaupt nicht so sehr geht. Mir geht es viel, viel mehr um die tatsächliche Wahrscheinlichkeitsmassefunktion oder die Dichtefunktion rund um die Prognose selbst.
Also nutze ich das. Ich führe Monte-Carlo-Analysen durch und verfolge diese Kette von der Einsicht über die Entscheidung, durch die KPIs, bis hin zu den Finanzberichten. Das ermöglicht mir, wirklich zu verstehen, was passiert, Simulationen durchzuführen und mögliche Ergebnisse unter Berücksichtigung der Wahrscheinlichkeit ihres Eintretens zu betrachten.
Fähigkeit, das bis zu einem Finanzbericht durchzuziehen, den man dann in den Vorstandssaal mitnehmen kann und sagen kann, “Okay, wenn ihr diese Art von Entscheidungen trefft, dann könnt ihr mit solchen Ergebnissen rechnen.”
Dann können wir zurückgehen und tatsächlich Ist-Werte mit den erwarteten Werten messen und so einen echten Mehrwert erzielen. Ich habe festgestellt, dass dies ein viel besserer Ansatz ist als das, was die meisten Unternehmen tun – von wirklich einfachen Tabellenkalkulationen, bei denen man sich mittels linearer Regression um eine Linie bemüht, bis hin zu ausgefeilteren Prognosen und dem Hinterherjagen individueller Prognosegenauigkeit.
Ergibt das Sinn?
Conor Doherty: Nun, Joannes, ergibt das Sinn?
Joannes Vermorel: Ja, das tut es. Es stimmt sehr, sehr überein mit der Art und Weise, wie Lokad supply chain angeht.
In der Tat gibt es sogar eine Dualität zwischen jeder Art von Simulator – Monte-Carlo-Techniken – und probabilistischer Vorhersage mit direkter Dichtemodellierung. Wenn du etwas hast, das viele Abweichungen über die Zukunft generieren kann, kannst du die Wahrscheinlichkeitsdichten rekonstruieren.
Und wenn du die Wahrscheinlichkeitsdichten hast, kannst du Abweichungen erzeugen, die diese widerspiegeln. So kannst du hin und her wechseln. Manchmal ist es praktischer, die eine oder andere Methode zu verwenden, aber das ist eher ein technischer Aspekt als ein gedanklicher auf höherer Ebene.
Die Absicht bei beidem ist dieselbe. Die Intention ist dieselbe. Ja, die Idee ist, dass wir wirklich alles durchgehend mit dem finanziellen Ergebnis verbinden wollen.
Du hast viele, viele Schritte, aber im Grunde genommen sind all diese Schritte numerische Artefakte, die nur Mittel zum Zweck sind. Der Zweck ist das finanzielle Ergebnis, das du für das Unternehmen maximieren möchtest.
Conor Doherty: Nun, okay. Ich habe viele mathematische Begriffe gehört. Perfekt. Ich verstehe sie.
Aber ich möchte das auch ein wenig bodenständiger halten. Wenn wir also zurückkommen, Patrick, zum Punkt: Es scheint, als wären wir uns einig – vollständiger Konsens – dass der wirtschaftliche Einfluss das ist, worauf man schauen sollte. Also ist supply chain angewandte Wirtschaftswissenschaft.
Okay, zu jemandem, der sagt: “Moment mal, Patrick. Wenn wir weiterhin auf immer höhere Prognosegenauigkeit und immer höhere Servicelevel drängen, werden wir den wirtschaftlichen Ertrag unserer supply chain maximieren.” Wie könnten also bessere Zahlen – bessere Prognosegenauigkeit und bessere Servicelevel – nicht in eine bessere wirtschaftliche Leistung übersetzt werden?
Patrick McDonald: Richtig. Ich weiß, dass das kontraintuitiv ist, aber es ist einfach nicht wahr.
Es gibt ein mathematisches Prinzip – Entschuldigung, ich muss hier ein wenig mathematisch werden – genannt Jensens Ungleichheit, das uns hilft zu verstehen, warum das nicht wahr ist.
Es gibt ein paar wichtige Punkte. Zunächst einmal, wenn du dir traditionelle Genauigkeitsmetriken ansiehst, werden diese gleichgewichtet. Ob du nun zu hoch oder zu niedrig liegst, wird gleich berücksichtigt.
Aber das ist nicht das, was wir im Inventar haben. Das value of information Modell sagt: Wenn ich einen Verkauf verliere, verliere ich meine gesamte Marge. Wenn ich zu viel habe, dann habe ich nur die Lagerhaltungskosten. Also habe ich dort bereits eine Asymmetrie, die ich berücksichtigen muss.
Typischerweise werde ich diese Art der Bewertung ohnehin bei meinen Genauigkeitsmetriken durchführen.
Das andere, was wir übersehen, ist, dass wir wissen, dass in der Prognose eine Unsicherheit innewohnt – eine Unsicherheit im zukünftigen Ausgang – und diese Unsicherheit ist im Grunde in dieser Dichtefunktion verankert.
Nun, du kannst das auf verschiedene Weise handhaben. Der einfachste Weg, den wir seit Jahren verfolgen, ist, die Standardabweichung zu verstehen und zu versuchen, diese zu nutzen und einige Grenzen zu setzen.
Das war früher gut, als wir wirklich begrenzte Rechenleistungen hatten. Aber jetzt kann ich auf meinem persönlichen MacBook Dinge erledigen, für die damals, als ich noch im College war, ein Cray-Supercomputer nötig gewesen wäre.
Unsere Berechnungsfähigkeit ist heute so viel größer als früher, dass wir weitaus mehr leisten können. Wir müssen sowohl die Informationswertfunktion als auch die Gestalt der Wahrscheinlichkeitsdichtefunktion betrachten.
Genau hier kommen meiner Meinung nach einige Schlüsselmesswerte ins Spiel.
Wenn Sie mir nur eine Minute Zeit schenken, erzähle ich Ihnen eine kleine Geschichte darüber, wie ich zum ersten Mal damit in Berührung kam – wo ich es erstmals betrachtete – und warum es im Laufe meiner Karriere so wichtig für mich wurde.
Ich stand noch am Anfang, und wir bauten ein Datenlager Datenlager für McDonald’s auf. Ich war Berater bei Proco, und es war 1997, was Ihnen verrät, wie alt ich damals war.
Es war das erste Jahr, in dem sie die Teeny Beanie Baby Promotion durchführten. Ich weiß nicht, ob Sie sich daran erinnern, aber es war riesig. Es machte Schlagzeilen. Die Leute kauften die Happy Meals und warfen das Essen weg, nur um das Spielzeug zu ergattern.
Ein armer Kerl, ein Zusteller, wurde überfallen, weil jemand versuchte, die Teeny Beanie Babies zu stehlen. Es wurde landesweit in den Nachrichten berichtet. Es war eine riesige Angelegenheit.
Wir kamen praktisch am Montagmorgen in der ersten Woche der Aktion dazu, und die Führungskräfte drängten uns mit den Worten: “Wir brauchen einen Bericht über das Verkaufsende der Filiale”, oder?
Weil sie die Teeny Beanie Babies so schnell vergriffen. Es ist ihr Werbeartikel. Er muss billig sein. Er treibt den gesamten Warenkorb an, oder?
Er muss billig sein. Sie bestellen sie aus China, also müssen sie das ein Jahr im Voraus tun. Sie hatten eine feste Menge. Keine Möglichkeit zur replenishment.
Wenn Ihre Promotion so lange dauert, wie sie dauert, und Ihnen dann die Teeny Beanie Babies ausgehen, ist die Aktion vorbei. Die Umsätze sinken, oder?
Also erstellten wir den Bericht für sie. Tatsächlich waren sie in etwa anderthalb Wochen ausverkauft.
War das also eine gute Promotion oder nicht? Ich denke potenziell ja, aber bedenken Sie: Ihre Umsätze waren in der anderthalb Wochen viermal so hoch, wie Sie erwartet hatten, und danach brachen sie unter das Normale ein, weil Sie in den verbleibenden drei Wochen des Monats keine Promotion hatten.
Dann kamen sie wieder auf uns zu und fragten: “Also, wie viele sollen wir nächstes Jahr bestellen?” Und wir antworteten: “Na, viermal so viel.” Und die Entscheidung lautete: “Nein, das ist viel zu viel. Wir machen das Doppelte.”
Im nächsten Jahr waren sie in zweieinhalb Wochen ausverkauft.
Solche Dinge ließen mich die Herausforderung verstehen. Ein Teil des Problems war, dass sie keine guten Prognosen erhalten konnten.
Also schrieben wir ein sogenanntes Zwischen-Prognosesystem für sie, das 18 Jahre lang lief. Es sollte nur als Übergangslösung dienen, bis sie etwas Besseres hatten, und es berechnete 18 Jahre lang die Happy Meal-Spielzeuge und die McDonald’s-Burger-Patties.
Was mich wirklich störte, war, dass die Anbieter von Prognosesystemen hereinkamen und sagten: “Ich kann Ihnen eine höhere Genauigkeit liefern, und wenn ich Ihnen eine höhere Genauigkeit biete, werden Sie bessere Geschäftsergebnisse erzielen.”
Für mich war es ein bisschen wie in dem Gary Larson Far Side-Cartoon, in dem ein Typ vor einer Tafel voller Gleichungen steht, auf die unerklärliche Stelle in der Mitte zeigt und sagt: “Und dann passiert ein Wunder.”
Ich konnte die Zusammenhänge nie wirklich erkennen, bis ich herausfand, wie ich diese Wertschöpfungskette – mit dem Wert der Analytik oder dem Wert der Information – entlang der gesamten Kette modellieren konnte.
So war das gewissermaßen der Weg meiner Karriere, und eine der Sachen, an denen ich in den 30 Jahren, in denen ich Data Science betreibe, gearbeitet habe.
Conor Doherty: Nun, danke. Joannes, das fügt sich ganz gut in Ihre Perspektive ein.
In Ihrem Buch, auf dem Tisch, weiß ich – und ich zitiere die Begriffe – bezeichnen Sie Genauigkeit und Servicelevel als Ablenkungen, schlechte Stellvertreter und eines Ihrer Lieblingsthemen: numerische Artefakte.
Warum fühlen Sie sich in einfachen Worten so? Und ich vermute, es ist eine Art Version dessen, was Patrick gerade gesagt hat.
Joannes Vermorel: Grundsätzlich, wenn man sich das Servicelevel ansieht, handelt es sich in erster Linie um ein sehr mathematisches Konstrukt, da es im Grunde ein Prozentsatz ist. Es spiegelt keinen wirtschaftlichen Mehrwert für das Unternehmen wider.
Das Erste ist, dass wir bei allem, was prozentbasiert ist, vorsichtig sein müssen, denn es ist grundsätzlich nicht klar, dass dieser Wert in irgendetwas Reales im Unternehmen verankert ist.
Das ist der Haken: Es mag sehr wissenschaftlich klingen, weil man Messungen und dergleichen hat, aber ist es das wirklich?
Ich schätze Patricks Kommentar wirklich: “und dann passiert ein Wunder.” Sie haben Ihren Prozentsatz, aber wie verbindet sich das mit der Rentabilität? “Und dann passiert ein Wunder.” Vielleicht, aber vielleicht auch nicht.
Die Gefahr besteht darin, dass, wenn Sie diese Prozentsätze haben, die Gefahr des Scientismus besteht. Es sieht aus wie Wissenschaft. Es gibt eine Zahl, es gibt eine Kennzahl, man kann sogar einen sehr präzisen Prozentsatz haben – 97,17 – was es besonders rational erscheinen lässt.
Aber das tut es nicht. Es ist immer noch ein Prozentsatz, und es ist keineswegs klar, dass er mit den langfristigen Interessen des Unternehmens verbunden ist.
Kehren wir nun zu diesen Servicelevels zurück, können wir den deskriptiven und den präskriptiven Aspekt unterscheiden.
Deskriptiv bedeutet: Ich blicke zurück. Das Problem ist, dass, wenn ich für eine bestimmte SKU zurückblicke und in der Regel einen relativ hohen Servicelevel aufweise, viele SKUs bei 100% liegen können. Das sagt mir nicht viel aus.
Denn was, wenn zum Beispiel dieses Beanie Baby-Spielzeug vor Beginn der Promotion – so gut wie ewig – entweder 100% oder undefiniert war. Deskriptiv betrachtet war das nicht sehr nützlich.
Und dann, wenn Sie bei null ankommen – weil Sie null Verkäufe haben, weil Sie es nicht mehr besitzen – differenziert das Servicelevel nicht, ob Ihnen eine Einheit oder eine Million fehlt.
Wenn Sie das sehen, ist das ein weiteres Problem: Es heißt zwar “Ich bin ausverkauft”, aber es ist wirklich nicht dasselbe, ausverkauft zu sein, wenn ich 100 verkauft habe und mir eine Einheit fehlte, im Gegensatz dazu, wenn ich eine verkauft habe, 100 fehlten und ich ausverkauft war.
Also erzählt es in deskriptiver Hinsicht die Geschichte nicht.
Dann, wenn wir es aus präskriptiver Perspektive betrachten – also was sollte ich in Bezug auf das Servicelevel anstreben – ist es genau so, wie Sie es beschrieben haben: Die wirtschaftlichen Asymmetrien werden nicht berücksichtigt.
Wenn ich etwas habe, das – wie bei McDonald’s – einen zweistelligen Prozentsatz des Wachstums meiner Umsätze bewirken kann – also meine Umsätze erheblich steigern kann – und es mich nur ein paar Cent pro Mahlzeit kostet, dieses Spielzeug aus China zu beziehen, dann ist das hochgradig asymmetrisch.
Das bedeutet, dass ich mit einer begrenzten Investition einen massiven Anstieg erzielen kann.
In so einer Situation würden Sie sagen: Wissen Sie was, diese Plastikspielzeuge sind nicht verderblich, sie sind sehr billig, das Aufwärtspotenzial ist extrem hoch, also sollte ich vielleicht das Risiko eingehen, zu viel Bestand zu haben.
Wenn es nicht gut läuft, würde ich sie einfach über die Zeit liquidieren. Die Kunden werden nicht… zum Beispiel bei McDonald’s, im schlimmsten Fall erhalten die Kunden einen Monat lang zwei Spielzeuge zu ihrer Mahlzeit.
Wahrscheinlich, selbst wenn das zweite Spielzeug nicht großartig ist, werden nicht allzu viele Kunden verärgert sein, wenn das Happy Meal ein zweites Spielzeug enthält.
Daher sehe ich, dass das Risiko, zu viel zu haben, nicht allzu groß ist, solange die Kosten pro Mahlzeit einigermaßen unter Kontrolle bleiben.
Patrick McDonald: Genau. Ich liebe es, wie Sie zunächst über Genauigkeit als ein mathematisches Artefakt sprechen.
Ich denke, grundsätzlich habe ich es ein wenig anders betrachtet. Ich nenne es eine der verführerischen Sechs. Ich habe sechs Annahmen, die Data Scientists treffen, die wir nicht ständig machen sollten.
Eine davon ist das lokale versus globale Optimum. Wenn Sie also sagen, es sei ein numerisches Artefakt – wenn ich mich auf die Genauigkeit konzentriere – fokussiere ich mich auf ein lokales mathematisches künstliches Optimum, anstatt auf das, worauf ich mich eigentlich konzentrieren sollte: Wie kann ich maximieren, wie viel Cashflow oder Gewinn ich erzielen werde?
Das ist lokal versus global.
Das andere, was mir in den Sinn kommt, wenn wir darüber sprechen, ist: Welche Entscheidung wollen Sie eigentlich treffen?
Ich betrachte Bestandsentscheidungen häufig wie ein Pokerspiel, oder? Sie setzen Ihre Chips auf dem Tisch, um auf Basis unsicherer Informationen eine Wette abzuschließen.
Sie möchten so viele Informationen wie möglich haben, und dabei spielt ein Risikoelement eine Rolle.
Mein aktueller Kunde befindet sich in den Niederlanden. Es handelt sich um ein Software-as-a-Service-Unternehmen, das im Einzelhandel Prognosen erstellt und kleineren Einzelhändlern dabei hilft, ihren Bestand zu positionieren.
Eines der Dinge, die sie in ihren Prognoseanwendungen herausfanden, war, dass sie zunächst auf Genauigkeit setzten und feststellten, dass dies für ihre speziellen Einzelhändler nicht das Wichtigste war.
Am wichtigsten war, vorhersagen zu können, ob es zu einem Lagerengpass kommen würde, denn Einzelhändler werden verschicken.
Wenn Sie ein Kleidungsstück haben, werden Sie typischerweise eines davon in einem bestimmten Stil, in einer Farbe und Größe haben – vielleicht ein paar – aber nicht mehr als das. Man liefert einmal pro Woche.
Ergänzen Sie den Bestand oder nicht, oder? Es liegt im Lager, es steht da. In Bezug auf die Betriebskosten macht es nicht viel Unterschied, ob es im Lager oder im Geschäft liegt, aber zu viel Ware im Verkaufsraum möchte man vermeiden.
Aber Sie wollen genug haben. Daher ist ihre Prognosefähigkeit wirklich darauf ausgerichtet, zu verstehen: Okay, werde ich diese eine Einheit verkaufen, und kommt es zu einem Lagerengpass?
So beantworten sie die Frage: Soll ich fortfahren und den Bestand vom Distributionszentrum (DC) zum Einzelhandelsgeschäft verlagern?
Das ist ein sehr guter Ansatz, weil sie eine andere Frage beantworten, anstatt zu versuchen zu sagen: Okay, wie viele werde ich verkaufen, und kann ich diese Zahl genau treffen?
Es lautet: Treffe ich die Entscheidung, zu versenden oder nicht?
Das wirkliche Verständnis führt auf den Punkt, welche Frage Sie beantworten wollen, und das bedeutet, welche Kennzahl Sie verwenden werden.
Also betrachten sie Rückruf und Präzision viel genauer im Hinblick auf eine kategorische Entscheidung – ob es zu einem Lagerengpass kommt oder nicht – was viel wichtiger ist als die numerische Frage: Wie viel werde ich verkaufen?
Das ist eine weitere Art von Kennzahl, die aus meiner Sicht manchmal aus prognostischer Perspektive betrachtet werden muss, da sie uns bessere Informationen dafür liefert, welche Art von Entscheidungen wir tatsächlich treffen werden.
Ergibt das Sinn?
Conor Doherty: Absolut. Absolut.
Joannes Vermorel: Es gibt einen weiteren Vorteil, wenn man den Blick auf Entscheidungen richtet. Zum Beispiel die Bedarfsprognose: Das Problem ist, dass es, abhängig von der Art und Weise, wie Sie agieren, vielleicht gar keine gute Antwort – keine genaue Antwort – geben könnte.
Ein Beispiel: Sie haben Ihr Fashion-Retail-Netzwerk. Am Ende der Kollektion, am Ende der Saison, haben sie die Möglichkeit, Rabatte zu gewähren, um die aktuelle Kollektion zu liquidieren.
Wenn Sie also sagen, “Ich prognostiziere dieses Nachfrageniveau”, stellt sich die Frage: Auf welchem Preisniveau prognostizieren Sie?
Es gibt den aktuellen Preis, aber es besteht auch die Option eines Rabatts. Nun müssen Sie die verschiedenen Strategien betrachten.
Wenn ich die Einheit bis zum Ende der Saison im Lager behalte, muss ich sie irgendwohin verschieben und einen Rabatt gewähren.
Wenn ich sie in das Geschäft bringe, habe ich möglicherweise die Gelegenheit, sie vor Saisonende zu verkaufen, bevor ich einen Rabatt gewähren muss.
Aber vielleicht hat gerade dieses Geschäft in Bezug auf Marktmacht bei Rabatten – eventuell ist die lokale Kundschaft im Vergleich zu anderen Geschäften sehr preissensibel.
Wie Sie sehen: Es betrifft mehrere Dinge – Ihr lokales versus globales Konzept – aber auch, was ich hervorheben wollte, ist, dass wenn Sie die Zukunft als etwas Statisches betrachten, Sie jegliche Möglichkeit zur Mitgestaltung dieser Zukunft ausschließen, während Sie Ihren Weg in die Zukunft gehen.
Was ich sage, ist, dass das Problem mit der auf Prognosen fokussierten Denkweise darin besteht, dass sie jegliche Gestaltungsfreiheit des Unternehmens ausschließt, denn im Wesentlichen sagen Sie: Das ist der Plan, das wird zur Verpflichtung, und das ist, was wir tun.
Statt zu denken: Das ist die richtige Entscheidung, und ich halte viele Optionen offen, um diese Entscheidung, die ich jetzt treffe, zu untermauern.
Ich muss mich über die Entscheidung hinaus nicht verpflichten. Die Entscheidung, die ich treffe, ist meine einzige Verpflichtung. Der Rest bleibt offen.
Das ist das Problem mit Prognosen: Sie neigen dazu, das Unternehmen in eine Entwicklung zu zwingen, die völlig blind für jegliche Optionalität bleibt.
Was, wenn Sie später einen Transfer zwischen Geschäften durchführen möchten? Vielleicht ist das eine Option, vielleicht auch nicht. Aber wenn Sie in Entscheidungsbegriffen denken, kommt das ganz natürlich.
Wenn Sie in Begriffen der Prognose denken – insbesondere time series Prognose – dann ist das nahezu unmöglich auszudrücken.
Patrick McDonald: Mein aktueller Kunde macht tatsächlich einiges davon. Sie haben ein Transfermodul, sodass sie prüfen: Okay, überführe ich diese spezielle Variante von einem Geschäft in ein anderes, weil sie dort wahrscheinlich besser verkauft?
Wir haben auch einige Analysen zur Preisgestaltung durchgeführt. Wir machten eine einfache price elasticity Analyse, betrachteten sie und fragten: Okay, wenn ich einen Rabatt mache, werde ich mehr Volumen erzielen oder verschenke ich nur die Marge?
Wir fangen an, diese Frage beantworten zu können.
Ich liebe es, dass Sie ein wenig darüber sprechen, ob es dynamisch oder eher statisch ist. Das ist Nummer vier meiner heiligen Sechs, über die wir ständig nachdenken: Wir betrachten alles als ein Problem des statischen Gleichgewichts, und die meisten Dinge sind dynamisch.
Also, absolut, ich denke, das sind kritische Entscheidungen, und wir müssen diese Optionalität berücksichtigen.
Ich denke, ein weiterer Bereich, über den wir nicht genug nachdenken – und selbst ich bin noch nicht darauf eingegangen, weil das Problem ziemlich komplex ist, und ich weiß, dass einige andere daran gearbeitet haben – ist, dass es viele Unwägbarkeiten hinsichtlich der Lieferzeiten gibt.
Ihre Lieferanten, besonders wenn Sie in der Fertigung tätig sind und eine ganze bill of materials haben, auf die Sie warten: Sie haben Lieferungen, die eintreffen, und Sie müssen darauf warten.
Manchmal liefern sie pünktlich, manchmal nicht. Dort besteht eine Ungewissheit, die modelliert werden muss.
Ich weiß, dass es Leute gibt, die einen ziemlich guten Job machen, wenn es darum geht, einiges davon zu erledigen, aber ich denke, dass wir aus rechnerischer Sicht jetzt mehr Möglichkeiten haben, das etwas genauer zu betrachten.
Ich denke also, dass es selbst auf der Angebotsseite Chancen gibt, in Bezug darauf, zu verstehen, wie das aussieht und wohin es führt.
Joannes Vermorel: Ja, ich habe übrigens sogar Vorlesungen über probabilistisches Vorlaufzeitenmodell auf YouTube.
Wir haben seit einigen Jahren Technologien entwickelt, um viele Unsicherheitsquellen zu kombinieren, und deshalb scheitert die klassische Genauigkeit in der Regel kläglich.
Das ist sehr schwierig aufgrund dieser asymmetrischen Bedenken. Man kombiniert viele Unsicherheiten, von denen jede ihre eigenen Asymmetrien hat, die ziemlich kontraintuitiv sein können.
Diese können sich auch kombinieren. Zum Beispiel neigen Vorlaufzeiten dazu, … die meisten Verteilungen der Vorlaufzeiten sind bimodal. Es gibt einen Modus, einen Höhepunkt, für das normale erwartete Datum, wenn alles reibungslos verläuft, und dann gibt es den langen Schwanz, wenn die Dinge nicht wie geplant verlaufen.
Häufig handelt es sich sogar um eine Verteilung, die nicht einmal einen Durchschnittswert aufweist, weil manche Dinge nie geliefert werden. Mathematisch gesehen also nicht einmal ein Durchschnitt. Das ist etwas merkwürdig.
Zusätzlich dazu ist der Fall, dass sich die Lieferzeiten völlig ins Unermessliche steigern, wenn man eine größere Bestellung aufgibt, was nicht überraschend ist. Man gibt eine große Bestellung auf, was ungewöhnlich ist, und dann gerät der Lieferant ins Straucheln.
So gibt es Korrelationen.
Was ich meine, ist, dass wenn wir mit dem klassischen supply chain Paradigma arbeiten, das in Bezug auf Genauigkeit und Prozentsätze denkt, wenn man all diese Effekte kombiniert, merkt man, dass das, was Geld kosten kann, absolut nicht offensichtlich aus der Perspektive von Prozentwerten ist.
Man könnte sehr dumme Dinge erhalten. Zum Beispiel, wenn man ein Produkt hat, das frisch und verderblich ist und das man zu Weihnachten verkaufen will – sagen wir, Austern – dann ist es unglaublich zeitkritisch.
Wenn man Weihnachten und Neujahr verpasst, ist man am Ende. Man wird alles, was man hat, mit einem Rabatt von 80 % verkaufen, und das könnte der beste Fall sein.
Nicht jede Kleinigkeit ist eine planetarische Ausrichtung, die einem auf diese Weise schadet, aber sehr häufig gibt es zahlreiche Randfälle. Es gibt einen Dschungel von Randfällen, bei denen so viele Produkte ihre eigenen Randfälle haben.
Deshalb bin ich am Anfang darauf zurückgekommen zu sagen, dass wir letztlich alles an Dollar – bzw. Euro – binden müssen.
Denn wenn man diese Unsicherheiten kombiniert, merkt man, dass die Schwächen des prädiktiven Modells sehr kontraintuitiv sein können. Es könnten Dinge sein, bei denen ein Statistiker auf den ersten Blick sagen würde: “Oh, es sieht ziemlich genau und gut kalibriert aus”, aber man stellt fest, dass man dennoch Probleme hat.
Ein Beispiel: Wenn du deine Logik jeden Tag neu ausführst, um zu wissen, ob du eine Bestellung, sagen wir aus China, abgeben möchtest, und an einem Tag von 100 – also mit 1% Wahrscheinlichkeit – der Wert aufgrund numerischer Instabilität in die Höhe schießt, bedeutet das, dass du etwa drei Bestellungen pro Jahr an deinen Lieferanten in China abgeben wirst, nur wegen der numerischen Instabilität des Modells.
Heute ist er in die Höhe geschossen und du jagst dann wie ein Geist hinterher. Es ist ein numerisches Artefakt, das lediglich die numerische Instabilität deines Modells an diesem Tag widerspiegelt.
In puncto Genauigkeit, wenn diese Art von Problemen nur einmal – 1% der Zeit – auftritt, wird es sich in deiner durchschnittlichen Genauigkeit nicht einmal bemerkbar machen, weil es von anderen Faktoren völlig überlagert wird.
Das will ich sagen: Die Schwächen deines prädiktiven Modells müssen in Dollar bewertet werden. Andernfalls bekommst du Dinge, die bei den meisten prozentbasierten Metriken unbedeutend erscheinen, aber sobald man sie in Dollar betrachtet, merkt man: “Oh Mist, dieses scheinbar kleine Teil ist tatsächlich nicht klein, sondern groß”, weil ich meinen Ratchet-Effekt zum Beispiel bei den Bestellungen von diesem Lieferanten in China vergessen habe.
Patrick McDonald: Wir haben begonnen, darüber nachzudenken. Taleb hat erstmals in seinem Buch The Black Swan darüber gesprochen. Davon hast du sicher schon gehört, oder?
Wir haben jetzt graue Schwäne und schwarze Schwäne. Ich nenne sie “purple swans”, also lila Schwäne, was wirklich seltsam aussehende Verteilungen sind, die aufgrund bestimmter, ziemlich einzigartiger Umstände auftreten. Es sind diese Randfälle.
Sie passen nicht in eine Standardverteilung. Sie sind numerisch nicht beschreibbar. Ich muss eine echte Wahrscheinlichkeitsdichtefunktion verwenden und diese als ein Array von Werten einsetzen, um sie zu beschreiben.
Das erste Beispiel, das ich dafür hatte, war: Wir erstellten eine Prognoselösung als Proof of Concept für ein Luft- und Raumfahrtunternehmen, und sie baten mich, Sicherheitsbestand zu berechnen. Das war etwas, das ich bisher noch nicht gemacht hatte.
Ich habe es etwas anders betrachtet. Ich habe Sam Savage’s Arbeit aus Stanford im Bereich des Wahrscheinlichkeitsmanagements genutzt, und er hat ein kleines Excel-Tool, das es einem im Grunde ermöglicht, Berechnungen mit Wahrscheinlichkeitsdichtefunktionen durchzuführen.
Also habe ich etwas wirklich Einfaches gemacht. Ich nahm das Prognoseintervall und verwendete einfach ein grundlegendes, also eine normale Verteilung.
Es war das erste Mal, dass ich dieses Mapping des Value-of-Information-Modells komplett durchführte und sagte, okay, basierend darauf, wie setze ich meine Sicherheitsbestände?
Ich begann, es zu betrachten. Ich schaute mir eine einzelne Zeitreihe an und: normale Verteilung, normale Verteilung, normale Verteilung. Plötzlich sehe ich eine, die ich noch nie zuvor gesehen habe, und sie sieht so aus – Boom.
Was zum Teufel ist das?
Ich habe es herausgefunden. Ich hatte dort eine Funktion eingebaut, in der ich sagte: Mein Verkauf entspricht dem Minimum meines Lagerbestands oder der Nachfrage, richtig?
Die Nachfrage war eine normale Verteilung. Der Lagerbestand war genau hier. Und wenn die Nachfrage den Lagerbestand überstieg, taucht die Verteilung – der Schwanz – auf. Nun, das ist einfach dein Fehlbestandsrisiko.
Ich konnte das 11 Monate im Voraus erkennen, indem ich mir diese Wahrscheinlichkeitsverteilung ansah.
Das ist also ein Beispiel für einen lila Schwan.
In Bezug auf deinen Punkt: Wenn wir diese Genauigkeit verfolgen, nehmen so viele von uns die Genauigkeitsmetrik isoliert. Wir berechnen ein Prognoseintervall, werfen es aber weg und nutzen es nicht.
Indem man das verwendet und in Simulationen einbindet, fängt man an zu sehen, wie sich diese Randfälle manifestieren, und kann ein besseres Verständnis erlangen.
Joannes Vermorel: Ja, absolut. Für die Luft- und Raumfahrt ist es sehr interessant, weil wir so viel gemacht haben.
Ein paar Beispiele: Die Genauigkeit fesselt dich an die Perspektive der Zeitreihen, was in diesem Fall besonders falsch ist.
Eine unserer ersten Entdeckungen in der Luft- und Raumfahrt war das Konzept der Nachrüstungen. Es gibt Teile, die nachgefragt werden, weil eine Reparatur nötig ist, sodass ein Teil eintreffen muss.
Aber dann wird einem klar, dass es Nachrüstungen gibt, bei denen der OEM sagt: Ihr müsst diese Teile – diese neuen Teile – als Ersatz für das Flugzeug einsetzen, weil wir den alten Teilen nicht mehr vertrauen.
In deiner Zeitreihe vermischt du tatsächlich zwei verschiedene Arten von Einheiten: diejenigen, die für Reparaturen abgerufen werden, und diejenigen, die für Nachrüstungen eingesetzt werden.
Aber damit ist es nicht getan.
Ein weiteres Element: Wenn wir uns die Nachfrage in der Luft- und Raumfahrt anschauen, muss das Flugzeug sehr häufig die Reparatur, sagen wir, innerhalb von acht Stunden für die kleine Wartung abschließen.
Infolgedessen wird die Crew viel mehr Teile anfordern, als sie tatsächlich benötigt, weil ihnen nur acht Stunden zur Verfügung stehen, um die Reparatur durchzuführen.
Also würden sie sagen: “Wir brauchen 100 dieser Teile”, aber am nächsten Tag werden dann eine riesige Menge an Teilen zurückgegeben, die nicht verwendet wurden.
Deshalb musst du dein Nachfrage-Signal verstehen.
Diese Dinge sind nicht super kompliziert, aber sie müssen berücksichtigt werden, und man muss eine luft- und raumfahrtfreundliche Perspektive einnehmen, um wirklich zu verstehen: Okay, was wollen sie erreichen?
Sie versuchen, ein Flugzeug zu reparieren. Sie machen sich Sorgen um den Zeitpunkt ihrer Operation. Daher müssen sie ein wenig mehr anfordern, und sie werden viele Teile zurückgeben.
Einige Teile werden tatsächlich von der Crew verlangt. Andere werden tatsächlich vom OEM angestoßen.
Hier müssen wir also Nuancen berücksichtigen, usw.
Deshalb stammen all diese Ideen – im Gegensatz zu Prozentwerten – aus dem Verständnis, wie man ein Flugzeug überhaupt repariert. Es ist ein anderes Wissensgebiet.
Meine Botschaft in Bezug auf diese Indikatoren ist, dass man in der Regel sehr misstrauisch gegenüber allen Indikatoren sein muss, die direkt aus der Welt der Mathematik – der reinen Mathematik – stammen, im Gegensatz zu etwas, das wirklich von einem sehr präzisen Verständnis dessen getrieben wird, was man tatsächlich am Boden zu erreichen versucht.
Leider stammen die meisten KPIs, die ich sehe, aus viel Mathematik, meist weil sie so viel einfacher zu definieren sind.
Wenn wir auf die Luft- und Raumfahrt zurückkommen, ist es eine ziemlich miese Situation, in der die Crew sagt: “Ich will 100”, du hast nur 80, aber am Ende geben sie 30 zurück.
Hast du die Nachfrage befriedigt? Ja, nein, ja?
Die Crew war sehr angespannt, weil sie dachten, dass ihnen vielleicht etwas fehlen könnte, aber letztlich tat es sich nicht.
Das ist also die Art von Sache, bei der wir plötzlich in das Detail der Situation eintauchen, anstatt uns mit dem mittleren quadratischen Fehler, MAPE, absoluten Fehler usw. – all den theoretischen Kriterien – zu beschäftigen.
Conor Doherty: Nun, meine Herren, in diesem Sinne denke ich, dass wir gründlich das, was ihr beide als den Mainstream-Ansatz zur Leistungsüberwachung betrachten würdet, entlarvt haben.
Aber was noch etwas unklar bleibt, ist, was wir als Alternative vorschlagen.
Also, um zu Patrick zurückzukehren: Du hast gesagt, dass die alleinige Verfolgung von Prognosegenauigkeit ein Narrenspiel ist. Nehmen wir das der Diskussion halber an.
Okay, aber was sollen wir dann verfolgen? Zu sagen “Lass uns einfach Geld verfolgen” ist für die Leute etwas unklar.
Was ist also die eigentliche These, die wir vorschlagen – oder die du vorschlägst –, um die herkömmlichen KPIs zu ersetzen?
Patrick McDonald: Richtig. Ich neige dazu, das zu tun, was ich Value-of-Information-Analyse nenne.
Ich möchte diesen Cashflow in Bezug auf die Entscheidungen, die wir tatsächlich treffen, und wie wir sie umsetzen, simulieren.
Dazu muss man wirklich ein klares Verständnis dieses Value-of-Information-Modells haben.
Was sind die Kosten, wenn man den Verkauf verpasst, weil man ausverkauft ist? Was sind die damit verbundenen Lagerhaltungskosten?
Wie sieht diese Unsicherheit aus, sei es eine Prognose oder eine Faltung mit Lieferzeiten oder was auch immer in deiner Simulation, um das zu modellieren?
Versuche, das nachzuverfolgen von: Hier ist meine Erkenntnis, hier ist die Entscheidung, die ich treffen werde, das ist der Hebel, den ich ins Geschäft einbringen werde, hier werde ich meine Positionierung festlegen, hier werde ich meinen Einsatz bestimmen.
Welche Ergebnisse erwarte ich?
Führe diese Simulation durch – mache die Monte-Carlo-Analyse – und sieh dir an, wie die Wahrscheinlichkeitsverteilungen der Ergebnisse aussehen werden.
Dann messe deine tatsächlichen Werte im Vergleich zu den prognostizierten, in Bezug darauf.
Das ist der Ansatz, den ich verfolge. Er funktioniert in der Regel ziemlich gut. Allerdings erfordert er von deinen Geschäftsführern ein wenig zusätzliche Raffinesse.
Geschäftsführer neigen dazu, Dinge sehr linear und etwas vereinfacht zu betrachten. Das ist noch eines meiner sechs Themen, die mich beschäftigen.
Aber das ist der Ansatz, den ich verfolge, und den ich wirklich empfehlen würde: Denke über dieses Value-of-Information-Modell nach und darüber, wie du es anwendest.
Sind die herkömmlichen Prognosemetriken aus statistischer Sicht immer noch hilfreich? Ja, das können sie.
Ich neige dazu, sie zu gewichten. Ich schaue mir, wie ich schon sagte, eine gewichtete Präzision, einen gewichteten Recall, eine gewichtete Pinball Metrik an, die ich für viel nützlicher halte als eine Genauigkeitsmetrik.
Pinball ermöglicht es, die Genauigkeit über das gesamte Nachfrageprofil – diese Dichtefunktion – hinweg zu betrachten.
Wenn du es an der richtigen Stelle positionierst, einen Value-of-Information-Schiefe darauf legst und es angemessen gewichtest, kann es dir wertvolle Einblicke in die Werteanalyse geben, die du anstrebst.
Das sind Dinge, die ich wirklich erst jetzt implementiere. Ich bin dabei, zu lernen, während ich diese Sachen mache.
Es sind, wie ich sagte, über 30 Jahre Arbeit, und jeden Tag, wenn ich ins Büro gehe, lerne ich etwas Neues.
Das ist also mein Standpunkt. Das ist der Ansatz, den ich derzeit verfolge, und er scheint bei einigen meiner Kunden einen echten Einfluss zu haben.
Conor Doherty: Danke, Patrick.
Joannes, gleiche Frage. Ich nehme an, dass du es ebenfalls aus einer sehr konkreten finanziellen Perspektive betrachtest.
Joannes Vermorel: Ich würde sagen, dass es wirklich zwei grobe Kategorien von Indikatoren gibt, die wir typischerweise generieren und überwachen – für völlig unterschiedliche Zwecke und unterschiedliche Zielgruppen.
Die erste Zielgruppe wäre das supply chain Management – supply chain Executives. Für diese sind es im Wesentlichen economic drivers.
Wir sagen: Wir wollen die Kapitalrendite maximieren, also die Rendite jeder Entscheidung. Aber wir müssen das in eine Reihe von Einflüssen zerlegen: Kosten des Inventars, erwartete Marge, erwartete Kosten der Inventarabschreibung, Fehlbestandsstrafe.
So führen wir diese Zerlegung durch.
Innerhalb dieses Bereichs haben wir Indikatoren, die zukunftsgerichtet sind – also auf dem prädiktiven Modell basieren – und solche, die rein beschreibend sind: Sie betrachten einfach, was passiert.
Hier sprechen wir vielleicht von maximal einem Dutzend Indikatoren. Einige, die rein beschreibend sind – beschreibende Statistiken – und einige, die embedding bedingt durch die Richtigkeit des prädiktiven Modells sind.
Zum Beispiel, wenn ich dir sage, dass dieses Inventar ein Risiko einer Inventarabschreibung in Höhe von so vielen Dollar birgt, habe ich diese Inventarabschreibung noch nicht beobachtet. Es handelt sich also um eine Zahl, die ich dank eines prädiktiven Modells irgendeiner Art erarbeite.
Das ist für die Zielgruppe der Führungskräfte und Praktiker.
Dann haben wir eine zweite Gruppe von Indikatoren, die typischerweise relativ überwältigend sind. Es können Hunderte von Zahlen für die Data Scientists selbst sein.
Hier gehen wir typischerweise dem Hinweis nach, dass in der gesamten Prozesskette etwas schiefgehen könnte, weil wir Daten erhalten. Es ist in der Regel ein chaotischer Prozess, bei dem wir Dutzende und Aberdutzende von Tabellen haben, die aus ERPs – potenziell mehreren – extrahiert werden, einem WMS, einem CRM.
Wir konsolidieren also eine Menge Zeug aus der anwendungsspezifischen Landschaft des Unternehmens, und es gibt so viele Dinge, die schiefgehen können.
Zum Beispiel: Was ist, wenn Sie plötzlich, von einem Tag auf den anderen, eine Variation mit 5% zusätzlichen Lieferanten haben? Ist das signifikant oder nicht signifikant? Hat jemand Duplikate eingeführt oder nicht?
Wie wäre es mit 20% mehr Lieferanten? Okay, 20% — es ist wahrscheinlich ein Duplikat oder vermutlich ein Fehler.
Also müssen Sie etliche Dinge überwachen, die Probleme darstellen, die sich in Ihre Datenverarbeitungspipeline einschleichen können.
So ziemlich alles: Sie werden die Anzahl der SKUs, die Anzahl der Lieferanten überwachen.
Manchmal versuchen Sie, Dinge zu identifizieren, die nahezu invariant sind und die Sie nutzen könnten, um zu erkennen, dass ein Fehler in Ihrer data pipeline aufgetreten ist.
Beispiel: ein E-Commerce von uns, der Autoteile verkauft. Wir haben vor Jahren bemerkt, dass es äußerst stabil ist – „zwei Teile und ein halbes pro Warenkorb.“
Es war unglaublich stabil – im Sommer, im Winter, zu Weihnachten – alles war super, super stabil: zwei Teile und ein halbes pro Warenkorb.
Das bedeutet, wir haben etwas, das äußerst stabil ist. Das Geschäft mag stark schwanken, aber in Wirklichkeit ist dieses Element sehr stabil.
Das bedeutet, dass wenn wir eine Abweichung bei diesem Wert feststellen, es wahrscheinlich darauf hinweist, dass ein Fehler in der Pipeline vorliegt: zum Beispiel wurden die Bestellpositionen verloren, sodass wir nur die erste Bestellposition jeder Bestellung haben, oder etwas derart Sinnloses.
Also wird der Supply Chain Scientist ein dashboard zusammenstellen, aber hier ist es absolut nicht wirklich wertgetrieben. Aus unserer Sicht ist es das, was wir als insanity-driven bezeichnen.
Man möchte alle Dinge im Auge behalten, die buchstäblich Ihre Berechnungen zunichtemachen und Ihre Modelle völlig unterminieren können. Es können viele unsinnige Dinge sein.
Es kann sogar zum Beispiel das Verhältnis von Buchstaben zu Zahlen in Produktbeschreibungsetiketten sein. Wenn Sie Etiketten haben, die plötzlich nur aus Zahlen bestehen, haben Sie höchstwahrscheinlich nicht mehr die korrekten Etiketten für die Beschreibung.
Es gibt zahlreiche Heuristiken, die einfach dazu dienen, sicherzustellen, dass die Daten, die Sie automatisiert in großem Maßstab verarbeiten, noch vernünftig sind.
Das ist nur von Interesse für den Supply Chain Scientist, denn der Supply Chain Scientist möchte sicherstellen, dass jeden einzelnen Tag Entscheidungen in großem Maßstab 0 % insanity aufweisen.
Ich definiere Insanity als etwas, bei dem jeder diese Entscheidungen anschauen und sagen würde: „Eine wahnsinnige Entscheidung – oh nein, das ist verrückt, das sollten Sie nicht machen.“ Irgendwo in der Datenpipeline muss etwas schiefgelaufen sein.
Für uns ist es sehr wichtig sicherzustellen, dass diese Zahl an verrückten Entscheidungen null beträgt.
Wir können nicht vollkommen genau sein, aber wir können den groben, groben Wahnsinn eliminieren.
Conor Doherty: Patrick, möchtest du noch etwas hinzufügen, bevor wir weitermachen?
Patrick McDonald: Ich möchte nur ganz kurz sagen: Im Laufe meiner Karriere in der Data Science waren Datenpräzision und Datenqualität stets ein Problem.
Ich habe merkwürdige Dinge gesehen – negative Lagerbestände. Wie kann man einen negativen Lagerbestand haben? Das ergibt überhaupt keinen Sinn.
Einmal hatte ich einen Kunden – einen großen FAANG-Kunden – bei dem der Direktor der Rechenzentren in ein nagelneues Rechenzentrum ging, seinen Leistungsbericht aufrief, und darin stand, dass keinerlei Strom abgerufen wurde.
Er schaut sich um, und natürlich laufen alle Maschinen, und die Lichter blinken, also weiß er, dass der Bericht falsch ist. Was ist passiert?
Also ja, aus der Sicht der Datenverarbeitung kann vieles passieren.
Ich denke, die statistische Prozesskontrolle ist etwas, das in gewisser Weise dafür genutzt werden kann. Es klingt, als ob ihr das verwendet, und es ist der richtige Weg, damit umzugehen.
Wenn Sie keine guten Daten haben, gilt das Prinzip „Garbage in, garbage out“ weiterhin. Bei Big Data bedeutet das, dass Sie jede Menge Müll haben werden. Also müssen Sie damit umgehen.
Joannes Vermorel: Ja, absolut.
Manchmal ist das Beste, dass die Daten tatsächlich korrekt sind – wenn auch auf eine sehr, sehr merkwürdige Weise. Zum Beispiel hat SAP vor 30 Jahren beschlossen, dass Retouren als negative Verkäufe gezählt werden.
Das bedeutet, dass es Tage gibt, an denen Sie negative Verkäufe verzeichnen. Es bedeutet einfach, dass Sie tatsächlich mehr Retouren hatten als verkaufte Artikel.
Wenn Sie im E-Commerce in Deutschland tätig sind, wo der Prozentsatz der Retouren ungefähr 40 % der versendeten Artikel beträgt, werden Sie Unmengen an negativen Verkäufen haben.
Aber das ist eine sehr wichtige Information – allerdings handelt es sich dabei nicht um einen negativen Verkauf, sondern um eine Retoure.
So sind das im Grunde die Dinge.
Aber ich stimme zu: Daten sind äußerst chaotisch, und es ist sehr wichtig, dafür zu sorgen, dass sie unter Kontrolle bleiben.
Conor Doherty: Großartig.
Nun, meine Herren, ich habe eine abschließende Frage, aber ich werde diese bis zum Schluss aufheben und stattdessen einige Fragen aus dem Publikum priorisieren.
Diese stammen aus einigen Direktnachrichten-Fragen zu diesem Thread, aber auch aus einer interessanten Frage von letzter Woche, die meiner Meinung nach heute sehr gut passt.
Ich beginne also mit einer Frage von Miguel Lara. Diese richtet sich an das Panel. Patrick, ich fange bei dir an.
Gibt es irgendeinen KPI – oder KPIs –, die nicht unbedingt die Finanzergebnisse beeinflussen, aber dennoch als hochwirksam oder nützlich angesehen werden?
Patrick McDonald: Ja.
Ich denke, viele der Standardmetriken, die wir betrachten, sind immer noch wichtig.
MAPE ist eine wichtige Kennzahl, wenn es darum geht zu verstehen, wie gut ein Prognosemodell funktionieren wird.
Ihre MAE oder MASE sind ebenfalls Dinge, auf die ich achten und die ich verwenden werde.
Es ist nicht so, dass diese Metriken unwichtig sind oder dass wir nicht an sie denken, aber sie sind nicht die wichtigsten Kennzahlen und auch nicht die, denen wir nachjagen sollten.
Ich denke, das ist so die Perspektive, die ich vertreten würde.
Verstehen Sie, was Ihnen die Metriken sagen, und nutzen Sie sie für den vorgesehenen Zweck.
Treffen Sie nicht die Annahme, „und dann passiert ein Wunder“, und wenden Sie diese Metriken auf die Annahme an, dass Sie daraus einen finanziellen Mehrwert ziehen, wenn Sie sie in einer Weise einsetzen, für die sie nicht vorgesehen waren.
Das ist also wohl meine Antwort darauf. Fit-for-purpose – also der zweckmäßige Einsatz – ist etwas, das ich in allem, was ich tue, im Hinterkopf behalte, und das würde ich für viele dieser Metriken empfehlen.
Conor Doherty: Danke.
Joannes, dieselbe Frage. Muss ich sie wiederholen?
Joannes Vermorel: Ich denke, für Lokad ist die wichtigste nicht-finanzielle Kennzahl die Anzahl manueller Übersteuerungen pro Tag für Entscheidungen, die automatisiert werden sollten. Das ist die Nummer eins.
Es ist also nicht finanziell, aber für uns ist alles, was über null liegt, ein Problem, und wir sehen das als einen Mangel.
Das Problem ist, dass wenn wir einen Mangel haben, das bedeutet, dass unser Modell irgendwie falsch ist. Wenn es falsch ist, können wir nicht einmal auf die wirtschaftliche Modellierung, die wir haben, vertrauen.
Per Definition, wenn Leute diese Übersteuerungen vornehmen, bedeutet das, dass sie Dinge sehen, die wir nicht sehen.
So könnten all diese wirtschaftlichen Messwerte, die wir haben, durch diesen Nachweis der Unrichtigkeit völlig untergraben werden.
Für uns hat daher die Nummer eins: diese manuellen Übersteuerungen, denn wann immer sie auftreten, bedeutet das, dass im Modell selbst etwas falsch läuft und somit potenziell die gesamte wirtschaftliche Analyse von Anfang bis Ende untergraben werden kann.
Deshalb müssen wir sehr aufmerksam sein. Wir behandeln das als einen Fehler. Wenn wir den Fehler nicht verstehen, wissen wir nicht, wie tief das Kaninchenloch geht.
Patrick McDonald: Das habe ich ebenfalls als wahr empfunden.
Ich denke, die Frage, die ich hätte, ist: Ist das immer der Fall? Wenn Sie herausgefunden haben, dass fast alle diese Übersteuerungen falsch sind?
Oder gibt es Fälle, in denen jemand eingreift und übersteuert und, ja, es gab ein Problem mit dem Modell, das wir erkannt und behoben haben?
Joannes Vermorel: Zunächst einmal ist es so, dass zu Beginn eines Projekts meistens – leider für uns – die meisten Übersteuerungen real sind. Es gibt Dinge, die wir übersehen haben. Es gibt Dinge, die wir nicht verstanden haben.
Wenn wir also beginnen, spiegeln die meisten dieser Übersteuerungen üblicherweise Dinge wider, die uns unbekannt waren.
Zum Beispiel, als wir mit aviation vor etwa fünfeinhalb Jahrzehnten begannen, wusste ich nicht, was ein Retrofit ist – die Bedeutung von Retrofit.
Es gab viele Leute, die Zahlen anpassten, und irgendwann fragte ich: „Was ist hier los?“ Sie sagten uns, es sei ein Retrofit. Ich sagte: „Wie bitte?“
Dann gingen wir zurück. Der Typ, der das Modell erstellte, war in Bezug auf etwas sehr Wichtiges sehr uninformiert.
Aber im Laufe der Zeit kann es alles Mögliche sein. Es könnte ein Neuling sein, der ohne jeglichen Grund übersteuert – einfach weil er es in seinem vorherigen Unternehmen gewohnt war, Dinge zu übersteuern – kommt hierher und sagt: „Oh, ich sollte übersteuern.“ Das macht eigentlich keinen Sinn.
Ich behandle das so… der Prozentsatz kritischer Berichte nimmt stark ab.
Aber es ist ein bisschen so wie in einem Softwareunternehmen: Sie erhalten Fehlerberichte von Nutzern. Es gibt viele Ablehnungen. Die Leute sagen: „Oh, es ist fehlerhaft“, nein, Sie haben einfach das Feature falsch implementiert – es ist eigentlich das beabsichtigte Verhalten.
Nichtsdestotrotz neigen wir dazu, diese sehr genau zu überwachen, denn laut Nassim Taleb können die gelegentlichen Fälle, die sich als korrekt erweisen, sehr bedeutsam sein.
Wenn Sie also sagen, 99 % seien „der Nutzer liegt falsch“, dann kann es sein, dass dieses 1 % sich als äußerst bedeutsam erweist.
Deshalb behalten wir es im Auge.
Bei einem ausgereiften Projekt ist der Großteil im Wesentlichen Rauschen, aber einige sind es nicht, und diese sind die, die uns wirklich Sorgen bereiten.
Conor Doherty: In Ordnung. Danke.
Die nächste Frage wurde von – ich hoffe, ich spreche es korrekt aus – Lucio Zona gestellt. Dies bezog sich auf die Diskussion über Sicherheitsbestände von letzter Woche, ist aber sehr relevant.
Also muss ich sie vorlesen, und dann gibt es zwei Fragen.
Ein wenig Kontext: Lucio wies darauf hin, dass die Boni der meisten supply chain Manager an KPIs gekoppelt sind. Zum Beispiel, pünktlich und vollständig. Infolgedessen wird niemand wirklich für Überbestände gefeuert, sondern nur für schlechte Werte bei pünktlich und vollständig.
Das führt naturgemäß dazu – oder setzt möglicherweise Anreize – dass Menschen die Bestände künstlich erhöhen.
Theoretisch könnten wir Sicherheitsbestände anhand der tatsächlichen wirtschaftlichen Kosten pro fehlender Einheit, pro Fehlbestandsereignis, dimensionieren, aber diese Zahlen sind ungenau. Daher greifen Unternehmen auf einfache KPIs zurück.
Nun die zwei Fragen: Wem sind KPIs eigentlich wichtig, und wie sollten Anreizstrukturen gestaltet werden, damit diese Metriken oder KPIs im Grunde nicht belohnen, dass Menschen das System ausnutzen?
Patrick, ich beginne bei dir.
Patrick McDonald: Es ist eine schwierige Frage. Ich weiß. Nein, ist sie nicht. Es ist eine einfache Frage, die mich wahnsinnig ärgert.
Die Anzahl der sich widersprechenden Anreize in großen Organisationen, in denen ich tätig war, ist atemberaubend.
Das ist eine der größten Herausforderungen, die ich habe.
Ein ganz anderes Thema.
Ich habe eine andere Reihe von Gesamtmetriken, die meiner Meinung nach Organisationen hinsichtlich der Führung ihres Geschäfts betrachten sollten.
Widersprüchliche Metriken, insbesondere jene, die bestimmtes, im Widerspruch stehendes Verhalten incentivieren, sind problematisch.
Das ist einer der Gründe, warum wir sales and operations planning haben. Operations und supply chain haben aus vielen Gründen ihre eigenen Probleme.
Nicht zuletzt, weil jeder das sogenannte Forecast hat, und es in jeder Organisation mindestens sieben verschiedene Forecasts gibt.
Der eine ist ein supply plan, der andere ein demand plan, ein weiterer ist ein statistical forecast, dann gibt es die Verkaufsziele, den Marketingplan und den Finanzplan. Alle werden „the forecast“ genannt. Sie stimmen nicht überein.
Dann wundert sich die Organisation, warum sie nicht in Einklang stehen.
Ein Teil des Grundes liegt darin, dass man zu den einzelnen Metriken zurückkehrt, auf denen die Boni der Leute basieren und die ihr Verhalten incentivieren.
Ja, das ist also ein riesiges Problem. Es zu beheben ist keine triviale Herausforderung. Es ist eine Art umfangreiche Managementberatung – oder ein großes Managementproblem –, mit dem man sich auseinandersetzen muss.
Es kann in den Griff bekommen werden, aber es erfordert echte Führung innerhalb einer Organisation, um das zu erreichen.
Deckt das also den ersten Teil der Frage ab? Was war der zweite Teil? Habe ich etwas verpasst?
Conor Doherty: Wem sind KPIs wichtig – oder für wen sind KPIs eigentlich wichtig? Und wie incentivieren Sie die Leute, das System nicht auszuspielen?
Patrick McDonald: Man stellt sicher, dass die Metriken aufeinander abgestimmt sind und nicht in Konflikt stehen. So macht man das.
Conor Doherty: Alles klar. Danke.
Joannes, dieselben Fragen.
Joannes Vermorel: Mein Ansatz wird etwas anders sein.
Es gibt ein betriebswirtschaftliches Gesetz, das besagt: Jede gute Kennzahl, die als Ziel festgelegt wird, hört auf, eine gute Kennzahl zu sein.
Meiner Meinung nach ist die Vorstellung, dass man Menschen anhand von Kennzahlen incentivieren kann, eine Infantilisation Ihrer Belegschaft. Es wird immer nach hinten losgehen.
Die Menschen werden die Kennzahl immer ausnutzen. Es ist einfach ein Desaster, das nur darauf wartet, zu passieren.
Es ist eine Art Idee, die gut aussieht, aber im Laufe der Zeit durchweg katastrophale Ergebnisse liefert.
Es spielt keine Rolle, welche Kennzahl. Die Leute denken: „Oh, wenn wir die richtige Kennzahl wählen, wird sie dieses Mal nicht ausgenutzt. Dieses Mal wird sie gut sein. Dieses Mal wird sie mit den langfristigen Interessen des Unternehmens in Einklang stehen."
Es stellt sich heraus: Nein, das wird sie nicht.
Ich weiß nicht wie, aber geben Sie Ihren Teammitgliedern ein paar Monate Zeit, und sie werden einen Weg finden, Ihr Leben zur Hölle zu machen und Ihr Unternehmen weniger profitabel, indem sie die Kennzahl ausnutzen.
Noch einmal, das ist eine der größten Stärken der Menschen. Menschen sind einfallsreich. Das ist gut – sie sind einfallsreich. Also wird es passieren. Es wird passieren und schiefgehen.
Mein Vorschlag ist: Geben Sie diesen naiven Rationalismus auf. Für mich ist es naiver Rationalismus zu sagen: „Oh, was ich nur tun muss, ist, eine sehr klare Kennzahl zu haben, und dann werden die Leute diese maximieren, sie wird sich mit den langfristigen Interessen in Einklang bringen, Problem gelöst.“
„Ich muss die Menschen nicht managen, ich muss dem Anreiz einfach die Arbeit für mich als Manager machen lassen.“ Das ist für mich eine sehr kindliche Sicht auf die menschliche Natur. So funktioniert es nicht.
Anreize sind sehr mächtig, aber Anreize – Taleb diskutiert übrigens in seinen Büchern viel darüber, nicht nur in The Black Swan, sondern auch in Antifragile – Menschen sind Wesen, die an zweite, dritte, vierte Ordnungen denken.
Menschen werden etwas tun, weil sie denken, dass ihr nächster Arbeitgeber sie besser bewerten wird, und das und das und das.
So können sie Dinge mit einem langfristigen Plan tun, der Ihre Erwartungen völlig übertrifft.
Die Ansprache an Ihr Personal mittels Kennzahlen ist wie ein Denken in erster Ordnung. Man berücksichtigt nicht die zweite, dritte usw. Ordnung.
Fazit: Wenn Ihr Unternehmen diese Anreize besitzt, sollte die oberste Priorität sein, sie vollständig zu entfernen – alle.
Einzig akzeptabel sind etwa Aktienoptionen. Man nimmt Aktienoptionen, gewährt eine Vesting-Periode von fünf Jahren. In Ordnung. Es entspricht weitgehend den langfristigen Interessen des Unternehmens, und das ist es.
Halten Sie es super einfach und unspezifisch.
Dann muss man anerkennen, dass, wenn man mit der Optimierung – also der wirtschaftlichen Optimierung – beginnt, die Halbwertszeit der Zielfunktion etwa eine Woche beträgt.
Ihre Zielfunktion ist nicht etwas, das Sie auf ein Podest stellen und verkünden: “Das ist es.” Sie wird sich stark weiterentwickeln.
Zum Beispiel, als die Trump-Administration beschloss, dass Zölle etwa fünfmal am Tag geändert werden können, änderte sich plötzlich das Spiel.
Es hat etwa 400 Zollaktualisierungen in den USA gegeben, und wir müssen alle momentan sehr antifragil sein.
So ist das: Neue Regeln, die Zielfunktion verändert sich.
Jetzt müssten wir eine probabilistische Prognose der Zollverteilung einführen, um vorauszusehen, denn niemand kann wirklich in den Kopf des Präsidenten gelangen.
Also, anscheinend kann man nur eine probabilistische Vorhersage darüber haben, wo der Zoll liegen wird, und er wird, wie es scheint, zwischen 0% und 200% liegen.
Meine Auffassung dabei ist: Da sich die wirtschaftliche Funktion sehr schnell weiterentwickelt – nicht immer so schnell wie die Zolländerungen in den USA, aber dennoch schnell – stellt das Problem dar, dass die Kennzahl, die Sie für Ihre Teams verwenden, nur einmal im Jahr oder alle zwei Jahre überarbeitet wird.
Sie machen damit alle wahnsinnig, wenn Sie jeden Monat verändern, wie sie Geld verdienen. Das ist einfach verrückt.
Die Realität ist: Aus Gründen der psychologischen Sicherheit benötigen Menschen etwas, das ihnen eine Projektion von mindestens 12 Monaten bietet, in der sie denken: “Das ist mein Verdienst.”
Aber supply chain erfordert, dass man manchmal in Tagen denkt und äußerst reaktionsfreudig ist. Diese Dinge passen nicht zusammen.
Deshalb sage ich: Entfernen Sie diese Anreize. In der Praxis wird das zurückschlagen, wenn nicht sogar schon deshalb, weil Sie Ihre wirtschaftlichen Funktionen viel schneller aktualisieren müssen, als Sie die Angebote, die Sie Ihren Mitarbeitenden – selbst den Führungskräften – machen, überarbeiten können.
Conor Doherty: Cool. Danke.
Zwei Punkte dazu. Erstens, ich glaube, ich habe “Goodwin’s law” gesagt. Godwin’s law – das ist etwas völlig Anderes. Ich wollte Goodhart’s law sagen. Das sind zwei sehr, sehr unterschiedliche Phänomene.
Eigentlich nur ein paar Kommentare, im Grunde nur Zustimmung. Miguel Lara weist darauf hin: Wenn man einen KPI erstellt, der keinen Einfluss hat, ist es im Grunde nur zusätzliche Arbeit und bringt letztlich keinen echten Mehrwert.
Joannes Vermorel: Und übrigens, denn niemand, der denkt, dass Großunternehmen ausschließlich additiv vorgehen, denkt auch in subtraktiven Begriffen.
Sobald es also irgendeinen Indikator gibt, sei es ein Schlüsselindikator, ein Leistungsindikator oder was auch immer, wird er einfach hinzugefügt.
Schnell vorwärts gedacht, und Sie haben das, was ich die “Wall of Metrics” nenne, nämlich die 100 Zahlen, die niemand liest.
Und dennoch friert das Business-Intelligence-Tool jeden ersten Tag des Monats ein, da zu viele Leistungsindikatoren berechnet werden müssen.
Sie haben etwa 100 Indikatoren, und die gesamte BI-Instanz bleibt den ganzen Tag hängen.
Ich habe sogar Unternehmen gesehen, bei denen am ersten Tag des Monats buchstäblich bestimmte Abläufe gestoppt werden müssen, weil das ERP teilweise eingefroren ist.
So würden sie eine Anlage pausieren, um dem ERP das Reporting zu ermöglichen.
Conor Doherty: Nun, meine Herren, wir sind etwas mehr als eine Stunde unterwegs gewesen. Ich glaube, Patrick, du hattest das als eine mögliche Option erwähnt.
Aber zur Zusammenfassung: Miguel hat kommentiert – ich fasse das als Zusammenfassung zusammen und bitte euch, eure abschließenden Gedanken dazu zu geben.
Nur weil es viele KPIs gibt, heißt das nicht, dass man alle gleichzeitig verfolgen sollte. Man sollte nur die KPIs auswählen, die in Abhängigkeit von Ansatz und aktuellem Fokus wirklich wichtig sind.
Umgekehrt, was sind eure abschließenden Gedanken dazu? Joannes?
Joannes Vermorel: Ich würde sagen, ja und nein.
Das Problem ist, dass dies die gängige Weisheit in heutigen Unternehmen ist. Nimmt man sie wörtlich, besteht das Problem darin: Mal sehen, wo uns diese allgemeine Weisheit hingeführt hat.
In den meisten Unternehmen gibt es eine Wall of Metrics. Sie haben buchstäblich Dutzende, wenn nicht Hunderte, von Indikatoren, an denen niemand interessiert ist.
Es ist völlig undurchsichtig. Niemand versteht es überhaupt.
Normalerweise betrachten Sie den durchschnittlichen supply chain practitioner: Er hat einen Bildschirm mit 15 Zahlen und kann nicht einmal die Semantik dessen, was bei der Hälfte berechnet wird, erklären.
Sie würden sagen: “Oh, das hier, ich glaube, es berechnet den durchschnittlichen Lagerbestand der letzten 30 Tage. Vielleicht. Ich bin mir nicht sicher.” Oder so ähnlich.
Daher würde ich sagen: Das ist die gängige Weisheit, aber mein Ansatz wäre viel aggressiver.
Wir wissen, dass größere Organisationen dazu neigen, Bürokratie und Kram viel leichter anzuhäufen, als man sie wieder loswird.
Man muss konsequent auf das Aussortieren setzen – gnadenlos sein – und den Prozess von all den Zahlen befreien, die nicht kritisch sind.
Für typische supply chain Executives denken wir: Es gibt ein Kontingent von, sagen wir, 10 Zahlen. Wenn Sie eine neue Zahl hinzufügen möchten, müssen Sie zuerst eine entfernen, um Platz zu schaffen.
Das müssen Sie beibehalten.
Dann, wenn wir auf die Seite des Data Scientist gehen, sage ich, man kann Hunderte von Zahlen haben, aber dann ist es das numerical recipe des Data Scientist – des Supply Chain Scientist – der seine eigenen Sachen macht.
Der Rest der Organisation bleibt außen vor. Es ist in Ordnung, weil es keine Belastung für den Rest der Organisation darstellt. Es ist lediglich eine Belastung, die den jeweiligen Scientist selbst betrifft und nicht den Rest des Unternehmens.
Diese gängige Weisheit sieht zwar vernünftig aus, aber Vorsicht.
Vorgespult um ein Jahrzehnt, ist meine Beobachtung, dass man in der Regel in einer sehr schlechten Situation endet, wenn man dieser gängigen Weisheit folgt.
Conor Doherty: Patrick, deine abschließenden Gedanken. Wie siehst du das?
Patrick McDonald: Wenn man mehr als fünf hat, hat man zu viele.
Ich bin deutlich strenger. Ich schaue mir konkret fünf an, und alle stehen in Verbindung mit der Finanzberichterstattung.
Nummer eins ist eine Marktanteilsmetrik. Ich nenne sie Brand Equity.
Wenn Ihre Verkäufe wachsen, der Markt jedoch schneller wächst, verlieren Sie dennoch Marktanteile. Verfolgen Sie also nicht nur die Verkäufe, sondern auch Ihre Position auf dem Markt.
Ich möchte sicherstellen, dass wir die Kundenanforderungen zuverlässig erfüllen, oder? Daher gibt es eine Zuverlässigkeitsmetrik.
Ich möchte sicherstellen, dass wir unsere Ressourcen effektiv einsetzen. Deswegen gibt es eine Effektivitätsmetrik.
Ich vermeide es, über Effizienz zu sprechen, weil diese stets in lokalen Optima hängenbleibt. Deshalb rede ich stattdessen von Produktivität.
Und als Letztes gibt es einen Punkt, an dem ich noch arbeite. Ich habe noch keine wirklich gute Kennzahl dafür, aber es geht um Agilität: Wie schnell können Sie auf die täglichen, rasanten Veränderungen im Markt reagieren?
Wenn Sie diese fünf Metriken abdecken, denke ich, dass das den Großteil dessen erfasst, was man aus betriebswirtschaftlicher Sicht verstehen will.
Natürlich gibt es verschiedene Herangehensweisen, aber dies sind im Grunde meine fünf Metriken. Sie überschneiden sich kaum und erfassen die wesentlichen Aspekte, die sich auf die Finanzzahlen auswirken.
Conor Doherty: In Ordnung.
Also, meine Herren, vielen Dank. Ich habe keine weiteren Fragen. Wir haben alles im Live-Chat besprochen, und ich denke, wir sind fast zeitlich raus.
Joannes, wie immer, vielen Dank, dass du mitgemacht hast.
Patrick, ich schätze es sehr, dass du uns remote beigetreten bist und dir Zeit genommen hast. Deine Einblicke waren wirklich großartig.
Patrick McDonald: Es war mir ein Vergnügen. Hoffentlich können wir das irgendwann wiederholen. Danke.
Conor Doherty: Und an alle anderen Zuschauer, vielen Dank für eure Teilnahme – für eure privaten Nachrichten und Kommentare.
Falls ihr die Diskussion fortsetzen möchtet, wie ich stets sage, wendet euch an Joannes, an mich und an Patrick. Wir sprechen immer gerne mit neuen Leuten.
Und ja, das war’s. Vielen Dank. Wir sehen uns nächste Woche, und zurück an die Arbeit.
