Heuristiken in Supply Chain - Ep 172

00:00:00 Einführung in Heuristiken im Supply Chain
00:01:14 Beispiele für Heuristiken: min-max Inventar, FIFO, ABC Analyse
00:03:15 Ursprünge und informelle Anwendung von Heuristiken in Unternehmen
00:06:28 Menschliche vs. algorithmische Ansätze zur Problemlösung
00:09:58 Heuristiken aus der Perspektive der Informatik
00:13:27 Das Problem mit laienhaften Perspektiven auf Heuristiken
00:17:22 Supply Chain-Heuristiken und die Illusion von Kausalität
00:22:00 Der Bedarf an Metriken zur Bewertung der Effektivität von Heuristiken
00:26:35 Unterschied zwischen Algorithmen und Heuristiken in der Praxis
00:30:26 Experimentelle Validierung und empirische Optimierung
00:36:33 Irreführende Intuition bei Supply Chain-Entscheidungen
00:41:27 Beispiel für Boarding-Strategien bei Fluggesellschaften und Intuition
00:46:47 Das Fehlen finanzieller Metriken bei Supply Chain-Entscheidungen
00:53:05 Menschliche Begrenzungen bei komplexer Terminplanung vs. Algorithmen
00:58:47 Abschließende Gedanken und Erkenntnisse

Zusammenfassung

In einer jüngsten LokadTV-Folge interviewte Conor Doherty, Kommunikationsdirektor bei Lokad, Joannes Vermorel, CEO von Lokad, über Heuristiken im supply chain management. Es wurde über den Einsatz einfacher Problemlösungswerkzeuge wie FIFO und ABC Analyse diskutiert, wobei ihre Grenzen und der Bedarf an robusteren mathematischen Ansätzen hervorgehoben wurden. Joannes erklärte, dass, obwohl Heuristiken einfache Lösungen bieten, ihnen oft Konsistenz und empirische Validierung fehlen. Er betonte die Bedeutung, zwischen echten Heuristiken und willkürlichen numerischen Rezepten zu unterscheiden, und plädierte für praxisnahe Bewertungen und Experimente zur Validierung von Supply Chain-Praktiken. Das Gespräch unterstrich die Notwendigkeit einer kritischen Bewertung und empirischer Evidenz bei der Optimierung von supply chain decisions.

Erweiterte Zusammenfassung

In einer kürzlichen Folge von LokadTV führte Conor Doherty, der Kommunikationsdirektor bei Lokad, ein zum Nachdenken anregendes Gespräch mit Joannes Vermorel, dem CEO und Gründer von Lokad, einem französischen Softwareunternehmen, das sich auf prädiktive Supply Chain-Optimierung spezialisiert hat. Das Gespräch vertiefte sich in die Verwendung von Heuristiken im Supply Chain Management, wobei ihre Grenzen untersucht und sie mit robusteren mathematischen Ansätzen verglichen wurden.

Conor begann damit, das Konzept der Heuristiken vorzustellen, also einfacher Problemlösungswerkzeuge wie FIFO (First In, First Out), LIFO (Last In, First Out) und ABC Analyse, die häufig bei Supply Chain-Entscheidungen eingesetzt werden. Er hob hervor, dass diese Heuristiken oft verwendet werden, um Unsicherheiten zu bewältigen, und bat Joannes, näher zu erläutern, was Supply Chain-Praktiker unter dem Begriff Heuristiken verstehen.

Joannes erklärte, dass Heuristiken in der Branche im Wesentlichen formalisierten Daumenregeln entsprechen, die dazu dienen, Entscheidungen zu lenken. Zum Beispiel ist eine min-max inventory policy, bei der der maximale Bestand auf drei Monatsbedarf festgelegt wird, eine Heuristik. Diese Heuristiken bieten einfache Lösungen für komplexe Probleme, sind jedoch oft willkürlich und weisen zwischen verschiedenen Planern und Unternehmen keine Konsistenz auf.

Conor bohrte weiter nach und fragte nach den Ursprüngen dieser Heuristiken. Joannes antwortete, dass es sich um die simpelsten Lösungen handelt, die man sich zur Bewältigung des vorliegenden Problems vorstellen kann. Zum Beispiel stellt FIFO sicher, dass alle Artikel letztlich ausgewählt und verarbeitet werden, wodurch ein Verderb verhindert wird. Er betonte jedoch, dass diese Heuristiken nicht zwangsläufig optimale Lösungen darstellen.

Joannes stellte dann einen entscheidenden Unterschied vor zwischen Heuristiken, wie sie von Ökonomen verstanden werden, und denen im Supply Chain Management. Bei natürlichen Aufgaben, wie dem Greifen nach einem Glas Wasser, nutzen Menschen Heuristiken effektiv, da die Evolution uns mit den notwendigen Instinkten ausgestattet hat. Supply Chain-Probleme hingegen sind diskrete numerische Herausforderungen, die in der Natur nicht vorkommen, und unsere angeborenen Heuristiken sind für diese Aufgaben nicht geeignet.

Conor und Joannes diskutierten die Grenzen traditioneller Heuristiken wie FIFO und ABC Analyse. Joannes argumentierte, dass diese Methoden häufig willkürliche numerische Rezepte seien und keine echten Heuristiken, da es an Metriken fehlt, um ihre Wirksamkeit zu messen. Er betonte die Notwendigkeit, zwischen Heuristiken und willkürlichen numerischen Rezepten zu unterscheiden, da letztere irreführend sein können.

Conor stellte die Perspektive eines Einzelhändlers dar und schlug vor, dass einfache Methoden wie ABC Analyse funktionieren, weil sie profitabel sind. Joannes entgegnete, dass Profitabilität nicht jede Praxis in einem Unternehmen validiert. Er nannte Apple als Beispiel und wies darauf hin, dass einige Praktiken möglicherweise nicht direkt zur Rentabilität beitragen, aber dennoch befolgt werden.

Das Gespräch verlagerte sich auf die Herausforderungen der Validierung von Heuristiken in realen Supply Chains. Joannes erklärte, dass Algorithmen zwar nachweisbare Eigenschaften besitzen, Heuristiken jedoch eine empirische Bewertung durch Experimente erfordern. Er zitierte das Beispiel des stochastischen gradient descent, einer Heuristik, die für ihre praktische Leistung Anerkennung fand, obwohl ihr formaler Beweis fehlte.

Conor und Joannes erörterten die Schwierigkeit, die Güte von Heuristiken ohne eindeutige Metriken zu bewerten. Joannes betonte, dass Unternehmen ihre numerischen Rezepte durch Experimente validieren müssen, anstatt deren Wirksamkeit einfach anzunehmen. Er verwies auf seine Vortragsreihe zur experimentellen Optimierung und hob die Bedeutung hervor, Optimierungsziele zu entdecken sowie den Unterschied zwischen empirischer und mathematischer Validierung zu erkennen.

Joannes sprach auch den psychologischen Bias an, sich in die eigenen Ideen zu verlieben, was dazu führen kann, dass willkürliche Richtlinien ohne angemessene Validierung übernommen werden. Er warnte davor, anzunehmen, dass traditionelle Methoden von Natur aus gut seien, nur weil sie nicht zum Bankrott geführt haben.

Die Diskussion endete mit Joannes’ Empfehlung, den Begriff “heuristic” ausschließlich für einfache, effektive numerische Rezepte zu verwenden, für die es empirische Erfolgsnachweise gibt. Er unterstrich die Bedeutung praxisnaher Bewertungen in finanzieller Hinsicht und die Notwendigkeit, dass Unternehmen ihre Methoden kritisch hinterfragen.

Conor schloss das Interview, indem er Joannes und dem Publikum dankte und die Zuschauer ermutigte, den YouTube-Kanal von LokadTV zu abonnieren und ihnen auf LinkedIn für weitere aufschlussreiche Diskussionen zur Supply Chain-Optimierung zu folgen.

Vollständiges Transkript

Conor Doherty: Willkommen zurück bei LokadTV. Heuristiken stehen im Zentrum der meisten Entscheidungen, die Menschen im Bereich Supply Chain treffen.

Heuristiken sind einfache Problemlösungswerkzeuge, die uns in Momenten der Unsicherheit leiten. Denkt an FIFO, LIFO und ABC Analyse.

Heute werden wir gemeinsam mit Joannes Vermorel die Grenzen dieser Heuristiken diskutieren und sie einer robusteren mathematischen Perspektive gegenüberstellen.

Wie immer, wenn euch gefällt, was ihr hört, abonniert den YouTube-Kanal und folgt uns auf LinkedIn. Und damit präsentiere ich euch Heuristiken im Supply Chain.

Wie ich in meiner Einführung erwähnte, sprechen wir hier über Heuristiken, insbesondere im Supply Chain. Um die Grundlage zu legen: Wenn Supply Chain-Praktiker, wisst ihr, im Büro über Heuristiken sprechen, worüber sprechen sie eigentlich? Was meinen sie damit?

Joannes Vermorel: Ich meine, die meisten Supply Chain-Praktiker würden den Begriff Heuristiken wahrscheinlich gar nicht verwenden. Er klingt schon etwas vornehm. Wenn ich allgemein an die Branche denke, bedeutet heuristic einfach, dass man irgendeine Art von formalisierten Daumenregel hat, die dazu dient, eine Entscheidung zu lenken.

Also wäre ein Beispiel dafür, dass wir eine min-max Bestandsrichtlinie haben, bei der das Maximum auf drei Monatsbedarf festgelegt ist. Das war’s. Das ist meine Heuristik.

Und der interessante Aspekt von Heuristiken ist, dass man – sagen wir mal – ein komplexes Problem hat, aber deine Heuristik liefert eine einfache Lösung dafür.

Conor Doherty: Nun, vieles scheint buchstäblich die Worte gewesen zu sein, die von einem Gremium festgelegt wurden. Meine Anschlussfrage ist also: Wenn du im Beispiel der min-max sagst, dass es drei Monate Nachfrage gibt, ist das dann einfach eine willkürliche Entscheidung? Macht das daraus eine allgemeine Faustregel?

Joannes Vermorel: Ja, das ist im Grunde alles. Ich meine, vielleicht haben die Leute locker einige Alternativen ausprobiert, und ihr Bauchgefühl sagt, dass zwei Monate nicht ausreichen, sechs Monate zu viel sind, und so konvergieren sie zu etwas.

Oder noch häufiger fehlt jegliche Konsistenz. Jeder Demand- und Supply Planner hat seine eigene Sammlung von Daumenregeln, seine eigene Ansammlung von Heuristiken, die er anwendet.

Es ist selten, dass Unternehmen irgendeine Art von Praxis in Bezug auf Heuristiken durchsetzen. Zumindest bedeutet es, wenn Unternehmen sagen, wir haben Heuristiken, dass diese in der Regel nicht durchgesetzt werden, relativ informell sind und dass es einen großen Spielraum gibt, wie man all die Parameter dieser Heuristiken auswählt.

Conor Doherty: Nun, ich meine, du hast das Beispiel der min-max genannt. Es gibt auch Dinge wie FIFO, LIFO, ABC Analyse. Es gibt eine ganze Reihe von Heuristiken. Woher kommen diese? Aus welchem Äther entstehen sie?

Joannes Vermorel: Ich meine, sie sind einfach die simpelsten Lösungen, die man sich zur Bewältigung des vorliegenden Problems vorstellen kann. Nehmen wir also zum Beispiel FIFO.

Eines der grundlegendsten Probleme, wenn du fortlaufend eingehende Dinge verarbeiten musst, ist, wie du verhinderst, dass etwas für immer beiseite bleibt. Genau darum geht es.

Wenn du keine Reihenfolge festlegst und die Dinge zufällig auswählst, kann es passieren, dass ein Artikel niemals ausgewählt wird. Er wird einfach beiseitegeschoben und nie verarbeitet.

Und das ist schlecht, denn dieser Artikel wird letztendlich verfallen. Egal, ob man ein Produkt als verderblich bezeichnet oder nicht, alle Produkte verfallen, wenn man ihnen genügend Zeit gibt.

Daher möchtest du einen Prozess, der zumindest garantiert, dass letztlich alles, was seinen Weg zu dir gefunden hat, ausgewählt, verarbeitet und irgendwohin versendet wird.

Wenn du also zum Beispiel sagst First In, First Out, ist das einfach eine grundlegende Methode, um sicherzustellen, dass alles ausgewählt wird. Ist das eine gute Richtlinie? Nun, das kommt darauf an, aber sie bietet dir sicherlich diese eine Eigenschaft.

Und somit kann man sagen, dass es sicherlich eine Lösung für dieses Problem ist. Aber ob es eine gute Lösung ist, ist eine völlig andere Frage.

Conor Doherty: Genau das ist die nächste Frage, denn du hast nicht den Begriff Optimalität verwendet oder von einer optimalen Entscheidung gesprochen. Natürlich, in Situationen wie der von dir beschriebenen – du bist in einer Werkstatt, zwei Motoren kommen herein, oder du kommst morgens und es gibt viele Motoren, und du musst entscheiden, welchen du zuerst reparieren wirst, welchem Zeitplan du folgst – versuchst du, zu einer Entscheidung zu gelangen, die wenigstens gut oder optimal erscheint.

Also, meine Frage ist: Was ist deiner Meinung nach die obere Grenze der Optimalität, die mit diesen Arten von Heuristiken erreicht werden kann? Nehmen wir zum Beispiel FIFO.

Joannes Vermorel: Ich denke nicht, dass dies überhaupt der richtige Ansatz ist, um das Problem zu rahmen. Ich glaube, wir müssen einen Schritt zurücktreten und erkennen, dass es, wenn wir in Begriffen von Heuristiken denken, tatsächlich zwei völlig unterschiedliche Perspektiven gibt, die wir betrachten müssen.

Die erste Perspektive ist die der Heuristiken, wie sie beispielsweise Ökonomen betrachten, oder zumindest, sagen wir, wenn ich dieses Glas Wasser greifen muss. Ich kann danach zugreifen und es nehmen.

Ein Physiker könnte sagen: “Oh, es gibt etwa eine Million Berechnungen, die erforderlich sind, um die genaue Flugbahn meiner Hand, jedes einzelnen Fingers, der exakten Masse und der exakten Kraft zu berechnen”, und das wären alle Berechnungen, die nötig wären, wenn ich Roboter hätte, die perfekt berechnen, wie man einen Roboterarm bewegt, um das Glas zu nehmen.

Aber es stellt sich heraus, dass ein Mensch nicht so funktioniert. Stattdessen nutzen wir eine Vielzahl von Heuristiken, wie zum Beispiel Totenreckung. “Ich bin zu weit rechts, oh, lenke nach links,” und “Fühlt sich der Druck ausreichend an? Oh nein, das Glas rutscht, drücke mehr.”

Es gibt also zahlreiche Heuristiken, die es dir ermöglichen, eine sehr komplexe Aufgabe zu bewältigen, während die zugrunde liegende Verarbeitung wesentlich simpler ist. Im Grunde genommen löst dein Gehirn beim Greifen eines Glases Wasser keine in Echtzeit differenzierbaren Gleichungen. Es ist einfach eine Menge Heuristiken, die wunderbar funktionieren, und so kannst du erfolgreich dein Glas Wasser greifen.

Und es stellt sich heraus, dass die Natur, das Universum oder was auch immer uns für zahlreiche Vorgänge in der realen Welt wunderschöne Lösungen bereitstellt, die für scheinbar unglaublich komplizierte Probleme einfach funktionieren.

Übrigens erfordert auch das aufrecht auf zwei Beinen Stehen allerlei Heuristiken. Wenn Menschen versuchen, einen Roboter zu konstruieren, der auf zwei Beinen geht, stellen sie fest, dass dies tatsächlich sehr, sehr schwierig ist, weil wir diese Heuristiken nicht kennen.

Dies ist nun nicht der Fall in Supply Chains. Hier beschreibe ich Heuristiken in Aufgaben, die für alle Lebewesen in den letzten halben Milliarden Jahren eine Herausforderung beim Bewegen darstellten.

Conor Doherty: Sie sind auch unbewusst. Ich spreche von Entscheidungen.

Joannes Vermorel: Ja, ich meine, das Ergreifen des Wasserglases ist eine Entscheidung. Das Bewegen deiner Hand ist eine Entscheidung. Aber hier sprechen wir über diskrete numerische Entscheidungen. Das ist etwas, das in der Natur nicht existiert.

In der Natur denkt man nicht in Begriffen diskreter numerischer Entscheidungen wie: Wie viele Produkte muss ich morgen, übermorgen etc. liefern? Das sind diskrete numerische Entscheidungen, die völlig anders sind als alles, was man in der Natur findet.

Der erste Punkt, den ich anführe, ist, dass wenn wir diese implizite Perspektive übernehmen, die aus, sagen wir, der natürlichen Welt über Heuristiken stammt, man sagen kann, dass Menschen einfach mit der Fähigkeit begabt sind, sehr einfache Lösungen für komplexe Probleme anzuwenden, die wunderbar funktionieren.

Und mein Gegenargument ist, dass dies für von Menschen geschaffene Situationen wie supply chain, bei denen wir über die Lösung diskreter numerischer Probleme sprechen, nicht funktioniert. Diese Problemklassen unterscheiden sich völlig von dem, was wir in der Natur vorfinden, und wir können nicht annehmen, dass wir irgendein angeborenes Gespür dafür haben, was dort funktionieren wird.

Die Evolution hat uns nicht mit der Fähigkeit geschenkt, zu beurteilen, was der optimale Nachfüllungsplan für ein komplexes supply chain Netzwerk ist. Das ist eine sehr fantastische Behauptung, zu sagen, dass uns die Evolution in Bezug auf solch ein Problem irgendetwas gegeben hätte.

Was ich hier sage, ist also, dass wir zu einer anderen Perspektive auf Heuristiken übergehen müssen, nämlich derjenigen, die von Informatikern eingenommen wird. In der Informatik, wenn wir ein Problem haben und eine Lösung, die nachweislich korrekt ist und schöne Eigenschaften für dieses Problem besitzt, nennen wir sie einen Algorithmus.

Das ist, was ein Algorithmus ist. Ein Algorithmus in der Informatik ist ein numerisches Rezept, bei dem wir formale Elemente des Beweises haben.

Zum Beispiel das Sortieren einer Liste. Du hast eine ungeordnete Liste von Elementen; du möchtest sie vom Kleinsten zum Größten sortieren. Du hast viele Wege, eine Liste zu sortieren, aber manche Methoden liefern dir Lösungen, die eine minimale Anzahl von Schritten und einen minimalen Speicherbedarf erfordern, um all diese Zahlen zu sortieren.

Das ist also ein Algorithmus für dich. Ein Algorithmus ist eine Lösung, die nachweislich korrekt ist und zusätzlich Eigenschaften aufweist, die sich in Bezug auf das jeweilige Problem schön verhalten.

Eine Heuristik, wiederum aus der Perspektive der Informatik, ist ein numerisches Rezept, das in der Praxis sehr gut funktioniert, auch wenn man formell nicht weiß, warum es funktioniert oder warum es so gut funktioniert.

Und es stellt sich heraus, dass es Klassen von Lösungen gibt, die wie verborgene Juwelen funktionieren, die wunderschön arbeiten, extrem einfach sind und dennoch niemand wirklich weiß, warum.

Ein Beispiel, angewendet auf supply chain? Ja, viele von ihnen finden im Bereich supply chain Anwendung. Es gibt zum Beispiel den stochastischen Gradientenabstieg. Es war ein Prozess, der entdeckt wurde. Konzeptionell ist er sehr einfach. Man kann ihn in etwa vier Zeilen niederlegen. Er wurde höchstwahrscheinlich in den 50ern entdeckt, auch wenn das ein wenig unklar ist. Die Idee ist so simpel, dass sie vermutlich mehrfach erfunden wurde.

Und doch hat die Community im Allgemeinen dem stochastischen Gradientenabstieg vor 15 Jahren nicht wirklich Beachtung geschenkt. Warum? Weil die Leute nicht wirklich bemerkt haben, wie gut er in der Praxis funktioniert, wenn er eingesetzt wird.

Conor Doherty: Bei welchen Problemen?

Joannes Vermorel: Alle Lernprobleme, alle Optimierungsprobleme und eine Menge anderer Situationen. Es ist also eine halbuniverselle Heuristik, die in einem extrem breiten Spektrum von Situationen funktioniert.

Das ist sogar verblüffend, das schier unglaubliche Spektrum der Anwendbarkeit des stochastischen Gradientenabstiegs ist verblüffend. Und dennoch haben wir eigentlich keinen mathematischen Beweis, um zu erklären, warum er so gut funktioniert. Er funktioniert einfach.

Das ist also sehr interessant. Und hier muss man bedenken, dass, wenn Informatiker über Heuristiken sprechen, sie sich auf Heuristiken als verborgene Juwelen beziehen. Und übrigens, wenn wir zu deiner anfänglichen Frage zurückkehren: Heuristik ist per Definition – zumindest in der präzisen Definition, wie sie von Informatikern gegeben wird – eine numerische Lösung, für die es keinen Beweis gibt.

Eine Heuristik bedeutet also per Definition, dass du nicht weißt, wie weit du vom Optimum entfernt bist. Das ist quasi vorausgesetzt. Wenn du es wüsstest, dann wäre es per Definition ein Algorithmus. Denn ein Algorithmus ist buchstäblich etwas, bei dem du die Korrektheit plus zusätzliches Verhalten beweisen kannst, sodass dein numerisches Rezept zu dem wird, was man einen Algorithmus nennt.

Conor Doherty: Algorithmus, okay, also werde ich versuchen, das alles zusammenzufassen, und sag mir, wo ich danebenliege. Aber wie ich das alles verstanden habe, liegt das Problem bei traditionellen Heuristiken wie FIFO, zum Beispiel darin, dass, wenn Leute das anwenden, es eine sehr übereilte Lösung für ein Problem ist, das der menschliche Geist unmöglich fassen kann.

Joannes Vermorel: Nein, ich würde sagen, das Problem ist, dass der Fehler, der mit Heuristiken gemacht wird, darin besteht, dass sie aus einer Laienperspektive – also nicht aus der Perspektive eines Informatikers – angegangen werden und dem numerischen Rezept ein gewisser Grad an Güte zugeschrieben wird. Deshalb ziehe ich es vor, den Begriff numerisches Rezept zu verwenden, der völlig neutral ist. Es kann kompletter Quatsch sein, es kann ausgezeichnet sein – es ist einfach so. Es ist nur eine Reihe von Berechnungen, die zu einem Ergebnis führen. Wir unterstellen nicht, dass es für irgendetwas gut ist; es führt einfach nur eine Berechnung aus.

Das Problem, wenn Leute den Begriff Heuristik verwenden, ist, dass sie etwas Arbiträres hervorbringen und diesem Merkmal zuschreiben, als wäre es selbstverständlich, dass das numerische Rezept irgendeine Güte besitzt. Natürlich, in der natürlichen Welt funktionieren jene Heuristiken, jene instinktiven Methoden, um beispielsweise einen Gegenstand zu holen, sehr gut. Sie funktionieren sehr gut. Und wie wissen wir, dass sie sehr gut funktionieren? Nun, weil, wenn wir versuchen, einen Roboter zu entwickeln, der dasselbe tut, dieser miserabel scheitert und es immense ingenieurtechnische Anstrengungen bedarf, um auch nur annähernd das zu erreichen, was wir instinktiv können.

Das erzeugt aber eine Art Voreingenommenheit, die die Leute glauben lässt, dass, okay, ich kann beispielsweise sagen: “Oh, nehmen wir mal an, das Maximum in meiner Min-Max-Lagerhaltungsstrategie entspricht drei Monatsbedarf.” Warum nenne ich das eine Heuristik? Weißt du, ist dieses Verfahren überhaupt gut? Es kann völlig unsinnig sein. Ich weiß es nicht. Es liegt nicht daran, dass ich irgendeine Intuition habe. Woher kommt diese Intuition? Siehst du das? Und normalerweise kommt sie aus dem Nichts. Und genau da denke ich liegt der Fehler.

Wegen der Tatsache, dass wir andere Communities haben, wie etwa in der Informatik, in denen der Begriff Heuristik verwendet wird, um etwas zu bezeichnen, das überraschend gut ist – es gibt also eine lose positive Zuschreibung, quasi einen Halo-Effekt –, der diesen numerischen Rezepten mehr Wert beimisst, als sie tatsächlich verdienen.

Conor Doherty: Aber ein Händler würde einfach darauf reagieren, wenn er hört, was du gerade gesagt hast, und sagen: “Nun, ich führe eine ABC-Analyse durch. Ich weiß, woher der Großteil meiner Verkäufe kommt. Ich halte einen gewissen hohen service level dieser SKUs auf Lager und verdiene Geld. Es muss nicht ausgefeilter sein, und es funktioniert, weil ich noch im Geschäft bin. Ich mache Geld und verdiene mehr als im letzten Jahr.”

Joannes Vermorel: Ja, und du kannst ein Geschäft haben, das Wasser verliert, und du machst trotzdem Geld. Folglich, wenn du mehr Geschäfte hättest, die Wasser verlieren, würdest du vielleicht noch mehr Geld verdienen. Siehst du, das ist wiederum das Problem. supply chain ist nur eine Zutat im großen Ganzen. Der Fehler besteht also darin zu glauben, dass, nur weil du Geld verdienst, jede Maßnahme, die du triffst, sinnvoll ist oder positiv zur Profitabilität beiträgt.

Sogar Unternehmen wie Apple sind dafür bekannt, dass sie die meisten ihrer Mitarbeiter im Unklaren lassen, wenn es um die Zukunft des Unternehmens geht. Das ist eines der bekannten Merkmale von Apple. Wenn es um zukünftige Produkteinführungen geht, wird jeder im Unklaren gelassen, und sie gehen sogar so weit, intern falsche Roadmaps an verschiedene Teams zu verbreiten, sodass, wenn eine Roadmap geleakt wird, man weiß, wer die falsche Roadmap erhalten hat. Okay, verbessert das wirklich Apples Profitabilität? Vielleicht, vielleicht nicht. Ist es etwas, das man für ein anderes Geschäft nachahmen sollte, um dieses profitabler zu machen? Vielleicht nicht.

Also, siehst du, ich sage, wenn du mir sagst: “Ich verwende ABC-Analyse, mein Geschäft ist profitabel”, ist die einzige Schlussfolgerung, dass ABC eben nicht so schlecht ist, dass es dein Unternehmen in den Bankrott treiben würde. Aber das ist alles, was man darüber sagen kann.

Conor Doherty: Man könnte auch sagen, dass, wenn man über die Suche nach dem Optimum – nach dem bestmöglichen Punkt – spricht, es längst nicht so optimal ist. Man könnte sagen, dass dadurch Geld auf dem Tisch liegen bleibt. Man könnte einfach sagen, es klingt, als würdest du eine binäre Position einnehmen, dass es entweder 100% dumm oder 100% gut ist.

Joannes Vermorel: Aber hier siehst du, genau dort trennt sich wieder die Sichtweise eines Informatikers von der eines Laien. In der Informatik erkennt man an, dass ein numerisches Rezept erst dann als Heuristik bezeichnet werden kann, wenn es eine gewisse empirische Güte zeigt. Das bedeutet, dass nicht jedes numerische Rezept, das ich erfinde, automatisch eine Heuristik ist. Um als Heuristik zu gelten, muss es überraschend gut in etwas sein.

Conor Doherty: Was manche Leute behaupten könnten.

Joannes Vermorel: Und diese überraschende Güte erfordert eine Metrik. Es erfordert eine Messung.

Siehst du, bei der überwältigenden Mehrheit der, sagen wir, ABC-Analysen gibt es beispielsweise keine Metrik, die irgendetwas an ihnen qualifiziert. Es geht schlicht darum, jedem Produkt einen Buchstaben zuzuweisen: A, B, C. Es geht nur darum, das zu vergeben. Dann kommt noch die Erweiterung, für jede Klasse eine einheitliche Lagerhaltungspolitik zu haben. Aber diese einheitliche Politik könnte etwas völlig anderes als der service level sein, zum Beispiel. Deine einheitliche Politik pro Klasse könnte sein: Für Klasse A halte ich drei Monate Lagerbestand, für Klasse B zwei Monate, für Klasse C einen Monat. Weißt du, das funktioniert auch.

Also sind service levels nicht notwendigerweise ein integraler Bestandteil der ABC-Analyse. Die Verfügbarkeit dieser Produkte entspricht ihrer wahrgenommenen Wichtigkeit. Die ABC-Analyse besteht lediglich darin, jedem Produkt eine Wichtigkeitsklasse zuzuordnen. Es geht darum, einem Produkt eine Klasse zuzuschreiben und ja, der Weg, dies zu tun, besteht darin, den Umsatz zu gewichten – aber das ist alles. Was ich also sage, ist: Was ist das Problem, das du lösen möchtest? Die ABC-Analyse ist der Grund, weshalb ich sage, dass sie ein numerisches Rezept und keine Heuristik ist, weil du nicht weißt, welche Probleme du genau löst. Du hast keinen Anhaltspunkt, was optimal wäre.

Conor Doherty: Also, ja, mach weiter.

Joannes Vermorel: Wiederum ist das das Problem. Wir müssen Heuristiken von einfach willkürlichen numerischen Rezepten trennen. Ein willkürliches numerisches Rezept kann völlig unmotiviert sein. Ich berechne es einfach. Warum? Weil ich es berechnen kann. Also führe ich die Berechnung durch – das ist alles.

Wenn du eine Heuristik haben möchtest, musst du ein Ziel haben, das die Güte erklärt, oder einen Weg, diese zu bewerten. Noch ein Beispiel aus der Informatik: Sagen wir, ich verwende XOR Shift, um Pseudozufallszahlen zu generieren. Sehr gut. Es gibt Metriken, die mir die Qualität einer Zahlenfolge anzeigen, damit sie als zufällig angesehen wird. Es gibt jede Menge Metriken dafür.

Damit ich also eine Heuristik wie XOR Shift verwende, kann ich dann beurteilen, ob sie gut darin ist, das zu generieren, was nach den Metriken als zufällige Zahlen gilt. Siehst du, ich habe eine Metrik, ich habe ein Ziel; ich weiß, wovon ich spreche, was die Frage angeht, ob es sich um eine Heuristik handelt oder nicht. Ich würde also sagen, ob sie gut ist oder nicht. Wenn sie gut ist, dann wird man sagen, okay, es ist eine Heuristik. Aber wenn man keine Ahnung hat, was man tut, dann ist es meines Erachtens ein Fehler, das eine Heuristik zu nennen, weil man nicht weiß, ob es gut ist.

Man hat sich einfach ein numerisches Rezept ausgedacht und nennt es eine Heuristik.

Conor Doherty: Also, wenn Leute – um es ganz konkret zu machen – beispielsweise eine ABC-Analyse durchführen und dann auf deren Basis Entscheidungen treffen, wie etwa drei Monate Lagerbestand für deine A-Klasse beizubehalten oder service levels festzulegen, und wenn sie dann positive Ergebnisse sehen, ist das schlichtweg ein logischer Fehlschluss. Sie schreiben den vorherigen Maßnahmen eine Kausalität zu. Ja, denn wie du gesagt hast: Wie soll man die Güte beurteilen, wenn die Metrik nicht klar ist?

Joannes Vermorel: Das kann man einfach nicht. Und nochmals, ich denke, das Problem bei dem, was Leute als Heuristiken bezeichnen, ist genau das. Ich ziehe es vor, sie als numerische Rezepte zu bezeichnen – mit einem neutralen Begriff –, weil sie in der Tat nicht einmal versucht haben. Siehst du, allzu oft wurde nicht einmal versucht zu quantifizieren, ob das überhaupt gut war, ob es in irgendeiner Form gut war.

Und es gibt viele Beispiele dafür. Du kannst zum Beispiel Unternehmen haben, die sich entscheiden, dass ihre Preise runde Zahlen sein werden. Einige bevorzugen, dass sie auf 99 enden, andere bevorzugen 95. Du kannst eine Politik haben, die deine Zahlen anpasst, indem sie sie knapp unter 99, 95, 97 oder einfach auf die nächstgelegene runde Zahl aufrundet.

Die überwältigende, überwältigende, überwältigende Mehrheit der Unternehmen, die das tun, hat keine Ahnung, welche dieser Optionen für sie besser ist, und sie wählen trotzdem eine aus.

Conor Doherty: Also raten sie im Grunde genommen die Kausalität.

Joannes Vermorel: Ja. Und nochmals, ich bestreite nicht, dass es manchmal – weißt du – in Ordnung ist, eine Politik zu verfolgen, die völlig willkürlich ist und einfach der Einfachheit halber beibehalten wird. Aber dann solltest du diesen willkürlichen Entscheidungen nicht deinen Erfolg zuschreiben. Das ist einfach, was ich sagen will.

Conor Doherty: Nun, nochmals, wenn wir reden – insbesondere aus volkswirtschaftlicher Perspektive – wenn man über Heuristiken spricht, versuchen die meisten Menschen, ein Problem zu vereinfachen und zu einer Entscheidung zu gelangen. Und ebenso betrachten sie das Ergebnis in einer stark vereinfachten Form. Zum Beispiel: “Ich habe etwas gemacht, ich habe alle Preise auf runde Zahlen oder 99 gesetzt, und der Umsatz ist gestiegen oder gefallen. Also, post hoc ergo propter hoc, das, was ich vorher getan habe, hat das verursacht.” Und natürlich ist das unmöglich. Das Problem ist, dass du das gemacht hast, während hundert andere gleichzeitig versuchten, die Kausalität zu entwirren, und das ist sehr, sehr schwierig.

Joannes Vermorel: Ja, es ist sehr schwierig. Ich meine, besonders im supply chain, wo alles ein System ist und alle Komponenten miteinander verbunden sind. Es ist sehr schwierig. Und mein Punkt ist, dass, wenn Heuristiken richtig verstanden werden, sie absolut fantastisch sein können. Und übrigens können sie buchstäblich ein Weg sein, um deine Mitbewerber zu übertreffen, denn wenn du das hast, was Informatiker Heuristiken nennen – etwas, das wie ein verstecktes Juwel in einem Algorithmus erscheint.

Der Unterschied zwischen einem Algorithmus und einer Heuristik besteht darin, dass ein Algorithmus etwas ist, bei dem du ein numerisches Rezept hast. Du kannst das numerische Rezept lesen und es dann als Mathematiker beweisen. Es ist fantastisch. Es ist sehr kostengünstig. Siehst du, das Tolle an Algorithmen ist, dass sie unglaublich günstig sind. Man muss keine Experimente in der realen Welt durchführen, um zu beweisen, dass dein Algorithmus sich gut verhält. Das ist fantastisch. Das bedeutet, dass du einen Mathematiker in seinem Büro haben kannst und schwupps – du hast deinen gut funktionierenden Algorithmus, der deinem Unternehmen Nutzen bringt.

Eine Heuristik – nun, der einzige Weg, eine Heuristik zu entdecken, besteht darin, Experimente durchzuführen. Es ist eine empirische Bewertung, und das ist sehr schwierig. Und genau deshalb wurde zum Beispiel der stochastische Gradientenabstieg über buchstäblich Jahrzehnte hinweg, obwohl er tausenden bekannt war, völlig ignoriert, schlicht weil niemand wirklich erkannt hatte, dass er in der Praxis wunderbar funktionierte. Siehst du, das ist etwas, das eine Heuristik ist. Sie mag existieren, aber solange die Leute das numerische Rezept nicht getestet und gesehen haben, dass es bei bestimmten Problemklassen hervorragend funktioniert, werden sie nicht erkennen, dass es sich um eine wertvolle Heuristik handelt.

Conor Doherty: Es kommt mir aber in den Sinn, bei einigen deiner Aussagen – zum Beispiel, um es vor der Frage noch einmal zusammenzufassen: Ich gebe das Beispiel “Ich habe etwas gemacht, also vermute ich, dass das, was ich getan habe, zu einem Umsatzanstieg oder -rückgang geführt hat.” Und du sagtest: “Aber hundert andere Menschen haben hundert Dinge oder tausend Dinge gemacht, was auch immer.” Es kommt mir vor, als würdest du einen unfalsifizierbaren Standard setzen, denn selbst wenn du mathematische Heuristiken einsetzt, wie soll man jemals wissen, ob das, was du getan hast, oder die Werkzeuge, die du benutzt hast, im echten, miteinander vernetzten system of supply chain decision making einen positiven Unterschied machen?

Joannes Vermorel: Nein, nochmals, du kannst Experimente durchführen und die Güte deiner numerischen Rezepte validieren. Ich sage nicht, dass das nicht möglich wäre. Ich sage nur, dass die meisten Unternehmen es nicht einmal versuchen.

Conor Doherty: Nun, wie würde ein Unternehmen das überhaupt versuchen? Wie würde das aussehen?

Joannes Vermorel: Aber genau das ist es, was wir in dieser Vorlesungsreihe über experimentelle Optimierung haben. Es gibt dafür eine ganze – ich halte eine eineinhalbstündige Vorlesung darüber, und sie heißt experimentelle Optimierung. Man weiß also gar nicht erst, wonach optimiert werden soll, und der erste Schritt besteht darin, herauszufinden, wonach man eigentlich optimiert. Das unterscheidet sich stark von der klassischen mathematische Optimierung-Perspektive, bei der das Ziel bereits vorgegeben ist. Aber was ich sagen möchte, ist, dass, wenn ich zu den Heuristiken zurückkehre, es grundsätzlich keinen Grund gibt anzunehmen, dass das beste numerische Rezept zwangsläufig eines sein muss, für das es einen mathematischen Beweis gibt. Die Tatsache, dass ein mathematischer Beweis existiert, sagt nichts darüber aus, ob dein numerisches Rezept gut oder schlecht ist. Im Grunde sind das zwei völlig unterschiedliche Perspektiven. Es kommt einfach so, dass wenn du einen mathematischen Beweis vorlegen kannst, du zumindest etwas Schönes weißt. Und unter gewissen Bedingungen kannst du viel wissen und sagen: “Oh, das ist sehr interessant, denn im Vergleich zu all den anderen numerischen Rezepten, bei denen ich gar nichts weiß, bevorzuge ich eines, bei dem ich Beweiselemente habe. Es ist besser als nichts.” Aber wenn du dann in der Praxis mit einem ordnungsgemäßen experimentellen Aufbau – wie in dieser Vorlesung über experimentelle Optimierung vermittelt – eine empirische Bestätigung hast, dass etwas überlegen ist, dann kann ein mathematisches Kriterium nicht das Feedback aus der realen Welt übertrumpfen. Wenn ich also zwei Methoden habe – eine, bei der ich viele mathematische Beweise habe, und eine, bei der ich keine habe, die andere aber in der Praxis bessere Ergebnisse liefert – sollte ich die andere bevorzugen, auch wenn sie nicht mit eleganten mathematischen Eigenschaften aufwartet.

Und was Heuristiken, zumindest aus computerwissenschaftlicher Sicht, so interessant macht, ist, dass jene Dinge, die als Heuristiken qualifizieren, manchmal mit einem winzigen, winzigen Bruchteil der Rechenressourcen arbeiten können, die du für – würde ich sagen – beweisbarere Lösungen benötigst. Zum Beispiel der stochastische Gradientenabstieg. Der stochastische Gradientenabstieg ist fantastisch effizient beim Optimieren aller möglichen Probleme. Und doch, wenn ich sage, er ist fantastisch effizient, meine ich, dass du mit anderen Methoden, um ein vergleichbares Optimierungsniveau zu erreichen, Tausende, Millionen, Milliarden Mal mehr Rechenressourcen benötigen würdest.

Also ist er sehr, sehr effizient, aber du hast keinen formalen Beweis dafür.

Conor Doherty: Verstanden. Und nochmals, wenn du über die Allokation von Ressourcen und die Rendite der eingesetzten Ressourcen sprichst, FIFO – oh, ich habe es gerade in meinem Kopf angewandt – kostet null. Wie sieht der Kostenunterschied im Vergleich zu der von dir gerade beschriebenen Anordnung aus?

Joannes Vermorel: Ich würde sagen, es gibt keinen einfachen Trick – du kannst nicht einfach das sorgfältige Nachdenken über die jeweilige Situation umgehen. Wird FIFO einen Unterschied machen? Das variiert enorm von einem Unternehmen zum anderen. Für manche Unternehmen ist es völlig unerheblich. Es kümmert einen nicht. Es hat überhaupt keine Auswirkungen. Für andere Unternehmen hingegen ist es von enormer Bedeutung.

Wenn du tatsächlich ein MRO bist und Flugzeugtriebwerke reparieren möchtest, ist die Reihenfolge, in der du die Triebwerke auswählst, entscheidend dafür, ob deine Abläufe reibungslos funktionieren oder nicht. Geht es nur darum, einen Transit für eine logistische Plattform zu organisieren und du möchtest es FIFO machen, ist es unerheblich, denn am Ende eines jeden Tages räumst du deine Plattform auf. Du willst nichts auf der Plattform zurücklassen, wenn du deine Transfers und dergleichen durchführst. In dieser Situation ist die Reihenfolge also praktisch unerheblich.

Conor Doherty: Ich mag das Beispiel, das du gegeben hast. Wenn du also ein MRO bist, an Triebwerken arbeitest und entscheiden musst, welches Triebwerk zuerst repariert wird – und ich möchte auf etwas zurückkommen, das du früher erwähnt hast, nämlich dass die Leute meistens nicht das optimieren, was sie zu optimieren glauben, oder nicht das Richtige optimieren – denken sie bei Anwendung von FIFO: “Nun, ich bekomme Triebwerke raus, ich optimiere die Reparatur der Triebwerke.” Denken sie zumindest richtig über das Problem nach, auch wenn sie die Heuristik nicht optimal umsetzen?

Joannes Vermorel: Nein, das ist ein weiteres Problem. Siehst du, in der Regel ist das numerische Rezept – und ich benutze hier nicht den Begriff Heuristik, sondern des numerischen Rezepts – ein Platzhalter für das Problem und die Lösung. So machen wir das einfach. Die Situation wird nicht so dargestellt, dass erst das Problem definiert wird und dann die möglichen Lösungsklassen und deren jeweilige Qualitäten. Man wählt einfach einen Weg und das war’s. Und ob dieser Weg gut ist, vielleicht – vielleicht auch nicht – er ist halt da.

Conor Doherty: “Es ist halt da” – mir gefällt, was du gesagt hast, nämlich dass man die Art und Weise, wie man die Dinge zu beheben versucht, mit dem Problem und der Lösung verwechselt. Kannst du das noch einmal näher erläutern?

Joannes Vermorel: Es ist um Größenordnungen einfacher, an eine Lösung zu denken, als an ein Problem. Wenn Menschen über die Servicequalität in einem Geschäft nachdenken wollen, ist es sehr schwierig zu definieren, was Servicequalität überhaupt bedeutet. Servicequalität würde im Grunde bedeuten, in den Kopf deiner Kunden zu gelangen, dein Geschäft so zu sehen, wie sie es sehen, und zu beurteilen, ob sie zufrieden sein werden oder nicht – unter Berücksichtigung all ihrer vagen Pläne, Wünsche und der ständigen Veränderungen. Das ist das Problem, sehr schwierig.

Es ist viel einfacher, sich auf die Lösung zu konzentrieren, nämlich: Fünf Einheiten für dieses Produkt, fünf Einheiten für jenes Produkt, zwei Einheiten für ein anderes. Siehst du, ich gebe dir einfach eine Lösung, indem ich sage, jedes Produkt hat wie viele Einheiten – und schwupps, das war’s. Eine Lösung zu erfinden, ist also meist weitaus einfacher, als das Problem zu durchdenken. Aber was dabei nicht berücksichtigt wird, ist, dass du die Güte deiner Lösung nicht kennst. Du hast einfach eine Lösung, und wenn diese Lösung einigermaßen funktioniert, magst du sagen, dass es eine gute Lösung ist – aber du weißt es nicht wirklich.

Und vielleicht läuft dein Geschäft ganz hervorragend nicht, weil du die richtigen Lagerbestände hast, sondern weil irgendwo anders in deinem Unternehmen fantastische, überraschend niedrige Preise ausgehandelt wurden. So können deine Lagerbestände zwar miserabel sein, aber deine Geschäfte dennoch sehr wettbewerbsfähig. Was ich sagen will, ist, dass es in der supply chain nichts gibt, was selbstevident ist – zumindest nicht in diesen Fällen, in denen man versucht, Probleme der diskreten Optimierung zu lösen.

Und ich denke, der nächste Schritt besteht darin anzuerkennen, dass das, was du hast, bis das Gegenteil bewiesen ist, keine Heuristiken sind. Es wurden lediglich numerische Rezepte angenommen, die überraschend gut zu sein scheinen. Ob sie gut sind? Ob sie schlecht sind? Das weißt du nicht.

Conor Doherty: Denn ich hatte kürzlich ein sehr ähnliches Gespräch dazu mit Simon Schott bei Lokad, und wir sprachen über Terminplanungsoptimierung. Und wiederum benutzte er auch den Begriff selbstevident. Eines der Probleme bei bestimmten Heuristiken oder numerischen Rezepten – je nachdem, welchen Begriff man verwenden möchte, wie z. B. FIFO – ist, dass sie die unmittelbaren Externalitäten ignorieren oder weil sie schlicht jenseits der Leistungsfähigkeit des menschlichen Verstandes liegen.

Also, zum Beispiel: Drei Triebwerke – du kommst montagmorgens an, da sind drei Triebwerke. Welches repariert man? Welches kam als erstes herein? Ich kann nicht all die zusammenhängenden Schritte und Abhängigkeiten berechnen – an einem Triebwerk arbeiten erfordert 100 Teile, an einem anderen 68, an einem weiteren 67. Dafür brauche ich 20 Werkzeuge, davon 10 auch bei einem anderen. Dieses muss nachher dorthin, jenes muss dorthin, wenn Joannes krank ist und heute nicht da ist, kann er Schritt 20 von 30 nicht erledigen. Conor führt ein Interview, er steht nicht zur Verfügung, um Schritt 99 von 100 zu beenden. Es gibt all diese Interdependenzen, und sie sind dem menschlichen Verstand nicht selbstevident. Deshalb greift man – anstatt gar nichts zu tun – auf das zurück, was als Erstes kam.

Und es ist nicht so, dass es falsch wäre, sondern in Ermangelung von etwas Überlegenem – um Simon’s Worte zu zitieren – verwendet man einfach etwas, das zumindest bedingt zum Funktionieren bringt. Und es scheint, als hättest du, nachdem ich dir zugehört habe, eine viel mathematischere Beschreibung dafür gewählt. Würde das immer noch mit deinen Ansichten übereinstimmen?

Joannes Vermorel: Ja, aber nochmals, das Problem ist, dass man eine Lösung wählt, ohne irgendeine Ahnung zu haben, ob sie gut ist oder nicht. Und sehr häufig darf man sich nicht von seiner Intuition leiten lassen. Ich denke, genau das ist es: In der Natur sind uns die Heuristiken, wie etwa das schnelle Greifen eines Gegenstandes, in der Regel sehr gut. Aber wenn wir das übersetzen, gibt es keine Übersetzung dieser, würde ich sagen, naturgegebenen Gaben in die von Menschen geschaffene Welt supply chain Entscheidungsfindung. Es sind eben völlig unterschiedliche Dinge.

Es gab zum Beispiel ein sehr interessantes Paper, das veröffentlicht wurde. Forscher haben Boarding-Strategien für Flugzeuge verglichen. Und so vor etwa einem Jahrzehnt begannen Unternehmen zu behaupten: “Oh, wir wollen das Boarding beschleunigen, also rufen wir zuerst die Passagiere der ersten Reihen, dann die der zweiten, und so weiter.” Und die Leute dachten: “Oh, logisch, das wird den Boarding-Prozess beschleunigen.” Es stellte sich heraus, dass einige Forscher echte Experimente durchgeführt haben. Sie sagten: “Okay, wenn wir Passagiere in drei Gruppen aufteilen und sie der Reihe nach aus den Reihen 1 bis 10, dann 11 bis 20 und 21 bis 30 aufrufen im Vergleich zu alternativen Strategien, haben wir dann eine, die besser funktioniert?” Und das Interessante war, dass es schneller war, gar keine Strategie zu haben – also die Passagiere das Flugzeug zufällig füllen zu lassen. Es ist nicht intuitiv, aber es war ein empirisches Ergebnis.

Also noch einmal: Das Entscheidende ist, dass bei jenen komplexen, von Menschen geschaffenen Phänomenen – denn sehen Sie, das Greifen nach meinem Glas ist sehr komplex, weil es so viele bewegliche Variablen gibt. Ich habe fünf Finger und viele Gelenke, sodass es ein Problem mit wahrscheinlich etwa 50 Freiheitsgraden ist, wenn ich diese einfache Bewegung mache, um mein Glas zu holen. Es ist also sehr komplex, aber unsere Intuition funktioniert. Andererseits gibt es Problemklassen, bei denen unsere Intuition nicht von Natur aus greift, und ich sage, in der supply chain handelt es sich meist um diskrete Probleme, um den Umgang mit Zufälligkeiten. Unser Verstand ist darin nicht sehr gut. Er ist typischerweise gut im Erkennen von Mustern, aber nicht im Umgang mit Zufall. Daher würde ich sagen, traue deiner Intuition nicht zu sehr – sie kann sehr trügerisch sein.

Und das ist sehr interessant, denn heutzutage, obwohl wir inzwischen Beweise haben, dass das zufällige Boarding eines Flugzeugs schneller ist, haben die meisten Unternehmen immer noch die Richtlinie, die Leute in der Reihenfolge ihres Eintreffens aufzurufen – obwohl inzwischen bewiesen ist, dass das tatsächlich langsamer ist.

Und das ist sehr interessant, denn obwohl uns mittlerweile Beweise vorliegen, dass das zufällige Boarding eines Flugzeugs schneller ist, haben die meisten Unternehmen heute immer noch die Richtlinie, die Leute der Reihe nach aufzurufen, obwohl bewiesen wurde, dass dies tatsächlich langsamer ist.

Conor Doherty: Wahr, aber das zeigt nicht den Punkt, den du zuvor erwähnt hast, denn es hängt davon ab, worauf du optimierst. Wenn du auf die Effizienz des Boardings optimierst, hast du recht. Wenn du jedoch auf Rentabilität optimierst, möchtest du Sitze oder Zugang verkaufen – so wie Zone 1 die Bereiche 1 bis 9 umfasst und 3.000 $ kostet. Zonen 10 bis 15 kosten 1.000 $, und wir werden das Flugzeug zu diesem Preis füllen, denn ich optimiere für Profit.

Joannes Vermorel: Aber das gilt sogar für Flugzeuge, bei denen alle Sitze zum gleichen Preis angeboten werden. Diese Richtlinien werden sogar bei Billigfluggesellschaften angewandt, bei denen es keine Business Class, keine First Class gibt und grundsätzlich alle zum gleichen Preis belastet werden, egal welchen Sitz sie einnehmen.

Conor Doherty: Dann gibt es also keine Notwendigkeit für das fortschrittliche Boarding.

Joannes Vermorel: Aber das machen sie trotzdem.

Conor Doherty: Also sollten sie das nicht?

Joannes Vermorel: Ich sage es noch einmal: Was ich meine, ist, dass sie sich in ihren Köpfen ein numerisches Rezept ausgedacht haben, das lautete: “Wir rufen die Leute in Abschnitten auf, weil es scheint, als würde es bei mehr Ordnung effizienter ablaufen.” Und dann führten die Leute tatsächliche Experimente durch und kamen zu dem Schluss, dass es die Leistung im Vergleich zu dem, was sie bisher taten – nämlich das Problem nicht einmal zu lösen und die Leute beim Boarding sich selbst sortieren zu lassen – tatsächlich verschlechtert.

Siehst du, das ist der Punkt. Was du für richtig hältst, ist der Unterschied. Es ist sehr einfach, ein numerisches Rezept zu erfinden, aber wenn du keine Ahnung hast, ob es gut ist, solltest du nicht annehmen, dass es gut sein wird, nur weil es als Erstes in deinen Sinn kam. Und du solltest nicht davon ausgehen, dass es funktioniert, nur weil es plausibel aussieht.

Conor Doherty: Nun, man kann diese Idee auch dahingehend erweitern, willkürlich irgendeinen KPI festzulegen und anzunehmen, dass das einen Unterschied macht.

Joannes Vermorel: Ja, und wieder gibt es diesen psychologischen Bias, dass Menschen dazu neigen, sich in ihre eigenen Ideen zu verlieben. So wie: “Wir brauchen eine höhere Servicequalität, also müssen wir das Servicelevel von 97% auf 98% anheben,” und dann wird es zur unternehmensweiten Richtlinie. Ergibt das Sinn? Vielleicht, vielleicht nicht. Ich habe dir von dieser Idee von Min und Max erzählt. Wir müssen drei Monate Lagerbestand vorhalten, und dann wird es zur Unternehmensrichtlinie. Es ist sehr einfach, ein numerisches Rezept zu erfinden, denn alles, was du machen musst, ist, die dir vorliegenden Variablen zu nehmen und etwas damit zu berechnen, und du wirst zu einem Ergebnis kommen.

Hier liegt ein Fehler vor, den ich als naiven Rationalismus bezeichnen würde. Nur weil du mit den Variablen, die vor dir liegen, etwas berechnest, heißt das nicht, dass diese Berechnung korrekt ist. Es mag numerisch korrekt sein – du machst nämlich keine Fehler bei den Additionen und Multiplikationen –, aber die Formel, die du dir ausgedacht hast, spiegelt eigentlich gar nichts wider.

Conor Doherty: Aber das widerspricht naturgemäß der menschlichen Neigung zum fundamentalen Attributionsfehler. Die Leute gehen einfach davon aus: “Ich habe Initiative gezeigt, etwas getan, eine Richtlinie aufgestellt, einen KPI definiert, eine Regel festgelegt, und wir haben Geld verdient. Also bin ich nicht nur großartig, sondern auch verantwortlich für das, was passiert ist.”

Joannes Vermorel: Ja, aber wieder greift man auf “wir haben Geld verdient” zurück, obwohl die Realität ist, dass die meisten Unternehmen, insbesondere die meisten supply chain departments, keine finanziellen KPIs haben. Sehr häufig wird nämlich einfach geprüft, ob man den selbst aufgestellten Regeln entspricht – und das war’s. Hier sagst du, “Wir sind profitabel,” aber tatsächlich kontrollieren die meisten supply chain divisions nur, ob sie ihre eigenen Prozentsätze einhalten.

Zum Beispiel würden sie sagen: “Oh, wir brauchen 97% Servicelevel,” und dann führen sie Maßnahmen durch, und am Ende des Tages würden sie sagen: “Oh, wir sind sehr gut, schau, wir haben das 97%-Niveau erreicht. Wir haben viel Geld verloren, aber wir bieten 97% Service.” Dass wir Geld verdienen oder verlieren, spielt keine Rolle. Man zählt Prozentsätze, keine Dollar. Ich meine, nur sehr wenige Unternehmen – abgesehen von einigen Klienten – berücksichtigen tatsächlich irgendeine Art von finanziellen Kennzahlen für ihre supply chain. Das ist normalerweise völlig abwesend. Sie denken in Begriffen von inventory turns, sie denken in Servicelevels, und sie unterscheiden diese Servicelevels tatsächlich nach ABC-Klassen und so weiter.

Aber wie du siehst, nur weil du dir ein willkürliches Servicelevel-Ziel setzt und dann den Sieg verkündest, sobald du dieses Ziel erreichst, heißt das nicht, dass die Einhaltung des eigenen Ziels in irgendeiner Weise mit der Rentabilität des Unternehmens zusammenhängt. Das ist eine sehr kühne Annahme.

Conor Doherty: Nun, das verdeutlicht erneut einen übergreifenden Punkt, der immer wieder in verschiedenen Formen hervorgehoben wurde: die verständliche Tendenz der Menschen, komplexe Probleme allzu ernst zu nehmen. Wenn du zum Beispiel von Terminplanung sprichst, geht es darum, wie viel bestellt werden soll, wohin es geschickt wird, und du versuchst, das in eine Form zu zerlegen, die in den menschlichen Verstand passt. So könnte man sagen: “Nun, wenn ich einfach vom 95%- auf das 97%-Servicelevel gehe – zack, Problem gelöst” – und damit ist es erledigt. Sobald ich dieses Ziel erreiche, ist es selbsterfüllend. Aber natürlich ignoriert das viele der miteinander verflochtenen Abhängigkeiten im Entscheidungsprozess, den wir zuvor beschrieben haben.

Joannes Vermorel: Ja, aber ich würde auch sagen, wie bereits erwähnt, dass die Suche nach einer Lösung typischerweise viel einfacher ist als die Auseinandersetzung mit dem Problem. Nehmen wir zum Beispiel die Wartung eines Flugzeugs: Wenn während einer Wartungsoperation ein Teil fehlt, muss das Flugzeug am Boden bleiben. Das ist relativ offensichtlich, es sei denn, man erfährt es in letzter Minute. Aber dann lautet die Lösung: “Ich möchte einfach für alles einen nicht-null Lagerbestand an einsatzfähigen Teilen haben,” und das wird deine einfache Antwort sein. Siehst du, wenn ich das habe, dann bin ich quasi gut, solange ich zu jedem Zeitpunkt einen nicht-null Lagerbestand an funktionierenden Teilen aufrechterhalten kann.

Dies ist also meine Lösung. Das Problem ist, dass sie den Umstand völlig außer Acht lässt, dass die von dir vorgeschlagene Lösung viel zu teuer ist, weil sie einen viel zu hohen Lagerbestand erfordern würde – und somit keine wirklich machbare Lösung darstellt. Daher musst du wieder zu einem numerischen Rezept zurückkehren. Ich muss dieses Rezept charakterisieren, um sicherzustellen, dass es korrekt formalisiert ist, damit ich dann seine Güte bewerten und entscheiden kann, ob es sich um einen Algorithmus, eine Heuristik oder etwas anderes handelt.

Mein Punkt ist lediglich, dass es gefährlich ist anzunehmen, dass etwas, das getan wurde – eine willkürliche numerische Richtlinie – gewisse inhärente Eigenschaften besitzt, nur weil es bisher so gemacht wurde. Das Einzige, was man sagen kann, ist, dass es nicht so schlimm war, dass es das Unternehmen in den Bankrott trieb – aber das ist ein sehr niedriger Maßstab. Man kann Dinge haben, die sehr, sehr schlecht sind und dennoch nicht ausreichen, um das Unternehmen zu ruinieren, besonders wenn die Konkurrenz ebenfalls sehr, sehr ineffiziente Methoden anwendet.

Conor Doherty: Du hast in einem unserer früheren Gespräche tatsächlich erwähnt, was die Auswirkungen willkürlicher Richtlinien oder KPIs betrifft. Zum Beispiel erfordert der Geldbetrag, der benötigt wird, um vom 95%- auf das 97%-Servicelevel zu kommen, ungefähr eine Größenordnung mehr an Mitteln als der Übergang vom 85%- zum 87%-Servicelevel. Also sagst du: “Oh, ich möchte nur um 2% erhöhen,” aber es gibt ein Gesetz des abnehmenden Ertrags.

Joannes Vermorel: Ja.

Conor Doherty: Und die Kosten steigen exponentiell, sobald du ein bestimmtes Niveau erreichst. Und wieder werden die Leute sagen: “Ich möchte ja nur um 2%,” dabei ist nicht selbstevident, wie sich diese Effekte ausbreiten.

Joannes Vermorel: Der menschliche Verstand ist kein Computer, und es gibt gewisse Dinge, bei denen – wie ich dir sagte – der menschliche Verstand nicht sehr gut mit Zufälligkeit umgehen kann, zum Beispiel, aber auch mit geometrischem Wachstum nicht. Dinge, die sich exponentiell anhäufen, begreift der menschliche Verstand einfach nicht wirklich. Wir haben nicht die nötigen Mechanismen dafür.

Ja, wenn ich als Mathematiker mir die Zeit nehme, einen Stift und Papier in die Hand nehme und dann meine Berechnung durchführe, dann verstehe ich das. Aber ich habe keinen Instinkt; niemand hat eine instinktive Intuition für den Unterschied zwischen tausend, einer Million, einer Milliarde, einer Billion. Wir verfügen nicht über die Anlage, solche Größenordnungen zu “fühlen”, genauso wenig wie wir das nötige “Equipment” in unserem Gehirn haben, um zwischen gaußschem Rauschen und irgendeiner Art von nicht-gaußschem Ersatzrauschen zu unterscheiden. Wenn ich dir alle möglichen Arten von Zufälligkeit präsentiere – inklusive gaußschem Rauschen –, und du wurdest nicht speziell darauf trainiert, dies zu erkennen, würden die meisten einfach sagen: “Oh, das erscheint sehr zufällig.” Wir haben, würde ich sagen, keine instinktive Wahrnehmung für die Art statistischer Geräusche, aber Mathematiker haben eine Vielzahl unterschiedlicher Arten von Rauschen, von zufälligem Verhalten, entdeckt.

Conor Doherty: Zu diesem Punkt hattest du vorhin die Terminplanung für Reparaturen erwähnt, etwa in der Luft- und Raumfahrt. Die Idee sei, wenn jemand sagt: “Wir haben wirklich, wirklich kluge Leute, und jedes Mal, wenn wir eine Abfolge von Maßnahmen für die Reparatur eines Triebwerks neu generieren müssen, setzen sich 10 wirklich kluge Leute zusammen. Sie erarbeiten das intern.” Natürlich ist das unrealistisch. Denk nur daran, wie Simon es zuvor formulierte – es ist unrealistisch, überhaupt zu erwarten, dass hundert superkluge Leute mit Stift und Papier oder mit einer Excel-Tabelle wiederholt alle notwendigen Berechnungen im großen Maßstab durchführen, um basierend auf allen Abhängigkeiten, sämtlichen Teilen, sämtlichen notwendigen Fähigkeiten und der dafür erforderlichen Zeit den optimalen neuen Zeitplan zu erstellen.

Und du musst berücksichtigen, dass, wie du bereits sagtest, im Fall von MRO (Maintenance, Repair and Overhaul) der Luxus der Zeit fehlt. Selbst wenn es möglich wäre – und wir nehmen diesmal einmal zu Diskussionszwecken an, dass es so wäre, auch wenn es das nicht ist – würde das etwa unendliche Zeit in Anspruch nehmen im Vergleich zu einem Algorithmus, der es in wenigen Minuten schafft. Und all dem sind auch Dollar-Kosten zuzurechnen. Auf den Punkt, zu dem ich immer wieder zurückkomme, und den ich so verstehe und zu erklären versuche: Es geht nicht darum, ob jemand klug oder dumm ist. Es gibt einfach externe Faktoren, die definitionsgemäß für das menschliche Auge unsichtbar sind.

Joannes Vermorel: Leider müssen wir auch berücksichtigen, dass die meisten software vendors völlig inkompetent sind. Das ist ebenfalls ein entscheidender Faktor. Die Leute sagen: “Oh, mein Argument wäre, dass, wenn sich 10 Leute zusammensetzen und eine Lösung finden, und wenn es nicht funktioniert, dann wechseln sie in der nächsten Minute – nur weil zum Beispiel ein Teil fehlt oder dergleichen – zu einer Alternative. Sie werden also so lange minderwertige Lösungen ausprobieren, bis eine passt, ein bisschen wie eine Ratte, die durch ein Labyrinth läuft. ‘Okay, eine Wand, okay, in diese Richtung, noch eine Wand, okay, andere Richtung.’”

Das Problem bei vielen Softwareimplementierungen ist, dass die Software nicht einmal einen Fluchtmechanismus hat, wenn sie auf ein Hindernis stößt. Und wenn du dann feststeckst, sitzt du einfach mit etwas fest, das schlichtweg unsinnig ist – und damit ist es auch. Viele Unternehmen haben das erlebt. Das war ein Teil des, würde ich sagen, Versprechens der Operations Research in den 50er Jahren und so weiter. Viele der anfänglichen Hoffnungen haben sich, würde ich sagen, nicht in großartige Erfolge verwandelt, gerade weil die Softwareanbieter teilweise inkompetent waren. Und so wurden die angeblich optimalen Lösungen oder überlegenen, softwaregestützten Lösungen in der Praxis so schlecht implementiert, dass sie völlig – ich würde sagen – unpraktikabel waren.

Aber wir müssen ein wenig unterscheiden, ob es darum geht, dass ein Problem von Computern grundsätzlich nicht angegangen werden kann und der menschliche Verstand eine Art Voodoo praktiziert, das sich mit einem Computer noch nicht replizieren lässt, oder ob eben dieses Problem von einem völlig inkompetenten Softwareanbieter angegangen wurde und sich dann herausstellte, dass die gelieferte Lösung schrecklich war.

Conor Doherty: Aber in diesem Punkt: Wie kann ein Laie – das ist der Begriff, ich bin ein Laie – wissen, ob das, was er hört, oder das, was der Anbieter ihm erzählt, Inkompetenz oder Unehrlichkeit ist? Oder wie kann man diese Behauptungen verifizieren?

Joannes Vermorel: Das ist ein riesiges Problem. Hier gibt es also noch einen weiteren Vortrag dazu. Es handelt sich um adversarial market research, aber das würde eine weitere Stunde Erklärung erfordern, wie man tatsächlich inkompetente Anbieter erkennt.

Conor Doherty: Fallen dir spontan irgendwelche Heuristiken oder Faustregeln ein?

Joannes Vermorel: Ja, ich meine, es gibt tatsächlich eine Heuristik, die hier genannt wird – eine bewährte. Denk daran, es ist eine einfache Lösung, die überraschenderweise und empirisch besser funktioniert, als man erwarten würde. Und so lautet die Heuristik im adversarial market research: Wie weißt du es? Du fragst, wenn du einen Anbieter hast, dessen Konkurrenten, was sie von diesem Anbieter halten. Und das ist adversarial.

Wenn du also eine fundierte Meinung über einen Anbieter haben möchtest, fragst du nicht den Anbieter selbst – denn der wird dich einfach [ __ ] – sondern du fragst seine Konkurrenten, was sie von diesem Typ halten. Und dann machst du auch das Symmetrische: Du fragst alle Anbieter, was sie von den anderen denken. Das nennt man eine adversarial Bewertung, und sie hat sich als äußerst robust erwiesen. Warren Buffett hat sein Vermögen auf diesem ganz einfachen Prinzip aufgebaut. Und die Idee war, dass, wenn alle übereinstimmen – und Buffett hatte diese eine Frage: “Wenn du eine Silberkugel hättest, um einen deiner Konkurrenten auf magische Weise auszuschalten, wer wäre dein Ziel?”

Und das war eine sehr interessante Frage, denn wenn alle Konkurrenten am Ende dasselbe Unternehmen benennen, entsteht eine Situation, in der dieses Unternehmen offensichtlich alle anderen bedroht. Und diese Anbieter sind am besten mit diesem Geschäft vertraut, sodass der kompetenteste Akteur derjenige ist, auf den alle Konkurrenten zeigen. Das ist also eine Heuristik. Bis du diese adversarial market research getestet hast, wirst du nicht realisieren, wie gut sie funktioniert. Es ist nicht einmal offensichtlich, dass sie überhaupt funktioniert, aber sie wurde getestet und arbeitet einwandfrei, wie unter anderem am Erfolg von Berkshire Hathaway gezeigt wurde.

Conor Doherty: Nun, Joannes, ich habe keine weiteren Fragen, aber was die abschließenden Gedanken betrifft – Erkenntnisse, die die Leute heute mitnehmen können, da wir viel besprochen haben. Aber in Bezug auf Heuristiken in supply chain, was wäre Ihre Zusammenfassung für die Leute?

Joannes Vermorel: Was du tust, sind höchstwahrscheinlich nur numerische Rezepte, beliebige numerische Rezepte. Behalte den Begriff Heuristik für etwas, das ein verstecktes Juwel ist, etwas, das einfach ist und hervorragend funktioniert, aber du hast empirische Belege, dass es wirkt. Nicht einfach “Ich mache es und das Unternehmen ist nicht bankrott gegangen, also funktioniert es.” Das ist zu wenig. Also behalte diesen Begriff bei.

Wenn du solche Rezepte findest, die weit über das hinaus funktionieren, was man vernünftigerweise von einem so einfachen numerischen Rezept erwarten würde, dann schätze sie sehr. Sie sind äußerst wertvoll. Aber wiederum – dieser Wert muss, würde ich sagen, in einer realen Bewertung verankert sein, ausgedrückt in Dollar oder Euro, und nicht nur in deinem Bauchgefühl hinsichtlich des Werts dieses numerischen Rezepts.

Conor Doherty: Nun, Joannes, vielen Dank. Ich denke, wir haben dieses Problem gelöst, ein weiterer in der Tasche. Vielen Dank für deine Zeit und vielen Dank fürs Zuschauen. Wir sehen uns beim nächsten Mal.