00:00:00 Einführung in das Interview
00:01:41 Ian Wrights frühe Karriere und die Gründung von Logistics Sciences
00:05:33 Das Konzept der Optimalität im supply chain
00:10:06 Optimierung, Unsicherheit und reale Störungen
00:18:18 Traditionelle Grenzen der Optimierung und die Auswirkungen der Pandemie
00:25:27 Lokads Reaktion und die Anpassung von supply chains
00:32:45 Herausforderungen deterministischer Modelle und Abwägungen
00:41:09 Service Levels, Finanzmodelle und Plausibilitätsprüfungen
00:50:48 Menschliche Expertise, Heuristiken und iterative Modellierung
00:58:39 Die Kosten menschlichen Eingreifens in supply chains
01:06:24 Strategie als Ingenieurwesen und Entscheidungsautomatisierung
01:14:06 Walmarts dezentrales Modell und das Aufbrechen von Silos
01:21:39 Feedback-Schleifen und kontinuierliche Verbesserung von supply chains
01:29:18 Optimalität erreichen und mit dem Hype der Anbieter umgehen
01:35:42 Abschließende Gedanken zu supply chain Technologietrends

Zusammenfassung

In einem aktuellen LokadTV-Interview lud Conor Doherty Ian Wright, den Gründer von Logistics Sciences, und Joannes Vermorel, CEO von Lokad, ein, um über die Idee zu sprechen, dass es keine optimalen Entscheidungen im supply chain management gibt. Sie stellten traditionelle Ansichten über Effizienz in Frage, indem sie die Komplexitäten und Unsicherheiten betonten, die den idealtypischen Lehrbuchvorstellungen trotzen. Ian und Joannes betonten, dass verschiedene Stakeholder unterschiedliche Definitionen von Optimalität haben und dass praktische Lösungen mit den geschäftlichen Realitäten in Einklang stehen müssen. Sie diskutierten die Grenzen traditioneller Optimierungsmethoden und die Bedeutung menschlichen Urteilsvermögens bei strategischen decision-making. Das Gespräch unterstrich die Notwendigkeit von Modellen, die mit uncertainty umgehen und sich auf echte wirtschaftliche Ergebnisse konzentrieren.

Ausführliche Zusammenfassung

In einer aktuellen Folge von LokadTV moderierte Conor Doherty, Kommunikationsdirektor bei Lokad, eine aufschlussreiche Diskussion mit Ian Wright, Gründer von Logistics Sciences, und Joannes Vermorel, CEO und Gründer von Lokad. Das Gespräch drehte sich um die provokante Idee, dass es keine optimalen Entscheidungen im supply chain management gibt, ein Konzept, das traditionelle Sichtweisen auf Effizienz und Entscheidungsfindung herausfordert.

Conor Doherty eröffnete die Diskussion, indem er den weit verbreiteten Glauben an optimale Entscheidungen als Inbegriff von Effizienz hervorhob, bei denen Ressourcen perfekt verteilt, Kosten minimiert und Gewinne maximiert werden. Er merkte jedoch an, dass solche idealtypischen Lehrbuchvorstellungen oft zusammenbrechen, wenn sie mit den Realitäten der komplexen Welt konfrontiert werden. Ian Wright, der über 40 Jahre Erfahrung in supply chain und Logistik vorweisen kann, schilderte seinen Weg von der Wissenschaft über die Ölindustrie bis hin zur Gründung von Logistics Sciences. Seine Karriere ist geprägt von einem Fokus auf Problemlösung im Bereich Logistik und Operations Research, wobei er die praktische Anwendung von Planung und Umsetzung betont.

Joannes Vermorel stimmte Ian zu und wies darauf hin, dass, obwohl die Absichten der Operations Research nach dem Zweiten Weltkrieg richtig waren, das Feld ähnlichen Herausforderungen gegenüberstand wie artificial intelligence, mit Phasen überhöhter Erwartungen, gefolgt von Enttäuschungen. Er bemerkte, dass viele Methoden aus dem Bereich Operations Research es nicht schafften, Unternehmen umsetzbare Vorteile zu verschaffen.

Das Gespräch vertiefte sich dann in Ians Papier, “Why There Is No Such Thing as an Optimal Solution in Supply Chain Planning and Logistics Network Optimization.” Ian erklärte, dass verschiedene Stakeholder unterschiedliche Definitionen von Optimalität haben, was häufig zu widersprüchlichen Vorstellungen führt. Praktiker konzentrieren sich auf die mathematischen Aspekte, während Geschäftsleute eher an praktischen, umsetzbaren Lösungen interessiert sind. Er betonte, dass Modelle und Werkzeuge nur Bestandteile einer umfassenderen Lösung sind, die für das Unternehmen sinnvoll sein muss.

Joannes erweiterte dies, indem er die Einschränkungen traditioneller Optimierungsmethoden diskutierte, die oft nicht in der Lage sind, die Dimension der Zeit einzubeziehen und mit Unsicherheit umzugehen. Er hob die Bedeutung quantitativer Verbesserungen in der Geschäftsoptimierung hervor, im Gegensatz zu der statischeren, mathematischen Perspektive des traditionellen Operations Research.

Das Gespräch berührte auch die Rolle der Unsicherheit bei der supply chain Entscheidungsfindung. Ian beschrieb verschiedene Quellen der Unsicherheit, von vorhersehbaren Schwankungen bis hin zu Black Swan-Ereignissen und unbekannten Unbekannten. Er betonte die Notwendigkeit von Modellen, die mit diesen Unsicherheiten umgehen und bedingte Lösungen bieten können.

Joannes teilte Lokads Ansatz während der COVID-19-Lockdowns, bei denen sie supply chain Entscheidungen für Kunden trafen, deren Büroangestellte im Urlaub waren. Durch die Injektion einer großen Portion Unsicherheit in ihre Modelle konnte Lokad weisere Entscheidungen treffen, was die Effektivität ihrer Optimierungssysteme demonstrierte.

Das Gespräch richtete sich anschließend auf die Rolle von Abwägungen in der Entscheidungsfindung. Ian betonte, dass Abwägungen oft auf finanzielle Überlegungen hinauslaufen, bei denen Kosten gegen Service Levels und andere Faktoren abgewogen werden. Joannes argumentierte, dass viele Unternehmen darauf abzielen, Prozentsätze zu optimieren, anstatt echte wirtschaftliche Ergebnisse zu erzielen, was zu suboptimalen Entscheidungen führt.

Sowohl Ian als auch Joannes waren sich einig, dass die menschliche Beteiligung an strategischen Entscheidungsprozessen von großer Bedeutung ist. Während Automatisierungs- und Optimierungstools viele Aufgaben bewältigen können, bleibt menschliche Intuition und Urteilsvermögen entscheidend, besonders in Bereichen, in denen mechanistische Eingaben unzureichend sind.

Zusammenfassend hob das Interview die Komplexitäten und Herausforderungen der supply chain Optimierung hervor und betonte die Notwendigkeit praktischer, umsetzbarer Lösungen, die Unsicherheiten berücksichtigen und menschliches Urteilsvermögen einbeziehen. Sowohl Ian als auch Joannes lieferten wertvolle Einblicke, wie Unternehmen diese Herausforderungen meistern können, und unterstrichen die Bedeutung, Modelle an den realen Betriebsabläufen auszurichten und sich auf echte wirtschaftliche Ergebnisse zu konzentrieren.

Vollständiges Transkript

Conor Doherty: Willkommen zurück bei LokadTV. Eine optimale Entscheidung wird oft als der Höhepunkt von Effizienz betrachtet, eine Situation, in der Ressourcen perfekt verteilt, Kosten gesenkt und Gewinne maximiert werden. Das klingt in einem Lehrbuch oder Klassenzimmer zwar großartig, jedoch scheitern solche Ideen oft im realen Kontakt mit der Welt. Der heutige Gast, Ian Wright, wird mit uns über diese Suche nach Optimalität sprechen. Ian ist der Gründer von Logistics Sciences und verfügt über mehr als 40 Jahre supply chain Erfahrung.

Wie immer, wenn Ihnen gefällt, was Sie hören, abonnieren Sie bitte den YouTube-Kanal und folgen Sie uns auf LinkedIn. Damit präsentiere ich Ihnen das heutige Gespräch mit Ian Wright.

Alles klar, großartig. Ian, vielen Dank, dass du heute dabei bist. Für diejenigen, die dich vielleicht nicht kennen – ich habe dich zwar zuvor vorgestellt, aber für alle, die mit deiner Arbeit nicht vertraut sind: Könntest du bitte eine kurze Vorstellung von dir geben?

Ian Wright: Nun, ich glaube, du hast erwähnt, dass ich seit 40 Jahren im Geschäft bin. Tatsächlich bin ich schon viel länger aktiv, aber meine Karriere umfasst 40 Jahre. Akademisch gesehen beruht mein Hintergrund darauf, dass ich mein Interesse für Wirtschaft und Geografie miteinander verband, indem ich das studierte, was damals einfach als Transportation oder Transport bekannt war, von wo ich komme. Das bedeutete im Grunde Wirtschaft, Geografie und Betriebswirtschaft, und das weckte ein großes Interesse an Problemlösungen, speziell in dem, was heute als Logistik und Operations Research bezeichnet wird. Danach habe ich mich intensiv mit Operations Research beschäftigt, wobei ich mich weiterhin stark auf Transportprobleme, Logistikprobleme und nun auf das konzentrierte, was wir alle als supply chain kennen. Das liegt also etwa über 40 Jahren zurück.

Und dann, um tatsächlich seinen Lebensunterhalt zu verdienen, trat ich in die Ölindustrie ein als Managementwissenschaftler bei Castrol. Man könnte sagen, ich wurde gleich ins tiefe Wasser geworfen, da ich sofort in einige sehr hochrangige strategische Planungsprojekte einbezogen wurde. Ich entwickelte eine Reihe von präventiven Instandhaltungssystemen für den Vertrieb des Unternehmens und machte mich mit Planungsoftware aus netzwerktechnischer und Flottenplanungsperspektive vertraut. Anschließend wechselte ich zu dem Unternehmen, das diese Systeme bereitstellte – damals war das Unternehmen nur von einem Mann betrieben, sodass wir zu zweit waren – und half ihm beim Aufbau. Danach ging es mit einem Kunden des Unternehmens in die USA, wo ich mich mit GIS und der Nutzung von GIS als Visualisierung dessen, was wir in der Planung taten, beschäftigte. Das war also ein früher Einstieg in das, was heute rund um GIS und Visualisierung vorherrscht, und das bereits in den frühen 80er Jahren.

Von dort aus kam ich zunächst durch ein Softwareentwicklungsprojekt in die Drittanbieter-Logistik (3PL). Ich war mir in Großbritannien während meiner gesamten Karriere der 3PL bewusst, aber in den USA war sie erst in den frühen 90ern relativ neu, und man entwickelte gerade die Idee, Lösungen zu bündeln, um sie Kunden zu verkaufen. Diese Lösungen betrafen zum Beispiel, wo man ein Lager errichten sollte oder wie man die Transportausstattung betreiben sollte. Das war eine großartige Anwendung meines Hintergrunds, aber vor allem war es für mich eine wertvolle Lektion in Bezug auf Planung für Implementierung und Ausführung, anstatt sich zurückzuziehen – nämlich Teil des Betriebs der von einem selbst entwickelten Lösung zu sein, was ich für alle, die in unserem Bereich tätig sind, als eine gute Lektion erachte.

Schließlich verließ ich das eigentliche Planen. Ich stellte ein paar Lösungsteams zusammen und leitete diese. Danach übernahm ich in den Organisationen, für die ich arbeitete, zunehmend Verantwortung. Letztlich, nachdem ich eine Zeitlang in der Beratung tätig war – was mir nicht allzu sehr gefiel – entschied ich, dass ich eine Beratungsfirma gründen sollte, Logistic Sciences. Und falls Sie wissen möchten, was Logistic Sciences ist: Im Grunde geht es darum, dass ich zu dem zurückkehre, was ich am liebsten mache, nämlich Probleme lösen, insbesondere im Bereich supply chain und Logistik, und dabei mein begrenztes Wissen und meine begrenzten Werkzeuge nutze, um den Leuten tatsächlich dabei zu helfen, Probleme in diesem Bereich zu lösen. Ich weiß also nicht, ob Ihnen das hilft zu verstehen, woher ich komme. Ich habe keine Ahnung, wohin ich gehen werde, aber…

Conor Doherty: Nun, danke, Ian. Und tatsächlich, Joannes, ich bin sicher, dass vieles davon bei dir Anklang findet. Ich meine, die Idee, Probleme zu lösen und das Problem der supply chain Entscheidungsfindung neu zu überdenken – das spricht dich doch stark an, oder?

Joannes Vermorel: Ja, ich meine, was die Intentionen angeht – die Ziele, die mit dem Operations Research nach dem Zweiten Weltkrieg verfolgt wurden, waren sehr richtig, insofern als dass man versuchte, diese Managementmethoden in etwas numerisch Solides und Verbesserbares zu überführen. Das war, denke ich, eine der Zielsetzungen, die korrekt war und auch heute noch von großer Relevanz ist. Die Herausforderung ist, dass es sehr interessant ist. Die Leute sprechen sehr häufig von den verschiedenen Wintern, die die KI, künstliche Intelligenz, durchlaufen hat, begleitet von überhöhten Hoffnungen und dann der Enttäuschung, dass sie nicht funktioniert hat. Ich glaube, dass das Operations Research ähnliche Phasen durchlief, und bestimmte methodische Wellen, die zu der Zeit bekannt waren, gelangten einfach nicht dazu, in echte, umsetzbare Vorteile für Unternehmen mündenzu werden.

Conor Doherty: Nun, das führt uns eigentlich direkt zum Thema des heutigen Gesprächs, zu dem Ian inspiriert wurde, als er deine Arbeit auf LinkedIn gesehen hat. Du veröffentlichst tatsächlich viele Artikel. Ich habe einen davon hier vor mir, zu dem ich Anmerkungen gemacht habe. Hoffentlich fängt die Kamera das ein. Ich habe ihn gelesen, wir alle haben ihn gelesen. Aber dieser Artikel, und ich lese dies, ich bin der Typ, ich bin der Typ. Ja, er war kostenlos, danke. Insbesondere der Artikel, der das Interesse an diesem Gespräch geweckt hat, “Why There Is No Such Thing as an Optimal Solution in Supply Chain Planning and Logistics Network Optimization.” Er umfasst etwa 13 Seiten. Für alle, die ihn noch nicht gelesen haben: Könntest du bitte eine Zusammenfassung auf Führungsebene geben?

Ian Wright: Im Grunde versucht der Artikel zu vermitteln, dass verschiedene Menschen unterschiedliche Vorstellungen davon haben, was Optimalität bedeutet. Und generell stelle ich fest, dass es sich nicht so sehr um gegensätzliche Vorstellungen handelt, sondern um widersprüchliche, insofern die Vorstellung des Praktikers von Optimalität oft viel mehr auf das fokussiert, was er mit dem eingesetzten Werkzeug oder der angewandten Technik tut. Und es ist ziemlich oft, wie Joannes bereits erwähnte, so, dass der Fokus auf der Mathematik liegt, während die Person, die letztlich das Opfer oder der Empfänger der Optimierung ist, der Business-Typ ist.

Ich gehe davon aus, dass wir uns auf das Geschäft und den privaten Sektor konzentrieren können, obwohl es natürlich noch viel mehr im Bereich supply chain gibt. Aber der Business-Typ kümmert sich überhaupt nicht – oder sollte sich auch überhaupt nicht – um die Mathematik, die Methodik, das Werkzeug oder das Modell. Und wenn ich mit meinen eigenen Kunden und in Projekten arbeite, fokussiere ich mich darauf, sicherzustellen, dass sie verstehen, dass die Werkzeuge, die wir einsetzen, und die Modelle, die wir entwickeln, nur ein kleiner Bestandteil sind, um sie zu einer Lösung zu führen, die sie bei der Entscheidungsfindung und Umsetzung nutzen können. Die Grundannahme des Artikels war also, die Idee zu vermitteln, dass nicht das Modell der entscheidende Faktor ist, sondern die Lösung. Und es gibt so viele weitere Komponenten, so viele Facetten einer Lösung, die für das Geschäft sinnvoll sind.

Conor Doherty: Genau dazu, und Joannes, ich komme in einer Minute auf dich zu, aber so wie du das formuliert hast – wenn du es deinen eigenen Kunden erklärst – versuchst du im Wesentlichen sicherzustellen, dass die Leute es verstehen. Und in diesem Zusammenhang denke ich, dass ein Schlüsselwort, das sofort geklärt werden muss, Optimalität ist. Erneut hast du den Unterschied zwischen dem Praktiker und dem Mathematiker gemacht. Oft kann bestimmte Sprache je nach Einsatzort leicht unterschiedliche Bedeutungen haben. Joannes und ich haben kürzlich eine Diskussion über Heuristiken geführt, und eine Heuristik im mathematischen Sinn kann sich von einer ökonomischen Heuristik leicht unterscheiden. Was genau meinst du also, wenn du davon sprichst, eine optimale Entscheidung zu verfolgen oder Optimalität darzustellen?

Ian Wright: Im Allgemeinen denke ich an Optimalität nicht im Sinne eines Mathematikers, denn für mich ist das ein wunderbarer Begriff, wenn man in der Welt der Mathematik lebt. Aber wir müssen mit dem arbeiten, was unter den gegebenen Umständen die beste Lösung ist. Also, was läuft wirklich? Was passiert in der realen Welt? Wir müssen herausfinden, was vor sich geht, und dann eine Lösung präsentieren, die das Beste ist, was wir unter diesen Umständen erarbeiten können, um die meisten der identifizierten Probleme zu lindern oder abzumildern. Das ist die Lösung, die wir anstreben und präsentieren wollen.

Conor Doherty: Joannes? Oh, ja, danke, Ian. Also nochmals: Die Idee, das Beste Verfügbare zu sein, bedeutet nicht, in absoluten Begriffen perfekt zu sein. Möchtest du dem noch etwas hinzufügen, oder stimmst du zu?

Joannes Vermorel: Ja, ich meine, um an die Charakterisierung der Optimierungsperspektive in der Mathematik als etwas Schönes anzuknüpfen, stimme ich zu. Es ist etwas äußerst Einfaches. Ich kann es für das Publikum zusammenfassen: Es geht darum, dass man eine Funktion nimmt, die das bewertet, was man erreichen möchte, und dass ein Teil der Eingaben dieser Funktion deine Variablen sind – das, was du entscheiden kannst, was sich nach deinem Willen ändern kann. Diese Eingabewerte fließen in die Funktion ein, und dann gibt die Funktion die Bewertung zurück. Grundsätzlich sucht die Optimierung nach der Kombination von Eingabewerten, welche die Formalisierung deiner Entscheidung darstellt, die das Ergebnis extrem ausprägt – etwa minimiert, wenn du deine Kosten senken möchtest, oder maximiert, wenn du die Renditen steigern willst, etwas in der Art.

Und das Interessante ist, dass dieses einfache Problem mit einer sauberen mathematischen Charakterisierung einhergeht. Man kann dann allerlei interessante Aussagen über deine Eingaben machen, ebenso über den Output, wie er sich verhält, und welche Klassen von Algorithmen existieren, um eine Lösung zu finden, und ob man in mathematischen Begriffen sagen kann, dass unter diesen Annahmen deine Methode die bestmögliche ist oder nicht, usw. Und übrigens heißt dieses Forschungsfeld heute ziemlich einfach OR. Früher stand es für operational research, aber heutzutage nennt man es einfach mathematische Optimierung. Und es geht ihnen nicht einmal mehr darum, ob sie von einem Geschäftsproblem sprechen oder nicht. Ihr Anliegen ist die Entwicklung von Solvern, also einer Softwareklasse, die dafür konzipiert ist, diese Optimierungen im mathematischen Sinne durchzuführen.

Wenn wir im mathematischen Sinne über Optimierung nachdenken, ist das, würde ich sagen, die kristallklare Vorstellung davon, was Optimierung ist. Das heißt nicht, dass diese Klarheit auch die relevanteste ist. Es bedeutet einfach, dass es die reinste Form ist – sprich, kristallklare Reinheit. Das heißt nicht, dass es das anwendbare Werkzeug für alle Situationen ist. Und wenn wir im geschäftlichen Kontext an Optimierung denken, meinen wir damit, dass wir Dinge verbessern wollen, jedoch mit einem quantitativen Vorsprung. Sehen Sie, darin liegt der Unterschied.

Conor Doherty: Denn ich kann ein Unternehmen ebenso verbessern, indem ich zum Beispiel eine bessere Unternehmenskultur fördere, in der die Menschen engagierter sind, aber es ist fast unmöglich, so etwas zu quantifizieren. Wenn wir also von Optimierung sprechen, meinen wir, dass wir mit quantitativen Instrumenten und idealerweise auch mit quantitativen Ergebnissen verbessern wollen. Das würde ich, naja, sozusagen als einen Prozess quantitativer Verbesserungen beschreiben. Das entspricht aus der geschäftlichen Perspektive dem, was wir unter Optimierung verstehen.

Ian Wright: Ich denke, nein, ich stimme Joannes voll und ganz zu. Eines der Dinge, die wir verstehen müssen, ist zudem, dass es Dimensionen in den Problemen gibt, die wir betrachten, und oft werden diese Dimensionen ignoriert oder ausgelassen. Und eine der grundlegendsten – in der Tat vielleicht die grundlegendste – Dimension ist die Zeitdimension.

Das hat einen enormen Einfluss darauf, was man mit dem Modell, der Technik oder der Technologie machen kann, was im operativen Geschäft in der realen Welt getan werden muss und was in diesen Umständen möglich ist. Und es verändert die Natur dessen, was man als optimal betrachten kann.

Conor Doherty: Nun, tatsächlich – und noch einmal: Das ist ein perfekter Ausdruck – was tatsächlich möglich ist. Und das führt uns wieder zu einer Diskussion über das, was ich für einen, und das weiß ich, ist für Joannes ein zentrales Element jeder Diskussion über Optimalität oder im Grunde Entscheidungsfindung: nämlich die Natur der Unsicherheit, wenn es darum geht, Entscheidungen zu treffen.

In deinem Papier sprichst du über Unsicherheit und die tatsächliche Komplexität, die in der supply chain existiert. Könntest du ein wenig mehr zu den Quellen der Unsicherheit sagen, die tatsächlich den Einsatz von Optimalität in welcher Weise auch immer beeinflussen?

Ian Wright: Es gibt viele Facetten der Unsicherheit, und, äh, sogar solche, die du nicht einmal schmecken kannst, weil du gar nicht weißt, dass sie existieren. Es gibt also das, worauf sich die meisten Menschen als Unsicherheit konzentrieren, was in meinen Augen einfach ein Spiegelbild der dynamischen Natur des Bereichs der supply chain operations ist. Sie sind einfach dynamisch, sodass Unsicherheiten im Zusammenhang mit diesen Dynamiken auftreten, die sich analysieren, quantitativ analysieren und probabilistisch analysieren lassen – wie ich weiß, darauf legt ihr großen Wert.

Aber dann gehst du darüber hinaus zu bestimmten Bereichen der Unsicherheit, die mehr in den Risikobereich übergehen. Es gibt also kleine Risiken und extrem große Risiken, was auch dadurch zum Ausdruck kommt, dass man über einen vorhersagbaren oder probabilistisch vorhersagbaren Kontext hinausgeht, bis zu dem Punkt, an dem man tatsächlich – wie ich meinte, habe ich im Papier erwähnt – über Black Swan-Ereignisse spricht. Und, Junge, da habe ich einfach den Faden verloren.

Entschuldige, das muss vielleicht noch bearbeitet werden, aber du gehst von einem kleinen Weltmodell aus, das vorhersagbar ist, in dem es Elemente gibt, die du aus Daten relativ leicht vorhersagen kannst. Dann gehst du über zu Black Swan-Ereignissen, die im Grunde genommen, wie du weißt, eintreten können, aber deren Vorhersagbarkeit wesentlich unwahrscheinlicher ist, und letztlich kann man bestimmte Black Swan-Ereignisse einfach nicht vorhersagen. Man weiß nur, dass sie eintreten können. Und dann, würde ich sagen, geht es – oft sogar katastrophal – in vielen Fällen zu dem, was ich im Papier sinngemäß als die unknown unknowns bezeichne.

Donald Rumsfeld – nun, es war eigentlich nicht Donald Rumsfeld, es war ein Typ zuvor, der sich die Idee, genau wie ich, abgeschnappt hat, aber naja. Und dann, das führt dich zu der Frage: Wie weit müssen wir wirklich gehen, um nicht nur die unknown unknowns zu verstehen – über die wir nicht verfügen können, überhaupt – selbst die Black Swan-Ereignisse können wir nicht unbedingt in operativen Begriffen und in der Planung berücksichtigen, aber was vorhersagbar ist, das auf Wahrscheinlichkeit beruht, das können und sollten wir berücksichtigen.

Und was ich auch sagen würde, ist, dass man in eine andere Dimension der Operation übergehen kann, in der man nicht einfach nur eine Lösung betrachtet, sondern eine Lösung, die aus vielen contingenten Elementen besteht, zu denen man wechseln kann oder die bei Bedarf aktiviert und ausgeführt werden können. Der Fokus liegt dabei darauf, so nah wie möglich an dem zu bleiben, was du in deiner bevorzugten Lösung als optimal bezeichnet hast.

Conor Doherty: Nun, tatsächlich, um an das nicht von Donald Rumsfeld inspirierte Zitat anzuknüpfen: Aber andere Quellen der Unsicherheit, die Leute als known knowns ansehen, wären – wie du im Papier sagst – stabile Nachfrage und vorhersehbare supply chains. Joannes, sind das known knowns, known unknowns oder unknown unknowns?

Joannes Vermorel: Ja, ich denke, diese Typologie ist schön, aber nochmals: Wenn wir auf das grundlegende Instrument zurückgehen, das wir für diese quantitativen Analysen nutzen – wenn ich nochmals auf die Dinge eingehe, die im Rahmen von operations research entwickelt wurden – fehlte die Zeitdimension. Der erste, ganz banale Grund dafür ist, dass dadurch die Dimensionalität deiner Probleme erhöht wird und diese Methoden sich sehr schlecht verhalten, wenn du versuchst, mit komplexeren Methoden umzugehen. Sie sind nicht sehr skalierbar, zumindest nicht in der Art, wie wir heutzutage von skalierbaren Lösungen sprechen, besonders wenn man das Licht der jüngsten Entwicklungen im Bereich des deep learning betrachtet.

Also war das erste Problem, dass wir dieses super grundlegende Problem hatten, die Skalierbarkeit ohne Zeitdimension zu bewältigen. Und sobald wir die Zeitdimension berücksichtigen, ist die Zukunft nicht perfekt bekannt, weshalb wir mit einer gewissen Variabilität umgehen müssen. Und hier handelt es sich um einfache known unknowns. Weißt du, es ist ein sehr milder Fall von Unsicherheit. Es wird sehr erwartet, dass lead times variieren, es wird sehr erwartet, dass die Nachfrage variiert usw. Diese Fälle sind relativ einfach.

Und dann betreten wir das Gebiet der sogenannten stochastischen Optimierung, denn plötzlich könnte sich deine Entscheidung als gut oder schlecht herausstellen, je nach zukünftigen Umständen, die du nicht kontrollieren kannst. Es gibt alternative Zukunftsszenarien, in denen diese Entscheidung gut erscheint, aber es gibt durchaus mögliche Zukünfte, in denen sie sich im Laufe der Zeit als Fehlentscheidung erweist. Das würde ich sagen, sind die ganz alltäglichen Probleme, die wir haben, bevor wir zu den unknown unknowns und all den wilden Varianten von Unsicherheit springen – wir haben noch grundlegendere Probleme, und hier finde ich die Idee der Facetten sehr interessant.

Wir wissen einfach nicht wirklich, wie wir irgendetwas bewerten sollen. Es ist nicht offensichtlich. Wenn wir sagen, dass wir die Gewinne optimieren wollen, gibt es unendlich viele Möglichkeiten, Gewinne zu zählen. Sollten wir die Effekte zweiter Ordnung, dritter Ordnung mit einbeziehen? Was meine ich mit Effekten zweiter Ordnung? Du gewährst jetzt einen Rabatt von 10 %, und der Kunde erwartet beim nächsten Betreten des Geschäfts einen ähnlichen Rabatt. Das ist ein Effekt zweiter Ordnung. Du hast gerade einen Rabatt gewährt, aber er hat dich mehr gekostet, weil du die Erwartung geweckt hast. Auch das sollte bewertet werden.

Und dann, wenn du das machst, könnte dein Konkurrent aggressiv beschließen, noch stärker im Preis zu konkurrieren, oder er könnte schließlich ganz darauf verzichten zu konkurrieren, sodass du allein oder zumindest mit weniger Wettbewerbern dastehst. Wie du siehst, all das sind sehr alltägliche Aspekte dessen, was genau ich quantifizieren soll. Diese sind schwierig. Ich denke, eine weitere Facette, die in der klassischen Optimierungsliteratur nicht wirklich behandelt wird, ist, dass man annimmt, die Probleme seien von Anfang an gut verstanden.

Conor Doherty: Ian, in deinem Papier hast du viele konkrete Beispiele von Unternehmen erwähnt, die darin entweder erfolgreich waren oder gescheitert sind, die Arten von Unsicherheit zu adressieren – sei es bei lead times, unregelmäßigen Nachfrageverläufen oder was auch immer. Könntest du bitte noch ein paar weitere Details zu diesen Fallstudien geben?

Ian Wright: Ja, viele der Projekte, an denen ich arbeite, sind eher strategisch. Einige sind taktisch. Ich arbeite generell nicht mehr so sehr im Bereich der operativen Planung. Daher beziehen sich die meisten Beispiele, an die ich in diesem Zusammenhang denke, auf Unternehmen, die taktisch oder strategisch nicht planen, weil sie diese Fragen rund um Vorhersagbarkeit oder deren Fehlen nicht adressieren.

Erst kürzlich, in den letzten drei Jahren, gab es ein Ereignis – ein Jahr davor –, das, glaube ich, niemand vorausgesehen hätte. Sicherlich glaube ich, dass kein Planungssystem in irgendeinem Unternehmen Elemente hätte einbeziehen können, die den Einfluss der Pandemie und das, was mit den Beständen geschah, sowie die Auswirkungen des Bestandsabbaus, des plötzlichen Nachfragerückgangs und so weiter berücksichtigen. So viele verschiedene, weitreichende Implikationen. Das klassische Beispiel sind die Halbleiter.

Meine Erfahrung war zweigeteilt, da so viele Unternehmen, die nach der Pandemie in der Lebensmittelproduktion und nicht nur in der Pharmaindustrie, sondern auch im Bereich der medizinischen Geräte und im gesamten Gesundheitslogistiksektor tätig sind, plötzlich realisierten, dass sie für etwas planen mussten, das sie nicht erwartet hatten. Sie arbeiteten gegen ihre eigenen internen Systeme, die das Unternehmen steuern, die ihre supply chain verwalten, weil diese Systeme ihnen nicht mehr Daten lieferten, die als Grundlage für Modelle dienen konnten, um zu verstehen, was als Nächstes zu tun wäre.

Also habe ich an vielen Projekten für Lebensmittelhersteller gearbeitet, die versuchten, mit der immensen Nachfrageexplosion in Bereichen, in denen sie keine Kapazitäten hatten, Schritt zu halten, und sie mussten sehr schnell verstehen, wo diese Kapazitäten angesiedelt werden sollten und warum. Es gab so viele grundlegende Probleme dabei, herauszufinden, wie man das angeht, denn es war sehr ähnlich wie zu sagen: Wie baut man eine supply chain für ein Produkt auf, das heute nicht existiert? Wie plant man dafür? Und dann folgt der ganze Aspekt, wie die Umsetzung erfolgt, als nächster Schritt.

Conor Doherty: Ian, das ist ein schöner Übergang zu Joannes. Ich meine, das ist genau dein Metier – Lösungen umzusetzen in Situationen, die von Unsicherheit geprägt sind. Gibt es Beispiele für Erfolge oder Misserfolge bei Unternehmen, wenn es um die Arten von Unsicherheit geht, über die wir sprechen?

Joannes Vermorel: Ja, ich denke, wenn wir auf die Jahre der Lockdowns, 2020, 2021 zurückblicken, ist das Interessante, dass Lokad, würde ich sagen, sehr schöne operative Erfolge erzielt hat, aber ich denke gerade, weil wir Optimierung betrieben haben.

Lassen Sie mich beschreiben, was die meisten Unternehmen heutzutage tun, nämlich im Grunde einen Ozean von Tabellenkalkulationen zu nutzen. Sie optimieren nichts – weder im mathematischen Sinne noch so, wie wir es gerade beschrieben haben. Im Wesentlichen reproduzieren sie weitgehend, was zuvor bereits gemacht wurde. Sie gleichen ihre eigenen früheren Entscheidungen ziemlich genau ab. Sie folgen nicht einmal wirklich der Nachfrage oder Ähnlichem; sie reproduzieren größtenteils nur, was sie schon zuvor getan haben, was bedeutet, dass das Budget im Grunde genauso aufgeteilt wird wie im letzten Jahr, dass Sicherheitsbestände wieder nur minimal angepasst werden im Vergleich zum Vorjahr usw. Also wird alles inkrementell im Vergleich zum Status quo durchgeführt. Es findet keine Optimierung statt. Wir spiegeln lediglich den Status quo wider, lenken ihn ein wenig, aber nicht quantitativ, sondern ein wenig in die Richtung, die passend erscheint.

Es funktioniert irgendwie, aber genau darin liegt das Problem: Es findet kein Optimierungsprozess statt, was bedeutet, dass, wenn Sie Ihre Betriebsbedingungen grundlegend ändern, kein Mechanismus vorhanden ist, der diese neuen Bedingungen widerspiegelt. Lassen Sie mich wiederholen: Alle Ihre Tabellenkalkulationen, all Ihre bestehenden Prozesse sind darauf ausgelegt, das zu replizieren, was Sie zuvor getan haben. Im Gegensatz dazu hatten wir bei Lokad Optimierungssysteme im Einsatz. Was passierte, als wir mit beispiellosen Situationen konfrontiert wurden? Wir haben unseren Modellen praktisch manuell eine massive Dosis Unsicherheit injiziert.

Wir wussten nicht, was passieren würde. Wir sagten einfach: “Okay, die Nachfrage ist normalerweise das, was wir den Streuungseffekt nennen.” Sie sehen, dass die zukünftige Nachfrage einfach so verläuft, als Möglichkeit. Nun, wenn Sie eine Situation wie Lockdowns haben, vergrößern Sie einfach den Winkel der Streuung, sodass die Zukunft sehr verschwommen wird. Dasselbe gilt für Ihre Verzögerungen, ebenso für Ihre Preise. Sie nehmen einfach an, dass Sie plötzlich viel weniger über die Zukunft wissen. Aber das können Sie tun, und wenn Sie annehmen, dass Sie plötzlich viel weniger wissen, können Sie Ihre Optimierungslogik erneut ausführen – das ist stochastische Optimierung –, um Entscheidungen zu treffen, die in Bezug auf das Risiko, das Sie haben, vorsichtiger sind.

Man berücksichtigt gewissermaßen leicht das Schlimmste, was in Bezug auf Verzögerungen, Preise, Nachfrage usw. passieren kann, und man trifft seine Entscheidungen viel konservativer im Hinblick auf jene Risiken, die quantitativ explodiert sind. Mein Fazit ist, dass es funktioniert. Es funktioniert wirklich sehr gut, aber das Problem ist, mehr Optimierung zu haben, nicht weniger. Obwohl es nicht die Art von statischer Optimierung im Sinne der Operations Research ist, bei der sich nichts bewegt.

Das Zweite – es ist ein zusätzlicher Aspekt, der meiner Meinung nach fast nie während des Zeitalters der Operations Research, wahrscheinlich von 1950 bis 1980, dieser 30 Jahre, diskutiert wurde – ist die Qualität Ihrer Instrumentierung. Wie schnell können Sie von einer Instanz Ihrer Modellierung zur nächsten wechseln? Das ist eine wirklich praktische betriebliche Angelegenheit.

Ian Wright: Ich denke, es gab auch praktische Probleme in diesem Zusammenhang, weil die Technologie nicht ausreichend war. Es mangelte an Daten, weil die damit verbundene Technologie nicht genügte. Aber sicherlich war die Technologie, die eine schnellere Ausführung der Planung ermöglichen sollte, einfach nicht vorhanden. Ich kann das aus der Erfahrung berichten, dass ich Optimierungsmodelle 24 Stunden laufen sah, im Gegensatz zu heute, wo ich, wenn ich mit Kollegen arbeite, denke: “Nun, es ist noch nicht fertig, es sind bereits fünf Minuten vergangen – was soll ich tun?” Also, ich will dich nicht unterbrechen, Joannes, aber ich denke, ein großer Teil davon liegt daran, dass wir heute eine viel bessere Technologie haben.

Joannes Vermorel: Ich stimme vollkommen zu, und das ist eine separate Angelegenheit, aber es sind wirklich praktische Herausforderungen. Wenn Sie zwar über eine Optimierungstechnologie verfügen, deren erneutes Ausführen aber 24 Stunden dauert und Sie 20 Iterationen benötigen, um etwas relativ Befriedigendes in Bezug auf den neuen Zustand Ihrer supply chain zu erreichen, wird das niemals passieren. Die Leute greifen einfach wieder zu Tabellenkalkulationen zurück. Es gibt schlichtweg keine Zeit, all diese Hürden zu überwinden. Sie kehren zu Ihren Tabellenkalkulationen zurück, die Ihnen vielleicht nicht diese Art von Optimierung bieten, aber sie liefern Ihnen zumindest innerhalb eines vernünftigen Zeitrahmens eine Antwort.

Ich denke, das war auch eine der Dinge, in denen Lokad in dieser Periode gut abgeschnitten hat. Wir hatten Optimierung, aber wir verfügten über Optimierungswerkzeuge, die ausreichend agil waren, sodass sie dutzende Male pro Tag wiederholt getestet werden konnten, bis wir etwas hatten, das tatsächlich funktionierte. Andernfalls hätten unsere Kunden einfach auf die Art von Dienstleistungen verzichtet, die Lokad zu jener Zeit anbot.

Ian Wright: Interessant, denn ich hatte schon immer Schwierigkeiten mit dem, was ich Snapshot-Optimierung nenne. Insbesondere supply chain planning und Netzwerkmodelle waren schon immer Snapshot-Integer-Programme. Die Solver sind alle Snapshots, und dieses ganze Timing-Problem hat mich immer beschäftigt, wie wir die Vorteile simulierungsbasierter Ansätze nutzen könnten, bei denen wir die Zeitdimension etwas besser einbeziehen, und wie wir irgendwie einen Ansatz miteinander verbinden können.

Zum Beispiel gibt es ein Unternehmen in Russland, ein Simulationsunternehmen, das die Kombination mit Optimierung ins Spiel brachte. Ich fand das damals großartig. Leider kenne ich mich mit ihrer Umsetzung der Optimierungsseite nicht sehr gut aus, weil sie ein Simulationsunternehmen sind. Das Zeitproblem ist eine Sache. Das andere Problem besteht, meiner Meinung nach, darin, dass die Bestimmung einer Lösung mit Wahrscheinlichkeiten auch ein technologisches Problem beinhaltet, dem wir heute besser entgegentreten können. Es geht um die Datenmenge, den Umfang der Daten, die Sie bei der Ableitung der Lösung einbeziehen können.

Viele Dinge liegen außerhalb des Rahmens des Unternehmens oder der Abteilung, für die Sie optimieren, und werden nicht berücksichtigt, wenn Sie ein neues Produkt haben oder wenn Sie aus einer Pandemie in eine vollkommen neue Welt eintreten. Das Einzige, worauf Sie sich häufig verlassen können, sind Daten, die nichts mit der Geschichte Ihrer bisherigen Abläufe zu tun haben. Sie müssen einen viel breiteren Datensatz heranziehen, sodass Sie beispielsweise bei der Ermittlung von Wahrscheinlichkeiten exogene Variablen zusätzlich zu all den traditionellen Variablen, die mit der Tätigkeit zusammenhängen, die Sie fortführen wollen, einbeziehen.

Joannes Vermorel: Konzeptuell ja, obwohl ich in diesem Punkt leicht widerspreche. Tatsache ist, dass Daten, die über transaktionale Daten hinausgehen, für Unternehmen sehr kostspielig sind. Das Beschaffen von Daten zur Wettbewerbsbeobachtung ist in gewisser Weise in Ordnung, das ist nicht allzu teuer, aber wenn man darüber hinausgeht – etwa einfach die Preise der Konkurrenz abzurufen – wird es sehr schnell extrem kompliziert.

Unser Ansatz besteht darin, dass Sie eigentlich zuerst Modelle benötigen, in denen Sie Ihre Daten auf eine weitaus informativere Weise betrachten. Ein Beispiel hierfür wäre, dass Sie ein neues Produkt auf den Markt bringen und keine Verkaufshistorie besitzen, sodass die traditionelle Zeitreihen Perspektive besagt, dass Sie nichts haben. Aber wenn Sie die Zeitreihen-Perspektive aufgeben und stattdessen eine alternative Sichtweise übernehmen, stellen Sie vielleicht fest, dass Ihre Produkteinführungen einem Treffer-oder-Fehlschlag-Muster folgen und dass die Erfolge, die Sie erwarten können, sowie die Misserfolge einer bestimmten Verteilung folgen. Also ja, Sie können Ihre historischen Daten nutzen, um Aussagen über das Produkt zu treffen.

Nochmal: Wenn ein namenloses Studio einen Film herausbringt, sind die Chancen, dass dieses namenlose Studio einen Film produziert, der an den Kinokassen 1 Milliarde einspielt, extrem gering. Aber wenn es Disney oder Warner Brothers ist, liegen die Chancen vielleicht bei etwa 5%.

Also, zunächst einmal können Sie anhand der Transaktionsdaten, die Unternehmen haben, in der Regel weitaus mehr aussagen, als die Leute vermuten, weil sie in der Zeitreihen-Perspektive verhaftet sind. Es gibt andere Ansätze.

Das Zweite ist, dass, wenn man zugibt, dass man es einfach nicht weiß, man realisieren muss, dass Menschen, die diese Entscheidungen treffen, auch keine geheime Informationsquelle besitzen. Es gibt keine Kristallkugel im menschlichen Gehirn, die es einem erlaubt, einen Blick in die Zukunft zu werfen oder dergleichen – vor allem, wenn wir über supply chains sprechen, in denen es Zehntausende von Produkten gibt, von denen man nur weiß, dass sie existieren. Viele Menschen, die als Angebots- und Nachfrageplaner tätig wären, wüssten nicht einmal genau, was ihr Unternehmen verkauft oder produziert.

Also, zurück zum Thema: Ich würde sagen, zunächst einmal haben wir unsere Transaktionsdaten, die auf mehr Arten genutzt werden können, als man auf den ersten Blick vermutet, sobald man die Zeitreihen-Perspektive aufgibt. Aber dann haben Sie auch die Tatsache, dass diese zusätzlichen Informationen sehr schwer zu erhalten sind. Vielleicht sollten wir stattdessen einfach akzeptieren, dass viel Unsicherheit besteht.

Die traditionellen Werkzeuge akzeptieren es überhaupt nicht, mit Unsicherheit umzugehen. Wenn ich von traditionellen Werkzeugen spreche, meine ich alle Solver, die eine mathematische Optimierung des Marktes liefern. Alle etablierten Solver, die ich kenne, sind lediglich deterministische Solver; sie können mit Unsicherheit nicht umgehen. Auf diesem Kanal haben wir gerade einen Pionier erhalten, der versucht, seinen Prototyp des stochastischen Optimierers InsightOpt – Meinolf Sellmann und seine Seeker-Instrumente – zu etablieren. Aber das ist wirklich ein Einzelfall, und so ziemlich der einzige, den ich kenne, der aus kommerzieller Perspektive diesen Ansatz verfolgt.

Also, zurück zum aktuellen Fall: Meiner Meinung nach, wenn Sie kein Instrument haben, um mit Unsicherheit in irgendeiner Form umzugehen, ist die Vorstellung, dass Sie diese Situation einfach dadurch bewältigen, indem Sie die Unsicherheit aufblasen und es dabei belassen, nicht einmal denkbar. Aber wenn Sie diese Instrumente haben, dann wird es zur ganz natürlichen Vorgehensweise. Sie versuchen etwas beispielloses, die Unsicherheit schießt durch die Decke, und Ihr Optimierer ermöglicht es Ihnen einfach, entsprechend zu handeln.

Ian Wright: Ich denke, wo wir hier irgendwie aneinander vorbeireden, liegt darin, dass es einen Unterschied im Fokus gibt, wenn man strategisch plant, und wenn man plant, je näher man an der Ausführung ist, wo die Optionen dramatisch schrumpfen. Ich komme aus einem vorwiegend strategischen Planungsspektrum. Wenn Sie zum Beispiel sagen, dass viele dieser zusätzlichen Umfangsdaten für ein neues Produkt teuer sind – das mag sein –, gibt es doch unzählige verschiedene Arten von Daten, die Sie in der Modellierung einsetzen können, bevor Sie zur Optimierung kommen.

Sie können die Korrelation zwischen zahlreichen verschiedenen exogenen Aspekten wirtschaftlicher Daten und demografischer Daten modellieren, die mit der Art von Produkt und dem Markt zusammenhängen, dem Sie dieses Produkt anbieten möchten. Genau darauf komme ich an, Joannes, wenn ich davon spreche, mehr Datenelemente hinzuzufügen. Ich meine, die Korrelation mit jenen Daten zu betrachten, die vernünftigerweise allgemein im Zusammenhang mit Demografie und Marktdurchdringung zugänglich sind.

Ein weiterer Aspekt, von dem ich glaube, dass er letztlich immer im Mittelpunkt stehen sollte, wenn wir als Technologieanbieter und Praktiker in diesem Bereich agieren, ist, dass Unternehmen letztlich auf Finanzen hinauslaufen. Ein wesentlicher Bestandteil dessen, was wir in der Planung tun müssen, besteht darin, es auf Kosten und deren Minimierung herunterzubrechen – je nach den Umständen. Kostendaten wurden meines Erachtens in beispielsweise Netzwerkmodellen zur supply chain optimization unzureichend genutzt. Die Leute waren zufrieden damit, Annahmen über Kosten zu akzeptieren, während sie diese in Modelle einfließen ließen, anstatt tatsächlich wesentlich konkretere Erwartungen an die Kosten zu ermitteln, was durchaus machbar ist. Ich denke, das ist etwas, das mit der heutigen Technologie so viel näher in den Fokus rückt und uns ein besseres Verständnis dafür ermöglicht, was wir tun können, um durch Daten den Umfang des Kontextes, in dem wir arbeiten, besser zu erfassen.

Conor Doherty: Das ist ein perfekter Punkt, um ein wenig voranzukommen, denn sobald Sie alle Daten haben, müssen Sie letztlich zu einer Entscheidung kommen. Etwas, worüber Sie auch in dem Papier sprechen, ist die Rolle von Abwägungen bei der Entscheidungsfindung. Sobald Sie Ihr Modell und alle Daten haben, stehen Ihnen dennoch eine Reihe von Entscheidungen offen, oft einfach nur Entscheidungsmöglichkeiten. Wie fügen sich diese Abwägungen in das Streben nach der optimalen Entscheidung ein?

Ian Wright: Ich möchte schnell einen Punkt ansprechen. Man hat nie alle Daten. Sie haben natürlich die Daten, die Ihnen vorliegen, aber sie sind immer fehlerhaft. Also müssen Sie mit dem arbeiten, was Sie haben. Ich bin im Grunde ein Zyniker, wie Sie sicher merken, oder? Was die Abwägungen betrifft, gibt es die offensichtlichen Kompromisse in der supply chain. Ihr Zielkonflikt ist im Grunde finanzieller Natur. Möchte ich das Geld ausgeben, um den Service und das Produkt bereitzustellen, das mein Kunde wünscht? Ich möchte das Produkt auf die Art liefern, wie der Kunde es von mir erwartet – und das bedeutet, dass ich Geld dafür ausgeben muss. Wie weit bin ich bereit, diesen Weg zu gehen?

Der Zielkonflikt besteht beispielsweise im grundlegenden Gegensatz zwischen Lagerbestand und Transportkosten. Aber es gibt auch Kompromisse in Bezug darauf, wie viele Eventualitäten ich einplane, um Risiken zu mindern. Wie viele potenzielle betriebliche Wege schaffe ich für mein Unternehmen, damit ich einen probabilistischen Plan umsetzen kann, der zu etwas führt, das nicht meinem normalen Ausführungspfad entspricht? Ein Kompromiss besteht darin, ob ich kurzfristige Auswirkungen der von mir verfolgten Modelle und Pläne betrachte oder ob ich das Langfristige einbeziehe – was oft einen finanziellen Kompromiss bedeutet, weil ich jetzt in etwas investiere, das erst in einer späteren Periode eintritt.

Für mich sind Abwägungen so etwas wie ein Euphemismus dafür, dass das Geld stimmen muss. Wie balanciere ich all das aus? Ich bin nicht sicher, ob ich Ihre Frage beantworte, Conor, aber letztlich läuft es darauf hinaus, was ich in meinem Modell ausgleichen möchte, angesichts der Tatsache, dass ich begrenzt bin in dem, was ich modellieren kann. Was bin ich bereit, auszugleichen, um das Dollarzeichen oder das Eurozeichen an der richtigen Stelle zu erhalten?

Conor Doherty: Danke, Ian. Und Joannes, nun wende ich mich an Sie, denn ich möchte Sie im Grunde für etwas einstimmen, worüber ich weiß, dass Sie gerne sprechen. Ich habe darauf hingewiesen, dass im Grunde das, was die Menschen explizit optimieren wollen – korrigieren Sie mich, wenn ich falsch liege – tatsächlich die Kosten bzw. Finanzen sind. Aber die Sache ist: Viel zu oft, wenn wir über Entscheidungsfindung in der supply chain sprechen, versuchen Menschen oder Unternehmen, Dinge wie Servicelevels zu optimieren. Ich glaube, Sie haben schon einmal darauf hingewiesen, dass die Leute denken, sie würden die Kosten optimieren, aber in Wirklichkeit ist das nur ein numerischer Artefakt. Die Frage lautet also, wenn sich die Menschen auf diese traditionellen Ziele in der supply chain konzentrieren, optimieren sie dann tatsächlich die Kosten oder blicken sie in die falsche Richtung?

Joannes Vermorel: Wenn wir uns die dominanten Praktiken in der supply chain heutzutage ansehen, sagen sie auf PowerPoint-Präsentationen, dass sie sich auf das Wirtschaftlich Tragfähige konzentrieren. In der Praxis tun sie das nicht. Es geht immer nur um Prozentzahlen bei Servicelevels, Lagerbeständen, Retouren und dergleichen. Diese Dinge korrelieren nur lose mit Ihrem Endergebnis, und das auch nur lose.

Anzunehmen, dass Ihre Rentabilität in irgendeiner Weise mit Ihren Service Levels korreliert, ist einfach verrückt. Es funktioniert nicht. Es ist eine sehr vereinfachte Betrachtungsweise. Zunächst müsste man festhalten, dass die vorherrschenden Praktiken tatsächlich darauf beruhen, dass die Menschen intuitiv wissen, dass sie niemanden überzeugen können, wenn sie sagen, dass sie Prozentsätze optimieren wollen. Also werden sie in den Folien sagen, dass sie diese Dollar optimieren, aber in der Praxis haben sie in ihren Softwaresystemen Regeln, die in keiner Weise mit diesen Dollar-Modellierungen übereinstimmen. Ich würde sagen, nur die, die ich in freier Wildbahn gesehen habe – Lokad außer Acht lassend – waren streng nicht-finanzielle, nicht-ökonomische Perspektiven.

Nun, wenn wir eine ökonomische Perspektive einnehmen, in der diese Dollar ins Spiel kommen, stimme ich vollkommen zu, dass es sehr schwer ist, es richtig hinzubekommen. Es ist schwierig, und tatsächlich gibt es viele Horrorgeschichten, die sehr häufig in Hollywood-Filmen erzählt werden, in denen der Finanztyp der Bösewicht ist, der unglaublich dumme kurzfristige Entscheidungen auf Kosten von etwas trifft, das etwas weiter in der Zukunft liegt.

Die finanzielle Perspektive hat einen schlechten Ruf, und tatsächlich war die von der Operationsforschung vor 40 Jahren betonte Sichtweise eine sehr vereinfachte Betrachtungsweise. Sie setzten auf eine sehr kurze Anzahl grundlegender Variablen: Kosten – Lagerkosten, Kosten hiervon, Kosten davon – und zack, ist es erledigt, Arbeit getan, und lassen wir nun die Magie mit der optimalen Lösung wirken, die aus dem Modell hervorgeht.

Bei Lokad haben wir das bemerkt und erkannt, dass wir ein echtes Problem hatten, nämlich wie wir herausfinden, ob unsere Scoring-Funktion, unsere ökonomische Scoring-Funktion – diejenige, die die Dollar zählt – eine annähernde Wahrheit liefert, die gut genug ist. Es ist eine sehr schwierige Frage, und was wir entdeckten, war eine Methodik, die in meiner Vortragsreihe über supply chain dokumentiert ist, genannt experimentelle Optimierung.

Der Beweis dafür, dass Ihr ökonomisches Modell korrekt ist, liegt darin, dass es vernünftige Entscheidungen generiert. Es ist sehr merkwürdig. Am Ende dachten die Leute, man müsse die richtige Scoring-Metrik haben, damit sie einem die optimalen Entscheidungen liefert. Wir machen dagegen fast das Gegenteil. Wir generieren die Entscheidungen, und dann überprüfen wir bei jenen generierten Entscheidungen, die gemäß dieser Metrik extrem ausgewertet wurden, ob sie vernünftig sind oder nicht.

Wenn wir offensichtlich dysfunktionale Entscheidungen sehen, die eklatant verrückt sind, kehren wir sehr häufig zur ökonomischen Modellierung zurück und erkennen, dass etwas falsch ist, etwas, das wir übersehen haben. So haben wir diesen sehr iterativen Prozess, bei dem wir unsere Dollar festlegen, optimieren, Entscheidungen treffen, von denen einige verrückt sind, und dann unsere Methode zur Zählung der Dollar überarbeiten – und so weiter.

Mit vielen Iterationen kommen wir schließlich zu einem Ergebnis, bei dem niemand mehr Zweifel hat. Das nennen wir das Null-Wahnsinn-Prinzip. Wir wollen zu einer Konfiguration gelangen, bei der das System von Anfang an keine offensichtlich wahnsinnigen Ergebnisse liefert. Genau das ist der Punkt, von dem wir bei Lokad glauben, dass er notwendig ist, bevor man in die Produktion geht.

Aber wie Sie sehen, kehren wir die Perspektive, die die Operationsforschung hatte, völlig um. Anstatt zu sagen, dass die Scoring-Funktion als gegeben betrachtet wird, ist es etwas, das wir durch einen schrittweisen Prozess entdecken werden. Es ist sehr merkwürdig, denn das widerspricht – zumindest für Franzosen – der kartesianischen Sichtweise des Bottom-up-Denkens, bei dem Prinzipien angewendet und einfach ausgerollt werden. Es ist ein viel empirischerer Prozess.

Ian Wright: Ich muss zugeben, und ich entschuldige mich dafür, aber ich muss meine relative Unkenntnis über Lokad gestehen. Aber ich bin sehr fasziniert von Ihrer Definition von Vernunft im Kontext, über den Sie sprechen. Was macht eine vernünftige Entscheidung aus?

Joannes Vermorel: Ian, um ein Beispiel zu nennen, das ich in meiner Vortragsreihe gegeben habe, beginne ich mit einer Analogie und kehre dann zur supply chain zurück. Es gibt Problemklassen, bei denen es, wenn man das allgemeine Problem lösen will, unglaublich schwer ist, aber einzelne Fälle sehr einfach gelöst werden können.

Ein Beispiel hierfür wäre: Angenommen, ich gebe Ihnen einen Film zu sehen und sage, er handelt von einem römischen Gladiator oder ähnlichem, und ich bitte Sie zu prüfen, ob es Dinge gibt, die völlig aus dem Kontext der historischen Epoche fallen, wie beispielsweise ein Flugzeug im Hintergrund. Es gibt einen berühmten Film, in dem in der Arena gekämpft wird und im Hintergrund ein Flugzeug am Himmel zu sehen ist.

Wenn ich Sie bitten würde, einen allgemeinen Algorithmus zu entwickeln, der mir alle Dinge aufzeigt, die in einem Film schiefgehen können und nicht die Epoche widerspiegeln, wäre das eine völlig überwältigende Aufgabe. Man bräuchte eine Enzyklopädie all dessen, was noch nicht erfunden wurde – einschließlich der Begriffe, der Stimmung, der Haltung, der Denkweise. Es ist einfach ein unvorstellbar kompliziertes Problem. Aber in der Praxis, wenn man einem Praktikanten den Film zuschaut, wird er sagen: “Oh, hier ist ein Flugzeug, das ist schlecht.” Ich kann Ihnen nicht die Liste aller schlechten Dinge geben, aber ich kann diesen Wahnsinn erkennen.

Supply chain Systeme sind genau so. Es ist sehr schwierig, Ihnen eine allgemeine Regel zu geben, die genau festlegt, was als verrückt gilt oder nicht. Das ist ein Problem der allgemeinen Intelligenz, etwas, das man nicht einfach in einen einfachen Algorithmus pressen kann. Aber es stellt sich heraus, dass die Menschen tatsächlich ziemlich gut darin sind, diese Probleme zu erkennen.

Ein Beispiel wäre, dass Sie eine Reihe von stockouts in Ihren historischen Daten haben, die nicht korrekt berücksichtigt werden, und plötzlich sinkt Ihre Schätzung der zukünftigen Nachfrage auf null, weil Sie stockouts hatten, also nichts verkauft haben, und Ihr Modell dummerweise null prognostiziert. Dann schlagen Sie als gute Richtlinie vor, null replenishment vorzusehen. Es heißt: “Was ist Ihr Zielbestand? Null, weil wir nur sehr geringe Nachfrage beobachtet haben, also belassen wir es bei null.”

Wenn Sie darüber nachdenken, ja, meine Prognose wird zu 100 % akkurat sein, weil ich null prognostiziere, null nachfülle, und alles in Ordnung ist. Aber nein, es ist nicht in Ordnung. Dieses Problem nennt man einen Inventarfreeze. Das ist ein Stück Wahnsinn, und es gibt viele Situationen, in denen, wenn man sich die Entscheidungen ansieht, man Dinge erkennen kann, die dysfunktional sind, bei denen Zahlen unplausibel hoch oder niedrig sind oder die einfach keinen Sinn ergeben.

Ein Beispiel, das wir historisch bei Lokad hatten, für einen unserer ersten aviation Kunden, war, dass wir begannen, uns die Lagerauffüllung anzusehen und den Kauf einiger Teile vorschlugen. Der Kunde kam zu uns und sagte: “Oh nein, wir werden diese Teile nicht kaufen. Diese Teile kommen in eine Boeing 747, und in 10 Jahren wird es keine Boeing 747 mehr über Europa fliegen. Diese Teile haben eine Lebensdauer von vier Jahrzehnten, also wenn wir sie jetzt kaufen, werden wir sie nur 10 Jahre lang nutzen, und dann sind diese Flugzeuge weg.”

Das war etwas Offensichtliches, bei dem wir vergaßen, zu berücksichtigen, dass die Nützlichkeit eines Teils nicht die Lebensdauer des Flugzeugs, dem es dient, übersteigen kann. Solche Dinge gibt es – je nach Branche – und die Realität liefert Ihnen einen endlosen Strom an Dingen, die Ihnen als Manifestationen dieses Wahnsinns ins Gesicht fallen. Obwohl ich Ihnen keine allgemeine Regel oder einen Algorithmus zur Erkennung davon geben kann, funktioniert es in der Praxis sehr gut, weil die Menschen diese Dinge erkennen können.

Ian Wright: Nun, seltsamerweise sind wir jetzt heftig einer Meinung, denn ich weiß, dass wir einige Dinge besprechen wollen. Meine wichtigste Prämisse in meiner Karriere – was die Arbeit mit all dieser Technologie und deren Einführung in das Unternehmen betrifft – war immer, dass man den Menschen nicht ausschließen kann. Man muss den Menschen im Prozess der Implementierung und Nutzung der Technologie berücksichtigen und einsetzen.

Weil wir derzeit – und in absehbarer Zukunft – keine Technologie haben, die viele der menschlichen Aspekte ersetzen kann, von denen Sie sprechen, etwa das Erkennen des Absurden oder des Wahnsinns. Es existiert einfach noch nicht. Die einzige Möglichkeit, dass es existieren wird, besteht darin, dass man irgendwie versucht, menschliche Aspekte in den Prozess zu integrieren. Heute ist das einfach nicht machbar.

Joannes Vermorel: Ja, dem stimme ich zu. Es gibt zwei Aspekte, auf die ich Ihre Kommentare beantworten möchte. Erstens: Manchmal kann man erst im Nachhinein feststellen, dass eine Entscheidung verrückt war. Man muss den Fehler machen, um zu erkennen, dass etwas Unerwartetes passiert ist und schlecht war. Aber jenseits des Menschlichen muss auch Information aus der Welt zurückkommen. Man braucht Feedback aus der realen Welt, um diese Informationen zu erhalten. Es geht also um Intelligenz auf hohem Niveau. Selbst wenn wir eine künstliche Intelligenz hätten, die genauso intelligent ist wie ein Mensch, gäbe es Grenzen. In gewisser Weise ist der einzige Weg, die Welt zu verstehen, sich etwas Spielraum zum Experimentieren zu geben. Das wäre der erste Aspekt.

Der zweite Aspekt betrifft die Rolle der Menschen. Die Art und Weise, wie meine Kollegen Systeme entwickelt haben, besteht darin, dass sie den Menschen als Co-Prozessoren einsetzen. Ihr System generiert Entscheidungen, Zahlen, Ressourcenzuweisungen und so weiter. Dann gibt es all diese Ergebnisse, die verrückt sind, und man erwartet, dass eine Armee von Sachbearbeitern manuell einspringt, um all dies zu korrigieren. Für das Publikum tun all die Systeme, die Alarme und Ausnahmen bieten, genau das. Alarme und Ausnahmen sind nur eine andere Art zu sagen, dass wir menschliche Co-Prozessoren haben, die das verarbeiten, was mein System nicht verarbeitet.

Mein Problem damit ist, dass Menschen ziemlich teuer sind. Das sind die Kosten. So sehe ich es: Es ist keine sehr gute Nutzung ihrer Zeit, weil diese menschlichen Co-Prozessoren endlos durch denselben Unsinn – dieselben Alarme und Ausnahmen – zirkulieren müssen.

Deshalb betrachten wir bei Lokad das Ganze völlig anders. Wir sagen, wann immer ein Stück Unsinn entdeckt wird – wie ein Alarm oder eine Ausnahme – muss jemand bei Lokad, der Supply Chain Scientist, eingreifen und die Implementierung dessen, was die prädiktive Optimierung durchführt, anpassen, um das Problem zu beheben, damit es nicht wieder auftritt. Keine Ausnahmen. Jedes einzelne Stück Unsinn, das behoben wird, wird bewertet. Ist es ein tatsächlicher Unsinn oder eine sehr clevere Optimierung? Wenn es wirklich Unsinn ist, muss die Optimierungslogik selbst angepasst werden. Man möchte nicht, dass derselbe Mitarbeiter am nächsten Tag dasselbe Problem wieder meldet.

Ian Wright: Ich denke, wir sind immer noch auf derselben Wellenlänge, sicherlich im gleichen Kapitel. Ich komme eher aus einem strategischen und taktischen Blickwinkel, bei dem es mir nicht darum geht, einen Raum voller Big-Brother-Leute an Computermonitoren zu sehen, die Dinge korrigieren. Ich spreche davon, was bei der Umsetzung von Operationen im strategischen oder taktischen Sinne notwendig ist. Es bedeutet, den erfahrenen Stakeholder einzubeziehen, um die Vernunft in der Richtung, die man einschlägt, und in den Lösungen, die man vorantreibt, aufrechtzuerhalten.

Wenn es um die gesamte Idee geht, wie ich Ihre Argumentation sehe, Joannes, werden wir mit der Art von Technologie, die Sie entwickeln und entwickelt haben, und mit dem allgemeinen Trend zu mehr Fähigkeit in Bezug auf KI zunehmend in der Lage sein, dass ein System sich im Rahmen des Event-Managements selbst korrigiert. Wir werden uns von dem teuren Raum der menschlichen Computerbediener entfernen. Aber heute ist das noch nicht der Fall, also müssen Sie innerhalb der Grenzen der verfügbaren Kapazitäten arbeiten.

Conor Doherty: Wenn ich darf, nur weil es so klingt, als hättest du, Ian, mehr über die Rolle des Menschen im strategischen Sinne gesprochen, und du, Joannes, scheinst mehr über die Entscheidungsfindung im alltäglichen, banalen Sinne zu sprechen. Sind das zwei sich nicht überschneidende Bereiche?

Joannes Vermorel: Das liegt daran, sehen Sie, dass meine Perspektive – und vielleicht ist sie ein wenig seltsam – darin besteht, dass wenn wir in den Bereich strategischer Überlegungen eintreten, Ihr Fokus auf dem Betrieb einer supply chain vor allem darauf liegen sollte, wie ich die Mechanismen erschaffe, die die richtigen Entscheidungen generieren. Die Leute denken, es gibt strategische Entscheidungen, taktische Entscheidungen und was weiß ich. Ich bin der Meinung, dass es Entscheidungen gibt, die wiederholbar sind. Einige werden täglich getroffen, einige stündlich, einige monatlich, einige einmal im Jahr. Wenn es um die Mechanisierung geht, möchte man alles mechanisieren, was hinreichend oft wiederholt wird. Den Rest lässt man in völlig ad-hoc Art und Weise erledigen.

Die Strategie, wenn man diesen Ansatz betrachtet, besteht nicht so sehr darin, etwas auf einer bestimmten Ebene zu entscheiden und dann andere Ebenen der Organisation das tun zu lassen, was sie in ihren jeweiligen Bereichen tun. Vielmehr geht es bei der strategischen Vision darum, was ich tun muss, damit aus der ingenieurtechnischen Kultur meines Unternehmens mechanisierte Entscheidungsprozesse entstehen, die wirklich meinen Gewinn steigern. Das ist eine völlig andere Art, über Strategie nachzudenken.

Ian Wright: Ich stimme Ihnen vollkommen zu. Meine Ansicht war oft, dass die Rolle des Architekten darin besteht, das Konzept eines Gebäudes zu entwerfen, woraufhin es dem Ingenieur übergeben wird, der festlegt, wie es zusammengefügt wird, und dann an den Bau, der es tatsächlich errichtet, und schließlich an die Menschen, die im Gebäude arbeiten und es instand halten. Auf all diesen Ebenen sollte der Architekt nichts entwerfen, das nicht ingenieurmäßig umsetzbar, gebaut oder instand gehalten werden kann. Das ist meine übergeordnete Analogie des Prozesses, in dem wir tätig sind.

Bei der supply chain ist es jedoch etwas anders, denn Sie könnten heute eine Strategie entwickeln, aber nächstes Jahr müssen Sie dieselbe wiederholen. Das Problem bei supply chain ist, dass sie dynamisch und anpassungsfähig ist. Wir müssen auf die sich verändernde Welt und ihre Bedürfnisse reagieren. Sie wiederholen Ihren Strategieprozess, aber Sie müssen ihn in einer machbaren, pragmatischen Weise durchführen, die es Ihnen ermöglicht, eine betriebsfähige Lösung zu implementieren.

Joannes Vermorel: Nur um Ihnen etwas Perspektive zu geben: Während der Lockdowns in 2020 und 2021 hatten wir eine ganze Reihe von Kunden, mehr als ein Dutzend, bei denen ihre Büroangestellten 14 Monate lang nicht arbeiteten. Lokad blieb allein zurück und traf alle supply chain Entscheidungen für Unternehmen, in denen die Produktionsmitarbeiter weiterhin arbeiteten. Die Büroangestellten waren auf staatlichen Feiertagen, subventioniert. Sie wurden bezahlt, aber die europäischen Regierungen bestanden darauf, dass die Menschen nicht von zu Hause aus arbeiteten, andernfalls würden sie nicht durch staatliche Subventionen bezahlt. Sie waren effektiv im Urlaub.

Wir betreuten für ein Dutzend Kunden einen Warenbestand im Wert von über einer Milliarde Euro, der 14 Monate lang vollständig betrieben wurde. Das entsprach insgesamt über tausend Mitarbeitern. Und das wirft wirklich die Frage auf, was diese angeblich strategischen supply chain Prozesse bewirken.

Wenn ich mir die meisten S&OP-Meetings ansehe, gibt es lange Diskussionen darüber, wie viel Budget wir für den Einkauf in den verschiedenen Abteilungen bereitstellen. All das kann durch eine Formel ersetzt werden. Wenn wir mit einer Formel nicht einverstanden sind, weil sie absurde Ergebnisse liefert, dann korrigieren wir die Formel. Aber wir müssen uns nicht mit 12 Direktoren treffen und alle Ausgaben berücksichtigen, um zu dieser Budgetkalkulation zu gelangen. Es kann automatisiert werden.

In Bezug auf die Strategie lautet die Frage: Wie stelle ich sicher, dass das Engineering, das in diese Formel einfließt, welche meine Top-Level-Ressourcen zuteilt, auf eine Weise durchgeführt wird, die mit den Interessen meines Unternehmens übereinstimmt? Das ist ein sehr interessantes Problem und ja, das sollte das Interesse des Managements wecken, das strategisch denken möchte. Die Vorstellung, ein paar Entscheidungen auszusondern und zu sagen, “Da werde ich mitwirken”, bringt eigentlich nicht viel Mehrwert.

In vielen Unternehmen wird in diesen vermeintlich strategischen Meetings viel Zeit verschwendet. Ja, es werden Entscheidungen getroffen, aber mit einer Produktivität, die absolut miserabel ist. Ich glaube, wir hatten einen früheren Gast, der S&OP diskutierte, und er sagte mir, dass sie in der Regel nur etwa vier Entscheidungen pro Stunde treffen.

Conor Doherty: Das war Eric Wilson, ja, in einem S&OP-Prozess.

Joannes Vermorel: Ja, und ich dachte mir, okay, wir müssen einfach Hunderttausende von Entscheidungen treffen, und jetzt haben wir einen Takt von vier Entscheidungen pro Stunde. Es ist offensichtlich, dass in solchen Situationen die operativen Abläufe stets weit vor Ihren Plänen liegen.

Bis Sie zu Ihren Entscheidungen kommen, sind diese völlig überholt, und die Leute haben bereits etwas anderes unternommen, weil sie nicht so lange auf diese Entscheidungen warten konnten. Wir landen in einer solchen Situation, in der es eher wie ein Maskenspiel ist. Menschen treffen strategische Entscheidungen für Dinge, die bereits vor etwa zwei Jahren passiert sind.

Conor Doherty: Nun, das interessiert mich. Nur um dich auf den Folgeschritt vorzubereiten, denn ich weiß, dass du in dem Artikel über dezentralisierte supply chain Entscheidungsfindung gesprochen hast und das Beispiel Walmart erwähnt hast.

Du kannst es besser beschreiben als ich.

Ian Wright: Das ordnungsgemäße und effektive Vorgehen bedeutet, dass man die Entscheidung dezentralisiert, aber diese Dezentralisierung und Entscheidungsfindung finden dennoch in einem Kontext statt, der effektiv und ordentlich gestaltet wurde. So entfernt man sich nicht zu weit von der zentralen Unternehmensstrategie. Es gibt fast eine Art Rolltreppe der Strategie hinunter zu den Operationen.

In diesem Fall sprechen wir von der Dezentralisierung dessen, was ich als taktischere Entscheidungen bezeichnen würde. Aber letztlich kommt alles auf Joannes zurück. Ich bin da überhaupt nicht anderer Meinung. Worüber wir sprechen, ist, dass die Menschen nicht nur in Silos innerhalb von Organisationen arbeiten, sondern auch in Silos planen und agieren. Die supply chain Jungs erstellen ihren strategischen supply chain Plan, danach denken sie an den Transportplan und schließlich an den Lagerplan.

All diese Pläne sind voneinander abhängig und werden leider häufig unabhängig voneinander ausgeführt. Wir können grundsätzlich keine optimale strategische supply chain Lösung entwickeln, sofern wir keinen Netzwerkplan, keinen Transportplan und keinen Bestandsplan in ein Betriebsmodell integrieren.

Die ganze Situation, in der Lokad ohne die White-Collar-Mitarbeiter im Gebäude arbeitet, ist für mich ein hervorragendes Beispiel für ein Betriebsmodell, das es ermöglicht, den Betrieb aufrechtzuerhalten und nicht zu weit von dem Plan abzuweichen, von dem man vor sechs Monaten annahm, dass man ihn für den Betrieb benötigt, trotz Disruptionen. Ihr habt die richtigen Leute, die richtigen Prozesse aufgebaut, und ihr habt die Technologie und Programme implementiert, die die Ausführung unterstützen.

Ich halte das ganze Konzept, die Optimalität zu erreichen, für wesentlich. Man kann einen optimalen Plan haben, aber man muss in der Lage sein, ihn auszuführen und so genau wie möglich beizubehalten. Ohne dieses Betriebsmodell – und ich gehe dabei über das traditionelle Zusammenspiel von Leuten, Prozessen und Technologie hinaus – benötigt man dies. Das ist in der Tat euer strategischer Unternehmensplan, und all diese anderen strategischen Pläne rund um die supply chain müssen im Kontext dessen funktionieren. Wenn das Betriebsmodell, das man hat, nicht mit den erarbeiteten Plänen übereinstimmt, ist das eine todsichere Formel für eine Katastrophe.

Conor Doherty: Ian, wenn ich das in einem Zitat zusammenfassen darf: Du hast vorhin gesagt, dass man Menschen nicht ausschließen kann. Joannes, stimmst du zu, dass man den Menschen, insbesondere in der strategischen Entscheidungsfindung, von der Ian spricht, nicht ausschließen kann? Ist das etwas, das in einen automatisierten Rahmen integriert werden könnte, den ihr bereits auf das alltägliche Geschäft angewendet habt?

Joannes Vermorel: Auf die Frage, ob wir über eine künstliche allgemeine Intelligenz verfügen, lautet die Antwort: Nein. Wir kommen zwar, ohne Frage, der Lösung näher. LLMs zeigen Funken von allgemeiner Intelligenz, aber nur Funken. Daher würde ich sagen: Lokad kann derzeit nicht behaupten, über Software zu verfügen, die so ausgefeilt ist, dass sie die Notwendigkeit des menschlichen Geistes überflüssig macht. Tatsächlich haben wir im Kern unserer Praxis das, was wir Supply Chain Scientist nennen – Ingenieure, die die numerischen Rezepte programmieren. Das ist etwas sehr Menschliches, das wir noch nicht an Maschinen delegieren.

Obwohl Algorithmen dabei helfen können, schneller zu programmieren – mit Autovervollständigung und Ähnlichem – lautet die eigentliche Frage: Wenn man menschliche Intelligenz hat, wird sie dann für eine Aufgabe eingesetzt, bei der der Mehrwert darin besteht, dass sie allgemeine Intelligenz besitzt, anstatt lediglich als Mustererkennungswerkzeug zu fungieren oder etwas mechanisiert werden kann?

Mein Gegenargument wäre, dass viele Unternehmen, insbesondere solche, die supply chains betreiben, ihre White-Collar-Mitarbeiter nicht optimal nutzen. Sie sind nach wie vor in der Denkweise verhaftet, dass Horden von Büroangestellten einen Prozess durchlaufen, wobei die Einhaltung des Prozesses ihr Ziel ist.

Ich sehe viele dieser Unternehmen, die supply chains betreiben, die Mehrheit ihrer White-Collar-Arbeiter genau so behandeln wie ihre Blue-Collar-Mitarbeiter. Es gibt einen Prozess, und die Einhaltung des Prozesses wird als Exzellenz definiert.

Bei Blue-Collars ist das klar, das ist genau das, was man will. Aber wenn wir in das Terrain der White-Collars vordringen, wird es sehr merkwürdig, denn Informationen sind um Größenordnungen leichter zu mechanisieren als die reale Welt.

Der Umgang mit physischen Dingen, zum Beispiel wenn man einen Roboter haben möchte, der in allen Situationen schweißen kann, ist äußerst schwierig. Allein eine Handbewegung, das Halten eines Werkzeugs, das Unterstützen von etwas Schwerem und das Arbeiten in einer Umgebung mit Staub oder Verunreinigungen – hier sprechen wir von extrem fortschrittlicher Robotik, nur um etwas leisten zu können, das jemand nach ein paar Monaten Training beherrschen könnte.

Wenn wir in diese Welt der Information eintauchen, weißt du, auf dem Papier sind die Anforderungen bei weitem nicht so hoch. Wir können problemlos Gigabytes an Daten verschieben. Die Menschen, die diese White-Collar-Jobs ausüben, arbeiten bereits mit Computersystemen. Alle Informationen, die sie erhalten, kommen über einen Computer, und alle Informationen, die sie produzieren, werden bereits in einen Computer eingegeben. Somit haben wir einen Rahmen, der bereits vollständig digital ist.

Was ich sagen möchte, ist, dass Unternehmen die Mehrheit ihrer White-Collar-Mitarbeiter als Coprozessoren einsetzen. Sie haben das, was der Prozessor des Computers mit der von uns vorhandenen Software leisten kann, und dann gibt es jemanden in der Mitte, um die Lücken zu füllen. Aber nutzen wir wirklich die Intelligenz dieser Menschen? Mein Argument ist: Nein. Wenn es von strategischer Bedeutung ist, muss sichergestellt werden, dass alle White-Collar-Mitarbeiter zu Dingen beitragen, bei denen nur allgemeine Intelligenz den Mehrwert liefern kann. Wenn etwas keine allgemeine Intelligenz erfordert, sollte es mechanisiert werden.

Ian Wright: Ich stimme zu. Dein Fokus auf den mechanistischen Ansatz definiert, was Automatisierung ist und wofür man den Menschen benötigt. Der Moment, in dem der Mensch wirklich Mehrwert liefert – und wie du sagst, Joannes, wird das wahrscheinlich nicht korrekt umgesetzt – liegt in den intuitiven Bereichen, in denen man mechanistisch keinen Input liefern kann. Zum Beispiel: Wenn man bedenkt, dass ein Flugzeug in 10 Jahren veraltet sein wird – warum sollten wir das also tun? Das ist etwas, das man mechanistisch nicht konstruieren kann.

Dort, wo man den Menschen braucht, ist es wichtig, dass er einen organischen Beitrag zu einem Problem oder einer Situation leistet, sei es im Eventmanagement oder im operativen Management der supply chain. Diagnostische Mechanismen lassen sich relativ leicht implementieren. Ein Bereich, der noch viel Potenzial bietet, ist der Einsatz von Feedback-Schleifen, die helfen, proaktive Lösungen innerhalb eines mechanistischen Kontexts zu generieren. Dies schließt die Ansammlung von Informationen aus einer breiteren Vielfalt von Datenquellen in dieses proaktive mechanistische operative Management ein. Aber man kann die intuitive Seite nicht übertreffen. Es gibt einen emergenten Aspekt in dem, was ein Mensch in einen Kontext einbringt, in dem er versucht, ein Problem zu betrachten oder – was noch wichtiger ist – ein Problem vorauszusehen.

Joannes Vermorel: Ich stimme voll und ganz zu. Hier würde ich die Zeitreihenperspektive verantwortlich machen. Die gängige Praxis in supply chains dreht sich heutzutage alles um Zeitreihen. Aber wenn man sich Unternehmen ansieht, die in dem, was sie tun, sehr gut sind, dann sind sie ausgezeichnet darin, intelligent mit dem Feedback umzugehen, das sie erhalten – wie etwa Amazon. Amazon nutzt das Feedback seiner Kunden sehr klug, um die meisten seiner supply chain- und logistischen Probleme systematisch zu lösen.

Wenn ein Zusteller routinemäßig dafür gemeldet wird, dass er Pakete verliert, wird Amazon diesen Anbieter nicht mehr verwenden und auf einen anderen umsteigen. Wenn ein Lieferant Probleme verursacht, wird er rausgeworfen. Sie nutzen die gesammelten Feedback-Daten in angemessener Weise. Es bedarf Menschen, die sich vorstellen können, welches Feedback gesammelt werden kann, und Ingenieuren, die die numerischen Rezepte erstellen, die entscheiden, wann ein Lieferant rausgeworfen oder ein logistischer Anbieter benachrichtigt wird.

Sie betreiben wahrscheinlich eine intelligente Optimierung, indem sie beispielsweise feststellen, dass ein Transportunternehmen unter bestimmten Bedingungen zuverlässig ist, aber unter anderen nicht, und dieses Transportunternehmen dann nur unter diesen Bedingungen einsetzen. Das erfordert eine Vision davon, was relevante Daten sind, und nicht nur Zeitreihen zur Nachfrage. Es erfordert ein ingenieurmäßiges Denken, um tiefgreifende Lösungen für Probleme zu bieten, anstatt nur im Notfall das Feuer zu löschen. Die meisten Unternehmen hetzen von einem Notfall zum nächsten, verbrauchen ihre gesamte Kapazität und verhindern so Verbesserungen. Amazon hingegen entwickelt tiefgreifende Lösungen für jede aufgetretene Situation, beseitigt Problembereiche und macht weiter.

Ian Wright: Leider führt das zurück zu den Finanzen. Wenn man über tiefe Taschen verfügt, um den von dir angedeuteten Denkprozess zu unterstützen, ist das eine Sache. Aber die meisten supply chain Manager arbeiten nicht in einem Umfeld, in dem sie über reichlich Geld verfügen, um Probleme auf diese Weise anzugehen. Sie holen nur auf, löschen Brände und befinden sich in einem Teufelskreis.

Wenn du als Praktiker die Gelegenheit bekommst, an einem strategischen Projekt zu arbeiten, setze das Modell nicht an erste Stelle. Verstehe die Welt des supply chain Managers, wie sie heute existiert, und denke dann so, als wärst du Amazon, um herauszufinden, wie diese Welt funktionieren könnte, damit sie nicht ständig hinterherhinken. Leider verfolgen die meisten supply chain Manager strategische Projekte in derselben Art und Weise wie ihre tägliche Arbeit, die nur ein weiterer Brand ist, den es zu löschen gilt. Menschen auf beiden Seiten gehen es nicht richtig an, aber es könnte anders angegangen werden, wenn man anders über die Rolle nachdenkt.

Conor Doherty: Meine Herren, mir ist die Zeit bewusst, daher möchte ich zu dir zurückkommen, Ian, und nach der praktischen Optimalität fragen. Als Weg, uns zu einer Schlussfolgerung zu führen: Welche praktischen Schritte können unternommen werden, um Optimalität zu erreichen?

Ian Wright: Noch einmal, ich nähere mich dem Thema von der strategischen Seite, nicht als jemand, der auf dem Shopfloor versucht, das Produkt in die Hände des Kunden zu bringen. Was man bei Optimalität beachten muss, ist, es unter dem Gesichtspunkt zu betrachten, wie diese Umsetzung tatsächlich erfolgen wird. Stelle sicher, dass du darauf ausgerichtet bist, eine praktikable, umsetzbare Lösung zu präsentieren, die zur heutigen Arbeitsweise des Unternehmens passt.

Wenn du die Fähigkeit und Freiheit hast, entwickle eine Lösung, die Optimalität in einem Kontext erreicht, der optimal umgesetzt werden kann. Verstehe die wahren Ziele der Stakeholder, die wahren Ziele der Sponsoren und die wahren Ziele des Unternehmens – nicht nur deren beobachtete oder propagierte Ziele. Soweit sie bereit sind zuzuhören, versuche eine Lösung in diesem Sinne zu entwickeln. Sorge jederzeit dafür, dass du mit Menschen arbeitest und nicht nur mit dem Modell.

Conor Doherty: Danke. Joannes, möchtest du noch etwas hinzufügen?

Joannes Vermorel: Nein, ich denke, das ist ein guter Punkt. Aus Sicht eines Softwareanbieters würde ich sagen, dass man, wenn es um Optimalität geht, software vendors nicht zu sehr vertrauen sollte. Ja, natürlich – außer uns. Insbesondere sollte man berücksichtigen, dass es Softwareklassen wie Systems of Records und Systems of Reports gibt, die sich nicht mit Entscheidungen befassen und daher gar nicht mit Optimierung umgehen können.

Systems of Records, wie ERP, CRM, WMS, und Systems of Reports, wie business intelligence, werden häufig als Lösung für optimierte Entscheidungen beworben. Durch ihr Design greifen diese Softwareklassen das Problem nicht einmal an. Sie optimieren von vornherein nicht. Daher lautet meine Botschaft: Versuche nicht, deinen Weg zur Optimalität in deinem nächsten ERP-Upgrade zu finden. Per Definition ist ein ERP ein System of Records. Es befasst sich nicht mit Entscheidungen und kümmert sich noch weniger darum, ob diese Entscheidungen in irgendeiner Form optimal sein können.

Conor Doherty: Ich werde dafür sorgen, dass ich diesen wirklich schönen kleinen Artikel einfüge – naja, einen kurzen Artikel, wie ich es dort gemeint habe. Darin sprichst du über Systems of Record, Systems of Report und Systems of Intelligence. Aber es ist hier üblich, dem Gast das letzte Wort zu überlassen. Wenn es also noch etwas gibt, das du erwähnen möchtest oder das wir nicht gesagt haben, kannst du abschließend das Wort ergreifen.

Ian Wright: Ja, das gefällt mir. Von einem Softwareanbieter: Vertraue Softwareanbietern nicht. Das gefällt mir wirklich, denn in über 40 Jahren hat mich eines besonders beschäftigt: in welchem Maße ich den Hype um Technologie miterlebt habe. Der Hype um die gesamte Idee einer supply chain war für mich lange Zeit eine Art Hype. Und tatsächlich habe ich darüber geschrieben, Conor – was dich nicht überraschen wird. Aber ich denke, wir müssen einfach lernen, in einer Welt zu leben, in der man sich durch den Hype und durch das Dickicht arbeiten kann und versteht, was wirklich funktioniert. Das ist der Schlüssel – das, was real ist.

Conor Doherty: Nun, in diesem Sinne sage ich, dass ich keine weiteren Fragen habe. Joannes, danke für deine Zeit. Ian, vielen Dank, dass du bei uns dabei warst.

Ian Wright: Danke, Leute. Es war ein Privileg, dass ihr mich eingeladen habt, und ich freue mich wirklich darauf, mehr über Lokad zu erfahren und ob ich verrückt bin oder nicht. Das ist der Schlüssel.

Joannes Vermorel: Ja, einer der Schlüssel. Wir werden dir eine Diagnose schicken.

Conor Doherty: Danke, und danke fürs Zuschauen. Wir sehen uns beim nächsten Mal.