00:00:00 Einführung in das Interview
00:01:41 Ian Wrights frühe Karriere und Gründung von Logistics Sciences
00:05:33 Das Konzept der Optimierung in der Supply Chain
00:10:06 Optimierung, Unsicherheit und Störungen in der realen Welt
00:18:18 Grenzen der traditionellen Optimierung und Auswirkungen der Pandemie
00:25:27 Lokads Reaktion und Anpassung der Lieferketten
00:32:45 Herausforderungen deterministischer Modelle und Kompromisse
00:41:09 Servicelevel, Finanzmodelle und Realitätschecks
00:50:48 Menschliche Expertise, Heuristiken und iterative Modellierung
00:58:39 Die Kosten menschlichen Eingreifens in Lieferketten
01:06:24 Strategie als Ingenieurwesen und Entscheidungsautomatisierung
01:14:06 Walmarts dezentrales Modell und Aufbrechen von Silos
01:21:39 Rückkopplungsschleifen und kontinuierliche Verbesserung der Lieferkette
01:29:18 Erreichen von Optimierung und Umgang mit Anbieterhype
01:35:42 Abschließende Gedanken zu den Trends in der Supply Chain-Technologie
Zusammenfassung
In einem kürzlichen LokadTV-Interview führte Conor Doherty ein Gespräch mit Ian Wright, dem Gründer von Logistics Sciences, und Joannes Vermorel, dem CEO von Lokad, um die Vorstellung zu diskutieren, dass es keine optimalen Entscheidungen in der Supply Chain gibt. Sie stellten traditionelle Ansichten zur Effizienz in Frage und betonten die Komplexitäten und Unsicherheiten, die sich den idealen Lehrbuchvorstellungen widersetzen. Ian und Joannes betonten, dass verschiedene Interessengruppen unterschiedliche Definitionen von Optimierung haben und praktische Lösungen mit den unternehmerischen Realitäten in Einklang stehen müssen. Sie diskutierten die Grenzen traditioneller Optimierungsmethoden und die Bedeutung menschlichen Urteils bei strategischen Entscheidungen. Das Gespräch unterstrich die Notwendigkeit von Modellen, die mit Unsicherheit umgehen und sich auf echte wirtschaftliche Ergebnisse konzentrieren.
Erweiterte Zusammenfassung
In einer kürzlichen Folge von LokadTV führte Conor Doherty, Kommunikationsdirektor bei Lokad, ein aufschlussreiches Gespräch mit Ian Wright, dem Gründer von Logistics Sciences, und Joannes Vermorel, dem 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 Ansichten zur Effizienz und Entscheidungsfindung in Frage stellt.
Conor Doherty eröffnete die Diskussion, indem er auf den weit verbreiteten Glauben an optimale Entscheidungen als Höhepunkt der Effizienz hinwies, bei dem Ressourcen perfekt allokiert, Kosten minimiert und Gewinne maximiert werden. Er bemerkte jedoch, dass solche Lehrbuchideale oft an realen Komplexitäten scheitern. Ian Wright, mit über 40 Jahren Erfahrung in der Supply Chain und Logistik, teilte seine Reise von der Akademie zur Ölindustrie und schließlich zur Gründung von Logistics Sciences. Seine Karriere war geprägt von einem Fokus auf Problemlösungen in Logistik und Operationsforschung, wobei die praktische Anwendung von Planung und Ausführung im Vordergrund stand.
Joannes Vermorel wiederholte Ians Aussagen und wies darauf hin, dass, obwohl die Absichten der Operationsforschung nach dem Zweiten Weltkrieg richtig waren, das Feld ähnliche Herausforderungen wie die künstliche Intelligenz erlebt hat, mit Phasen überhöhter Erwartungen, gefolgt von Enttäuschungen. Er stellte fest, dass viele Methoden der Operationsforschung keine umsetzbaren Vorteile für Unternehmen brachten.
Das Gespräch vertiefte sich dann in Ians Papier “Warum es keine optimale Lösung in der Supply Chain-Planung und Logistiknetzwerkoptimierung gibt”. Ian erklärte, dass verschiedene Interessengruppen unterschiedliche Definitionen von Optimalität haben, was oft zu widersprüchlichen Ideen führt. Praktiker konzentrieren sich auf die mathematischen Aspekte, während Geschäftsleiter mehr an praktischen, umsetzbaren Lösungen interessiert sind. Er betonte, dass Modelle und Tools nur Facetten einer umfassenderen Lösung sind, die für das Unternehmen sinnvoll sein muss.
Joannes erweiterte dies, indem er die Grenzen traditioneller Optimierungsmethoden diskutierte, die oft nicht in der Lage sind, die Dimension Zeit zu berücksichtigen und mit Unsicherheiten umzugehen. Er hob die Bedeutung quantitativer Verbesserungen in der Geschäftsoptimierung hervor und stellte dies der statischeren, mathematischen Perspektive der traditionellen Operationsforschung gegenüber.
Das Gespräch berührte auch die Rolle der Unsicherheit bei der Entscheidungsfindung in der Supply Chain. Ian beschrieb verschiedene Quellen der Unsicherheit, von vorhersehbaren Variationen bis hin zu Black Swan-Ereignissen und unbekannten Unbekannten. Er betonte die Notwendigkeit von Modellen, die mit diesen Unsicherheiten umgehen können und alternative Lösungen bieten.
Joannes teilte Lokads Ansatz während der COVID-19-Lockdowns mit, wo sie Supply-Chain-Entscheidungen für Kunden verwalteten, deren Angestellte im Homeoffice waren. Durch die Injektion einer massiven Dosis Unsicherheit in ihre Modelle konnte Lokad vorsichtigere Entscheidungen treffen und die Wirksamkeit ihrer Optimierungssysteme demonstrieren.
Das Gespräch verlagerte sich dann auf die Rolle von Abwägungen bei Entscheidungen. Ian betonte, dass Abwägungen oft auf finanzielle Überlegungen hinauslaufen, die Kosten gegen Servicelevel und andere Faktoren abwägen. Joannes argumentierte, dass viele Unternehmen sich darauf konzentrieren, Prozentsätze zu optimieren, anstatt echte wirtschaftliche Ergebnisse anzustreben, was zu suboptimalen Entscheidungen führt.
Sowohl Ian als auch Joannes waren sich einig über die Bedeutung menschlicher Beteiligung an strategischen Entscheidungen. Obwohl Automatisierung und Optimierungstools viele Aufgaben übernehmen können, bleiben menschliche Intuition und Urteilsvermögen entscheidend, insbesondere in Bereichen, in denen mechanische Eingaben unzureichend sind.
Abschließend betonte das Interview die Komplexitäten und Herausforderungen der Supply-Chain-Optimierung und unterstrich die Notwendigkeit praktischer, umsetzbarer Lösungen, die Unsicherheiten berücksichtigen und menschliches Urteilsvermögen einbeziehen. Sowohl Ian als auch Joannes gaben wertvolle Einblicke, wie Unternehmen diese Herausforderungen bewältigen können, und betonten die Bedeutung der Ausrichtung von Modellen auf betriebliche Realitäten und der Fokussierung auf echte wirtschaftliche Ergebnisse.
Vollständiges Transkript
Conor Doherty: Willkommen zurück bei LokadTV. Eine optimale Entscheidung wird oft als Höhepunkt der Effizienz angesehen, eine Situation, in der Ressourcen perfekt allokiert, Kosten reduziert und Gewinne maximiert werden. Das klingt großartig in einem Lehrbuch oder im Klassenzimmer, aber oft scheitern solche Ideen beim Kontakt mit der realen Welt. Der heutige Gast, Ian Wright, wird uns über diese Suche nach Optimalität sprechen. Ian ist der Gründer von Logistics Sciences und verfügt über mehr als 40 Jahre Erfahrung in der Supply Chain.
Wie immer, wenn Ihnen gefällt, was Sie hören, abonnieren Sie bitte den YouTube-Kanal und folgen Sie uns auf LinkedIn. Und damit gebe ich Ihnen das heutige Gespräch mit Ian Wright.
Gut, großartig. Nun, Ian, vielen Dank, dass Sie sich uns angeschlossen haben. Für Personen, die möglicherweise nicht mit Ihnen vertraut sind - ich habe Sie zuvor vorgestellt, aber für alle, die Ihre Arbeit nicht kennen, könnten Sie bitte eine kurze Einführung geben?
Ian Wright: Nun, ich glaube, Sie haben erwähnt, dass ich seit 40 Jahren dabei bin. Tatsächlich bin ich schon viel länger dabei, aber meine Karriere umfasst 40 Jahre. Akademisch gesehen basiert mein Hintergrund im Grunde genommen auf einem Interesse an Wirtschaft und Geographie, das ich durch das Studium dessen zusammengebracht habe, was damals nur als Transport oder Verkehr bekannt war, woher ich komme. Das war im Grunde genommen Wirtschaft, Geographie, Geschäft und das hat ein großes Interesse an Problemlösungen ausgelöst, speziell im Bereich dessen, was heute als Logistik und Operationsforschung bekannt ist. Also habe ich dann Operationsforschung betrieben, aber mich immer noch sehr auf Transportprobleme, Logistikprobleme und jetzt das konzentriert, was wir alle als Supply Chain kennen. Das war vor über 40 Jahren.
Und dann, um tatsächlich meinen Lebensunterhalt verdienen zu müssen, bin ich in die Ölindustrie eingestiegen als Managementwissenschaftler bei Castrol. Ich wurde sozusagen ins kalte Wasser geworfen, weil ich sofort in sehr hochrangige strategische Planungsprojekte eingestiegen bin. Ich habe eine Reihe von vorbeugenden Wartungssystemen für die Verteilung des Unternehmens geschrieben und habe Planungssoftware aus einem Netzwerk- und Flottenplanungsstandpunkt kennengelernt. Dann bin ich zu dem Unternehmen gewechselt, das diese Systeme bereitgestellt hat, damals war das nur ein Mann, also waren wir zu zweit, und habe ihm geholfen, das aufzubauen. Dann bin ich mit einem Kunden des Unternehmens in die USA gezogen und habe mich mit GIS und der Verwendung von GIS als Visualisierung dessen, was wir auf der Planungsseite gemacht haben, beschäftigt. Das war eine frühe Einführung in das, was heute um GIS und Visualisierung herum üblich ist, zurück in den frühen 80er Jahren.
Von dort aus bin ich zunächst durch ein Softwareentwicklungsprojekt in die Drittanbieterlogistik eingestiegen. Ich war während meiner gesamten Karriere in Großbritannien über 3PL informiert, aber in den frühen 90er Jahren war es in den USA ziemlich neu, und sie entwickelten gerade erst die Idee, Lösungen zusammenzustellen, um sie an Kunden zu verkaufen. Diese Lösungen waren, wo sollten wir Ihr Lager platzieren, wie sollten wir Ihre Transportmittel betreiben. Das war eine großartige Anwendung meines Hintergrunds, aber für mich war es vor allem eine großartige Lektion in Bezug auf die Planung für die Implementierung und Ausführung und nicht einfach davon wegzugehen, sondern Teil davon zu sein, die Lösung zu betreiben, die man zusammengestellt hat, was ich denke, eine gute Lektion für alle ist, die in dem involviert sind, was wir tun.
Schließlich bin ich aus der eigentlichen Planung herausgegangen. Ich habe ein paar Lösungsgruppen zusammengestellt und die Lösungsgruppen geleitet. Dann bin ich weitergezogen und wurde in den Organisationen, für die ich gearbeitet habe, immer verantwortlicher. Aber letztendlich, nach einer Zeit des Arbeitens in der Beratung, was mir nicht so gut gefallen hat, beschloss ich, eine Beratungsfirma zu gründen, Logistic Sciences. Und wenn Sie wissen möchten, was Logistic Sciences ist, dann versuche ich im Grunde genommen, zu dem zurückzukehren, was ich gerne tue, nämlich Problemlösungen, insbesondere im Bereich der Supply Chain und Logistik, und mit dem begrenzten Wissen und den begrenzten Werkzeugen, die ich habe, tatsächlich Menschen dabei zu helfen, Probleme in diesem Bereich zu lösen. Also ich weiß nicht, ob Ihnen das hilft zu verstehen, woher ich komme. Ich habe keine Ahnung, wohin ich gehe, aber…
Conor Doherty: Nun, vielen Dank, Ian. Und tatsächlich, Joannes, ich bin sicher, dass vieles davon auch auf Sie zutrifft. Ich meine, die Idee der Problemlösung und die Neubetrachtung des Problems der Entscheidungsfindung in der Supply Chain, das ist etwas, das stark mit Ihnen resoniert, oder?
Joannes Vermorel: Ja, ich meine, in Bezug auf die Absichten waren die Absichten, die nach dem Zweiten Weltkrieg von der Operationsforschung gelegt wurden, sehr korrekt im Sinne von “Lassen Sie uns versuchen, diese Managementmethoden in etwas zu verwandeln, das numerisch fundiert und verbessert werden kann”. Das war, denke ich, eine der Absichten, die korrekt war und heute noch sehr relevant ist. Die Herausforderung besteht darin, dass es sehr interessant ist. Die Leute sprechen sehr häufig über die verschiedenen Winter, die die KI, die künstliche Intelligenz, durchlaufen hat, mit überzogenen Hoffnungen und dann Enttäuschung darüber, dass es nicht funktioniert hat. Ich glaube, dass die Operationsforschung ähnliche Phasen durchlaufen hat und bestimmte Serien von Methoden, die damals bekannt waren, es einfach nicht geschafft haben, sich in echte umsetzbare Vorteile für Unternehmen zu verwandeln.
Conor Doherty: Nun, das führt eigentlich direkt zum Thema des heutigen Gesprächs, das Ian durch das Sehen Ihrer Arbeit auf LinkedIn inspiriert hat. Sie veröffentlichen tatsächlich viele Artikel. Ich habe hier einen davon vor mir, zu dem ich Notizen gemacht habe. Hoffentlich kann die Kamera das erfassen. Also ich habe es gelesen, wir haben es alle gelesen. Aber dieser Artikel war, und ich habe das gelesen, ich bin derjenige, ich bin derjenige. Ja, er war kostenlos, danke. Also der Artikel, der das Interesse an dem Gespräch geweckt hat, “Warum es keine optimale Lösung in der Supply Chain-Planung und Logistiknetzwerkoptimierung gibt.” Nun, er umfasst etwa 13 Seiten. Für alle, die ihn nicht gelesen haben, bitte eine Zusammenfassung auf Führungsebene.
Ian Wright: Im Grunde genommen versucht er die Vorstellung zu vermitteln, dass verschiedene Menschen unterschiedliche Vorstellungen davon haben, was Optimierung bedeutet. Und im Allgemeinen finde ich, dass es sich um gegensätzliche Ideen handelt oder nicht so sehr um gegensätzliche Ideen, sondern um konkurrierende Ideen im Sinne dessen, dass die Vorstellung von Optimierung des Praktikers oft sehr stark darauf fokussiert ist, was er mit dem Werkzeug oder der Technik tut, die angewendet wird. Und es kommt oft darauf zurück, was Joannes dort gesagt hat, dass es oft auf die Mathematik fokussiert ist, während die Person, die derjenige ist, der von der Optimierung betroffen ist oder der Empfänger der Optimierung ist, der Geschäftsmann ist.
Ich gehe davon aus, dass wir uns auf das Geschäft und den privaten Sektor konzentrieren können, obwohl es natürlich noch viel mehr gibt, was wir im Bereich der Supply Chain tun können. Aber der Geschäftsmann ist überhaupt nicht besorgt oder sollte überhaupt nicht besorgt sein über die Mathematik oder die Methodik oder das Werkzeug oder das Modell. Und ich konzentriere mich darauf, wenn ich mit meinen eigenen Kunden und in Projekten arbeite, sicherzustellen, dass sie verstehen, dass die von uns angewendeten Werkzeuge, die von uns erstellten Modelle, nur ein kleiner Teil davon sind, sie zu einer Lösung zu führen, die sie bei der Entscheidungsfindung und der Implementierung von etwas nutzen können. Also die grundlegende Prämisse des Artikels war, diese Idee zu vermitteln, dass das Modell nicht das wichtige Stück ist, sondern die Lösung. Und es gibt so viele weitere Komponenten, so viele weitere Facetten einer Lösung, die für das Unternehmen sinnvoll sind.
Conor Doherty: Nur dazu, und Joannes, ich komme gleich zu Ihnen, aber die Art und Weise, wie Sie das formuliert haben, wenn Sie es Ihren eigenen Kunden erklären, versuchen Sie im Grunde genommen sicherzustellen, dass die Leute verstehen. Und an diesem Punkt denke ich, ein Schlüsselwort, das sofort geklärt werden sollte, ist, wenn Sie von Optimierung sprechen, haben Sie wieder den Unterschied zwischen dem Praktiker und dem Mathematiker gemacht. Oft kann bestimmte Sprache je nach Verwendungsort leicht unterschiedliche Bedeutungen haben. Joannes und ich haben kürzlich eine Diskussion über Heuristiken geführt, und auch hier kann eine Heuristik in mathematischem Sinne gegenüber einem ökonomischen Sinn leicht unterschiedlich sein. Also wenn Sie von der Verfolgung einer optimalen Entscheidung sprechen oder von der Präsentation von Optimierung, was genau meinen Sie damit, bitte?
Ian Wright: Im Allgemeinen denke ich bei Optimierung nicht im Sinne eines Mathematikers, denn meiner Meinung nach ist das eine wunderbare Vorstellung, auf die man sich konzentrieren kann, wenn man in der Welt der Mathematik lebt. Aber worauf wir uns konzentrieren müssen, ist die beste Lösung in den vorherrschenden Umständen. Also, was passiert wirklich? Was passiert wirklich in der Welt? Wir müssen herausfinden, was los ist, und dann müssen wir eine Lösung präsentieren, die sagt, das Beste, was wir unter diesen Umständen finden können, um die meisten Probleme zu lindern oder zu mildern, die wir in den Umständen finden. Das ist die Lösung, die wir suchen, die wir präsentieren wollen.
Conor Doherty: Joannes? Oh, ja, danke, Ian. Also noch einmal, die Idee, die beste verfügbare Lösung zu sein, bedeutet nicht perfekt im absoluten Sinne. Möchten Sie dazu noch etwas hinzufügen oder stimmen Sie zu?
Joannes Vermorel: Ja, ich meine, um auf die Charakterisierung der Optimierungsperspektive in der Mathematik als schön zurückzukommen, stimme ich zu. Es ist etwas extrem Einfaches. Ich kann es für das Publikum zusammenfassen. Es ist die Idee, dass Sie eine Funktion nehmen, die das bewertet, was Sie wollen, und dann sind Ihre Variablen, was Sie entscheiden können, was sich nach Ihrem Willen ändern kann, Teil der Eingabe dieser Funktion. Das geht in die Eingabe, und dann gibt Ihnen die Funktion die Bewertung. Und im Grunde genommen sucht die Optimierung diese eine Kombination von Eingaben, die die Formalisierung Ihrer Entscheidung ist, die das Ergebnis extremiert. Extremiert wie minimieren, wenn Sie Ihre Kosten senken möchten, oder maximieren, wenn Sie die Renditen maximieren möchten, so etwas in der Art.
Und das Interessante ist, dass dieses einfache Problem mit einer schönen klaren mathematischen Charakterisierung einhergeht. Dann können Sie allerlei interessante Dinge über Ihre Eingaben sagen, Sie können allerlei interessante Dinge über Ihre Ausgabe sagen, wie sie sich verhält, und welche Klassen von Algorithmen existieren, um eine Lösung zu finden, und ob Sie in mathematischen Begriffen sagen können, dass unter diesen Annahmen Ihre Methode die beste sein kann oder nicht, usw. Und übrigens, dieses Forschungsfeld wird jetzt ziemlich OR genannt. Früher stand es für operationale Forschung, aber heutzutage ist es einfach mathematische Optimierung. Und sie kümmern sich nicht einmal mehr darum, ob sie über ein Geschäftsproblem sprechen oder nicht. Ihr Anliegen ist die Entwicklung von Solvern, einer Klasse von Software, die darauf ausgelegt ist, diese Optimierungen in mathematischem Sinne durchzuführen.
Wenn wir in mathematischen Begriffen an Optimierung denken, denke ich, dass es das klarste Verständnis dessen ist, was Optimierung ist. Das bedeutet nicht, dass es, weißt du, kristallklar ist, es bedeutet nicht, dass es das relevanteste ist. Es bedeutet nur, dass es das reinste ist, wie in kristallklarer Reinheit. Das bedeutet nicht, dass es das anwendbare Werkzeug für alle Situationen ist. Und wenn wir in geschäftlichem Kontext an Optimierung denken, meinen wir, dass wir Dinge verbessern wollen, aber mit einem quantitativen Ansatz. Sie sehen, das ist der Unterschied.
Denn ich kann ein Geschäft auch verbessern, indem ich zum Beispiel eine bessere Kultur schaffe, in der die Menschen engagierter sind, aber es ist fast unmöglich, irgendetwas darüber zu quantifizieren. Also wenn wir von Optimierung sprechen, meinen wir, dass wir mit quantitativen Instrumenten und idealerweise auch quantitativen Ergebnissen verbessern wollen. Das wäre, weißt du, sozusagen, und das ist, wenn wir, ich komme auf deine, würde ich sagen, Optimierung, wie du sie verstehst, würde ich sie hauptsächlich als einen Prozess quantitativer Verbesserungen beschreiben. Das wäre, weißt du, und das ist vollkommen, das würde ich sagen, die geschäftliche Perspektive der Optimierung.
Ian Wright: Ich denke, ich, nein, ich stimme Joannes voll und ganz zu. Eine der Dinge, die wir verstehen müssen, ist auch, dass mit optimal auch Dimensionen in die Probleme einbezogen sind, die wir betrachten, und oft werden diese Dimensionen ignoriert oder ausgelassen. Und einige der grundlegendsten, nun, tatsächlich die vielleicht grundlegendste Dimension ist die Dimension der Zeit.
Das hat einen massiven Einfluss darauf, was Sie mit dem Modell oder der Technik tun können und was Sie in der realen Welt tun müssen und was Sie unter diesen Umständen tun können. Und es verändert die Natur dessen, was Sie als optimal betrachten können.
Conor Doherty: Nun, tatsächlich, und wieder ist das ein perfekter Ausdruck dafür, was Sie tun können. Und das führt wieder zu einer Diskussion darüber, was ich für, und ich weiß, dass es für Joannes sicherlich ein Schlüsselelement jeder Diskussion über Optimierung oder grundsätzlich Entscheidungsfindung ist, die Natur der Unsicherheit bei dem Versuch, diese Entscheidungen zu treffen.
In Ihrem Papier sprechen Sie über Unsicherheit und die tatsächliche Komplexität, die in der Lieferkette existiert. Könnten Sie etwas genauer auf die Quellen der Unsicherheit eingehen, die tatsächlich die Verfolgung der Optimalität in welcher Weise auch immer beeinflussen?
Ian Wright: Es gibt viele Arten von Unsicherheit und, ähm, sogar bis zu dem Punkt, dass es Geschmacksrichtungen von Unsicherheit gibt, die Sie nicht schmecken können, weil Sie nicht einmal wissen, dass sie existieren. Also das, worauf die meisten Menschen sich als Unsicherheit konzentrieren, ist meiner Meinung nach einfach eine Reflexion der dynamischen Natur des Bereichs der operativen Lieferketten. Sie sind einfach dynamisch, also gibt es Unsicherheit im Zusammenhang mit diesen Dynamiken, und das ist offen für Analyse und quantitative Analyse und probabilistische Analyse, auf die ich weiß, dass Sie sich sehr konzentrieren.
Aber dann gehen Sie über das hinaus zu bestimmten Bereichen der Unsicherheit, die mehr in den Bereich des Risikos übergehen. Es gibt kleine Risiken und extrem große Risiken, und das spiegelt sich auch darin wider, dass Sie über einen vorhersehbaren oder probabilistisch vorhersehbaren Kontext hinausgehen, bis zu dem Punkt, an dem Sie tatsächlich über, worüber ich in dem Papier gesprochen habe, über Black Swan-Ereignisse sprechen. Und einfach, Junge, ich habe das Ganze verloren.
Also, tut mir leid, Sie müssen das vielleicht bearbeiten, aber Sie gehen von dem, Sie gehen von einem Modell der kleinen Welt aus, das vorhersehbar ist, Elemente hat, die Sie aus Daten vorhersagen können, die Sie recht einfach erhalten können. Sie gehen dann zu Black Swan-Ereignissen über, die im Grunde genommen, wissen Sie, passieren können, aber die Fähigkeit, sie vorherzusagen, ist viel weiter entfernt und tatsächlich können bestimmte Black Swan-Ereignisse einfach nicht vorhergesagt werden. Und dann denke ich sogar noch katastrophaler, oft in vielen Situationen von dem, was ich, was ich, was ich in dem Papier mit einem Ausdruck bezeichne, den ich mir ausgeliehen habe, die unbekannten Unbekannten.
Donald Rumsfeld, nun, es war eigentlich nicht Donald Rumsfeld, es war ein Typ davor, er hat die Idee genauso geklaut wie ich, aber egal. Und dann, dann kommen Sie darauf, wie weit müssen wir wirklich gehen, um nicht nur die unbekannten Unbekannten zu verstehen, für die wir keine Vorkehrungen treffen können, auch die Black Swan-Ereignisse können wir im Allgemeinen nicht berücksichtigen, aber das Vorhersehbare, das auf Wahrscheinlichkeit basiert, können und sollten wir berücksichtigen.
Und was ich auch sagen würde ist, dass Sie in eine andere Dimension des Betriebs übergehen können, in der Sie tatsächlich, und ich denke, ich habe das in der Modellierung angesprochen, nicht nur eine Lösung betrachten, sondern eine Lösung, die aus vielen abhängigen Elementen besteht, die Sie umschalten können oder umgeschaltet werden können und nach Bedarf ausgeführt werden können. Aber der Fokus liegt darauf, so nah wie möglich an dem zu bleiben, was Sie als optimal in Ihrer bevorzugten Lösung bezeichnet haben.
Conor Doherty: Nun, um auf das nicht von Donald Rumsfeld inspirierte Zitat aufzuspringen, aber andere Quellen der Unsicherheit, die die Leute für bekannte Bekannte halten würden, wären, wie Sie in dem Papier gesagt haben, stabile Nachfrage und vorhersehbare Lieferketten. Joannes, handelt es sich hierbei um bekannte Bekannte, bekannte Unbekannte oder unbekannte Unbekannte?
Joannes Vermorel: Ja, ich denke, diese Typologie ist schön, aber wenn wir wieder zum grundlegenden Instrument zurückkehren, das wir für diese quantitativen Analysen haben, wenn ich wieder zu den Dingen zurückkehre, die im Rahmen der Operationsforschung entwickelt wurden, war die Zeitdimension abwesend. Der erste Grund, warum sie abwesend ist, ist banal, weil Sie die Dimensionalität Ihrer Probleme erhöhen und diese Methoden sich sehr schlecht verhalten, wenn Sie versuchen, komplexere Methoden zu behandeln. Sie sind nicht sehr skalierbar, zumindest nicht in der Weise, wie wir heute skalierbare Lösungen verstehen, insbesondere wenn man die jüngsten Entwicklungen betrachtet, die auf dem Gebiet des Deep Learning stattgefunden haben.
Das erste Problem ist also, dass wir dieses sehr grundlegende Problem der Skalierbarkeit hatten, keine Zeitdimension. Und sobald wir die Zeitdimension berücksichtigen, ist die Zukunft nicht perfekt bekannt, daher müssen wir mit einer gewissen Variabilität umgehen. Und hierbei handelt es sich einfach um bekannte Unbekannte. Es ist sehr wahrscheinlich, dass sich die Durchlaufzeiten ändern, es ist sehr wahrscheinlich, dass sich die Nachfrage ändert, usw. Diese Fälle sind relativ einfach.
Und dann betreten wir das Gebiet dessen, was als stochastische Optimierung bezeichnet wird, denn plötzlich kann sich Ihre Entscheidung je nach zukünftigen Umständen, die Sie nicht kontrollieren, als gut oder schlecht erweisen. Es gibt alternative Zukunftsszenarien, in denen diese Entscheidung gut aussieht, aber es gibt sicherlich mögliche Zukunftsszenarien, in denen sie sich im Laufe der Zeit als schlechte Entscheidung erweisen wird. Das sind, würde ich sagen, die sehr banalen Probleme, die wir haben, bevor wir in die unbekannten Unbekannten und all diese wilden Varianten von Unsicherheiten eintauchen, haben wir noch grundlegendere Probleme, und hier denke ich, dass diese Idee der Facetten sehr interessant ist.
Wir wissen einfach nicht wirklich, wie wir irgendetwas bewerten sollen. Es ist nicht offensichtlich. Wenn wir sagen, wir wollen Gewinne optimieren, gibt es eine unbestimmte Anzahl von Möglichkeiten, Gewinne zu zählen. Sollten wir die Effekte der zweiten Ordnung, der dritten Ordnung einbeziehen? Was meine ich mit Effekten der zweiten Ordnung? Sie gewähren jetzt einen Rabatt von 10%, der Kunde erwartet, dass er beim nächsten Besuch im Geschäft wieder einen ähnlichen Rabatt erhält. Dies ist ein Effekt der zweiten Ordnung. Sie haben gerade einen Rabatt gewährt, aber es hat Sie mehr gekostet, weil Sie die Erwartung geweckt haben. Also auch das sollte bewertet werden.
Und wenn Sie das tun, könnte Ihr Konkurrent aggressiv beschließen, noch stärker auf den Preis zu konkurrieren, oder er könnte letztendlich ganz aufhören zu konkurrieren, und Sie allein zurücklassen oder zumindest mit weniger Wettbewerbern. Sie sehen also, all das sind sehr banale Aspekte dessen, was genau ich quantifiziere. Diese sind schwierig. Ich denke, ein weiterer Aspekt, der in der klassischen Optimierungsliteratur nicht wirklich angesprochen wird, ist, dass sie so tun, als wären die Probleme von Anfang an gut verstanden.
Conor Doherty: Ian, in Ihrem Papier haben Sie viele konkrete Beispiele von Unternehmen erwähnt, die erfolgreich oder erfolglos darin waren, mit den Arten von Unsicherheiten umzugehen, über die wir gerade gesprochen haben, sei es die Durchlaufzeiten, unregelmäßige Nachfragemuster, was auch immer. Könnten Sie bitte einige weitere Details zu diesen Fallstudien teilen?
Ian Wright: Ja, also viele der Projekte, an denen ich arbeite, sind eher strategisch. Einige sind taktisch. Ich arbeite im Allgemeinen nicht mehr im Bereich der Planung für die Ausführung. Die meisten Beispiele, die mir in diesem Zusammenhang einfallen würden, beziehen sich auf Unternehmen, die es versäumt haben, taktisch oder strategisch zu planen, indem sie diese Probleme im Zusammenhang mit Vorhersehbarkeit oder mangelnder Vorhersehbarkeit nicht angegangen sind.
Erst kürzlich, in den letzten drei Jahren, gab es ein Ereignis, von dem ich glaube, dass niemand sagen würde, dass sie es vorhergesagt hätten. Sicherlich glaube ich, dass keine Planungssysteme in einem Unternehmen Elemente der Planung berücksichtigen konnten, die die Auswirkungen der Pandemie und die Auswirkungen auf Lagerbestände und die Auswirkungen des Lagerabbaus, den plötzlichen Rückgang der Nachfrage usw. berücksichtigen würden. So viele unterschiedliche weitreichende Auswirkungen. Das klassische Beispiel sind Halbleiter.
Meine Erfahrung war zweigeteilt, da so viele Unternehmen nach der Pandemie in der Lebensmittelherstellung und nicht nur in der Pharmaindustrie, sondern auch in der Medizintechnik, im Gesundheitslogistiksektor insgesamt plötzlich erkannten, dass sie für etwas planen mussten, mit dem sie nicht gerechnet hatten. Sie arbeiteten gegen ihre internen Systeme, die das Geschäft verwalten, die ihre Lieferkette verwalten, weil diese Systeme ihnen nicht mehr Daten lieferten, die als Grundlage für Modelle dienen konnten, um zu verstehen, was sie als Nächstes tun sollten.
Also habe ich an vielen Projekten für Lebensmittelhersteller gearbeitet, die versuchten, mit dem enormen Anstieg der Nachfrage an Orten Schritt zu halten, an denen sie keine Kapazitäten hatten, und sie mussten sehr schnell verstehen, wo diese Kapazitäten platziert werden sollten und warum sie dort platziert werden sollten. Es gab so viele grundlegende Probleme dabei, herauszufinden, wie man das angehen soll, denn es war sehr ähnlich zu sagen, wie man eine Lieferkette für ein Produkt aufbaut, das heute nicht existiert? Wie plant man das? Und dann geht es darum, wie man dann zur Ausführung übergeht, das ist die nächste Stufe.
Conor Doherty: Ian, das ist ein schöner Übergang zu Joannes. Ich meine, das ist sehr Ihr Metier, Lösungen für Situationen umzusetzen, die von Unsicherheit geprägt sind. Haben Sie Beispiele für Erfolge oder Misserfolge von Unternehmen, wenn es um die Arten von Unsicherheiten geht, über die wir sprechen?
Joannes Vermorel: Ja, ich denke, wenn wir zurückblicken auf das Jahr der Lockdowns, 2020, 2021, ist das Interessante, dass Lokad, würde ich sagen, sehr schöne operative Erfolge hatte, aber ich denke genau deshalb, weil wir Optimierung betrieben haben.
Lassen Sie mich beschreiben, was die meisten Unternehmen heutzutage im Wesentlichen durch ein Meer von Tabellenkalkulationen tun. Sie optimieren nichts, weder im mathematischen Sinne noch auf die Weise, die wir gerade beschrieben haben. Was sie im Wesentlichen tun, ist weitgehend das reproduzieren, was zuvor getan wurde. Sie gleichen im Wesentlichen ihren eigenen früheren Entscheidungen ab. Sie folgen nicht wirklich der Nachfrage oder irgendetwas; sie reproduzieren im Wesentlichen das, was sie zuvor getan haben, was bedeutet, dass das Budget im Wesentlichen genauso aufgeteilt wird wie im letzten Jahr, dass Sicherheitsbestände wieder minimal im Vergleich zum Vorjahr angepasst werden usw. Also, alles wird inkrementell im Vergleich zum Status quo gemacht. Es findet keine Optimierung statt. Wir spiegeln einfach den Status quo wider, steuern ihn ein wenig, aber nicht quantitativ, ein wenig in die Richtung, die angemessen erscheint.
Es funktioniert irgendwie, aber das ist das Ding: Es findet kein Optimierungsprozess statt, was bedeutet, dass, wenn Sie Ihre Betriebsbedingungen weitreichend ändern, Sie keinen Mechanismus haben, um diese neuen Bedingungen widerzuspiegeln. Lassen Sie mich wiederholen, alle Ihre Tabellenkalkulationen, alle Ihre 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 beispiellose Situationen hatten? Wir haben im Wesentlichen manuell eine massive Dosis an Unsicherheit in unsere Modelle eingespeist.
Wir wussten nicht, was passieren würde. Wir haben einfach gesagt: “Okay, die Nachfrage ist normalerweise das, was wir den Schrotflinteneffekt nennen.” Sie sehen die zukünftige Nachfrage, die einfach so verläuft, Sie wissen, Möglichkeit. Nun, wenn Sie eine Situation wie Lockdowns haben, erhöhen Sie einfach den Winkel der Schrotflinte, damit die Zukunft sehr unklar wird. Gleiches gilt für Ihre Verzögerung, gleiches gilt für Ihre Preise. Sie gehen einfach davon aus, dass Sie plötzlich viel weniger über die Zukunft wissen. Aber Sie können das tun, und wenn Sie davon ausgehen, dass Sie plötzlich viel weniger wissen, können Sie Ihre Optimierungslogik erneut ausführen, das ist stochastische Optimierung, um Entscheidungen zu treffen, die mit Blick auf das Risiko, das Sie haben, vernünftiger sind.
Sie berücksichtigen irgendwie das Schlimmste, was in Bezug auf Verzögerungen, Preise, Nachfrage usw. passieren kann, und treffen Ihre Entscheidungen in Bezug auf diese quantitativ explodierten Risiken viel konservativer. Mein Fazit ist, dass es funktioniert. Es funktioniert sehr gut, aber das Problem ist, mehr Optimierung zu haben, nicht weniger. Obwohl es nicht die Art von statischer Perspektive der operativen Forschung ist, bewegt sich nichts in Richtung Optimierung.
Das zweite, es ist eine zusätzliche Facette, die ich denke, während des Zeitalters der operativen Forschung fast nie diskutiert wurde, wahrscheinlich von 1950 bis 1980, diesen 30 Jahren, war die Qualität Ihrer Instrumentierung. Wie schnell können Sie von einer Instanz Ihrer Modellierung zur nächsten Instanz wechseln? Das ist eine wirklich praktische operative Sache.
Ian Wright: Ich denke, es gab auch praktische Probleme in Bezug darauf, dass die Technologie nicht ausreichte. Es gab einen Mangel an Daten, weil die Technologie dazu nicht ausreichte. Aber sicherlich war die Technologie, um die schnellere Ausführung der Planung zu ermöglichen, einfach nicht vorhanden. Ich kann Ihnen sagen, dass ich Optimierungsmodelle beobachtet habe, die 24 Stunden lang liefen, im Gegensatz zu heute, wo ich mit Leuten arbeite und denke: “Nun, es ist noch nicht fertig, es sind schon fünf Minuten vergangen, was soll ich tun?” Also, ich möchte Sie nicht unterbrechen, Joannes, aber ich denke, vieles davon lag daran, dass wir heute eine viel bessere Technologie haben.
Joannes Vermorel: Ich stimme vollkommen zu, und das ist eine separate Sorge, aber es sind wirklich praktische Anliegen. Wenn Sie eine Optimierungstechnologie haben, aber das erneute Ausführen 24 Stunden dauert und Sie 20 Iterationen benötigen, um zu etwas zu konvergieren, das relativ zufriedenstellend ist hinsichtlich des neuen Zustands Ihrer Lieferkette, wird es nie passieren. Die Leute greifen einfach auf Tabellenkalkulationen zurück. Es gibt einfach keine Zeit, um all diese Hürden zu nehmen. Sie kehren zu Ihren Tabellenkalkulationen zurück, die Ihnen diese Art von Optimierung vielleicht nicht bieten, aber sie werden Ihnen zumindest innerhalb eines vernünftigen Zeitrahmens eine Antwort geben.
Ich denke, das war auch etwas, worin Lokad in dieser Zeit gut war. Wir hatten Optimierung, aber wir hatten Optimierungstools, die agil genug waren, um wiederholt Dutzende Male pro Tag getestet zu werden, bis wir etwas hatten, das tatsächlich funktionierte. Andernfalls hätten unsere Kunden einfach die Art von Dienstleistungen aufgegeben, die Lokad damals anbot.
Ian Wright: Interessant, denn ich habe immer mit dem gekämpft, was ich die Momentaufnahme-Optimierung nenne. Insbesondere die Planung der Lieferkette und Netzwerkmodelle waren immer Momentaufnahmen der ganzzahligen Programmierung. Solver sind alle Momentaufnahmen, und dieses ganze Timing-Thema, ich habe immer damit gekämpft, wie wir die Vorteile von simulationsbasierten Ansätzen nutzen können, bei denen wir die Dimension Zeit etwas besser einbeziehen können und wie wir irgendwie einen Ansatz verschmelzen können.
Zum Beispiel gab es ein Unternehmen in Russland, ein Simulationsunternehmen, das die Kombination von Optimierung entwickelt hat. Ich fand das damals großartig. Leider kenne ich ihre Implementierung der Optimierung nicht sehr gut, weil sie ein Simulationsunternehmen sind. Das Zeitproblem ist eine Sache. Das andere Problem, denke ich, bei der Bestimmung einer Lösung mit Wahrscheinlichkeit, beinhaltet auch ein technologisches Problem, dem wir heute besser gewachsen sind. Es betrifft die Menge an Daten, den Umfang der Daten, die Sie bei der Ableitung der Lösung einbeziehen können.
Viele Dinge liegen außerhalb des Bereichs des Unternehmens oder der Abteilung, für die Sie optimieren, und werden nicht berücksichtigt, wenn Sie ein neues Produkt haben oder in eine völlig neue Welt nach einer Pandemie eintreten. Oft können Sie sich nur auf Daten verlassen, die nichts mit der Geschichte Ihrer früheren Operationen zu tun haben. Sie müssen einen viel breiteren Datenumfang betrachten, sodass Sie bei der Ermittlung von Wahrscheinlichkeiten beispielsweise exogene Variablen zusätzlich zu allen traditionellen Variablen berücksichtigen müssen, die mit der Aktivität zusammenhängen, die Sie fortsetzen möchten.
Joannes Vermorel: Konzeptionell ja, obwohl ich hier leicht anderer Meinung bin. Die Sache ist die, dass Daten jenseits von Transaktionsdaten für Unternehmen sehr teuer sind. Der Erwerb von Daten zur Wettbewerbsanalyse ist in Ordnung, das ist nicht allzu teuer, aber wenn Sie darüber hinausgehen, nur die Preise Ihrer Mitbewerber zu ermitteln, wird es sehr schnell sehr kompliziert.
Unser Ansatz ist in der Regel, dass Sie zunächst Modelle benötigen, in denen Sie Ihre Daten auf eine informativere Weise betrachten. Ein Beispiel dafür wäre, dass Sie ein neues Produkt auf den Markt bringen, für das Sie keine Verkaufshistorie haben. Die traditionelle Zeitreihen-Perspektive besagt, dass Sie nichts haben. Aber wenn Sie die Zeitreihenperspektive aufgeben und eine alternative Vision annehmen, könnten Sie feststellen, dass Ihre Produktstarts ein Muster von Erfolg und Misserfolg aufweisen und dass die Erfolge, die Sie erwarten können, sich gemäß einer Verteilung verhalten, ebenso wie die Misserfolge. Ja, Sie können Ihre historischen Daten verwenden, um Aussagen über das Produkt zu treffen.
Noch einmal, weil Ihre Starts, wenn ein No-Name-Studio einen Film startet, die Wahrscheinlichkeit, dass dieses No-Name-Studio einen Film produziert, der 1 Milliarde in den Kinos einspielt, sehr gering ist. Aber wenn es Disney oder Warner Brothers sind, dann liegen die Chancen vielleicht bei etwas wie 5%.
Also, zunächst einmal können Sie anhand der Transaktionsdaten, die Unternehmen haben, in der Regel viel mehr erkennen, als die Leute denken, weil sie in der Zeitreihenperspektive verankert sind. Es gibt andere Möglichkeiten.
Das zweite ist, dass Sie zugeben, dass Sie einfach nicht wissen, erkennen wir, dass Menschen, die diese Entscheidungen treffen werden, auch keine geheime Informationsquelle haben. Es gibt keine Glaskugel im menschlichen Gehirn, die es Ihnen ermöglicht, in die Zukunft zu schauen oder ähnliches, insbesondere wenn wir über Lieferketten sprechen, bei denen wir Zehntausende von Produkten haben, von denen Sie nur wissen, dass sie existieren. Viele Menschen, die als Liefer- und Nachfrageplaner tätig wären, wüssten nicht einmal genau, was ihr Unternehmen verkauft oder produziert.
Also, zurück dazu würde ich sagen, zunächst haben wir unsere Transaktionsdaten, die in mehrfacher Hinsicht genutzt werden können, sobald Sie diese Zeitreihenperspektive aufgeben. Aber dann haben Sie auch die Tatsache, dass diese zusätzlichen Informationen sehr schwer zu bekommen sind. Vielleicht sollten wir stattdessen akzeptieren, dass wir mit viel Unsicherheit leben müssen.
Die traditionellen Tools akzeptieren überhaupt nicht den Umgang mit Unsicherheit. Wenn ich von traditionellen Tools spreche, meine ich alle Solver, die mathematische Optimierungen des Marktes liefern. Alle Solver, die ich kenne, die etabliert sind, sind einfach deterministische Solver; sie können nicht mit Unsicherheit umgehen. Wir haben gerade auf diesem Kanal einen Pionier empfangen, der versucht, seinen Prototypen-Stochastik-Optimizer InsightOpt, Meinolf Sellmann, zu etablieren, der seine Seeker-Instrumente hatte. Aber das ist wirklich einmalig, und das ist so ziemlich der einzige, den ich kenne, der versucht, dies aus kommerzieller Sicht zu verfolgen.
Also zurück zum vorliegenden Fall ist meine Meinung, dass wenn Sie kein Instrument haben, um mit Unsicherheit in irgendeiner Form umzugehen, die Idee, dass Sie einfach diese Situation bewältigen, indem Sie die Unsicherheit aufblähen und es sein lassen, nicht einmal denkbar ist. Aber wenn Sie diese Instrumente haben, wird es zu etwas sehr Natürlichem. Sie versuchen etwas noch nie Dagewesenes, die Unsicherheit ist enorm, und Ihr Optimierer lässt Sie entsprechend handeln.
Ian Wright: Ich denke, wo wir hier ein wenig aus dem Gleichgewicht geraten, liegt daran, dass es einen Unterschied im Fokus zwischen uns gibt, wenn Sie strategisch planen und wenn Sie insbesondere planen, je näher Sie an die Ausführung herankommen, wo die Optionen dramatisch abnehmen. Ich komme aus einer überwiegend strategischen Planungssphäre. Wenn Sie zum Beispiel sagen, dass viele dieser zusätzlichen Umfangsdaten für ein neues Produkt teuer sind, mag das sein, aber es gibt viele verschiedene Arten von Daten, die Sie in der Modellierung einsetzen können, bevor Sie zur Optimierung gelangen.
Sie können die Korrelation zwischen vielen verschiedenen exogenen Aspekten von Wirtschaftsdaten und demografischen Daten modellieren, die mit der Art des Produkts und des Marktes zusammenhängen, für den Sie das Produkt bereitstellen möchten. Das ist mein Ansatz, Joannes, wenn ich über das Hinzufügen weiterer Datenkomponenten spreche. Ich spreche davon, die Korrelation mit dem zu betrachten, was allgemein zugängliche Daten im Zusammenhang mit Demografie und Marktdurchdringung ist.
Ein weiterer Aspekt, über den ich letztendlich denke, dass wir als Technologieanbieter und Praktiker in diesem Bereich immer nachdenken sollten, ist, dass Unternehmen letztendlich Finanzen sind. Ein wesentlicher Bestandteil dessen, was wir in der Planung tun müssen, ist es, es auf Kosten und Kostenminimierung herunterzubrechen, abhängig von den Umständen. Kostendaten wurden meiner Meinung nach beispielsweise in Netzwerkmodellen für die Optimierung der Lieferkette unzureichend eingesetzt. Die Leute waren bereit, Annahmen über Kosten zu akzeptieren, wenn sie Kosten in Modelle einbrachten, anstatt hinauszugehen und viel konkretere Erwartungen bezüglich der Kosten zu finden, was durchaus machbar ist. Ich denke, das ist einfach etwas, das mit der Technologie, die wir jetzt haben, so viel reifer für den Fokus ist und ein besseres Verständnis dafür bietet, was wir tun können, um Daten einzubeziehen, um mehr vom Umfang des Kontexts zu verstehen, in dem wir arbeiten.
Conor Doherty: Es ist ein perfekter Punkt, um ein wenig voranzukommen, denn wenn Sie alle Daten haben, müssen Sie letztendlich zu einer Entscheidung gelangen. Etwas, worüber Sie auch in Ihrem Papier sprechen, ist die Rolle von Kompromissen bei der Entscheidungsfindung. Wenn Sie Ihr Modell und alle Daten haben, stehen Sie immer noch vor einer Reihe von Entscheidungen, oft nur Entscheidungsoptionen. Wie passen Kompromisse in die Verfolgung der optimalen Entscheidung?
Ian Wright: Ich werde schnell einen Punkt machen. Sie haben nie alle Daten. Sie haben die Daten, die Sie haben, natürlich, aber sie sind immer fehlerhaft. Sie müssen mit dem arbeiten, was Sie haben. Ich bin im Herzen ein Zyniker, das können Sie erkennen, oder? Was Kompromisse betrifft, gibt es offensichtliche Kompromisse in der Lieferkette. Ihr Kompromiss besteht im Wesentlichen aus Finanzen. Möchte ich das Geld ausgeben, um den Service und das Produkt bereitzustellen, das mein Kunde möchte? Ich möchte das Produkt so bereitstellen, wie der Kunde möchte, dass ich es bereitstelle, und das bedeutet, dass ich Geld ausgeben muss, um es zu tun. Wie weit bin ich bereit, diesen Weg zu gehen?
Der Kompromiss besteht beispielsweise zwischen Lagerbestand und Transportkosten als grundlegendem Beispiel. Aber es gibt Kompromisse in Bezug darauf, wie viele Notfallmaßnahmen ich ergreife, um Risiken zu mindern. Wie viele potenzielle operative Pfade schaffe ich für mein Unternehmen, damit ich einen probabilistischen Plan ausführen kann, der zu etwas führt, das nicht mein normaler Ausführungspfad ist? Ein Kompromiss besteht darin, ob ich kurzfristige Auswirkungen im Zusammenhang mit den Modellen, die ich verfolge, und den Plänen, die ich erstelle, betrachte oder ob ich langfristig einbeziehe, was oft einen finanziellen Kompromiss bedeuten kann, weil ich jetzt in etwas investiere, das erst zu einem späteren Zeitpunkt passieren wird.
Kompromisse bedeuten für mich irgendwie eine Umschreibung dafür, dass ich das Geld richtig bekommen muss. Wie balanciere ich all diese Dinge aus? Ich bin mir nicht sicher, ob ich Ihre Frage beantworte, Conor, aber es läuft darauf hinaus, was ich in meinem Modell ausbalancieren möchte, wissend, dass ich in der Art und Weise, wie ich mein Modell abgrenzen kann, begrenzt bin. Was bin ich bereit auszubalancieren, um dieses Dollarzeichen oder dieses Eurozeichen an die richtige Stelle zu setzen?
Conor Doherty: Vielen Dank, Ian. Und Joannes, ich komme jetzt zu Ihnen, weil ich Sie wieder einmal auf etwas vorbereite, über das Sie gerne sprechen. Ich habe den Punkt gemacht, dass im Grunde genommen das, worauf die Leute explizit optimieren wollen, korrigieren Sie mich, wenn ich falsch liege, tatsächlich Kosten oder Finanzen sind. Aber das Ding ist, oft, wenn wir über Entscheidungsfindung in der Lieferkette sprechen, versuchen Menschen oder Unternehmen, Dinge wie Servicelevel zu optimieren. Ich glaube, Sie haben bereits darauf hingewiesen, dass die Leute denken, dass sie die Kosten optimieren, aber das ist eigentlich nur ein numerisches Artefakt. Die Frage, auf die Sie eingehen könnten, ist also, wenn sich Menschen auf diese traditionellen Ziele in der Lieferkette konzentrieren, optimieren sie tatsächlich die Kosten oder schauen sie in die falsche Richtung?
Joannes Vermorel: Wenn wir uns die dominanten Praktiken der Lieferkette heutzutage ansehen, würden sie auf PowerPoints sagen, dass sie sich auf das wirtschaftlich Machbare konzentrieren. In der Praxis tun sie das nicht. Es sind wie Prozentsätze in Bezug auf Servicelevel, Lagerrenditen und dergleichen. Diese Dinge korrelieren lose mit Ihrem Ergebnis, aber nur lose.
Zu glauben, dass Ihre Rentabilität in irgendeiner Form mit Ihren Servicelevels korreliert ist einfach verrückt. Es funktioniert nicht. Es ist eine sehr vereinfachte Sichtweise. Das Erste wäre zu sagen, dass die dominanten Praktiken tatsächlich sind, dass die Leute intuitiv wissen, dass sie niemanden überzeugen können, wenn sie sagen, dass sie Prozentsätze optimieren wollen. Also sagen sie in den Folien, dass wir diese Dollar optimieren, aber in der Praxis, in ihren Softwaresystemen, haben sie Regeln, die überhaupt nicht in irgendeiner Form mit diesen Dollar-Modellierungen übereinstimmen. Ich würde sagen, dass nur diejenigen, die ich gesehen habe, abgesehen von Lokad, streng nicht finanzielle, nicht wirtschaftliche Perspektiven waren.
Wenn wir nun zu einer wirtschaftlichen Perspektive kommen, in der wir diese Dollar haben, stimme ich voll und ganz zu, dass es sehr schwierig ist, es richtig zu machen. Es ist schwierig, und tatsächlich gibt es viele Horrorgeschichten, die sehr häufig in Hollywoodfilmen erzählt werden, in denen der Finanzmann der Bösewicht ist, der unglaublich dummes kurzfristiges Denken auf Kosten von etwas betreibt, das ein wenig weiter in der Zukunft liegen würde.
Die finanzielle Perspektive hat einen schlechten Ruf, und tatsächlich war die Art der Perspektive, die die Operationsforschung vor 40 Jahren betonte, sehr vereinfacht. Sie gingen wirklich von einer sehr geringen Anzahl grundlegender Variablen aus: Kosten - Lagerkosten, Kosten für dies, Kosten für das - und schwupps, fertig, die Arbeit ist getan, lassen Sie jetzt 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 zu der Erkenntnis gelangen, ob unsere Bewertungsfunktion, unsere ökonomische Bewertungsfunktion, diejenige, die die Dollar zählt, eine ungefähre Version der Wahrheit liefert, die gut genug ist. Es ist eine sehr schwierige Frage, und was wir entdeckt haben, war eine Methodik, die in meiner Reihe von Supply-Chain-Vorlesungen dokumentiert ist, genannt experimentelle Optimierung.
Der Weg, um zu wissen, dass Ihr ökonomisches Modell korrekt ist, besteht darin, dass es vernünftige Entscheidungen generiert. Es ist sehr seltsam. Am Ende dachten die Leute, dass Sie die richtige Bewertungsmetrik haben müssen, damit sie Ihnen die optimalen Entscheidungen liefert. Was wir jedoch tun, ist genau das Gegenteil. Wir generieren die Entscheidungen und schauen dann, ob sie vernünftig sind oder nicht, basierend auf dieser Metrik.
Wenn wir offensichtlich dysfunktionale Entscheidungen sehen, die offensichtlich verrückt sind, kommen wir sehr häufig zur ökonomischen Modellierung zurück und erkennen, dass etwas nicht stimmt, dass wir etwas übersehen haben. Also haben wir diesen sehr iterativen Prozess, bei dem wir unsere Dollar wählen, optimieren, Entscheidungen treffen, von denen einige verrückt sind, die Art und Weise, wie wir die Dollar zählen, überarbeiten und das Ganze wiederholen.
Mit vielen Iterationen konvergieren wir schließlich zu etwas, bei dem niemand mehr Zweifel hat. Das ist das, was wir das Null-Wahnsinns-Prinzip nennen. Wir wollen zu einer Konfiguration konvergieren, bei der das System keine Linien generiert, die offensichtlich verrückt sind. Das ist tatsächlich der Punkt, an dem wir bei Lokad glauben, dass es notwendig ist, bevor wir in die Produktion gehen.
Aber sehen Sie, der Punkt ist, dass wir die Art der Perspektive, die die Operationsforschung hatte, komplett umkehren. Anstatt zu sagen, dass die Bewertungsfunktion gegeben ist, ist es etwas, das wir durch einen inkrementellen Prozess entdecken werden. Das ist sehr seltsam, denn das geht sehr stark gegen, zumindest für Franzosen, diese kartesische Perspektive des Bottom-up-Denkens und der Anwendung von Prinzipien und ihrer schrittweisen Umsetzung. Es ist ein viel empirischerer Prozess.
Ian Wright: Ich muss gestehen, und ich entschuldige mich dafür, aber ich muss meine relative Unwissenheit 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 geben, das ich in meiner Vorlesungsreihe gegeben habe, werde ich mit einer Analogie beginnen und dann zur Supply Chain zurückkehren. Es gibt Klassen von Problemen, bei denen es unmöglich schwer ist, das allgemeine Problem zu lösen, aber bestimmte Instanzen sind sehr einfach.
Ein Beispiel dafür wäre, sagen wir, ich gebe Ihnen einen Film zu sehen und sage Ihnen, dass es um einen römischen Gladiator oder so geht, und ich frage Sie, ob es Dinge gibt, die völlig aus dem historischen Zeitraum herausstechen, wie ein Flugzeug im Hintergrund. Es gibt einen berühmten Film, in dem sie in der Arena kämpfen und im Hintergrund ein Flugzeug am Himmel fliegt.
Wenn ich Sie bitte, einen allgemeinen Algorithmus zu finden, um mir alle Dinge zu nennen, die in einem Film schiefgehen können und nicht dem Zeitalter oder der Zeitperiode entsprechen, ist das eine völlig entmutigende Aufgabe. Sie bräuchten eine Enzyklopädie über alles, was noch nicht erfunden wurde, sogar die Begriffe, die Stimmung, die Einstellung, die Denkweise. Es ist einfach ein unendlich kompliziertes Problem. Aber in der Praxis, wenn Sie einen Praktikanten den Film sehen lassen, wird er Ihnen sagen: “Oh, hier ist ein Flugzeug, das ist schlecht.” Ich kann Ihnen nicht die Liste aller schlechten Dinge geben, aber ich kann dieses Stück Wahnsinn erkennen.
Supply-Chain-Systeme sind sehr ähnlich. Es ist sehr schwierig, Ihnen eine allgemeine Regel zu geben, um genau festzulegen, was als wahnsinnig oder nicht wahnsinnig gilt. Das ist ein Problem der allgemeinen Intelligenz, nicht etwas, das Sie einfach in einen einfachen Algorithmus packen können. Aber es stellt sich heraus, dass Menschen tatsächlich ziemlich gut darin sind, diese Probleme zu erkennen.
Ein Beispiel wäre, wenn Sie eine Reihe von Lagerbeständen in Ihren historischen Daten haben, die nicht ordnungsgemäß berücksichtigt werden, und plötzlich fällt Ihre Schätzung der zukünftigen Nachfrage auf null, weil Sie Lagerbestände hatten, also nicht verkauft haben, und Ihr Modell dumm Null vorhersagt. Dann schlagen Sie vor, dass Null Auffüllung eine gute Strategie ist. Es sagt: “Was ist Ihr Zielbestand? Null, weil wir sehr wenig Nachfrage beobachtet haben, also halten wir ihn bei null.”
Wenn Sie darüber nachdenken, ja, meine Prognose wird zu 100% genau sein, weil ich Null vorhersage, ich fülle Null auf, und alles ist gut. Aber nein, es ist nicht gut. Dieses Problem wird als Inventarstopp bezeichnet. Dies ist ein Stück Wahnsinn, und es gibt viele Situationen wie diese, bei denen bei Entscheidungen Dinge identifiziert werden können, die dysfunktional sind, bei denen Zahlen unglaublich hoch oder niedrig sind oder Dinge einfach keinen Sinn ergeben.
Ein Beispiel, das wir historisch bei Lokad hatten, für einen unserer ersten Luftfahrtkunden, war, als wir begannen, den Lagerbestand aufzufüllen und den Kauf einiger Teile vorschlugen. Der Kunde kam zu uns zurück und sagte: “Oh nein, wir werden diese Teile nicht kaufen. Diese Teile werden in eine Boeing 747 eingebaut, und in 10 Jahren wird keine Boeing 747 mehr über Europa fliegen. Diese Teile haben eine Lebenserwartung von vier Jahrzehnten, also wenn wir sie jetzt kaufen, werden wir sie nur 10 Jahre lang nutzen, und dann werden diese Flugzeuge verschwunden sein.”
Das war etwas Offensichtliches, bei dem wir vergessen hatten, dass die Nützlichkeit eines Teils nicht die Lebensdauer des Flugzeugs überschreiten kann, das es bedient. Dies ist die Art von Situation, bei der, je nach Branche, die Realität Ihnen eine endlose Menge an Dingen liefert, die Ihnen als Manifestationen dieser Wahnsinnigkeiten entgegenkommen. Obwohl ich Ihnen keine allgemeine Regel oder einen Algorithmus geben kann, um das zu erkennen, funktioniert es in der Praxis sehr gut, weil Menschen diese Dinge erkennen können.
Ian Wright: Wir sind jetzt seltsamerweise gewaltsam auf derselben Seite, denn ich weiß, dass wir über einige bevorstehende Dinge diskutieren wollen. Meine Hauptprämisse in meiner Karriere, in Bezug darauf, mit all dieser Technologie gearbeitet zu haben und die Technologie in das Unternehmen des Opfers zu drängen, war immer, dass man den Menschen nicht ausschließen kann. Man muss den Menschen berücksichtigen und in den Prozess der Bereitstellung und Nutzung der Technologie einbeziehen.
Denn im Moment, und für meine absehbare Zukunft, haben wir keine Technologie, die viele Aspekte des Menschen ersetzen kann, über die Sie sprechen, in Bezug auf die Erkennung des Absurden zum Beispiel oder die Erkennung des Wahnsinns. Es existiert einfach noch nicht. Der einzige Weg, wie es existieren wird, besteht darin, auf irgendeine Weise Aspekte des Menschen in den Prozess zu integrieren. Heute ist es einfach nicht machbar.
Joannes Vermorel: Ja, ich stimme Ihnen zu. Es gibt zwei Aspekte, auf die ich auf Ihre Kommentare antworten möchte. Erstens können manchmal wahnsinnige Entscheidungen erst nachträglich als wahnsinnig erkannt werden. Man muss den Fehler machen, um festzustellen, dass etwas Unerwartetes passiert ist und es schlecht war. Aber mehr als der Mensch muss die Information aus der Welt zurückkommen. Sie benötigen Rückmeldungen aus der realen Welt, um diese Informationen zu erhalten. Es ist also eine Frage der Intelligenz auf höchster Ebene. Selbst wenn wir eine künstliche Intelligenz hätten, die genauso intelligent ist wie ein Mensch, gibt es Grenzen. In gewissem Maße ist der einzige Weg, wie Sie die Welt kennen, indem Sie sich Spielraum für Experimente geben. Das wäre der erste Aspekt.
Der zweite betrifft die Rolle der Menschen. Die Art und Weise, wie meine Kollegen Systeme entwickelt haben, besteht darin, dass sie Menschen als Co-Prozessoren verwenden. Ihr System generiert Entscheidungen, Zahlen, Ressourcenzuweisungen und dergleichen. Dann haben Sie all diese Zeilen, die wahnsinnig sind, und Sie erwarten, dass eine Armee von Angestellten manuell eingreift und all das repariert. Für das Publikum, alle Systeme, die Alarme und Ausnahmen haben, tun genau das. Alarme und Ausnahmen sind nur eine andere Art zu sagen, dass wir menschliche Co-Prozessoren haben, die die Dinge verarbeiten, die mein System nicht verarbeitet.
Mein Problem dabei ist, dass Menschen ziemlich teuer sind. Das ist der Preis. So sehe ich es, es ist keine sehr gute Verwendung ihrer Zeit, weil Sie diese menschlichen Co-Prozessoren endlos durch denselben Unsinn der gleichen Alarme und Ausnahmen zirkulieren lassen.
Deshalb betrachten wir bei Lokad das Ganze auf eine völlig andere Weise. Wir sagen, wann immer ein Stück Unsinn erkannt wird, wie ein Alarm oder eine Ausnahme, muss jemand bei Lokad, der Supply Chain Scientist, eingreifen und die Implementierung dessen anpassen, was die predictive Optimierung durchführt, um es zu beheben, damit dieses Problem nicht erneut auftritt. Keine Ausnahmen. Jedes einzelne Stück Unsinn, das angesprochen wird, wird bewertet. Handelt es sich um tatsächlichen Unsinn oder um eine sehr clevere Optimierung? Wenn es tatsächlich Unsinn ist, muss die Optimierungslogik selbst behoben werden. Sie möchten nicht, dass derselbe Mitarbeiter am nächsten Tag dasselbe Problem meldet.
Ian Wright: Ich denke, wir sind immer noch auf derselben Seite, sicherlich im selben Kapitel. Ich komme eher aus einem strategischen und taktischen Blickwinkel, wo es mir nicht darum geht, hinauszugehen und einen Raum voller Big-Brother-Leute auf Computerbildschirmen zu korrigieren. Ich spreche darüber, was in der Bereitstellung von Operationen in einem strategischen oder taktischen Sinn notwendig ist. Es bedeutet, den erfahrenen Stakeholder einzubeziehen, um die Vernunft in der Richtung, die Sie einschlagen, und in den Lösungen, die Sie vorantreiben, aufrechtzuerhalten.
Wenn es um die gesamte Idee geht, wo ich denke, dass Sie Ihr Argument rahmen, Joannes, während wir uns mit der Art von Technologie, die Sie entwickeln und entwickelt haben, vorwärts bewegen und mit dem allgemeinen Trend zu mehr Fähigkeiten in KI-Begriffen, die Fähigkeit eines Systems zur Selbstkorrektur in einem Ereignismanagement-Kontext wird realistischer. Wir werden uns von dem teuren Raum menschlicher Computerbediener entfernen. Aber das ist es heute nicht, also müssen Sie innerhalb der Grenzen der Fähigkeiten arbeiten, die Sie zu diesem Zeitpunkt haben.
Conor Doherty: Wenn ich darf, weil es so klingt, als ob Ian, Sie mehr über die Rolle des Menschen im strategischen Sinn kommentiert haben, und Joannes, Sie scheinen mehr über die Entscheidungsfindung im alltäglichen Sinn zu kommentieren. Handelt es sich hier um nicht überlappende Magisterien?
Joannes Vermorel: Das liegt daran, dass meine Perspektive, und vielleicht ist das ein wenig seltsam, ist, dass wenn wir in den Bereich der strategischen Überlegungen gehen, dann sollte Ihr Fokus auf die Betreibung einer Supply Chain sehr stark darauf liegen, wie ich die Maschinerie konstruiere, die die richtigen Entscheidungen generiert. Die Leute denken, es gibt strategische Entscheidungen, taktische Entscheidungen und was auch immer. Meine Meinung ist, dass es Entscheidungen gibt, die wiederholbar sind. Einige werden jeden Tag wiederholt, einige jede Stunde, einige jeden Monat, einige einmal im Jahr. Wenn es um Mechanisierung geht, möchten Sie alles mechanisieren, was vernünftigerweise häufig genug wiederholt wird. Sie lassen sich mit den anderen komplett ad hoc umgehen.
Die Strategie, wenn Sie so über diesen Ansatz nachdenken, geht nicht so sehr darum, etwas auf einer bestimmten Ebene zu entscheiden und dann andere Ebenen Ihrer Organisation ihre Aufgaben in anderen Bereichen erledigen zu lassen. Es ist vielmehr so, dass die strategische Vision darin besteht, was ich tun kann, damit aus der Ingenieurskultur meines Unternehmens, aus dieser Ingenieurskultur, die mechanisierten Entscheidungsprozesse entstehen, die wirklich meine Bilanz verbessern. Das ist eine völlig andere Art, über Strategie nachzudenken.
Ian Wright: Ich stimme Ihnen vollkommen zu. Die Art und Weise, wie ich es oft betrachtet habe, ist die Rolle des Architekten bei der Gestaltung des Konzepts eines Gebäudes, und dann wird es dem Ingenieur übergeben, der sagt, wie es zusammengebaut wird, und dann dem Bau, der es tatsächlich zusammenbaut, und dann den Menschen, die im Gebäude arbeiten und es pflegen. Auf all diesen Ebenen sollte der Architekt nichts zusammenstellen, was nicht konstruiert, gebaut oder gewartet werden kann. Das ist mein hochrangiges Analogon des Prozesses, an dem wir beteiligt sind.
In der Supply Chain ist es jedoch ein wenig anders, weil Sie heute eine Strategie erstellen können, aber Sie müssen das nächstes Jahr wieder tun. Das Problem bei der Supply Chain ist, dass sie dynamisch und anpassungsfähig ist. Wir müssen auf die sich ändernde Welt und ihre Bedürfnisse reagieren. Sie wiederholen Ihren Strategieprozess, aber Sie müssen dies auf eine machbare Weise tun, die pragmatisch ist und es Ihnen ermöglicht, eine umsetzbare Lösung zu implementieren.
Joannes Vermorel: Nur um Ihnen eine Perspektive zu geben, während der Lockdowns in den Jahren 2020 und 2021 hatten wir eine ganze Reihe von Kunden, mehr als ein Dutzend, bei denen ihre Angestellten im Büro für 14 Monate weg waren. Lokad war allein damit beschäftigt, alle Supply-Chain-Entscheidungen für Unternehmen zu treffen, bei denen die Arbeiter im blauen Kragen noch tätig waren. Die Angestellten im Büro waren im Urlaub, subventioniert. Sie wurden bezahlt, aber die europäischen Regierungen schrieben auch vor, dass die Menschen nicht von zu Hause aus arbeiten dürfen, da sie sonst keine staatlichen Subventionen erhalten würden. Also waren sie effektiv im Urlaub.
Wir haben es für ein Dutzend Kunden geschafft, über eine Milliarde Euro Inventar für 14 Monate vollständig zu betreiben. Das entsprach über tausend Mitarbeitern insgesamt. Und das wirft wirklich die Frage auf, was diese angeblich strategischen Supply-Chain-Prozesse liefern.
Wenn ich mir die meisten S&OP Meetings anschaue, werden Sie lange Diskussionen haben, um zu entscheiden, wie viel Budget wir für den Einkauf für verschiedene Abteilungen zuweisen. All das kann durch eine Formel ersetzt werden. Wenn wir mit einer Formel nicht einverstanden sind, weil sie unsinnige Ergebnisse liefert, dann korrigieren wir die Formel. Aber wir müssen uns nicht mit 12 Direktoren und allen Ausgaben treffen, um zu dieser Budgetberechnung zu gelangen. Es kann automatisiert werden.
In Bezug auf die Strategie wäre die Frage, wie ich sicherstellen kann, dass die Ingenieursleistung, die in diese Formel einfließt, die meine Ressourcen auf höchster Ebene zuweist, auf eine Weise erfolgt, die im Einklang mit den Interessen meines Unternehmens steht? Das ist ein sehr interessantes Problem und ja, das sollte das Interesse des Managements wecken, das strategisch denken möchte. Die Idee, ein paar Entscheidungen herauszupicken und zu sagen: “Ich werde mich daran beteiligen”, fügt nicht wirklich viel Wert hinzu.
In vielen Unternehmen wird in diesen angeblich strategischen Meetings viel Zeit verschwendet. Ja, sie treffen Entscheidungen, aber mit einer Produktivität, die absolut miserabel ist. Ich glaube, wir hatten einen früheren Gast, der über S&OP sprach, und er sagte mir, dass sie normalerweise auf etwa vier Entscheidungen pro Stunde kamen.
Conor Doherty: Das war Eric Wilson, ja, in einem S&OP-Prozess.
Joannes Vermorel: Ja, und ich dachte, okay, wir müssen Hunderttausende von Entscheidungen treffen, und jetzt haben wir ein Tempo von vier Entscheidungen pro Stunde. Es ist offensichtlich, dass die Operationen immer weit vor Ihren Plänen liegen werden, wenn Sie sich in einer solchen Situation befinden.
Bis Sie Ihre Entscheidungen treffen, sind sie völlig veraltet, und die Leute haben etwas anderes getan, weil sie nicht so lange auf diese Entscheidungen warten konnten. Wir landen in einer Situation, die eher wie eine Maskerade ist. Die Leute treffen strategische Entscheidungen für Dinge, die bereits zwei Jahre zuvor passiert sind.
Conor Doherty: Nun, das interessiert mich. Nur um Sie auf das Folgende vorzubereiten, denn ich weiß, dass Sie in dem Papier über eine stärker dezentralisierte Entscheidungsfindung in der Lieferkette gesprochen haben und das Beispiel von Walmart gegeben haben.
Sie können es besser beschreiben als ich.
Ian Wright: Das richtig zu machen, bedeutet, dass Sie die Entscheidung dezentralisieren, aber diese Dezentralisierung und die Entscheidungsfindung finden immer noch in einem effektiv und ordnungsgemäß gestalteten Kontext statt. So dass Sie sich nicht weit von der zentralen Unternehmensstrategie entfernen. Es gibt fast wie einen Eskalator der Strategie bis hin zu den Operationen.
In diesem Fall sprechen wir von der Dezentralisierung dessen, was ich eher taktische Entscheidungen nennen würde. Aber das Ganze kommt auf Joannes zurück. Ich stimme Ihnen überhaupt nicht zu. Worüber wir sprechen, ist, dass die Leute nicht nur in Silos innerhalb von Organisationen arbeiten, sondern auch in Silos planen und funktionieren. Die Supply-Chain-Leute machen ihren strategischen Supply-Chain-Plan, dann denken sie über den Transportplan nach und dann über den Lagerplan.
Alle diese Pläne sind voneinander abhängig und leider oft unabhängig voneinander umgesetzt. Wir können im Grunde genommen keine optimale strategische Supply-Chain-Lösung finden, es sei denn, wir integrieren einen Netzwerkplan, einen Transportplan und einen Lagerplan in ein Betriebsmodell.
Die gesamte Situation mit Lokad, das ohne die Angestellten im Büro arbeitet, ist für mich ein großartiges Beispiel dafür, ein Betriebsmodell zu haben, das bedeutet, dass Sie den Betrieb aufrechterhalten können und sich nicht zu weit von dem Plan entfernen, von dem Sie dachten, dass Sie vor sechs Monaten arbeiten müssten, trotz Störungen. Sie haben die richtigen Leute, die richtigen Prozesse aufgebaut und die Technologie und Programme implementiert, um diese Ausführung zu unterstützen.
Ich halte viel mehr daran fest als an diesem ganzen Konzept, die Optimierung richtig zu machen. Sie können einen optimalen Plan haben, aber Sie müssen in der Lage sein, ihn auszuführen und ihn so genau wie möglich aufrechtzuerhalten. Ohne dieses Betriebsmodell, und ich gehe über die traditionellen Menschen, Prozesse und Technologien hinaus, brauchen Sie das. Das ist wirklich Ihr strategischer Unternehmensplan, und dann müssen alle diese anderen strategischen Pläne rund um die Lieferkette im Kontext dessen funktionieren. Wenn Sie das Betriebsmodell, das Sie haben, nicht mit den Plänen, die Sie entwickeln, abstimmen, dann ist das ein Rezept für eine Katastrophe.
Conor Doherty: Ian, wenn ich das in einem Zitat zusammenfassen kann, haben Sie gesagt, dass man Menschen nicht ausschließen kann. Joannes, stimmen Sie zu, dass man den Menschen, insbesondere bei den strategischen Entscheidungen, die Ian anspricht, nicht ausschließen kann? Ist das etwas, das in ein automatisiertes Framework integriert werden könnte, das Sie bereits auf den eher banalen täglichen Geschäftsbetrieb angewendet haben?
Joannes Vermorel: In Bezug auf die Frage, ob wir künstliche allgemeine Intelligenz haben, haben wir das nicht. Wir kommen näher, zweifellos. LLMs zeigen Funken von allgemeiner Intelligenz, aber nur Funken. Also würde ich sagen, dass Lokad im Moment sicherlich nicht behauptet, dass wir eine Software haben, die so ausgefeilt ist, dass sie den Bedarf an menschlichem Verstand umgehen kann. Tatsächlich haben wir in unserem Kerngeschäft, was wir Supply Chain Scientists nennen, Ingenieure, die die numerischen Rezepte codieren. Das ist etwas sehr Menschliches, das wir noch nicht an Maschinen delegieren.
Obwohl Algorithmen helfen können, schneller zu codieren mit Autovervollständigung und dergleichen, ist die eigentliche Frage, wenn Sie menschliche Intelligenz haben, ob sie einer Aufgabe zugewiesen sind, die wirklich einen Mehrwert bietet, weil sie allgemeine Intelligenz haben, im Gegensatz dazu, Mustererkennung oder etwas, das mechanisiert werden kann?
Mein Gegenargument wäre, dass viele Unternehmen, insbesondere diejenigen, die Lieferketten betreiben, ihre Angestellten im Büro nicht sehr effektiv nutzen. Sie sind immer noch weitgehend in der Denkweise, dass sie Massen von Unternehmensangestellten haben, die einen Prozess durchlaufen, und die Einhaltung des Prozesses ist ihr Ziel.
Ich sehe viele dieser Unternehmen, die Lieferketten betreiben, behandeln den Großteil ihrer Angestellten im Büro genau wie ihre Arbeiter. Es gibt einen Prozess, und die Einhaltung des Prozesses wird als Exzellenz definiert.
Für Arbeiter ist das klar, das ist das, was Sie wollen. Aber wenn wir in den Bereich der Angestellten im Büro gehen, wird das sehr seltsam, weil Informationen um Größenordnungen einfacher zu mechanisieren sind als die reale Welt.
Wenn es um physische Dinge geht, zum Beispiel, wenn Sie einen Roboter haben möchten, der in allen Situationen schweißen kann, ist das extrem schwierig. Nur eine Hand zu bewegen, ein Werkzeug zu halten, etwas Schweres zu unterstützen und sich in einer Umgebung mit Staub oder Verunreinigungen zu befinden, wir sprechen von extrem fortgeschrittener Robotik, um etwas zu tun, was jemand nach ein paar Monaten Training tun könnte.
Nun, wenn wir in diese Welt der Informationen eintreten, wissen Sie, auf dem Papier sind die Einschränkungen bei weitem nicht so anspruchsvoll. Wir können Gigabyte an Daten problemlos bewegen. Die Menschen, die diese Bürojobs ausführen, arbeiten bereits mit Computersystemen. Alle Informationen, die sie erhalten, stammen von einem Computer, und alle Informationen, die sie produzieren, werden bereits in einen Computer eingegeben. Wir haben also bereits ein vollständig digitales Framework.
Was ich sage, ist, dass Unternehmen die meisten ihrer Angestellten im Büro als Co-Prozessoren verwenden. Sie haben das, was der Prozessor des Computers mit der Software tun kann, und dann haben wir einfach jemanden in der Mitte, um die Lücken zu füllen. Aber nutzen wir wirklich die Intelligenz dieser Menschen? Meine Argumentation ist nein. Wenn es um eine Frage von strategischer Bedeutung geht, ist es wichtig sicherzustellen, dass alle Angestellten im Büro zu Dingen beitragen, bei denen nur allgemeine Intelligenz liefern kann. Wenn es etwas ist, bei dem Sie keine allgemeine Intelligenz benötigen, sollte es mechanisiert werden.
Ian Wright: Ich stimme zu. Ihr Fokus auf den mechanistischen Ansatz definiert, was Automatisierung ist und wofür der Mensch benötigt wird. Der Moment, in dem der Mensch wirklich Mehrwert liefert, und wie Sie, Joannes, bereits erwähnt haben, wird dies wahrscheinlich nicht korrekt eingesetzt, liegt in den intuitiven Bereichen, in denen Sie keine mechanistische Eingabe bereitstellen können. Zum Beispiel die Überlegung, dass ein Flugzeug in 10 Jahren veraltet sein wird, warum sollten wir das also tun? Das ist etwas, was man nicht mechanistisch konstruieren kann.
Wo der Mensch benötigt wird, ist dort, wo er eine organische Art von Input zu einem Problem oder einer Situation liefern muss, sei es im Eventmanagement oder im operativen Management der Lieferkette. Diagnostische Mechanismen können relativ einfach implementiert werden. Ein Bereich, der noch reichlich Arbeit erfordert, ist die Verwendung von Rückkopplungsschleifen, die dazu beitragen, proaktive Lösungen innerhalb eines mechanistischen Kontexts zu generieren. Dazu gehört die Akkumulation von Informationen aus einer breiteren Vielfalt von Datenquellen in diesem proaktiven mechanistischen operativen Management. Aber man kann die intuitive Seite der Dinge nicht übertreffen. Es gibt einen emergenten Aspekt dessen, was ein Mensch in einen Kontext einbringt, in dem er versucht, ein Problem zu betrachten oder, was noch wichtiger ist, ein Problem vorherzusehen.
Joannes Vermorel: Ich stimme voll und ganz zu. Hier würde ich die Zeitreihenperspektive kritisieren. Die vorherrschende Praxis von Lieferketten heutzutage dreht sich alles um Zeitreihen. Aber wenn man sich Unternehmen ansieht, die sehr gut darin sind, was sie tun, sind sie sehr gut darin, intelligent mit dem Feedback umzugehen, das sie erhalten, wie zum Beispiel Amazon. Amazon nutzt das Feedback seiner Kunden sehr clever, um die meisten ihrer Lieferketten- und Logistikprobleme systematisch zu lösen.
Wenn ein Lieferant routinemäßig wegen verlorener Pakete markiert wird, wird Amazon aufhören, diesen Anbieter zu nutzen und zu einem anderen wechseln. Wenn ein Lieferant Probleme verursacht, werden sie den Lieferanten ausschließen. Sie machen vernünftigen Gebrauch der Feedbackdaten, die sie sammeln. Sie benötigen Menschen, um sich vorzustellen, welche Art von Feedback sie sammeln können, und Ingenieure, um die numerischen Rezepte zu entwickeln, die entscheiden, wann sie einen Lieferanten ausschließen oder einen Logistikdienstleister benachrichtigen.
Sie führen wahrscheinlich intelligente Optimierungen durch, wie zum Beispiel die Feststellung, dass ein Transporteur unter bestimmten Bedingungen zuverlässig ist, unter anderen jedoch nicht, und diesen Transporteur nur unter diesen Einstellungen zu verwenden. Dies erfordert eine Vision darüber, welche Daten relevant sind, nicht nur Zeitreihen über die Nachfrage. Es erfordert eine ingenieurmäßige Denkweise, um tiefgreifende Lösungen für Probleme bereitzustellen, nicht nur das Löschen von Notfällen. Die meisten Unternehmen gehen von einer Notlage zur nächsten über, verbrauchen ihre gesamte Bandbreite und verhindern Verbesserungen. Amazon hingegen entwickelt tiefgreifende Lösungen für jede Situation, mit denen Klassen von Problemen beseitigt werden und sie zum nächsten übergehen.
Ian Wright: Leider kommt das auf die Finanzen zurück. Wenn Sie die finanziellen Mittel haben, um den von Ihnen angedeuteten Denkprozess zu haben, ist das eine Sache. Aber die meisten Supply-Chain-Manager arbeiten nicht in einer Umgebung, in der sie mit Geld überschüttet werden, um Probleme auf diese Weise anzugehen. Sie sind damit beschäftigt, aufzuholen, Brände zu löschen und sich in einem Teufelskreis zu befinden.
Wenn Sie als Praktiker die Möglichkeit haben, an einem strategischen Projekt zu arbeiten, stellen Sie das Modell nicht an erste Stelle. Verstehen Sie die Welt des Supply-Chain-Managers, wie sie heute existiert, und denken Sie so, als wären Sie Amazon, und überlegen Sie, wie die Welt dieses Supply-Chain-Managers funktionieren könnte, damit sie nicht ständig aufholen müssen. Leider verfolgen die meisten Supply-Chain-Manager strategische Projekte auf die gleiche Weise wie ihre tägliche Arbeit, was nur ein weiteres Feuer ist, das gelöscht werden muss. Die Menschen auf beiden Seiten gehen es nicht richtig an, aber es könnte anders angegangen werden, indem man anders über die Rolle nachdenkt.
Conor Doherty: Meine Herren, ich achte auf die Zeit, daher möchte ich zu Ihnen zurückkommen, Ian, und nach praktischer Optimalität fragen. Als Mittel, um uns auf ein Fazit zuzusteuern, welche praktischen Schritte können die Menschen auf dem Weg zur Optimalität unternehmen?
Ian Wright: Auch hier betrachte ich es aus strategischer Sicht, nicht als derjenige auf dem Shop-Floor, der versucht, das Produkt in die Hände des Kunden zu bekommen. Wenn Sie sich mit der Optimalität befassen, müssen Sie darüber nachdenken, wie diese Umsetzung tatsächlich erfolgen wird. Stellen Sie sicher, dass Sie sich darauf konzentrieren, eine machbare, umsetzbare Lösung auf den Tisch zu bringen, die zur Art und Weise passt, wie das Unternehmen heute arbeitet.
Wenn Sie die Möglichkeit und die Freiheit haben, kommen Sie mit einer Lösung, die in einem Kontext optimale Ergebnisse erzielt, die optimal umgesetzt werden kann. Verstehen Sie die wahren Ziele der Stakeholder, die wahren Ziele der Sponsoren und die wahren Ziele des Unternehmens, nicht nur ihre beobachteten oder verkündeten Ziele. Versuchen Sie, eine Lösung in dieser Richtung zu produzieren, soweit sie bereit sind zuzuhören. Stellen Sie sicher, dass Sie jederzeit mit Menschen arbeiten, nicht nur mit dem Modell.
Conor Doherty: Vielen Dank. Joannes, haben Sie noch etwas hinzuzufügen?
Joannes Vermorel: Nein, ich denke, das ist ein guter Punkt. Aus der Perspektive eines Softwareanbieters würde ich sagen, wenn es um Optimalität geht, vertrauen Sie Softwareanbietern nicht zu sehr. Ja, natürlich, außer uns. Beachten Sie insbesondere, dass es Klassen von Software wie Systeme von Aufzeichnungen und Systeme von Berichten gibt, die sich nicht mit Entscheidungen befassen und daher überhaupt nicht mit Optimierung umgehen können.
Systeme von Aufzeichnungen, wie ERP, CRM, WMS und Systeme von Berichten, wie Business Intelligence, werden häufig als Lösungen für optimierte Entscheidungen beworben. Nach ihrem Design berühren diese Klassen von Software das Problem nicht einmal. Sie optimieren von vornherein nicht. Daher wäre meine Botschaft, versuchen Sie nicht, Ihren Weg zur Optimalität bei Ihrem nächsten ERP-Upgrade zu finden. Ein ERP ist per Definition ein System von Aufzeichnungen. 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 sicherstellen, dass dieser wirklich schöne kleine Artikel - nun ja, ein kurzer Artikel, wie ich es gemeint habe - veröffentlicht wird. Darin sprechen Sie über Systeme von Aufzeichnungen, Systeme von Berichten und Systeme von Intelligenz. Aber es ist hier üblich, das letzte Wort dem Gast zu überlassen. Wenn es also noch etwas gibt, das Sie erwähnen möchten oder etwas, das wir nicht gesagt haben, können Sie abschließen, ohne unterbrochen zu werden.
Ian Wright: Ja, das gefällt mir. Von einem Softwareanbieter aus sollten Sie Softwareanbietern nicht vertrauen. Das gefällt mir wirklich, denn in über 40 Jahren hat mich eines der Dinge, die meinen Verstand beschäftigt haben, das Ausmaß des Hypes um Technologie beeindruckt. Der Hype um die Idee einer Lieferkette war für mich lange Zeit eine Art Hype. Und ich habe tatsächlich darüber geschrieben, Conor, worüber Sie nicht überrascht sein werden. Aber ich denke, was wir tun müssen, ist einfach lernen, in einer Welt zu leben, in der Sie wissen, wie Sie sich durch den Hype arbeiten, sich durch die Probleme arbeiten und verstehen, was wirklich funktioniert. Das ist der Schlüssel - was real ist.
Conor Doherty: Nun, an dieser Stelle möchte ich sagen, dass ich keine weiteren Fragen habe. Joannes, vielen Dank für Ihre Zeit. Ian, vielen Dank, dass Sie sich uns angeschlossen haben.
Ian Wright: Vielen Dank, Leute. Es war mir eine Ehre, von Ihnen eingeladen zu werden, 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 Ihnen eine Diagnose zusenden.
Conor Doherty: Vielen Dank und vielen Dank fürs Zuschauen. Wir sehen uns beim nächsten Mal.
