00:00:00 Bucheinleitung: Entscheiden unter Unsicherheit
00:05:55 Motivation: Scheitern statischer Modelle bei Toyota
00:11:50 Narrative nutzen, um Entscheidungskonzepte zu lehren
00:17:45 Fehler: Unsicherheit wegmitteln
00:23:40 Plaene scheitern; skalierbare Entscheidungsprozesse sind noetig
00:29:35 Numerische Rezepte statt perfekter Plaene bevorzugen
00:35:30 Stakeholder dort abholen, wo sie sind; iterieren
00:41:25 Simulatoren nutzen, um Policies sicher zu testen
00:47:20 Problemrahmung braucht stoische Klarheit
00:53:15 Prognosegenauigkeit ist nicht das Endziel
00:59:10 Prognosen sind Inputs; Allokationsentscheidungen zaehlen
01:05:05 Wirtschaftlichen Wert vor Prognosepraezision priorisieren
01:11:00 Korrelierte Tail Risks einplanen
01:16:55 Menschliches Handeln treibt Supply-Chain-Risiko
01:22:50 Resiliente Systeme fuer Katastrophen entwerfen
01:28:45 Adoption durch Co-Creation; Decision Ownership zuweisen
Zusammenfassung
The Decision Factory argumentiert, dass es keine perfekten Loesungen gibt, nur Trade-offs. Bessere Plaene oder Prognosen ersetzen kein Urteil unter Unsicherheit. Unternehmen brauchen wiederholbare, testbare Policies, die probabilistische Inputs, Feedback und Wirtschaftlichkeit nutzen. Adoption erfordert Co-Creation mit dem Feld, klare Constraint-Ownership und Geldmetriken statt irrefuehrender Prozente.
Erweiterte Zusammenfassung
The Decision Factory kritisiert die Illusion, bessere Plaene und schaerfere Prognosen koennten Urteil in einer unsicheren Welt ersetzen. Die Zukunft ist kein Satz von Fakten, der nur entdeckt werden muss, sondern ein Strom menschlicher Entscheidungen ausserhalb der eigenen Kontrolle.
Viel moderne Supply-Chain-Praxis bleibt zentrale Planung: Ein optimaler Plan soll lokale Realitaeten steuern. In der Praxis ist der Plan vor dem Fruehstueck veraltet. Die Alternative sind Policies oder numerische Rezepte, die unter Unsicherheit wiederholt gute Entscheidungen treffen, mit Feedback, Beschraenkungen und Wirtschaftlichkeit. Der praktische Wechsel geht von Plaenen zu testbaren Policies, von Punktprognosen zu probabilistischen Inputs und von statischen Modellen zu Experimenten.
Vollstaendige Transkription
Conor Doherty: Hier ist Supply Chain Breakdown. Heute zerlegen Joannes und ich The Decision Factory, das neue Buch von Adam Chans Jr. und John Elam. Beide sind erfahrene Decision-Science-Praktiker, Freunde des Kanals und wiederkehrende Gaeste. John, Adam, schoen euch wiederzusehen.
John Elam: Schoen, wieder da zu sein.
Adam Chans Jr.: Danke fuer die Einladung.
Conor Doherty: Wir haben heute ein grosses Panel, remote und im Studio. Ich beobachte den Live-Chat, also stellt Fragen. Vorab: Ich habe das Buch wirklich genossen. Ihr habt komplexe Themen so aufbereitet, dass nicht nur Praktiker, sondern auch Leute ohne Engineering-Hintergrund folgen koennen. Adam, worum geht es im Buch und warum habt ihr es geschrieben?
Adam Chans Jr.: Es geht darum, Entscheidungen unter Unsicherheit zu treffen. Wir schrieben es, weil wir unter alten statischen Modellen gelitten haben. Bei Toyota hat uns Unsicherheit oft hart getroffen. Bei einer riesigen Supply Chain mit allen Lieferanten gibt es fast nie eine garantierte optimale Loesung. Das Buch erzaehlt, was wir gelernt haben. John und ich fuehrten viele Dialoge darueber, inspiriert auch von Joannes und Warren Powell.
John Elam: Mein Weg fuehrte mich schrittweise zur Decision Science. Wenn man fragt, was Daten, Machine Learning und KI eigentlich leisten sollen, landet man bei besseren Entscheidungen. Beim Bau von Optimierern und Empfehlungssystemen mit Adam sah ich, wie viele Menschen nicht wissen, welche Fragen sie stellen sollen. Perfekte Theorie kann unloesbar sein; die praktische Frage lautet: Was tun wir wirklich?
Conor Doherty: Was ist der haeufigste Fehler im Umgang mit Unsicherheit?
John Elam: Man mittelt sie weg. Unsicherheit wird geglaettet, statt angenommen.
Adam Chans Jr.: Und Management verlangt bessere Forecasts, also Punktprognosen. Man hoert absurde Ziele wie 99 % Genauigkeit zwei Jahre im Voraus. Selbst bei perfekter Prognose bleibt die Entscheidung: Wenn Nachfrage 100 ist und Kapazitaet 50, wie verteilt man? Die Prognose ist nicht die Entscheidung.
Joannes Vermorel: Die Idee des Plans fasziniert seit einem Jahrhundert. Die UdSSR hatte Gosplan, und man haette denken koennen, diese Idee sterbe 1991. Stattdessen lebt sie in grossen Unternehmen. Aber Unternehmen treffen taeglich Tausende oder Millionen Entscheidungen: kaufen, produzieren, Bestand bewegen. Bei dieser Skalierung reicht menschliche Intuition nicht. Der perfekte Plan ist Wunschdenken. Wenn wir die Zukunft kennen wuerden, waere alles einfacher, aber das wird nie passieren.
Conor Doherty: Das Buch beginnt mit einem perfekten Plan bei Fulcrum Logistics, optimal um 6 Uhr und obsolet um 6:47. Warum als Geschichte?
John Elam: Menschen merken sich Geschichten, nicht isolierte Fakten. Wir koennen ueber Zielfunktionen, Simulatoren, probabilistische Prognosen und Optimierer sprechen, aber entscheidend ist der operative Effekt: dass das Telefon nicht um 3 Uhr morgens klingelt. Wir machen keine Mathematik um der Mathematik willen; wir wollen Operationen verbessern.
Adam Chans Jr.: Dialoge erlauben Fragen, die viele nicht zu stellen wagen. Verschiedene Charaktere koennen einfache Fragen stellen und zeigen, dass nichttechnische Menschen Wert schaffen. Institutionelles Wissen muss in Modelle einfliessen. Viele Praktiker nutzen MIP-Modelle; wir wollten sie dort abholen und ihr Denken mit Simulation, justierbaren Parametern, probabilistischen Szenarien und korrelierten Katastrophen erweitern.
Conor Doherty: Ist Evelyn teilweise ein Composite aus Warren Powell und Joannes?
John Elam: Ja. Joannes steht fuer die Faehigkeit, Theorie zu verstehen und zu wissen, wann man sie ignoriert. Diese Faehigkeit brauchen Menschen.
Conor Doherty: Warum ist die Suche nach dem optimalen Plan ein Fehler?
Adam Chans Jr.: In vielen operativen Problemen existiert keine anwendbare optimale Loesung. MIP-Solver sind grossartig und manchmal kann man das Ergebnis direkt umsetzen. Aber oft ist das Modelloptimum nicht das operative Optimum. Das Modell ist ein Werkzeug unter Unsicherheit, kein Orakel.
John Elam: Man kann sich nicht zu guten Loesungen hin denken; man muss experimentieren. Simulatoren sind Windkanaele: Sie sagen nicht exakt die Zukunft, zeigen aber, ob der Fluegel bricht. Wirklich validiert wird in der Realitaet. Praktiker tragen mit Heuristiken und Lernen bei, auch ohne die ganze Mathematik zu kennen.
Joannes Vermorel: Bei Lokad sprechen wir eher von numerischem Rezept. Eine Policy ist fuer sequentielle Entscheidungen nuetzlich, aber in realen Systemen nur ein kleiner Teil des Codes. Es gibt Annahmen, ERP-Extraktionen, Vorverarbeitung und Datenentscheidungen. Numerisches Rezept macht klar: Wir erwarten keine saubere Optimalitaet, sondern akzeptieren Unordnung und verbessern sie.
Policy hilft, aus der falschen Wahl zwischen perfektem Plan und nichts herauszukommen. Ueber die Zukunft nachzudenken heisst nicht, einen Plan zu perfektionieren. Man muss premature Formalisierung vermeiden und schnell iterieren, weil Daten Erwartungen brechen.
John Elam: Zuerst muss man das Problem richtig framen. Warren Powell betont das stark. Dinge nackt und unverziert zu sehen, fast stoisch, ist schwer, aber noetig.
Joannes Vermorel: Es ist sehr schwer, das Problem zu denken, bevor man die Loesung denkt. Oft erfinden wir eine Loesung und definieren danach das Problem passend. LLMs helfen dabei kaum; sie verstaerken oft schlechte Gewohnheiten.
Conor Doherty: Warum ist Forecast Accuracy allein gefaehrlich?
John Elam: Beispiel Mud Flaps. Ich prognostiziere perfekt 1.000 Einheiten Nachfrage, aber die EPA erlaubt nur 800 Installationen wegen Zertifizierung. Die perfekte Prognose sagt nur, dass ich fehlen werde. Die echte Entscheidung ist Allokation: profitable Regionen, Fair Share, First Come First Served oder Rezertifizierung. Genauigkeit hilft, ist aber nicht die Entscheidung.
Joannes Vermorel: Es ist, als rechne man auf das Gramm genau und runde dann auf die Tonne. Es gibt riesige Rundungen: volle LKWs, Lagerkapazitaet, Arbeitskraefte, Vertraege, Regulierung. Accuracy ist nicht schlecht, aber wenn fast alle analytische Energie dorthin geht, ist das eine Fehlallokation.
John Elam: Die Oekonomie der Entscheidungen zaehlt. Ob Engineers an Forecasting, Optimierung oder besseren Vertraegen arbeiten, ist selbst eine oekonomische Entscheidung.
Joannes Vermorel: Diese Sicht ist in Supply Chain noch recht randstaendig. Viel Literatur hat oekonomischen Anstrich, aber nicht die Substanz.
Conor Doherty: Warum sind die Tails wichtiger als der Mittelwert?
Adam Chans Jr.: Unternehmen leben und sterben in den Tails. Seltene Ereignisse wirken unwahrscheinlich, aber sie korrelieren: Streik, Lieferungen kommen nicht, Kunden beschweren sich, Manager paniken. Menschen multiplizieren Wahrscheinlichkeiten, als waere alles unabhaengig. Das ist es nicht.
Joannes Vermorel: Risiko meint zwei Welten. In Naturwissenschaften ist Risiko etwa ein Bremsversagen; man will es fast eliminieren. In Supply Chain kommt Risiko oft aus menschlichem Handeln: Lieferanten und Kunden aendern ihre Meinung. Solange Menschen frei entscheiden, kann man dieses Risiko nicht wegkonstruieren. Man kann es hedgen, aber nicht eliminieren.
John Elam: Manche Worte sind red words: technisch korrekt, aber beim Empfaenger falsch rekonstruiert. Risk, uncertainty, operations research, online learning. Fuer Executives kann uncertainty heissen: Ich weiss gar nichts. Die Story erlaubt, solche Begriffe ohne massiven Jargon zu entpacken.
Joannes Vermorel: Informatik hat auch schlechte Begriffe: dynamic programming, serverless. Geschichten helfen, Ideen ohne Definitionstapete zu erklaeren.
Conor Doherty: Wie ueberzeugt man jemanden, im Durchschnitt 3 % mehr zu zahlen, um Tail Risk stark zu senken?
Adam Chans Jr.: Mit konkreten Simulatorbeispielen. Nehmen Sie ein historisches Ereignis, etwa einen Hafenstreik: Das waere passiert, das haetten wir gespart. Ohne Zahlen lohnt die Diskussion nicht.
John Elam: Wir visualisieren das mit einem Pareto Explorer: Pareto-Fronten ueber Ziele und KPIs. Man gibt keine magische Entscheidung, sondern ein Lineal zur Bewertung. Die verantwortliche Person behaelt die Entscheidung, was Adoption erleichtert.
Conor Doherty: Das Buch verbindet auch Sprache, Incentives und Metriken.
Joannes Vermorel: Unternehmen sagen, Profit sei das Ziel, steuern aber mit Prozent-KPIs, die Entscheidungen von oekonomischen Folgen trennen. Diese Schizophrenie ist teuer. Dollars, nicht Prozente, sollten Verhalten steuern.
John Elam: Sprache und Anreize haengen zusammen. Wer mit falschen Worten und Metriken bewertet wird, optimiert falsches Verhalten.
Conor Doherty: Was passiert mit steigender Produktvielfalt und Customization?
Adam Chans Jr.: Das Top-down-Modell kommt unter Druck. Je mehr Vielfalt, desto wichtiger Feldlernen. Statische Modelle koennen nicht alle Kombinationen antizipieren. Man braucht Policies, Simulation und Lernschleifen.
Joannes Vermorel: Man muss oekonomisch denken, in der Realitaet testen, fuer die Tails designen und aufhoeren, Plaene zu verehren, die den Kontakt mit der Welt nicht ueberleben.
Conor Doherty: Was soll ein Praktiker mitnehmen?
John Elam: Framen Sie zuerst das Problem besser. Fragen Sie nicht nur nach einem genaueren Forecast. Fragen Sie, welche Entscheidung Sie verbessern, welche Constraints zaehlen, welche Risiken das System brechen und wie Sie eine Policy testen.
Adam Chans Jr.: Haben Sie keine Angst vor einfachen Fragen. Sie entlarven oft falsche Annahmen.
Joannes Vermorel: Hoeren Sie auf zu glauben, die Zukunft werde zu einer Tatsache. Die Zukunft enthaelt menschliche Entscheidungen, die noch nicht getroffen wurden. Ein gutes System beseitigt diese Unsicherheit nicht; es behandelt sie oekonomisch.
Conor Doherty: Danke euch dreien. Danke an das Publikum fuer Fragen und Kommentare. Wenn ihr die Diskussion fortsetzen wollt, kontaktiert uns auf LinkedIn. Bis zum naechsten Breakdown, und zurueck an die Arbeit.
