• Teil 1: Vergangenheit als Grundlage
• Teil 2: Verlässliche Daten sind ein Muss
• Teil 3: Agiles Management ist gefragt

Im letzten Teil der Artikelreihe haben wir festgestellt, dass Situationen, die häufig oder regelmäßig auftreten, eine gute Grundlage für die Berechnung von Prognosen sind. Im Bereich Disposition beispielsweise kann eine Verkaufshistorie mithilfe des richtigen Prognoseverfahrens Aufschluss über die kommenden Bedarfe geben. Im Ergebnis optimiert dies auch die Beschaffungsprozesse und verbessert den Lieferservice. Doch woher erhalten wir überhaupt erst die Gewissheit, dass die uns vorliegenden Vergangenheitswerte korrekt sind?

Logische Korrelationen in der Ehe und im Supermarkt

Noch bevor eine Prognose auf Vergangenheitswerten erstellt werden kann, muss auch die Datengrundlage korrekt sein. Das bedeutet, um das Absatzverhalten richtig zu deuten und darauf die Planung verlässlich zu stützen, muss nicht nur die Verkaufszahl vorliegen, sondern auch die Frage beantwortet werden, warum ein Produkt in dieser Menge zu diesem Zeitpunkt gekauft wurde und welche Aussage dies über das zukünftige Verhalten trifft. Dafür müssen logische Korrelationen – also die richtigen Zusammenhänge – herausgefunden werden.

Ein Beispiel: Eine Schlagzeile eines Boulevardmagazins lautete einmal „Verheiratete Männer leben länger“. In der Konsequenz entstand der Irrglaube, die Heirat oder die Ehe habe Einfluss auf die Lebensdauer eines Menschen. Was in dieser Schlagzeile jedoch außer Acht gelassen wurde, ist die Hintergrundvariable „genetische Veranlagung“. Denn nicht die Heirat kann zusätzliche Lebensjahre bewirken, sondern genetisch gut veranlagte Männer werden einfach eher geheiratet. Ein Mann, der gute Gene hat und gesünder ist, findet schlichtweg eher eine Partnerin. Das ist durch unseren natürlichen Überlebensinstinkt begründet. Dass der Mann länger lebt, hat also nichts mit der Heirat zutun. Die logische Korrelation liegt hier also nicht in der Ehe und der Lebensdauer, sondern in der Genetik und der Attraktivität. 

Wo findet dieser Gedanke nun Anwendung in der Logistik und warum ist er von Bedeutung?  Beispielsweise in der Beschaffung von Lebensmitteln im Einzelhandel. Eine Behauptung könnte hier lauten: „Bei einem Rabatt von 10% wird die doppelte Menge Wassermelonen verkauft.“ Das klingt erst einmal nach einer denkbaren Schlussfolgerung. Möglichweise herrschten aber zum Zeitpunkt der Verkaufsaktion hochsommerliche Temperaturen und die Wassermelone war für viele Verbraucher die nötige Erfrischung. Wenn diese Information in der Statistik keine Beachtung findet, könnte die nächste Rabatt-Aktion im Herbst in einer großen Abschrift von Wassermelonen enden. Für die Prognose über den genauen Absatz der Lebensmittel ist es daher enorm wichtig, die richtigen Zusammenhänge als Auslöser für den Verkaufsanstieg zu erkennen. Dabei unterstützen Prognosesysteme durch ihre Fähigkeit, Korrelationen aufzudecken. Der Experte im Hintergrund muss dann jedoch noch beurteilen können, ob es sich auch um die logische Korrelation handelt. 

Ein Forschungsprojekt von INFORM und der Zürcher Hochschule für Angewandte Wissenschaften (ZHAW) setzte genau hier an. Ziel der Forschung war es, den Einfluss verschiedener externer Faktoren wie Wetter, Feiertage oder Produktähnlichkeiten auf die Absätze insbesondere frischer Lebensmittel zu identifizieren und diese in mathematischen Algorithmen abzubilden. Dabei wurde eine neue Generation von Machine-Learning-Algorithmen entwickelt, die den Planer der frischen Lebensmittel unterstützen soll. Fallstudien, die mit Prototypen einer entsprechenden Software durchgeführt wurden, zeigen, dass die neu entwickelten Algorithmen Absätze der Lebensmittel besser vorhersagen können, da sie alle Einflussfaktoren, wie beispielsweise das Wetter berücksichtigen.

Zusammengefasst: Werden vorliegende Vergangenheitsdaten durch die Betrachtung logischer Zusammenhänge richtig gedeutet und bilden damit eine verlässliche Datengrundlage, setzen intelligente Prognosealgorithmen auf diese Basis auf und geben verlässliche Informationen über zukünftige Ereignisse. Doch was nun, wenn eine noch nie eingetroffene Situation erstmals entsteht?

Ist die Verlässlichkeit von Prognosen ein Trugschluss?

Dass ein wiederkehrendes Ereignis in der Vergangenheit nicht in absolut jeder Situation eine verlässliche Grundlage für eine Prognose ist, das zeigt die so genannte „Truthahn-Illusion“ von Finanzmathematiker Nassim Taleb. Diese besagt: Je öfter der Bauer seinen Truthahn füttert, desto stärker glaubt dieser an die Gutmütigkeit des Menschen ihm gegenüber und die Beständigkeit seines glücklichen Lebens auf dem Bauernhof. Am Tag vor Thanksgiving jedoch fehlte dem Truthahn die Information über seinen (bislang noch nie eingetretenen) letzten Lebtag.

Die Geschichte verdeutlicht, dass Prognosen, die auf Vergangenheitswerten basieren, Störungen nicht erfassen, wenn sie noch nie zuvor aufgetreten sind. Mit dem Resultat, dass beispielsweise der eines Tages eintreffende Lieferverzug eingetreten und unveränderbar sein wird. Zwar ist jedem Supply Chain Manager bewusst, dass es Lieferverzögerungen aufgrund verschiedenster Ursachen geben kann. Doch auch dieses Wissen ermöglicht keine Vorhersage über den genauen Zeitpunkt des Eintritts. Wenn also lediglich auf Vergangenheitswerte zurückgegriffen wird und ein möglicher, wenn auch nie dagewesener, Bruch in der Struktur unberücksichtigt bleibt, funktioniert das Prognosemodell schlichtweg nicht mehr.

Nun ist die Ausgangssituation in den verschiedenen Industrien noch um ein vielfaches komplexer. Größere Produktportfolios, globale Netzwerke, viele Prozessketten und volatile Märkte schaffen immer noch große Ungewissheit über die Kundenwünsche der Zukunft. In einer solchen Situation, in der wir es mit komplexen Vorgängen und hochgradiger Ungewissheit zu tun haben, brauchen Unternehmen ergänzende Strategien – für Agilität und Wettbewerbsfähigkeit. Welche dies sind, erfahren Sie im nächsten Teil dieses Artikels.

• Teil 1: Vergangenheit als Grundlage
• Teil 2: Verlässliche Daten sind ein Muss
• Teil 3: Agiles Management ist gefragt