Zusätzlich zu intelligenten Algorithmen, die aus Big Data wertvolle Informationen berechnen können, benötigen wir vor allem Experten mit Fachwissen, um zu wirklich plausiblen Ergebnissen zu kommen.
Dass das so ist, zeigt zum Beispiel eine Reihe vermeintlicher Korrelationen, also Zusammenhänge, die der Harvard Student Tyler Vigen auf seiner Website auflistet. Er ermittelt mithilfe von Algorithmen kuriose Szenarien. So geht aus seinen Berechnungen beispielsweise hervor, dass die Scheidungsrate in Maine (USA) in gleichem Verhältnis mit dem Pro-Kopf-Verbrauch von Margarine sinkt. Wer seine Ehe retten möchte, sollte demnach auf Margarine verzichten. Eine weitere Berechnung besagt, dass der Verzehr von Mozzarella-Käse die Anzahl der Promotionen von Bauingenieuren beeinflusst – oder umgekehrt. Auch wenn sich mancher Bauingenieur jetzt möglicherweise freuen mag und seine Fachkenntnis gleich durch etwas Käse vertiefen möchte, so identifizieren wir doch mit unserem bloßen Menschenverstand diese Beispiele schon als irreführend und ziehen eine wichtige Erkenntnis: Eine Korrelation ist nicht zwangsläufig auch eine Kausalität. Eine Korrelation beschreibt den reinen Zusammenhang von zwei Situationen, eine Kausalität ist die konkrete Beziehung zwischen Ursache und Wirkung.
Es geht also darum, Daten intelligent zu verknüpfen und zu zuverlässigen und logischen Informationen zu machen, die dann wiederum erfolgsbringend für Unternehmen sein können. Im Mozzarella-Fall sind wir alle Experten, die die Glaubwürdigkeit und Relevanz dieses vermeintlichen Zusammenhangs beurteilen können. Doch in wirtschaftlichen Zusammenhängen und Planungssituationen im Supply Chain Management und in der Logistik von Industrie und Handel sind die Ergebnisse von Berechnungen und Statistiken häufig schwieriger zu beurteilen – dafür braucht es Fachexpertise.
Wichtige Zusammenhänge im Supply Chain Management
In einem Unternehmen sind zum Beispiel in der Bedarfsplanung im Supply Chain Management verschiedene Faktoren wichtig: Historische Werte, Saisonverkäufe, Produkteinführungen oder Neuheiten, Verkaufsaktionen usw. Sie dienen als Datengrundlage um herauszufinden, welchen Artikel der Kunde in welcher Menge in Zukunft kaufen wird. Mithilfe von Prognoseberechnungen und durch das Wissen erfahrener Planer kann an dieser Stelle schon ein Blick in die Zukunft geworfen werden.
Doch die Märkte verändern sich. Die Anforderungen an Verfügbarkeit wachsen und Individualisierung und Schnelligkeit werden zunehmend zum Wettbewerbsvorteil. Um in einer sich wandelnden Welt clever agieren zu können, darf nicht „ins Blaue hinein“ geplant werden. Die richtigen Kausalitäten zu erkennen ist wichtig.
Korrekte Kausalitäten durch Algorithmen und Fachexpertise erkennen
Wenn wir intelligente Algorithmen effektiv nutzen möchten, um den Bedarf an Produkten in Zukunft gut und verlässlich abschätzen zu können, müssen Fachexperten vorher festlegen, welche Einflüsse überhaupt auf den Absatz einwirken (wo die Kausalitäten bestehen). Zu diesen Einflüssen können neben den offensichtlichen Gründen, wie der Verkaufsaktion, auch das Wetter oder Großereignisse gehören. Denken wir nur einmal an die vergangene Weltmeisterschaft, dann wird deutlich, dass einem Algorithmus die Information über die Kausalität zwischen der WM und dem steigenden Absatz von beispielsweise Bier gegeben werden muss. Dann kann er mittels der richtigen Daten auch sehr verlässliche Vorhersagen treffen, auf deren Basis das gesamte Supply Chain Management effizienter und sicherer wird.
Der Mensch als Experte
Im Supply Chain Management bringt Big Data allein uns also nicht weiter, solange kein Algorithmus ein nützliches Ergebnis daraus produziert und ein Fachexperte stets im Auge behält, wie sinnvoll dieses Ergebnis tatsächlich ist. Moderne Algorithmen sind so weit entwickelt, dass sie aus einem Datenpool eine Korrelation und oft auch bereits die richtige Kausalität erkennen kann. Doch die Beispiele von Tyler Vigen haben uns gezeigt, dass es auch Irrtümer geben kann. Gibt der Experte die richtige Richtung vor und hält die Kontrolle, liefert die Maschine bessere Ergebnisse, als der Mensch es könnte. Für das zukunftsfähige Supply Chain Management benötigen wir also die Kombination aus Big Data, intelligenter Software und menschlicher Expertise.