Der Algorithmiker

Was die Zukunft bringen wird, hätten Kaufleute schon von alters her gern gewusst. Nun nimmt der Traum dank moderner Big-Data-Technologie Gestalt an. Der Experimentalphysiker Michael Feindt ist im Begriff, den internationalen Predictive-Analytics- Markt aufzurollen. Porträt eines Querdenkers.

Von Mirko Hackmann 03.08.2015

© Blue Yonder

Im Herzen des CERN: Spitzenforscher aus aller Welt sind in der Schweiz dem Gottesteilchen auf der Spur.

Mehr als sieben Jahre arbeitete Michael Feindt lang untertage in der Schweiz. Dann berief ihn die Uni Karlsruhe auf den Lehrstuhl für Physik. Was wie eine seltsame Karriere anmutet, ist leicht zu erklären – und doch für den Laien kaum zu verstehen: Denn mit einem rund 3.000-köpfigen internationalen Team war Feindt im CERN auf der Suche nach dem sogenannten Gottesteilchen. Jenem Baustein des Standardmodells der Physik, das den Aufbau der Materie erklären könnte. Nach dieser Theorie erhalten andere Teilchen ihre Masse durch ein unsichtbares Kraftfeld aus HiggsTeilchen, das das gesamte Universum durchzieht.

„Um beispielsweise dunkler Materie auf die Spur zu kommen, lassen wir in endlosen Reihenuntersuchungen Teilchen mit der gigantischen Energie von 6,5 Teraelektronenvolt pro Strahl auf der 27 Kilometer langen unterirdischen Umlaufbahn kollidieren“, erläutert der Experimentalphysiker das Vorgehen der Forscher. Das Ergebnis: unvorstellbare Mengen von Messdaten. Aus diesen versuchen sie, die minimalen Abweichungen herauszudestillieren, die als Beleg für die Existenz der gesuchten Higgs-Bosonen dienen könnten – trotz modernster Computertechnologie eine Sisyphusaufgabe. Ungefiltert und auf CD gebrannt, ergäben die Informationen, die in dem Teilchenbeschleuniger pro Sekunde anfallen, einen Stapel, so hoch wie der Eiffelturm.


Zur Person
Professor Dr. Michael Feindt (Jahrgang 1958) studiert von 1978 bis 1984 Physik an der Universität Hamburg. Im Anschluss führt er wissenschaftliche Forschungsarbeiten am Deutschen Elektronen Synchrotron DESY in Hamburg durch und promoviert dort im Jahr 1988. Von 1991 bis 1997 arbeitet er am Europäischen Laboratorium für Teilchenphysik CERN in Genf, zunächst als Scientific Fellow, anschließend als Staff-Wissenschaftler, und wird 1996 mit dem „Exceptional Performance Award“ des CERN ausgezeichnet. Seit 1997 ist er Professor für Physik an der Universität Karlsruhe. Auch heute noch ist er am CDFII-Experiment am Fermilab in Chicago beteiligt, ebenso wie am Experiment Belle und Belle II am KEK-Forschungszentrum für Hochenergiephysik in Japan.


Die Füße in grauen Wildlederschuhen, das gepunktete Hemd leger über der Hose getragen, rote Streifen auf der Innenseite des blauen Jacketts: Nicht unbedingt professoral und schon gar nicht wie ein Physiknerd wirkt Prof. Dr. Michael Feindt, wie er da im Karlsruher Büro seines Start-ups „Blue Yonder“ sitzt. Gleich, ob Feindt die Heisenbergsche Unschärferelation erläutert oder praktische Anwendungen seines Neuro-Bayes-Algorithmus für den Handel beschreibt, immer spricht ein von der Komplexität der Dinge Begeisterter, ein genialischer Tüftler, der schon als Kind Schaltkreise zusammensteckte und Rechner auseinandernahm. „Ich arbeite nie. Ich lebe davon, zu tun, was mich interessiert“, sagt Feindt.

Das gilt wahrscheinlich für nicht wenige Wissenschaftler. Doch Feindt ist wohl einer der raren Exemplare von Grundlagenforschern, die überhaupt in der freien Wirtschaft unterwegs sind und darüber hinaus die Erkenntnisse ihres Forschertums mit relativ geringem Aufwand praktisch nutzbar machen und damit zu monetarisieren wissen. Andererseits überrascht es nicht, dass jemand, der zuverlässigere Aussagen als seine Konkurrenten darüber treffen kann, mit welcher Wahrscheinlichkeit wie viele Modelle eines bestimmten roten Adidas-T-Shirts der Größe 36 in fünf Tagen online bei Otto bestellt werden, in Handelskreisen einen guten Ruf genießt.

Präzisere Aussagen als Modeexperten

So gut, dass Feindt seine Professur nun für vier Jahre ruhen lässt, um die Internationalisierung von Blue Yonder voranzutreiben. Seine Forschungen betreibt er unbezahlt weiter, „um Synergieeffekte nutzbar zu machen“. Doch was hat Quantenmechanik mit der Vorhersage von Kaufverhalten gemein? „In der subatomaren Physik gilt das klassische Prinzip von Ursache und Wirkung nicht, nur Wahrscheinlichkeiten können berechnet werden“, erläutert Feindt. „Auch in komplexen Systemen wie dem Wetter oder der Wirtschaft begrenzt das deterministische Chaos prinzipiell die Vorhersagbarkeit.“ Das heißt, dass es nie möglich ist, exakte Vorhersagen zu treffen. Denn wie bei der Ziehung der Lottozahlen geschieht bei gleicher Ausgangssituation bei jedem Versuchsdurchgang etwas anderes.

Wie oft was passiert, untersuchen die Physiker in Tausenden von Durchläufen, indem sie immer wieder Teilchen kollidieren lassen und das Geschehene messen. Ist die Datenbasis breit genug, passiert zwar immer noch ständig etwas anderes, aber die Forscher wissen, mit welcher Wahrscheinlichkeit. Mit dem von ihm entwickelten Neuro-Bayes-Algorithmus vermag Feindt nun nicht nur das Verhalten der kollidierenden Teilchen im CERN zu prognostizieren, sondern ebenso individualisierte Wahrscheinlichkeitsaussagen darüber zu treffen, ob ein Kunde den Anbieter wechseln oder ein bestimmtes Produkt kaufen wird. „Wenn ich alles, was ich messen kann, mit dem abgleiche, was sich am Ende als tatsächliches Ereignis eingestellt hat, komme ich zu immer präziseren Aussagen, was in Zukunft wahrscheinlich passieren wird“, erläutert Feindt. Zu einem großen Netzwerk verknüpft, bildeten individualisierte Prognosen eine Form von Intelligenz, die präzisere Voraussagen als ein Modeexperte darüber treffen könne, was in der kommenden Saison wie häufig gekauft werden wird.

Auf die Idee, sein wissenschaftliches Know-how für die Praxis nutzbar zu machen, kam Feindt, als er sein Erspartes anlegte und ein Gutteil verlor. „Mein wissenschaftlicher Stolz war verletzt. Ich ärgerte mich maßlos über mich selbst und fragte mich, warum ich mich den ganzen Tag mit statistischen Analysen beschäftige und beständig versuche, die Dinge zu optimieren, um im Privaten auf einen Anlageberater zu vertrauen.“ Also begann er, seine Forschungsmethoden auf andere Gebiete anzuwenden: die Vorhersage von Preisänderungen bei Aktientiteln beispielsweise oder die Wahrscheinlichkeit von Schadensfällen für Versicherer. Das war im Jahr 2002 die Geburtsstunde von Neuro-Bayes und Feindts erstem Unternehmen Phi-T, einer universitären Ausgründung, die er mit zwei Doktoranden und dem Kapital einer Handvoll privater Geldgeber betrieb. „Im Rückblick war es für die Beteiligten die wohl beste Entscheidung ihres Lebens“, resümiert Feindt.

Doch der Weg zum Erfolg war beschwerlich und hätte beinahe zu einem Fiasko geführt. Feindt musste erkennen, dass ein überlegenes Produkt kein Erfolgsgarant ist. „Ich dachte, das verkauft sich von selbst“, erinnert sich der Gründer, „doch erst musste ich lernen, andere davon zu begeistern.“ Hoffnung keimte, als Phi-T 2005 von der Otto Group zu einem Prognosewettbewerb eingeladen wurde, bei dem es galt, den Absatz des Kinderkleidungssortiments für eine ganze Saison vorherzusagen – und sich „haushoch gegen die internationale Konkurrenz durchsetzen“ konnte. Doch noch drei Jahre vergingen, bis Otto das Projekt realisierte und mit Feindt das Joint Venture Blue Yonder ins Leben rief; eine der ersten Amtshandlungen vom damals frisch ins Amt gekommenen Otto-Chef Hans-Otto Schrader.

Von 15 auf mittlerweile 150 Mitarbeiter ist Blue Yonder nun binnen sieben Jahren gewachsen. „Ohne unseren CEO Uwe Weiß, der schon mehrere Firmen von Garagengröße auf 100 Millionen Umsatz gebracht hat, wäre das nicht möglich gewesen“, bekennt Feindt. Statt sich vom Investor übernehmen zu lassen, nahm Blue Yonder Marketing und Vertrieb selbst in die Hand. „Weder mochte ich Angestellter von Otto werden noch eine Firma unter Tausenden bleiben“, betont der Vater zweier Kinder: „Ich wollte die Welt bewegen.“ Als 2014 das New Yorker Private-Equity-Unternehmen Warburg Pincus als zweiter Investor 75 Millionen Dollar zuschoss, war der Gründer sicher: „Jetzt machen wir etwas ganz Großes daraus.“

Mannigfaltiges Potential für den Handel

Immer mehr Anfragen gehen bei Blue Yonder ein, Top-Manager von Firmen aus den USA, dem Nahen und Fernen Osten interessieren sich plötzlich für das kleine Karlsruher Unternehmen. „Alle haben verstanden, dass sie etwas tun müssen, weil an der Digitalisierung kein Weg vorbeiführt.“ Die Konkurrenz von anderen Data-Science-Companies wie Google, Amazon und Co. fürchtet Feindt nicht: „Das sind gute Unternehmen mit hoher Bekanntheit und viel Marktmacht. Unser Vorteil ist die andere Denk- und Arbeitsweise. Wir scheuen keinen Performancevergleich mit den großen Spielern, weil wir bislang sämtliche Vergleichstest für uns entscheiden konnten.“ Feindts Erfahrungen am CERN machen sich bezahlt, und die Nähe von Blue Yonder zur Wissenschaft lockt Absolventen von Eliteschmieden wie Stanford oder Cambridge ins Badische.


Der Neuro-Bayes-Algorithmus
Der Name „Neuro-Bayes“ ist ein Kompositum aus den Begriffen „neuronales Netzwerk“ und „Bayes’sche Statistik“. Bei neuronalen Netzwerken handelt es sich um mathematische Konstrukte, die der Architektur und Arbeitsweise des menschlichen Gehirns nachempfunden sind. Das Verfahren der Bayes’schen Statistik lässt bei der Datenanalyse Rückschlüsse darauf zu, ob es sich bei einem beobachteten Effekt um eine zufällige Schwankung oder ein statistisch relevantes Ereignis handelt.


Doch was genau macht den Erfolg des Ansatzes von Blue Yonder aus? „Wir sind Weltmeister darin, statistische Relevanz einzuschätzen. Auch beim Teilchenbeschleuniger geht es darum, zu bewerten, ob kleinste Einflüsse tatsächlich wirksam sind oder nicht. Und wir vermögen selbst mit gigantischen Datenmengen problemlos umgehen. Zudem bestehen unsere Prognosen nicht wie in der Branche üblich aus einer einzelnen Zahl, wir können sehr akkurat ganze Wahrscheinlichkeitsverteilungen vorhersagen.“ Für den Handel haben die Prognosen von Blue Yonder mannigfaltiges Potenzial: Es reicht von Trenderkennung über Vorratsplanung, Disposition und Abverkaufsprognosen bis hin zur automatischen Einkaufsentscheidung, zum dynamischen Pricing und zur Retourenoptimierung. Personenbezogene Daten verwendet Blue Yonder nicht, in der Regel geht es um Einheiten wie Filialen oder Einzelartikel. Neben den großen Datenmengen, die bei den Unternehmen ohnehin vorliegen, fließen in die Berechnungen Einflussgrößen wie Wetterdaten, Wirtschaftsindikatoren, Social-Media-Rauschen sowie online verfügbare Preisinformationen ein.

Allein: Die Daten aus den Unternehmen müssen von diesen entsprechend aufbereitet werden. Und daran hapert es oft. „Häufig bestehen noch Silos, die nicht miteinander kommunizieren; bisweilen fehlt es noch immer an einer ganzheitlichen Sicht“, weiß Feindt. Lokal sei in der Vergangenheit viel optimiert, doch die Systeme seien häufig nicht aufeinander abgestimmt worden. Darum lautet seine Empfehlung für den nächsten großen Schritt der Kostenoptimierung: „Arbeitsteilung aufbrechen, Silos einreißen, intensive Abstimmung zwischen den Elementen der Supply Chain – gleich, ob innerhalb einer Firma oder zwischen Hersteller und Händler.“ Wer’s nicht glaubt, wird womöglich kein Kunde von Blue Yonder, aber dafür bald sein blaues Wunder erleben.


DER PRAXISCHECK

Michael Sinn, Leiter Category Support, Otto:
„Aus einem von uns initiierten Vergleichstest mit Echtdaten, zu dem wir im Jahr 2005 13 namhafte Unternehmen aus der Predictive-Analytics- Branche eingeladen hatten, ging das Team von Professor Feindt mit weitem Abstand als Sieger hervor. Durch die gemeinsame Gründung des Joint Ventures Blue Yonder und die nachfolgende Implementierung des Neuro-Bayes-Algorithmus konnten wir in unserem Online-Shop die Prognosequalität um bis zu 40 Prozent verbessern und zugleich die Restbestände um 20 Prozent minimieren. Mittlerweile verarbeiten wir mit dem System pro Woche 300 Millionen Datensätze und beziehen 200 Einflussfaktoren mit in die Hochrechnungen ein. Dadurch sind wir in der Lage, unsere Artikel präzise zu steuern. Da wir überdies unsere Mitarbeiter früh in den Change-Prozess eingebunden haben, war die Entscheidung für Blue Yonder ein voller Erfolg, durch den wir Jahr für Jahr Einsparungen in Millionenhöhe realisieren.“

Roman Melcher, Geschäftsführer Informationstechnologie, dm
„Wir schätzen die innovativen Prognoseansätze von Blue Yonder, die unsere Zielsetzung, selbstlernende und stabile Prognoselösungen einzusetzen, optimal unterstützen. Seit über zehn Jahren nutzen wir eine tages- und filialgenaue Umsatzprognose, unter anderem als Basis für die Mitarbeitereinsatzplanung in unseren Filialen. Außerdem tauschen wir Bedarfsprognosen mit unseren Industriepartnern aus. So können unsere Partner ihre Ressourcen weit im Voraus planen und dadurch die Lieferfähigkeit gewährleisten. Die Prognosen helfen uns dabei, uns frühzeitig mit der zukünftigen Entwicklung auseinanderzusetzen, Maßnahmen einzuleiten und durch Hinterfragen der prognostizierten Entwicklung zu besseren Ergebnissen zu kommen.“

Wolfgang Repke, Geschäftsbereichsleiter Prozessmanagement, Kaufland
„Je frischer die Ware, desto schwieriger ist die automatisierte Disposition. Denn frische Ware soll stets in ausreichender Menge verfügbar sein und trotzdem nur geringstmögliche Abschriften verursachen. Dies führt zu einem Zielkonflikt, der bisher meist durch das berühmte ,Bauchgefühl‘ des Händlers scheinbar aufgelöst wurde. Blue Yonder bietet hierzu eine Lösung, die andere Systeme bisher nicht erreichten. Wir konnten das System so mit Daten versorgen, dass die täglichen Bestellungen unserer Filialen für SB-Frischfleisch mit einem sehr hohen Automatisierungsgrad durch unsere Systeme laufen können. Dabei haben wir auch unsere Produktion in die Prozesskette der Vorhersagen integriert. Wir konnten unsere Ziele bei der Automatisierung und damit die Zentralisierung der Disposition erreichen. Damit sank auch der Arbeitsaufwand in den Filialen. Die Zusammenarbeit im Projekt war hervorragend. Schließlich galt es, die sehr praktische Welt der Fleischer mit der von Atomphysikern zusammenzubringen. Und in den entscheidenden Momenten stand stets Professor Feindt bereit, um mit seinem Wissen wegweisende Hinweise zu geben.“

Schlagworte: Big Data, Portrait, Physik, Michael Feindt, Predictive-Analytics

Kommentare

Ihr Kommentar