Прогнозирование

За последнее десятилетие технологии, связанные с данными, стремительно развивались. Компании перешли от использования числовых рецептов, которые были известны и использовались с XIX века, к технологиям, ориентированным на Big Data, основанным на машинном обучении и глубоком обучении. Lokad сосредоточился на том, чтобы опережать события и предоставлять лучшее, что может предложить наука, для оптимизации цепочки поставок.

6 Поколений Прогнозирования

Совершите путешествие в прошлое и откройте для себя различные поколения нашей технологии прогнозирования.

• Дифференцируемое программирование (2019): слияние двух алгоритмических областей: машинное обучение и числовая оптимизация
• Глубокое обучение (2018): Вероятностное прогнозирование, основанное на роботизации через искусственный интеллект (AI) и сети GPU
• Вероятностное прогнозирование (2016): Принятие неопределенности с помощью машинного обучения и высокомерной статистики
• Квантильные сетки (2015): Рассмотрение всего распределения вероятности спроса и внедрение ограничений цепочки поставок
• Квантильные прогнозы (2012): Переход от средних прогнозов к прогнозам с учетом смещения, отражающим бизнес-специфические асимметрии
• Классические прогнозы (2008): Переход от одной математической модели, настраиваемой вручную, к полностью автоматизированному эталону целой библиотеки моделей

Правильное сочетание ингредиентов

Рецепт успеха

Технология Lokad не сводится к использованию одной (или нескольких) волшебной статистической модели. Это сочетание ингредиентов, работающих вместе, чтобы создать правильную алхимию. В наши первые годы мы довольно быстро поняли, насколько велика разница между чистым математическим моделированием и реальностью цепочек поставок.

То, что чудесно работало в теории, было абсолютно неэффективно, когда применялось к реальным бизнесам: данные были нечистыми, недостаточно глубокими, слишком разреженными, огромное количество ссылок или записей в истории продаж для некоторых бизнесов делали целые классы моделей крайне сложными в использовании, а затем ограничения самой цепочки поставок делали так, что улучшение классических метрик точности прогнозов фактически ухудшало производительность бизнеса.

Lokad должен был найти правильные технологические ответы на все эти проблемы и радикально изменить свое видение прогнозирования и оптимизации цепочки поставок.

Корреляции

с глубоким обучением

При рассмотрении одного продукта за раз просто недостаточно данных, чтобы получить точный статистический прогноз. Действительно, на большинстве потребительских рынков срок службы продукта составляет менее 4 лет, что означает, что в среднем у большинства продуктов нет даже 2 лет истории продаж - то есть минимальная глубина для проведения надежного анализа сезонности при рассмотрении одного временного ряда. Мы решаем проблему через статистические корреляции: информация, полученная по одному продукту, помогает уточнить прогноз другого продукта. Например, Lokad автоматически определяет применимую сезонность для продукта, даже если продукт продается всего 3 месяца. Хотя с 3 месяцами данных сезонность не может быть наблюдена, если в истории присутствуют старые, долгоживущие продукты, то сезонность может быть извлечена оттуда и применена к новым продуктам.

Вычислительная мощность

Через облачные вычисления и графические процессоры

Использование корреляций в исторических данных значительно повышает точность, но также увеличивает количество вычислений, которые необходимо выполнить. Например, для корреляции 1 000 продуктов, рассматривая все возможные пары, существует немного менее 1 000 000 комбинаций. Более того, у многих компаний есть гораздо больше 1 000 продуктов. Используя облачные вычисления и графические процессоры (GPU), когда клиенты передают нам свои данные, мы выделяем машины только тогда, когда они нам нужны; затем менее чем через 60 минут мы возвращаем результаты, а затем деаллоцируем машины соответственно. Поскольку облачный сервис, который мы используем (Microsoft Azure), тарифицирует нас по минутам, мы потребляем только ту мощность, которая нам действительно нужна. Поскольку ни одна компания не нуждается в прогнозировании более одного раза в день, эта стратегия сокращает затраты на оборудование более чем в 24 раза по сравнению с традиционными подходами.

Вероятности

Для принятия бизнес-ограничений

Традиционный прогноз - это медианный прогноз, то есть значение, которое с 50% вероятностью окажется выше или ниже будущего спроса. К сожалению, эта классическая концепция не решает основных проблем цепочки поставок: избегание нехватки товара и снижение запасов. В 2016 году Lokad представил понятие вероятностных прогнозов для цепочки поставок, где оцениваются соответствующие вероятности каждого уровня будущего спроса. Вместо прогнозирования одного значения на продукт, Lokad прогнозирует всю вероятностную дистрибуцию. Вероятностные прогнозы значительно превосходят классические прогнозы для медленно продаваемых товаров, непостоянных продаж и всплесков спроса. Мы считаем, что через 10 лет все компании, серьезно относящиеся к оптимизации запасов, перейдут на вероятностный подход, вероятно, используя потомка этой технологии.

От математической библиотеки к комплексному решению

У нас есть большая библиотека статистических моделей. В нее входят хорошо известные классики, такие как Бокс-Дженкинс, экспоненциальное сглаживание, авторегрессия и все их варианты. Кроме того, поскольку классические модели плохо используют корреляции, мы разработали более эффективные модели, которые используют всю доступную нам информацию. С самого начала мы постоянно контролируем качество прогнозов, которые предоставляем, и проводим симуляции, чтобы тщательно оценить оставшиеся слабые места нашей технологии. Мы продолжаем улучшать наши модели и пополнять нашу библиотеку новыми моделями и парадигмами. Поэтому наши клиенты получают все более совершенную технологию.

Однако мы поняли давно, что этого недостаточно и что нам нужно было погрузиться глубже в реальность цепочки поставок и в ограничения и специфику каждого бизнеса. Поэтому мы не только не требуем никаких статистических навыков у наших клиентов, но и управляем всем процессом, чтобы предоставить полностью используемое решение, включая точные заказы на закупку, предложения по отправке или ценообразованию и панели инструментов ключевых показателей эффективности для оценки их точности.

Наши ученые по цепочке поставок готовы помочь вам включить все свои бизнес-инсайты в индивидуальную реализацию. Это становится возможным благодаря использованию нашего языка программирования, ориентированного на цепочку поставок, Envision. Его гибкость позволяет нам настраивать скрипты, полностью способные отражать специфику вашего бизнеса, чтобы предложить идеальное дополнение к нашей технологии прогнозирования.