Прогнозирование

За последнее десятилетие технологии, связанные с данными, претерпели огромное развитие. Компании перешли от использования числовых рецептов, которые были известны и использовались с 19-го века, к технологиям, основанным на больших данных и поддерживаемым машинным обучением и глубоким обучением. Lokad сосредоточился на том, чтобы опережать события и предоставлять лучшую науку для оптимизации цепей поставок.

Историческое развитие технологии прогнозирования Lokad

6 Поколений Прогнозирования

Вспомните прошлое и узнайте о разных поколениях нашей технологии прогнозирования.

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 быстро поняли, насколько большая разница между чистой математической моделью и реальностью цепей поставок.

То, что работало чудеса 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 ограничения самой цепи поставок приводили к тому, что улучшение классических метрик точности прогнозов фактически ухудшало результаты бизнеса.

Lokad должен был найти правильные технологические ответы на все эти проблемы и радикально изменить свое представление о прогнозировании и оптимизации цепей поставок.

Корреляции

с глубоким обучением
correlations-grey

При анализе отдельного продукта 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-х лет истории продаж - то есть минимальной глубины для проведения надежного анализа сезонности при анализе отдельного временного ряда. Мы решаем эту проблему с помощью статистических корреляций: 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 помощью только 3 месяцев данных нельзя наблюдать сезонность, если в истории присутствуют старые, долгоживущие продукты, то сезонность может быть извлечена оттуда и применена к новым продуктам.

Вычислительная мощность

С помощью облачных вычислений и графических процессоров (GPU)
power-clouds

Хотя использование корреляций в исторических данных значительно повышает точность, оно также увеличивает количество вычислений, которые необходимо выполнить. Например, для корреляции 1 000 продуктов, рассматривая все возможные пары, существует немного менее 1 000 000 комбинаций. Что хуже, у многих компаний количество продуктов гораздо больше 1 000. 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, освобождая соответствующие машины. Поскольку облачный провайдер, который мы используем (Microsoft Azure), оплачивает нам по минутам, мы используем 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 учета бизнес-ограничений

barchart-grey

Традиционный прогноз - это медианный прогноз, то есть значение, которое имеет 50% шанс быть выше или ниже будущего спроса. К сожалению, эта классическая концепция не решает основные проблемы цепей поставок: избегание нехватки товара и сокращение запасов. В 2016 году Lokad представил понятие вероятностных прогнозов для цепей поставок, где оцениваются соответствующие вероятности каждого уровня будущего спроса. Вместо прогнозирования значения для каждого продукта, Lokad прогнозирует всю вероятностную дистрибуцию. Вероятностные прогнозы значительно превосходят классические прогнозы для медленно продаваемых товаров, непостоянных продаж и спорадического спроса. Мы считаем, что через 10 лет все компании, серьезно настроенные на оптимизацию запасов, перейдут на вероятностные прогнозы, вероятно, используя потомка этой технологии.

От математической библиотеки к полноценному решению

У нас есть большая библиотека статистических моделей. Она включает известные классические модели, такие как Box-Jenkins, экспоненциальное сглаживание, авторегрессия и все их варианты. Кроме того, поскольку классические модели плохо используют корреляции, мы разработали более эффективные модели, которые используют все доступные нам данные. С самого начала мы непрерывно контролируем качество прогнозов, которые мы предоставляем, и запускаем симуляции, чтобы тщательно оценить оставшиеся недостатки нашей технологии. Мы продолжаем улучшать наши модели и пополнять нашу библиотеку новыми моделями и новыми парадигмами. Поэтому наши клиенты получают все более совершенную технологию.

Однако мы поняли давно, что этого недостаточно и что нам нужно было углубиться в реальность цепей поставок и ограничения и специфику каждого бизнеса. Поэтому мы не только не требуем от наших клиентов никаких статистических навыков, но и управляем всем процессом, чтобы предоставить полностью готовое к использованию решение, включая точные заказы на закупку, предложения по отправке или ценообразованию и панели индикаторов ключевой эффективности для оценки их точности.

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