Прогнозирование с использованием квантильных сеток (2015)

Квантильные сетки представляют собой радикальное улучшение по сравнению с классическими методами прогнозирования, когда речь идет о запасах. Они также превосходят квантильные прогнозы, потому что предоставляют гораздо больше информации о будущем. Традиционные методы прогнозирования работают плохо, особенно для коммерции. Корень проблемы прост: будущее неопределено. Классические прогнозы пытаются предсказать одно правильное значение будущего спроса, и, ну, они не справляются с этим. Отчаянно пытаться исправить классические прогнозы в надежде, что будет предсказан “правильный” будущий спрос, - это иллюзия. Квантильные сетки занимают совершенно другую позицию по этому вопросу.

С помощью квантильных сеток Lokad предсказывает не одно будущее значение спроса для данного продукта, а целое распределение вероятности спроса; то есть вероятность иметь спрос нулевых единиц, затем одной единицы, затем двух единиц и т. д. Эта информация намного богаче и может быть использована способами, которые являются крайне прибыльными по сравнению с классическими прогнозами.

Введение для нестатистиков

Когда вы читаете эти строки, если вы не статистик, вам может быть интересно, есть ли у вашего бизнеса хоть какие-то шансы на успех с так называемыми “квантильными сетками”. Это больше похоже на хороший заголовок для диссертации по философии в современной статистике, чем на практический способ прогнозирования. Ну, если вы считаете, что этот термин пугающий, просто замените квантильные сетки на прогнозы, которые действительно работают, и это сработает. Большинство компаний, использующих Lokad, не имеют навыков в статистике. Фильтр спама, связанный с вашим почтовым ящиком, также использует продвинутую статистику, и для его использования не требуется докторская степень.

Lokad делает примерно то же самое для коммерции. Мы используем передовое машинное обучение, чтобы сделать вашу компанию более прибыльной, и технология, стоящая за этим, настолько продвинута, что вам на самом деле не нужно очень много об этом заботиться.

Ниже мы описываем, что происходит за кулисами в Lokad, но будьте уверены, что вы можете использовать Lokad, даже если у вас нет полного понимания того, что входит в нашу систему прогнозирования - подобно тому, как вы можете использовать фильтр спама, не зная о байесовском вероятностном выводе.

Переосмысление прогнозирования для коммерции

Многие поставщики хвалятся использованием “продвинутых” методов прогнозирования, таких как ARIMA, Box-Jenkins и Holt-Winters, которые на самом деле близки к полувековому возрасту; все они были разработаны в то время, когда самые мощные корпоративные компьютеры имели меньшую вычислительную мощность, чем большинство холодильников в наши дни. Люди, изобретшие эти методы, были исключительно умными, но им приходилось обходиться с вычислительными ресурсами своего времени и поэтому отдавать предпочтение моделям, которые могли быть вычислены с помощью очень небольшого количества вычислений. В наши дни мы можем использовать огромные вычислительные мощности для наших задач прогнозирования по очень низкой стоимости.

Имейте в виду, что 1000 часов вычислительной мощности стоят менее 50 долларов при использовании облачной вычислительной платформы. Очевидно, что это открывает совершенно новые перспективы для прогнозирования, и именно эти перспективы Локад исследовала в полной мере. Квантильные сетки представляют собой третью версию технологии прогнозирования Локад, но давайте вернемся на несколько лет назад, чтобы получить полную картину. Мы начали с классических прогнозов в 2008 году как первой версии нашей технологии прогнозирования, и несмотря на три года огромных исследовательских работ со стороны команды Локад, классический подход оказался тупиковым путем. Мы так и не смогли удовлетворить ни одного клиента классическими прогнозами. Когда мы узнали больше о опыте наших клиентов с другими поставщиками прогнозов, оказалось, что ни одна компания не была довольна технологией прогнозирования, которую они приобрели. Эта проблема не была специфичной для Локад, и мы поняли, что вся отрасль прогнозирования была дисфункциональной, и мы решили что-то с этим сделать.

В 2012 году Локад выпустил вторую версию своей технологии прогнозирования под кодовым названием Квантильные прогнозы. Просто говоря, квантильные прогнозы решают главную проблему классических прогнозов: классические прогнозы просто не рассматривают правильную проблему.

Действительно, вызов для компаний заключается в том, чтобы избежать двух крайностей: неожиданно высокого спроса, который вызывает нехватку товара, и неожиданно низкого спроса, который вызывает мертвый товар. То, что происходит посередине, когда будущий спрос примерно “как ожидалось”, с точки зрения бизнеса имеет очень мало значения.

Однако классические прогнозы, средние или медианные прогнозы, полностью игнорируют эти “крайние” ситуации и полностью сосредотачиваются на среднем случае. Неудивительно, что классические прогнозы не могут предотвратить и нехватку товара, и мертвый товар. Квантильные прогнозы прямо подходят к вызову и непосредственно рассматривают интересующий сценарий, скажем, избегание нехватки товара, и стремятся предоставить точный ответ на эту проблему. Внезапно в 2012 году у нас стало все больше и больше довольных клиентов. Впервые в истории Локад, более чем через 3 года после запуска компании, у нас появилось то, что работает.

В 2015 году Локад выпустил третью версию своей технологии прогнозирования - квантильные сетки. В то время как квантильные прогнозы уже являлись радикальным улучшением по сравнению с классическими прогнозами, у них все еще были свои недостатки. По мере того как мы набирали все больше и больше опыта с десятками внедрений нашей технологии квантильного прогнозирования, мы поняли, что хотя идея составления прогноза только для “одного” бизнес-сценария была звучной, она не была полностью завершенной. Почему только этот один сценарий? Почему не второй сценарий или третий? Ручное управление несколькими сценариями оказалось утомительным, и мы поняли, что все сценарии должны быть прогнозируемыми одновременно. С вычислительной точки зрения это было значительно более затратно: для каждого продукта мы вычисляли соответствующие вероятности (почти) каждого уровня спроса. Однако, несмотря на огромное количество вычислений, стоимость вычислительных ресурсов также снижалась с каждым годом. И то, что мы считали слишком дорогим 5 лет назад, теперь было вполне доступным. В 2015 году Локад выпустил третью версию своей технологии прогнозирования - квантильные сетки. Несмотря на то, что они требуют огромных вычислительных ресурсов, квантильные сетки теперь доступны благодаря свободному падению стоимости облачных вычислительных ресурсов.

Учет всего распределения вероятностей спроса

Будущий спрос неопределен. Любая попытка представить будущий спрос только одним значением является неким наивным подходом, потому что, как бы хорошим это значение ни было, оно никогда не сможет рассказать всю историю. Хотелось бы иметь “волшебную” систему, способную предсказывать точный уровень будущего спроса, но это тоже довольно иллюзорно. Когда люди пытаются справиться с неправильным прогнозом, очень соблазнительно попытаться “исправить” этот прогноз. К сожалению, статистическое прогнозирование в основном противоречит интуиции, и реальность заключается в том, что часто нет ничего, что нужно исправлять: прогнозируемое значение является одним из полностью допустимых и возможных результатов будущего спроса.

Система потенциально может быть немного настроена, чтобы получить немного более вероятные значения для будущего спроса, но это все. Ваша компания в конечном итоге получает только немного более вероятные значения для будущего спроса, что не приводит к увеличению деловой активности, которую можно было бы ожидать изначально.

Квантильные сетки используют совершенно иной подход: для каждого продукта Lokad рассчитывает соответствующие вероятности каждого уровня будущего спроса. Вместо попытки поддерживать иллюзию о том, что будущий спрос известен, квантильные сетки напрямую выражают вероятности, связанные с множеством возможных будущих сценариев.

Например, если мы рассмотрим редко продаваемый продукт с временем выполнения заказа в 2 недели, распределение спроса на следующие 2 недели (обычно горизонт прогнозирования должен соответствовать времени выполнения заказа) для этого продукта может быть представлено следующим образом:

Мышление о будущем с полностью вероятностной точки зрения может показаться сложным, но на самом деле это представляет то, что каждый руководитель бизнеса уже делает, хотя и менее формальными способами: взвешивание шансов определенных результатов и оценка рисков в отношении своего бизнеса, чтобы быть хорошо подготовленным при работе с наиболее значимыми сценариями. С точки зрения движка прогнозирования, поскольку мы заранее не знаем, какие будут “наиболее значимые” сценарии, логическое решение, хотя и несколько грубое, состоит в обработке всех возможных сценариев. Однако, предполагая, что у бизнеса тысяча продуктов для прогнозирования (и у некоторых наших клиентов миллионы SKU), и что Lokad вычисляет вероятности, связанные с 100 сценариями для каждого продукта, квантильные сетки будут создавать огромный список из 100 000 записей, что не звучит практичным для обработки. Мы подходим к этому в следующем разделе.

Приоритизация решений в цепи поставок

Для каждого решения о закупке мы можем составить простой расчет на основе грубых прикидок, формулу “результат”, которая зависит от будущего спроса по сравнению с текущим решением о закупке. Затем каждое решение можно оценить, исходя из соответствующей вероятности каждого уровня будущего спроса.

Прогнозы спроса наиболее часто используются для принятия решений в цепи поставок, таких как оформление заказов на коммерцию или запуск партии продукции в промышленной сфере. После того, как у нас есть все вероятности, связанные со всеми будущими результатами, можно построить полный список приоритетов всех решений о закупке. Действительно, для каждого решения о закупке мы можем составить простой расчет на основе грубых прикидок, формулу “результат”: предполагая, что спрос будет составлять D единиц, и предполагая, что мы закупаем P единиц, тогда финансовый результат будет X. Само собой разумеется, Lokad здесь, чтобы помочь вам написать эту короткую формулу, которая для большинства бизнесов сводится к валовой прибыли минус стоимость запасов и минус стоимость нехватки товара. Следовательно, после того, как у нас есть эта формула, для каждого решения в цепи поставок, например, “закупить 1 единицу продукта Z”, результаты можно сопоставить с вероятностями каждого возможного будущего. Таким образом, мы вычисляем “оценку” каждого возможного решения.

После того, как каждое решение было оценено, можно составить рейтинг всех этих решений, расположив наиболее прибыльные варианты вверху списка. Мы называем этот список основным списком приоритетов закупок. Это список, в котором каждый продукт появляется на нескольких строках. Действительно, закупка 1 единицы продукта Z может быть решением с наивысшим приоритетом (т.е. наиболее срочной закупкой), но покупка следующей 1 единицы продукта Z может быть только 20-м по приоритету решением о закупке, с множеством других единиц других продуктов, которые должны быть закуплены между ними.

Мастер-список отвечает на очень простой вопрос: если у компании есть один лишний доллар для расходов на запасы, куда следует направить этот доллар в первую очередь? Хорошо, этот доллар должен быть направлен на товар, который приносит вашей компании максимальную прибыль. Затем, после приобретения этого конкретного товара, можно повторить тот же вопрос. Однако на этот раз, после приобретения этой одной дополнительной единицы, следующий наиболее прибыльный товар для покупки, вероятно, будет другим, так как имеется сильное уменьшение доходности при накоплении большого количества одного и того же товара на складе. Действительно, чем больше у вас запасов, тем меньше ваши запасы вращаются, и тем выше вероятность застрять с мертвыми запасами. Эти проблемы естественным образом отражаются в формуле “результата” и в результате приоритизации списка.

Лучше, чем настройка уровней обслуживания

Определение “оптимальных” уровней обслуживания, то есть желаемых вероятностей отсутствия исчерпания запасов, является очень сложным упражнением. Это сложная проблема, потому что уровни обслуживания непосредственно не связаны с финансовыми показателями компании. Фактически, для некоторых товаров получение одного дополнительного процента уровня обслуживания может оказаться чрезвычайно дорогостоящим, и поэтому, если ресурсы доступны, их следует распределить на другие товары, где тот же уровень инвестиций принесет не 1%, а дополнительные 10% уровня обслуживания.

С использованием сетки квантилей в качестве основного списка приоритетных покупок, не нужно беспокоиться о уровнях обслуживания, так как они уже отражены в самой приоритизации.

Если уровень обслуживания товара с высокой маржой может быть дешево увеличен, этот товар естественным образом поднимается на вершину списка. Напротив, если товар страдает от нестабильных продаж, что делает все попытки увеличить уровень обслуживания чрезвычайно дорогостоящими, то этот товар поднимается на вершину списка только тогда, когда запасы находятся на опасно низком уровне и компания практически гарантированно не останется с мертвыми запасами, несмотря на очень нестабильные паттерны спроса. Список приоритетов также решает проблему ограничений по денежным средствам. Независимо от того, где находится ваша компания с точки зрения наличности, список приоритетов дает вам управляемый вариант. Если у вас очень мало денег, ваша компания покупает только то, что находится в самом верху списка, поддерживая уровни запасов только тех товаров, которые необходимо срочно пополнить. Если у вас есть дополнительные деньги, ваша компания может увеличить свои запасы, сосредоточившись на товарах, которые будут обеспечивать наибольший рост, при этом контролируя риски запасов.

Внедрение ограничений в цепочку поставок

Компании часто сталкиваются с ограничениями поставок, такими как минимальные объемы заказа на уровне SKU или на уровне заказа. Иногда единицы товара должны быть собраны в больших партиях, таких как контейнеры. Такие ограничения могут быть естественно интегрированы в рабочие процессы с помощью основного списка приоритетных покупок, описанного выше; это не только предоставляет приоритетные рекомендации по покупке, но также предоставляет рекомендации, совместимые с ограничениями заказа.

Точный процесс, который следует следовать, зависит от фактического типа ограничений, которые могут быть у бизнеса. Рассмотрим, например, отправку контейнеров. Lokad может вычислить накопительные объемы поставок для каждого поставщика, предполагая, что строки заказа обрабатываются в порядке списка и предполагая, что каждый поставщик отправляет независимо от других. Исходя из этих накопительных объемов, процесс движения по списку до достижения целевой вместимости контейнера очень прост. Аналогично, если существует ограничение на минимальное количество заказа для определенного SKU, в этом случае также легко удалить из списка все строки, которые идут до выполнения ограничения, и непосредственно сообщить количество первой строке, как только ограничение будет выполнено.

Заставляя покупку быть установленной на минимальное количество N единиц, конкурентоспособность SKU ухудшается, то есть SKU первоначально появляется в списке на более низком ранге, что является именно желаемым поведением, поскольку риск запасов возрастает с минимальными заказными количествами. В частности, этот подход полностью решает давние проблемы, которые имели негативные последствия как для классических, так и для квантильных прогнозов: что делать, когда предлагаемые количества для повторного заказа находятся выше или ниже ограничений на заказ? Если некоторые единицы нужно удалить, какие продукты должны быть первыми? Если нужно добавить единицы, какие продукты следует приобрести в большем количестве? Старые методы прогнозирования не давали удовлетворительных ответов на эти вопросы. С приоритетным списком покупок достаточно следовать порядку списка.