Прогнозирование с помощью квантильных сеток (2015)

Квантильные сетки представляют собой радикальное улучшение классических методов прогнозирования, когда речь идет о запасах. Они также превосходят квантильные прогнозы, потому что они предоставляют гораздо больше информации о будущем. Традиционные методы прогнозирования работают плохо, особенно для коммерции. Корень этой проблемы прост: будущее неопределенно. Классические прогнозы пытаются предсказать одно правильное значение будущего спроса, и, ну, они терпят неудачу в этом. Отчаянно пытаясь исправить классические прогнозы в надежде, что будет предсказано “правильное” будущее спроса, это иллюзорно. Квантильные сетки занимают совершенно иное положение по этому вопросу.

С помощью квантильных сеток Lokad предсказывает не одно значение будущего спроса на данный товар, а всю вероятностную распределение спроса; то есть вероятность иметь спрос в ноль единиц, затем одну единицу, затем две единицы и т. д. Эта информация намного богаче и может быть использована способами, которые намного прибыльнее, чем классические прогнозы.

Введение для неспециалиста по статистике

Читая эти строки, если вы не статистик, вы можете задаться вопросом, есть ли у вашего бизнеса шансы успешно использовать эти так называемые “квантильные сетки”. Это больше похоже на хорошее название для диссертации по современной статистике, чем на практический способ прогнозирования. Ну, если вы думаете, что этот термин пугающий, просто в уме замените квантильные сетки на прогнозы, которые действительно работают, и это сработает. Большинство компаний, которые используют 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 продвинутое машинное обучение, чтобы сделать вашу компанию более прибыльной, и технология за этим настолько продвинута, что вам на самом деле не нужно сильно заботиться о ней.

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 наш движок прогнозирования - так же, как вы можете использовать фильтр спама, не зная байесовского вероятностного вывода.

Переосмысление прогнозирования для коммерции

Многие поставщики гордятся использованием “продвинутых” методов прогнозирования, таких как ARIMA, Box-Jenkins и Holt-Winters, которые на самом деле близки к полувековому возрасту; они все были созданы в то время, когда самые мощные корпоративные компьютеры имели меньше вычислительной мощности, чем у большинства холодильников сегодня. Люди, которые изобрели эти методы, были исключительно умны, но они были вынуждены довольствоваться вычислительными ресурсами своего времени и поэтому отдали предпочтение моделям, которые могли быть вычислены с очень малым количеством вычислений. Сегодня мы можем использовать огромные объемы вычислительной мощности для наших задач прогнозирования по очень низкой цене.

Имейте в виду, что 1000 часов вычислительной мощности стоят меньше 50 долларов при использовании облачной вычислительной платформы. Очевидно, это открывает совершенно новые перспективы для прогнозирования, и именно эти перспективы Lokad активно изучает. Квантильные сетки представляют собой третью версию технологии прогнозирования Lokad, но давайте вернемся на несколько лет назад, чтобы получить полную картину. Мы начали с классических прогнозов в 2008 году как первую версию нашей технологии прогнозирования, и несмотря на три года огромных усилий в области НИОКР со стороны команды Lokad, классический подход оказался тупиком. Нам никогда не удавалось добиться глубокого удовлетворения любого клиента классическими прогнозами. Когда мы узнали больше о опыте наших клиентов с другими поставщиками прогнозов, оказалось, что не было ни одной компании, которая была бы даже близка к удовлетворенности технологией прогнозирования, которую они приобрели. Эта проблема не была специфичной для Lokad, и мы поняли, что вся индустрия прогнозирования работает неправильно; и мы решили что-то с этим сделать.

В 2012 году Lokad выпустила вторую версию своей технологии прогнозирования под кодовым названием Квантильные прогнозы. Простыми словами, квантильные прогнозы решают проблему номер один, которая мешает классическим прогнозам: классические прогнозы просто не смотрят на правильную проблему.

Действительно, задача для компаний состоит в том, чтобы избежать двух крайностей: неожиданно высокого спроса, который вызывает нехватку запасов, и неожиданно низкого спроса, который вызывает мертвый инвентарь. То, что происходит посередине, когда будущий спрос примерно “как ожидалось”, имеет очень мало значения с бизнес-точки зрения.

Однако классические прогнозы, средние или медианные прогнозы, полностью игнорируют эти “крайние” ситуации и полностью сосредоточены на среднем случае. Неудивительно, что классические прогнозы не могут предотвратить ни нехватку запасов, ни мертвый инвентарь. Квантильные прогнозы подходят к задаче напрямую и сразу же смотрят на интересующий нас сценарий, скажем, избегание нехватки запасов, и стремятся дать точный ответ на эту конкретную проблему. Внезапно в 2012 году мы начали получать все больше и больше довольных клиентов. Впервые в истории Lokad, спустя более 3 лет после запуска компании, у нас было то, что работало.

В 2015 году Lokad выпустила третью версию своей технологии прогнозирования, квантильные сетки. Хотя квантильные прогнозы уже были радикальным улучшением классических прогнозов, у них все же были свои слабые стороны. По мере того как мы накапливали все больше и больше опыта с десятками развертываний нашей технологии квантильного прогнозирования, мы поняли, что хотя идея создания прогноза для всего “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 прогнозированы сразу. С точки зрения вычислений, это было значительно более затратно: для каждого продукта мы вычисляли соответствующие вероятности (почти) каждого уровня спроса. Однако, хотя количество задействованных вычислений кажется ошеломляющим, цены на вычислительные ресурсы также резко падали на протяжении многих лет. И то, что мы считали слишком дорогим 5 лет назад, теперь было вполне доступно. В 2015 году Lokad выпустила третью версию своей технологии прогнозирования, квантильные сетки. Несмотря на то, что они очень требовательны к вычислительным ресурсам, квантильные сетки теперь доступны благодаря резкому падению цен на облачные вычислительные ресурсы.

Учет всего вероятностного распределения спроса

Будущий спрос неопределен. Любая попытка представить будущий спрос всего лишь одним значением кажется наивной, потому что, каким бы хорошим ни было это значение, оно никогда не может рассказать всю историю. Хотя было бы здорово иметь “волшебную” систему, способную предсказывать точный уровень будущего спроса, это тоже довольно иллюзорно. Когда люди пытаются справиться с неверным прогнозом, очень соблазнительно попытаться “исправить” этот прогноз. К сожалению, статистическое прогнозирование в основном контринтуитивно, и реальность такова, что часто нечего исправлять: прогнозируемое значение является одним из вполне допустимых и возможных исходов для будущего спроса.

Систему, возможно, можно немного настроить, чтобы получить немного более вероятные значения для будущего спроса, но это все. Ваша компания в итоге получает только немного более вероятные значения для будущего спроса, что не приводит к росту бизнес-активности, который ожидался в первую очередь.

Квантильные сетки подходят совершенно иначе: для каждого продукта Lokad рассчитывает соответствующие вероятности каждого уровня будущего спроса. Вместо того чтобы пытаться поддерживать иллюзию, что будущий спрос известен, квантильные сетки напрямую выражают вероятности, связанные с многими возможными будущими сценариями.

Например, если мы рассмотрим продукт, который редко продается, с сроком поставки 2 недели, распределение спроса на следующие 2 недели (обычно горизонт прогнозирования должен соответствовать сроку поставки) для этого продукта может быть представлено следующим образом:

Мышление о будущем с полностью вероятностной точки зрения может показаться сложным, но на самом деле оно отражает то, что каждый бизнесмен уже делает, хотя и менее формальными способами: оценивает шансы определенных исходов и страхует ставки по отношению к своему бизнесу, чтобы быть хорошо подготовленным к работе с наиболее актуальными сценариями. С точки зрения движка прогнозирования, поскольку мы заранее не знаем, какие сценарии будут “наиболее актуальными”, логическое решение, хотя и несколько жесткое, состоит в обработке всех возможных сценариев. Однако, предполагая, что у компании есть тысяча продуктов для прогнозирования (а у некоторых наших клиентов миллионы SKU для работы), и что Lokad рассчитывает вероятности, связанные с 100 сценариями для каждого продукта, квантильные сетки производят огромный список с 100 000 записей, который не кажется практичным для обработки. Мы приходим к этому моменту в следующем разделе.

Приоритизация решений в цепи поставок

Для каждого решения о покупке мы можем записать простой расчет на обороте конверта, формулу “результата”, которая зависит от будущего спроса по сравнению с текущим решением о покупке. Затем каждое решение может быть оценено на основе соответствующей вероятности каждого уровня будущего спроса.

Прогнозы спроса наиболее часто используются для принятия решений в цепи поставок, таких как оформление заказов на покупку для коммерции или запуск производственной партии в промышленной среде. Как только у нас есть все вероятности, связанные со всеми будущими результатами, можно составить полный список приоритетов всех решений о покупке. Действительно, для каждого решения о покупке мы можем записать простой расчет на обороте конверта, формулу “результата”: предполагая, что спрос будет D единиц и предполагая, что мы покупаем P единиц, тогда финансовый результат будет X. Не нужно говорить, что Lokad здесь, чтобы помочь вам написать эту короткую формулу, которая для большинства бизнесов сводится к валовой марже минус стоимость запасов и минус стоимость дефицита. Следовательно, как только у нас есть эта формула, для каждого решения в цепи поставок, например “купить 1 единицу продукта Z”, результаты можно сравнить с вероятностями каждого возможного будущего. Делая это, мы вычисляем “оценку” каждого возможного решения.

Как только каждое решение было оценено, можно ранжировать все эти решения, помещая наиболее прибыльные варианты в верхнюю часть списка. Мы называем этот список главным списком приоритетов покупок. Это список, где каждый продукт появляется на многих строках. Действительно, покупка 1 единицы продукта Z может быть решением о покупке с наивысшим приоритетом (т.е. наиболее срочной покупкой), но покупка следующей 1 единицы продукта Z может быть только 20-м по срочности решением о покупке, с многими другими единицами других продуктов, которые нужно купить между ними.

Главный список отвечает на очень простой вопрос: если у компании есть один дополнительный доллар для трат на ее запасы, куда этот доллар должен пойти в первую очередь? Ну, этот доллар должен пойти на товар, который приносит вашей компании максимальную прибыль. Затем, когда этот конкретный товар приобретен, можно повторить тот же вопрос. Однако на этот раз, когда эта одна дополнительная единица была приобретена, следующий наиболее прибыльный товар для покупки, вероятно, будет другим, поскольку есть сильные убывающие доходы от накопления одного и того же товара на вашем складе. Действительно, чем больше у вас запасов, тем меньше они оборачиваются и тем выше вероятность застрять с мертвыми запасами. Эти проблемы естественно отражаются в формуле “результата” и в результатах приоритизации списка.

Лучше, чем корректировка уровней обслуживания

Выяснение “оптимальных” уровней обслуживания, то есть желаемых вероятностей не получить дефицит, является очень сложной задачей. Это сложная проблема, потому что уровни обслуживания только косвенно связаны с финансовыми показателями компании. На самом деле, для некоторых продуктов получение дополнительного процента уровня обслуживания может оказаться очень дорогостоящим, и поэтому, если ресурсы доступны, они должны быть направлены на другие продукты, где тот же уровень инвестиций принесет не 1%, а дополнительные 10% уровня обслуживания.

С использованием квантильных сеток в качестве главного списка приоритетов покупок вам даже не нужно заботиться об уровнях обслуживания, поскольку они отражены в самой приоритизации.

Если уровень обслуживания продукта с высокой маржой можно дешево увеличить, этот продукт естественно поднимается вверх по списку. Наоборот, если продукт страдает от сильно изменчивых продаж, что делает все попытки увеличения уровня обслуживания чрезвычайно дорогостоящими, то этот продукт поднимется вверх по списку только тогда, когда запасы опасно снижаются и когда компания почти гарантированно не окажется с мертвым инвентарем, несмотря на очень непредсказуемые модели спроса. Список приоритетов также решает проблему ограничений по наличным. Независимо от того, в каком положении находится ваша компания в отношении наличных, список приоритетов предоставляет вам управляемый вариант. Если у вас очень мало наличных, ваша компания покупает только то, что находится на самом верху списка, поддерживая уровни запасов только тех продуктов, которые отчаянно нуждаются в пополнении. Если у вас есть дополнительные наличные, ваша компания тогда имеет возможность увеличить свой инвентарь, сосредоточившись на тех товарах, которые обеспечат наибольший рост, сохраняя при этом риски инвентаризации под контролем.

Внедрение ограничений цепочки поставок

Компаниям часто приходится сталкиваться с ограничениями поставок, такими как минимальные объемы заказов на уровне SKU или на уровне заказа. Иногда единицы нужно собирать в большие партии, например, в контейнеры. Такие ограничения могут быть естественно интегрированы в рабочие процессы через главный список приоритетов покупок, как описано выше; это не только предоставляет приоритетные предложения по покупке, но и дает рекомендации, совместимые с ограничениями заказа.

Точный процесс, которому следует придерживаться, зависит от конкретного типа ограничений, с которыми может столкнуться бизнес. Рассмотрим, например, отправку контейнеров. Lokad может рассчитать совокупные объемы по поставщикам, предполагая, что линии покупок обрабатываются в порядке списка и предполагая, что каждый поставщик отправляет независимо от другого. На основе этих совокупных объемов процесс спуска по списку до достижения целевой вместимости контейнера очень прост. Аналогично, если существует ограничение на минимальное количество заказа для данного SKU, в этом случае также легко удалить из списка все линии, которые идут до выполнения ограничения, и отразить количество непосредственно на первой линии, как только ограничение выполнено.

Заставляя покупку быть установленной как минимум на N единиц, конкурентоспособность SKU ухудшается, то есть SKU впервые появляется в списке на более низком месте, что является именно желаемым поведением, поскольку риски инвентаризации увеличиваются с минимальными объемами заказа. В частности, этот подход полностью решает долгосрочные проблемы, которые негативно влияли как на классические, так и на квантильные прогнозы: что делать, когда предлагаемые объемы перезаказа выше или ниже ограничений заказа? Если некоторые единицы нужно удалить, какие продукты должны быть первыми? Если единицы нужно добавить, какие продукты следует закупать в больших количествах? Старые методы прогнозирования не давали удовлетворительных ответов на эти вопросы. С помощью списка приоритетов покупок вам просто нужно следовать порядку списка.