Прогнозирование с помощью квантильных схем — система оптимизации товарных запасов

Прогнозирование с помощью квантильных схем

Технология прогнозирования » Здесь

Обновление за март 2013 г.: вероятностное прогнозирование превосходит квантильные схемы (четвертое поколение системы прогнозирования).

Квантильные схемы намного превосходят классические методы прогнозирования, когда речь идет о расчете товарных запасов. Они также превосходят простые квантильные прогнозы, так как дают гораздо больше информации о будущем.

Image Традиционные методы прогнозирования дают слабые результаты, особенно в коммерческой сфере. Суть проблемы проста: будущее не определено. Классические прогнозы направлены на предсказание одного верного значения, и им, как правило, это не удается. Бесконечные попытки настроить классические прогнозы таким образом, чтобы они выдавали «верные» значения спроса в будущем — не более чем самообман. При прогнозировании с помощью квантильных схем используется совершенно другой подход к проблеме. Благодаря квантильным схемам Lokad предсказывает не одно значение будущего спроса для определенного товара, но все возможные варианты изменения спроса, то есть вероятность нулевого спроса, спроса в размере 1 единицы товара, 2 единиц товара и т. д. Соответственно, клиент получает гораздо больше информации, и такие прогнозы гораздо выгоднее, чем классические.

Введение для тех, кто плохо разбирается в статистике

Если вы не специалист по статистике, то, возможно, читая эту статью, задаетесь вопросом, может ли ваша компания получить хоть какую-то выгоду от работы с этими «квантильными схемами». Само название подходит скорее для кандидатской диссертации по современной статистике, чем для практического механизма прогнозирования. Что ж, если термин «квантильные схемы» вас пугает, то при чтении статьи просто заменяйте его на «систему прогнозирования, которая работает». Большинство пользователей Lokad не имеют представления о статистике. Фильтр спама в вашем электронном почтовом ящике также использует сложные методы статистической обработки информации, но для того, чтобы им пользоваться, не нужно быть ученым. Lokad анализирует коммерческую деятельность примерно по тому же принципу. Мы занимаемся сложным машинным обучением, чтобы повысить прибыль вашей компании, и наши технологии уже развиты настолько, что вам не нужно даже задумываться об этих вещах. В данной статье мы описываем, что происходит «за кулисами» в Lokad, но будьте уверены, что нашей системой можно пользоваться даже без полного понимания процессов, происходящих в ней — точно так же, как и в случае с фильтром спама, для использования которого не нужно ничего знать о байесовских вероятностных выводах. Новое видение принципов прогнозирования для коммерческой сферы

Многие поставщики ПО заявляют, что используют «продвинутые» методы прогнозирования, например поиск авторегрессионного интегрированного скользящего среднего значения (ARIMA), метод Бокса-Дженкинса или Холта-Винтерса, которым на самом деле уже лет пятьдесят. Они были разработаны, когда самые мощные компьютеры были слабее, чем большинство современных холодильников. Безусловно, эти методы были созданы выдающимися умами, но им приходилось работать с вычислительными ресурсами, доступными в то время, а потому они пришли к использованию моделей, для которых требовалось как можно меньше расчетов. Сегодня вычислительные возможности позволяют проводить огромные расчеты, необходимые для работы системы, причем без особых затрат. методы типа поиска авторегрессионного интегрированного скользящего среднего значения (ARIMA), метода Бокса-Дженкинса или Холта-Винтерса и т. д. были разработаны, когда самые мощные компьютеры были слабее современных холодильников Не забывайте, что сегодня при использовании облачных платформ выполнение вычислений в течение 1000 часов стоит меньше 50 долларов. Это открывает абсолютно новые возможности для прогнозирования, и именно этим и пользуется Lokad.

Квантильные схемы — это третье поколение технологии прогнозирования Lokad. Вернемся на несколько лет назад, чтобы увидеть полную картину. Мы начинали работу в 2008 году с классических прогнозов (это было первое поколение системы), и, несмотря на три года невероятно интенсивной работы наших разработчиков, оказалось, что классический подход себя не оправдывает. Ни один из наших клиентов не был полностью удовлетворен результатами классического прогнозирования. Когда мы расспросили клиентов о работе с другими компаниями, занимающимися прогнозированием, оказалось, что ни один из них не был удовлетворен предоставленными услугами. Проблемы были не только в Lokad. Мы поняли, что вся индустрия прогнозирования работает неэффективно, и решили это изменить.

В 2012 году компания Lokad выпустила технологию прогнозирования второго поколения, которая называлась «квантильные прогнозы». Проще говоря, квантильные прогнозы не имеют самого главного недостатка классических прогнозов: перед классическими прогнозами неправильно ставится задача. На самом деле все компании хотят избежать двух полярных ситуаций: невероятно высокого спроса, из-за которого товар исчезает со складов, и невероятно низкого спроса, из-за которого товары скапливаются, и их невозможно продать. Все прочие ситуации, когда фактический спрос примерно соответствует ожиданиям, не так важны с коммерческой точки зрения. Классические прогнозы, рассчитывающие средние значения, абсолютно не затрагивают «полярные» ситуации и работают только со среднестатистическими показателями. Так что неудивительно, что классические прогнозы не позволяют предотвратить случаи дефицита товара или появления неликвидных запасов. Квантильные прогнозы занимаются непосредственно данной задачей и работают со сценариями, актуальными для клиента (например избежание случаев дефицита товаров), и их цель — найти решение именно этой проблемы. С 2012 года у нас стало все больше и больше довольных клиентов. Спустя 3 с лишним года с момента основания компании Lokad, впервые за всю ее историю, нам наконец удалось создать по-настоящему эффективную систему.

В 2015 году компания Lokad представила третье поколение технологии прогнозирования: квантильные схемы. Квантильные прогнозы намного лучше классических, но и у них есть определенные недостатки. Мы набирались опыта, применяя свою технологию в десятках компаний, и пришли к осознанию того, что сама идея создания прогноза только для «одного» сценария была разумной, но неполноценной. Почему нужно работать только с одним сценарием? А что если рассмотреть второй, третий сценарии? Просчитывать множество сценариев вручную долго и утомительно, и мы поняли, что прогнозы для всех сценариев нужно создавать одновременно. С точки зрения расчетов затраты значительно выросли: нужно рассчитывать вероятность практически для всех возможных уровней спроса для каждого отдельно взятого товара. Однако хоть объемы вычислений и поражают своими масштабами, цены на использование вычислительных ресурсов за последние годы значительно снизились. То, что мы считали слишком затратным 5 лет назад, сегодня стало очень даже доступным.

В 2015 году компания Lokad представила третье поколение технологии прогнозирования: квантильные схемы. Квантильные схемы требуют очень большого количества вычислений, однако цены на использование вычислительных ресурсов сильно снизились благодаря появлению облачных технологий.

Расчет всех вероятных изменений спроса

no normal distribution in inventory forecasting

Будущее не определено. Любые попытки представить будущий спрос в виде единственного значения очень наивны, потому что каким бы качественным это значение ни было, оно не позволяет увидеть картину ситуации целиком. Было бы здорово иметь такую «волшебную» систему, которая позволяла бы предсказывать точное значение будущего спроса, но это невозможно. При работе с неправильными прогнозами очень высок соблазн «подправить» спрогнозированные значения. К сожалению, результаты статистического прогнозирования почти всегда могут показаться неверными, а на самом деле подправлять в них нечего: спрогнозированное значение действительно является одним из возможных показателей будущего спроса. В принципе, систему можно настроить таким образом, чтобы прогнозы были чуть более реалистичными, но не более того. В итоге вы получите лишь чуть более реалистичные показатели спроса в будущем, но это не приведет к резкому экономическому росту, к которому вы стремились в первую очередь.

Использование квантильных схем — это совершенно другой подход: система Lokad рассчитывает вероятность возникновения всех показателей будущего спроса для каждого отдельно взятого товара. Квантильные схемы не дают ложного ощущения того, что будущий спрос известен наверняка, они выражают непосредственно вероятность получения всех возможных вариантов развития ситуации. Например, возьмем товар, который продается достаточно редко, и время выполнения заказа для которого составляет 2 недели. Спрос на этот товар в течение следующих 2 недель (обычно горизонт прогнозирования совпадает с временем выполнения заказа) может выглядеть следующим образом:

СпросВероятность
0 единиц 55 %
1 единица 20 %
2 единицы 14 %
3 единицы 7 %
4 единицы 3 %
5 единиц 0 % (округленное значение)

Рассматривать варианты развития ситуации в будущем исключительно с вероятностной точки зрения сложно, но на самом деле именно этим и занимаются все руководители компаний, хотя это и выражено не так формально: они взвешивают вероятность получения тех или иных результатов для своих компаний, чтобы быть готовыми к наиболее вероятным ситуациям.

Исходя из того, что мы не можем заранее знать, какие сценарии окажутся «наиболее актуальными», с точки зрения системы прогнозирования самым логичным решением (путь и достаточно грубым) является обработка всех возможных сценариев. Использование квантильных схем — это совершенно другой подход: система Lokad рассчитывает вероятность возникновения всех показателей будущего спроса для каждого отдельно взятого товара. Предположим, что компания хочет рассчитать прогноз для тысячи товарных позиций (некоторые из наших клиентов работают с миллионами SKU) и что Lokad проводит расчеты по 100 сценариям для каждой из них. При использовании квантильных схем мы получим огромный список из 100 000 пунктов, обрабатывать которой нет особого смысла. Рассмотрим данную проблему в следующем разделе.

Для каждого заказа на закупку товара мы можем сделать простой расчет: итоговую формулу, которая зависит от будущего спроса и текущего заказа. Затем все варианты заказа можно оценить исходя из вероятности возникновения всех вариантов уровня спроса в будущем.

Расстановка приоритетов в цепи поставок

Прогнозирование спроса чаще всего используется для работы с цепями поставок: размещения заказов на закупку товаров в коммерческой сфере или запуск производства партии продукции в промышленности. После расчета вероятности возникновения всех возможных вариантов развития ситуации можно составить приоритетный список по всем заказам на закупку.

purchase priority in inventory optimization

На самом деле, мы можем сделать простые расчеты, итоговые формулы для всех заказов на закупку товара: предположим, что спрос составит D единиц, а финансовый результат — Х. Разумеется, Lokad поможет составить эту короткую формулу, которая для большинства компаний выглядит как валовая прибыль минус затраты на содержание запасов и затраты на дефицит товара. Таким образом, когда у нас будет эта формула, можно будет сравнить результаты всех заказов на закупку, например «приобрести 1 единицу товара Z», с вероятностью развития ситуации по каждому возможному сценарию. Таким образом, мы рассчитываем «рациональность» всех возможных решений.

После оценки решений можно их упорядочить, чтобы самые выгодные варианты оказались в начале списка. Этот список называется **главный список приоритетных закупок**. В этом списке все товары занимают несколько позиций. Действительно, первая покупка 1 единицы товара Z может быть наиболее оправданным решением (самым необходимым решением), но следующая покупка 1 единицы товара Z может оказаться только на 20 месте среди самых необходимых покупок, потому что до нее нужно будет купить еще много других товаров.

Список покупок дает ответ на очень простой вопрос: если у компании есть лишний доллар, который она хочет вложить в свои запасы, на что его нужно потратить? Этот доллар нужно потратить на товар, который принесет компании максимальную прибыль. После покупки указанного наименования тот же вопрос можно задать снова. После первой покупки ответ на вопрос может измениться, так как если у вас в наличии есть много единиц одного и того же товара, их прибыльность резко падает.

purchase priority in inventory optimization

На самом деле, чем больше у вас запасов, тем хуже они оборачиваются, и тем выше вероятность, что у вас появится неликвидный товар. Такие проблемы естественным образом отражены в итоговой формуле и в расстановке приоритетов в списке.





Настройка вероятности обслуживания больше не требуется

tweaking for inventory optimization

Поиск "оптимальной" вероятности обслуживания (то есть желаемой вероятности того, что вы не столкнетесь с дефицитом товара) — сложная задача. Одной из причин этого является то, что вероятность обслуживания лишь косвенно связана с финансовой эффективностью компании. На деле повышение вероятности обслуживания на один процент для определенного товара может оказаться очень дорогостоящим предприятием, а потому при наличии необходимых ресурсов их необходимо вкладывать в другие товары, где такие же вложения дадут повышение вероятности обслуживания не на 1 %, а на 10 %.

При использовании квантильных схем в качестве приоритетного списка закупок можно не задумываться о вероятности обслуживания, так как она естественным образом отражена непосредственно в списке. Если вероятность обслуживания для высокоприбыльного товара можно увеличить без особых затрат, этот товар естественным образом оказывается в начале списка. И наоборот, если товар продается достаточно редко, а значит и любые попытки повысить вероятность обслуживания для него будут стоить очень дорого, то этот товар появится наверху списка только тогда, когда его запасы подойдут к концу и когда вероятность накопления неликвида будет практически равна нулю, несмотря на неравномерный спрос.

Приоритетный список также решает проблему ограничений по средствам. Чем бы ни занималась ваша компания, если вы сталкиваетесь с ограничениями по средствам, приоритетный список позволяет вам найти наиболее простое решение. Если ваши свободные средства очень ограничены, то компании следует покупать только предметы, указанные в самом начале списка, поддерживая тем самым запасы товаров, которые действительно необходимо пополнить. Если же у вас появляются дополнительные средства, то их можно вложить в запасы, уделяя особое внимание предметам, которые обеспечат вам максимальный экономический рост, не теряя при этом контроля над рисками, связанными с поддержанием запасов.





Учет ограничений цепи поставок

Многие компании часто сталкиваются с ограничениями поставок, например с минимальными объемами заказа на уровне SKU или непосредственно заказа. Иногда необходимо собирать большие партии товара, например при контейнерной доставке. Такие ситуации можно органично ввести в рабочие процессы благодаря приоритетному списку, описанному выше. Он не только позволяет выбрать товары, которые необходимо приобрести в ближайшее время, но и помогает успешно работать с ограничениями заказов.

Рабочие процедуры зависят от типа ограничений в каждой конкретной компании. Для примера рассмотрим контейнерную доставку. Lokad может рассчитывать общий объем заказа для каждого поставщика, исходя из того, что заказы обрабатываются в том же порядке, как в списке, и что все поставщики поставляют товары самостоятельно (отдельно друг от друга). Исходя из общего объема заказа, система собирает товары по списку до тех пор, пока не будет достигнут объем контейнера.

supply chain constraints in inventory optimization and forecast

Точно так же, если существует ограничение по минимальному объему заказа для определенной SKU, то из списка можно убрать все пункты, которые появляются до того, как будет достигнут необходимый объем, после чего этот объем будет помещен в самое начало списка. Если при закупке необходимо приобрести не менее N единиц товара, то такая SKU перемещается ниже по списку, так как риски, связанные с хранением запасов, возрастают при наличии минимального объема заказа.

В частности, данный подход решает давно известные проблемы, которые негативно влияли как на классические, так и на квантильные прогнозы: что делать, когда рекомендованный объем заказа выше или ниже соответствующих ограничений? Если какие-то товары нужно убрать из заказа, что это должно быть в первую очередь? Если какие-то товары нужно добавить в заказ, что это должно быть в первую очередь? Старые методы прогнозирования не могли дать приемлемых ответов на указанные вопросы. Благодаря приоритетному списку закупок все, что нужно теперь делать, — соблюдать указанную последовательность товаров в списке.