Прогнозируемая добавленная стоимость

Прогнозируемая добавленная стоимость¹ (FVA) - это простой инструмент для оценки производительности каждого шага (и участника) в процессе прогнозирования спроса. Его конечная цель - устранить потери в процессе прогнозирования, удалив человеческие контакты (переопределения), которые не увеличивают точность прогнозирования. FVA основана на предположении, что повышение точности прогнозирования стоит того, и желательно выявить переопределения, которые увеличивают ее, и устранить те, которые этого не делают. Несмотря на положительные намерения, FVA демонстрирует ограниченную одноразовую полезность, и если он используется на постоянной основе, он имеет множество недостатков, включая ошибочные математические предположения, неправильные представления о внутренней ценности повышения точности прогнозирования и отсутствие надежной финансовой перспективы.

Обзор прогнозируемой добавленной стоимости

Прогнозируемая добавленная стоимость направлена на устранение потерь и повышение точности прогнозирования спроса путем поощрения и оценки вклада нескольких отделов (включая неотносящиеся к планированию спроса команды, такие как продажи, маркетинг, финансы, операции и т. д.). Оценивая ценность каждого человеческого контакта в процессе прогнозирования, FVA предоставляет компаниям действенные данные о переопределениях, которые делают прогноз хуже, тем самым давая им возможность выявить и устранить усилия и ресурсы, которые не способствуют улучшению точности прогнозирования.

Майкл Гиллиланд, чья книга The Business Forecasting Deal привлекла широкое внимание к этой практике, утверждает²:

“FVA помогает обеспечить, чтобы любые ресурсы, вложенные в процесс прогнозирования - от компьютерного оборудования и программного обеспечения до времени и энергии аналитиков и руководства - делали прогноз лучше. Если эти ресурсы не помогают прогнозированию, их можно безопасно перенаправить на более ценные задачи”.

Определяются те действия и ресурсы, которые помогают, через многоэтапный процесс прогнозирования, в котором сначала генерируется статистический прогноз с использованием существующего программного обеспечения для прогнозирования компании. Затем этот статистический прогноз подвергается ручным изменениям (переопределениям) каждым выбранным отделом. Затем этот скорректированный прогноз сравнивается с наивным эталонным прогнозом (без изменений, действуя как плацебо) и реальным наблюдаемым спросом.

Если изменения, внесенные отделами, сделали статистический прогноз более точным (по сравнению с неизменным статистическим прогнозом), они внесли положительную ценность. Если они сделали его менее точным, они внесли отрицательную ценность. Аналогично, если статистический прогноз был более точным, чем плацебо, он добавил положительную ценность (и наоборот, если он был менее точным).

FVA является “[мерой] изменения показателя производительности прогнозирования, которое можно приписать определенному шагу или участнику в процессе прогнозирования”².

Поддерживатели добавленной стоимости прогнозирования утверждают, что это неотъемлемый инструмент в современном управлении цепями поставок. Определение того, какие части процесса прогнозирования являются полезными, а какие - нет, позволяет организациям оптимизировать точность прогнозирования. Общая логика заключается в том, что улучшенное прогнозирование приводит к более эффективному управлению запасами, более гладкому планированию производства и более эффективному распределению ресурсов.

В результате этого должны снизиться затраты, минимизироваться дефицит товара и избытки, при этом повышаться удовлетворенность клиентов и создаваться более включительная прогнозирующая и корпоративная этика. Процесс оказался чрезвычайно популярным, и FVA применяется в нескольких известных компаниях в особо конкурентных отраслях, включая Intel, Yokohama Tire и Nestle³.

Проведение анализа добавленной стоимости прогнозирования

Проведение анализа добавленной стоимости прогнозирования включает несколько интуитивных шагов, обычно близких к следующим:

• Определите процесс, идентифицируя отдельные шаги или компоненты, то есть список отделов, с которыми будет проводиться консультация, порядок консультации и конкретные параметры, которые каждый участник будет использовать для изменения начального прогноза.

• Сгенерируйте эталонный прогноз. Этот эталон обычно имеет форму наивного прогноза. Также генерируется статистический прогноз в соответствии с обычным процессом прогнозирования внутри компании, используя те же данные, что и для генерации эталона. Этот статистический прогноз служит основой для всех последующих корректировок.

• Соберите идеи от назначенных участников, придерживаясь точных параметров, определенных на первом шаге. Это может включать идеи о тенденциях на рынке, планах по продвижению, операционных ограничениях и т. д.

• Рассчитайте FVA для каждого участника, сравнивая точность статистического прогноза до и после его вклада. В свою очередь, точность статистического прогноза сравнивается с точностью простого эталонного прогноза. Вклады, улучшающие точность прогноза, получают положительную FVA, тогда как те, которые ухудшают точность, получают отрицательную FVA.

• Оптимизируйте путем улучшения или устранения вкладов с отрицательной FVA, сохраняя или улучшая те, у которых положительная FVA.

Эти шаги представляют собой непрерывный процесс, который постепенно улучшается в стремлении к большей точности прогнозирования. Процесс FVA и его отличие от традиционного процесса прогнозирования иллюстрируется ниже.

Рисунок 2 основан на процессах, описанных Гиллиландом^{2 3} и Чибальским⁴. В отличие от Рисунка 1, здесь есть несколько этапов вмешательства человека (EO1, EO2 и CF). Процессы FVA могут включать еще больше этапов вмешательства человека, включая финальную фазу вмешательства исполнительного руководства².

В Таблице 1⁵ оцениваемой метрикой является MAPE (средняя абсолютная процентная ошибка). В этом примере Статистический прогноз улучшил точность прогнозирования (добавленная стоимость путем снижения ошибки прогноза на 5%) по сравнению с Наивным прогнозом. Более того, вмешательство человека было бесполезным, приводя к значительному увеличению ошибки прогнозирования на этапе Экспертное вмешательство 2.

Рассмотрим продавца яблок. Пол (Планирование спроса) сообщает руководству, что компания продала по 8 яблок в каждом из последних 3 месяцев. Наивный прогноз говорит, что компания продаст снова 8 яблок в следующем месяце, но у Пола есть продвинутое статистическое программное обеспечение, которое прогнозирует продажу 10 яблок (статистический прогноз). Джон (Маркетинг) вмешивается и говорит, что он намерен выпустить новый замечательный слоган в этом месяце⁶, и продажи, вероятно, будут выше в этом месяце благодаря его остроумию. Джордж (Продажи) намерен упаковывать яблоки вместе и немного снизить цены, стимулируя тем самым продажи и увеличивая спрос. Ричард (Операции) сначала озадачен, но затем корректирует прогнозируемый спрос, чтобы отразить предстоящий простой в работе важного оборудования для сортировки яблок, который, по его мнению, негативно повлияет на способность компании удовлетворить спрос. Таким образом, статистический прогноз был вручную скорректирован три раза. Департаменты затем собираются, чтобы достичь консенсусного прогноза устно.

Через месяц компания проводит обратное тестирование, чтобы подтвердить, насколько велика разница⁷ на каждом этапе этого цепочечного прогнозирования - то есть, насколько “неверным” был вклад каждого отдела. Это несложно, так как теперь у них есть фактические данные о продажах за предыдущий месяц, и Пол может пошагово определить, сколько ошибки было внесено Джоном, Джорджем и Ричардом, а также на этапе консенсусного прогноза⁸.

Математическая перспектива добавленной стоимости прогнозирования

Под капотом добавленной стоимости прогнозирования находится удивительно простой и намеренно непритязательный процесс. В отличие от процессов прогнозирования, требующих продвинутых знаний математики и статистического мышления, FVA “представляет собой подход здравого смысла, который легко понять. Он выражает результаты действий по сравнению с отсутствием действий”³.

Выражение результатов действий по сравнению с отсутствием действий, однако, все равно требует математического вмешательства, и обычно это происходит в форме простого временного ряда - основы традиционных методов прогнозирования. Основная цель анализа временных рядов - удобное и интуитивное представление будущего спроса в виде одного действенного значения. В контексте FVA базовый временной ряд служит плацебо или контролем, с которым сравниваются все переопределения аналитика (подробно описанные в предыдущем разделе). Базовый временной ряд может быть сгенерирован с помощью различных методов, обычно включающих различные формы наивного прогнозирования. Они обычно оцениваются с использованием метрик, таких как MAPE, MAD и MFE.

Выбор эталонного прогноза

Выбор базового прогноза будет различаться в зависимости от целей или ограничений компании, вопроса.

• Наивный прогноз и сезонный наивный прогноз часто выбираются из-за своей простоты. Их легко рассчитать и понять, так как они основаны на предположении, что предыдущие данные будут повторяться в будущем. Они обеспечивают разумную отправную точку во многих контекстах, особенно когда данные достаточно стабильны или демонстрируют явный паттерн (тренд, сезонность и т. д.).

• Случайное блуждание и сезонное случайное блуждание обычно используются, когда данные демонстрируют значительную случайность или изменчивость, или когда имеется явный сезонный паттерн, который также подвержен случайным колебаниям. Эти модели добавляют элемент непредсказуемости к концепции наивного прогноза в попытке отразить врожденную неопределенность прогнозирования будущего спроса.

Оценка результатов добавленной стоимости прогнозирования

• MFE (Средняя ошибка прогноза) может использоваться для оценки того, склонен ли прогноз завышать или занижать фактические результаты. Это может быть полезная метрика в ситуации, когда ошибочное прогнозирование более затратно, чем недооценка, или наоборот.

• MAD (Среднее абсолютное отклонение) и MAPE (Средняя абсолютная процентная ошибка) предоставляют меры точности прогноза, учитывающие как завышение, так и занижение спроса. Они могут использоваться в качестве показателей точности, когда важно минимизировать общий размер ошибок прогноза, независимо от того, приводят ли они к завышению или занижению.

Хотя MAPE часто встречается в источниках, связанных с FVA, мнения различаются относительно конфигурации прогнозных метрик, которую следует использовать в анализе FVA^{2 4 9}.

Ограничения FVA

Добавленная стоимость прогнозирования, несмотря на свой всеобъемлющий подход, благородные цели и низкий порог входа,, вероятно, подвержена обширному набору ограничений и ложных предпосылок. Эти недостатки охватывают широкий спектр областей, включая математику, современную теорию прогнозирования и экономику.

Прогнозирование не является коллективным

Добавленная стоимость прогнозирования основана на предположении, что коллективное прогнозирование хорошо в том смысле, что множественные (и даже консенсусные) человеческие корректировки могут добавить положительную стоимость. FVA также считает, что эта положительная прогнозная стоимость распространяется по всей компании, так как сотрудники разных отделов могут обладать ценными представлениями о будущем спросе на рынке.

Таким образом, проблема, как видит FVA, заключается в том, что этот коллективный подход сопряжен с неэффективностями, такими как негативный вклад некоторых человеческих контактов. FVA стремится отсеять бесполезных прогнозистов, чтобы найти хороших.

К сожалению, идея о том, что прогнозирование лучше всего осуществлять в коллективном, межотделочном процессе, противоречит тому, что демонстрирует современное статистическое прогнозирование, включая ситуации в розничной торговле.

Обширный обзор пятого конкурса прогнозирования Макридакиса¹⁰ показал, что «все 50 лучших методов основаны на машинном обучении (ML). Таким образом, M5 является первым конкурсом M, в котором все лучшие методы были как методами ML, так и лучше всех других статистических эталонов и их комбинаций» (Makridakis et al., 2022)¹¹. Конкурс точности M5 был основан на прогнозировании продаж с использованием исторических данных для крупнейшей розничной компании в мире по выручке (Walmart).

Фактически, согласно Макридакису и др. (2022), “победная модель [в M5] была разработана студентом с небольшими знаниями в области прогнозирования и небольшим опытом построения моделей прогнозирования продаж”¹¹, что подвергает сомнению, насколько важными являются рыночные идеи различных отделов в контексте прогнозирования.

Это не означает, что более сложные модели прогнозирования являются по своей сути желательными. Скорее, сложные модели часто превосходят упрощенные, и коллективное прогнозирование FVA является упрощенным подходом к сложной проблеме.

Игнорирует неопределенность будущего

FVA, как и многие инструменты и методики, связанные с прогнозированием, предполагает, что знание о будущем (в данном случае, спросе) может быть представлено в виде временного ряда. Он использует наивный прогноз в качестве эталона (обычно копию предыдущих продаж) и позволяет коллабораторам вручную округлять значения в статистическом прогнозе. Это ошибочно по двум причинам.

Во-первых, будущее, будь то в общем или прогнозирующем смысле, неизбежно неопределенно. Таким образом, выражение его в виде одного значения является сущностно ошибочным подходом (даже если его дополняет формула резервного запаса). Столкнувшись с неопределенностью будущего, наиболее разумным подходом является определение диапазона вероятных будущих значений, оцениваемых с учетом потенциальной финансовой отдачи. Это превосходит, с точки зрения управления рисками, попытку определить одно значение в соответствии с традиционным временным рядом, что полностью игнорирует проблему неопределенности будущего.

Во-вторых, понимание (как бы полезным оно ни казалось) со стороны сотрудников обычно относится к такому роду, который нельзя (или очень сложно) преобразовать в прогноз временного ряда. Представьте ситуацию, в которой компания заранее знает, что конкурент собирается войти на рынок. Или представьте мир, в котором конкурентная информация указывает на то, что самый сильный конкурент планирует выпустить впечатляющую новую линию летней одежды. Предположение о том, что такого рода понимание может быть совместно объединено неспециалистами в одно значение, выраженное во временном ряду, является фантастическим.

На самом деле, любые сходства с фактическими будущими продажами (положительное добавленное значение) будут полностью случайными, в том смысле, что человеческие переопределения (будь то округление спроса вверх или вниз) являются равными выражениями одной и той же ошибочной информации. Человек, который вносит отрицательное значение, не более “прав” или “неправ” - с логической точки зрения - чем человек, который вносит положительное значение.

В основе FVA лежит попытка перенести трехмерные свойства (человеческое понимание) на двумерную поверхность (временной ряд). Со стороны это может выглядеть правильно, но это не означает, что это так. Это придает FVA весьма обманчивый вид статистической строгости.

Даже если компания использует традиционный процесс прогнозирования с минимальным вмешательством человека (см. Рисунок 1), если анализируемый FVA статистический прогноз является временным рядом, сам анализ является пустой тратой.

Ироничная пустая трата

Как одноразовая демонстрация чрезмерной уверенности и предвзятого принятия решений, FVA имеет свою пользу. Нобелевские премии были присуждены за глубину, широту и устойчивость когнитивных предубеждений в принятии решений человеком^{12 13}, однако вполне вероятно, что некоторые команды не осознают, насколько ошибочным обычно является человеческое переопределение, пока им это явно не покажут.

Однако в качестве постоянного инструмента управления FVA является в корне неправильным и, можно сказать, противоречивым. Если статистические прогнозы уступают наивному прогнозу и совместной настройке, следует задуматься над следующим вопросом:

Почему статистические модели не работают?

К сожалению, FVA не имеет ответа на этот вопрос, потому что она фундаментально не предназначена для этого. Она не дает понимания почему статистические модели могут работать хуже, просто что они работают хуже. FVA скорее является не столько инструментом диагностики, сколько увеличивающим стекло.

Хотя увеличительное стекло может быть полезным, оно не предоставляет действенных идей о том, в чем заключаются основные проблемы с программным обеспечением статистического прогнозирования. Понимание почему статистические прогнозы работают хуже имеет гораздо большую прямую и косвенную ценность, и это то, чего FVA не делает более четким.

FVA-программное обеспечение не только не дает этого важного понимания, оно также формализует пустую трата по-другому. Гиллиланд (2010) представляет теоретическую ситуацию, в которой консенсусный прогноз уступает в 11 из 13 недель (85% неудач), средняя ошибка составляет 13,8 процентных пункта. Вместо немедленного прекращения рекомендуется

“представить эти результаты вашему руководству и попытаться понять, почему процесс консенсуса имеет такой эффект. Вы можете начать исследовать динамику консенсусного собрания и политические агенды участников. В конечном итоге руководство должно решить, можно ли исправить процесс консенсуса для улучшения точности прогноза или следует его устранить.”²

В этом сценарии FVA-программное обеспечение не только не диагностирует основную проблему производительности статистического прогноза, но и слой инструментации FVA лишь увеличивает бюрократию и распределение ресурсов, разбирая деятельности, которые явно не приносят ценности.

Таким образом, установка слоя FVA-программного обеспечения гарантирует, что вы будете продолжать получать похожие низкого разрешения изображения текущей проблемы и направлять ценные ресурсы на понимание ошибочных входных данных, которые можно было бы проигнорировать с самого начала.

Это, вероятно, не самое благоразумное распределение ресурсов компании, которые имеют альтернативное использование.

Переоценка значения точности

В основе FVA лежит предположение о том, что повышение точности прогноза стоит преследовать в отрыве от других факторов, и исходит из этого предположения, как если бы это было самоочевидно. Представление о том, что повышение точности прогноза желательно, понятно привлекательно, но с бизнес-точки зрения оно предполагает, что большая точность прогноза приводит к большей прибыльности. Это явно не так.

Это не означает, что точный прогноз не стоит того, чтобы иметь его. Скорее, точный прогноз должен быть тесно связан с чисто финансовой перспективой. Прогноз может быть на 40% точнее, но связанные с ним затраты означают, что компания получает на 75% меньше прибыли в целом. Прогноз, хотя и значительно точнее (с положительным добавленным значением), не сократил долларовую ошибку. Это нарушает основополагающий принцип бизнеса: зарабатывать больше денег или, по крайней мере, не тратить их зря.

В рамках FVA вполне возможно, что положительное добавленное значение одного отдела является чистым убытком для компании, тогда как отрицательное добавленное значение другого отдела незаметно. Хотя Гиллиланд признает, что некоторые действия могут повысить точность без добавления финансовой ценности, этот аспект не развивается до чисто финансовой перспективы. Гиллиланд приводит пример аналитика, повышающего точность прогноза на один процент:

“Тот факт, что процесс имеет положительное добавленное значение FVA, не обязательно означает, что его следует сохранять в процессе. Нам нужно сравнить общие преимущества улучшения с затратами на это действие. Увеличивает ли дополнительная точность доходы, снижает ли затраты или делает клиентов счастливее? В этом примере пересмотр аналитика действительно сократил ошибку на один процентный пункт. Но найм аналитика для проверки каждого прогноза может быть дорогим, и если улучшение составляет всего один процентный пункт, стоит ли оно того?”²

Другими словами, повышение на 1% может не стоить того, чтобы преследовать его, но большее повышение точности прогноза может стоить. Это предполагает, что финансовая ценность связана с большей точностью прогноза, что не всегда верно.

Таким образом, в FVA есть неизбежный финансовый аспект, который в лучшем случае недооценивается (и, в худшем случае, едва замечается). Эта чисто финансовая перспектива действительно должна быть основой для инструмента, направленного на сокращение потерь.

Уязвимость к манипуляции

FVA также представляет очевидную возможность для манипуляции и искажения прогноза, особенно если точность прогноза используется в качестве показателя успеха отдела. Это соответствует духу Закона Гудхарта, который утверждает, что как только индикатор становится главным показателем успеха (случайно или намеренно), этот показатель перестает быть полезным. Это явление часто открывает дверь для неправильной интерпретации и/или манипуляции.

Предположим, что команда по продажам получила задание вносить краткосрочные корректировки в прогноз спроса на основе взаимодействия с клиентами. Отдел продаж может рассматривать это как возможность продемонстрировать свою ценность и начать вносить изменения в прогноз даже тогда, когда это необходимо, в попытке продемонстрировать положительное добавленное значение FVA. Они могут завышать спрос, чтобы казаться создающими ценность, или пересчитывать спрос вниз, чтобы казаться исправляющими чрезмерно оптимистичные прогнозы предыдущего отдела. В любом случае, отдел продаж может казаться более ценным для компании. В результате отдел маркетинга может почувствовать давление казаться создающим ценность, и команда начинает делать аналогичные произвольные корректировки прогноза (и так далее).

В этом сценарии мера FVA, изначально предназначенная для улучшения точности прогнозирования, становится всего лишь политическим механизмом для отделов, чтобы сигнализировать о ценности вместо добавления ценности, что даже признают сторонники FVA⁹. Эти примеры демонстрируют потенциальные опасности Закона Гудхарта в отношении FVA¹⁴.

Поддерживающие FVA могут возразить, что эти психологические критики - суть самой FVA, а именно выявление ценных входных данных по сравнению с мусорными. Однако, учитывая предубеждения, связанные с человеческим вмешательством в прогнозирование, которые теперь настолько хорошо понимаются, ресурсы, затраченные на анализ этих входных данных, загруженных предубеждениями, лучше было бы направить на процесс, который избегает (насколько это возможно) таких входных данных с самого начала.

Локальное решение системной проблемы

Неявно предполагается, что попытка оптимизации прогнозирования спроса в изоляции предполагает, что проблема прогнозирования спроса отдельна от других проблем цепочки поставок. На самом деле, прогнозирование спроса является сложным из-за взаимодействия широкого спектра системных причин цепочки поставок, включая влияние различных сроков поставки поставщика, неожиданные нарушения в цепочке поставок, выборы распределения запасов, стратегии ценообразования и т. д.

Попытка оптимизации прогнозирования спроса в изоляции (также известная как локальная оптимизация) является ошибочным подходом, учитывая системные проблемы - истинные корневые причины - которые не понимаются и не решаются должным образом.

Проблемы цепочки поставок - включая прогнозирование спроса - подобны людям, стоящим на батуте: движение одного человека вызывает дисбаланс для всех остальных¹⁵. По этой причине голистическая оптимизация от начала до конца лучше, чем попытка лечить симптомы в изоляции.

Взгляд Lokad

Прогнозируемая добавленная стоимость превращает плохую идею (коллективное прогнозирование) в сложную, облачает плохую идею в слои ненужного программного обеспечения и растрачивает ресурсы, которые могли бы быть использованы более эффективно.

Более сложная стратегия заключается в том, чтобы взглянуть за пределы понятия точности прогнозирования и вместо этого выбрать политику управления рисками, которая снижает долларовую ошибку. В сочетании с вероятностным подходом к прогнозированию, такое мышление отходит от произвольных ключевых показателей эффективности - таких как повышение точности прогнозирования - и учитывает все экономические факторы, ограничения и потенциальные потрясения в цепочке поставок при принятии решений о запасах. Такие виды рисков (и потерь) не могут быть эффективно количественно оценены (и устранены) с помощью инструмента, который использует коллективную временную перспективу, такую как прогнозируемая добавленная стоимость.

Кроме того, отделение прогнозирования спроса от общей оптимизации цепочки поставок, FVA (возможно, непреднамеренно) увеличивает случайную сложность процесса прогнозирования спроса. Случайная сложность является искусственной и возникает из-за постепенного накопления ненужного шума - обычно источником которого является человек - в процессе. Добавление избыточных этапов и программного обеспечения в процесс прогнозирования, как это делает FVA, является примером случайной сложности и может значительно усложнить решаемую проблему.

Прогнозирование спроса - это намеренно сложная проблема, что означает, что это по своей сути загадочная и ресурсоемкая задача. Эта сложность является неизменным свойством проблемы и представляет собой гораздо более серьезный класс вызовов, чем случайно сложные вопросы. По этой причине лучше избегать попыток решений, которые упрощают и фундаментально искажают проблему¹⁶. Чтобы подчеркнуть медицинскую риторику литературы по FVA, это разница между лечением основного заболевания и постоянным лечением симптомов по мере их возникновения¹⁷.

Вкратце, FVA существует в пространстве между передовой теорией цепочки поставок и осведомленностью общественности о ней. Рекомендуется более глубокое понимание основных причин неопределенности спроса и ее корней в развивающейся дисциплине цепочки поставок.

Примечания