FAQ: Прогнозирование спроса

Lokad эволюционировал от своих истоков в прогнозировании спроса в конце 2000-х до лидера в области прогнозной оптимизации цепочек поставок, сосредотачиваясь на высококлассной оценке будущих событий при работе с реальными сложностями.

Целевая аудитория: специалисты по цепочкам поставок, планировщики спроса и предложения, бизнес-аналитики.

Последнее обновление: 7 марта 2024

Принципы прогнозирования

Как отмечал Кейнс, лучше быть примерно правым, чем абсолютно ошибаться. Этот принцип применим к большинству ситуаций в цепочках поставок (а также в иных сценариях), но особенно актуален, когда речь идет о прогнозировании. Когда дело доходит до прогнозирования, Lokad делает больше, чем просто избегает абсолютной ошибки; мы систематически значительно превосходим не только наших конкурентов, но и исследовательские команды¹ — время от времени переопределяя состояние современного уровня технологий. Однако за последнее десятилетие мы осознали, что главным ограничивающим фактором традиционного подхода к прогнозированию была не точность, а именно выразительность.

Классические прогнозы — то есть, точечные прогнозы временных рядов — просто не дают достаточно информации о будущем. Тем не менее, прогнозы временных рядов стали настолько распространены, что многие специалисты забывают, насколько они неполны — а не просто неточны. Прогнозы временных рядов рассматривают будущее бизнеса так же, как движение планеты: явление, при котором наблюдатель не влияет на наблюдаемые объекты. Однако цепочки поставок не похожи на астрономию, и компании (в отличие от планет) активно влияют на направление своих цепочек поставок. По сути, будущее не предопределено; оно создается вами.

Что странно, вся мейнстримовая теория цепочек поставок построена на основе прогнозов временных рядов, что приводит к различным странным последствиям. Ценообразование — очевидный способ управления спросом — обычно исключается из процесса, превращаясь в совершенно отдельный вопрос от планирования. Это явно неверно, учитывая их очевидную взаимосвязь.

Еще одно измерение, полностью отсутствующее в традиционной перспективе временных рядов, — это неопределенность. Традиционалисты считают, что эту неопределенность можно преодолеть, добиваясь большей точности изолированно, часто выделяя на это огромные ресурсы. Однако цепочки поставок постоянно доказывают, что неопределенность, связанная с будущими событиями, является непреодолимой, и что проблемы цепочек поставок требуют не просто разовых корректировок — то есть, локальной оптимизации. Не только будущая неопределенность непреодолима, глобальные рынки, по-видимому, весьма искусны в возникновении вызовов как старыми методами (например, войны, цунами), так и новыми (например, локдауны, изобретательные регуляции).

Вероятностные прогнозы

Первым значительным отходом Lokad от классической перспективы прогнозирования временных рядов стали вероятностные прогнозы, инициированные еще в 2012 году с использованием квантильных прогнозов, которые можно рассматривать как неполный вероятностный прогноз. Вероятностные прогнозы учитывают все возможные варианты будущего (например, спрос, время выполнения заказа и т.д.), назначая вероятность каждому отдельному исходу. Таким образом, вероятностные прогнозы принимают во внимание непреодолимую неопределенность будущих событий, вместо того чтобы полностью её игнорировать. С 2012 года вероятностные прогнозы неоднократно доказывали, что являются значительно более эффективным подходом при управлении рисками в цепочке поставок. Это верно как для небольших локальных решений, например, выбора правильного количества для артикула, так и для крупных решений, таких как заключение долгосрочного, многомиллионного сервисного контракта.

Кроме того, Lokad не ограничивался (и до сих пор не ограничивается) вероятностным прогнозированием только спроса. Все остальные источники неопределенности теперь количественно определяются платформой Lokad. Эти неопределенности включают изменчивость времен выполнения заказов, изменчивость коэффициентов списания, различные показатели возвратов у клиентов и т.д. В более широком смысле, все неопределенные будущие события должны быть прогнозированы, в идеале с помощью вероятностных прогнозов. Таким образом, в настоящее время Lokad регулярно прогнозирует более дюжины различных видов будущих событий. Важно отметить, что эти альтернативные прогнозы не являются прогнозами временных рядов. Мы не пытаемся выразить несколько разрозненных величин/единиц (например, спрос, время выполнения заказа и т.д.) с использованием временных рядов. На самом деле, в большинстве случаев проблема, которую мы прогнозируем, даже не вписывается в узкие рамки, налагаемые временными рядами.

Программируемые прогнозы

Вторым значительным отходом Lokad от классической перспективы прогнозирования стал его программируемый сдвиг, сначала с применением глубокого обучения в 2018 году, а затем с дифференцируемым программированием в 2019 году. Преобладающее мнение заключалось в том, что прогнозирование следует воспринимать как «упакованный» технологический продукт. Lokad, как и большинство его коллег, даже называл свой «прогнозный движок» — монолитным программным компонентом, предназначенным для этой задачи. Однако этот подход имеет два основных недостатка.

Во-первых, взгляд «прогнозного движка» предполагает, что существует стандартный способ организации входных данных, которые будут подаваться в движок. Но это не так. Самая структура входных данных — в реляционном смысле (например, SQL) — во многом зависит от особенностей бизнес-систем, действующих в компании. Принудительное приведение исторических данных, как они существуют в бизнес-системах, к заранее задуманной модели данных, как того требует прогнозный движок, приводит ко множеству проблем. Хотя Lokad сумел (благодаря постоянно растущей сложности) создать прогнозный движок, намного более гибкий, чем те, что предлагают наши конкуренты, мы также поняли, что этот подход является технологическим тупиком. Прогнозный движок никогда не бывает достаточно гибким и неизбежно упускает критически важные, но тонкие аспекты бизнеса.

Программируемые подходы, однако, оказались значительно более эффективным решением. Здесь задачи предиктивного моделирования решаются с использованием программируемых парадигм, в отличие от жестко зафиксированного монолитного программного обеспечения. Lokad начал в 2018 году с рамок глубокого обучения — как это обычно используется в более широком сообществе — но в итоге полностью пересмотрел технологию в свете достижений в дифференцируемом программировании в 2019 году. Целью этого полного технологического обновления было сделать реляционные данные первоклассными, в отличие от рамок глубокого обучения, которые рассматривали — и до сих пор рассматривают — их как второстепенные. Хотя реляционные данные доминируют в цепочках поставок, это не тот тип данных, который привлекает внимание широкого сообщества в области машинного обучения (где преобладают изображения, естественный язык, голос и т.д.).

Во-вторых, подход «прогнозного движка» не оставляет компании возможности формировать собственное будущее. Независимо от сложности движка, парадигма подразумевает наличие двухэтапного процесса, где за фазой прогнозирования/планирования следует этап оптимизации/исполнения. Эта парадигма оставляет мало или вовсе не оставляет возможности для итераций между планированием и исполнением. Теоретически возможно многократно применять прогнозный движок к сценариям, скорректированным на основе предыдущих прогнозов. На практике процесс настолько утомителен, что никто на самом деле этим не занимается (по крайней мере, не длительное время).

Вывод: программируемые подходы кардинально меняют правила игры. Это связано с тем, что становится возможным создание уникальных обратных связей — между планированием и исполнением — отражающих тонкие, но прибыльные возможности, которые компания в противном случае, вероятно, упустила бы. Например, если клиент — авиационная сервисная компания MRO, становится возможным рассмотреть возможность одновременной покупки и продажи ремонтных комплектующих — продажа неиспользованных запчастей финансирует приобретение столь необходимых в данный момент деталей. Такие взаимодействия не обязательно являются сложными или даже проблематичными, но их выявление требует тщательного изучения мелких деталей бизнеса. Непрограммируемые подходы неизбежно не позволяют уловить эти нюансы, возвращая специалистов по цепям поставок к их электронным таблицам². Дифференцируемое программирование также оказывается переломным моментом в этом плане.

Часто задаваемые вопросы (FAQ)

1. Алгоритмы и модели прогнозирования

1.1 Можете ли вы дать обзор используемых прогнозных движков?

Прогностические возможности Lokad основаны на дифференцируемом программировании Envision, DSL (предметно-ориентированном языке программирования), разработанном Lokad для прогнозной оптимизации цепочек поставок. Таким образом, вместо наличия «движка», Lokad имеет программируемые строительные блоки, которые можно легко собрать для создания передовых предиктивных моделей.

Наши предиктивные модели включают (а также превосходят) предоставление передовых прогнозов спроса по временным рядам, как это доказано тем, что Lokad занял первое место (среди примерно 1000 конкурентов) на уровне SKU в международном соревновании по прогнозированию на основе данных Walmart. Подробности метода изложены в опубликованной статье. Программируемость платформы Lokad обеспечивает гибкость, которую невозможно воспроизвести с помощью традиционного «прогнозного движка». Фактически, наш последний «прогнозный движок» был выведен из эксплуатации в 2018 году в пользу программируемого подхода, именно из-за этого ограничения.

Кроме того, мы обычно говорим о «предиктивном моделировании», а не о «прогнозировании», поскольку необходимо количественно оценивать не только будущий спрос, но и все источники неопределенности. Эти категории включают будущие времена выполнения заказов, будущие возвраты, будущие коэффициенты списания, будущие цены на исходные материалы, будущие цены конкурентов и т.д. Благодаря дифференцируемому программированию, Lokad предоставляет прогнозы, которые значительно превосходят традиционные ожидания от прогнозного движка. Эти расширенные прогнозы являются критически важными для обеспечения комплексной оптимизации цепочки поставок, а не изолированного плана спроса.

Наконец, Lokad предоставляет «вероятностную предиктивную модель». Вероятностное прогнозирование (или «вероятностное моделирование») имеет решающее значение для принятия оптимизированных решений с учетом риска. Без вероятностных прогнозов решения в цепочке поставок оказываются хрупкими перед любыми изменениями, что приводит к постоянным накладным расходам в ситуациях, которые могли бы быть существенно смягчены при более осторожных решениях.

Смотрите Дифференцируемое программирование в Envision для получения дополнительной информации о мельчайших деталях этого критически важного инструмента, а также Историю прогнозного движка Lokad чтобы ознакомиться с развитием наших прогнозов.

1.2 Можете ли вы создать базовый прогноз на основе статистических моделей?

Да. Lokad может создать базовый прогноз спроса на основе параметрических моделей низкой размерности, то есть статистической модели. Мы делаем это с использованием Envision, DSL (предметно-ориентированного языка программирования) Lokad, специально разработанного для прогнозной оптимизации цепочек поставок. Благодаря возможностям дифференцируемого программирования Envision, также легко обучать параметры с использованием исторических данных о спросе.

Существуют два ключевых ограничения традиционного подхода к прогнозированию, которые были преодолены новыми технологиями, предлагаемыми Lokad. Во-первых, точечные прогнозы временных рядов (так называемые «классические прогнозы») не учитывают непреодолимую неопределенность будущего. Фактически, они полностью игнорируют неопределенность, выражая будущую неопределенность в виде единственного значения (например, спроса) вместо распределения вероятностей значений.

В результате, с помощью традиционных прогнозов временных рядов клиент не может принимать решения, учитывающие риск — например, решения, отражающие финансовые последствия заказа X единиц или X+1 единиц, а также, возможно, полного отказа от заказа. Этот недостаток осознания риска (то есть, в количественном выражении) неизменно оказывается очень дорогостоящим для клиента, поскольку приводит к неэффективному принятию финансовых решений (например, заказам, распределениям и т.д.). Lokad решает эту проблему с помощью вероятностного прогнозирования, поскольку оно принимает будущую неопределенность, а не игнорирует её.

Во-вторых, прогнозирование спроса, хотя и является, пожалуй, самым важным видом прогнозов, не единственным видом прогноза. Времена выполнения заказов, возвраты, коэффициенты списания и все остальные области будущей неопределенности также необходимо прогнозировать. Lokad решает эту проблему с помощью программного предиктивного моделирования.

1.3 Какие виды анализа данных и алгоритмы использует решение для создания точных прогнозов спроса?

Lokad использует дифференцируемое программирование, опираясь на детализированные исторические данные и — если необходимо — выборочные внешние данные для создания прогнозов спроса и управления другими сложностями цепочки поставок (например, отсутствием запасов и акциями).

Дифференцируемое программирование — используемое для обучения параметрическим моделям — является ведущей техникой для создания точных прогнозов спроса. Как было показано в соревновании по прогнозированию M5, основанном на розничных данных Walmart, Lokad использовал этот подход и занял первое место на уровне SKU (соревнуясь с примерно 1000 командами со всего мира). Это достижение подтверждает, что данный подход является новейшим.

Однако модель M5 лишь поцарапала поверхность в вопросе прогнозирования спроса, поскольку подход Lokad допускает бесчисленное количество «сложностей», таких как работа с дефицитом товаров, акции, возвраты, скоропортящиеся товары и т.д. Структурированное прогностическое моделирование для цепочки поставок предоставляет подробности о том, как Lokad решает эти задачи.

Что касается данных, Lokad использует все актуальные исторические данные о продажах, вплоть до отдельных транзакций (если такие данные доступны). Мы также привлекаем другие исторические данные, которые дополняют сигнал спроса, такие как исторические уровни запасов, исторические цены, исторические цены конкурентов, исторические рейтинги отображения (электронная коммерция) и т.д. Технология Lokad разработана так, чтобы максимально использовать все доступные данные, а также смягчать влияние отсутствующих, к сожалению, данных.

Внешние данные могут использоваться, если они считаются релевантными для уточнения прогнозов спроса. Однако по нашему опыту, данные помимо конкурентной разведки редко приносят такое улучшение точности, которое оправдало бы значительные инженерные затраты, связанные с подготовкой этих наборов данных (например, социальные данные, данные о погоде и т.д.). Использование таких наборов данных следует оставлять зрелым компаниям, которые уже исчерпали все более простые способы повышения точности прогнозирования.

1.4 Снижаете ли вы ошибку прогноза с помощью методов машинного обучения?

Да. Lokad использует дифференцируемое программирование и глубокое обучение для снижения ошибки прогнозирования. Иногда мы применяем альтернативные методы, такие как случайные леса или градиентный бустинг деревьев решений. Кроме того, мы используем методы машинного обучения (ML) для пересмотра «классических» статистических методов (например, авторегрессионных моделей), но с значительно улучшенными способами обучения соответствующих параметров.

Хотя Lokad и применяет машинное обучение, следует отметить, что это не единое целое, а скорее общий взгляд на подход к данным. Учитывая, что машинное обучение как область исследований существует уже более трёх десятилетий, этот термин на самом деле охватывает широкий спектр техник; некоторые считаются самыми современными, а некоторые достаточно устаревшими.

С нашей точки зрения, самый важный сдвиг парадигмы в машинном обучении, особенно для нужд цепочки поставок, заключается в переходе от инженерии признаков к инженерии архитектуры. Проще говоря, методы машинного обучения сами по себе стали программируемыми. И глубокое обучение, и дифференцируемое программирование отражают этот новый взгляд, который отдает предпочтение инженерии архитектуры вместо инженерии признаков, и именно поэтому Lokad использует этот подход.

Для целей цепочки поставок инженерия архитектуры имеет ключевое значение для того, чтобы в предиктивной модели отразить саму структуру решаемой проблемы. Хотя это может показаться абстрактным соображением, между прогнозом, который систематически не соответствует данным ERP, и прогнозом, который действительно учитывает ситуацию, именно это и является решающим различием.

1.5 Как вы определяете и прогнозируете шаблоны спроса, чтобы предотвратить дефицит товаров и избыток запасов?

Lokad снижает дефицит товаров и избыток запасов за счет вероятностного прогнозирования, которое принимает неопределенность будущего спроса, предоставляя вероятности значительных отклонений в спросе. Такой подход позволяет Lokad предоставлять клиентам решения с учетом рисков, что обеспечивает лучшие решения (например, заказы на поставку) и снижает дефицит товаров и избыток запасов. Этот подход контрастирует с традиционными точечными временными прогнозами, которые игнорируют финансовые риски и стремятся снизить ошибку прогноза в изоляции.

Отбросив в сторону другие возможные причины — такие как изменяющееся время выполнения заказа — дефицит товаров и избыток запасов обычно отражают неожиданный (будущий) спрос. Lokad напрямую решает эту проблему через вероятностное прогнозирование. В отличие от основных методов цепочки поставок, которые игнорируют непреодолимую неопределенность будущего, Lokad строго количественно учитывает эту неопределенность. Вероятностные прогнозы предоставляют вероятность наблюдения значительных отклонений спроса, что является необходимым для расчёта решений с учетом риска.

Решения с учетом риска учитывают не только вероятность возникновения необычных событий (например, очень низкого или очень высокого спроса), но и финансовые риски, связанные с этими исходами. Как правило, затраты при недостатке или избытке товара крайне несимметричны. Решение с учетом риска минимизирует ожидаемые потери, направляя клиента в наиболее «осторожное» или «выгодное» направление.

В отличие от этого, и несмотря на их популярность, периодические точечные прогнозы временных рядов (так называемые «классические прогнозы») полностью игнорируют эти риски. Такая концепция направлена на снижение ошибки прогноза в изоляции до такой степени, чтобы ошибка становилась несущественной. Однако это — надуманное рассуждение, поскольку неопределенность будущего непреодолима. Именно поэтому точечные прогнозы не справляются с задачей предотвращения дефицита товаров и избытка запасов должным образом.

Короче говоря, не имеет значения, используется ли примитивная или сложная модель, если базовые предположения/инструменты (например, точечные временные прогнозы) принципиально ошибочны.

См. вероятностное прогнозирование для подробностей об этой концепции.

1.6 Как вы учитываете сезонность в спросе?

Краткое содержание: Lokad учитывает сезонность спроса посредством дифференцируемого программирования, используя низкоразмерные параметрические модели, в которых жестко заложена структура различных цикличностей, таких как годовая, недельная и специфичные для событий паттерны. Этот автоматизированный подход обеспечивает точность и стабильность прогнозирования спроса, одновременного учета всех паттернов, влияющих на спрос, без необходимости ручного вмешательства.

Сезонность, также называемая годовой цикличностью, — это одна из множества цикличностей, с которыми работает Lokad. Мы также можем учитывать недельную цикличность (то есть эффект дня недели), месячную цикличность (то есть эффект зарплаты) и почти годовые цикличности (например, Пасха, Рамадан, Китайский Новый год, Черная пятница и т.д.).

Основная методика, которую мы используем для работы с цикличностями, — это дифференцируемое программирование. Мы применяем низкоразмерные параметрические модели, которые структурно отражают целевые цикличности. Другими словами, мы выбираем модели, в которых структура цикличности уже задана, жестко закодирована специалистами по цепочке поставок Lokad. Это позволяет нам количественно оценить величину флуктуаций, связанных с целевыми цикличностями, а не просто идентифицировать или обнаруживать их наличие.

После того как численный алгоритм разработан специалистами по цепочке поставок Lokad, весь процесс оптимизации полностью автоматизирован. В частности, оптимизация цепочки поставок Lokad не требует какого-либо ручного вмешательства (то есть микроконтроля сезонного профиля) и не зависит от исключений для новых или только запущенных товаров. Lokad может показаться несколько новым в своем подходе, но это имеет решающее значение для задач цепочки поставок.

Во-первых, он обеспечивает более точные результаты, поскольку процесс машинного обучения не пытается обнаружить цикличность, а рассматривает её как заданную (и уже широко признанную специалистами по цепочке поставок). Это особенно критично в условиях ограниченного объема данных.

Во-вторых, он обеспечивает более стабильные результаты, ограничивая форму функции спроса, которую необходимо обучать. Этот подход значительно снижает числовые артефакты, когда оцененный будущий спрос колеблется значительно, в то время как входные данные остаются стабильными.

Наконец, дифференцируемое программирование, используемое Lokad для построения (машинного обучения) моделей на основе данных клиента, позволяет нам совместно учитывать все цикличности, а также все другие паттерны, формирующие наблюдаемые модели спроса (например, дефицит товаров или акции). Цикличности нельзя оценивать изолированно или последовательно от других факторов, влияющих на спрос. Все эти паттерны и их соответствующие параметры должны оцениваться совместно.

См. Структурированное прогностическое моделирование для цепочки поставок для подробностей о дифференцируемом программировании и его роли в оптимизации цепочки поставок.

1.7 Обладаете ли вы возможностями долгосрочного прогнозирования (на срок более 3 лет вперед) для предсказания будущего спроса и внесения соответствующих корректировок?

Да. Lokad может прогнозировать бесконечно далеко в будущее, следовательно, максимальный горизонт отсутствует.

Учитывая природу неопределенности будущего, неточность прогноза стабильно увеличивается с ростом горизонта прогнозирования. Хотя технически возможно составить долгосрочный прогноз, это не означает, что на него можно полагаться для задач цепочки поставок. Как бы ни была изощренной базовая модель, прогнозирование в конечном итоге пытается угадать, как будет выглядеть дорога, оглядываясь в зеркальное отражение.

Более того, возможность внесения ручных корректировок в автоматизированный прогноз, как правило, усугубляет ситуацию. Как только прогнозы вручную изменяются «экспертами», организации неизменно начинают чрезмерно им доверять. Многочисленные бенчмарки, проведенные Lokad, показывают, что эксперты редко превосходят простые методы усреднения, когда речь идет о долгосрочных прогнозах. Таким образом, вручную корректируемые прогнозы обычно приобретают незаслуженную ауру экспертности, что приводит к чрезмерной зависимости организаций от них. Эта практика ручной корректировки даже сохраняется после того, как итоговые цифры неизбежно оказываются плохими догадками.

В качестве общего комментария по поводу долгосрочного прогнозирования мы соглашаемся с мнением Ингвара Кампрада (основателя IKEA), который писал в Завещании мебельного дилера: «преувеличенное планирование — самая частая причина корпоративной гибели». В общем, если компания-клиент не работает в условиях исключительно стабильного рынка (например, коммунальные услуги), мы не советуем управлять цепочкой поставок, опираясь на долгосрочные прогнозы. Команда специалистов по цепочке поставок Lokad готова предоставить рекомендации по лучшим (и более здравым) подходам, которые уникально отражают специфические требования каждой компании-клиента.

1.8 Можете ли вы предоставить скользящие прогнозы по товарам/магазинам не менее чем на 28 дней?

Да, Lokad может прогнозировать бесконечно далеко в будущее, даже на уровне SKU для крупной розничной сети.

Для наших розничных клиентов горизонты прогнозирования обычно составляют 200 (или более) дней, при этом работа ведется на уровне SKU. Эти среднесрочные горизонты полезны для правильной оценки рисков, связанных с «мертвым» запасом для товаров с медленным оборотом. Кроме того, платформа Lokad обладает высокой масштабируемостью, поэтому обработка десятков миллионов SKU при наличии многолетних ежедневных исторических данных не представляет сложности. Фактически, платформа Lokad может легко масштабироваться для обслуживания даже крупных розничных сетей без необходимости предварительного планирования ресурсов.

См. также Алгоритмы и модели прогнозирования 1.7 в этом FAQ.

1.9 Можете ли вы использовать внешние источники данных и/или индикаторы для повышения точности прогноза спроса?

Да. Например, Lokad регулярно использует конкурентную разведку (то есть опубликованные цены конкурентов). В некоторых отраслях публичные индикаторы могут оказаться весьма полезными (например, прогнозируемые размеры авиапарка для авиационных компаний по техническому обслуживанию). Программная платформа Lokad уникально подходит для использования разнообразных источников данных — помимо исторических данных, получаемых из бизнес-систем.

Что касается внешних данных, есть два источника, которые, вопреки ожиданиям, почти никогда не оправдывают инженерные затраты: наборы данных о погоде и данные социальных сетей. Наборы данных о погоде чрезвычайно громоздки (то есть очень большие и сложные) и, по сути, не намного лучше сезонных средних значений на срок свыше двух недель (с учетом небольших отклонений). Данные социальных сетей также чрезвычайно громоздки (то есть очень большие, очень сложные и сильно засоренные ненужной информацией) и в значительной мере зависят от краткосрочных эффектов — обычно нескольких дней.

Мы не утверждаем, что из данных о погоде или данных социальных сетей нельзя извлечь какую-либо пользу, поскольку нам уже удалось это сделать для некоторых клиентов. Однако не все улучшения точности прогнозирования оправдывают инженерные затраты, необходимые для их достижения. Наши клиенты вынуждены работать с ограниченными ресурсами, и, как правило, эти ресурсы лучше направлять на совершенствование других аспектов комплексной оптимизации цепочки поставок. Такой подход гораздо разумнее, чем попытка добиться последних 1% (обычно даже не настолько много) дополнительной точности с помощью внешних наборов данных, которые в 2–3 раза превышают объем управляемых исторических данных клиента.

1.10 Как вы справляетесь с различными уровнями темпов продаж, от менее одного в неделю до тысяч в день?

Для управления различными темпами продаж Lokad использует вероятностное прогнозирование для разреженного спроса, применяя специализированные структуры данных, такие как Ranvar, для обеспечения эффективности при всех объемах продаж, что упрощает задачи цепочки поставок.

Когда речь идет о различных масштабах темпов продаж, основная сложность возникает с малыми числами, в отличие от больших — большие числа относительно гораздо проще обрабатывать. Для того чтобы справиться с разреженным спросом, Lokad использует вероятностное прогнозирование. Вероятностные прогнозы присваивают вероятность каждому дискретному событию, например, вероятность продажи 0 единиц, 1 единицы, 2 единиц и т.д. Вероятности устраняют целые классы проблем, связанных с дробными значениями спроса, как это обычно наблюдается в традиционных методах цепочки поставок.

В основе, вероятности для короткого ряда дискретных возможностей представлены в виде гистограмм (или аналогичных структур данных). Эти структуры данных очень компактны и, следовательно, требуют небольших вычислительных затрат. Однако при работе с разреженным спросом наивная реализация таких структур данных (например, одно ведро для каждой единицы спроса) становится крайне неэффективной, когда сталкиваются с неразреженным распределением спроса, включающим тысячи единиц за период.

Таким образом, Lokad разработал специальные структуры данных, такие как Ranvar (см. ниже), которые гарантируют постоянное время и постоянные затраты памяти для алгебраических операций с вероятностными распределениями. Ranvar элегантно аппроксимирует исходное вероятностное распределение, когда числа становятся большими, при этом потеря точности оказывается несущественной с точки зрения цепочки поставок. Структуры данных, подобные Ranvar, в значительной степени устраняют необходимость изолировать и фокусироваться на разреженном спросе, сохраняя при этом все желательные образцы малых целых чисел при работе с разреженным спросом.

Смотрите нашу публичную видеолекцию Вероятностное прогнозирование для цепочки поставок и нашу публичную документацию Ranvars и Zedfuncs для подробностей по этому вопросу.

1.11 Прогнозируете ли вы в различных единицах (штука, цена, коробка, вес и т.д.)?

Да, платформа Lokad является программируемой. Мы можем пересчитать наши прогнозы в любую желаемую единицу измерения. Более того, мы можем учитывать ситуации, когда используются несколько единиц измерения. Например, контейнеры ограничены как по весу, так и по объему. Таким образом, прогнозирование будущего использования контейнеров может требовать учета обоих этих ограничений для правильной оценки того, сколько контейнеров может понадобиться.

1.12 Поддерживаете ли вы несколько алгоритмов прогнозирования (например, линейную регрессию, экспоненциальное сглаживание, скользящую среднюю, ARIMA и т.д.)?

Да. Платформа Lokad является программируемой, поэтому мы можем поддерживать все классические модели прогнозирования (такие, как перечисленные в вопросе).

Важно отметить, что большинство «классических» моделей прогнозирования (например, линейная регрессия, экспоненциальное сглаживание, скользящая средняя, ARIMA и т.д.) уже не считаются передовыми и не проявляют себя как лучшие в публичных конкурсах прогнозирования. В частности, большинство этих моделей показывают неудовлетворительные результаты при учете обычных сложностей, встречающихся в ситуациях цепочки поставок (например, отсутствие запасов, каннибализация, квазисезонные события, такие как Китайский Новый год и т.д.).

Обычно специалисты Lokad по цепочке поставок разрабатывают индивидуальный числовой алгоритм для удовлетворения прогнозных потребностей клиентской компании. Наш специалист по цепочке поставок прогнозирует не только необходимый спрос, но и все другие неопределенные факторы цепочки поставок, такие как время выполнения заказа, возвраты, уровень брака, цены конкурентов и т.д. Кроме того, алгоритм(ы) прогнозирования должен(ы) быть адаптирован(ы) для использования доступных данных, одновременно уменьшая искажения данных, присущие операциям цепочки поставок (например, спрос часто восстанавливается после завершения события отсутствия запасов).

Смотрите нашу публичную видеолекцию Первое место на уровне SKU в соревновании M5 по прогнозированию для подробностей о достоверности прогнозов Lokad.

1.13 На каком уровне детализации возвращается прогноз?

Lokad может работать с любым уровнем детализации в прогнозах. Это означает, что мы можем прогнозировать с наивысшей дисагрегацией, например, до уровня SKU или даже прогнозировать спрос по клиентам для каждого SKU (если это имеет смысл), а также составлять прогнозы на уровень всей компании.

Поскольку прогнозы являются числовыми артефактами, предназначенными для поддержки принятия оптимизированных решений в цепочке поставок, специалисты Lokad по цепочке поставок корректируют уровень детализации прогнозов так, чтобы он точно соответствовал решениям, которые требуется поддержать. В частности, если требуется поддерживать несколько решений для цепочки поставок, то обычно существует несколько уровней детализации прогнозов.

Однако Lokad идет дальше, чем просто адаптация уровня детализации прогноза (т.е. выбор определенного уровня в заданной иерархии). Мы корректируем всю перспективу прогнозирования, чтобы она лучше отражала конкретную задачу. Например, для B2B-ритейлера может иметь смысл прогнозировать отток клиентов, поскольку запасы клиента (обеспечивающие стабильный спрос на конкретный SKU) могут внезапно превратиться в неактуальные запасы. Это может произойти, если весь (или большая часть) спроса поступает от одного большого клиента, который внезапно прекратил сотрудничество. Lokad способен прогнозировать вероятности оттока наряду со спросом на конкретный SKU. Затем мы можем комбинировать оба прогноза по мере необходимости для оптимизации соответствующих решений по управлению запасами.

1.14 Можете ли вы генерировать количественные прогнозы, используя еженедельные данные о продажах?

Да. Наши возможности прогнозирования очень гибки. Мы можем, например, работать с еженедельными данными о продажах вместо необработанных транзакционных данных (что является нашим предпочтением).

Стоит отметить, что преобразование транзакционных данных в еженедельный временной ряд является процессом с потерями, то есть критически важная информация может быть утрачена в этом процессе. Однажды потерянная, эта информация не может быть восстановлена, независимо от того, насколько продвинутой может быть модель прогнозирования.

Например, представьте себе магазин DIY, продающий выключатели света. Этот магазин наблюдает в среднем 1 единицу спроса в день для конкретного SKU в магазине, пополняемом каждый день недели. Если основная часть спроса исходит от покупателей, приобретающих по 1 единице за раз, тогда 4 единицы на складе, вероятно, обеспечат достойный уровень обслуживания. Однако, если основная часть спроса исходит от покупателей, обычно приобретающих по полдюжины единиц за раз (при среднем показателе 1 клиент в неделю), то 4 единицы на складе соответствуют ужасному уровню обслуживания.

Это демонстрирует проблему произвольной агрегации. Как только данные о продажах агрегируются по неделям, разница между описанными выше двумя ситуациями теряется. Именно поэтому Lokad предпочитает работать с необработанными транзакционными данными, когда это возможно.

1.15 Генерируете ли вы дневной (или внутридневной) прогноз на основе дневной истории или применяете дневные модели к еженедельному статистическому прогнозу?

Когда доступны дневные исторические данные (или, что еще лучше, данные на уровне транзакций), мы обычно совместно анализируем все соответствующие цикличности — день недели, неделя месяца, неделя года — для улучшения точности прогнозов. С помощью платформы Lokad очень просто включать (или исключать) любую заданную цикличность или квазицикличность (например, Пасху, Китайский Новый год, Рамадан и т.д.).

Иерархическая декомпозиция, которая отделяет цикличность дня недели от цикличности недели года, может использоваться Lokad, а может и не использоваться. Однако наша платформа поддерживает оба варианта. Этот вопрос (разбирать или не разбирать) не ограничивается только цикличностями, и аналогичные вопросы должны решаться для всех остальных паттернов.

Выбор наиболее подходящей модели остается за специалистами Lokad по цепочке поставок. Их выбор основан на тщательном анализе специфических паттернов, наблюдаемых в рассматриваемой цепочке поставок.

1.16 Автоматически ли вы корректируете прогноз в течение дня (или недели) на основе фактических продаж в сравнении с ожидаемыми продажами?

Lokad обновляет свои предиктивные модели ежедневно, чтобы исправлять любые ошибки, вызванные неправильным вводом данных, что обеспечивает точность и актуальность прогнозов. Этот подход противодействует числовым нестабильностям в старых технологиях, используя стабильные и точные модели для предотвращения непредсказуемых изменений прогноза и улучшения решений в цепочке поставок.

Как общее правило, Lokad обновляет (переобучает) все свои предиктивные модели каждый раз, когда мы получаем свежую пачку исторических данных. Для большинства наших клиентов это происходит раз в день. Самая важная причина этого — убедиться, что неверные записи данных, которые уже были исправлены, не остаются из-за сохранения «сломанных» прогнозов, созданных в прошлом (на основе этих неправильных записей). Функциональность Lokad делает ежедневное обновление предиктивных моделей не проблемой, даже если речь идет о очень больших цепочках поставок.

С другой стороны, некоторые устаревшие технологии прогнозирования страдают от числовой нестабильности. В результате специалисты по цепочке поставок могут опасаться системы, которая обновляется слишком часто, так как, по их опыту, это приводит к непредсказуемому поведению прогнозов. С точки зрения Lokad, предиктивная модель, которая непредсказуемо «перескакивает» из-за поступления ежедневных приростов данных, на самом деле является дефектной моделью, требующей исправления. Откладывать обновления для смягчения проблемы нельзя считать разумным решением, так как точность прогноза страдает из-за невнимания к последним событиям.

Lokad решает эту проблему, применяя классы предиктивных моделей, обладающих свойствами, заложенными в их конструкции с точки зрения числовой стабильности. Дифференцируемое программирование особенно эффективно при разработке моделей, которые одновременно очень стабильны и очень точны.

Смотрите Обновлять всё каждый день для подробностей по этому вопросу.

1.17 Как вы устанавливаете уровень уверенности в том, что фактический уровень продаж сохранится в будущем?

Мы используем вероятностное прогнозирование и стохастическую оптимизацию для оценки всех потенциальных исходов и их вероятностей, что позволяет принимать решения в цепочке поставок с учетом рисков. Каждый потенциальный исход имеет доверительный интервал, который можно использовать для выражения уровней уверенности.

Когда используются вероятностные прогнозы, как рекомендует Lokad, всем возможным будущим присваивается оценочная вероятность. В свою очередь, доверительные интервалы можно легко получить из вероятностного прогноза. Доверительные интервалы можно использовать для установления «уровня уверенности» в зависимости от определенной степени риска (например, сценарий худших 5% против худших 1%).

Однако скрытое предположение, лежащее в основе «уровней уверенности», состоит в том, что решение по цепочке поставок зависит от исходного(ых) прогноза(ов). Перспектива вероятностного прогнозирования полностью меняет наш подход к вопросу точности (неточности) прогнозов. Когда доступны вероятностные прогнозы, решения по цепочке поставок (например, заказ на покупку) могут внезапно извлечь выгоду из оптимизации с учетом риска. Другими словами, решение может быть оптимизировано для всех возможных будущих исходов и их соответствующих вероятностей, а каждое решение ранжируется с точки зрения их финансового воздействия.

Технический термин для этой «оптимизации в условиях неопределенности» — стохастическая оптимизация. Lokad предоставляет как вероятностное прогнозирование, так и стохастическую оптимизацию.

1.18 Можете ли вы комбинировать несколько алгоритмов прогнозирования?

Да, хотя мы перестали рекомендовать эту практику примерно десятилетие назад. Комбинирование нескольких алгоритмов прогнозирования (так называемых «метамоделей») в производственной среде, как правило, приводит к субоптимальным решениям в цепочке поставок — именно поэтому мы не рекомендуем этот подход.

Комбинирование нескольких моделей прогнозирования является одним из самых простых способов улучшить синтетические результаты, обычно получаемые с помощью бэктестинга. Однако эта «мета-модель» (результат объединения нескольких базовых моделей прогнозирования) обычно нестабильна, так как она постоянно «перескакивает» с одной модели на другую. В результате специалисты по цепочке поставок регулярно испытывают замешательство из-за внезапных отклонений или «смены мнения» метамодели. Еще хуже то, что метамодели по своей природе довольно непрозрачны, поскольку они представляют собой смесь нескольких моделей. Даже когда базовые модели просты, метамодель, полученная в результате их смешивания, не является простой.

Таким образом, любая «дополнительная точность», полученная за счет использования метамоделей в тестах (то есть «синтетических результатов»), неизбежно теряется в производстве (то есть в реальных сценариях) из-за вторичных эффектов, таких как повышенная нестабильность и увеличенная непрозрачность прогнозов.

1.19 Автоматически ли вы выбираете наиболее подходящую модель для прогнозов?

Да, Lokad предоставляет единственную, эффективную предиктивную модель для прогнозирования в цепочке поставок. Мы избегаем «метамоделей» из-за их плохой производительности в реальных условиях и их непрозрачности.

Специалисты Lokad по цепочке поставок Supply Chain Scientists предоставляют каждому клиенту единственную предиктивную модель, а не комбинацию различных алгоритмов, конкурирующих за выбор, как это происходит в подходе «метамоделей». Этот подход был отменен Lokad примерно десятилетие назад.

Стоит отметить, что на техническом уровне Lokad не имеет проблем с организацией «внутреннего соревнования» моделей прогнозирования — то есть пула моделей, из которого автоматически выбирается лучшая по мере необходимости. Такой подход технически прост. Причина, по которой Lokad избегает этой практики, заключается в том, что преимущества, связанные с метамоделями, являются синтетическими (то есть видимыми в тестах) и не переносятся в реальные сценарии цепочки поставок. Наш опыт показывает, что метамодели неизбежно работают хуже, чем их некомпозитные аналоги.

Мета-модели в первую очередь отражают устаревшие технологии прогнозирования, где собирается совокупность дефектных моделей: первая модель не справляется с сезонностью; вторая — с короткими временными рядами; третья — с непредсказуемыми временными рядами и т.д. Создание метамодели создает иллюзию, что модель сгладила свои составляющие дефекты, однако дефекты каждой модели регулярно возобновляются, поскольку логика выбора модели имеет свои ограничения. Хуже того, метамодели обычно подрывают доверие специалистов по цепочке поставок, так как этот дизайн по своей сути «непрозрачен».

Именно поэтому подход Lokad заключается в создании предиктивной модели, которая проста настолько, насколько это возможно, но не проще. При разработке с использованием подходящих вспомогательных технологий, таких как дифференцируемое программирование, эта единственная модель охватывает весь масштаб цепочки поставок для клиентской компании, без необходимости прибегать к смеси моделей.

Смотрите также Алгоритмы и модели прогнозирования 1.18 в этом FAQ.

1.20 Можете ли вы проводить турниры по прогнозированию с автоматическим выбором лучшей модели с оптимальной параметризацией? Делаете ли вы это с помощью машинного обучения?

Да. Lokad может это сделать, хотя мы не рекомендуем этот подход. Комбинирование моделей с помощью машинного обучения (для создания «метамоделей») не приносит пользы в производственной среде. Вместо этого мы поддерживаем подход с одной моделью.

Примерно десятилетие назад мы использовали метамодели для прогнозирования. Мета-модели — это модели, представляющие собой комбинацию других моделей и/или выборку из других моделей. Смешивание и/или выбор базовых моделей также осуществлялись с применением методов машинного обучения — обычно случайных лесов и градиентного бустинга.

Однако, несмотря на улучшение синтетических результатов посредством бенчмаркинга (обычно проводимого с использованием бэктестинга), подход метамоделирования неизбежно ухудшает реальные результаты для клиента. Автоматический выбор модели приводит к непредсказуемым «скачкам» прогнозирования, когда метамодель переходит от одной модели к другой. Применение методов машинного обучения для выбора модели также имеет тенденцию усугублять это поведение, делая переходы ещё более непредсказуемыми.

Таким образом, хотя платформа Lokad поддерживает соревнования по прогнозированию, мы не рекомендуем использовать такие подходы в производственных целях. В частности, недавние конкурсы прогнозирования показывают, что единая унифицированная модель превосходит более сложные метамодели, как это проиллюстрировано фактом, что Lokad занял первое место на уровне SKU в мировом конкурсе с участием набора данных Walmart (см. ниже).

См. также Алгоритмы и модели прогнозирования 1.18 в этом FAQ.

1.21 Как вы обеспечиваете использование более детальной информации для каждого товара/магазина, избегая при этом шума и переобучения модели?

Lokad использует дифференцируемое программирование для повышения точности прогнозирования — подход, который позволяет адаптировать модели к конкретным структурам данных и контролировать переобучение посредством регулирования выразительности модели. Этот подход эффективно решает проблему «закона малых чисел», включая минимальное (но жизненно важное) экспертное руководство для оптимизации эффективности использования данных.

Проблемы шума и переобучения являются основными причинами, по которым Lokad использует дифференцируемое программирование в прогнозировании. Благодаря дифференцируемому программированию специалисты по цепочкам поставок Lokad имеют полный контроль над структурой модели. Дифференцируемое программирование позволяет им создавать модель, которая учитывает входные данные (включая их взаимосвязи). Более того, оно позволяет ограничивать выразительность модели, чтобы держать переобучение под контролем.

Дифференцируемое программирование стало прорывом для Lokad в решении проблемы «закона малых чисел», который определяет работу цепочек поставок — т.е. прогнозы всегда должны выполняться с уровнем детализации, соответствующим решениям в цепочке поставок, например, «по SKU за день». Однако при этом модели прогнозирования сталкиваются с ситуациями, когда количество релевантных данных исчисляется однозначными числами.

Прорыв дифференцируемого программирования заключается в том, что он позволяет специалисту по цепочке поставок (обычно сотруднику Lokad, но возможно и компании-клиенту) внедрить некоторое высокоуровневое априорное знание в предиктивную модель (например, выбор соответствующих цикличностей), чтобы максимально использовать крайне ограниченное количество доступных данных. В отличие от «экспертных систем» 1980-х годов, дифференцируемое программирование требует крайне ограниченного руководства со стороны эксперта — и этого небольшого руководства бывает достаточно для повышения эффективности использования данных.

2. Управление прогнозированием и корректировки

2.1 Могут ли пользователи визуализировать прогнозы? Могут ли они агрегировать прогнозы на разных уровнях (например, склад, магазин, торговая точка)?

Краткое содержание: Да, платформа Lokad предлагает надежную визуализацию данных (в режиме постоянного времени) для анализа и агрегации прогнозов на любом желаемом уровне.

Платформа Lokad предоставляет обширные возможности визуализации данных, которые можно использовать для анализа прогнозов временных рядов. В частности, очень просто агрегировать прогнозы согласно любой иерархии (например, по местоположениям, регионам, категориям товаров и т.д.) и с любой степенью детализации (например, день, неделя, месяц и т.д.). Более того, платформа обеспечивает отображение этих отчетов за постоянное время, то есть они рендерятся за менее чем 500 миллисекунд — при условии, что у конечного пользователя достаточно пропускной способности для загрузки отчета в этот интервал.

Однако этот вопрос подразумевает, что речь идет о точечных прогнозах временных рядов (так называемых классических прогнозах спроса). Хотя платформа Lokad действительно поддерживает точечные прогнозы временных рядов, эти прогнозы на сегодняшний день устарели по двум причинам.

Во-первых, точечкие прогнозы представляют собой одно будущее значение, как если бы это было ЕДИНСТВЕННОЕ будущее (то есть точное предсказание того, что произойдет). В этом отношении они рассматривают будущее как симметричное прошлому. Однако неопределенность будущего остается непреодолимой, и будущее, с точки зрения цепочки поставок, а не физики, не является зеркальным отображением прошлого. По этой причине следует отдавать предпочтение вероятностным прогнозам — подходу, который рассматривает ВСЕ возможные будущие исходы (например, значения спроса) и приписывает каждому из них вероятность. С точки зрения управления рисками это обеспечивает гораздо более надежную защиту от непреодолимой неопределенности будущего.

Однако, хотя вероятностные прогнозы могут быть представлены на любых уровнях (например, склад, магазин, продукт и т.д.), они не являются аддитивными, по крайней мере, не в обычном понимании этого термина. Таким образом, хотя платформа Lokad предоставляет все необходимые возможности визуализации данных для наших прогнозов, эти возможности обычно не соответствуют ожиданиям специалистов по цепочкам поставок (по крайней мере, тех, кто не имеет опыта работы с вероятностным прогнозированием).

Во-вторых, модели прогнозирования временных рядов часто оказываются неподходящими, поскольку взгляд на данные во временных рядах является упрощённым и не отражает суть бизнеса. Например, B2B-ритейлер может иметь сочетание двух типов заказов: небольших заказов, которые клиенты ожидают получить из существующих запасов, и крупных заказов, размещаемых за месяцы до исполнения, которые клиенты ожидают получить вовремя — именно потому, что заказ оформлен с большим запасом времени. Этот, хоть и базовый, сценарий не может быть охвачен прогнозом временных рядов. Кроме того, к паттернам, не подходящим для прогнозов временных рядов, относятся истечение срока годности, каннибализация, замены, изменения цен конкурентов и т.д.

В целом, прогнозы временных рядов удобны для визуализации. Однако, как правило, в Lokad основная модель прогнозирования не является моделью временных рядов — даже если конечные данные визуализируются в виде временной последовательности для удобства.

2.2 Какие аспекты прогнозирования должны обрабатываться экспертами, а какие — системой/машиной?

Эксперты должны сосредоточиться на высокоуровневой структуре предиктивной модели (например, на структурных взаимосвязях входных данных, ключевых структурных допущениях относительно этих данных и т.д.). Не предполагается, что эксперты будут заниматься микроменеджментом (например, ручным переопределением) самих прогнозов.

Учитывая, что Lokad использует современные технологии прогнозирования — дифференцируемое программирование — наши специалисты по цепочке поставок почти исключительно сосредоточены на «высокоуровневой структуре» предиктивной модели. Это противопоставляется старым технологиям (ныне устаревшим), которые обычно требовали от эксперта микроменеджмента прогнозов с предоставлением корректирующих рекомендаций для всех крайних случаев, представленных моделями. К сожалению, такие устаревшие подходы неизменно оказывались слишком утомительными для специалистов в долгосрочной перспективе. В результате компании, использующие их, обычно утрачивали своих экспертов и вынуждены были возвращаться к использованию электронных таблиц.

В отличие от этого, высокоуровневая структура предиктивной модели может быть выражена лаконично, обычно в не более чем 100 строках кода. Такая краткость характерна даже для очень сложных цепочек поставок. Высокоуровневая структура отражает суть человеческого понимания задачи прогнозирования. Между тем, процессы, отвечающие за «обучение» параметров модели, остаются полностью автоматизированными. Это достигается за счёт использования входных данных (как правило, исторических) и некоторых других источников данных (например, предстоящих маркетинговых кампаний).

2.3 Можно ли вручную корректировать/заменять прогнозы?

Краткое содержание: Да. Хотя платформа Lokad поддерживает ручные корректировки прогнозов, это не требуется, поскольку вероятностные прогнозы разработаны с учётом риска и неопределённости — именно эти принципы обычно лежат в основе ручного переопределения.

Платформа Lokad предлагает обширные программные возможности, поэтому поддержка редактирования для любого процесса прогнозирования осуществляется без труда. Однако необходимость ручной корректировки прогнозов прежде всего отражает ограничения устаревших технологий прогнозирования. Применение передового вероятностного прогнозирования в Lokad во многом устраняет необходимость микроменеджмента прогнозов. Фактически, в Lokad потребность в таком микроменеджменте исчезла ещё десятилетие назад.

Ручные корректировки прогнозов обычно предназначены как косвенный способ снижения рисков. Специалист по цепочке поставок не ожидает, что прогноз станет статистически более точным, а скорее рассчитывает, что решения, основанные на скорректированном прогнозе, будут менее рискованными (то есть менее затратными для компании). Однако при использовании вероятностных прогнозов решения по цепочке поставок (сгенерированные Lokad) уже учитывают риск. Таким образом, нет смысла пытаться корректировать вероятностный прогноз для снижения риска, поскольку сами решения изначально рассчитаны с учетом риска.

Кроме того, ручные корректировки прогнозов часто предназначены для смягчения ситуаций высокой неопределенности. Однако вероятностные прогнозы разработаны так, чтобы охватывать и количественно оценивать неопределенность. Таким образом, вероятностные прогнозы уже отражают области высокой неопределенности, и решения с учетом риска принимаются соответственно.

В сущности, нет смысла пытаться вручную исправлять «неверные» прогнозы. Если доказано, что прогнозы менее точны, чем ожидалось, то необходимо исправить числовой алгоритм, генерирующий прогнозы. Если прогнозы модифицируются по причинам, не связанным с точностью, то следует скорректировать последующие расчеты. В любом случае, ручная корректировка прогнозов является устаревшей практикой, не имеющей места в современной цепочке поставок.

2.4 Можно ли интегрировать алгоритмы прогнозирования, созданные пользователем?

Да. Lokad позволяет интегрировать алгоритмы прогнозирования, созданные пользователем, через Envision — наш специализированный язык программирования (DSL). Этот гибкий, настраиваемый и масштабируемый DSL может поддерживать как основные, так и продвинутые алгоритмы и методики прогнозирования по мере необходимости.

Платформа Lokad является программной, что является первостепенной задачей в нашей технологии и реализуется через Envision — DSL (специализированный язык программирования), разработанный Lokad для предиктивной оптимизации цепочек поставок. С помощью Envision можно повторно реализовать все основные алгоритмы прогнозирования (и их варианты). Кроме того, Envision поддерживает также ряд ещё не ставших основными алгоритмов прогнозирования, в том числе победивших на конкурсах методов, основанных на дифференцируемом программировании и вероятностном прогнозировании (см. ниже).

Интеграция таких алгоритмов, созданных пользователем, в Lokad не должна восприниматься как «кастомизация» продукта Lokad. С точки зрения Lokad, использование специализированных алгоритмов является нормальным способом применения наших услуг. Платформа Lokad предоставляет безопасное, надежное и масштабируемое окружение для выполнения таких алгоритмов. Реализация этих алгоритмов (обычно называемых «числовыми рецептами») обычно выполняется специалистами по цепочке поставок Lokad. Однако, если в компании-клиенте имеются внутренние специалисты по анализу данных, то они также могут использовать платформу Lokad для этой цели.

Более того, платформа Lokad предоставляет полноценную интегрированную среду разработки (IDE) для создания таких алгоритмов, разработанных пользователем. Эта возможность имеет решающее значение для того, чтобы алгоритмы разрабатывались в окружении, строго соответствующем производственному — как с точки зрения входных данных, так и возможностей времени выполнения. В Lokad, как только доработанный алгоритм прогнозирования оказывается удовлетворительным (и, как правило, превосходит предыдущую итерацию), он может быть переведен в производство за считанные минуты. Кроме того, платформа Lokad предоставляет обширные гарантии «по замыслу», полностью исключающие определённые классы проблем при переходе алгоритмов из прототипа в боевой режим.

См. Первое место на уровне SKU в соревновании по прогнозированию M5 для получения дополнительной информации о методах прогнозирования Lokad.

2.5 Как вы объясняете, что делает решение для получения прогноза или закупочного заказа, чтобы пользователь мог понять, проанализировать и объяснить это другим заинтересованным сторонам в бизнесе?

Платформа Lokad использует гибкий специализированный язык программирования (Envision), который позволяет создавать интуитивно понятные панели для демонстрации ключевых метрик и принятия решений для клиента. Эти панели создаются в сотрудничестве с клиентами таким образом, чтобы они могли быстро и удобно разобраться в представленной информации. Для более сложных вопросов специалисты по цепочке поставок Lokad отвечают за разработку и объяснение алгоритмов («числовых рецептов» — то, что генерирует прогнозы и решения для цепочек поставок) и их результатов клиентам. Эти эксперты обучены предоставлять актуальные бизнес-, экономические и аналитические сведения, чтобы помочь клиентам понять, что происходит «за кулисами».

Специалист по цепочке поставок, работающий в Lokad, — это тот, кто пишет числовой рецепт (алгоритм), поддерживающий предиктивную модель (а следовательно, и процесс принятия решений). Этот специалист лично отвечает за обоснование и объяснение адекватности прогнозов и всех решений, генерируемых числовым рецептом.

Таким образом, хотя ситуации варьируются от одной клиентской компании к другой, каждой ситуации соответствует свой человеческий помощник (Специалист по цепочке поставок). За прогноз или решение отвечает не безличная «система», а набор числовых рецептов, находящихся под непосредственным контролем именованного специалиста по цепочке поставок. Эта ответственность включает «открытие» числовых рецептов, т.е. обеспечение доступа к их результатам и их понятности для заинтересованных сторон.

Чтобы поддержать этот процесс, наши специалисты по цепочке поставок используют такие инструменты, как обратное тестирование, для поддержки и демонстрации своего анализа. Однако, и что еще важнее, они принимают обоснованные решения относительно предположений, заложенных в их числовые рецепты (такие как соответствующие ограничения и движущие силы). В конечном итоге «адекватность» числового рецепта зависит от того, отражает ли он намерения бизнеса, и это то, что специалист по цепочке поставок определяет посредством тщательного изучения ситуации в цепочке поставок клиента (а также консультаций с клиентом).

Посмотрите наше видео демонстрационного аккаунта для обзора того, как Lokad подготавливает данные и визуализирует результаты для клиентов.

2.6 Можно ли разделить прогноз на комплектные позиции и спецификации (Bills of Materials)?

Да, Lokad способен предоставлять прогнозы на любом уровне. Это возможно благодаря обширным программным возможностям нашего вероятностного моделирования. Мы можем разделить прогноз между комплектными позициями и спецификациями, а также справляться с ситуациями, когда товары могут как использоваться в составе спецификаций, так и продаваться отдельно.

Кроме того, когда присутствуют спецификации (Bills of Materials), мы не только прогнозируем спрос на внутренние компоненты, но и оптимизируем решения в цепочке поставок таким образом, чтобы учесть, что отдельные сборки конкурируют за одни и те же внутренние детали. То есть, речь идет о ситуациях, когда соответствующие спецификации пересекаются. Такая оптимизация может привести к отказу от продажи «одинокого» компонента, если его продажа может поставить под угрозу доступность более крупных и критически важных спецификаций.

2.7 Автоматически ли вы рекомендуете метапараметры для ваших алгоритмов прогнозирования?

Да. Стандартная практика в Lokad заключается в том, что прогностические модели должны работать полностью автономно. Специалисты по цепочке поставок Lokad отвечают за установку соответствующих метапараметров. Либо метапараметры настолько стабильны, что могут быть зашиты в код, либо числовой рецепт включает этап настройки, посвященный определению адекватного значения метапараметра. В любом случае алгоритм (также известный как «числовой рецепт») может выполняться автономно.

Lokad использует гораздо меньше метапараметров по сравнению с большинством конкурирующих решений. Это связано с тем, что дифференцируемое программирование, которое Lokad предпочитает в этом вопросе, представляет собой общий парадигму подбора параметров. Таким образом, когда дифференцируемое программирование доступно, большинство параметров обучаются. Технология чрезвычайно мощна, когда речь идет об обучении самых разных параметров, а не только «традиционных» (например, коэффициентов сезонности).

В итоге, с точки зрения Lokad, большинство значений, которые наши коллеги могли бы считать «метапараметрами», являются просто «обычными параметрами», не требующими особого внимания. Как правило, большинство прогностических моделей, используемых Lokad в производстве, имеют очень мало метапараметров (менее 10). Обычно от наших клиентов не ожидается тонкая настройка этих чисел, так как за это отвечают наши специалисты по цепочке поставок.

2.8 Может ли продукт корректировать прогнозы с помощью причинных переменных?

Да.

Это одно из ключевых преимуществ дифференцируемого программирования — технологического подхода, который Lokad предпочитает для прогностического моделирования. Дифференцируемое программирование — это программная парадигма, поэтому включение объясняющей переменной является само собой разумеющимся. Более того, механизм причинности воплощается в модели; он имеет свои «именованные» параметры. Таким образом, прогнозы используют причинную переменную, причем это делается таким образом, что могут быть проведены аудиты и исследования специалистами по цепочке поставок.

Например, когда розничная цена используется в качестве причинной переменной, точный отклик спроса, связанный с изменениями цен, может быть представлен в виде графика и исследован. Этот результат сам по себе может представлять первостепенный интерес для компании. Если компания является сетью розничных магазинов, это можно использовать для управления мероприятиями по распродаже товаров в магазинах, которые наиболее сильно реагируют на скидки. Это может сократить общий объем скидок, необходимых для полной распродажи устаревших запасов.

2.9 Способен ли продукт на эксперименты с прогнозированием и разработку алгоритмов и/или их настройку?

Да. Наши специалисты по цепочке поставок регулярно экспериментируют с прогностическими моделями, что позволяет разрабатывать новые алгоритмы и дополнительно адаптировать устаревшие. Это возможно, поскольку платформа Lokad является программируемой и оснащена гибким специализированным языком программирования (DSL) под названием Envision, который был разработан специально для прогностической оптимизации цепочки поставок.

С точки зрения Lokad, эксперименты и настройка прогностических моделей не являются обходным решением для преодоления ограничений технологии прогнозирования. Напротив, это изначально предполагаемый способ использования решения Lokad. Такой подход обеспечивает не только более высокую точность прогнозов, но и результаты, которые являются гораздо более «готовыми к производству», чем альтернативные «упакованные» подходы.

Мы не жалуемся на «плохие данные»; данные есть данные. Наши специалисты по цепочке поставок максимально используют доступную информацию. Они также оценивают в евро или долларах (или в любой другой желаемой валюте) преимущества улучшения данных, чтобы компания могла определить, какие улучшения данных приносят наибольшую отдачу. Улучшение данных — это средство, а не цель. Наши специалисты по цепочке поставок дают рекомендации, когда дополнительные инвестиции просто не оправдываются ожидаемыми выгодами для цепочки поставок.

2.10 Возможно ли провести итерации и доработать инженерные признаки, лежащие в основе прогнозирования?

Да.

Специалисты по цепочке поставок Lokad регулярно корректируют признаки, используемые в прогностической модели. Это возможно, поскольку платформа Lokad является программируемой и оснащена гибким DSL (специализированным языком программирования) под названием Envision, который был разработан специально для прогностической оптимизации цепочки поставок.

Следует отметить, однако, что за последнее десятилетие инженерия признаков (как метод моделирования) утратила свою популярность. Фактически, её постепенно заменяет инженерия архитектуры модели. Иными словами, вместо того чтобы менять признаки для лучшего соответствия модели, модель изменяется для лучшего соответствия признакам. Дифференцируемое программирование, предпочтительный подход Lokad для прогностического моделирования, поддерживает как инженерию признаков, так и инженерию архитектуры. Однако последнее, как правило, более применимо в большинстве ситуаций.

См. также Управление и корректировка прогноза 2.9 в этом FAQ.

3. Точность прогноза и оценка эффективности

3.1 Каково мнение вашей организации о точности прогноза и как следует оценивать эффективность прогноза?

Точность прогноза должна измеряться в долларах или евро (или в желаемой валюте клиента) с точки зрения воздействия. Речь идет о рентабельности инвестиций (ROI) решений, принятых на основе прогноза. Измерение процентных пунктов ошибки просто недостаточно. Точность прогноза должна также охватывать все области неопределенности, а не только будущий спрос, например, сроки поставок, возвраты, цены на сырье и т.д. Все эти факторы варьируются и требуют прогноза, как и будущий спрос.

Традиционные метрики, такие как MAPE (средняя абсолютная процентная ошибка), MAE (средняя абсолютная ошибка), MSE (средняя квадратичная ошибка) и т.д., являются техническими показателями, которые могут представлять некоторый интерес для специалиста по цепочке поставок, но, с точки зрения цепочки поставок, они по сути слепы и вводят в заблуждение. Подробности этого аргумента можно найти в публичной лекции Lokad по теме Экспериментальная оптимизация.

Таким образом, эти показатели не следует доводить до сведения всей организации, поскольку это только вызовет путаницу и разочарование. Напротив, обычно достаточно просто сделать прогноз более точным — в статистическом смысле — при этом ухудшая воспринимаемое качество обслуживания клиентов и повышая операционные расходы поставщиков (которые отвечают повышением цен).

Метрики прогноза имеют значение только там, где они способствуют принятию более выгодных решений в цепочке поставок. С точки зрения Lokad, внимание стоит уделять таким деталям, как генерация экономически обоснованных количеств для пополнения запасов, производственных заказов, отгрузок, цен и т.д. Все остальное, включая ошибку прогноза как самостоятельную величину, является второстепенным по отношению к основной задаче максимизации рентабельности инвестиций.

См. также Прогнозирование сроков поставки.

3.2 Как вы оцениваете эффективность прогноза по сравнению с фактическими продажами?

Если модель прогнозирует «продажи», то измерить точность «прогноза продаж» довольно просто: подойдет любой из обычных индикаторов, например, MAE (средняя абсолютная ошибка). Однако проблема в том, что большинство компаний хотят прогнозировать «спрос», а не продажи. Исторические данные о продажах являются несовершенным приближением исторического спроса. Отсутствие товара и акции (а возможно, и действия конкурентов) искажают исторические данные о продажах.

Таким образом, задача состоит в том, чтобы определить первоначальный «спрос», в то время как исторические данные отражают лишь фактические продажи. Для этого Lokad применяет различные методы. Действительно, характер искажения между наблюдаемыми продажами и скрытым спросом сильно варьируется в зависимости от типа рассматриваемого бизнеса. Каннибализация и замещения еще больше усложняют ситуацию.

Большинство методов Lokad отказываются от временных рядов, которые по своей природе не могут уловить необходимую информацию. Фактически, чаще всего данные о продажах «обогащаются» дополнительной информацией (например, событиями отсутствия товара), которую можно использовать для построения лучшей модели скрытого спроса. Однако эта дополнительная информация редко вписывается в (упрощенную) парадигму временных рядов. Предполагаемая сложность моделей временных рядов теряет значение, если необходимые данные существуют вне их рабочей парадигмы (то есть не могут быть зафиксированы или выражены ими).

См. Структурированное прогностическое моделирование для цепочки поставок для получения дополнительной информации по этому вопросу.

3.3 Предоставляете ли вы отчеты о точности прогноза? Даёте ли вы прогноз предполагаемой ошибки прогноза?

Краткое изложение: Да. Для удобства платформа Lokad может представлять свои вероятностные прогнозы (а значит, и ошибку) в виде наглядных графиков. Это реализовано в виде традиционного графика временных рядов, где ошибка прогноза («неопределенность») возрастает с увеличением горизонта прогноза. Этот график эффекта дробовика помогает визуализировать, как расширяется диапазон потенциальных значений (например, спрос) по мере заглядывания в будущее. Эти отчеты клиентам доступны в любое время через их аккаунт(ы) на платформе Lokad.

Половина задачи по повышению точности прогностической модели заключается в создании адекватных средств отчетности. Эта задача выполняется специалистами по цепочке поставок Lokad. Поскольку Lokad использует вероятностные прогнозы, предполагаемая ошибка, как правило, демонстрирует «эффект дробовика», при котором ожидаемая ошибка прогноза стабильно растет с увеличением горизонта прогноза. Эти отчеты доступны клиентской компании через платформу Lokad.

Однако в контексте вероятностного прогнозирования «точность прогноза» сводится во многом к технической детали второго плана. При таком подходе основная цель — принятие финансовых решений, скорректированных с учетом риска, которые учитывают всю совокупность экономических факторов и ограничений клиента, а также отражают высокую неопределенность будущих значений (таких как спрос или сроки поставок). Например, если неопределенность особенно велика, соответствующие решения, как правило, являются более консервативными. Таким образом, неразумно измерять точность вероятностного прогноза изолированно; вместо этого следует оценивать рентабельность инвестиций (ROI), связанную с решениями, принятыми с учетом риска на основе вероятностных прогнозов.

При классических прогнозах (также называемых детерминированными) почти каждая неточность прогноза приводит к дорогостоящим неверным решениям для клиента. Вот почему компании так настойчиво стремятся «исправить» свои прогнозы. Но, спустя пять десятилетий с момента появления современных статистических методов прогнозирования временных рядов, компании все еще далеки от «точных» прогнозов. В Lokad мы не считаем, что «суперточная» методика прогнозирования где-то на горизонте. Мы считаем, что неопределенность будущего в значительной мере неустранима. Однако, при комбинировании вероятностных прогнозов с решениями, скорректированными с учетом риска, негативные последствия высокой неопределенности значительно смягчаются.

В результате точность прогноза перестает представлять интерес для кого-либо, кроме технических специалистов, занимающихся самой прогностической моделью. Для остальной части организации значение данной проблемы уже не настолько критично.

3.4 Какой ожидается процент автоматизированных и точных прогнозов?

100%, если под «точными» понимать достаточность для принятия обоснованных решений в цепочке поставок. Это не означает, что каждый прогноз является прецизионным. Напротив, посредством вероятностного прогнозирования Lokad принимает неустранимую неопределенность будущего. Часто неопределенность велика, и, соответственно, вероятностные прогнозы оказываются очень размытыми. В результате решения, скорректированные с учетом риска, вырабатываемые на основе этих прогнозов, являются весьма осторожными.

В отличие от многих устаревших технологических решений, Lokad рассматривает каждый (вероятностный) прогноз, который не может быть использован в производстве, как программный дефект, который необходимо исправить. Наши специалисты по цепочке поставок обеспечивают исправление всех этих дефектов задолго до выхода в производство. Наш временной график для решения этого класса проблем обычно составляет до середины этапа внедрения.

С другой стороны, классические прогнозы (также называемые «детерминированными») неизменно приводят к хаосу, когда они оказываются неточными, потому что на их основе принимаются безумные решения в цепочке поставок. В отличие от них, вероятностные прогнозы включают собственную оценку ожидаемой неопределенности. Когда объемы спроса невелики и нестабильны, вероятностные прогнозы отражают высокую внутреннюю неопределенность ситуации. Расчет решений Lokad, скорректированных с учетом риска, во многом зависит от способности сначала оценить риски. Именно для этого и предназначены вероятностные прогнозы.

3.5 Можете ли вы отслеживать такие метрики, как MAPE (средняя абсолютная процентная ошибка), MPE (средняя процентная ошибка), MAE (средняя абсолютная ошибка) со временем?

Да.

Платформа Lokad является программируемой, и отслеживать все обычные метрики, такие как MAPE, MEP, MAE и т.д., очень просто. Мы также можем отслеживать и менее распространенные показатели, например, модифицированные варианты этих метрик, предпочитаемые компанией-клиентом. Например, «взвешенные» варианты, такие как взвешенный MAPE, взвешенный MAE и т.д., где схемы взвешивания зависят от конкретных бизнес-правил.

Lokad может собирать и консолидировать соответствующие/предпочтительные метрики с течением времени по мере создания новых прогнозов. Мы также можем повторно сформировать метрики, «проигрывая» исторические данные (то есть, проводя backtesting), если компания-клиент хочет оценить ожидаемую статистическую эффективность пересмотренной модели прогнозирования.

Однако, все вышеупомянутые метрики относятся к классическим прогнозам (также называемым детерминированными прогнозами). Детерминированные прогнозы следует считать устаревшими для целей цепочки поставок, поскольку они не предназначены (и не способны) учитывать неопределенность, связанную с будущими значениями (например, спросом или сроками поставок). Их цель — определить единственное возможное будущее значение, а не все вероятные будущие значения и их вероятности. По этой причине Lokad использует вероятностные прогнозы — подход, который количественно оценивает ту неопределенность, которую игнорируют прогнозы временных рядов.

3.6 Можете ли вы сравнивать несколько сценариев, используя пользовательские метрики (например, оборот, прибыль, затраты, риск и т.д.)?

Да.

Платформа Lokad является программируемой, поэтому она может внедрять сложные метрики, руководствуясь множеством бизнес-правил (например, пользовательскими метриками). Она также может вводить сложные альтернативные сценарии, в которых изменяется структура и/или мощности сети цепочки поставок (не ограничиваясь, например, искусственным увеличением или уменьшением спроса и сроков поставок). Это помогает Lokad совершенствовать управление рисками, стратегическое планирование и принятие решений, подготавливаясь к разнообразным потенциальным ситуациям и исходам цепочки поставок.

Стоит отметить, что типичные возможности управления «сценариями» устарели — с точки зрения Lokad. Поскольку Lokad использует вероятностные предиктивные модели, на самом деле каждое решение для цепочки поставок, которое мы генерируем, уже скорректировано с учетом риска. То есть, оно уже оптимизировано с учетом всех возможных будущих значений (например, спроса) и их вероятностей.

Таким образом, в Lokad «сценарии» не используются для оценки «будущих вариаций», поскольку эти вариации уже полностью интегрированы в базовый режим работы Lokad. Сценарии применяются для решения вопросов радикальных изменений, выходящих за рамки вариаций, обычно относящихся к тому, что специалисты называют «дизайном цепочки поставок», таким как изменение топологии сети, мощности сети, расположения поставщиков и т.д.

3.7 Отслеживаете ли вы точность прогноза и ошибку прогноза (а также другие метрики спроса) с различными заданными лагами?

Да. Lokad отслеживает ошибки прогнозирования с использованием множества метрик, включая измерение по горизонту/лагу. Lokad отслеживает точность прогнозов для всех моделей, включая спрос, сроки поставок, возвраты и т.д.

Качество всех предиктивных моделей зависит от горизонта. Как правило, чем дальше прогноз, тем выше неопределенность. Платформа Lokad разработана так, чтобы легко отслеживать широкий спектр метрик с учетом соответствующего горизонта/лага. Этот принцип применяется не только к прогнозам спроса, но и ко всем другим прогнозам, включая прогнозы сроков поставок, возвратов и т.д.

Также следует отметить, что вероятностные прогнозы дают прямую количественную оценку неопределенности, которая возрастает с горизонтом. Таким образом, рост ошибки, зависящий от горизонта, не только измеряется, но и прогнозируется. Поскольку решения цепочки поставок, оптимизированные Lokad, уже скорректированы с учетом риска, наши решения автоматически учитывают дополнительный риск, связанный с зависимостью от долгосрочных прогнозов (по сравнению с краткосрочными).

3.8 Можете ли вы агрегировать данные на уровне продукта/филиала для проверки статистического прогноза?

Да, Lokad отслеживает ошибки прогнозов и систематические отклонения на множественных уровнях, включая соответствующие иерархические уровни (например, по продукту, по филиалу, по категории, по региону, по бренду и т.д.), когда иерархии присутствуют. Технология дифференцируемого программирования Lokad даже позволяет нам уточнять прогнозы на заданном уровне детализации для минимизации ошибки или смещения, возникающих на другом уровне.

Более того, с точки зрения валидации, поскольку платформа Lokad является программируемой, исторические прогнозы можно реагрегировать любым образом, который сочтет подходящим компания-клиент. Аналогично, метрика, используемая для проверки агрегированных прогнозов, может отличаться от метрики для проверки разагрегированных прогнозов, если использование альтернативной метрики оказывается предпочтительным для компании-клиента.

4. Управление данными и очистка

4.1 Автоматически ли вы выявляете ошибки в данных?

Да. Специалисты по цепочке поставок Lokad тщательно создают панели «здоровья данных» для каждого проекта клиента. Эти панели разработаны для автоматического выявления любых проблем с данными. Более того, они определяют критичность проблемы(проблем) и ответственность за их устранение.

Критичность проблемы определяет, допустимо ли принимать решения по цепочке поставок на основе данных, в которых присутствует эта проблема. Иногда это означает ограничение допустимых решений до подсферы внутри компании-клиента, которая считается «безопасной» с точки зрения данной проблемы. На практике ожидать полностью безошибочный набор данных обычно нереально для крупной компании. Таким образом, оптимизация цепочки поставок должна уметь работать (до определенной степени) с несовершенными данными, если эти недостатки не ставят под угрозу обоснованность принимаемых решений.

Ответственность за проблему определяет, кто отвечает за её решение. В зависимости от типа проблемы, источник может находиться в различных частях компании-клиента. Например, усеченные исторические данные, скорее всего, являются проблемой для IT-отдела, в то время как отрицательные валовые маржи (то есть, когда цена продажи ниже закупочной цены) относятся к отделам закупок или продаж.

Выявление нетривиальных ошибок в данных — задача, требующая общего интеллекта и глубокого понимания интересующей цепочки поставок. Поэтому этот процесс пока не может быть автоматизирован; он выходит за рамки возможностей современных программных технологий. Однако, как только проблема выявлена, специалист по цепочке поставок может автоматизировать будущие обнаружения. На практике наши специалисты проактивно внедряют наиболее часто встречающиеся проблемы в начальную версию панелей «здоровья данных».

Смотрите Data Health в The Data Extraction Pipeline для получения дополнительной информации о состоянии данных.

4.2 Автоматически ли вы очищаете исторические данные?

Executive Summary: Да, в том смысле, что Lokad не ожидает от наших клиентов ручной предварительной обработки бизнес-данных перед их предоставлением. Более того, весь канал передачи данных (организованный между Lokad и каждым клиентом) работает автономно, и все процессы полностью автоматизированы.

Lokad редко «очищает» исторические данные; по крайней мере, не в обычном смысле. Существует довольно много устаревших технологий, которые требуют обширной подготовки («очистки») исторических данных для корректной работы. Например, старые системы временных рядов обычно ожидали, что падения спроса (недостаток запасов) и всплески спроса (промоакции) будут корректироваться для поддержания разумности прогнозов.

Это отражает ограничения подхода временных рядов. В результате исторические данные необходимо тщательно подготавливать, чтобы сделать их более пригодными (так или иначе) для дефектной системы (временных рядов). Называть этот процесс «очисткой данных» вводит в заблуждение, поскольку создается впечатление, что проблема в самих данных, в то время как коренной причиной является дефектный дизайн системы их обработки.

В отличие от этого, технология предиктивного моделирования Lokad значительно превосходит подход временных рядов. С помощью дифференцируемого программирования мы можем обрабатывать любые виды реляционных данных, а не быть ограниченными «временными рядами». Это означает, что все причинные факторы (например, ценообразование, запасы, события и т.д.), лежащие в основе как спроса, так и сроков поставок, явно учитываются в модели. Причинная интеграция значительно превосходит очистку данных — когда это применимо — поскольку очищенные данные нереальны (никто никогда не узнает наверняка, каким был бы спрос, если бы не возникла нехватка запасов).

Иногда бизнес-данным (историческим или текущим) требуются корректировки. Lokad стремится автоматически вносить эти корректировки всякий раз, когда это возможно, возможно с использованием методов машинного обучения в зависимости от сценария. Например, матрица механической совместимости между автомобилями и запчастями может быть автоматически улучшена с помощью метода полунадзорного обучения (см. Pricing Optimization for the Automotive Aftermarket).

4.3 Позволяете ли вы пользователям вручную очищать исторические данные?

Да, если клиент желает эту функциональность, Lokad может предоставить для этого соответствующий рабочий процесс. Однако мы, как правило, не рекомендуем конечным пользователям вручную очищать данные.

Другие программы и решения возлагают на конечных пользователей множество ручных задач. В отличие от них, специалисты по цепочке поставок Lokad разрабатывают комплексные алгоритмы («числовые рецепты»), которые работают с данными такими, какие они есть. Для нас ручная очистка данных клиентом является исключением, а не правилом.

Смотрите также Data Management and Cleansing 4.2 в этом FAQ.

4.4 Как будут очищаться, управляться и поддерживаться данные, чтобы избежать ненужных ошибок модели?

Специалисты по цепочке поставок Lokad отвечают за настройку канала передачи данных. Данные должны быть подготовлены, но самое главное — предиктивные модели должны быть спроектированы так, чтобы соответствовать данным в их нынешнем виде. Специалист по цепочке поставок внедряет инструменты (например, специальные панели), чтобы контролировать исходные необработанные данные и подготовленные данные, обеспечивая обоснованность решений цепочки поставок, генерируемых Lokad.

Многие альтернативные решения рассматривают проблему исключительно через призму подготовки данных, где любой некорректный результат должен быть исправлен путем корректировки входных данных. Такие решения не являются программируемыми, поэтому основная модель изменить нельзя — можно изменять только входные данные. Однако Lokad применяет иной технологический подход. Мы поддерживаем программируемую предиктивную технологию (с помощью дифференцируемого программирования). Таким образом, сталкиваясь с неправильными результатами (то есть плохими решениями для цепочки поставок), мы можем исправить либо входные данные, либо модели (либо и то, и другое).

Практически всегда именно сочетание двух корректировок — лучшей подготовки данных и их качественной обработки — приводит к удовлетворительным результатам, а пропуск одной из этих мер является рецептом для посредственных результатов.

Смотрите также Data Management and Cleansing 4.2 в этом FAQ.

Смотрите также The Data Extraction Pipeline для получения дополнительной информации об автоматизированной передаче данных между клиентами и Lokad.

4.5 Управляете ли вы основными данными (поддерживающими прогнозирование)?

Да, если это требуется компанией-клиентом.

Однако мы настоятельно не рекомендуем использовать платформу Lokad для этих целей. По нашему мнению, аналитические инструменты (такие как Lokad) должны быть строго отделены от инструментов ввода данных, таких как системы управления основными данными.

В качестве общего правила, чтобы избежать зависимости от поставщика, мы советуем избегать всеобъемлющих корпоративных программных решений. Требования к управлению основными данными совершенно отличаются от требований к предиктивной аналитике. Платформа Lokad может быть неплохим менеджером основных данных, но никогда не будет выдающейся (наша разработка слишком ориентирована на предиктивную аналитику для этого), и наоборот, большинство систем управления основными данными абсолютно не подходят для аналитики.

4.6 Могут ли пользователи загружать данные о продажах и маркетинге (включая будущие планы/инсайты)?

Да.

Платформа Lokad способна принимать и обрабатывать данные из множества источников, в различных форматах, включая Excel-таблицы. Наша платформа также может обрабатывать данные в том виде, в каком они хранятся в отделах продаж и маркетинга (то есть, на любом уровне детализации, на котором они представлены).

Команды продаж и маркетинга редко предоставляют данные, организованные на уровне SKU — или даже SKU x Локация, что является нашим предпочтительным уровнем детализации. Учитывая это ограничение, платформа Lokad разработана для использования входных данных (например, от продаж и маркетинга), которые имеют другой уровень детализации по сравнению с целевыми прогнозами (например, SKU x Локация).

4.7 Архивируете ли вы исторические данные спроса и прогнозы для анализа водопадного прогноза?

Да, мы обычно архивируем все прошлые прогнозы, включая спрос, сроки поставок, возвраты и т.д.

Мы разработали передовые методы сжатия, чтобы ограничить накладные расходы на хранение данных, связанные с крупномасштабными архивными стратегиями. Мы также реализовали общий дизайн, который гарантирует, что архивированные данные, даже в большом объеме, не будут мешать повседневной работе платформы (например, вычисления и отображение панелей не замедляются из-за архивирования данных).

Конструкция платформы Lokad значительно отличается от альтернативных решений, которые сильно страдают с точки зрения затрат или производительности (или и того, и другого) при реализации обширных архивных стратегий. Хотя такие альтернативные решения номинально предлагают обширные архивные возможности, на практике такие архивы значительно сокращаются, чтобы система продолжала работать. Это не относится к Lokad. Даже для крупных компаний наличие архивов за последние годы обычно не представляет проблемы.

4.8 Архивируете ли вы ручные вводы/переопределения для анализа влияния корректировок на метрики спроса?

Да. Lokad архивирует все ручные вводы, включая ручную загрузку файлов Excel. Когда ручные вводы используются для изменения предиктивных моделей («переопределения», как правило, с целью улучшения моделей/прогнозов), мы используем эти архивы для количественной оценки улучшения (или ухудшения) точности прогнозов. Эта работа обычно выполняется специалистами по цепочке поставок Lokad.

Платформа Lokad обладает полноценными возможностями версионирования как данных, так и кода/скриптов. Это крайне важно, поскольку при ретроспективном тестировании необходимо убедиться, что «обычные» бизнес-данные (как правило, исторические данные, полученные из бизнес-систем), используемые вместе с ручными вводами, точно соответствуют тем, что были предоставлены при первоначальном ручном вводе.

Бизнес-данные, как правило, обновляются автоматически. Однако использование последней версии бизнес-данных не отражает ситуацию так, как она была в момент внесения ручной корректировки или ввода. Аналогичным образом, предиктивный код, используемый Lokad, мог измениться с того момента, когда был внесён ручной ввод. Более того, ручной ввод мог быть осуществлён для устранения ошибки в предиктивном коде, которая с тех пор была исправлена.

Платформа Lokad учитывает и такие ситуации, предотвращая формирование целых классов неправильных выводов. Рассмотрим случаи, когда ручные вводы впоследствии оцениваются как «неправильные», хотя на самом деле они были актуальными с учётом точных условий, существовавших в момент первоначального ввода.

5. Классификация и кластеризация продуктов

5.1 Определяете ли вы товары с медленным оборотом и неравномерные модели спроса?

Краткое изложение для руководства: Да, предиктивная технология Lokad обеспечивает очень подробную количественную характеристику всех интересующих SKU.

В частности, вероятностный подход Lokad к прогнозированию отлично подходит для анализа прерывистых и непредсказуемых моделей спроса. Оценивая вероятность редких событий, Lokad может определить «неровномерность» спроса — явление, которое обычно отражает ситуацию, когда отдельные покупатели приобретают сразу множество единиц товара. Например, один покупатель приобретает весь доступный запас (одинаковых) выключателей в хозяйственном магазине, что приводит к дефициту на уровне SKU.

Дифференцируемое программирование — парадигма машинного обучения Lokad, идеально подходящая для работы с «законом малых чисел», характерным для большинства ситуаций в цепочке поставок. Товары с медленным оборотом по определению имеют очень ограниченное количество данных. Аналогично, всплески в неравномерном спросе, по своей природе, редки. Таким образом, эффективность использования данных в предиктивной модели имеет первостепенное значение. В этом отношении дифференцируемое программирование превосходит альтернативы благодаря своей способности отражать высокоуровневые инсайты, вытекающие из самой структуры модели.

Альтернативные решения обычно не справляются с проблемой товаров с медленным оборотом и неравномерных моделей спроса. Классические прогнозы (то есть не вероятностные) не могут корректно учитывать товары с медленным оборотом без обращения к дробному спросу, который на самом деле не является «реальным». Такой дробный спрос (например, 0.5 единицы), хотя и «математически» корректен, не является жизнеспособным способом принятия обоснованных решений в цепочке поставок, поскольку заказываются целые единицы товара.

Аналогично, классические прогнозы не способны математически отразить «неровномерность» спроса.

Например, вероятностный прогноз может отражать, что книжный магазин продаёт в среднем 1 книгу в день, что включает покупку 20 книг в месяц одним профессором и покупку 1 книги каждые 2 дня одним студентом.

Эта информация будет учтена в вероятностном распределении спроса модели. Однако для классического прогноза на основе временных рядов передать всю тонкость реальной картины спроса, например, спорадические оптовые закупки, невозможно. Такой прогноз предсказал бы лишь средний спрос в 1 книгу в день, не учитывая фактический паттерн спроса и тем самым искажая истинную суть продаж. Это, в свою очередь, значительно ограничивает возможность принятия финансово обоснованных решений по управлению запасами.

5.2 Определяете ли вы медленно оборачиваемые или устаревшие запасы и предоставляете рекомендации по “сохранить или продать”?

Да. Lokad определяет медленно оборачиваемые запасы с помощью вероятностных прогнозов, что позволяет принимать ранние решения с учётом риска для смягчения угроз избыточных запасов и мёртвых остатков. Рекомендации выходят за рамки «сохранить или продать» и включают скидки, перемещение запасов и корректировки для предотвращения каннибализации.

Определение медленно оборачиваемых или устаревших SKU (по спросу) осуществляется с помощью вероятностных прогнозов спроса. Такие прогнозы отлично подходят для выявления и оценки рисков, включая риски избыточных запасов и мёртвых остатков. Это позволяет нам принимать решения с учётом риска в сочетании с нашими возможностями стохастической оптимизации. Таким образом, риски, связанные с запасами, количественно оцениваются для всех SKU на всех этапах их жизненного цикла. Эта концепция имеет решающее значение, поскольку позволяет выявлять (и устранять) проблемные ситуации с запасами как можно раньше.

Наконец, Lokad не ограничивается рекомендациями типа «сохранить или продать». Мы можем предоставить клиентам рекомендации, отражающие весь спектр доступных вариантов. Например, Lokad может рекомендовать скидки или акции для ускорения распродажи запасов. Мы можем также рекомендовать перемещение запасов в другое место, если на других каналах наблюдается высокий спрос. Кроме того, можем порекомендовать временно приостановить или снизить приоритет для другого продукта, который случайно каннибализирует спрос на другой SKU.

Короче говоря, специалисты по цепочке поставок Lokad проверяют все варианты, прежде чем объявить какой-либо запас «мертвым».

См. также Классификация и кластеризация продуктов 5.1 в этом FAQ.

5.3 Позволяете ли вы пользователям управлять иерархическими рабочими процессами с данными о продуктах (сверху вниз, посредине и снизу вверх)?

Да. Поскольку платформа Lokad является программируемой, мы можем учитывать любой достаточно чётко заданный рабочий процесс для наших клиентов. Примеры включают любые процессы, работающие в рамках существующих иерархий продуктов клиента.

На наш взгляд, рентабельность инвестиций (ROI) клиента от того, что его сотрудники осуществляют навигацию по таким рабочим процессам, весьма неясна. Сам факт необходимости таких процессов свидетельствует о серьёзных дефектах в программном обеспечении для цепочки поставок, которые необходимо исправлять изнутри с применением максимально возможной автоматизации.

Платформа Lokad предоставляет обширные возможности для визуализации данных по всем значимым измерениям: иерархии продуктов, регионам, временным горизонтам/задержкам, поставщикам, типам клиентов и т.д. Эти возможности являются незаменимыми для выявления как дефектов, так и областей для дальнейших улучшений. Однако использование этих возможностей для создания «рабочих процессов» обычно является ошибочным (хотя для Lokad это элементарно). Вместо этого мы рекомендуем напрямую изменять базовые числовые алгоритмы (код), используемые Lokad, чтобы устранить необходимость управления рабочими процессами специалистами по цепочке поставок.

Многие альтернативные решения не обладают программируемыми возможностями. В результате, когда обнаруживается дефект, обычно не остаётся другого выбора, как либо ждать следующей версии программного обеспечения (возможно, через годы), либо прибегать к кастомизации — путь, как правило, сопряжённый с проблемами, поскольку в итоге клиентская компания оказывается с неподдерживаемым программным продуктом.

5.4 Позволяете ли вы пользователям организовывать иерархически связанные элементы и объединять их на основе различных факторов?

Да.

Платформа Lokad предоставляет обширные возможности, позволяющие пользователям объединять элементы (например, SKU, продукты, клиентов, поставщиков, локации и т.д.) в соответствии с целым спектром факторов — включая ручной ввод.

Поскольку платформа Lokad является программируемой, если критерий группировки или близости может быть выражен численно, группировка элементов клиента осуществляется легко. Эту задачу выполняют специалисты по цепочке поставок Lokad.

Кстати, платформа Lokad также может использовать взаимосвязи между иерархически связанными элементами как для предиктивных, так и оптимизационных целей. В частности,

Платформа Lokad использует реляционную перспективу для всех своих числовых инструментов. Реляционная перспектива выходит за рамки временных рядов и графиков, объединяя как реляционные, так и иерархические данные. Эта реляционная перспектива пронизывает наши инструменты, включая средства машинного обучения. Этот аспект имеет решающее значение для использования доступных взаимосвязей, превосходящих простую визуализацию.

5.5 Какой тип классификации продуктов вы предлагаете (ABC /XYZ…) на основе исторических данных продаж?

Краткое изложение для руководства: Lokad может предложить гибкие классификации продуктов по методикам ABC и ABC XYZ, адаптированные к вариациям и исключениям, если этого пожелает клиент. Однако мы считаем эти классификации (и их аналоги) устаревшими. Позиция Lokad заключается в том, что современное управление цепочками поставок должно опираться на практические инсайты, приводящие к решениям с учётом риска, а не на упрощённые инструменты категоризации.

Платформа Lokad поддерживает все основные схемы классификации, включая ABC и ABC XYZ-анализ, и т.д. Поскольку платформа Lokad является программируемой, также легко учесть все тонкие вариации, существующие при тщательном определении таких классов (например, тонкие правила исключения). Однако классификации продуктов (такие как указанные выше) являются технологически устаревшим подходом к решению проблем цепочки поставок и оптимизации.

Некоторые поставщики программного обеспечения для цепочки поставок, особенно те, у кого устаревшие технологии, с гордостью демонстрируют анализ ABC или анализ ABC XYZ. Однако неизбежно классификации, предоставляемые этими инструментами, используются для смягчения многочисленных дефектов уже используемого клиентом программного решения, устраняя симптомы, но не причину проблемы. Эти инструменты применяются как грубые механизмы приоритизации внимания. Это не является подходящим способом решения вопросов, таких как прерывистый или нестабильный спрос.

Во-первых, фундаментальные дефекты должны быть устранены, чтобы избавить специалистов по цепочке поставок от необходимости проводить столь утомительные проверки. Во-вторых, классификации, основанные на объёмах, слишком грубы, чтобы иметь практическую ценность и эффективно использовать время специалистов по цепочке поставок.

Именно поэтому специалисты по цепочке поставок Lokad направляют клиентов к решениям, отражающим финансовое воздействие потенциального решения в цепочке поставок (обычно измеряемого в долларах или евро). Если элементы и решения не приоритезированы исходя из их конечной рентабельности инвестиций (ROI), любая попытка «приоритизации» или «оптимизации» оказывается по сути бессмысленной.

См. ABC XYZ за 3 минуты и Анализ ABC не работает для получения дополнительной информации о недостатках этих методов классификации.

5.6 Предоставляете ли вы кластеризацию/стратификацию продуктов и/или магазинов?

Да.

Платформа Lokad предоставляет возможности кластеризации/стратификации для любого интересующего элемента, такого как магазины, продукты, клиенты, SKU, поставщики и т.д. Это стало возможным благодаря возможностям нашей платформы по обработке реляционных данных. Это позволяет нам работать с комплексными элементами, которые нельзя «сжать» до фиксированного набора свойств. Кроме того, благодаря дифференцируемому программированию Lokad может обучать и настраивать метрики сходства, используемые для группировки элементов способами, особенно полезными для конкретной задачи, например, для прогнозирования.

См. Иллюстрация: Кластеризация для получения дополнительной информации о возможностях кластеризации Lokad с использованием всего нескольких строк кода Envision.

5.7 Улучшают ли вы прогноз с учетом иерархий продуктов/локаций и/или кластеризации?

Да.

Lokad полностью использует реляционную структуру входных данных. Наш подход дифференцируемого программирования особенно хорошо справляется с обработкой реляционных данных. Именно таким образом Lokad может использовать иерархии, списки, опции, графы, числовые и категориальные атрибуты для своих предиктивных моделей. Кроме того, наши предиктивные модели прогнозируют все источники неопределённости в цепочке поставок, включая спрос, сроки поставок, возвраты, урожайность, цены на сырьё и т.д.

Кластеризацию можно использовать для выявления релевантного паттерна для интересующего прогноза. Например, все типичные цикличности (например, день недели, неделя месяца, неделя года и т.д.) и квази-цикличности (например, Пасха, Китайский Новый год, Рамадан, Черная пятница и т.д.) могут выиграть от такого подхода. Платформа Lokad предоставляет обширную поддержку для применения кластеризации в предиктивных целях.

См. Иллюстрация: Цикличности на основе кластеризации для получения дополнительной информации по этому вопросу.

6. События и объясняющие переменные

6.1 Определяете ли вы исключительные события (например, случаи отсутствия товара в наличии) и акции в исторических данных?

Краткое изложение для руководства: Да. Lokad обогащает исторические данные известными исключительными событиями с помощью предиктивного программирования, что повышает точность по сравнению с традиционным прогнозированием на основе временных рядов. Этот подход позволяет работать с неполными данными и восстанавливать утраченные события (в качестве обходного решения, когда прямая запись исторических событий недоступна).

Исторические данные содержат множество событий, которые искажают измерения (например, спрос, сроки поставок и т.д.). Lokad использует парадигмы предиктивного программирования, такие как дифференцируемое программирование, что позволяет обогатить базовую историю всеми этими событиями. Однако, как правило, эти исключительные события не «определяются» — они уже известны. Если важные события были упущены, Lokad может запустить предиктивную модель для их восстановления.

Старые, ныне устаревшие технологии прогнозирования не могли работать ни с чем, кроме простых временных рядов. В результате каждое искажение, воздействовавшее на спрос, должно было корректироваться заранее, иначе прогнозы оказывались бы сильно ухудшенными или смещёнными. К сожалению, этот подход по своей сути дефектный, поскольку такие временные ряды строятся поверх других прогнозов, что приводит к накоплению неточностей.

Предиктивная технология Lokad не страдает от этой проблемы, так как поддерживает дополнительные объясняющие переменные. Вместо того чтобы притворяться, что мы точно знаем, что произошло бы без исторических событий (например, отсутствия товара в наличии), предиктивная модель отражает объясняющую переменную в своих выходных данных (то есть в прогнозах). Эта методика не требует поэтапного подхода к прогнозированию. Более того, она может использовать неполные данные, такие как случай отсутствия товара в наличии в конце дня после рекордных продаж — информация, которая остаётся весьма актуальной, даже если она неполная.

Если важные события (например, отсутствие запасов) были утрачены или просто никогда не зафиксированы, то Lokad способен восстановить эти события путём анализа исторических данных. Однако, какими бы статистически точными ни были эти реконструкции, они всегда будут менее точными, чем прямое фиксирование событий по мере их развития. Именно поэтому Lokad, как правило, сохраняет историю таких показателей, как уровни запасов, когда эти показатели не архивируются надлежащим образом в соответствующих бизнес-системах.

6.2 Вы идентифицируете исключительные события и (подвижные) праздники?

Да. Предиктивные модели Lokad адаптируются к исключительным событиям и праздникам. Наши специалисты по цепочке поставок оценивают их влияние, предоставляя клиентам прозрачную модель и понимание того, как конкретное событие влияет на динамику их цепочки поставок.

Lokad идентифицирует все исключительные события и адаптирует саму структуру своих предиктивных моделей для их отражения. Однако для всех почти циклических паттернов (например, Пасха, Китайский Новый год, Рамадан, Чёрная пятница и т.д.) идентификация очевидна — мы уже знаем, что событие существует и оказывает влияние. Единственный оставшийся вопрос — количественная оценка влияния события.

Позволяя специалистам по цепочке поставок проводить высокоуровневую оценку влияния хорошо известного события (или его отсутствия), мы получаем предиктивную модель с гораздо большей эффективностью использования данных. Высокая эффективность данных является критически важной для поддержания точности предиктивной модели, когда доступно мало данных, что часто имеет место в ситуациях, связанных с цепочкой поставок.

Кроме того, когда Lokad явно идентифицирует и называет паттерны, сотрудники цепочки поставок клиента получают преимущество от «белой» предиктивной модели, которая включает семантические факторы. Например, влияние Чёрной пятницы (если оно имеется) сопровождается специальным фактором, оцененным на основе исторических данных. Специалист по цепочке поставок может затем использовать этот фактор, чтобы понять, какие товары наиболее чувствительны именно к Чёрной пятнице, отдельно от всех остальных паттернов, таких как сезонность (то есть годичный цикл).

Смотрите также События и пояснительные события 6.1 в этом FAQ.

6.3 Управляете ли вы ситуациями отсутствия запасов в качестве объясняющей переменной?

Да. Lokad непосредственно включает ситуации отсутствия запасов в свои предиктивные модели, учитывая как полные, так и частичные случаи отсутствия запасов, без необходимости восстанавливать «искусственный» спрос для заполнения пробелов в данных. Вместо этого мы напрямую моделируем то, что обычно называется цензурированным спросом. Более того, Lokad способен учитывать частичные случаи отсутствия запасов (когда их отсутствие происходит в течение рабочего дня) и использовать соответствующую информацию.

В более общем смысле, Lokad также способен справляться со всеми побочными эффектами, вызванными отсутствием запасов. В зависимости от специфики компании-клиента эти эффекты могут существенно различаться. Например, может наблюдаться резкий рост спроса в конце периода отсутствия запасов, если потребители достаточно лояльны, чтобы ждать. Кроме того, могут возникать отложенные заказы, при этом наблюдается частичная утечка спроса, так как такие потребители могут отказаться от отсрочки покупки. И так далее.

Специалисты по цепочке поставок, работающие в Lokad, следят за тем, чтобы случаи отсутствия запасов моделировались надлежащим образом и действительно отражали динамику бизнеса компании-клиента.

Смотрите обсуждения «Маскировка потерь» в Структурированном прогнозном моделировании для цепочки поставок и «Неполная модель срока поставки» в Прогнозировании срока поставки для получения дополнительной информации о том, как Lokad решает эти задачи.

6.4 Прогнозируете ли вы промоакции?

Да. Предиктивные технологии Lokad могут прогнозировать изменение спроса, подверженного влиянию промо-акций. Механизмы промоакций могут включать изменения цен, изменение позиций отображения (например, в электронной коммерции), изменения ассортимента, изменения видимости (например, расположение товаров на стеллажах в розничной торговле) и т.д. Короче говоря, Lokad предоставляет вероятностные прогнозы для промоакций, как и для всех потенциальных источников неопределенности в цепочке поставок (например, спрос, сроки поставки, возвраты и т.д.).

Решения в цепочке поставок Lokad — такие как пополнение запасов — учитывают не только будущую запланированную промоактивность, но и потенциал такой активности. Например, если у компании-клиента есть возможность проводить промоакции, и её клиенты (как правило) положительно реагируют на них, это означает, что компания может позволить себе более агрессивное управление запасами. Это связано с тем, что промоакции являются эффективным инструментом для снижения избытка запасов. И наоборот, если у компании-клиента клиенты, которые в основном не реагируют на промоакции, тогда ей необходимо быть более внимательной к избытку запасов, поскольку отсутствует механизм для их коррекции.

Lokad генерирует такие решения с учетом риска (а также с учетом опциональной корректировки), используя вероятностные прогнозы. Эти прогнозы являются необходимыми для первоначальной оценки рисков. После этого мы применяем стохастическую оптимизацию —, проще говоря, математическую операцию, — чтобы сформировать решения, максимизирующие рентабельность инвестиций (ROI) клиента с учетом многочисленных источников неопределенности (например, спрос, сроки поставки, промоакции, возвраты и т.д.).

6.5 Идентифицируете и прогнозируете ли вы запуск новых продуктов и их замену?

Исполнительное резюме: Да, Lokad прогнозирует спрос для всех продуктов, включая новые. Мы делаем это вне зависимости от объема доступных исторических данных для продуктов — их количество, скорее всего, будет равно нулю, если продукт ещё не запущен.

Для того чтобы создать статистический прогноз в указанных условиях, Lokad обычно использует (a) всю историю запусков в компании-клиенте, (b) атрибуты продукта для его позиционирования в ассортименте, (c) альтернативные продукты, дающие и базовый уровень, и потенциал для каннибализации, а также (d) маркетинговые мероприятия, поддерживающие этот конкретный запуск.

Если продукт позиционируется в ассортименте клиента как явная замена старого продукта, задача прогнозирования становится значительно проще. Однако мы не рекомендуем использовать этот подход, если сотрудники цепочки поставок клиента не убеждены, что старый и новый продукты действительно эквивалентны для потребителей. На практике запуск продукта редко представляет собой однозначную замену старого продукта новым. Поэтому Lokad использует передовые технологии для использования всех исторических данных, вместо того чтобы полагаться на один продукт в качестве псевдоистории для нового запуска.

Более того, Lokad генерирует вероятностные прогнозы для запусков продуктов. Это особенно важно, поскольку классические (то есть не вероятностные) прогнозы полностью игнорируют случайные паттерны, которые часто встречаются при запуске новых продуктов. Вероятностные прогнозы, напротив, количественно оценивают эту неопределенность, что позволяет нам формировать решения для цепочки поставок с учетом риска.

В большинстве бизнес-систем дата запуска продукта корректно фиксируется, и поэтому идентификация как таковая не требуется. Однако если данные о запуске не зафиксированы или зафиксированы некорректно, Lokad может выполнить реконструкцию этой информации. Естественно, предыдущие записи продаж служат базовым уровнем для запуска.

Однако иногда, в условиях прерывистого спроса, может пройти долгое время, прежде чем продукт продаст свою первую единицу. Специалисты по цепочке поставок Lokad располагают различными эвристиками для работы с такими ситуациями.

Смотрите также События и пояснительные события 6.1 в этом FAQ.

6.6 Как вы прогнозируете новые товары или новые точки продаж без истории продаж?

Lokad использует предыдущие запуски и текущие продажи, подчеркивая важность атрибутов (формальных и текстовых), для прогнозирования спроса на новые товары/точки продаж.

Хотя товар может быть «новым», он, как правило, не является первым «новым» продуктом, запускаемым компанией-клиентом. Предиктивные технологии Lokad используют предыдущие запуски товаров, а также текущие объемы продаж для прогнозирования спроса на новый товар. В частности, наличие формальных атрибутов (например, цвет, размер, форма, ценовой уровень и т.д.), а также текстовых атрибутов (например, наименование, краткое описание, комментарии и т.д.) имеет решающее значение для математического позиционирования товара в общем ассортименте компании.

Процесс для новых точек продаж аналогичен, хотя данные обычно значительно более ограничены. В то время как компаниям, особенно в таких отраслях, как мода, часто приходится запускать тысячи новых продуктов в год, очень немногие компании могут похвастаться запуском даже сотни новых точек продаж в год. Тем не менее, используя атрибуты и характеристики новой точки продаж, Lokad способен сформировать прогноз, даже если у этой конкретной точки нет истории продаж.

Смотрите также События и пояснительные события 6.5 в этом FAQ.

6.7 Учитываете ли вы предыдущие товары, возможно, отмеченные или эквивалентные/похожие товары?

Да, если запущенные товары сопровождаются «предшествующими» или «похожими» товарами, предиктивные технологии Lokad способны использовать эту информацию для уточнения своих прогнозов.

Мы можем учитывать весь спектр достоверности предоставленной информации — от «этот новый продукт является почти идеальным эквивалентом другого товара» до «эти два продукта в общих чертах похожи». Также может быть указано несколько предшественников, если нет явно наиболее похожего товара.

В то время как старые (ныне устаревшие) технологии прогнозирования заставляли специалистов по цепочке поставок вручную сопоставлять старые и новые продукты, в случае с Lokad всё иначе. При условии наличия некоторой базовой информации наши технологии способны использовать исторические данные от других продуктов для прогнозирования нового товара. Релевантная базовая информация включает наименование(я) продукта и ценовой уровень(и).

В качестве общего правила мы рекомендуем обогащать основную информацию для улучшения автоматического сопоставления. На наш взгляд, это предпочтительнее, чем принуждать сотрудников цепочки поставок клиента к утомительному ручному сопоставлению. Рентабельность инвестиций (ROI) от улучшения основной информации обычно значительно превосходит эффективность ручного сопоставления, поскольку основная информация может напрямую влиять на многочисленные операции после запуска.

Смотрите также События и пояснительные события 6.5 в этом FAQ.

6.8 Обнаруживаете ли вы каннибализацию? Оцениваете ли вы влияние как на продукт, осуществляющий каннибализацию, так и на каннибализируемые продукты?

Да, предиктивные технологии Lokad учитывают каннибализацию (а также замену) как часть анализа спроса.

Хотя ситуации могут различаться, модель, как правило, симметрична, поэтому она количественно оценивает как продукт, осуществляющий каннибализацию, так и каннибализируемый продукт. Наш подход учитывает состав ассортимента, который может различаться от одного магазина к другому или от одного канала продаж к другому.

Если клиентов можно идентифицировать (примечание: с использованием анонимных идентификаторов, поскольку Lokad не использует и не требует персональных данных), то Lokad может использовать двудольный граф, соединяющий клиентов и продукты. Этот временной граф (соединяющий продукты и клиентов через их транзакции) обычно является лучшим источником информации для количественной оценки каннибализации. Если эта информация недоступна, Lokad всё равно может работать, пусть и с пониженной точностью в деталях самой каннибализации.

Предиктивные методы Lokad радикально отличаются от классических моделей временных рядов. Модели временных рядов просто недостаточно выразительны для решения задач, связанных с каннибализацией. Фактически, как только исторические данные преобразованы в данные временных рядов, большая часть релевантной информации для учета каннибализации уже утрачена. Утраченная информация не может быть восстановлена позднее, независимо от того, насколько сложными являются модели временных рядов. В отличие от этого, Lokad использует дифференцируемое программирование для своих предиктивных моделей — подход, который намного выразительнее устаревших моделей временных рядов.

6.9 Позволяете ли вы добавлять или обновлять объясняющие переменные? Могут ли эти переменные обновляться вручную?

Да. Платформа Lokad является программируемой и действительно так же гибка, как таблица Excel, когда речь идет о включении обновлений объясняющих переменных. Также можно, при необходимости, передавать объясняющие переменные с помощью таблиц.

Дифференцируемое программирование, подход Lokad к предиктивному моделированию, позволяет легко обучать модели, которые включают произвольные объясняющие переменные. Эти переменные не обязательно должны быть выражены в «единицах прогноза» или каким-либо образом согласованы с процессом прогнозирования. С помощью дифференцируемого программирования можно интегрировать объясняющие переменные, оставляя многие взаимосвязи «не количественно оцененными», что позволяет процессу обучения оставаться за платформой Lokad. Кроме того, количественная оценка взаимосвязей предоставляется специалисту по цепочке поставок. Таким образом, он может получить представление о том, действительно ли объясняющая переменная набирает силу в предиктивной модели.

Некоторые старые (ныне устаревшие) технологии прогнозирования навязывали прямую зависимость между объясняющими переменными и требуемыми прогнозами. Например, объясняющие переменные должны были быть линейно связаны с сигналом спроса; они должны были быть выражены с той же гранулярностью, что и прогнозы; и/или должны были быть однородными с историческими данными и т.д. Технология Lokad не страдает от этих ограничений.

Более того, программируемые возможности платформы Lokad могут организовать объясняющие переменные так, чтобы их обслуживание было максимально простым для сотрудников цепочки поставок клиента. Например, можно начать с таблицы Excel для отражения объясняющих переменных, а затем перейти к автоматизированной интеграции данных. Этот переход может произойти, как только дополнительная точность (полученная за счет этих переменных) будет признана достаточной для автоматизации передачи данных.

Смотрите обсуждение «Интеграция ковариант» в Структурированном прогнозном моделировании для цепочки поставок для получения дополнительной информации по этому вопросу.

6.10 Позволяете ли вы ручную корректировку прогноза для будущих событий, для которых нет предыдущих исторических данных?

Да. Lokad всегда позволяет вручную корректировать прогнозы, независимо от того, рассматриваем ли мы товары с историческими данными или без них. Мы также можем отслеживать качество/точность ручных корректировок. Однако при использовании современных методов прогнозирования ручные корректировки обычно избыточны и в целом не рекомендуются.

Первая причина того, что специалисты в области цепочек поставок чувствуют необходимость вручную корректировать прогнозы, заключается в том, что они хотят изменить итоговые решения цепочки поставок, вытекающие из прогнозов (например, заказ на закупку). В этих случаях, как правило, специалист сталкивается с риском, который не отражён должным образом в прогнозах. Дело не в том, что прогнозы должны быть выше или ниже, а в том, что итоговое решение нужно откорректировать вверх или вниз, чтобы учесть риск. Lokad решает эту проблему с помощью вероятностных прогнозов и решений цепочки поставок, скорректированных с учётом риска. Прогнозы уже отражают все возможные будущие значения (например, спрос) и их соответствующие вероятности. Таким образом, наши предлагаемые решения уже скорректированы с учётом риска. Если решения оказываются неверными при правильном прогнозе, то, как правило, необходимо изменить экономические факторы, связанные с решением, а не сам прогноз.

Вторая причина для ручной корректировки прогноза заключается в том, что прогноз явно неверен. Однако в таких случаях (подлежащая) модель прогнозирования должна быть исправлена. Не исправление её означает, что сотрудники цепочки поставок продолжают бороться с симптомами проблемы (неточные прогнозы), а не с её причиной (неисправная модель прогнозирования). Если модель не исправить, прогнозы будут обновляться по мере поступления новых данных, и либо плохие прогнозы вернутся, либо первоначальная корректировка (если она сохранится) станет источником дальнейшей неточности прогноза.

Вкратце, если модель прогнозирования обладает недостаточной точностью (обычно из-за отсутствия информации), то входные данные модели следует обогатить с учётом недостающей информации. В любом случае эксплуатация дефектной модели прогнозирования никогда не является правильным решением.

6.11 Уточняете ли вы прогнозы с помощью маркетинговых и специальных кампаний?

Да, Lokad улучшает свои прогнозы с учетом этой информации (если/когда она становится доступной для нас).

Дифференцируемое программирование — технология предиктивного моделирования Lokad — умело обрабатывает дополнительные типы/источники данных, даже если они структурно не совпадают с исходными историческими данными о спросе (как это принято в типичных бизнес-системах клиентов).

Дифференцируемое программирование позволяет обрабатывать дополнительные источники данных без предположения, что эти дополнительные данные являются исчерпывающими или полностью корректными/точными. Конечно, если данные очень неполные или неточные, это ограничивает общую точность, достигаемую благодаря их обработке.

Более того, предиктивные технологии Lokad меняют подход клиентов к их маркетинговым кампаниям. Классическая перспектива прогнозирования рассматривает будущий спрос как движение планет: нечто, что полностью вне нашего контроля. Однако маркетинговые кампании не появляются из ниоткуда. Напротив, они являются результатом сознательных решений, принимаемых компанией-клиентом. Благодаря аналитике и технологиям Lokad компании-клиенты могут перенастраивать свои маркетинговые кампании в соответствии с возможностями цепочки поставок.

Например, бессмысленно дополнительно ускорять спрос (запуская новую кампанию), если все товары уже приближаются к дефициту. И наоборот, если излишки запасов растут, возможно, пришло время возобновить несколько ранее приостановленных кампаний.

6.12 Уточняете ли вы прогнозы с учётом эластичности цен? Можно ли заблаговременно учитывать запланированные будущие изменения цен в прогнозе/предиктивной модели?

Да. Возможности предиктивного моделирования Lokad охватывают ценообразование, включая эластичность цен, а также будущие запланированные изменения цен. Подход Lokad, основанный на дифференцируемом программировании, позволяет легко включать одну (или несколько) ценовых переменных как для прошлого, так и для будущего. Прошлые данные используются для изучения причинно-следственной связи между изменением спроса и изменением цены.

Дифференцируемое программирование позволяет нам одновременно изучать влияние изменения цен вместе со всеми другими факторами, влияющими на спрос, такими как множественные циклические колебания (например, сезонность). Затем модель причинно-следственных связей может применяться к будущим ценам, которые могут быть увеличены или уменьшены для отражения изменяющейся ценовой стратегии компании-клиента.

Однако эластичность цен часто является довольно грубым подходом для моделирования эффекта изменения цен. Например, пороговые эффекты не могут быть учтены с помощью эластичности. Это включает ситуации, когда потребители резко реагируют на изменение цены, когда продукт становится только дешевле, чем другой, похожий продукт. В частности, когда конкурентные цены собираются с помощью инструмента конкурентной разведки, эластичность цен оказывается недостаточной для объяснения вариаций спроса, которые лучше всего объясняются ценовыми шагами конкурента.

Платформа Lokad обладает возможностями, которые выходят далеко за рамки простого моделирования эластичности цен. Lokad может, и часто действительно осуществляет, совместную оптимизацию как закупок, так и ценообразования. В то время как традиционная перспектива цепочки поставок рассматривает оптимизацию запасов и оптимизацию цен как две отдельные задачи, очевидно, что цены влияют на спрос — даже если «эластичность цен» оказывается слишком грубой, чтобы точно отразить это влияние. Таким образом, имеет смысл координировать как политику управления запасами, так и ценовую стратегию для максимизации прибыльности цепочки поставок.

6.13 Уточняете ли вы прогнозы с учетом деятельности конкурентов (то есть данных конкурентной разведки)?

Краткое резюме: Да, предиктивные технологии Lokad позволяют использовать данные конкурентной разведки для уточнения прогнозов спроса (а также цен, если это требуется) для клиентов. Это осуществляется только в том случае, если данные конкурентной разведки предоставлены нам, поскольку Lokad самостоятельно не собирает такие данные. По нашему мнению, эту задачу лучше доверить специалистам по веб-скрейпингу.

Использование данных конкурентной разведки обычно представляет собой двухэтапный процесс. Первый шаг: нам необходимо как-то сопоставить данные конкурентов с предложением компании-клиента. Если компания-клиент и её конкуренты продают точно такие же товары, идентифицируемые по штрих-кодам GTIN, процесс прост. Однако часто возникают многочисленные сложности.

Например, у компаний могут различаться условия доставки (например, сборы и задержки) или может действовать временная акция, доступная только держателям бонусной карты. Кроме того, конкуренты обычно не продают идентичные товары (во-первых, не в смысле GTIN), но их предложения в целом конкурируют между собой. В этих случаях простое сопоставление товаров между компаниями становится нерелевантным. Тем не менее, предиктивные технологии Lokad (и специалисты Supply Chain Scientists) могут справиться со всеми этими сложностями.

Второй шаг: как только установлены сопоставления, предиктивную модель необходимо адаптировать для отражения воздействия конкуренции на спрос. Здесь самой большой проблемой зачастую является то, что эффект проявляется с существенной задержкой. На большинстве рынков клиенты не следят за ценами конкурентов постоянно. Таким образом, значительное снижение цены у конкурента может остаться незамеченным многими клиентами на протяжении длительного времени. Фактически, доминирующим эффектом ценовой конкуренции является медленная эрозия доли рынка клиента. Поэтому ошибочно оценивать влияние конкуренции «по одному продукту». Необходимо оценивать влияние на уровне всей компании.

Снова, специалисты Supply Chain Scientists Lokad гарантируют, что стратегия моделирования отражает стратегическое понимание компании-клиента (и её места на рынке). Это стратегическое понимание включает долгосрочные аспекты, такие как увеличение или потеря доли рынка.

Смотрите обсуждения «Решение проблемы согласования» в Оптимизация цен для автомобильного послепродажного рынка для получения дополнительной информации по этому вопросу.

Смотрите также События и объясняющие переменные 6.12 в этом FAQ.

6.14 Уточняете ли вы прогнозы с использованием данных прогноза погоды?

Краткое резюме: Да, Lokad способен уточнять свои предиктивные модели с использованием данных прогноза погоды. Мы одержали первый успех в этой области еще в 2010 году, работая с крупным европейским производителем электроэнергии. Наши современные предиктивные технологии (дифференцируемое программирование) упрощают процесс интеграции данных прогноза погоды по сравнению с предыдущими технологиями.

На практике, хотя технически возможно уточнять прогнозы с помощью данных о погоде, очень немногие наши клиенты реально используют такие уточнения в производственных условиях. По нашему мнению, обычно затраченные усилия не оправдывают себя. Почти всегда существуют более простые варианты, обеспечивающие лучшую отдачу от инвестиций (ROI) при сопоставимом объеме инженерных ресурсов.

В целом, существует две основные проблемы при попытке использовать данные прогноза погоды в этом контексте. Первая проблема заключается в том, что такие прогнозы краткосрочные. На срок более 2–3 недель прогнозы погоды возвращаются к сезонным средним значениям. Таким образом, когда рассматривается более длительный горизонт, прогнозы погоды не предоставляют дополнительной информации по сравнению с обычной сезонностью. Это означает, что все решения цепочки поставок, не являющиеся строго краткосрочными, не получают выгоды от данных прогноза погоды. Это существенно ограничивает применимость данной техники.

Вторая проблема заключается в огромных технологических сложностях, связанных с этой техникой. Погода — явление локальное, однако при рассмотрении крупных цепочек поставок мы фактически имеем дело с сотнями или тысячами (а может, и десятками тысяч) релевантных точек, разбросанных по обширным географическим территориям (возможно, по нескольким континентам). Таким образом, каждая локация может иметь свою «погоду» (с точки зрения метеорологии).

Более того, «погода» — это не одно число, а целая совокупность параметров, включая температуру, осадки, ветер и т.д. В зависимости от типа обслуживаемых товаров, температура может оказывать, а может и не оказывать, доминирующее влияние для уточнения прогноза спроса.

В сущности, попытка уточнить прогноз спроса с помощью данных прогноза погоды требует выделения ресурсов (время, деньги, усилия и т.д.), которые могли бы быть направлены в другие, возможно, более эффективные мероприятия по уточнению прогноза. Мы наблюдаем, что прогнозы погоды почти никогда не являются «конкурентным» вариантом в этом отношении. Таким образом, хотя Lokad способен использовать прогнозы погоды, мы рекомендуем исчерпать все другие, потенциально более простые, пути уточнения, прежде чем прибегать к данным прогноза погоды.

6.15 Уточняете ли вы прогнозы для отражения открытия нового магазина или закрытия старого?

Да.

Предиктивные технологии Lokad способны точно моделировать влияние открытия нового магазина и/или закрытия старого. Наши технологии также могут моделировать временные закрытия, например, для проведения ремонтных работ. Кроме того, Lokad может (и делает) учитывать изменения в режиме работы (если данные предоставлены нам). Предиктивные технологии Lokad (дифференцируемое программирование) особенно эффективны при обработке всех этих искажений сигналов спроса.

Кроме того, когда магазины находятся рядом (например, в одном городе), мы можем учитывать эффект замещения, при котором клиенты, бывшие покупателями закрытого магазина, обращаются в другой. Если некоторые транзакции сопровождаются идентификатором покупателя (примечание: используется только сырой идентификатор, поскольку Lokad не требует никаких персональных данных), мы можем использовать эту информацию для более точной оценки доли клиентов, остающихся лояльными определённому бренду, несмотря на перемещения магазинов.

С другой стороны, модели временных рядов (прогнозирования) не способны должным образом отразить всю необходимую входную информацию. В этом случае мы обращаемся к исходным транзакционным данным, описанным выше, как это бывает, если клиент использует программы лояльности.

Заметки