FAQ: Прогнозирование спроса

Lokad развилась из своих первоначальных корней в области прогнозирования спроса в конце 2000-х годов и стала лидером в предиктивной оптимизации для цепей поставок, сосредотачиваясь на превосходной оценке будущих событий при навигации в реальном мире.

Целевая аудитория: практики цепей поставок, специалисты по спросу и предложению, бизнес-аналитики.

Последнее изменение: 7 марта 2024 года

Принципы прогнозирования

Как заметил Кейнс, лучше быть приблизительно правым, чем точно неправым. Этот принцип применим к большинству ситуаций в цепях поставок (и не только в цепях поставок), но он особенно важен в отношении прогнозирования. Когда речь идет о прогнозировании, Lokad делает гораздо больше, чем просто избегает точной неправоты; мы регулярно превосходим не только наших конкурентов, но и исследовательские группы¹, иногда переопределяя состояние искусства. Однако за последнее десятилетие мы поняли, что самым большим ограничивающим фактором традиционной перспективы прогнозирования является не точность, а выразительность.

Классические прогнозы, то есть точечные прогнозы временных рядов, просто не дают достаточно информации о будущем. Тем не менее, прогнозы временных рядов стали настолько распространенными, что многие практики забывают, насколько они неполные, а не только неточные. Прогнозы временных рядов рассматривают будущее бизнеса, как движение планеты: явление, в котором наблюдатель ничего не имеет общего с наблюдаемыми объектами. Однако цепи поставок не похожи на астрономию, и компании (в отличие от планет) активно влияют на направление своих цепей поставок. В основе дела, будущее не предопределено; оно зависит от ваших действий.

Как странно, вся основная теория цепей поставок построена на основе прогнозов временных рядов, что приводит к самым различным странностям. Ценообразование - очевидный способ управления спросом - обычно исключается из рассмотрения, делая его полностью отдельной проблемой от планирования. Это явно неправильно, учитывая их явную взаимосвязь.

Еще одно измерение, полностью отсутствующее в традиционной перспективе временных рядов, - это неопределенность. Традиционалисты считают, что эту неопределенность можно преодолеть, стремясь к большей точности в изоляции, часто выделяя огромные ресурсы на эту цель. Однако цепи поставок продолжают доказывать, что неопределенность, связанная с будущими событиями, несократима, и проблемы цепей поставок требуют большего, чем изолированные корректировки - то есть локальная оптимизация. Не только неопределенность будущего несократима, но и глобальные рынки оказываются довольно искусными в бросании вызовов как по старым путям (например, войны, цунами), так и по новым путям (например, карантин, изобретательные регуляции).

Вероятностные прогнозы

Первое крупное отклонение Lokad от классической перспективы прогнозирования временных рядов было сделано с помощью вероятностных прогнозов, начиная с 2012 года с помощью квантильных прогнозов, которые можно рассматривать как неполный вероятностный прогноз. Вероятностные прогнозы учитывают все возможные будущие события (такие как спрос, время выполнения и т. д.), присваивая вероятности каждому отдельному результату. Таким образом, вероятностные прогнозы учитывают несократимую неопределенность будущих событий, а не отвергают этот случай полностью. С 2012 года вероятностные прогнозы многократно доказали свою превосходность в области управления рисками для цепей поставок. Это верно для всего, начиная с маленьких локальных решений, таких как выбор правильного количества для SKU, и заканчивая большими решениями, такими как заключение долгосрочного многомиллионного сервисного контракта.

Кроме того, Lokad не ограничивается только вероятностным прогнозированием спроса. Все остальные источники неопределенности теперь квантифицированы платформой Lokad. Эта неопределенность включает изменяющиеся сроки поставки, изменяющиеся скорости сбора данных, изменяющиеся возвраты клиентов и т. д. Более широко, все неопределенные будущие события должны быть прогнозируемы, в идеале, с помощью вероятностных прогнозов. Таким образом, в настоящее время Lokad регулярно прогнозирует более десятка различных видов будущих событий. Важно отметить, что эти альтернативные прогнозы не являются прогнозами временных рядов. Мы не пытаемся выразить несколько разнородных значений/единиц (например, спрос, срок поставки и т. д.) с использованием временных рядов. Фактически, в большинстве случаев проблема, которую мы прогнозируем, даже не подходит к узкой рамке, навязываемой временными рядами.

Программные прогнозы

Вторым значительным отклонением Lokad от классической перспективы прогнозирования был его программный подход, сначала с глубоким обучением в 2018 году, а затем с дифференцируемым программированием в 2019 году. Доминирующая точка зрения заключалась в том, что прогнозирование должно рассматриваться как «упакованный» технологический продукт. Lokad, как и большинство его конкурентов, даже называл свой «прогнозирующий движок» - монолитный программный компонент, посвященный исключительно этой задаче. Однако эта перспектива имеет две основные проблемы.

Во-первых, перспектива «прогнозирующего движка» предполагает, что существует некоторый стандартный способ организации входных данных, которые будут подаваться на движок. Это не так. Структура входных данных - в реляционном смысле (например, SQL) - очень сильно зависит от особенностей бизнес-систем, используемых в компании. Принудительное приведение исторических данных, как они есть в бизнес-системах, к заранее заданной модели данных, как это требуется прогнозирующему движку, приводит к различным проблемам. Хотя Lokad смогла (благодаря постоянно увеличивающейся сложности) создать прогнозирующий движок, гораздо более гибкий, чем то, что предлагают наши конкуренты, мы также поняли, что этот подход является технологической тупиковой ветвью. Прогнозирующий движок никогда не достаточно гибок и неизбежно отвергает критические, но тонкие аспекты бизнеса.

Программные подходы, однако, оказались значительно более эффективным решением. Здесь вызовы предиктивного моделирования рассматриваются через программные парадигмы, а не через жесткий монолитный программный продукт. Lokad начал в 2018 году с фреймворков глубокого обучения, как это обычно делается в широком сообществе, но в итоге полностью пересмотрел технологию в свете достижений, сделанных в дифференцируемом программировании в 2019 году. Целью этой полной технологической перестройки было превратить реляционные данные в полноправных участников, в отличие от фреймворков глубокого обучения, которые рассматривали - и до сих пор рассматривают - их как второстепенные. В то время как реляционные данные преобладают в цепи поставок, это не тот тип данных, который привлекает широкое машинное обучение (где преобладают изображения, естественный язык, речь и т. д.).

Во-вторых, перспектива «прогнозирующего движка» не оставляет места для компании, чтобы формировать свое собственное будущее. Независимо от сложности движка, парадигма предполагает, что происходит двухэтапный процесс, с прогнозированием/планированием, за которым следует этап оптимизации/исполнения. Эта парадигма оставляет мало или совсем не оставляет места для обратной связи между планированием и исполнением. В теории возможно многократно применять прогнозирующий движок для сценариев, которые были скорректированы в соответствии с прогнозами, полученными на предыдущих итерациях. На практике этот процесс настолько утомителен, что никто на самом деле не делает этого (по крайней мере, не долго).

Итог: программные подходы - это переломный момент. Это связано с возможностью использовать индивидуальные циклы обратной связи - между планированием и исполнением - отражающие тонкие, но прибыльные варианты, которые компания, вероятно, в противном случае упустила бы. Например, если клиент - авиационная компания MRO, становится возможным одновременно рассматривать покупку и продажу запасных частей - продажа неиспользуемых частей финансирует приобретение теперь необходимых частей. Такие взаимодействия не обязательно сложны или даже вызывают трудности, но их обнаружение требует тщательного рассмотрения деталей бизнеса. Непрограммные подходы неизбежно не улавливают эти детали, возвращая практиков цепи поставок к их электронным таблицам². Дифференцируемое программирование также оказывается переломным моментом в этом отношении.

Часто задаваемые вопросы (FAQ)

1. Алгоритмы и модели прогнозирования

1.1 Можете ли вы предоставить обзор используемого вами прогностического движка (движков)?

Прогностические возможности Lokad основаны на возможностях дифференцируемого программирования Envision, DSL (язык программирования, специфичный для предметной области), разработанного Lokad для прогностической оптимизации поставочной цепи. Таким образом, вместо наличия “движка” у Lokad есть программные строительные блоки, которые можно легко собрать в современные прогностические модели.

Наши прогностические модели включают (но не ограничиваются) предоставлением современных прогнозов спроса на временные ряды, как это продемонстрировано достижением Lokad первого места (из примерно 1000 участников) на уровне SKU в международном соревновании по прогнозированию на основе данных Walmart. Детали метода приведены в общедоступной статье. Программируемость платформы Lokad обеспечивает гибкие возможности, которые невозможно воспроизвести с помощью традиционного “прогностического движка”. Фактически, наш последний “прогностический движок” был прекращен в 2018 году в пользу программного подхода именно из-за этого ограничения.

Более того, мы обычно говорим о “прогностическом моделировании”, а не о “прогнозировании”, потому что необходимо количественно оценивать все источники неопределенности. Эти классы включают будущие сроки поставки, будущие возвраты, будущие проценты брака, будущие цены поставщиков, будущие цены конкурентов и т. д. С помощью дифференцируемого программирования Lokad предоставляет прогнозы, которые выходят далеко за рамки того, что традиционно ожидается от прогностического движка. Эти расширенные прогнозы являются ключевыми для достижения оптимизации поставочной цепи от начала до конца, а не только изолированного плана спроса.

Наконец, Lokad предоставляет “вероятностную прогностическую модель”. Вероятностное прогнозирование (или “вероятностное моделирование”) является ключевым для принятия риско-ориентированных оптимизированных решений. Без вероятностных прогнозов решения в поставочной цепи являются хрупкими по отношению к любым изменениям, что приводит к постоянным накладным расходам в ситуациях, которые могли бы быть в значительной степени смягчены с помощью немного более осторожных решений.

См. Дифференцируемое программирование в Envision для получения дополнительной информации о деталях этого критического инструмента, а также История прогностического движка Lokad для ознакомления с нашим прогностическим прогрессом.

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

Да. Lokad может создавать базовый прогноз спроса на основе низкоразмерных параметрических моделей, то есть статистической модели. Мы делаем это с помощью Envision, DSL (язык программирования, специально разработанный для предиктивной оптимизации цепей поставок) Lokad. Благодаря возможностям дифференцируемого программирования Envision, также легко изучать параметры, используя исторические данные о спросе.

Существуют два ключевых ограничения традиционной перспективы прогнозирования, которые были заменены новыми технологиями, предлагаемыми Lokad. Во-первых, точечные прогнозы временных рядов (также известные как “классические прогнозы”) не учитывают неустранимую неопределенность будущего. Фактически, они полностью игнорируют неопределенность, выражая будущую неопределенность в виде одного значения (например, спроса) вместо вероятностного распределения 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, или, возможно, отсутствие заказа вообще. Это отсутствие осведомленности о риске (в количественном смысле) неизбежно очень дорого для клиента, так как оно приводит к принятию плохих финансовых решений (например, заказы, распределения и т. д.). Lokad решает эту проблему с помощью вероятностного прогнозирования, так как они принимают неопределенность будущего вместо ее игнорирования.

Во-вторых, прогнозирование спроса, будучи, пожалуй, самым важным типом прогноза, не является единственным типом прогноза. Время выполнения, возвраты, процент брака и все остальные области неопределенности будущего также должны быть прогнозированы. Lokad решает эту проблему с помощью программного прогнозного моделирования.

1.3 Какой вид анализа данных и алгоритмов используется в решении для создания точных прогнозов спроса?

Lokad использует дифференцируемое программирование, используя подробные исторические данные и, при необходимости, выборочные внешние данные для создания прогнозов спроса и управления другими сложностями цепей поставок (например, нехватками товара и акциями).

Дифференцируемое программирование - это ведущая техника для создания точных прогнозов спроса. Как показано в соревновании по прогнозированию M5 на основе розничных данных от Walmart, Lokad использовал этот подход и занял первое место на уровне SKU (соревнуясь с около 1000 командами со всего мира). Этот успех квалифицирует подход как передовой.

Однако M5 только затронул поверхность, когда речь идет о прогнозах спроса, так как подход Lokad подходит для бесчисленных “сложностей”, таких как работа с нехватками товара, акциями, возвратами, порчей и т. д. Структурированное прогностическое моделирование для цепей поставок предоставляет подробности о том, как Lokad справляется с этими сложностями.

Что касается данных, Lokad использует все соответствующие исторические данные о продажах, вплоть до отдельных транзакций (если такие данные доступны). Мы также используем другие исторические данные, которые дополняют сигнал спроса, такие как исторические уровни запасов, исторические цены, исторические конкурентные цены, исторические ранжирования отображения (электронная коммерция) и т. д. Технология Lokad была разработана таким образом, чтобы максимально использовать все доступные данные, а также смягчить эффекты данных, которые, к сожалению, недоступны.

Внешние данные могут использоваться, если они считаются значимыми для уточнения прогнозов спроса. Однако по нашему опыту, данные, выходящие за пределы конкурентной разведки, редко приводят к улучшению точности, стоящему в значительном инженерном усилии, связанном с подготовкой этих наборов данных (например, социальные данные, погодные данные и т. д.). Использование таких наборов данных следует оставить для зрелых компаний, которые уже исчерпали все более простые возможности для улучшения точности прогнозирования.

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

Да. Lokad использует дифференцируемое программирование и глубокое обучение для снижения ошибки прогнозирования. Мы иногда используем альтернативные методы, такие как случайные леса или градиентный бустинг. Кроме того, мы используем методы машинного обучения (ML) для пересмотра «классических» статистических методов (например, авторегрессионные модели), но с гораздо более усовершенствованными методами при обучении соответствующих параметров методов.

Хотя Lokad и использует ML, следует отметить, что это неоднородное тело работ, а скорее общая перспектива подхода к данным. Учитывая, что машинное обучение, как область исследований, существует уже более трех десятилетий, этот термин фактически охватывает широкий спектр техник; некоторые считаются современными, а некоторые довольно устаревшими.

С нашей точки зрения, самым важным парадигмальным сдвигом в ML, особенно для целей цепочки поставок, является переход от инженерии признаков к инженерии архитектуры. Проще говоря, методы машинного обучения стали программировать сами себя. Глубокое обучение и дифференцируемое программирование отражают эту новую перспективу, которая предпочитает инженерию архитектуры перед инженерией признаков, и поэтому Lokad использует этот подход.

Для целей цепочки поставок архитектурная инженерия является ключевой для отражения в предиктивной модели самой структуры решаемой проблемы. Хотя это может показаться абстрактным соображением, это разница между прогнозом, который систематически не соответствует данным ERP, и прогнозом, который действительно отражает ситуацию.

1.5 Как вы определяете и прогнозируете паттерны спроса, чтобы предотвратить нехватку товара и переизбыток?

Lokad снижает риск нехватки товара и переизбытка через вероятностное прогнозирование, которое учитывает неопределенность будущего спроса, предоставляя вероятности больших отклонений спроса. Такой подход позволяет Lokad предоставлять клиентам решения, учитывающие риски, что позволяет принимать более обоснованные выборы (например, заказы) и снижает риск нехватки товара и переизбытка. Этот подход отличается от традиционных точечных временных рядовых прогнозов, которые игнорируют финансовые риски и полагаются на снижение ошибок прогнозирования изолированно.

Отложив в сторону другие возможные причины, такие как изменяющиеся сроки поставки, нехватка товара и переизбыток обычно отражают неожиданный (будущий) спрос. Lokad непосредственно решает эту проблему через вероятностное прогнозирование. В отличие от основных методов управления цепочкой поставок, которые игнорируют неустранимую неопределенность будущего, Lokad строго учитывает неопределенность в количественном смысле. Вероятностные прогнозы предоставляют вероятности наблюдения больших отклонений спроса, что является необходимым условием для вычисления решений, учитывающих риски.

Решения, учитывающие риски, не только учитывают вероятность столкнуться с необычными событиями (например, очень низким или очень высоким спросом), но и финансовые риски, связанные с этими результатами. Как правило, существуют сильно асимметричные затраты, когда речь идет о наличии слишком малого или слишком большого количества единиц. Решение, учитывающее риски, минимизирует ожидаемые потери, направляя клиента в наиболее «осторожном» или «выгодном» направлении.

В отличие от популярных периодических точечных временных рядовых прогнозов (также известных как «классические прогнозы»), которые полностью игнорируют эти риски. Эта перспектива направлена на снижение ошибки прогнозирования изолированно до такой степени, что ошибка становится незначительной. Однако это мечтательное мышление, так как будущая неопределенность неустранима. Вот почему точечные прогнозы не могут удовлетворительно предотвратить нехватку товара и переизбыток.

Короче говоря, не имеет значения, используется ли грубая или сложная модель, когда основные предположения/инструменты (например, точечные временные рядовые прогнозы) фундаментально ошибочны.

См. вероятностное прогнозирование для подробной информации об этом концепте.

1.6 Как вы обрабатываете сезонность в спросе?

Итоговое резюме: Lokad обрабатывает сезонность в спросе с помощью дифференцируемого программирования, используя низкоразмерные параметрические модели, которые жестко закодированы структурой различных цикличностей, таких как годовые, недельные и событийные шаблоны. Этот автоматизированный подход обеспечивает точность и стабильность прогнозирования спроса, учитывая все шаблоны, влияющие на спрос одновременно, без необходимости ручного вмешательства.

Сезонность, также называемая годовой цикличностью, является одной из многих цикличностей, с которыми справляется Lokad. Мы также можем обрабатывать недельную цикличность (т.е. эффект дня недели), месячную цикличность (т.е. эффект зарплаты) и квазигодовые цикличности (например, Пасха, Рамадан, Китайский Новый год, Черная пятница и т.д.).

Наш основной метод работы с цикличностями - это дифференцируемое программирование. Мы используем низкоразмерные параметрические модели, которые структурно отражают целевые цикличности. Другими словами, мы выбираем модели, в которых структура цикличности задана и жестко закодирована учеными по цепочке поставок Lokad. Это помогает нам количественно оценить величину флуктуаций, связанных с целевыми цикличностями, а не просто определить их существование.

После того, как численный рецепт был разработан учеными по цепочке поставок Lokad, весь процесс оптимизации полностью автоматизирован. В частности, оптимизация цепочки поставок Lokad не требует какого-либо ручного вмешательства (т.е. микроуправления профилем сезонности), и не полагается на исключения для недавно выпущенных продуктов или продуктов, которые еще не были запущены. Подход Lokad может показаться несколько новым, но он критически важен для целей цепочки поставок.

Во-первых, он обеспечивает более точные результаты, поскольку процесс машинного обучения не пытается обнаружить цикличность, а принимает ее как данность (что уже широко признано практиками в сфере поставок). Это особенно важно в ситуациях, когда объем данных ограничен.

Во-вторых, он обеспечивает более стабильные результаты, ограничивая форму функции спроса, которую нужно изучить. Этот подход значительно снижает числовые артефакты, при которых оцениваемый будущий спрос сильно колеблется, в то время как входные данные этого не делают.

Наконец, дифференцируемое программирование, используемое Lokad для создания (машинного обучения) моделей на основе данных клиента, позволяет нам совместно рассматривать все цикличности, а также все другие шаблоны, формирующие наблюдаемые шаблоны спроса (например, дефициты товара или акции). Цикличности нельзя оценивать изолированно или последовательно от других шаблонов, влияющих на спрос. Все эти шаблоны и их соответствующие параметры должны быть совместно оценены.

См. Структурированное прогнозное моделирование для цепочки поставок для подробной информации о дифференцируемом программировании и его месте в оптимизации цепочки поставок.

1.7 У вас есть возможность долгосрочного (более 3 лет вперед) прогнозирования для прогнозирования будущего спроса и предложения соответствующих корректировок? Какой максимальный горизонт прогноза может быть сгенерирован?

Да. Lokad может прогнозировать на неопределенно долгое будущее, поэтому нет максимального горизонта.

Учитывая характер будущей неопределенности, погрешность прогноза постепенно увеличивается с увеличением горизонта прогноза. Хотя технически нетрудно составить долгосрочный прогноз, это не означает, что этот прогноз можно доверять для целей цепочки поставок. Независимо от того, насколько сложна используемая модель, прогнозирование в конечном итоге пытается угадать, как будет выглядеть дорога, глядя в зеркало заднего вида.

Кроме того, возможность вносить ручные корректировки в прогноз, который в остальном автоматизирован, обычно только ухудшает ситуацию. Как только прогнозы были изменены вручную “экспертами”, организации неизбежно начинают слишком доверять им. Многочисленные исследования, проведенные Lokad, показывают, что эксперты редко превосходят простые методы усреднения, когда дело доходит до долгосрочных прогнозов. Таким образом, ручные корректировки прогнозов обычно получают несправедливую ауру экспертности, что делает организации слишком зависимыми от них. Эта практика ручной настройки даже продолжается после того, как числа, неизбежно, оказываются плохими предположениями.

В общем комментарии о долгосрочном прогнозировании мы согласны с точкой зрения Ингвара Кампрада (основателя IKEA), который написал в Завещании мебельного дилера: “чрезмерное планирование является наиболее распространенной причиной корпоративной смерти”. В целом, если клиентская компания не имеет дело с исключительно стабильными рыночными условиями (например, государственные утилиты), мы не рекомендуем осуществлять управление цепочкой поставок через долгосрочные прогнозы. Команда ученых по цепочке поставок Lokad готова оказать помощь в разработке лучших (и более здравых) подходов, которые уникально отражают специфические требования каждой клиентской компании.

1.8 Можете ли вы предоставить прогнозы на 28 дней вперед для товара/магазина?

Да, Lokad может прогнозировать на неопределенно долгое будущее, даже на уровне SKU для крупной розничной сети.

Для наших розничных клиентов мы регулярно имеем горизонты прогнозирования в 200 (или более) дней, работая при этом на уровне SKU. Эти среднесрочные горизонты полезны для правильной оценки рисков, связанных с мертвым товаром для медленно продаваемых товаров. Кроме того, платформа Lokad высокомасштабируема, поэтому работа с десятками миллионов SKU при обработке летней исторической информации не представляет трудностей. Фактически, платформа Lokad может легко масштабироваться для обслуживания даже крупных розничных сетей без необходимости предварительного планирования мощности.

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

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

Да. Например, Lokad регулярно использует конкурентную разведку (т.е. опубликованные цены конкурентов). В некоторых отраслях общедоступные показатели могут быть очень полезными (например, прогнозируемые размеры авиационного парка для авиационных MRO). Программная платформа Lokad уникально подходит для использования различных источников данных - помимо исторических данных, полученных из бизнес-систем.

Что касается внешних данных, есть два источника, которые, казалось бы, почти никогда не стоят усилий по инженерии: данные о погоде и данные социальных сетей. Наборы данных о погоде очень громоздкие (т.е. очень большие и очень сложные) и, реалистически, они не лучше сезонных средних за две недели вперед (плюс-минус). Наборы данных социальных сетей также очень громоздкие (т.е. очень большие, очень сложные и сильно загромождены мусорными данными) и также сильно зависят от краткосрочных эффектов, обычно охватывающих несколько дней.

Мы не утверждаем, что нельзя извлечь никакой ценности из данных о погоде или данных социальных сетей, так как мы уже смогли это сделать для некоторых клиентов. Однако не все улучшения точности прогнозирования стоят усилий по инженерии, чтобы их получить. Наши клиенты должны работать с ограниченными ресурсами, и обычно эти ресурсы лучше вкладывать в совершенствование других аспектов оптимизации цепочки поставок от начала до конца. Это более благоразумный подход, чем стремиться к последнему 1% (которого обычно даже не так много) дополнительной точности с помощью внешних наборов данных, которые на 2 или 3 порядка больше, чем собственные управляемые клиентом исторические наборы данных.

1.10 Как вы справляетесь с разными уровнями скорости продажи, от менее чем 1 в неделю до тысяч в день?

Для управления различными скоростями продаж Lokad использует вероятностные прогнозы для разреженного спроса, используя специализированные структуры данных, такие как Ranvar, для обеспечения эффективности при любом объеме продаж, что упрощает задачи управления цепочкой поставок.

Когда речь идет о различных масштабах скорости продаж, основной вызов заключается в малых числах, а не в больших - большие числа гораздо проще обрабатывать. Чтобы справиться с разреженным спросом, Lokad использует вероятностные прогнозы. Вероятностные прогнозы назначают вероятность каждому дискретному событию, такому как вероятность продажи 0 единиц, 1 единицы, 2 единиц и т. д. Вероятности устраняют целые классы проблем, связанных с дробными значениями спроса, как это обычно делается с помощью основных методов управления цепочкой поставок.

Внутри вероятности для короткой последовательности дискретных возможностей представлены в виде гистограмм (или подобных структур данных). Эти структуры данных очень компактны и, следовательно, требуют низких вычислительных затрат. Однако, при работе с разреженным спросом наивная реализация таких структур данных (например, хранение 1 корзины на единицу спроса) становится крайне неэффективной при представлении не разреженного распределения спроса, которое включает тысячи единиц спроса за период.

Таким образом, Lokad разработала специальные структуры данных, такие как Ranvar (см. ниже), которые гарантируют постоянное время и постоянные накладные расходы памяти для алгебраических операций с вероятностными распределениями. Ranvar грациозно приближает исходное вероятностное распределение, когда числа становятся большими, сохраняя незначительную потерю точности с точки зрения управления цепочкой поставок. Структуры данных, подобные Ranvar, в значительной степени устраняют необходимость выделения и ориентирования на разреженный спрос, сохраняя все желательные шаблоны малых целых чисел при работе с разреженным спросом.

См. 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 разных единицах (единица, цена, коробка, вес и т. д.)?

Да, платформа Lokad является программной. Мы можем переопределить наши прогнозы в любых желаемых единицах. Кроме того, мы можем учесть ситуации, когда вовлечены несколько единиц. Например, контейнеры ограничены как по весу, так и по объему. Таким образом, прогнозирование будущего использования контейнеров может потребовать учета обоих этих ограничений для правильной оценки количества необходимых контейнеров.

1.12 Поддерживаете ли вы несколько алгоритмов прогнозирования (например, линейная регрессия, экспоненциальное сглаживание, скользящая средняя, ARIMA и т. д.)?

Да. Платформа Lokad является программной, 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.) больше не считаются передовыми и не являются лидерами в общедоступных конкурсах прогнозирования. В частности, большинство этих моделей плохо справляются с обычными сложностями, связанными с ситуациями в цепочке поставок (например, отсутствие товара, каннибализация, квази-сезонные события, такие как Китайский Новый год и т. д.).

Обычно ученые по цепочке поставок Lokad разрабатывают индивидуальный численный рецепт, чтобы удовлетворить потребности клиентской компании в прогнозировании. Наши ученые по цепочке поставок прогнозируют необходимый спрос а также все другие неопределенные факторы цепочки поставок, такие как сроки поставки, возвраты, процент брака, цены конкурентов и т. д. Кроме того, алгоритм(ы) прогнозирования должны быть адаптированы для использования доступных данных и смягчения искажений данных, присущих операциям цепочки поставок (например, спрос часто восстанавливается после события отсутствия товара).

См. нашу публичную видеолекцию No1 на уровне SKU в конкурсе прогнозирования M5 для подробностей о прогнозировании Lokad.

1.13 Какой уровень детализации прогноза возвращается?

Lokad может адаптироваться к любому уровню детализации в своих прогнозах. Это означает, что мы можем прогнозировать на самых детализированных уровнях, например, до SKU или даже прогнозировать спрос для каждого клиента по SKU (если это имеет смысл), а также прогнозировать на уровне всей компании.

Поскольку прогнозы являются числовыми артефактами, предназначенными для поддержки оптимизированных решений в цепи поставок, ученые по цепи поставок Lokad настраивают детализацию прогнозов таким образом, чтобы они точно соответствовали принимаемым решениям. В частности, если требуется поддержка нескольких решений в цепи поставок, то обычно существует несколько уровней детализации прогнозов.

Однако Lokad выходит за рамки простого адаптирования детализации прогноза (т.е. выбора определенного уровня в заданной иерархии). Мы настраиваем всю перспективу прогнозирования, чтобы лучше отражать поставленную задачу. Например, для розничного продавца B2B может иметь смысл прогнозировать отток клиентов, так как запас клиента (обслуживающий стабильный спрос на определенный SKU) может внезапно превратиться в мертвый запас. Это может произойти, если весь (или большая часть) спроса приходит от одного крупного клиента, который внезапно ушел. Lokad способен прогнозировать вероятности оттока вместе с спросом на определенный SKU. Затем мы можем комбинировать два прогноза по мере необходимости для оптимизации соответствующих решений по запасам.

1.14 Можно ли генерировать количественные прогнозы на основе еженедельных данных о продажах?

Да. Наши возможности в области прогнозирования очень гибкие. Мы можем, например, использовать еженедельные данные о продажах вместо исходных транзакционных данных (наш предпочтительный вариант).

Следует отметить, что преобразование транзакционных данных в еженедельный временной ряд является потерянным процессом, то есть критически важная информация может быть потеряна в процессе. Потерянная информация не может быть восстановлена, независимо от того, насколько сложна модель прогнозирования.

Например, представьте себе розничного продавца, продающего выключатели. Этот продавец наблюдает спрос в 1 единицу в день (в среднем) на определенный SKU в магазине, который пополняется каждый день недели. Если основная часть спроса приходит от клиентов, покупающих по 1 единице за раз, то 4 единицы на складе, вероятно, обеспечат приемлемый уровень обслуживания. Однако, если основная часть спроса приходит от клиентов, обычно покупающих полдюжины единиц за раз (с появлением 1 клиента в неделю в среднем), то 4 единицы на складе соответствуют ужасному уровню обслуживания.

Это демонстрирует проблему произвольной агрегации. После агрегации еженедельных данных о продажах, например, теряется разница между описанными выше ситуациями. Вот почему Lokad предпочитает работать с исходными транзакционными данными, когда это возможно.

1.15 Генерируете ли вы ежедневный (или внутридневной) прогноз на основе ежедневной истории или применяете ли вы ежедневные шаблоны к еженедельному статистическому прогнозу?

Когда доступны ежедневные исторические данные (или, что еще лучше, данные на уровне транзакций), мы обычно одновременно изучаем все соответствующие цикличности - день недели, неделя месяца, неделя года - чтобы повысить точность прогнозирования. Через платформу Lokad очень просто включить (или исключить) любую заданную цикличность или квази-цикличность (например, Пасха, Китайский Новый год, Рамадан и т. д.).

Иерархическое разделение, которое отделяет цикличность дня недели от цикличности недели года, может использоваться или не использоваться Lokad. Однако наша платформа может поддерживать оба варианта. Этот вопрос (разделять или не разделять) не является исключительным для цикличностей, и аналогичные вопросы должны быть рассмотрены для всех других шаблонов.

Выбор наиболее подходящей модели остается за учеными по цепи поставок Lokad. Их выбор основан на тщательном изучении конкретных шаблонов, наблюдаемых в интересующей цепи поставок.

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

Lokad ежедневно обновляет свои прогностические модели, чтобы исправить ошибки, вызванные неправильным вводом данных, обеспечивая точность и актуальность прогнозов. Такой подход противодействует численным нестабильностям в старых технологиях, используя стабильные и точные модели для предотвращения непредсказуемых изменений прогнозов и улучшения принятия решений в цепи поставок.

Как правило, Lokad обновляет (переобучает) все свои прогностические модели каждый раз, когда у нас появляется новая партия исторических данных. Для большинства наших клиентов это происходит один раз в день. Самая важная причина этого заключается в том, чтобы убедиться, что неправильные записи данных, которые уже были исправлены, не задерживаются из-за наличия «сломанных» прогнозов, сгенерированных в прошлом (на основе этих неправильных записей). Функциональность Lokad позволяет сделать ежедневное обновление прогностических моделей незначительным вопросом, даже при очень больших цепях поставок.

С другой стороны, некоторые устаревшие технологии прогнозирования страдают от численных нестабильностей. В результате практики в области цепи поставок могут опасаться системы, которая обновляется слишком часто, потому что, по их опыту, это означает, что прогнозы будут вести себя непредсказуемо. С точки зрения Lokad, прогностическая модель, которая непредсказуемо «прыгает» из-за поступления ежедневных приращений данных, на самом деле является дефектной моделью, которую нужно исправить. Задержка обновлений для устранения проблемы не может считаться разумным решением, так как точность прогноза бессмысленно страдает от непринятия во внимание самых последних событий.

Lokad решает эту проблему, принимая во внимание классы прогностических моделей, которые обладают свойствами, гарантирующими численную стабильность. Дифференцируемое программирование особенно эффективно при создании моделей, которые одновременно являются очень стабильными и точными.

См. Обновлять все каждый день для получения дополнительной информации по этому вопросу.

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

Мы используем вероятностное прогнозирование и стохастическую оптимизацию для оценки всех возможных результатов и их вероятностей, что позволяет принимать решения в цепи поставок с учетом риска. Каждый потенциальный результат имеет доверительный интервал, который можно использовать для выражения уровней уверенности.

При использовании вероятностных прогнозов, как рекомендует Lokad, всем возможным будущим событиям присваивается оценочная вероятность. В свою очередь, доверительные интервалы легко получить из вероятностного прогноза. Доверительные интервалы могут быть использованы для установления «уровня уверенности» в соответствии с определенной степенью риска (например, худший сценарий на 5% по сравнению с худшим сценарием на 1%).

Однако неявное предположение, лежащее в основе «уровней уверенности», заключается в том, что решение в цепи поставок зависит от исходного прогноза(ов). Вероятностная перспектива прогнозирования полностью меняет наш подход к вопросу точности прогнозирования. Когда доступны вероятностные прогнозы, решения в цепи поставок (например, определенный заказ) могут внезапно получить преимущество от риско-ориентированной оптимизации. Другими словами, решение может быть оптимизировано для всех возможных будущих событий и их соответствующих вероятностей, и каждое решение ранжируется по их финансовому влиянию.

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

1.18 Можно ли комбинировать несколько алгоритмов прогнозирования?

Да, хотя мы прекратили рекомендовать эту практику около десяти лет назад. Комбинирование нескольких алгоритмов прогнозирования (так называемых «мета-моделей») в производственной среде обычно приводит к неоптимальным решениям в цепи поставок, именно поэтому мы не рекомендуем такой подход.

Комбинирование нескольких моделей прогнозирования является одним из самых простых вариантов улучшения синтетических результатов, обычно полученных при обратном тестировании. Однако, этот “мета-модель” (продукт комбинирования нескольких базовых моделей прогнозирования) обычно нестабилен, поскольку он постоянно переключается с одной модели на другую. В результате практики в сфере цепи поставок часто путаются из-за внезапных отклонений или “изменения мнения” мета-модели. Еще хуже то, что мета-модели, по своей сути, довольно непрозрачны, потому что они являются смесью нескольких моделей. Даже если базовые модели просты, мета-модель, полученная из их смешивания, таковой не является.

Таким образом, любая “дополнительная точность”, полученная с помощью мета-моделей, в бенчмарке (т.е. “синтетические результаты”) неизбежно теряется в производстве (т.е. в реальных сценариях) из-за вторичных эффектов, таких как увеличение нестабильности и увеличение непрозрачности прогнозов.

1.19 Автоматически выбирается ли наилучшая модель для прогнозов?

Да, Lokad предоставляет единственную эффективную предиктивную модель для прогнозирования цепи поставок. Мы избегаем “мета-моделей” из-за их низкой производительности и непрозрачности в реальных условиях.

Ученые цепи поставок Lokad предоставляют каждому клиенту единственную предиктивную модель, а не смесь разных алгоритмов, конкурирующих за выбор, как в подходе “мета-моделей”. Этот подход с мета-моделями Lokad прекратил использовать около десяти лет назад.

Стоит отметить, что на техническом уровне Lokad не испытывает проблем с “внутренним соревнованием” моделей прогнозирования - то есть пулом моделей, где лучшая автоматически выбирается по мере необходимости. Такой подход технически прост. Причина, по которой Lokad избегает этой практики, заключается в том, что преимущества, связанные с мета-моделями, являются синтетическими (т.е. видимыми в бенчмарках) и не переносятся на реальные сценарии цепи поставок. Наш опыт показывает, что мета-модели всегда работают хуже, чем их некомпозитные аналоги.

Мета-модели в основном отражают устаревшие технологии прогнозирования, где собирается коллекция дефективных моделей: первая модель плохо работает с сезонностью; вторая модель плохо работает с короткими временными рядами; третья модель плохо работает с непредсказуемыми временными рядами и т.д. Построение мета-модели создает иллюзию, что модель смягчила свои составные дефекты, однако дефекты каждой модели регулярно возникают снова, поскольку сама логика выбора модели имеет свои ограничения. Еще хуже то, что мета-модели обычно подрывают доверие практиков в сфере цепи поставок, так как этот дизайн является “непрозрачным по своей сути”.

Поэтому подход Lokad заключается в создании предиктивной модели, которая является именно такой простой, какой она может быть, но не проще. Когда она разработана с подходящими поддерживающими технологиями, такими как дифференцируемое программирование, эта единственная модель работает со всеми аспектами цепи поставок для клиентской компании, без необходимости прибегать к смеси моделей.

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

1.20 Можно ли проводить прогнозные турниры, автоматически выбирая лучшую модель с лучшей параметризацией? Делаете ли вы это с помощью машинного обучения?

Да. Lokad может это делать, хотя мы не рекомендуем такой подход. Комбинирование моделей с помощью машинного обучения (для создания “мета-моделей”) не приносит пользы в производственной среде. Мы отстаиваем подход с использованием единственной модели.

Около десяти лет назад мы использовали мета-модели для прогнозирования. Мета-модели - это модели, представляющие собой комбинацию других моделей и/или модель, которая является выбором других моделей. Смешивание и/или выбор базовых моделей также осуществлялся с помощью техник машинного обучения - обычно случайных лесов и градиентного бустинга.

Однако, несмотря на улучшение синтетических результатов через бенчмаркинг (как правило, проводимый с помощью обратного тестирования), подход с мета-моделями неизбежно ухудшает реальные результаты для клиента. Автоматический выбор модели приводит к беспорядочным “скачкам” прогнозирования, когда мета-модель переходит от одной модели к другой. Использование техник машинного обучения для выбора модели также склонно усугублять это поведение, делая переходы еще более беспорядочными.

Таким образом, хотя платформа Lokad и поддерживает прогнозные турниры, мы не рекомендуем использовать подобные подходы для производственных целей. В частности, недавние прогнозные соревнования показывают, что единая модель превосходит более сложные мета-модели, как это иллюстрируется тем, что Lokad заняла первое место на уровне SKU в мировом соревновании с использованием набора данных Walmart (см. ниже).

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

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

Lokad использует дифференцируемое программирование для повышения точности прогнозирования, подход, который позволяет нам настраивать модели под конкретные структуры данных и управлять переобучением путем контроля выразительности модели. Этот подход эффективно решает проблему “закона малых чисел”, включая минимальное (но важное) экспертное руководство для оптимизации эффективности данных.

Проблемы шума и переобучения являются главными мотиваторами того, почему Lokad использует дифференцируемое программирование в своем прогнозировании. С помощью дифференцируемого программирования ученые по цепям поставок Lokad имеют полный контроль над структурой модели. Дифференцируемое программирование позволяет им создавать модель, которая отражает входные данные (включая их отношения). Кроме того, дифференцируемое программирование позволяет им ограничивать выразительность модели, чтобы контролировать переобучение.

Дифференцируемое программирование стало прорывом для Lokad в борьбе с “законом малых чисел”, который управляет цепями поставок - т.е. прогнозы всегда должны делаться на уровне/детализации, отражающей интересующие цепи поставок решения, такие как “по SKU по дням”. Однако, при этом модели прогнозирования сталкиваются с ситуациями, когда количество соответствующих точек данных считается однозначными числами.

Прорыв дифференцируемого программирования заключается в том, что оно позволяет ученому по цепям поставок (обычно нанятому Lokad, но возможно, нанятому клиентской компанией) внести некоторые высокоуровневые априорные знания в прогностическую модель (например, выбор соответствующих цикличностей), чтобы использовать максимально возможное количество доступных данных. В отличие от “экспертных систем” 1980-х годов, дифференцируемое программирование требует очень ограниченного руководства от человека-эксперта, но это ограниченное руководство может сделать всю разницу, когда речь идет о эффективности данных.

2. Управление прогнозами и корректировки

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

Итог: Да, платформа Lokad предлагает надежную визуализацию данных (в режиме реального времени) для проверки и агрегации прогнозов на любом желаемом уровне(ах).

Платформа Lokad предоставляет обширные возможности визуализации данных, которые могут быть использованы для проверки прогнозов временных рядов. В частности, легко агрегировать прогнозы в соответствии с любой иерархией (например, местоположения, регионы, категории товаров и т. д.) и любой детализацией (например, день, неделя, месяц и т. д.). Более того, платформа Lokad обеспечивает отображение этих отчетов в режиме реального времени, что означает, что они отображаются менее чем за 500 миллисекунд - при условии, что конечный пользователь имеет достаточную пропускную способность для загрузки отчета за это время.

Однако, это предположение подразумевает, что мы говорим о прогнозах точечных временных рядов (также известных как классические прогнозы спроса). Хотя платформа Lokad поддерживает точечные прогнозы временных рядов, эти прогнозы устарели по двум причинам.

Во-первых, точечные прогнозы представляют одно будущее значение, как будто это ЕДИНСТВЕННОЕ будущее (то есть точно то, что произойдет). В этом отношении они рассматривают будущее как симметрию прошлого. Однако, неопределенность будущего неизбежна, и будущее, с точки зрения цепи поставок, а не с точки зрения физика, не является симметрией прошлого. По этой причине следует предпочитать вероятностные прогнозы - подход, который учитывает ВСЕ возможные будущие результаты (например, значения спроса) и присваивает каждому из них вероятности. С точки зрения управления рисками, это обеспечивает более надежную защиту от неопределенности будущего.

Однако, хотя вероятностные прогнозы могут быть выражены на любом уровне (например, склад, магазин, продукт и т. д.), они не являются аддитивными, по крайней мере, не в обычном смысле. Таким образом, хотя платформа Lokad предоставляет все необходимые возможности визуализации данных для наших прогнозов, эти возможности обычно не соответствуют ожиданиям практиков цепи поставок (по крайней мере, тех, у кого нет предыдущего опыта вероятностного прогнозирования).

Во-вторых, модели прогнозирования временных рядов часто не подходят, потому что сама перспектива временных рядов упрощенная и не улавливает суть бизнеса. Например, у розничного B2B-продавца может быть смесь двух типов заказов: небольшие заказы, которые клиенты ожидают получить немедленно из запасов продавца, и крупные заказы, размещенные за несколько месяцев заранее, которые клиенты ожидают получить вовремя - именно потому, что заказ был сделан с таким большим запасом времени в первую очередь. Этот шаблон, хотя и базовый, не может быть учтен с помощью прогноза временных рядов. Кроме того, шаблоны, которые не соответствуют прогнозам временных рядов, включают истечение срока годности, каннибализацию, замены, изменения цен конкурентов и т. д.

В более общем смысле, прогнозы временных рядов хороши для визуализации. Однако, чаще всего в Lokad прогнозная модель не будет основана на временных рядах - даже если конечные данные визуализируются в виде временных рядов для удобства.

2.2 Какие типы прогнозных исследований должны выполнять эксперты, а какие - система/машина?

Эксперты должны сосредоточиться на высокоуровневой структуре предиктивной модели (например, структуре взаимосвязи входных данных, ключевых структурных предположениях, которые можно сделать относительно этих данных и т. д.). Не ожидается, что эксперты будут микроуправлять (например, вручную изменять) сами прогнозы.

Учитывая, что Lokad использует современные предиктивные технологии - дифференцируемое программирование - наши ученые по цепям поставок почти полностью сосредоточены на “высокоуровневой структуре” предиктивной модели. Это противоречит старым (устаревшим) технологиям, которые обычно ожидали, что эксперт, использующий их, будет микроуправлять прогнозами, предоставляя корректирующие идеи для всех крайних случаев, представленных моделями. К сожалению, такие устаревшие подходы всегда оказывались слишком трудоемкими для экспертов, чтобы поддерживать их со временем. В результате компании, использующие их, обычно теряли своих экспертов и затем вынуждены были вернуться к использованию электронных таблиц.

В отличие от этого, высокоуровневая структура предиктивной модели может быть выражена лаконично, обычно не более чем 100 строками кода. Эта краткость верна даже при рассмотрении очень сложных цепей поставок. Высокоуровневая структура представляет собой основу человеческого понимания предиктивной задачи. В то же время процесс(ы), отвечающие за “обучение” параметров модели, остаются полностью автоматизированными. Это делается с использованием входных данных (обычно исторических данных) плюс некоторых других источников данных (например, предстоящих маркетинговых кампаний).

2.3 Можно ли вручную корректировать/перезаписывать прогнозы?

Итог: Да. Хотя платформа Lokad поддерживает ручные корректировки прогнозов, это необязательно, поскольку вероятностные прогнозы сами по себе разработаны с учетом риска и неопределенности - обычно основные принципы, лежащие в основе ручной корректировки в первую очередь.

Платформа Lokad предлагает обширные программные возможности, поэтому поддержка возможностей редактирования для любого процесса прогнозирования является простой задачей. Однако необходимость ручной корректировки прогнозов в основном отражает ограничения устаревших технологий прогнозирования. Использование Lokad продвинутого вероятностного прогнозирования в значительной степени устраняет необходимость в микроуправлении прогнозами. Фактически, в Lokad необходимость в таком микроуправлении исчезла десять лет назад.

Ручные корректировки прогнозов обычно предназначены как косвенный способ снижения рисков. Практикующий в сфере поставок не ожидает, что прогноз станет более точным в статистическом смысле, скорее всего, он ожидает, что решения, основанные на скорректированном прогнозе, будут менее рискованными (т.е. менее затратными для компании). Однако с вероятностными прогнозами (сгенерированными Lokad) поставочные решения уже учитывают риск. Таким образом, нет смысла пытаться управлять вероятностным прогнозом для снижения рисков, поскольку решения изначально разработаны с учетом риска.

Кроме того, ручные корректировки прогнозов часто направлены на смягчение ситуаций с высокой степенью неопределенности. Однако вероятностные прогнозы разработаны для включения и количественной оценки неопределенности. Таким образом, вероятностные прогнозы уже отражают области высокой неопределенности, и решения, учитывающие риск, принимаются соответствующим образом.

В основе дела, нет смысла пытаться вручную исправить “неправильные” прогнозы. Если прогнозы доказанно менее точны, чем ожидалось, то численный алгоритм, генерирующий прогнозы, должен быть исправлен. Если прогнозы изменяются по причинам, не связанным с точностью, то необходимо скорректировать последующие расчеты. В любом случае, ручная корректировка прогнозов - это устаревшая практика, которая не имеет места в современной поставочной цепи.

2.4 Можно ли интегрировать пользовательские алгоритмы прогнозирования?

Да. Lokad позволяет интегрировать пользовательские алгоритмы прогнозирования с помощью Envision - нашего предметно-ориентированного языка программирования (DSL). Этот гибкий, настраиваемый и масштабируемый DSL может поддерживать основные и продвинутые алгоритмы и методы прогнозирования по мере необходимости.

Платформа Lokad является программной, что является главным элементом нашей технологии и реализуется через Envision - DSL (предметно-ориентированный язык программирования), разработанный Lokad для предиктивной оптимизации поставочных цепей. С помощью Envision можно переосуществить реализацию всех основных алгоритмов прогнозирования (и их вариантов). Кроме того, Envision также поддерживает несколько еще не основных алгоритмов прогнозирования, включая техники, основанные на дифференцируемом программировании и вероятностном прогнозировании (см. ниже).

Интеграция этих пользовательских алгоритмов в Lokad не следует путать с “настройкой” продукта Lokad. С точки зрения Lokad, использование индивидуальных алгоритмов является нормальным способом использования нашего сервиса. Платформа Lokad предоставляет безопасную, надежную и масштабируемую среду выполнения для поддержки таких алгоритмов. Реализация алгоритмов (обычно называемых “численными рецептами”) обычно выполняется учеными по поставочной цепи Lokad. Однако, если у клиентской компании есть сотрудники, специализирующиеся на науке о данных, то они также могут использовать платформу Lokad для этой цели.

Более того, платформа Lokad предоставляет полную среду разработки (IDE) для создания таких пользовательских алгоритмов. Эта возможность крайне важна, чтобы убедиться, что алгоритмы разрабатываются в среде, которая строго соответствует производственной среде - как по входным данным, так и по возможностям времени выполнения. С Lokad, как только пересмотренный алгоритм прогнозирования считается удовлетворительным (и обычно превосходит предыдущую итерацию), его можно запустить в работу в течение нескольких минут. Кроме того, платформа Lokad предоставляет обширные гарантии “по дизайну”, чтобы полностью исключить классы проблем при переходе алгоритмов из прототипа в статус продукта.

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

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

Платформа Lokad использует гибкий язык программирования, специфичный для отрасли (Envision), который позволяет создавать интуитивно понятные панели инструментов для демонстрации ключевых показателей и принимаемых решений для клиента. Эти панели инструментов разрабатываются совместно с клиентами таким образом, чтобы они могли быстро и удобно понять их. Для более сложных вопросов ученые по цепочке поставок Lokad отвечают за разработку и объяснение алгоритмов (“числовых рецептов” - вещей, которые генерируют прогнозы и решения по цепочке поставок) и их результатов клиентам. Эти эксперты обучены предоставлять клиентам соответствующие бизнес-экономические и научно-технические знания, чтобы помочь им понять, что происходит “за кулисами”.

Ученый по цепочке поставок, работающий в Lokad, является человеком, который разрабатывает числовой рецепт (алгоритм), поддерживающий прогностическую модель (и, следовательно, процесс принятия решений). Ученый по цепочке поставок лично несет ответственность за защиту и объяснение адекватности прогнозов и всех решений, которые генерируются числовым рецептом.

Таким образом, хотя ситуации могут различаться от одной клиентской компании к другой, в каждой ситуации есть человек-помощник (ученый по цепочке поставок). Это не безличная “система”, которая отвечает за прогноз или решение; это набор числовых рецептов, которые находятся под прямым контролем названного ученого по цепочке поставок. Эта ответственность включает “белый ящик” числовых рецептов, то есть делает его результаты доступными и понятными для акционеров.

Для поддержки этого процесса наши ученые по цепочке поставок используют инструменты, такие как обратное тестирование, чтобы поддерживать и демонстрировать свой анализ. Однако, что более важно, они принимают обоснованные решения относительно предположений, которые входят в их числовые рецепты (такие как соответствующие ограничения и факторы). В конечном счете, “адекватность” числового рецепта зависит от того, отражает ли он намерение бизнеса, и это то, что ученый по цепочке поставок устанавливает через тщательное изучение ситуации в цепочке поставок клиента (а также консультацию с клиентом).

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

2.6 Может ли прогноз быть разделен на наборы товаров и BOM (Спецификации материалов)?

Да, Lokad может предоставлять прогнозы на любом уровне. Это связано с обширными программными возможностями нашей вероятностной моделирования. Мы можем разделять прогноз на наборы товаров и BOM, а также справляться с ситуациями, когда товары могут быть потреблены как часть BOM или продаваться независимо.

Кроме того, когда присутствуют BOM (Спецификации материалов), мы не только прогнозируем спрос на внутренние товары, но и оптимизируем решения по цепочке поставок, чтобы отразить то, что отдельные сборки внутри конкурируют за одни и те же внутренние детали. То есть ситуации, когда соответствующие BOM перекрываются. Эта оптимизация может привести к отказу от продажи “одиночной” части, если эта часть может поставить под угрозу наличие более крупных и более важных BOM.

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 без присмотра. Ученые по цепочке поставок Lokad отвечают за установку соответствующих метапараметров. Либо метапараметры достаточно стабильны, чтобы быть закодированными жестко, либо числовой рецепт включает этап настройки, посвященный определению адекватного значения метапараметра. В любом случае, алгоритм (также известный как “числовой рецепт”) может работать без присмотра.

Lokad использует гораздо меньше метапараметров по сравнению с большинством других конкурирующих решений. Это связано с тем, что дифференцируемое программирование, предпочтение Lokad в этом отношении, является общей парадигмой подгонки параметров. Таким образом, когда доступно дифференцируемое программирование, большинство параметров изучаются. Технология чрезвычайно мощна, когда речь идет о изучении всех видов параметров, а не только “традиционных” (например, коэффициентов сезонности).

В результате с точки зрения Lokad большинство значений, которые наши коллеги считают “метапараметрами”, являются просто “обычными параметрами”, которые не требуют особого внимания. Как правило, большинство прогностических моделей, работающих в производстве Lokad, имеют очень мало метапараметров (меньше 10). Однако нашим клиентам обычно не требуется настраивать эти числа, поскольку это ответственность наших ученых по цепочке поставок.

2.8 Может ли продукт корректировать прогнозы с помощью причинных переменных?

Да.

Это одно из основных преимуществ дифференцируемого программирования - технологического подхода, предпочитаемого Lokad для прогностического моделирования. Дифференцируемое программирование является программной парадигмой, поэтому включение объясняющей переменной является данностью. Еще лучше, механизм причинности получает свое собственное “именованное” значение параметра. Таким образом, прогнозы не только используют причинную переменную, но и делают это таким образом, что их можно проверить и исследовать специалистам по цепочке поставок.

Например, когда в качестве причинной переменной используется розничная цена, можно построить и исследовать точный спрос, связанный с изменениями цен. Этот результат может сам по себе быть особенно интересным для компании. Если компания является сетью розничных магазинов, это можно использовать для управления ликвидационными мероприятиями в магазинах, которые реагируют наиболее сильно на скидки. Это может минимизировать общий объем скидок, необходимых для полной ликвидации устаревшего товара.

2.9 Может ли продукт проводить эксперименты с прогнозами и разрабатывать и/или настраивать алгоритмы?

Да. Наши ученые по цепочке поставок регулярно экспериментируют с прогностическими моделями, позволяя разрабатывать новые алгоритмы и дальше адаптировать старые алгоритмы. Это возможно благодаря тому, что платформа Lokad является программной и имеет гибкий DSL (язык программирования, специфичный для предметной области) под названием Envision, который был разработан специально для прогностической оптимизации цепочки поставок.

Взгляд Lokad гласит, что экспериментирование и настройка прогностических моделей не являются обходным путем для преодоления ограничений технологии прогнозирования. Это скорее задуманный способ использования решения Lokad в первую очередь. Такой подход обеспечивает не только превосходные результаты в терминах точности прогнозирования, но и результаты, которые также оказываются намного более “промышленного уровня” по сравнению с альтернативными “упакованными” подходами.

Мы не жалуемся на “плохие данные”; данные просто такие, какие они есть. Наши ученые по цепочке поставок максимально используют то, что доступно. Они также количественно оценивают в евро или долларах (или в любой другой желаемой валюте) преимущества улучшения данных, чтобы компания могла определить улучшения данных, которые приносят наибольшую отдачу. Улучшение данных - это средство, а не цель. Наши ученые по цепочке поставок предоставляют руководство, когда дополнительные инвестиции просто не оправданы ожидаемыми преимуществами для цепочки поставок.

2.10 Возможно ли итерировать и уточнять инженерию признаков, лежащую в основе прогнозирования?

Да.

Наши ученые по цепочке поставок Lokad регулярно корректируют признаки, которые входят в прогностическую модель. Это возможно благодаря тому, что платформа Lokad является программной и имеет гибкий DSL (язык программирования, специфичный для предметной области) под названием Envision, который был разработан специально для прогностической оптимизации цепочки поставок.

Однако следует отметить, что в последнее десятилетие инженерия признаков (как техника моделирования) находится на нисходящей тенденции. Фактически, она постепенно заменяется инженерией архитектуры модели. Короче говоря, вместо изменения признака для лучшего соответствия модели, модель изменяется для лучшего соответствия признаку. Дифференцируемое программирование, предпочтительный подход Lokad для прогностического моделирования, поддерживает как инженерию признаков, так и инженерию архитектуры. Однако последнее обычно более подходит в большинстве ситуаций.

См. также Управление и корректировка прогнозов 2.9 в этом разделе FAQ.

3. Точность прогноза и измерение производительности

3.1 Каково мнение вашей организации о производительности прогноза и как должна измеряться производительность прогноза?

Точность прогноза должна измеряться в долларах или евро (или валюте, выбранной клиентом) влияния. Это относится к доходности инвестиций (ROI) принятых решений на основе прогноза. Измерение процентных пунктов ошибки просто недостаточно. Точность прогноза также должна охватывать все области неопределенности, а не только будущий спрос, например, сроки поставки, возвраты, цены на товары и т. д. Все это факторы, которые изменяются и должны быть прогнозируемыми, 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 метриками, которые могут быть интересны для ученых по цепочке поставок, но с точки зрения цепочки поставок они фундаментально слепы и вводят в заблуждение. Подробности этого аргумента можно найти в публичной лекции Lokad по Экспериментальной оптимизации.

Таким образом, эти метрики не следует сообщать широкой аудитории, поскольку это только вызовет путаницу и разочарование. Напротив, обычно нетрудно сделать прогноз более точным в статистическом смысле, при этом ухудшая воспринимаемое качество обслуживания клиентов и повышая операционные расходы для поставщиков (которые отвечают повышением своих цен).

Метрики прогноза имеют значение только там, где они поддерживают принятие лучших решений в цепочке поставок. Что касается Lokad, генерация наиболее финансово обоснованных объемов заказа, объемов производства, отгруженных объемов, цен и т. д. являются деталями, на которые стоит сосредоточиться. Все остальное, включая прогнозную ошибку в изоляции, является побочным относительно основной бизнес-задачи - максимизации доходности инвестиций.

См. также Прогнозирование срока поставки.

3.2 Как вы измеряете производительность прогнозов по сравнению с фактическими продажами?

Если модель прогнозирует “продажи”, то измерение точности “прогноза продаж” просто: любые обычные показатели, такие как MAE (средняя абсолютная ошибка), подойдут. Однако проблема в том, что большинство компаний хотят прогнозировать “спрос”, а не продажи. Однако исторические данные о продажах являются неполным прокси исторического спроса. Распродажи и акции (и, возможно, действия конкурентов) искажают исторические продажи.

Таким образом, задача состоит в установлении исходного “спроса”, когда исторические данные отражают только исторические продажи. Для этой цели Lokad использует различные техники. Действительно, характер искажения между (наблюдаемыми) продажами и (скрытым) спросом сильно варьируется в зависимости от типа рассматриваемого бизнеса. Каннибализация и замещение усложняют ситуацию еще больше.

Большинство техник Lokad отказываются от моделей временных рядов, которые по своей природе не могут уловить необходимую информацию. Фактически, большую часть времени данные о продажах “обогащаются” дополнительной информацией (например, событиями отсутствия товара на складе), которая может быть использована для получения более точной модели скрытого спроса. Однако эта дополнительная информация редко подходит для (упрощенной) парадигмы временных рядов. Предполагаемая сложность моделей временных рядов не имеет значения, если необходимые данные находятся за пределами их рабочей парадигмы (т.е. не могут быть захвачены или выражены ими).

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

3.3 Предоставляете ли вы отчеты о точности прогноза? Предоставляете ли вы прогнозируемую ошибку прогноза?

Итоговая сводка: Да. Для простоты платформа Lokad может выразить свои вероятностные прогнозы (и, следовательно, ошибку) в интуитивной графической форме. Это выражается в виде традиционного графика временных рядов, где ошибка прогноза (“неопределенность”) растет вместе с горизонтом прогнозирования. Этот график эффекта дробовика помогает визуализировать, как диапазон потенциальных значений (например, спроса) расширяется по мере продвижения в будущее. Эти отчеты доступны клиентам в любое время в их учетных записях Lokad.

Половина задачи по повышению точности прогнозной модели заключается в создании соответствующих отчетных инструментов. Эта задача выполняется учеными по цепочке поставок Lokad. Поскольку Lokad использует вероятностные прогнозы, прогнозируемая ошибка обычно проявляет “эффект дробовика”, где ожидаемая ошибка прогноза постепенно растет с горизонтом прогнозирования. Эти отчеты доступны компании-клиенту в рамках платформы Lokad.

Однако в рамках вероятностного прогнозирования “точность прогноза” в значительной степени отводится на второстепенное место. В рамках этого подхода основная цель - принятие решений, учитывающих риски, с учетом всех экономических факторов и ограничений клиента, а также отражающих высокую неопределенность будущих значений (например, спроса или времени поставки). Например, если неопределенность особенно высока, соответствующие решения обычно более консервативны. Поэтому неразумно измерять точность вероятностного прогноза в изоляции; лучше рассмотреть возврат от инвестиций, связанный с решениями, принятыми на основе вероятностных прогнозов с учетом риска.

В случае классических прогнозов (также называемых детерминированными прогнозами в противоположность вероятностным прогнозам) практически каждое несоответствие прогноза приводит к дорогостоящим неправильным решениям для клиента. Вот почему компании настолько настойчиво стремятся “исправить” свои прогнозы. Однако 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 “супер-точная” техника прогнозирования находится за углом. Мы считаем, что неопределенность будущего в значительной степени несократима. Однако, комбинируя вероятностные прогнозы с решениями, учитывающими риск, отрицательные последствия высокой неопределенности в значительной степени смягчаются.

В результате точность прогнозирования перестает привлекать интерес всех, кроме технических экспертов, занимающихся самой прогностической моделью. Ставки просто больше не настолько высоки для остальной части организации, чтобы они обращали на это внимание.

3.4 Какой ожидается процент автоматизированных и точных прогнозов?

100%, если мы определим “точным” как достаточно хорошим для принятия обоснованных решений в сфере поставок. Это не означает, что каждый прогноз точен. Напротив, с помощью вероятностного прогнозирования Lokad принимает во внимание неизбежную неопределенность будущего. Часто неопределенность велика, и, следовательно, вероятностные прогнозы очень разбросаны. В результате, принимаемые на основе этих прогнозов решения, связанные с риском, очень осторожны.

В отличие от многих устаревших технологических решений, Lokad рассматривает каждый (вероятностный) прогноз, который нельзя использовать для производственных целей, как программный дефект, который необходимо исправить. Наши ученые по цепям поставок гарантируют, что все эти дефекты будут исправлены задолго до перехода к производству. Обычно мы решаем эту проблему на полпути к завершению этапа внедрения.

С другой стороны, классические прогнозы (также называемые “детерминированными” прогнозами) всегда приводят к хаосу, когда они неточны, потому что на основе этих прогнозов принимаются неразумные решения по поставкам. В отличие от этого, вероятностные прогнозы содержат свою собственную оценку ожидаемой неопределенности. Когда объемы спроса низкие и непостоянные, вероятностные прогнозы отражают высокую внутреннюю неопределенность ситуации. Расчет решений, связанных с риском Lokad, в значительной степени зависит от способности оценивать риски в первую очередь. Для этого и предназначены вероятностные прогнозы.

3.5 Можно ли отслеживать метрики, такие как MAPE (Mean Absolute Percentage Error), MPE (Mean Percentage Error), MAE (Mean Absolute Error) со временем?

Да.

Платформа Lokad является программной, и легко отслеживать все обычные метрики, такие как MAPE, MEP, MAE и т. д. Мы также можем отслеживать все несколько менее обычные метрики, такие как настраиваемые варианты этих метрик, предпочитаемые клиентской компанией. Например, “взвешенные” варианты, такие как взвешенный MAPE, взвешенный MAE и т. д., где схемы взвешивания зависят от конкретных бизнес-правил.

Lokad может собирать и объединять соответствующие/предпочтительные метрики со временем при генерации новых прогнозов. Мы также можем повторно генерировать метрики, “воспроизводя” исторические данные (т. е. проводя обратное тестирование), если клиентская компания хочет оценить ожидаемую статистическую производительность пересмотренной прогностической модели.

Однако все упомянутые выше метрики относятся к классическим прогнозам (также называемым детерминированными прогнозами). Детерминированные прогнозы следует считать устаревшими для целей цепей поставок, поскольку они не предназначены (или не способны) справиться с неопределенностью, связанной с будущими значениями (такими как спрос или сроки поставки). Они стремятся определить одно возможное будущее значение, а не все вероятные будущие значения и их вероятности. По этой причине Lokad использует вероятностные прогнозы, подход, который количественно оценивает временные ряды неопределенности, игнорируемые классическими прогнозами.

3.6 Можно ли сравнивать несколько сценариев с помощью пользовательских метрик (например, оборот, прибыль, затраты, риск и т. д.)?

Да.

Платформа Lokad является программной, поэтому она может вводить сложные метрики, определяемые множеством бизнес-правил (например, пользовательские метрики). Она также может вводить сложные альтернативные сценарии, в которых изменяется структура и/или возможности сети цепей поставок (вне простого увеличения/уменьшения спроса и сроков поставки, например). Это помогает Lokad улучшить управление рисками, стратегическое планирование и принятие решений, готовясь к различным потенциальным ситуациям и результатам в цепи поставок.

Следует отметить, что типичные возможности управления “сценариями” устарели с точки зрения Lokad. Поскольку Lokad работает с вероятностными прогностическими моделями, в некотором смысле каждое принимаемое нами решение в цепи поставок уже учтено риском. Это означает, что оно уже оптимизировано с учетом всех возможных будущих значений (например, спроса), учитывая их вероятности.

Таким образом, “сценарии” в Lokad не используются для оценки “будущих вариаций”, так как эти вариации уже полностью интегрированы в базовый режим работы Lokad. Сценарии используются для работы с радикальными изменениями, выходящими за рамки вариаций, обычно более связанными с тем, что практики называют “проектированием цепи поставок”, такими как изменение топологии сети, ее мощности, расположения поставщиков и т. д.

3.7 Отслеживаете ли вы и контролируете точность и ошибку прогноза (и, возможно, другие показатели спроса) с разными заданными лагами?

Да. Lokad отслеживает прогностические ошибки с помощью множества метрик, включая измерение горизонта/лага. Lokad отслеживает точность прогнозов для всех видов прогнозов, включая спрос, время поставки, возвраты и т. д.

Качество всех прогностических моделей зависит от горизонта. Обычно, чем дальше вперед прогноз, тем больше неопределенность. Платформа Lokad разработана таким образом, чтобы обеспечить простой отслеживание широкого спектра метрик с учетом применимого горизонта/лага. Этот принцип применяется не только к прогнозам спроса, но и ко всем прогнозам, включая прогнозы времени поставки, прогнозы возвратов и т. д.

Кроме того, следует отметить, что вероятностные прогнозы предоставляют прямую количественную оценку неопределенности, которая растет с горизонтом. Таким образом, растущая ошибка, зависящая от горизонта, не только измеряется, но и предсказывается. Поскольку принимаемые Lokad оптимизированные решения в цепи поставок учитывают риск, наши решения автоматически отражают дополнительный риск, связанный с решениями, зависящими от прогнозов на более длительный срок (по сравнению с прогнозами на более короткий срок).

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

Да, Lokad отслеживает прогностические ошибки и смещения на разных уровнях, включая соответствующие иерархические уровни (например, по продукту, по филиалу, по категории, по региону, по бренду и т. д.), когда используются иерархии. Технология дифференцируемого программирования Lokad даже позволяет нам уточнять прогнозы на заданной гранулярности для минимизации ошибки или смещения, которые возникают на другой гранулярности.

В более общем смысле, на стороне проверки, поскольку платформа Lokad является программной, исторические прогнозы могут быть повторно агрегированы любым удобным для клиентской компании способом. Аналогично, метрика, используемая для проверки агрегированных прогнозов, может отличаться от метрики, используемой для проверки дезагрегированных прогнозов, если клиентская компания предпочитает использовать альтернативную метрику.

4. Управление и очистка данных

4.1 Автоматически ли вы определяете ошибки данных?

Да. Ученые по цепям поставок Lokad тщательно создают “панели здоровья данных” для каждого проекта клиента. Эти панели здоровья данных разработаны для автоматического определения любых проблем с данными. Более того, эти панели определяют критичность проблемы и ответственность за ее решение.

Критичность проблемы определяет, является ли приемлемым или нет принятие решений в цепи поставок на основе данных, где присутствует проблема. Иногда это означает ограничение приемлемых решений для подобласти внутри клиентской компании, которая считается “безопасной” от проблемы. На практике ожидать 100% непроблемного набора данных обычно нереалистично для крупной компании. Таким образом, оптимизация цепи поставок должна иметь возможность работать (в некоторой степени) с неполными данными, при условии, что неполнота не подвергает решения в цепи поставок опасности.

Ответственность за проблему определяет, кто несет ответственность за ее устранение. В зависимости от типа проблемы, проблема может возникать из совершенно разных мест внутри клиентской компании. Например, усеченные исторические данные очень вероятно являются проблемой для IT-отдела, в то время как отрицательные валовые маржи (т. е. цена продажи ниже цены покупки) принадлежат либо отделу закупок, либо отделу продаж.

Выявление нетривиальных ошибок данных является проблемой общего интеллекта, требующей глубокого понимания цепочки поставок, которая представляет интерес. Таким образом, этот процесс не может быть автоматизирован (пока); в настоящее время это выходит за рамки возможностей программных технологий. Однако, после того, как определенная проблема будет идентифицирована, ученые по цепочке поставок могут автоматизировать будущие обнаружения. На практике наши ученые по цепочке поставок активно внедряют наиболее часто встречающиеся виды проблем в рамках первоначального проекта “здоровья данных”.

См. Здоровье данных в Конвейере извлечения данных для получения дополнительной информации о состоянии данных.

4.2 Вы автоматически очищаете исторические данные?

Резюме: Да, в том смысле, что Lokad не ожидает, что наши клиенты будут вручную предварительно обрабатывать бизнес-данные перед их предоставлением нам. Кроме того, вся конвейер данных (построенный между Lokad и каждым клиентом) работает без присмотра, с полной автоматизацией всех процессов.

Lokad редко “очищает” исторические данные; по крайней мере, не в обычном смысле. Существует несколько устаревших технологий, которые требуют обширной подготовки (“очистки”) исторических данных для работы. Например, старые системы временных рядов обычно ожидают, что снижения спроса (дефициты товара) и скачки спроса (промо-акции) будут исправлены, чтобы сохранить разумные прогнозы.

Это является отражением ограничений подхода временных рядов. В результате исторические данные должны быть тщательно подготовлены, чтобы сделать их более подходящими (как-то) для дефективной системы (временные ряды). Называть этот процесс “очисткой данных” вводит в заблуждение, потому что это создает впечатление, что проблема заключается в исторических данных, в то время как корневая причина - в дефективном проектировании системы обработки исторических данных.

В отличие от этого, технология прогнозирования Lokad выходит далеко за рамки подхода временных рядов. С помощью дифференцируемого программирования мы можем обрабатывать любые виды реляционных данных, вместо того, чтобы ограничиваться “временными рядами”. Это означает, что все причинные факторы (например, цены, запасы, события и т. д.), которые лежат в основе спроса или времени выполнения, явно учитываются в модели. Причинная интеграция гораздо превосходит очистку данных - когда это применимо - потому что очищенные данные являются нереальными (никто никогда не узнает точное значение спроса, если бы не произошел дефицит товара).

Иногда бизнес-данные (исторические или нет) требуют корректировки. Lokad пытается автоматически вносить эти корректировки при возможности, возможно, используя методы машинного обучения в зависимости от сценария. Например, механическая матрица совместимости между автомобилями и запчастями может быть автоматически улучшена с помощью метода полу-наблюдаемого обучения (см. Оптимизация цен для автомобильного послепродажного рынка).

4.3 Разрешаете ли вы пользователям вручную очищать исторические данные?

Да, если клиент желает такую функциональность, Lokad может предоставить рабочий процесс для этой цели. Однако мы обычно не рекомендуем конечным пользователям вручную очищать данные.

Другие программные решения накладывают на своих конечных пользователей множество ручных задач. В отличие от этого, ученые по цепочке поставок Lokad создают алгоритмы “от начала до конца” (“числовые рецепты”), которые работают с данными такими, какие они есть. Для нас ручная очистка данных клиентом является исключением, а не нормой.

См. также Управление и очистка данных 4.2 в этом разделе FAQ.

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

Ученые по цепочке поставок Lokad отвечают за настройку конвейера данных. Данные должны быть подготовлены, но, что самое важное, предиктивные модели должны быть разработаны таким образом, чтобы соответствовать имеющимся данным. Ученый по цепочке поставок вводит инструменты (например, специальные панели инструментов), чтобы контролировать исходные данные и подготовленные данные, чтобы убедиться, что принимаемые Lokad решения по цепочке поставок являются правильными.

Многие альтернативные решения рассматривают проблему только через призму подготовки данных, где любой неправильный вывод должен быть исправлен путем корректировки входных данных. Такие решения не являются программными, поэтому основные модели не могут быть изменены - только их входные данные могут быть изменены. Однако Lokad принимает другой технологический подход. Мы поддерживаем программную предиктивную технологию (с помощью дифференцируемого программирования). Таким образом, сталкиваясь с неправильными выводами (т.е. неправильными решениями по цепочке поставок), мы можем либо исправить входные данные, либо модели (или и то, и другое).

Почти всегда комбинация двух корректировок - лучшая подготовка данных и лучшая обработка данных - приводит к удовлетворительным результатам, а пропуск одной из них - к неудовлетворительным результатам.

См. также Управление и очистка данных 4.2 в этом разделе FAQ.

См. также Конвейер извлечения данных для получения дополнительной информации о автоматической передаче данных между клиентами и Lokad.

4.5 Вы управляете и поддерживаете мастер-данные (поддерживающие усилия по прогнозированию)?

Да, если это требуется клиентской компанией.

Однако мы настоятельно рекомендуем не использовать платформу Lokad для этой цели. По нашему мнению, аналитические инструменты (например, Lokad) должны строго разделяться с инструментами ввода данных, такими как система управления мастер-данными.

Как правило, чтобы избежать зависимости от поставщика, мы рекомендуем избегать всеохватывающих корпоративных программных инструментов. Требования к проектированию системы управления мастер-данными полностью отличаются от требований к предиктивной аналитике. Платформа Lokad может быть неплохим менеджером мастер-данных, но она никогда не станет отличным (наш дизайн слишком сильно ориентирован на предиктивную аналитику), и, наоборот, большинство менеджеров мастер-данных абсолютно непригодны для аналитики.

4.6 Могут ли пользователи загружать данные о продажах и маркетинговые данные (включая планы/прогнозы на будущее)?

Да.

Платформа Lokad способна принимать и обрабатывать несколько источников данных в различных форматах, включая таблицы Excel. Наша платформа также способна обрабатывать данные так, как они представлены в отделах продаж и маркетинга (т.е. в том виде, в котором они хранятся).

Команды по продажам и маркетингу редко предоставляют данные, организованные на уровне SKU или даже SKU x Location, который является нашим предпочтительным уровнем детализации. Исходя из этого ограничения, платформа Lokad разработана для использования входных данных (например, от продаж и маркетинга), которые имеют разные уровни детализации по сравнению с предполагаемыми прогнозами на выходе (например, SKU x Location).

4.7 Вы архивируете и сохраняете исторический спрос и прогнозы для анализа водопадного прогноза?

Да, мы обычно архивируем все прошлые прогнозы, включая спрос, время выполнения, возвраты и т.д.

Мы разработали передовые методы сжатия, чтобы ограничить накладные расходы на хранение данных, связанные с архивированием в большом масштабе. Мы также приняли общую концепцию, которая гарантирует, что архивные данные, даже в больших объемах, не влияют на ежедневную производительность платформы (например, вычисления и отображение панелей инструментов не замедляются из-за архивированных данных).

Инжиниринг платформы Lokad существенно отличается от альтернативных решений, которые серьезно страдают от высоких затрат или плохой производительности (или и того, и другого), когда реализуются обширные стратегии архивирования. В то время как эти альтернативные решения номинально предлагают обширные возможности архивирования, на практике такие архивы сильно усечены, чтобы поддерживать работоспособность решения. Это не относится к Lokad. Даже при работе с крупными клиентскими компаниями, сохранение архивов на протяжении нескольких лет обычно не является проблемой.

4.8 Архивируете ли вы ручные вводы/корректировки для анализа влияния на показатели спроса?

Да. Lokad архивирует все ручные вводы, включая ручную загрузку файлов Excel. Когда ручные вводы используются для изменения прогностических моделей (“корректировки”, обычно с целью улучшения моделей/прогнозов), мы используем эти архивы для количественной оценки улучшения (или ухудшения) точности прогноза. Эта работа обычно выполняется учеными по цепям поставок Lokad.

Платформа Lokad имеет полные возможности версионирования как данных, так и кода/скриптов. Это критически важно, поскольку нам необходимо убедиться, что “обычные” бизнес-данные (обычно исторические данные, полученные из бизнес-систем), используемые вместе с ручными вводами, точно такие же, какими они были, когда ручные вводы были предоставлены.

Бизнес-данные обычно автоматически обновляются. Однако использование последней версии бизнес-данных не отражает правильно ситуацию, которая была в момент предоставления ручной корректировки или ввода. Аналогично, прогностический код, используемый Lokad, мог измениться с момента предоставления ручного ввода. Фактически, ручной ввод мог быть предоставлен для устранения дефекта в прогностическом коде, который с тех пор был устранен.

Платформа Lokad также учитывает эти ситуации, предотвращая целые классы неверных выводов. Рассмотрим ситуации, когда ручные вводы позже оцениваются как “неверные”, когда, на самом деле, они были актуальными при рассмотрении точных условий в момент предоставления ручных вводов.

5. Классификация и кластеризация продуктов

5.1 Вы определяете медленно движущиеся товары и неравномерные паттерны спроса?

Итог: Да, прогностическая технология Lokad обеспечивает очень полное количественное описание всех интересующих SKU.

В частности, вероятностный подход к прогнозированию Lokad хорошо подходит для анализа прерывистого и непредсказуемого паттерна спроса. Оценивая вероятности редких событий, Lokad может определить “неравномерность” спроса, что обычно отражает ситуацию, когда отдельные потребители покупают много единиц сразу. Например, один клиент покупает все доступные товары (идентичные) в магазине строительных материалов, тем самым вызывая исчерпание запасов на уровне SKU.

Дифференцируемое программирование, парадигма машинного обучения Lokad, идеально подходит для работы с “законом малых чисел”, который характеризует большинство ситуаций в цепях поставок. Медленно движущиеся товары, по своей природе, имеют очень ограниченное количество данных. Аналогично, пики в неравномерном спросе также, по своей природе, являются редкими. Таким образом, эффективность использования данных прогностической модели является важным фактором. В этом отношении дифференцируемое программирование превосходит альтернативы в своей способности отражать высокоуровневые идеи, предоставленные через саму структуру модели.

Альтернативные решения обычно не справляются с медленно движущимися товарами и неравномерными паттернами спроса. Классические прогнозы (т.е. непробабилистические прогнозы) не могут учитывать медленно движущиеся товары без использования дробного спроса, который не является “реальным”. Этот дробный спрос (например, 0,5 единицы), хотя “математически” правильный, не является приемлемым способом принятия обоснованных решений в цепях поставок, так как, естественно, необходимо заказывать целые единицы.

Аналогично, классические прогнозы не могут математически отражать “неравномерность” спроса.

Например, вероятностный прогноз может отражать, что книжный магазин продает 1 единицу в день (в среднем), состоящую из смеси 1 профессора, покупающего в среднем 20 книг в месяц, плюс 1 студента, покупающего 1 книгу каждые 2 дня (в среднем).

Эта информация будет отражена в вероятностном распределении спроса модели. Однако для классического прогноза временных рядов передача тонкой реальности спроса, такой как спорадические оптовые покупки, невозможна. Он будет предсказывать только средний спрос на 1 книгу в день, не улавливая фактический паттерн спроса и тем самым искажая истинную природу продаж. Это, в свою очередь, сильно ограничивает возможность принятия финансово обоснованных решений по управлению запасами.

5.2 Вы определяете медленно движущийся или устаревший товар и предоставляете рекомендации по “хранению или продаже”?

Да. Lokad определяет медленно движущийся товар с помощью вероятностных прогнозов, позволяя принимать решения заранее с учетом рисков для снижения рисков избыточных запасов и мертвых запасов. Рекомендации выходят за рамки “хранить или продавать” и включают скидки, перемещения и корректировки для избежания каннибализации.

Определение медленно движущихся или устаревших SKU (с точки зрения спроса) осуществляется с помощью вероятностных прогнозов спроса. Вероятностные прогнозы отлично подходят для выявления и оценки рисков, включая риски избыточных запасов и мертвых запасов. Это позволяет нам принимать решения, учитывающие риски, с использованием нашей стохастической оптимизации. Таким образом, риски запасов количественно оцениваются для всех SKU на всех этапах их жизненного цикла. Этот подход критически важен, поскольку он позволяет нам выявлять как можно раньше (и решать) большинство ситуаций с запасами до того, как они станут проблематичными.

Наконец, Lokad не ограничивается только рекомендациями “хранить или продавать”. Мы можем предоставить клиентам рекомендации, отражающие все спектр доступных вариантов. Например, Lokad может рекомендовать скидки или акции для помощи в ликвидации запасов. Мы также можем рекомендовать перемещение запасов в другое место, если в других каналах наблюдается высокий спрос. Мы можем рекомендовать временную приостановку или снижение ранга другого продукта, который случайно каннибализирует спрос на другой SKU.

Вкратце, ученые по цепям поставок Lokad делают все возможное, чтобы ни один камень не оставался не перевернутым, прежде чем объявить, что запасы “мертвы”.

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

5.3 Позволяете ли вы пользователям управлять иерархическими рабочими процессами по продуктам (сверху вниз, с середины, снизу вверх)?

Да. Поскольку платформа Lokad является программной, мы можем решить любой достаточно хорошо определенный рабочий процесс для наших клиентов. Примеры включают любой рабочий процесс, работающий вдоль существующих иерархий продуктов клиента.

По нашему мнению, возврат на инвестиции клиента (ROI) при использовании таких рабочих процессов очень неясен. Сама необходимость таких рабочих процессов отражает глубокие дефекты в программном обеспечении цепи поставок, которые необходимо исправить изнутри, максимально используя автоматизацию.

Платформа Lokad предоставляет обширные возможности для визуализации данных по всем соответствующим измерениям: иерархиям продуктов, регионам, горизонтам/задержкам времени, поставщикам, типам клиентов и т. д. Эти возможности являются инструментальными для выявления дефектов и областей дальнейшего улучшения. Однако использование этих возможностей для “рабочего процесса” обычно является ошибочным (хотя для Lokad это просто). Мы рекомендуем непосредственно изменять базовые числовые алгоритмы (код), используемые Lokad, чтобы устранить необходимость управления рабочими процессами цепи поставок со стороны практиков.

Многие альтернативные решения не обладают программными возможностями. В результате, когда обнаруживается дефект, обычно нет других вариантов, кроме как ждать следующей версии программного обеспечения (возможно, через несколько лет) или выбрать индивидуальную настройку - путь, который обычно приводит к проблемам, поскольку клиентская компания оказывается с необслуживаемым программным продуктом.

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

Да.

Платформа Lokad предоставляет обширные возможности, которые позволяют пользователям объединять элементы (например, SKU, продукты, клиенты, поставщики, местоположения и т. д.) в соответствии с целым спектром факторов - включая ручной ввод.

Учитывая, что платформа Lokad является программной, если критерий группировки или близости может быть выражен численно, нетрудно сгруппировать соответствующие элементы клиента. Эта задача выполняется учеными по цепям поставок Lokad.

В связи с этим платформа Lokad также может использовать отношения между связанными иерархическими элементами для предсказательных или оптимизационных целей. В частности,

Платформа Lokad принимает реляционную перспективу для всех своих числовых инструментов. Реляционная перспектива выходит за рамки временных рядов и графиков, смешивая реляционные и иерархические данные. Эта реляционная перспектива пронизывает наши инструменты, включая инструменты машинного обучения. Этот аспект является ключевым для использования доступных отношений за пределами простого отображения.

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

Итоговая информация: Lokad может предложить гибкую классификацию продуктов ABC и ABC XYZ, адаптируясь к вариациям и исключениям, если клиент этого желает. Однако мы считаем эти классификации (и их современные аналоги) устаревшими. Позиция Lokad состоит в том, что современное управление цепями поставок должно сосредоточиться на действенных идеях, которые приводят к принятию решений с учетом риска, а не полагаться на упрощенные инструменты категоризации.

Платформа Lokad поддерживает все основные схемы классификации, включая ABC и ABC XYZ анализ, и т. д. Поскольку платформа Lokad является программной, также нетрудно адаптировать все тонкие вариации, которые существуют при тщательном определении таких классов (например, тонкие правила исключения). Однако классификации продуктов (такие, как указанные выше), являются технологически устаревшим подходом к проблемам и оптимизации цепей поставок.

Некоторые поставщики программного обеспечения для цепей поставок, особенно те, которые используют устаревшие технологии, гордятся анализом ABC или анализом ABC XYZ. Однако, неизменно, классификации, которые предоставляют эти инструменты, используются для устранения многочисленных дефектов программного решения, которое клиент уже использует, таким образом, они решают симптомы, но не причину проблемы(ы). Эти инструменты используются как грубые механизмы приоритезации внимания. Это не подходящий способ подходить к интересующим вопросам, таким как прерывистый или изменчивый спрос.

Во-первых, необходимо устранить основные дефекты, чтобы избавить практиков по цепям поставок от таких трудоемких обзоров. Во-вторых, классификации, основанные на объеме, слишком грубы, чтобы быть практически полезными, и плохо используют время практиков по цепям поставок.

Поэтому ученые по цепям поставок Lokad направляют клиентов на принятие решений, которые отражают финансовое влияние потенциального решения/призыва к действию в цепи поставок (обычно измеряемое в долларах или евро). Если элементы и решения не приоритизированы с учетом их доходности (возврата инвестиций), любая попытка “приоритизации” или “оптимизации” фактически бессмысленна.

См. ABC XYZ за 3 минуты и Анализ ABC не работает для получения дополнительной информации о ограничениях этих инструментов 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 возможно благодаря возможностям обработки нашей платформы в отношении реляционных данных. Это позволяет нам работать с комплексными элементами, которые нельзя “сгладить” в фиксированный набор свойств. Кроме того, благодаря дифференцируемому программированию, Lokad может изучать/настраивать метрики сходства, используемые для группировки элементов таким образом, что это особенно полезно для конкретной задачи, такой как прогнозирование.

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

5.7 Уточняете ли вы прогноз с помощью иерархий продуктов/местоположений и/или кластеризации?

Да.

Lokad полностью использует реляционную структуру входных данных. Наш подход дифференцируемого программирования особенно хорошо подходит для обработки реляционных данных. Именно так Lokad может использовать иерархии, списки, опции, графы, числовые и категориальные атрибуты для своих прогностических моделей. Кроме того, наши прогностические модели прогнозируют все источники неопределенности в цепи поставок, включая спрос, сроки поставки, возвраты, выходы, цены на товары и т. д.

Кластеризация может быть использована для выявления соответствующего шаблона для интересующего прогноза. Например, все типичные цикличности (например, день недели, неделя месяца, неделя года и т. д.) и квазицикличности (например, Пасха, Китайский Новый год, Рамадан, Черная пятница и т. д.) могут получить выгоду от такой техники. Платформа Lokad обеспечивает обширную поддержку инструментов кластеризации для прогностических целей.

См. Иллюстрация: Цикличность на основе кластеров для получения дополнительной информации по этому вопросу.

6. События и объясняющие переменные

6.1 Вы определяете исключительные события (например, события отсутствия товара на складе) и акции в исторических данных?

Резюме: Да. Lokad обогащает исторические данные известными исключительными событиями с использованием предиктивного программирования, что повышает точность по сравнению с традиционным прогнозированием временных рядов. Этот подход позволяет обрабатывать неполные данные и восстанавливать утраченные события (как временное решение, когда прямая запись исторических событий недоступна).

Исторические данные содержат множество событий, искажающих измерения (например, спрос, сроки поставки и т. д.). Lokad работает с помощью предиктивных программирования, таких как дифференцируемое программирование, что позволяет нам обогащать исходную историю всеми этими событиями. Однако, как правило, эти исключительные события не “определяются” - они уже известны. Если значимые события были потеряны, то Lokad может использовать прогностическую модель для восстановления таких событий.

Старые, устаревшие технологии прогнозирования раньше не могли справиться ни с чем, кроме простых временных рядов. В результате каждое искажение, которое когда-либо применялось к спросу, должно было быть скорректировано заранее, иначе прогнозы были бы сильно искажены/смещены. К сожалению, этот подход имеет конструктивные недостатки, поскольку эти прогнозы временных рядов строятся на основе других прогнозов, что приводит к накоплению неточностей.

Предиктивная технология Lokad не страдает от той же проблемы, так как она поддерживает дополнительные объясняющие переменные. Вместо того, чтобы притворяться, что мы точно знаем, что произошло бы без исторических событий (например, отсутствие товара на складе), прогностическая модель отражает объясняющую переменную в своих выходных данных (т. е. в своих прогнозах). Этот методология не требует поэтапного подхода к прогнозированию. Кроме того, она может использовать неполные данные, такие как отсутствие товара на складе, обнаруженное в конце дня после рекордной продажи единиц - информация, которая по-прежнему является важной, даже в неполной форме.

Если значимые события (например, исчерпание запасов) были потеряны или просто никогда не были записаны, то Lokad способна восстановить такие события путем анализа исторических данных. Однако, несмотря на то, насколько точной может быть такая реконструкция с точки зрения статистики, она всегда будет менее точной, чем прямая запись событий по мере их развития. Поэтому Lokad обычно историзирует показатели, такие как уровень запасов, когда эти показатели не архивируются должным образом в соответствующих бизнес-системах.

6.2 Вы определяете исключительные события и (перемещающиеся) праздники?

Да. Прогностические модели Lokad адаптируются к исключительным событиям и праздникам. Наши ученые по цепочке поставок оценивают влияние, предоставляя клиентам прозрачную модель и понимание эффектов конкретного события на динамику цепочки поставок клиента.

Lokad определяет все исключительные события и адаптирует структуру своих прогностических моделей, чтобы отразить их. Однако для всех квазициклических паттернов (например, Пасха, Китайский Новый год, Рамадан, Черная пятница и т. д.) определение дано - мы уже знаем, что событие существует и оказывает влияние. Единственный вопрос, который остается без ответа, - это количественная оценка влияния события.

Позволяя ученым по цепочке поставок сделать высокоуровневую оценку влияния известного события (или его отсутствия), мы получаем прогностическую модель с гораздо большей эффективностью данных. Высокая эффективность данных критична для поддержания точности прогностической модели, когда доступно мало данных, что часто бывает в ситуациях цепочки поставок.

Кроме того, когда Lokad явно определяет и называет паттерны, сотрудники цепочки поставок клиента получают прогностическую модель с белым ящиком, которая содержит семантические факторы. Например, влияние Черной пятницы (если оно есть) сопровождается специальным фактором, оцененным на основе исторических данных. Затем практикующий в области цепочки поставок может использовать этот фактор, чтобы понять, какие продукты наиболее чувствительны к Черной пятнице в частности, в отрыве от всех остальных паттернов, которые играют роль, таких как сезонность (т. е. годовая цикличность).

См. также События и объяснительные события 6.1 в этом разделе FAQ.

6.3 Вы управляете ситуациями с отсутствием товара в качестве объяснительной переменной?

Да. Lokad включает ситуации с отсутствием товара непосредственно в свои прогностические модели, решая как полные, так и частичные исчерпания запасов, не прибегая к восстановлению “фиктивного” спроса для заполнения пробелов в данных. Мы непосредственно моделируем то, что обычно называется цензурированным спросом. Более того, Lokad способна учитывать частичные исчерпания запасов (когда исчерпание происходит в рабочий день) и использовать соответствующую информацию.

В более общем смысле, Lokad также способна работать со всеми вызванными артефактами, возникающими из-за исчерпания запасов. В зависимости от особенностей компании-клиента, эти артефакты могут сильно варьироваться. Например, может возникнуть всплеск спроса в конце периода исчерпания запасов, если потребители достаточно лояльны, чтобы подождать. Также могут быть невыполненные заказы, при этом некоторые потребители могут отказаться отложить свою покупку. И т. д.

Ученые по цепочке поставок, работающие в Lokad, гарантируют, что исчерпания запасов моделируются таким образом, чтобы действительно отражать динамику бизнеса компании-клиента.

См. обсуждения “Маскировка потерь” в Структурированное прогностическое моделирование для цепочки поставок и “Неполная модель срока поставки” в Прогнозирование срока поставки для получения дополнительной информации о том, как Lokad обрабатывает эти ситуации.

6.4 Вы прогнозируете акции?

Да. Предиктивная технология Lokad может прогнозировать изменение спроса, вызванное акционными механизмами. Акционный механизм может включать вариации цен, изменения ранжировки отображения (электронная коммерция), изменения ассортимента, изменения видимости (например, гондолы в рознице) и т. д. Вкратце, Lokad предоставляет вероятностные прогнозы для акций, так же, как и для всех потенциальных источников неопределенности в цепочке поставок (например, спрос, срок поставки, возвраты и т. д.).

Принимая решения в цепочке поставок, такие как пополнение запасов, Lokad учитывает не только будущую запланированную активность по акциям, но и потенциал такой активности. Например, если у клиентской компании есть возможность проводить акции, и ее клиенты (как правило) положительно реагируют на акции, это означает, что клиентская компания может быть немного более агрессивной с запасами. Это связано с тем, что акции являются эффективным инструментом для снижения излишков запасов. Напротив, если у клиентской компании есть клиентура, которая в значительной степени не реагирует на акции, то ей необходимо быть более внимательной к излишкам запасов. Это связано с тем, что у нее нет такого механизма для их снижения.

Lokad генерирует такие решения, скорректированные на риск (и скорректированные на опционы), используя вероятностные прогнозы. Эти прогнозы необходимы для оценки рисков в первую очередь. После этого мы используем стохастическую оптимизацию - в простых терминах, математическую операцию - для разработки решений, максимизирующих ROI (возврат на инвестиции) клиента, учитывая его множественные источники неопределенности (например, спрос, срок поставки, акции, возвраты и т. д.).

6.5 Вы идентифицируете и прогнозируете запуск новых продуктов и замены?

Итог: Да, Lokad прогнозирует спрос на все продукты, включая новые. Мы делаем это независимо от количества исторических данных, которые могут быть доступны для продуктов - что, вероятно, будет равно нулю, если продукт еще не был запущен.

Для составления статистического прогноза в указанных условиях Lokad обычно использует (a) всю историю запусков внутри клиентской компании, (b) атрибуты продукта для его позиционирования в предложении, (c) альтернативные продукты, которые обеспечивают как базовую линию, так и потенциал для каннибализации, и (d) маркетинговые операции, поддерживающие этот конкретный запуск.

Если продукт позиционируется в предложении клиента как явная замена старого продукта, то задача прогнозирования намного проще. Однако мы не рекомендуем принимать такой подход, если сотрудники цепочки поставок клиента не уверены, что новый и старый продукты действительно эквивалентны для потребителей. На практике запуск продукта редко является однозначной заменой между новыми и старыми продуктами. Таким образом, Lokad использует передовую технологию для использования всех исторических данных, а не назначает один продукт для предоставления псевдоистории нового запущенного продукта.

Более того, Lokad генерирует вероятностные прогнозы для запуска продуктов. Это особенно важно, потому что классические (непробабилистические) прогнозы полностью игнорируют характерные для запуска новых продуктов шаблоны “попал-не-попал”. Вероятностные прогнозы, с другой стороны, количественно оценивают эту неопределенность, позволяя нам генерировать решения в цепочке поставок, скорректированные на риск.

В большинстве бизнес-систем дата запуска продукта правильно определена, и поэтому нет необходимости в дополнительной идентификации. Однако, если дата запуска не записана или неправильно записана, то Lokad может приступить к фактическому восстановлению этой информации. Естественно, более ранние записи о продажах представляют собой базовую линию для запуска.

Однако, иногда в случае прерывистого спроса может потребоваться много времени, чтобы продукт продал свою первую единицу. У ученых по цепям поставок Lokad есть различные эвристики, которые позволяют учесть такие ситуации.

См. также События и объяснительные события 6.1 в этом разделе FAQ.

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

Lokad использует предыдущие запуски и текущие продажи, акцентируя внимание на важности атрибутов (формальных и текстовых) для прогнозирования спроса на новые товары/местоположения.

Хотя товар может быть “новым”, обычно это не первый “новый” товар, запущенный клиентской компанией. Прогностическая технология Lokad использует предыдущие запуски товаров, а также текущие объемы продаж, чтобы прогнозировать спрос на новый товар. В частности, наличие формальных атрибутов (например, цвет, размер, форма, ценовой диапазон и т. д.), а также текстовых атрибутов (например, метка, краткое описание, комментарии и т. д.) имеют решающее значение для математического определения места товара в общем предложении компании.

Процесс с новыми местоположениями аналогичен, хотя данные обычно более ограничены. В то время как обычно компании запускают тысячи новых продуктов в год (особенно в отраслях, таких как мода), очень немногие компании могут утверждать, что они запускают даже сто новых местоположений в год. Однако, используя атрибуты и характеристики нового местоположения, Lokad может составить прогноз даже в том случае, если у этого конкретного местоположения нет истории продаж.

См. также События и объяснительные события 6.5 в этом разделе FAQ.

6.7 Учитываете ли вы предшествующие товары, возможно, помеченные или эквивалентные/похожие товары?

Да, если запущенные товары имеют “предшественников” или “похожие” товары, прогностическая технология Lokad способна использовать эту информацию для уточнения своих прогнозов.

Мы можем учесть весь спектр уверенности в предоставленной информации, начиная от “этот новый продукт является почти идеальным эквивалентом этого другого продукта” до “эти два продукта весьма похожи”. Также можно предоставить несколько предшественников, если нет ясного “самого похожего” товара.

В то время как старые (теперь устаревшие) технологии прогнозирования заставляли практиков по цепям поставок вручную сопоставлять старые и новые продукты, это не относится к Lokad. При условии наличия некоторой базовой информации наша технология способна использовать исторические данные о других продуктах для прогнозирования нового товара. Среди соответствующей базовой информации можно выделить метку(и) продукта и ценовой диапазон(ы).

Как правило, мы рекомендуем обогащать мастер-данные для лучшего автоматического сопоставления. Это, по нашему мнению, предпочтительнее, чем заставлять сотрудников клиента, отвечающих за цепь поставок, заниматься утомительной работой по ручному сопоставлению. Окупаемость (возврат на инвестиции) от улучшения мастер-данных обычно значительно превышает сопоставления, так как мастер-данные также могут непосредственно влиять на множество операций после запуска.

См. также События и объяснительные события 6.5 в этом разделе FAQ.

6.8 Вы определяете каннибализацию? Оцениваете ли вы влияние на каннибализирующий продукт и на каннибализируемые продукты?

Да, прогностическая технология Lokad учитывает каннибализацию (и замены) в рамках анализа спроса.

Хотя ситуации различаются, модель обычно симметрична, поэтому модель количественно оценивает как продукт, который каннибализирует, так и продукт, который подвергается каннибализации. Наш подход учитывает состав предложения, которое может варьироваться от одного магазина к другому или от одного канала продаж к другому.

Если клиенты могут быть идентифицированы (примечание: с использованием анонимных идентификаторов, поскольку Lokad не нуждается в личных данных), то Lokad может использовать двудольный граф, который связывает клиентов и продукты. Этот временной граф (связывающий продукты и клиентов через их транзакции) обычно является лучшим источником информации для количественной оценки каннибализации. Если эта информация недоступна, Lokad все равно может работать, хотя и с пониженной точностью, когда речь идет о деталях самой каннибализации.

Прогностические методы Lokad существенно отличаются от классических моделей временных рядов. Модели временных рядов просто не достаточно выразительны для работы с каннибализацией. Фактически, после того, как исторические данные были преобразованы в данные временных рядов, большая часть соответствующей информации для решения проблемы каннибализации уже потеряна. Эту потерянную информацию невозможно восстановить позднее, независимо от того, насколько сложными являются модели временных рядов. В отличие от этого, Lokad использует дифференцируемое программирование для своих прогностических моделей - подход, который намного более выразителен, чем устаревшие модели временных рядов.

6.9 Разрешаете ли вы добавление или обновление объясняющих переменных? Можно ли обновлять эти переменные вручную?

Да. Платформа Lokad является программной и, буквально, такой же гибкой, как электронная таблица Excel, когда речь идет о включении обновлений объясняющих переменных. Также возможно, если требуется, передавать объясняющие переменные через фактические электронные таблицы.

Дифференцируемое программирование, подход Lokad к прогностическому моделированию, позволяет легко создавать модели, в которых встроены произвольные объясняющие переменные. Объясняющие переменные не обязательно должны быть выражены в “прогнозируемых единицах” или быть иным образом согласованы с процессом прогнозирования. С помощью дифференцируемого программирования можно интегрировать объясняющие переменные, оставляя множество отношений “неколичественными” - тем самым передавая процесс обучения платформе Lokad. Кроме того, количественная оценка отношения(ий) становится доступной для практика в сфере поставок. Таким образом, практик в сфере поставок можно получить представление о том, действительно ли объясняющая переменная получает поддержку в прогностической модели.

Некоторые старые (теперь устаревшие) технологии прогнозирования требовали прямой связи между объясняющими переменными и желаемыми прогнозами. Например, объясняющие переменные должны были быть линейно связаны с сигналом спроса; объясняющие переменные должны были быть выражены с той же детализацией, что и прогнозы; и/или объясняющие переменные должны были быть однородными с историческими данными и т.д. Технология Lokad не страдает от этих ограничений.

Более того, программные возможности платформы Lokad позволяют организовывать объясняющие переменные таким образом, чтобы их обслуживание было максимально простым для сотрудников цепочки поставок клиента. Например, можно начать с электронной таблицы Excel для отражения объясняющих переменных, а затем перейти к автоматизированной интеграции данных. Этот переход может произойти, когда дополнительная точность (полученная благодаря этим объясняющим переменным) будет считаться достаточной для автоматизации передачи данных.

См. обсуждение “Интеграция ковариационных переменных” в Структурированное прогностическое моделирование для цепочки поставок для получения дополнительной информации по этому вопросу.

6.10 Разрешаете ли вы ручную корректировку прогноза для будущих событий без предыдущих исторических данных?

Да. Lokad всегда позволяет вручную корректировать прогнозы, независимо от наличия или отсутствия исторических данных. Мы также можем отслеживать качество/точность ручных корректировок. Однако, при использовании современной прогностической технологии, ручные корректировки обычно не требуются и в целом не рекомендуются.

Первая причина, по которой специалисты по цепям поставок чувствуют необходимость в ручной корректировке прогнозов, заключается в том, что они хотят изменить принимаемые решения в цепи поставок, которые вытекают из прогнозов (например, заказ на закупку). В таких случаях большую часть времени специалист по цепи поставок сталкивается с риском, который не отражается должным образом в прогнозах. Не в том, что прогнозы должны быть выше или ниже, чем они есть, а в том, что решение, которое получается, должно быть скорректировано вверх или вниз, чтобы отразить риск. Lokad решает эту проблему с помощью вероятностных прогнозов и рисково-ориентированных решений в цепи поставок. Прогнозы уже отражают все возможные будущие значения (например, спрос) и их соответствующие вероятности. Таким образом, наши рекомендуемые решения уже скорректированы с учетом риска. Если решения оказываются неправильными, а прогноз правильным, то обычно нужно скорректировать экономические факторы, связанные с решением, а не сам прогноз.

Вторая причина для ручной корректировки прогноза - прогноз явно неверен. Однако в таких ситуациях (основная) модель прогнозирования сама должна быть исправлена. Не исправлять их означает, что сотрудники цепи поставок должны продолжать бороться с симптомами проблемы (неточные прогнозы), а не с самой болезнью (неправильной моделью прогнозирования). Если не исправить модель, прогнозы будут обновляться по мере появления новых данных, и либо плохие прогнозы снова появятся, либо исходное исправление (если оно останется) само станет источником неточности прогноза.

Короче говоря, если модель прогнозирования не обладает достаточной точностью (обычно из-за отсутствия информации), то входные данные модели должны быть дополнены, чтобы учесть соответствующую отсутствующую информацию. В любом случае, использование дефектной модели прогнозирования никогда не является правильным решением.

6.11 Вы уточняете прогнозы с помощью маркетинговых и специальных кампаний?

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

Дифференцируемое программирование - технология прогнозирования Lokad - способно обрабатывать дополнительные типы/источники данных, даже если они не соответствуют структурно исходным историческим данным о спросе (таким, какие обычно находятся в типичных бизнес-системах клиента).

Дифференцируемое программирование может обрабатывать дополнительные источники данных без ожидания, что эти дополнительные данные являются исчерпывающими или даже полностью правильными/точными. Конечно, если данные очень неполные/неточные, это ограничивает общую точность, получаемую при обработке этих данных в первую очередь.

Что более важно, прогностическая технология Lokad меняет подход клиентов к их маркетинговым кампаниям. Классическая перспектива прогнозирования рассматривает будущий спрос как движение планет: что-то, что полностью выходит за пределы нашего контроля. Однако маркетинговые кампании не падают с неба. Они отражают явные решения, принимаемые клиентской компанией. Благодаря пониманию и технологии Lokad клиентские компании могут скорректировать свои маркетинговые кампании в соответствии с тем, что может поддержать цепь поставок.

Например, бессмысленно ускорять спрос дальше (запуская новую кампанию), если все товары уже направляются на исчерпание запасов. Напротив, если избытки товаров растут, может быть время возобновить несколько кампаний, которые ранее были приостановлены.

6.12 Вы уточняете прогнозы с помощью эластичности цены? Могут ли запланированные изменения цены быть прогнозируемо учтены в прогнозе/прогностической модели?

Да. Прогностические возможности моделирования Lokad охватывают ценообразование, включая эластичность цены, а также запланированные изменения цены в будущем. Дифференцируемый подход Lokad к программированию позволяет легко включать одну (или несколько) переменную(ых) цены, как в прошлом, так и в будущем. Прошлые случаи используются для изучения причинно-следственной связи между изменением спроса и изменением цены.

Дифференцируемое программирование позволяет нам совместно изучать влияние изменения цен на все другие закономерности, влияющие на спрос, такие как множественные цикличности (например, сезонность). Модель причинно-следственной связи может затем применяться к будущим ценам, которые могут быть повышены или понижены, чтобы отразить изменяющуюся стратегию ценообразования клиентской компании.

Однако, эластичность цены часто является довольно грубым подходом для моделирования эффекта изменения цен. Например, с помощью эластичности невозможно моделировать пороговые эффекты. Это включает сценарии, когда потребители реагируют сильно на изменение цены, когда продукт становится всего лишь немного дешевле, чем другой эквивалентный продукт. В частности, когда конкурентные цены собираются с помощью инструмента конкурентной разведки, эластичность цены оказывается недостаточной для объяснения изменений спроса, которые лучше объясняются изменениями цен конкурента.

Платформа Lokad имеет возможности, которые выходят далеко за рамки простого моделирования эластичности цены. Lokad может и часто оптимизирует как закупки, так и ценообразование. В то время как основная перспектива цепи поставок рассматривает оптимизацию запасов и оптимизацию ценообразования как две отдельные проблемы, очевидно, что цены влияют на спрос, даже когда “эластичность” цены оказывается слишком грубой, чтобы точно отразить это влияние. Таким образом, имеет смысл координировать политику как по запасам, так и по ценообразованию, чтобы максимизировать прибыльность цепи поставок.

6.13 Вы уточняете прогнозы с учетом конкурентной активности (например, данных конкурентной разведки)?

Итог: Да, прогностическая технология Lokad способна использовать данные конкурентной разведки для уточнения прогнозов спроса (и цен, при необходимости) для клиентов. Это делается только в том случае, если данные конкурентной разведки доступны нам, так как Lokad самостоятельно не собирает данные конкурентной разведки. По нашему мнению, эту задачу лучше доверить специалистам по сбору данных из Интернета.

Использование данных конкурентной разведки обычно является двухэтапным процессом. Во-первых, нам нужно somehow связать конкурентные данные с предложением клиентской компании. Если клиентская компания и ее конкуренты продают точно такие же продукты, определенные их штрих-кодами GTIN, то этот процесс прост. Однако часто возникают различные сложности.

Например, компании могут иметь разные условия доставки (например, платы и задержки), или может быть временная акция, доступная только держателям карты лояльности. Кроме того, конкуренты обычно не продают точно такие же продукты (по крайней мере, не в смысле GTIN), но их предложения в целом конкурируют друг с другом. В таких ситуациях простые однозначные связи между продуктами соответствующих компаний больше не имеют значения. Тем не менее, прогностическая технология Lokad (и ученые по цепям поставок) могут решить все эти сложности.

Во-вторых, после установления связей, прогностическая модель должна быть адаптирована для отражения влияния конкуренции на спрос. Здесь самая большая проблема часто заключается в том, что эффект приходит с серьезной задержкой. В большинстве рынков клиенты не постоянно отслеживают цены конкурентов. Таким образом, значительное снижение цены конкурента может остаться незамеченным многими клиентами в течение длительного времени. Фактически, главным эффектом конкуренции по цене является медленное сокращение доли рынка клиента. Таким образом, ошибкой является узкое оценивание влияния конкуренции “на один продукт”. Необходимо также оценивать комплексные эффекты на всю компанию.

Опять же, ученые по цепям поставок Lokad обеспечивают, чтобы стратегия моделирования отражала стратегическое понимание клиентской компании (и ее места на рынке). Это стратегическое понимание включает долгосрочные аспекты, такие как приобретение или потеря доли рынка.

Дополнительные обсуждения “Решение выравнивания” см. в Оптимизация ценообразования для рынка автозапчастей.

См. также События и объясняющие переменные 6.12 в этом разделе Часто задаваемых вопросов.

6.14 Вы уточняете прогнозы с помощью данных прогноза погоды?

Итоговое резюме: Да, Lokad способна уточнять свои прогностические модели с помощью данных прогноза погоды. Наш первый успех в этой области был достигнут в 2010 году при работе с крупным европейским производителем электроэнергии. Наша текущая прогностическая технология (дифференцируемое программирование) упрощает процесс интеграции прогнозов погоды по сравнению с предыдущими технологиями.

На практике, хотя технически возможно уточнять прогнозы с помощью погодных данных, очень мало наших клиентов действительно используют такие уточнения в производственных условиях. По нашему мнению, это обычно не стоит затрачиваемых усилий. Всегда есть более простые варианты, которые обеспечивают более высокую отдачу от инвестиций (ROI) при сопоставимом количестве инженерных ресурсов.

В целом, существуют две основные проблемы при попытке использовать данные прогноза погоды в этом контексте. Первая проблема заключается в том, что эти прогнозы краткосрочные. После 2 или 3 недель прогнозы погоды возвращаются к сезонным средним значениям. Таким образом, как только мы выходим за пределы короткого горизонта, прогнозы погоды не предоставляют дополнительной информации, кроме обычной сезонности. Это означает, что все решения в цепи поставок, которые не являются строго краткосрочными, не получают преимущества от данных прогноза погоды. Это серьезно ограничивает применимую область этой техники.

Вторая проблема - это огромные технологические сложности, связанные с этой техникой. Погода - это очень местное явление, но при рассмотрении крупных цепей поставок мы фактически рассматриваем сотни или тысячи (если не десятки тысяч) соответствующих местоположений, распределенных по огромным географическим пространствам (возможно, по нескольким континентам). Таким образом, каждое местоположение может иметь свою “погоду” (метеорологически говоря).

Кроме того, “погода” - это не одно число, а целая коллекция чисел, включая температуру, осадки, ветер и т. д. В зависимости от типа товаров, обслуживаемых, температура может быть или не быть определяющим фактором для уточнения прогноза спроса.

В основе попытки уточнить прогноз спроса с помощью данных прогноза погоды лежит распределение ресурсов (время, деньги, усилия и т. д.), которые могли бы быть направлены в другое место (или по крайней мере на более эффективные усилия по уточнению). Мы наблюдаем, что прогнозы погоды почти никогда не являются “конкурентным” вариантом в этом отношении. Таким образом, хотя Lokad способна использовать прогнозы погоды, мы рекомендуем исчерпать все другие потенциально более простые пути уточнения, прежде чем обратиться к данным прогноза погоды.

6.15 Вы уточняете прогнозы, чтобы отразить открытие нового магазина/закрытие старого?

Да.

Технология прогнозирования Lokad способна точно моделировать влияние открытия нового магазина и/или закрытия старого. Наша технология также может моделировать временные закрытия, такие как временные закрытия для ремонтных работ. Кроме того, Lokad может (и делает это) учитывать также изменчивость рабочих часов (если эти данные предоставлены нам). Прогностическая технология Lokad (дифференцируемое программирование) особенно эффективна в работе со всеми этими искажениями сигнала спроса.

Кроме того, когда магазины находятся рядом (например, в одном городе), мы можем учитывать эффект замены, когда клиенты, которые раньше ходили в один магазин (теперь закрытый), переходят в другой. Если некоторые транзакции имеют идентификатор клиента (примечание: только идентификатор, поскольку Lokad не нуждается в каких-либо персональных данных), то мы можем использовать эту информацию для более точной оценки точной доли клиентов, которые следуют за определенным брендом, несмотря на перемещение магазинов.

С другой стороны, модели временных рядов (прогнозирования) даже не могут правильно представить соответствующую входную информацию. В этом случае мы имеем в виду описанные выше исходные транзакционные данные, такие как данные программ лояльности клиентов.

Примечания