Прогнозирование оптимизации поставок

С 2008 года мы делаем все возможное, чтобы предоставить наиболее точные прогнозы, которые может создать технология. Наша технология постоянно развивается, чтобы отражать последние открытия в математике и компьютерных науках.

6 ПОКОЛЕНИЙ ПРОГНОЗИРОВАНИЯ

За последнее десятилетие технологии, связанные с данными, развивались со сумасшедшей скоростью. Компании перешли от использования технологий, которые в основном основывались на математике и не изменились так сильно с 18 века, к технологиям, ориентированным на большие данные, основанным на машинном обучении и глубоком обучении. Lokad сосредоточился на том, чтобы опережать события и привносить лучшее, что может предложить наука, в оптимизацию цепочки поставок.

Отправьтесь в путешествие по памяти и откройте для себя разные поколения нашей технологии прогнозирования.

• Дифференцируемое программирование (2019): слияние двух алгоритмических областей: машинное обучение и численная оптимизация
• Глубокое обучение (2018): вероятностное прогнозирование, основанное на роботизации через искусственный интеллект (AI) и сетки GPU Вероятностное прогнозирование (2016): принятие неопределенности с помощью машинного обучения и высокомерной статистики
• Квантильные сетки (2015): рассмотрение всего распределения вероятности спроса и введение ограничений цепочки поставок
• Квантильные прогнозы (2012): переход от прогнозов среднего значения к прогнозам смещения, отражающим бизнес-специфические асимметрии
• Классические прогнозы (2008): переход от одной математической модели, настроенной вручную, к полностью автоматизированному бенчмарку целой библиотеки моделей

ПРАВИЛЬНЫЙ МИКС ИНГРЕДИЕНТОВ

Рецепт успеха

Технология Lokad не сводится к использованию одной (или нескольких) волшебной статистической модели. Это комбинация ингредиентов, работающих вместе, чтобы создать правильную алхимию. В наши ранние годы мы довольно быстро поняли, насколько большой разрыв между чистой математической моделированием и реальностью цепочек поставок.

То, что работало чудеса в теории, было абсолютно неэффективно при применении к реальным бизнесам: данные были нечистыми, недостаточно глубокими, слишком разреженными, огромное количество ссылок или записей в истории продаж для некоторых бизнесов делали целые классы моделей чрезвычайно сложными в использовании, а затем ограничения цепочки поставок сделали так, что улучшение классических метрик точности прогнозов на самом деле ухудшало производительность бизнеса.

Lokad должен был найти правильные технологические ответы на все эти вопросы и радикально изменить свое представление о прогнозировании и оптимизации цепочки поставок.

Корреляции

с глубоким обучением

При анализе отдельного продукта просто недостаточно данных, чтобы получить точный статистический прогноз. На большинстве потребительских рынков жизненный цикл продукта составляет менее 4 лет, что означает, что в среднем у большинства продуктов нет даже 2 лет истории - то есть минимальной глубины для выполнения надежного анализа сезонности при анализе отдельного временного ряда. Мы решаем проблему с помощью статистических корреляций: информация, полученная по одному продукту, помогает уточнить прогноз по другому продукту. Например, Lokad автоматически определяет применимую сезонность для продукта, даже если продукт продается всего 3 месяца. Хотя с 3 месяцами данных невозможно наблюдать сезонность, если в истории присутствуют более старые, долгоживущие продукты, то сезонность может быть извлечена там и применена к новым продуктам.

Вычислительная мощность

через облачные вычисления и графические процессоры

Хотя использование корреляций в исторических данных значительно повышает точность, оно также увеличивает количество вычислений, которые необходимо выполнить. Например, чтобы скоррелировать 1 000 продуктов, рассматривая все возможные пары, есть немного менее 1 000 000 комбинаций. Хуже того, у многих компаний есть гораздо больше 1 000 продуктов. Используя облачные вычисления и графические процессоры (GPU), когда клиенты отправляют нам свои данные, мы выделяем машины только тогда, когда нам это нужно; затем менее чем через 60 минут мы возвращаем результаты, пока мы соответствующим образом деаллоцируем машины. Поскольку облако, которое мы используем (Microsoft Azure), оплачивает нас за минуту, мы потребляем только ту мощность, которая нам действительно нужна. Поскольку ни одна компания не нуждается в прогнозировании более одного раза в день, эта стратегия сокращает затраты на оборудование более чем в 24 раза по сравнению с традиционными подходами.

Вероятности

для учета бизнес-ограничений

Традиционный прогноз - это медианный прогноз, то есть значение, которое имеет 50% шансов быть выше или ниже будущего спроса. К сожалению, эта классическая модель не решает основных проблем цепочки поставок: избежание нехватки товара и снижение запасов. В 2016 году Lokad представил понятие вероятностных прогнозов для цепочки поставок, где оцениваются соответствующие вероятности каждого уровня будущего спроса. Вместо того, чтобы предсказывать значение для каждого продукта, Lokad предсказывает всю вероятностную дистрибуцию. Вероятностные прогнозы значительно превосходят классические прогнозы для медленно продвигающихся товаров, неустойчивых продаж и всплесков спроса. Мы считаем, что через 10 лет все компании, серьезно занимающиеся оптимизацией запасов, перейдут на вероятностные прогнозы, вероятно, используя потомков этой технологии.

ОТ МАТЕМАТИЧЕСКОЙ БИБЛИОТЕКИ К КОМПЛЕКСНОМУ РЕШЕНИЮ

У нас есть большая библиотека статистических моделей. Она включает в себя хорошо известные классики, такие как Box-Jenkins, экспоненциальное сглаживание, авторегрессия и все их варианты. Кроме того, поскольку классические модели плохо используют корреляции, мы разработали лучшие модели, которые используют все данные, доступные нам. С самого начала мы непрерывно контролируем качество прогнозов, которые мы предоставляем, и запускаем симуляции, чтобы тщательно оценить оставшиеся слабости нашей технологии. Мы продолжаем улучшать наши модели и пополнять нашу библиотеку новыми и новыми парадигмами. Поэтому наши клиенты получают все более совершенную технологию.

Однако мы поняли давно, что этого недостаточно и что нам нужно было углубиться в реальность цепочки поставок и ограничения и специфику каждого бизнеса. Поэтому мы не требуем от наших клиентов никаких статистических навыков, но управляем всем процессом, чтобы предоставить полностью используемое решение, включая точные заказы на закупку, предложения по отправке или ценообразованию и панели инструментов ключевых показателей эффективности для оценки их точности.

Наши ученые по цепочке поставок готовы помочь вам включить все свои бизнес-инсайты в индивидуальную реализацию. Это становится возможным благодаря использованию нашего языка программирования, ориентированного на цепочку поставок, Envision. Его гибкость позволяет нам настраивать скрипты, полностью способные отражать специфику вашего бизнеса, чтобы предложить идеальное дополнение к нашей технологии прогнозирования.