Вероятностные прогнозы (2016)
Вероятностные прогнозы представляют собой значительное улучшение по сравнению с предыдущим поколением технологий прогнозирования Lokad, основанным на квантильных решётках. По сравнению с классическими методами прогнозирования, вероятностные прогнозы представляют собой прорыв, обеспечивая гораздо более высокую точность, что, в свою очередь, приводит к операционным преимуществам в сфере управления цепочками поставок, запасами или производством. Многие компании разочарованы прогнозами, которые постоянно их подводят. Lokad потребовались годы, чтобы полностью понять корень проблемы: от традиционных подходов к прогнозированию ожидается получение корректных цифр. Естественно, будущее неопределённо, и когда инструмент или решение не способны предоставить ожидаемые корректные цифры, выгоды также не материализуются. Вместо того чтобы учитывать только один возможный исход, вероятностные прогнозы назначают вероятность каждому из ряда возможных вариантов.
В этом выпуске LokadTV мы разбираем, как вероятностные прогнозы могут быть использованы для улучшения работы цепочек поставок. Мы обсуждаем точность и ограничения, а также рассуждаем о том, почему индустрия всё ещё так привержена традиционным методам и каким, вероятно, будет будущее прогнозирования.
Принятие неопределённости
По нашему опыту, эту проблему не решат ни сколь угодно тщательная настройка существующих моделей, ни любые объемы исследований и разработки лучших моделей в традиционном смысле. Анализ страхового запаса призван учитывать неопределенность, но на практике к нему обращаются лишь постфактум. В цепочках поставок затраты определяют экстремальные события: неожиданно высокий спрос вызывает дефицит товара и недовольство клиентов, неожиданно низкий — неликвидные запасы и дорогостоящие списания. Руководители знают: нужно надеяться на лучшее, но готовиться к худшему. Если спрос соответствует ожиданиям, все идет гладко. Задача прогнозирования — не успешно справляться с простыми случаями, где хватило бы грубого скользящего среднего, а разбираться со сложными, которые нарушают работу цепочки поставок и сводят всех с ума.
Компания Lokad разработала радикально новый подход к прогнозированию, а именно — вероятностные прогнозы. Проще говоря, вероятностный прогноз спроса не просто даёт оценку величины спроса, а определяет вероятность каждого из возможных вариантов будущего. Оценивается вероятность спроса в 0 (ноль) единиц, затем вероятность спроса в 1 единицу, 2 единицы и так далее… Каждому уровню спроса присваивается оценка вероятности, пока эта вероятность не становится настолько мала, что её можно безопасно игнорировать.
Эти вероятностные прогнозы предлагают совершенно новый взгляд на будущее. Вместо того чтобы застревать в мечтательных ожиданиях, где прогнозные цифры считаются неизбежными, вероятностные прогнозы напоминают, что всё всегда возможно, просто не одинаково вероятно. Таким образом, при подготовке к худшему вероятностные прогнозы предоставляют мощный инструмент для количественного балансирования рисков (в то время как традиционные прогнозы остаются слепыми к этому аспекту).
В то время как анализ рисков обычно отходит на второй план в традиционных подходах к прогнозированию, Lokad выдвигает его на первый план с помощью вероятностных прогнозов.
С практической точки зрения
Вероятностные прогнозы могут показаться весьма пугающими и техническими. Однако, если вы работаете в сфере управления цепочками поставок, то, скорее всего, вы уже годами интуитивно применяете вероятностное прогнозирование: вспомните все ситуации, когда ваши базовые прогнозы приходилось корректировать вверх или вниз из-за чрезмерных рисков… Именно об этом и речь в вероятностных прогнозах — о правильном балансировании реальных решений при столкновении с неопределённым будущим. В то время как анализ рисков обычно отходит на второй план в традиционных подходах, Lokad выдвигает его на первый план с помощью вероятностных прогнозов.
Механизм вероятностного прогнозирования выдает распределения вероятностей. Они содержат чрезвычайно много информации — ведь это взгляд на множество возможных вариантов будущего, — но пользоваться ими напрямую неудобно. Поэтому Lokad предоставляет полноценную платформу, необходимые инструменты и поддержку команды, чтобы ваша компания могла превращать вероятности в деловые решения, например определять объемы пополнения запасов.
Веб-приложение Lokad обладает возможностями обработки больших данных и позволяет создавать необходимую бизнес-логику, которая превращает эти прогнозы в решения, специально адаптированные к вашему бизнесу. Эти решения могут быть скорректированы с учётом особенностей вашей цепочки поставок, таких как минимальные объёмы заказа (MOQ), экономических факторов, таких как риски, связанные с истечением срока годности, а также ваших внутренних процессов, например, ежедневных заказов до 8 утра.
Роботизация с помощью машинного обучения
Управление цепочками поставок часто подразумевает работу с множеством продуктов, перемещаемых между различными локациями. Традиционные решения для прогнозирования обычно сильно зависят от ручных корректировок, когда речь идёт о сложных статистических закономерностях, таких как запуск новых продуктов или эффекты жизненного цикла продукта. Однако в Lokad наш опыт показывает, что если решение для прогнозирования требует тонкой настройки, то такой процесс никогда не заканчивается: сколько бы недель или месяцев ни уходило на его работу, всегда требуется ещё больше тонкой настройки, поскольку продуктов, локаций и изменений в бизнесе слишком много.
Поэтому в Lokad мы решили сделать ставку на полную роботизацию процесса прогнозирования. Это означает, что
- для получения прогнозов не требуется статистических знаний
- не требуется тонкая настройка для корректировки прогнозов
- не требуется обслуживание для обеспечения соответствия прогнозов вашему бизнесу
В качестве незначительного недостатка, эти алгоритмы потребляют значительно больше вычислительных ресурсов, чем их традиционные аналоги. Однако эта проблема решается за счёт облачных вычислений, которые обеспечивают стабильную работу движка прогнозирования независимо от объёма обрабатываемых данных.
Происхождение наших вероятностных прогнозов
Lokad не изобрела вероятностное прогнозирование. Математики разрабатывали его для совсем других задач, например прогнозирования цен на сырье или погоды. Мы тоже пришли к нему не сразу: сначала прошли этапы классического прогнозирования (2008), квантильного прогнозирования (2012) и квантильных решеток (2015).
Таким образом, вероятностные прогнозы — это 4-е поколение нашей технологии прогнозирования. Опыт предыдущих версий дал нам обширные знания о том, как создавать механизм прогнозирования для самых разных деловых ситуаций.
Идея оценивать вероятности вместо среднего значения появилась в первые годы, когда мы еще пытались заставить классический подход работать. Потребовалось немало неудач, чтобы понять: этот подход ошибочен по своей сути, а исследования и разработки не компенсируют неверную статистическую основу. Чтобы модель заработала, сначала нужно было исправить саму основу.
Каждая версия нашего механизма прогнозирования была математическим обобщением предыдущей и позволяла охватить больше ситуаций. Лучше получить приблизительно верный ответ, чем точный, но неверный. Самые трудные случаи возникают, когда выразительных возможностей механизма не хватает для прогноза, подходящего конкретной деловой ситуации, либо для обработки данных, необходимых для ее статистического анализа. В Lokad разработка прогнозов продолжается. Мы гордимся созданным механизмом вероятностного прогнозирования, но на этом не останавливаемся. В решениях, установленных на стороне клиента, переход на новый инструмент сам по себе сложен. Клиенты Lokad получают преимущества следующего поколения сразу после его появления.
Частые вопросы о прогнозировании
Какие модели прогнозирования вы используете?
Мы используем множество моделей прогнозирования. Большинство современных моделей можно отнести к алгоритмам машинного обучения. Они разработаны Lokad и обычно не имеют аналогов с общепринятыми названиями в научной литературе. Начав работу в 2008 году, мы заново реализовали все классические методы: Box-Jenkins, ARIMA, Holt-Winters, экспоненциальное сглаживание и другие. Но затем перестали их использовать, поскольку они не могут конкурировать с нашими новейшими моделями.
Как вы выбираете модели?
Выбор подходящей модели или подходящей выпуклой комбинации моделей — половина работы над хорошим прогнозом. Со статистической точки зрения система, всегда выбирающая «лучшую» модель, строго эквивалентна системе, всегда выбирающей «идеальные» прогнозы. На практике для выбора лучшего набора моделей наш механизм прогнозирования широко использует проверку на исторических данных.
Обрабатывает ли ваш движок прогнозирования сезонность, тренды, дни недели?
Да, движок прогнозирования обрабатывает все распространённые циклические колебания. Наши модели также активно используют подход с множеством временных рядов, чтобы воспользоваться цикличностью, наблюдаемой у других продуктов, для повышения точности прогнозирования отдельного продукта. Естественно, два продукта могут иметь одинаковую сезонность, но различаться по схеме дней недели. У нас также имеются модели для решения этой задачи.
Какие данные вам нужны?
Для прогнозирования спроса движку необходимо предоставить, как минимум, ежедневные исторические данные о спросе, а ещё лучше — детализированную историю заказов. Что касается продолжительности истории, то чем она длиннее, тем лучше. При этом сезонность невозможно выявить при данных менее чем за 2 года, мы считаем, что 3 года — это хорошо, а 5 лет — отлично. Для прогнозирования сроков поставки движок обычно требует, чтобы в заказах были указаны как даты заказа, так и даты поставки. Указание атрибутов вашего продукта или SKU также помогает существенно уточнить прогнозы. Кроме того, предоставление информации об уровне запасов также очень полезно для проведения первичного анализа.
Можете ли вы прогнозировать на основе моего Excel-файла?
Как правило, если все ваши данные умещаются на одном листе Excel, то мы, как правило, мало чем можем помочь; если честно, никто не сможет. Данные в электронной таблице, скорее всего, агрегированы по неделям или месяцам, и большая часть исторической информации теряется в результате такой агрегации. Кроме того, в этом случае ваша таблица также не содержит достаточной информации о категориях и иерархиях, применимых к вашим продуктам. Наш движок прогнозирования использует все доступные данные, и тестирование на крошечной выборке не даст удовлетворительных результатов.
А как насчет отсутствия товаров на складе и акций?
Дефицит товара и акции искажают исторические продажи. Поскольку нужно прогнозировать спрос, а не продажи, это искажение необходимо учитывать. Распространенный, но неверный подход — переписать историю, заполнив пробелы и срезав пики. Мы его отвергаем: прогнозы становятся входными данными для прогнозирования, что может привести к серьезному переобучению. Вместо этого наш механизм напрямую использует отметки о цензурированных наблюдениях спроса или о его увеличении.
Прогнозируете ли вы новые продукты?
Да, прогнозируем. Однако, чтобы прогнозировать новые продукты, движку необходимы даты запуска других, «старых» продуктов, а также их исторические данные о спросе на момент запуска. Также рекомендуется указать некоторые из ваших категорий продуктов и/или иерархию продуктов. Движок действительно прогнозирует новые продукты, автоматически определяя «старые» продукты, которые можно считать сопоставимыми с новыми. Однако, поскольку спрос на новые товары еще не наблюдался, прогнозы полностью зависят от атрибутов, связанных с ними.
Можно ли корректировать прогнозы?
Почти десятилетний опыт в области статистического прогнозирования многократно доказывал нам, что корректировка прогнозов никогда не является хорошей идеей. Если прогнозы необходимо корректировать, то, вероятно, в системе прогнозирования имеется ошибка, которую нужно устранить. Если ошибки для исправления нет, и прогнозы выполняются так, как ожидается с точки зрения статистики, то их корректировка, вероятно, является неверным решением проблемы. Обычно необходимость корректировки прогнозов отражает потребность учитывать какой-либо экономический фактор, который влияет на анализ рисков «поверх» прогноза, а не на сам прогноз.
Есть ли у вас опыт работы в моей отрасли?
У нас есть опыт работы в различных отраслях: мода, свежие продукты, товары широкого потребления, электроника, запасные части, аэрокосмическая промышленность, легкое производство, тяжелое производство и т.д. Мы также работаем с различными участниками рынка: предприятиями электронной коммерции, оптовиками, импортерами, производителями, дистрибьюторами, розничными сетями и т.д. Самый простой способ убедиться, что у нас есть опыт работы в вашей отрасли — связаться с нами напрямую.
Используете ли вы внешние данные для уточнения прогнозов?
Нет. Хотя ваши прогнозы выигрывают от всего накопленного опыта и общей настройки системы, полученных в ходе работы с другими клиентами, они не содержат данных, полученных из внешних источников, будь то данные других клиентов Lokad или общедоступные наборы данных. Аналогичным образом, ваши данные используются только для целей, явно связанных с вашим корпоративным аккаунтом, и не для чего-либо еще.