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, никакая доработка существующих моделей прогнозирования и никакие исследования и разработки для создания лучших моделей в традиционном понимании не могут решить эту проблему. Методы, такие как анализ страховых запасов, предназначены для управления неопределённостью, но на практике анализ страховых запасов оказывается лишь послесловием. В управлении цепочками поставок затраты обусловлены крайними событиями: именно неожиданно высокий спрос приводит к недостатку запасов и разочарованию клиентов, а неожиданно низкий спрос — к залежившимся товарам и, соответственно, дорогостоящим списаниям запасов. Как знают все руководители, бизнес должен надеяться на лучшее, но готовиться к худшему. Когда спрос оказывается именно таким, как ожидалось, всё идёт гладко. Однако основная сложность прогнозирования заключается не в том, чтобы хорошо справляться с лёгкими случаями, когда всё идёт хорошо даже с использованием простого скользящего среднего, а в том, чтобы справляться со сложными случаями, которые нарушают работу цепочки поставок и выводят из состояния равновесия всех участников.
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.
Выходные данные движка вероятностного прогнозирования представляют собой распределения вероятностей. С практической точки зрения, хотя эта информация чрезвычайно богата (в конце концов, это взгляд на множество возможных будущих вариантов!), её довольно сложно использовать в исходном виде. В результате, Lokad предоставляет целую платформу, все необходимые инструменты и поддержку команды, чтобы ваша компания могла превращать эти вероятности в бизнес-решения, например, в заказы на пополнение 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, этим занимались другие математики, в основном используя эту концепцию для решения совершенно иных задач, таких как прогнозирование цен на сырьё или погодное прогнозирование. Также Lokad не применяла вероятностное прогнозирование с самого начала; мы прошли этапы классического прогнозирования (2008), квантильного прогнозирования (2012) и квантильных решёток (2015)
до этого. В результате, вероятностные прогнозы представляют собой фактически четвёртое поколение нашей технологии прогнозирования. Из опыта, накопленного на предыдущих итерациях этой технологии, мы получили значительный объём знаний в области проектирования движка прогнозирования, способного охватить широкий спектр бизнес-ситуаций.
Идея оценки вероятностей, а не среднего значения, возникла в наши ранние годы, когда мы ещё пытались заставить работать классический подход. Нам пришлось столкнуться с немалым числом неудач, чтобы понять, что классический подход имеет внутренние недостатки, и ни одни исследования и разработки не смогут исправить сломанную статистическую основу. Сначала необходимо было исправить саму статистическую основу, чтобы модель прогнозирования начала работать.
Кроме того, каждая итерация нашего движка прогнозирования являлась обобщением – с математической точки зрения – предыдущей версии, и каждое новое поколение способно справляться с большим числом ситуаций, чем предыдущее. Действительно, лучше быть приблизительно правильным, чем совершенно ошибочным. Самые сложные ситуации возникают, когда движок прогнозирования не может создать прогнозы, наиболее подходящие для конкретной бизнес-ситуации, потому что ему не хватает выразительности. Или когда движок не может обработать входные данные, которые действительно важны для получения статистических выводов, снова из-за недостатка выразительности. В Lokad прогнозирование — это процесс, находящийся в постоянном развитии. Хотя мы гордимся тем, что создали с помощью нашего движка вероятностного прогнозирования, это не конец наших усилий. В отличие от локальных решений, где обновление до нового инструмента является отдельной задачей, клиенты Lokad получают выгоду от нашего движка следующего поколения, как только он становится доступен.
Наш FAQ по прогнозированию
Какие модели прогнозирования вы используете?
Мы используем множество моделей прогнозирования. Большинство моделей, которые мы применяем сегодня, можно считать алгоритмами машинного обучения. Эти модели были разработаны компанией Lokad и, как правило, не имеют именованных аналогов в научной литературе. Когда мы начинали в 2008 году, мы переосмыслили все классические методы (Box-Jenkins, ARIMA, Holt-Winters, экспоненциальное сглаживание и т.д.); но эти модели вышли из употребления, поскольку они просто не могут конкурировать с нашими новейшими моделями.
Как вы выбираете модель(и) для использования?
Выбор правильной модели или оптимальной выпуклой комбинации моделей — это уже половина успеха при создании хорошего прогноза. С статистической точки зрения, система, способная всегда выбирать «лучшую» модель, по сути эквивалентна системе, которая всегда выдаёт «идеальные» прогнозы. На практике наш движок прогнозирования сильно опирается на тестирование на исторических данных для выбора наилучшего набора моделей.
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?
Как отсутствие товаров на складе, так и акции создают смещение в исторических данных о продажах. Поскольку цель заключается в прогнозировании спроса, а не продаж, это смещение необходимо учитывать. Один из частых — но неверных — способов работы с такими событиями заключается в переписывании истории для заполнения пробелов и обрезания пиков. Однако нам не нравится этот подход, потому что он подразумевает подачу прогнозов в систему прогнозирования, что может привести к серьезным проблемам переобучения. Вместо этого наш движок изначально поддерживает «флаги», указывающие, где спрос был подвергнут цензуре или завышен.
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.