Покажи мне деньги: Размышления об ISF 2024

Alexey Tikhonov and Conor Doherty

“Чтобы улучшить свою игру, вам нужно в первую очередь изучать эндшпиль; поскольку окончания можно изучать и осваивать отдельно, миттельшпиль и дебют следует изучать в контексте эндшпиля.” Источник: Последние шахматные лекции Капабланки (1966), стр. 23

Несколько недель назад я выступил на панели 44-го Международного симпозиума по прогнозированию в Дижоне, Франция.

Будучи послом компании Lokad, вы можете представить, какова была моя точка зрения:

• прогнозирование и принятие решений должны быть полностью автоматизированы;

• качество прогноза следует оценивать с точки зрения улучшения решений;

• человеческое суждение должно использоваться для улучшения автоматизации (а не корректировки прогнозов или решений).

Что довольно странно, моя позиция по автоматизации не вызвала столько возражений, сколько можно было бы ожидать. Председатель (Руководитель отдела коммуникаций компании Lokad, Conor Doherty) и остальные участники панели (Свэн Кроун из iqast и Николас Вандепю из SupChains) почти единогласно согласились, что это — будущее прогнозирования. Единственное разногласие касалось того, насколько быстро мы можем достичь такого состояния (примечание: я считаю, что мы уже на этом этапе).

Что действительно вызвало значительные разногласия, а возможно и недоразумения, так это мой аргумент о том, что точность прогноза не так важна, как принятие лучших решений. Эти разногласия возникали не только среди участников панели, но и среди членов аудитории. Думаю, для этого есть две основные причины:

1. Когда я выступал на сцене, у меня не было наглядного пособия для поддержки этого аргумента. Объяснение включает несколько движущихся элементов, поэтому визуальное сопровождение определённо помогло бы людям лучше понять суть.

2. Идея о том, что точность прогноза менее важна, чем решения, противоречит образованию, подготовке и опыту большинства профессионалов.

К концу этого эссе я надеюсь коснуться обеих упомянутых тем. Что касается первого пункта, я привёл краткое, но системное объяснение и наглядное пособие. Что касается второго пункта, я могу лишь попросить читателя оставаться открытым для восприятия в течение следующих 5–10 минут и воспринимать эти слова так, как если бы у вас не было никакой предварительной подготовки в области прогнозирования цепей поставок.

Основные вопросы

На мой взгляд, существует пять фундаментальных вопросов, на которые необходимо ответить для прояснения моей позиции. В этом разделе я постараюсь дать достаточно краткие ответы на каждый из них — своеобразные «мясо и картошка». Будьте уверены, что у Lokad есть масса дополнительных материалов, объясняющих технические детали, ссылки на которые приведены в конце эссе.

В1: Что означает, что прогноз «приносит ценность»?

Я сразу начну с примера. Допустим, в компании существует стандартный механизм принятия решений (например, автоматизированный статистический прогноз + автоматизированная политика управления запасами).

Чтобы изменённый прогноз приносил ценность, он должен изменить стандартное решение (сгенерированное по стандартной процедуре компании) таким образом, чтобы напрямую и положительно влиять на финансовые результаты компании (то есть, количество дохода в долларах, фунтах или евро).

Если прогноз оказывается более точным (с точки зрения прогнозирования фактического спроса), но не приводит к принятию иного и лучшего решения, то он не приносит ценность.

Многие компании всё ещё используют модели прогнозирования на основе временных рядов, в то время как Lokad предпочитает вероятностное прогнозирование для формирования решений с учётом рисков. Однако тот же стандарт применяется к обеим парадигмам прогнозирования. Чтобы любой из типов прогнозов приносил ценность, он должен изменить стандартное решение таким образом, чтобы напрямую и положительно влиять на финансовые результаты компании.

Например, новое («изменённое») решение может напрямую устранить будущий дефицит товара, который мог бы возникнуть при стандартном решении.

«Напрямую» имеет здесь решающее значение. Проще говоря, прогноз приносит ценность только если можно указать на конкретное изменение решения, которое привело к дополнительной прибыли или предотвратило финансовые потери (по сравнению со стандартным решением).

Думайте о причинно-следственной связи, а не о корреляции.

В2: Всегда ли более точный прогноз приносит ценность?

Технически, нет. Более точный прогноз сам по себе не обязательно «приносит ценность». Это связано с тем, что, как уже упоминалось, чтобы что-либо (в данном случае прогноз) приносило ценность, оно должно напрямую и положительно влиять на финансовые результаты компании за счёт принятия лучшего решения.

В отличие от прогнозов, решения в цепях поставок подпадают под ограничения выполнимости (например, минимальные объемы заказа, множители партии, размеры партии и т.д.) и финансовые стимулы (например, скидки, условия оплаты и т.д.). Прогнозов может быть значительно больше, чем реальных решений.

Это означает, что решения в цепях поставок иногда (а очень часто) оказываются нереактивными к изменениям точности прогноза. Это верно как для временных рядов, так и для вероятностных прогнозов.

Причина такой нечувствительности заключается в ограничениях при принятии решений (например, минимальные объемы заказа). Совершенно возможно, что более точный прогноз (например, на 10% точнее) приводит к тому же решению, что и менее точный. Ниже приведена диаграмма, иллюстрирующая этот момент.

В приведённом выше примере, допустим, консенсусный прогноз в 55 единиц оказался точнее, чем автоматизированный прогноз в 50 единиц. С финансовой точки зрения увеличение точности не привело к принятию иного решения (из-за наличия MOQ). Таким образом, более точный прогноз не принес ценности.

Фактически, существует весомый аргумент в том, что более точный консенсусный прогноз привёл к отрицательному приросту ценности. Это связано с тем, что дополнительные этапы проверки (согласно стандартному процессу оценки добавленной ценности прогноза) обходились компании в дополнительные затраты (время и усилия), но не приводили к лучшему решению. С чисто финансовой точки зрения, эти ручные проверки оказались чистым убытком.

Рассмотрим также случай, когда отсутствует ограничение MOQ.

Представьте ту же ситуацию, но вместо MOQ действует множитель партии. Реальные решения будут только кратны 50 единиц (например, 50 единиц в коробке или на поддоне). В этом случае вам придётся покупать либо 50, либо 100 единиц (1 или 2 коробки/поддона).

На самом деле, может оказаться менее выгодным купить 100 единиц (учитывая рекомендацию консенсусного прогноза в 55 единиц), чем 50 единиц (немного меньше, чем предполагает «более точный» прогноз). Можно попытаться компенсировать недостающий спрос с помощью предзаказов или просто потерять продажи (например, если речь идёт о продаже скоропортящихся товаров, таких как свежие продукты).

С экономической точки зрения, оптимальным финансовым решением может быть отказ от следования «более точному» прогнозу. В данном случае и автоматизированный прогноз (50 единиц спроса), и консенсусный прогноз (55 единиц спроса) приводят к одному и тому же решению (оформить заказ на 50 единиц). Таким образом, «более точный» прогноз не привёл к увеличению финансовой ценности.

Конечно, не все ситуации столь строго ограничены, однако цепочки поставок полны подобных сценариев. Безусловно, я признаю, что разные прогнозы приводят к принятию различных решений, но вопрос о ценности остаётся открытым. Всегда следует учитывать, превышает ли ожидаемая дополнительная прибыль от закупки дополнительных единиц затраты на повышение точности прогноза.

Возможно, дополнительные показатели точности оправданы в некоторых случаях. Однако прогнозисты и специалисты по цепям поставок, кажется, рефлекторно предполагают, что это так в абсолютном выражении, несмотря на то, что существуют очевидные случаи, когда это не так.

Если у вас возникла идея ситуации, которая не совсем соответствует приведённым примерам, ничего страшного. Помните, цель сегодня — демонстрация общей идеи (что есть случаи, когда дополнительная точность прогноза не оправдывает затраты), а не подробный анализ каждого возможного сценария принятия решений в цепочке поставок.

В3: Как мы можем убедиться, что ценность, полученная за счёт применения человеческого суждения, оправдывает его затраты?

Основным элементом дискуссии на панели в Дижоне являлась ценность (или её отсутствие) вмешательства, основанного на суждении (или «человеческих поправок») в процессе прогнозирования. Чтобы перефразировать оппонентов: «Нам нужно, чтобы в процесс вмешивались люди для коррекции, когда автоматизированный прогноз что-то пропускает».

Это для меня очень интересная точка зрения, поскольку она подразумевает, что человеческие поправки приносят ценность – в противном случае, зачем вообще кто-либо их делал бы?

В этом разделе я намерен обойти вопрос о том, могут ли люди (иногда или даже часто) превзойти автоматизированный прогноз (по точности). На самом деле, я готов признать, что для любой отдельной SKU человек может справляться столь же хорошо, а возможно, и лучше автоматизированного прогноза с точки зрения точности.

Примечание: Я не считаю, что это так, если речь идёт о прогнозировании десятков тысяч SKU для сотен магазинов каждый день в рамках масштабной цепочки поставок¹. В последнем случае автоматизированный прогноз значительно превосходит целые команды высококвалифицированных прогнозистов и других специалистов, просто потому что подавляющее большинство SKU невозможно проверить вручную из-за ограничений по времени.

Я делаю это уступочное замечание о том, что человеческое суждение иногда может быть сопоставимо с автоматизированным прогнозированием или превосходить его по двум причинам:

1. На мой взгляд, это делает эссе более интересным, и;

2. Сила моего аргумента не зависит от обсуждения «точности».

Моя позиция, как вы уже, наверное, поняли, состоит в том, что человеческие поправки «приносят ценность» только если они… приносят финансовую выгоду — выгоду, которая сохраняется дольше, чем один цикл пополнения запасов. Это совершенно независимо от любых преимуществ в точности.

Эту ценность можно понять как «напрямую приводящую к лучшим решениям, чем те, которые были приняты изначально — с учётом дополнительных прибылей от лучшего решения и вычитанием затрат на поправку».

Проще говоря, оценочные вмешательства (человеческие поправки) дорогостоящи, поэтому компания должна стремиться к значительной окупаемости инвестиций. Таким образом, я утверждаю, что точность прогноза — это произвольная метрика (если рассматривать её изолированно от решений), и компании следует сосредоточиться на действиях, повышающих финансовую отдачу.

Человеческое вмешательство вполне может повысить точность прогноза (снова же, я делаю это уступочное замечание в целях обсуждения), однако оно не обязательно увеличивает финансовую отдачу. Это действительно не должно быть радикальным утверждением, так же как человек может оказаться самым высоким в одной комнате и самым низким в другой.

Обратите внимание, что моя задача не доказывать, что повышение точности не приводит к увеличению прибыли. По определению, обязанность доказать, что повышение точности само по себе является прибыльным, лежит на тех, кто утверждает это, и они должны предоставить какие-либо конкретные, прямые и неоспоримые доказательства этого утверждения.

Снова повторю, это не должно быть радикальной или контрпозиционной точкой зрения. На мой взгляд, это должна быть стандартная позиция любого участника процесса.

Помните, чтобы человеческие поправки были выгодными, необходимо учитывать совокупность всех поправок. То есть взвесить финансовую выгоду от всех «успешных случаев» и вычесть все финансовые потери от «неудачных случаев».

Этот эксперимент также необходимо проводить в размахе, для огромной сети магазинов (корпоративных клиентов в случае B2B) и по всему их ассортименту SKU, каждый день, в течение значительного периода времени.

“Как долго должен продолжаться этот эксперимент, Алексей?” — по этому поводу я не решителен. Пусть будет год, но я открыт для обсуждения этого вопроса. Это зависит от многих факторов, включая количество циклов принятия решений за год, а также, естественно, сроки поставки.

Тем не менее, всё это обсуждение поднимает вопрос о том, каков допустимый порог ошибки для человеческих поправок.

• Если «успешных случаев» немного больше, чем «неудачных», приемлемо ли это?
• А что насчёт стоимости самих человеческих поправок?
• Как мы должны учитывать эти прямые и косвенные затраты при расчётах?

Кстати, это не простые вопросы. Это те вопросы, которые студент-первокурсник задал бы на любом вводном курсе в области STEM (или смежной с STEM) дисциплины.

До тех пор, пока кто-то не представит окончательное доказательство того, что человеческие поправки, применяемые в масштабе, окупаемы с финансовой точки зрения, наиболее экономически разумной позицией будет предполагать, что это не так, и продолжать полагаться на автоматизированные прогнозы и принятие решений.

В4: Как определить, когда более точный прогноз должен заменить текущий прогноз для принятия решений?

Короче говоря, самый простой способ — задать себе следующий вопрос: приводит ли новый прогноз к принятию лучших решений? Оценочной метрикой в этом случае должен быть финансовый возврат на инвестиции (ROI).

Чтобы перейти к более детальному анализу, замена должна осуществляться на основе общей сравнительной полезности новой модели (например, ROI, применимость, сопровождаемость и т.д.), а не только на основе её текущего прироста точности. ROI определяет путь компании к успеху. Применимость, как я продемонстрирую ниже, разработана с расчётом на ROI. Помните: точность является, если её рассматривать отдельно, произвольным KPI.

Например, представьте, что у нас есть две модели: одна, которая явно учитывает историю отсутствия запасов, и другая, которая игнорирует отсутствие запасов (с использованием некоторых приёмов предварительной обработки данных). Возможно, что отсутствия запасов случались не так часто, и с точки зрения принятия решений обе модели работают практически одинаково. Однако всё же будет разумнее предпочесть модель, которая способна справляться с отсутствиями запасов. Это связано с тем, что, если отсутствия запасов станут происходить чаще, эта модель окажется более надёжной.

Это демонстрирует ещё один аспект философии Lokad: правильность по замыслу. Это означает, что на уровне проектирования мы стремимся создать модель, которая проактивно учитывает — и способна реагировать — как на вероятные, так и на невероятные события. Это имеет первостепенное значение, поскольку самые большие финансовые потери часто связаны с крайними ситуациями — другими словами, с невероятными событиями.

Q5: Как осуществить переход от одной модели прогнозирования к другой в производстве?

Важно помнить, что прогнозирование — это лишь одна часть общей системы принятия решений. Таким образом, обновление некоторых компонентов может оказывать незначительное или значительное влияние на общую производительность системы. Переход от старой модели к новой может вызвать проблемы, даже если новая модель в конечном итоге будет генерировать лучшие решения (а значит, приносить больше прибыли).

Это связано с тем, что теоретически улучшенные решения могут столкнуться с беспрецедентными ограничениями в реальности, если их внедрять слишком быстро.

Например, новая модель прогнозирования может помочь формировать намного более качественные заказы на закупку, но место для хранения дополнительного запаса может ещё не существовать, или поставщики не смогут сразу адаптировать свои цепочки поставок для удовлетворения возросшего спроса. Поспешное выполнение заказов в поисках мгновенной прибыли может привести к убыткам в других областях, таким как повреждение запасов или их ускоренное порча из-за недостатка подходящего склада (или ограничений по вместимости рабочей силы).

В таком случае может оказаться разумным постепенно осуществлять переход между моделями. На практике это может означать размещение нескольких немного более крупных последовательных заказов на закупку для постепенной корректировки запасов, а не немедленный переход к одному огромному заказу.

Люди с практическим опытом борьбы с эффектом кнута (включая сторонников DDMRP) должны сразу понять, почему это разумная тактика.

Заключительная мысль

Если вы дочитали до этого места, я ценю ваше внимание. Если вы не согласились с чем-то на этом пути, я ценю ваше внимание ещё больше.

Для тех, кто не согласен, позвольте мне сделать последний аргумент: ценность означает больше денег, а больше денег приходит от лучших решений. Что касается меня, ничто не может заменить хорошие (или лучшие) решения. Ни более точный прогноз. Ни более эффективный процесс S&OP.

Если мы всё ещё не согласны, что ж, по крайней мере, мы знаем, на чьей мы стороне.

Спасибо за внимание.

Прежде чем уйти

Вот ещё несколько ресурсов, которые могут оказаться полезными (особенно если вы не согласны со мной):

• Что касается того, как Lokad на самом деле прогнозирует все источники неопределённости (например, спрос, сроки поставки, коэффициенты возврата и т.д.), обратитесь к нашим видео-лекциям о вероятностном прогнозировании и прогнозировании сроков поставки.

• Что касается того, как Lokad на самом деле принимает решения с учётом риска, обратитесь к нашему обучающему руководству по оптимизации закупок и видео-лекции по распределению запасов в розничной сети.

• Что касается того, как Lokad формирует спрос и оптимизирует ценовые стратегии, посмотрите нашу видео-лекцию по оптимизации цен.

Заметки