00:00:04 Введение и обзор проблемы прогнозирования цепочки поставок.
00:01:28 Аргумент в пользу измерения ошибки прогнозирования в долларах.
00:02:31 Исследовано предпочтение измерения ошибки в процентах.
00:04:15 Технологическое влияние на повышение точности прогноза.
00:05:49 Обсуждены решения по повышению точности прогноза.
00:08:01 Роль прогнозов погоды в вероятностном прогнозировании.
00:09:33 Проблемы интеграции данных о погоде в цепочку поставок.
00:11:29 Потенциал и проблемы прогнозирования с использованием человеческого интеллекта.
00:13:14 Оптимизация экспертных знаний для снижения ошибок прогнозирования.
00:14:24 Важность качества данных и их улучшения.
00:16:00 Трудности прогнозирования в непредсказуемых отраслях, таких как мода.
00:17:33 Статистические прогнозы в моде и проблемы с новыми продуктами.
00:18:01 Предложение метода для прогнозирования новых продуктов.
00:19:02 Заключительные мысли.
Резюме
Joannes Vermorel, основатель Lokad, участвует в обсуждении с ведущим Kieran Chandler о прогнозировании цепочки поставок. Верморель в шутку разоблачает противоречия в отрасли, выявляя чрезмерные заявления о сокращении ошибок и выступая за смещение фокуса в сторону «ошибок в долларах», а не процентов. Он отмечает, что машинное обучение произвело революцию в прогнозировании, с акцентом на получение глубоких, а не просто точных предсказаний. Пара также рассматривает данные о погоде, но считает их слишком сложными и ненадежными для долгосрочных прогнозов. Верморель указывает на важность человеческого интеллекта, но предполагает, что его применение на масштабный уровень непрактично, рекомендуя вместо этого улучшение качества данных. Несмотря на трудности, Верморель утверждает, что модель Lokad доказала свою эффективность, точно прогнозируя даже для новых продуктов в таких нестабильных отраслях, как мода.
Расширенное резюме
Kieran Chandler, ведущий, беседует с Joannes Vermorel, основателем Lokad, о точности прогнозирования в отрасли цепочки поставок. Налицо явное расхождение между практиками, которые часто жалуются на точность прогнозирования, и поставщиками программного обеспечения, которые зачастую заявляют о чрезвычайно высокой точности прогнозов.
Верморель выявляет аномалию в отрасли, отмечая, что за последние двадцать лет на каждой крупной выставке цепочки поставок как минимум один ведущий поставщик программного обеспечения заявлял о 50%-ном ежегодном снижении ошибок прогнозирования. Следуя этой логике, Верморель в шутку намекает, что теоретически сейчас у нас не должно быть ошибок прогнозирования, что противоречит реальному состоянию отрасли цепочки поставок.
Он продолжает, утверждая, что одержимость процентным снижением ошибок прогнозирования вводит в заблуждение и может быть даже неправильным подходом. Вместо этого, по мнению Вермореля, влияние ошибки гораздо значимее, если измерять её в денежном эквиваленте для компаний. Бизнес должен сосредоточиться на «ошибках в долларах», поскольку суть бизнеса — извлечение прибыли, что лучше соответствует этой цели.
Обращаясь к продолжающемуся вниманию отрасли к процентам, Верморель характеризует это как «зависимость от средней абсолютной процентной ошибки (MAPE)». Он объясняет, что предпочтение отдается процентам, так как их проще понять и они менее вероятно вызовут трения внутри компании, поскольку не затрагивают напрямую конкретный бюджет или человека. Выражение ошибок в долларах потребовало бы, чтобы кто-то взял на себя ответственность за них, чего многие осторожные сотрудники в крупных организациях стараются избегать.
Говоря о технологическом прогрессе и его влиянии на прогнозирование, Верморель признает, что, несмотря на указанные трудности, точность прогнозов действительно улучшалась со временем, в значительной мере благодаря достижениям в области статистического обучения, или машинного обучения. Применение этих методов к планированию спроса и прогнозированию привело к значительным улучшениям в отрасли цепочки поставок.
Верморель также поясняет, что неопределенность является неотъемлемой частью предсказания будущего, и поэтому крайне важно присваивать вероятности всем возможным исходам. Что интересно, он предлагает, что прогнозы не обязательно должны быть более точными, они должны давать больше информации о будущем. Это современное прогнозирование может помочь в принятии более обоснованных решений в цепочке поставок, что является конечной целью и основой для любого физически измеримого воздействия. Это отражает два направления, на которых фокусируется фирма Вермореля — прогноз и его практическое использование при принятии решений в цепочке поставок.
Беседа продолжается, углубляясь в влияние данных на вероятностное прогнозирование. Верморель соглашается с тем, что прогнозы основаны на данных. Чандлер поднимает вопрос о включении внешних факторов, таких как погодные условия, в эти прогнозы, поскольку они часто влияют на потребительское поведение.
В ответ Верморель указывает, что хотя данные о погоде могут быть источником, они вызывают две основные проблемы. Во-первых, сами прогнозы погоды несовершенны, и построение прогнозов на их основе может усугубить неточности. Кроме того, с учетом особенностей цепочки поставок, прогнозы часто должны охватывать период более недели, в течение которого точность прогнозов погоды значительно снижается.
Во-вторых, прогнозы погоды генерируют огромное количество данных, которые может быть трудно обработать. Верморель иллюстрирует это, отмечая, что при учете погоды генерируется одна точка данных в час на квадратный километр каждые 20 минут. Это включает не только температуру, но также влажность, скорость и направление ветра, а также освещенность, что приводит к терабайтам данных, которые сложно интегрировать в цепочку поставок.
Дискуссия смещается от сложности данных о погоде к потенциалу человеческого интеллекта в улучшении прогнозов. Верморель подтверждает огромные возможности человеческого мозга, но признает, что это не жизнеспособное решение из-за высоких затрат. Для любой крупной компании в цепочке поставок ежедневно требуется принимать от тысяч до миллионов решений, что требует значительного числа интеллектуальных специалистов. Однако большинство компаний не могут позволить себе нанять столько людей, поэтому они зависят от компаний-разработчиков программного обеспечения. Верморель признает, что хотя
человеческий вклад может значительно повысить точность прогнозирования, он не масштабируется, и эта практическая проблема требует внедрения программных решений.
Верморель подчеркивает необходимость использования интеллекта сотрудников компаний в капиталистическом смысле. Их знания и инсайты следует рассматривать как ценные ресурсы, накапливающиеся со временем, а не как расходные или одноразовые элементы. Такой подход может привести к постоянному совершенствованию систем цепочки поставок.
Верморель предлагает один из способов использования человеческого интеллекта — улучшение качества данных, поступающих в систему прогнозирования. Качество данных не является само собой разумеющимся; оно требует постоянного обслуживания и усовершенствования. По словам Вермореля, транзакционные данные играют решающую роль в повышении точности прогнозирования и имеют потенциал для дальнейшего улучшения. Например, немногие компании точно отслеживают историю дефицита товара. Однако для того, чтобы предсказать будущий спрос, крайне важно определить, связано ли отсутствие продаж с отсутствием спроса или с дефицитом товара. Поэтому Верморель выступает за правильное ведение всех соответствующих данных, включая дефициты, акции, и ценовую политику конкурентов, для повышения точности прогноза.
При обсуждении прогноза для товаров, которые еще не были запущены, Верморель признает присущую проблему, особенно в нестабильных отраслях, таких как технологии и мода, где исторические данные отсутствуют или являются непоследовательными. Он утверждает, что цель заключается не в абсолютной точности прогноза, а в том, чтобы прогноз был точнее, чем те, которые могут создать команды при ограниченных временных ресурсах.
В ситуациях, таких как мода, где у запусков новых продуктов отсутствуют исторические данные, Верморель предлагает решение. Он предполагает, что хотя отдельные продукты могут быть новыми, они появляются на рынке, который компания уже наблюдала через собственные продажи. Таким образом, можно построить статистический прогноз на основе исторических запусков продуктов и их характеристик. Этот метод может соотнести, например, новую рубашку с ранее запущенными моделями, чтобы создать прогноз, который, хотя и может быть не сверхточным из-за нестабильности модной индустрии, будет достаточно точным для получения прибыли.
Верморель подтверждает, что Lokad использует этот подход в своей модели прогнозирования, что позволяет делать эффективные предсказания даже в сложных условиях, таких как запуск новых продуктов.
Полная стенограмма
Kieran Chandler: Сегодня мы поговорим на тему, которая вызывает много споров в индустрии цепочек поставок: точность прогнозирования. Я рад, что сегодня со мной CEO и основатель Lokad, Joannes Vermorel, который поможет мне с сегодняшним обсуждением. Итак, Joannes, спасибо, что присоединился к нам.
Joannes Vermorel: Спасибо, Kieran.
Kieran Chandler: Joannes, если взглянуть на индустрию цепочек поставок в целом, можно заметить, что практики часто жалуются на точность своих прогнозов. Однако, если посмотреть на поставщиков программного обеспечения, они часто утверждают, что их прогнозы обладают очень высокой точностью. Обе стороны не могут быть правы. Каково ваше мнение по этому вопросу?
Joannes Vermorel: Ситуация действительно озадачивает. За последние два десятилетия, а может и больше, на каждой крупной выставке цепочек поставок как минимум один ведущий поставщик программного обеспечения заявлял, что сократил ошибку прогнозирования на 50% или около того. Очевидно, если ежегодно сокращать ошибку на 50% в течение 20 лет, логически, мы не должны иметь ошибок прогнозирования вообще, что, конечно, не соответствует реальному состоянию отрасли цепочек поставок. Ясно, что ошибки прогнозирования остаются весьма значительными. Другой взгляд на ситуацию заключается в том, что проценты вводят в заблуждение. Думать, что вы можете сократить ошибку прогнозирования на X процентов — это неверный подход. Ошибки прогнозирования выражаются в долларах, а не в процентах, и компании несут реальные денежные издержки. Нам следует сосредоточиться на суммах ошибок в долларах для компаний, работающих с цепочками поставок в реальном мире.
Kieran Chandler: Это имеет смысл, потому что, в основе, бизнес существует для того, чтобы зарабатывать деньги. Это базовая экономика, верно? Компании хотят максимизировать свою прибыль, и бизнес извлекает из этого выгоду. Как общество, мы также получаем выгоду, ведь у нас появляется более широкий ассортимент товаров по более низким ценам. Однако, на самом деле, это не то, что мы видим в отрасли. Отрасль по-прежнему чрезмерно зациклена на использовании процентов. Почему они так зациклены на этом? В чем причина?
Joannes Vermorel: Суть зависимости от MAPE (средней абсолютной процентной ошибки) кроется в том, что проценты — это просто. Проще всего придумать процент. С процентами никто не берет на себя реальную ответственность, и они не затрагивают бюджет. Выражение ошибок в долларах имеет больший смысл, так как это проясняет масштабы проблемы и определяет, кто должен нести ответственность за ошибку. Компании, управляющие крупными цепочками поставок, состоят из многих людей. Эти люди, будучи частью большой организации, склонны к избеганию риска. Они не хотят предлагать что-то, что могло бы вызвать конфликт внутри их собственной организации, а выражение ошибки прогнозирования в долларах как раз это и делает. Это точно указывает на те области, которые действительно ответственны за денежные потери. Таким образом, несмотря на то, что проценты даются легко, именно доллары являются правильной мерой. Вероятно, поэтому мы и застряли в этой ситуации; проще использовать то, что легко.
Kieran Chandler: Хорошо, если отложить в сторону ошибки в долларах и взять, к примеру, проценты ошибки, существует ли какой-либо технологический процесс, который можно применить для улучшения этих показателей? Что могут сделать компании-разработчики программного обеспечения в этом отношении?
Joannes Vermorel: Несмотря на то, что ошибки прогнозирования не сокращались на 50 процентов в год за последние двадцать лет, точность прогнозов все же улучшилась. Большая часть этого улучшения была достигнута не за счет прогресса внутри самой отрасли цепочек поставок, а благодаря широким технологическим достижениям в области статистического обучения, или машинного обучения. Последняя его модификация — глубокое обучение. Таким образом, за последние 20 лет произошел настоящий технологический прогресс.
Kieran Chandler: Известно, что применение определенных методик планирования спроса и прогнозирования в цепочке поставок может привести к значительному и измеримому улучшению прогнозов. Это прогресс, который можно увидеть как в процентах, так и в долларах. Таким образом, он весьма ощутим. Но, должно быть, существует и другой способ повысить точность этих прогнозов. Могут ли, например, компании и разработчики программного обеспечения изменить точность своих процессов? Могут ли они, например, лучше обучить свои команды?
Joannes Vermorel: Действительно, есть два направления, в которых они могут действовать. Во-первых, они могут уточнить сам охват прогнозов. То есть, перейти к вероятностным прогнозам. Традиционный тип прогноза дает однозначное утверждение, типа “мой будущий спрос будет именно таким.” А вероятностные прогнозы принимают куда более комплексный взгляд. Может произойти много чего, будущее характеризуется непреодолимой неопределенностью, и поэтому мы присваиваем вероятности всем возможным сценариям. Это один из способов повышения эффективности — принятие прогнозов, которые дают больше информации о будущем. Они не обязательно должны быть более точными, им нужно просто предоставлять больше сведений о будущем. Вот суть вероятностных прогнозов.
Другой взгляд заключается в том, чтобы подумать, что можно сделать, чтобы дать людям возможность использовать эти прогнозы для принятия лучших решений. Лучшие прогнозы — это здорово, но можем ли мы превратить их в лучшие решения в цепочке поставок? В конечном счёте, действительно важно создавать решения в цепочке поставок с измеримым эффектом. Таковы два подхода, которые мы рассматриваем.
Kieran Chandler: И эти вероятностные прогнозы основаны на данных, верно?
Joannes Vermorel: Да, абсолютно.
Kieran Chandler: Что касается аспекта данных, где провести грань? Например, такие вещи, как погода, очень интересны. Летом люди с большей вероятностью покупают мороженое, а зимой — горячий шоколад, шарфы и перчатки. Так что, можем ли мы использовать такие данные, как прогнозы погоды, в вероятностных прогнозах?
Joannes Vermorel: Это очень широкий вопрос. Чтобы повысить точность прогнозирования, необходимо учитывать информацию, и эта информация должна поступать откуда-то. Первое место, где можно искать эту информацию, — это исторические данные самой компании. Однако я считаю, что большинство компаний, скажем, 99% из них, не в полной мере используют имеющиеся у них высококачественные транзакционные данные.
Что касается внешних источников, таких как прогнозы погоды, они поднимают как минимум две разные проблемы. Во-первых, прогнозы погоды несовершенны. Если вы строите прогнозы на основе других прогнозов, возникает проблема накопления ошибок прогнозирования. Это сложная задача для практического решения. Более того, если речь идёт о проблемах цепочки поставок, обычно нужно прогнозировать более чем на семь дней вперёд, и точность прогнозов погоды на практике становится довольно низкой. Таким образом, использование прогнозов погоды проблематично.
И затем возникает ещё одна проблема. Для тех, кто пытался использовать эти внешние источники данных, становится очевидно, что с этим связаны определённые сложности.
Kieran Chandler: Итак, что касается прогнозов погоды, которые играют довольно значительную роль в статистическом прогнозировании, речь идёт о огромном объёме данных. Это не просто одна точка данных; это точка данных каждый час, на квадратный километр, каждые 20 минут в будущем. Нам нужно учитывать такие факторы, как температура, влажность, ветер и направление света. Таким образом, данные, которые вы хотели бы использовать для уточнения вашего прогноза цепочки поставок, колоссальны. Речь идёт буквально о терабайтах данных. Можете рассказать о практических аспектах внедрения такого огромного объёма данных?
Joannes Vermorel: Да, действительно, практические аспекты интеграции таких данных, как глобальные прогнозы погоды, в вашу цепочку поставок, могут быть ошеломляющими. Это сложная задача. Есть более простые вещи. Поэтому, на практике, прогнозы погоды, вероятно, не являются лучшим примером для использования.
Kieran Chandler: Хорошо, давайте рассмотрим другой взгляд. А что насчёт человеческого мозга? Это невероятно мощный инструмент. Есть ли способ использовать его для улучшения наших прогнозов?
Joannes Vermorel: Абсолютно. Алгоритмы, которые у нас есть сейчас, не являются по своей сути сверхчеловеческими. Они превосходны в конкретных задачах, таких как игра в Го или шахматы. Но управление цепочкой поставок — это очень открытая задача, требующая полного спектра человеческого интеллекта. Простой компьютер не может превзойти специалиста по цепям поставок потому что для этого нужно гораздо больше. Однако проблема человеческого интеллекта заключается не в его возможностях, а в его стоимости. Крупные компании по управлению цепями поставок работают с тысячами, если не миллионами, цепей поставок ежедневно. Вопрос в том, сколько умных людей вы можете позволить себе, чтобы принимать необходимые ежедневные решения? Ответ, как видно у наших клиентов, обычно — недостаточно. Так что, да, человеческий вклад может значительно улучшить точность прогнозов, но он не масштабируется, что делает его практически затруднительным. Вот почему индустрия полагается на компании-разработчики программного обеспечения, такие как мы.
Kieran Chandler: Это важный момент. Как вы предлагаете компаниям максимально эффективно использовать своих умных сотрудников? Должны ли они вносить свою интуицию и знания в систему? Как должна происходить эта интеграция?
Joannes Vermorel: Ключевой вопрос здесь в том, как можно использовать потенциал этих людей для уменьшения ошибки прогнозирования. Не стоит просто потреблять их идеи и выбрасывать их — это неверный подход. Нужно использовать их знания с течением времени для постоянного улучшения. Один из практических шагов, который они могут предпринять — это повышение качества данных, поступающих в систему прогнозирования. Поддержание и улучшение качества данных требует постоянных усилий. Например, очень немногие компании точно отслеживают историю отсутствия запасов. Но если вы хотите прогнозировать будущий спрос, вам нужно различать отсутствие продаж в определённый период из-за отсутствия спроса и отсутствие продаж из-за дефицита на складе.
Kieran Chandler: Вы правильно записываете все эти данные? Есть множество вещей, таких как отсутствие запасов, акции, ваши собственные цены и цены ваших конкурентов, которые можно включить в набор данных. Это очень действенно и может сделать ваш прогноз более точным.
Joannes Vermorel: Действительно, существует множество факторов, которые следует учитывать для повышения точности прогнозирования.
Kieran Chandler: Говоря о точности прогнозирования, как вы прогнозируете для продукта, который ещё не был запущен? В таких отраслях, как технологии и мода, нет исторических данных, и эти отрасли довольно нестабильны. Есть ли надежда на получение точных прогнозов?
Joannes Vermorel: Это очень сложный вопрос. Речь не идёт о получении абсолютно точного прогноза. Если бы задача заключалась в прогнозировании следующего модного продукта в рамках рынка моды на следующий год, я бы не занимался статистическим прогнозированием, я бы играл на бирже. Настоящий вопрос заключается в том, как создать прогноз, который был бы точнее того, что может произвести ваша команда с учетом их ограниченного времени. Это не о абсолютной точности, а скорее о относительной точности.
Kieran Chandler: Значит, вы утверждаете, что абсолютно точный прогноз, особенно в модной индустрии, невозможен?
Joannes Vermorel: В абсолютном смысле — нет, мода слишком непредсказуема. Однако мы можем стремиться к тому, чтобы прогноз был сравнительно более точным. Проблема в том, можем ли мы создать статистический прогноз, который вообще работал бы в модной индустрии, где для прогнозирования продуктов нет исторических данных? Это озадачивает, потому что статистическое прогнозирование опирается на данные. Но вот один подход. Если вы — модная компания, вы запускаете тысячи продуктов каждый год. Даже если продукт кажется совершенно новым, он не является абсолютно новым. Он появляется на рынке, который можно наблюдать по вашим собственным продажам. Таким образом, если вы хотите построить статистический прогноз, вам нужно использовать все ваши прошлые запуски и атрибуты продукта.
Kieran Chandler: То есть, вы говорите, что мы всё ещё можем использовать прошлые данные для точного прогнозирования?
Joannes Vermorel: Именно. Вы можете сопоставить эту новую рубашку, которую запускаете сейчас, с рубашками, которые вы выпускали в прошлом. Остаётся лишь полностью хаотичная природа модной индустрии, что отразится на неточности прогнозов. Суть в том, что да, с этим можно справиться, и можно создать прогноз, который будет достаточно точным, чтобы приносить прибыль даже при запуске новых продуктов.
Kieran Chandler: Звучит так, как будто это именно то, что вы делаете в Lokad?
Joannes Vermorel: Действительно, именно это мы и делаем в Lokad.
Kieran Chandler: Спасибо за ваше время и за эту беседу. Мы надеемся, что нашим слушателям было интересно. Если у кого-то возникнут вопросы, не стесняйтесь связаться с нами, отправить нам электронное письмо или оставить комментарий ниже. Возможно, мы сможем обсудить некоторые из наиболее интересных вопросов в ближайшие недели. До скорой встречи, большое спасибо, что присоединились к нам сегодня, и до скорой встречи.