00:00:04 Введение и обзор проблемы прогнозирования спроса в цепи поставок.
00:01:28 Аргумент в пользу измерения ошибки прогнозирования в долларах.
00:02:31 Рассмотрение предпочтения измерения процентной ошибки.
00:04:15 Технологическое влияние на повышение точности прогнозирования.
00:05:49 Обсуждение решений для повышения точности прогноза.
00:08:01 Роль прогнозов погоды в вероятностных прогнозах.
00:09:33 Проблемы интеграции погодных данных в цепи 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 его улучшение.
00:16:00 Проблемы прогнозирования в непредсказуемых отраслях, таких как мода.
00:17:33 Статистические прогнозы в моде и вызовы новых продуктов.
00:18:01 Предложение метода для прогнозирования новых продуктов.
00:19:02 Заключительные мысли.
Резюме
Основатель Lokad Жоанн Верморель ведет дискуссию с ведущим Кираном Чандлером о прогнозировании спроса в цепи поставок. Верморель с юмором раскрывает противоречия в отрасли, раскрывая чрезмерные заявления об уменьшении ошибок и отстаивая сдвиг фокуса на “долларовые ошибки” вместо процентов. Он отмечает, что машинное обучение революционизировало прогнозирование, с акцентом на информативные, а не просто точные прогнозы. Пара также рассматривает погодные данные, но считает их слишком сложными и ненадежными для долгосрочных прогнозов. Верморель указывает на важность человеческого интеллекта, но считает его непрактичным в масштабе, рекомендуя вместо этого улучшение качества данных. Несмотря на преграды, Верморель утверждает, что модель Lokad доказывает свою эффективность, точно прогнозируя даже для новых продуктов в волатильных отраслях, таких как мода.
Расширенное резюме
Ведущий Киран Чандлер ведет разговор с основателем Lokad Жоанном Верморелем о точности прогнозирования в отрасли управления цепями поставок. Заметно наблюдается расхождение между практикующими, которые часто жалуются на точность прогнозирования, и поставщиками программного обеспечения, которые часто заявляют о очень высокой точности прогнозов.
Верморель обнаруживает аномалию в отрасли, отмечая, что в течение последних двадцати лет по крайней мере один поставщик программного обеспечения заявляет о 50% годовом снижении ошибки прогнозирования на каждой крупной выставке по управлению цепями поставок. Исходя из этой логики, Верморель с юмором предлагает, что теперь у нас теоретически должна быть нулевая ошибка прогнозирования, противореча текущему состоянию отрасли управления цепями поставок.
Он продолжает, утверждая, что обсессия процентным снижением ошибки прогнозирования вводит в заблуждение и, возможно, является неправильным подходом. Вместо этого Верморель настаивает на том, что влияние ошибки более значительно, когда оно измеряется в денежных затратах для компаний. Бизнесы должны сосредоточиться на “долларах ошибки”, поскольку бизнесы в основном существуют для получения прибыли, что лучше соответствует этой цели.
Анализируя продолжающееся внимание отрасли к процентам, Верморель характеризует его как “зависимость от средней абсолютной процентной ошибки”. Он объясняет, что такое предпочтение связано с тем, что проценты более просты в понимании и менее вероятно вызывают трения внутри компании, так как они не непосредственно связаны с конкретным бюджетом или человеком. Выражение ошибок в долларах потребовало бы, чтобы кто-то взял на себя ответственность за них, что многие рисковые люди в крупных организациях предпочли бы избежать.
По вопросу о технологическом прогрессе и его влиянии на прогнозирование, Верморель признает, что несмотря на вышеупомянутые проблемы, точность прогнозирования действительно улучшилась со временем, в основном благодаря прогрессу в статистическом обучении или машинном обучении. Применение этих техник к планированию и прогнозированию спроса принесло значительные улучшения в отрасли управления цепями поставок.
Верморель дополнительно уточняет, что неопределенность присуща при прогнозировании будущего и поэтому важно присваивать вероятности всем возможным результатам. Интересно, что он предлагает, что прогнозы не должны быть более точными, но должны предоставлять больше информации о будущем. Это продвинутое прогнозирование может помочь в принятии лучших решений в цепи поставок, что является конечной целью и основой для любого физического, измеримого воздействия. Это отражает двойные аспекты, на которые фокусируется фирма Вермореля - прогноз и фактическое использование этих прогнозов при принятии решений в цепи поставок.
Беседа продолжается, затрагивая влияние данных на вероятностные прогнозы. Верморель соглашается с тем, что прогнозы основаны на данных. Чандлер задает вопрос о включении в эти прогнозы внешних факторов, таких как погодные условия, поскольку они часто влияют на поведение потребителей.
В ответ Верморель указывает, что хотя погодные данные 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 проблем цепи поставок, прогнозы часто должны быть на более чем неделю вперед, в период, когда точность прогнозов погоды значительно снижается.
Во-вторых, прогнозы погоды генерируют огромные объемы данных, которые могут быть сложными для управления. Верморель иллюстрирует это, отмечая, что при рассмотрении погоды генерируется одна точка данных в час на квадратный километр каждые 20 минут. Это касается не только температуры, но также влажности, скорости и направления ветра, а также освещенности, что приводит к терабайтам данных, которые сложно включить в цепь поставок.
Обсуждение переходит от сложностей погодных данных к потенциалу человеческого интеллекта в улучшении прогнозов. Верморель подтверждает огромные возможности человеческого мозга, но признает, что это не является жизнеспособным решением из-за его высокой стоимости. Для любой крупной компании в цепи поставок ежедневно требуется принятие тысячи и миллионов решений, требующих значительного количества интеллектуальных людей. Однако большинство компаний не могут позволить себе нанять такое количество людей, поэтому они полагаются на компании-разработчики программного обеспечения. Верморель признает, что хотя
человеческий вклад может значительно повысить точность прогнозирования, он не масштабируется, и этот практический вопрос требует программных решений.
Верморель подчеркивает необходимость использования интеллекта людей внутри компаний в капиталистическом смысле. Их знания и идеи должны рассматриваться как ценные ресурсы, накапливающиеся со временем, а не как одноразовые или потребляемые сущности. Такой подход может привести к непрерывному улучшению систем управления цепями поставок.
Верморель предлагает один из способов использования человеческого интеллекта - улучшение качества данных, поступающих в систему прогнозирования. Качество данных не является данностью; оно требует постоянного обслуживания и улучшения. Транзакционные данные, утверждает Верморель, играют важную роль в повышении точности прогнозирования и имеют потенциал для дальнейшего улучшения. Например, немногие компании точно отслеживают историю дефицита товара. Однако, чтобы предсказать будущий спрос, важно определить, был ли отсутствие продаж вызвано отсутствием спроса или ситуацией с дефицитом товара. Поэтому Верморель выступает за правильную запись всех соответствующих данных, включая дефицит товара, акции и цены конкурентов, для повышения точности прогноза.
При рассмотрении прогнозирования для товаров, которые еще не были запущены, Верморель признает существующую проблему, особенно в нестабильных отраслях, таких как технологии и мода, где исторические данные отсутствуют или непостоянны. Он возражает, что целью не является абсолютная точность прогноза, а скорее прогноз, который более точен, чем то, что команды могут создать в рамках своих временных ограничений.
В ситуациях, например, в моде, где новым продуктам не хватает исторических данных, Верморель предлагает решение. Он предлагает, что хотя отдельные продукты могут быть новыми, они возникают на рынке, который компания наблюдает через свои продажи. Поэтому можно построить статистический прогноз на основе исторических запусков продуктов и их характеристик. Этот метод может связать новую рубашку, например, с ранее запущенными рубашками, чтобы создать прогноз, который, хотя и может быть несколько неточным из-за непостоянства модной индустрии, может быть достаточно точным для получения прибыли.
Верморель подтверждает, что Lokad использует этот подход в своей модели прогнозирования, позволяя делать эффективные прогнозы даже в сложных условиях, таких как запуск новых продуктов.
Полный текст
Кирен Чандлер: Сегодня мы собираемся говорить о теме, которая разделила мнения в индустрии цепей поставок: точности прогнозирования. Я рад сообщить, что сегодня ко мне присоединился генеральный директор и основатель Lokad, Жоанн Верморель, который поможет мне в нашем обсуждении. Итак, Жоанн, спасибо, что присоединились к нам сегодня.
Жоанн Верморель: Спасибо, Кирен.
Кирен Чандлер: Жоанн, если посмотреть на всю индустрию цепей поставок в целом, часто можно видеть, что практики часто жалуются на точность своих прогнозов. Однако, если посмотреть на поставщиков программного обеспечения, они часто утверждают, что имеют очень высокую точность. Они оба не могут быть правыми. Каково ваше мнение по этому поводу?
Жоанн Верморель: Ситуация действительно загадочна. За последние два десятилетия, а может быть и дольше, на каждой крупной выставке по цепям поставок есть по крайней мере один поставщик программного обеспечения высшего уровня, который утверждает, что снизил ошибку прогнозирования на 50% или нечто подобное. Очевидно, что если сложить снижение ошибки прогнозирования на 50% в год в течение 20 лет, логически мы должны иметь нулевую ошибку прогнозирования, что, очевидно, не соответствует действительности в индустрии цепей поставок. Ошибки прогнозирования по-прежнему присутствуют. Еще один способ посмотреть на это - проценты вводят в заблуждение. Думать, что можно снизить ошибку прогнозирования на X процентов, - неправильный подход к вопросу. Ошибки прогнозирования стоят компаниям деньги, выраженные в долларах, а не в процентах. То, на что мы действительно должны смотреть, - это суммы ошибок в долларах для компаний, управляющих цепями поставок в реальном мире.
Кирен Чандлер: Это имеет много смысла, потому что, в основе, бизнесы существуют для заработка денег. Это основы экономики, не так ли? Компании хотят максимизировать свою прибыль, и бизнесы извлекают из этого выгоду. Как общество, мы также можем извлекать выгоду, потому что получаем лучший ассортимент продуктов по более низким ценам. Однако это не то, что мы действительно видим в индустрии. Индустрия все еще очень зациклена на использовании процентов. Почему они так зациклены на этом? Какова причина этого?
Жоанн Верморель: Основа зависимости от MAPE (средняя абсолютная процентная ошибка) заключается в том, что проценты - это просто. Легко придумать процент. С процентом никто не принимает на себя реальные обязательства, и вы не повлияете на бюджеты. Выражение ошибок в долларах имеет больше смысла, но это уточняет ставки и кто должен нести ответственность за ошибку. Компании, управляющие большими цепями поставок, состоят из множества людей. Эти люди, будучи частью большой организации, склонны к избеганию рисков. Они не хотят предлагать что-то, что вызовет противодействие остальной части их собственной организации, и выражение прогнозной ошибки в долларах именно это делает. Оно указывает на области, которые действительно несут ответственность за доллары ошибки. Таким образом, хотя проценты - это просто, доллары - это правильная метрика. Вот почему мы все еще застряли в этой ситуации; простая вещь просто легче сделать.
Кирен Чандлер: Хорошо, если мы отложим на время доллары ошибки и просто возьмем проценты ошибки в качестве примера, есть ли какой-то технологический процесс, который можно применить для улучшения процента ошибки? Что могут сделать компании-разработчики программного обеспечения в этом отношении?
Жоанн Верморель: Несмотря на то, что прогнозные ошибки не улучшились на 50 процентов в год в последние двадцать лет, точность прогнозирования все же улучшилась. Большая часть улучшений не была обусловлена прогрессом внутри мира цепей поставок, а скорее широким технологическим прогрессом из области, известной как статистическое обучение, более известное как машинное обучение. Последний вариант этого - глубокое обучение. Таким образом, за последние 20 лет произошел реальный технологический прогресс.
Кирен Чандлер: Известно, что использование определенных методов планирования спроса и прогнозирования в цепи поставок может привести к значительному измеримому улучшению прогнозов. Это прогресс, который можно увидеть в процентах, но также и в долларах. Так что это очень осязаемо. Но должен быть и другой способ улучшить точность этих прогнозов. Могут ли бизнесы и разработчики программного обеспечения, например, изменить точность своих процессов? Могут ли они лучше обучить свои команды, например?
Жоанн Верморель: Действительно, есть две вещи, которые они могут сделать. Во-первых, они могут уточнить область самих прогнозов. Я имею в виду переход к вероятностным прогнозам. Традиционный тип прогноза делает одно утверждение, например, “мой будущий спрос будет именно таким”. Теперь вероятностные прогнозы принимают гораздо более глобальный взгляд. Многое может произойти, есть неустранимая неопределенность о будущем, и поэтому мы присваиваем вероятности всем этим потенциальным будущим. Вот один из способов, которыми компании могут улучшиться, приняв прогнозы, которые больше рассказывают о будущем. Они не обязательно должны быть более точными, им просто нужно предоставлять больше информации о будущем. В этом суть вероятностных прогнозов.
Другой подход - подумать о том, что можно сделать, чтобы люди могли использовать эти прогнозы для принятия лучших решений в цепи поставок. Лучшие прогнозы - это замечательно, но можем ли мы превратить их в лучшие решения в цепи поставок? В конце концов, лучшие решения в цепи поставок с измеримым влиянием - это то, что действительно важно. Вот два подхода, на которые мы смотрим.
Кирен Чандлер: И эти вероятностные прогнозы основаны на данных, верно?
Жоанн Верморель: Да, абсолютно.
Кирен Чандлер: Что касается аспекта данных, где вы проводите границу? Например, вещи, такие как погода, довольно интересны. Летом люди чаще покупают мороженое, а зимой - горячий шоколад, шарфы и перчатки. Так что мы можем использовать такие вещи, как прогнозы погоды, в вероятностных прогнозах?
Жоанн Верморель: Это очень широкий вопрос. Чтобы повысить точность прогнозирования, вам необходимо включать информацию, и эта информация должна поступать откуда-то. Первое место, где вы можете искать эту информацию, - это исторические данные самой компании. Однако я считаю, что большинство компаний, скажем, 99% из них, не полностью используют высококачественные транзакционные данные, которыми они уже обладают.
Что касается внешних источников, таких как прогнозы погоды, они вызывают как минимум две разные проблемы. Во-первых, прогнозы погоды несовершенны. Если вы хотите строить прогнозы на основе других прогнозов, вы сталкиваетесь с проблемой накопления неточностей прогнозирования. Это сложная проблема, которую сложно решить на практике. Кроме того, если вы думаете о проблемах цепи поставок, обычно вам нужно думать о более чем семи днях вперед, и точность прогнозов погоды на практике становится довольно низкой. Так что использование прогнозов погоды вызывает проблемы.
И здесь есть еще одна проблема. Любой, кто пытался использовать эти внешние источники данных, поймет, что в этом есть свои сложности.
Кирен Чандлер: Так что, если речь идет о прогнозах погоды, которые являются довольно значимыми в статистическом прогнозировании, мы говорим о обширных данных. Это не просто одна точка данных; это точка данных каждый час, на квадратный километр, каждые 20 минут вперед. Нам нужно учитывать такие факторы, как температура, влажность, ветер и направление света. Таким образом, данные, которые вы хотели бы использовать для уточнения прогноза цепи поставок, являются огромными. Мы буквально говорим о терабайтах данных. Можете ли вы рассказать о практической стороне реализации такого огромного объема данных?
Жоанн Верморель: Да, действительно, практическая сторона включения глобальных погодных данных в вашу цепь поставок может быть ошеломляющей. Это сложная задача. Есть вещи, которые гораздо проще сделать. Так что на практике погода, вероятно, не является лучшим примером для использования.
Кирен Чандлер: Хорошо, рассмотрим другой вариант. Что насчет человеческого мозга? Это невероятно мощный инструмент. Есть ли способ использовать его для улучшения наших прогнозов?
Жоанн Верморель: Конечно. Алгоритмы, которыми мы располагаем в настоящее время, не являются фундаментально сверхчеловеческими. Они отлично справляются с определенными задачами, такими как игра в Го или шахматы. Но управление цепями поставок - это очень открытая проблема, требующая полного использования человеческого интеллекта. Простой компьютер не может превзойти специалиста по цепям поставок, потому что для этого требуется гораздо больше. Однако проблема с человеческим интеллектом не в его способностях, а в его стоимости. Крупные компании по управлению цепями поставок ежедневно имеют дело с тысячами, если не миллионами, цепей поставок. Вопрос в том, сколько умных людей вы можете себе позволить для принятия этих необходимых ежедневных решений? Ответ, как видно по нашим клиентам, обычно - недостаточно. Таким образом, человеческий вклад может значительно повысить точность прогнозов, но он плохо масштабируется, что делает его практически сложным. Вот почему отрасль полагается на компании-разработчики программного обеспечения, такие как мы.
Кирен Чандлер: Это важный момент. Как вы предлагаете компаниям наилучшим образом использовать своих умных сотрудников? Следует ли им применять свою интуицию и знания к системам? Как должна происходить эта интеграция?
Жоанн Верморель: Основной вопрос здесь - как мы можем использовать этих людей, чтобы снизить ошибку прогнозирования. Вы не хотите просто потреблять и отбрасывать их идеи; это не правильный подход. Вам нужно использовать их знания со временем для непрерывного улучшения. Одним из практических шагов, которые они могут предпринять, является улучшение качества данных, поступающих в систему прогнозирования. Поддержание и улучшение качества данных требует постоянных усилий. Например, очень немногие компании точно отслеживают историю отсутствия товара на складе. Но если вы хотите прогнозировать будущий спрос, вам нужно различать между отсутствием продаж в определенный период из-за отсутствия спроса и отсутствием продаж из-за отсутствия товара на складе.
Кирен Чандлер: Вы правильно записываете все это? В вашем наборе данных можно включить много вещей, таких как нехватка товара, акции, ваши собственные цены и цены ваших конкурентов. Эти данные очень действенны и могут сделать ваш прогноз более точным.
Жоанн Верморель: Действительно, есть множество факторов, которые можно учесть, чтобы улучшить точность прогноза.
Кирен Чандлер: Говоря о точности прогнозирования, как вы прогнозируете для продукта, который еще не был запущен? В отраслях, таких как технологии и мода, нет исторических данных, и эти отрасли довольно непредсказуемы. Есть ли надежда на получение точных прогнозов?
Жоанн Верморель: Это очень сложный вопрос. Речь не идет о получении точного прогноза в абсолютном смысле. Если бы речь шла о предсказании следующего модного продукта на рынке моды на следующий год, я бы не делал статистический прогноз. Я бы занимался игрой на фондовом рынке. Реальный вопрос заключается в том, как получить прогноз, который будет более точным, чем тот, который может составить ваша команда в связи с ограниченным временем. Речь идет не о абсолютной точности, а скорее о относительной точности.
Кирен Чандлер: Итак, вы предлагаете, что нет надежды на абсолютно точный прогноз, особенно в моде?
Жоанн Верморель: В абсолютном смысле - нет, мода слишком непредсказуема. Однако мы можем стремиться к чему-то, что будет сравнительно более точным. Проблема заключается в том, можно ли создать статистический прогноз, который будет работать в моде, где продукты, которые вы хотите прогнозировать, не имеют исторических данных? Это загадочно, потому что статистическое прогнозирование основано на данных. Но вот угол. Если вы компания моды, вы запускаете тысячи продуктов каждый год. Даже если это кажется совершенно новым продуктом, он не совсем новый. Он появляется на рынке, который вы можете наблюдать по своим продажам. Так что если вы хотите создать статистический прогноз, вам нужно использовать все свои прошлые запуски и характеристики продукта.
Кирен Чандлер: Итак, вы говорите, что мы все равно можем использовать прошлые данные для точных прогнозов?
Жоанн Верморель: Именно. Вы можете сопоставить эту новую рубашку, которую вы запускаете с рубашками, которые вы запускали ранее. Остается полностью непредсказуемая природа модной индустрии, которая будет отражена в неточности прогнозирования. Суть в том, что да, вы можете справиться с этим, и вы можете создать прогноз, который достаточно точен для прибыльных запусков продуктов.
Кирен Чандлер: Это звучит как то, что вы делаете в Lokad?
Жоанн Верморель: Действительно, это именно то, что мы делаем в Lokad.
Кирен Чандлер: Спасибо за ваше время и за эту дискуссию. Мы надеемся, что нашим слушателям было интересно. Если у кого-то есть вопросы, не стесняйтесь связаться с нами, написав нам электронное письмо или оставив комментарий ниже. Мы можем обсудить некоторые из наиболее интересных вопросов в ближайшие недели. До тех пор, большое спасибо за то, что присоединились к нам сегодня, и до скорой встречи.