Прогнозирование акций

00:00:04 Влияние акций на прогнозы.
00:00:51 Разнообразие акций в различных отраслях.
00:02:12 Проблемы при прогнозировании спроса, обусловленного акциями.
00:03:58 Анализ: Риски традиционных методов управления цепями поставок.
00:06:00 Критика: Скользящие средние и методы прогнозирования.
00:08:01 Критику простых моделей прогнозирования акций.
00:08:36 Зависимость компаний от скользящих средних.
00:10:26 Потребности в данных для прогнозирования акций.
00:13:25 Роль машинного обучения в прогнозировании акций.
00:15:09 Роль данных о промо-акциях в непромоционном прогнозировании.
00:17:34 Скорость обучения систем машинного обучения.
00:20:09 Трудности и стратегии в прогнозировании акций.
00:20:35 Внедрение прогнозирования акций в организациях.
00:23:17 Стратегическая реализация акций с использованием машинного обучения.

Резюме

Интервью между Кираном Чандлером и Жоанном Верморалем, основателем Lokad, посвящено теме акций, прогнозированию и оптимизации цепей поставок. Верморал объясняет, что акции могут искажать реальный спрос, что создает проблему при прогнозировании спроса. Многие компании решают эту проблему, пересматривая историю продаж, чтобы нейтрализовать влияние акций, но такой подход может привести к созданию вводящих в заблуждение прогнозов. Компании в основном используют методы скользящей средней для оптимизации цепей поставок, что оказывается недостаточно для предсказания повышения продаж в результате акций. Улучшенные прогнозы требуют большей сложности, например, машинного обучения, а также качественных данных о промо-стратегиях. Верморал подчеркивает долгосрочное влияние акций и необходимость стратегического планирования перед внедрением машинного обучения в процесс прогнозирования акций.

Расширенное резюме

Разговор между Кираном Чандлером и Жоанном Верморалем, основателем Lokad, вращается вокруг темы акций и их влияния на прогнозирование и оптимизацию цепей поставок.

Обсуждение начинается с анализа того, как акции кардинально влияют на продажи: они могут дать положительный эффект, если проведены правильно, или негативный, если выполнены неудачно. Акции также формируют ожидания клиентов относительно скидок, влияя таким образом на поведение при покупках. Чандлер и Верморал отмечают, что промо-стратегии существенно различаются в зависимости от отрасли: некоторые сектора, например, товары класса люкс, избегают скидок, в то время как такие сферы, как гипермаркеты, ежедневно проводят акции.

Далее разговор переходит к сложности учета акций с точки зрения прогнозирования. Верморал поясняет, что, хотя акции обычно сопровождаются увеличением продаж, это увеличение не обязательно соответствует росту реального спроса. Это расхождение возникает, поскольку наблюдаемые продажи во время акции могут превышать фактический спрос, так как потребители стремятся воспользоваться более низкими ценами, даже если им продукт не требуется немедленно. Такое поведение может исказить восприятие реального спроса.

Затем разговор переходит к вопросам цепей поставок. Верморал указывает, что при планировании будущего спроса, специалисты по цепям поставок вынуждены учитывать искажения, вызванные акциями. Однако многие компании полагаются на традиционные методы управления цепями поставок, пытаясь скрыть эффект акций путем переписывания истории продаж, фактически стирая всплески, вызванные акциями. Такой подход, стремясь нормализовать данные о продажах, влечет за собой риски, поскольку заменяет реальные исторические данные искусственными конструкциями, что может привести к ошибочным прогнозам.

Чандлер выражает озабоченность этими потенциальными опасностями, что побуждает Верморала углубиться в причины, по которым компании выбирают этот метод. Он подробно рассказывает, что большинство компаний использует технологии, основанные преимущественно на вариантах скользящей средней для оптимизации цепей поставок. Эти методы, хотя и достаточно эффективны для непромоционных периодов, не способны предугадать всплески продаж во время акций, что приводит к некачественным прогнозам. Именно этот разрыв в производительности побуждает многих клиентов Lokad стремиться к улучшению прогнозов акций.

Верморал начинает с признания значительной роли статистических моделей в повышении точности прогнозирования, отмечая, что, хотя они эффективны, они не являются единственным решением для точного прогнозирования. Он обсуждает широкое использование скользящих средних в отрасли благодаря их простоте и доступности, особенно учитывая, что огромная часть цепей поставок по-прежнему работает с базовыми инструментами, такими как Microsoft Excel. Однако он указывает, что, несмотря на простоту скользящих средних, для получения лучших результатов требуется значительно большая сложность.

Затем разговор переходит к понятию машинного обучения, которое представляет собой значительный скачок в сложности и потенциальных результатах по сравнению со скользящими средними. Машинное обучение требует не только более глубокого понимания статистических методов, но и более высокого качества данных. В частности, Верморал подчеркивает необходимость всесторонних, качественных данных о промо-стратегиях.

Компаниям необходимо собирать обширные данные обо всех аспектах, влияющих на механизмы проведения акций. Это включает не только коррекции цен, но и маркетинговые усилия, сопровождающие акции, а также стратегии повышения их видимости. Верморал приводит примеры, характерные для различных отраслей, такие как распродажи в конце сезона в моде или стратегии размещения товаров на рынках розничной торговли.

Верморал также подчеркивает важность качества данных. Он объясняет, что мелкие неточности или пробелы в данных могут не привести к немедленному банкротству компании, но существенно снизят эффективность алгоритмов машинного обучения, которые зависят от точных данных. Он отмечает, что получение надежных исторических данных об акциях, как правило, требует значительных усилий в течение нескольких месяцев.

Затем интервью переходит к эволюции сбора данных и их значимости для прогнозирования акций. Верморал предлагает, что обладая точными данными, можно более эффективно прогнозировать, какие акции использовать и когда они могут сработать лучше всего. Алгоритмы машинного обучения обрабатывают данные, выявляя и отмечая периоды, когда продажи были завышены или, наоборот, вероятно, подавлены в результате промо-мероприятий. По словам Верморала, такая стратегия помогает улучшить точность прогнозов даже вне промоциональных периодов.

На первый взгляд это кажется противоречивым. Однако Верморал объясняет, что акции оказывают эффект домино на другие, не участвующие в акциях, продукты. Например, значительная акция на один товар может «каннибализировать» продажи конкурирующих товаров, что делает прогнозирование еще более сложным. Понимание этих косвенных эффектов акций добавляет дополнительный уровень сложности в прогнозирование цепей поставок.

Верморал подчеркивает необходимость предвидения будущих событий и их потенциального влияния на цепи поставок. Он предлагает, что если бизнес сможет передать такие будущие события в систему прогнозирования на базе машинного обучения, она сможет использовать эти данные и включить предстоящие события в свои прогнозы.

Чандлер спрашивает о способности машинного обучения к обучению и насколько быстро оно может давать результаты. Верморал поясняет, что это, прежде всего, игра статистики. Скорость обучения алгоритма машинного обучения зависит от частоты проведения акций. Например, если для товара проводится лишь одна акция в год, обучение будет медленным. Однако при регулярных акциях алгоритм учится быстрее, поскольку может использовать данные из аналогичных прошлых акций.

Кроме того, Верморал уточняет, что прогнозирование акций заключается не в предсказании единственной временной серии, а в анализе типичного влияния акции в аналогичных условиях, таких как скидки или каналы коммуникаций. Он приводит примеры из модной индустрии, где распродажи в конце сезона являются обычным явлением, и из электронной коммерции, где товары постоянно продвигаются на главной странице сайта.

Обращаясь к генеральным директорам и тем, кто стремится им стать, Верморал описывает процесс внедрения прогнозирования акций в их организациях. Он подчеркивает необходимость сбора данных, акцентируя внимание на важности специализированных данных, а не общих наборов данных. Он рекомендует собирать подробную информацию о самих акциях: о продуктах, промо-механизмах и других переменных, таких как бесплатная доставка.

Верморал подчеркивает необходимость наличия процесса контроля качества для обеспечения точности и актуальности данных. Он также призывает руководителей задуматься о фундаментальной цели или конечном результате их промо-стратегии, поскольку она различается в разных отраслях. Он приводит примеры из модной индустрии и индустрии товаров повседневного спроса, каждая из которых имеет свои уникальные цели проведения акций.

Он призывает организации учитывать долгосрочные последствия своих акций. По его словам, эти мероприятия определенным образом обучают клиентов, что может иметь длительный эффект. Поэтому бизнесу необходимо стратегически продумывать, какое влияние он хочет оказывать на своих клиентов через акции.

Машинное обучение вступает в игру, как только организации четко определят свою стратегию и соберут соответствующие данные. Верморал повторяет, что машинное обучение, несмотря на свою механическую интеллектуальность, не разработает высокоуровневые стратегии, подчеркивая, что бизнесу необходимо сначала сформулировать стратегию, прежде чем использовать машинное обучение для прогнозирования акций.

Полная транскрипция

Kieran Chandler: Сегодня на Lokad TV мы поговорим об акциях и о том, как они могут влиять на прогнозы. Акции могут быть невероятно разнообразными и трудно предсказуемыми. Проведите их правильно, и они могут значительно увеличить ваши продажи, а если сделать неправильно, то они могут подорвать доверие к вашим продуктам и заставить ваших клиентов ожидать огромных скидок. Акции часто попадают в заголовки по самым разным, зачастую негативным причинам. Во время Черной пятницы можно увидеть, как покупатели толпами сражаются за товары с завышенными ценами в универмагах. Тем не менее, эти периоды, несомненно, важны для ритейлеров, которые часто сообщают о массовом увеличении продаж. Итак, Жоанн, акции крайне разнообразны в зависимости от отрасли, в которой вы работаете. Возможно, вы могли бы объяснить, о каких компаниях идет речь.

Joannes Vermorel: Да, действительно, акции бывают разными в зависимости от вашего сегмента. Они варьируются от отраслей, таких как товары класса люкс, где никогда не проводят акции — ведь вы не увидите Rolex со скидкой, — до отраслей, где акции проводятся ежедневно, например, в гипермаркетах, где вы регулярно видите ежедневные акции. Акции могут касаться цены — типично для гипермаркета, где при покупке двух товаров вы получаете третий бесплатно. Но в электронной коммерции акции также направлены на продвижение товара. Если вы разошлете информационную рассылку полумиллиону подписчиков для продвижения продукта, вы увидите резкий рост продаж, даже если цена товара не была снижена ни на 1%. Таким образом, это одно и то же слово, но оно обозначает совершенно разные реалии в зависимости от компании, с которой вы имеете дело.

Kieran Chandler: Итак, обычно они должны быть положительным моментом, ведь мы обычно наблюдаем рост продаж. Почему же они усложняют ситуацию? В чем заключается сложность с промо-акциями?

Joannes Vermorel: Они усложняют ситуацию, потому что для оптимизации цепи поставок вам нужно прогнозировать будущий спрос. Проблема в том, что вы не наблюдаете будущий спрос или даже прошлый спрос — вы наблюдаете прошлые продажи. Продажи — это не спрос. Продажи сопровождаются различными искажениями. Если у вас заканчиваются запасы, происходит недостача товара, так что продажи равны нулю, хотя спрос все еще присутствует. Акции работают в противоположном направлении: вы видите значительно больше продаж, чем фактический спрос. Например, если происходит резкое снижение цены, даже если людям товар не нужен прямо сейчас, они могут начать запасаться им дома, просто потому что считают, что это удачная возможность. Таким образом, продажи могут дать неверное представление о реальном спросе. Большинство специалистов по цепям поставок знают, что не стоит просто применять скользящую среднюю к данным об акциях, потому что акция искусственно завышает наблюдаемый спрос. Вы знаете, что после окончания акции продажи упадут. Это основное явление, которое необходимо учитывать; иначе ваше планирование окажется полностью неверным.

Kieran Chandler: То есть вы говорите, что существует ложное представление о спросе. Как компании учитывают это на практике? Как они корректируют свои действия в связи с этим?

Joannes Vermorel: Традиционный метод управления цепями поставок заключается в переписывании истории продаж для маскировки эффекта акций. Большинство компаний берут историю продаж, анализируют промо-период, видят всплеск и пытаются устранить эти пики из истории продаж. Таким образом, когда они применяют метод, похожий на скользящую среднюю, эта средняя не будет чрезмерно смещена акцией, которая только что прошла. Я не говорю, что это правильный подход, но именно этим по-прежнему пользуются большинство компаний.

Kieran Chandler: А устранение пиков, вызванных акциями, звучит очень опасно. Разве это не приводит к тому, что появляется две версии правды? Почему же они на самом деле так поступают?

Joannes Vermorel: Ты полностью прав; это очень опасно. Причина в том, что ты заменяешь исторические данные о продажах, которые точны, на вымышленные данные, которые ты только что придумал. Это искажение реальности, и затем ты будешь строить своё планирование на этих вымышленных данных. Да, существует реальная опасность. Это методологическая опасность. Если твои корректировки неверны, то твои прогнозы будут строиться на ошибочных входных данных, что может усугубить проблему в плане планирования цепочки поставок.

Так, зачем же люди вообще это делают? Если взглянуть на технологии, которые большинство компаний до сих пор используют для оптимизации цепочек поставок, это, по сути, возвышенная версия скользящих средних. Скользящие средние называются по-разному — экспоненциальное сглаживание, метод Холта-Уинтерса — но по сути, все они являются вариациями скользящих средних. Эти методы немного более тонкие для работы с сезонностью, но суть остается скользящей средней.

Именно поэтому, если всё, что у вас есть — это скользящая средняя, вам нужно привести исторические данные о продажах в соответствие с ней, ведь это единственная математическая модель, доступная вашей компании. Но это ошибочная точка зрения, поскольку существует гораздо больше, чем просто скользящие средние.

Kieran Chandler: Но именно на эти статистические методы, безусловно, опирается множество компаний при принятии будущих решений. Так работают ли они на самом деле? Они должны быть достаточно хорошими, раз их используют по всему миру.

Joannes Vermorel: На самом деле, они и не так хороши. Большинство компаний, ставших нашими клиентами, говорили, что одной из ключевых мотиваций было получение более точных прогнозов по акциям, поскольку это была настоящая проблема для них.

Ваша скользящая средняя может справляться, но она не способна предугадать всплеск или влияние самой акции. Хотя из-за акции она может не полностью искажать прогнозы для непромоционных периодов, она всё же не даёт ничего, что действительно помогло бы справиться с предстоящей акцией. Таким образом, скользящая средняя немного спасает ситуацию, но не решает проблему в корне. Она не создаёт реальный прогноз акции, а лишь предотвращает искажение всех непромоционных прогнозов акциями. И, кстати, этот метод очень слаб; он даже не работает корректно и сопровождается множеством проблем.

Kieran Chandler: Так почему же эти компании так довольны работой со скользящими средними? Почему они не меняются? Почему эта проблема до сих пор существует?

Joannes Vermorel: Я считаю, что скользящая средняя — это то, о чём может подумать любой инженер за пару часов. Простота имеет огромную силу. В итоге вы за два часа изобретёте скользящую среднюю и некий рецепт для её работы, что является очень мощной силой.

Помните, что около 80% мировых цепочек поставок до сих пор работают на базе Microsoft Excel, поэтому написание скользящей средней в Excel очень, очень просто. Вероятно, именно поэтому.

Ещё одна причина в том, что если вы хотите добиться лучшего результата, это значительно сложнее. Внезапно вам приходится переключаться от скользящей средней к машинному обучению. То есть, нужно перейти от очень простого метода, понятного каждому, к машинному обучению, которое гораздо сложнее.

Kieran Chandler: Мы обсуждаем алгоритм, который может работать в течение двух часов, даже если вы никогда раньше не занимались машинным обучением. Но для его успешного внедрения необходимо также уделять пристальное внимание качеству данных о ваших акциях. Не могли бы вы описать, как работает этот процесс и как мы можем перейти к более совершенным методам?

Joannes Vermorel: Конечно. Независимо от любых альтернатив скользящим средним, мы должны существенно полагаться на данные. Этот фактор делает задачу гораздо более сложной.

Kieran Chandler: Если мы стремимся работать лучше, какие именно данные нам следует собирать? Должны ли это быть маркетинговые усилия, изменения цен или что-то иное?

Joannes Vermorel: Компании необходимо собирать всё, что влияет на механизмы проведения акций. Цена — это, безусловно, один из факторов. Если вы снижаете цену товара, но никому не сообщаете об этой скидке, никто этого не замечает, кроме тех, кто уже собирался купить этот товар.

Таким образом, акция — это не только снижение цены. Речь также идёт о передаче информации. Сообщить рынку, что у вас проходит акция, имеет решающее значение. В некоторых отраслях, например, в моде, проводятся распродажи в конце сезона. Все ожидают этих распродаж, которые являются специфическим видом акций. Но в некоторых сферах это совсем другая история.

Например, в гипермаркетах дело не только в снижении цены. Часто речь идёт о том, чтобы переместить продукт к началу гондолы — о суперклассном размещении в конце прохода, где товары максимально заметны. Ещё лучше, вы можете разместить большую стопку акционных товаров у входа в магазин.

Таким образом, теперь встает вопрос: отслеживает ли ваша система ERP эти данные должным образом? Если вы не будете корректно отслеживать, что продаёте или покупаете, ваша компания может обанкротиться. Если вы не знаете, что продаёте или покупаете, клиенты или поставщики могут вас обмануть, что приведёт к банкротству.

С другой стороны, если дата вашей акции записана неверно в системе ERP, это не приведёт к банкротству вашей компании. Но если вы захотите снабдить алгоритм машинного обучения, прогнозирующий акции, неверными данными, он работать не будет.

Таким образом, вам необходим процесс обеспечения качества ваших данных об акциях. По нашему опыту в Lokad, этот процесс может требовать огромных усилий. Для большинства компаний получение качественных исторических данных по акциям занимает месяцы.

Kieran Chandler: То есть, вы говорите, что в отрасли произошла настоящая эволюция — не в том, что это критичный показатель, который нужно измерять, а в том, как мы его измеряем?

Joannes Vermorel: Да, измерить это очень сложно.

Kieran Chandler: Гипотетически, если компания измерила все эти параметры и собрала всю эту информацию, означает ли это, что с помощью вашего прогноза вы сможете подсказать, какие акции проводить, когда они работают лучше всего, и какой вид информации можно получить?

Joannes Vermorel: Да. Первое, что нужно понять, заключается в том, что вместо корректировки исторических данных, алгоритм машинного обучения рассматривает их с точки зрения обогащённых исторических данных. Вы не пытаетесь подправить свои продажи. Вы собираетесь отметить периоды, когда продажи товара были завышены, и периоды, когда они, вероятно, были цензурированы.

Например, в конце акции, если люди накопили запас товаров, вы можете заметить снижение спроса. Вы даже можете столкнуться с периодом, когда наблюдается своего рода цензурированный спрос. Поэтому вам нужно учитывать все эти факторы.

Kieran Chandler: Таким образом, первое преимущество акций, которое может быть не сразу очевидно, заключается в том, что они могут повысить качество вашего прогноза даже в периоды без акций. Это достигается за счёт использования алгоритма, который лучше предсказывает смещения. То есть, вы утверждаете, что данные об акциях используются даже тогда, когда акции не проводятся, верно?

Joannes Vermorel: Да, это может показаться противоречивым, но давайте рассмотрим пример. Если у вас проходит масштабная акция на определённый сорт помидоров, скорее всего, она будет каннибализировать продажи всех остальных товаров, не участвующих в акции. Очевидно, что значимая акция для конкретного товара окажет огромный каннибализационный эффект на все другие товары, конкурирующие с продвигаемым товаром. Следовательно, акции усложняют прогнозирование не только для продвигаемого товара, но и для всех непромоционных продуктов.

Kieran Chandler: Понимаю, так что это не так противоречиво, как кажется на первый взгляд, но требует определённого анализа. Теперь давайте перейдём к теме предвидения будущих акций. Если вы знаете о предстоящей акции, вы можете предсказать всплеск, то есть рост продаж, который за ней последует. Однако это поднимает вопрос о вашем процессе принятия решений относительно будущих акций. Не могли бы вы рассказать, как принимаются эти решения и как они вносятся в ваш прогнозный механизм?

Joannes Vermorel: Конечно. Первая часть процесса — это принятие решения о будущих акциях. Вторая часть заключается в том, чтобы обеспечить ввод этих решений в наш прогнозный механизм. Речь идёт не только о прошлых данных, но и о будущих ожиданиях. Если мы планируем мероприятие, которое существенно повлияет на цепочку поставок, прогнозный механизм должен знать об этом заранее. Прогнозный механизм на основе машинного обучения, если его своевременно информировать, сможет адаптироваться и отразить предстоящее событие в своём прогнозе.

Kieran Chandler: Это захватывающе, особенно идея акции десятилетия. Но учитывая сложность машинного обучения, как быстро эти системы могут обучаться и адаптироваться? Когда можно ожидать увидеть результаты?

Joannes Vermorel: Всё во многом зависит от количества акций. Это игра статистики. Если вы проводите акцию только один раз в год для товара, сложно чему-то научиться. Помните, прогнозирование акций — это не предсказание временного ряда. Каждый товар может участвовать в акции только один или два раза за свою жизнь. Если вы хотите понять влияние акции, вам нужно учитывать, каково типичное влияние акции в аналогичных условиях — ценовая скидка, механика акции, каналы коммуникации и так далее. Например, в индустрии моды, где проводятся распродажи в конце сезона, у вас есть несколько точек данных, поскольку это происходит от четырёх до восьми раз в год. Для гипермаркета каждый продукт потенциально является точкой данных.

У них ежедневно проводятся акции для сотен товаров, и они меняются — это не всегда одни и те же продукты. Это происходит постоянно в электронной коммерции. Обычно на главной странице вашего интернет-магазина всегда есть один или два продукта, что обеспечивает постоянное активное проведение акций. Но становится очень сложно, когда вы начинаете задумываться о прогнозировании акций. Один из вопросов, который задают наши клиенты, заключается в том, может ли наш прогнозный механизм предсказывать акции, но то, чего они действительно хотят, — это определить, какая акция является наилучшей, а это совсем другой и очень сложный вопрос.

Kieran Chandler: Допустим, некоторые из наших зрителей — генеральные директора. Какой процесс им следует соблюдать, если они хотят действительно внедрить прогнозирование акций в свою организацию?

Joannes Vermorel: Во-первых, им необходимо собрать все соответствующие данные. Я не имею в виду сбор данных из Twitter или того, что люди пишут на Facebook. Речь идёт о том, чтобы знать, какой перечень товаров участвует в акциях и каков точный механизм акции. У них, вероятно, есть свои категории, например, «купи один — получи один бесплатно», или скидка в процентах, или любая другая акция, например, с бесплатной доставкой. Первый шаг — собрать то, что я называю квазитранзакционными данными. Это не транзакционные данные, так как они не отображаются в счетах или платежах, но они очень чётко определены. Вам нужно собрать их, включить в вашу систему и обеспечить надлежащий процесс контроля качества.

Второй шаг — действительно задуматься, зачем вы проводите акции, какова конечная цель. Проблема в том, что эта конечная цель обычно сильно различается в зависимости от вашего сегмента. Например, в модной индустрии цель — распродать всю старую продукцию, чтобы всегда продавать актуальные товары в соответствии с последними тенденциями. В секторах общей торговли акции, как правило, инициируются не розничным продавцом, а поставщиком, в рамках переговоров по увеличению осведомлённости о новом продукте, например, о новом вкусе быстрооборачиваемого товара. Конечные цели сильно различаются, что означает, что когда вы хотите оценить, как следует действовать, вам нужно учитывать влияние ваших акций.

Вы пытаетесь повлиять на своих клиентов, и вам действительно следует задуматься, какого именно воздействия вы хотите добиться. Например, если вы приучаете клиентов всегда покупать ваши товары дешево, потому что они знают, что акция всегда скоро будет, то они научатся тому, что достаточно немного подождать, чтобы купить дешевле. Это требует действительно стратегического мышления, которое должно предшествовать машинному обучению.

Как только вы это уясните, вы сможете использовать систему машинного обучения, которая умна и способна обрабатывать все собранные вами данные в соответствии с вашим стратегическим планом. Машинное обучение весьма механистично, поэтому оно не сможет реализовать стратегию высокого уровня — это ваша задача.

Kieran Chandler: Боюсь, нам придётся сегодня закончить. Когда вы говорите об образовании клиентов, я, наверное, отношу себя к числу наименее образованных клиентов. На сегодня всё, спасибо за просмотр, и до встречи в следующий раз. До свидания.