00:00:04 Влияние акций на прогнозы.
00:00:51 Разнообразие акций в разных отраслях.
00:02:12 Проблемы прогнозирования спроса, связанного с акциями.
00:03:58 Анализ: риски традиционных методов управления цепями поставок.
00:06:00 Критика: скользящие средние и методы прогнозирования.
00:08:01 Критика: простые модели 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 об акциях в прогнозировании без акций.
00:17:34 Скорость обучения систем машинного обучения.
00:20:09 Трудности и стратегии прогнозирования акций.
00:20:35 Внедрение прогнозирования акций в организации.
00:23:17 Стратегическое выполнение акций с использованием машинного обучения.
Резюме
Интервью между Киреном Чандлером и Жоаннесом Верморелем, основателем Lokad, крутится вокруг акций, прогнозирования и оптимизации цепи поставок. Верморель объясняет, что акции могут исказить фактический спрос, что представляет собой вызов для прогнозирования спроса. Многие компании решают эту проблему, пересматривая историю продаж для нейтрализации влияния акций, но такой подход может привести к вводящим в заблуждение прогнозам. Компании в основном используют методы скользящего среднего для оптимизации цепи поставок, которые оказываются недостаточными для предвидения роста спроса во время акций. Улучшенные прогнозы требуют большей сложности, такой как машинное обучение, а также требуют высококачественных данных о стратегиях акций. Верморель подчеркивает долгосрочное влияние акций и необходимость стратегического планирования перед внедрением машинного обучения в прогнозирование акций.
Расширенное резюме
Разговор между Киреном Чандлером и Жоаннесом Верморелем, основателем Lokad, крутится вокруг темы акций и их влияния на прогнозирование и оптимизацию цепи поставок.
Обсуждение начинается с рассмотрения того, как акции имеют решительное влияние на продажи, потенциально положительное, если они выполняются правильно, и отрицательное, если они плохо управляются. Они также формируют ожидания клиентов относительно скидок, что влияет на их покупательское поведение. Чандлер и Верморель признают, что стратегии акций значительно различаются в разных отраслях, при этом некоторые секторы, такие как товары роскоши, избегают скидок, в то время как другие, такие как гипермаркеты, используют ежедневные акции.
Далее разговор переходит к сложности акций с точки зрения прогнозирования. Верморель объясняет, что хотя акции обычно связаны с увеличением продаж, это увеличение не всегда соответствует увеличению фактического спроса. Это расхождение возникает потому, что наблюдаемые продажи во время акции могут превышать фактический спрос, поскольку потребители воспользуются возможностью приобрести товары по более низким ценам, даже если им необходимость в продукте не срочная. Такое поведение может исказить представление о реальном спросе.
Далее разговор переходит к последствиям для цепи поставок. Верморель указывает на то, что при планировании будущего спроса, практики в области цепи поставок должны учитывать искажение, вызванное акциями. Однако многие компании полагаются на традиционные методы управления цепью поставок, пытаясь скрыть эффект акций путем переписывания истории продаж, тем самым фактически стирая всплески продаж во время акций. Такой подход, хотя и пытается нормализовать данные о продажах, вносит риски, поскольку заменяет реальные исторические данные искусственными конструкциями, что может привести к вводящим в заблуждение прогнозам.
Чандлер выражает беспокойство по поводу этих потенциальных опасностей, что побуждает Вермореля рассмотреть причины, по которым компании выбирают этот метод. Он подробно объясняет, что большинство компаний применяют технологии, основанные в основном на вариациях скользящих средних для оптимизации цепи поставок. Эти методы, хотя и в некоторой степени приемлемы для периодов без акций, не способны предвидеть увеличение продаж во время акций, что приводит к недостаточно точным прогнозам. Именно этот разрыв в результативности побуждает многих клиентов Lokad стремиться к улучшению прогнозов акций.
Верморель 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 из-за их простоты и доступности, особенно учитывая то, что большая часть цепей поставок все еще работает с помощью базовых инструментов, таких как Microsoft Excel. Однако он указывает на то, что хотя скользящие средние просты, для достижения лучших результатов требуется значительно большая сложность.
Далее разговор переходит к концепции машинного обучения, которая представляет собой существенное развитие по сравнению со скользящими средними в плане сложности и потенциальных результатов. Машинное обучение требует не только более сложного понимания статистических методов, но и более высокого уровня качества данных. Верморель особо подчеркивает необходимость наличия всесторонних данных высокого качества о стратегиях акций.
Компаниям необходимо собирать обширные данные по всем аспектам, влияющим на механизмы акций. Это включает не только корректировки цен, но и маркетинговые усилия, сопровождающие акции, и используемые стратегии видимости. Верморель рассматривает различные примеры, специфичные для отрасли, такие как распродажи в конце сезона в модной индустрии или стратегии размещения товаров на розничных рынках.
Верморель также подчеркивает важность качества данных. Он объясняет, что хотя незначительные неточности или пробелы в данных не могут мгновенно привести компанию к банкротству, они могут серьезно затруднить работу алгоритмов машинного обучения, которые полагаются на точные данные. Он предлагает, что достижение надежных исторических данных о акциях обычно требует значительных усилий в течение нескольких месяцев.
Затем интервью переходит к развитию сбора данных и его значимости для прогнозирования акций. Верморель предлагает, что с точными данными прогнозы могут более эффективно предсказывать, какие акции использовать и когда они могут работать наилучшим образом. Алгоритмы машинного обучения обрабатывают данные, идентифицируя и отмечая периоды, когда продажи были либо завышены, либо вероятно снижены из-за акций. Эта стратегия, по словам Вермореля, помогает улучшить точность прогнозов даже вне периодов акций.
С первого взгляда этот концепт кажется противоречивым. Однако Верморель обосновывает его, объясняя, что акции оказывают косвенное влияние на другие, неакционные продукты. Например, значительная акция на один продукт может снизить продажи конкурирующих продуктов, что делает прогнозирование более сложным. Понимание этих косвенных эффектов акций добавляет еще один уровень к прогнозированию цепи поставок.
Верморель подчеркивает необходимость предвидеть будущие события и их потенциальное влияние на цепь поставок. Он предлагает, что если бизнесы могли бы сообщать такие будущие события машинному обучению, основанному на прогнозировании, оно могло бы использовать эти данные и включить предстоящее событие в свои прогнозы.
Чандлер спрашивает о возможностях обучения машинного обучения и о том, насколько быстро оно может давать результаты. Верморель уточняет, что это в основном игра статистики. Скорость, с которой алгоритм машинного обучения учится, зависит от частоты проведения акций. Например, если на продукт приходится всего одна акция в год, обучение будет медленным. Однако алгоритм учится быстрее при регулярных акциях, так как он может использовать данные из подобных прошлых акций.
Кроме того, Верморель уточняет, что прогнозирование акций не сводится к прогнозированию одного временного ряда, а к изучению типичного влияния акции в подобных условиях, таких как скидки или каналы коммуникации. Он приводит примеры из модной индустрии, где акции в конце сезона являются обычным явлением, и электронной коммерции, где продукты постоянно продвигаются на главной странице веб-сайта.
Обращаясь к генеральным директорам или желающим ими стать, Верморель излагает процесс внедрения прогнозирования акций в их организации. Он подчеркивает необходимость сбора данных, акцентируя важность конкретных данных перед широкими наборами данных. Он рекомендует собирать подробные данные о самих акциях: о продуктах, механизмах акций и других переменных, таких как бесплатная доставка.
Верморель подчеркивает необходимость наличия процесса контроля качества, чтобы обеспечить точность и актуальность данных. Он также призывает руководителей задуматься о глубинной цели или конечной цели своей стратегии акций, так как она отличается в различных отраслях. Он приводит примеры из индустрий моды и товаров общего назначения, у каждой из которых есть уникальные цели за своими акциями.
Он призывает организации учитывать долгосрочные последствия своих акций. Эти действия, говорит он, воспитывают клиентов определенным образом, что может иметь долгосрочные последствия. Поэтому бизнесам необходимо стратегически мыслить о том, какое влияние они хотят оказывать на своих клиентов через акции.
Машинное обучение вступает в игру, когда организации определили свою стратегическую мысль и собрали соответствующие данные. Верморель подчеркивает, что машинное обучение, несмотря на свою механическую интеллектуальность, не разрабатывает стратегии высокого уровня, подчеркивая, что для бизнеса важно стратегически мыслить перед применением машинного обучения для прогнозирования акций.
Полный текст
Кирен Чандлер: Сегодня на Lokad TV. Мы собираемся говорить о акциях и их влиянии на прогнозы. Акции могут быть чрезвычайно переменными и сложными для прогнозирования. Если сделать их правильно, они могут значительно увеличить продажи, но если сделать неправильно, они могут снизить доверие к вашим продуктам и оттолкнуть вашу клиентскую базу, ожидая огромных снижений цен. Акции часто попадают в заголовки по всему миру по всевозможным неправильным причинам. Во время Черной пятницы можно видеть, как клиенты дерутся за товары по завышенным ценам в универмагах. Однако эти периоды несомненно важны для розничных торговцев, которые часто сообщают о массовом увеличении продаж. Итак, Жоанн, акции чрезвычайно переменны в зависимости от отрасли, в которой вы находитесь. Чтобы начать, можете ли вы объяснить о каких компаниях мы говорим здесь?
Жоанн Верморель: Да, действительно, акции имеют различные варианты в зависимости от вашей отрасли. Они варьируются от индустрий, таких как роскошь, которые никогда не проводят акции. Я имею в виду, вы не найдете скидки на Rolex, до отраслей, которые проводят акции ежедневно, например, гипермаркеты, где вы видите ежедневные акции на товары. Акции могут быть связаны с ценой, это то, что вы обычно получаете в гипермаркете, где вы покупаете два, а третий получаете бесплатно. Но акции также в электронной коммерции связаны с выделением чего-то. Если вы отправляете рассылку полумиллиону подписчиков, чтобы выделить продукт, вы увидите большой прирост продаж, даже если вы фактически не снизили цену продукта хотя бы на 1%. Таким образом, это одно и то же слово, но оно обозначает очень разные реалии в зависимости от компании, с которой вы разговариваете.
Кирен Чандлер: Хорошо, поэтому они в основном должны быть хорошей вещью, потому что мы обычно видим увеличение продаж. Почему они усложняют ситуацию? Почему возникают сложности с акциями?
Жоанн Верморель: Они усложняют ситуацию, потому что то, что вы хотите предсказать, если вы хотите оптимизировать свою цепочку поставок, - это 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 всевозможными искажениями. Если у вас не осталось товара, у вас будет дефицит товара, поэтому у вас будет нулевые продажи, но спрос все равно есть. Акции имеют противоположный эффект, поскольку вы можете видеть гораздо больше продаж, чем фактический спрос. Например, если произошло массовое снижение цены, даже если людям сейчас это не нужно, они могут начать запасаться этим товаром дома, просто потому что считают, что это хорошая возможность. Таким образом, продажи могут дать вам неправильное представление о том, каков на самом деле спрос. Большинство практиков в сфере цепочки поставок знают, что они не должны просто применять скользящее среднее поверх акций, потому что акция наивно подталкивает наблюдаемый спрос к максимуму. Вы знаете, что в конце акции продажи упадут. Это очень базовое явление, которое вам нужно учитывать, иначе ваше планирование будет совершенно неправильным.
Кирен Чандлер: Итак, вы говорите, что существует искаженное представление о спросе. Как компании адаптируются к этому? Как они на это реагируют?
Жоанн Верморель: Традиционный метод управления цепочкой поставок заключается в переписывании истории продаж для скрытия эффекта акций. Большинство компаний берут свою историю продаж, смотрят на период акций, видят скачок и пытаются убрать скачки из своей истории продаж. Таким образом, когда они применяют что-то, очень похожее на скользящее среднее, скользящее среднее не будет слишком сильно искажено проведенной только что акцией. Я не говорю, что это правильно, но это то, что большинство компаний все еще делают в настоящее время.
Кирен Чандлер: И удаление скачков, которые видны при акциях, звучит очень опасно. Разве вы не получите две версии правды? Почему они это делают?
Жоанн Верморель: Вы абсолютно правы; это очень опасно. Причина в том, что вы заменяете точные данные о продажах историческими данными, которые вы только что придумали. Это искажение реальности, и затем вы будете строить свое планирование на основе этих придуманных данных. Да, есть реальная опасность. Это методологическая опасность. Если ваши корректировки ошибочны, то ваши прогнозы будут основаны на неправильных входных данных, что может усугубить проблему в планировании цепочки поставок.
Итак, почему люди все-таки это делают? Если посмотреть на технологии, которые большинство компаний все еще используют для оптимизации своей цепочки поставок, это в основном усовершенствованная версия скользящего среднего. Скользящие средние имеют разные названия - экспоненциальное сглаживание, Хольт-Винтерс, но в основе все они являются вариациями скользящего среднего. Эти методы просто немного более тонко учитывают сезонность, но суть в том, что это все равно скользящее среднее.
Вот почему, если у вас есть только скользящее среднее, вам нужно сделать свои исторические продажи совместимыми с ним, поскольку это единственная математическая модель, которая доступна вашей компании. Но это искаженная перспектива, потому что есть гораздо больше, чем просто скользящие средние.
Кирен Чандлер: Но эти статистические методы, безусловно, являются основой для многих решений компаний в будущем. Так что, они действительно работают? Они должны быть достаточно хорошими, если компании используют их по всему миру.
Жоанн Верморель: Реальность в том, что они действительно не настолько хороши. Большинство компаний, которые стали нашими клиентами, фактически говорили нам, что одной из ключевых мотиваций было получение более точных прогнозов акций, потому что это была настоящая проблема для них.
Ваша скользящая средняя может справиться, но она не может предвидеть увеличение или эффект от акции. Хотя она может не полностью разрушить прогнозы для непромоциональных периодов из-за акции, она все равно не предоставляет ничего, чтобы справиться с предстоящей акцией. Таким образом, скользящая средняя немного помогает, но она не решает проблему в корне. Она не создает фактический прогноз акции, она просто предотвращает искажение прогнозов для непромоциональных периодов. И, кстати, этот метод очень слабый; он даже не работает правильно и сопровождается множеством проблем.
Кирен Чандлер: Так почему эти компании так рады работать со скользящими средними? Почему они не меняются? Почему это все еще проблема, которая существует?
Жоанн Верморель: Я считаю, что скользящая средняя - это то, о чем любой инженер может подумать за пару часов. Простота очень мощная. Вы в конечном итоге потратите два часа на изобретение скользящей средней и некоторого рецепта, чтобы она действительно работала, что является очень мощной силой.
Помните, что около 80% мировых цепей поставок все еще работают на основе Microsoft Excel, поэтому скользящая средняя в Excel очень, очень легко написать. В этом, вероятно, и заключается причина.
Еще одна причина заключается в том, что, если вы хотите делать лучше, это значительно сложнее. Внезапно вам придется перейти от скользящей средней к машинному обучению. Таким образом, вам придется перейти от очень простого метода, который может понять любой, к машинному обучению, которое намного сложнее.
Кирен Чандлер: Мы обсуждаем алгоритм, который может работать в течение двух часов, даже если вы никогда раньше не занимались машинным обучением. Но чтобы успешно его реализовать, вам также нужно обратить внимание на качество данных о ваших акциях. Можете ли вы описать, как работает этот процесс и как мы можем продолжить с лучшими методами?
Жоанн Верморель: Конечно. Независимо от альтернативы скользящим средним, мы должны значительно полагаться на данные. Этот фактор делает игру намного более сложной.
Кирен Чандлер: Если мы стремимся делать вещи лучше, какие данные мы должны собирать? Должны ли это быть маркетинговые усилия, изменения цен или что-то еще?
Жоанн Верморель: Компания должна собирать все, что способствует акционной механике. Цена - это одно, да. Если вы снижаете цену на продукт, но не сообщаете никому о скидке, никто не замечает, кроме людей, которые уже собирались купить продукт.
Так что акция - это не только цена. Это также распространение информации. Важно, чтобы рынок знал, что у вас есть акция. В некоторых отраслях, например, в моде, есть распродажи в конце сезона. Все ожидают этих распродаж, которые являются определенным типом акции. Но в некоторых областях это совершенно другая игра.
Например, в гипермаркетах дело не только в снижении цены. Часто речь идет о перемещении товара в начало полки - суперпремиальное размещение в конце прохода, где товары очень хорошо видны. Еще лучше, если вы можете разместить большую кучу продвигаемых товаров у входа в магазин.
Таким образом, теперь вопрос стоит так: правильно ли ваша система ERP отслеживает все эти данные? Если вы не сможете правильно отслеживать то, что вы продаете или покупаете, ваша компания может обанкротиться. Если вы не знаете, что вы продаете или покупаете, вас могут обмануть клиенты или поставщики, что приведет к банкротству.
С другой стороны, если дата вашей акции записана неправильно в ваших записях ERP, это не приведет к банкротству вашей компании. Но если вы хотите подать на обработку алгоритму машинного обучения, который прогнозирует акции с неправильными данными, это не сработает.
Итак, вам нужен процесс контроля качества для ваших акционных данных. Из нашего опыта в Lokad, этот процесс может потребовать много усилий. Для большинства компаний требуется несколько месяцев усилий, чтобы получить качественные исторические данные об акциях.
Кирен Чандлер: Итак, вы хотите сказать, что в отрасли произошла настоящая эволюция, потому что это не критическая метрика для измерения, а эволюция того, как мы ее измеряем?
Жоанн Верморель: Да, это очень сложно измерить.
Кирен Чандлер: Гипотетически, если компания измерила все эти вещи и собрала всю эту информацию, это означает, что через ваш прогноз вы сможете сказать нам, какие акции делать, когда они работают лучше всего, и какую информацию вы сможете сгенерировать?
Жоанн Верморель: Да. Первое, что нужно понять, заключается в том, что вместо корректировки исторических данных алгоритм машинного обучения рассматривает их с точки зрения обогащенных исторических данных. Вы не пытаетесь настроить свои продажи. Вы будете отмечать периоды, когда продажи товара были завышены, и периоды, когда они, вероятно, были подавлены.
Например, в конце акции, если люди накопили свои собственные запасы товаров, вы можете увидеть снижение спроса. У вас даже может быть период времени, когда вы будете наблюдать некоторый вид подавленного спроса. Поэтому вам нужно учитывать все эти факторы.
Кирен Чандлер: Таким образом, первое преимущество акций, которое может быть не сразу очевидно, - это потенциал улучшения качества вашего прогноза даже во время непромоциональных периодов. Это достигается с помощью алгоритма, который лучше предсказывает смещения. Вы хотите сказать, что акционные данные используются даже тогда, когда акции не проводятся, верно?
Жоанн Верморель: Да, это может показаться противоречивым, но давайте рассмотрим пример. Если у вас есть крупная акция на различные сорта помидоров, она, вероятно, украдет продажи у всех других неакционных товаров. Довольно очевидно, что значительная акция на определенный товар будет иметь массовый эффект каннибализации на все другие товары, которые конкурируют с продвигаемым товаром. Таким образом, акции делают прогнозирование более сложным не только для продвигаемого товара, но и для всех неакционных товаров.
Кирен Чандлер: Понятно, это не так противоречиво, как может показаться на первый взгляд, но требует некоторого обдумывания. Теперь перейдем к теме предвидения будущих акций. Если вы знаете о предстоящей акции, вы можете предвидеть рост или увеличение продаж, которое произойдет. Однако возникает вопрос о вашем процессе принятия решений относительно будущих акций. Можете ли вы рассказать подробнее, как эти решения принимаются и как они вводятся в вашу систему прогнозирования?
Жоанн Верморель: Конечно. Первая часть процесса - принятие решений о будущих акциях. Вторая часть включает в себя обеспечение ввода этих решений в нашу систему прогнозирования. Здесь речь идет не только о прошлых данных, но и о будущих ожиданиях. Если мы планируем событие, которое значительно повлияет на цепочку поставок, система прогнозирования должна знать об этом заранее. Прогнозная система, основанная на машинном обучении, если она получает информацию вовремя, сможет адаптироваться и отразить предстоящее событие в своем прогнозе.
Кирен Чандлер: Это увлекательно, особенно идея акции десятилетия. Но учитывая сложность машинного обучения, насколько быстро эти машины могут учиться и адаптироваться? Когда можно ожидать результатов?
Жоанн Верморель: Это в значительной степени зависит от количества акций. Это игра статистики. Если вы проводите акцию только раз в год для продукта, трудно что-либо узнать. Помните, что прогнозирование акций не сводится к прогнозированию временных рядов. Каждый продукт может быть продвигаемым только один или два раза в своей жизни. Если вы хотите понять влияние акции, вам нужно учесть типичное влияние акции в подобных условиях - скидка на цену, механика акции, коммуникационные каналы и так далее. Например, в модной индустрии, где проводятся акции в конце сезона, у вас есть несколько точек данных, так как это происходит четыре-восемь раз в год. Для гипермаркета каждый отдельный товар потенциально является точкой данных.
У них есть сотни продуктов, которые каждый день продвигаются, и они меняются, это не всегда одни и те же продукты. Это происходит постоянно в электронной коммерции. Обычно у вас всегда есть один или два продукта, которые оказываются на главной странице вашего сайта электронной коммерции, поэтому постоянно происходит сильный механизм продвижения. Но становится очень сложно, когда вы начинаете думать о прогнозировании акций. Вопрос, который задают наши клиенты, заключается в том, может ли наша система прогнозирования, возможно, прогнозировать акции, но то, что они действительно хотели бы, это решить, какая акция является лучшей, что является совершенно другим вопросом и очень сложным.
Кирен Чандлер: Допустим, некоторые из наших зрителей могут быть генеральными директорами. Какой процесс они должны пройти, если они хотят внедрить прогнозирование акций в свою организацию?
Жоанн Верморель: Сначала им нужно собрать все необходимые данные. Я не говорю о сборе данных из Twitter или о том, что люди говорят на Facebook. Речь идет о том, чтобы знать, какой список продуктов продвигается, каков точный механизм продвижения. Вероятно, у них есть свои собственные категории “купи один - получи второй бесплатно” или это снижение цены в процентах или любая другая акция с бесплатной доставкой, например. Первый шаг - собрать то, что я называю квази-транзакционными данными. Это не транзакционные данные, потому что они не отражаются в счетах или платежах, но они очень хорошо специфицированы. Вам нужно собрать их, внедрить их в вашу систему и провести процесс контроля качества.
Второй шаг - действительно подумать о том, почему вы проводите акции, какова конечная цель. Проблема заключается в том, что это обычно совершенно разные конечные цели в зависимости от вашей отрасли. Например, в моде цель состоит в том, чтобы ликвидировать весь старый инвентарь, чтобы вы всегда могли продавать товары, которые соответствуют последним тенденциям. В общих товарах акции обычно не инициируются розничным продавцом, а его поставщиком, как переговоры для увеличения осведомленности о новом продукте, например, новом вкусе быстро движущегося потребительского товара. Конечные цели очень разные, что означает, что при оценке того, как вы должны проводить акции, вам нужно думать о влиянии ваших акций.
Вы пытаетесь влиять на своих клиентов, и вам следует действительно подумать о том, какой вид влияния вы хотите создать. Например, если вы обучаете своих клиентов всегда покупать ваши товары дешево, потому что они знают, что всегда будет акция, то ваши клиенты узнают, что им просто нужно быть немного терпеливыми, и они получат его дешево. Это требует стратегического мышления, и это стратегическое мышление должно происходить до машинного обучения.
Когда вы это понимаете, у вас может быть система машинного обучения, которая умна и способна обрабатывать все данные, которые вы собрали и согласовали с вашим стратегическим мышлением. Машинное обучение очень механическое, поэтому оно не сможет выполнить никакую стратегию высокого уровня, это ваша работа.
Кирен Чандлер: Боюсь, что нам придется завершить на сегодня. Когда вы говорите о обучении клиентов, я, наверное, могу считать себя одним из самых непросвещенных клиентов. Все на сегодня, спасибо за просмотр, и увидимся в следующий раз. До свидания.
