00:00:03 Вероятностные прогнозы: введение и обзор.
00:01:34 Неопределенность и точность в вероятностном прогнозировании.
00:02:25 Вероятностные прогнозы: управление асимметриями цепочки поставок.
00:04:33 Неуловимые границы и маловероятные события в вероятностном прогнозировании.
00:07:43 Роль математических моделей в вероятностном прогнозировании.
00:09:15 Оценка точности вероятностного прогноза.
00:11:14 Недостатки классических прогнозов по сравнению с вероятностными.
00:13:07 Зависимость отраслей от классических прогнозов и ограничения Excel.
00:15:23 Лучшие применения вероятностного прогнозирования.
00:18:43 Отрасли, где вероятностное прогнозирование не требуется.
00:20:03 Вероятностное прогнозирование: внедрение и причины.
00:22:34 Будущие перспективы вероятностного прогнозирования.
00:24:27 Будущие методы: отказ от явного вычисления вероятностей.
00:25:37 Фокус на актуальных будущих сценариях и спросе.
00:26:14 Неопределенности в графике спроса на продукт.
00:27:03 Сценарии “что если”: влияние корректировок цены.
00:27:56 Важность выборочного исследования.
Краткое содержание
В этом разговоре с Кираном Чэндлером, Жоанном Верморелем, основателем Lokad, разъясняется суть и преимущества вероятностного прогнозирования. В отличие от детерминированных прогнозов, вероятностные прогнозы предлагают диапазон исходов, каждый с определённой вероятностью. Такой подход считается более эффективным для решения асимметрий в цепочках поставок, например, при различных последствиях переоценки и недооценки спроса. Он не ограничивается только средними значениями, а оценивает континуум потенциальных сценариев. Несмотря на сложность, достижения в области вычислительной мощности и глубокого обучения делают вероятностное прогнозирование более доступным. Верморель предсказывает будущее, где прогнозирование принимает неопределённость и интегрирует множество переменных, обещая более детальное и реалистичное изображение возможных будущих сценариев.
Расширенное содержание
В этом эпизоде Lokad TV Киран Чэндлер начинает диалог с Жоанном Верморелем, основателем Lokad, обсуждая вероятностное прогнозирование, его преимущества, внедрение и применение в бизнесе.
Верморель разъясняет, что вероятностные прогнозы представляют собой тип прогнозов, где знание о будущем остается несовершенным. В отличие от детерминированных прогнозов, предсказывающих один окончательный результат, вероятностные прогнозы описывают спектр потенциальных исходов, каждый из которых связан с определённой вероятностью. Идея заключается в том, чтобы принять неопределённость, присущую будущим событиям. Этот метод может не гарантировать абсолютную точность, но потенциально обеспечивает большую релевантность для принятия решений.
По словам Вермореля, основное преимущество вероятностных прогнозов перед традиционными заключается в возможности справляться с асимметриями в цепочках поставок. Он отмечает, что переоценка и недооценка спроса могут приводить к асимметричным последствиям. Например, в аэрокосмическом секторе переоценка спроса может привести к избыточному запасу винтов, стоимость которых составляет 50 евро, в то время как недооценка может привести к остановке самолёта, что повлечёт за собой затраты на сотни тысяч из-за задержек и перенаправления пассажиров.
Верморель подчеркивает, что традиционные методы прогнозирования с формулами в Excel часто нацелены на средний результат. Однако он отмечает, что в цепочках поставок затраты обычно больше зависят от экстремальных событий. Он также иллюстрирует проблему примерами из аэрокосмической и продуктовой розничной торговли, где избыточные запасы могут привести к списанию товаров и финансовым потерям.
Обсуждая крайности, Верморель ясно даёт понять, что нет жестких границ, а существует континуум редких событий. Для типичного продукта может быть 5% вероятность увидеть удвоение суточного спроса, 1% вероятность – учетверение спроса, и крошечная вероятность – десятиричное увеличение спроса. Вероятностное прогнозирование не ограничивается средними значениями, а исследует спектр возможных исходов.
Хотя Верморель признает сложность оценки бесконечного числа будущих возможностей, он утверждает, что современные вычислительные ресурсы позволяют учитывать широкий спектр рисков. Экстремальные события, такие как утопление груза, маловероятны, но задержки на таможне или другие логистические проблемы могут быть приняты во внимание, поскольку они могут оказать аналогичное влияние на поставки.
Верморель продолжает разгадывать интригующую природу вероятностного прогнозирования. Он вводит необходимость использования подходящих метрик для оценки точности прогнозов, при этом предпочтительно придавая больший вес событиям с более высокой вероятностью, назначенной моделью.
Проводя параллель с гипотетическим прогнозом о победе Италии на Чемпионате мира, Верморель демонстрирует, что точность модели отражается в том, насколько близко назначенные вероятности соответствуют реальным событиям. Он сравнивает вероятностное прогнозирование с традиционными методами, утверждая, что, хотя первое может быть не обязательно более точным, оно предоставляет более богатую информацию, учитывая более широкий спектр потенциальных исходов.
Верморель продолжает, объясняя, что вероятностные прогнозы могут быть «свернуты» в классические прогнозы путем вычисления среднего значения. Однако этот процесс упускает ценную информацию об экстремальных или «хвостовых» событиях – тех, где спрос неожиданно высок или низок. Эти события часто оказывают более значительное финансовое воздействие в цепочках поставок, где отклонения от среднего могут привести к дорогостоящим последствиям, таким как дефицит товара или списание запасов.
Несмотря на эти преимущества, Верморель признает, что многие отрасли по-прежнему используют классические методы прогнозирования, часто с помощью Excel. Он поясняет, что это связано с доступностью и удобством Excel для создания простых прогнозов. Переход к вероятностному прогнозированию потребовал бы отказа от Excel из-за сложности и вычислительной интенсивности учета большого числа потенциальных будущих сценариев.
Верморель отмечает, что отрасли, характеризующиеся высокой степенью неопределённости, такие как мода, техническое обслуживание аэрокосмической техники, электронная коммерция и розничная торговля на уровне магазинов, идеально подходят для вероятностного прогнозирования. Эти отрасли сталкиваются с непредсказуемостью – от изменчивых модных тенденций до спорадической необходимости в определённых авиадеталях, а также от длинного хвоста продаж в электронной коммерции до колебаний продаж в магазинах на крупных рынках.
Верморель определяет ситуации, в которых вероятностное прогнозирование может быть менее подходящим, например, в отраслях или случаях, когда будущие результаты могут быть точно предсказаны. Например, производство цемента или некоторые линии автомобильного производства, где долгосрочные контракты обеспечивают ясное представление о будущих требованиях. Здесь традиционные методы прогнозирования достаточны. Реальная ценность вероятностного прогнозирования, по мнению Вермореля, проявляется в ситуациях с высокой степенью неопределённости, когда будущие результаты нельзя точно предсказать.
Затем разговор переходит к тому, почему вероятностное прогнозирование становится всё более популярным, несмотря на то, что оно не является новым концептом. Верморель выделяет два основных фактора: снижение стоимости вычислительной мощности и появление статистических методов, таких как глубокое обучение. Ещё десять лет назад вычислительные ресурсы, необходимые для вероятностных расчётов, были чрезвычайно дорогими. С уменьшением затрат эти методы стали более доступными. Также достижения в области глубокого обучения, подраздела искусственного интеллекта, основанного на вероятностном моделировании, ещё больше способствовали росту вероятностного прогнозирования.
Обсуждая будущее вероятностного прогнозирования, Верморель уверенно утверждает, что возвращения к классическим методам не будет. Вероятностное прогнозирование предоставляет больше информации о будущем, что делает возврат к методам, предлагающим меньше данных, контрпродуктивным. Однако он признаёт сложности, связанные с включением множества факторов или продуктов в сценарии прогнозирования. Число сценариев для исследования экспоненциально возрастает с каждым добавленным элементом, что делает явные вычисления вероятностей почти невозможными. По мнению Вермореля, это приведёт к тому, что будущие методы будут стремиться к расчётам, которые не пытаются выразить все вероятности, что уже применяется в глубоком обучении.
Дискуссия завершается описанием Верморелем картины того, как будущее прогнозирования может учитывать неопределённость и интегрировать сложные переменные. Рассматривая все потенциальные сценарии, включая вариации в спросе на продукт, сроки поставок и корректировки цен, возможности становятся практически безграничными. Однако Верморель подчеркивает, что цель не в том, чтобы изучать каждое потенциальное будущее индивидуально, а в использовании математических методов, которые позволяют исследовать множество возможных сценариев без необходимости их полного перечисления. Хотя такой подход сопряжён с многочисленными проблемами, он также открывает новые возможности для исследований в области прогнозирования.
Полная расшифровка
Kieran Chandler: Сегодня в Lokad TV мы обсудим, что такое вероятностные прогнозы, почему они могут быть полезными, а также как их можно внедрить в бизнес для улучшения работы. Итак, Жоаннес, тема, вызывающая интерес в данный момент, связана с тем, что у нас так много любителей спорта и букмекеров, пытающихся выяснить, кто именно выиграет Чемпионат мира. Возможно, хорошим началом будет вопрос: Что такое вероятностные прогнозы?
Joannes Vermorel: Вероятностные прогнозы представляют собой класс прогнозов, где информация о будущем является несовершенной. Вы имеете представление о вероятных будущих сценариях, о тех, которые могут произойти, в отличие от тех, которые не могут. Обычно, когда люди думают о прогнозах, они считают их окончательными, например, “Эта команда выиграет”. Но суть в том, что вы не знаете наверняка; это всего лишь определённая вероятность того, что эта команда победит. Более точный прогноз – это, на самом деле, составление списка команд, которые действительно сильны и в совокупности имеют очень высокую вероятность победы. Это может быть не так удовлетворительно, как знание победителя, но никто не может знать этого из-за присутствующей неопределённости. Вероятностное прогнозирование заключается в том, чтобы сделать заявление о будущем, которое включает вероятности. Оно принимает саму идею о том, что вы не знаете всего о будущем и не претендуете на всезнание.
Kieran Chandler: Итак, в чем основное преимущество этого подхода по сравнению с более традиционными методами прогнозирования?
Joannes Vermorel: Основное преимущество заключается в том, что вероятностные прогнозы дают возможность подойти к решению всех асимметрий в цепочке поставок. Под асимметриями я имею в виду тот факт, что стоимость переоценки или недооценки спроса не является симметричной. Например, рассмотрим аэрокосмическую отрасль. Если вы переоцениваете спрос, у вас может оказаться винт на складе, который вы никогда не используете. Но если вы недооцениваете потребность в винтах, самолёт может быть задержан всего из-за отсутствия одного винта, и это может стоить вам сотни тысяч из-за перенаправления пассажиров и задержек. Проблема классических прогнозов заключается в том, что вы ориентируетесь на среднее значение. Однако в цепочке поставок не обязательно нужно обеспечивать среднее значение. Ваши затраты обычно обусловлены крайними значениями.
Kieran Chandler: Итак, если говорить об этих крайностях, это по сути границы, не так ли? Как же можно определить, где находятся эти границы?
Границы могут быть неуловимыми; это вопрос вероятности. Например, если обычно у вас в магазине спрос на определённый продукт составляет, скажем, пять единиц в день, то может быть 5% вероятность того, что в какой-то день спрос возрастёт до десяти единиц, 1% вероятность того, что спрос увеличится до 20 единиц, и почти нулевая вероятность того, что спрос составит, скажем, 50 единиц за день. Таким образом, окончательных границ не существует – это континуум событий, которые становятся всё реже, и вы можете оценивать их вероятности. Однако в этом континууме вы действительно предполагаете предсказание каждой отдельной возможности? Конечно, нужно установить некую границу. Вы не можете точно знать, что произойдёт завтра. Например, если вам доставляют товары, существует вероятность того, что судно, на котором они прибывают, может затонуть. Можете ли вы действительно использовать каждое возможное будущее?
Joannes Vermorel: Существует предел тому, что мы можем оценить из-за вычислительных ресурсов. Да, у нас есть компьютеры с огромной памятью и вычислительной мощностью, но мы должны ограничить число факторов, которые мы оцениваем, конечным числом. Однако компьютеры обладают потрясающими вычислительными ресурсами. Так что, даже если число будущих сценариев, которые они могут оценить, конечное, оно всё равно может быть чрезвычайно большим. Например, для продукта, который обычно продаётся всего несколькими единицами в день, вы всё равно можете недорого оценить вероятность продажи тысячи единиц, даже если это скромная вероятность одного на миллион. Аналогично, для риска затопления корабля, это, возможно, один шанс на миллион, но компьютер может выполнять миллиарды вычислений в секунду.
Хотя риск затопления корабля может не казаться значимым, мы можем оценить риск того, что судно будет задержано на таможне на неопределённый срок. Это может случиться и вызвать задержку сроком на три месяца из-за проблем с таможенным оформлением. Такая задержка будет почти равносильна затоплению судна с точки зрения вашей поставки. Например, если вы ожидаете получить купальники, сезон уже закончится к моменту их получения. Наступит зима, и ваш продукт станет бесполезным.
Kieran Chandler: Да, корабль на дне океана действительно является крайним примером. Давайте поговорим о математических моделях, о которых вы упомянули. Как мы узнаем, какую из них лучше использовать? Насколько я понимаю, существуют разные прогнозы и разные методы прогнозирования в зависимости от используемой математической модели.
Joannes Vermorel: Во-первых, вам нужна математическая модель, которая генерирует распределения вероятностей, что сильно отличается от моделей, которые вы могли бы использовать в Excel. Когда люди думают о прогнозировании, они обычно представляют себе некую скользящую среднюю. Они учитывают, каким был спрос на прошлой неделе или в прошлом году, усредняют соответствующий период времени, и это дает им прогноз. Это неплохой метод, но он дает лишь одну точечную оценку.
Когда вы хотите перейти к вероятностному миру, вам нужно что-то, что генерирует распределение вероятностей. У вас есть разнообразие математических моделей. Самая известная из них — пуассоновская модель, или, если хотите выглядеть по-настоящему изысканно, можно взглянуть на модели отрицательного биномиального распределения. Это разные классы параметрических моделей, но у вас могут быть и непараметрические модели.
Kieran Chandler: Я понимаю, что использование более сложной математической модели может генерировать вероятности, которые помогают прогнозировать спрос. Однако, это, похоже, не конец процесса. Независимо от того, что происходит, ваша модель всегда может сказать «Я же говорил». Если она прогнозирует 10 единиц спроса и мы наблюдаем 10 единиц, модель оказывается правой. Если мы наблюдаем 100 единиц, модель всё равно говорит, что была вероятность такого исхода. Так как же мы узнаем, хороша ли модель или нет?
Joannes Vermorel: Вы правы. Именно поэтому нам нужны лучшие метрики, подходящие для вероятностных прогнозов. Если ваша модель приписывает высокую вероятность событию, которое действительно происходит, то модель работает хорошо. Например, если я предсказываю, что Италия имеет 80% шансов на победу в чемпионате мира, а они проигрывают, модель оказалась неточной. Однако, если я говорю, что у Италии всего 5% шансов, и они проигрывают, то модель была достаточно точной. Эти метрики измеряют, насколько большое значение, выраженное в вероятностях, вы придаете тому, что действительно происходит.
Kieran Chandler: Интересно, что вы упомянули точность. Как сравнить точность вероятностного прогноза с традиционным прогнозом? Кажется, они измеряют совершенно разные вещи.
Joannes Vermorel: Действительно, так и есть. Вероятностный прогноз не является по своей сути точнее классического прогноза. Однако распределение вероятностей можно свести к классическому прогнозу, взяв среднее значение. Проблема в том, что при этом вы теряете всю информацию о хвостах – о событиях, когда спрос может оказаться неожиданно высоким или низким. Вы можете измерить точность вероятностного прогноза с помощью традиционной метрики, такой как средняя абсолютная процентная ошибка, но это не совсем имеет смысл. Цель заключается в том, чтобы зафиксировать больше информации о неожиданных событиях. Вы хотите, чтобы ваш прогноз был точным там, где это действительно имеет финансовое значение. В управлении цепями поставок, это не всегда средняя ситуация.
Kieran Chandler: Итак, по сути, преимущество вероятностного прогнозирования заключается в том, что оно позволяет увидеть более широкую картину и получить более содержательные прогнозы?
Joannes Vermorel: Да, именно. Оно дает вам больше измерений, больше глубины для понимания будущего.
Kieran Chandler: Но несмотря на это, многие в отрасли по-прежнему используют традиционные методы прогнозирования. Почему люди всё ещё довольствуются этими методами?
Joannes Vermorel: Я бы не сказал, что им приятно использовать эти методы. Реальность такова, что большинство цепей поставок по-прежнему сильно зависят от инструментов, таких как Excel, которые не предназначены для удобного создания вероятностных прогнозов.
Kieran Chandler: Прогнозы, я имею в виду, что можно создать какой-то поэтический прогноз, но он далеко не так удобен. Создание классического прогноза сводится к построению некой рецептуры скользящей средней, и все, вы готовы. Однако, когда вы хотите перейти в вероятностный мир, приходится отказаться от Excel. Вам нужно не только перестать создавать прогнозы в Excel, но и прекращать принимать решения в Excel. Почему так происходит?
Joannes Vermorel: Ваше решение будет результатом исследования всех возможных будущих сценариев. Вы будете оценивать все возможные решения и сопоставлять их с каждым из возможных будущих вариантов, чтобы оценить экономический результат каждого отдельного решения. Таким образом, вы сможете напрямую выбрать лучшее решение, основываясь на всех возможных исходах. Внезапно вы понимаете, что у вас появляется огромное количество параметров для рассмотрения и множество решений, которые нужно оценивать в сравнении с еще большим числом возможных будущих вариантов. Это становится вычислительно намного более ресурсоемким и принципиально несовместимо с Excel.
Kieran Chandler: Если я правильно понимаю, причина, по которой люди этого не делают, заключается главным образом в том, что им не хватает необходимых инструментов. Они прибегают к Excel не потому, что предпочитают его, а потому что ERP не смогли обеспечить тот вид сложного анализа рисков, который им нужен для принятия правильных решений в их цепочке поставок. Так что, если говорить об отраслях, в каких отраслях вероятностное прогнозирование работает лучше всего? Где вы наблюдаете наилучшие результаты для вероятностного прогноза?
Joannes Vermorel: Вероятностные прогнозы действительно блестяще работают там, где есть неопределенность. Например, если вы хотите делать прогнозы потребления электроэнергии на национальном уровне, вы можете сделать это с высокой степенью точности. Можно получить прогноз с точностью около 0,5%, если вы хотите предсказать потребление электроэнергии Франции по часовым интервалам, вероятно, до 48 часов заранее. Это ситуация, в которой вы почти идеально знаете будущее. То же самое, если вы хотите предсказать, какой трафик будет на дорогах, вы можете получить очень точные прогнозы, так как это высоко предсказуемо. Но если вы переходите в области, где неопределенность больше, вот где вероятностные прогнозы становятся более ценными.
Kieran Chandler: Можете привести примеры таких областей?
Joannes Vermorel: Безусловно. Такие отрасли, как мода, где тренды чрезвычайно непредсказуемы, являются хорошим примером. В моде существует множество неизбежных неопределенностей. Аэрокосмическая отрасль и техническое обслуживание в целом также обладают огромной степенью неопределенности, не потому что сами самолеты ненадежны, а потому что у вас есть множество деталей, которые требуются редко. Вы не знаете, когда вам понадобится деталь, и у вас так много запасных частей и самолетов, что это не похоже на продажу бутылок с молоком на открытом рынке, где продаются сотни единиц каждый день. Всё гораздо более непредсказуемо.
Электронная коммерция в целом — еще один пример. «Длинный хвост» продуктов действительно очень длинный, и большая часть ваших продаж приходится на товары с прерывистыми, непредсказуемыми продажами. И не будем забывать обо всем, что происходит в точке продаж и на уровне самого магазина. Даже если вы посмотрите, что происходит в магазине, даже в гипермаркете, где может быть до ста тысяч наименований, у вас только, например, в Европе, около 2000 продуктов, по которым вы продаете по пять или более единиц каждый день. Все остальные товары продаются менее пяти единиц в день. То есть, это небольшие числа, а степень непредсказуемости велика. Вероятностные прогнозы здесь блестяще показывают себя, потому что они дают вам понимание рисков, связанных с решениями по запасам, которые вы принимаете.
Kieran Chandler: Итак, в конечном итоге, вероятностные прогнозы блестяще работают в областях с высоким уровнем неопределенности?
Joannes Vermorel: Верно.
Kieran Chandler: В общем, когда у вас много неопределенности и вам нужно оптимизировать ваши решения, учитывая все варианты — от неожиданно низкого спроса до неожиданно высокого спроса. Ладно, мы много говорили о преимуществах вероятностного прогнозирования, говорили о том, где оно хорошо работает. Но как насчет тех отраслей, где его использование не совсем уместно? Существуют ли отрасли, где классическое прогнозирование вполне подходит?
Joannes Vermorel: Да, например, если вы производите цемент и у вас есть клиенты, которые предоставляют вам заказы на ближайшие три года, тогда прогнозы вам не нужны. Если вы знаете будущее, это также может случаться на некоторых производственных линиях в автомобильной промышленности. Когда вы знаете за 12 месяцев вперед, что именно будете производить, потому что крупный автопроизводитель дает вам очень точный план, и от него можно отклоняться максимум на пять процентов. Если в ваших планах не осталось никакой неопределенности, и все сводится лишь к чистому исполнению, то, действительно, вероятностное прогнозирование вам не поможет. Вероятностное прогнозирование полезно только тогда, когда присутствует некая непредсказуемость. Если вы не можете знать будущее идеально, если у вас уже есть план, замороженный на следующие 12 месяцев, то, по сути, вам не нужно вероятностное прогнозирование.
Kieran Chandler: Хорошо, а почему компании начинают использовать вероятностные прогнозы именно сейчас? Ведь это не особенно новая технология, верно? Так почему же именно сейчас они начинают видеть ее более распространенной в отрасли?
Joannes Vermorel: Вероятно, есть несколько причин. Во-первых, это требует значительно больше вычислительных ресурсов, поэтому у вас получаются статистические модели, которым требуется от 100 до 1000 раз больше вычислительной мощности. Хорошая новость в том, что вычислительная мощность никогда не была такой дешевой, поэтому это редко становится узким местом. Но все же, это означает, что десятилетие назад большинство этих расчетов вероятностей были чрезвычайно дорогими. Очень разница, когда можно управлять своей цепочкой поставок с бюджетом в 2000 евро в месяц на вычислительную мощность, или с бюджетом в два миллиона евро в месяц. На практике это имеет огромное значение. Именно это и означает три порядка величины в терминах затрат. Так что, очевидно, то, что вычислительная мощность стала значительно дешевле, сильно способствовало тому, чтобы сделать эти методы гораздо более практичными. Второе заключается в том, что существует целый класс статистических методов, известных как глубокое обучение, откуда и произошло это модное слово искусственный интеллект. Всё вращается вокруг глубокого обучения, а глубокое обучение заключается в вероятностном прогнозировании под этим всем. Вас может не волновать или не интересовать технические детали, вам может просто нравится тот факт, что у вас есть программное обеспечение, которое распознает голос, но на самом деле оно работает на основе вероятностных расчетов. Сначала у нас появилась большая вычислительная мощность, затем математические теории, такие как глубокое обучение, которые вышли на первый план в рейтингах ИИ. Например, когда ИИ смог превзойти игроков, таких как чемпион мира в игре Го, использовался вероятностный метод, а не комбинаторный.
Kieran Chandler: Итак, получается, что вероятностное прогнозирование — это действительно актуальная вещь, но как насчет будущего? То есть, как вы видите дальнейшие шаги для вероятностного прогнозирования? Думаете ли вы, что оно продлится очень долго, или как вы это видите?
Joannes Vermorel: Да, я считаю, что кот из мешка, и он не вернется обратно. Мы, вероятно, больше не вернемся к классическому прогнозированию. Как только у вас появляется вероятностный прогноз, вы знаете гораздо больше о будущем, так что было бы очень странно возвращаться к подходу, который в своей основе дает вам гораздо меньше информации.
Kieran Chandler: Меньше информации о будущем, даже если вы говорите, что хотим изучить все возможные будущие варианты. На практике мы не исследуем все возможности. Например, мы можем сказать, что у меня есть вероятность продажи нуля, одной, двух, трех единиц этого продукта, и провести аналогичный анализ для другого продукта. Но как быть с совместной вероятностью для этих двух продуктов вместе?
Joannes Vermorel: Действительно. Внезапно мне приходится оценивать, может быть, сотню сценариев, чтобы учесть весь спрос на мой продукт A. Мне нужно оценить сотню сценариев для всего спроса на продукт B. Но как насчет изучения всех сценариев для продукта A и B вместе? Это примерно десять тысяч сценариев для рассмотрения. А если я добавлю третий продукт с сотней сценариев, то получится миллион сценариев. Ситуация становится стремительно сложнее, если вы хотите явно выразить все вероятности. Я думаю, что в будущем мы увидим все больше методов, которые даже не попытаются выражать эти вероятности. Вы даже не попытаетесь вычислить все возможности для всего, что может произойти. У вас будут методы, которые фактически выполняют эти расчеты, не высказывая явно вероятности. Вот о чем речь в глубоких методах обучения и ИИ-технологиях. Они вычисляют вероятности, но не путем выражения всего в виде вероятности. Главное преимущество в том, что вы можете изучать сценарии будущего, которые чрезвычайно сложны и значительно превосходят возможности любого разумного компьютера, или даже целого парка компьютеров.
Вы все еще можете исследовать все эти аспекты с помощью умных математических приемов. Суть глубокого обучения заключается в том, что вы не будете исследовать будущее случайным образом. Вы хотите сфокусироваться на тех будущих вариантах, которые с наибольшей вероятностью будут актуальны для прогноза. То есть, вы хотите сосредоточиться на участках, которые относительно плотны, где вероятность интересующего будущего выше, вместо того чтобы случайно пытаться изучить всё.
Такой подход откроет множество сценариев. Например, одной из задач, которую мы, вероятно, попробуем исследовать в этом году, будет изучение не только всех возможных уровней спроса на продукты, но и всех возможных временных горизонтов. Вам нужен прогноз спроса, который может начинаться в любой момент и заканчиваться в любой момент, оба — случайно.
Это один из способов, например, отразить сценарий, когда у вас идет поставка товара с корабля, и существует неопределенность. Вы точно не знаете, когда продукт перестанет быть доступным для продажи в вашем магазине, онлайн или офлайн, и хотите учесть эту неопределенность при составлении планов по запасам.
Вам нужно учитывать тот факт, что существует неопределенность относительно того, когда товары будут получены и когда спрос фактически начнется и закончится. Если вы захотите заглянуть еще дальше, было бы очень интересно начать исследовать сценарии «что если».
В рамках нашего долгосрочного плана мы даже планируем начать исследовать, какие существуют все возможные варианты будущего, если учесть все изменения цен, которые вы можете внести в свои продукты. Вы хотите узнать, каковы будут все возможные сценарии спроса, если оставить цены такими, какие они есть, и что произойдет, если начать изучать все возможности дополнительных ценовых корректировок.
Когда вы начинаете размышлять обо всех этих возможных вариантах будущего, числа становятся чрезвычайно большими. Суть в том, что вы не хотите перебирать каждый из этих вариантов по отдельности. Вам необходимы определённые математические методы, позволяющие исследовать их множество без необходимости полного перебора.
Кieran Chandler: Ну, кажется, возможностей так много. Рад, что это доверено компьютерам, потому что иначе мой мозг, вероятно, взорвалась бы. Но сегодня нам придётся остановиться. Спасибо, что нашли время рассказать нам всё о вероятностном прогнозировании. Это было действительно интересно. Спасибо. На сегодня всё. Мы вернёмся на следующей неделе, а до тех пор убедитесь, что вы подписаны на наши видео, и до скорой встречи. Пока.