00:00:03 Вероятностные прогнозы: введение и обзор.
00:01:34 Неопределенность и точность в вероятностном прогнозировании.
00:02:25 Вероятностные прогнозы: управление асимметриями цепи поставок.
00:04:33 Неясные границы и непредсказуемые события в вероятностных прогнозах.
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 от классических прогнозов в отраслях и ограничения Excel.
00:15:23 Лучшие области применения вероятностного прогнозирования.
00:18:43 Отрасли, где вероятностное прогнозирование не требуется.
00:20:03 Принятие и причины вероятностного прогнозирования.
00:22:34 Перспективы вероятностного прогнозирования в будущем.
00:24:27 Будущие методы: отказ от явного вычисления вероятностей.
00:25:37 Фокус на значимых будущих событиях и потребностях.
00:26:14 Неопределенности во временной линии спроса на продукт.
00:27:03 ‘Что если’ сценарии: влияние изменения цены.
00:27:56 Важность выборочного исследования.
Резюме
В этом разговоре с Кираном Чандлером, основателем Lokad, Жоанн Верморель объясняет сущность и преимущества вероятностного прогнозирования. В отличие от детерминированных прогнозов, вероятностные прогнозы предлагают диапазон результатов, каждый с определенной вероятностью. Этот подход считается более эффективным для учета асимметрий цепей поставок, таких как различные последствия переоценки и недооценки спроса. Он не ограничивается средними значениями, а оценивает непрерывность потенциальных сценариев. Несмотря на сложность, прогресс в вычислительной мощности и глубоком обучении делают вероятностное прогнозирование более доступным. Верморель предсказывает будущее, в котором прогнозирование учитывает неопределенность и интегрирует множество переменных, обещая более подробное и реалистичное представление возможных будущих событий.
Расширенное резюме
В этом выпуске Lokad TV Киран Чандлер начинает диалог с Жоаннесом Верморелем, основателем Lokad, обсуждая вероятностное прогнозирование, его преимущества, внедрение и использование в бизнесе.
Верморель объясняет, что вероятностные прогнозы представляют собой тип прогнозов, где знание о будущем остается неполным. В отличие от детерминированных прогнозов, которые предсказывают один определенный результат, вероятностные прогнозы описывают спектр потенциальных результатов, каждый из которых связан с определенной вероятностью. Идея заключается в том, чтобы принять неопределенность, присущую будущим событиям. Этот метод не гарантирует абсолютную точность, но потенциально предоставляет лучший шанс на релевантность для принятия решений.
Согласно Верморелю, основное преимущество вероятностного прогнозирования по сравнению с традиционными прогнозами заключается в возможности управления асимметрией в цепях поставок. Он подчеркивает, что переоценка и недооценка спроса могут привести к асимметричным результатам. Например, в авиационной отрасли переоценка спроса может привести к излишку винта, стоимостью 50 евро, тогда как недооценка может привести к приостановке полетов самолета, сопровождающейся задержками, стоимостью сотни тысяч евро.
Верморель подчеркивает, что традиционные методы прогнозирования часто стремятся к среднему результату. Однако он указывает на то, что в цепях поставок затраты обычно определяются экстремальными событиями. Он также иллюстрирует проблему на примерах из авиационной и продовольственной розничной отраслей, где избыточный запас может привести к списанию товаров и финансовым потерям.
Обсуждая экстремальные ситуации, Верморель указывает на то, что здесь нет жестких границ, а скорее наблюдается непрерывность редких событий. Для типичного продукта может быть 5% вероятности увидеть спрос в два раза превышающий ежедневный, 1% вероятности увидеть спрос в четыре раза превышающий ежедневный и крайне малая вероятность увидеть спрос в десять раз превышающий ежедневный. Вероятностное прогнозирование не ограничивается средними значениями, а исследует ряд возможных результатов.
Верморель признает сложность оценки бесконечного числа будущих возможностей, но он утверждает, что современные вычислительные ресурсы позволяют учесть широкий спектр рисков. Хотя события, такие как потопление груза, маловероятны, задержки на таможне или другие логистические проблемы могут быть учтены, так как они могут иметь аналогичные последствия для поставок.
Верморель продолжает раскрывать увлекательную природу вероятностного прогнозирования. Он указывает на необходимость использования подходящих метрик для оценки точности вероятностных прогнозов, идеально с учетом большего веса событий с более высокими вероятностями, присвоенными моделью.
Устанавливая параллель с гипотетическим прогнозом о победе Италии на Чемпионате мира, Верморель демонстрирует, что точность модели отражается в том, насколько близко ее присвоенные вероятности соответствуют фактическим событиям. Он сравнивает вероятностное прогнозирование с традиционным прогнозированием, утверждая, что хотя первое может не быть неизбежно более точным, оно предоставляет более полную информацию, учитывая широкий спектр потенциальных результатов.
Верморель продолжает объяснять, что вероятностные прогнозы могут быть “сведены” к классическим прогнозам путем вычисления среднего значения. Однако этот процесс упускает ценную информацию о экстремальных или “хвостовых” событиях - тех, которые характеризуются необычно высоким или низким спросом. В цепях поставок такие события часто имеют большое финансовое влияние, поскольку отклонения от среднего значения могут привести к дорогостоящим последствиям, таким как дефицит товара или списание запасов.
Несмотря на эти преимущества, Верморель признает, что многие отрасли до сих пор используют традиционные методы прогнозирования, часто прибегая к использованию Excel. Он поясняет, что это связано с доступностью и удобством Excel при создании простых прогнозов. Переход к вероятностному прогнозированию потребовал бы отказаться от Excel из-за сложности и вычислительной интенсивности учета большого числа потенциальных будущих сценариев.
Верморель указывает, что отрасли, характеризующиеся высокой степенью неопределенности, такие как мода, техническое обслуживание авиации, электронная коммерция и розничная торговля на уровне магазинов, идеально подходят для вероятностного прогнозирования. В этих отраслях сталкиваются с непредсказуемостью, от капризных модных тенденций до спорадической потребности в конкретных запчастях для самолетов, а также от длинного хвоста продаж в электронной коммерции до колеблющихся продаж на уровне магазинов в крупных рынках.
Верморель определяет ситуации, в которых вероятностное прогнозирование может быть менее подходящим, такие как отрасли или случаи, где будущие результаты могут быть точно предсказаны. Например, производство цемента или некоторые линии производства автомобилей, где долгосрочные контракты обеспечивают ясность в отношении будущих требований. Здесь достаточно использования традиционных методов прогнозирования. Реальная ценность вероятностного прогнозирования, отмечает Верморель, проявляется в ситуациях с значительной неопределенностью, где будущие результаты не могут быть точно предсказаны.
беседа затем переходит к тому, почему вероятностное прогнозирование становится все 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. Десять лет назад вычислительные ресурсы, необходимые для вероятностных расчетов, были чрезвычайно дорогими. С уменьшением затрат эти методы стали более доступными. Кроме того, прогресс в глубоком обучении, подразделении искусственного интеллекта, основанном на вероятностном моделировании, дополнительно способствовал развитию вероятностного прогнозирования.
Обсуждая будущее вероятностного прогнозирования, Верморель уверенно заявляет, что нет возврата к классическим методам. Вероятностное прогнозирование предлагает больше информации о будущем, поэтому бессмысленно возвращаться к методам, предлагающим меньшую информацию. Однако он признает сложности, особенно когда прогнозные сценарии включают несколько факторов или продуктов. Сценарии для исследования экспоненциально расширяются с каждым добавленным элементом, что делает практически невозможными явные расчеты вероятностей. Верморель считает, что это будет стимулировать развитие будущих методов в сторону расчетов, которые не стремятся выразить все вероятности, подход, уже используемый глубоким обучением.
Обсуждение завершается тем, что Верморель рисует картину того, как будущее прогнозирование может учитывать неопределенность и интегрировать сложные переменные. Рассматривая все потенциальные будущие сценарии, включая вариации в спросе на продукцию, сроках поставки и корректировках цен, возможности становятся практически безграничными. Однако Верморель подчеркивает, что целью не должно быть рассмотрение каждого потенциального будущего индивидуально, а использование математических методов, которые позволяют исследовать множество возможных сценариев, не обязательно перечисляя их. Хотя этот подход представляет множество вызовов, он также открывает новые возможности для исследования в области прогнозирования.
Беседа завершается тем, что Верморель рисует картину того, как будущее прогнозирование может учитывать неопределенность и интегрировать сложные переменные. Рассматривая все потенциальные будущие сценарии, включая вариации в спросе на продукцию, сроках поставки и корректировках цен, возможности становятся практически безграничными. Однако Верморель подчеркивает, что целью не должно быть рассмотрение каждого потенциального будущего индивидуально, а использование математических методов, которые позволяют исследовать множество возможных сценариев, не обязательно перечисляя их. Хотя этот подход представляет множество вызовов, он также открывает новые возможности для исследования в области прогнозирования.
Полный транскрипт
Кирен Чандлер: Сегодня на Lokad TV мы собираемся обсудить, что такое вероятностные прогнозы, почему они могут быть полезными и как их можно внедрить в бизнес для улучшения его работы. Итак, Жоанн, сейчас большой интерес вызывает вопрос о том, кто именно выиграет Чемпионат мира по футболу, и множество болельщиков и букмекеров пытаются это выяснить. Возможно, хорошее место для начала - это определение понятия вероятностных прогнозов?
Жоанн Верморель: Вероятностные прогнозы представляют собой класс прогнозов, где у вас есть неполная информация о будущем. У вас есть представление о вероятных будущих событиях, о событиях, которые могут произойти, по сравнению с событиями, которые не могут произойти. Обычно, когда люди думают о прогнозах, они рассматривают их как окончательные, например, “Эта команда выиграет”. Но дело в том, что вы не знаете наверняка; это всего лишь определенная вероятность того, что эта команда выиграет. Более точным прогнозом является наличие списка команд, которые очень сильны и имеют в совокупности очень высокую вероятность победы. Это не так удовлетворительно, как знание победителя, но никто никогда не может знать это из-за стоящей на кону неопределенности. Вероятностное прогнозирование заключается в том, чтобы сделать заявление о будущем, которое включает в себя вероятности. Оно принимает во внимание саму идею, что вы не знаете все о будущем и не притворяетесь, что знаете.
Кирен Чандлер: Какова основная польза от этого по сравнению с более традиционными методами прогнозирования?
Жоанн Верморель: Основное преимущество заключается в том, что вероятностные прогнозы дают вам возможность подойти к всем асимметриям, которые есть в цепи поставок. Я имею в виду асимметрии, то есть тот факт, что стоимость переоценки или недооценки спроса несимметрична. Например, возьмем авиацию. Если вы переоцениваете спрос, у вас может оказаться в наличии винт, который вы никогда не используете. Но если вы недооцениваете потребность в винтах, у вас может быть приземлен самолет только потому, что не хватает одного винта, и это может стоить вам сотни тысяч в перенаправлении пассажиров и задержках. Проблема с классическими прогнозами заключается в том, что вы стремитесь к среднему значению. Но в цепи поставок вам не всегда нужно обеспечить среднее значение. Ваши затраты обычно гораздо больше зависят от крайних значений. Если у вас слишком много товаров на складе в продовольственной рознице, вам, возможно, придется полностью отказаться от них, потеряв все вложения.
Кирен Чандлер: Итак, если мы говорим об этих крайних значениях, они, по сути, являются границами, не так ли? Как мы можем определить, где находятся эти границы?
Границы могут быть неуловимыми; это вопрос вероятности. Например, если обычно в магазине спрос на определенный товар составляет, скажем, пять единиц в день, то у вас может быть 5% шанс наблюдать спрос на десять единиц в любой день, 1% шанс спроса на 20 единиц и практически нулевой шанс спроса на 50 единиц в любой день. Таким образом, нет окончательной границы, это непрерывность событий, которые становятся все более редкими, и вы можете оценить вероятности этого. Однако, в этой непрерывности вы говорите, что вы предсказываете каждую возможность? Конечно, вы должны где-то провести черту. Вы не можете точно знать, что произойдет завтра. Например, если вам доставляют товары, есть вероятность, что корабль, на котором они идут, может утонуть. Можно ли действительно использовать каждую возможную будущую ситуацию?
Жоанн Верморель: Есть ограничения на то, что мы можем оценить из-за вычислительных ресурсов. Да, у нас есть компьютеры с большим объемом памяти и вычислительной мощности, но мы должны ограничить количество функций, которые мы оцениваем, до конечного числа. Однако, у компьютеров огромные вычислительные ресурсы. Таким образом, даже если количество будущих событий, которые они могут оценить, является конечным, оно все равно может быть чрезвычайно большим. Например, для товара, который обычно продается всего несколько единиц в день, вы все равно можете оценить вероятность продажи тысячи единиц, даже если это маловероятно один к одному миллиону. Точно так же, для риска того, что корабль утонет, это может быть один шанс из миллиона, но компьютер может выполнять миллиарды вычислений в секунду.
В то время как мы, возможно, не рассматриваем риск того, что корабль утонет, мы можем оценить риск того, что корабль будет задержан на неопределенное время на таможне. Это может произойти и может вызвать трехмесячную задержку из-за проблем с таможенным процессом. Такая задержка будет практически эквивалентна утоплению корабля, что касается вашей поставки. Например, если вы ожидаете купальники, то к моменту их получения сезон уже закончится. Будет зима, и ваш продукт будет бесполезен.
Кирен Чандлер: Да, корабль на дне океана действительно является крайним примером. Давайте поговорим о математических моделях, о которых вы упомянули. Как мы узнаем, какую модель лучше использовать? Насколько я понимаю, существуют разные прогнозы и разные методы прогнозирования в зависимости от математической модели, которую мы используем.
Жоанн Верморель: Сначала вам нужна математическая модель, которая генерирует вероятностные распределения, что совершенно отличается от моделей, которые вы можете использовать в Excel. Когда люди думают о прогнозировании, они обычно представляют себе какой-то вид скользящего среднего. Они рассматривают, какой был спрос на прошлой неделе или в прошлом году, усредняют соответствующий период времени, и это дает им прогноз. Это не плохой метод, но он дает только одну точечную оценку.
Когда вы хотите перейти к вероятностному миру, вам нужно что-то, что генерирует распределение вероятностей. У вас есть различные математические модели, доступные для вас. Самая известная из них - модель Пуассона, или если вы хотите быть действительно изысканными, вы можете взглянуть на отрицательные биномиальные модели. Это разные классы параметрических моделей, но у вас также могут быть непараметрические модели.
Кирен Чандлер: Я понимаю, что использование более сложной математической модели может генерировать вероятности, которые могут помочь предсказать спрос. Однако это, кажется, не является концом процесса. Независимо от того, что происходит, ваша модель всегда может сказать “Я сказал вам”. Если она предсказывает спрос на 10 единиц и мы наблюдаем 10 единиц, модель права. Если мы наблюдаем 100 единиц, модель все равно говорит, что была вероятность, что это произойдет. Так как мы узнаем, хорошая ли модель или нет?
Жоанн Верморель: Вы правы. Вот почему нам нужны лучшие метрики, метрики, подходящие для вероятностных прогнозов. Если ваша модель присваивает высокую вероятность событию, которое действительно происходит, то ваша модель работает хорошо. Например, если я предсказываю, что Италия имеет 80% шанс выиграть Чемпионат мира, и они не выигрывают, модель была неточной. Однако, если я говорю, что у Италии есть 5% шанс, и они не выигрывают, то модель была достаточно точной. Эти метрики измеряют, насколько весомым, с точки зрения вероятности, является то, что действительно происходит.
Кирен Чандлер: Интересно, что вы упомянули точность. Как точность вероятностного прогноза сравнивается с традиционным прогнозом? Кажется, они измеряют очень разные вещи.
Жоанн Верморель: Действительно, они так и есть. Вероятностный прогноз не является, по своей сути, более точным, чем классический прогноз. Однако распределение вероятностей можно свести к классическому прогнозу, взяв среднее значение. Проблема в том, что при этом теряется вся информация о хвостах - событиях, где спрос может быть удивительно высоким или низким. Точность вероятностного прогноза можно измерить с помощью традиционной метрики, такой как средняя абсолютная процентная ошибка, но это не имеет особого смысла. Цель состоит в том, чтобы уловить 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.
Кирен Чандлер: Итак, в сущности, преимущество вероятностного прогнозирования заключается в том, что оно позволяет вам видеть более широкую картину и составлять более глубокие прогнозы?
Жоанн Верморель: Да, именно так. Оно дает вам больше измерений, больше глубины для понимания будущего.
Кирен Чандлер: Но несмотря на это, многие в отрасли все еще используют традиционные методы прогнозирования. Почему люди все еще довольны использованием этих методов?
Жоанн Верморель: Я бы не сказал, что они счастливы использовать эти методы. Реальность в том, что большинство цепей поставок все еще полагаются на инструменты, такие как Excel, которые неудобно предназначены для создания вероятностных прогнозов.
Кирен Чандлер: Прогнозы, я имею в виду, можно составить какой-то поэтический прогноз, но это далеко не так удобно. Создание классического прогноза сводится просто к созданию некоего рецепта скользящего среднего, и все готово. Однако, когда вы хотите перейти к вероятностному миру, вам приходится отказаться от Excel. Вы не только должны перестать генерировать прогноз в Excel, но и перестать принимать решения в Excel. Почему так?
Жоанн Верморель: Ваше решение будет исследованием всех возможных будущих сценариев. Вы будете оценивать все возможные решения и отражать эти решения на все возможные будущие сценарии, чтобы оценить экономический результат для каждого отдельного решения. Таким образом, вы можете непосредственно выбрать лучшее решение на основе всех возможных результатов. Внезапно вы видите, что вам нужно учитывать большое количество факторов и оценивать большое количество решений в соответствии с еще большим количеством возможных будущих сценариев. Это становится вычислительно более интенсивным и фундаментально несовместимым с Excel.
Кирен Чандлер: Итак, если я правильно понимаю, причина, по которой люди этого не делают, в основном заключается в том, что им не хватает необходимых инструментов. Они обращаются к Excel не потому, что предпочитают его, а потому что ERP не смог предоставить им такой сложный анализ рисков, который им необходим для принятия правильных решений для их цепи поставок. Итак, если мы говорим об этих отраслях, в каких отраслях вероятностное прогнозирование работает лучше всего? Где вы видите лучшие результаты для вероятностного прогноза?
Жоанн Верморель: Вероятностные прогнозы действительно блестят, когда есть неопределенность. Например, если вы хотите составить прогноз потребления электроэнергии на национальном уровне, вы можете сделать это с высокой степенью точности. Вы можете получить прогноз с точностью до 0,5%, если хотите предсказать потребление электроэнергии Франции за одну часовую временную ячейку, вероятно, за 48 часов вперед. Это ситуация, где вы почти идеально знаете будущее. То же самое, если вы хотите прогнозировать, сколько трафика вы получите на дорогах, вы можете получить очень точные прогнозы, так как это высокопредсказуемо. Но если вы переходите к областям, где неопределенность больше, именно там вероятностные прогнозы становятся более ценными.
Кирен Чандлер: Можете привести примеры таких областей?
Жоанн Верморель: Конечно. Примерами могут служить отрасли, где тренды крайне нестабильны. Мода - хороший пример. В моде существует много неустранимой неопределенности. Аэрокосмическая отрасль и обслуживание в целом также имеют большую степень неопределенности, не потому что самолеты неопределенны, а потому что у вас есть много запчастей, которые редко нужны. Вы не знаете, когда вам понадобится запчасть, и у вас так много запасных частей и самолетов, что это не похоже на продажу бутылок молока на открытом рынке, где вы продаете сотни единиц каждый день. Здесь все намного более нестабильно.
В целом, электронная коммерция - еще один пример. Длинный хвост продуктов на самом деле очень длинный, и большая часть ваших продаж приходится на продукты с прерывистыми, нестабильными продажами. И не забывайте все, что происходит на момент продажи и на уровне магазина. Даже если вы посмотрите на то, что происходит в магазине, даже в гипермаркете, который может иметь до ста тысяч наименований, у вас есть, например, в Европе, около 2 000 продуктов, которые вы будете продавать пять единиц или более каждый день. Все остальные продукты будут продаваться менее пяти единиц в день. Так что это небольшие числа, и нестабильность здесь велика. Вероятностные прогнозы здесь проявляют себя, потому что они дают вам представление о рисках, которые вы имеете для принятия решений о запасах.
Кирен Чандлер: Итак, в итоге, вероятностные прогнозы проявляют себя в областях с высоким уровнем неопределенности?
Жоанн Верморель: Это верно.
Кирен Чандлер: В любом случае, когда у вас есть много неопределенности, и вам нужно оптимизировать свои решения, учитывая все способы, которыми у вас на одном конце спектра удивительно низкий спрос, а на другом конце спектра удивительно высокий спрос. Хорошо, мы много говорили о преимуществах вероятностного прогнозирования. Мы говорили о том, где оно работает хорошо. Но как насчет тех отраслей, где использование его не совсем подходит? Есть ли отрасли, где классическое прогнозирование вполне подходит?
Жоанн Верморель: Да, например, если вы производите цемент и у вас есть клиенты, которые предоставляют вам заказы на следующие три года, то вам не нужны прогнозы. Если вы знаете будущее, это также может происходить для некоторых линий производства в автомобильной промышленности. Когда вы знаете, что за 12 месяцев впереди, вы точно знаете, что будете производить, потому что это крупный автопроизводитель, который дает вам очень точный план и может отклониться максимум на пять процентов. Если не осталось никакой остаточной неопределенности относительно ваших планов и это просто вопрос чистого выполнения, то, действительно, вероятностное прогнозирование вам не поможет. Вероятностное прогнозирование поможет вам только в случае некоторой нестабильности. Если вы не можете знать будущее в совершенстве, если у вас уже есть замороженный план на следующие 12 месяцев, то, по сути, вам не важно, что касается вероятностного прогнозирования.
Кирен Чандлер: Хорошо, а почему компании начинают использовать вероятностные прогнозы сейчас? Ведь это не особенно новая технология, верно? Так почему сейчас они начинают видеть, что она используется в отрасли более обычным образом?
Жоанн Верморель: Возможно, есть несколько причин. Во-первых, это требует гораздо больше вычислительных ресурсов, поэтому вы получаете статистические модели, которые потребляют от 100 до 1000 раз больше вычислительной мощности. Хорошая новость в том, что вычислительная мощность никогда не была так дешевой, поэтому это редко является узким местом. Но все же, это означает, что десять лет назад большинство этих вероятностных расчетов были крайне дорогими. Очень разница, когда вы можете запустить свою поставочную цепочку с бюджетом в 2000 евро в месяц на вычислительные ресурсы или с бюджетом в два миллиона евро в месяц на вычислительные ресурсы. Это имеет большое значение на практике. Вот что означает три порядка величины в терминах затрат. Таким образом, ясно, что факт того, что вычислительная мощность стала намного дешевле, очень помог сделать эти методы намного более практичными. Второе, есть целый класс статистических методов, известных как глубокое обучение, откуда и происходит этот модный термин “искусственный интеллект”. Все дело в глубоком обучении, и глубокое обучение основано на вероятностном прогнозировании. Вам может быть все равно или вы не понимаете технических деталей, вы можете просто наслаждаться тем, что у вас есть программное обеспечение, которое распознает голос для вас, но на самом деле оно основано на вероятностных расчетах. Сначала у нас было больше вычислительной мощности, затем появились математические теории, такие как глубокое обучение, которые вышли на первое место в терминах показателей искусственного интеллекта. Например, когда искусственный интеллект смог обыграть игроков, таких как чемпион мира по Го, был использован вероятностный метод, а не комбинаторный.
Кирен Чандлер: Хорошо, похоже, что вероятностное прогнозирование сейчас очень актуально, но что насчет будущего? Я имею в виду, как вы видите следующие шаги в вероятностном прогнозировании? Вы думаете, что оно продлится долго, или как вы видите это?
Жоанн Верморель: Да, я думаю, что кошка вышла из коробки и не вернется обратно. Мы, вероятно, не вернемся к классическому прогнозированию. Когда у вас есть вероятностный прогноз, вы знаете гораздо больше о будущем, поэтому было бы очень странно вернуться к подходу, который в основном давал вам гораздо меньше информации.
Кирен Чандлер: Меньше информации о будущем сейчас, даже если вы говорите, что мы хотим исследовать все возможные будущие сценарии. На практике мы не исследуем все возможности. Например, мы можем сказать, что у меня есть вероятность продажи нуля, одной единицы, двух единиц, трех единиц этого продукта, и я могу провести аналогичный анализ для другого продукта. Но что насчет совместной вероятности для этих двух продуктов вместе?
Жоанн Верморель: Действительно. Внезапно мне нужно оценить, возможно, сто сценариев, чтобы рассмотреть всевозможный спрос на мой продукт А. Мне нужно оценить сто сценариев для всего спроса на продукт B. Но что насчет рассмотрения всех сценариев для продукта А и B вместе? Это как десять тысяч сценариев для рассмотрения. И если я добавлю третий продукт со ста сценариями, это будет миллион сценариев для рассмотрения. Ситуация быстро становится более сложной, если вы хотите явно выразить все вероятности. Я думаю, что в будущем мы будем видеть все больше и больше методов, которые даже не пытаются выражать эти вероятности. Вы даже не пытаетесь вычислить все возможности для всех возможных событий. У вас есть методы, которые фактически выполняют эти вычисления, не явно указывая вероятности. Вот в чем суть глубокого обучения и методов искусственного интеллекта. Они вычисляют вероятности, но не выражают все как вероятность. Большой плюс в том, что вы можете исследовать сложные сценарии будущего, которые являются чрезвычайно сложными и выходят за рамки возможностей любого разумного компьютера или даже флота компьютеров.
Вы все еще можете исследовать все эти возможности с помощью умных математических трюков. Суть глубокого обучения заключается в том, что вы не будете исследовать будущее случайным образом. Вы хотите сосредоточиться на будущих сценариях, которые наиболее вероятно будут иметь значение для прогноза. Таким образом, вы хотите сосредоточиться на областях, которые относительно плотны, где есть большая вероятность быть интересующим будущим, вместо случайной попытки исследовать все.
Этот подход откроет множество сценариев. Например, одной из вещей, которую мы, вероятно, будем исследовать в этом году, будет исследование не только всех возможных уровней спроса на продукцию, но и всех возможных горизонтов во времени. Вы хотите прогноз спроса, который может начинаться в любой момент времени и заканчиваться в любой момент времени, оба случайным образом.
Это способ, например, отразить сценарий, когда у вас есть отправка через корабль и есть неопределенность. Вы не знаете точно, когда продукт перестанет быть доступным для продажи в вашем магазине, онлайн или офлайн, и вы хотите учесть эту неопределенность при составлении планов по запасам.
Вам необходимо учесть тот факт, что у вас есть неопределенность относительно того, когда товары будут получены и когда спрос на самом деле начнется и закончится. Если вы хотите пройти еще дальше, было бы очень интересно начать исследовать сценарии “что если”.
В рамках нашей долгосрочной дорожной карты мы даже планируем начать исследовать все возможные будущие сценарии, если учесть все корректировки цен, которые вы можете внести на свои продукты. Вы хотите увидеть, какими могут быть все возможные будущие сценарии спроса, если оставить цены без изменений, и что, если вы начнете исследовать все возможности для всех возможных корректировок цен.
Когда вы начинаете думать обо всех этих возможных будущих сценариях, числа становятся чрезвычайно большими. Хитрость заключается в том, что вы не хотите пытаться перебирать каждый из этих сценариев по отдельности. Вы хотите иметь некоторые математические техники, которые позволяют вам исследовать множество из них, не пытаясь перечислить их.
Кирен Чандлер: Ну, кажется, здесь так много возможностей. Я рад, что это остается за компьютерами, потому что иначе мой мозг, наверное, взорвется. Но мы должны остановиться на сегодня. Спасибо, что нашли время, чтобы рассказать нам о вероятностном прогнозировании. Это было действительно интересно. Спасибо. Это все для сегодняшнего эпизода. Мы вернемся в следующей неделе, но до тех пор убедитесь, что вы подписаны на наши видео, и мы увидимся снова скоро. Пока пока.
