00:00:07 Использование погодных данных для оптимизации принятия решений о закупках.
00:00:41 Погодозависимые товары и их корреляция с погодой.
00:02:00 Исторический контекст стартапов по анализу погодных данных и их нишевое положение.
00:03:23 Электроэнергетические компании эффективно используют погодные данные для прогнозирования потребления.
00:06:02 Сложность погодных данных по сравнению с данными цепи поставок и технические проблемы.
00:08:00 Влияние погоды на рынки IPO и спрос на товары.
00:10:00 Ограниченная польза прогнозов погоды для цепей поставок.
00:12:45 Полезность прошлых погодных данных для объяснения спроса на товары.
00:14:00 Использование изменения климата для улучшения сезонных прогнозов и их ограничения.
00:15:49 Сравнение ежедневных колебаний температуры с долгосрочным влиянием изменения климата.
00:17:01 Важность использования транзакционных данных для принятия решений в цепи поставок.
00:18:04 Использование данных о посещаемости веб-сайтов для лучшего понимания цепи поставок.
00:18:36 Использование конкурентной разведки при принятии решений в цепи поставок.
00:19:27 Заключение: Приоритизация других источников данных перед изучением погодных данных.
Резюме
Йоанн Верморель, основатель компании Lokad, обсуждает с ведущим Кираном Чандлером потенциал и ограничения погодных данных в оптимизации цепи поставок. Верморель подчеркивает, что погодные данные обладают сильной объяснительной способностью, но могут быть не очень полезными для уточнения прогнозов. Многомерная природа погоды делает ее сложной для эффективного включения в прогнозы. Верморель подчеркивает важность приоритизации транзакционных данных и непрямых данных, таких как данные о посещаемости веб-сайтов и конкурентная разведка, перед погодными данными и социальными данными. Погодные данные могут быть более полезными для анализа прошлой продажной деятельности. Несмотря на сложности, с развитием технологии прогнозирования погоды и управления цепями поставок, могут появиться больше возможностей для бизнеса использовать погодные данные для стратегического принятия решений.
Расширенное резюме
В этом эпизоде ведущий Киран Чандлер беседует с Йоанном Верморелем, основателем компании Lokad, специализирующейся на оптимизации цепи поставок. Они обсуждают роль погодных данных в оптимизации принятия решений о закупках и сложности, возникающие при объединении разных прогнозов.
Идея использования погодных данных для оптимизации цепи поставок проста: многие товары чувствительны к погоде, и их спрос зависит от погодных условий. Примеры включают мясо для барбекю и даже автомобили, так как люди в разных климатических условиях могут выбирать разные транспортные средства. Многие практики в цепи поставок направлены на улучшение прогнозов путем включения погодных данных.
Десять лет назад был ажиотаж вокруг погодных данных и стартапов, занимающихся улучшением прогнозов. Однако, несмотря на первоначальный интерес, использование погодных данных для оптимизации цепи поставок осталось нишевой областью. Lokad провел несколько проектов для крупных компаний около десяти лет назад, но эти усилия со временем прекратились, потому что полученные преимущества не оправдали затраты.
Одним из ключевых выводов из опыта Lokad является то, что погодные данные чрезвычайно сложны. Это многомерная проблема с высокой степенью географического разнообразия. Погодные условия могут значительно отличаться даже на расстоянии всего 20 километров из-за таких факторов, как высота. Кроме того, погода неоднородна в течение дня, что делает прогнозы более сложными.
Однако есть отрасли, которые успешно используют погодные данные, такие как электроэнергетика. Они используют эти данные для прогнозирования потребления электроэнергии, что позволяет им предоставлять достаточное количество энергии для удовлетворения потребностей сети на каждую минуту дня. Хранение электроэнергии неэффективно и непрактично, поэтому точные прогнозы являются неотъемлемыми для управления предложением.
В то время как концепция использования погодных данных для оптимизации цепей поставок кажется логичной, она оказалась сложной и осталась узкой областью. Высокая изменчивость и многомерность погоды делают ее сложной для эффективного включения в прогнозы. Однако некоторые отрасли, такие как электроэнергетика, добились успеха в использовании погодных данных для своих конкретных потребностей.
Верморель объясняет, что погодные данные являются чрезвычайно сложными из-за их географической специфики и различных факторов, которые необходимо учитывать, таких как дождь, ветер, влажность и солнечный свет. Эта сложность делает погодные данные значительно больше и более сложными для работы по сравнению с традиционными данными о цепях поставок.
В то время как получение погодных данных стало проще благодаря облачным провайдерам, обработка и корреляция этих данных с паттернами продаж остаются вызовом. Верморель подчеркивает, что погода может оказывать сильное локализованное влияние на продажи, и бизнесам необходимо учитывать различные эвристики, чтобы учесть эти нюансы.
В ответ на предложение использовать более простые, реактивные триггеры на основе температуры, Верморель признает, что температура может быть важным фактором, но подчеркивает, что это не единственный фактор. Например, жаркий, дождливый и ветреный уик-энд может не привести к росту спроса на продукты для барбекю. Кроме того, Верморель указывает на то, что клиенты следят за прогнозами погоды так же, как и бизнесы, что может привести к изменениям в покупательских привычках на основе ожиданий относительно погоды.
Рассматривая краткосрочную точность прогнозов погоды, Верморель объясняет, что прогнозы, выходящие за пределы десяти дней, обычно не очень полезны для оптимизации решений в цепях поставок. Во время определенных событий, таких как жаровни, прогноз действительно важен только в начале и конце события, что приводит к узкому окну полезности.
Обсуждая будущее цепей поставок и прогнозирование погоды, Верморель признает потенциал более точных прогнозов для достижения большего влияния. Однако он подчеркивает, что наиболее интересное использование погодных данных может быть связано с анализом прошлой продажной деятельности. Например, понимание того, была ли успешная кампания по продаже мороженого результатом эффективного маркетинга или просто жаровни в Париже, может предоставить ценные идеи для бизнеса.
Включение погодных данных в оптимизацию цепей поставок является сложной и трудной задачей, с потенциальными преимуществами в понимании прошлой продажной деятельности и ограниченными применениями краткосрочного прогнозирования. По мере развития технологий прогнозирования погоды и управления цепями поставок, могут появиться большие возможности для бизнеса в использовании погодных данных для стратегического принятия решений.
Верморель делится своими идеями о важности погодных данных, влиянии изменения климата и типах данных, на которые компании должны сосредоточиться для более эффективной оптимизации цепей поставок.
Верморель объясняет, что хотя погодные данные обладают сильной объяснительной силой, они могут быть не так полезны для уточнения прогнозов. Многие практики в области цепей поставок находят их полезными для понимания прошлого, но не обязательно для делания прогнозов на будущее.
Отвечая на вопрос о влиянии изменения климата на сезонные прогнозы, Верморель указывает, что, хотя это значительная глобальная проблема, ее влияние на оптимизацию цепей поставок минимально из-за разницы во временных рамках. Прогнозы изменения климата охватывают века, в то время как решения в цепях поставок фокусируются на месяцах или нескольких годах. В результате влияние изменения климата на оптимизацию цепей поставок относительно невелико.
Верморель подчеркивает важность транзакционных данных для оптимизации цепей поставок. Он отмечает, что многие компании неэффективно используют эти данные, так как часто не количественно оценивают свои запасы и затраты на их исчерпание в финансовых терминах. Путем максимального использования транзакционных данных компании могут оптимизировать свои решения в цепях поставок.
Кроме того, Верморель предлагает сосредоточиться на нетранзакционных данных, которые легко собрать и имеют большое значение для цепей поставок компании. Например, данные о посещаемости веб-сайта могут предоставить ценные сведения о поведении клиентов и производительности продукта. Конкурентная разведка, такая как ценообразование конкурентов, является еще одним ценным источником данных, хотя их сбор может быть более сложным.
Погодные данные и социальные данные могут быть полезными, но Верморель рекомендует, чтобы компании в первую очередь приоритезировали транзакционные данные, данные о посещаемости веб-сайта и данные конкурентной разведки. Погодные данные и социальные данные следует рассматривать, когда компания уже максимально использовала другие источники данных и имеет большую команду специалистов по анализу данных.
Погодные данные могут быть полезными и интересными для понимания прошлой эффективности цепей поставок, но есть другие источники данных, которые более важны для оптимизации. Компании должны приоритезировать транзакционные данные, данные о посещаемости веб-сайта и данные конкурентной разведки перед изучением погодных данных или социальных данных для оптимизации цепей поставок.
Полный текст
Кирен Чандлер: Сегодня мы обсудим, где могут возникать сложности при объединении различных прогнозов и попытаемся понять, можно ли использовать эти данные для получения ценной информации.
Жоанн Верморель: Идея проста: существует множество товаров, спрос на которые сильно зависит от погоды. Можно, например, подумать о мясе для барбекю, которое вы собираетесь купить на следующий уикенд, если будет солнечно, и вы собираетесь устроить барбекю. Но в более общем смысле, существуют целые классы товаров, спрос на которые сильно зависит от погоды, и в некотором смысле, практически все зависит от погоды. Я имею в виду даже ваш автомобиль; если вы живете в холодном регионе, вы можете выбрать другую машину, чем если бы вы жили в жарком регионе или в регионе с частыми дождями, например. Поэтому иметь такие данные интересно, и, очевидно, поскольку это очевидный фактор, многие практики в цепях поставок думают о том, чтобы улучшить прогноз, включив эти данные о погоде, в частности, изучая прогнозы погоды.
Кирен Чандлер: Конечно, чем больше вы знаете, тем лучше вы можете принять решение на основе будущего. Как это работает на практике?
Жоанн Верморель: Это интересно, особенно то, как это работает на практике. Когда я создавал Lokad десять лет назад, погодные данные и стартапы, связанные с погодой, были очень популярными. В то время, вероятно, во Франции было три стартапа, которые полностью посвящали себя улучшению прогнозов с помощью погодных данных, и, вероятно, около 20 в США. Это интересно, потому что это было десять лет назад, и это было своего рода маленьким модным словом, иметь все, что было связано с погодой или основано на погоде в аналитике. Но интересно то, что на практике это осталось нишевым. Даже в Lokad мы провели несколько проектов для крупных компаний примерно десять лет назад, и это затихло. Коротко говоря, это слишком много усилий по сравнению с тем, что оно стоит.
Кирен Чандлер: Что мы на самом деле узнали, когда мы внедряли это на практике все эти годы назад?
Жоанн Верморель: Мы узнали довольно много. У нас были задачи с крупным европейским поставщиком электроэнергии, который, я считаю, именно тот класс компаний, которые сегодня очень эффективно используют погодные данные. Поставщики электроэнергии используют погодные данные для прогнозирования потребления электроэнергии, чтобы они могли подавать ровно столько, сколько необходимо сети в каждую минуту дня. Кстати, вы не можете запасать электроэнергию, или на самом деле есть способы, но это очень неэффективно, очень медленно и непрактично на практике. Поэтому вам нужны очень точные прогнозы. Но вернемся к погодным данным, ключевые идеи были множественными. Одна из них заключается в том, что погода на самом деле невероятно сложна. Люди не понимают, что это такая многомерная проблема. У вас есть географическая сетка, и одна вещь о погоде заключается в том, что это очень местная вещь. Я был немного удивлен, когда понял, насколько разная может быть температура всего в 20 километрах друг от друга. Вы буквально можете иметь разницу в 15 градусов всего в 20 километрах, потому что одно место находится на километр выше по высоте по сравнению с другим местом. Так что у вас есть супер разнообразие с точки зрения географии, но также погода - это не только дело одного дня. Когда вы смотрите по телевизору, у вас будет, например, пять случаев дождя, по десять минут каждый, разбросанных в течение дня. Так что это очень точная вещь, которая меняется буквально каждую минуту. Итак, у вас есть география, затем у вас есть время с очень тонкой детализацией. Очевидно, что это имеет большое значение, дождется ли ночью или днем, знаете ли, такие вещи. Но сама погода - это не только о температуре и о том, идет ли дождь или нет. Есть около полудюжины показателей, таких как ветер, влажность, свет, скорость и направление ветра, и будет ли он продолжаться или нет. Так что это очень многомерная вещь и, как результат, я бы сказал, что это свой собственный маленький мир. Я имею в виду, вы уже имеете дело со всеми данными вашей цепочки поставок, которые уже довольно сложны, а затем вы просто обнаруживаете, что рядом с вашими данными о цепочке поставок есть этот набор погодных данных, который по сложности превосходит все ваши данные о цепочке поставок вместе взятые, по крайней мере, в десять раз.
Кирен Чандлер: Да, очевидно, есть эти сложности, но они очень хорошо решаются. Они очень хорошо собираются, и какие технические проблемы это вводит, потому что это вещи, о которых мы начинаем знать сейчас?
Жоанн Верморель: Да, я имею в виду, во-первых, вы сталкиваетесь с объемом погодных данных, который в 10-100 раз больше, чем ваши данные о цепочке поставок. Так что, с точки зрения программной инженерии, вы сталкиваетесь с чем-то, что было разработано для работы с цепочкой поставок и ее масштабом, а затем вы понимаете, что если вы хотите работать с погодными данными, вам нужно обрабатывать буквально в 100 раз больше данных. В этом много трения. Я имею в виду, очевидно, десять лет назад это была своя проблема только получить доступ к погодным данным. Эта проблема в наши дни, с множеством облачных провайдеров, которые продают вам данные прямо в облаке, стала намного проще. Но обработка этих данных остается очень сложной, особенно потому, что это не связано с обработкой погодных данных для проведения погодных симуляций. Это связано с обработкой погодных данных для выполнения чего-то, что до сих пор является очень узкой областью, а именно попытки коррелировать эти данные с паттернами продаж. И снова, помните, погода - это очень местная вещь. Например, если у вас есть рынок, который привлекает людей из широкой области, примерно 30 или даже 50 километров вокруг, у вас не только одна погода, которую нужно учитывать. Вам может потребоваться объединить данные в большей географической области, но вам придется самостоятельно выяснить все необходимые эвристики.
Кирен Чандлер: Но мы начинаем усложняться, рассматривая разные высоты и разные детализации. Не могли бы мы ввести что-то более простое, может быть, что-то более реактивное, например, вместо минимума/максимума, у вас может быть автоматический заказ при достижении определенной температуры? Это нечто интересное?
Жоанн Верморель: Да, это действительно интересно. Температура - это первое интересное измерение, безусловно. И, конечно, вы можете начать с фокусировки только на температуре и средней температуре в течение дня. Однако это далеко не отражает все, что вам нужно знать. Если мы вернемся к примеру с всплеском спроса на мясо, потому что люди ожидают провести барбекю, если следующий уик-энд будет очень жарким, но также дождливым и ветренным, у вас может не быть такого большого всплеска спроса на ваши продукты для барбекю. Так что, опять же, да, температура важна. Прогнозы погоды ясно показывают, что на этот уик-энд или на следующий уик-энд с высокой вероятностью будет очень хорошая погода. Тогда все знают об этом, и у вас есть клиенты, которые начнут покупать погодозависимые продукты. Если вы анализируете данные только с отставанием в один или два дня, у вас также есть информация о погоде. Помните, что прогнозы погоды не очень точны более чем на десять дней вперед, поэтому вы не можете оптимизировать решения с прогнозом погоды, которые идут дальше, чем на десять дней в будущее. После десяти дней вы в основном возвращаетесь к сезонному среднему, как если бы вы ничего не знали. Это все равно интересно, но это также очень краткосрочно. Просто представьте себе, что, например, вы попадаете в жару, как в Париже, жара может продолжаться пару недель. Период времени, когда прогноз действительно имеет значение, это не три недели жары, а три дня, когда вы входите в жару, а затем, возможно, два или три дня, когда вы выходите из жары. Таким образом, это очень короткий промежуток времени в течение года, когда у вас даже есть преимущество, на самом деле.
Кирен Чандлер: Хорошо, окно очень маленькое, и сбор всех этих данных на самом деле не дает нам такой большой выгоды. Если мы посмотрим вперед на некоторые из будущих цепей поставок и представим, что однажды у нас будут будущие прогнозы погоды, которые будут невероятно точными и смогут заглянуть дальше в будущее, и у нас будет больший контроль над нашими цепями поставок в целом, вы можете представить себе тот день, когда прогноз погоды будет более полезен для попытки использования погодных данных для более точного прогнозирования?
Жоанн Верморель: Это возможно. Есть компании, например, поставщики электроэнергии, которые делают это с очень высокой эффективностью. Для них данные о погоде являются очень ценным входным параметром и помогают значительно улучшить их точность. Но интересно то, что наиболее полезное применение погодных данных - это не прогнозирование будущего; это на самом деле анализ прошлого. Например, если вы продаете мороженое и запускаете новую рекламную кампанию для своих продуктов, и она продаётся очень хорошо, продается ли она хорошо потому, что кампания была хорошей или просто потому, что в Париже была жара, и практически все, кто продавал мороженое, имели хороший период в ту часть лета? Анализ погодных данных может быть очень полезным для объяснения спроса на ваши продукты. Здесь вам не нужно иметь дело с тонкостями детализации. Вы можете агрегировать данные за более длительные периоды времени или расширенные географии, и это даст вам нечто, что имеет сильную объяснительную силу.
Кирен Чандлер: Вот почему люди, включая многих практиков в сфере цепей поставок, так энтузиастично относятся к идее использования погодных данных для улучшения прогноза. Даже если эта часть не работает так хорошо, это потому, что погодные данные очень полезны для объяснения прошлого. А как насчет таких вещей, как изменение климата? У нас есть понимание того, что мир постепенно нагревается, и это повлияет на наши сезонные прогнозы в будущем. Можем ли мы использовать это понимание? Есть ли что-то полезное?
Жоанн Верморель: К сожалению, здесь играют роль порядки величины. Даже самые пессимистичные прогнозы изменения климата рассматривают что-то, что на протяжении многих лет все равно относительно небольшое по сравнению с ежедневными колебаниями, которые мы видим в погоде.
Кирен Чандлер: Конечно, в течение 21-го века мы говорим о разнице в несколько градусов. Кстати, если вы подумаете о геологическом времени, это очень резкое изменение климата. Если Земля глобально нагревается или охлаждается на два градуса за столетие, это много. Это очень значительно. Тем не менее, мы говорим о разнице в несколько градусов за столетие. Даже в очень мягком климате, например, в Париже, температура обычно колеблется на 20 градусов между самой высокой точкой днем и самой низкой точкой ночью. У нас очень мягкий климат. Есть много регионов в мире, где температура колеблется на 40 градусов между самой высокой точкой днем и самой низкой точкой ночью.
Жоанн Верморель: Главное заключается в том, что изменение климата, возможно, на два градуса за столетие - когда вы думаете о том, какие изменения оно принесет от одного сезона к другому - фактически является ничтожно малым. Большинство потребительских товаров появляются на рынке, достигают своего пика примерно за двенадцать месяцев, а затем исчезают с рынка через два или три года. Вы понимаете, что влияние среднего климата на оптимизацию цепи поставок очень мало, просто потому, что мы говорим о разных временных рамках. Цепь поставок направлена на оптимизацию решений на ближайшие несколько месяцев, возможно, на следующий год или на ближайшие несколько лет, если у вас есть действительно большие планы. Но, я не думаю, что есть много компаний, которые думают о будущем на столетия вперед, кроме того, чтобы быть более эффективными и потреблять меньше энергии или производить меньше отходов, что является победой для будущего. Однако это не то, с чем вы действительно планируете с прогнозом.
Кирен Чандлер: Итак, какие еще данные мы должны рассматривать? Что важнее, чем данные о погоде прямо сейчас?
Жоанн Верморель: Мы достигли стадии, когда большинство компаний даже не правильно используют свои транзакционные данные. Большинство компаний, с которыми мы общаемся, когда начинаем работать с ними, даже не оценили свои потери от отсутствия товара в евро или долларах. Наличие товара - это компромисс между стоимостью товара и стоимостью его отсутствия. Если я упрощаю, в основном, вам нужно сбалансировать два риска, и вы даже не оцениваете их.
Кирен Чандлер: Финансово, один из этих двух рисков очень сложно оптимизировать что-либо. Поэтому первый этап - максимально использовать ваши транзакционные данные, которые являются надежными и имеют именно ту детализацию, которая важна для принятия решений в вашей цепи поставок. Второй этап - использовать все данные, которые не являются транзакционными, но которые легко собрать и все еще очень важны для вашей собственной цепи поставок. Например, это могут быть данные о посещаемости веб-сайта, если вы являетесь брендом. Вы можете посмотреть, сколько посещений получает каждая страница, которую вы размещаете на своем веб-сайте, и особенно, если у вас есть страницы о ваших продуктах, вы можете посмотреть на посещаемость веб-сайта. И снова, когда меняется посещаемость веб-сайта, вы получите эту информацию, которая тесно связана с вашими собственными продуктами, и это то, что вы можете использовать.
Жоанн Верморель: Возможно, третий уровень данных будет состоять из конкурентной разведки, то есть того, что делают ваши конкуренты, их ценообразования и т. д. Это данные, которые сложнее собрать, но все же очень тесно связаны с вашей деятельностью в цепи поставок. Затем, помимо этого, у вас есть такие вещи, как данные о погоде и социальные данные. У нас есть примеры компаний, использующих социальные данные, но это обычно компании, сильно ориентированные на технологии, которые уже прошли все предыдущие этапы максимального использования своих транзакционных данных, данных о посещаемости веб-сайта и данных о конкурентной разведке. И только после этого можно заняться данными о погоде и, возможно, социальными данными, которые являются внешними источниками.
Кирен Чандлер: Хорошо, чтобы завершить сегодня, данные о погоде могут быть полезными и могут быть интересными, особенно при изучении прошлого. Но основной вывод заключается в том, что есть другие вещи, которые важнее.
Жоанн Верморель: Да, и если у вас еще нет большой команды по науке о данных, то вы не готовы. Вот мое сообщение: вы поймете, что вы готовы, когда нанимаете своего 24-го научного сотрудника по данным и не знаете точно, какие новые вещи исследовать. Тогда будет хорошее время начать обратить на это внимание.
Кирен Чандлер: Хорошо, давайте закончим на сегодня. Спасибо, Жоанн. Хорошо, это все для Lokad TV на этой неделе. Мы вернемся в следующий раз с новой серией, если выживем в этой жаре. Увидимся в следующий раз. Пока.
