00:00:07 Голые прогнозы и история Lokad.
00:01:42 Высокий спрос на прогнозирование временных рядов.
00:03:14 Отсутствие успеха голых прогнозов, несмотря на статистическую точность.
00:05:03 Опыт Lokad с крупным европейским розничным продавцом.
00:07:19 Проблемы с голыми прогнозами и их влияние на бизнес.
00:09:25 Проблемы с голыми прогнозами в исполнении цепочки поставок.
00:12:38 Важность экстремальных сценариев и роль квантильного прогнозирования.
00:14:47 Проблемы использования хороших прогнозов в процессах S&OP крупных корпораций.
00:15:37 Отклонение от прогноза и необходимость альтернативных будущих рассмотрений.
00:17:12 Проблемы представления вероятностных данных в больших объемах.
00:18:57 Ограничения Excel в обработке вероятностных распределений.
00:20:25 Важность оптимизации решений на основе прогнозов.
00:21:48 Необходимость предиктивной оптимизации и ее тесная связь с прогнозированием.
Резюме
В интервью Киран Чандлер и Жоанн Верморель обсуждают ограничения традиционных методов прогнозирования в оптимизации цепочки поставок. Верморель подчеркивает необходимость квантильных прогнозов, которые учитывают экстремальные сценарии, так как они оказывают наибольшее влияние на управление цепями поставок. Он объясняет, что вероятностные прогнозы могут предложить ряд возможных результатов, но управление огромными объемами данных, необходимыми для этого подхода, создает проблему “больших данных”. Традиционные инструменты, такие как Excel, не предназначены для работы с вероятностными данными, поэтому требуются специализированные инструменты. Верморель приходит к выводу, что предиктивная оптимизация, объединяющая прогнозирование и оптимизацию, является более эффективным подходом для управления неопределенностями в цепях поставок.
Расширенное резюме
В этом интервью ведущий Киран Чандлер обсуждает с основателем компании Lokad, Жоаннесом Верморелем, концепцию голых прогнозов и их эффективность в улучшении принятия решений в цепях поставок.
Когда Lokad была основана в 2008 году, компания сосредоточилась на предоставлении “прогнозирования как услуги”, используя статистические методы для прогнозирования временных рядов. Идея заключалась в использовании исторических данных, таких как прошлые продажи, для прогнозирования будущего спроса, который также имеет форму временного ряда. Этот подход вызвал интерес у многих предприятий, стремящихся к точным прогнозам временных рядов для улучшения принятия решений в цепях поставок.
Был значительный спрос на прогнозирование временных рядов, и многие компании просили Lokad предоставить более точные прогнозы на основе их исторических данных. Интересно, что несмотря на предоставление высокоточных прогнозов с низкими показателями ошибок, эти улучшенные прогнозы, казалось бы, не приводили к лучшим решениям и результатам в цепях поставок.
Верморел нашел это исходное положение запутанным, так как можно было ожидать, что более точные прогнозы с более низкими показателями ошибок приведут к улучшению принятия решений и, в конечном счете, к лучшей эффективности цепей поставок. Ему потребовалось несколько лет, чтобы понять основную проблему, стоящую за этим контринтуитивным результатом.
Проблема не была статистической по своей природе; прогнозы, предоставляемые Lokad, были высокоточными, с минимальными проблемами, такими как переобучение. Верморел был уверен, что прогнозы были статистически обоснованными, но они, казалось, вызывали хаос на стороне клиента.
Верморел рассказывает историю из 2011 года, когда Lokad принимала участие в сравнительном анализе прогнозирования спроса на 10 мини-рынках с 5 000 продуктами на каждом. Lokad выиграла соревнование, достигнув на 20% большей точности, чем второй лучший конкурент. Однако они сделали это, используя “нулевого прогнозиста”, который предсказывал нулевой спрос на все продукты. Этот метод подчеркнул проблемы с традиционным прогнозированием и процентами точности. Верморел утверждает, что между снижением процентов ошибок и фактическими бизнес-преимуществами есть мало корреляции и что фокусирование на процентах точности может ввести в заблуждение.
Ведущий задает вопрос, почему компании все еще требуют традиционные прогнозы, несмотря на эти проблемы. Верморел предполагает, что здесь играет большую роль мечтательное мышление. Люди верят, что если бы у них были идеальные прогнозы, проблемы в цепях поставок были бы решены, превратив процесс в простую задачу планирования и оптимизации. Однако Верморел подчеркивает, что ни один прогноз не может выжить в контакте с рынком, так как реальность гораздо более сложна.
Традиционные прогнозы могут привести к хрупкому выполнению цепей поставок, так как точность прогноза часто зависит от того, как он используется внутри компании. Это может привести к непредвиденным последствиям и проблемам. Верморел считает это “антипаттерном”, то есть преднамеренным решением, которое последовательно терпит неудачу в предсказуемом порядке.
Затем Верморел обсуждает, как Lokad изменила свой подход, сосредоточившись на укреплении плана цепи поставок на основе прогнозов. Он использует пример мини-рынков, продающих свежие продукты, где высокая маржа оправдывает наличие большого количества товара, даже если он медленно оборачивается. В таких случаях для клиентов важнее найти то, что они ищут, чем для магазина оптимизировать запасы. Традиционные прогнозы фокусируются на среднем спросе, тогда как затраты и выгоды на самом деле находятся в крайностях.
Разговор затем переходит к идее составления прогнозов, учитывающих экстремальные сценарии, что и сделала Lokad, перейдя от классических прогнозов к квантильным прогнозам. Квантильное прогнозирование добавляет смещение к прогнозу, фокусируясь на экстремальных случаях, где находятся фактические затраты и выгоды. Этот подход, по мнению Вермореля, более эффективен, чем традиционные методы оптимизации управления цепями поставок.
Они обсуждают проблемы прогнозирования и важность учета различных будущих сценариев в управлении цепями поставок.
Верморел начинает с объяснения того, что традиционные прогнозы, которые фокусируются на среднем спросе, недостаточны для эффективного управления цепями поставок. Вместо этого он предлагает использовать квантильные прогнозы, которые намеренно имеют смещение, чтобы учитывать экстремальные сценарии, такие как высокий или низкий спрос. Он подчеркивает важность понимания этих экстремальных ситуаций, поскольку именно они обычно оказывают наибольшее влияние на управление цепями поставок.
Затем Чандлер спрашивает о роли внутренних команд крупных корпораций по планированию продаж и операций (S&OP) в работе с прогнозами. Верморел отвечает, что даже с хорошими прогнозами команды S&OP не могут достичь правильного результата, потому что не доступна необходимая информация о альтернативных будущих сценариях. Он утверждает, что прогнозы могут предоставить только одно возможное будущее, в то время как фактические результаты всегда будут отличаться от прогнозных значений.
Верморел предлагает, что предоставление вероятностных прогнозов, которые предлагают ряд возможных результатов, может быть потенциальным решением. Однако этот подход представляет новый набор проблем. Во-первых, количество данных, необходимых для представления этих вероятностей, огромно, особенно при учете тысяч продуктов. Это создает проблему “больших данных”, требующую инструментов, способных обрабатывать большие объемы данных.
Более того, традиционные инструменты, такие как Excel, не предназначены для работы с вероятностными данными. Верморел указывает на то, что нет способа представить вероятностные распределения внутри ячейки Excel, что затрудняет манипулирование и анализ таких данных. В результате для полного использования вероятностных прогнозов необходимы специализированные инструменты, способные выполнять базовые операции с вероятностными переменными.
Верморел заключает, что иметь хороший прогноз, учитывающий различные сценарии, - это только половина успеха. Вторая половина заключается в эффективном использовании прогнозов для принятия обоснованных решений. Он подчеркивает важность тесной связи процессов, генерирующих прогнозы и оптимизирующих решения, чтобы избежать проблем, связанных с масштабируемостью и обработкой данных.
Обсуждение подчеркивает необходимость пересмотра традиционных методов прогнозирования в управлении цепями поставок. Верморел выступает за прогнозирование и оптимизацию в сочетании, как более эффективный подход к управлению неопределенностями и сложностями, присущими цепям поставок.
Полный текст
Кирен Чандлер: Сегодня на Lokad TV мы собираемся обсудить, почему эти голые прогнозы на самом деле не улучшают ресурс и могут вводить целый ряд различных проблем. Итак, Жоанн, с такой темой, как голые прогнозы, кажется, что это то, что вы можете найти, быть может, на темных уголках Интернета. Поэтому, прежде чем нас удалят с YouTube, можете ли вы объяснить нам, что вы имеете в виду здесь.
Жоанн Верморел: Когда я создавал Lokad в 2008 году, слоган компании был “прогнозирование как сервис”. Я только что закончил университет и искал области, где статистика могла бы применяться в бизнесе. Была такая идея просто иметь прогнозирование временных рядов. Концептуально это очень просто: у вас есть входные временные ряды, которые представляют ваше прошлое, обычно вашу историческую продажу, а затем вы просто будете прогнозировать будущее, которое также принимает форму временного ряда. Для программного обеспечения, это очень хорошо определенная проблема и достаточно интересно, поэтому Lokad получила поддержку. Есть много людей, которые были, и по-прежнему заинтересованы в решении своих проблем, просто имея эти прогнозы временных рядов.
Кирен Чандлер: Действительно ли существует потребность в таком решении? Я имею в виду, оно действительно работает?
Жоанн Верморель: Существует огромный интерес к прогнозированию временных рядов. Нас постоянно спрашивают об этом. Когда я начинал Lokad, одним из ключевых элементов успешного стартапа было то, чтобы делать то, что люди хотят. С этой точки зрения прогнозирование временных рядов имело очень большой спрос. Компании просили: “Вот наши исторические данные, представленные в виде временных рядов, пожалуйста, дайте нам более точные прогнозы”. Но проблема заключалась в том, что это не работало. Это не была статистическая проблема; мы уже десять лет назад были очень хороши в точности прогнозирования. Проблема не заключалась в неправильных метриках.
Кирен Чандлер: Это кажется очень удивительным, потому что всегда можно подумать, что если вы получаете лучшие результаты от прогноза с меньшей ошибкой, вы примете лучшие решения в снабжении и в конечном итоге будете действовать лучше. Так почему это не работало?
Жоанн Верморель: Это была моя первоначальная мысль: как я могу быть неправ? Все метрики говорят мне, что у меня есть лучший прогноз. Я предоставляю своим клиентам лучший прогноз, что может пойти не так? Прогноз был очень хорошим, и я не говорю о проблемах, таких как переобучение. Это было хорошо контролируемо. Проблема заключалась в том, что прогноз, который статистически более точен, все равно мог нанести вред на стороне клиента. Мне понадобилось несколько лет, чтобы это понять. В какой-то момент у нас был крупный европейский ритейлер, который организовал сравнительный анализ полудюжины поставщиков программного обеспечения для прогнозирования.
Кирен Чандлер: Итак, мы обсуждали решения и проблему прогнозирования спроса для 10 мини-рынков, каждый из которых имеет 5000 товаров. Это было в 2011 году, и целью было предсказать спрос за три-четыре дня вперед, так как каждый мини-рынок пополняется дважды в неделю. Как справилась Lokad в этом сравнительном анализе?
Жоанн Верморель: Lokad с гордостью победил в сравнительном анализе, превзойдя второго лучшего участника на 20% по точности. Метрикой качества прогноза была абсолютная разница между прогнозом и реальностью. Однако мы достигли этого с помощью нулевого прогноза, который возвращал только нули для всего спроса и продаж. Интересно, что прогнозирование нулевого спроса приведет к нулевому запасу, и, следовательно, продажи быстро сойдут на нет. Это сделает прогноз не только более точным, но и 100% точным. Но, конечно, это полная ерунда и не имеет никакого смысла.
Кирен Чандлер: Таким образом, вы говорите, что существует разрыв между более точным прогнозом, выраженным в процентах, и достижением реальных бизнес-преимуществ. Почему компании все равно требуют такие прогнозы, если они могут быть так вводящими в заблуждение?
Жоанн Верморель: Мое основное объяснение заключается в том, что мечтательное мышление очень мощно. Если прогнозы были бы идеальными, у них было бы нулевое процентное отклонение, нулевая ошибка в долларах и нулевая ошибка в евро. Идеальный прогноз решил бы все проблемы, и управление цепями поставок стало бы чистой задачей оптимизации и планирования. Но это не так, и то, чего люди не понимают, это то, что голый прогноз, где вы предсказываете только одно будущее, в конечном итоге становится планом битвы, который не выживает после первого контакта с рынком. Есть военное выражение, что ни один план битвы не выживает после первого контакта с врагом, и аналогом в цепях поставок является то, что буквально нет прогноза, который выживает после встречи с рынком.
Кирен Чандлер: Значит, первый контакт с рынком, и что происходит, когда у вас есть этот более точный прогноз?
Жоанн Верморель: В более общем смысле, происходит то, что из-за более точного прогноза вы создаете план, который на самом деле более хрупкий по сравнению с прогнозом, и тем самым делаете исполнение цепи поставок более уязвимым. Это очень абстрактный взгляд на это. Главное заключается в том, что у вас есть прогноз, но вы не знаете, как этот прогноз будет использоваться, и другие люди в вашей компании будут использовать этот прогноз таким образом, как вы не ожидаете, и это приведет к краху. Вот почему эти голые прогнозы в основном плохая вещь. Их используют таким образом, как ими не следует пользоваться, и потому что это происходит постоянно, это антипаттерн в наше время. Это что-то вроде преднамеренного решения, которое всегда разрушается в полностью предсказуемом манере.
Кирен Чандлер: Итак, вы перешли к укреплению плана, который вы строили на основе прогноза, как только осознали это?
Жоанн Верморель: Именно так, и затем вы понимаете, что прогнозирование даже не является правильным подходом. Если я вернусь к истории о мини-рынках, вы понимаете, что если вы продаете свежую еду на мини-рынке, у вас очень большие маржи. Вы можете позволить себе иметь много товара, потому что вам нужно, чтобы клиент, заходя в магазин, находил то, что ищет. У вас такая большая маржа, что стоит вложиться в большой запас, даже если товар будет медленно продаваться. Вам не важен средний спрос. Если каждые десять дней появляется только один клиент, а вы продаете йогурты, вы все равно можете получить очень хорошую прибыль, если продаете свою продукцию с 70% валовой маржей, а срок годности йогуртов составляет один месяц. Итак, в конечном итоге, не средний спрос является интересным, а экстремумы. Затраты находятся на экстремумах.
Кирен Чандлер: Хорошо, почему тогда нельзя просто составить прогноз, учитывающий эти экстремальные сценарии?
Жоанн Верморель: Вот то, что интересно, верно? И это то, что мы сделали. В истории Lokad мы перешли от классического прогноза в 2008 году с Lokad Forecasting as a Service, и мы перешли к квантильным прогнозам. Такой подход к прогнозированию был идеей, которая в то время, в 2012 году, звучала очень странно. Это был прогноз с предвзятостью. Большинство моих клиентов говорили, что хороший прогноз - это прогноз без предвзятости. Это было противоположно общепринятому пониманию в управлении цепями поставок.
Если вернуться к случаю с мини-рынком, вам не важен средний спрос. Интересно крайне высокий спрос, который никогда не бывает высоким, но именно этот крайне высокий сценарий является интересным. Вопрос в том, что такое крайне высокий сценарий? Это один случай из 30? Может быть, иногда и четыре. Это ваш крайне высокий сценарий. Кстати, это статистика. Такие прогнозы с предвзятостью называются квантильными прогнозами. Вы можете получить прогноз с 99% квантилем, который говорит: “Я даю вам число, и есть 99% вероятность, что спрос будет чуть ниже этого числа и 1% вероятность, что будет выше”. Таким образом, вы контролируете предвзятость, и это было началом появления более разнообразных прогнозов.
Кирен Чандлер: На самом деле, давайте обсудим ситуации с риском на хвостах, такие как экстремальные сценарии, когда вы имеете дело с дефицитом товара или переизбытком товара. Я не понимаю, почему крупные корпорации со своими собственными внутренними процессами S&OP не могут работать с хорошим прогнозом, чтобы получить правильный результат в конечном итоге. В чем настоящая проблема?
Жоанн Верморель: Это мечтательное мышление. Вы не можете получить правильный результат из прогноза, даже если он хороший, потому что нужной вам информации там просто нет. Когда вы говорите: “Вот будущее”, вы показываете только одну возможность, но не говорите ничего о других вариантах. Реальностью является то, что будущее будет альтернативным. Всегда будет расхождение с вашим прогнозом. Проблема в том, что вы думаете, что можете превратить свои ограниченные знания о альтернативных будущих сценариях в решения, такие как сколько купить, произвести или переместить товар из одного места в другое, не отрицательно влияя на качество ваших решений. Это как магия.
Кирен Чандлер: Но что, если мы предоставим им вероятностный прогноз, давая им диапазон возможных факторов для работы?
Жоанн Верморель: Это интересная идея. Концептуально, это может сработать. Однако вы сталкиваетесь с другой проблемой, которая является очень мирской. Детерминированный прогноз является лаконичным: для одного продукта, на год вперед и с прогнозированием на недельном уровне, у вас есть 52 числа. Это небольшой набор данных, который может легко поместиться в таблицу Excel. Но с вероятностным подходом у вас есть огромная гистограмма вероятностей для каждой недели. Эти вероятности не суммируются, поэтому если вы хотите узнать спрос с 5-й по 10-ю неделю, это будет еще одна гистограмма вероятностей.
Мы можем предоставить вам эти данные, но внезапно возникает проблема больших данных, потому что у вас есть тысячи продуктов и десятки гигабайт вероятностей. Вам нужны инструменты, способные обрабатывать такие объемы данных.
Кирен Чандлер: С технической точки зрения, насколько легко манипулировать этими инструментами и данными? Одна из проблем с Excel заключается в том, что он не предназначен для обработки вероятностных расчетов. Он отлично подходит для организации табличных данных, но у него нет способа представления вероятностных распределений.
Жоанн Верморель: Да, именно так. Если вы хотите манипулировать данными, представленными в виде вероятностного распределения, у вас нет ячейки в Excel, которая представляет собой распределение вероятностей. Excel не предназначен для работы с такими вещами, и у вас возникает множество проблем, когда вы хотите использовать и оптимизировать вероятностный прогноз о вашем будущем.
Кирен Чандлер: Правильно, поэтому вам нужны инструменты, которые предоставляют все виды операций для вероятностных переменных. Основные операции, такие как сложение, умножение или деление случайных переменных, являются неотъемлемыми. Если у вас нет этих основных инструментов, вы не сможете правильно работать с вероятностными прогнозами.
Жоанн Верморель: Да, и иметь хороший прогноз, учитывающий все возможные сценарии, - это только половина дела. Гораздо важнее то, что вы делаете с этими прогнозами. Когда вы хотите оптимизировать эти решения, процесс, который генерирует прогнозы, и процесс, который оптимизирует решение, должны быть полностью взаимосвязаны.
Кирен Чандлер: Понятно. Таким образом, обработка данных для таких больших матриц вероятностей может быть проблемой масштабируемости. Кажется, что вам нужно держать все вместе, чтобы это работало на практике.
Жоанн Верморель: Именно. Чтобы иметь практическое решение, вам нужно держать все это очень близко. Вам следует начать думать о предсказательной оптимизации. Две вещи, прогнозирование и оптимизация, идут вместе и не могут быть разделены.
Кирен Чандлер: Хорошо, это логично. Ну, нам придется закончить здесь. Спасибо, что присоединились к нам сегодня, Жоанн. Было очень интересно поговорить с вами о оптимизации цепочки поставок.
Жоанн Верморель: Спасибо, что пригласили меня, Кирен. Было приятно.
