00:00:07 Введение и определение понятия demand sensing.
00:01:02 Критика Йоаннеса в отношении demand sensing как неопределенной концепции.
00:02:45 Вопросы о новизне техник demand sensing.
00:05:01 Критика влияния данных в реальном времени на прогнозирование в цепи поставок.
00:07:49 Аргумент о необходимости большего количества данных и использования нетрадиционных методов.
00:08:37 Различия в использовании между реальным временем и не реальным временем.
00:09:47 Маркетинговые трюки в программной индустрии и их влияние.
00:11:25 Различие между хорошими модными фразами и пустыми модными фразами.
00:14:24 Примеры других трюков в индустрии цепи поставок.
00:16:02 Сложность запоминания модных фраз и их отсутствие содержания.
00:16:33 Закон сохранения шума и проверка в Google Trends.
00:17:47 Определение ценных модных фраз с фундаментальными идеями.
00:18:26 Пример квантильного прогноза и важность понимания основ.
00:19:21 Облачные вычисления и их простая основная концепция.
Резюме
В интервью Киран Чандлер и Йоаннес Верморель обсуждают demand sensing, метод прогнозирования, который объединяет данные в реальном времени и передовые математические методы. Верморель выражает скептицизм относительно эффективности demand sensing из-за его неопределенной концептуальной основы и отсутствия новаторских, рецензируемых исследований. Он советует практикам в сфере поставок быть осторожными с маркетинговыми трюками и сосредоточиться на концепциях, которые решают фундаментальные проблемы с удивительно очевидными идеями. Верморель подчеркивает важность понимания сути модных фраз и поиска инноваций, которые обеспечивают прочное понимание и способствуют значимым улучшениям в оптимизации цепи поставок.
Расширенное резюме
В этом интервью Киран Чандлер обсуждает demand sensing с Йоаннесом Верморелем, основателем компании Lokad, специализирующейся на оптимизации цепи поставок. Demand sensing - это метод прогнозирования, который объединяет передовые математические методы с информацией в реальном времени. Разговор сосредоточен на эффективности demand sensing и на том, как отличить ценные концепции от маркетинговых трюков.
Верморель начинает с признания того, что сложно оценить demand sensing из-за неопределенности документов, которые он изучил по этой теме. Он считает, что demand sensing не является виртуальным товаром, так как программное обеспечение существует, а скорее является пустым товаром - чем-то, что не выполняет своих обещаний и, в конечном счете, не имеет значения. Он объясняет это тем, что концепция является скорее маркетинговым трюком, чем содержательной идеей.
Основные рекламируемые характеристики demand sensing включают использование данных в реальном времени, включение данных, выходящих за рамки традиционных основных данных (таких как прошлое движение инвентаря и спрос на продажи) и использование машинного обучения для достижения большей точности. Верморель признает, что эти отдельные концепции кажутся действительными, но он сомневается в новизне и глубине общего подхода.
Для оценки demand sensing Верморель рассматривает основное утверждение, сделанное его сторонниками: что оно может производить более точные прогнозы. Он указывает на то, что статистическое прогнозирование является хорошо изученной областью исследований, с множеством онлайн-соревнований и активным сообществом, постоянно испытывающим и развивающим эту область. Многие организации, включая престижные исследовательские учреждения и крупные компании по разработке программного обеспечения, публикуют статьи о машинном обучении и статистическом обучении, включая те, которые фокусируются на прогнозировании будущего спроса.
Однако Верморель не видел значительных новых исследований, опубликованных о demand sensing в авторитетных журналах или конференциях, что вызывает сомнения в законности этой концепции. Несмотря на обилие статей и материалов, доступных в Интернете по вопросам demand sensing, отсутствие конкретных, рецензируемых исследований и вклада от широкого сообщества машинного обучения и прогнозирования подрывает истинную ценность demand sensing.
Верморель выражает скептицизм относительно эффективности demand sensing в качестве метода прогнозирования из-за его неопределенной концептуальной основы и отсутствия новых, рецензируемых исследований по этой теме. Он предполагает, что это может быть скорее маркетинговым трюком, чем по-настоящему инновационным подходом к оптимизации цепи поставок.
Разговор вращается вокруг концепции данных в реальном времени, их значимости для прогнозирования цепи поставок и маркетинговых трюков, связанных с этим.
Верморель объясняет, что данные в реальном времени, которые относятся к данным с задержкой ниже восприятия человека (около 100 миллисекунд), стали популярными из-за их привлекательности. Однако он сомневается в том, что наличие данных в реальном времени предлагает значительное улучшение точности прогнозирования. Он приводит пример типичной демонстрации программного обеспечения, где для прогнозирования на шесть месяцев вперед используется продукт с тремя годами истории. Верморель утверждает, что наличие данных от 100 миллисекунд назад, в отличие от 24 часов назад, не сделает большой разницы в этом контексте.
Еще одно утверждение, часто делаемое сторонниками данных в реальном времени, - это использование более совершенных методов машинного обучения. Верморель остается скептическим, сравнивая это с заявлением производителя автомобилей о наличии лучших автомобилей из-за лучшей физики. Однако он соглашается с тем, что включение большего количества данных, чем традиционное прогнозирование временных рядов, может привести к существенным улучшениям.
Верморель утверждает, что информация в реальном времени в сценариях цепи поставок, как правило, излишняя, так как уровень детализации, который она предоставляет, не является необходимым для большинства случаев использования. Однако он отмечает, что данные в реальном времени могут быть полезными для управления быстрыми роботами в автоматизированных складах. Он оспаривает идею о том, что данные в реальном времени могут иметь существенное значение в планировании цепи поставок, где прогнозирование обычно происходит на период от трех недель до года вперед.
Согласно Верморелю, продвижение данных в реальном времени в прогнозировании цепей поставок часто является маркетинговым трюком, используемым поставщиками программного обеспечения, которым не хватает новых идей, экспертизы или технологий. Он считает, что такой подход отражает определенную безразличие к проблемам клиентов и высокомерное предположение о том, что клиентов легко обмануть. Чтобы выделить ценные концепции среди простых модных слов, он советует обратить внимание на то, обсуждают ли разные люди из разных областей этот концепт. Если его продвигают только поставщики, то это скорее маркетинговый трюк.
В качестве положительного примера Верморель приводит вероятностное прогнозирование, которое обсуждается множеством сообществ, включая те, которые изучают климат. Современные исследования климата основаны на вероятностных моделях, что указывает на то, что такой подход основан на реальных основах, в отличие от маркетингового концепта прогнозирования цепей поставок в реальном времени.
Верморель начинает с объяснения концепции обращения к авторитету, которую он считает сильным индикатором модного слова. Он приводит пример датчика спроса, где сторонники приводят имена и звания экспертов, а не подробности алгоритма или математики, лежащей в его основе.
На вопрос о других примерах трюков в индустрии цепей поставок Верморель отмечает, что их было много на протяжении всей истории. Он приводит пример попытки IBM создать автономные вычисления десять лет назад, которая оказалась несущественной, и популярности добычи данных двадцать лет назад, которая с тех пор угасла. Верморель считает, что эти модные слова часто оказываются незначительными и ссылается на свой “закон сохранения шумихи”, который он объясняет как постоянную общую массу шумихи, которая меняется только тогда, когда на рынок появляется новое модное слово.
Верморель предлагает специалистам в области цепей поставок обращать внимание на модные слова, которые кажутся решающими проблему с удивительно очевидным пониманием. Он приводит пример квантильных прогнозов, которые фокусируются на рисках, сконцентрированных на крайних значениях, а не на среднем. Верморель считает, что такие простые и фундаментальные идеи, однажды понятые, трудно забыть и могут привести к значительным инновациям.
Он продолжает, упоминая, что специалисты должны быть осторожны с модными словами, которые не дают ясного и краткого понимания их основных концепций. Например, облачные вычисления могут показаться сложными, но их основная концепция заключается в доступности аппаратных ресурсов по требованию. Верморель советует, что если модное слово не может дать четкого понимания за несколько минут, то оно, вероятно, не имеет существенного содержания и следует игнорировать.
Верморель подчеркивает важность распознавания и понимания содержания модных слов в индустрии цепей поставок. Он призывает специалистов сосредоточиться на фундаментальных идеях, которые могут дать четкое понимание и способствовать значимым инновациям в их бизнесе.
Полный текст
Кирен Чандлер: Сегодня мы обсудим, насколько хорошо этот модный трюк на самом деле работает, а также можно ли отличить хороший модный трюк от маркетингового бессмыслицы. Итак, Йоаннес, датчик спроса, каково ваше первое впечатление от такого концепта?
Йоаннес Верморель: Это довольно сложный вопрос, потому что я просмотрел много документов о датчике спроса, и лучшее, что я могу сказать о них, это то, что они чрезвычайно неопределенные. Так что очень сложно приписать какие-либо конкретные качества или дефекты концепту, который настолько неопределен. Но в основном я бы сказал, что для меня датчик спроса - это яркий пример того, что можно назвать не виртуальным программным обеспечением, потому что существует программное обеспечение, которое должно быть способно обеспечить датчик спроса для оптимизации вашей цепи поставок. Так что это не виртуальное программное обеспечение, но я бы сказал, что это бессмысленное программное обеспечение, то есть то, что на самом деле не имеет значения, потому что оно не сможет выполнить то, что обещает.
Кирен Чандлер: Вы сказали, что идеи, лежащие в его основе, немного неопределенные, так что какова основная концепция?
Жоанн Верморель: Концепции, которые рекламируются, и снова я говорю “рекламируются”, потому что это больше похоже на маркетинговый трюк, чем на что-то глубокое, включают использование данных в реальном времени, данных, выходящих за пределы вашей традиционной основной информации, таких как прошлые движения запасов или прошлая потребность в продажах, и использование машинного обучения, что в этом контексте довольно неопределенно, для совершения некоторых новаторских вещей для достижения большей точности.
Кирен Чандлер: Так одна из вещей, которая указывает на то, что это немного маркетинговый трюк, заключается в том, что все эти концепции кажутся самодостаточными. Так в чем здесь проблема?
Жоанн Верморель: Вопрос в том, насколько глубокие новшества. Давайте начнем с рассмотрения основного утверждения поставщиков, которые продвигают технологии предвидения спроса. Основное утверждение состоит в том, что они могут получить более точные прогнозы. Это очень разумное утверждение; вы говорите, что у меня есть новаторская техника, которая может производить более точные статистические прогнозы. Оказывается, что цепочка поставок не существует в вакууме. Существует целое направление исследований в области статистического прогнозирования, с множеством онлайн-соревнований, где люди пробуют модели и соревнуются. Обширная область машинного обучения и статистического обучения очень живая, с вызовами и публичными результатами, опубликованными на конференциях, журналах и статьях из различных источников, включая частные лаборатории, такие как крупные программные компании. Я хочу сказать, что, хотя в машинном обучении есть множество достижений для конкретных задач, таких как прогнозирование будущего спроса, я не видел ничего, что можно было бы отнести к хорошим новаторским журналам или высокоуровневым конференциям, опубликованным по этим ключевым словам, таким как предвидение спроса.
Кирен Чандлер: Давайте поговорим о самом содержании. В интернете много материалов, если вы ищете информацию о предвидении спроса, с множеством статей и вещей, которые кажутся довольно легитимными. Так что, как вы это воспринимаете? В чем проблема, если мы немного рассмотрим то, что представлено? Итак, то, что представлено, это сначала идея наличия данных в реальном времени. Почему бы и нет? Однако, данные в реальном времени, давайте сначала немного уточним, что мы подразумеваем под данными в реальном времени, потому что это звучит круто. Мое представление о данных в реальном времени - это в основном, когда задержка становится ниже восприятия человека. Так что в качестве ориентира, если мы хотим уточнить, о чем мы говорим, это 100 миллисекунд. Именно тогда это начинает быть очень близко к тому, что люди могут считать реальным временем.
Жоанн Верморель: Хорошо, давайте обсудим в рамках проблемы цепочки поставок или проблемы цепочки поставок, факт наличия данных, к которым можно получить доступ, или факт наличия всей конвейерной системы данных, которая может обрабатывать ваши данные менее чем за 100 миллисекунд, чтобы быть в реальном времени. Есть ли у нас шанс иметь благодаря этому что-то, что может быть порядка 50% улучшения точности прогнозирования? И здесь я очень скептически настроен. Особенно когда люди начинают делать демонстрации работы программного обеспечения, выполняющего предвидение спроса и прогнозирование. В демонстрации они смотрят на продукт с тремя годами истории и делают прогноз на шесть месяцев вперед.
Итак, если вы прогнозируете спрос на шесть месяцев вперед, то факт наличия данных, которые свежи за последние 100 миллисекунд или свежи за последние 24 часа, то есть данные, которые отстают всего на один день, говоря откровенно, не сделает большой разницы. Я даже не уверен, что наличие данных, которые отстают на два дня вместо одного дня, действительно сделает даже один процент разницы через шесть месяцев. Вот где я говорю, что аргумент о реальном времени кажется мне чрезвычайно поверхностным.
Затем давайте посмотрим на другую часть аргументов: они утверждают, что у них есть превосходные методы машинного обучения. Но превосходные методы машинного обучения - поскольку машинное обучение является очень широкой областью - это было бы как заявление автопроизводителя: “О, у нас есть лучшая машина, потому что у нас есть лучшая физика”. Иметь лучшую физику помогает, но это смелое заявление. Вам нужен прорыв на уровне физических законов. Так что снова я скептически настроен, когда вы делаете такое утверждение.
Итак, в основном, то, что у них есть, если я вернусь к другому набору аргументов, они говорят, что вам нужно иметь прогноз, который использует больше данных, чем традиционные методы. Я бы сказал, да, абсолютно. Я имею в виду, мы обсуждали в этом шоу много раз тот факт, что наивное прогнозирование временных рядов дает вам кучу мусора. Самое простое объяснение заключается в том, что если вы смотрите только на свои исторические продажи, вы не учитываете дефицит товара. Например, если вы не наблюдали никаких продаж из-за дефицита товара, вы не хотите прогнозировать ноль, потому что вы наблюдали ноль. Ваши исторические продажи не являются историческим спросом. Так что да, вам нужно включить больше данных поверх этого, абсолютно, и это может привести к очень существенным улучшениям.
Киран Чандлер: Итак, то, что вы хотите сказать, это то, что использование этой информации в реальном времени вполне избыточно в сценарии цепочки поставок, потому что, на самом деле, вам не нужно такого уровня информации так быстро. Какой уровень детализации вам действительно нужен?
Жоанн Верморель: Но, опять же, если вы управляете выбором роботов в реальном времени на складе, то 100 миллисекунд может быть слишком медленно. Так что это действительно зависит от типа проблемы. Но люди, которые поддерживают концепцию предсказания спроса, не обсуждают случай использования управления в реальном времени супербыстрыми роботами на автоматизированных складах. Это не
Киран Чандлер: То, что они показывают в своих демонстрациях, очень похоже на старый способ планирования цепочки поставок, где вы начинаете смотреть на свои продажи, ваш спрос за период от трех недель до девяти месяцев или даже года вперед. И вот где я действительно оспариваю факт, что наличие реального времени для такой ситуации будет иметь какое-либо значение. Вот что я действительно оспариваю. Так кому это действительно приносит пользу? Вы бы сказали, что это просто маркетинговый трюк для продажи других программных продуктов?
Жоанн Верморель: Это случай, когда я думал о термине “бесполезный”, где вы знаете, что программное обеспечение, о котором вам не нужно заботиться, бесполезно. Это буквально маркетинговый трюк для поставщиков, которым не хватает новых идей, технологий и, вероятно, экспертизы. Ну, они просто решают выбрать путь маркетингового трюка, потому что нет никакого содержания. И я знаю, что это относительно резко, но честно говоря, я не вижу никакого лучшего объяснения, потому что проблемы, с которыми мы сталкиваемся, настолько сложны. Есть так много аспектов, которые можно обсудить и улучшить, что нам не нужно изобретать свои собственные модные слова. Есть так много аспектов, которые нужно уточнить, чтобы представить что-то новое. Если вам приходится прибегать к полностью выдуманному модному слову, которое оказывается всего лишь поверхностным маркетинговым трюком, это не ставит команды этих компаний в хороший свет. Я имею в виду, это показывает определенное равнодушие к проблемам, с которыми сталкиваются клиенты, и также показывает некоторую степень высокомерия в том смысле, что они думают, что клиент - просто идиот и что вы можете буквально что угодно им продать. В какой-то момент это своего рода оскорбление интеллекта того, кому вы продаете.
Киран Чандлер: Как же мы можем их отличить? Потому что существует так много таких модных слов, есть так много разных исследований, которые нам нужно провести. Как можно отличить, что это действительно хорошее модное слово, а что нет?
Жоанн Верморель: Во-первых, я бы сказал, что один из способов - это широко взглянуть на тех, кто говорит об этом модном слове. Это просто ваш поставщик или есть много людей из разных областей, людей, у которых нет сходных интересов, людей, у которых нет причин копировать друг друга? Вещь в том, что предсказание спроса в основном было предложено одним поставщиком, и другие поставщики просто скопировали поверхностный маркетинговый трюк. Так что вы начинаете с чего-то, что является всего лишь маркетинговым трюком, и в итоге он был скопирован другими участниками с точки зрения маркетинга. Здесь нет содержания, поэтому его относительно легко скопировать. Когда у вас есть реальная технология, ее сложнее скопировать. Если единственное, что вам нужно скопировать, это красивый веб-сайт, это гораздо проще. Но я отвлекся.
Чтобы найти хорошие модные слова, обратите внимание на разных людей, говорящих о них. Например, то, о чем мы обсуждаем в Lokad, это вероятностное прогнозирование. Если вы ищете онлайн тех, кто обсуждает вероятностное прогнозирование, вы обнаружите, что есть множество других сообществ, например, люди, изучающие климат, активно использующие вероятностные модели. Когда вы думаете о климате, передовые исследования явно основаны на вероятностных моделях. Это никак не связано с цепями поставок напрямую, но это все равно доказывает, что концепции привлекательны и полезны для различных групп. Я считаю, что это очень важный сигнал.
Другим показателем является обращение к авторитету. Когда люди просто настойчиво выступают за что-то вроде предсказания спроса как огромного нового способа прогнозирования и делают смелые заявления, но вместо того, чтобы подробно описывать алгоритм и математику того, как они это делают, они представляют имя, звание и родословную.
Киран Чандлер: Из всех ужасных вещей, которые они все делают, у них есть доктор X PhD, почему они это делают с 20-летним опытом здесь и там, и вот это вот, когда вы представляете резюме людей спереди, это буквально обращение к авторитету. Так что это обычно означает, что ваши идеи лишены содержания. В противном случае вам не нужно указывать свое резюме в научных статьях, у вас просто есть имя исследователей и учреждение, а не резюме. Хорошо, если предсказание спроса является примером, возможно, некоторого маркетингового трюка, есть ли много других примеров в отрасли цепей поставок таких трюков, которые исторически были популярны?
Жоанн Верморель: Да, не только в цепях поставок. Я думаю, что это один из типичных случаев рынков, которые контролируются крупными предприятиями-поставщиками, которые много играют в такие игры, но это не единственная область. Было довольно много пустых модных слов. Например, 10 лет назад IBM сделала большую ставку на свои автономные вычисления, которые оказались ничем. Было много людей, которые начали выдвигать такие вещи, как до того, как люди сходили с ума по науке о данных, они сходили с ума по добыче данных. Это было большое событие 20 лет назад. Была идея извлечения данных. Я даже не уверен, помнят ли люди, что это должно было быть. Так что было долгое время пустых модных слов, и даже их трудно запомнить, потому что, собственно, в них очень мало содержания.
Подготовка этой серии о предсказании спроса была довольно сложной для меня, потому что я читал десятки страниц об этом и тратил полчаса, пытаясь суммировать то, что я узнал. И я обнаружил, что ничего не узнал. Так что даже запомнить такие вещи трудно.
Киран Чандлер: Итак, каков обычный исход? Просто ли эти модные слова остаются в прошлом, потому что за ними нет содержания, и отрасль переходит к следующему?
Жоанн Верморель: Да, это мое личное мнение. Я называю это законом сохранения шумихи. В физике у нас есть закон сохранения массы, и что касается маркетинга предприятий-поставщиков, есть этот закон сохранения шумихи. Существует общая масса шумихи, и если у вас есть модное слово, которое входит в эту кучу, что-то другое выходит из этой кучи. Вы можете эмпирически проверить мой закон сохранения шумихи, посмотрев на Google Trends, этот инструмент, предоставляемый Google. Если вы возьмете множество модных слов, таких как искусственный интеллект, облачные вычисления, большие данные, машинное обучение и так далее, вы увидите, что со временем это своего рода постоянная величина, даже если каждое модное слово имеет пик и затухает. Так что, очевидно, есть эти закономерности.
Киран Чандлер: Хорошо, давайте немного подведем итоги. Что должны искать практики в сфере цепей поставок, ища следующее большое модное слово в будущем?
Жоанн Верморель: Я думаю, что они должны искать то, что фундаментально решает что-то очень важное с пониманием, которое, глядя назад, является совершенно очевидным. Удивительное в науке заключается в том, что когда у вас есть вещи, которые являются глубоко истинными и эффективными, вы смотрите на них вспять и задаетесь вопросом, как вы могли быть такими невежественными раньше. Например, в цепях поставок, прежде чем мы начали понимать, что, когда мы хотели смотреть на спрос, мы должны смотреть на спрос с определенной целью, например, поддержкой. Это было рождение квантильных прогнозов. Это была идея рисков.
Кирен Чандлер: Очевидно, что оптимизация запасов и снижение затрат являются важными при вращении инвентаря. Это настолько важно, что вы не можете даже забыть об этом. Когда вы понимаете основную концепцию, она становится очень важной. Я бы сказал, что когда вы видите ключевое слово и оно вам понятно, это обычно означает, что вы поняли что-то очень фундаментальное. Это нечто невероятно сложное. В основе массовых инноваций обычно лежит что-то фундаментально простое.
Жоанн Верморель: Если я расскажу вам о облачных вычислениях, вы можете подумать, что это очень сложно. Но на самом деле, если я скажу вам, что это просто аппаратные ресурсы по требованию, и под “по требованию” я имею в виду, что вы можете просто сказать: “Дайте мне вычислительную машину в следующую минуту”, и вот она у вас. У вас есть поставщики масштабных решений, которые могут продать вам вычислительную мощность по требованию. Когда вы это понимаете, вы начинаете понимать многое о облачных вычислениях.
Кирен Чандлер: Таким образом, эти ключевые слова обычно представляют собой основные концепции, а дьявол кроется в деталях. Но ключевое понимание, которое вы не можете осознать за несколько минут, может быть не так ценно. Это должно действительно поразить вас как надежное дополнительное понимание для вашего бизнеса, которым вы можете воспользоваться. Возможно, для использования этого дополнительного понимания вам понадобятся дополнительные инструменты. Но если нет основного понимания, то, скорее всего, то, что вы видите, не имеет никакого содержания и является просто пустым набором.
Жоанн Верморель: Верно.
Кирен Чандлер: Отлично, мы должны закончить на этом. Спасибо за ваше время. Это все на сегодня. Если вы согласны или не согласны, обязательно оставьте нам комментарий ниже, и это все на этой неделе. Увидимся в следующий раз.
