00:00:07 Введение и определение сенсинга спроса.
00:01:02 Joannes критикует сенсинг спроса как расплывчатую концепцию.
00:02:45 Вопросы о новизне методов сенсинга спроса.
00:05:01 Критика влияния данных в режиме реального времени на прогнозирование цепочки поставок.
00:07:49 Аргумент о том, что необходимо больше данных и нетрадиционных методов.
00:08:37 Различия вариантов использования между приложениями в реальном времени и не в реальном времени.
00:09:47 Маркетинговые уловки в индустрии программного обеспечения и их влияние.
00:11:25 Различение хороших модных слов и поверхностных модных слов.
00:14:24 Примеры других маркетинговых ходов в индустрии цепочек поставок.
00:16:02 Сложность запоминания модных слов и их отсутствие глубокого содержания.
00:16:33 Закон сохранения ажиотажа и проверка через Google Trends.
00:17:47 Определение ценных модных слов с фундаментальными идеями.
00:18:26 Пример квантильного прогноза и важность понимания основ.
00:19:21 Облачные вычисления и их простая суть.

Резюме

В интервью Киран Чендлер и Joannes Vermorel обсуждают сенсинг спроса, метод прогнозирования, который сочетает данные в реальном времени и продвинутые математические методы. Vermorel выражает скептицизм относительно эффективности сенсинга спроса из-за его расплывчатой концептуальной основы и отсутствия новых, подтвержденных исследованиями материалов. Он советует специалистам по цепочкам поставок остерегаться маркетинговых уловок и сосредоточиться на концепциях, решающих фундаментальные проблемы с поразительно очевидными идеями. Vermorel подчеркивает важность понимания сути модных слов и поиска инноваций, которые обеспечивают твердое понимание и способствуют значительным улучшениям в оптимизации цепочек поставок.

Расширенное резюме

В этом интервью Киран Чендлер обсуждает сенсинг спроса с Joannes Vermorel, основателем компании Lokad, специализирующейся на оптимизации цепочек поставок. Сенсинг спроса — это метод прогнозирования, который объединяет продвинутые математические методы с информацией в реальном времени. Разговор сосредоточен на оценке эффективности сенсинга спроса и том, как различать ценные концепции и маркетинговые уловки.

Vermorel начинает с признания, что оценить сенсинг спроса сложно из-за расплывчатости документов, которые он изучал по этой теме. Он считает, что сенсинг спроса — это не vaporware, так как программное обеспечение существует, а скорее mootware — нечто, что не выполняет своих обещаний и в конечном итоге не имеет значения. Он объясняет это тем, что концепция больше похожа на маркетинговую уловку, а не на содержательную идею.

Ключевые рекламируемые характеристики сенсинга спроса включают использование данных в режиме реального времени, привлечение данных, выходящих за рамки традиционных основных показателей (таких как прошлые движения запасов и спрос на продажи), а также применение машинного обучения для достижения большей точности. Vermorel признает, что отдельные концепции кажутся разумными, но он ставит под сомнение новизну и глубину общего подхода.

Для оценки сенсинга спроса Vermorel рассматривает основное утверждение его сторонников — что он способен генерировать более точные прогнозы. Он указывает, что статистическое прогнозирование — это хорошо налаженная область исследований с множеством онлайн-соревнований и активным сообществом, постоянно бросающим вызов и развивающим её. Многие организации, включая престижные исследовательские институты и крупные компании-разработчики, публикуют статьи о машинном и статистическом обучении, в том числе о прогнозировании будущего спроса.

Однако Vermorel не видел значимых новых исследований о сенсинге спроса, опубликованных в авторитетных журналах или на конференциях, что вызывает сомнения в легитимности концепции. Несмотря на обилие статей и материалов по теме в интернете, отсутствие конкретных, рецензируемых исследований и вклада широкого сообщества машинного обучения и прогнозирования ставит под сомнение истинную ценность сенсинга спроса.

Vermorel выражает скептицизм относительно эффективности сенсинга спроса как метода прогнозирования из-за его расплывчатой концептуальной основы и отсутствия новых, рецензируемых исследований по этой теме. Он предполагает, что это может быть больше маркетинговой уловкой, чем по-настоящему инновационным подходом к оптимизации цепочек поставок.

Разговор вращается вокруг концепции данных в режиме реального времени, их значимости для прогнозирования цепочек поставок и маркетинговых уловок, связанных с этой темой.

Vermorel объясняет, что данные в режиме реального времени, то есть данные с задержкой, незаметной для человека (около 100 миллисекунд), становятся популярными благодаря своей привлекательности. Однако он сомневается, что наличие таких данных значительно улучшает точность прогнозирования. Он приводит пример типичной демонстрации программного обеспечения, где для продукта с трехлетней историей делается прогноз на шесть месяцев вперед. Vermorel утверждает, что данные, полученные 100 миллисекунд назад, в отличие от данных 24 часа назад, в данном контексте почти не влияют.

Другим аргументом, часто приводимым сторонниками данных в реальном времени, является использование более совершенных методов машинного обучения. Vermorel остается скептичным, сравнивая это с заявлением автопроизводителя о том, что его машины лучше благодаря более совершенной физике. Однако он соглашается с тем, что привлечение большего объема данных, чем при традиционном прогнозировании на основе временных рядов, может привести к значительным улучшениям.

Vermorel утверждает, что информация в режиме реального времени в сценариях цепочек поставок зачастую является избыточной, поскольку уровень детализации, который она предоставляет, не нужен для большинства случаев. Однако он отмечает, что данные в реальном времени могут быть полезны для управления быстрыми роботами в автоматизированных складах. Он ставит под сомнение идею, что данные в режиме реального времени могут существенно повлиять на планирование цепочек поставок, где прогнозирование обычно охватывает период от трех недель до года вперед.

По словам Vermorel, продвижение данных в режиме реального времени в прогнозировании цепочек поставок часто является маркетинговой уловкой, используемой поставщиками программного обеспечения, которым не хватает новых идей, экспертизы или технологий. Он предполагает, что этот подход отражает определенное безразличие к проблемам клиентов и высокомерное предположение, что клиентов можно легко обмануть. Чтобы отличить ценные концепции от пустых модных слов, он советует обратить внимание на то, обсуждают ли концепцию представители различных сфер. Если её продвигают только поставщики, скорее всего, это маркетинговая уловка.

В качестве положительного примера Vermorel приводит вероятностное прогнозирование, которое обсуждается многочисленными сообществами, в том числе теми, кто изучает климат. Передовые исследования климата основаны на вероятностных моделях, что указывает на то, что этот подход имеет реальную основу, в отличие от маркетингово продвигаемой концепции данных в режиме реального времени в прогнозировании цепочек поставок.

Vermorel начинает с объяснения понятия апелляции к авторитету, которое он считает сильным индикатором модного слова. Он приводит пример сенсинга спроса, где сторонники приводят имена и должности экспертов, вместо того чтобы подробно описывать алгоритм или математику, лежащие в его основе.

Когда его спрашивают о других примерах уловок в индустрии цепочек поставок, Vermorel отмечает, что таких всегда было много. Он приводит в пример продвижение IBM автономных вычислений десять лет назад, которое оказалось несущественным, и популярность data mining двадцать лет назад, которая затем угасла. Vermorel считает, что эти модные слова часто отпадают на второй план из-за отсутствия глубины, и ссылается на свой “закон сохранения ажиотажа”, который он объясняет как постоянную суммарную массу ажиотажа, изменяющуюся лишь при появлении нового модного слова на рынке.

Vermorel предлагает специалистам по цепочкам поставок обращать внимание на модные слова, которые, по всей видимости, решают фундаментальную проблему с поразительно очевидным подходом. Он приводит пример квантильных прогнозов, которые фокусируются на рисках, сосредоточенных на крайних значениях, а не в среднем. Vermorel считает, что такие простые и фундаментальные идеи, однажды понятые, трудно отвыкнуть, и они могут привести к значительным инновациям.

Он продолжает, отмечая, что практикам следует быть осторожными с модными словами, которые не дают четкого и лаконичного понимания базовых концепций. Например, облачные вычисления могут казаться сложными, но их суть заключается в доступности аппаратных ресурсов по запросу. Vermorel советует, что если модное слово не способно дать твердое понимание за несколько минут, оно, вероятно, не обладает глубиной и должно быть отброшено.

Vermorel подчеркивает важность осознания и понимания сути, лежащей в основе модных слов в индустрии цепочек поставок. Он призывает специалистов сосредоточиться на фундаментальных идеях, которые могут обеспечить твердое понимание и способствовать значимым инновациям в их бизнесе.

Полный транскрипт

Kieran Chandler: Сегодня мы обсудим, насколько эффективно это модное слово на практике, а также можно ли отличить хорошее модное слово от маркетинговой болтовни. Итак, Joannes, сенсинг спроса — каково ваше первоначальное впечатление от такой концепции?

Joannes Vermorel: На самом деле, это сложный вопрос, так как я изучил множество документов о сенсинге спроса, и самое главное, что я могу сказать об этих документах, это то, что они чрезвычайно расплывчаты. Поэтому очень трудно приписать какой-либо конкретный набор качеств или недостатков концепции, которая настолько расплывчата. Но, по сути, я бы сказал, что сенсинг спроса для меня является наглядной иллюстрацией того, что можно назвать не vaporware, ведь программное обеспечение существует и должно обеспечивать сенсинг спроса для оптимизации вашей цепочки поставок. То есть это не vaporware, а, я бы сказал, mootware — нечто, что на самом деле не имеет значения, потому что не выполняет своих обещаний.

Kieran Chandler: Вы сказали, что идеи, лежащие в основе, немного расплывчаты, так в чем же базовая концепция?

Joannes Vermorel: Рекламируемые концепции, и я повторяю — рекламируемые, потому что это больше похоже на маркетинговую уловку, чем на нечто глубокое, включают использование данных в режиме реального времени, данных, выходящих за рамки традиционных основных данных, таких как прошлые перемещения запасов или предыдущий спрос на продажи, а также применение машинного обучения, которое в данном контексте достаточно неопределено, для реализации новых подходов с целью повышения точности.

Kieran Chandler: Таким образом, один из признаков того, что это маркетинговая уловка, заключается в том, что все эти концепции сами по себе кажутся состоятельными. В чем же проблема?

Joannes Vermorel: Вопрос в том, насколько глубока новизна. Давайте начнем с рассмотрения основного утверждения поставщиков, продвигающих технологии сенсинга спроса. Основное утверждение заключается в том, что они могут получить более точные прогнозы. Это вполне разумное утверждение: вы говорите, что у меня есть новая методика, способная производить более точные статистические прогнозы. Однако оказывается, что цепочка поставок не существует в вакууме. Существует целая область исследований статистического прогнозирования, с множеством онлайн-соревнований, где люди испытывают модели и конкурируют. Широкая область машинного и статистического обучения очень динамична, вызовы и публичные результаты публикуются на конференциях, в журналах и в статьях из различных источников, включая частные лаборатории, такие как крупные софтверные компании. Иными словами, хотя существует масса достижений в машинном обучении для конкретных задач, таких как прогнозирование будущего спроса, я не видел ничего, что можно было бы квалифицировать как действительно новые публикации в журналах или на высокоуровневых конференциях по ключевым словам вроде сенсинга спроса.

Kieran Chandler: Давайте поговорим о самом содержании. В интернете много материалов по теме сенсинга спроса, множество статей и прочего, что кажется достаточно легитимным. Так как же это понять? В чем же проблема, если мы немного проанализируем представляемое? Итак, сначала речь идет об идее использования данных в режиме реального времени. Почему бы и нет? Однако давайте уточним, что мы подразумеваем под данными в режиме реального времени, ведь это звучит модно. По моему мнению, данные в режиме реального времени — это, по сути, когда задержка опускается ниже уровня восприятия человеком. Если говорить упрощенно, это около 100 миллисекунд. Именно тогда это становится очень близко к тому, что люди называют данными в реальном времени.

Joannes Vermorel: Хорошо, давайте обсудим в контексте цепочки поставок ситуацию, когда у вас есть доступ к данным или целый конвейер данных, способный обработать их менее чем за 100 миллисекунд, чтобы говорить о режиме реального времени. Есть ли шанс, что благодаря этому можно добиться улучшения точности прогнозов на уровне порядка 50%? И здесь я крайне скептически настроен. Особенно когда люди начинают демонстрировать программное обеспечение, выполняющее сенсинг спроса и прогнозирование. На демонстрации они смотрят на продукт с трехлетней историей и делают прогноз на шесть месяцев вперед.

Таким образом, если вы прогнозируете спрос на шесть месяцев вперед, то факт наличия данных, обновленных за последние 100 миллисекунд или за последние 24 часа, то есть данные, отстающие всего на один день, откровенно говоря, не окажет значительного влияния. Я даже сомневаюсь, что данные двух дней давности вместо одних дадут хоть 1% разницы при прогнозировании на шесть месяцев вперед. Вот почему я считаю, что аргумент о данных в режиме реального времени выглядит для меня чрезвычайно поверхностным.

Итак, давайте взглянем на другую часть аргументации: они утверждают, что обладают превосходными методами машинного обучения. Но превосходные методы машинного обучения – а машинное обучение – это суперширокая область – это было бы как если бы производитель автомобилей сказал: “О, у нас лучший автомобиль, потому что у нас лучшая физика.” Наличие лучшей физики помогает, но это смелое утверждение. Вам нужен прорыв на уровне физических законов. Поэтому я скептически отношусь к такого рода заявлениям.

По сути, если опираться на другую группу аргументов, они говорят, что вам нужен прогноз, использующий больше данных, чем традиционные методы. Я бы сказал, да, абсолютно. Мы много раз обсуждали в этом шоу факт того, что наивное прогнозирование временных рядов выдаёт кучу мусора. Самое простое объяснение заключается в том, что если вы смотрите только на свои исторические продажи, вы не учитываете дефицит товаров. Например, если вы не наблюдали продаж из-за дефицита, вы не хотите прогнозировать ноль просто потому, что наблюдали ноль. Ваши исторические продажи – это не исторический спрос. Так что да, вам нужно включать больше данных, и это, безусловно, может привести к очень существенным улучшениям.

Kieran Chandler: Итак, вы вроде как говорите, что использование информации в реальном времени – это избыточно в сценарии цепочки поставок, потому что, по сути, вам не нужна такая оперативность данных. Какую степень детализации нам на самом деле требуется?

Joannes Vermorel: Но, опять же, если вы управляете роботами-сборщиками в режиме реального времени на складе, то 100 миллисекунд могут оказаться слишком медленными. Всё зависит от типа задачи. Однако люди, продвигающие demand sensing, не обсуждают сценарий управления сверхбыстрыми роботами в автоматизированных складах. Это не

Kieran Chandler: То, что они показывают на своих демо, выглядит очень похоже на старый метод планирования цепочки поставок, когда вы начинаете анализировать свои продажи, свой спрос за период от трёх недель до девяти месяцев или даже на год вперёд. И именно здесь я ставлю под сомнение, что данные в реальном времени для такой ситуации могут что-либо изменить. Вот в этом я и сомневаюсь. Так кому же это действительно приносит пользу? Можете ли вы сказать, что это чисто маркетинговый трюк для продажи других программных продуктов?

Joannes Vermorel: Это тот случай, когда я задумывался о значении термина “moot”, когда программное обеспечение, о котором не стоит заботиться, является moot. Это буквально маркетинговый трюк для вендоров, которым не хватает новых идей, технологий и, вероятно, экспертизы. Они просто решают идти по пути маркетингового трюка, потому что в нём отсутствует любая суть. И я знаю, что это довольно жестко, но, честно говоря, я не вижу лучшего объяснения, поскольку проблемы, с которыми мы сталкиваемся, настолько сложны. Есть так много сторон, которые можно обсуждать и улучшать, что нам не нужно изобретать свои собственные модные слова. Слишком много аспектов требует доработки для представления чего-то нового. Если вам приходится прибегать к полностью выдуманному модному слову, которое оказывается поверхностным маркетинговым трюком, это не выставляет команды этих компаний в хорошем свете. То есть, это демонстрирует определённое безразличие к проблемам клиентов, а также некоторую степень высокомерия в том, что они считают клиента просто идиотом и что ему можно буквально навязать что угодно. В какой-то момент это становится оскорблением интеллекта того, кому вы продаёте.

Kieran Chandler: Итак, как же мы можем их различить? Ведь существует так много этих модных слов, и нужно провести столько исследований. Как можно отличить, что на самом деле является хорошим модным словом, а что нет?

Joannes Vermorel: Во-первых, я бы сказал, один из способов — это широко посмотреть, кто говорит об этом модном слове. Это только ваш вендор или множество людей из разных областей, у которых нет схожих интересов, у которых нет причин копировать друг друга? Дело в том, что с demand sensing, по сути, один вендор продвигал это, а остальные просто скопировали поверхностный маркетинговый трюк. Вы начинаете с чего-то, что является чистым маркетинговым трюком, и потом это воспроизводится маркетингово другими участниками. В этом нет никакой сути, поэтому это относительно легко воспроизвести. Когда у вас есть настоящая технология, её сложнее скопировать. Если всё, что остается, — это шикарный сайт, то это намного проще. Но я отвлекаюсь.

Чтобы определить хорошие модные слова, ищите, чтобы о них говорили разные люди. Например, мы в Lokad широко обсуждаем вероятностное прогнозирование. Если вы посмотрите в интернете, кто обсуждает вероятностное прогнозирование, вы обнаружите, что существует масса других сообществ, например, люди, изучающие климат, которые активно используют вероятностные модели. Когда вы думаете о климате, передовые исследования явно опираются на вероятностные модели. Это напрямую не связано с цепочкой поставок, но тем не менее, это доказывает, что концепции привлекательны и полезны для разнообразных групп. Это, я думаю, очень важный сигнал.

Другим показателем является обращение к авторитету. Когда люди просто продвигают что-то вроде demand sensing как потрясающе новый способ прогнозирования и делают смелые заявления, но вместо того чтобы подробно описывать алгоритм и математику их работы, они приводят имя, должность и послужной список.

Kieran Chandler: Из всех отвратительных вещей, они все имеют “Dr. X, PhD, с 20-летним опытом” и так далее, и когда вы выставляете резюме людей напоказ, это буквально обращение к авторитету. Это обычно означает, что ваши идеи лишены сути. В противном случае вам не нужно размещать резюме в научных статьях, достаточно просто указать имя исследователей и учреждение, а не их резюме. Ладно, если demand sensing — это пример немного маркетингового трюка, были ли ещё подобные примеры в индустрии цепочек поставок в прошлом?

Joannes Vermorel: Да, я имею в виду, не только в цепочках поставок. Я думаю, это один из типичных случаев рынков, где доминируют крупные корпоративные вендоры, активно играющие в эти игры, но это не единственная сфера. Поверхностных модных слов было много. Например, IBM 10 лет назад сделала большую ставку на своё автономное вычисление, которое оказалось кучей ничего. Много людей начали продвигать такие вещи, как то, что до того, как люди увлеклись data science, они были без ума от data mining. Это было модно 20 лет назад. Существовала идея извлечения “золотых крупиц” данных. Я даже не уверен, помнят ли люди, что это вообще значило. Так что существовала длинная серия поверхностных модных слов, и их даже трудно вспомнить, потому что в них действительно очень мало сути.

Подготовить этот эпизод о demand sensing было для меня довольно сложно, ведь я читал десятки страниц об этом и тратил полчаса, пытаясь подытожить то, что узнал. В итоге я понял, что на самом деле ничего не усвоил. Так что запомнить такие вещи — настоящее испытание.

Kieran Chandler: Итак, каков обычно итог? Просто ли эти модные слова отпадают, потому что за ними нет сути, и индустрия переходит к следующему?

Joannes Vermorel: Да, это моё личное убеждение. Я называю это законом сохранения шума. В физике у нас есть закон сохранения массы, и если говорить о маркетинге корпоративных вендоров, то существует закон сохранения шума. Существует общая масса шума, и если какое-то модное слово входит в кучу, что-то другое из неё выходит. Вы можете эмпирически проверить мой закон сохранения шума, взглянув на Google Trends, этот инструмент от Google. Если взять множество модных слов, таких как AI, облачные вычисления, большие данные, машинное обучение и так далее, вы увидите, что со временем общая масса остается примерно постоянной, даже если каждое модное слово переживает всплеск, а затем затухает. Так что, очевидно, существуют определённые закономерности.

Kieran Chandler: Хорошо, давайте немного подведём итоги. Для специалистов по цепочкам поставок, ищущих следующий большой модный тренд в будущем, на что им следует обращать внимание?

Joannes Vermorel: Я думаю, им следует искать то, что в корне решает что-то действительно существенное с таким инсайтом, что, оглядываясь назад, кажется абсолютно очевидным. Удивительно, что когда у вас есть нечто глубоко истинное и эффективное, вы потом оглядываетесь и задаётесь вопросом, как вы могли раньше быть такими невежественными. Например, в цепочке поставок, до того как мы начали понимать, что когда мы рассматриваем спрос, мы должны смотреть на него с определённой целью, например, для поддержки. Это стало рождением квантильных прогнозов. Это была идея, что риски

Kieran Chandler: Очевидно, что оптимизация запасов и снижение затрат являются важными, когда инвентарь вращается. Это настолько важно, что от него невозможно отучиться. Как только вы усваиваете основную концепцию, она становится жизненно важной. Я бы сказал, что когда вы видите ключевое слово и что-то внутри вас зажимается, это обычно потому, что вы поняли что-то действительно фундаментальное. Это не что-то невероятно сложное. В основе масштабных инноваций обычно лежит нечто принципиально простое.

Joannes Vermorel: Если я скажу вам об облачных вычислениях, вы можете подумать, что это суперсложно. Но потом, если я скажу, что это просто аппаратные ресурсы по запросу, и под “по запросу” я подразумеваю: “Дайте мне вычислительную машину в течение следующей минуты”, – и вот она у вас. Крупномасштабные вендоры могут продать вам вычислительную мощность по запросу. Как только вы это поймёте, вы начинаете понимать многое об облачных вычислениях.

Kieran Chandler: Таким образом, эти ключевые слова обычно представляют собой основные концепции, а дьявол кроется в деталях. Но главное понимание, если вы не можете схватить его за несколько минут, может оказаться не таким ценным. Оно должно действительно давать вам прочное дополнительное понимание для вашего бизнеса, которым вы сможете воспользоваться. Возможно, чтобы использовать это понимание, вам понадобятся дополнительные инструменты. Но если отсутствует базовое понимание, тогда, скорее всего, то, на что вы смотрите, не имеет никакой сути и является просто кучей ничего.

Joannes Vermorel: Это правильно.

Kieran Chandler: Отлично, на этом придём к концу. Спасибо за ваше время. Это всё на сегодня. Если вы согласны или не согласны, обязательно оставьте нам комментарий ниже, и на этой неделе это всё. До встречи в следующий раз.