Закон малых чисел в цепи поставок

00:00:07 Введение и важность малых чисел в производительности цепи поставок.
00:01:00 Как малые числа влияют на производительность и стоимость вычислений.
00:03:33 История и эволюция численной точности в финансовых и системах цепей поставок.
00:06:00 Влияние размера данных на вычислительную производительность и узкие места.
00:07:44 Достижение значительного ускорения вычислений путем уменьшения размера данных.
00:08:47 Важность обращения внимания на технологический стек и инструменты в оптимизации цепи поставок.
00:10:17 Балансировка стоимости вычислений и более мощных математических моделей для лучших результатов в цепи поставок.
00:12:50 Анализ исторических данных и использование программного обеспечения для прогнозирования цепи поставок для принятия лучших решений.
00:15:04 Влияние агрегации данных на воспринимаемый прирост производительности и потерю детализации.
00:16:00 Проблемы консолидации решений в цепи поставок.
00:17:33 Переосмысление основных статистических предположений и механического сочувствия.
00:20:01 Важность механического сочувствия в управлении цепями поставок.
00:20:58 Переход от закона малых чисел к перспективе больших данных.
00:23:20 Заключение: в некоторых ситуациях меньше данных может означать больше.

Резюме

Joannes Vermorel, основатель компании по оптимизации цепей поставок Lokad, обсуждает закон малых чисел и его влияние на производительность цепи поставок с Киреном Чандлером. Верморель подчеркивает значение малых чисел в данных цепи поставок и важность выбора правильных чисел для оптимизации скорости вычислений и производительности. В интервью подчеркивается необходимость большего сочувствия к дизайну для достижения улучшения производительности, компромисс между вычислительной эффективностью и изучением всех возможных будущих сценариев и решений, а также сложность использования статистических моделей в сложных розничных средах. В интервью подчеркивается важность балансировки вычислительных ресурсов и сложных моделей для оптимизации производительности цепи поставок.

Расширенное резюме

В этом интервью Кирен Чандлер беседует с Жоаннесом Верморелем, основателем компании Lokad, специализирующейся на оптимизации цепей поставок. Они обсуждают закон малых чисел и его потенциал для улучшения производительности цепи поставок, значение малых чисел в данных цепи поставок и влияние выбора правильных чисел на скорость вычислений и производительность.

Верморель объясняет, что малые числа, в частности однозначные числа, являются неотъемлемой частью цепей поставок. В то время как штрих-коды могут содержать много цифр, они служат идентификаторами, а не количествами. Количество в цепях поставок обычно связано с очень малыми числами, что удивительно, потому что большинство статистических данных ориентированы на законы больших чисел. Это наблюдение важно, потому что оно подчеркивает необходимость большего сочувствия к дизайну для достижения улучшения производительности, особенно в условиях замедления темпов роста вычислительной мощности.

Затем интервью переходит к влиянию малых чисел на вычисления. Верморель утверждает, что хотя компьютеры могут обрабатывать любые числа, они могут выполнять вычисления намного быстрее, если выбраны правильные числа. Например, компьютеры могут быть в 10-20 раз быстрее в выполнении рутинных операций с числами, если выбраны правильные числа. Это может существенно повлиять на общую производительность системы оптимизации цепи поставок.

Кирен просит Вермореля объяснить разницу в передаче чисел между системами и физической реальностью вычислительного оборудования. Верморель подчеркивает, что стоимость обработки и анализа данных имеет важное значение для оптимизации цепи поставок. Стоимость компьютеров в терминах вычислительной мощности снизилась, что позволяет использовать более мощные алгоритмы для улучшения точности прогнозирования и производительности цепи поставок. Однако баланс между стоимостью вычислений и производительностью цепи поставок является решающим фактором.

Верморель утверждает, что если существенно снизить стоимость вычислений, это не означает, что стоимость компьютеров исчезнет. Вместо этого компании будут использовать свои новые ресурсы для разработки более сложных моделей, что в конечном итоге увеличит стоимость вычислений. Поэтому необходимо обратить внимание на влияние малых чисел на стоимость вычислений для оптимизации производительности цепи поставок.

Обсуждение началось с происхождения потребностей в арифметических расчетах в корпоративных системах, которые в основном возникли в мире финансов. Первоначально корпоративные системы были разработаны с учетом финансовых расчетов, и это история оказывает влияние на то, как используются и понимаются малые числа в контексте оптимизации цепи поставок.

Закон малых чисел имеет потенциал значительно улучшить производительность цепи поставок, если компании смогут успешно использовать правильные числа в своих вычислительных системах. Обращая внимание на баланс между стоимостью вычислений и производительностью цепи поставок, компании могут разрабатывать более сложные модели и достигать больших результатов в оптимизации.

Верморель объясняет, как практики управления цепями поставок, заимствованные из финансовой и бухгалтерской отраслей в 70-х и 80-х годах, привели к использованию высокой числовой точности в системах управления цепями поставок. Необходимость высокой точности в финансах и бухгалтерии возникла из серии мошенничеств в начале 80-х годов, когда ошибки округления использовались для вывода миллионов долларов.

Однако высокая точность, используемая в финансах, не всегда необходима в управлении цепями поставок. Верморель отмечает, что в 80% торговых операций количество приобретаемого продукта составляет всего одно. Это означает, что в среднем требуется всего два бита точности для представления количества в магазине. Кирен задает вопрос о значимости размера данных в контексте управления цепями поставок, учитывая доступность накопителей с терабайтами емкости.

Верморель уточняет, что производительность большинства вычислений зависит от размера данных, поскольку узкое место находится в загрузке и выгрузке данных, а не в возможностях процессора. Он подчеркивает, что уменьшение размера данных может привести к значительному и иногда сверхлинейному увеличению вычислительной скорости. Например, когда Lokad смогла уменьшить объем данных в 10 раз, они получили ускорение вычислений в 50 раз.

Задача управления цепями поставок заключается в разграничении данных, требующих высокой точности, и данных, которые могут быть представлены с меньшей точностью. Верморель предлагает, что платформа, подобная Lokad, может справиться с этой задачей, подчеркивая важность внимания к технологическому стеку или инструментам, используемым отделом информационных технологий. Игнорирование оптимизации данных может привести к системам с мощным вычислительным оборудованием, но разочаровывающей производительностью.

Vermorel также обращается к компромиссу между вычислительной эффективностью и целью изучения всех возможных будущих сценариев и решений в оптимизации цепи поставок. Ускорение вычислений позволяет анализировать больше сценариев без значительного увеличения затрат на вычисления.

Они обсуждают оптимизацию цепи поставок и проблемы использования статистических моделей. Он подчеркивает, что использование скользящих средних и других простых моделей недостаточно для сложных розничных сред, таких как гипермаркеты, где требуются более сложные прогностические инструменты для работы с сезонностью, трендами и другими факторами.

Vermorel также подчеркивает проблему “закона малых чисел”, которая возникает при работе с большим количеством товаров с небольшим количеством ежедневных транзакций. Традиционные статистические подходы, основанные на законе больших чисел, часто непригодны в таких ситуациях. Для преодоления этой проблемы многие компании агрегируют свои данные, например, объединяют продажи по неделям или месяцам. Однако такой подход жертвует детализацией и может привести к принятию неправильных решений, поскольку решения в цепи поставок все равно принимаются ежедневно.

В беседе предлагается, что передовое программное обеспечение для цепи поставок, такое как Lokad, может предоставить лучшую поддержку, анализируя исторические данные и учитывая жизненный цикл продукта. Очень важно, чтобы такие инструменты были разработаны с учетом реальности малых чисел, поскольку они часто должны быть актуальными на протяжении значительной части срока службы продукта. В конечном итоге, интервью подчеркивает важность балансировки вычислительных ресурсов и сложного моделирования для оптимизации производительности цепи поставок.

Основатель обсуждает важность вопроса основных предположений и использования соответствующих статистических инструментов в оптимизации цепи поставок. Он подчеркивает, что многие существующие статистические методы ориентированы на большие числа, которые могут быть не подходящими для принятия решений в масштабе малых поставок. Vermorel также предлагает, чтобы практики развивали “механическую симпатию” к своим системам цепи поставок, подобно гонщикам Формулы-1, чтобы максимизировать производительность. Несмотря на увеличение сбора данных, Vermorel утверждает, что соответствующие данные о цепи поставок часто остаются ограниченными, что может вводить в заблуждение при применении подходов больших данных.

Полный текст

Kieran Chandler: Сегодня на Lokad TV мы будем обсуждать закон малых чисел и то, как его можно использовать для улучшения производительности цепи поставок. Итак, Джоаннес, как компания, специализирующаяся на больших данных, наверное, удивительно, что мы сегодня говорим о малых числах. В чем идея?

Joannes Vermorel: Идея заключается в том, что малые числа, а не большие числа, являются всеобщими в цепи поставок. Когда я говорю о малых числах, я конкретно имею в виду все числовые выборы и количества, которые действительно имеют значение. Да, у вас может быть штрих-код с 13 или 14 цифрами, но это скорее идентификатор, а не количество. Поэтому, когда вы смотрите на вещи, которые являются количествами, очень удивительно, что все время речь идет о очень малых числах. Когда я говорю о очень малых числах, я имею в виду очень маленькие числа, например, однозначные, очень маленькие. Это любопытно, потому что большинство статистических методов ориентированы на законы больших чисел. В плане вычислений вы можете подумать, что это не имеет значения, но на самом деле имеет, и довольно сильно.

Kieran Chandler: Можете ли вы объяснить немного подробнее, как это влияет на вычисления?

Joannes Vermorel: Для компьютера число - это число, верно? Это не имеет значения. Однако оказывается, что если вы правильно выбираете свои числа, ваш компьютер может быть не только быстрым в выполнении этих сложений или обычных операций с числами, но и быть чем-то вроде 10-20 раз быстрее. Так что это имеет большое значение в конце концов. Это не просто небольшая разница.

Kieran Chandler: Хорошо, для людей, которые могут не знать, что происходит при отправке информации компьютерами, что вы имеете в виду под отправкой числа? Как это может отличаться от одной системы к другой?

Joannes Vermorel: Здесь мы углубляемся в детали физической реальности вычислительного оборудования, которым мы располагаем. Это важно, потому что, если вы хотите оптимизировать цепочку поставок или количественную оптимизацию цепочки поставок, вам придется выполнять большое количество обработки и анализа данных, что стоит денег. Несмотря на то, что компьютеры стали намного дешевле, чем раньше, всегда существует баланс между стоимостью вычислений и производительностью цепочки поставок, которую вы можете достичь. Если ваша сырая стоимость вычислений снижается значительно, то можно сказать, что стоимость компьютеров исчезнет. Однако это не так, потому что вы будете использовать вновь обнаруженные ресурсы для создания более сложной модели, которая, в свою очередь, дает вам следующий уровень точности прогнозирования или производительности в терминах оптимизации цепочки поставок.

Kieran Chandler: Это может быть лучше и, таким образом, вы знаете, что это приведет к увеличению стоимости вычислений. Теперь вернемся к этим числам и маленьким числам в компьютерах. Особенно в корпоративных системах. Большинство потребности в вашем расчете, арифметическом расчете происходят, я бы сказал, из мира финансов. Первые корпоративные системы были направлены на учет, финансы, цепочку поставок. Это появилось в 70-х годах. Цепочка поставок появилась немного позже, в 80-х годах, и многие практики, которые уже были установлены на тот момент, особенно в отношении высокоточных чисел, были импортированы в цепочку поставок. Итак, почему вам нужна супервысокая числовая точность для денег?

Joannes Vermorel: Оказалось, что в начале 80-х годов было много относительно зрелищных мошенничеств, когда люди просто использовали тот факт, что, округляя центы, можно создать волшебство. Вы можете украсть деньги, если просто округлить несколько центов в каждой транзакции, которую ваша компания совершает. И это совершенно незаметно для системы, потому что оно было округлено, но на самом деле это были реальные деньги. И некоторым людям удавалось буквально извлекать миллионы долларов из системы, просто взяв только доли цента и перенаправив их на свои счета, когда у вас есть миллиарды транзакций. Таким образом, мир финансов и бухгалтерии перешел к очень высокой точности чисел, где эти проблемы не возникают. Проблема заключается в том, что, я бы сказал, и в цепочке поставок тоже, но в результате у вас есть числа, которые по умолчанию имеют супервысокую точность практически во всех системах. И вы должны задать себе вопрос, какое обычное количество будет покупать клиент в магазине? И наш ответ в Lokad, потому что мы наблюдаем данные, состоит в том, что 80% транзакций в магазине - это количество, равное одному для продукта. Таким образом, буквально вопрос состоит в том, у вас есть число, сколько битов точности вам нужно? Ну, ответ заключается в том, что вам нужно примерно два бита точности в среднем, чтобы представить, скажем, число в магазине, когда покупается количество.

Kieran Chandler: Но почему нам действительно важно, сколько битов используется для отправки данных? Ведь, я имею в виду, если мы смотрим на всю цепочку поставок, это действительно имеет такое большое значение?

Joannes Vermorel: В общем, вы бы подумали, что в наши дни вы можете купить жесткие диски, которые имеют терабайты, буквально в ближайших супермаркетах за что-то вроде 200 или что-то в этом роде. Так что вы бы подумали, что это супердешево. Зачем мне вообще об этом беспокоиться? Оказалось, что производительность большинства вычислений буквально зависит от размера данных. Если данные больше, то они будут медленнее. Почему? Потому что узкое место - это не ваш ЦПУ. Это просто загрузка и выгрузка данных. Да, вы можете купить жесткий диск объемом в один терабайт, но если вы действительно попытаетесь заполнить этот жесткий диск данными, это, вероятно, займет у вас один или даже два дня, просто потому что диск медленный. Итак, просто запись данных на диск или чтение диска полностью занимает очень много времени. Так что снова, если вы можете просто уменьшить данные, вы можете буквально ускорить процесс.

Kieran Chandler: Итак, Джоанн, расскажите нам больше о том, как размер данных влияет на скорость расчетов в оптимизации цепочки поставок?

Joannes Vermorel: Значительно влияет на вычисления, и когда я говорю “значительно”, обычно вы получаете даже сверхлинейное ускорение. То есть, если вы разделите размер данных пополам, вы не ускорите вычисления в два раза, вы ускорите их более чем в два раза. Мы видели, что в Lokad есть много ситуаций, когда, если нам удалось уменьшить размер данных в 10 раз, мы получали ускорение в 50 раз. И, снова, если мы вернемся к нашим числам, давайте вернемся, у нас было число двойной точности, так что 64. Кстати, то, что в компьютерной науке называется битом, это просто ноль или единица. Итак, если у вас есть число, представленное 64 битами, по сравнению с числом, представленным только двумя битами, у вас буквально в 32 раза больше. Знаете, одно число буквально занимает в 32 раза больше места. Так что, если вы можете сжать эти числа и превратить эти большие данные в гораздо меньшие данные, вы можете получить гораздо более быструю обработку. И, да, цепочки поставок все еще имеют дело с такими большими финансовыми данными в терминах некоторых операций, которые им приходится выполнять.

Kieran Chandler: Итак, как вы определяете, какие данные должны быть меньшими, а какие - большими?

Joannes Vermorel: В буквальном смысле вы хотите, чтобы ваш специалист по цепям поставок обратил на это внимание. Вам действительно нужна платформа, такая как Lokad, беззастенчивая реклама, которая делает это за вас. Но мое сообщение, мое более широкое сообщение, заключается в том, что кто-то должен обратить на это внимание. Это может быть ваш поставщик, если он очень внимателен к своему технологическому стеку. Это может быть ваш отдел информационных технологий, если они очень внимательны к выбору инструментов. Но в конце концов кто-то должен обратить на это внимание. Если никто не обращает на это внимание, то в итоге вы получаете системы, в которых есть огромное количество вычислительного оборудования, и производительность, как правило, полностью разочаровывает. Где получение результата занимает буквально секунды, и даже кажущиеся полу-тривиальные вычисления занимают довольно долгое время. Идея того, чтобы цепочка поставок рассматривала все возможные будущие события, вероятности, столкнуть это с возможными решениями или эта идея остается далекой мечтой только потому, что система уже настолько медленная, что справиться с одним сценарием. Так что одно возможное будущее, идея о том, чтобы система справлялась с миллионами возможных будущих событий, - это полная безумие.

Kieran Chandler: Но если мы рассматриваем все возможные будущие события, все возможные решения, неужели это не противоречит основной цели - снижению стоимости вычислений? Но если вы рассматриваете все возможные будущие события, это же увеличит стоимость вычислений в разы?

Joannes Vermorel: Да, но это тот компромисс, о котором я говорил. Если вы делаете вычисления намного быстрее, вы не хотите просто иметь супер-дешевый компьютер для запуска всей вашей цепочки поставок. Знаете, если бы мы до сих пор использовали техники, используемые в 80-х годах в области оптимизации цепочки поставок, мы могли бы на смартфоне запустить Walmart. Мы буквально могли бы запустить Walmart на смартфоне. Но это не имеет никакого смысла, но если вы просто хотите доказать, что…

Kieran Chandler: Итак, Джоанн, вы говорили о том, что идея заключается в том, что когда вычисления становятся дешевле, вы принимаете более мощную математическую или статистическую модель, верно?

Joannes Vermorel: Да, верно. Когда вычисления становятся дешевле, вы можете принять более мощную модель, которая дает лучшие результаты в области цепочки поставок за счет большего потребления вычислительных ресурсов. Это компромисс.

Kieran Chandler: И даже если мы рассматриваем все возможные будущие события, все же применяются законы малых чисел, верно?

Joannes Vermorel: Это верно. Даже если мы рассматриваем все возможные будущие события, нам не нужно рассматривать вероятность продажи миллиона бутылок чего-либо в одном магазине в один день, потому что вероятность этого равна нулю. Реальность заключается в том, что даже для флагманского продукта очень редко удается продать более 100 единиц в день, а для подавляющего большинства продуктов вы смотрите на ноль проданных единиц. Это фактически большинство продуктов. Примерно 80% продуктов в гипермаркете не продается ни разу в день, и для 95% продуктов вопрос будет только в том, продавать ли этот продукт ноль, одну, две или три единицы в день. И вероятность того, что вы сможете продать даже 10 единиц, уже крайне мала. Так что все дело в законах малых чисел.

Kieran Chandler: Хорошо, в таком примере гипермаркета они имеют дело с тысячами транзакций в день, и у них огромные запасы товаров. Как вы знаете, где провести границы для каждого отдельного товара?

Joannes Vermorel: Вот здесь вам понадобятся соответствующие инструменты для анализа исторических данных. Ваш анализ будет направлен, потому что, когда вы смотрите на записанные данные, вы знаете, но также хорошее программное обеспечение для управления цепочкой поставок, особенно прогностическое программное обеспечение, такое как Lokad, есть вещи, которые вы знаете заранее. Вы знаете, что это не открытие для вас в гипермаркете в первый раз. И да, у вас много транзакций и много продаваемых товаров, но когда вы смотрите на каждый отдельный товар, у вас не так много транзакций. Я имею в виду, если вы смотрите на то, что продукт будет иметь жизненный цикл на рынке, скажем, три года, а затем будет заменен другим продуктом. Если вы смотрите на то, что продукт даже не продается каждый день, это означает, что, возможно, чтобы достичь точки, где вы продали 100 единиц за всю историю этого продукта, что, возможно, будет самым низким уровнем, который вам нужно учитывать, у вас будет большое количество. Я имею в виду, сказать, что 100 - это большое число, довольно преувеличение, особенно с точки зрения…

Kieran Chandler: Итак, с точки зрения статистики, но вы знаете, что это будет низким барьером для этого. Это может занять даже больше года. То есть, это означает, что если у вас есть статистический инструмент, который разработан вокруг этой идеи, что вы сможете использовать большие числа, может понадобиться больше года, чтобы ваш инструмент стал актуальным. И помните, мы говорим о продукте, который будет иметь жизненный цикл всего три года, поэтому это означает, что в течение трети его срока службы вы, слишком многие статистические инструменты, даже не будут актуальными.

Joannes Vermorel: Хорошо, многие компании консолидируют свои продажи по неделям или месяцам, и насколько хорошо это работает, если вы получаете, вероятно, воспринимаемую игру производительности. Насколько хорошо это работает по сравнению с компромиссом, когда вы теряете немного детализации в ваших данных? Это очень интересно, потому что я сказал, что у вас есть эти проблемы с законами малых чисел, которые повсеместны, и проблема в том, что все инструменты, по крайней мере классические инструменты, определенно не рассматривают. Но классические инструменты, конечно, ориентированы на законы больших чисел. Что же делать? Ну, вы агрегируете данные.

Kieran Chandler: И почему вы агрегируете, не потому что это правильно, а просто потому, что это способ, чтобы вы не получили результаты, которые полностью дезфункциональны, но вы делаете это не потому, что это умно и актуально для вашей цепочки поставок. Вы делаете это просто потому, что иначе ваша логика, которая определяется средними значениями, разрушится, потому что, снова же, неявно то, что вы пытаетесь использовать, это закон больших чисел.

Joannes Vermorel: Итак, действительно, вы консолидируете, но дело в том, что, когда вы, например, консолидируете решения до ежемесячной агрегации, чтобы иметь большие числа, проблема в том, что ваши решения в цепочке поставок все равно принимаются ежедневно. Итак, да, у вас есть лучший ежемесячный анализ только потому, что вы сконсолидировали все данные, но вы все равно принимаете решения ежедневно, и оказывается, что ваш ежемесячный анализ ничего не говорит о том, что происходит внутри месяца. Итак, да, вы знаете, что в течение месяца в среднем потребляется 100 единиц. А сегодня, должен ли я отправить в магазин ноль, одну или три единицы? И аналогичные решения также существуют, когда вы агрегируете не по времени, а по категориям.

Kieran Chandler: Итак, если вы, например, говорите, хорошо, сегодня в плане газировки я продал 500 единиц, да, но это было распределено по 100 товарным позициям, поэтому это не помогает, потому что в конечном итоге в цепочке поставок вы не принимаете решение на уровне категории, например, сегментов свежих продуктов. Вы не принимаете решение на уровне сегмента свежих продуктов вашего гипермаркета. Вы принимаете решение относительно этой конкретной товарной позиции и что с ней должно произойти. Хорошо, давайте начнем подводить итоги для тех, кто смотрит это, и что им следует использовать, чтобы внедрить эту симфонию дизайна и максимально использовать вычислительную мощность, которая находится у них под рукой?

Joannes Vermorel: Они действительно должны начать пересматривать. Во-первых, я бы сказал, с точки зрения статистики, я настоятельно рекомендую пересмотреть все основные предположения. Я имею в виду, когда люди говорят вам: “О, у нас есть резервные запасы”, да, это нормальные распределения. Опять же, вы должны задать себе вопрос: это действительно так.

Kieran Chandler: Я смотрю на проблему с помощью статистических инструментов, которые актуальны для законов малых чисел, с которыми я сталкиваюсь? И большинство статистических методов 19-го века, которые люди используют в настоящее время, явно ориентированы на законы больших чисел. Итак, мое предложение - осознавать, что инструменты, которые вы используете, не предназначены для такого рода ситуаций, с которыми вы сталкиваетесь. И снова мы возвращаемся к псевдонауке и фальшивому рационализму. Это не значит, что вы используете математический инструмент, что это делает его рациональным. Возможно, ваша статистическая модель имеет основные предположения, которые просто нарушаются вашей областью. Итак, я бы сказал, пересмотрите основы, убедитесь, что вы ничего не упускаете.

Joannes Vermorel: Да, верно. А затем, с точки зрения механического сочувствия, мое сообщение заключается в том, что это похоже на великих чемпионов Формулы-1. Когда вы видите интервью с чемпионами, они много знают о своих машинах. Они не знают, как построить Формулу-1, но они знают механику. У них есть то, что называется механическим сочувствием. Они много знают о том, как работает автомобиль, чтобы они могли действительно получить максимум от машины, которую у них есть. И они буквально знают много о сгорании, о резонансе, о правильной температуре для шин, которые у вас есть, о максимальной сцепляемости с дорогой. Я имею в виду, они много знают о технических деталях и физике своего двигателя. Именно так они могут стать действительно великими пилотами. Это не просто умение водить, это знание инструмента, которым вы пользуетесь. И я считаю, что цепочка поставок немного похожа на это. Вы не управляете цепочкой поставок только силой мышц. В наши дни у вас есть компьютеры, которые вас поддерживают. Но если вы действительно хотите быть очень хорошим, вам не нужно становиться инженером, способным создать Формулу-1. Это не пилот. Пилот - это не механический инженер, способный разработать следующее поколение двигателя. Но они знают многое, чтобы получить максимум от него. Итак, мое предложение - получить достаточно механического сочувствия по отношению ко всем этим компьютерным системам, которые поддерживают вашу цепочку поставок, чтобы вы интуитивно понимали, что заставляет эти вещи работать и как вы можете действительно максимизировать производительность, которую у вас есть.

Кирен Чандлер: Это действительно хорошая аналогия. Итак, то, что мы также видим в настоящее время в отрасли, это…

Кирен Чандлер: Итак, все больше данных и люди собирают все больше данных для принятия всех своих решений. Можно ли сказать, что такая перспектива действительно отходит от закона малых чисел, и люди все больше движутся в сторону перспективы больших данных?

Жоанн Верморель: Опять же, проблема в том, что наиболее важные данные всегда имеют небольшие значения. Да, вы можете собрать огромное количество данных о посещениях вашего веб-сайта, но если вы посмотрите на посещаемость для неизвестного продукта, к сожалению, неизвестные продукты составляют около 80% от общего объема продаж компаний. Вы знаете, это, очевидно, деталь, и тогда вы поймете, что у вас есть всего несколько посетителей веб-сайта в день. Так что это не так, да, у вас может быть миллионы кликов, но когда вы масштабируете это до временного масштаба, который имеет значение, который обычно является дневным или даже поддневным, потому что решения в вашей цепочке поставок принимаются ежедневно или даже поддневно. Если вы смотрите на значимость, которая является продуктом, ссылкой на самом низком уровне, то есть точным размером, точной формой, точным вариантом, а не общим продуктом, потому что в цепочке поставок вы не принимаете решение о производстве общей футболки. Вы производите футболку этого цвета, этого размера, этой формы. Так что, когда вы начинаете смотреть на это на самом низком уровне, который имеет значение, вы возвращаетесь к ограниченным данным. Так что да, люди говорят, что они работают с большими данными, но на самом деле, когда вы смотрите на цепочку поставок глазами того, что является значимым, это на самом деле не так много. И самое большое, и я бы хотел, чтобы это было так, потому что с точки зрения статистики это было бы намного проще, знаете ли, но это не так. Так что не путайтесь. Я считаю, что эти большие данные вводят людей в заблуждение, потому что они могут подумать: “О, это нормально. У меня есть миллионы точек данных”. Нет, опять же, если вы смотрите на фабрику, даже на фабрики, которые производят миллионы единиц, вопрос в том, сколько партий вы производите, и, возможно, в терминах партий у вас есть несколько цифр. И вы работали с этим режимом только в течение последних двух лет. Так что мы говорим о нескольких сотнях партий, и все. Это не так уж и много, даже если вы собираете большое количество данных.

Кирен Чандлер: Хорошо, мы должны остановиться на этом сенсационном заявлении, что в отношении данных, меньше может быть больше. Вот и все на этой неделе. Большое спасибо за внимание, и увидимся в следующем эпизоде. Спасибо за просмотр, вам.