00:00:07 Введение и значение малых чисел в эффективности цепей поставок.
00:01:00 Как малые числа влияют на производительность вычислений и их стоимость.
00:03:33 История и эволюция числовой точности в финансах и системах цепей поставок.
00:06:00 Влияние объёма данных на вычислительную производительность и узкие места.
00:07:44 Достижение значительного ускорения вычислений за счёт уменьшения объёма данных.
00:08:47 Важность внимания к технологическому стеку и инструментам в оптимизации цепей поставок.
00:10:17 Балансировка затрат на вычисления и более мощных математических моделей для улучшения результатов в цепях поставок.
00:12:50 Анализ исторических данных и использование предиктивного программного обеспечения для цепей поставок для принятия лучших решений.
00:15:04 Влияние агрегации данных на воспринимаемое увеличение производительности и потерю детализации.
00:16:00 Проблемы консолидации решений в цепях поставок.
00:17:33 Переосмысление основных статистических предположений и механической симпатии.
00:20:01 Важность механической симпатии в управлении цепями поставок.
00:20:58 Переход от закона малых чисел к перспективе больших данных.
00:23:20 Заключение: в определённых ситуациях меньше данных может означать больше.
Резюме
Йоаннес Верморель, основатель компании Lokad, которая занимается программным обеспечением для оптимизации цепей поставок, обсуждает закон малых чисел и его влияние на эффективность цепей поставок вместе с Кираном Чендлером. Верморель подчеркивает значимость малых чисел в данных цепей поставок и важность выбора правильных чисел для оптимизации скорости вычислений и производительности. Обсуждение акцентирует необходимость большего дизайнерского чутья для достижения прироста производительности, компромисс между вычислительной эффективностью и рассмотрением всех возможных будущих сценариев и решений, а также проблему использования статистических моделей в сложных розничных средах. Интервью подчеркивает важность балансировки вычислительных ресурсов и использования сложного моделирования для оптимизации цепей поставок в целях повышения эффективности.
Расширенное резюме
В этом интервью Киран Чендлер беседует с Йоаннесом Верморелем, основателем компании Lokad, специализирующейся на оптимизации цепей поставок. Они обсуждают закон малых чисел и его потенциал для улучшения эффективности цепей поставок, значимость малых чисел в данных цепей поставок и влияние выбора правильных чисел на скорость вычислений и производительность.
Верморель объясняет, что малые числа, в частности однозначные, встречаются повсеместно в цепях поставок. Хотя штрих-коды могут состоять из множества цифр, они служат идентификаторами, а не количествами. Количества в цепях поставок, как правило, очень малы, что удивительно, поскольку большинство статистических методов ориентированы на закон больших чисел. Это наблюдение важно, так как подчеркивает необходимость более глубокого дизайнерского чутья для достижения прироста производительности, особенно в условиях замедления темпов роста вычислительной мощности.
Далее интервью переходит к влиянию малых чисел на вычисления. Верморель утверждает, что, хотя компьютеры могут обрабатывать любые числа, они способны выполнять расчёты значительно быстрее, если выбраны правильные числа. Например, компьютеры могут работать в 10–20 раз быстрее при выполнении рутинных операций, если использованы корректные числовые значения. Это может существенно повлиять на общую производительность системы оптимизации цепей поставок.
Киран просит Вермореля объяснить разницу между передачей чисел между системами и физической реальностью вычислительного оборудования. Верморель подчеркивает, что стоимость обработки и анализа данных имеет большое значение для оптимизации цепей поставок. Компьютеры стали дешевле с точки зрения сырой вычислительной мощности, что позволяет использовать более мощные алгоритмы для улучшения точности прогнозирования и повышения эффективности цепей поставок. Однако баланс между затратами на вычисления и эффективностью цепей поставок является решающим.
Верморель утверждает, что даже если затраты на сырые вычисления значительно сократятся, это не означает, что расходы на компьютеры исчезнут. Напротив, компании будут использовать свои новые возможности для разработки более сложных моделей, что, в свою очередь, приведёт к росту вычислительных затрат. Поэтому необходимо уделять внимание влиянию малых чисел на затраты вычислений для оптимизации эффективности цепей поставок.
Обсуждение касалось истоков потребностей в арифметических расчётах в корпоративных системах, которые в первую очередь возникли в финансовой сфере. Первые корпоративные системы проектировались с учётом финансовых расчётов, и эта история влияет на то, как малые числа используются и понимаются в контексте оптимизации цепей поставок.
Закон малых чисел имеет потенциал существенно улучшить эффективность цепей поставок, если компании смогут успешно использовать правильные числовые значения в своих вычислительных системах. Уделяя внимание балансу между затратами на вычисления и эффективностью цепей 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 сфер в 70‑х и 80‑х годах, привели к использованию высокой числовой точности в системах цепей поставок. Необходимость высокой точности в финансах и бухгалтерии возникла из-за серии мошенничеств в начале 80‑х, когда ошибки округления использовались для присвоения миллионов долларов.
Однако высокая точность, используемая в финансах, не всегда необходима в управлении цепями поставок. Верморель отмечает, что в 80% транзакций в магазинах количество приобретаемого товара составляет всего один. Это означает, что в среднем для представления количеств в магазине требуется всего два бита точности. Киран ставит под вопрос значимость объёма данных в контексте управления цепями поставок, учитывая доступность устройств хранения с терабайтами ёмкости.
Верморель поясняет, что производительность большинства расчётов определяется размером данных, поскольку узким местом является загрузка и выгрузка данных, а не вычислительные возможности процессора. Он отмечает, что уменьшение объёма данных может привести к значительному и иногда сверхлинейному приросту скорости вычислений. Например, когда Lokad удалось сократить данные в 10 раз, они испытали ускорение вычислений в 50 раз.
Задача управления цепями поставок заключается в различении данных, требующих высокой точности, и данных, которые могут быть представлены с меньшей точностью. Верморель предполагает, что такая платформа, как Lokad, способна справиться с этой задачей, подчеркивая важность внимания к технологическому стеку или инструментам, используемым ИТ-отделом. Игнорирование оптимизации данных может привести к созданию систем с мощным вычислительным оборудованием, но неудовлетворительной производительностью.
Верморель также затрагивает компромисс между вычислительной эффективностью и целью анализа всех возможных будущих сценариев и решений в оптимизации цепей поставок. Ускорив вычисления, становится возможным анализировать больше сценариев без значительного увеличения затрат на вычисления.
Они обсуждают оптимизацию цепей поставок и проблемы использования статистических моделей. Он подчеркивает, что применение скользящих средних и других простых моделей недостаточно для сложных розничных сред, таких как гипермаркеты, где требуется более сложное предиктивное ПО для обработки сезонности, трендов и других факторов.
Верморель также отмечает проблему “закона малых чисел”, которая возникает при работе с большим количеством товаров, имеющих мало ежедневных транзакций. Традиционные статистические подходы, основанные на законе больших чисел, часто оказываются неадекватными в таких ситуациях. Чтобы справиться с этим, многие компании агрегируют свои данные, например, объединяя продажи по неделям или месяцам. Однако такой подход жертвует детализацией и может привести к принятию неправильных решений, поскольку решения в цепях поставок всё равно принимаются ежедневно.
Разговор указывает на то, что продвинутое программное обеспечение для цепей поставок, такое как Lokad, может предоставить лучшие рекомендации, анализируя исторические данные и учитывая жизненные циклы продуктов. Крайне важно, чтобы такие инструменты были разработаны с учётом реальности малых чисел, поскольку они часто должны быть актуальными на протяжении значительной части жизненного цикла продукта. В конечном итоге интервью подчеркивает важность балансировки вычислительных ресурсов и сложного моделирования для оптимизации эффективности цепей поставок.
Основатель обсуждает важность сомнения в базовых предположениях и использования соответствующих статистических инструментов в оптимизации цепей поставок. Он подчеркивает, что многие современные статистические методы ориентированы на большие числа, что может не подходить для решений в цепях поставок малого масштаба. Верморель также предлагает, чтобы практики развивали “механическую симпатию” к своим системам цепей поставок, подобно тому, как гонщики Формулы-1 относятся к своим машинам, для максимизации производительности. Несмотря на рост объёма собираемых данных, Верморель утверждает, что релевантные данные цепей поставок часто остаются ограниченными, что может ввести в заблуждение при применении подхода больших данных.
Полная транскрипция
Киран Чендлер: Сегодня на Lokad TV мы будем обсуждать закон малых чисел и то, как его можно использовать для улучшения эффективности цепей поставок. Итак, Йоаннес, для компании, специализирующейся на больших данных, скорее всего, удивительно, что сегодня мы говорим о малых числах. В чём же заключается суть?
Йоаннес Верморель: Суть в том, что малые числа, а не большие, повсеместно присутствуют в цепях поставок. Когда я говорю о малых числах, я имею в виду все те числовые выборы и количества, которые действительно имеют значение. Да, штрих-код может состоять из 13 или 14 цифр, но это скорее идентификатор, а не количество. Поэтому, когда речь заходит о числовых значениях, удивительно, что всегда используются очень маленькие числа. Под очень маленькими числами я подразумеваю однозначные значения, буквально сверхмалые. Это интригующе, потому что большинство статистических методов ориентированы на закон больших чисел. Что касается вычислений, вы могли бы подумать, что это не важно, но оказывается, что имеет большое значение.
Киран Чендлер: Можешь подробнее объяснить, как это влияет на вычисления?
Йоаннес Верморель: Для компьютера число — это просто число, верно? Это не имеет значения. Однако оказывается, что если правильно выбрать числа, компьютер может не только быстро выполнять сложение или рутинные операции с числами, но и работать примерно в 10–20 раз быстрее. Таким образом, в итоге это имеет большое значение. Это не просто незначительная разница.
Киран Чендлер: Хорошо, для тех, кто может не осознавать, что происходит, когда компьютеры передают информацию, что ты имеешь в виду под передачей числа? Чем это может отличаться от системы к системе?
Йоаннес Верморель: Здесь мы углубляемся в детали физической реальности имеющегося вычислительного оборудования. Это важно, потому что, если вы хотите осуществлять оптимизацию цепей поставок или количественную оптимизацию, вам придётся обрабатывать и анализировать огромные объёмы данных, что стоит денег. Хотя компьютеры стали значительно дешевле, чем раньше, всегда существует баланс между затратами на вычисления и эффективностью цепей поставок, которого можно достичь. Если затраты на сырые вычисления значительно снизятся, можно подумать, что расходы на компьютеры исчезнут. Однако это не так, поскольку вы будете использовать новые возможности для создания более сложной модели, что, в свою очередь, повысит точность прогнозирования или эффективность в рамках оптимизации цепей поставок.
Киран Чендлер: Это позволяет добиться лучшей производительности, и, следовательно, затраты на вычисления просто возрастут. Так что нужно уделять этому немного внимания. А теперь вернёмся к числам, а именно к малым числам в компьютерах, особенно в корпоративных системах. Почти вся потребность в расчётах, арифметических вычислениях возникла, скажем так, в финансовой сфере. Первые корпоративные системы были нацелены на бухгалтерию, финансы и цепи поставок. Именно это появилось в 70‑х годах. Цепи поставок появились немного позже, в 80‑х, и многие практики, уже сложившиеся в то время, особенно в отношении высокоточных чисел, были перенесены в управление цепями поставок. Так зачем же для денег нужна сверхвысокая числовая точность?
Joannes Vermorel: Оказалось, что в начале 80-х годов было много довольно впечатляющих мошенничеств, когда люди просто использовали тот факт, что, округляя копейки, можно творить настоящее волшебство. Вы действительно могли украсть деньги, просто округляя несколько центов в каждой транзакции, которую совершает ваша компания. И это совершенно незаметно для системы, ведь сумма округлялась, хотя на деле это были настоящие деньги. И люди, при миллиардах транзакций, умудрялись буквально извлекать из системы миллионы долларов, забирая лишь долю цента и переводя их на свои счета. Таким образом, мир финансов и бухгалтерии перешёл на числа с очень высокой точностью, где подобные проблемы не возникают. Проблема в том, что, можно сказать, это касается и цепочки поставок, вследствие чего у вас по умолчанию числа с ультравысокой точностью практически во всех системах. И вы должны задаться вопросом: какое обычное количество товара покупает клиент в магазине? Наш ответ в Lokad, потому что мы анализируем данные, таков: в 80% транзакций в магазине количество продукта равно единице. То есть вопрос сводится к тому, сколько бит точности вам нужно? Ответ: в среднем требуется что-то вроде двух бит точности для представления, скажем, количества товара, приобретаемого в магазине.
Kieran Chandler: Но почему нас вообще должно волновать, сколько бит используется для передачи данных? Ведь если мы рассматриваем всю цепочку поставок, разве это действительно имеет такое значение?
Joannes Vermorel: Если взглянуть в глобальном масштабе, можно подумать, что сегодня можно купить жёсткий диск объемом в терабайты буквально в ближайших супермаркетах за пару сотен. Так что можно подумать: “Почему я вообще об этом забочусь?” Но оказалось, что производительность большинства расчётов буквально определяется размером данных. Если данные больше, вычисления будут медленнее. Почему? Потому что узким местом является не процессор, а именно загрузка и выгрузка данных. Да, можно купить диск на один терабайт, но если вы попытаетесь просто заполнить его данными, это, скорее всего, займет у вас один или даже два дня, просто потому что диск медленный. Итак, просто запись или чтение данных с диска занимает очень много времени. Если же вы сумеете минимизировать объём данных, вы сможете существенно ускорить процессы.
Kieran Chandler: Итак, Joannes, не могли бы вы подробнее рассказать о том, как размер данных влияет на скорость расчётов в оптимизации цепочек поставок?
Joannes Vermorel: Вычисления ускоряются значительно, и я говорю “значительно”, потому что обычно удаётся добиться даже сверхлинейного прироста. То есть если вы уменьшаете объём данных вдвое, расчёты ускоряются не в два раза, а более чем в два раза. В Lokad мы наблюдали многие случаи, когда, уменьшив данные в 10 раз, мы получали ускорение в 50 раз. И, опять же, если вернуться к нашим числам, возьмем число с двойной точностью, то есть 64 бита. Кстати, бит в информатике — это всего лишь ноль или один. Так что, если число представлено 64 битами, а другое — всего двумя, первое занимает буквально в 32 раза больше места. Если же вы сумеете значительно сжать эти числа и превратить большие данные в намного меньшие, вы получите систему, которая работает заметно быстрее. Да, цепочки поставок до сих пор работают с огромными объемами финансовых данных, а также с множеством транзакций.
Kieran Chandler: Так как же вы разграничиваете, какие данные нужно уменьшать, а какие оставлять в полном объёме?
Joannes Vermorel: В буквальном смысле, вы хотите, чтобы ваш специалист по цепям поставок обращал на это внимание. Вам действительно нужна платформа вроде Lokad — без стеснения рекламы — которая сделает это за вас. Но моё общее послание таково: кто-то должен внимательно следить за этим. Это может быть ваш поставщик, если он тщательно относится к своей технологической базе, или ваш IT-отдел, если он очень аккуратно выбирает инструменты. Но в конечном итоге кто-то должен обращать внимание. Если никто не будет это делать, вы получите системы с огромным количеством вычислительного оборудования, производительность которых обычно оказывается совершенно разочаровывающей. В таких системах даже, казалось бы, тривиальные расчёты занимают целые секунды, а идея о том, чтобы цепочка поставок рассматривала все возможные будущие сценарии и вероятности, остаётся лишь далёкой мечтой, потому что система слишком медленная, чтобы справиться хотя бы с одним сценарием. Идея, что система может обрабатывать миллионы возможных вариантов будущего — абсолютная безумие.
Kieran Chandler: Но если мы рассматриваем все возможные будущие и решения, разве это не противоречит цели снижения вычислительных затрат? Ведь если вы смотрите на все возможные сценарии, это, несомненно, умножает затраты на вычисления многократно?
Joannes Vermorel: Да, но это и есть тот компромисс, о котором я и говорил. Если вы делаете вычисления намного быстрее, то вам не нужен всего лишь сверхдешёвый компьютер для управления всей цепочкой поставок. Знаете, если бы мы до сих пор использовали методы оптимизации цепочек поставок 80-х годов, мы могли бы запустить Walmart на смартфоне. Мы буквально могли бы запустить Walmart на смартфоне. Хотя это и не имеет особого смысла, но если ваша цель — доказать мысль, что как…
Kieran Chandler: Итак, Joannes, вы говорили о том, что когда вычисления становятся дешевле, вы переходите на более мощную математическую или статистическую модель, верно?
Joannes Vermorel: Да, именно так. Когда вычисления становятся дешевле, можно использовать более мощную модель, которая обеспечивает лучшие результаты в цепочке поставок, даже если для этого требуется больше вычислительных ресурсов. Это компромисс.
Kieran Chandler: И даже если мы рассматриваем все возможные будущие, основная идея законов малых чисел всё равно сохраняется, верно?
Joannes Vermorel: Верно. Даже если мы анализируем все возможные будущие сценарии, нам не нужно учитывать вероятность продажи миллиона бутылок чего-либо в одном магазине за один день, ведь эта вероятность равна нулю. Реальность такова, что даже для флагманских продуктов крайне редко бывает, чтобы за один день продавалось более 100 единиц, а для подавляющего большинства товаров продажи практически равны нулю. На самом деле, для большинства продуктов: около 80% товаров в гипермаркете не продаются ни разу за день, а для 95% продуктов вопрос сводится к тому, продаются ли они 0, 1, 2 или 3 единицы в каждый конкретный день. Вероятность даже достичь 10 единиц уже практически ничтожно мала. Всё сводится к законам малых чисел.
Kieran Chandler: Итак, в примере гипермаркета, где совершаются тысячи транзакций в день и хранится огромный запас товара, как же определить оптимальные лимиты для каждого отдельного наименования?
Joannes Vermorel: Вот здесь необходимы надёжные инструменты для анализа исторических данных. Вам помогают в анализе, потому что, изучая записанные данные, вы понимаете, — и хороший софт для цепочек поставок, особенно предиктивный, такой как Lokad, — уже содержит в себе некоторые заготовленные сведения. Вы понимаете, что это уже не что-то новое для гипермаркета. Да, у вас много транзакций и товаров, продаваемых в целом, но если рассматривать каждый отдельный товар, транзакций оказывается не так уж много. Если учесть, что жизненный цикл продукта на рынке составляет, возможно, три года, после чего его заменяют другим, и тот факт, что продукт продаётся не ежедневно, то для накопления, скажем, 100 продаж в истории этого продукта — возможно, минимального необходимого уровня — потребуется большое количество времени. И говорить, что 100 — это много, довольно преувеличено, особенно если…
Kieran Chandler: То есть, с точки зрения статистики это будет низким порогом. На самом деле, может потребоваться более года, чтобы достичь минимального объёма данных. А если статистический инструмент рассчитан на работу с большими числами, может пройти больше года, прежде чем он станет актуальным. И помните, мы говорим о продукте с жизненным циклом всего около трех лет, так что в течение трети его жизни многие статистические инструменты просто не будут применимы.
Joannes Vermorel: Многие компании консолидируют свои продажи по неделям или месяцам. Но насколько это эффективно, если вы участвуете в, можно сказать, своеобразной гонке за производительностью? Как это работает, если вы теряете часть детализации данных? Это очень интересно, потому что, как я уже отмечал, проблема законов малых чисел встречается повсеместно, а классические инструменты, по крайней мере, не ориентированы на её решение. Классические инструменты разрабатывались с расчетом на законы больших чисел. Так что же делать? Просто агрегировать данные.
Kieran Chandler: И почему вы агрегируете? Не потому, что это оптимально, а просто потому, что это способ получить результаты, которые не являются полностью нефункциональными. Вы делаете это не потому, что это умно и актуально для вашей цепочки поставок, а потому, что без агрегирования ваша логика, основанная на средних значениях, развалится, ведь вы в основе опираетесь на закон больших чисел.
Joannes Vermorel: Так, действительно, вы агрегируете данные, но суть в том, что когда вы, например, объединяете решения до уровня месячной агрегации для получения больших чисел, проблема в том, что решения по цепочке поставок всё равно принимаются ежедневно. Да, благодаря агрегации за месяц у вас получается более точный анализ, но ежедневные решения остаются, и оказывается, что месячный анализ не даёт информации о том, что происходит в течение месяца. Вы знаете, что за месяц в среднем расходуется 100 единиц, а вот какой объём следует отправить в магазин сегодня: 0, 1 или 3 единицы? Похожие проблемы возникают и при агрегации не по времени, а по категориям.
Kieran Chandler: То есть, если, например, вы говорите: “Сегодня по содовым я продал 500 единиц”, да, но это распределено по 100 различным артиклям, и это мало помогает, потому что в цепочке поставок решения принимаются не на уровне категории, например, сегмента свежих продуктов. Вы не принимаете решение для всего сегмента свежих продуктов вашего гипермаркета, вы принимаете его для конкретного наименования товара и определяете, что с ним делать. Итак, подводя итоги для тех, кто смотрит это, на что им стоит обратить внимание, чтобы внедрить эту гармонию дизайна и максимально использовать вычислительные мощности, находящиеся у них под рукой?
Joannes Vermorel: Им действительно следует начать обращать внимание, пересмотреть всё. Во-первых, с точки зрения статистики я настоятельно рекомендую пересмотреть все основные предположения. То есть, когда вам говорят: “О, у нас есть резервные запасы”, и добавляют, что они основаны на нормальном распределении, стоит задаться вопросом: действительно ли это так?
Kieran Chandler: Пересматриваю ли я проблему с использованием статистических инструментов, подходящих для законов малых чисел, с которыми я сталкиваюсь? Ведь большинство статистики XIX века, которой пользуются сегодня, явно рассчитаны на законы больших чисел. Мой совет — осознайте, что инструменты, которые вы используете, не предназначены для ситуаций, с которыми вы сталкиваетесь. И, вновь, мы возвращаемся к псевдонауке и фальшивому рационализму. Просто использование математического инструмента не делает вывод рациональным. Возможно, ваша статистическая база включает основные предположения, которые просто не соответствуют вашей области. Поэтому я бы сказал: пересмотрите основы и убедитесь, что вы ничего важного не упускаете.
Joannes Vermorel: Да, именно так. А что касается механической симпатии, мое послание следующее: это как у великих чемпионов Формулы-1. Когда вы смотрите интервью чемпионов, они знают всё о своих машинах. Они не умеют собирать Формулу-1, но отлично понимают механику. У них есть то, что называется механической симпатией. Они знают, как работает автомобиль, чтобы получить максимум от своей машины. Они действительно разбираются в сгорании, резонансе, правильной температуре для шин, обеспечивающей максимальное сцепление с дорогой. То есть, они знакомы со всеми техническими деталями и физикой своего двигателя. Именно благодаря этому они становятся настоящими чемпионами. Дело не только в умении водить, а в знании инструмента, которым вы пользуетесь. И я считаю, что цепочка поставок немного похожа на это. Вы не управляете цепочкой поставок исключительно силами, ведь сегодня у вас есть компьютеры, которые вас поддерживают. Но если вы действительно хотите быть на высшем уровне, вам не обязательно становиться инженером, способным создать Формулу-1. Это не про пилота. Пилот — это не тот механик, который способен спроектировать следующее поколение двигателя, но он знает, как извлечь из него максимум. Поэтому мой совет — обзаведитесь достаточной механической симпатией ко всем тем компьютерным системам, которые поддерживают вашу цепочку поставок, чтобы интуитивно понимать, что заставляет их работать, и как можно максимально повысить их производительность.
Kieran Chandler: Это действительно хорошая аналогия. Итак, то, что мы сейчас наблюдаем в отрасли, так это…
Kieran Chandler: Так, больше данных, и люди собирают больше данных для принятия всевозможных решений. Можно ли сказать, что такой подход действительно уходит от закона малых чисел и люди всё больше переходят к перспективе больших данных?
Joannes Vermorel: Опять же, проблема в том, что самые важные данные всегда представлены в небольших количествах. Да, вы можете собрать огромное количество данных о посещаемости вашего сайта, но если посмотреть на посещаемость малоизвестного продукта, к сожалению, малоизвестные продукты составляют около 80% от того, что в среднем продают компании. Знаете, очевидно, что эта деталь имеет значение, и тогда вы поймёте, что у вас всего лишь несколько посетителей в день. Так что дело не в том, что, да, у вас может быть миллионы кликов, но когда вы сводите это к значимому временному интервалу, который обычно составляет день или даже часть дня, поскольку решения в цепочке поставок принимаются ежедневно или даже несколько раз в день. Если вы посмотрите на ту детализацию, которая имеет значение, а именно на продукт, как на самую мелкую деталь, то есть точный размер, точная форма, точный цвет, знаете, конкретный вариант, а не общий продукт, потому что в цепочке поставок вы не решаете производить обычную футболку. Вы производите футболку именно этого цвета, этого размера, именно такой формы. Так что когда вы начинаете смотреть на дело на самом детальном уровне, который имеет значение, вы возвращаетесь к данным, которые ограничены. Так что да, люди говорят, что они работают с большими данными, но на самом деле, если смотреть на цепочку поставок с точки зрения того, что действительно важно, данные не так уж велики. И самое интересное, и я бы хотел, чтобы так было, ведь с точки зрения статистики всё было бы намного проще, знаете, но это не так. Так что не заблуждайтесь. Я считаю, что большие данные вводят людей в заблуждение, потому что они могут подумать: “О, ничего страшного, у меня миллионы точек данных.” Нет, если вы посмотрите на завод, даже на заводы, которые производят миллионы единиц, вопрос в том, сколько партий вы производите, и, возможно, в терминах партий у вас число находится в однозначных цифрах. И завод работает в таком режиме только последние два года. Так что речь идёт о нескольких сотнях партий, и всё. Это не имеет большого значения, даже если вы собираете большое количество воздуха.
Kieran Chandler: Хорошо, оставим это на заметку с громкой новостью: что касается данных, возможно, меньше — это больше. Так что на этой неделе всё, большое спасибо за внимание, и увидимся снова в следующем выпуске. Спасибо за просмотр, друзья.