00:00:07 Роль Microsoft Excel в индустрии цепей поставок.
00:01:33 Причины популярности Excel и его ключевые преимущества.
00:03:01 Эвристики и их применение в таблицах.
00:04:43 Excel как технологический тупик и его ограничения.
00:06:46 Проблемы масштабируемости и заблуждения относительно ограничений Excel.
00:08:01 Ограничения Excel и модель программирования в таблицах.
00:09:38 Проблемы масштабируемости из-за сложной и повторяющейся логики.
00:11:39 Отказ от таблиц и необходимость более мощных возможностей программирования.
00:13:27 Выход за рамки эвристик и принятие современных подходов.
00:15:00 Изучение опыта Google и Amazon, и роль машинного обучения в оптимизации цепей поставок.
00:16:00 Важность вероятностного прогнозирования в оптимизации цепей поставок.
00:17:10 Устранение скептицизма по поводу использования передовых технологий вместо Microsoft Excel в управлении цепями поставок.
00:18:19 Влияние таких компаний, как Amazon и Alibaba, на отрасль.
00:19:45 Последствия оставания в технологическом тупике.
00:20:01 Соответствующее использование Excel и его ограничения в предиктивной оптимизации цепей поставок.
Резюме
В этом интервью Кирен Чендлер и Жуан Верморель, основатель Lokad, обсуждают роль Microsoft Excel в управлении цепями поставок. Верморель называет Excel «швейцарским ножом» для цепей поставок, признавая его сильные стороны в программируемости и индивидуальной настройке. Однако он считает, что таблицы достигли технологического тупика в управлении сложными цепями поставок, поскольку ограничения модели программирования приводят к дублированию и проблемам с обслуживанием. Для оптимизации цепей поставок Верморель предлагает компаниям использовать передовые методы, такие как машинное обучение, заменяя эвристики данными-инсайтами. Хотя Excel имеет свои достоинства, для сложной оптимизации организации должны выйти за рамки таблиц и идти по стопам технологических гигантов, таких как Amazon и Alibaba.
Расширенное резюме
В этом интервью ведущий Кирен Чендлер обсуждает роль Microsoft Excel в индустрии цепей поставок с Жуаном Верморелем, основателем Lokad — компании-разработчика программного обеспечения, специализирующейся на оптимизации цепей поставок. Разговор вращается вокруг причин популярности Excel, его сильных сторон и использования эвристик в отрасли.
Верморель считает, что Microsoft Excel является швейцарским ножом для цепей поставок, поскольку, по его оценкам, более 90% цепей поставок по всему миру управляются с его помощью. Он объясняет его популярность отсутствием действительно лучших альтернатив до недавнего времени, так как многие, якобы лучшие, варианты на самом деле не превосходили Excel по нескольким параметрам.
Ключевые сильные стороны Excel заключаются в его программируемости и выразительности, что позволяет достичь высокого уровня адаптации. Его широкое распространение в организациях означает, что специалисты по цепям поставок в разных регионах и для различных продуктовых линеек могут разрабатывать свои собственные эвристики или числовые рецепты для управления цепями поставок. Верморель определяет эвристику как числовой рецепт, который не является доказуемо правильным, но является приблизительно верным. Эти эвристики прошли проверку временем, и различия между ними наблюдаются от одного подразделения к другому и от одного местоположения к другому.
Примером эвристики в управлении цепями поставок является поддержание в наличии ровно в два раза большего количества единиц, чем было продано за аналогичный период прошлого года, с учётом трёхмесячного интервала. Хотя логика таких эвристик не всегда ясна, они зарекомендовали себя и широко применяются в отрасли.
Ведущий Чендлер отмечает, что базовые приближения были достаточно эффективными для индустрии цепей поставок на протяжении десятилетий. Верморель соглашается, но подчёркивает возможность улучшения и оптимизации по мере развития отрасли.
Они обсудили ограничения подходов, основанных на таблицах, в оптимизации цепей поставок, с особым акцентом на Excel и его аналоги. Верморель объясняет, что компании уже достигли максимального потенциала эвристик в средах, похожих на таблицы, и эта технология подошла к технологическому тупику. В обсуждении рассматриваются причины этого и присущие проблемы использования таблиц для управления сложными цепями поставок.
Верморель отмечает, что компании начали исследовать потенциал технологии таблиц в 1990-х годах и достигли относительно стабилизированного состояния в начале 2000-х. Несмотря на некоторые усовершенствования, он считает, что таблицы, включая Excel и подобные программы, такие как Google Sheets и OpenOffice, достигли технологического тупика. Это связано с тем, что после оптимизации эвристик остаются лишь незначительные изменения.
Чендлер просит Вермореля разъяснить ограничения подхода, основанного на таблицах. Верморель объясняет, что некоторые люди ошибочно полагают, что проблема Excel заключается в его неспособности обрабатывать большие объемы данных. Однако он считает, что настоящая проблема кроется в модели программирования. Он утверждает, что если бы Microsoft хотела увеличить масштабируемость Excel для обработки миллиардов строк данных, она могла бы это сделать, но не делает этого, поскольку признает это направление тупиковым с практической точки зрения.
По словам Вермореля, модель программирования в таблицах не масштабируема, поскольку включает массовое дублирование логики. Когда пользователи хотят применить какой-либо алгоритм к большему объему данных, они копируют и вставляют его по всему документу, что приводит к неэффективному процессу программирования. Это дублирование становится особенно проблематичным, когда организации пытаются объединить несколько эвристик в масштабах крупной организации, что приводит к возрастанию сложности и затрудняет управление информацией.
В качестве примера Верморель описывает сценарий, когда небольшая таблица содержит несколько сотен продуктов и две-три эвристики. При расширении охвата и необходимости применения большего числа эвристик для более крупных сегментов возникает проблема сложности. Попытки управлять сотнями эвристик по всей организации с помощью таблиц превращаются в неуправляемый кошмар.
Интервью подчеркивает технологический тупик, достигнутый подходами, основанными на таблицах, в оптимизации цепей поставок. Ограничения заключаются в модели программирования, которая предполагает массовое дублирование логики и неспособность управлять сложностью при масштабировании до более крупных объемов и организаций. Это делает таблицы непригодными для удовлетворения сложных потребностей управления цепями поставок в современном деловом ландшафте.
Разговор вращается вокруг проблем использования таблиц для управления сложными цепями поставок и необходимости выйти за их рамки для повышения эффективности и масштабируемости.
Верморель подчеркивает, что таблицы часто используются для управления цепями поставок, но они не являются оптимальным решением из-за своих ограничений в обработке сложности. Он указывает, что модель программирования, используемая в таблицах, часто приводит к дублированию логики, что затрудняет обслуживание и отладку. Это становится особенно проблематичным при работе с большими таблицами, содержащими сотни различных формул для учета различных эвристик, используемых специалистами по цепям поставок.
Когда его спрашивают, как компании могут отказаться от таблиц, Верморель отвечает, что простое копирование логики таблиц в другую систему приведет лишь к незначительным улучшениям. Вместо этого организации должны кардинально переосмыслить свой подход и принять более передовые методы, такие как машинное обучение, чтобы заменить эвристики выводами, основанными на данных.
Обсуждая уроки, которые можно извлечь из опыта технологических гигантов, таких как Google и Amazon, Верморель объясняет, что эти компании вышли за рамки систем, основанных на правилах, используя машинное обучение для анализа исторических данных. Это позволяет им более эффективно оптимизировать свои цепи поставок. Однако он отмечает, что ключом к успеху в машинном обучении является принятие вероятностного подхода к прогнозированию, что подтверждается исследованиями и публикациями Amazon.
Отвечая на опасения скептически настроенных специалистов по цепям поставок, не желающих отказываться от Excel, Верморель признает, что у Excel есть множество положительных качеств, таких как стабильность и масштабируемость. Однако он предупреждает, что для предиктивной оптимизации цепей поставок он является технологическим тупиком. Он призывает специалистов задуматься, может ли их отрасль позволить себе оставаться на плато, особенно когда такие конкуренты, как Amazon и Alibaba, активно внедряют технологические инновации в управление цепями поставок.
Верморель подытоживает, подчеркнув, что Excel сам по себе не имеет недостатков и все еще может быть полезен для ввода данных и других более простых задач. Однако для сложной оптимизации цепей поставок компаниям необходимо выйти за рамки таблиц и принять более передовые методы.
Полная транскрипция
Kieran Chandler: Сегодня мы обсудим это стремление и поймем, почему его замена — дело не из легких. Итак, Жуан, как вы видите роль Microsoft Excel в индустрии цепей поставок?
Joannes Vermorel: Я имею в виду, что Excel буквально является швейцарским ножом для цепей поставок. Это то, что похоже на зажигалки BIC и используется повсеместно для самых разных целей. На самом деле впечатляет, сколько можно сделать с помощью Excel. По моим оценкам, более 90 процентов цепей поставок по всему миру управляются через Excel, а не через системы SAP или ERP. ERP-системы управляют активами, но в части предиктивной оптимизации цепей поставок я бы сказал, что более 90% выполняется с помощью Excel.
Kieran Chandler: Если более 90 процентов отрасли им пользуются, почему он так популярен и почему люди так на него полагаются?
Joannes Vermorel: Это интересно. Во-первых, до недавнего времени не существовало множества действительно превосходящих альтернатив. Большинство якобы превосходных вариантов на самом деле не превосходят Excel по нескольким параметрам, которые мы можем описать. Так что люди не отказывались от Excel не потому, что они были глупыми или религиозно привязанными к нему, а просто потому, что надежных альтернатив не было.
Kieran Chandler: Итак, какие характеристики Excel делают его таким мощным, и почему он нравится людям?
Joannes Vermorel: Одна из причин его мощи заключается в том, что он позволяет сочетать программируемость с уровнем выразительности, присущим таким системам. Второе — он широко распространён в организации. Многие специалисты по цепям поставок из разных стран, регионов и продуктовых линеек могут разрабатывать собственные эвристики.
Kieran Chandler: Кстати, что вы подразумеваете под эвристиками? Как вы их определяете?
Joannes Vermorel: Эвристика — это своего рода числовой рецепт, который не является доказуемо правильным. Это попытка добиться чего-то приблизительно верного. Обычно, с чисто математической точки зрения, эвристика даже не является корректной, но она как-то работает. Например, обычная эвристика в управлении цепями поставок заключается в поддержании в наличии в два раза большего количества единиц, чем было продано за аналогичный период прошлого года, с учётом трёхмесячного интервала. Эти эвристики были проверены временем, и «магические» числа, такие как длительность временного окна или используемый коэффициент, корректируются со временем и различаются между подразделениями и регионами.
Kieran Chandler: Таким образом, то, что мы наблюдаем в отрасли, свидетельствует о том, что эти базовые приближения достаточно эффективны, и многие цепи поставок функционируют на их основе уже десятилетиями.
Joannes Vermorel: Именно. Когда говорят «достаточно хорошо», это интересно, ведь они используются уже десятилетиями, и, с моей точки зрения, это интересно потому, что сейчас…
Kieran Chandler: В наши дни я считаю Excel технологией, оказавшейся в тупике. Компании уже имели достаточно времени, чтобы разработать эвристики, усовершенствовать их и извлечь из них максимум. Интересно, что они дошли до того момента, когда исчерпали все возможности эвристик, которые можно реализовать в Excel. И когда я говорю Excel, я имею в виду не только Excel, а любое программное обеспечение, предоставляющее среду, похожую на таблицы. Например, Google Sheets в этом плане ничем не отличается от Excel. Не имеет значения, является ли это именно Excel; важно сама модель данных таблицы. То, что это Excel или, возможно, альтернатива от OpenOffice, не имеет существенного значения. Таким образом, компании в 90-х годах исследовали возможности таблиц, и я думаю, что для многих крупных компаний в начале 2000-х наступила определённая стабильность. Сейчас прошло почти два десятилетия с момента стабилизации, и в этом плане уже нет ничего нового. И действительно, это технология, оказавшаяся тупиковой, потому что, как только вы разработали свои подходы, остаётся только, я бы сказал, незначительное. Итак, вы говорите, что это технологический тупик, так чего же в этом подходе, основанном на таблицах, на самом деле не хватает? В чем проблема такого подхода?
Joannes Vermorel: Некоторые люди неправильно понимают ограничения Excel. Одно распространённое заблуждение заключается в том, что у Excel есть проблема масштабируемости, то есть вы не можете обработать большое количество данных. Да, действительно, вы не можете обработать терабайты данных с помощью Excel, но на самом деле это не является настоящей проблемой. Если бы Microsoft решила не создавать таблицы, способные обрабатывать миллиарды строк, это не потому, что они не смогли бы этого сделать. Они действительно увеличили ограничение с 65 000 строк до примерно 1 миллиона строк в Excel 97. Они могли бы поднять ограничение до миллиарда строк с другой версией Excel, ориентированной на обработку данных в большом масштабе. Так почему Microsoft просто не повышает масштабируемость Excel? Потому что они также знают, что с практической точки зрения это тупиковый путь.
Что не масштабируется в Excel или в таблицах в целом, так это модель программирования. Модель программирования заключается в том, что когда у вас есть какой-либо фрагмент логики в таблице, если вы хотите повторить его в большем объёме, вы, по сути, просто копируете и вставляете этот фрагмент логики по всей таблице. С точки зрения программирования, вы осуществляете массовое дублирование вашей логики. У вас есть одна формула, а затем у вас оказывается миллион копий этой исходной формулы. Если у вас большая организация, положительной стороной использования таблиц было то, что у каждого могла быть своя эвристика. Но если вы берёте таблицу с несколькими сотнями продуктов и у вас есть две или три хорошо работающие эвристики, а затем решаете объединить в одной большой таблице 20 и более различных эвристик, необходимых для более широкого охвата, ваша таблица внезапно сталкивается с проблемой сложности. Ваша таблица начинает содержать не просто две формулы, вырезанные и вставленные, а 20 формул, которые используются не везде одинаково, и это становится довольно запутанным. Если вы попытаетесь масштабировать до сотен эвристик по всей организации, это превратится в настоящий кошмар.
Kieran Chandler: Таблицы выглядят несколько громоздкими, и кажется, что вычисления занимают довольно много времени. Именно это дублирование логики и является причиной, не так ли?
Joannes Vermorel: Да, во многом. Модель программирования приводит к дублированию логики повсюду. Проблема заключается в обслуживании этой логики. Как можно поддерживать Excel-таблицу, которая содержит буквально сотни различных формул? Я не говорю о сотнях различных формул, когда в каждом столбце используется всего одна формула, потому что это самый простой случай. Представьте Excel-таблицу с миллионом строк, и в некоторых строках формула отличается от формулы, находящейся непосредственно выше или ниже. Разные специалисты по цепочке поставок, работающие с различными продуктовыми линиями и сегментами, используют разные эвристики. Если учесть это, вы получите таблицу, которая становится чрезвычайно сложной и очень трудной для обслуживания. Таблицы плохо справляются с увеличением сложности, и их обслуживание, отладка и даже понимание происходящего превращается в настоящий кошмар.
Kieran Chandler: Так как же можно отказаться от этих таблиц? Организации потратили годы на их создание, и в них хранится огромное количество логики.
Joannes Vermorel: Во-первых, вам необходимы возможности программирования, но вы не хотите просто копировать то, что было раньше. Если вы попытаетесь просто воспроизвести логику, заложенную в таблице, вы получите нечто, что не будет лучше того, что у вас было раньше. Это будет лишь немного лучше с точки зрения резервного копирования и управления правами доступа. По сути, если вы просто попытаетесь перенести свою таблицу в другую систему, вы окажетесь в технологическом тупике. Вы можете достичь незначительного увеличения эффективности на несколько процентов, но это будет очень незначительно. Как только вы закончите с этим, ничего и лучшего не получите. Вы также можете потерять некоторую гибкость, поскольку новая система может оказаться немного более жесткой. Поэтому вам нужно подумать о чем-то, что выходит за рамки того, что можно достичь с помощью эвристик. Вам нужно переосмыслить себя и выбрать нечто, что даст вам шанс сделать лучше.
Kieran Chandler: Вы упомянули компании Google и Amazon, которые вышли за эти рамки и применяют более современные подходы. Чему мы можем научиться у них и что они внедрили?
Joannes Vermorel: Особенность современного машинного обучения заключается в том, как перейти за стадию систем, основанных на правилах. Первая стадия копирования человеческого интеллекта в 60‑х годах заключалась в использовании систем, основанных на правилах, или решенийных движков. Эвристики, применяемые в цепочках поставок, именно таковы – это правила для принятия решения о том, стоит ли закупать больше, производить больше или перераспределять больше в определённой области. Если вы хотите выйти за эти рамки, вам нужно переосмыслить себя и внедрить современные методы машинного обучения для улучшения процессов в вашей цепочке поставок.
Kieran Chandler: Локация или другая – мы достигли стадии, когда у нас есть системы, основанные на правилах, и мы настроили эти правила. Если посмотреть на то, что делают Google и Amazon, они говорят: «О, мы занимаемся машинным обучением», так что это становится модным словом, и это очень продвинутое машинное обучение, которое может квалифицироваться как ИИ. По сути, всё очень просто. Вместо того чтобы иметь статический набор правил, которые поддерживаются вручную, мы хотим извлекать эти правила из исторических данных.
Joannes Vermorel: То, что вам необходимо, по сути, это возможности программирования, но вам также нужны возможности машинного обучения, чтобы большинство этих эвристик можно было извлечь непосредственно из самих данных. Это не что-то чрезмерно сложное, но если ваша парадигма программирования неверна, то ничего не будет работать, и машинное обучение просто не сработает. Доминирующая парадигма количественной цепочки поставок до тех пор, пока несколько компаний, таких как Amazon или Lokad, не начали мыслить иначе, заключалась в классическом прогнозировании спроса, где существует только одно будущее. Мы делаем прогноз, и всё основывается на этом одном будущем. К сожалению, если вы подходите к проблеме с этой отправной точки, это просто не работает, и вам никогда не удастся повторить эффективность этих, казалось бы, наивных эвристик. Если вы хотите превзойти эти эвристики, вам необходимо перейти к вероятностному прогнозированию, и тогда у вас появится шанс превзойти их. Именно это, по-видимому, и делает Amazon, судя по их опубликованным исследованиям.
Kieran Chandler: Если собрать всё вместе сейчас, что бы вы сказали скептическому специалисту по цепочке поставок, который, вероятно, смотрит это и у которого есть системы, которые вроде работают, может быть, даже немного громоздкие, но они работают с использованием Microsoft Excel? Есть ли действительно стимул уйти от этого?
Joannes Vermorel: Если вы используете Excel и, вероятно, делаете это уже один-два десятилетия, первое, что нужно признать, — вы находитесь в технологическом тупике. Это может быть неплохо, но с течением времени улучшений не предвидится. Не рассчитывайте, что следующая версия Microsoft решит эту проблему. Excel уже является отличным продуктом. Он очень стабилен, не вылетает, достаточно масштабируем и обладает множеством положительных качеств. Он не станет значительно лучше. Альтернативные табличные редакторы не изменят ситуацию. Они могут немного улучшиться, но в сущности, это ничего не изменит. Вопрос в том, сможете ли вы смириться с тем, что застряли в тупике? Некоторые отрасли могут обходиться на плато, но что касается цепочки поставок, я вижу, что такие компании, как Amazon, Alibaba и Zalando, технически очень агрессивны и движутся чрезвычайно быстро. Они действительно достигают результатов в цепочке поставок, и они не делают этого с помощью таблиц. Поэтому, я думаю, вывод таков: вы находитесь на плато. Некоторые работают намного эффективнее, и это не маркетинговый ход. Рост Amazon и Alibaba реален. Можете ли вы позволить себе и дальше оставаться в технологическом тупике? Возможно, да, а возможно, и нет.
Kieran Chandler: Итак, подытоживая, сказали бы вы, что у Excel отмеренное время, и можно действительно представить день, когда в отрасли вообще не будет Excel?
Joannes Vermorel: Не поймите меня неправильно. Excel используется часто, не для предиктивной оптимизации, а для ввода данных, для табличного заполнения. Microsoft выиграла войну табличных редакторов в конце 80‑х не потому, что у них были лучшие расчёты для Excel, а потому что ввод данных через Excel был проще. Существует множество ситуаций, когда использование таблицы…
Kieran Chandler: Потому что ввод данных через Excel был проще, я думаю, вы знаете, существует множество ситуаций, когда использование таблицы вполне приемлемо. Что я имею в виду, так это то, что если вы хотите заниматься предиктивной оптимизацией цепочки поставок для достаточно сложных сетей, Excel для этой конкретной цели подошёл к концу. Для множества других задач Excel вполне годится. Ладно, последние мысли, Joannes?
Joannes Vermorel: Просто следите за этим пространством, наверное.
Kieran Chandler: То же самое на этой неделе. Спасибо, что были с нами, и до встречи в следующий раз. Пока!
