00:00:07 Важность прогнозирования трендов.
00:01:36 Ограничения использования данных социальных сетей для прогнозирования цепочки поставок.
00:04:26 Несоответствие между трендами в социальных сетях и данными цепочки поставок на уровне SKU.
00:06:37 Проблемы обнаружения ранних сигналов в данных социальных сетей.
00:07:20 Использование данных компании для улучшения прогнозирования и важность стабильных моделей прогнозирования.
00:10:07 Сложность прогнозирования экстремальных событий, таких как COVID-19, и важность вероятностного прогнозирования.
00:13:42 Медленный и ручной процесс превращения прогнозов в решения в большинстве отраслей.
00:15:00 Медлительность цепочек поставок и неэффективность реагирования на ранние сигналы.
00:15:53 Необходимость роботизации потоков данных для более эффективного принятия решений.
00:17:07 Ограничения технологий прогнозирования и принятие неопределенности.
00:19:35 Роль специалистов по цепочке поставок и человеческого понимания в процессе принятия решений.
00:20:31 Оценка потенциальной экономии времени с помощью улучшенных технологий прогнозирования.
00:22:00 Приоритезация автоматизации в принятии решений вместо продвинутого прогнозирования.

Резюме

Kieran Chandler и Joannes Vermorel обсуждают проблемы и возможности использования внешних источников данных, таких как социальные сети, для прогнозирования тенденций в цепочке поставок. Верморель утверждает, что, хотя полезная информация может содержаться в социальных медиа, сопоставить её с конкретными продуктами достаточно сложно, а качество и контекст данных часто остаются неясными. Вместо этого он рекомендует сосредоточиться на внутренних данных для более четкого предвидения будущего и использовать вероятностный подход для подготовки к экстремальным событиям. Верморель подчеркивает необходимость автоматизации процессов принятия решений, чтобы повысить гибкость компаний и улучшить их реакцию на колебания спроса.

Расширенное резюме

Дискуссия между Киреном Чендлером и Joannes Vermorel вращается вокруг потенциала использования больших внешних источников данных, таких как социальные сети, для прогнозирования тенденций и обнаружения ранних сигналов для оптимизации цепочек поставок. Верморель утверждает, что на практике этот подход не работает эффективно для цепочек поставок из-за сложности извлечения релевантных данных и различения настоящей и поддельной информации. Даже рекламодателям сложно отличить настоящие данные от сгенерированного ботами трафика, что делает получение ценных инсайтов из этих источников данных затруднительным. Верморель предполагает, что прогнозирование тенденций с использованием социальных сетей может срабатывать в редких или экстремальных случаях, но необходимая детализация информации для оптимизации цепочек поставок, как правило, недостижима.

Они обсуждали проблемы и возможности использования внешних данных, таких как социальные сети, для прогнозирования тенденций в цепочках поставок. Верморель объясняет, что, хотя в социальных медиа может содержаться ценная информация, её сложно напрямую сопоставить с конкретными продуктами или SKU. Более того, качество и контекст данных часто остаются неясными, поскольку люди редко упоминают детали продукта, такие как UPC-коды, в своих сообщениях, а интерпретация контента может быть весьма субъективной.

Верморель добавляет, что даже когда информация кажется очевидной, например, когда знаменитость рекламирует продукт, её интерпретация может значительно варьироваться. Люди могут обращать внимание на разные аспекты продукта, такие как цвет, форма или бренд. Эта неопределенность усугубляется тем, что посты в социальных сетях часто являются частью более широкой беседы, где взаимодействия и ответы вносят дополнительную неоднозначность. Анализ настроений может помочь, но всё же сложно извлечь четкую и практически применимую информацию из данных социальных сетей.

На вопрос о других ранних сигналах для тенденций в цепочках поставок, Верморель предлагает компаниям сосредоточиться на своих внутренних данных. Более четкое представление о будущем можно получить, анализируя эти данные, но обнаружение ранних сигналов необычных событий остаётся сложной задачей. Он объясняет, что даже при наличии хорошей модели прогнозирования существуют ограничения, связанные с необходимостью стабильности. Цепочке поставок требуется устойчивый план для исполнения, а избыточная адаптивность может привести к дорогостоящим ложным срабатываниям.

Верморель признает, что в обнаружении сигналов на более раннем этапе можно добиться улучшений, но прогресс часто является незначительным. Например, в Lokad радуются, когда удается обнаружить срыв на несколько дней раньше, чем раньше. Он предостерегает, что в большинстве случаев эти ранние сигналы все же остаются реактивными, поскольку они основаны на данных компании, отражающих изменения в продажах или других факторах.

Обсуждая идею наличия ранних сигналов для значимых событий, таких как коронавирус, Верморель ставит под сомнение возможность надежного обнаружения таких сигналов. Он предполагает, что хотя полезно иметь системы раннего предупреждения для редких масштабных сбоев, практичность разработки точных и надежных моделей прогнозирования для таких сценариев остается сомнительной.

Основатель обсудил экстремальные события хвоста, такие как COVID-19, сложности прогнозирования таких событий и важность вероятностного прогнозирования. Он утверждает, что прогнозирование выбросов по своей природе чрезвычайно сложно из-за их неожиданного и беспрецедентного характера. Вместо этого он рекомендует принять вероятностный подход, который приписывает экстремальным событиям небольшую вероятность, и подготовиться к ним со временем.

Верморель подчеркивает необходимость того, чтобы организации были рефлексивными и адаптивными в ответ на мировые события. Он отмечает, что многие отрасли медленно реагируют, даже получая ранние предупреждающие сигналы, поскольку им не хватает способности эффективно превращать прогнозы в решения, которые можно выполнить. Это зачастую связано с ручным и трудоемким характером процессов принятия решений внутри компаний.

Он подчеркивает важность наличия полностью автоматизированного процесса преобразования прогнозов в решения без вмешательства человека. Без автоматизации преимущества ранних предупреждающих сигналов часто нивелируются инерцией людей, пытающихся превратить прогнозы в действия. Кроме того, он отмечает проблему достоверности ранних сигналов, так как они часто сопровождаются шумом и неопределенностью.

Верморель предполагает, что технологии могут потенциально улучшиться в будущем, но ключевой проблемой остается превращение прогнозов в решения. Он считает, что подход количественной оптимизации цепочки поставок, включающий полную роботизацию потока данных, имеет решающее значение для решения этой проблемы. Это позволяет компаниям быть более адаптивными и лучше подготовленными к непредвиденным событиям.

Он обсудил сложности прогнозирования и реагирования на резкие скачки спроса, например, во время пандемии. Верморель объясняет, что будущее по своей природе неопределенно, и вероятностное прогнозирование является лучшим подходом для принятия этой неопределенности. Он подчеркивает, что компаниям следует сосредоточиться на том, как принимать более обоснованные решения, основываясь на вероятностях, а не пытаться точно предсказать цифры.

Верморель считает, что ключ к успешному реагированию на резкие скачки спроса — это гибкость, и компании могут достичь этого, автоматизируя свои процессы. Он утверждает, что технология улучшенного прогнозирования может сэкономить компании всего неделю или две по сравнению с традиционными методами, но реальное преимущество заключается в устранении задержки между прогнозированием и принятием решений. Интегрируя эти процессы, компании могут принимать более быстрые и эффективные решения.

На вопрос о роли специалистов по цепочкам поставок, Верморель предлагает, чтобы они сосредоточились на автоматизации своих процессов и своевременности реагирования на изменения спроса. Он отмечает, что компании часто теряют значительное время, иногда до четверти, пытаясь приспособиться к новым условиям. Оптимизировав и автоматизировав процессы, компании могут сократить эту задержку и повысить свою гибкость.

Верморель также говорит о ограничениях использования данных социальных сетей для прогнозирования. Хотя они могут дать определенные инсайты, эта информация не обязательно пригодна для принятия решений компаниями. Вместо этого бизнесу следует отдавать приоритет автоматизации процессов принятия решений и внедрению более продвинутых методов прогнозирования, чтобы повысить свою гибкость в ответ на колебания спроса.

Верморель подчеркивает важность принятия неопределенности и сосредоточения на принятии лучших решений, основанных на вероятностях. Автоматизируя процессы и устраняя задержку между прогнозированием и принятием решений, компании могут повысить свою гибкость и лучше реагировать на резкие скачки спроса.

Полная транскрипция

Kieran Chandler: Сегодня на Lokad TV мы обсудим, возможно ли теперь, с ростом социальных сетей, использовать ранние сигналы, и что компании могут сделать, чтобы воспользоваться ими. Итак, Joannes, сегодня наша тема — прогнозирование этих ранних сигналов. В чем суть этой идеи?

Joannes Vermorel: Идея, как её представляют многие поставщики программного обеспечения, заключается в том, что, используя большие источники данных, выходящие за рамки возможностей компании, можно фактически узнать будущее немного раньше, получить взгляд в более отдалённое будущее чуть раньше. Примером этой идеи раннего сигнала может служить обнаружение тренда в Instagram: когда некоторые знаменитости начинают носить новый тип одежды, и, вдруг, можно предвидеть, что через месяц появится новый тренд или что-то в этом роде.

Kieran Chandler: Итак, когда мы говорим об этих источниках данных, мы имеем в виду, возможно, социальные сети. Являются ли это правильными данными, на которые следует обращать внимание?

Joannes Vermorel: По крайней мере, так скажут многие поставщики оптимизации цепочек поставок, основанные на ИИ.

Kieran Chandler: А на практике, насколько эффективно это работает — прогнозирование ранних сигналов на основе внешних источников данных?

Joannes Vermorel: В настоящее время практически ничего, что хоть как-то работало бы для цепочек поставок, не существует — даже близко. Идея о том, что можно зайти в социальные сети и просто извлечь оттуда релевантные данные, — всего лишь иллюзия. Люди делают вид, что это возможно, но они никогда не замечали, что большая часть трафика в этих социальных сетях создается не людьми, а ботами, знаете, роботами. Поэтому очень сложно определить, что реально, а что нет. Даже рекламодателям, которые платят за показы, очень сложно отделить реальное от нереального, и они тратят кучу денег на продвижение рекламы на этих платформах. Даже когда вы платите за каждое отдельное впечатление и отчаянно стараетесь удостовериться, что это действительно настоящие люди с настоящими глазами смотрят на эти объявления, это очень сложно. Представьте себе, что если вы просто поставщик, собирающий терабайты случайных данных о трафике, вы получите просто массу случайности, много шума. Идея о том, что можно автоматически прогнозировать тренды на основе этого, может сработать в некоторых экстремальных ситуациях, да, но они редки, и поэтому не очень интересны. И вид информации, который вы получите, вовсе не будет обладать той степенью детализации, которая вас интересует. Да, если ваша детализация — это прогнозирование того, кто окажется в числе 50 самых популярных артистов в США в этом году, вы можете получить ранний сигнал, просто анализируя социальные сети. Это даст вам ясное представление заранее о том, кто в конце года станет самым известным артистом. Но если вы попытаетесь получить информацию, например, сколько футболок этого размера, этого цвета, с этим рисунком я продам в этом регионе США, — это совсем другая задача.

Kieran Chandler: Хорошо, а в чем проблема с качеством данных? Вы упомянули, что на этих платформах много роботов и тому подобного, но всё же мы видим, как посты с наибольшим количеством лайков поднимаются наверх, становясь наиболее видимыми. Так почему же с точки зрения данных это неинтересно?

Joannes Vermorel: Проблема в том, что, опять же, в цепочках поставок производство организовано по SKU. Вы производите SKU чего-либо, а затем продаете эти продукты, возможно, через набор для сложных маркетинговых каналов и т.д. Независимо от того, какие твиты ретвитят миллион раз или какая картинка в Instagram смотрится бесчисленное количество раз, нет прямой связи между этим и любыми из SKU, которые вы производите или распространяете. Люди очень редко указывают UPC-код в своих твитах, говоря, что данный продукт с этим штрихкодом действительно превосходный. Поэтому обычно всё очень расплывчато. Даже когда кажется, что всё очевидно, даже если у вас есть суперзвезда, которая пишет: “Эти новые туфли — супер,” некоторые могут сосредоточиться на цвете, другие — на форме, третьи — на бренде, а некоторые интерпретируют это как нечто похожее. Это может быть очень неясно, и когда вы прибавляете к этому тот факт, что существует много взаимодействий, то не получится просто взглянуть на один пост и сказать: “Вот оно.” Это своего рода серия; здесь происходит взаимодействие. Важен сам отклик, потому что что, если кто-то опубликует сообщение, которое набрало миллионы ретвитов, но эти ретвиты будут крайне критичны или саркастичны? Можно провести анализ настроений, но вы окажетесь в сфере, где очень сложно.

Kieran Chandler: Хорошо, звучит определенно сложно с точки зрения социальных сетей, но существуют ли какие-либо другие ранние сигналы, на которые мы могли бы обратить внимание? Мы уже говорили о погоде в предыдущем эпизоде, так что что еще можно рассмотреть?

Joannes Vermorel: Да, я имею в виду, обычно, если просто взглянуть на данные самих компаний, там содержится масса информации, и можно попытаться, анализируя уже имеющиеся данные, получить более чёткое представление о будущем. Именно такой подход применяет Lokad. А когда дело доходит до получения действительно раннего сигнала о чем-то, что, я бы сказал, является событием в хвосте распределения или чем-то не совсем обычным, это крайне сложно. Да, если у вас есть очень хорошая модель прогнозирования, сигнал может появиться немного раньше, но на это существуют серьёзные ограничения. Просто потому, что лучшая модель прогнозирования обычно означает, что…

Киран Чэндлер: Итак, по вашему опыту, стабильность важна для моделей прогнозирования, будь то классические или вероятностные. Цепям поставок нужен относительно стабильный план для исполнения, и вы не хотите, чтобы даже небольшой шум на рынке приводил к резкой смене курса, нарушая производство и дистрибуцию. Как вы справляетесь с движками прогнозирования, которые становятся чрезмерно чувствительными и приводят к ложным срабатываниям?

Joannes Vermorel: Хорошая технология прогнозирования не выходит из себя только из-за добавления ещё одного дня в году. В большинстве ситуаций всё идёт по-старому с минимальными изменениями курса. Если ваша система прогнозирования становится чрезмерно чувствительной, вы получите ложные срабатывания. Может показаться, что у вас есть ранний сигнал для кардинальной смены курса, но через две недели вы понимаете, что это был всего лишь артефакт или кратковременный всплеск, что может оказаться очень дорогостоящим. В Lokad за последнее десятилетие мы достигли определённого прогресса, но он очень незначительный. Мы радуемся, когда можем обнаружить сбой на несколько дней раньше, но сэкономить всего несколько дней — это максимум, на что мы способны.

Киран Чэндлер: А как же большой всплеск, подобный тому, что произошёл с коронавирусом? Конечно, хорошо иметь ранний сигнал для подобных сценариев, и что можно сделать, если у вас есть один из этих ранних сигналов? Разве это не приносит пользу?

Joannes Vermorel: Я ставлю под сомнение мысль о том, что можно получить ранний сигнал для экстремальных событий в хвосте, таких как COVID-19. Большинство людей были озадачены тем, как разворачивались события, ведь всё происходило очень случайно и непоследовательно между странами или даже регионами. Выбросы, по своей природе, очень трудно предсказать. Я также сомневаюсь, что прогноз, даже с двухнедельным опережением, действительно помог бы в борьбе с COVID-19.

Киран Чэндлер: Вероятностное видение в отношении событий в хвосте подразумевает, что их действительно нельзя предсказать. Это практически заложено в системе, ведь они будут новыми и неожиданными. Но вы можете сделать так, чтобы ваш прогноз, ваш вероятностный прогноз, всегда учитывал определённую вероятность для поистине невероятных событий. Не то чтобы можно было предвидеть COVID-19, но можно сказать, что в следующем квартале существует примерно один процент шанса, что бизнес окажется вдвое меньше, чем сейчас или чем в прошлом году. Почему? Не знаю, не знаю. Это просто возможность. Это может быть война, пандемия, масштабный отзыв продукции, возможно, клевета в интернете против бренда или что угодно. Разумно ли утверждать, что для большинства компаний каждый квартал существует примерно один процент шанс, что продажи сократятся вдвое?

Joannes Vermorel: Я бы сказал, что для большинства компаний — да. Это означает, что раз в столетие происходит масштабная катастрофа примерно четыре раза. Думаю, такое утверждение справедливо. Если взглянуть на XX век, подобных событий было даже больше. Поэтому необходим вероятностный прогноз, в котором на экстремальные события закладывается фиксированная, низкая вероятность, и вы готовитесь к тому, что это может произойти в любой момент, а когда случится, вы не получите никакого предупреждения. Но хорошая новость заключается в том, что если вы в течение многих лет учитываете эту вероятность, значит, вы внесли небольшие коррективы, и если такое произойдёт, вы будете отчасти подготовлены. Однако на это потребовались годы подготовки и рационального использования ресурсов.

Киран Чэндлер: Мы всегда говорим о необходимости быть внимательными к тому, что происходит в мире. Есть ли отрасли, которые, по вашему наблюдению, классически реагируют медленно и могли бы выиграть от подхода с ранними сигналами?

Joannes Vermorel: Дело в том, что большинство отраслей, которые я наблюдал, даже если им дать ранний сигнал, они ничего с ним не делают. Причина в том, что до тех пор, пока не наступит определённый момент — и это возвращает нас к количественному взгляду на цепочку поставок, где четвёртый пункт заключается в полной автоматизации вашего потока данных для принятия решений — элемент прогнозирования является всего лишь одним шагом в процессе, который в конечном итоге ведёт к принятию решений, таким как: стоит ли закупать больше у поставщиков, производить больше или, может, скорректировать цену вверх или вниз. Но реальность такова, что для большинства компаний процесс превращения прогнозов в реальные решения является весьма ручным и, на мой взгляд, очень медленным. Представьте, что вы вложили много в технологии для получения раннего сигнала — возможно, на неделю или две раньше, если вы действительно хороши. Это то, что можно достичь с технологиями, существующими на данный момент.

Киран Чэндлер: Возможно, бывают исключения, когда можно увидеть что-то заранее, но я сомневаюсь, что в данном случае речь идёт о статистическом прогнозе. Скорее всего, это будет высокоуровневое понимание эволюции рынка, основанное на числах и статистике. В такой ситуации у вас появляется ранний прогноз, но собираетесь ли вы на его основе что-либо предпринять?

Joannes Vermorel: Обычно, если последствие получения раннего сигнала сводится лишь к отправке электронного письма кому-то в вашей компании или к ожиданию, что этот человек заглянет в приложение для просмотра оповещений, в краткосрочной перспективе ничего не произойдёт. Всё будет идти очень медленно. Цепочки поставок — это сложные и распределённые системы, включающие множество людей, систем и машин в различных локациях. Если вы хотите добиться хорошей реактивности цепочки поставок, нужна координация. Если отсутствует высокая степень автоматизации, эта координация вовлекает реальных людей, которые начинают в панике звонить друг другу, и это занимает время, обычно несколько недель.

В конечном счёте, если у вас есть ранний сигнал, но отсутствует полностью автоматизированный процесс, превращающий ваш прогноз в решения без участия человека, подавляющее большинство потенциальной выгоды от раннего сигнала теряется из-за инерции людей, пытающихся воплотить эти прогнозы в реальные действия.

Киран Чэндлер: Думаю, одной из проблем этих ранних сигналов является степень уверенности, которую можно иметь в их результатах. Как вы сказали, они зачастую довольно шумные. Считаете ли вы, что в будущем мы сможем достичь такого уровня технологий, когда можно будет больше доверять этим результатам?

Joannes Vermorel: Нет, и причина в том, что будущее неопределённо, и эта неопределённость не может быть устранена. В течение последнего десятилетия мы сосредоточились на вероятностном прогнозировании, которое принимает неизбежную неопределённость будущего. Если вы ждёте волшебной компьютерной системы, которая выдаст вам выигрышный номер лотереи со 100% уверенностью, так не бывает. В лучшем случае у вас будет система, выдающая лишь вероятности.

Например, вы можете столкнуться с ситуацией, когда вероятность экстремального события составляет 1%. Затем, возможно, вы замечаете, что что-то не так, и на следующий день оценка повышается до 1,5%. Следует ли что-то предпринять? Возможно, нет. На следующий день вероятность возрастает до 3% — экспоненциальный рост, но всё ещё очень медленный. Потом доходит до 6%. Должны ли вы сходить с ума из-за 6%-ной вероятности?

Киран Чэндлер: То, что должно происходить, знаете, мы говорим о том, что изначально предполагалось случаться раз в 25 лет, а теперь мы наблюдаем ситуацию, когда такое происходит, может, раз в пять лет или около того. Но это всё же всего лишь всплеск, и идея в том, что эти приоритеты весьма размыты, и если ваша система принятия решений хорошо спроектирована, то механизмы, преобразующие эти приоритеты в решения, постепенно отразят, что риск, который раньше составлял один процент, теперь дошёл до шести процентов. Таким образом, решения слегка корректируются в сторону, делающей вашу компанию более защищённой, но без излишней паники. Вы не хотите, чтобы что-то просто сводило вашу цепь поставок с ума резкими изменениями, и, возможно, на следующий день оценка снизится с шести до трёх процентов, потому что это мог быть ложный сигнал или риск продолжит расти. Но видите, это своего рода адекватный отклик, который можно получить от полностью автоматизированного потока данных. А если у вас есть учёные по цепям поставок, которые следят за новостями, обладают глубоким пониманием ситуации и видят, что приближается большая волна, как коронавирус, тогда у вас действительно могут быть люди, которые, дополнительно к этому, внесут коррективы в числовой алгоритм, чтобы добавить немного человеческого понимания и направить систему в лучшее русло.

Joannes Vermorel: Итак, если вы практикующий специалист по цепям поставок, который это смотрит, должно ли ваше основное внимание быть сосредоточено на полной автоматизации процессов, а не на беспокойстве о том, что происходит на ранних этапах? Вам следует обращать внимание на то, как вы реагируете в момент наступления события.

Киран Чэндлер: Точно. Вам нужно оценить, сколько дней гибкости вы сможете выиграть. Для большинства компаний, я бы сказал, что благодаря улучшенной технологии прогнозирования, возможно, аналогичной той, что используется в Lokad, сколько можно сэкономить? Может, неделю, может, две по сравнению со скользящим средним. Возможно, у вас будут точнее прогнозы, что может привести к выигрышу примерно четырёх недель, если ваша компания ужасно справляется с seasonality или чем-то подобным. Но если у вас отсутствует дисфункциональный процесс, речь всё же идёт всего о нескольких неделях. Однако когда дело доходит до принятия решений, я часто наблюдаю, что компании могут тратить до четверти времени, чтобы собраться и принять новую реальность. Всё происходит очень медленно, и даже в сверхреагирующих бизнесах, таких как фаст-фэшн, где преобразование прогноза в решение занимало шесть недель — и я говорю только о принятии решения, а затем ещё нужно производить, транспортировать и распределять — всё это занимает время. Поэтому, на мой взгляд, для подавляющего большинства компаний гораздо безопаснее сначала устранить задержку между прогнозированием и принятием решений, объединив весь процесс в одну автоматизированную систему, а затем разобраться, как можно получить суперсовременные прогнозы, позволяющие сэкономить ещё несколько дней или недель, если повезёт. Хорошо, отлично, на этом остановимся. Но, думаю, теперь мы можем пользоваться социальными сетями, не опасаясь, что компании следят за каждым нашим действием.

Joannes Vermorel: О, они наблюдают. Это просто приятно — радует некоторых аналитиков, но они не превращают это в нечто действенное.

Киран Чэндлер: Отлично, это всё на этой неделе. Большое спасибо за внимание, и до встречи в следующем эпизоде.