00:00:07 Важность прогнозирования тенденций.
00:01:36 Ограничения использования данных социальных медиа для прогнозирования цепей поставок.
00:04:26 Разрыв между тенденциями социальных медиа и данными цепей поставок на уровне SKU.
00:06:37 Проблемы поиска ранних сигналов в данных социальных медиа.
00:07:20 Использование корпоративных данных для более точного 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 цепей поставок и неэффективность реагирования на ранние сигналы.
00:15:53 Необходимость роботизации потоков данных для более эффективного принятия решений.
00:17:07 Ограничения технологии прогнозирования и принятие неопределенности.
00:19:35 Роль ученых по цепям поставок и человеческого понимания в принятии решений.
00:20:31 Оценка потенциальной экономии времени с помощью более точной технологии прогнозирования.
00:22:00 Приоритет автоматизации в принятии решений перед продвинутым прогнозированием.
Резюме
Киран Чандлер и Жоанн Верморель обсуждают проблемы и потенциал использования внешних источников данных, таких как социальные медиа, для прогнозирования тенденций в цепях поставок. Верморель утверждает, что хотя ценная информация может существовать в социальных медиа, сложно соотнести данные с конкретными продуктами, и качество и контекст данных часто неясны. Вместо этого он рекомендует сосредоточиться на внутренних данных для более четкого представления будущего и принять вероятностный подход для подготовки к экстремальным событиям. Верморель подчеркивает необходимость автоматизации процессов принятия решений компаний для повышения их гибкости и лучшего реагирования на колебания спроса.
Расширенное резюме
Обсуждение между Кираном Чандлером и Жоаннесом Верморелем касается потенциала использования больших внешних источников данных, таких как социальные медиа, для прогнозирования тенденций и выявления ранних сигналов для оптимизации цепей поставок. Верморель утверждает, что на практике этот подход неэффективен для цепей поставок из-за сложности извлечения соответствующих данных и различия между реальной и фальшивой информацией. Даже рекламодателям сложно отличить реальный трафик от ботов, что затрудняет получение ценных идей из этих источников данных. Верморель предлагает, что прогнозирование тенденций с использованием социальных медиа может работать в редких или экстремальных ситуациях, но детализация информации, необходимая для оптимизации цепей поставок, обычно недоступна.
Они обсудили проблемы и потенциал использования внешних данных, таких как социальные медиа, для прогнозирования тенденций в цепи поставок. Верморель объясняет, что хотя в социальных медиа может быть ценная информация, сложно прямо связать эти данные с конкретными продуктами или SKU. Кроме того, качество и контекст данных часто неясны, так как люди редко упоминают детали продукта, такие как штрих-коды UPC, в своих сообщениях, и интерпретация контента может быть субъективной.
Верморель добавляет, что даже когда информация кажется очевидной, например, когда знаменитость рекламирует продукт, интерпретация может существенно отличаться. Люди могут обращать внимание на разные аспекты продукта, такие как цвет, форма или бренд. Эта неопределенность усугубляется тем, что сообщения в социальных медиа часто являются частью более крупной беседы, и взаимодействия и ответы добавляют дополнительную неоднозначность. Анализ тональности может помочь, но по-прежнему сложно извлечь четкую и действенную информацию из данных социальных медиа.
На вопрос о других ранних сигналах для тенденций в цепи поставок Верморель предлагает компаниям сосредоточиться на своих собственных внутренних данных. Более четкое представление о будущем можно получить, анализируя эти данные, но обнаружение ранних сигналов для необычных событий остается сложной задачей. Он объясняет, что даже с хорошей моделью прогнозирования есть ограничения из-за необходимости стабильности. Цепочке поставок требуется устойчивый план для выполнения, и слишком большая реактивность может привести к дорогостоящим ложным сигналам.
Верморель признает, что можно сделать улучшения в обнаружении сигналов раньше, но прогресс часто является незначительным. Например, в Lokad они рады, когда они могут обнаружить нарушение за несколько дней раньше, чем раньше. Он предупреждает, что в большинстве случаев эти ранние сигналы по-прежнему являются реактивными, так как они основаны на данных компании, отражающих изменения в продажах или других факторах.
Обсуждая идею наличия ранних сигналов для значительных событий, таких как коронавирус, Верморель сомневается в возможности надежного обнаружения таких сигналов. Он предлагает, что хотя может быть полезно иметь системы раннего предупреждения для редких крупномасштабных нарушений, практичность разработки точных и надежных моделей прогнозирования для таких сценариев остается неопределенной.
Основатель обсудил экстремальные события, такие как COVID-19, проблемы прогнозирования таких событий и важность вероятностного прогнозирования. Он утверждает, что прогнозирование выбросов по своей природе сложно из-за их неожиданного и беспрецедентного характера. Вместо этого он рекомендует принять вероятностный подход, который присваивает малую вероятность экстремальным событиям и готовиться к ним со временем.
Верморель подчеркивает необходимость для организаций быть рефлексивными и адаптивными в ответ на мировые события. Он отмечает, что многие отрасли медленно реагируют, даже когда получают ранние сигналы предупреждения, так как им не хватает возможности эффективно превращать прогнозы в действия. Это часто связано с ручными и трудоемкими процессами принятия решений внутри компаний.
Он подчеркивает важность полностью автоматизированного процесса превращения прогнозов в решения без вмешательства человека. Без автоматизации преимущества ранних сигналов предупреждения часто теряются из-за инерции людей, пытающихся превратить прогнозы в действия. Кроме того, он подчеркивает проблему уверенности в ранних сигналах, так как они часто являются шумными и неопределенными.
Верморель предлагает, что технология в будущем, возможно, сможет улучшиться, но главная проблема остается в превращении прогнозов в решения. Он считает, что количественный подход к цепи поставок, включающий полную роботизацию процесса обработки данных, является необходимым для решения этой проблемы. Это позволяет компаниям быть более отзывчивыми и лучше подготовленными к неожиданным событиям.
Он обсудил проблемы прогнозирования и реагирования на всплески спроса, такие как во время пандемии. Верморель объясняет, что будущее по своей природе неопределенно, и вероятностное прогнозирование является лучшим подходом для принятия этой неопределенности. Он подчеркивает, что компании должны сосредоточиться на том, как принимать лучшие решения на основе вероятностей, а не пытаться предсказать точные числа.
Верморель считает, что ключевым моментом успешного реагирования на всплески спроса является гибкость, и компании могут достичь этого, автоматизируя свои процессы. Он утверждает, что лучшая технология прогнозирования может сэкономить компании всего неделю или две по сравнению с традиционными методами, но настоящее преимущество заключается в устранении задержки между прогнозированием и принятием решений. Интегрируя эти процессы, компании могут принимать более быстрые и эффективные решения.
Когда ему задали вопрос о роли практиков в сфере поставок, Верморель предлагает им сосредоточиться на автоматизации своих процессов и своевременном реагировании на изменения в спросе. Он отмечает, что компании часто тратят значительное время, иногда до четверти, на адаптацию к новым реалиям. Оптимизируя и автоматизируя процессы, компании могут сократить эту задержку и улучшить свою гибкость.
Верморель также говорит о ограничениях использования данных из социальных сетей для прогнозирования. Хотя они могут предоставить некоторые идеи, они не всегда являются действенной информацией для компаний. Вместо этого компании должны приоритезировать автоматизацию процессов принятия решений и внедрение более продвинутых методов прогнозирования для повышения своей гибкости в ответ на колебания спроса.
Верморель подчеркивает важность принятия неопределенности и сосредоточения на принятии лучших решений на основе вероятностей. Автоматизируя процессы и устраняя задержку между прогнозированием и принятием решений, компании могут улучшить свою гибкость и лучше реагировать на всплески спроса.
Полный транскрипт
Кирен Чандлер: Сегодня на Lokad TV мы обсудим, возможно ли с помощью социальных сетей это теперь возможно, а также что компании могут сделать, чтобы воспользоваться этими ранними сигналами. Итак, Жоанн, сегодня наша тема - прогнозирование этих ранних сигналов. В чем идея?
Жоанн Верморель: Идея, как это представлено многими поставщиками программного обеспечения, заключается в том, что, используя большие источники данных, выходящие за пределы компании, вы можете, по сути, знать будущее немного раньше, чтобы иметь представление о более отдаленном будущем немного раньше. Архетипом этой идеи раннего сигнала было бы обнаружить, что что-то становится популярным в Instagram, потому что некоторые знаменитости теперь носят новый тип одежды, и тогда вы можете использовать это, чтобы заранее предвидеть на месяц, что наступает новый тренд или что-то в этом роде.
Кирен Чандлер: Итак, когда мы говорим о таких источниках данных, мы говорим о, возможно, источниках социальных сетей. Это правильный вид данных для анализа?
Жоанн Верморель: По крайней мере, это то, что говорят многие поставщики оптимизации цепей поставок на основе искусственного интеллекта.
Кирен Чандлер: И на практике насколько хорошо это работает, прогнозирование ранних сигналов на основе внешних источников данных?
Жоанн Верморель: В настоящее время практически ничто не работает для цепей поставок, даже отдаленно. Идея, что вы можете зайти в социальные сети и просто извлечь там соответствующие данные, является иллюзией. Это люди, притворяющиеся, что они это делают, они никогда не видели того факта, что большая часть трафика в этих социальных сетях создается не людьми, а ботами, знаете, роботами. Так что очень сложно понять, что реально, а что нет. Даже рекламодатели, которые платят за печатные издания, имеют большие трудности с тем, чтобы отделить реальное от нереального, и они платят огромные деньги, чтобы размещать рекламу на этих платформах. Даже когда вы платите за каждое отдельное показание и отчаянно стремитесь убедиться, что это действительно реальные люди с реальными глазами, смотрящими на эти объявления, это очень сложно. Так что представьте себе, если вы просто поставщик, который собирает терабайты случайных данных о трафике, то вы получаете просто много случайности, много шума. Идея автоматического прогнозирования трендов на основе этого, возможно, в некоторых экстремальных ситуациях, да, но они редки, поэтому они не очень интересны. И информация, которую вы получите, далеко не будет иметь ту детализацию, которая вас интересует. Да, если ваша детализация заключается в прогнозировании, кто будет среди 50 самых популярных артистов в США в этом году, вы можете получить ранний сигнал, просто посмотрев на социальные сети. Это даст вам заранее ясное представление о том, кто, в конце года, станет самым популярным артистом. Но если вы действительно пытаетесь получить информацию, такую как… Сколько футболок этого размера, этого цвета, этого узора я продам в этом регионе США? Это совершенно другая проблема. Здесь, я бы сказал, у вас в основном не будет информации, которая далеко не соответствует качеству информации, необходимой для перевода того, что вы получаете из этих внешних источников данных, во что-то, что имеет смысл для цепей поставок при производстве товаров и их распределении.
Кирен Чандлер: Хорошо, а в чем проблема с качеством данных? Вы упомянули, что на этих социальных платформах много роботов и прочего, но все же, мы увидим те посты, которые набирают больше всего лайков, поднимаются вверх, становятся самыми видимыми. Так что, с точки зрения данных, почему это не интересно?
Жоанн Верморель: Проблема в том, что, опять же, в цепях поставок ваше производство организовано по SKU. Вы производите SKU чего-то, а затем продаете эти продукты, возможно, через комплексные маркетинговые каналы, и т.д. Независимо от того, какие твиты получают миллион ретвитов или какая фотография в Instagram просматривается бесчисленное количество раз, нет прямого соответствия между этим и любым из SKU, которые вы производите или распространяете. Люди очень редко включают штрих-код в свой твит, говоря, что этот продукт с этим штрих-кодом действительно первоклассный. Обычно это очень нечетко. Даже когда это кажется очевидным, даже если у вас есть суперзвезда, которая твитит: “Эта новая пара обуви супер крутая”, некоторые люди могут просто смотреть на обувь и интерпретировать цвет, некоторые люди могут думать о форме, другие будут думать о бренде, а некоторые могут интерпретировать это как что-то, что выглядит подобным. Это может быть очень нечетким, и когда вы объединяете это с тем фактом, что есть много взаимодействия, то это не так, что вы можете просто посмотреть на один пост и сказать: “Вот это”. Это серия; есть взаимодействие. Оно предназначено для людей. Качество ответа имеет значение, потому что что, если кто-то публикует что-то, что имеет миллион ретвитов, но ретвиты являются крайне критическими или саркастическими? Вы можете провести анализ тональности, но вы входите в область, где это очень сложно.
Кирен Чандлер: Хорошо, так что это, безусловно, звучит сложно с точки зрения социальных медиа, но есть ли еще какие-то ранние сигналы, на которые мы могли бы обратить внимание? Мы говорили о погоде в предыдущем эпизоде, так что еще мы можем рассмотреть?
Жоанн Верморель: Да, я имею в виду, обычно, если вы просто посмотрите на данные самих компаний, там много данных, и вы можете попробовать посмотреть на данные, которые компании уже имеют, чтобы иметь более четкое представление о будущем. Это типичный подход, который использует Lokad. Затем, когда речь идет о наличии настоящего раннего сигнала для чего-то, что, я бы сказал, является хвостовым событием или чем-то необычным, это очень сложно. Да, если у вас есть очень хорошая модель прогнозирования, вы можете получить сигнал, который приходит немного раньше, но есть сильные ограничения. Просто потому, что лучшая модель прогнозирования обычно означает, что…
Кирен Чандлер: Итак, по вашему опыту, стабильность важна, когда речь идет о моделях прогнозирования, будь то классические или вероятностные. Цепи поставок нуждаются в относительно стабильном плане для выполнения, и вы не хотите, чтобы небольшой шум на рынке переключил передачи, что приведет к нарушению производства и распределения. Как вы справляетесь с прогностическими двигателями, которые становятся слишком реактивными и приводят к ложным сигналам?
Жоанн Верморель: Хорошая технология прогнозирования не сойдет с ума только из-за одного дополнительного дня в году. В большинстве случаев это просто дело обычное с минимальным изменением курса. Если у вас есть прогностический двигатель, который становится слишком реактивным, вы получаете ложные сигналы. Вы можете подумать, что у вас есть ранний сигнал для кардинального изменения курса, но через две недели вы понимаете, что это был просто артефакт или скачок, что может быть очень дорогостоящим. За последнее десятилетие мы сделали некоторые успехи в Lokad, но они очень незначительные. Мы рады, когда можем обнаружить нарушение за несколько дней раньше, но лучшее, что мы можем сделать, это сократить всего несколько дней.
Кирен Чандлер: А что насчет большого скачка, как это произошло с коронавирусом? Наверняка хорошо иметь ранний сигнал для таких сценариев, и что вы можете сделать, если у вас есть один из этих ранних сигналов? Разве это не выгодно?
Жоанн Верморель: Я оспариваю идею, что вы можете иметь ранний сигнал для экстремальных хвостовых событий, таких как COVID-19. Большинство людей были озадачены тем, как развивались события, поскольку они были очень случайными и несогласованными в разных странах или даже регионах. Выбросы, по определению, очень сложно предсказать. Я также оспариваю идею, что прогноз, даже с двухнедельным опережением, действительно помог бы справиться с COVID-19.
Кирен Чандлер: Вероятностное видение в отношении хвостовых событий - это идея, что вы действительно не можете их предсказать. Это практически по определению очень сложно, потому что оно будет новым и удивительным. Но то, что вы можете сделать, это иметь свой прогноз, свой вероятностный прогноз, который всегда ставит некоторую вероятность на вещи, которые просто дикие. Это не значит, что вы могли бы предвидеть COVID-19, но это значит, что вы говорите, что в следующем квартале есть, скажем, один процентный шанс того, что бизнес будет в два раза меньше, чем сейчас или чем в прошлом году. Почему? Я не знаю, я не знаю. Это просто возможность. Это может быть война, это может быть пандемия, это может быть массовый отзыв, возможно, онлайн-кампания против бренда или что-то еще. Разумно ли сказать, что для большинства компаний у вас есть, скажем, один процентный шанс на каждый квартал, что продажи уменьшатся в два раза в следующем квартале?
Жоанн Верморель: Я бы сказал, что для большинства компаний - да. Это означает, что четыре раза века происходит масштабная катастрофа. Я думаю, это справедливо. Если мы посмотрим на 20-й век, было больше. Поэтому вам нужно вероятностное прогнозирование, где вы устанавливаете фиксированную, низкую вероятность на экстремальные события, а затем готовитесь к этому, зная, что это может произойти в любое время, и когда это произойдет, вы предположите, что у вас не будет предупреждения. Но хорошая новость в том, что если у вас есть эта вероятность на протяжении многих лет, это означает, что вы сделали небольшие корректировки, которые, если это случится, вы в некотором роде подготовлены. Но это потребовало лет подготовки, хорошего использования ваших ресурсов.
Киран Чандлер: Мы всегда говорим об этой идее быть отзывчивыми к тому, что происходит в мире. Есть ли отрасли, которые, по вашему мнению, классически медленно реагируют и могли бы получить выгоду от раннего сигнала?
Жоанн Верморель: Дело в том, что большинство отраслей, которые я наблюдал, даже если вы дадите им ранний сигнал, не будут с ним ничего делать. Причина в том, что до тех пор, пока вы не достигнете точки, и это возвращает вопрос к этому количественному видению цепи поставок, где четвертая точка заключается в полной роботизации вашего потока данных, чтобы вы могли принимать решения. Вы видите, что происходит в большинстве компаний, это то, что прогнозный элемент является всего лишь одним шагом процесса, который в конечном итоге приводит к принятию решений, а решение - это такие вещи, как, должны ли мы закупать больше у поставщиков, должны ли мы производить больше или должны ли мы фактически изменить цену вверх или вниз? Но реальность заключается в том, что для большинства компаний процесс превращения прогнозов в фактические решения является очень ручным и, по моему мнению, очень медленным. Итак, представьте, что вы вложили много в технологию, чтобы получить ранний сигнал, может быть, на неделю раньше, две недели раньше, если вы очень хороши. Это то, что вы можете получить с помощью существующей технологии.
Киран Чандлер: Возможно, есть исключительные случаи, когда вы можете заранее что-то увидеть, но я сомневаюсь, что это будет статистический прогноз. Скорее всего, это будет общее представление о развитии рынка, основанное на цифрах и статистике. В такой ситуации у вас есть ранний прогноз, но вы будете действовать на основе него?
Жоанн Верморель: Обычно, если последствием наличия раннего сигнала является просто отправка электронной почты кому-то в вашей компании или ожидание, что эта персона перейдет в приложение, чтобы посмотреть на оповещения, ничего не произойдет в короткий промежуток времени. Это будет медленным. Цепи поставок сложны и распределены, включая множество людей, систем и машин во многих местах. Если вы хотите иметь хорошую реакцию цепи поставок, вам нужна координация. Если нет высокой степени автоматизации, эта координация будет включать реальных людей, совершающих беспокойные телефонные звонки, и это займет время, обычно несколько недель.
В итоге, если у вас есть ранний сигнал, но у вас нет полностью автоматизированного процесса, который превращает ваш прогноз в решения автоматически, без вмешательства человека, подавляющее большинство потенциальной выгоды от раннего сигнала будет потеряно в инерции людей, пытающихся превратить эти прогнозы в действия.
Киран Чандлер: Думаю, одной из проблем с этими ранними сигналами является степень уверенности в результатах. Как вы сказали, они часто достаточно шумные. Думаете ли вы, что в будущем мы сможем достичь такого уровня технологий, когда можно будет больше доверять результатам?
Жоанн Верморель: Нет, и причина в том, что будущее неопределенно, и эта неопределенность неизбежна. В течение последнего десятилетия мы сосредоточились на вероятностном прогнозировании, которое принимает во внимание тот факт, что будущее неопределено. Если вы ожидаете волшебной компьютерной системы, которая даст вам выигрышный номер лотереи с 100% уверенностью, это не работает так. В лучшем случае у вас может быть система, которая дает вам вероятности.
Например, вы можете столкнуться с ситуацией, которая начинается с 1% шанса быть экстремальным событием. Затем, возможно, вы начинаете замечать что-то странное, и на следующий день оценка возрастает до 1,5%. Следует ли вам что-то делать? Возможно, нет. На следующий день это увеличивается до 3% шанса, что является экспоненциальным ростом, но все равно очень медленным. Затем это становится 6%. Следует ли вам сходить с ума, потому что есть 6% шанс?
Кирен Чандлер: Чтобы произошло, как вы знаете, мы говорим о том, что должно было произойти только раз в 25 лет, и вот мы здесь, что-то, что может произойти, может быть, раз в пять лет или около того. Но это, опять же, всего лишь небольшой скачок, и идея в том, что эти приоритеты очень нечеткие, и если ваша система принятия решений хорошо спроектирована, то вещи, которые преобразуют эти приоритеты в решение, постепенно будут отражать, что риск, который был одним процентом, теперь составляет шесть процентов. Таким образом, она будет немного, но только немного, направлять решения в направлении, которое делает их более защищенными для вашей компании, но без сумасшедших перемещений и изменений в вашей цепи поставок, и, возможно, на следующий день, оценка снова упадет с шести до трех процентов, потому что это, возможно, был ложный сигнал, или, может быть, она будет продолжать расти. Но вы видите, что это своего рода хороший ответ, который вы можете получить от полностью автоматизированного потока данных. И затем, если у вас есть специалисты по цепям поставок сверху, и они видят новости, у них есть высокий уровень понимания, и они видят, что что-то вроде большой волны идет, как коронавирус, тогда вы можете фактически иметь людей, которые, помимо этого, немного изменят числовой рецепт сам по себе, чтобы потребовалось немного дополнительного человеческого понимания, чтобы направить систему в лучшем направлении.
Жоанн Верморель: Итак, если вы практикующий специалист по цепям поставок, который смотрит это, должно ли его основное внимание быть сосредоточено на полной автоматизации его процессов вместо беспокойства о том, что происходит, возможно, раньше в процессе? Они должны смотреть, как они на это реагируют в данный момент.
Кирен Чандлер: Именно. Я имею в виду, вам нужно оценить, сколько дней гибкости вы сможете выиграть. Для большинства компаний я бы сказал, что с помощью лучшей технологии прогнозирования, может быть, такой, как у Lokad, допустим, я имею в виду, сколько вы можете сэкономить? Может быть, неделю, может быть, две, по сравнению с скользящим средним. Может быть, у вас есть лучшие прогнозы, поэтому это может считаться немного лучше, знаете ли, может быть, четыре недели, если ваша компания очень плохо справляется с сезонностью или чем-то подобным. Но, я имею в виду, если у вас не было дисфункционального процесса на месте, вероятно, мы просто говорим о нескольких неделях. Но когда дело доходит до принятия решений, я часто наблюдаю, что компании могут потратить до четверти времени, чтобы собраться с мыслями и принять новую реальность. Так что это очень медленно, и даже в суперреактивных бизнесах, таких как быстрая мода, где требовалось шесть недель, чтобы превратить прогноз в решение, и я говорю о решении, а затем вам все равно нужно произвести, транспортировать и распределить. Это все равно занимает время. Так что, на самом деле, я думаю, что в среднем для подавляющего большинства компаний намного безопаснее сказать, что мы просто собираемся сначала устранить задержку между принятием решений, между прогнозированием и принятием решений, просто объединив все эти вещи в один автоматизированный процесс, а затем выяснить, как они могут иметь сверхпродвинутые прогнозы, где они могут сократить еще несколько дней или недель, если им повезет. Хорошо, отлично, нам придется остановиться на этом. Но, думаю, теперь мы можем использовать социальные сети, не зная, что компании следят за всем, что мы делаем.
Жоанн Верморель: О, они следят. Это просто приятно, так что это делает некоторых аналитиков счастливыми, но они не превращают это во что-то действенное.
Кирен Чандлер: Отлично, это все на этой неделе. Большое спасибо за внимание, и увидимся в следующем эпизоде.
