00:00:06 Важность данных для проектов оптимизации и развенчание мифов о данных.
00:01:50 Случайное сбор данных и проблемы использования данных из разных систем.
00:03:39 Ограничения временных рядов и важность детализации транзакций.
00:06:18 Необходимость лучших и более актуальных данных для прогнозирования.
00:07:26 Практический пример: оптимизация запасов в розничной сети и важность данных о транзакциях.
00:10:01 Роль транзакционных слоев и хранение данных в историческом сборе данных.
00:11:38 Переходы между системами планирования ресурсов предприятия (ERP) и необходимость улучшения процессов прогнозирования.
00:13:37 Недостатки очистки данных и важность полного спектра данных.
00:15:20 Использование компьютерных систем для операций в цепи поставок и точность данных.
00:17:31 Важность учета уровня запасов и возвратов при прогнозировании.
00:19:24 Адаптация подхода к прогнозированию на основе предметной области.
00:21:46 Понимание важности лучших данных и расширение горизонта актуальных данных.
00:24:48 Четкое понимание генерации данных и достижение лучших прогнозов.
Резюме
Киран Чандлер беседует с Жоаннесом Верморелем, основателем Lokad, о важности сбора данных в оптимизации цепи поставок. Верморель предлагает, что компании часто собирают данные случайно, а не намеренно для целей оптимизации, но эти данные все равно могут быть полезными для прогнозирования и оптимизации процессов. Он подчеркивает важность детализированных данных, поскольку агрегация данных в временные ряды может привести к потере ценной информации. Верморель советует компаниям работать с исходными транзакционными данными и подходить к своим проблемам в цепи поставок с предметно-ориентированной перспективой. В беседе также затрагивается важность учета факторов, таких как ценообразование, возвраты, предзаказы и движение запасов в процессах прогнозирования.
Расширенное резюме
В этом интервью ведущий Киран Чандлер обсуждает с основателем Lokad Жоаннесом Верморелем важность сбора данных и их роль в оптимизации цепи поставок. Они разбирают миф о том, что данные должны быть идеальными, чтобы машины могли с ними работать, и исследуют, как компании могут улучшить свои процессы сбора данных.
Верморель указывает на то, что большинство компаний случайно собирают данные как побочный продукт своих транзакционных систем, а не намеренно для целей оптимизации. Системы, такие как ERP и устройства точек продаж, изначально были разработаны для оптимизации рутинных операций, а не для сбора полной истории транзакций. Однако этот случайный сбор данных все равно может служить основой для прогнозирования и оптимизации процессов.
Чандлер задает вопрос, есть ли в компаниях неиспользованные запасы данных. Верморель объясняет, что данные, создаваемые корпоративными системами, часто являются сложными и трудными для интерпретации, поскольку они более точно отражают внутреннее устройство ИТ-системы, чем реальность процесса. Когда компании пытаются внедрить процессы прогнозирования, они часто извлекают упрощенную версию этих данных, такую как ежедневные или еженедельные продажи. Однако такое упрощение может привести к потере важной информации о бизнесе и его операциях.
Гранулярность данных является значительной проблемой, поскольку агрегированные данные могут не предоставлять достаточных инсайтов для эффективного прогнозирования и оптимизации. Верморель утверждает, что когда компании преобразуют свои исходные данные в упрощенные версии, они теряют огромное количество информации, которая может быть ценной для оптимизации цепи поставок.
В интервью обсуждается важность сбора данных в оптимизации цепи поставок и подчеркиваются проблемы, с которыми компании сталкиваются при использовании собранных данных, часто случайно. В беседе подчеркивается, что идеальные данные не являются предпосылкой для эффективного прогнозирования и оптимизации, но признается, что существует значительный потенциал для улучшения способов сбора, обработки и анализа данных компаниями.
Они обсуждают проблемы и важность работы с детализированными данными для более эффективной оптимизации процессов цепи поставок.
Верморель объясняет, что многие компании агрегируют свои данные во временные ряды, что упрощает данные до одного числа в день. Хотя этот метод легко использовать, он может быть несущественным или бесполезным для принятия обоснованных деловых решений. Он утверждает, что лучшее прогнозирование и оптимизацию цепи поставок можно достичь, работая с данными на уровне транзакций, поскольку они предоставляют больше контекста и понимания реальных бизнес-операций.
В интервью подчеркиваются некоторые проблемы работы с агрегированными данными, поскольку они могут вводить в заблуждение и заставлять компании упускать важные сценарии. Например, в сценарии розничной сети Верморель объясняет, как агрегация данных может привести к неправильной интерпретации спроса на уровне дистрибуционного центра. Преобразуя данные во временные ряды, компании устраняют неоднозначность, что может быть как преимуществом, так и недостатком, поскольку они могут непреднамеренно делать неверные предположения о своих бизнес-операциях.
В беседе также затрагивается историческая информация и то, как многие компании теряют ценную информацию при переходе между различными системами ERP. В прошлом сохранение данных не было приоритетом, поскольку целью систем ERP было помочь компаниям работать более плавно. Кроме того, хранение данных ранее было дорогим, что привело к внедрению эвристик для избавления от данных различными способами. Однако в настоящее время хранение данных относительно дешево, поэтому сохранение данных становится более реальным.
Верморель подчеркивает, что когда Lokad работает с компаниями, они часто обнаруживают, что существующие процессы прогнозирования не являются подходящей отправной точкой для оптимизации цепи поставок. Это происходит потому, что большая часть соответствующей информации была потеряна из-за грубой проекции транзакционных данных во временные ряды. Вместо этого он предлагает компаниям сосредоточиться на работе с исходными транзакционными данными для оптимизации своих процессов цепи поставок.
В заключение, в интервью затрагивается тема очистки данных. Верморель утверждает, что исходные транзакционные данные уже достаточно чисты для их целей, и понятие “очистки данных” часто относится к упрощению данных во временные ряды, что может быть не полезно для понимания истинной природы операций компании.
Верморель начинает с объяснения того, что если компании смотрят только на свои данные ограниченным образом, например, рассматривают только оттенки зеленого, их понимание мира будет ограничено. Он подчеркивает, что данные должны быть рассмотрены во всем их спектре цветов для более точного представления. Он также указывает на то, что данные не являются по своей сути неправильными, а являются отражением процессов компании. Компании должны признавать свои данные такими, какие они есть, и использовать их для более точного прогнозирования.
Верморель также говорит, что компании должны признать, что их системы изначально не были разработаны для производства данных, а для управления цепью поставок. Факт того, что у компаний есть счета, платежи и другая документация, свидетельствует о том, что их данные в значительной степени являются правильными. Однако, когда речь идет о прогнозировании, компании часто упускают из виду важные факторы, такие как ценообразование, возвраты и уровни запасов.
Ценообразование имеет значительное влияние на спрос и цепь поставок. Когда компании рассматривают свои процессы прогнозирования, они обычно обнаруживают отсутствие ценообразования. Это только вершина айсберга, так как такие факторы, как возвраты и уровни запасов, также часто отсутствуют. Верморель объясняет, что понимание уровней запасов является важным, потому что если нет запасов, не будет и продаж. Аналогично, задержки в поставках представляют собой особый тип спроса, который не должен рассматриваться так же, как обычный спрос.
Верморель советует компаниям подходить к своим проблемам в цепи поставок с отраслевой перспективой. Они должны рассмотреть, какие факторы наиболее важны для их отрасли и сосредоточиться на них. Например, в авиационной отрасли целью может быть минимизация инцидентов с самолетами на земле (AOG) путем оптимизации инвестиций, а в розничной торговле свежей пищей основное внимание должно быть сосредоточено на максимизации долгосрочной лояльности клиентов путем обеспечения наличия и свежести товара.
Вместо того, чтобы сосредоточиться на совершенствовании и агрегации исторических данных, Верморель предлагает расширить горизонты релевантных данных, рассматривая мирские аспекты, такие как цены, возвраты, задержки в поставках и движения запасов. Он подчеркивает важность понимания того, как генерируются данные, чтобы избежать ситуаций “мусор на входе, мусор на выходе”. Верморель также утверждает, что лучшие прогнозы должны измеряться в долларах и быть связаны с лучшими решениями, а не полагаться на процентные показатели.
Полный текст
Кирен Чандлер: Итак, сегодня мы обсудим, что может сделать компания, которая уже собирает данные, чтобы улучшить и развеять миф о том, что данные должны быть идеальными для работы с ними машин. Итак, Жоанн, если компания уже собирает данные, есть ли что-то еще, что они могут сделать?
Жоанн Верморель: Да, первое, что нужно понять, это то, что большинство компаний собирают данные, но это происходит случайным образом. Изначально не было цели собирать данные; цель заключалась только в операционной деятельности. Например, ERP-система не предназначена для сбора данных, она разработана так, чтобы все очень обычные операции, которые происходят постоянно в компании, могли происходить с поддержкой централизованной ИТ-системы. Точно так же, как когда вы находитесь на кассе в магазине, электронная касса просто предназначена для более быстрой оплаты. Система на самом деле не была разработана или внедрена с целью сбора полной транзакционной истории всех чеков. Поскольку эти системы собирают данные уже много лет, компании в конечном итоге накапливают большое количество данных, но они не являются естественно предназначенными для оптимизации. Таким образом, вокруг находится множество данных, и обычно, за последние несколько десятилетий, на их основе возникает некий процесс прогнозирования или оптимизации. Но это не означает, что нет огромных возможностей для улучшения.
Кирен Чандлер: Если компании не планировали собирать данные, когда они только начинали, это значит, что существует целое хранилище данных, которое просто осталось где-то в хранилище и не было рассмотрено?
Жоанн Верморель: Проблема заключается в том, что обычно данные не собираются намеренно. Это просто артефакт, побочный продукт ваших транзакционных систем. Они не являются точными; когда вы смотрите на данные, как они генерируются в типичных корпоративных системах, это что-то очень чужое. Они не имитируют реальный мир; они обычно имеют больше отношения к внутренней структуре ИТ-системы, чем к реальности процесса. В результате, когда люди в большой организации запускают новый процесс, скажем, процесс ERP, и они хотят иметь некий прогноз, они получают данные, которые очень странные и чужие, и содержат множество случайных сложностей, которые не имеют никакого отношения к задаче прогнозирования. Обычно компании извлекают очень упрощенную версию этих данных, поэтому они получают ежедневные или еженедельные продажи, а затем строят свои прогнозы на основе этого. И здесь возникает целый ряд проблем: тот факт, что эти данные, после того как они были извлечены в виде ежедневных или еженедельных продаж, теряют много очень важной информации. Это очень потерянное преобразование, которое кажется простым и разумным, но на самом деле вы потеряли огромное количество информации о том, что происходит в бизнесе, когда вы это делаете.
Кирен Чандлер: Но насколько детализированными должны быть эти данные? Ведь если мы рассматриваем компанию, которая собирает данные уже более 20 лет, то, наверное, агрегация этих данных делает все более управляемым? Чтобы управлять, я имею в виду, когда вы агрегируете данные, вы объединяете их так, чтобы они хорошо вписывались в то, что обычно работает с временными рядами. И да, временные ряды очень удобны, вы знаете, одно число в день, просто так. У вас есть ряд, одно число в день, и затем вы хотите перенести его в будущее. Это очень просто. Есть множество очень удобных моделей, которые могут работать с этим типом данных, начиная с скользящих средних, можно использовать что-то более сложное. Но проблема в том, что то, что просто, не всегда является актуальным. И вот в чем проблема: это очень просто сделать так, но это не означает, что это действительно актуально для компании.
Joannes Vermorel: Вот в чем опасность. Проблема в том, что люди думают: “О, мне нужны более детализированные данные, поэтому мне нужно перейти от месячных данных к недельным или от недельных данных к ежедневным”. Это просто изменение временного интервала агрегации. Они бы сказали: “О, если мы сделаем это лучше, мы перейдем к часовым данным”. Это совершенно не проблема. Проблема в том, что, думая о временных рядах, вы уже по-другому формулируете проблему, чем она на самом деле существует в ваших системах. В ваших системах нет такой вещи, как временные ряды. Важно иметь данные с транзакционной детализацией, потому что они могут рассказать вам гораздо больше. Если вы хотите получить лучшие прогнозы с лучшими данными, это означает, что, по нашему опыту, нужно быть очень близко к тому, как вещи есть в вашей ИТ-системе, вместо того чтобы иметь упрощенную версию, где уже потеряна вся существенная информация.
Kieran Chandler: Таким образом, существенная информация теряется, и, по сути, данные, на которые вы смотрите, могут быть немного вводящими в заблуждение. Какие сценарии вы можете упустить?
Joannes Vermorel: Обычно это вещи, которые настолько обыденны, что люди даже забывают о них. Например, давайте посмотрим на розничную сеть, например, продуктовые магазины. Представьте, у вас есть ряд центров распределения, и каждый центр распределения обслуживает, скажем, 20 супермаркетов или что-то в этом роде. Как это выглядит, знаете ли, такие вещи? Вы занимаетесь оптимизацией, скажем, запасов на складе центра распределения. Так что это выглядит так, что каждый день магазины размещают заказы в центр распределения. И когда вы заказываете, скажем, 100 единиц чего-то для супермаркета, в центре распределения может произойти две вещи: либо они выполняют заказ и отправляют 100 единиц, обычно на следующий день, либо они не выполняют заказ. И затем на следующий день тот же магазин размещает другой заказ на 150 единиц.
Теперь вопрос в том, если вы хотите учесть спрос на уровне центра распределения за эти два дня, каков спрос? Это 100 единиц плюс 150 единиц? Но это кажется неправильным, потому что вы видите, что причина, по которой во второй день магазин размещает заказ на 150 единиц, заключается в том, что заказ на предыдущий день на 100 единиц не был выполнен. Таким образом, им пришлось покрыть как спрос на день, который не был выполнен, так и спрос на следующий день. Итак, в итоге вы заказываете больше, но ошибкой будет считать, что спрос составляет 250 единиц. Возможно, на самом деле общий спрос должен быть всего лишь 150 единиц, потому что вы должны полностью отбросить начальные 100 единиц. Но реальность может быть запутанной.
Kieran Chandler: Начинается создание временного ряда, и вы знаете, что эта информация потеряна, и все неоднозначности, которые существуют, исключены, и можно сказать, что это хорошо. Внезапно мои специалисты по данным могут работать с неоднозначными данными. Но да и нет, потому что, устраняя неоднозначность, проблема в том, что вы уже сделали заявление о том, как работает ваш бизнес, и это заявление может быть совершенно неверным.
Joannes Vermorel: Одна из причин, по которым компании агрегируют свои старые данные, заключается в том, что они могут переходить от одной системы ERP к чему-то новому. Таким образом, имеет ли смысл иметь всю эту историческую информацию, возможно, повторно импортированную в новую систему ERP? Изначально, когда мы говорили о том, что сейчас называется “юппи”, транзакционные слои систем, которые просто управляют рутинными операциями, их целью не было собирать исторические данные. Когда все началось, скажем, в конце 70-х или в 80-х годах, сохранение данных не было целью, и тогда это было просто, чтобы компания работала более плавно.
В связи с тем, что в то время вычислительное оборудование было очень дорого по сравнению с настоящим временем, а особенно хранение данных также было очень дорого, многие поставщики программного обеспечения сделали правильное решение на тот момент. Они реализовали инструменты эвристик, чтобы во многих отношениях избавиться от данных. Я не говорю о сегодняшнем дне, я имею в виду, что большинство из этих эвристик или большинство этих систем уже не имеют никакого смысла, просто потому что хранение данных уже стоит копейки.
Кирен Чандлер: Итак, есть ли места, где эти компании должны проводить какую-то очистку данных? Или вы говорите, что они должны просто брать исходные данные и оставлять их как есть?
Жоанн Верморель: Данные уже чистые. Проблема в том, что когда вы говорите о очистке данных, что это означает? Если я скажу вам, что проблема заключается в том, что вы хотите иметь хорошую, точную картину мира, и по какой-то причине вы решаете, что вы смотрите на мир только в оттенках зеленого. Таким образом, у вас есть картина, которая принимает только оттенки зеленого, и все, что не является зеленым, будет просто черным. Вы вообще не увидите этого. Затем, вещи, которые более или менее зеленые, у вас будут оттенки зеленого, и это ваша картина мира.
Очевидно, вы бы сказали: “Я думаю, мне нужно провести некоторую очистку данных; эта картина не очень точная. Мне, возможно, нужно ее улучшить.” Но вам нужен полный спектр цветов. Проблема не в оттенке зеленого; здесь нет очистки. Ваша картина просто такая, какая она есть. Проблема только в том, что если вы хотите иметь лучшую картину мира, вам нужен полный спектр цветов.
Кирен Чандлер: Следовательно, чтобы получить более точный прогноз, первое, что нужно сделать, это просто начать смотреть на компанию такой, какая она есть. Данные неверны, они просто находятся там, где они есть, знаете ли. Что я говорю, это то, что производство данных никогда не было первоочередной задачей всех ваших систем. Ваши системы были созданы для того, чтобы цепочка поставок могла функционировать, чтобы была возможность производить, перемещать товары и продавать их. Так что все слои, которые у вас есть, являются отражением всех этих процессов, что вполне нормально. Тот факт, что это работает, и у вас есть такие вещи, как счета, платежи и так далее, доказывает, что эти данные в значительной степени верны. Они не очень точны; в противном случае вы бы не знали, что выставлять в счет, вы бы не знали, сколько платить поставщикам и так далее.
Итак, я думаю, что обычно для большинства компаний в настоящее время, по крайней мере для компаний, которые используют компьютерные системы десятилетиями, это место в Европе, Северной Америке и фактически в большинстве Азии, все на своих местах, все уже устоялось. Проблема в том, что когда вы думаете в терминах прогнозирования в упрощенных терминах, это не только о продажах. Это может быть связано с возвратами, это также может быть, например, одной из самых основных вещей, о которых думают люди, как мы можем улучшить наши прогнозы?
Жоанн Верморель: Обычно, когда мы начинаем изучать эти временные ряды, мы говорим, знаете ли, вы даже не знаете цену. Когда мы начинаем работать с компаниями, и они хотят улучшить свой прогноз, мы просто смотрим на их конвейер данных, который генерирует прогноз, и видим, что ценообразование отсутствует. Очевидно, цены имеют огромное влияние на цепочку поставок. Если вдруг вы снижаете цены на все свои товары на 50%, ваш спрос взорвется, возможно, ваша прибыльность также исчезнет, но тем не менее, цены обычно оказывают огромное влияние на спрос и на вашу цепочку поставок. Большую часть времени, когда мы смотрим на эти S&OP процессы и процессы прогнозирования, ценообразование отсутствует, но это обычно только вершина айсберга.
Кирен Чандлер: Мы уже коснулись этого ранее, и у людей есть фокус на спросе, и ценообразование, очевидно, одна из вещей, на которую они могут обратить внимание, но, возможно, стоит повторить, какие еще вещи могут быть интересными?
Жоанн Верморель: Обычно отсутствуют возвраты, отсутствуют уровни запасов. Вы можете подумать, зачем вам уровни запасов? Ответ таков: потому что, во-первых, если у вас дефицит товара, то вы ничего не продадите просто потому, что нечего продавать. Может быть, у вас будут заказы на будущее, но опять же, это очень специфический паттерн. Так что вы действительно можете считать заказ на будущее таким же, как обычную продажу? Я имею в виду, это требует обязательств. Заказ на будущее - это, по сути, когда товара нет, поэтому я попрошу поставщика отправить что-то на будущее, и как клиент, я готов подождать длительное время. Так что это, опять же, спрос, но это спрос, который не совсем такой же по своей природе, как обычный спрос. Так что если вы просто говорите, что одна единица заказа на будущее точно такая же, как когда она просто продается, на самом деле нет, на самом деле нет.
Особенно, чтобы дать вам пример, если по какой-то причине большая часть спроса, который у вас есть, может быть в B2B, это клиенты, которые согласны на заказы на будущее и длительные сроки выполнения, если они могут получить лучшую цену. То внезапно, с точки зрения прогнозирования, это очень хорошо, потому что внезапно вам не нужно ничего прогнозировать.
Кирен Чандлер: Можете ли вы рассказать о спросе и заказах на будущее?
Жоанн Верморель: Что-то на будущее, чтобы отправить позже, как клиент, я готов подождать, возможно, длительное время. Так что это, опять же, спрос, но это спрос, который не совсем такой же по своей природе, как обычный спрос. Так что если вы просто говорите, что одна единица заказа на будущее точно такая же, что и когда она просто говорит, нет, на самом деле нет. Особенно, особенно, чтобы дать вам пример, если по какой-то причине большая часть спроса, который у вас может быть, это случается B2B, это клиенты, которые согласны на заказы на будущее и длительные сроки выполнения, если они могут получить лучшую цену, то внезапно с точки зрения прогнозирования, это очень, очень хорошо, потому что внезапно вам не нужно ничего прогнозировать. Вы просто видите заказы на будущее и организуете свои цепи поставок так, чтобы к моменту ожидаемой даты поставки у вас были готовы товары. Но вам не обязательно прогнозировать этот спрос, потому что этот спрос известен заранее, потому что он уже заказан.
Кирен Чандлер: Если вы хотите максимально использовать имеющиеся у вас данные, каковы ваши рекомендации для компаний?
Жоанн Верморель: Первое, что вам нужно сделать, это взглянуть на проблему с очень конкретной точки зрения. Вы должны спросить себя: “У меня есть цепочка поставок. Что действительно важно?” И ответ будет: “Зависит”. Это действительно зависит от типа цепочки поставок, которой вы управляете. Если вы работаете в авиационной отрасли, вопрос сводится к тому, “За каждый доллар, который я вкладываю в свою цепочку поставок, как я могу избежать максимального количества инцидентов AOG (самолет на земле), потому что что-то отсутствует, и у вас есть самолет, который застрял на земле?” Так что обычно вопрос звучит так: “Как я могу получить максимальное количество инцидентов AOG за каждый вложенный доллар?” Это будет перспектива для авиационной отрасли. Для свежих продуктов это будет совершенно другая проблема. Это будет звучать так: “Хорошо, как я могу максимально увеличить долгосрочную лояльность моих клиентов, потому что продукты полностью зависят от повторных покупок?” Так что то, что вам нужно, это не уровень обслуживания одного отдельного продукта, это бессмысленно. Вам на самом деле не важно это, потому что есть так много заменителей. Вам нужно убедиться, что ваши лояльные клиенты, которые приходят в ваш магазин, чтобы купить не один продукт, а целую корзину, имеют очень хороший опыт. Итак, если что-то отсутствует, всегда есть замена, и они могут уйти из ваших магазинов очень довольными не только общей доступностью, но и свежестью того, что они покупают. Так что это будет частью опыта в мире, и снова вопрос будет в том, как вы можете оптимизировать это за каждый вложенный доллар. Вопрос действительно зависит от конкретной области. Какие идеи являются наиболее актуальными, на что вам нужно обратить внимание? Ну, только ваша экспертиза в области позволяет вам быть судьей в этом, и обычно это не требует продвинутых навыков анализа данных. Это просто, я бы сказал, прямое понимание области, которое позволяет вам определить, является ли что-то хорошим или совершенно критическим для того, чтобы избежать принятия глупых решений.
Кирен Чандлер: Какое основное сообщение сегодняшнего дня?
Жоанн Верморель: Итак, если мы рассмотрим цель этой серии, то это вопрос о том, как я могу иметь лучший прогноз с лучшим хвостом. Это то, что мы хотим иметь, и лучшие данные обычно не то, что вы ожидаете.
Кирен Чандлер: Я имею в виду, да, вы можете иметь данные, которые намного лучше для вашего прогнозирования, но проблема в том, что я имею в виду под “лучше”? Обычно местный опыт заключается в том, что мы имеем в виду очень конкретные вещи, которые абсолютно не то, что большинство людей ожидают. Во-первых, лучшие данные - это иметь полное представление о всех вещах, на которые вы должны обратить внимание, и обычно это не Instagram или ваши социальные сети или прогнозы погоды. Это что-то гораздо более обыденное, вещи, которые уже существуют в системе. Это то, где многие люди, возможно, люди до вас, уже решили, что они даже не стоят того, чтобы на них смотреть.
Жоанн Верморель: Ну, наше сообщение заключается в том, что эти данные действительно стоят того, чтобы на них посмотреть. Я говорю о ценах, возвратах, задержках поставок, движениях товаров, все это имеет значение, и хорошая новость в том, что они уже присутствуют где-то в ваших системах. Итак, сначала расширьте свой кругозор относительно того, что вы считаете релевантными данными. Второе, забудьте об этой идее подготовки данных. Вам нужно понимать, как данные генерируются, почему? Потому что в противном случае вы столкнетесь с ситуацией “мусор на входе, мусор на выходе”. Понимание данных сложно, потому что это две вещи: понимание программного обеспечения и также понимание процесса, который следуют люди, работающие поверх программного обеспечения.
Обычно семантика данных имеет две составляющие: она находится наполовину в голове человека, который работает с программным обеспечением, и наполовину в голове инженера-программиста, который разработал предприятийское программное обеспечение в первую очередь. Когда я говорю о человеке, к сожалению, обычно это много, много людей, и самый худший случай - когда у этих людей есть противоречивые интерпретации. Вот где может возникнуть очень беспорядочная ситуация. Так что вы видите, расширьте свой кругозор в отношении соответствующих данных, ничего особенного, просто базовые повседневные вещи для вашего бизнеса, но не только продажи. Затем вам нужно понять эти данные.
Наконец, если вы хотите иметь лучшие прогнозы, дело сводится к тому, что это означает, лучший прогноз? Затем мы приходим к тому, что люди скажут: “О, это лучшая абсолютная процентная ошибка или лучшая абсолютная ошибка,” или лучше, знаете, все виды метрик. И снова я скажу, если это выражено в процентах, это просто нехорошо. Это должно быть выражено в долларах. И как мы уже обсуждали в одной из предыдущих серий о принятии решений в первую очередь, прогноз может быть признан лучше только в том случае, если он приводит вас к лучшим решениям.
К сожалению, способ определить, является ли прогноз лучше или нет, - это через призму конечного решения, которое вы принимаете. Это сложно, но именно так вы делаете это. Если вы просто говорите: “О, у меня лучший MAPE, и прогноз лучше”, это очень неправильно, и вы даже не окажетесь на пути, который приведет вас к, я бы сказал, совершению ошибок национализма, ошибок такого рода.
Кирен Чандлер: Да, хорошо, мне придется смириться с этим, но я думаю, что, возможно, несколько менеджеров по информационным технологиям будут благодарны нам за это, потому что они будут рыться в архивах сейчас. Ладно, это все на этой неделе. Большое спасибо за внимание, и увидимся в следующем эпизоде. Пока пока.
