00:00:08 Введение в тему улучшения точности прогнозов в индустрии цепей поставок.
00:01:22 Объяснение того, что означает более точный прогноз, и использование метрик прогнозирования.
00:03:21 Обсуждение ограничений использования математических метрик для измерения эффективности цепей поставок.
00:05:30 Акцент на измерении точности прогнозов в долларах, а не в процентах.
00:08:42 Объяснение того, как максимизация точности в процентах может вводить в заблуждение относительно эффективности цепей поставок.
00:09:04 Обсуждение ограничений использования простой метрики для прогнозирования продаж.
00:10:20 Объяснение того, как использование модели, прогнозирующей нулевые продажи, приводит к катастрофическим последствиям для компании.
00:11:23 Объяснение проблемы симметричных метрик в контексте управления цепями поставок.
00:13:02 Объяснение того, что прогнозы — это всего лишь обоснованные предположения о будущем и их влияние на цепи поставок.
00:16:32 Обсуждение опасностей создания подразделений, посвящённых улучшению точности прогнозов.
00:18:09 Обсуждение того, как прогнозирование со временем станет лучше.
00:19:01 Объяснение того, что лучшие метрики прогнозирования не всегда приводят к улучшению эффективности цепей поставок.
00:21:41 Осознание того, что рост и прибыльность компании не обязательно означают улучшение цепей поставок клиентов.
00:22:04 Объяснение разницы между ежемесячной подпиской и многолетними планами.
00:25:53 Объяснение того, как продукт превратился из простого прогноза в инструмент, помогающий обнаружить метрики точности.
00:26:56 Обсуждение метрик, используемых в управлении цепями поставок.
00:27:20 Преимущества использования вероятностного прогнозирования и специфических метрик, таких как кросс-энтропия и непрерывный скор ранговой вероятности.
00:27:54 Смена перспективы от улучшения точности прогнозирования к максимизации эффективности цепей поставок.
00:29:51 Важность наличия одного человека, ответственного за всю цепь поставок от начала до конца.
00:32:23 Важность монолитного процесса оптимизации в управлении цепями поставок.

Резюме

Основатель Lokad, Жоанне Верморель, в разговоре с ведущей Николь Зинт рассказал об ограничениях использования метрик точности для улучшения эффективности цепей поставок. Верморель утверждал, что компании зачастую слишком зациклены на улучшении точности прогнозирования, не учитывая влияние на итоговую прибыль. Он предложил измерять точность прогнозов в долларах ошибок, а не в процентах, чтобы лучше оценивать, движется ли компания в правильном направлении. Верморель также подчеркнул важность поиска ключевых решений для цепей поставок, которые максимизируют прибыль или эффективность, вместо того чтобы исключительно сосредотачиваться на улучшении точности прогнозирования. Он предостерег от опасностей вводящих в заблуждение метрик, которые могут привести к абсурдным решениям, наносящим вред компании.

Расширенное резюме

Тема интервью — точность прогнозов в индустрии цепей поставок. Ведущая Николь Зинт отмечает, что несмотря на десятилетия усилий по улучшению точности прогнозов, более высокая точность не привела к более эффективным цепям поставок. Она задается вопросом, смотрит ли отрасль на проблему под неверным углом или изначально фокусируется на неверном аспекте проблемы. Жоанне Верморель, основатель Lokad, объясняет, что более точный прогноз означает, что одна модель прогнозирования оказывается точнее другой согласно определенной метрике. Существует множество метрик прогнозирования, но все они являются математическими объектами, которые могут быть не релевантны для индустрии цепей поставок. Верморель отмечает, что ожидание, что можно просто выбрать математическую метрику из учебника, чтобы решить проблему, неверно. Он добавляет, что максимизация точности в процентах может ввести в заблуждение относительно эффективности цепей поставок. Также он отмечает, что сокращение ошибок прогнозирования за счет оптимизации математических метрик не приводит к дополнительной эффективности цепей поставок. Однако увеличение ошибки прогноза не обязательно улучшает эффективность цепей поставок. Верморель считает, что цепь поставок — это не одномерная проблема и что существует ложная дихотомия между точностью и эффективностью.

Верморель объясняет, что для улучшения эффективности цепей поставок крайне важно сократить ошибки прогнозирования. Однако это не всегда так просто, ведь цепи поставок многогранны. Ключ к улучшению эффективности заключается в том, чтобы связать качество прогноза с эффективностью цепей поставок посредством внедрения экономического драйвера. Верморель предлагает измерять точность прогнозирования в долларах ошибок, а не в процентах, чтобы оценить, движется ли компания в правильном направлении. Он отмечает, что ошибка прогноза, выраженная в процентах, не всегда совпадает с точностью, измеренной в долларах, что и является сутью проблемы.

Николь Зинт спрашивает Вермореля, как измерить эффективность цепей поставок, на что Верморель отвечает, что метрики могут быть сложно определить. Проблема заключается в поиске качественного прогноза, который зависит от конкретной ситуации. Верморель предлагает рассмотреть конкретный пример, например супермаркет, чтобы понять, как оптимизировать прогнозирование. Он объясняет, что на уровне магазина подавляющее большинство товаров имеет средний спрос значительно ниже одной единицы в неделю, что означает, что наиболее вероятный результат для большинства товаров в любой данный день — это нулевые продажи. Если компании будут оптимизировать по метрике, максимизирующей точность прогнозирования в процентах, они в итоге получат модель, которая ежедневно прогнозирует ноль, что будет катастрофой для компании. Еще хуже, если модель прогнозирует ноль, магазин не пополнит запасы, что приведет к потере выручки и клиентов.

В целом, Верморель считает, что ключ к улучшению эффективности цепей поставок заключается в том, чтобы связать качество прогноза с эффективностью цепей поставок посредством внедрения экономического драйвера. Он предлагает измерять точность прогнозирования в долларах ошибок и учитывать затраты, связанные с нехваткой запасов, а не просто оптимизировать по метрике, максимизирующей точность прогнозирования в процентах. Таким образом, компании могут избежать оптимизации прогноза для неверного результата, например нулевых продаж каждый день, и добиться лучшего баланса между спросом и предложением.

Верморель обсуждает проблему точности прогнозирования в управлении цепями поставок, подчёркивая проблему использования симметричной метрики, которая придает одинаковый вес переоценке и избыточным запасам. Верморель утверждает, что это проблема, поскольку избыточные запасы имеют значительные асимметричные последствия. Он считает, что, хотя точность прогнозирования важна, она должна быть связана с конечным результатом, а именно с принятием правильного решения в нужное время для каждого отдельного товара каждый день.

Верморель утверждает, что введение числовых артефактов, таких как безопасные запасы, ABC-классификации и уровни обслуживания, может создать соблазн сформировать подгруппу специалистов в компании, являющихся экспертами в работе с этими числовыми артефактами. Однако Верморель утверждает, что эти артефакты нереальны и что создание команды специалистов, занимающихся исключительно улучшением качества прогноза, является коренной причиной проблемы. Он считает, что такая команда работает в собственном пузыре, создавая прогнозы в соответствии со своей целью и метрикой, не принимая во внимание конечные результаты.

На взгляд Вермореля, крупные компании сталкиваются с проблемой распределения нагрузки, и введение числового артефакта не обязательно означает, что нужно создавать отдельную команду для его оптимизации. Вместо этого, Верморель утверждает, что менеджеры цепей поставок должны сосредоточиться на конечных результатах и принимать правильные решения в нужное время для каждого товара каждый день. Хотя точность прогнозирования важна, она должна быть связана с конечным результатом, и менеджеры цепей поставок должны быть осторожны, чтобы не сосредотачиваться исключительно на улучшении точности прогнозирования, игнорируя последствия своих решений.

Они обсудили ограничения использования метрик точности для улучшения эффективности цепей поставок. Верморель считает, что компании слишком зациклены на улучшении точности прогнозирования, не учитывая влияние на итоговую прибыль. Проводя параллель с карго-культами Тихоокеанских островов во время Второй мировой войны, он отмечает, что команды прогнозирования оптимизируют метрики, не принимая во внимание более глубокое влияние на цепи поставок. Сосредоточившись на более глубоком воздействии своих методов прогнозирования, Верморель считает, что Lokad может помочь клиентам добиться более эффективных цепей поставок через модель ежемесячной подписки, ориентированную на положительные результаты.

Верморель обсуждает, как цикл обратной связи в оптимизации цепей поставок становится более сжатым, что означает, что компания должна быть более оперативной в реагировании на изменения рынка. Он также отмечает, что недостаточно оптимизировать по заданной метрике, так как это может привести к множеству проблем. Вместо этого, компании должны находить специфичные метрики точности, характерные для их бизнеса, что может быть сложно с учетом множества крайних случаев и уникальных отраслевых факторов.

Верморель подчеркивает важность поиска ключевых решений для цепей поставок, которые максимизируют прибыль или эффективность, а не только улучшения точности прогнозов. Он утверждает, что в компании должен быть назначен ответственный за принятие решений от начала до конца, и что фрагментация может привести к нелогичным решениям, наносящим вред бизнесу. Верморель предупреждает об опасностях вводящих в заблуждение метрик, которые кажутся рациональными, но в конечном итоге глубоко иррациональны, например, когда фокус смещается на выживание одной шахматной фигуры, а не на победу в партии. Он заключает, советуя компаниям использовать монолитный процесс оптимизации вместо дробления и разделения процесса, который по своей сути является неэффективным и контрпродуктивным.

Полная версия транскрипта

Николь Зинт: Вся индустрия цепей поставок десятилетиями пыталась улучшить точность своих прогнозов. Каждая крупная компания имела даже собственное подразделение, посвященное исключительно этой задаче. Однако итог этих усилий, возможно, парадоксальным образом, показал, что лучшая точность и прогнозирование не привели к более эффективным цепям поставок. Смотрим ли мы на проблему неправильно или, возможно, изначально выбираем неверную проблему? И что изменится, если измерять точность в долларах, а не в процентах? Это тема сегодняшнего выпуска, так что начнем с Йонаса. Что означает, что прогноз стал более точным?

Жоанне Верморель: Более точный прогноз означает, что, согласно определенной метрике прогнозирования, одна модель оказывается точнее другой. Если говорить точнее, когда мы говорим, что у нас есть более точный прогноз, это несколько злоупотребление языком. На самом деле, мы имеем в виду, что одна модель прогнозирования точнее другой, и согласно чему? Согласно определенной метрике прогнозирования, которая является всего лишь измерением, количественно определяющим ошибку прогноза у двух моделей. Таким образом, точность прогнозирования напрямую зависит от выбранной метрики. Существует широкий спектр метрик прогнозирования, известных в литературе. Наиболее распространёнными, я бы сказал, являются среднеквадратичная ошибка, абсолютная ошибка, средняя абсолютная процентная ошибка, взвешенная ошибка и множество других функций, позволяющих измерять ошибку прогноза. И все эти метрики имеют общее: если результаты идеальны, они показывают, что ошибка равна нулю. Таким образом, у нас есть обширный набор метрик для использования. Какая из них лучшая? Как об этом знать?

Николь Зинт: Что касается цепей поставок, это очень сложный вопрос, потому что все перечисленные мной метрики на самом деле являются математическими объектами. Вы найдете их в учебниках, поскольку они предоставляют массу интересных математических свойств. Но то, что что-то математически интересно, не означает, что это обязательно будет актуально для конкретной области. Знаете, существует масса вещей, которые могут быть очень интересны с математической точки зрения, но это не значит, что они будут иметь значение для цепей поставок. И я считаю, что в этом и заключается суть проблемы. Люди ожидают, что можно просто обратиться к математическому учебнику, просмотреть десятки метрик и выбрать ту, которая подходит. Так не работает. Таким образом, если мы рассмотрим проблему максимизации точности в процентах, это может очень ввести в заблуждение в оценке эффективности цепей поставок.

Joannes Vermorel: Да, я имею в виду, еще раз: наш вывод не заключается в том, что мы должны максимизировать ошибку прогнозирования. Это не то, о чем я говорю. Видите ли, вывод был более запутанным, чем просто это. Он заключался в том, что если вы просто уменьшаете ошибку прогноза посредством оптимизации математических метрик, это не приводит к повышению эффективности цепочки поставок. Но обратное не так просто. Это не то, что увеличение ошибки прогноза автоматически улучшает эффективность цепочки поставок. Видите, здесь всё становится очень запутанно, потому что появляется своего рода ложная дихотомия, когда вы говорите: ну, либо одно, либо другое. Да, так было бы, если бы цепочка поставок была одномерной проблемой, где если вы, знаете…

Nicole Zint: Таким образом, снижая ошибку прогноза, вы улучшаете эффективность цепочки поставок, а если идёте в обратном направлении, то ухудшаете её. Если бы мы жили в одномерном мире, да, всё было бы так, но цепочки поставок многомерны, так что всё работает совсем иначе. И вот здесь, я бы сказала, базовая интуиция может привести к очень, очень неправильным выводам. Итак, позвольте спросить: вы упомянули эффективность цепочки поставок. Как вы её измеряете?

Joannes Vermorel: Вот в чем суть проблемы: люди очень с трудом осознают, каким должен быть хороший прогноз. Таким образом, вы выбираете какую-то метрику, скажем, из учебника, и говорите: «Вот она», но очень быстро понимаете, что то, что она взята из учебника или математического пособия, не означает, что она действительно имеет отношение к вашей проблеме в цепочке поставок. Итак, если вы хотите получить что-то осмысленное, вопрос в том, что ещё необходимо учитывать. Знаете, это кажется очень открытым вопросом, и на самом деле он крайне актуален, а методика, которую мы разработали, основана на мысли в терминах долларов ошибки. Что именно вы пытаетесь оптимизировать? И, чтобы связать качество и эффективность вашего прогноза с результативностью цепочки поставок, необходимо ввести экономический драйвер, довольно значительную дозу, и именно тогда вы начинаете измерять вещи в долларах ошибки. После этого вы можете оценить, движетесь ли вы в том направлении, которое имеет смысл для вашей цепочки поставок. Фактически, чем лучше эффективность цепочки поставок, тем больше денег генерирует компания, тем больше мы экономим в цепочке поставок, и, таким образом, растёт наша выручка. Это довольно интересно, потому что означает, что если рассматривать точность прогнозирования в процентах, это не обязательно совпадает с точностью в долларах — что и является сутью обсуждаемой нами проблемы.

Nicole Zint: Да, и это очень концентрированное наблюдение. Опять же, я думаю, что это будет спорным утверждением, но снижение ошибки прогнозирования, выраженной в процентах, не улучшает эффективность цепочки поставок. Иногда это даже может привести к противоположному результату. Если взять, к примеру, супермаркет. Супермаркет — довольно интересная задача, поскольку поведение людей может быть весьма непредсказуемым. Так, если я управляю супермаркетом и хочу понять: продадутся ли сегодня ноль бутылочек шампуня или пять, и у меня есть прогноз, то, Joannes, в чём заключается разница точности этого прогноза в моей ситуации сейчас, если смотреть на неё в процентах и в долларах?

Joannes Vermorel: Итак, сначала уточним одну вещь. Отсутствие или минимальное наличие неопределенности просто определяет величину ошибки прогноза, которую вы наблюдаете. Всё в порядке. Видите ли, это полностью зависит от конкретной ситуации. Если вы рассматриваете, скажем, национальное потребление электроэнергии, колебания от дня к дню крайне малы. Наблюдается ежедневный ритм, но в остальном потребление очень стабильно, так что вариации крайне незначительны. А если смотреть на что-то чрезвычайно детализированное, например, на бутылку шампуня в одном супермаркете, в процентах вы увидите гораздо большие колебания. Это

Nicole Zint: Давайте рассмотрим конкретный пример супермаркета. Это анекдот, который я уже приводила в одном из предыдущих эпизодов. Годы назад мы проводили сравнительный анализ прогнозирования в такой обстановке, и выяснилось, что подавляющее большинство товаров, при работе на уровне магазина, имеют средний спрос, значительно ниже единицы. Знаете, в среднем продаётся одна единица товара в неделю или даже меньше. Более вероятно, что будет продано ноль единиц, чем одна. Абсолютно, так что наиболее вероятный исход для подавляющего большинства товаров в любой день — продажа нуля. Как выглядит прогноз, нацеленный на максимизацию точности, выраженной в процентах?

Joannes Vermorel: Если вы возьмёте метрику, скажем, абсолютное значение разницы между вашим прогнозом и фактическими данными, а затем разделите это на годовые продажи или что-то подобное и нормализуете, то получите метрику, при оптимизации которой, то есть если вы попытаетесь найти ту модель прогнозирования, которая даст вам лучшие результаты по этой метрике, вы в итоге получите модель, которая каждый день предсказывает ноль. И почему? Потому что нулевые продажи — безусловно, самый вероятный исход в любой день. Модель, которая будет наиболее точной, согласно этой очень простой и прямолинейной метрике — абсолютное значение разницы между фактическими данными и прогнозом — если вы просто оптимизируете её, то ваш прогноз всегда будет равен нулю. И что ещё более странно и вредно для цепочки поставок: если у вас модель, предсказывающая ноль, то у вас и результат будет нулевым, и очень скоро полки вашего магазина окажутся пустыми, а значит, ваш прогноз окажется на 100% точным, ведь если вы предсказываете ноль, вы и продаёте ноль. Всё вроде бы хорошо, но на самом деле нет. Это катастрофа для компании.

Nicole Zint: Да, это довольно интересно. Даже когда наши прогнозы на 100% точны, выручка остается нулевой. И что еще хуже, у нас по-прежнему нулевая выручка, но все расходы остаются. Магазин продолжает работать. Нам приходится платить за персонал, за помещение, за всё. Так что, понимаете, ситуация оказывается даже хуже. А потом мы теряем клиентов, потому что они не находят то, что ищут, и не возвращаются.

Joannes Vermorel: Именно. И здесь мы видим некую абсурдность. Это не так очевидно, когда мы рассматриваем более агрегированные временные ряды, но проблема остаётся та же. Фундаментально, проблема в этом примере гипермаркета заключается в наличии огромной асимметрии. Стоимость наличия или нехватки одной единицы совершенно не равна стоимости простой недели, когда одна единица простаивает непроданной. Это крайне асимметрично. Таким образом, проблема метрики точности прогнозирования, которую я только что описал — абсолютное значение разницы между прогнозом и фактическими данными — в том, что она полностью симметрична. То есть она придает по сути одинаковый вес завышенному прогнозу и избытку запасов. И мы видим, что даже в такой простой проблеме, где присутствует огромная асимметрия, метрика прогнозирования не фиксирует это. И почему, с математической точки зрения, метрики, которые вы используете, обычно симметричны? С математической точки зрения зачем вам нужна весьма асимметричная метрика? Обычно это не имеет смысла…

Nicole Zint: Итак, я хочу немного поговорить о точности прогнозов и их роли в оптимизации цепочки поставок. С математической точки зрения это очень интересно, и это лишь верхушка айсберга. Мы рассматриваем всего одну небольшую проблему, но даже эта крошечная проблема уже достаточно велика, чтобы полностью свести на нет все те преимущества, которые могут дать процессы оптимизации прогнозов по симметричной метрике. Мне кажется, что мы не только, возможно, смотрим на эту проблему под неправильным углом, но, возможно, вообще беремся за неправильную проблему. Мы настолько зациклены на угадывании спроса, что забываем о стоимости избытка или нехватки запасов. Мы отводим внимание от реальной прибыли, которую можем получить, и сосредотачиваемся только на точном предсказании спроса.

Joannes Vermorel: Да, я имею в виду, что, по сути, прогноз — это всего лишь мнение. В идеале это обоснованное мнение о будущем, которое в каком-то смысле правильно. Однако, в конечном счёте, прогноз — это именно мнение о будущем. Оно никак напрямую не влияет на вашу цепочку поставок. Единственное, что действительно влияет на цепочку поставок — это то, что вы делаете на практике. Решения, которые вы принимаете — добавлять ли одну дополнительную единицу в гипермаркет для конкретного товара в конкретный день или нет — вот что имеет значение. Таким образом, вопрос сводится к следующему: как улучшение вашей модели прогнозирования способствует достижению конечной цели, а именно принятию правильного решения в нужное время для каждого товара каждый день. Это отсутствующая связь, и именно её обычно полностью не хватает в метриках точности. Поэтому, когда я слышу обсуждения в сообществах, посвящённых цепочке поставок, где люди говорят: «Знаете что? Существует 20 различных метрик, которые мы можем использовать для цепочки поставок. В этой ситуации можно использовать это, в той — то», и так далее, все эти обсуждения полностью упускают суть. Они даже не пытаются связать эти прогнозы, которые, опять же, всего лишь мнение, с конечными результатами, то есть с решениями, принимаемыми на их основе. Таким образом, наше внимание как бы отводится от последствий каждого из этих решений.

Nicole Zint: Абсолютно. Но в этих крупных компаниях по-прежнему существуют подразделения, специально посвящённые повышению точности прогнозов. Должно ли вообще существовать такое подразделение?

Joannes Vermorel: Это тема, которую мы кратко затрагивали в одном из предыдущих эпизодов цепочки, а именно силосы и подразделения в крупных компаниях. Видите ли, проблема в том, что когда вы начинаете вводить числовые артефакты — а числовые артефакты могут быть самыми разными: это могут быть категории ABC, это могут быть страховые запасы, это могут быть прогнозы — то, что я повторяю, всё это числовые артефакты. Нет такого понятия, как страховой запас на вашем складе. У вас нет двух запасов: рабочего запаса и страхового запаса. Есть только один запас. И как только вы вводите эти числовые артефакты, возникает соблазн создать подгруппу специалистов в компании, которые станут экспертами в управлении этим числовым артефактом. Проблема в том, что это не реально. Только потому, что вы это делаете, или половина отрасли так поступает, не означает, что это имеет какое-то реальное основание, на самом деле это не так. И существует масса подобных вещей, которые просто не являются реальностью. Страховые запасы нереальны, уровни обслуживания нереальны, прогнозы — как бы вы их ни строили…

Nicole Zint: Так, Joannes, когда мы говорим о числовых артефактах, что именно мы имеем в виду?

Joannes Vermorel: Ну, они нереальны; это числовые артефакты, которые вы создаёте для достижения определённого вида операций и принятия определённых решений. И вот, если вернуться к большим компаниям, они всегда испытывают трудности с распределением рабочей нагрузки. Только потому что вы ввели числовой артефакт, не означает, что вам нужно создавать отдельную команду. Это, наоборот, одна из основных причин тех, я бы сказал, зол, которые в первую очередь подрывают эффективность цепочки поставок.

Nicole Zint: И почему это так?

Joannes Vermorel: Потому что, если вы начнёте создавать команду специалистов, которые будут заниматься исключительно улучшением качества прогнозов, что произойдёт? Факт в том, что они выберут какую-то метрику. Почему? Потому что если у них нет метрики, они не смогут работать. Так что они выберут метрику. Нам нужно что-то, что можно измерить, да. И поскольку имеется метрика, всё выглядит весьма рационально, понимаете. Да, мы оптимизируем прогноз, абсолютное значение разницы между прогнозом и фактическими данными. Очевидно, что если бы мы создавали абсолютно точный прогноз, ошибка прогноза была бы нулевой. И все с этим согласны. Звучит разумно, звучит рационально. Но, однако, мы видели на примере гипермаркета, что это совершенно не реально и не рационально. С этим можно делать совершенно безумные вещи. Тем не менее, если вы крупная компания, вы, возможно, даже не осознаете этого. Дьявол кроется в деталях, и, вероятно, люди даже не поймут, что это абсолютно чепуха и бессмыслица. Тем не менее, у вас есть команда, и эта команда, отвечающая за прогнозирование, работает в своём собственном пузыре, понимаете. То есть, они не принимают реальные решения, которые действительно влияют на результаты; они лишь создают прогноз.

Nicole Zint: И почему это проблема?

Joannes Vermorel: В соответствии с их целью и их метрикой, они улучшаются. Они будут создавать серию моделей, и со временем они станут лучше в этом. Они учтут сезонность; они учтут религиозные праздники. Они примут во внимание массу факторов, и они станут лучше. И таким образом, согласно метрике, прогноз улучшится. И, возможно, со временем они внедрят лучшее программное обеспечение, всевозможные новшества. Всё улучшится согласно метрике, которая не совпадает с интересами компании, выраженными в долларах. То есть, эффективность цепочки поставок не улучшается вместе с улучшенным прогнозом. Да, и опять же, люди сказали бы: “Но почему? У нас лучше прогнозы, так почему же должно улучшаться?” Эти люди ничего не делают для реального улучшения по метрике точности, измеряемой в долларах ошибок. Видите, в этом и состоит суть. Это не потому, что вы делаете что-то подобное чему-то еще, что вы получите тот результат, который получили бы, если бы делали что-то иное. Знаете, буквально, была одна забавная история — отклоняюсь от темы —, но существует анекдот о карго-культах, который можно найти на Википедии, о том, как во время Второй мировой войны американские самолеты пролетали над островами в Тихом океане и сбрасывали груз – еду, боеприпасы, различные товары – так, чтобы солдаты, прибывающие на острова, уже имели необходимые запасы.

Nicole Zint: Когда люди действительно осознали, что они стали свидетелями рождения новых религий, где люди вроде пытались вызвать появление самолёта, который доставил бы больше груза. Как видите, это то, что происходит, когда вы просто пытаетесь имитировать на поверхности то, что когда-то было для вас полезно, потому что это действительно происходило в прошлом, но теперь отсутствует сущностная суть, и вот возникают те карго-культы, которые возникли при буквальной попытке воссоздать доставку груза на остров, просто воспроизводя нечто, что действительно произошло. Я считаю, что именно это происходит с, как я бы сказал, большинством команд прогнозирования, которые пытаются повысить эффективность цепочки поставок, просто оптимизируя эти метрики. Знаете, у этого есть своя рациональность, но если взглянуть на общую картину, это абсолютно иррационально. Это лишь оболочка рациональности, и вы просто берёте формы: есть цифры, умные люди, есть процессы, но не потому, что вы отметили все пункты, всё это действительно имеет смысл. Так что, мне нужно спросить, Joannes, изначально мы начали с составления прогнозов и сосредоточились на том, чтобы сделать прогноз всё более точным, а как в процессе работы с Lokad вы пришли к пониманию, что это, на самом деле, не приводит к улучшению или не обеспечивает лучшую работу цепочки поставок для наших клиентов?

Joannes Vermorel: Потому что это не работало, проще простого. Так как же вы поняли, что мы смотрим не в ту сторону? То есть, как я сначала осознал, что это не работало? Ведь это сложный вопрос, потому что даже когда система не работала, Lokad всё равно успешно приобретал клиентов, рос и, можно сказать, был прибыльным. Так что если вы растёте, если вы прибыльны, и вы софтверная компания, всё кажется замечательным, да, да. Но это не работало для клиентов, понимаете? И когда я отступил и задумался, я задал себе жестоко честный вопрос: “Действительно ли я сделал ситуацию для клиентов лучше?” Если отойти, забыть о метриках, просто попытаться почувствовать интуитивно, становится ли реально лучше? И я начал понимать, что так не было, знаете, так не было. А по всем показателям, казалось, что всё в порядке. Но если на мгновение выйти за рамки этих показателей и попытаться хладнокровно оценить, действительно ли то, что мы делаем, вносит положительные изменения в глубоком смысле, то ответа не было. А люди говорят: “О, но по всем метрикам у нас всё хорошо, мы достигаем целей.” Но проблема в том, что если вы выбираете какую-то метрику и оптимизируете по ней, то да, вы будете лучше по этой метрике. Это буквально то, что математическая оптимизация и machine learning сделают для вас. Вы выбираете метрику, запускаете числовую оптимизацию и получите что-то лучшее по этой метрике. Видите, здесь есть элемент тавтологии. Мы выбираем метрику, получаем лучшие результаты по этой метрике – что вы ожидали? Если только алгоритмы не сделаны с ошибками, мы должны получать именно такое. Но это не означает, что на более глубоком уровне мы…

Nicole Zint: Можете объяснить, почему вы верите в раннюю отмену планов?

Joannes Vermorel: Ранняя отмена, потому что, видите ли, большинство наших конкурентов выбирают многолетние планы. Они никогда не осознают, что что-то идёт не так, потому что, по сути, они проходят через ERP, продают свои товары, а затем отправляются в пятилетнее путешествие. Работает это или нет, клиент вложил в это столько усилий, что изменить ситуацию невозможно – он застрял. Знаете, это как утопленный автомобиль, за которым уже играть невозможно. Существует психологическая ловушка, когда, раз уж вы уже вложили столько, вы не осмеливаетесь отказаться – вы слишком привязаны, и поэтому после пяти лет вы измотаны развертыванием суперсложного решения, так что не меняетесь, не хотите менять сразу. А когда, наконец, решаете, что хотите перемен, знаете, спустя 8 или 10 лет, вы проходите ещё один конкурс (RFP). И если в этот момент вы теряете клиента, то просто говорите: “Видите, причина не в том, что мы делали что-то неправильно с прогнозом, а в том, что технология, понимаете, эволюционировала, некоторые из наших конкурентов опередили этого конкретного клиента, и так мы снова не выиграли клиента во втором конкурсе.” Но вы естественным образом не связываете, что связь между тем, насколько вы приносите пользу, и тем, действительно ли ваши прогнозы ценны для клиента, очень слабая. Если покупка перестаёт радовать, в тот момент, когда директор по цепочке поставок ощущает, что интуитивно ничего ценного не происходит, независимо от того, что говорят ключевые показатели, – тогда вы теряете клиента. Итак, петля обратной связи становится, я бы сказал, намного более жесткой.

Nicole Zint: Можете рассказать, как продукт эволюционировал до нынешнего состояния по сравнению с простым прогнозом?

Joannes Vermorel: Мы поняли, что с точки зрения точности прогнозирования задача не в том, чтобы оптимизировать по заданной метрике точности. Вы выбираете одну метрику, и она обременена множеством проблем. Вот не в этом суть. И если ваш инструментарий настроен правильно, вы выбираете одну метрику и оптимизируете по ней – и всё. Это очень понятно. Можно было бы сделать ещё проще, но, в сущности, всё предельно ясно. Мы оптимизируем сейчас? Настраиваем? Вот в чём дело. Инструмент оптимизирован по метрике, но суть в том, что наш разработанный инструмент позволяет обнаружить метрики, точностные метрики, которые нужны вашей компании. Видите ли, изначально мы исходили из идеи, что можно просто иметь заранее определённый набор метрик и оптимизировать по ним, и всё будет хорошо. Но это не так, и даже хуже, чем я сначала думал. Дело не в том, чтобы определить лучшие метрики. Да, существуют некоторые метрики, которые немного лучше. Например, если вернуться к ситуации с гипермаркетом, если взять, скажем, pinball loss function, которая является очень асимметричной, то есть функцией потерь, которую можно сделать произвольно асимметричной. Можно получить немного лучшие результаты, если применить вероятностное прогнозирование. Вы даже можете использовать специфические метрики для вероятностных прогнозов, такие как cross-entropy, continuous rank probability score и другие. Так что, есть метрики, которые немного лучше, но вот и всё. Они лишь немного лучше. Проблема в том, что когда вы сталкиваетесь с реальной…

Nicole Zint: Joannes, можете рассказать о сдвиге парадигмы в оптимизации цепочек поставок, который произошёл за последнее десятилетие?

Joannes Vermorel: Да, конечно. Видите ли, это тот самый сдвиг парадигмы, через который нам пришлось пройти за последнее десятилетие. Инструменты, которые мы сегодня используем, буквально отвечают на вопрос, что необходимо специалистам по цепям поставок для того, чтобы разобраться. Мы анализируем данные и обсуждаем с экспертом по цепям поставок в компании, как должна выглядеть метрика точности. И вы поймёте, что это не обладает той числовой элегантностью, которую имеют математические метрики, поскольку здесь масса факторов, крайних случаев и специфичных нюансов, характерных для конкретного бизнеса. Если вы занимаетесь элитной роскошью, то это совершенно отличается, скажем, от свежих продуктов или аэрокосмической отрасли. Так что существует огромное количество исключительных случаев и ситуаций, которые имеют смысл только в контексте конкретной компании. Тем не менее, эти крайние случаи абсолютно критичны, если вы хотите в итоге принимать решения, которые не будут совершенно абсурдными. То, чего мы на самом деле добиваемся, — это именно те решения в цепочке поставок. Да, это будет конечной целью. Это станет показателем того, что вы действительно приносите пользу, и это верно для всех промежуточных числовых артефактов, которые вы создаёте.

Nicole Zint: Можете объяснить, что вы подразумеваете под числовыми артефактами?

Joannes Vermorel: Да, конечно. Прогнозы, измеряемые с помощью собственной матрицы точности прогнозирования, — это всего лишь один вид числовых артефактов. Обычно существует десятки других числовых артефактов, возникающих на промежуточном этапе процесса. Таким образом, мы перешли от улучшения точности прогнозирования к поиску ключевых решений в цепочке поставок, которые максимизируют прибыль или обеспечивают максимальную эффективность цепочки поставок, что является весьма интересной сменой перспективы.

Nicole Zint: Итак, какой ваш совет компаниям, которые хотят оптимизировать свою цепочку поставок?

Joannes Vermorel: Мой совет таков: если за всё – от осмысления данных в ERP до окончательного формирования производственных заказов, заказов на пополнение запасов, закупочных заказов, перемещений запасов, изменения цен – не отвечает один человек, то вы даже не начали оптимизировать свою цепочку поставок. Если у вас нет единого ответственного звена за весь этот процесс от начала до конца, то все усилия, вложенные в улучшение прогноза или что-либо другое, являются лишь иллюзией. Если стимулы не согласованы, эти люди будут действовать во вред интересам компании. Представьте себе, что вы играете в шахматы, и я говорю, что вы – конь, и ваша цель – просто выжить до конца партии. Вопрос в том, как вы думаете: если вы играете за коня, то разве это то же самое, что играть за ладью, в то время как я играю за ферзя?

Nicole Zint: А ваша цель – выжить. Ваша цель – выжить. Как вы думаете, если мы будем стремиться только к этому, у нас будет хоть какой-то шанс выиграть у соперника?

Joannes Vermorel: Нет, не получится. Знаете, это вводит в заблуждение. Цель, которую мы пытаемся донести, такова: да, люди говорят: “О, в 99% партий, в которых я играл за коня, конь до конца оставался на доске.” Да, но мы проиграли каждую партию.

Nicole Zint: Это хорошо, но эта игра…

Joannes Vermorel: Вот в чем проблема с вводящими в заблуждение метриками: они могут звучать и выглядеть вполне рациональными, но на самом деле в их основе лежит глубокая иррациональность. И я считаю, что такие методы прогнозирования и подразделения прогнозирования, которые есть во многих крупных компаниях, абсолютно иррациональны. И я знаю, что это очень сложно, потому что эти отделы полны инженеров, которые хотят делать всё правильно. Они не идиоты, и их начальство, и люди выше них тоже не идиоты, и они хотят делать всё правильно. Видите, проблема не в том, что людей надо уволить или что-то в этом роде, нет, нет – это худшая организация. Это просто продуктивный контрпродукт.

Nicole Zint: Именно, это не годится. Это сломано по своей сути. Оно не достигнет поставленных целей.

Joannes Vermorel: Поэтому мой совет: убедитесь, что у вас есть этот один человек. Этот человек может иметь столько коллег, сколько угодно, чтобы сформировать единое звено, которое соединяет все этапы до окончательного решения, и это должно представлять собой монолитную оптимизацию. Вы не должны дробить этот процесс.

Nicole Zint: Joannes, большое вам спасибо за сегодняшний разговор. Действительно, это заставляет задуматься. Спасибо, что были с нами, и до встречи в следующий раз.

Joannes Vermorel: Спасибо.