00:00:08 Введение и предыстория Спироса Макракедиса.
00:01:36 Скептицизм в отношении статистического прогнозирования в ранние годы.
00:04:44 Эволюция прогнозирования в сфере розничной торговли и потребительских товаров.
00:05:44 Результаты первоначальных исследований Спироса в области прогнозирования.
00:07:21 Соревнование M5 и его значение для индустрии прогнозирования.
00:08:01 Результаты Lokad на конкурсе по прогнозированию.
00:09:01 Простые модели и их эффективность на конкурсе.
00:10:20 Эволюция методов прогнозирования на протяжении лет.
00:11:46 Появление компьютеров и их влияние на прогнозирование.
00:14:32 Тестовый сценарий против реального применения и методическая предвзятость.
00:16:00 Обсуждение проблем прогнозирования нестабильных временных рядов.
00:17:20 Сдвиг в восприятии прогнозирования как науки.
00:18:28 Проблема чрезмерной уверенности и нереалистичных ожиданий в прогнозировании.
00:21:00 Работа с неопределённостью и событиями с тяжелыми хвостами в прогнозировании.
00:23:01 Внедрение структурных априорных предположений для учета экстремальных событий в моделях прогнозирования.
00:24:00 Обсуждение влияния хвостовых событий на модели прогнозирования.
00:24:46 Внедрение структурных априорных предположений для более устойчивых решений в цепочках поставок.
00:25:52 Рекомендация работ Насима Талеба для понимания событий “черного лебедя”.
00:26:35 Достижения соревнований M: простота, понимание неопределенности и управление рисками.
Summary
В этом интервью Киран Чэндлер обсуждает прогнозирование вместе с Йоаннесом Верморелем, основателем Lokad, и Спиросом Макракедисом, профессором Университета Никосии. Они исследуют влияние M-соревнований, эффективность простых методов и роль неопределенности в прогнозировании. Верморель делится своим опытом участия в конкурсе M5, подчеркивая силу простых моделей и важность понимания неопределенности. Макракедис акцентирует внимание на значимости эмпирических данных и необходимости готовности к рискам. Они отмечают ограничения прогнозирования и сложность донесения идеи принятия неопределенности до клиентов.
Расширенное резюме
В этом интервью ведущий Киран Чэндлер беседует с гостями: Йоаннесом Верморелем, основателем Lokad, и Спиросом Макракедисом, профессором Университета Никосии и организатором M-соревнований. Обсуждение касается науки прогнозирования и влияния M-соревнований на индустрию.
Спирос Макракедис делится своим опытом работы в качестве преподавателя и организатора M-соревнований, которые оказали влияние на прогнозирование как в академической среде, так и в отрасли. В дальнейшем интервью будет рассмотрено соревнование M5.
Йоаннес Верморель рассказывает о скептицизме, с которым он столкнулся при основании Lokad в 2007 году, когда некоторые люди считали, что статистическое прогнозирование ненадежно. Со временем эта точка зрения почти исчезла из отрасли, и Верморель приписывает нормализацию области как научного направления M-соревнованиям Макракедиса.
Макракедис подчеркивает важность прогнозирования, упоминая текущую ситуацию в Техасе, где супермаркеты опустошены. Он объясняет, что большую часть времени потребители могут найти то, что им нужно, поскольку такие компании, как Walmart и Target, прогнозируют миллионы товаров еженедельно. Когда происходят дефициты, это на самом деле подчеркивает эффективность прогнозирования, ведь люди замечают его, только когда что-то идет не так.
Макракедис также вспоминает свою раннюю карьеру, когда он провёл первое исследование по точности различных методов прогнозирования. Результаты, показавшие, что простые методы точнее сложных и что их комбинация улучшает точность, были неожиданными и первоначально встречались со скептицизмом. Однако эти выводы впоследствии были подтверждены и существенно повлияли на область прогнозирования.
Они обсуждают методы прогнозирования, соревнование M5 и влияние технологий на данную область.
Макракедис объясняет, что новые методы прогнозирования с использованием глубокого обучения включают генерацию большого числа моделей с использованием медианы в качестве лучшего прогноза. Верморель делится своим опытом участия в соревновании M5, отмечая, что Lokad занял 6-е место из 909 команд в категории квантильного прогнозирования. Он подчеркивает отсутствие их основных конкурентов в топ-100 и несоответствие между долей рынка и результатами в таких конкурсах.
Затем Верморель указывает, что Lokad использовал очень простую параметрическую модель, демонстрируя силу простых методов в прогнозировании. Кроме того, он подчёркивает, что точность — не единственный важный аспект прогнозирования; понимание структуры неопределенности также имеет решающее значение. Макракедис соглашается, добавляя, что результаты соревнования M5 показали, что простые методы машинного обучения точнее и эффективнее сложных.
Разговор переключается на появление компьютеров в прогнозировании, где Макракедис объясняет, что ключ к успеху заключается в простоте. Он описывает важность разделения данных для прогнозирования на обучающую и тестовую выборки, чтобы избежать переобучения на прошлых данных и учитывать изменения между прошлым и будущим. Верморель соглашается, отмечая сложность точного прогнозирования данных, которые ещё не доступны, и важность непредположения, что будущее будет точной копией прошлого.
Они обсуждают эволюцию прогнозирования, важность избежания переобучения данных и значимость неопределенности в предсказаниях.
Верморель объясняет развитие теории прогнозирования в конце 20-го века, с работами Вапника и Червоненкиса, которые внесли вклад в концепцию опорных векторных машин. Эти методы продемонстрировали необходимость минимизации как структурной, так и эмпирической ошибки, а также предоставления нижней границы для реальной ошибки.
Макракедис подчеркивает важность соревнований, где часть данных отводится для тестирования, как способа установления чистой методологии прогнозирования. Он сопоставляет это с реальными сценариями, где существует соблазн переобучить данные, чтобы добиться идеального соответствия прошлым событиям, что может привести к меньшей точности будущих прогнозов.
Верморель приводит пример из своего опыта в Lokad, когда клиенты часто удивлялись более сглаженному прогнозу, полученному для нестабильных временных рядов, таких как потребление алкоголя в гипермаркетах. Конкуренты часто представляли прогнозы, которые в точности имитировали непредсказуемость исторических данных, что вызывало скептицизм клиентов по поводу сглаженных прогнозов Lokad.
Макракедис обсуждает сдвиг в восприятии прогнозирования как науки, подчеркивая важность разделения прошлого и будущего и недопущения переобучения на прошлых данных. Он акцентирует внимание на необходимости учитывать неопределенность в предсказаниях и признает, что, хотя клиенты могут не оценивать этот аспект, он имеет решающее значение для реалистичного прогнозирования.
Обсуждение касалось ожиданий от прогнозирования. Верморель отмечает, что некоторые конкуренты в розничной торговле делают непомерные заявления о высокой точности, что непрактично, учитывая природу потребительского поведения. Это поднимает вопрос, не ожидают ли люди сейчас слишком многого от прогнозирования и не воспринимают ли его как безошибочное.
Разговор вращается вокруг прогнозирования, его ограничений и проблем в данной области, а также влияния неопределенности и редких событий на оптимизацию цепей поставок.
Участники обсуждают, как некоторые поставщики и консультанты склонны преувеличивать идею невероятно точных прогнозов, что приводит к нереалистичным ожиданиям пользователей. Они подчёркивают, что прогнозирование не является совершенным, и неопределенность присуща, особенно в таких областях, как розничная торговля. Макракедис отмечает, что существует не только обычная неопределенность, но и неопределенность с “толстой хвостовостью”, которая состоит из редких и экстремальных событий, способных вызвать значительные сбои, например, пандемию COVID-19.
Верморель соглашается с тем, что консультанты обещают слишком много, и отмечает, что сложность вероятностного прогнозирования заключается не в техническом аспекте, а в донесении идеи принятия неопределенности и ограниченности контроля. Он объясняет, что простые модели прогнозирования могут быть полезны для внедрения структурных априорных предположений с целью учета хвостовых событий, даже если количественная оценка остается расплывчатой. Таким образом, решения в области цепей поставок могут быть направлены на более прочные и устойчивые результаты в условиях редких событий.
Макракедис подчеркивает важность эмпирических данных в определении того, что работает, а что нет в прогнозировании. Через M-соревнования они обнаружили, что простота работает лучше всего, признавая случайность и непредсказуемость прошлого. Он акцентирует внимание на важности осознания неопределенности и риска, связанных с прогнозами, и необходимости быть готовыми к ним.
Интервью затрагивает проблемы и ограничения прогнозирования, роль неопределенности в принятии решений и важность включения редких событий в оптимизацию цепей поставок.
Полная транскрипция
Киран Чэндлер: Когда речь заходит о прогнозировании, мы часто считаем само собой разумеющимся, что существуют проверенные и испытанные методы, проверенные не одно поколение. Однако наш гость сегодня, Спирос Макракедис, не имел такой роскоши, и как один из основателей индустрии, он фактически изобрёл многие из методов, которые мы используем в качестве стандарта. Сегодня мы узнаем немного больше о его карьере и о том, чему можно научиться, опираясь на более чем 50-летний опыт в отрасли. Спирос, большое спасибо, что присоединились к нам в прямом эфире с Кипра. И, как всегда, нам нравится начинать с того, чтобы узнать немного больше о наших гостях. Может быть, вы могли бы рассказать нам немного о себе.
Спирос Макракедис: Как вам известно, я долгое время работал преподавателем, и именно там я начал заниматься прогнозированием. Затем я этим перестал, а 15 лет назад вышел на пенсию, и вот я сейчас на Кипре, в университете, поскольку мы продолжаем работу. И я знаю, что ваши компании участвуют как в соревнованиях M4, так и в M5, которые я организую уже последние 40 лет. Так что вы знаете, каков мой вклад и как соревнования M, означающие соревнования Макракедиса, повлияли на индустрию прогнозирования, на компании и ученых, использующих эти результаты.
Киран Чэндлер: Блестяще! Так что мы поговорим о соревнованиях M5 чуть позже. Может быть, в первой части мы обратимся к обзору последних 50 лет науки прогнозирования, поскольку сегодня предстоит пройти немало материала. Йоаннес?
Йоаннес Верморель: Да, интересно то, что когда я основал Lokad, когда занимался созданием компании в 2007 году, в то время всё ещё были люди, которые скептически относились к самой идее статистического прогнозирования любого рода. Это было очень странно, потому что тогда я сам сомневался, продолжать ли работу над кандидатской по машинному обучению, которую я начал, но так и не закончил, или же заняться проектом Lokad. И когда я подал заявку в стартап-инкубатор, при первой попытке моя заявка была отклонена, потому что в жюри было двое, кто твёрдо считал, что статистическое прогнозирование – это полная чепуха. Буквально: «Нет, мы не принимаем стартапы, где бизнес-план сводится к продаже гаданий». Безусловно, на гадания можно заработать; люди занимаются этим веками. Но можем ли мы согласиться с тем, что такая компания действительно войдет в инкубатор? Ответ был категоричным «нет». Забавно то, что это было практически последнее поколение. Думаю, за десятилетие работы Lokad практически никто в этой индустрии не придерживается такой точки зрения. Так что это действительно было наука в действии.
Киран Чэндлер: Йоаннес и Спирос, спасибо, что присоединились к нам сегодня. Йоаннес, я считаю, что ваш вклад и M-соревнования стали действительно ключевыми элементами в нормализации области прогнозирования. Это стало больше напоминать обычную науку, а не маргинальную. То, что происходит сейчас в Техасе, интересно. Супермаркеты полностью опустошены, и люди не могут найти еду или другие необходимые товары. Когда говорят о прогнозировании, я предлагаю вспомнить все случаи, когда вы ходили в супермаркет и находили то, что хотите. Супермаркеты предлагают миллионы товаров, и для каждого из них составляют прогнозы. Такие компании, как Walmart и Target, прогнозируют миллионы товаров еженедельно, поэтому потребители могут найти то, что хотят купить. Когда же возникает нехватка, как сейчас в Техасе, это удивляет людей, но на самом деле доказывает, насколько хорошее прогнозирование, ведь в большинстве случаев они находят то, что им нужно.
Spyros Makridakis: Абсолютно, Kieran. Прогнозирование сформировалось во многом благодаря моей работе. Когда я только начинал как молодой профессор, обстановка была совсем иной. Мы провели первое исследование, оценивающее, насколько точно различные методы прогнозирования могут предсказывать будущее. То, что мы обнаружили, удивило статистиков того времени. Я представил результаты в Лондоне в Королевском статистическом обществе, и меня атаковали все, заявляя, что такие результаты получились из-за нашего отсутствия опыта в прогнозировании. Мы установили, что очень простые методы давали более точные результаты, чем сложные, и если объединять несколько методов, точность повышалась. Оба этих вывода были неприемлемы для статистиков того времени, которые считали, что можно выбрать один лучший метод и что более сложные методы будут точнее. Но сейчас новые техники, использующие глубокое обучение, прогнозируют 500 различных моделей, а затем берут их медиану, что, по их мнению, является наилучшим прогнозом.
Kieran Chandler: Joannes, конкурс M5 — это то мероприятие, в котором вы принимали участие не так давно. С точки зрения поставщика, что для вас означает конкурс M5?
Joannes Vermorel: Конкурс M5 — это довольно увлекательное событие. Это одна из немногих возможностей, когда мы можем продемонстрировать наши прогнозные способности и сотрудничать с другими участниками отрасли. Это помогает нам совершенствовать наши методы и поддерживать конкурентоспособность, стимулируя инновации и прогресс.
Kieran Chandler: Добро пожаловать на сегодняшнее интервью. Сегодня у нас Joannes Vermorel, основатель Lokad, и Spyros Makridakis, профессор Университета Никосии, директор Института будущего и почётный профессор по принятию решений в INSEAD. Joannes, вы участвовали в конкурсах M-Competitions, не могли бы вы рассказать об этом подробнее?
Joannes Vermorel: Да, конкурсы M-Competitions — это всемирно признанные мероприятия, где люди соревнуются на основе своих навыков, в отличие от выставок, которые в основном ориентированы на маркетинг. Интересно то, что среди ста крупнейших компаний не оказалось наших самых крупных конкурентов, независимо от того, с какой стороны рассматривать соревнование. Это удивительно, ведь они продают прогнозирование. Таким образом, существует огромный разрыв между тем, что происходит во время реального теста, и типичными рыночными долями, наблюдаемыми на этом рынке. Еще один момент, на который я хотел бы обратить внимание — это простота нашей модели. Lokad занял шестое место из 909 команд в квантильной части конкурса, используя очень простую параметрическую модель с всего тремя параметрами: день недели, начало и конец месяца, а также неделя года. Мы применили ESSM и достигли результатов с точностью в пределах 1% от лучшей модели, которая использовала градиентный бустинг деревьев и масштабную схему увеличения данных. Примечательно, что мы использовали лишь 0.001 от всей возможной сложности. Я считаю, что это демонстрирует, что даже очень простые методы могут быть чрезвычайно мощными. Конкурс также показал, что классическая точность — не единственный показатель, имеющий значение. Иные аспекты прогноза, такие как лучшее понимание структуры самой неопределенности, также важны. Именно об этом и идут речи в вероятностных прогнозах, и мы в Lokad работаем над этим уже почти десятилетие.
Spyros Makridakis: Вы правы, Joannes. В первом конкурсе M-Competition простые статистические методы давали более точные результаты, чем сложные. В конкурсе M5 мы обнаружили, что простые методы машинного обучения оказались точнее сложных методов машинного обучения, таких как глубокое обучение. Лучшие участники как в задаче точности, так и в задаче оценки неопределенности, использовали простые методы машинного обучения, что делало их наиболее точными и эффективными при прогнозировании данных Walmart. Один из интересных аспектов конкурса M5 заключается в том, что все используют компьютеры для прогнозирования.
Kieran Chandler: И это теперь стало стандартом во всей отрасли, но если оглянуться назад, когда вы только начинали, Spyros, когда вы еще были профессором, это было, возможно, до эпохи компьютеров. Как же внедрение компьютеров изменило ваш подход? Какие возможности это вам дало?
Spyros Makridakis: Возможности заключались в том, что все стало проще. В прогнозировании есть две составляющие: одна — это подгонка модели под прошлые данные, что является относительно простой задачей. Раньше, до начала конкурсов, люди переобучали модель на данных прошлого, думая, что будущее будет точно таким же, как прошлое. Идеи разделения данных на обучающую и тестовую выборки даже не существовало. Мы стремились предсказать будущее с максимально возможной точностью, а не просто воспроизвести прошлые данные. Будущее же меняется, и теперь наша задача — не переобучать прошлое, поскольку между ним и будущим обязательно произойдут изменения. Мы пытаемся понять, как эти изменения будут развиваться, и использовать это знание для более точного прогнозирования будущего. Это принципиально отличается от прошлого, когда считалось, что будущее будет точно таким же, как прошлое, а мы прекрасно знаем, что это никогда не бывает так.
Kieran Chandler: Вы с этим согласны, Joannes? То есть, как, по вашему мнению, развивались методы прогнозирования за эти десятилетия, если оглядываться назад?
Joannes Vermorel: Думаю, то, на что указывает Spyros Makridakis, является основополагающим. Существует кажущийся парадокс: вы хотите добиться точности на данных, которых у вас нет. Это несколько озадачивает, ведь, по определению, когда вы оцениваете точность, вы сравниваете ее с имеющимися данными, но в идеале именно этого не должно происходить. Эта проблема была частично решена к концу XX века благодаря теории Вапника и Червоненкиса. Это весьма абстрактная теория, которая привела к появлению опорных векторных машин, достаточно сложных методов. Они начали формализовывать идею разделения на эмпирическую ошибку и структурную ошибку. Структурная ошибка заключается в том, что вы стремитесь минимизировать реальную ошибку, то есть ошибку, которую допустите на данных, которых у вас нет. Нужно минимизировать как структурную, так и эмпирическую ошибки — и именно этим занимаются опорные векторные машины. У опорных векторных машин весьма теоретическая база. Их реализовывали, и они добились больших успехов как метод машинного обучения в ряде областей. Думаю, их главный вклад заключался в том, что с теоретической точки зрения было прояснено, что именно происходит. А когда дело доходит до получения реальных результатов, лучшим решением является участие в конкурсах, где действительно оставляют часть данных для тестирования, что позволяет получить более точные прогнозы.
Kieran Chandler: Чтобы использовать, можно сказать, очень чистую методологию, как отличается ваш подход в тестовом сценарии, основанном на конкурсах, от того, чем вы занимались бы в реальной жизни? Ведь в реальной жизни у вас есть доступ ко всем данным постоянно, и это порождает сильное методологическое искажение, о котором говорил профессор Makridakis. Очень заманчиво просто создать модель, которая будет идеально соответствовать данным, знаете ли.
Spyros Makridakis: Раньше именно так и делали. Знаменитая методология Бокса-Дженкинса заключалась в том, чтобы максимально точно подгонять модель под прошлое, что и объясняет, почему она уступала простым методам, которые не переобучали на прошлом, но предсказывали будущее с большей точностью. Если модель переобучается, теряется суть прогнозирования. Будущее никогда не будет точно таким же, как прошлое.
Joannes Vermorel: Именно. И один из поразительных примеров случился, когда я только начинал в Lokad. Клиенты обычно были крайне удивлены, когда видели невероятно хаотичный временной ряд, например, потребление алкоголя в гипермаркетах — продукт с резкими всплесками. Когда в первые несколько лет Lokad мы делали классические прогнозы (еще до внедрения вероятностного прогнозирования), я показывал прогноз, который был значительно сглажен по сравнению с исходным хаотичным временным рядом. Большинство моих конкурентов демонстрировали прогнозы, столь же хаотичные, как и оригинальные данные. Клиенты, а также потенциальные клиенты, с которыми я вступал в жаркие обсуждения, не верили, что такой гладкий прогноз может быть правильным, поскольку он сильно отличался от исторических данных, крайне хаотичных и пиковых. В то время как мои конкуренты показывали прогнозы с резкими пиками, выглядевшие почти как исторические данные.
Kieran Chandler: Итак, Spyros, мне действительно интересно, как изменилось восприятие прогнозирования за вашу карьеру. Когда произошёл сдвиг в сторону того, что прогнозирование воспринимается как наука, и когда оно стало более признанным в массовом сознании?
Spyros Makridakis: Это заняло некоторое время. Сначала классические статистики использовали те же методы, что и раньше, утверждая, что главное — отслеживать флуктуации ряда. Но прогнозировать так нельзя. Потребовалось время, чтобы осознать, что случайность не поддается прогнозированию, и что конкурсы M-Competitions без всяких сомнений доказали: важно разделять прошлое и будущее и не пытаться переобучать прошлое, а создавать модели, способные адаптироваться к изменениям между прошлым и будущим. Это основное изменение. Теперь принято, что помимо самих прогнозов, мы должны учитывать неопределенность в наших предсказаниях. Многим людям это не нравится, потому что, психологически, говорить о неопределенности — не самое приятное дело, признавать, что я делаю прогноз, но остаюсь неуверенным.
Kieran Chandler: Joannes, насколько, по вашему мнению, ваши прогнозы бывают неточными? Клиенты часто говорят, что вы утверждаете, что концентрируетесь, но при этом признаете, что не можете прогнозировать из-за огромной неопределенности будущего.
Spyros Makridakis: Это реальность, и нельзя не быть реалистом. Это вводит понятие уровня доверия к вашему прогнозу. Joannes, разве не так, что ожидания настолько завышены, что люди ожидают от прогнозирования невозможной безошибочности?
Joannes Vermorel: Это интересный вопрос. Я несколько раз бывал на выставке Национальной федерации розничной торговли в Нью-Йорке, и то, что я видел, заключалось в том, что большинство моих конкурентов часто делали совершенно абсурдные заявления о 99%-ной точности в розничной торговле. Честно говоря, я даже не понимаю, что означает 99%-ная точность в гипермаркетах, где большинство товаров продается в небольших количествах каждый день. Абсурдно думать, что можно знать до последней единицы, выберет ли покупатель тот или иной товар, в то время как сам покупатель может даже не осознавать этого. Я видел, как многие поставщики пытались завысить возможности достижения невероятной точности прогнозов во всех областях, что совершенно не соответствует действительности. Они опирались на научный ореол, который статистическое прогнозирование приобрело в таких сферах, как демография, потребление электроэнергии и воды, где уровень неопределенности сравнительно низок, чтобы утверждать, что могут достичь того же уровня точности в гипермаркетах, что просто не так. Можно многое сделать, но точность будет другого порядка.
Spyros Makridakis: Одна из главных проблем пользователей прогнозов заключается в том, что их ожидания завышены, поскольку консультанты пытаются продать им прогнозы, в которых они излишне уверены, и это одна из самых больших проблем. Поэтому в нашей работе необходимо объяснить: «Смотрите, мы не можем быть пророками. Наши данные, особенно в таких областях, как розничная торговля, показывают, что неопределенность чрезвычайно велика, и с этим нужно что-то делать». Мы говорим не только о нормальной неопределенности; существует и та, которая может оказаться роковой, как знаменитые «черные лебеди» Насима Талеба, разрушающие множество наших прогнозов и создающие проблемы, подобные пандемии. Эту неопределенность тоже нужно учитывать; от нее невозможно скрыться.
Kieran Chandler: Joannes, вы согласны с этим? Ранее мы уже говорили о том, как консультанты обещают от прогнозов слишком многое.
Joannes Vermorel: Да, я согласен. По сути, сложность вероятностного прогнозирования заключалась не столько в технической реализации, сколько в управлении завышенными ожиданиями, созданными консультантами, которые обещали слишком многое.
Kieran Chandler: Joannes, вы говорили о важности вероятностного прогнозирования и внедрения структурных априорных предположений. Не могли бы вы объяснить это подробнее?
Joannes Vermorel: Конечно. Работа с вероятностями вовсе не так сложна. Сложность заключалась именно в том, чтобы донести до людей понимание того, что да, Lokad выбрал путь вероятностных прогнозов. Не потому, что наши прогнозы были плохими — даже если мы изначально не занимали лидирующие позиции на конкурсах, мы все равно показывали достойные результаты. Проблема была в принятии того факта, что есть аспекты, находящиеся вне нашего контроля. И интересное в этих хвостовых событиях то, что вдруг возникает ситуация, когда очень сложно доверять вашему DR. И именно здесь, повторюсь, проявляется мой большой интерес. При использовании относительно простой и управляемой модели прогнозирования можно внедрить структурные априорные предположения, чтобы добавить компонент крайне редких и экстремальных событий.
Kieran Chandler: Понятно, а как это помогает в оптимизации цепочки поставок?
Joannes Vermorel: Итак, по сути, это то, что мы делаем в Lokad. Например, когда речь заходит о пандемиях: мы не можем прогнозировать пандемии. Но что мы можем сделать, и это даже не так уж сложно, так это сказать: «ну, мы можем, возможно, ввести априорное предположение о том, что существует некоторая вероятность — допустим, годовая вероятность в два процента — что произойдет спад на 50 процентов, который затронет компанию». Я не знаю почему, мне просто кажется, что это разумное предположение. Всё это субъективно, понимаете, почему именно два процента, почему два процента от 50-процентного спада? Всё это весьма субъективно, но интересное заключается в том, что если добавить в ваши модели прогнозирования элемент крайних событий, даже если их количественная оценка довольно неточная и расплывчата, то при построении оптимизации цепочки поставок вы смещаете решение в сторону вариантов, которые гораздо более устойчивы к этим крайним событиям, без необходимости вкладывать в них слишком много средств. Таким образом, интересное в том, что мы сохраняем простоту моделей прогнозирования, чтобы можно было внедрять в них структурные априорные предположения, которые, скажем так, во многом вымышлены, хотя и разумны. Они не являются точными, но в итоге вы получаете решения для цепочки поставок, которые обеспечивают гораздо большую устойчивость к редким событиям. Процесс довольно прост, но на практике нужно много убеждать людей, чтобы они поняли этих «черных лебедей». Действительно, я часто обращаюсь с просьбой «Пожалуйста, прочтите работы Нассима Талеба», но это непросто, когда пытаешься убедить потенциального клиента принять 600-страничную книгу, написанную ещё одним, знаете ли, великим греческим мыслителем Нассима Талеба.
Spyros Makridakis: Йоаннес, можно задать вопрос? Потому что мне кажется, что вы внедряете структурные априорные предположения, что может рассматриваться как предвзятость в ваших моделях прогнозирования. Считаете ли вы, что эта предвзятость может негативно сказаться на точности прогнозов ваших моделей?
Joannes Vermorel: Да, это очень хороший вопрос, Спайрос. Есть два момента в этом. Во-первых,
Kieran Chandler: Спайрос, у вас за плечами полвека работы в индустрии. Чем вы гордитесь больше всего, оглядываясь на свою карьеру?
Spyros Makridakis: Ну, больше всего я горжусь тем, что мы предоставляем эмпирические доказательства того, что работает в прогнозировании, а что — нет. Это не просто слова, мы проводили эксперименты в рамках M-конкурсов. Из этих экспериментов мы можем сказать, какие методы работают, а какие нет. Мы можем сказать, что простота работает. Мы понимаем, что в прошлом событий было много случайностей, и мы не можем предсказать всё с абсолютной точностью. Поскольку наши прогнозы неопределенны, существует риск, и нам нужно принимать меры, чтобы предусмотреть этот риск и быть готовыми с ним справиться.
Kieran Chandler: Спасибо вам обоим за уделённое сегодня время.
Joannes Vermorel: Большое спасибо.
Spyros Makridakis: Спасибо за интервью.
Kieran Chandler: Это всё на эту неделю. Большое спасибо, что присоединились, и до встречи в следующем выпуске.