00:00:08 Вступление и биография Спироса Макридакиса.
00:01:36 Скептицизм в отношении статистического прогнозирования в первые годы.
00:04:44 Эволюция прогнозирования в розничной торговле и потребительских товарах.
00:05:44 Результаты первоначальных исследований Спироса по прогнозированию.
00:07:21 Конкурс M5 и его значение для отрасли прогнозирования.
00:08:01 Успех 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 Внедрение компьютеров и их влияние на прогнозирование.
00:14:32 Тестовый сценарий против применения в реальном мире и методологический уклон.
00:16:00 Обсуждение проблем прогнозирования непостоянных 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 неопределенностью и событиями с тяжелыми хвостами в прогнозировании.
00:23:01 Внедрение структурных априорных знаний для учета экстремальных событий в моделях прогнозирования.
00:24:00 Обсуждение влияния хвостовых событий на модели прогнозирования.
00:24:46 Внедрение структурных априорных знаний для более устойчивых решений в цепях поставок.
00:25:52 Рекомендация работ Нассима Талеба для понимания событий “черных лебедей”.
00:26:35 Достижения от конкурсов M: простота, понимание неопределенности и управление рисками.
Резюме
В этом интервью Киран Чандлер обсуждает прогнозирование с Жоаннесом Верморелем, основателем Lokad, и Спиросом Макридакисом, профессором Университета Никосии. Они исследуют влияние конкурсов M, эффективность простых методов и роль неопределенности в прогнозировании. Верморел делится своим опытом участия в конкурсе M5, подчеркивая силу простых моделей и важность понимания неопределенности. Макридакис подчеркивает значение эмпирических данных и необходимость готовности перед риском. Они акцентируют внимание на ограничениях прогнозирования и сложности передачи принятия неопределенности клиентам.
Расширенное резюме
В этом интервью ведущий Киран Чандлер беседует с гостями Жоаннесом Верморелем, основателем Lokad, и Спиросом Макридакисом, профессором Университета Никосии и организатором конкурсов M. Обсуждение крутится вокруг науки прогнозирования и влияния конкурсов M на отрасль.
Спирос Макридакис делится своим опытом преподавателя и организатора конкурсов M, которые повлияли на прогнозирование как в академической среде, так и в промышленности. В интервью позже будет более подробно рассмотрено M5-соревнование.
Жоаннес Верморел рассказывает о скептицизме, с которым он столкнулся при основании Lokad в 2007 году, когда некоторые люди считали, что статистическое прогнозирование ненадежно. С течением времени эта точка зрения в основном исчезла из отрасли, и Верморел приписывает успех Макридакиса и его конкурсов M в нормализации этой области как научного предприятия.
Макридакис подчеркивает важность прогнозирования, упоминая текущую ситуацию в Техасе, где супермаркеты испытывают дефицит товаров. Он объясняет, что большую часть времени потребители могут найти то, что им нужно, потому что компании, такие как Walmart и Target, прогнозируют миллионы товаров еженедельно. Когда возникают дефициты, это фактически подчеркивает эффективность прогнозирования, так как люди замечают проблемы только тогда, когда что-то идет не так.
Макридакис также отражает свою раннюю карьеру, когда он провел первое исследование точности различных методов прогнозирования. Результаты, которые показали, что простые методы более точны, чем сложные, и что комбинирование методов улучшает точность, были удивительными и изначально вызвали скептицизм. Однако эти выводы были подтверждены и существенно повлияли на область прогнозирования.
Они обсуждают методы прогнозирования, конкурс M5 и влияние технологий на отрасль.
Макридакис объясняет, что новые методы прогнозирования с использованием глубокого обучения включают создание большого количества моделей и выбор медианы в качестве лучшего прогноза. Верморел делится своим опытом участия в конкурсе M5, отмечая, что Lokad занял 6-е место среди 909 команд по квантильному прогнозированию. Он подчеркивает отсутствие их основных конкурентов в топ-100 и разрыв между долей рынка и результатами в таких соревнованиях.
Затем Верморел указывает на то, что Lokad использовал очень простую параметрическую модель, демонстрируя силу простых методов в прогнозировании. Кроме того, он подчеркивает, что точность - не единственный важный аспект в прогнозировании; также важно понимание структуры неопределенности. Макридакис соглашается, добавляя, что результаты конкурса M5 показали, что простые методы машинного обучения более точны и эффективны, чем сложные.
Разговор переходит к внедрению компьютеров в прогнозирование, и Макридакис объясняет, что ключ к успеху заключается в простоте. Он описывает важность разделения данных прогнозирования на обучающую и тестовую части, чтобы избежать переобучения на прошлое и учесть изменения между прошлым и будущим. Верморел соглашается, подчеркивая сложность точного прогнозирования данных, которые еще не доступны, и важность не предполагать, что будущее будет точно таким же, как прошлое.
Они обсуждают эволюцию прогнозирования, важность избегания переобучения данных и значение неопределенности в прогнозах.
Vermorel объясняет развитие теории прогнозирования в конце 20-го века, работы Вапника и Червоненкиса, которые способствовали концепции машин опорных векторов. Эти машины подчеркивают необходимость минимизации как структурной, так и эмпирической ошибки, а также предоставляют нижнюю границу для реальной ошибки.
Макридакис подчеркивает важность соревнований, где часть данных остается нераскрытой, как средство установления чистой методологии прогнозирования. Он противопоставляет это реальным сценариям, где есть искушение переобучить данные, чтобы достичь идеальной подгонки под прошлые события, что может привести к менее точным прогнозам будущего.
Vermorel делится примером из своего опыта в Lokad, где клиенты часто удивлялись более гладкому прогнозу, созданному для непостоянных временных рядов, таких как потребление алкоголя в гипермаркетах. Конкуренты часто представляли прогнозы, которые тесно имитировали непостоянную природу исторических данных, что заставляло клиентов быть скептическими по отношению к более гладким прогнозам Lokad.
Макридакис обсуждает изменение восприятия прогнозирования как науки, подчеркивая важность отделения прошлого от будущего и не попытки переобучить прошлые данные. Он подчеркивает важность учета неопределенности в прогнозах и признает, что, хотя клиенты могут не оценивать этот аспект, это критически важно для реалистичного прогнозирования.
Обсуждение было ожиданиях от прогнозирования. Vermorel отмечает, что некоторые конкуренты в розничной торговле делают нереальные заявления о высокой точности, что непрактично с учетом природы поведения потребителей. Это вызывает вопрос о том, ожидают ли люди слишком много от прогнозирования и считают ли его непогрешимым.
Разговор вращается вокруг прогнозирования, ограничений и проблем в этой области, а также влияния неопределенности и редких событий на оптимизацию цепей поставок.
Участники обсуждают, как некоторые поставщики и консультанты часто преувеличивают идею невероятно точных прогнозов, что приводит к нереалистичным ожиданиям со стороны пользователей. Они подчеркивают, что прогнозирование не является идеальным, и неопределенность присуща, особенно в таких областях, как розничная торговля. Макридакис указывает на то, что не только существует нормальная неопределенность, но и “толстый хвост” неопределенности, который состоит из редких и экстремальных событий, которые могут вызвать значительные нарушения, такие как пандемия COVID-19.
Vermorel соглашается с проблемой консультантов, обещающих слишком много, и говорит, что сложность в вероятностном прогнозировании заключается не в техническом аспекте, а в передаче признания неопределенности и ограничений контроля. Он объясняет, что простые модели прогнозирования могут быть полезны при внедрении структурных априорных знаний для учета хвостовых событий, даже если их количественная оценка неопределена. Таким образом, решения в области управления цепями поставок могут быть направлены на более надежные и устойчивые решения в случае редких событий.
Макридакис подчеркивает важность эмпирических доказательств в определении того, что работает и что нет в прогнозировании. Через M-соревнования они обнаружили, что простота работает лучше всего, признавая случайность и непредсказуемость прошлого. Он подчеркивает важность признания неопределенности и риска, связанного с прогнозами, и необходимость быть готовыми к ним.
В интервью затрагиваются проблемы и ограничения прогнозирования, роль неопределенности в принятии решений и важность включения редких событий в оптимизацию цепей поставок.
Полный текст
Kieran Chandler: Когда речь идет о прогнозировании, мы часто принимаем как должное, что есть проверенные и испытанные техники, которые были испытаны в течение нескольких поколений. Однако один человек, которому не было дано такого преимущества, - наш сегодняшний гость, Спирос Макридакис, который, будучи одним из основателей этой отрасли, фактически изобрел многие из техник, которые мы используем как стандарт. Сегодня мы узнаем немного больше о его карьере и о том, что мы можем узнать из более чем 50-летнего опыта работы в этой отрасли. Итак, Спирос, большое спасибо за то, что присоединились к нам прямо сегодня из Кипра. И, как всегда, мы хотим начать с того, чтобы немного больше узнать о наших гостях. Так что, может быть, вы могли бы просто рассказать нам немного больше о себе.
Spyros Makridakis: Ну, как вы знаете, я долгое время работал учителем, и именно там я начал заниматься прогнозированием. Затем я ушел от этого, и когда я ушел на пенсию 15 лет назад, я оказался здесь, на Кипре, в университете, потому что мы продолжаем работать. И я знаю, что ваши компании участвуют в конкурсах M4 и M5, которые я организовываю уже последние 40 лет. Так что вы знаете, какой вклад я внес и как конкурсы M, которые означают конкурсы Макридакиса, повлияли на отрасль прогнозирования, компании и ученых, которые используют полученные результаты.
Kieran Chandler: Великолепно! Так что мы поговорим немного о конкурсах M5 позже. Возможно, в первой части мы рассмотрим последние 50 лет науки прогнозирования, как мы ее знаем, и, кажется, у нас сегодня есть много тем для обсуждения. Джоаннес?
Joannes Vermorel: Да, интересно то, что когда я основывал Lokad, когда я занимался созданием компании в 2007 году, тогда еще были люди, которые были крайне скептически настроены по отношению к самой идее статистического прогнозирования любого рода. Это было очень странно, потому что в то время я сам задавался вопросом, стоит ли мне продолжать свою диссертацию по машинному обучению, которую я начал, но так и не закончил, или мне следует продолжить работу над Lokad, этим проектом. И когда я подал заявку в инкубатор для стартапов, в первый раз мою заявку отклонили, потому что в жюри было два человека, которые твердо верили, что статистическое прогнозирование - это просто полная ерунда. Это было буквально как “Нет, мы не принимаем стартапы, бизнес-план которых сводится к продаже гаданий”. Я имею в виду, нет сомнений в том, что можно заработать деньги на гадании; люди делают это уже веками. Но мы согласны с тем, что такая компания действительно может войти в инкубатор? Ответ был категорическим “нет”. Но забавно то, что это было практически последнее поколение. Я думаю, что за десятилетие, которое я работаю в Lokad, в этой отрасли практически не осталось никого, кто бы придерживался такой точки зрения. Так что это очень забавно; это буквально наука в действии.
Kieran Chandler: Джоаннес и Спирос, спасибо вам за то, что присоединились к нам сегодня. Джоаннес, я считаю, что ваш вклад и конкурсы M-competitions стали действительно ключевыми элементами в нормализации области прогнозирования. Она стала больше похожа на обычную науку, а не на отдельную область науки. Интересно, что происходит в Техасе прямо сейчас. Супермаркеты полностью лишены любых товаров, и люди не могут найти еду или другие необходимые вещи. Когда речь идет о прогнозировании, я говорю им, чтобы они вспомнили все остальные разы, когда они ходят в супермаркет и находят то, что хотят. В супермаркетах миллионы товаров, и они делают прогнозы для каждого из них. Компании, такие как Walmart и Target, еженедельно прогнозируют миллионы товаров, чтобы потребители могли найти то, что хотят купить. Когда товара недостаточно, как сейчас в Техасе, это удивляет людей, но на самом деле это доказывает, насколько хорошо работает прогнозирование, потому что большую часть времени они могут найти то, что хотят.
Спирос Макридакис: Конечно, Киран. Прогнозирование было сформировано множеством моих исследований. Когда я только начинал свою карьеру молодого профессора, ситуация была совсем иная. Мы провели первое исследование о том, насколько точно различные методы прогнозирования могут предсказывать. То, что мы обнаружили, удивило статистиков того времени. Я представил результаты в Лондоне на Королевском статистическом обществе, и все нападали на меня, говоря, что мы получили эти результаты, потому что мы не имели опыта в прогнозировании. Мы обнаружили, что очень простые методы были более точными, чем сложные, и если объединить несколько методов, точность повышается. Оба этих вывода были неприемлемы для статистиков того времени, которые считали, что можно найти лучший метод, и что более сложные методы будут более точными. Но сейчас новые техники, использующие глубокое обучение, прогнозируют 500 различных моделей, а затем берут медиану из них, которую они считают лучшим прогнозом.
Киран Чандлер: Йоаннес, вы недавно приняли участие в конкурсе M5. С точки зрения поставщика, что для вас означает конкурс M5?
Йоаннес Верморель: Конкурс M5 - это довольно интересное мероприятие. Это одна из немногих возможностей, когда мы можем продемонстрировать наши навыки прогнозирования и сотрудничать с другими участниками отрасли. Это помогает нам улучшить наши методы и поддерживает конкуренцию в отрасли, способствуя инновациям и прогрессу.
Киран Чандлер: Добро пожаловать всем на сегодняшнее интервью. Сегодня у нас Йоаннес Верморель, основатель компании Lokad, и Спирос Макридакис, профессор Университета Никосии, директор Института будущего и профессор принятия решений в INSEAD. Йоаннес, вы участвовали в M-Competitions, расскажите нам больше об этом?
Йоаннес Верморель: Да, 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 в топ-100 компаниях ни один из наших крупнейших конкурентов не присутствовал, независимо от того, с какой стороны конкурса вы смотрели. Это удивительно, потому что то, что они продают, - это прогнозирование. Таким образом, существует огромное разрыв между тем, что происходит во время реального теста, и типичной долей рынка, наблюдаемой на этом рынке. Еще одна вещь, на которую я хотел бы обратить внимание, - это простота нашей модели. Lokad занял шестое место из 909 команд по квантильной части конкурса, используя очень простую параметрическую модель с тремя простотами: день недели, начало и конец месяца и неделя года. Мы использовали ESSM и достигли результатов с точностью до 1% от лучшей модели, которая использовала градиентный бустинг деревьев и масштабную схему увеличения данных. Интересно то, что мы использовали всего 0,001 сложности. Я считаю, что это демонстрирует, что очень простые методы могут быть очень мощными. Конкурс также показал, что точность в классическом смысле - это не единственный элемент, который имеет значение. Другие аспекты прогноза, такие как лучшее понимание структуры самой неопределенности, также важны. Вот что означают вероятностные прогнозы, и мы в Lokad работаем над этим уже почти десять лет.
Спирос Макридакис: Вы правы, Йоаннес. В первом M-Competition простые статистические методы были более точными, чем сложные. В конкурсе M5 мы обнаружили, что простые методы машинного обучения были более точными, чем сложные методы машинного обучения, такие как глубокое обучение. Топовые участники как в части точности, так и в части неопределенности использовали простые методы машинного обучения, и они были наиболее точными и эффективными в прогнозировании данных Walmart. Один из интересных аспектов конкурса M5 заключается в том, что все используют компьютерные методы прогнозирования.
Киран Чандлер: И это теперь стандарт в отрасли, но если посмотреть назад, когда вы только начинали, Спайро, начинали свою карьеру профессора, это было, пожалуй, до эпохи компьютеров. Как внедрение компьютеров изменило вашу работу? Какие возможности это дало вам?
Спайрос Макридакис: Ну, возможности заключаются в том, что это упростило вещи. В прогнозировании есть две части: одна - это подгонка к тому, что произошло в прошлом, что является простым. До начала конкурса люди переобучались на прошлом, думая, что будущее будет точно таким же, как прошлое. Не было идеи разделения данных для прогнозирования на часть обучения и часть тестирования. Поэтому мы пытаемся предсказать как можно точнее не часть обучения, а тестовую часть - будущее, другими словами. Потому что будущее не точно такое же, как прошлое, оно меняется, и сейчас идея состоит в том, чтобы не переобучать на прошлом, потому что между прошлым и будущим будут некоторые изменения. Поэтому мы пытаемся выяснить, как эти изменения произойдут, и использовать их для более точного прогнозирования в будущем. Это очень большая разница, потому что в прошлом они об этом не думали; они думали, что будущее будет точно таким же, как прошлое, но мы очень хорошо знаем, что это никогда не происходит.
Киран Чандлер: Вы согласны с этим, Йоаннес? Я имею в виду, как вы видите эволюцию методов прогнозирования на протяжении десятилетий, если посмотреть назад?
Йоаннес Верморель: Я думаю, что Спайрос Макридакис указывает на фундаментальное. Есть этот видимый парадокс, что вы хотите быть точными на данных, которых у вас нет. Это очень загадочно, когда вы об этом думаете, потому что, естественно, очевидно, когда вы хотите измерить точность, по определению, вы будете измерять точность на основе имеющихся у вас данных, но это не то, что вы хотите делать. Эта проблема была частично решена в конце 20-го века с помощью теории Вапника и Червоненкиса. Это очень абстрактная теория, которая породила метод опорных векторов, которые очень сложны. Они начали формализовывать идею, что у вас есть эмпирическая ошибка и структурная ошибка. Структурная ошибка, и в основном, идея заключается в том, что вы хотите минимизировать реальную ошибку, реальная ошибка определяется как ошибка, которую вы собираетесь совершить на данных, которых у вас нет. Вам нужно минимизировать как структурную ошибку, так и эмпирическую ошибку, и в этом заключается суть метода опорных векторов. Метод опорных векторов имеет очень теоретическую перспективу. Они были реализованы и имели большой успех как метод машинного обучения в нескольких областях. Я думаю, их самый важный вклад заключался в том, чтобы прояснить, с более теоретической точки зрения, что происходит. А затем, когда вы хотите получить реальные результаты, я думаю, что обращение к таким конкурсам, где вы действительно оставляете часть данных для реальных прогнозов, вероятно, является правильным путем для получения точных прогнозов.
Киран Чандлер: Чтобы иметь, я бы сказал, очень чистую методологию, как подход, который вы используете в тестовой ситуации, основанной на конкуренции, отличается от того, что вы делаете в реальном мире? Я имею в виду, в реальном мире у вас есть доступ ко всем данным все время, и это дает вам этот сильный методологический уклон, на который указывал профессор Макридакис. Очень соблазнительно иметь что-то, что будет соответствовать данным, вы знаете.
Спайрос Макридакис: Это то, что они делали в прошлом. Знаменитая методология Бокса-Дженкинса заключалась в том, чтобы максимально точно подогнать данные прошлого, и поэтому она уступала всем простым методам, которые не очень хорошо подгонялись к прошлому, но более точно предсказывали будущее. Если вы переобучаетесь, то теряете суть прогнозирования. Будущее никогда не бывает точно таким же, как прошлое.
Жоанн Верморель: Именно так. И одним из загадочных примеров было то, когда я начал работать в Lokad. Клиенты обычно были очень удивлены, когда видели невероятно беспорядочные временные ряды, например, потребление алкоголя в гипермаркетах, очень беспорядочный продукт с пиками. Когда мы делали классические прогнозы в первые годы работы Lokad, когда мы еще не делали вероятностные прогнозы, мы делали классические прогнозы. Для этих супер беспорядочных временных рядов я показывал прогноз, который был гораздо более гладким, чем исходный временной ряд. Большинство моих конкурентов могли показать прогнозные временные ряды, которые были такими же беспорядочными, точно такими же беспорядочными, как и исходный временной ряд. Клиенты были очень удивлены, и я вел множество дебатов с потенциальными клиентами, которые еще не стали клиентами, и которые просто не верили, что этот супер гладкий прогноз может быть правильным, потому что он был настолько отличен от исторического временного ряда, который был супер беспорядочным и имел пики. В то время как мои конкуренты показывали очень пиковые прогнозы, они могли показать и выставить на показ очень пиковые прогнозы, которые выглядели так же, как исторические данные.
Киран Чандлер: Итак, Спайрос, меня очень интересует, как отношение к прогнозированию изменилось на протяжении вашей карьеры. Когда произошел этот сдвиг восприятия прогнозирования как науки и когда оно стало более принятым в массы?
Спайрос Макридакис: Некоторое время заняло. В начале классические статистики использовали то же самое, что они делали с вами, когда говорили вам, что важно следить за колебаниями ряда. Но так нельзя прогнозировать. Некоторое время потребовалось, чтобы понять, что нельзя предсказать случайность, и то, что М-конкурсы доказали без сомнения, это то, что важно отделить прошлое от будущего и не пытаться переобучиться на прошлом, а пытаться иметь модель, которая адаптируется к изменениям от прошлого к будущему. И вот это главное изменение. И сейчас принято, что помимо прогнозирования мы должны смотреть на неопределенность в наших прогнозах. Многим это совсем не нравится, потому что психологически это не очень хорошо говорить о неопределенности, говорить, что я собираюсь прогнозировать, но я не уверен.
Киран Чандлер: Жоанн, насколько неточными бы вы сказали, что являются ваши прогнозы? Клиенты часто говорят мне, что вы утверждаете, что фокусируетесь, но также признаете, что не можете прогнозировать из-за большой неопределенности в будущем.
Спайрос Макридакис: Это реальность, нельзя избежать реализма. Это вводит такую идею уровня уверенности в ваш прогноз. Жоанн, можно сказать, что восприятие почти настолько изменилось, что люди ожидают слишком многого от прогнозирования и ожидают, что оно будет безошибочным?
Жоанн Верморель: Это интересный вопрос. Я несколько раз был на выставке National Retail Federation в Нью-Йорке, и то, что я видел, это то, что большинство моих конкурентов очень часто делали абсолютно нелепые заявления о 99% точности в рознице. Честно говоря, я даже не знаю, что означает 99% точность в гипермаркетах, где большинство товаров продается в небольших количествах ежедневно. Глупо думать, что вы будете знать до последней единицы, возьмет ли кто-то товар, в то время как этот человек может даже не знать этого сам. Я видел множество поставщиков, пытающихся перепродать идею того, что вы можете иметь невероятно точные прогнозы везде, что абсолютно не так. Они используют ауру науки, которую статистическое прогнозирование получило в других областях, таких как демография, потребление электроэнергии и потребление воды, где уровень неопределенности сравнительно очень низкий, чтобы утверждать, что они могут достичь такого же уровня точности в гипермаркетах, что не совсем то же самое. Вы можете сделать многое, но это не тот же порядок точности.
Спирос Макридакис: Одной из самых больших проблем пользователей прогнозов является их завышенные ожидания, потому что консультанты пытаются продать им прогнозы, в которые они слишком уверены, и это одна из самых больших проблем. Поэтому частью нашей работы на практике является сказать: “Смотрите, мы не можем быть пророками. Наши данные, в частности данные о розничной торговле, говорят нам, что неопределенность очень велика, и мы должны что-то с этим делать”. Мы не говорим только о нормальной неопределенности; у нас также есть неопределенность, которая является фатальной, как, например, известные события “черного лебедя” Нассима Талеба, которые разрушают множество наших прогнозов и создают проблемы, подобные пандемии. Мы должны также учитывать это; нельзя избежать неопределенности.
Киран Чандлер: Йоханнес, вы согласны с этим? Мы уже говорили о том, что консультанты часто обещают слишком много от прогнозов.
Йоханнес Верморель: Да, я согласен. На самом деле, самое сложное в вероятностном прогнозировании не было техническое производство прогнозов, а управление завышенными ожиданиями, созданными консультантами, которые обещали слишком много.
Киран Чандлер: Итак, Йоханнес, вы говорили о важности вероятностного прогнозирования и внедрении структурных априорных знаний. Можете ли вы объяснить это немного подробнее?
Йоханнес Верморель: Конечно. Вероятности - это не так сложно. Сложность заключалась в том, чтобы донести понимание того, что да, Lokad шел по пути вероятностных прогнозов. Не потому, что наши прогнозы были плохими. Я думаю, что даже если мы изначально не являемся лучшими в этих соревнованиях, мы определенно не находимся в самом низу. Проблема не заключалась в том, что у нас были плохие прогнозы, а в том, что нам нужно было принять, что есть вещи, которые находятся вне нашего контроля. И интересное в тех хвостовых событиях заключается в том, что внезапно у вас есть что-то, где очень, очень сложно доверять вашему DR. И вот где, снова же, это действительно очень интересно для меня. Если вы сохраняете свою, я бы сказал, нехвостовую, прогнозную модель простой, то у вас есть возможность, с определенной степенью субъективности, но если у вас есть простая, относительно простая и управляемая прогнозная модель, вы можете внедрить структурные априорные знания, чтобы внести эту дозу сверхредких и сверхэкстремальных событий.
Киран Чандлер: Понятно. А как это помогает в оптимизации цепей поставок?
Йоханнес Верморель: Вот что мы делаем в Lokad. Например, мы не можем прогнозировать пандемии. Но то, что мы можем сделать, и это даже не слишком сложно, - это сказать: “мы можем, пусть я могу внести априорное знание, что есть один шанс, годовая вероятность два процента, скажем, что будет 50-процентное снижение, которое повлияет на компанию”. Я не знаю почему, я просто знаю, что это разумное предположение. Это субъективно, знаете ли, почему два процента, почему два процента от пятидесятипроцентного снижения? Все это очень субъективно, но интересно в том, что если вы внедряете дозу хвостовых событий в свои прогнозные модели, даже если они довольно неточны в квантификации, очень размыты. Что происходит, когда вы строите оптимизацию цепи поставок на основе этого, вы направляете решение на вещи, которые намного более устойчивы к этим хвостовым событиям, не вкладывая в это слишком много денег. Так что интересно в том, что именно это мы делаем, - мы сохраняем эти прогнозные модели простыми, чтобы мы могли внедрить эти структурные априорные знания, которые, я бы сказал, в значительной степени выдуманы, хотя они разумны. Они не точны, но в результате этого вы можете иметь в конечном итоге решения по цепи поставок, которые обладают гораздо большей устойчивостью к редким событиям. И процесс довольно прост, но на практике требуется много убеждения, чтобы заставить людей понять эти черные лебеди. Я часто прибегаю к фразе “Пожалуйста, прочтите работы Нассима Талеба”, но это трудно продать, когда вы хотите убедить потенциального клиента в том, что вы хотите дать им, знаете ли, 600-страничную книгу, написанную еще одним великим греческим мыслителем Нассимом Талебом.
Спирос Макридакис: Йоханнес, могу я задать вопрос? Потому что мне кажется, что вы внедряете структурные априорные знания, которые могут рассматриваться как предвзятость в ваших прогнозных моделях. Вы считаете, что эта предвзятость может нанести вред точности прогнозирования ваших моделей?
Йоханнес Верморель: Да, это очень хороший вопрос, Спирос. Здесь есть две вещи. Во-первых,
Киран Чандлер: Спирос, вы уже полвека работаете в этой отрасли. Что вас больше всего гордит, когда вы оглядываетесь на свою карьеру?
Спирос Макридакис: Я горжусь тем, что мы предоставляем эмпирические доказательства о том, что работает в прогнозировании и что нет. Это не просто разговоры, но мы проводим эксперименты через M-Competitions. Из этих экспериментов мы можем сказать вам, какие методы работают, а какие нет. Мы можем сказать вам, что простота работает. Мы понимаем, что в прошлых событиях есть много случайности, и мы не можем предсказать все точно. Поскольку наши прогнозы неопределены, есть риск, и нам нужно что-то сделать, чтобы предвидеть этот риск и быть готовыми его преодолеть.
Киран Чандлер: Спасибо вам обоим за ваше время сегодня.
Йоханнес Верморель: Большое спасибо.
Спирос Макридакис: Спасибо за интервью.
Киран Чандлер: Это все на этой неделе. Большое спасибо за внимание, и увидимся в следующем эпизоде.
