00:00:07 Введение Уоррена Пауэлла и темы дня.
00:00:36 Опыт работы Уоррена и его деятельность в Принстоне и Casa Labs.
00:02:00 Тема обсуждения — неопределенность в управлении цепочками поставок.
00:03:05 Сравнение грузоперевозок на полном автомобиле и управления цепочками поставок.
00:06:00 Концепция последовательного принятия решений в управлении цепочками поставок.
00:09:01 Ключевые показатели эффективности, основные индексы и проведение симуляций в цепочке поставок.
00:10:00 Необходимость правила принятия решений для проведения симуляций и оценки эффективности компании.
00:11:51 Использование симуляций для определения наилучшего решения для компании.
00:13:03 Дуализм между вероятностным прогнозированием и генеративной моделью.
00:15:17 Проблема внедрения этих идей на практике, сложность обучения с подкреплением и потенциал глубокого обучения.
00:18:00 Обсуждение необходимости принятия сложности и создания алгоритмов машинного обучения, способных принимать решения на основе политики.
00:18:26 Объяснение того, как люди также используют политики для принятия решений.
00:19:37 Важность компьютерных симуляций для управления цепочками поставок и их незаменимая роль.
00:22:17 Объяснение четырех фундаментальных классов методов принятия решений.
00:24:00 Критика современных методов прогнозирования, используемых крупными модными брендами, и необходимость учета каннибализации и замещения.
00:26:01 Обсуждение влияния скидок и распродаж на поведение потребителей и того, как это влияет на бизнес.
00:27:08 Сравнение использования математических моделей и интуитивного подхода для принятия бизнес-решений.
00:29:44 Объяснение важности доверия в прогнозах, основанных на политике.
00:30:32 Объяснение необходимости наличия знающих специалистов, способных понять проблему и анализировать правильные метрики.
33:37 Заключительные мысли о будущем управления цепочками поставок и необходимости инструментов и инженеров по цепям поставок.
Резюме
Интервью между Жоанном Верморелем, основателем Lokad, и Уорреном Пауэллом, профессором Принстонского университета и соучредителем Optimal Dynamics, погружается в сложности и неопределенности управления цепочками поставок и принятия решений. Эксперты делятся своим опытом в этой области и предлагают идеи по преодолению этих сложностей с помощью математического моделирования и симуляций. Они подчеркивают важность политик и симуляций для принятия стратегических, тактических и оперативных решений в управлении цепочками поставок, одновременно отмечая ограничения традиционных методов прогнозирования. Интервью завершается обсуждением будущего методов на основе политики в управлении цепочками поставок и необходимости квалифицированных инженеров по цепям поставок.
Расширенное резюме
В интервью Кириан Чендлер ведет дискуссию между Жоанном Верморелем, основателем Lokad, и Уорреном Пауэллом, профессором Принстонского университета и соучредителем Optimal Dynamics. Они обсуждают сложности и неопределенности, связанные с управлением цепочками поставок и принятием решений.
Уоррен Пауэлл делится своим опытом в этой области, рассказывая о создании Castle Labs — уникального сотрудничества между университетом и промышленностью, направленного на решение реальных проблем. Он рассказывает, как его ранняя работа в области грузоперевозок truckload trucking познакомила его с проблемами планирования при наличии неопределенных факторов.
Жоанн Верморель подробно рассказывает о ключевой проблеме последовательного принятия решений в цепочках поставок, где текущие решения сильно зависят от будущих. Он сравнивает этот процесс с игрой в шахматы, где каждый ход необходимо обдумывать в контексте последующих ходов. Верморель отмечает, что математическое моделирование этих проблем может быть сложным и запутанным.
Уоррен Пауэлл объясняет, что измерение эффективности принятия решений в цепочках поставок включает использование ключевых показателей индикаторов для оценки влияния решений на затраты и производительность. Он предполагает, что симуляции могут помочь справиться с неразберихой и непредсказуемостью управления цепочками поставок, поскольку детерминированные модели могут не дать точного решения.
Интервью исследует проблемы управления неопределенностями и принятия эффективных решений в цепочках поставок, где каждое решение связано с будущими решениями. Эксперты обсуждают свой опыт и предлагают идеи по преодолению этих сложностей с помощью математического моделирования и симуляций.
Разговор начался с сравнения оптимизации цепочки поставок с игрой в шахматы против непредсказуемого соперника, что указывает на то, что использование симуляций может помочь принимать более обоснованные решения. Пауэлл объяснил, что политики или правила принятия решений могут использоваться вместе с симуляциями для быстрой оценки эффективности компании на основе различных метрик.
Верморель согласился, подчеркивая важность вероятностного прогнозирования и генеративных моделей, которые могут использоваться для оптимизации цепочек поставок. Он обсудил двойственность между этими подходами и отметил, что выбор между ними зависит от конкретной решаемой задачи.
И Верморель, и Пауэлл согласились с тем, что важно использовать политики в сочетании с симуляциями для оптимизации решений в цепочке поставок. Политики представляют собой абстрактные правила, параметры которых могут быть изучены и применены. Верморель отметил, что применение этих концепций в реальных условиях сталкивается с трудностями, так как десятилетия исследований привели к ограниченным результатам с числовой точки зрения.
Верморель также отметил, что недавние прорывы в глубоком обучении и методах оптимизации, таких как стохастический градиентный спуск, улучшили применимость решений на основе политики в сложных условиях. Эти методы хорошо работают в условиях шума и большого количества переменных, что делает их подходящими для оптимизации цепочек поставок в реальности.
Пауэлл упомянул, что люди также используют политики или методы при принятии решений, и что существует четыре фундаментальных класса методов для принятия решений. Он привел пример Google Maps как стратегии с предвидением, которая может быть полезна в контексте длинных цепочек поставок.
Пауэлл подчеркивает необходимость симуляций для принятия стратегических, тактических и оперативных решений в управлении цепочками поставок. Из-за длительных временных рамок и сложности цепочек поставок метод проб и ошибок не является приемлемым для тестирования идей. Симуляции, хотя и не совершенны, предоставляют лучшее решение. Он выделил важность понимания принимаемых решений, критериев оценки, источников неопределенности и процесса принятия решений.
Верморель, однако, играет роль дьявольского адвоката, выражая сомнения относительно надежности числовых методов. Он соглашается, что симуляции эффективнее бесконечных совещаний, но указывает, что многие сложные математические модели могут быть контекстно наивными. Он привел в пример модную индустрию, где точечные прогнозы часто игнорируют такие важные факторы, как каннибализация и замещение. Он подчеркивает, что интуиция обычно более точна при работе с наивными моделями.
Верморель далее утверждает, что менеджеры должны применять более эмпатичный подход к моделированию, учитывая эвристики и принимая проблему во всю. Между тем, Пауэлл признает, что тонкое моделирование необходимо для успеха, поскольку упрощенные модели могут упустить важные факторы, что может привести к серьезным ошибкам.
И Верморель, и Пауэлл согласны с тем, что, хотя компьютерные симуляции и продвинутые модели играют решающую роль в оптимизации цепочек поставок, не менее важно глубоко понимать суть проблемы и разрабатывать модели, точно отражающие сложности реальных цепочек поставок.
Обсуждение вращается вокруг ограничений точечных прогнозов и преимуществ методов прогнозирования на основе политики.
Участники утверждают, что традиционные методы прогнозирования, которые слишком полагаются на интуицию и не учитывают множество переменных, часто приводят к переизбытку или дефициту запасов. Точечные прогнозы, как правило, создают очень скромные запасы, что, как выяснилось, не является оптимальным. Вместо этого они предполагают, что реализм, интеллект и постановка правильных вопросов приведут к более обоснованному принятию решений.
Также обсуждается проблема убеждения людей доверять и визуализировать преимущества прогнозирования на основе политики. В индустрии грузоперевозок вероятностные прогнозы используются для моделирования различных сценариев, которые затем оцениваются на основе ключевых показателей эффективности (KPI), чтобы определить, насколько они разумны. Этот процесс помогает выстроить доверие к методу.
И Верморель, и Пауэлл подчеркивают важность наличия инженеров по цепям поставок, обладающих глубокими знаниями о проблеме и навыками программирования. Они согласны с тем, что лучший подход — использование множества метрик для выявления областей, где решения могут быть неверными, затратными или неэффективными. Важно сосредоточиться на аномалиях, так как они часто могут иметь значительные последствия.
Они отмечают ограничения среднего уровня затрат и точечных прогнозов, подчеркивая необходимость инженеров по цепям поставок, а не датасайентистов или инженеров-программистов. Они считают, что методы на основе политики, учитывающие неопределенность и риск, определят будущее управления цепочками поставок, чему будет способствовать все более мощная вычислительная техника.
Интервью завершается обсуждением будущего методов, основанных на политике, в управлении цепочками поставок. Пауэлл считает, что точечные прогнозы устареют, так как они не точно отражают реальный мир. Прогресс в области компьютерных технологий и растущая способность справляться с неопределенностью сделают методы прогнозирования на основе политики более эффективными и распространенными.
Интервью подчеркивает ограничения традиционных методов прогнозирования и акцентирует преимущества прогнозирования на основе политики, одновременно отмечая важность квалифицированных инженеров по цепям поставок и использования разнообразных метрик для эффективного принятия решений.
Полный транскрипт
Кириан Чендлер: Сегодня на Lokad TV мы рады приветствовать Уоррена Пауэлла, который обсудит с нами разницу между прогнозами на основе политики и точечными прогнозами, а также то, как их можно использовать для оптимизации этих дилемм. Итак, Уоррен, большое спасибо, что присоединились к нам сегодня из США, и, как всегда, мы начинаем с того, что немного узнаем о наших гостях. Возможно, вы могли бы начать с рассказа немного о себе.
Уоррен Пауэлл: Прежде всего, спасибо, что пригласили меня в программу. Мне действительно нравится то, чем я занимаюсь, и я ценю возможность поговорить об этом. Я преподавал в Принстоне в течение 39 лет, и около 30 лет назад основал лабораторию под названием Castle Labs. Я занимался множеством проектов с промышленностью и начал свою карьеру в области грузоперевозок. Конечно, академики получают много денег от правительства и тому подобное, но нашим основным источником финансирования была промышленность. Я также понял, что одним из недостатков государственного финансирования является то, что у них нет данных; у них на самом деле нет проблемы. Поэтому я разработал уникальное сотрудничество между университетом и промышленностью через Castle Labs, работая с индустрией и решая их проблемы. С самого начала интерес к использованию компьютеров для повышения эффективности управления компаниями помог лаборатории быстро развиваться, и мне повезло получить большое количество студентов. Думаю, я закончил обучение примерно 60 аспирантов и постдоков, и я считаю их основным источником, ведь мы написали около 250 публикаций. Это во многом заслуга студентов. Я основал три консалтинговые фирмы, последняя из которых — Optimal Dynamics, с которой я до сих пор сотрудничаю. Фактически, я ушел на пенсию в прошлом году, чтобы быть более активно вовлеченным в Optimal Dynamics. Это очень захватывающая возможность.
Кириан Чендлер: Звучит отлично, и сегодня наша тема — оптимизация решений в цепочке поставок. Возможно, вы могли бы начать с рассказа о том, с какими неопределенностями можно столкнуться в управлении цепочками поставок?
Уоррен Пауэлл: Ну, мне нужно добавить еще немного информации: мои самые ранние проекты были связаны с грузовыми перевозками на полном автомобиле, и первый опыт в этой отрасли был получен в крупной компании под названием Schneider National. У них уже были компьютерные модели, которые планировали будущее детерминированно, и они сказали: “Смотрите, грузоперевозки на полном автомобиле не являются детерминированными. Мы не знаем, что произойдет завтра. Мы не знаем, что произойдет сегодня.” И я обнаружил, что академическое сообщество не изучило, как правильно моделировать эти проблемы и решать их с помощью компьютеров. Так я провел несколько десятилетий, просто пытаясь понять, “Как нам вообще думать об этой проблеме?” потому что академическое сообщество еще не справилось с ней.
Когда я перешёл от перевозок грузов полными грузовиками, которые являются крупномасштабными и сложными, к управлению цепочками поставок, я обнаружил, что последнее вовсе не столь запутано, как сама цепочка поставок. У перевозчиков грузов полными грузовиками основная проблема заключается в том, позвонит ли отправитель за грузом или нет, сколько грузов мне нужно перевезти, плюс ещё несколько источников неопределённости, таких как появление водителя и его возможность застрять в пробке. Это совсем не сравнимо с цепочками поставок. В цепочках поставок вы вникаете в процесс, а при перевозках грузов полными грузовиками решения могут приниматься примерно за неделю заранее.
Кирэн Чендлер: Два дня в будущем, чаще всего это три или четыре дня. Цепочки поставок могут планироваться на 100, 150 дней вперёд. Заказ товаров из Китая может занять несколько месяцев. За эти месяцы могут произойти крупные события, мощные штормы, политические проблемы, трудовые конфликты и дефицит товаров. Многое из этого происходит с нами сегодня. У поставщика много неопределённостей, связанных с тем, сколько времени потребуется китайскому производителю для изготовления запрашиваемого вами продукта. Ему, возможно, придётся запускать производственную линию и собирать комплектующие и материалы. Затем товар загружается на грузовое судно, путь которого занимает 30 дней, но может затянуться до 35 или 36 дней из-за штормов и погодных условий. Могут возникнуть задержки в портах. Когда товар сойдёт с судна, его нужно разгружать, затем загружать на поезд или грузовик. И когда он наконец прибывает, вы должны проверить его и решить, удовлетворяет ли его качество. То есть, это целый перечень различных форм неопределённости.
Кирэн Чендлер: Да, и Йоаннес, об этом мы поговорим чуть подробнее сегодня. О том, что обсуждал Уоррен, — о широком разнообразии временных рамок. Почему это интересно? Что означают эти различия с технической точки зрения?
Йоаннес Верморель: Я считаю, что работа Уоррена очень интересна, но, возможно, с несколько иного ракурса — с точки зрения последовательного принятия решений. Неопределённости — это, отчасти, техническая деталь, а суть проблемы заключается в том, чтобы начать учитывать последовательные решения, которые вы принимаете одно за другим. Фишка в том, что будущее формирует прошлое, что кажется несколько нелогичным. Решение, которое вы хотите оптимизировать прямо сейчас, на самом деле зависит от того, какое решение вы примете позже. Насколько хорошим окажется решение, принятое сейчас, во многом определяется решением, которое будет принято в будущем.
Йоаннес Верморель: Чтобы прояснить эту ситуацию, представим, что вы делаете заказ у зарубежного поставщика с минимальным объёмом заказа (MOQ) и заказываете у него тонны товаров, чтобы заполнить целый контейнер. Дело в том, что когда вы размещаете заказ, контейнер может содержать сотни различных товаров. Хороший ли это заказ? Это зависит. Зависит от того, когда вы поможете разместить заказ на следующий контейнер. Видите, если какой-либо товар закончится всего через несколько дней после заказа контейнера, у вас может возникнуть дефицит этого товара. Можете ли вы разместить ещё один заказ у вашего поставщика? Нет, не совсем, потому что этот товар сам по себе составляет лишь крошечную часть полного контейнера. Так что вы застряли. Вы оказались с заказанным целым контейнером и вынуждены ждать, пока у вас не накопится объём заказа, совместимый с повторным заказом полного контейнера.
Кирэн Чендлер: Так что решение, которое вы собираетесь принять, правильное ли оно? Оно зависит от того, когда вы примете следующее решение. Реальность управления цепочками поставок и взаимодействия в разных областях такова, что, когда вы начинаете задумываться, что на самом деле означает хорошее решение, оно должно быть совместимо с решением, которое будет принято позже. Это похоже на игру в шахматы: дело не в том, сделал ли я правильный ход прямо сейчас. Имеет смысл говорить: «Это хороший ход» только в контексте всех последующих ходов. Вот что это означает. И тут возникает вопрос: проблема становится настолько сложной даже для математического подхода, потому что вы думаете: «Хорошо, у меня есть решение, и можно выбрать из разных вариантов». Но затем возникает рекурсивная ситуация, когда нужно учитывать все будущие решения, которые ещё не были приняты, и вы спрашиваете себя: «Я хочу оптимизировать это ещё не принятое решение, при этом учитывая будущие решения, которые тоже ещё не приняты». Видите, это классическая проблема курицы и яйца, и математически она оказывается сложной и запутанной. Я думаю, что часть работы Уоррена Пауэлла заключалась в том, чтобы скомпоновать математическую базу и подходы, позволяющие даже начать численно анализировать эти задачи последовательным образом. Мне действительно нравится аналогия с шахматами, где многое зависит от того, что, возможно, делает противник, и от того, что происходит в мире.
Уоррен Пауэлл: Всё верно, и основная суть математического приёма для оптимизации последовательных решений заключается в разъединении решений сегодняшнего и завтрашнего дня. Вместо того чтобы сосредотачиваться на самом решении, нам нужно изучить механизм принятия решений. Этот механизм может включать множество параметров, которые можно оптимизировать.
Кирэн Чендлер: Давайте начнём с того, как компания может использовать метрики для оценки своей эффективности. Когда речь заходит о принятии решений, например, о том, заказывать ли товар (пополнение запасов) и какого объёма должен быть заказ, как компании могут симулировать эти решения и их возможные результаты?
Уоррен Пауэлл: Для принятия этих решений компании могут использовать симуляторы, чтобы анализировать метрики и определить наилучшее решение для данного момента. Мы можем использовать некоторое правило для принятия решения сейчас, но нам также нужно применять симуляторы для тонкой настройки этого правила, чтобы оно работало оптимально, учитывая не только настоящее, но и будущее. Для более простых задач, таких как управление запасами, вполне может подойти простая политика заказа до установленного уровня. Однако для более сложных случаев, например, когда заказывать груз из Китая, который прибудет через 90 дней, решение должно учитывать такие факторы, как предыдущие заказы, известные события, например, ураганы, и другие неизвестные факторы. Мы можем моделировать такие сценарии и оценивать варианты, основываясь на лучших будущих метриках. По сути, речь идёт о том, чтобы симулировать и управлять вашей компанией так, как вы обычно это делаете, и оценивать результаты соответствующим образом.
Кирэн Чендлер: Йоаннес, как вы относитесь к этому подходу политики? Действительно ли симуляция работает, на ваш взгляд?
Йоаннес Верморель: Да, я полностью согласен, что симуляция работает. Когда речь идёт о прогнозировании, современный подход предполагает использование вероятностного прогнозирования. Существует двойственность между вероятностными прогнозами и генеративными моделями. Вероятностные прогнозы предоставляют вам вероятности определённых будущих событий, на основе которых можно сгенерировать примеры возможного будущего. С другой стороны, генеративные модели создают будущее, которое, при усреднении, даёт вам вероятности для всей модели. По сути, это два разных способа взглянуть на одно и то же. Выбор между ними больше зависит от технических деталей и того, что лучше подходит для численного решения вашей задачи.
Уоррен Пауэлл: Верно, и основная суть математического приёма для оптимизации последовательных решений заключается в разъединении решений, принимаемых сегодня и завтра. Вместо того чтобы сосредотачиваться на самом решении, нам нужно изучить механизм принятия решений. Этот механизм может включать множество параметров, которые можно оптимизировать.
Кирэн Чендлер: Йоаннес, не могли бы вы объяснить, как можно настраивать политики и какова их роль в оптимизации цепочек поставок?
Йоаннес Верморель: Политика, по сути, представляет собой абстрактное правило с параметрами, которые можно изучать тем или иным способом. Идея заключается в том, чтобы проверять свои политики, которые генерируют решения. Для этого вам нужна генеративная модель, обычно получаемая из вероятностного прогноза или других методов.
Кирэн Чендлер: Как использование симуляции в виде вероятностного прогноза помогает оценить точность политики?
Йоаннес Верморель: Интересно рассматривать симуляцию как вероятностный прогноз, потому что это позволяет учитывать точность. Когда люди говорят, что проводят симуляцию, главный вопрос заключается в том, даёт ли симуляция точное изображение будущего. Чтобы ответить на этот вопрос, необходимо принять подход вероятностного прогнозирования, и тогда вы сможете оценить, даёт ли ваш симулятор точное представление о возможном будущем для вашей компании.
Кирэн Чендлер: Не могли бы вы подробнее рассказать о сложностях внедрения этих политик на практике и о прогрессе в компьютерных науках, который помогает преодолевать эти трудности?
Йоаннес Верморель: Проблема принимает сугубо практический характер, когда речь идёт о внедрении этих идей в реальной жизни. Обучение политикам оказалось чрезвычайно сложной задачей с числовой точки зрения. Традиционные методы обучения с подкреплением зачастую были успешны только в упрощённых моделях, но сталкивались с трудностями при решении задач, включающих тысячи или миллионы переменных.
Одним из побочных эффектов прорыва в глубоком обучении стало развитие более совершенных методов математической оптимизации, таких как стохастический градиентный спуск, который эффективно работает в условиях шума и с переносными переменными. Эти методы не были специально разработаны для процессов принятия политик, но прогресс в компьютерных науках сделал их весьма применимыми для оптимизации политик в реальных, сложных условиях. Это включает ситуации, когда симуляции охватывают тысячи или даже сотни тысяч единиц складского учёта (SKU) и планируются на сотни дней вперёд.
Кирэн Чендлер: У нас имеется полдюжины запутанных неопределённостей: неопределённость спроса, срок поставки, цена сырья, каннибализация, действия конкурентов. Они не очень сложны, но всё запутано. Поэтому нужно уметь справляться с такой общей сложностью, чтобы ваш симулятор не был чрезмерно наивным в отношении возможного будущего. Уоррен, вы с этим согласны? То есть, как бы вы построили алгоритмы машинного обучения для принятия решений на основе этих политик?
Уоррен Пауэлл: Ну, прежде всего, напомним себе, что люди тоже используют политики. Каждый раз, когда принимается решение, вы используете некий метод. Назовём это политикой, но по сути это метод. Все используют метод, так что это вовсе не ново. Я же сформулировал, что существует четыре фундаментальных класса методов. Политика заказа до определённого уровня — один из этих четырёх классов; это называется оценка функции политики.
Возьмём, например, Google Maps; это политика прогнозирования. При планировании запасов люди склонны использовать простую оценку функции политики: когда запас падает ниже определённого уровня, заказывайте до определённого уровня. Когда у вас такие длинные цепочки поставок, действительно необходимо думать о будущем. Это прямое прогнозирование, таким образом, мы рассмотрели два из четырёх классов.
Эти четыре класса просто отражают то, что мы и делаем в любом случае. Теперь, чтобы выяснить, какой класс лучший, нужно провести симуляции и посмотреть, как он работает со временем. В транспортной компании я мог бы придумать идею, протестировать её несколько недель и увидеть, работает ли она. С цепочками поставок так не получается; на проверку чего-то может уйти почти год. Сроки просто слишком велики, и именно поэтому компьютерные симуляции почти незаменимы.
Без компьютера вы всего лишь группа людей за столом, спорящих и заявляющих: «О, ну, я думаю, что это лучше», а кто-то другой считает, что это лучше. Вот что вы видите в современном мире цепочек поставок — много людей болтают друг с другом, но у никого нет доказательств. Я провёл свою карьеру в Castle Labs, создавая симуляторы для стратегического и тактического планирования, а также симуляторы, позволяющие заглянуть в будущее и помочь мне определить, принял ли я правильное решение в данный момент.
Без симуляций что ещё можно сделать? Я мог бы попробовать идею, подождать три месяца, попробовать другую идею, подождать ещё три месяца, но, разумеется, следующие три месяца не имеют ничего общего с первыми тремя. Я не вижу способа обойтись без компьютера, чтобы сказать: «Вот один метод принятия решений, вот либо совсем другой, либо немного отличающийся способ — ещё один метод принятия решений. Какой из них кажется работающим?» Вы проводите симуляции. Симуляции никогда не бывают совершенными, но что может быть лучше? Назовите что-нибудь лучшее.
На самом деле процесс очень прост для понимания. Одно из самых сложных, что я встречаю в цепочках поставок, — это спросить специалиста по цепочкам поставок, какие решения он принимает. Я не могу поверить, сколько людей смотрят на вас с недоумением и говорят: «Ну, я никогда не задумывался об этом таким образом». В цепочке поставок есть не только заказы на пополнение запасов; в ней участвуют и многие другие решения.
Кирен Чандлер: Итак, какие ваши метрики? Их не одна, а целая куча. И какие у вас источники неопределённости? Можно долго обсуждать это, но вы не собираетесь перечислять их все. Извините, эти большие цепочки поставок, о которых вы говорите, подразумевают глобальную неопределённость. Кто же мог предвидеть, что корабль застрянет в Суэцком канале или наступит пандемия COVID? Но существует масса случайных факторов, которые можно предвидеть, и нам нужно осознавать, что такие вещи происходят. Так что, когда вы определились с принимаемыми решениями, способом вашей оценки и неопределённостями, остаётся только вопрос: как принять решение. И угадайте, существует четыре класса стратегий – от самой простой до самой сложной с полноценным прогнозированием. Вы можете прогнозировать детерминированно, как в Google Maps, или с учётом неопределённости.
Уоррен Пауэлл: Когда я общаюсь с людьми в бизнесе и они используют слово “прогноз”, у меня такое чувство, что каждый раз, слыша это слово, они имеют в виду точечный прогноз. То, что мне нравится в этом шоу, заключается в том, что мне не приходится спорить с вами; вы полностью понимаете необходимость стохастического мышления. Вы должны учитывать неопределённость вашего прогноза, а это означает, что нужно думать не о самом решении, а о правилах его принятия. И всё предельно просто. Да, нам нужен компьютер. Если вы не собираетесь использовать компьютер, скажите, что собираетесь делать. Если у вас есть лучшая идея, я её не понимаю.
Кирен Чандлер: Йоханнес, насколько можно доверять этим методам, основанным на стратегиях? Насколько надёжны эти математические модели?
Йоаннес Вермо́рел: Прежде всего, я согласен с тем, что бесконечные встречи по S&OP не приносят особой продуктивности. Однако одна из проблем, и я считаю её справедливой критикой численных методов, заключается в том, что, как сказал Рассел Аккоф почти 40 лет назад, у нас есть методы, которые могут быть математически очень сложными, но в контексте оказываются невероятно наивными. Проблема в том, что нам нужно задуматься, насколько достоверными могут быть эти прогнозы будущего. На самом деле, во многих крупных цепочках поставок до сих пор широко применяются популярные методы, которые – если честно – представляют собой полный мусор. Я понимаю позицию менеджера, который смотрит на изящную компьютерную симуляцию, возможно, весьма сложную, но при этом полностью упускающую суть и полагающуюся на догадки. Чтобы привести более конкретный пример, я бы сказал, что, вероятно, почти каждый крупный модный бренд сегодня делает прогнозы, большинство из них – точечные прогнозы. То есть, вы берёте свои товары и пытаетесь предсказать недельный спрос. Однако я оцениваю, что только около 0% этих модных брендов действительно учитывают эффекты каннибализации и замещения.
Кирен Чандлер: Добро пожаловать на наше сегодняшнее интервью. Сегодня у нас два гостя: Йоаннес Вермо́рел, основатель компании Lokad, специализирующейся на оптимизации цепочек поставок, и Уоррен Пауэлл, профессор Принстонского университета, соучредитель и главный аналитик Optimal Dynamics. Спасибо вам обоим за участие. Давайте приступим к обсуждению.
Йоаннес Вермо́рел: Когда речь заходит о выборе товара для покупки, вы часто просто полагаетесь на интуицию и выбираете то, что соответствует вашему вкусу или ощущению. Видно, что здесь играют огромную роль эффекты замещения и каннибализации. Например, когда я захожу в модный магазин и вижу 20 различных белых рубашек, они для меня практически одинаковы. В итоге я отдаю предпочтение одной из них, но это не значит, что у меня было твёрдое представление о том, какой штрих-код именно мне нужен.
Если у вас есть модель прогнозирования, которая игнорирует такое масштабное явление, как замещение, насколько можно доверять математической модели? Я думаю, что возникает много обоснованного скептицизма, ведь менеджеры, рассматривая эти изысканные методы, спрашивают: «Учитываете ли вы что-то столь базовое, как замещение?» Если ответ — нет, как можно доверять модели?
Также необходимо учитывать влияние скидок. Если мы начнём давать большие скидки в конце сезона, люди привыкнут к тому, что наш бренд часто предоставляет скидки, и будут ждать сезона распродаж следующей коллекции, чтобы воспользоваться ею. Люди умны и умеют адаптироваться.
Таким образом, при сравнении наивной модели с интуитивным чувством, последнее обычно оказывается более точным. Лучше быть примерно правым, чем совершенно ошибаться. При должном внимании и понимании модель можно улучшить, но это требует понимания принципов работы техники и принятия проблемы так, чтобы результат был примерно корректным.
Уоррен Пауэлл: Я согласен с вашим примером, Йоаннес. Здесь есть два вопроса: случайность выбора одной рубашки, с которой математические модели справляются довольно хорошо, и более тонкое моделирование скидок и реакции рынка на них. Наивная модель вполне может упустить второе и предложить снижение цен, игнорируя тот факт, что если цену снизить, рынок к этому привыкает. Это серьёзная ошибка.
Люди опираются на интуицию, и более сложные модели должны уметь учитывать эти тонкости. Но простая модель не справится. Я провёл годы в лаборатории, создавая модели, финансируемые компаниями, и мы видели, как подобные ошибки возникают, когда модели упускают из виду ключевые аспекты проблемы.
Кирен Чандлер: Не могли бы вы рассказать, как вы формируете уверенность в своих моделях, особенно при работе в области грузовых перевозок?
Уоррен Пауэлл: Нам потребовалось шесть-восемь лет, чтобы создать модель, которой доверял Norfolk Southern. Это была огромная работа. Нельзя игнорировать тонкость того, как рынок привыкает к определённым условиям – это так легко упустить. Нужно калибровать модели, использовать надёжную статистику и привлекать компетентных специалистов, которые задают правильные вопросы. Однако постоянно выдумывать что-то «на ходу» будет сложно. Я думаю, существует слишком много переменных, чтобы человек мог учесть их все, поэтому один из способов – заказать больше запасов и скрыть их, что дорого. Если вы используете точечные прогнозы, то обычно имеете очень малые запасы. Мы понимаем, что это тоже не лучший вариант.
Кирен Чандлер: Уоррен, давайте вернёмся к идее доверия. Когда вы строите эти прогнозы, основанные на стратегиях, как вам удалось заставить людей действительно визуализировать и принять это видение? Ведь одной из реальных проблем в Lokad было то, что людям было трудно представить, чем мы занимаемся с вероятностными прогнозами.
Уоррен Пауэлл: В грузовых перевозках мы делаем вероятностные прогнозы того, что смогут сделать экспедиторы. Мы проводим симуляции и анализируем, что на самом деле делают грузовики, чтобы оценить, насколько это разумно. Мы собираем метрики того, сколько раз нам удаётся выполнить загрузку или доставить водителей домой, и отслеживаем стандартные ключевые показатели эффективности, которые использовала бы любая компания. Вы можете выполнить вероятностный прогноз, запустить тысячу симуляций, собрать свои KPI, а затем оценить, насколько всё выглядит разумно. Приходится применять метод проб и ошибок, и в процесс должны быть вовлечены умные люди, понимающие проблему. Они должны внимательно следить за KPI и соответствующими метриками, чтобы определить, работает ли система корректно.
Кирен Чандлер: Йоханнес, как бы вы сравнили свой путь с путем Уоррена? Кажется, что у вас был довольно схожий опыт.
Йоаннес Вермо́рел: Да, именно. В Lokad люди, обладающие навыками программирования и глубокими знаниями проблемы цепочек поставок, называются специалистами по цепочке поставок. Правда, к этому нельзя подходить с точки зрения единой метрики, поскольку это обычно обманчиво. Когда вы так делаете, в итоге получается нечто, очень напоминающее соревнования на Kaggle, и не в лучшем смысле: вы микроскопически оптимизируете одну метрику, а затем полностью её эксплуатируете.
Кирен Чандлер: Когда подход утрачивает свою значимость, обычно прибегают к использованию множества метрик, чтобы можно было настроить систему и выявить те области, где вы допускаете серьёзные ошибки. Йоаннес, не могли бы вы подробнее рассказать об этом?
Йоаннес Вермо́рел: В Lokad мы называем это экспериментальной оптимизацией. Идея заключается в том, чтобы выявить ситуацию, когда ваша числовая модель, генерирующая стратегию, приведёт к крайне плохим решениям. Это, как правило, отправная точка для диагностики проблемы. Способ выявить эти аномальные решения, в которых чего-то не хватает, будто упущен слон, – это рассмотреть проблему под разными углами. Такие неправильные решения могут оказаться чрезвычайно дорогостоящими, но они встречаются редко. Если смотреть только на средние показатели, можно их не заметить, ведь речь идёт о вероятностных метриках, обычно основанных на усреднении по множеству ситуаций. Проблема со средними в том, что они могут скрыть событие, которое происходит один раз на тысячу, но умножает ваши затраты в 10 раз. Вот почему мы и стараемся это отслеживать.
The key is to have people that are supply chain engineers first and foremost, rather than being data scientists or software engineers. This brings me to the conclusion that you need some sort of tooling to operate with a decent level of productivity, but that’s a completely different problem.
Кирен Чандлер: Спасибо, Йоаннес. Уоррен, последнее слово за вами. Какие у вас надежды на будущее? Видите ли вы, что однажды все будут использовать методы, основанные на стратегиях?
Уоррен Пауэлл: Прежде всего, поскольку сегодня все используют методы, основанные на стратегиях, я считаю, что это путь вперёд. Точечные прогнозы, подобные Google Maps, извините, но они просто не выживут. Вы должны понять, что это было в начале моей карьеры в 1981 году.
Кирен Чандлер: Добро пожаловать в Schneider National – тогдашнего нашего крупнейшего перевозчика грузов в США и одного из первопроходцев аналитики. В 1981 году у них уже работали компьютерные модели, но они перешли к точечным прогнозам. Именно они подошли ко мне и сказали: “Уоррен, мир стохастичен. Так что теперь мы переходим в мир управления цепочками поставок. Точечные прогнозы просто не сработают. Возможно, кто-то считает, что это отражает реальный мир, но это не так.” Это понятие подхода, основанного на стратегиях, описывает, как люди принимают решения.
Уоррен Пауэлл: Можно использовать простые стратегии типа «заказать до уровня» или стратегии с прогнозированием. Когда люди говорят «прогнозирование», они, как правило, думают детерминированно. Здесь всё должно измениться. Вы должны мыслить в терминах «прогнозирования» с учётом неопределённости, а компьютеры теперь на нашей стороне. В 1980-х компьютеры были объектом насмешек. Сейчас мы работаем в облаке, запускаем 50 сценариев параллельно, и вместо средних значений оцениваем, как часто происходит негативное событие для определения риска.
Все остальные вопросы, поднятые Йоаннесом, остаются актуальными. Вам всё равно нужно правильно смоделировать проблему, но наступит момент, когда то, что делает компьютер, будет значительно лучше, чем всё, что может сделать человек. Я думаю, что это чрезвычайно захватывающе – время настало. Мы уже применяем это в индустрии грузоперевозок. Я писал симуляторы цепочек поставок, но в основном в качестве симуляторов. Думаю, перевод симулятора в реальные условия, когда он говорит: «Хорошо, теперь я подумаю о том, что может произойти в будущем, чтобы помочь мне принять решение уже сейчас», близок к реальности.
Кирен Чандлер: Отлично, замечательно. Мне придётся заканчивать, но, господа, спасибо вам обоим за уделённое время. Это всё на эту неделю. Большое спасибо за внимание и до свидания.
