00:00:07 Вступление Уоррена Пауэлла и темы дня.
00:00:36 Биография Уоррена и его работа в Принстоне и Casa Labs.
00:02:00 Тема обсуждения - неопределенность в управлении цепями поставок.
00:03:05 Сравнение грузоперевозок полными грузовиками и управления цепями поставок.
00:06:00 Концепция последовательного принятия решений в управлении цепями поставок.
00:09:01 KPI, ключевые показатели эффективности, и запуск симуляций в цепи поставок.
00:10:00 Необходимость правила принятия решений для запуска симуляций и оценки производительности компании.
00:11:51 Использование симуляций для определения лучшего решения для компании.
00:13:03 Двойственность 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 цепями поставок и их незаменимая роль.
00:22:17 Объяснение четырех основных классов методов принятия решений.
00:24:00 Критика текущих методов прогнозирования, используемых крупными модными брендами, и необходимость учета каннибализации и замещения.
00:26:01 Обсуждение влияния скидок и распродаж на поведение потребителей и их влияние на бизнес.
00:27:08 Сравнение использования математических моделей и интуиции для принятия бизнес-решений.
00:29:44 Объяснение важности доверия к прогнозам на основе политики.
00:30:32 Объяснение необходимости наличия компетентных людей, способных понять проблему и рассмотреть правильные метрики.
33:37 Заключительные мысли о будущем управления цепями поставок и необходимости инструментов и инженеров по управлению цепями поставок.
Резюме
Интервью между Жоаннесом Верморелем, основателем Lokad, и Уорреном Пауэллом, профессором Принстонского университета и сооснователем Optimal Dynamics, рассматривает сложности и неопределенности управления цепями поставок и принятия решений. Эксперты делятся своими 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 операционных решений в управлении цепями поставок, подчеркивая ограничения традиционных методов прогнозирования. Интервью завершается обсуждением будущего методов на основе политики в управлении цепями поставок и необходимости наличия квалифицированных инженеров по управлению цепями поставок.
Расширенное резюме
В интервью Киран Чандлер ведет дискуссию между Жоаннесом Верморелем, основателем Lokad, и Уорреном Пауэллом, профессором Принстонского университета и сооснователем Optimal Dynamics. Они обсуждают сложности и неопределенности, связанные с управлением цепями поставок и принятием решений.
Уоррен Пауэлл делится своим опытом в этой области, основав Castle Labs, уникальное сотрудничество университета и промышленности, которое решает реальные проблемы. Он обсуждает, как его ранняя работа в области грузоперевозок позволила ему столкнуться с проблемами планирования при неопределенных факторах.
Жоаннес Верморел развивает основную проблему последовательного принятия решений в цепях поставок, где текущие решения сильно зависят от будущих решений. Он сравнивает этот процесс с игрой в шахматы, где каждый ход должен быть рассмотрен в контексте последующих ходов. Верморел признает, что математическое моделирование этих проблем может быть сложным и запутанным.
Уоррен Пауэлл объясняет, что измерение эффективности принятия решений в цепях поставок включает использование ключевых показателей эффективности (KPI), чтобы оценить влияние решений на стоимость и производительность. Он предлагает, что симуляции могут помочь в навигации в многозначной и непредсказуемой природе управления цепями поставок, так как детерминированные модели могут не давать точных решений.
В интервью исследуются проблемы управления неопределенностями и принятия эффективных решений в цепях поставок, где каждое решение связано с будущими решениями. Эксперты обсуждают свой опыт в этой области и предлагают идеи по решению этих сложностей с помощью математического моделирования и симуляций.
Разговор начался с сравнения оптимизации цепей поставок с игрой в шахматы против непредсказуемого игрока, предполагая, что использование симуляций может помочь принимать лучшие решения. Пауэлл объяснил, что политики или правила принятия решений могут использоваться вместе с симуляциями для быстрой оценки производительности компании с использованием различных метрик.
Верморел согласился, подчеркивая важность вероятностного прогнозирования и генеративных моделей, которые могут использоваться для оптимизации цепей поставок. Он обсудил двойственность между этими двумя подходами и отметил, что выбор между ними зависит от конкретной проблемы, которая решается.
Как Верморел, так и Пауэлл согласились о важности использования политик в сочетании с симуляциями для принятия решений в оптимизации цепей поставок. Политики - это абстрактные правила, которые могут иметь параметры, которые можно изучить и применить. Верморел отметил сложность применения этих концепций в реальных ситуациях, так как в течение десятилетий проводится исследование с ограниченным успехом в числовых достижениях.
Верморел также указал на последние достижения в глубоком обучении и методах оптимизации, таких как стохастический градиентный спуск, которые улучшили применимость политико-ориентированного принятия решений в сложных средах. Эти техники хорошо работают в шумных средах и с большим количеством переменных, что делает их подходящими для оптимизации реальных проблем управления цепями поставок.
Пауэлл упоминает, что люди также используют политики или методы при принятии решений и что существуют четыре основных класса методов для принятия решений. Он приводит пример Google Maps как политики просмотра вперед, которые могут быть полезны в контексте длинных цепей поставок.
Пауэлл подчеркивает необходимость симуляций для принятия стратегических, тактических и операционных решений в управлении цепями поставок. Из-за длительных временных рамок и сложной природы цепей поставок, метод проб и ошибок не является осуществимым для тестирования идей. Симуляции, хотя и недостоверные, предоставляют лучшую альтернативу. Он подчеркивает важность понимания принимаемых решений, метрик оценки, источников неопределенности и процесса принятия решений.
Верморель, однако, выступает в роли адвоката дьявола, поднимая вопросы о достоверности численных методов. Он соглашается с тем, что симуляции эффективнее бесконечных встреч, но указывает на то, что многие сложные математические модели могут быть контекстуально наивными. Он приводит в пример модель модной индустрии, где точечные прогнозы часто игнорируют важные факторы, такие как каннибализация и замещение. Он подчеркивает, что интуиция обычно более точна при работе с наивными моделями.
Верморель далее утверждает, что менеджеры должны принять более симпатичный подход к моделированию, учитывая эвристики и принимая проблему. В то же время Пауэлл признает, что тонкое моделирование является необходимым условием успеха, поскольку упрощенные модели могут упускать важные факторы, что может привести к значительным ошибкам.
И Верморель, и Пауэлл согласны в том, что компьютерные симуляции и продвинутые модели являются важными для оптимизации цепей поставок, однако также важно глубоко понимать проблему и разрабатывать модели, которые точно отражают сложности реальной цепи поставок.
Обсуждение крутится вокруг ограничений точечных прогнозов и преимуществ политико-ориентированных методов прогнозирования.
Участники утверждают, что традиционные методы прогнозирования, которые сильно полагаются на интуицию и не учитывают множество переменных, часто приводят к переизбытку или недостатку запасов. Точечные прогнозы обычно приводят к очень низким запасам, что они узнали, не является оптимальным. Вместо этого они предлагают, что реалистичность, интеллектуальность и правильные вопросы приведут к принятию лучших решений.
Также обсуждается проблема убеждения людей в доверии и визуализации преимуществ политико-ориентированного прогнозирования. В индустрии грузовых перевозок вероятностные прогнозы используются для симуляции различных сценариев, которые затем оцениваются на основе ключевых показателей эффективности (KPI), чтобы определить, кажутся ли они разумными. Этот процесс помогает построить доверие к методу.
И Верморель, и Пауэлл подчеркивают важность наличия инженеров по цепям поставок, обладающих глубокими знаниями проблемы и навыками программирования. Они согласны в том, что лучший подход - использовать множество метрик для выявления областей, где решения могут быть неправильными, затратными или неэффективными. Важно обращать внимание на выбросы, так как они часто могут иметь значительные последствия.
Они обсуждают ограничения средней стоимости и точечных прогнозов, подчеркивая необходимость наличия инженеров по цепям поставок, а не ученых по данным или программистов. Они считают, что политико-ориентированные методы, учитывающие неопределенность и риск, будут определять будущее управления цепями поставок, с поддержкой все более продвинутых возможностей компьютеров.
Интервью завершается обсуждением будущего политико-ориентированных методов в управлении цепями поставок. Пауэлл считает, что точечные прогнозы устареют, так как они не точно отражают реальный мир. Прогресс в компьютерной технологии и возрастающая способность справляться с неопределенностью сделают политико-ориентированные методы прогнозирования более эффективными и распространенными.
В интервью подчеркиваются ограничения традиционных методов прогнозирования и акцентируются преимущества политико-ориентированного прогнозирования, подчеркивая важность наличия квалифицированных инженеров по цепям поставок и использование разнообразных метрик для принятия эффективных решений.
Полный текст
Киран Чандлер: Сегодня на Lokad TV мы рады приветствовать Уоррена Пауэлла, который будет обсуждать с нами разницу между политикой и точечными прогнозами и как они могут быть использованы для оптимизации этих сложных решений. Итак, Уоррен, большое спасибо за то, что присоединились к нам прямо сейчас из Соединенных Штатов, и как всегда, мы хотим начать с того, чтобы узнать немного о наших гостях. Так что, может быть, вы могли бы начать с того, чтобы рассказать нам немного о себе.
Уоррен Пауэлл: Во-первых, спасибо за приглашение меня в программу. Мне очень нравится то, чем я занимаюсь, и я ценю возможность поговорить об этом. Я преподавал в Принстоне 39 лет назад, и около 30 лет назад я создал эту лабораторию под названием Castle Labs. Я много работал с промышленностью и начал свою карьеру в грузовой перевозке. Теперь, университеты получают много денег от правительства и прочих организаций, но нашим основным источником финансирования была промышленность. Я также понял, что одним из недостатков государственного финансирования является отсутствие данных; у них на самом деле нет проблемы. Поэтому я разработал эту уникальную университетско-промышленную коллаборацию через Castle Labs, работая с промышленностью и решая их проблемы. Был большой интерес к использованию компьютеров для более эффективного управления компаниями, поэтому лаборатория развивалась очень хорошо, росла быстро, и мне повезло получить большое количество студентов. Я думаю, что окончил обучение около 60 выпускников и аспирантов, и я считаю их основным источником, я думаю, мы написали около 250 публикаций. Это в основном работа студентов. Я создал три консалтинговые фирмы, самая последняя - Optimal Dynamics, с которой я все еще связан. Фактически, я ушел на пенсию в прошлом году, чтобы больше времени уделять Optimal Dynamics. Это очень захватывающая возможность.
Киран Чандлер: Звучит замечательно, и сегодня наша тема - это оптимизация решений, которые вы принимаете в рамках цепочки поставок. Может быть, вы могли бы начать с того, чтобы рассказать нам, какие виды неопределенности можно наблюдать в управлении цепочкой поставок?
Уоррен Пауэлл: Ну, мне нужно дать еще одну небольшую информацию, а именно, что мои самые первые проекты были связаны с грузовыми перевозками, и одна из вещей, связанных с грузовыми перевозками, идея пришла от крупной компании под названием Schneider National. У них уже были компьютерные модели, которые планировали будущее детерминированно, и они сказали: “Смотрите, грузовые перевозки не являются детерминированными. Мы не знаем, что произойдет завтра. Мы не знаем, что произойдет сегодня”. И я обнаружил, что академическое сообщество не научилось действительно моделировать эти проблемы и решать их на компьютерах. Так что это заняло несколько десятилетий, чтобы просто понять, как мы должны думать об этой проблеме, потому что академическое сообщество действительно не разобралось в этом.
Когда я перешел от грузовых перевозок, которые являются крупными и сложными, к управлению цепочкой поставок, я обнаружил, что последнее не настолько сложно, как цепочка поставок. Таким образом, в случае грузовых перевозчиков основной проблемой является то, позвонит ли грузоотправитель по поводу груза или нет, сколько грузов мне нужно переместить, а также есть несколько других источников шума, таких как то, приедет ли водитель и не попадет ли он в пробку. Это далеко не на том же уровне, что и цепочки поставок. Так что в цепочках поставок вы вовлекаетесь в это, и в грузовых перевозках вы можете принимать решения за неделю или около того заранее.
Киран Чандлер: В будущем, большая часть этого будет на трех или четырех днях вперед. Цепочки поставок могут продолжаться 100 дней, 150 дней. Заказ товаров из Китая может занимать несколько месяцев. За эти месяцы могут произойти крупные события, сильные штормы, политические проблемы, проблемы с трудовыми ресурсами и дефицит товаров. Многое из этого происходит с нами сегодня. У поставщика много шума в том, сколько времени занимает производство товара в Китае. Ему может потребоваться запустить производственную линию и подготовить запасы деталей и материалов. Затем вы отправляете его на грузовое судно, и грузовое судно может занять 30 дней, но может занять 35 или 36 в зависимости от штормов и погоды. Могут возникнуть задержки в портах. Когда товар фактически сходит с судна, его нужно разгрузить. Его нужно положить на железнодорожный вагон или грузовик. Затем, когда он наконец прибывает, вы должны посмотреть на него и сказать, все ли в порядке с качеством? Я имею в виду, это просто перечень различных форм неопределенности.
Кирен Чандлер: Да, и Джоаннес, об этом мы сегодня поговорим более подробно. О чем говорил Уоррен, так это о широком разнообразии временных рамок. Почему это интересно? Что эти различия во временных рамках означают с технической точки зрения?
Джоаннес Верморель: Я считаю, что работа Уоррена очень интересна, но, возможно, с немного другой стороны, а именно с точки зрения последовательного процесса принятия решений. Неопределенности - это некоторая техническая деталь, но суть проблемы заключается в том, чтобы начать даже думать о тех последовательных решениях, которые вы принимаете последовательно. Хитрость заключается в том, что будущее формирует прошлое, что кажется неправильным. Решение, которое вы хотите оптимизировать прямо сейчас, фактически зависит от решения, которое вы примете позже. Независимо от того, является ли решение, которое вы принимаете прямо сейчас, хорошим или нет, это в значительной степени зависит от решения, которое будет принято позже.
Джоаннес Верморель: Чтобы прояснить эту ситуацию, предположим, что вы делаете заказ у зарубежного поставщика с минимальным количеством заказа (MOQ), и вы заказываете тонны товаров у этого поставщика, и вам нужно достичь полного контейнера. Теперь дело в том, что вы делаете заказ, и контейнер может содержать сотни разных товаров. Это хороший заказ? Что ж, это зависит. Это зависит от того, когда вы фактически сделаете заказ на следующие контейнеры. Видите ли, дело в том, что если вы исчерпаете запас товара всего несколько дней после заказа контейнера, у вас может возникнуть нехватка товара. Можете ли вы сделать еще один заказ у своего поставщика? Нет, на самом деле нельзя, потому что этот товар сам по себе является лишь незначительной частью целого контейнера. Так что вы застряли. Вы застряли с тем, что вы заказали целый контейнер и должны ждать, пока у вас не будет удобная возможность сделать заказ на полный контейнер снова.
Кирен Чандлер: Итак, решение, которое вы собираетесь принять, является ли оно правильным? Это зависит от того, когда вы примете свое следующее решение. Реальность в цепи поставок и во многих других областях заключается в том, что, начиная думать о том, что на самом деле означает иметь хорошее решение, это должно быть решение, которое хорошо сочетается с решением, которое будет принято позже. Как в шахматах, здесь не важно, сделал ли я правильный ход прямо сейчас. Важно только сказать, что это хороший ход с учетом всех остальных ходов, которые будут сделаны. Вот что это значит. И тогда вопрос внезапно становится очень сложным даже с математической точки зрения, потому что вы думаете: “Хорошо, у меня есть решение, и вы можете подумать, что у меня есть разные количества, которые я могу выбрать”. Но затем у вас есть некоторая рекурсивная перспектива, где вы должны думать о всех будущих решениях, которые еще не были приняты, и вы задаете себе вопрос: “Я хочу оптимизировать это решение, которое я еще не принял, мое решение, и все же я должен учесть будущие решения, которые еще не были приняты”. Видите ли, у вас есть эта проблема “курица и яйцо”, и с математической точки зрения это сложно и загадочно. Я думаю, что частью процесса работы Уоррена Пауэлла было фактическое объединение корпуса математических рамок и подходов, чтобы вы могли даже начать мыслить численно об этих проблемах таким образом, чтобы они были последовательными. Мне очень нравится эта аналогия с шахматами и тем, что она очень сильно зависит от того, что делает другой человек и что еще происходит в мире.
Уоррен Пауэлл: Ну, у всех компаний есть способы измерения производительности. Они называют их КПИ, ключевые показатели производительности. Так что у них есть все свои метрики по стоимости, производительности. У компаний есть десятки и десятки, а иногда и сотни таких метрик. Вы используете те же самые метрики. То, что мы обычно делаем, это запускаем симуляции. Было бы здорово, если бы у нас был детерминированный мир. Представьте себе Google Maps, где мы как бы притворяемся, что знаем все времена путешествия, чтобы видеть всю траекторию до места назначения. Цепочки поставок слишком запутаны. Они идут слишком далеко, и происходит слишком много случайных событий, поэтому это не один путь, а множество. Поэтому, вместо того чтобы смотреть в будущее и думать, что вы будете точно знать, что произойдет, хорошей аналогией является шахматная игра. Но если вы играете против опытного шахматиста, то он обычно очень предсказуем. Представьте, что он играет против менее опытного шахматиста. Это немного более случайно, потому что он ведет себя непредсказуемо. Проблема на самом деле становится гораздо сложнее. Но чтобы упростить, представьте, что компьютер может просто запускать симуляции. Когда мы приходим в будущее, мне нужно иметь правило, или я бы назвал его политикой, методом принятия решения, который скажет мне, какое решение я приму, несмотря на все, что произойдет. Так что я могу запускать эти симуляции, и каждый раз, когда я достигаю определенной точки, скажем, за месяц, и мне нужно принять решение, у меня есть какое-то правило. Компьютеры могут очень быстро делать эти симуляции. Мы можем запустить 100 разных сценариев в будущее параллельно.
Киран Чандлер: Давайте начнем с того, как компания может использовать метрики для оценки своей производительности. Когда дело доходит до принятия решений, например, о том, стоит ли размещать заказ и какого размера должен быть заказ, как компании могут симулировать эти решения и их потенциальные результаты?
Уоррен Пауэлл: Чтобы принимать эти решения, компании могут использовать симуляторы для анализа метрик и определения наилучшего решения на данный момент. Мы можем использовать правило для принятия решения сейчас, но нам также нужно использовать симуляторы для настройки этого правила, чтобы убедиться, что оно работает наилучшим образом, учитывая не только настоящее, но и будущее. Для более простых проблем, например, управления запасами, простая политика “заказывайте до” может работать довольно хорошо. Однако для более сложных проблем, таких как определение момента размещения заказа на автомобиль 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 смоделировать эти сценарии и оценить выбор на основе лучших метрик для будущего. По сути, это сводится к симуляции и управлению компанией так, как вы это обычно делаете, и соответствующей оценке.
Киран Чандлер: Йоханнес, каковы ваши мысли об этом подходе с политикой? Работает ли симуляция на ваш взгляд?
Йоханнес Верморель: Да, я очень согласен, что симуляция работает. Когда дело доходит до прогнозирования, современный подход заключается в мышлении о вероятностном прогнозировании. Существует двойственность между вероятностными прогнозами и генеративными моделями. Вероятностные прогнозы дают вам вероятности определенных будущих событий, которые могут быть выбраны для получения примеров возможных будущих событий. Генеративные модели, с другой стороны, генерируют будущие события, которые, усредненные, дают вам вероятности вашей голистической модели. По сути, эти модели представляют два разных способа взгляда на одну и ту же вещь. Выбор между ними скорее вопрос технических деталей и того, что более подходит для численного разрешения вашей проблемы.
Уоррен Пауэлл: Верно, и главная суть математического трюка для оптимизации последовательных решений заключается в разделении решений сегодня и завтра. Вместо того чтобы сосредотачиваться на самом решении, нам нужно изучить механизм принятия решений. Этот механизм может иметь много параметров, которые можно оптимизировать.
Киран Чандлер: Йоханнес, можете ли вы объяснить, как настраиваются политики и какова их роль в оптимизации цепей поставок?
Йоханнес Верморель: Политика в основном является абстрактным правилом с параметрами, которые можно изучить одним или другим способом. Идея состоит в том, чтобы столкнуть свои политики, которые генерируют решения. Для этого вам нужна генеративная модель, обычно полученная из вероятностного прогноза или других методов.
Киран Чандлер: Как мышление о симуляции в качестве вероятностного прогноза помогает оценить точность политики?
Йоханнес Верморель: Интересно рассматривать симуляцию как вероятностный прогноз, потому что это позволяет учитывать точность. Когда люди говорят, что они проводят симуляцию, большой вопрос заключается в том, дает ли симуляция точное представление будущего. Чтобы ответить на этот вопрос, вам нужно принять вероятностную перспективу прогнозирования, чтобы вы могли оценить, дает ли ваш симулятор точное представление возможных будущих событий для вашей компании.
Киран Чандлер: Можете ли вы рассказать о проблемах развертывания этих политик на практике и о прогрессе, достигнутом в области компьютерных наук для преодоления этих проблем?
Йоханнес Верморель: Проблема становится вопросом практичности, когда речь идет о внедрении этих идей на практике. Обучение политик было чрезвычайно сложной проблемой с числовой точки зрения. Традиционные методы обучения с подкреплением часто были успешны только в игрушечных сценариях, но испытывали трудности с проблемами, связанными с тысячами или миллионами переменных.
Одним из побочных эффектов прорыва в глубоком обучении было развитие лучших методов математической оптимизации, таких как стохастический градиентный спуск, который хорошо работает в шумных средах с переносимыми переменными. Эти методы не были специально разработаны для процессов принятия решений на основе политики, но прогресс в области компьютерных наук сделал их очень применимыми для оптимизации политики в реальных сложных ситуациях. Это включает ситуации, когда симуляции включают тысячи или даже сотни тысяч единиц складского учета (SKU) и охватывают сотни дней вперед.
Киран Чандлер: У нас есть полдюжины переплетенных неопределенностей: неопределенность спроса, срок поставки, цена товара, каннибализация, действия конкурентов. Они не очень сложные, но они просто все переплетены. Поэтому вам нужно быть способным воспринимать этот вид окружающей сложности, чтобы ваш симулятор не был слишком наивным в отношении возможных будущих событий. Уоррен, вы согласны с этим? Я имею в виду, как бы вы построили алгоритмы машинного обучения для принятия таких решений на основе политики?
Уоррен Пауэлл: Ну, прежде всего, давайте напомним себе, что люди также используют политики. Всякий раз, когда принимается решение, используется метод. Давайте назовем это политикой, но это метод. Все используют метод, поэтому это на самом деле не ново. Что я сделал, так это то, что я сказал, что существуют четыре основных класса методов. Заказ до - это один из четырех классов; это называется оценкой функции политики.
Давайте возьмем в качестве примера Google Maps; это политика предварительного просмотра. При планировании запасов люди имеют тенденцию использовать эту простую оценку функции политики: когда заказ падает ниже чего-то, заказывайте до чего-то. Когда у вас есть эти длинные цепочки поставок, вам действительно нужно думать о будущем. Это прямой просмотр вперед, поэтому мы уже рассмотрели два из четырех классов.
Эти четыре класса просто артикулируют то, что мы все равно делаем. Теперь, чтобы узнать, какой класс лучше, вам нужно симулировать и посмотреть, как это работает со временем. В компании по перевозке грузов я мог бы придумать идею, протестировать ее несколько недель и посмотреть, работает ли она. Вы не можете сделать это с цепями поставок; может потребоваться почти год, чтобы увидеть, сработает ли что-то. Сроки просто слишком длинные, и поэтому компьютерные симуляции практически незаменимы.
Без компьютера вы просто группа людей, сидящих за столом и спорящих, говорящих: “О, я думаю, что это лучше”, а кто-то другой думает, что это лучше. Вот что вы видите в мире цепей поставок сегодня - много людей, болтающих и говорящих друг с другом, но у них нет никаких доказательств. Я провел свою карьеру в Castle Labs, создавая симуляторы для стратегического планирования, тактического планирования и симуляторы, чтобы видеть будущее и помочь мне решить, принял ли я правильное решение прямо сейчас.
Без симуляций, что еще вы собираетесь делать? Я мог бы попробовать идею, подождать три месяца, попробовать другую идею, подождать еще три месяца, но, конечно, следующие три месяца никак не связаны с первыми тремя месяцами. Я не вижу никакого способа избежать использования компьютера, чтобы сказать: “Вот один метод принятия решений, вот совершенно другой или немного другой способ принятия решений. Какой из них, кажется, работает?” Вы запускаете свои симуляции. Симуляции никогда не идеальны, но что лучше? Назовите мне что-нибудь лучшее.
Процесс на самом деле очень простой для понимания. Одна из самых сложных вещей, которую я нахожу в цепях поставок, - это спросить специалиста по цепям поставок, какие решения они принимают. Я не могу поверить, сколько людей посмотрят на вас с недоумением и скажут: “Ну, я никогда не думал об этом так”. В цепях поставок есть не только заказ запасов; вовлечено много других решений.
Кирен Чандлер: Итак, какие у вас метрики? Это не только одна; их много. И какие у вас источники неопределенности? Мы можем долго обсуждать это, но вы не сможете перечислить все. Извините, эти большие цепи поставок, о которых вы говорите, включают глобальные неопределенности. Кто мог предвидеть, что корабль застрянет в Суэцком канале или что будет пандемия COVID? Но есть много шумных вещей, которые можно предвидеть, и нам нужно знать, что такие вещи случаются. Итак, когда у вас есть принимаемые решения, как вас оценивают и какие неопределенности, теперь вы переходите к тому, как принять решение. И угадайте что, есть четыре класса политик, от самого простого до самого сложного полного просмотра вперед. Вы можете смотреть вперед детерминированно, как Google Maps, или вы можете смотреть вперед с неопределенностью.
Уоррен Пауэлл: Когда я разговариваю с людьми в бизнесе и они используют слово “прогноз”, у меня возникает ощущение, что каждый раз, когда я слышу слово “прогноз”, они имеют в виду точечный прогноз. Что мне нравится в этом шоу, так это то, что мне не нужно спорить с вами на эту тему; вы полностью понимаете необходимость мыслить стохастически. Вы должны думать о неопределенности вашего прогноза, что означает, что вы должны думать о правилах принятия решений, а не о самом решении. И все это очень просто. Да, нам нужен компьютер. Если вы не собираетесь использовать компьютер, дайте мне знать, что вы собираетесь делать. Если у вас есть лучшая идея, я не могу понять ее.
Кирен Чандлер: Йоханнес, насколько мы можем быть уверены в этих подходах на основе политик? Насколько прочные эти математические моделирования?
Йоханнес Верморель: Во-первых, я согласен с тем, что бесконечные встречи по планированию продаж и операций не очень продуктивны. Однако одна из проблем, и я считаю, что это обоснованная критика в отношении численных методов, заключается в том, что, как сказал Расселл Аккофф почти 40 лет назад, у нас есть методы, которые могут быть математически очень сложными, но контекстуально невероятно наивными. Проблема в том, что нам нужно начать задумываться о том, насколько мы можем доверять этим прогнозам будущего. Реальность заключается в том, что существует множество популярных методов, которые все еще широко используются в крупных поставочных цепях и являются полным мусором. Я понимаю позицию менеджера, который смотрит на модную компьютерную симуляцию, которая может быть очень сложной, но совершенно упускает суть и полагается на догадки. Чтобы привести вам более конкретный пример, я бы сказал, что, вероятно, почти каждый крупный модный бренд в настоящее время делает прогнозы, большинство из них делает прогнозы по точкам. Таким образом, вы берете свои продукты и пытаетесь предсказать спрос на неделю. Однако я оцениваю, что около 0% этих модных брендов фактически учитывают каннибализацию и замещение.
Кирен Чандлер: Добро пожаловать всем на наше сегодняшнее интервью. У нас сегодня два гостя: Йоханнес Верморель, основатель компании Lokad, специализирующейся на оптимизации поставочной цепи, и Уоррен Пауэлл, профессор Принстонского университета, сооснователь и главный аналитик в Optimal Dynamics. Спасибо вам обоим за участие. Давайте перейдем к обсуждению.
Йоханнес Верморель: Когда дело доходит до выбора товара для покупки, вы часто просто идете по чувству и выбираете то, что соответствует вашему вкусу или интуиции. Вы можете видеть, что здесь играют огромные эффекты замещения и каннибализации. Например, когда я захожу в магазин модной одежды и вижу 20 разных белых рубашек, они все как-то похожи друг на друга. Я выбираю одну из них, но это не значит, что у меня была абсолютная идея, какой штрих-код я хотел взять, когда я заходил в магазин.
Если у вас есть прогностическая модель, которая игнорирует нечто такое масштабное, как замещение, насколько можно доверять математической модели? Я думаю, что существует много обоснованного скептицизма, потому что менеджеры смотрят на эти модные методы и спрашивают: “Вы учитываете что-то такое базовое, как замещение?” Если ответ “нет”, как можно доверять модели?
Также нужно учитывать влияние скидок. Если мы начнем давать большие скидки в конце сезона, люди привыкнут к тому, что наш бренд предлагает много скидок, и будут ждать сезона распродаж следующей коллекции, чтобы воспользоваться скидками. Люди умны и адаптируются.
Таким образом, сравнивая наивную модель с интуицией, интуиция обычно более правильна. Лучше быть приблизительно правильным, чем абсолютно неправильным. С должным вниманием и пониманием можно улучшить модель, но для этого требуется механическое сочувствие и понимание проблемы, чтобы быть приблизительно правильным.
Уоррен Пауэлл: Я согласен с вашим примером, Йоханнес. Здесь есть две проблемы: случайность выбора одной рубашки, с которой математические модели могут справиться довольно хорошо, и более тонкое моделирование скидок и реакции рынка на них. Наивная модель может легко упустить последнее и предложить снижение цен, не учитывая тот факт, что если вы снижаете цену, рынок привыкает к этому. Это серьезная ошибка.
Люди имеют интуицию, и более сложные модели должны быть способны учитывать эти тонкости. Но простая модель этого не сделает. Я провел годы в лаборатории, создавая модели, которые финансировали компании, и мы видели такие ошибки, когда модели упускали важные аспекты проблемы.
Кирен Чандлер: Не могли бы вы рассказать, как вы создаете уверенность в своих моделях, особенно при работе в грузовой транспортной отрасли?
Уоррен Пауэлл: Нам потребовалось шесть или восемь лет, чтобы создать модель, которой доверяла компания Norfolk Southern. Это было много работы. Нельзя игнорировать тонкости того, как рынок привыкает к чему-то, это такая простая ошибка. Вам нужно калибровать модели, иметь хорошую статистику и компетентных людей, которые будут задавать правильные вопросы. Однако постоянно вытаскивать что-то из воздуха будет сложно. Я думаю, что для человека слишком много переменных, чтобы учесть, поэтому один из способов их учета - заказывать больше товаров и скрывать их, что дорого. Если вы используете точечные прогнозы, то склонны работать с очень небольшими запасами. Мы узнаем, что это тоже не верное решение.
Кирен Чандлер: Уоррен, вернемся к идее доверия. Когда вы создаете такие прогнозы на основе политики, как вы заставляете людей действительно визуализировать и вкладываться в эту концепцию? Потому что одной из наших настоящих проблем в Lokad было заставить людей представить себе, что мы делаем с помощью вероятностных прогнозов.
Уоррен Пауэлл: В грузовой транспортной отрасли мы делаем вероятностные прогнозы того, что могут сделать грузоотправители. Мы запускаем симуляции и смотрим, что на самом деле делают грузовики, чтобы определить, кажется ли это разумным. Мы составляем метрики, сколько раз мы покрываем грузы или возвращаем водителей домой, и мы смотрим на стандартные KPI, которые использует любая компания. Вы можете сделать свой вероятностный прогноз, запустить тысячу симуляций, собрать свои KPI и спросить, кажется ли это разумным. Вам нужно сделать определенное количество проб и ошибок, и в это должны быть вовлечены умные люди, которые понимают проблему. Они должны смотреть на KPI и правильные метрики, чтобы определить, ведет ли себя система правильно.
Кирен Чандлер: Иоаннес, как вы сравниваете свой путь с путем Уоррена? Кажется, у вас были довольно похожие опыты.
Иоаннес Верморель: Да, именно так. В Lokad люди, которые обладают навыками программирования и глубоким знанием проблемы в сфере поставок, называются учеными в области цепей поставок. Это правда, что ее нельзя рассматривать с монолитной точки зрения одной метрики, так как это обычно очень обманчиво. Когда вы делаете это, вы получаете нечто очень похожее на Kaggle, и не в хорошем смысле, где вы микрооптимизируете одну метрику, но затем полностью играете ее.
Кирен Чандлер: После достижения точки безразличия обычно используется подход с большим количеством метрик, которые помогают вам инструментировать вашу настройку, чтобы вы могли определить области, где вы делаете что-то очень неправильно. Иоаннес, можете ли вы раскрыть это?
Иоаннес Верморель: В Lokad мы называем это экспериментальной оптимизацией. Идея заключается в том, чтобы определить ситуацию, когда ваша числовая модель, генерирующая вашу политику, будет принимать очень плохие решения. Это обычно точка входа для диагностики того, что не так. Способ определить эти неправильные решения, которым что-то не хватает, например, пропустить слона, - это рассмотреть проблему с разных сторон. Эти неправильные решения могут быть очень дорогими, но они также бывают редкими. Если вы смотрите только на средние значения, вы можете не заметить их, потому что смотрите на вероятностные метрики, которые обычно включают средние значения по многим ситуациям. Проблема со средними значениями заключается в том, что они могут скрывать то, что происходит только раз в тысячу, но увеличивает ваши затраты в 10 раз. Вот почему мы пытаемся инструментировать это.
Ключевое значение имеют люди, которые в первую очередь являются инженерами по цепям поставок, а не учеными в области данных или программными инженерами. Это приводит меня к выводу, что вам нужны некоторые инструменты для работы с достойным уровнем производительности, но это совершенно другая проблема.
Кирен Чандлер: Спасибо, Иоаннес. Уоррен, мы оставим последнее слово вам. Какие у вас надежды на будущее? Вы можете представить, что однажды все будут использовать эти методы на основе политики?
Уоррен Пауэлл: Прежде всего, потому что сегодня все используют методы на основе политики, я думаю, что это путь вперед. Google Maps с точечными прогнозами, извините, но это просто не выживет. Вы должны понять, что это было начало моей карьеры в 1981 году.
Кирен Чандлер: Добро пожаловать в Schneider National в то время, нашего крупнейшего перевозчика грузовых автомобилей в Соединенных Штатах и раннего пионера аналитики. В 1981 году у них уже были работающие компьютерные модели, но они продолжали использовать точечные прогнозы. Именно они подошли ко мне и сказали: “Уоррен, мир стохастический. Теперь мы переходим в мир управления цепочкой поставок. Точечные прогнозы просто не будут работать. Я имею в виду, может быть, кто-то в своем уме думает, что это реальный мир, но это не так.” Эта концепция подхода на основе политики описывает, как люди принимают решения.
Уоррен Пауэлл: Вы можете иметь простые политики, например, “заказывать до” или вы можете иметь политики с прогнозированием. Когда люди говорят “прогнозирование”, они обычно думают детерминированно. Вот где должны быть новые вещи. Вы должны думать о “прогнозировании” с неопределенностью, но теперь у нас есть компьютеры. В 1980-х годах компьютеры были позором. Теперь мы сидим в облаке и запускаем 50 сценариев параллельно, и вместо средних значений мы оцениваем, как часто происходит плохое событие, чтобы оценить риск.
Все остальные вопросы, которые поднял Иоаннес, все еще актуальны. Вам все равно нужно адекватно моделировать проблему, но в какой-то момент вы достигнете того момента, когда то, что делает компьютер, все еще намного лучше, чем то, что может сделать любой человек. Я думаю, что это чрезвычайно захватывающе, что время подходит. Мы уже делаем это в отрасли грузоперевозок. Я написал симуляторы цепочки поставок, но в основном только как симуляторы. Я думаю, что перенос симулятора на практику означает, что теперь я буду думать о том, что может произойти в будущем, чтобы помочь мне принять решение сейчас, и это приближается.
Кирен Чандлер: Хорошо, отлично. Мне придется закончить здесь, но, джентльмены, спасибо вам обоим за ваше время. Вот и все на этой неделе. Большое спасибо за внимание, и пока.
