Обратные связи и машинное обучение в цепочке поставок

00:00:07 Введение в тему машинного обучения в индустрии цепочек поставок.
00:00:46 Введение гостя Александра Бэкас, руководителя по данным и аналитике в IKEA.
00:02:20 Объяснение концепции самосбывающихся пророчеств.
00:03:03 Обсуждение того, как самосбывающееся пророчество влияет на цепочку поставок, например, на бизнес-цели и воздействие спроса и предложения.
00:07:14 Объяснение того, как обратные связи в цепочке поставок усложняют ситуацию в мире и как избыток определённого продукта может влиять на его продажи.
00:08:53 Обсуждение обратных связей в цепочках поставок и влияния человеческого поведения на них.
00:10:41 Использование данных о продажах для прогнозирования спроса и возможные последствия применения наивного подхода.
00:13:08 Проблема нулевого прогнозирования в системах машинного обучения и эффект кнута.
00:15:17 Объяснение смещения, связанного с дефицитом запасов, и методов его устранения.
00:17:22 Обсуждение распространённости отсутствия товара на складе и эффективности методов борьбы с этим смещением.
00:18:15 Объяснение того, как восприятие продукта клиентом может влиять на спрос и как уровень запасов отражается на продажах.
00:20:17 Объяснение явления маскировки потерь и его назначения.
00:20:26 Объяснение того, как предоставление модели доступа к данным о запасах помогает ей понять влияние колебаний этих уровней на продажи.
00:22:14 Обсуждение ограничений использования моделей машинного обучения для каузального анализа и влияния смешивающих переменных.
00:25:54 Объяснение того, как вероятностное прогнозирование может снизить влияние нулевого прогнозирования, признавая “размытость” доступной информации.
00:27:04 Объяснение преимуществ использования модели вероятностного прогнозирования.
00:28:44 Преимущества модели вероятностного прогнозирования по сравнению с точечным прогнозом.
00:30:42 Обратные связи и их влияние на прогноз.
00:34:35 Как цены могут влиять на прогноз.
00:36:32 Объяснение понятия частичной наблюдаемости и проблем, связанных с созданием модели для управления цепочками поставок.
00:37:04 Сравнение с концепцией обратной связи в стиле bandit и её известным применением в рекомендательных системах электронной коммерции.
00:37:17 Обсуждение ограничений контролируемого обучения при прогнозировании влияния решений в управлении цепочками поставок.
00:38:01 Объяснение алгоритма обучения с подкреплением, основанного на политике.
00:41:06 Обсуждение проблем применения алгоритмов обучения с подкреплением в реальном управлении цепями поставок и решение начать с офлайн-обучения на исторических данных.
00:44:55 Обсуждение того, как привычки и прошлые практики влияют на движение цен в компании.
00:46:41 Объяснение понятий эксплуатации и исследования в обучении с подкреплением.
00:50:57 Необходимость признания обратных связей в прогнозировании как смены парадигмы.
00:52:45 Технические и культурные вызовы при внедрении ИИ в бизнес-процессы.
00:53:57 Обсуждение проблем моделирования и принятия решений в индустрии цепочек поставок.
00:54:55 Признание наличия обратных связей в процессе цепочки поставок.
00:55:06 Переход от подхода, основанного на прогнозах, к подходу, основанному на решениях.
00:57:27 Тенденции в индустрии цепочек поставок, особенно среди крупных компаний электронной коммерции.
01:01:03 Какие качества ценятся при привлечении новых сотрудников для работы над задачами цепочки поставок в IKEA.

Резюме

В интервью, которое велла Николь Зинт, Жоан Нес Верморель, основатель Lokad, и Александр Бэкас, руководитель по данным и аналитике в IKEA, обсуждают применение машинного обучения и ИИ в индустрии цепочек поставок. В интервью подчёркивается влияние самосбывающихся пророчеств и обратных связей на управление цепями поставок и сложности использования моделей машинного обучения для составления прогнозов. Интервью также исследует подходы к решению проблемы нулевого прогнозирования, например, использование вероятностного прогнозирования, и важность признания неопределенности в прогнозировании цепей поставок. Участники подчёркивают необходимость принятия неопределенности, перехода к моделям на основе принятия решений и поэтапного внесения изменений для улучшения управления цепями поставок.

Расширенное резюме

В этом интервью Николь Зинт ведёт дискуссию между Жоаннесом Верморелем, основателем Lokad, и Александром Бэкасом, руководителем по данным и аналитике в IKEA, о применении машинного обучения и ИИ в индустрии цепочек поставок. Они обсуждают концепцию самосбывающегося пророчества и его потенциальное влияние на цепочки поставок, роль обратных связей и проблемы использования моделей машинного обучения для составления прогнозов.

Самосбывающееся пророчество — это предсказание, которое прямо или косвенно приводит к своему сбытию из-за обратной связи между верой и поведением. В управлении цепями поставок прогнозы могут влиять на процессы принятия решений и, в конечном итоге, менять будущее. Верморель указывает, что самосбывающиеся пророчества по своей природе не являются ни хорошими, ни плохими; они просто усложняют ситуацию.

Обратные связи широко распространены в цепочках поставок, поскольку люди реагируют на прогнозы, что затем может влиять на будущие предсказания. Верморель подчёркивает, как эти циклы могут проявляться по-разному, например, через корректировку цен или размещение товаров на основе уровня запасов. Он также отмечает, что конкуренты могут менять свои стратегии в ответ на прогнозы компании, создавая дополнительные обратные связи.

Бэкас объясняет, что данные о продажах являются ключевым элементом для моделей машинного обучения в прогнозировании, однако продажи не тождественны спросу. Данные о продажах могут зависеть от предложения и других факторов, в то время как спрос — это невидимая величина, которую нужно определить. Он подчёркивает важность различения этих понятий и учета их взаимосвязи в процессе прогнозирования.

Модели машинного обучения могут создавать проблемы в прогнозировании цепочек поставок, если они не предназначены для учета обратных связей и самосбывающихся пророчеств. Бэкас упоминает “эффект кнута”, когда небольшие отклонения в цепочке поставок могут усиливаться системой. Это может приводить к негативным последствиям, таким как резкое изменение продаж или неточные прогнозы. Он проводит параллель между прогнозированием погоды, на которое не влияет поведение человека, и прогнозированием бизнес-результатов, на которые действуют сложные обратные связи.

Чтобы смягчить проблемы, вызванные обратными связями и самосбывающимися пророчествами, Верморель предлагает, чтобы компании принимали сложность систем цепочек поставок и признавали, что точечные прогнозы могут быть недостаточными. Вместо этого им следует стремиться понять и предвидеть возможное влияние своих прогнозов на поведение людей и процессы принятия решений.

В итоге интервью исследует тонкости применения машинного обучения и ИИ в управлении цепями поставок, подчёркивая важность понимания самосбывающихся пророчеств и обратных связей для улучшения точности прогнозирования и принятия решений.

Проблема нулевого прогнозирования возникает, когда система заказывает меньше запасов из-за предполагаемого снижения спроса, что приводит к ещё большему падению спроса и постоянному снижению заказов. Чтобы избежать этой проблемы, Верморель предлагает устранить смещение, связанное с отсутствием товара, путём изменения метрики, используемой в модели прогнозирования. Один из подходов — обнулять показатели в дни отсутствия товара. Этот метод хорошо работает, когда отсутствие товара встречается относительно редко, но менее эффективен в отраслях с высокой частотой дефицита.

Другой подход заключается в предоставлении модели машинного обучения доступа к историческим и будущим данным об уровнях запасов, что позволяет ей изучить влияние колебаний запасов на будущие продажи или спрос. Этот метод требует внесения в модель прогнозирования всех решений и факторов, влияющих на спрос, таких как акции, ценообразование, производственные мощности, ограничения склада и рыночные силы.

Однако Бэкас предупреждает, что использование стандартной модели машинного обучения без всей необходимой информации может привести к ошибкам, например, к путанице между причиной и следствием в изменениях уровня запасов и колебаниях спроса. Чтобы избежать этих проблем, он предлагает использовать вероятностное прогнозирование, которое признаёт нечеткость доступной информации и не приводит к абсолютной уверенности в том, что спрос равен нулю.

Вероятностное прогнозирование распределяет вероятности между множеством значений, что затрудняет достижение абсолютной уверенности в отсутствии спроса. Такой подход предотвращает “заморозку” запасов на нулевом уровне, оценивая ненулевые вероятности для будущего спроса. Он также учитывает асимметрию между обслуживанием клиента и хранением лишних запасов на дополнительный день, предпочитая более высокий уровень сервиса.

Несмотря на свои преимущества, вероятностное прогнозирование не является совершенным решением. Оно может по-прежнему недооценивать будущий спрос в случаях повторяющихся дефицитов. Однако оно предоставляет более надёжный метод управления запасами и предотвращения проблемы нулевого прогнозирования.

В заключение, внедрение методов машинного обучения и вероятностного прогнозирования может помочь специалистам по цепям поставок лучше прогнозировать спрос и управлять запасами уровней. Учитывая различные факторы, влияющие на спрос, и неопределённость доступных данных, компании могут принимать более обоснованные решения и улучшать эффективность цепей поставок.

Жоан Нес Верморель подчеркнул важность признания неопределённости в прогнозировании цепей поставок, поскольку идеальное моделирование будущих событий нереалистично. Он обсудил концепцию вероятностного прогнозирования, которое отражает присущую неопределённость событий в цепочках поставок и отличается от точечных прогнозов. По его словам, вероятностные прогнозы предполагают использование распределения вероятностей, благодаря чему будущее выглядит совсем иначе, чем прошлое. Он также коснулся обратных связей как дополнительного измерения, способного обогатить прогнозы, сделав их динамичными и зависимыми от будущего поведения.

Александр Бэкас согласился с мнением Вермореля и подробно рассказал о том, как предоставление моделям доступа к предыдущим решениям, таким как ценообразование, может снизить проблемы прогнозирования. Он ввёл понятие частичной наблюдаемости, которое подразумевает наблюдение только за эффектом решения без знания альтернативного исхода. Чтобы лучше предсказывать влияние решений, Бэкас предложил переосмыслить задачи машинного обучения так, чтобы на выходе получались оптимальные решения, а не прогнозы будущего. Этот подход называется обучением с подкреплением.

Разговор сосредоточен вокруг проблем прогнозирования и принятия решений в управлении цепями поставок из-за обратных связей, ограниченности данных и неслучайных решений. Они подчёркивают необходимость принятия этих обратных связей и перехода к модели, выдающей решения, а не прогнозы. Тенденция среди технологически ориентированных компаний, таких как Amazon и Alibaba, заключается в отказе от идеи идеального прогноза и сосредоточении на принятии решений. Несмотря на существующие проблемы, участники дискуссии согласны с тем, что отрасли следует постепенно внедрять эти изменения для улучшения управления цепями поставок.

Верморель подчёркивает важность принятия неопределённости и неустранимой сложности цепей поставок, которые состоят из людей, машин и процессов. Он выступает за то, чтобы быть примерно правильным, а не абсолютно ошибочным. Бэкас акцентирует внимание на необходимости привлечения высококвалифицированных специалистов по науке о данных для решения задач в крупных корпорациях, таких как IKEA, подчёркивая потенциал глобального влияния и важность вызова статус-кво.

Полная транскрипция

Николь Зинт: Добро пожаловать, Александр Бэкас, к нам в офис сегодня. Александр — эксперт в этой области и руководитель по данным и аналитике в IKEA. Как обычно, мы начнём с того, что попросим наших гостей представиться. Александр, пожалуйста, продолжайте. Александр Бэкас: Спасибо, Николь. Благодарю за приглашение. Приятно быть с вами в Париже. Меня зовут Александр Бэкас, и я возглавляю направление аналитики данных в области управления запасами и логистических операций в IKEA Inka Group Digital. Я руковожу группой специалистов по данным, инженеров и аналитиков, работающих в кросс-функциональных продуктовых командах с целью оптимизации планирования логистических операций. У меня образование в области науки о данных, и я работал консультантом для таких крупных компаний, как KLM Airlines, Heineken, Vodafone Ziggo и ING Bank. После получения образования в области когнитивной нейронауки, я пришёл к выводу, что работа в цепочке поставок в роли специалиста по данным — действительно захватывающая область, поскольку она объединяет множество благоприятных условий для науки о данных. Здесь много данных, существует влияние на принятие решений в реальном мире, так что это нечто осязаемое, и вы влияете не только на конечный результат, но и помогаете создавать более устойчивый мир, сокращая потери в цепочке поставок. Так я и оказался здесь. Николь Зинт: Прежде чем мы углубимся в эти темы, давайте сначала разберёмся с концепцией, которую будем обсуждать. Начнём с простого вопроса: что такое самосбывающееся пророчество?

Alexander Backus: Идея в том, что прогноз, который вы составляете для оптимизации вашего бизнес-процесса, на самом деле влияет на определенный процесс принятия решений. Принятие решения основывается на вашем прогнозе, по крайней мере, вы этого хотите. Когда это происходит, это означает, что сам прогноз изменяет будущее, а также изменяет данные, которые используются для составления следующего прогноза. Это может создавать определенные проблемы. По сути, самоисполняющееся пророчество – это когда предсказание сбывается просто потому, что его предсказали. Таким образом, вы влияете на будущее, поскольку думали, что оно будет определенным. Вы влияете не только на будущее, но и создаете реальность, в которой прогноз становится истиной, и это может происходить по-разному. Например, если у вас есть прогноз по вашему бизнесу или продажам, он может стать целью для вашего бизнеса.

Nicole Zint: Итак, маркетологи принимают определенные решения, говоря: «Хорошо, нам нужно достичь этой цели, потому что сейчас мы немного отстаем, так что нам нужно продавать больше и проводить некоторые акции». Таким образом, сделанный вами прогноз становится целью, которая приводит к принятию решений и влияет на конечный результат продаж в этом примере. И это может происходить по-разному. Еще один пример — когда у вас есть определенный прогноз, который позволяет вам обеспечить заданную пропускную способность доставки или комплектации на складах, что влияет на срок поставки. Так что когда клиент заходит на ваш сайт электронной коммерции и видит, что срок поставки очень высокий или низкий, это может повлиять на спрос со стороны клиентов.

Alexander Backus: Точно, спрос влияет на предложение, а предложение – на спрос. Это может идти в обе стороны, и именно на этот эффект вы намекаете, Joannes. Когда прогнозы становятся целями бизнеса, как вы считаете, как это влияет на сам бизнес? Какие недостатки возникают, когда прогноз является чем-то, к чему люди стремятся, вместо того чтобы реально оценивать эффективность своей цепочки поставок?

Joannes Vermorel: Собственно, недостатков как таковых нет. Это скорее связано с тем, как работает цепочка поставок. Знаете, обратные связи наблюдаются повсюду. Мы имеем дело, по сути, с человеческими делами, и удивляет практиков то, что во многих инженерных школах и даже в некоторых компаниях к прогнозированию относятся так, будто предсказывают движение планет — с очень четкой структурой, где есть наблюдения за прошлым, и можно сделать вывод о будущей позиции планеты. Но вы, будучи прогнозистом, не оказываете никакого влияния на те объекты, которые наблюдаются, как это происходит с планетами.

Nicole Zint: То есть, вы хотите сказать, что самоисполняющееся пророчество не обязательно хорошо или плохо, оно просто существует?

Joannes Vermorel: Да, именно. Нельзя притворяться, что это не оказывает влияния, но, безусловно, это делает ситуацию более сложной и запутанной, фактически и тем, и другим одновременно. И вот в чем небольшая сложность: многим компаниям трудно принять что-либо, что не является точечным прогнозом, то есть представлением одного будущего; вот оно. И, по сути, это нечто, полностью симметричное прошлому. У вас есть наблюдения за прошлым, и вы хотели бы, чтобы будущее было таким же четким и аккуратным, по сути, больше того же.

Nicole Zint: Да, больше того же, но также по своей природе именно такое. То есть у вас есть абсолютно четкое представление о прошлом и абсолютно ясное видение будущего. И, кстати, в случае движения планет, если вы не заглядываете за пределы миллионов лет, можно иметь совершенно идеальное представление о положении этих планет через сто лет.

Joannes Vermorel: Теперь, что интересно, так это то, что в цепочке поставок обратные связи встречаются повсюду. Каждый раз, когда вы берете на себя обязательство по продукту, закупая его в больших объемах, вы, действительно, создаете ожидания, и люди чувствуют, что должны продать этот продукт, делая все возможное, чтобы у компании не осталось огромных остатков, которые не удалось реализовать. Они организуют себя так, чтобы этот огромный запас превратился в массовые продажи, или, по крайней мере, именно к этому они будут стремиться. Они корректируют цену в зависимости от того, сколько товара у них на складе, или порой применяют даже более банальные меры. Если есть магазины, если вы

Nicole Zint: В немного другом направлении, чтобы создать большую дифференциацию, обратные связи встречаются повсюду, и они не являются чем-то плохим — они просто присутствуют. И, опять же, основная причина в том, что в центре всего находятся люди, которые могут думать и действовать, основываясь на этих прогнозах будущего. Так что, когда в систему вовлечены люди, когда вы делаете прогноз о будущем, люди реагируют на него. Цепочки поставок очень сложны, и эти реакции могут принимать различные формы. Но у всех цепочек поставок есть общее — там много людей, и иногда, например, обратная связь проявляется в форме объявления о дефиците чего-либо. Тогда люди в спешке начинают покупать этот товар, и тем самым может возникнуть искусственный дефицит просто из-за психологического эффекта.

Joannes Vermorel: Именно. И идея о том, что если вы объявите о дефиците, вы, скорее всего, спровоцируете дефицит, — это не новость. Это относительно предсказуемо, но, тем не менее, трудно предвидеть все эти сигнализации, потому что вам внезапно нужно быть безупречным. Да, и внезапно вам приходится, так сказать, моделировать психику людей, находящихся в центре цепочки поставок.

Nicole Zint: Joannes, вы продолжаете упоминать эти обратные связи. Александр, можно спросить, какие именно данные поступают обратно в эти системы, чтобы наши зрители могли понять суть? То есть, на каком этапе цепочки поставок мы возвращаем данные обратно?

Alexander Backus: Хороший вопрос. Я думаю, что один из очень важных источников для любого вида прогноза — это данные о продажах, и именно они подвергаются влиянию описанных нами эффектов. Если вернуться к тому, что объяснял Joannes, то наивный подход к прогнозированию спроса или бизнес-прогнозированию в целом заключается в том, что вы берёте модель машинного обучения с учителем и рассматриваете ее как задачу регрессии. То есть, вы говорите: «Хорошо, я просто предскажу это количество на основе исторических данных, используя алгоритм с учителем». А затем, если вы применяете эту модель, обученную на предсказании будущих продаж, и вспомните примеры обратной связи, о которых мы говорили, вы можете столкнуться с разрушительными или вырожденными случаями. То есть, когда ваша модель предсказывает низкий спрос или низкие продажи, давайте будем очень осторожны, чтобы не путать эти понятия, но хотя бы на мгновение проигнорируем тот факт, что продажи — это не спрос.

Итак, вы окажетесь в ситуации, когда, предсказывая низкие продажи, вы планируете и низкую мощность, и поэтому продаете меньше, что в итоге приводит к снижению до нуля. Таким образом, модель начнет учиться тому, что спрос падает, и действительно падает. И, на самом деле, все может пойти и в обратную сторону. То есть, он может также резко возрастать.

Joannes Vermorel: Да, существуют разрушительные эффекты, если использовать модель машинного обучения, обученную на исторических данных, для предсказания будущего таким наивным способом, что может полностью провалиться.

Nicole Zint: Это напоминает эффект кнута в цепочке поставок, когда ошибка в цепочке или отклонение от нормы усиливается системой. Вы также упомянули, что продажи не обязательно отражают спрос, ведь вы можете продать 50 единиц товара, хотя спрос был 100, и зафиксируются только 50 продаж. Это различие непосредственно связано с сутью проблемы.

Alexander Backus: Да, сам спрос, конечно, является не наблюдаемой величиной. Его нельзя измерить напрямую, поэтому его приходится выводить. Данные о продажах — ближайший к этому показатель, но это определенно не всё.

Nicole Zint: Итак, мы обсуждаем идею о том, что сделанные прогнозы могут влиять на спрос и продажи, создавая обратную связь. Некоторые описывали разницу между прогнозированием погоды и прогнозированием бизнеса, где прогнозирование погоды не влияет на неё, а прогнозирование бизнеса действительно может изменять её. Александр, не могли бы вы подробнее рассказать об этой обратной связи и о том, как избежать упомянутой вами проблемы нулевого прогноза?

Alexander Backus: Конечно. Когда модель машинного обучения обучается на своих собственных выходных данных, она может усиливать отклонения от нормы. Например, если спрос по какой-либо причине немного падает, модель может указать системе заказывать меньше. В результате спрос снижается ещё сильнее, так как заказывают меньше, и модель затем предлагает заказывать ещё меньше, что приводит к проблеме нулевого прогноза. Эта проблема особенно характерна для прогнозирования time series. Йоаннес, как нам избежать этой проблемы с системами машинного обучения?

Joannes Vermorel: Нулевой прогноз возникает, когда не устраняется смещение, вызванное отсутствием запасов, которое может быть довольно сильным. Если запасы заканчиваются, вы наблюдаете нулевые продажи, но это не означает, что спрос равен нулю. У нас на Lokad есть как минимум три метода для борьбы с этим смещением. Один из подходов заключается в изменении метрики, по которой вы оптимизируете модель прогнозирования. Вместо того чтобы применять метрику равномерно во времени, вы обнуляете измерения в те дни, когда имеются отсутствия на складе. Это грубый подход, но он может работать.

Nicole Zint: Какая метрика обычно используется сначала, которую вы предлагаете изменить?

Joannes Vermorel: Метрик существует тысячи, но самые простые — это L1, L2 или даже MAPE. Вопрос в том, применяете ли вы метрику равномерно во времени. Обычно ответ — нет, вы не хотите применять её равномерно. Вы хотите обнулять измерения в те дни, когда отсутствуют запасы.

Nicole Zint: То есть обнуление означает удаление вклада дня, когда произошёл дефицит товара?

Joannes Vermorel: Да, вы исключаете вклад того дня, когда знаете, что сигнал серьёзно искажен. Такой метод работает, но он довольно грубый.

Nicole Zint: Не если дефициты случаются очень часто. Для многих бизнесов дефициты статистически довольно редки. Обычно уровень обслуживания выше 95%, так что этот метод хорошо работает, если дефициты являются исключительными, чем-то вроде естественного бедствия, которое случается довольно редко.

Joannes Vermorel: Нет, я имею в виду, например, супермаркет. У него ежедневный уровень обслуживания выше 95%, и это нормально. Такой метод не сработает, например, для магазина предметов роскоши. Для магазина предметов роскоши, скажем, из каталога в 5000 товаров может быть доступно всего 500 артикулов. Таким образом, по определению, дефицит наблюдается более чем в 90% случаев. В этом случае метод не имеет смысла. Всё зависит от отрасли. Есть отрасли, например, продовольственная, где ожидается очень высокий уровень обслуживания. Ваш ассортимент рассчитан на товары, которые вы должны иметь. Например, если в супермаркете обычно продаётся упаковка бутылок содовой, вы должны быть уверены, что найдете эти единицы. Иногда их может не оказаться, но такие случаи будут редкими. Опять же, всё зависит от конкретной вертикали.

Nicole Zint: Хорошо, и по сути, продажи могут давать неверный сигнал о спросе, как вы объяснили. Если продажи равны нулю, можно ошибочно предположить, что спрос равен нулю, хотя на самом деле это может быть из-за отсутствия товара. Фактически, спрос может быть очень высоким. И обратное также верно. Если у вас заканчиваются запасы другого продукта, который является хорошей заменой, продажи товара могут резко возрасти, отражая тот факт, что заканчиваются запасы чего-то, что является косвенной заменой. Тем не менее, у клиента может сложиться впечатление, что это плохое обслуживание.

Joannes Vermorel: Да, поскольку клиенты могут согласиться на замену, но при этом считать её уступающим вариантом. Опять же, важно учитывать как агента, так и клиентов, а также их мнения, и пытаться скорректировать моделирование спроса так, чтобы оно отражало базовую схему мышления вашей клиентской базы.

Nicole Zint: Как нам избежать этой проблемы нулевого прогноза, чтобы нулевые продажи не воспринимались как нулевой спрос?

Alexander Backus: Джиран упоминал, что просто не учитывать этот сигнал, то есть исключать эти дни. В технических терминах это называется маскированием потерь.

Joannes Vermorel: Да, по сути, вы исключаете вклад этой точки данных. Другой простой метод — дать модели доступ к историческим данным о запасах, а возможно, и к некоторым будущим прогнозам, чтобы можно было понять, как продажи зависят от уровней запасов.

Alexander Backus: Тогда модель сможет научиться тому, как изменения в уровнях запасов влияют на будущие продажи или спрос, если вы это смоделируете. По сути, изучается эффект принятых решений.

Joannes Vermorel: Да, именно к этому все и стремятся: взять все решения, принятые на основании предыдущих прогнозов, и использовать их в качестве входных данных для модели прогнозирования.

Nicole Zint: При обучении учитываются не только решения о запасах, влияющие на их уровень, но и маркетинговые решения, например, установленные бизнес-цели. Говорят: “Эй, вот сколько мы хотим продать”. Это само по себе решение, поскольку присутствуют все рыночные силы.

Alexander Backus: Да, рыночные силы. Всё это вы включаете в прогноз как входные данные — акции, данные о ценах и о пропускной способности. Пропускная способность также может влиять на спрос. Если сроки поставки резко увеличиваются, люди ищут альтернативы. По сути, все ограничения в бизнесе, на складах и всё, что может повлиять на спрос, служат входными сигналами для модели. Тогда модель сможет, исходя из исторических данных, понять, как эти сигналы влияют на спрос, и, таким образом, скорректировать прогноз.

Это своего рода второй шаг в вашем моделировании, так как здесь есть множество вещей, о которых нужно помнить. Интересный нюанс в том, что бизнес-пользователи хотят использовать вашу модель для так называемого, в технических терминах, каузального вывода. Они хотят поиграть с параметрами, например: «Что будет, если мы проведем эту акцию или снизим уровни запасов? Что произойдет со спросом?» Это своего рода симуляция.

Чтобы это работало, нужно уделять моделированию куда больше внимания. Если делать так, как я объяснил, ваша модель легко может научиться таким эффектам, как: когда запасы низкие, спрос высок, просто потому, что какая‑то маркетинговая кампания, являющаяся истинной причиной, привела к снижению запасов и росту спроса. Это сбивает с толку. Это называется наличием смешивающего фактора или обратной каузальностью. Стандартная модель машинного обучения, не получающая всю необходимую информацию, совершит подобную ошибку.

Классический пример — когда вы пытаетесь предсказать, будет ли жаркая погода, опираясь на количество продаж мороженого. Конечно, это типичный пример обратной каузальности. Но, возможно, они снизили цену или запасы закончились, и это была настоящая причина. Возможны и многие другие варианты.

Но нужно быть осторожным. Это способ предоставить вашей модели больше информации о принятых решениях и убедиться, что она научится устанавливать между ними взаимосвязь. Однако самой модели будет довольно сложно освоить эти взаимосвязи, особенно если между ними происходит множество этапов, по которым у вас нет данных. Если вы даете прогноз, он не воспринимается напрямую для принятия решений в бизнесе. В него добавляется информация, вносятся изменения планировщиками, и вы в некоторой степени остаетесь в неведении. Это снова становится проблематичным и сложным.

Прежде чем мы углубимся в то, как мы фактически решаем новые задачи, возникающие при создании…

Nicole Zint: Машинное обучение — это более интеллектуальная модель, которая выдает решения и учится. Александр, как каждое решение влияет на бизнес, и как мы можем их сравнить, чтобы определить, какие решения следует принимать? Мы не просто хотим прогнозировать, но и понимать промежуточные этапы. Но прежде чем мы перейдем к этому, Йоаннес, мы уже упоминали модель нулевого прогнозирования, которая является важным понятием в данной модели машинного обучения. В чем разница между подходами к прогнозированию, которые мы применяем в Lokad? Помогают ли вероятностные прогнозы решить проблему нулевого прогнозирования и, как мы обсуждали, усугубить отклонения от нормы, превращающиеся в более крупные ошибки? Как вероятностное прогнозирование это меняет?

Joannes Vermorel: Вероятностное прогнозирование в этом отношении, а также в контексте обратной связи, является очень интересным. Причин для этого существует две совершенно разные. Первая заключается в том, что мы вводим понятие нечеткости, стремясь быть, по крайней мере, примерно правильными, а не абсолютно неверными.

Когда дело доходит до ситуаций с нулевыми прогнозами, например, происходит следующее: имея вероятностные прогнозы, вы признаете, что качество информации, которой вы располагаете, как правило, довольно размыто. У вас нет идеального представления о том, что происходит, и поэтому, с числовой точки зрения, намного сложнее прийти к абсолютной уверенности в том, что спрос действительно равен нулю. Дело не в том, что модель вероятностного прогнозирования настолько лучше, а в том, что распределение будет более растянутым и избежит блокировки на нулевом значении. Модель учитывает все вероятности для множества значений, и, если добавить к этому тот факт, что обычно наблюдается сильная асимметрия между возможностью обслужить заказ и оставлением одной дополнительной единицы на складе на еще один день, во многих ситуациях вы значительно склоняетесь к тому, чтобы оставить запас в виде одной дополнительной единицы на день, а не рисковать дефицитом. Компромисс рассчитан в большей степени на повышение уровня обслуживания.

Таким образом, результатом вероятностного прогнозирования становится ситуация, когда вероятности распределены по разным значениям. У вас нет единственного прогноза — вашего числового утверждения о будущем, которое могло бы быстро схлопнуться в вырожденное состояние, то есть просто заявить, что будущий спрос будет равен нулю. Это приведет к проблемам: если неизбежно будут повторяться случаи отсутствия запасов, вероятностное прогнозирование не является волшебной палочкой. Скорее всего, вы будете недооценивать фактический будущий спрос. Однако, вы, скорее всего, избежите ситуации, когда запасы застывают на нулевом уровне, поскольку продолжите оценивать, что существует ненулевая вероятность спроса в одну, две или три единицы. Это первый аргумент; он предотвращает одностороннее усиление.

Alexander Backus: Да, также важно учитывать, что особенно при наличии обратных связей ситуации крайне сложно полностью контролировать. Лучше иметь нечто, что не усиливается в одном направлении, как упомянул Йоаннес.

Nicole Zint: Притворяйтесь, что вы полностью владеете всем. Снова, речь не идет о движении планет. Феномены, при которых 30–60 процентов неточности — это ничего, знаете ли, не вызывают удивления.

Joannes Vermorel: Таким образом, мы говорим о том, что степень неточности в числовых прогнозах будущего очень высока. Вероятностное прогнозирование, по крайней мере, дает отражение этой огромной окружающей неопределенности. Опять же, мы пытаемся смоделировать людей, знайте: людей, способных реагировать. Это очень, очень сложно, и первое, что нужно признать, — вы не контролируете ситуацию. То есть эти люди — клиенты, поставщики, конкуренты — умны, они играют по своим правилам, занимаются множеством вещей. Было бы, я бы сказал, немного высокомерно утверждать, что вы можете совершенно точно смоделировать то, что произойдет. Это было бы основой для научно-фантастического романа Асимова, где можно иметь идеальную статистическую модель будущего крупных цивилизаций. Это чрезвычайно сложно и, скорее всего, нереалистично.

Joannes Vermorel: Вероятностное прогнозирование также представляет большой интерес по совершенно другой причине. Вторая причина заключается в том, что, в отличие от точечных прогнозов, где существует полная симметрия между прошлым и будущим — в точечном прогнозе у вас, по сути, одно измерение в день на SKU, например, продажи или спрос, — и когда вы проектируете будущее, у вас получается одно измерение в день на SKU. Таким образом, прогноз очень симметричен вашим наблюдениям в прошлом. Однако, когда вы переходите в область вероятностного прогнозирования, внезапно перед вами предстает распределение вероятностей или серия распределений вероятностей. И вот здесь возникает сильная асимметрия между прошлым и будущим. Внезапно будущее оказывается совершенно иным, чем прошлое. В прошлом у вас есть наблюдения, они уникальны, неопределенности либо нет, либо она ограничивается погрешностью самого измерения. Возможно, в записи о продажах есть опечатка, но по порядку величины она крайне мала. Это почти всегда можно принять в цепочке поставок как отсутствие неопределенности по сравнению с будущим, где неопределенность огромна, и вот это и есть ваши распределения вероятностей.

Joannes Vermorel: Итак, что очень интересно, и это подводит меня к петле обратной связи, так это то, что петля обратной связи представляет собой еще одно дополнительное измерение. Это способ обогатить прогноз, сделать его более устойчивым, но в весьма отличном от обычного смысле, потому что если вероятностное прогнозирование заключалось во введении вероятностей, то петля обратной связи превращает прогноз в функцию высшего порядка. Таким образом, по сути, ваш прогноз внезапно перестает быть результатом, даже не являясь распределением вероятностей; он становится механизмом, в который вы можете внедрить политику, своего рода реакцию, и вы получите иной результат. Так что видите, это становится чем-то таким, что вы просто знаете: если кто-то действует – и этот кто-то может быть даже вы сами в определённом смысле – это всё равно повлияет на прогноз.

Nicole Zint: Так, ситуация становится более динамичной и целостной, когда вы входите в сферу петель обратной связи. Можете ли вы объяснить, как это влияет на прогнозирование и почему оно становится более неуловимым?

Joannes Vermorel: Когда вы вступаете в сферу петель обратной связи, вы сталкиваетесь с чем-то динамичным, что требует наличия функционального компонента в основе, такого как политика. Эта политика определяет, как вы реагируете с точки зрения запасов, цен и различных факторов, которые представляют ваш прогноз. Прогноз становится более неуловимым, потому что это уже не простой объект. На него влияют эти петли обратной связи, и когда люди говорят «прогноз», они обычно представляют себе точечный прогноз. Когда мы говорим о прогнозах, основанных на политике, мы уже расширяем рамки того, что люди могут себе представить. Когда мы говорим, что это будут распределения вероятностей, становится гораздо сложнее визуализировать.

Например, тот факт, что ваши цены будут изменяться, чтобы поддерживать поток товаров в вашей цепочке поставок. Если компания скоро столкнется с масштабной нехваткой, самым естественным ответом будет постепенное повышение цены, чтобы нехватка была менее острой. И наоборот, если вы приближаетесь к ситуации с избытком запасов, естественным ответом будет снижение цены для увеличения спроса и ликвидации излишков. Прогноз о будущем в этих примерах зависит от вашей ценовой политики. Когда вы начинаете учитывать петли обратной связи, ваш прогноз становится условным, принимая во внимание политику, которая отчасти находится под вашим контролем.

Nicole Zint: Александр, согласны ли вы с сильными сторонами и отличиями, которые Йоаннес только что отметил в подходе вероятностного прогнозирования по сравнению с временными рядами?

Alexander Backus: Да, предоставление вашей модели доступа к предыдущим решениям, таким как ценообразование, может смягчить эту проблему. Йоаннес говорил о временных рядах и вероятностном прогнозировании в этом отношении. Однако у нас есть не только эффект, когда ваш прогноз влияет на будущие решения и тренировочные данные; существует также то, что называется частичной наблюдаемостью. Это означает, что вы наблюдаете только эффект принятого решения и не знаете, что могло бы произойти, если бы у вас было больше мощностей или запасов. Это контрфактический анализ. Задача состоит в том, чтобы создать модель, достаточно хорошую для точного прогнозирования влияния всех решений.

Это явление хорошо известно в системах рекомендаций для электронной коммерции и, можно сказать, встречается реже в цепочках поставок. Оно называется обратной связью бандита. Термин происходит от многоруких бандитов – игровых автоматов в казино, где вы видите только вознаграждение, которое получаете от автомата, или ту ручку, которую потянули.

Nicole Zint: И затем возникает тот же эффект, и система рекомендаций работает аналогично, потому что если вы показываете определённое рекламное объявление, вы не знаете, что могло бы произойти, если бы вы показали другое объявление клиенту. Для этого были разработаны специфические моделирующие подходы, а наивная схема контролируемого обучения, о которой я упоминала в начале, на самом деле оказывается недостаточной. Таким образом, она не хорошо предсказывает эффект действия. Вместо этого, вам следует переосмыслить задачу машинного обучения: модель не должна выдавать прогноз о будущем; она должна выдавать оптимальное решение. И, как мне кажется, именно на это намекал Йоаннес – это называется политика. Таким образом, вы обучаете модель, которая указывает, что вам следует делать. Это реклама, которую вы должны показывать, или, в контексте цепочки поставок, это товар, который вы должны переместить из A в B, это объём мощности, который вам следует зарезервировать. То есть, фактические факторы, которые непосредственно влияют на вашу цепочку поставок, а не сам прогноз, на основании которого вы самостоятельно принимаете решения, о которых машина не знает. Теоретически, вы могли бы полностью отказаться от прогнозирования и просто сказать: «Вот что вам нужно сделать».

Alexander Backus: Существуют специфические алгоритмы машинного обучения, а более широкая категория называется обучением с подкреплением. Это когда вы совершаете действие в реальном мире, наблюдаете его эффект, и должны рассматривать его с точки зрения вознаграждений, финансовых вознаграждений. Именно тогда вы получаете обратную связь и обновляете модель на основе этой обратной связи. Вы упомянули финансовые вознаграждения, поэтому, например, если вы принимаете решение заказать определённое количество товара, затем наблюдаете, как работает цепочка поставок, сколько денег поступает на счет, и эта информация снова поступает в систему, чтобы она понимала: «Когда мы приняли эти решения, вот какой получился результат», и так далее.

Joannes Vermorel: Да, такого рода финансовое подкрепление или финансовая цель может быть более сложной, учитывая затраты на хранение, упущенные возможности и тому подобное. Это можно подробно разбирать, или можем оставить как есть. Так вы оптимизируете именно это с помощью алгоритма обучения с подкреплением. Таким образом, вы напрямую обучаете политику, решения, которые вам следует принимать. То есть вы, в некотором роде, принимаете эту самоисполняющуюся пророческую природу, вместо того чтобы избегать её, как мы обсуждали в самом начале нашего разговора. То есть, это не ни хорошо, ни плохо; просто игнорировать это нельзя. И это способ обойти проблему – иметь модель, которая учитывает принятые решения и учится на основе их влияния, чтобы создавать все более лучшие решения.

Alexander Backus: Мы должны задуматься над последствиями этого, потому что это означает, что вы также должны иметь возможность экспериментировать. И это, в данной схеме, безусловно, представляет собой большую сложность, если модель должна учиться и наблюдать, что происходит, если она выполняет действие A или B.

Nicole Zint: Так почему же это, по сути, не применялось раньше, или разве это не применяется повсеместно?

Alexander Backus: Ну, это одна из причин. Кроме того, типичные алгоритмы обучения с подкреплением работают в режиме онлайн, то есть они совершают действие и затем учатся на основе полученной обратной связи по вознаграждениям. Это создаёт проблему в реальных условиях, где связано много рисков, и кроме того, у вас нет и кроме того, у вас нет Nicole Zint: У вас нет начального материала, чтобы запустить этот алгоритм и получить разумные результаты. Он запускается случайным образом. Или вам нужна очень хорошая симуляционная среда, как часто встречается в других схемах обучения с подкреплением, например, когда AlphaZero учится играть в шахматы в Google DeepMind. У них есть симуляция, то есть компьютерная симуляция, в которой этот алгоритм обучения с подкреплением может экспериментировать. Таким образом, вы по сути не жертвуете чужой цепочкой поставок.

Alexander Backus: Именно, вы не хотите использовать подопытных кроликов. Но это курица и яйцо в нашем случае, потому что тогда вам нужна очень точная модель реальности. А если она у вас есть, то проблема уже решена. Так что для этого сперва нужна цепочка поставок, а вы не хотите этого. Вам нужна модель вашей цепочки поставок. Если она у вас есть, обучение не потребуется, и вы уже сможете выявить возможности. Возвращаемся к началу.

Да, но в наши дни существует перспективное направление, когда обучение происходит на основе исторических данных. Это называется оффлайн-обучением с подкреплением, где вы, по сути, учитесь на основе ранее принятых решений. Хотя они не распределены так равномерно, как хотелось бы, всё же возможно обучать алгоритмы на основе ранее собранных реальных данных.

Nicole Zint: Как отправная точка?

Alexander Backus: Да, как отправная точка. А затем вы можете перейти к более онлайн-средам, не жертвуя своими запасами, или обучить его оффлайн, прежде чем выпускать порциями. Есть несколько вариантов, но у этого подхода есть свои проблемы. Йоаннес, каково ваше мнение по поводу того, что только что описал Александр: начать оффлайн, обучаясь на предыдущих данных, и затем, по сути, машина обходит проблему “курица и яйцо”, становится достаточно хорошей, чтобы применяться в реальной цепочке поставок, получает больше реальных данных для работы и продолжает развиваться? Каково ваше мнение?

Йоаннес Верморель: Эффективность использования данных почти всегда является проблемой для любого алгоритма машинного обучения в цепочке поставок, ведь у вас никогда не бывает роскоши иметь колоссальный объем данных, по крайней мере, не на том уровне детализации, на котором необходимо принимать решения. В решениях для цепочки поставок их обычно принимают на уровне SKU. И поскольку используется пакетная обработка, даже если мы рассматриваем SKU в магазине, это не будут миллионы единиц в день. А если мы рассматриваем SKU на фабрике, то там будут большие партии, например, по 10 000 единиц, и вновь — это не будут миллионы партий в день. Таким образом, объем релевантных наблюдений все еще относительно ограничен.

Это один из аспектов, который всегда представляет сложность для обучения с подкреплением, ведь у нас нет настолько большого количества данных. Симулятор представляет большой интерес, но это тоже был вопрос, который я кратко затрагивал в одной из моих лекций. По сути, существует двойственность между вероятностным прогнозом и симулятором. Если у вас есть вероятностный прогноз, вы всегда можете сэмплировать наблюдения, и таким образом получить симулятор из вашего вероятностного прогноза. А если у вас есть симулятор, вы можете просто запустить множество симуляций и вычислить соответствующие вероятности, и вы вернетесь к вашему вероятностному прогнозу. Таким образом, существует очень сильная двойственность.

Да, это интересно, но это зависит от наличия очень точного вероятностного прогноза, что является серьезной проблемой.

Nicole Zint: Частичная наблюдаемость — это особенно сложная задача, потому что если взять, например, набор данных, когда вы хотите исследовать колебания цен, компания могла работать определенным образом в течение последнего десятилетия, и изменения цен не происходили случайным образом; у них были устоявшиеся привычки. Например, иногда привычки настолько устойчивы, что создают проблемы при попытке понять, что же является реальной причиной происходящего.

Йоаннес Верморель: А что, если компания каждый год, в конце января, решает провести первые распродажи года? У них существует практика предоставления больших скидок на широкий ассортимент товаров в конце января, что вы увидите в виде всплеска спроса в конце месяца. Но каков эффект сезонности? Будет ли наблюдаться резкий рост спроса в конце месяца даже без скидок? И какова доля влияния, обусловленная исключительно скидками?

Alexander Backus: Вот в чем проблема. Решения принимались не случайным образом, и то, что вы наблюдаете, в значительной степени отражает действующие практики. Один из способов решения этой задачи в обучении с подкреплением — ввести смесь исследования и использования накопленных знаний. Использование накопленных знаний означает, что вы делаете все возможное на основе того, что уже наблюдали, а исследование — пробуете что-то новое, с ожиданием, что из-за частичной случайности это может быть менее эффективно.

Йоаннес Верморель: Так почему же вы когда-либо попробуете что-то, о чем знаете, что, скорее всего, окажется хуже? Ответ в том, что это единственный способ в конечном итоге обнаружить то, что окажется лучше. Это суть жертвенности — по сути, это инвестиция в научные исследования и разработки. И это может быть что-то, что не принимает совершенно банальных форм. Например, если вы находитесь в магазине и продаете свечи.

Alexander Backus: И вы понимаете: а что, если продавать те же свечи, но по цене, которая будет в четыре раза выше или в четыре раза ниже? Оба варианта могут быть жизнеспособными. Возможно, если вы оформите очень крупный оптовый заказ у одного из ваших поставщиков и значительно увеличите объем, вы сможете существенно снизить цену базового продукта. Я специально привожу пример со свечой, так что вы могли бы установить гораздо более низкую цену и, возможно, увеличить наблюдаемый спрос в 10 раз.

Йоаннес Верморель: Это был бы стоящий компромисс. Или же можно пойти по другому пути, полностью изменить направление и сказать: “Я выбираю что-то более премиальное, добавляю изюминку или аромат, улучшаю упаковку, и увеличиваю цену в четыре раза.” Вместо того чтобы иметь десятую часть прежнего спроса, я могу сохранить половину спроса, но за продукт с гораздо более высокой ценой.

Alexander Backus: Однако, если взглянуть на историю, то, скорее всего, наблюдаемые вариации были лишь незначительными отклонениями от базового уровня. Наша история не охватывает эти более экстравагантные, если можно так выразиться, сценарии.

Йоаннес Верморель: Да, и опять же, это может быть связано с тем, что если вы берете продукт и говорите: “Я выпускаю пять вариантов пяти разных цветов.”

Nicole Zint: Знаете, насколько велика степень каннибализации, которую я увижу, или я действительно захватываю новые рынки? Снова: если я беру свечи и заявляю, что собираюсь выпустить их в нескольких цветах, насколько эти разноцветные свечи будут конкурировать между собой и в каком объеме я действительно удовлетворю совершенно новый спрос?

Йоаннес Верморель: Я не знаю, и, возможно, этот рекордер даст мне некоторое представление об этом. Но в значительной степени, как правило, мы видим, что, пока компании начинают внедрять некую машинно-генерируемую случайность, этой случайности оказывается очень мало. Всё гораздо больше зависит от устоявшихся привычек. И опять же, всё сводится к тому, как эти компании работают. Когда, например, принимается решение о цене, это обычно не просто идея одного человека. Существует определенный метод, и людей обучают говорить: “В подобной ситуации следует снижать цену на продукт, потому что это стандартная практика и это имеет смысл.” Это приемлемо, но также означает, что большинство колебаний цен, которые вы наблюдаете в исторических данных, всегда следуют небольшому числу паттернов, обусловленных именно существующими методами.

Alexander Backus: Но, безусловно, это все же хорошая отправная точка. Ведь, как вы упомянули, что еще можно сделать? Либо жертвовать цепочкой поставок, либо создать великолепную симуляцию, и оба подхода основаны на том, что у вас есть хорошие данные. Но, как я уже говорил, если делать это оффлайн, то есть анализировать нашу существующую историю продаж или имеющиеся данные, даже если может случиться так, что мы не увидим огромного отклонения от нормы, чтобы наблюдать различные последствия, все же, по вашему мнению, это правильная отправная точка?

Йоаннес Верморель: Я считаю, что правильная отправная точка должна быть несколько иной. Сначала нужно признать, что обратные связи являются фундаментальными, когда они присутствуют. Если мы признаем, что эти обратные связи реальны и хотим с ними справиться, то это меняет саму парадигму нашего подхода к прогнозированию. Видите ли, это настоящая отправная точка. Остальное — технические детали. Существует множество моделей. Самые простые модели обучения с подкреплением, например, “бандиты”, могут быть невероятно простыми. Некоторые — чрезвычайно сложными, но это уже технические детали. То, что я наблюдал в реальных цепочках поставок, так это то, что самая большая сложность при переходе к использованию чего-то столь простого, как эти обратные связи, заключается в осознании того, что они действительно окажут глубокое влияние на сами прогнозы. Прогнозы уже никогда не будут такими, как прежде, и я не говорю о количественных изменениях. Я говорю о парадигме: вы не можете воспринимать эти прогнозы так же, как раньше. Это уже не тот же самый объект. Это нечто иного рода, и это очень сложно, потому что обычно ко мне поступает вопрос: “Станет ли мой прогноз более точным?” Одна из трудностей заключается в том, что как только мы начинаем учитывать обратные связи, как вообще измерить точность, когда они присутствуют? Это самостоятельный, весьма сложный вопрос.

Alexander Backus: Да, если я могу подхватить эту мысль, я думаю, мы обсуждали технические вызовы и проблемы с доступностью данных. Но я полностью согласен с Йоаннесом: главная причина, по которой это не применяется или не принимается в корпоративной среде, заключается также в том, что это оказывает глубокое влияние на бизнес-процессы. Так что, в этой теоретической обстановке…

Nicole Zint: Так, как вы думаете, кто является наиболее технологически продвинутыми игроками в сфере электронной коммерции?

Йоаннес Верморель: Тренд, как я считаю, таков: если говорить о действительно агрессивных технологически ориентированных игроках, это будут dd.com, Amazon.com, Alibaba.com. Знаете, те компании электронной коммерции, которые опережают своих конкурентов. Да, они действительно находятся на вершине. Они очень, очень эффективны.

Alexander Backus: Я с этим согласен. Эти компании определённо являются лидерами отрасли, когда речь идет о технологиях и инновациях.

Nicole Zint: Так что, за эти годы мир сильно изменился. Что вы думаете, Йоаннес, о мире, в котором мы живем сегодня?

Йоаннес Верморель: Ну, всё не так просто, как раньше. Мир всё еще развивается, но за последние пару лет нас ожидали множество сюрпризов. Очевидно, что мы не находимся в эпохе, когда всё предсказуемо. Мир хаотичен, и мы должны принять неопределенность и сложность человеческих, машинных и процессных аспектов в цепочках поставок. Мы не можем иметь полного контроля, поэтому я предпочитаю быть примерно правильным, чтобы охватить всё, а не быть абсолютно неверным.

Nicole Zint: Очень интересное мнение. А как насчет вас, Александр? Какой талант вы ищете при приеме новых сотрудников в свою команду?

Alexander Backus: В IKEA мы всегда ищем талантливых специалистов в области анализа данных, чтобы решать задачи в крупной корпорации. У нас много данных и потенциал для глобального влияния, поэтому нам нужно бросать вызов статус-кво.

Nicole Zint: Спасибо вам обоим за ваши идеи. Было приятно сегодня с вами пообщаться.

Йоаннес Верморель: Да, спасибо.

Alexander Backus: Спасибо, что пригласили меня.