00:00:07 Введение в тему машинного обучения в индустрии снабжения.
00:00:46 Введение гостя Александра Бэкуса, который является руководителем по данным и аналитике в IKEA.
00:02:20 Объяснение концепции самоисполняющегося пророчества.
00:03:03 Обсуждение того, как самоисполняющееся пророчество влияет на снабжение, такие как бизнес-цели и влияние спроса и предложения.
00:07:14 Объяснение того, как обратные связи в снабжении делают мир более сложным и как избыток определенного продукта может влиять на его продажи.
00:08:53 Обсуждение обратных связей в снабжении и влияния человеческого поведения на них.
00:10:41 Использование данных о продажах в прогнозировании спроса и потенциальные последствия использования наивного подхода.
00:13:08 Проблема нулевого прогнозирования в системах машинного обучения и эффект бычьего хлыста.
00:15:17 Объяснение эффекта отсутствия товара на складе и методов работы с ним.
00:17:22 Обсуждение распространенности отсутствия товара на складе и эффективности метода работы с эффектом отсутствия товара на складе.
00:18:15 Объяснение того, как восприятие клиента о продукте может влиять на спрос и влияние уровня запасов на продажи.
00:20:17 Объяснение маскировки потерь и ее цели.
00:20:26 Объяснение того, как предоставление модели доступа к уровню запасов может помочь ей понять влияние колебаний уровня запасов на продажи.
00:22:14 Обсуждение ограничений использования модели машинного обучения для причинно-следственного вывода и эффектов факторов путаницы.
00:25:54 Объяснение того, как вероятностное прогнозирование может помочь снизить влияние нулевого прогнозирования, признавая “неопределенность” доступной информации.
00:27:04 Объяснение преимуществ использования модели вероятностного прогнозирования.
00:28:44 Преимущества использования 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 частичной наблюдаемости и ее сложности в создании модели управления цепочкой поставок.
00:37:04 Сравнение с концепцией обратной связи бандита и ее широко известным применением в системах рекомендаций электронной коммерции.
00:37:17 Обсуждение ограничений обучения с учителем в прогнозировании влияния решений в управлении цепочкой поставок.
00:38:01 Объяснение алгоритма обучения с подкреплением на основе политики.
00:41:06 Обсуждение проблем при применении алгоритма обучения с подкреплением к управлению цепочкой поставок в реальном мире и решение, начиная с оффлайн-обучения на основе исторических данных.
00:44:55 Обсуждение того, как привычки и прошлые практики влияют на движение цен в компании.
00:46:41 Объяснение эксплуатации и исследования в обучении с подкреплением.
00:50:57 Необходимость признания обратных связей в прогнозировании как изменения парадигмы.
00:52:45 Технические и культурные проблемы внедрения искусственного интеллекта в бизнес-процессы.
00:53:57 Обсуждение проблем моделирования и принятия решений в отрасли цепочки поставок.
00:54:55 Признание существования обратных связей в процессе цепочки поставок.
00:55:06 Переход к подходу, основанному на принятии решений, а не на прогнозировании.
00:57:27 Тенденции в отрасли цепочки поставок, особенно среди крупных компаний электронной коммерции.
01:01:03 Какие качества ищутся при привлечении новых сотрудников для работы над проблемами цепочки поставок в IKEA.
Резюме
В интервью, ведущим которого была Николь Зинт, Йоанн Верморель, основатель компании Lokad, и Александр Бакус, руководитель отдела данных и аналитики в IKEA, обсуждают применение машинного обучения и искусственного интеллекта в отрасли цепочки поставок. В интервью подчеркивается влияние самоисполняющихся пророчеств и обратных связей на управление цепочкой поставок и подчеркиваются проблемы использования моделей машинного обучения в прогнозировании. В интервью также рассматриваются подходы к избеганию проблемы нулевого прогнозирования, такие как использование вероятностного прогнозирования, и важность признания неопределенности в прогнозировании цепочки поставок. Участники панели подчеркивают необходимость принятия неопределенности, перехода к моделям принятия решений и постепенного внедрения изменений для улучшения управления цепочкой поставок.
Расширенное резюме
В этом интервью Николь Зинт модерирует обсуждение между Йоанном Верморелем, основателем компании Lokad, и Александром Бакусом, руководителем отдела данных и аналитики в IKEA, о применении машинного обучения и искусственного интеллекта в отрасли цепочки поставок. Они обсуждают концепцию самоисполняющегося пророчества и его потенциальное влияние на цепочки поставок, роль обратных связей и проблемы использования моделей машинного обучения в прогнозировании.
Самоисполняющееся пророчество - это прогноз, который прямо или косвенно приводит к своему собственному осуществлению из-за обратной связи между верой и поведением. В управлении цепочкой поставок прогнозы могут влиять на процессы принятия решений и в конечном итоге изменять будущее. Верморель указывает, что самоисполняющиеся пророчества не являются по своей сути хорошими или плохими; они просто делают ситуацию более сложной.
Обратные связи распространены в цепочках поставок, так как люди реагируют на прогнозы, которые в свою очередь могут повлиять на будущие предсказания. Верморель подчеркивает, как эти циклы могут проявляться различными способами, например, путем корректировки цен или размещения продуктов на основе уровней запасов. Он также отмечает, что конкуренты могут изменять свои стратегии в ответ на прогнозы компании, создавая дополнительные обратные связи.
Бакус объясняет, что данные о продажах являются ключевым входом для моделей машинного обучения в прогнозировании, но продажи не являются тем же самым, что и спрос. Данные о продажах могут быть подвержены влиянию предложения и других факторов, в то время как спрос - это ненаблюдаемая величина, которую необходимо выводить. Он подчеркивает важность различия между ними и учета их взаимодействия в процессе прогнозирования.
Модели машинного обучения могут вызывать проблемы в прогнозировании цепи поставок, если они не предусматривают обратные связи и самоисполняющиеся пророчества. Бакус упоминает “эффект бича”, когда небольшие отклонения в цепи поставок могут быть усилены системой. Это может привести к негативным последствиям, таким как спиральные продажи или неточные прогнозы. Он сравнивает прогнозирование погоды, которое не зависит от человеческого поведения, с прогнозированием бизнес-результатов, которые подвержены этим сложным обратным связям.
Чтобы смягчить проблемы, вызванные обратными связями и самоисполняющимися пророчествами, Верморель предлагает компаниям принять сложность систем цепи поставок и признать, что точечные прогнозы могут быть недостаточными. Вместо этого они должны стремиться понять и предвидеть потенциальные последствия своих прогнозов на человеческое поведение и процессы принятия решений.
В итоге интервью исследует тонкости использования машинного обучения и искусственного интеллекта в управлении цепями поставок, подчеркивая важность понимания самоисполняющихся пророчеств и обратных связей для улучшения точности прогнозирования и принятия решений.
Проблема нулевого прогнозирования возникает, когда система заказывает меньше товара из-за воспринимаемого снижения спроса, что приводит к дальнейшему снижению спроса и непрерывному снижению заказов. Чтобы избежать этой проблемы, Верморель предлагает устранить дефицит товара путем изменения метрики, используемой в модели прогнозирования. Один из подходов - обнулить измерения в дни с дефицитом товара. Этот метод хорошо работает, когда дефициты товара относительно редки, но менее эффективен в отраслях с высоким уровнем дефицита товара.
Другой подход - предоставить модели машинного обучения доступ к историческим и будущим данным о запасах, позволяя ей изучить влияние колебаний уровня запасов на будущие продажи или спрос. Для этого метода требуется вводить все решения и факторы, влияющие на спрос, такие как промоакции, ценообразование, ограничения на складе, логистика третьей стороны и рыночные силы, в модель прогнозирования.
Однако Бакус предупреждает, что использование стандартной модели машинного обучения без всей необходимой информации может привести к ошибкам, таким как путаница между причиной и следствием изменений уровня запасов и колебаний спроса. Чтобы избежать этих проблем, он предлагает использовать вероятностное прогнозирование, которое признает неопределенность доступной информации и избегает сходства на абсолютную уверенность в нулевом спросе.
Вероятностное прогнозирование распределяет вероятности по многим значениям, что делает более сложным сходство на абсолютную уверенность в нулевом спросе. Этот подход избегает замораживания запасов на нуле, оценивая ненулевые вероятности будущего спроса. Он также учитывает асимметрию между обслуживанием клиента и сохранением дополнительного запаса на дополнительный день, отдавая предпочтение более высоким уровням обслуживания.
Несмотря на свои преимущества, вероятностное прогнозирование не является идеальным решением. Оно все равно может недооценивать будущий спрос в случае повторных дефицитов товара. Однако оно предоставляет более надежный метод управления запасами и избегания проблемы нулевого прогнозирования.
В заключение, применение методов машинного обучения и вероятностного прогнозирования может помочь специалистам по управлению цепями поставок лучше предсказывать спрос и уровни управления запасами. Учитывая различные факторы, влияющие на спрос, и учитывая неопределенности в доступных данных, бизнесы могут принимать более обоснованные решения и улучшать эффективность своих цепей поставок.
Жоанн Верморель подчеркнул важность признания неопределенности в прогнозировании цепей поставок, поскольку идеальное моделирование будущих событий нереалистично. Он обсудил концепцию вероятностного прогнозирования, которое отражает врожденную неопределенность событий в цепи поставок, и как оно отличается от точечных прогнозов. Он объяснил, что вероятностные прогнозы включают в себя вероятностные распределения, что делает будущее сильно отличающимся от прошлого. Он также затронул обратные связи как дополнительное измерение, обогащающее прогнозы, делая их динамическими и условными в зависимости от будущего поведения.
Александр Бакус согласился с аргументами Вермореля и разъяснил, как предоставление моделям доступа к предыдущим решениям, таким как ценообразование, может устранить проблемы с прогнозированием. Он представил концепцию частичной наблюдаемости, которая предполагает наблюдение только за эффектом решения, не зная контрфактического результата. Чтобы лучше предсказывать влияние решений, Бакус предложил переформулировать задачи машинного обучения для вывода оптимальных решений вместо прогнозов о будущем. Этот подход называется обучением с подкреплением.
Разговор вращается вокруг проблем прогнозирования и принятия решений в управлении цепями поставок из-за обратных связей, ограниченных данных и нерандомных решений. Они подчеркивают необходимость принятия этих обратных связей и перехода к модели, которая выводит решения, а не прогнозы. Тенденция среди компаний, ориентированных на технологии, таких как Amazon и Alibaba, заключается в отказе от идеи идеального прогноза и сосредоточении на принятии решений. Несмотря на существующие проблемы, участники панели согласны, что отрасль должна работать над внедрением этих изменений поэтапно для улучшения управления цепями поставок.
Верморель подчеркивает важность признания неопределенности и неустранимой сложности цепей поставок, состоящих из людей, машин и процессов. Он выступает за приближенную правильность вместо точной неправильности. Бакус подчеркивает необходимость наличия высококвалифицированных специалистов по науке о данных для решения проблем в крупных корпорациях, таких как IKEA, подчеркивая потенциал глобального влияния и важность вызова установленного порядка вещей.
Полный текст
Николь Зинт: Добро пожаловать, Александр Бакус, сегодня у нас в офисе. Александр является экспертом в этой области и является руководителем по данным и аналитике в IKEA. Итак, как всегда, мы хотели бы начать с того, чтобы позволить нашим гостям представить себя. Александр, если хотите, слово за вами.
Александр Бакус: Спасибо, Николь. Спасибо, что пригласили меня сюда. Очень приятно быть здесь в Париже с вами. Меня зовут Александр Бакус, и я руковожу аналитикой данных в области планирования операций по запасам и логистике в IKEA Inka Group Digital. Я управляю группой дата-сайентистов, инженеров данных и аналитиков данных, работающих в кросс-функциональных продуктовых командах с миссией оптимизации планирования операций по запасам и логистике. У меня есть опыт работы в области науки о данных, и я работал в качестве консультанта для крупных компаний, таких как KLM Airlines, Heineken, Vodafone Ziggo и ING Bank. После обучения в области когнитивной нейронауки я понял, что работа в сфере управления цепями поставок в качестве специалиста по данным - это действительно захватывающая область, потому что она объединяет множество благоприятных условий для науки о данных. Здесь много данных, есть влияние на принятие решений в реальном мире, поэтому это что-то осязаемое, и вы влияете не только на финансовый результат, но и помогаете создать более устойчивый мир, уменьшая отходы в цепи поставок. Вот как я оказался здесь.
Николь Зинт: Прежде чем мы углубимся в эти темы, давайте сначала объясним концепцию, которую мы будем обсуждать. Давайте начнем: что такое самосовершающееся пророчество?
Александр Бакус: Идея заключается в том, что прогноз, который вы делаете для оптимизации вашего бизнес-процесса, фактически влияет на определенный процесс принятия решений. Принимается решение на основе вашего прогноза, по крайней мере, так вы хотите. Когда это происходит, это означает, что сам прогноз меняет будущее и также изменяет данные, которые используются для прогнозирования в следующий раз. Это может вызывать определенные проблемы. По сути, самосовершающееся пророчество - это когда предсказание происходит потому, что оно было предсказано. Таким образом, вы влияете на будущее, потому что думали, что оно будет определенным образом. Вы влияете не только на будущее, но и создаете реальность, где прогноз становится правдой, и это может происходить разными способами. Например, если у вас есть прогноз вашего бизнеса или продаж, то это может стать целью для вашего бизнеса.
Николь Зинт: Таким образом, маркетологи принимают определенные решения, они говорят: хорошо, нам нужно достичь этой цели, потому что мы немного низкие сейчас, поэтому нам нужно продать немного больше и провести некоторые акции. Таким образом, прогноз, который вы сделали, стал целью, которая привела к принятию решений по пути, что влияет на конечный результат продаж в этом примере. И это может происходить разными способами. Еще один пример - это когда у вас есть определенный прогноз, который обеспечивает определенную мощность доставки или мощность сборки на ваших складах, и это влияет на срок поставки. Таким образом, когда клиент смотрит на ваш сайт электронной коммерции и видит, что срок поставки очень высокий или очень низкий, это может повлиять на спрос со стороны клиентов.
Александр Бакус: Именно так, спрос влияет на предложение, и предложение влияет на спрос. Это может происходить в обоих направлениях, и это именно тот эффект, на который вы намекаете, Йоаннес. Когда речь идет о прогнозах, которые становятся бизнес-целями, как вы видите, что это влияет на сам бизнес? Какие недостатки возникают, когда прогноз - это то, чего люди стремятся достичь, а не фактический анализ производительности цепочки поставок?
Йоаннес Верморель: Здесь нет недостатков как таковых. Это скорее вопрос того, что так работает цепочка поставок. Вы знаете, обратные связи повсюду. Мы имеем дело с ситуациями, где то, что удивляет практиков, заключается в том, что во многих инженерных школах и даже во многих компаниях люди подходят к прогнозированию, как к прогнозу движения планет, к чему-то, где у вас есть очень четкая структура, где у вас есть прошлое наблюдение, и вы можете сделать заявление о будущем положении планеты. Но вы, будучи прогнозистом, не оказываете никакого влияния на наблюдаемые элементы, такие как планеты.
Николь Зинт: Итак, вы хотите сказать, что самосовершающееся пророчество не обязательно хорошо или плохо, оно просто есть?
Йоаннес Верморель: Да, именно так. Вы не можете притворяться, что это не влияет, но оно, конечно, делает ситуацию более сложной и запутанной, на самом деле и то и другое. И вот где возникает некоторая путаница, многие компании испытывают трудности с тем, что не является точным прогнозом или точным прогнозом. Скажем, у вас есть одно будущее; это и есть. И это в основном то, что полностью симметрично прошлому. У вас есть прошлое наблюдение, и вы хотели бы иметь будущее, которое так же чисто и аккуратно, как прошлое, по сути, больше того же самого.
Николь Зинт: Да, больше того же самого, но также и по своей сути то же самое. Так что у вас есть абсолютно ясное видение прошлого и абсолютно ясное видение будущего. И, кстати, в случае движения планет, пока вы не смотрите миллионы лет вперед, вы можете иметь абсолютно точное представление о положении этих планет через столетие.
Жоанн Верморель: Теперь, где это становится интересным, это то, что в цепи поставок у вас есть обратные связи повсюду. Когда вы обязываете себя продуктом, покупая много, вы создаете ожидания, и люди чувствуют, что им нужно продать продукт, и они сделают все, чтобы компания не осталась с огромным избытком, который им не удалось реализовать. Они организуются так, чтобы этот огромный запас превратился в огромные продажи, или по крайней мере, они попытаются это сделать. Они корректируют цену в зависимости от того, сколько у них есть в наличии, или иногда делают даже более мелкие вещи. Если есть магазины, если вы
Николь Зинт: Немного в другом направлении, чтобы установить большую дифференциацию, вы видите эти обратные связи повсюду, и они не плохие. Они просто присутствуют, и снова основная причина в том, что посередине находятся люди, которые могут мыслить и действовать на основе этих улучшений о будущем. Так что каждый раз, когда в петле есть люди, каждый раз, когда вы делаете заявление о будущем, люди будут реагировать в соответствии с этими заявлениями. Цепи поставок очень сложны, поэтому эти реакции могут принимать множество форм. Но все цепи поставок имеют общее то, что в них много людей, и иногда, например, обратная связь также принимает форму объявления о нехватке чего-то. Тогда люди бросаются покупать это что-то, и поэтому вы можете иметь искусственную нехватку только из-за психологического эффекта.
Жоанн Верморель: Именно. И идея, что если вы объявите о нехватке, вы, скорее всего, вызовете нехватку, ничего нового. Это относительно предсказуемо, но тем не менее, сложно предвидеть все эти сигналы, потому что вдруг вам нужно быть идеальным. Да, и вдруг вам нужно моделировать, в некотором смысле, психику людей, которые находятся посередине цепи поставок.
Николь Зинт: Жоанн, вы продолжаете упоминать эти обратные связи. Александр, могу ли я спросить вас, какие фактические данные подаются в эти системы, чтобы наши зрители поняли? Так на каком этапе в цепи поставок мы подаем данные обратно?
Александр Бакус: Хороший вопрос. Я думаю, что одним очень важным источником для проведения любого прогнозирования являются ваши данные о продажах, и это также ключевые данные, которые подвержены эффектам, о которых мы только что говорили. Итак, если мы вернемся к тому, что объяснял Жоанн, наивный подход к прогнозированию спроса или бизнес-прогнозированию в целом заключается в том, что вы берете модель обучения с учителем и начинаете рассматривать ее как базовую задачу регрессии. Так что вы говорите: “Хорошо, я просто предскажу эту величину на основе исторических данных, используя алгоритм обучения с учителем”. И затем, если вы возьмете эту модель, которая обучена предсказывать будущие продажи, и теперь подумайте о примерах обратных связей, о которых мы говорили, здесь могут возникнуть неблагоприятные или дегенеративные случаи. Так что если ваша модель предсказывает низкий спрос или низкие продажи, будьте очень осторожны, чтобы не путать эти два понятия, но давайте на время игнорировать, что продажи - это не спрос.
И поэтому вы попадете в ситуацию, когда вы предсказываете низкие продажи, поэтому вы также планируете низкую мощность, и, следовательно, вы также продаете меньше, и затем вы будете идти вниз, пока не достигнете нуля. Так что модель начнет учиться тому, что спрос падает, но он падает. И она также может пойти в другую сторону, на самом деле. Так что она также может взлететь в этом смысле.
Жоанн Верморель: Да, есть эти неблагоприятные эффекты, если вы используете модель машинного обучения для изучения истории, чтобы предсказать будущее этим более наивным способом, который может совершенно ошибиться здесь.
Николь Зинт: Это немного напоминает эффект кнута в цепи поставок, когда ошибка в цепи поставок или отклонение от нормы просто усиливается системой. И вы также упомянули тот факт, что продажи не обязательно являются спросом, потому что вы можете продать 50 единиц своего товара, но если спрос был 100, то будет зарегистрировано только то, что ваши продажи составляют 50. Это различие фактически связано с сутью этой проблемы.
Александр Бэкус: Да, спрос сам по себе, конечно, является ненаблюдаемой величиной. Его нельзя измерить, поэтому вам нужно делать выводы. И данные о продажах наиболее близки к этому, но это определенно не все.
Николь Зинт: Итак, мы обсуждаем идею того, что прогнозы, созданные, могут влиять на спрос и продажи, создавая обратную связь. Некоторые описывают разницу между прогнозированием погоды и прогнозированием бизнеса, где прогнозирование погоды не влияет на нее, в то время как прогнозирование бизнеса может фактически повлиять на него. Александр, можете ли вы рассказать подробнее об этой обратной связи и как мы избегаем проблемы нулевого прогнозирования, о которой вы упомянули?
Александр Бэкус: Конечно. Когда модель машинного обучения учится на своих собственных выходных данных, она может усиливать отклонения от нормы. Например, если спрос немного снижается по какой-либо причине, модель может сообщить системе заказывать меньше. В результате спрос еще больше снижается, потому что заказывается меньше, и модель затем предлагает заказывать еще меньше, что приводит к проблеме нулевого прогнозирования. Эта проблема особенно распространена при прогнозировании временных рядов. Йоанн, как мы избегаем этой проблемы с системами машинного обучения?
Йоанн Верморель: Нулевой прогноз - это то, что вы получаете, когда не удаляете смещение отсутствия товара, которое может быть довольно сильным. Если у вас заканчивается товар, вы наблюдаете нулевые продажи, но это не означает, что нет спроса. У нас есть по крайней мере три техники, используемые в Локаде, чтобы справиться с смещением отсутствия товара. Одним из подходов является изменение метрики, на которую вы настраиваете свою модель прогнозирования. Вместо применения метрики равномерно во времени, вы обнуляете измерения в дни, когда у вас заканчивается товар. Это грубый подход, но он может работать.
Николь Зинт: Какая метрика обычно используется изначально, которую вы предлагаете изменить?
Йоанн Верморель: Существует тысячи метрик, но самые простые - это L1, L2 или даже MAPE. Вопрос в том, применяете ли вы метрику равномерно во времени. Ответ обычно отрицательный, вы не хотите применять ее равномерно. Вы хотите обнулить измерения в дни, когда у вас заканчивается товар.
Николь Зинт: Итак, обнулить означает удалить вклад дня, когда был отсутствие товара?
Йоанн Верморель: Да, вы удаляете вклад дня, когда вы знаете, что ваш сигнал сильно искажен. Это хорошо работает, чтобы убрать этот сигнал, но это довольно грубый подход.
Николь Зинт: Не так, если у вас часто возникают ситуации отсутствия товара. Для многих бизнесов отсутствие товара статистически относительно редкое явление. У них есть уровень обслуживания 95% и выше, поэтому такой метод хорошо работает, если отсутствие товара является нечто исключительным, похожим на естественную катастрофу, которая происходит довольно редко.
Жоанн Верморель: Нет, я имею в виду, например, обычный магазин товаров широкого ассортимента, такой как супермаркет. У них каждый день уровень обслуживания составляет 95%, и это нормально. Но, например, в случае магазина товаров роскоши, это не сработает. В таком случае, магазин товаров роскоши, чтобы дать вам представление, обычно имеет, скажем, 500 товаров из каталога из 5000. Таким образом, по определению, у вас всегда будет отсутствие товара на уровне 90% и выше. В этом случае это не имеет особого смысла. Как видите, все зависит от отрасли. Есть отрасли, например, пищевая промышленность, где ожидается очень высокий уровень обслуживания. Ваш ассортимент ориентирован на то, что у вас должно быть. Например, если ваш супермаркет обычно продает упаковку бутылок газировки, вы должны быть уверены, что найдете эти товары в магазине. Иногда это может не произойти, но такие случаи будут редкими. Так что снова все зависит от отраслей, которые вы рассматриваете.
Николь Зинт: Хорошо, и, по сути, продажи могут отправить неверный сигнал о спросе, как вы объяснили. Если продажи равны нулю, можно быстро ошибочно предположить, что это означает нулевой спрос, но на самом деле это может быть потому, что у вас нет такого товара. Фактически, на этот товар может быть очень высокий спрос. И наоборот, если у вас отсутствует товар, который является хорошей заменой, то вы можете увидеть рост продаж товара, в то время как это просто отражает тот факт, что у вас заканчивается товар, который является свободной заменой. Тем не менее, восприятие клиента может быть таким, что это плохое обслуживание.
Жоанн Верморель: Да, потому что клиенты могут быть готовы принять замену, но они все равно могут считать ее худшим вариантом. Так что, снова, интересно то, что вы должны учитывать агента, клиентов и то, что они думают, и попытаться скорректировать моделирование спроса, чтобы учесть базовую логику мышления, которая будет присутствовать в вашей клиентской базе.
Николь Зинт: Как мы можем избежать этой проблемы нулевого прогнозирования, чтобы нулевые продажи не считались нулевым спросом?
Александр Бакус: Джиран упомянул, что просто не учитывать этот сигнал, чтобы избежать этих дней. В технических терминах это называется маскировкой потерь.
Жоанн Верморель: Да, вы просто удаляете вклад этой точки данных. Еще одна простая техника - дать модели доступ к историческим уровням запасов и, возможно, некоторым будущим прогнозам, чтобы вы могли понять, как эти продажи зависят от уровней запасов.
Александр Бакус: Модель может узнать, какое влияние определенных колебаний уровня запасов на будущие продажи или спрос, если вы это моделируете. По сути, это влияние принятых решений.
Жоанн Верморель: Да, это то, куда все хотят прийти, когда вы берете все решения, принятые на основе ваших предыдущих прогнозов, и подаете их в качестве входных данных в вашу модель прогнозирования.
Николь Зинт: Когда вы обучаете модель, это не только решения по запасам, которые влияют на уровни запасов, но это также могут быть маркетинговые решения, например, цель, установленная бизнесом. Они говорят: “Это то, сколько мы хотим продать”. Это само по себе решение, потому что у нас есть все эти рыночные силы.
Александр Бакус: Да, рыночные силы. Вы включаете все это в прогноз в качестве входных данных, такие как акции, данные о ценах и данные о мощности. Мощность также может влиять на спрос. Если сроки поставки взлетают вверх, люди идут и ищут альтернативы. По сути, все ограничения в бизнесе, склады и все, что может влиять на спрос, служат входными сигналами для вашей модели. Затем модель может узнать из истории, какое влияние этих сигналов на спрос и, следовательно, скорректировать его.
Это своего рода второй шаг в вашем моделировании, потому что здесь есть много вещей, о которых нужно быть осторожным. Интересным побочным шагом является то, что бизнес-пользователи хотят использовать вашу модель для того, что называется, в техническом смысле, причинным выводом. Они хотят настроить такие вещи, как “Что произойдет, если мы проведем эту акцию или снизим уровень запасов? Что произойдет с спросом?” Это похоже на симуляцию.
Для этого необходимо уделить гораздо больше внимания моделированию. Если вы делаете это так, как я объяснил, ваша модель может легко узнать эффекты, например, когда запасы низкие, спрос высокий, просто потому что какая-то маркетинговая кампания, которая является фактической причиной, снизила запасы и увеличила спрос. Это запутывает понятие. Это называется смешивающим фактором или обратной причинностью. Стандартная модель машинного обучения, не получившая всю необходимую информацию, сделает такую ошибку.
Классическим примером является попытка предсказать, будет ли жаркая погода. Вы можете предсказать это по количеству продаж мороженого. Конечно, это типичный пример обратной причинности. Но, возможно, они снизили цены или закончились товаром, и это была фактическая причина. Возможностей много.
Но нужно быть осторожным. Это способ начать давать вашей модели больше информации о принятых решениях и убедиться, что она учится, как связывать их. Однако самой модели будет довольно сложно научиться этим отношениям, особенно если между ними есть много шагов, о которых у вас нет данных. Если вы даете прогноз, это не означает, что кто-то в бизнесе примет его и примет на основе него решения. Будет добавлена информация, изменения, внесенные планировщиками в бизнес, и вы будете в некоторой степени слепы к этому. Это снова становится проблематичным и сложным.
Прежде чем мы углубимся в то, как мы фактически подходим к этим новым вызовам, связанным с созданием…
Николь Зинт: Машинное обучение - это более умная модель, которая выдает решения и учится. Александр, как каждое решение влияет на бизнес и как мы можем сравнить их, чтобы определить, какие решения мы должны принять? Мы не просто хотим делать прогнозы, но и понимать промежуточные шаги. Но прежде чем мы углубимся в это, Йоаннес, мы немного упомянули ранее эту модель нулевого прогнозирования, которая является важным концептом в этой модели машинного обучения. В чем разница в подходах к прогнозированию, которые мы используем в Lokad? Помогают ли вероятностные прогнозы решить проблему с нулевым прогнозированием и, как мы обсуждали, усиливаются ли эти отклонения от нормы, которые просто становятся большими ошибками? Как вероятностное прогнозирование меняет это?
Йоаннес Верморель: Вероятностное прогнозирование очень интересно с этой точки зрения и более обще для обратной связи. Есть две совершенно разные причины для этого. Первая - это идея введения понятия неопределенности, поэтому мы пытаемся быть хотя бы приблизительно правильными, а не абсолютно неправильными.
Когда речь идет о ситуациях с нулевыми прогнозами, например, то происходит так, что когда у вас есть вероятностные прогнозы, вы признаете, что качество информации, которую у вас есть, склонно быть довольно неопределенным. У вас нет идеального представления о том, что происходит, и поэтому будет гораздо сложнее, с числовой точки зрения, сойтись к абсолютной уверенности в том, что спрос действительно равен нулю. Так что дело не в том, что вероятностная модель прогнозирования намного лучше, просто она будет распределена и избежит застревания в этой нулевой позиции. Она учитывает все вероятности по многим значениям, и когда вы добавляете в эту смесь факт того, что обычно существуют сильные асимметрии между возможностью обслуживания или просто возможностью обслужить единицу и сохранить одну дополнительную единицу на складе на один дополнительный день, обычно во многих ситуациях вы очень заинтересованы в том, чтобы сохранить одну дополнительную единицу на один день, а не рисковать столкнуться с нехваткой товара. Компромисс очень сильно направлен на более высокие уровни обслуживания.
Таким образом, то, что вы получаете из вероятностных прогнозов, - это ситуация, в которой у вас есть распределенные вероятности. У вас нет вашего прогноза, который является вашим числовым утверждением о будущем, который просто быстро схлопывается к вырожденному состоянию, которое означает, что мы просто говорим, что будущий спрос будет равен нулю. Это вызовет проблемы, поэтому, если у вас повторяются ситуации с отсутствием товара на складе, вероятностный прогноз не является магией. Скорее всего, вы недооцените фактический будущий спрос. Однако, скорее всего, вы избежите замораживания запасов на нуле только потому, что все еще оцениваете, что существует ненулевая вероятность иметь одну или две или три единицы спроса. Это первый аргумент; он избегает усиления в одном направлении.
Александр Бакус: Да, также важно учитывать, что, особенно когда у нас есть обратные связи, ситуации очень сложно полностью контролировать. Лучше иметь что-то, что не усиливает движение в одном направлении, как упомянул Йоаннес.
Николь Зинт: Притворяйтесь, что вы полностью владеете всем. Опять же, речь идет не о движении планет. Явления, где 30-60 процентов неточности - это ничто, знаете ли, это ничто особенного.
Йоаннес Верморель: Таким образом, мы говорим о степени неточности в числовом утверждении о будущем, которая очень высока. Вероятностный прогноз по крайней мере дает что-то, что отражает эту огромную окружающую неопределенность, которая у нас есть. Опять же, мы пытаемся моделировать людей, знаете ли, людей, которые могут реагировать. Это очень, очень сложно, и первое, что следует признать, - это то, что вы не контролируете. Я имею в виду, эти люди - эти клиенты, эти поставщики, эти конкуренты - они умные, они играют свои собственные игры, знаете ли, они делают много всего. Было бы, я бы сказал, некоторой высокомерией утверждать, что вы можете идеально моделировать все, что произойдет. Это было бы основой научно-фантастического романа от Азимова, где вы можете иметь идеальную статистическую моделирование будущего больших цивилизаций. Это чрезвычайно сложно и, скорее всего, нереалистично.
Йоаннес Верморель: Вероятностный прогноз также представляет большой интерес по совершенно другой причине. Вторая причина заключается в том, что, в отличие от точечного прогноза, где между прошлым и будущим существует полная симметрия - с точечным прогнозом у вас есть по сути одно измерение в день на один артикул, это могут быть ваши продажи, например, или ваш спрос - и когда вы проецируете в будущее, вы получаете одно измерение в день на один артикул. Таким образом, прогноз очень симметричен с вашими прошлыми наблюдениями. Однако, когда вы переходите в область вероятностного прогнозирования, внезапно то, с чем вы имеете дело, - это вероятностное распределение или серия вероятностных распределений. Итак, у вас есть очень сильная асимметрия между прошлым и будущим. Внезапно будущее совершенно не похоже на прошлое. В прошлом у вас были наблюдения, они были уникальными, там нет неопределенности или, если есть, то это просто неопределенность самого измерения. Я имею в виду, в вашей записи о продажах может быть ошибка ввода данных, но в терминах порядка величины это очень, очень мало. Это почти всегда можно приблизительно считать в цепи поставок как отсутствие неопределенности по сравнению с будущим, где неопределенность огромна, и это ваши вероятностные распределения.
Йоаннес Верморель: Итак, что очень интересно, и это приводит меня к обратной связи, - это то, что обратная связь - это еще одно дополнительное измерение. Это способ обогатить прогноз и сделать его более надежным, но это совершенно иное, потому что если вероятностный прогноз заключается во введении вероятностей, то обратная связь заключается в том, чтобы сделать прогноз функцией более высокого порядка. Таким образом, ваш прогноз в основном не является результатом, даже не вероятностным распределением, это механизм, в котором вы можете внедрить политику, своего рода реакцию, и получить другой результат. Таким образом, вы видите, что это становится чем-то, где вы просто знаете, что если кто-то действует - и этот кто-то может быть даже вы самими в определенной степени - это все равно повлияет на прогноз.
Николь Зинт: Таким образом, ситуация становится более динамичной и всесторонней, когда вы переходите в область обратных связей. Можете ли вы объяснить, как это влияет на прогнозирование и как оно становится более неуловимым?
Жоанн Верморель: Когда вы переходите в область обратных связей, вы имеете дело с чем-то динамичным, которому требуется функциональный элемент в основе, например, политика. Эта политика определяет, как вы реагируете в терминах запасов, цены и различных факторов, которые представляют ваш прогноз. Прогноз становится более неуловимым, потому что он уже не является простым объектом. Он подвержен влиянию этих обратных связей, и когда люди говорят “прогноз”, они обычно думают о точечном прогнозе. Когда мы переходим к прогнозам политики, мы уже выходим за рамки того, о чем люди могут думать. Когда мы говорим о вероятностных распределениях, становится гораздо сложнее визуализировать.
Например, тот факт, что ваши цены будут изменяться, чтобы поддерживать поток товаров в вашей поставочной цепи. Если компания собирается столкнуться с огромным дефицитом, наиболее естественным ответом будет постепенное повышение цены, чтобы дефицит был менее серьезным. Напротив, если вы собираетесь столкнуться с огромным избыточным запасом, естественным ответом будет снижение цены для увеличения спроса и ликвидации избытка. Прогноз, который у вас есть о будущем, зависит от вашей ценовой политики в этих примерах. Когда вы начинаете думать о обратных связях, ваш прогноз становится условным, учитывая политику, которая в некоторой степени находится под вашим контролем.
Николь Зинт: Александр, вы согласны с теми преимуществами и различиями, которые только что описал Жоанн в отношении вероятностного подхода к прогнозированию по сравнению с временными рядами?
Александр Бакус: Да, предоставление вашей модели доступа к предыдущим решениям, например, к ценовой политике, может смягчить эту проблему. Жоанн говорил о временных рядах и вероятностном прогнозировании в этом отношении. Однако у нас есть не только эффект вашего прогноза, влияющего на будущие решения и обучающие данные; у нас также есть то, что называется частичной наблюдаемостью. Это означает, что вы наблюдаете только эффект принятого решения, и вы не знаете, что бы произошло, если бы у вас было больше мощности или больше запасов. Это контрфактическое. Задача состоит в создании модели, которая достаточно хорошо предсказывает влияние всех решений.
Это явление очень хорошо известно в системах рекомендаций электронной коммерции и, вероятно, менее известно в сфере поставок. Это называется обратной связью бандита. Термин происходит от многоруких бандитов, установки игровых автоматов в казино, где вы наблюдаете только вознаграждение, которое вы получаете от игрового автомата или какую руку вы тянете.
Николь Зинт: И затем эффект тот же самый, и система рекомендаций похожа на это, потому что если вы показываете определенную рекламу, вы не знаете, что бы произошло, если бы вы показали другую рекламу клиенту. Существуют специфические подходы к моделированию, которые хорошо подходят для этого, и наивная настройка обучения с учителем, о которой я говорила в начале, на самом деле не подходит для этого. Таким образом, она не подходит для прогнозирования эффекта действия. Вместо этого вы хотите переформулировать свою задачу машинного обучения, чтобы модель не выдавала прогноз о будущем; она должна выдавать оптимальное решение. И это то, о чем, я думаю, говорил Жоанн, это называется политика. Таким образом, вы обучаете модель, которая говорит, что вам следует делать. Это реклама, которую вы должны показать, или в контексте поставочной цепи - это запас, который вы должны переместить из А в В, это количество мощности, которое вы должны зарезервировать. Таким образом, это реальные вещи, которые непосредственно влияют на вашу поставочную цепь, а не прогноз сам по себе, на основе которого вы принимаете решения, о которых машина не знает, какие решения вы приняли. В теории вы могли бы полностью пропустить всю прогнозирование и просто сказать, что вам следует делать.
Александр Бакус: Существуют специфические алгоритмы машинного обучения, и более широкий класс на самом деле называется обучением с подкреплением. В этом случае вы предпринимаете действие в реальном мире, вы наблюдаете его эффект, и вы должны формулировать его в терминах вознаграждений, финансовых вознаграждений. И вот тогда вы получаете обратную связь и обновляете свою модель на основе этой обратной связи. Вы упомянули финансовые вознаграждения, так что это, например, если вы принимаете решение заказать столько запасов, а затем вы наблюдаете, как работает поставочная цепь, сколько денег поступило на счет, и это обратно подается в систему, чтобы она понимала, что когда мы принимали эти решения, это был результат, и так она продолжает работать.
Joannes Vermorel: Да, такой финансовый усилитель или финансовая цель может быть более сложным, учитывая стоимость хранения, упущенные возможности и так далее. Есть много, что можно было бы разработать на эту тему, или мы можем оставить это так. Именно это вы оптимизируете с помощью этого алгоритма обучения с подкреплением. Таким образом, вы напрямую изучаете политику, решения, которые вы должны принимать. Таким образом, вы более полно принимаете во внимание эту самоисполняющуюся пророчество, а не избегаете, о чем мы начали говорить в самом начале нашего обсуждения. Так что это не хорошо или плохо; его нельзя просто игнорировать. И это способ обойти это, чтобы иметь эту модель, которая учитывает решения и учится на основе влияния предыдущих решений, чтобы создавать все более и более лучшие решения.
Alexander Backus: Мы должны немного подумать о последствиях этого, потому что это означает, что вы также должны иметь возможность экспериментировать. И это, конечно, очень сложно в этой ситуации, если модель должна учиться и видеть, что происходит, если она делает A или B.
Nicole Zint: Так почему это раньше не было существенно применено, или это не применяется везде?
Alexander Backus: Ну, это одна из причин. И также типичные алгоритмы обучения с подкреплением обучаются в режиме онлайн, то есть они предпринимают действие, а затем учатся на основе обратной связи о вознаграждении, которую они получают от этого. Это проблематично в реальных условиях, где существует много рисков, и также у вас нет
Nicole Zint: У вас нет чего-то, чтобы запустить этот алгоритм, чтобы он выдавал разумные вещи с самого начала. Он начинается с случайной инициализации. Или вам нужна очень хорошая симуляционная среда, которую часто можно видеть в других настройках обучения с подкреплением, например, AlphaZero, обучение игре в шахматы от Google DeepMind. У них есть симуляция, поэтому у них есть компьютерная симуляция, где этот алгоритм обучения с подкреплением может попробовать разные варианты. Таким образом, вы в сущности не жертвуете чьей-то цепочкой поставок.
Alexander Backus: Именно так, вам не нужны пробные кролики. Но это яйцо и курица в нашем случае, потому что вам нужна очень точная модель реальности. И если у вас есть это, то вы уже решили проблему. Так что вам нужна цепочка поставок в первую очередь, чтобы сделать это, и вы не хотите этого делать. Вам нужна модель вашей цепочки поставок. Если у вас есть это, вам не нужно обучать, и вы уже сможете определить возможность. Вернемся к тому, с чего начали.
Да, но сейчас есть многообещающее направление, где вы учитесь на основе исторических данных. Это называется оффлайн обучение с подкреплением, где вы в основном учитесь на основе исторических решений, которые были приняты. Несмотря на то, что они не так хорошо распределены, как вы хотели бы, все равно возможно обучать алгоритмы на основе реальных данных, которые были собраны ранее.
Nicole Zint: Как отправная точка?
Alexander Backus: Да, как отправная точка. И оттуда вы можете перейти к более онлайн настройкам без жертвования вашими поставками или обучить его оффлайн, прежде чем выпустить его пакетами. Есть несколько вариантов, но это также имеет свои сложности. Что вы думаете об этом, Joannes, о том, что только что описал Alexander: начать оффлайн, учиться на основе предыдущих данных и, в сущности, машина обходит эту проблему яйца и курицы, становится достаточно хорошей, чтобы применяться к реальной цепочке поставок, следовательно, имеет больше реальных данных для работы и так далее? Как вы относитесь к этому?
Joannes Vermorel: Эффективность использования данных практически всегда является проблемой для любого алгоритма машинного обучения в цепочке поставок, потому что у вас никогда нет возможности иметь огромное количество данных, по крайней мере, не на том уровне детализации, на котором принимаются решения. В решениях цепочки поставок они должны приниматься обычно на уровне SKU. И из-за того, что происходит пакетирование, даже если мы смотрим на SKU в магазине, это не будет миллионы единиц в день. И если мы смотрим на SKU на фабрике, то будут большие партии, и это будет партиями, скажем, 10 000 единиц. И снова, это не будет миллионы партий в день. Так что количество соответствующих наблюдений все еще относительно ограничено.
Это один из аспектов, который всегда является вызовом для обучения с подкреплением, потому что у нас нет такого большого количества данных. Симулятор представляет особый интерес, но это также было кратко затронуто в одной из моих лекций. По сути, существует двойственность между вероятностным прогнозом и симулятором. Если у вас есть вероятностный прогноз, вы всегда можете получить симулятор из него, сэмплируя наблюдения. И если у вас есть симулятор, вы можете просто запустить много симуляций и вычислить соответствующие вероятности, и вы снова вернетесь к вероятностному прогнозу. Таким образом, существует очень сильная двойственность.
Да, это интересно, но это требует наличия очень точного вероятностного прогноза, что является очень сложной задачей.
Nicole Zint: Частичная наблюдаемость - это особенно сложная задача, потому что, когда вы берете набор данных, скажем, например, вы хотите исследовать движения цен. Компания могла работать определенным образом в течение последнего десятилетия, когда они не делали движения цен случайным образом; у них были очень сильные привычки. Например, иногда привычки настолько сильны, что возникают проблемы, когда дело доходит до определения фактической причины чего-либо.
Joannes Vermorel: Что, если компания каждый год в конце января решает провести первые новогодние распродажи? У них есть практика, когда они добавляют большие скидки на широкий ассортимент товаров в конце января, что вы будете наблюдать как всплеск спроса в конце месяца. Но каков эффект сезонности? Будут ли они наблюдать всплеск спроса в конце месяца даже без скидок? И какая доля влияния приходит только от скидок?
Alexander Backus: Вот в чем проблема. Решения не были приняты случайным образом, и то, что вы наблюдаете, в значительной степени отражает обычные практики. Один из способов решения этой проблемы в обучении с подкреплением - введение смеси исследования и эксплуатации. Эксплуатация - это использование лучшего из того, что вы наблюдали на основе того, что вы наблюдали, а исследование - это попытка чего-то нового, но с ожиданием того, что, поскольку это частично случайно, оно будет хуже.
Joannes Vermorel: Итак, почему бы вам не попробовать то, что, скорее всего, будет хуже? Ответ заключается в том, что это единственный способ в конечном итоге открыть что-то, что окажется превосходным. Это идея жертвования, по сути, это инвестиция в исследования и разработку. И это может быть нечто, что может принимать очень обыденные формы. Например, предположим, вы находитесь в магазине, вы продаете свечи.
Alexander Backus: И вы понимаете, а что, если вы попытаетесь продавать те же свечи, но по цене, в четыре раза выше или в четыре раза ниже? Оба варианта могут быть допустимыми. Возможно, если вы заключите очень большой заказ у одного из ваших поставщиков и значительно увеличите количество, вы сможете значительно снизить цену базового продукта. Я намеренно беру свечу в качестве примера, поэтому у вас может быть гораздо более низкая цена, и, возможно, вы увеличите спрос в 10 раз.
Joannes Vermorel: Это будет достойным компромиссом. Или пойти другим путем, полностью изменить свой путь и сказать: “Я собираюсь предложить что-то гораздо более премиальное, добавить аромат или запах, и что-то еще, лучшую упаковку и увеличить цену в четыре раза”. Вместо того, чтобы иметь десятую часть спроса, который у меня был раньше, у меня все еще есть половина спроса, но на продукт с гораздо более высокой ценой.
Alexander Backus: Однако, если мы посмотрим на историю, скорее всего, вариации, которые мы наблюдали, были всего лишь небольшими отклонениями по сравнению с базовым уровнем. Наша история не охватывает эти более сумасшедшие, если хотите, сценарии.
Joannes Vermorel: Да, и снова, это может быть связано с тем, что, если вы возьмете продукт и скажете: “Я предлагаю пять вариантов пяти разных цветов”.
Nicole Zint: Вы знаете, какая степень каннибализации будет наблюдаться, или я на самом деле касаюсь новых рынков? Опять же, если я возьму свечи и скажу, что собираюсь представить несколько цветов для свечей, в какой степени эти свечи разных цветов будут каннибализировать друг друга, и в какой степени я смогу удовлетворить совершенно новый спрос?
Joannes Vermorel: Я не знаю, и, возможно, этот рекордер даст мне некоторое представление об этом. Но в значительной степени то, что мы обычно видим, заключается в том, что, как только компании начинают вводить некоторую машинную случайность, случайность становится очень маленькой. Это скорее вопрос привычек. И снова, это также зависит от того, как эти компании работают. Когда, например, принимается решение о ценообразовании, это обычно не просто идея одного человека. Здесь есть метод, и люди были обучены говорить: “В такой ситуации вы должны снижать цену на продукт, потому что это обычная практика и это имеет смысл”. Это нормально, но это также означает, что большая часть вариации цен, которую вы наблюдаете в исторических данных, всегда следует небольшому числу шаблонов, которые являются методами, применяемыми в компании.
Alexander Backus: Но, конечно, это все равно хорошая отправная точка. Как вы упомянули, что еще можно сделать? Либо вы жертвуете цепочкой поставок, либо создаете отличную симуляцию, но это также основано на идее, что у вас есть хорошие данные для анализа. Но, как я уже упоминал, если мы делаем это офлайн, то мы смотрим на нашу существующую историю продаж или данные, которые у нас есть, даже если мы не видим этого огромного отклонения от нормы для наблюдения различных последствий этого, это все равно правильная отправная точка, по вашему мнению?
Joannes Vermorel: Я считаю, что правильная отправная точка немного отличается. Правильная отправная точка - это в первую очередь признание того, что когда у нас есть обратные связи, это фундаментально. Если мы признаем, что эти обратные связи реальны и мы хотим с ними бороться, это изменение парадигмы в подходе к прогнозированию самого по себе. Вот настоящая отправная точка. Все остальное - это технические детали. Существует множество моделей. Простейшие модели обучения с подкреплением, такие как бандиты, могут быть невероятно простыми. Некоторые из них невероятно сложны, но это технические детали. То, что я наблюдал в реальных цепях поставок, - это то, что самая большая проблема, чтобы начать принимать что-то такое простое, как эти обратные связи, - это признание того, что это действительно повлияет на сами прогнозы. Прогнозы никогда не будут одинаковыми, и я не говорю о количественном аспекте. Я говорю о парадигме, вы не можете смотреть на эти прогнозы таким же образом. Это уже не тот же объект. Это нечто другое, и это очень сложно, потому что обычно вопрос, который я получаю, звучит так: “Будет ли мой прогноз более точным?” Одна из проблем заключается в том, что, как только мы начинаем рассматривать эти обратные связи, как измерить точность, когда у вас есть обратные связи? Это отдельный вопрос. Это сложный вопрос.
Alexander Backus: Да, если я могу продолжить, я думаю, что мы обсуждали технические проблемы и проблемы доступности данных. Но я полностью согласен с Жоаннесом в том, что главная причина, по которой это не было применено или принято в корпоративных средах, заключается также в том, что это имеет глубокое влияние на ваш бизнес-процесс. Так что в этом теоретическом контексте…
Nicole Zint: Итак, кто, по вашему мнению, является самыми технологически продвинутыми игроками в индустрии электронной коммерции?
Joannes Vermorel: Тенденция, я считаю, если я посмотрю на самых агрессивных технологически продвинутых игроков, это dd.com, Amazon.com, Alibaba.com. Знаете, эти компании электронной коммерции, которые опережают своих конкурентов. Да, они действительно на вершине своей игры. Они очень, очень эффективны.
Alexander Backus: Я согласен с этим. Эти компании определенно являются лидерами в отрасли, когда речь идет о технологиях и инновациях.
Nicole Zint: Так мир сильно изменился за последние годы. Что вы думаете, Жоаннес, о мире, в котором мы живем сегодня?
Joannes Vermorel: Ну, это уже не так просто, как раньше. Мир все еще продвигается вперед, но за последние несколько лет у нас было много сюрпризов. Очевидно, что мы не находимся в конце истории, где все предсказуемо. Мир хаотичен, и нам приходится принимать неопределенность и сложность людей, машин и процессов в цепях поставок. Мы не можем иметь полный контроль, поэтому мой подход заключается в том, чтобы быть приблизительно правильным, чтобы охватить все, а не быть абсолютно неправильным.
Nicole Zint: Это действительно интересная точка зрения. А что насчет вас, Александр? Каких талантов вы ищете, когда привлекаете новых людей в свою команду?
Alexander Backus: В IKEA мы всегда ищем талантливых специалистов в области науки о данных, чтобы решать задачи в крупной корпорации. У нас есть много данных и потенциала для влияния на глобальном уровне, поэтому нам нужно вызывать сомнения в установленном порядке вещей.
Nicole Zint: Спасибо вам обоим за ваши идеи. Было приятно провести с вами время сегодня.
Joannes Vermorel: Да, спасибо.
Alexander Backus: Спасибо, что пригласили меня.
