00:00:00 Обсуждение важности прогнозирования и скептицизма.
00:00:40 Представление гостей: Джонатон Карелсе и Жоаннес Верморель.
00:01:37 Вдохновение для написания «Истории будущего» и важность постановки под вопрос методов прогнозирования.
00:05:49 Определение прогнозирования и его истоки в начале XX века.
00:08:53 Дискуссия о разумности продолжения серий измерений для предсказания будущего.
00:09:40 Классическая точка зрения на прогнозирование в 21 веке и её связь с временными рядами.
00:10:33 Перекалибровка мер успеха в прогнозировании и сосредоточенность на зарабатывании денег в бизнесе.
00:13:25 Ньютоновские принципы и детерминированный подход в прогнозировании и их влияние на экономическую мысль.
00:16:55 Европейские достижения в математике и статистике и их влияние на методы прогнозирования в Северной Америке.
00:18:25 Адаптация к присущей неточности прогнозирования и принятие идеи, что оно никогда не будет совершенно точным.
00:19:29 Проблема детерминированного прогнозирования и принятие вероятностных подходов.
00:20:36 Ранние мыслители об ИИ и их прогнозы относительно его возможностей.
00:21:55 Влияние поведенческой экономики на прогнозирование и классический подход.
00:23:00 Иррациональность людей и возникновение поведенческой экономики.
00:26:34 Эвристики, их эволюционные преимущества и недостатки в интерпретации данных.
00:28:55 Анализ человеческого поведения при принятии решений на основе данных.
00:29:37 Как обрамление данных в виде истории влияет на принятие решений.
00:31:13 Влияние организационных предвзятостей на прогнозирование.
00:33:00 Проблема чрезмерного оптимизма в прогнозировании промо-акций.
00:36:23 Применение разума поверх иррациональности и потенциал человеческого изобретательства.
00:38:53 Важность не чрезмерной зависимости от сложных моделей в операционных стратегиях.
00:39:48 Опасности «голых прогнозов» и необходимость реальных связей с бизнесом.
00:42:34 Как бюрократические процессы и цепочки поставок уязвимы к проблемам прогнозирования.
00:45:31 Поведенческая экономика и человеческие предвзятости в процессе прогнозирования.
00:47:53 Максимизация ценности человеческого суждения в прогнозировании посредством понимания предвзятостей.
00:48:39 Важность признания предвзятостей и их роли в прогнозировании.
00:50:40 Ограничения подхода временных рядов в прогнозировании.
00:52:00 Проблемы человеческого фактора в прогнозировании, выходящие за рамки предвзятостей.
00:54:53 Будущее развития ИИ и его роль в помощи или замене человеческих прогнозистов.
00:57:01 Важность человеческого изобретательства и умения задавать правильные вопросы.
00:58:47 Обсуждение числовых методик и роли человека в автоматизации.
01:01:58 Будущая автоматизация в управлении цепочками поставок.
01:04:11 Возможные темы для книги во втором издании.
01:05:22 Использование поведенческой экономики на совещаниях уровня C.
01:08:46 Ограничения прогнозирования в авиации и розничной торговле.
01:09:30 Сосредоточение на принятии решений и странная природа предиктивного моделирования.
01:10:27 Сравнение странности предсказаний будущего с квантовой механикой.
01:11:12 Совет Джонатона для специалистов по цепочкам поставок.
01:11:56 Заключение и благодарность гостям.
Резюме
В интервью Жоаннес Верморель, основатель компании Lokad, и Джонатон Карелсе, генеральный директор NorthFind Management, обсуждают важность понимания и постановки вопросов о цели прогнозирования в бизнесе. Они выступают за скептический подход, подчеркивая, что точность не должна быть единственным показателем успеха. Прогнозирование следует рассматривать как диагностический инструмент для выявления и устранения ошибок с целью непрерывного улучшения. Оба эксперта согласны с тем, что предвзятости могут влиять на прогнозирование, и бизнесу следует сосредоточиться на методах, которые имеют ощутимое воздействие. Они также обсуждают роль ИИ в оптимизации цепочек поставок, отмечая, что, хотя ИИ может помогать, человеческое изобретательство остается незаменимым.
Расширенное резюме
В этом интервью ведущий Конор Дохерти обсуждает прогнозирование с Жоаннесом Верморелем, основателем компании Lokad, и Джонатоном Карелсе, генеральным директором NorthFind Management. Карелсе объясняет, что его подход к прогнозированию основан на понимании его воздействия на бизнес. Многие организации проводят прогнозирование, потому что это «предписано», и часто не задаются вопросом, зачем они делают прогноз или можно ли улучшить процесс. Он подчеркивает важность здорового скептицизма и постоянного пересмотра практик для улучшения прогнозирования.
Карелсе делится вдохновением для своей книги «Истории будущего», которое возникло из его желания изучить исторический контекст прогнозирования и обоснованность некоторых принципов прогнозирования. Он ссылается на работы Бруно ЛаТура, который ставил под сомнение абсолютность научных принципов и настаивал на понимании исторического контекста их возникновения. Этот подход вдохновил Карелсе применить аналогичную перспективу к области прогнозирования.
Когда его просят определить, что такое прогнозирование, Карелсе говорит, что это, по сути, попытка предположить, как будет выглядеть будущее. Хотя догадка может стать более научной и обоснованной, важно не забывать, что прогнозирование в конечном счете основывается на неопределенности. Верморель добавляет, что классическая перспектива прогнозирования, зародившаяся в начале XX века, основывалась на временных рядах и расширении измерений во времени. Однако он считает, что в XXI веке продолжат появляться новые способы взгляда на будущее.
Карелсе подчеркивает, что точность прогнозирования не должна быть единственным показателем успеха. Вместо этого точность прогноза следует рассматривать как диагностический инструмент, который может помочь выявить коренные причины ошибок и неэффективностей, чтобы затем использовать их для перекалибровки и оптимизации с целью постоянного улучшения. Цель прогнозирования — зарабатывать деньги, и понимание конкретных потребностей и ожиданий бизнеса является ключом к эффективному использованию прогнозов.
Верморель соглашается с тем, что к прогнозированию не всегда подходили со скептицизмом. Ранние сторонники, такие как Роджер Бабсон, верили в абсолютную силу науки для предсказания и моделирования будущего. Однако и Карелсе, и Верморель выступают за более скептический подход, который ставит под сомнение общепринятые убеждения и стремится улучшить методы прогнозирования, приносящие пользу бизнесу.
Обсуждение начинается с краткой истории прогнозирования, в частности, с культурных и географических аспектов, сыгравших роль в его развитии. Затем разговор переходит к классическому подходу к прогнозированию, основанному на детерминированной философии, которая опирается на математические и научные принципы для получения точных выводов. Обсуждаются ограничения этого подхода, включая тот факт, что люди не всегда действуют рационально и что бессознательные предвзятости могут влиять на принятие решений. Вводится понятие эвристик, и обсуждаются их преимущества и недостатки. Также исследуется идея излишней уверенности, которая является предвестником обсуждения поведенческой экономики. Затем разговор смещается в сторону важности вероятностного прогнозирования и того, как оно может помочь организациям лучше понять ограничения своих прогнозов. Обсуждение завершается кратким упоминанием искусственного интеллекта и его потенциала в помощи при прогнозировании, а также необходимости признать, что существуют окончательные ограничения нашей способности все понять.
Проблема позитивного сдвига в прогнозировании, особенно в организациях, где существуют культурные и бизнес-ориентированные предвзятости в сторону роста и положительных результатов. Даже без явных предвзятостей исследования показывают, что люди в четыре раза чаще вносят положительные корректировки в прогноз, чем отрицательные. Эта предвзятость объясняется нашими эволюционными тенденциями к избегающему риски поведению и материализации потенциальных выгод.
Жоаннес Верморель поделился своим опытом работы с клиентами в розничной торговле, где преобладала предвзятость в сторону позитивного эффекта от промоакций, что приводило к бессмысленным прогнозам. Его решение заключалось в том, чтобы рассматривать прогнозирование как один из многих инструментов, а не как основной метод. Это означает использование только таких числовых техник, которые обеспечивают ощутимое влияние на бизнес, например, производство чего-либо, перемещение чего-то из точки A в точку B или использование данных, которые напрямую связаны с чем-либо ощутимым. Верморель настаивал на необходимости рассматривать прогнозирование как один из многих методов и избегать голых прогнозов, не связанного с чем-либо материальным.
Джонатон Карелсе внес свой вклад в обсуждение, добавив, что все модели ошибочны, но некоторые из них полезны, и конечная цель — стремиться к простоте и правильному выбору модели. Он также предостерег от чрезмерного контроля над прогнозами, так как это тратит время, когда точность прогноза на горизонте в семь или восемь месяцев уже является плачевной. Он предложил использовать безграничный потенциал изобретательности в конкретных применениях, где вероятность положительного эффекта наибольшая, как путь к успеху.
В итоге они пришли к выводу, что прогнозирование — это всего лишь один из многих методов, а не единственный способ взгляда в будущее. Они согласились, что лучшее понимание поведенческой экономики внутри организации может улучшить прогнозирование. Признавая предвзятости, которые могут влиять на прогнозы, организации могут избежать бессмысленных прогнозов и сосредоточиться на методиках, позволяющих оказать ощутимое влияние на бизнес.
Обсуждение вращается вокруг использования ИИ и прогнозирования в оптимизации цепочек поставок. Они исследуют источники и степень предвзятости в человеческом суждении и то, как это влияет на процесс. Верморель утверждает, что внимание следует уделять разработке числовых алгоритмов, работающих в масштабах и генерирующих разумные решения. Он заявляет, что такие алгоритмы должны быть полностью автоматизированы в повседневном исполнении, в то время как людям следует сосредоточиться на долгосрочных решениях, требующих большей умственной отдачи. Карелсе соглашается с тем, что ИИ может помогать людям в прогнозировании, но не заменить их, и что человеческое изобретательство по-прежнему необходимо для постановки интересных и важных вопросов, на которые ИИ может ответить. Обсуждение завершается надеждой Карелсе, что организации смогут сбалансировать потенциальные выгоды от человеческих инсайтов с уязвимостью, присущей каждому из нас из-за несовершенства работы нашего разума.
Будущее оптимизации цепочек поставок. Верморель выразил убеждение, что с использованием лучших инструментов и методик большие команды в управлении цепочками поставок могут стать излишними, и описал свой опыт наблюдения, как люди продолжают делать вещи, которые явно не рациональны, несмотря на доказательства обратного. Карелсе согласился с Верморелем и добавил, что он использует поведенческую экономику для помощи руководителям уровня C в понимании, почему их процессы несовершенны и как измерить их бизнес-ценность. Верморель считает, что сосредоточение на предиктивном моделировании в управлении цепочками поставок станет все более странным, а Карелсе рекомендовал, чтобы практики никогда не удовлетворялись простым знанием, а всегда задавались вопросом «почему». Интервью завершилось рекомендацией книги Вермореля, а оба гостя поблагодарили Дохерти за его время.
Полная расшифровка
Конор Дохерти: Добро пожаловать в шоу. Я ваш ведущий, Конор. Сегодня со мной Жоаннес Верморель, сооснователь компании Lokad, и у нас сегодня специальный гость — Джонатон Карелсе, генеральный директор и сооснователь NorthFind Management. Он является опубликованным исследователем в области бессознательных предубеждений и написал эту замечательную книгу «Истории будущего». Джонатан, большое спасибо, что присоединились к нам.
Джонатон Карелсе: Спасибо, что пригласили меня.
Конор Дохерти: Верно, Джонатан, надеюсь, вы готовы к потоку лести, потому что я действительно прочитал книгу. Она мне очень понравилась. Думаю, я могу быть вашей целевой аудиторией, ведь я грамотен, и у меня также есть интерес к таким темам, как экономика, бизнес, поведенческая экономика. Но формального образования в этой области у меня нет; мой опыт, как мы уже обсуждали, — это музыка и философия. Так что я на самом деле многому научился, изучая историю прогнозирования. У вас очень приятный тон, книга легко читается, поэтому большое спасибо. Итак, начнем с начала. Какое именно вдохновение стало поводом для написания книги о последних 100 годах прогнозирования?
Джонатон Карелсе: Ну, мой подход к прогнозированию всегда заключался в понимании того, что действительно влияет на бизнес, и это может показаться очевидным. Но во многих организациях прогнозирование проводится потому, что так принято, и не задумываются о том, зачем оно вообще нужно. В результате многие устоявшиеся представления передаются из поколения в поколение, и люди просто выполняют шаблонный процесс прогнозирования, не понимая по-настоящему, какие элементы процесса оказывают положительное влияние на бизнес. Можно ли что-то сделать для его улучшения и, что самое главное, зачем?
Вопрос “почему” – это то, что, думаю, я сам себя не назвал бы чистым контркультурщиком, но считаю, что всегда полезно иметь немного здорового цинизма или скептицизма. Я часто задавался вопросом «почему», и книга, которая действительно произвела на меня впечатление, когда я изучал экономику, была написана Бруно ЛаТуром. Он из семьи ЛаТур. По сути, он – чёрная овца в семье, потому что не занимается виноделием, но у Бруно ЛаТура есть докторская степень по эпистемологии из Le Cole de Mine, который, для знакомых с ним, не так уж плохой университет. Он провёл много времени, исследуя способы обучения и получения знаний, и написал книгу под названием “Science in Action.”
Эта книга “Science in Action” рассматривает некоторые из основ науки, скрытых за “чёрным ящиком”, такие как двойная спираль ДНК, и возвращает нас к тому времени, когда эти вещи ещё не стали фактами, когда их еще не заперли в чёрном ящике, и помогает понять исторический контекст, в котором они появились. Делая это, он на самом деле показывает, что многие из этих научных истин менее точны, чем нам кажется. Это удобно
Конор Дохерти: Итак, когда вы употребляете термин прогнозирование, что именно вы имеете в виду?
Джонатан Карелсе: Это отличный вопрос. По сути, прогнозирование – это предположение о том, как будет выглядеть будущее. Это предположение может стать более научным и опираться на принципы неопределённости, но в конечном итоге, мы всего лишь предполагаем. Важно не забывать об этом факте, поскольку оно основано на неопределённости.
Конор Дохерти: Это интересное замечание. А Йоханнес, один из основополагающих принципов Lokad – принятие неопределённости, верно?
Йоаннес Верморель: Да, но чтобы ответить на вопрос о прогнозировании, я считаю, что существует классическая перспектива прогнозирования, которая берёт своё начало с начала XX века и была популяризирована такими людьми, как Роджер Бабсон и Ирвинг Фишер. Эта перспектива рассматривает прогнозирование через временные ряды. У вас есть измерения, проводимые с течением времени, такие как объём произведённой стали или количество собранного картофеля. В итоге вы получаете последовательность измерений, которую можно представить в виде временного ряда. Очевидное решение – продлить кривую и посмотреть, куда она дальше пойдёт. Это и есть суть классической перспективы прогнозирования, возникшей в начале XX века. Однако это лишь один из способов взглянуть на дело.
Настоящий вопрос в том, имеет ли смысл подходить к будущему, просто продолжая ряд измерений. Это не обязательно неверно, но это субъективный способ взгляда на будущее. Такой подход был очень характерен для XX века, когда методы постоянно развивались и совершенствовались на протяжении всего века. Однако, вероятно, в XXI веке появятся новые способы взгляда в будущее, некоторые из которых могут оказаться гораздо страннее классического подхода.
Конор Дохерти: Йоханнес, касательно классического подхода к прогнозированию, я хочу передать слово Джонатану. То, что пронизывает всю вашу работу, — это пересмотр того, как люди измеряют успех прогноза. Ваша теза, по-видимому, заключается в том, что дело не в точности прогноза как таковой. Не могли бы вы подробнее рассказать об этом?
Джонатан Карелсе: Я надеюсь, что мы продолжим обсуждение идеи классического подхода против различных философий прогнозирования в будущем. Но пока меня поражает одно: люди часто говорят о том, что они знают, что прогноз всегда будет ошибочным, как будто это их “пропуск от ответственности”. Они говорят: “Вы просите меня сделать прогноз. Я сделаю всё, что в моих силах, но прогноз всегда будет ошибочным, так что не вини меня, когда это случится.”
Конор Дохерти: …но затем они всё равно настраивают операционные, а также финансовые стратегии, надеясь на высокоточный прогноз. Поэтому я хочу быть предельно ясным, ведь на прошлой неделе я говорил об этом на нескольких конференциях в Амстердаме, и у меня были очень недовольные люди, особенно поставщики программного обеспечения, которые говорили: “О чём вы говорите? Прогнозирование не имеет значения.” И я хочу заявить однозначно: прогнозирование абсолютно имеет значение в определённых приложениях, потому что есть области, где с точки зрения ROI это не важно.
Джонатан Карелсе: Если вы портной на заказ и можете шить три костюма в год, а ваши клиенты готовы ждать 10 лет, вам не нужно тратить кучу времени на прогнозирование спроса. Вы работаете на пределе возможностей. ROI будет минимальным. Для всех остальных, вероятно, ROI существует, но суть в том, что для меня точность прогноза — не показатель успеха. Точность прогноза — не цель. Это диагностический показатель, который мы можем использовать для выявления коренных причин ошибок и неэффективностей, чтобы затем использовать их для перенастройки и оптимизации в целях постоянного улучшения. Цель прогнозирования — зарабатывать деньги, потому что цель бизнеса — зарабатывать деньги, если только вы не занимаетесь тем, что не предполагает этого. И прогнозирование — это один из множества инструментов, которые у нас есть для этого. В некоторых случаях, при грамотном использовании, это лучший инструмент, который мы имеем. В других случаях он является лишь вспомогательным, а порой может и не дать существенной выгоды. Но именно понимание вашего бизнеса, чтобы знать, чего ожидать от прогноза, имеет для меня огромное значение.
Йоаннес Верморель: Прогноз всегда оказывается ошибочным, и теперь люди используют это как “пропуск от ответственности”. Мне очень нравится это выражение. Интересно то, что раньше такая точка зрения не была распространённой. Знаете, Роджер Бабсон был огромным поклонником работ сэра Исаака Ньютона, и даже тогда существовала невероятная вера в абсолютную силу науки, что можно будет зафиксировать явления и создать своего рода числовое моделирование, как если бы можно было предсказать положение Марса с точностью до последней секунды дуги спустя три века.
Джонатан Карелсе: Они оба верили, как верю и я сегодня, что математика лежит в основе всего и, если бы у нас была возможность и достаточно данных, математика могла бы объяснить всё. Но на практике мы ещё не на том уровне. И я бы сказал, что это было плохо понято в начале XX века. Существуют порядки сложности, которых просто нет, и поэтому окончательная формула ещё не за углом.
Йоаннес Верморель: Я считаю, что одно из ключевых открытий XXI века заключается в том, чтобы осознать, насколько во всех сферах, связанных со знанием, существуют целые области, которые просто ускользают от нашего понимания. Дело не только в поиске чего-то подобного закону гравитации, где одним уравнением можно объяснить огромное количество явлений. Так думали в то время.
Конор Дохерти: Для аудитории: мы говорим о североамериканских статистиках, описанных в книге, которая появилась в США благодаря возникновению среднего…
Конор Дохерти: То есть, кто владеет акциями — простите, не опционами на акции, а именно акциями, — и они хотели получить прогноз о том, что даст им наилучшие доходы. Они были очень заинтересованы во всех подобных прогнозах, и именно поэтому это действительно зародилось в США и Северной Америке. Ключевым является культурный или геокультурный компонент.
Йоаннес Верморель: Это очень важно, поскольку в Северной Америке этот подход не был преимущественно статистически обоснованным. Как вы отметили, Бабсон обожал Ньютона и всё, что связано с ньютоновской наукой. Он взял довольно поверхностное понимание ньютоновских принципов и попытался применить его к прогнозированию без поддержки статистического анализа. По сути, если что-то некоторое время растёт, то некоторое время оно будет падать, потому что так работает гравитация.
Джонатан Карелсе: Ирвинг Фишер, получивший первую докторскую степень в экономике в Северной Америке, попытался применить свои математические знания к тому, что до этого было областью социальных наук. Он начал соединять определённые статистические методы, которые, надо сказать, действительно развивались в Европе, а не в Северной Америке, с североамериканской экономической наукой. Но, по сути, именно в Европе того времени мы видим все достижения в математике, которые в конечном итоге нашли применение в прогнозировании.
Йоаннес Верморель: Существовал детерминистский подход, когда люди верили, что будущее можно моделировать механистически. Такое мышление длилось долго. Даже научно-фантастические произведения 60-х годов, такие как серия “Foundation” Айзека Азимова, приняли идею психоистории — науки, которая может механистически предсказывать будущее.
Джонатан Карелсе: Это очень интересно, потому что такое представление является классическим. Но учитывая, что люди десятилетиями работали с довольно неточными прогнозами, они пришли к осознанию, что прогноз всегда ошибочен. Однако они так и не примирились с тем, что он никогда не будет абсолютно точным.
Йоаннес Верморель: Это интересная мысль. Люди морально приняли, что прогноз всегда ошибочен, и их из-за этого не увольняют, что хорошо. Но стоит ли нам заново вдаваться в подробности, чтобы принять этот аспект прогноза? Не особо.
Джонатан Карелсе: Очень интересно, что вы несколько раз упомянули детерминизм, и я думаю, что это ключевой момент. Большая часть науки, которая зарождалась в XIX и начале XX века по всему миру, а не только в Северной Америке, в основном возникла из импульса, который мы начали набирать в эпоху Возрождения. Мы вышли из Тёмных веков и начали понимать, что, применяя научные принципы, мы можем пролить свет на эти тёмные области.
Конор Дохерти: Области знаний и стремление вознестись выше, и я думаю, мы стали немного высокомерными в отношении наших возможностей. Мы начали верить в XIX и начале XX века, что при достаточных усилиях нет ничего, чему мы не могли бы научиться. И это влияет на две действительно важные темы в прогнозировании. Первая: детерминистский подход имеет смысл в этой философии, потому что это означает, что если я буду достаточно усерден и умен, я достигну точного вывода, а не приму, что это тщетное занятие. Я всегда буду ошибаться, а вероятностные подходы, кстати…
Джонатан Карелсе: …и всё в том роде. Вообще, Йоаннес Комагаров проводил всю свою работу по статистике примерно в то же время, когда зарождались эти ранние детерминистские подходы. Так что нам не пришлось ждать ещё сотню лет, чтобы появились вероятностные подходы. Математика уже была. Вторая часть заключается в вере в то, что при достаточных усилиях и сосредоточенности мы можем понять всё. Это приводит нас к тому, что сегодня является очень востребованной темой: искусственный интеллект. Идея о том, что ИИ может решать рутинные или не добавляющие ценности задачи для человека, не нова. На самом деле, в 1950-х годах в Дартмутском колледже состоялась конференция, на которой ряд пионеров ИИ определил 10 вещей, которые, по их мнению, ИИ сможет сделать в течение следующих 10 лет. И через 70 лет мы так и не справились с ними. Но это не останавливает нас от попыток, и я думаю, что попытки важны. В конечном итоге, урок в том, что нам нужно принять окончательные ограничения нашей способности понять всё. И как только мы это осознаем, мы станем более открыты для других подходов, например, вероятностного прогнозирования, которое подготавливает нас к тому, что мы знаем: мы всегда будем ошибаться. Приняв это, давайте разберём, как это выглядит с точки зрения реальных бизнес-результатов, и настроим наши стратегии, исходя из знания, что мы будем ошибаться, а не из надежды, что мы как-то окажемся правы.
Конор Дохерти: Похоже, вы затронули два очень интересных момента: один, по сути, является предтечей обсуждения поведенческой экономики — я думаю, вы имеете в виду чрезмерную уверенность, а второй — об искусственном интеллекте. Я полагал, что это будет в главе 6, думаю, в пятой или шестой, так что рассмотрим их по очереди, если вы не возражаете. Сначала о поведенческой экономике, ведь я знаю, что это ваша специализация. Не могли бы вы немного рассказать о том, как поведенческая экономика влияет или взаимодействует с прогнозированием?
Джонатан Карелсе: Конечно. Итак, Йоаннес, в начале разговора вы несколько раз упомянули классический подход к прогнозированию. Я бы сказал, что классический подход к прогнозированию сам по себе является своего рода побочным продуктом классического, а точнее неоклассического экономического подхода к бизнесу в целом. И это, опять же, исходит из взглядов XVIII–XIX веков, согласно которым, если мы будем усердно работать и применять математические и научные принципы, мы сможем всё понять. Адам Смит в 1776 году написал основополагающую работу “The Wealth of Nations”, и один из его ключевых аргументов заключался в том, что по сути всю торговлю можно понять через основной принцип: люди являются рациональными агентами, которые, получая ясный выбор, основанный на ценностях, естественным образом тяготеют к тому, что приносит им наибольшую полезность. И это не обязательно означает наибольшую прибыль, а то, что даёт им наибольшую выгоду. И интуитивно это кажется правильным. Проблема в том, что для всех слушателей, изучавших экономику, особенно эконометрику,
Конор Дохерти: Хотя, безусловно, в применении работают принципы неоклассической экономики, нам нужно понимать в более широком смысле, как эти системы спроса и предложения, установления цен и, в конечном итоге, принятия решений, зависят от бессознательных факторов, бессознательных психологических драйверов, которые в одних случаях связаны с окружающей средой, в других – с эволюционными программами, но во всех случаях присутствуют. Независимо от того, насколько вам кажется, что вы свободны от предвзятости или объективны, вы всё равно подвержены этим бессознательным предубеждениям, через которые вы интерпретируете данные.
Конор Дохерти: На самом деле, простите, вы сказали в книге, что средний человек принимает около 30,000 решений в день, и, я имею в виду, мы, очевидно, не осознаём все их. Мы просто не можем.
Jonathon Karelse: Нет, и вот в чем преимущество этих эвристических процессов, которые у нас есть. Знаете, зачастую мы воспринимаем эвристику как нечто негативное, как будто это всего лишь обходной путь. Когда в 70‑х и 80‑х годах, когда начали появляться более сложные научные или статистические подходы к прогнозированию, их сторонники, такие как Джордж Бокс и Виллем Дженкинс, которых многие из ваших слушателей знают как соавторов метода ARIMA, несколько презирали более простые методы, например, простое экспоненциальное сглаживание или тройное экспоненциальное сглаживание Холта‑Уинтерса, считая их слишком простыми и всего лишь эвристикой, обходным решением.
Jonathon Karelse: Но то, что показали первые четыре соревнования M, так это то, что во многих случаях на практике быть эвристическим не обязательно плохо. И сейчас, с психологической точки зрения, огромное преимущество заключается в способности принимать решения очень быстро с эволюционной точки зрения. Если я замечаю тигра в периферическом зрении, преследующего меня в лесу, если я останавливаюсь и обдумываю все свои возможности, размышляю о том, что тигр может сделать и какие у меня могут быть варианты, и пытаюсь выбрать самый подходящий для себя, я, скорее всего, окажусь съеденным тигром. А это означает, что я не продолжу род, и моя ДНК перестанет существовать. Со временем мы поняли, что существует множество эвристических процессов, которые эволюционно нам полезны.
Jonathon Karelse: Один из них — эвристика представительности, когда мы думаем: «Это выглядит как то, что я уже видел раньше, в последний раз, когда я сталкивался с этим, и результат был успешным. Это то, что я делал тогда. Я сделаю так же». Таким образом, нам не нужно учить детей отступать от того, что похоже на змею — это заложено в нас с рождения. Нам не нужно останавливаться и думать, что делать, когда мы видим, как к нам едет автобус; мы отстраняемся. И из 30 000 решений, которые нам приходится принимать за день, большинство принимается с помощью какой-либо эвристики. Если бы нам пришлось обдумывать их все объективно, мы бы оказались парализованными.
Jonathon Karelse: Недостаток эвристики в том, что то, что мы считаем похожим на что-то знакомое, не всегда действительно таково. Особенно когда речь идет об интерпретации данных, мы часто подвержены так называемой ошибке кластерной иллюзии. Когда мы нанимаем людей для интерпретации данных и составления прогноза, они чувствуют необходимость добавить ценность. Мы платим им за нахождение закономерностей, и они находят их, даже если на самом деле таких закономерностей нет. Это естественно; их нельзя осуждать за это. Однако существует множество предвзятостей, которые влияют на нашу способность рационально и объективно интерпретировать данные.
Conor Doherty: Jonathan, по этому поводу у вас есть пример в книге, основанный на исследовании, которое вы проводили в другом месте. Вы представили группе людей полностью очищенные случайные данные и попросили их угадать, пойдет ли линия вверх, вниз, останется статичной или они не знают. Можете объяснить это и значение такого вывода?
Jonathon Karelse: Конечно. Система выбора, которую мы представили, является спойлером для всех, кто в дальнейшем будет проходить наш тест на предвзятость. Большая часть представленных данных была стохастической. Нам дали несколько наборов стохастических данных, и мы хотели убедиться, что ни в одном из них случайно не присутствует тренд или сезонность. Эти данные настолько стохастичны, что ни один статистический пакет не обнаружит в них тренд, сезонность или какую-либо другую закономерность.
Когда мы представили неотредактированный, неоформленный набор данных и спросили людей, куда, по их мнению, пойдет спрос, мнения оказались примерно равномерно распределены между повышением, снижением и отсутствием изменений. Мало кто говорил, что не знает, что было бы совершенно уместным ответом, поскольку это означало бы, что они ничего не понимают в том, что означают данные. У них даже не было возможности запустить на данных статистический инструмент, чтобы увидеть, есть ли тренд или сезонность, а, кстати, предсказывать будущее все равно нельзя. Это был бы правильный ответ, но очень немногие так и говорили.
Затем мы представили тот же набор данных позже в тесте, с рядом других вопросов между ними, но на этот раз он был дополнен небольшой историей. Данные остались те же, а история содержит информацию, которая может показаться полезной, но на самом деле не имеет отношения к данным. Мы обнаружили, что около 70 процентов людей становятся увереннее при выборе того варианта, который они собираются принять. Любой, кто изначально выбирал вариант «не знаю», как правило, покидал эту группу, а большинство, выбравшие «без изменений», переходили либо к варианту «увеличится», либо к варианту «уменьшится».
Все зависит от того, как мы это подаем. Если мы используем позитивную подачу, то видим, что люди тяготеют к позитиву. Это действительно важное открытие с практической точки зрения прогнозирования, потому что данные не изменились. В первом примере результат, вероятно, был бы настолько же точен, насколько можно ожидать от человека. Компьютер сделал бы это мгновенно. Но как только мы сопровождаем данные историей, вся логика и рациональность улетают в хвост, и в итоге мы получаем чрезвычайно предвзятое восприятие данных.
Проблема в том, что на практике всё не так уж и отличается. Мы просим людей создавать планы спроса, но они делают это в рамках более широкой организации, у которой есть свои культурные и деловые предвзятости в отношении роста и позитивных результатов. Поэтому неудивительно, что когда мы измеряем влияние человеческого вмешательства в компьютерные прогнозы, мы чаще всего наблюдаем положительную предвзятость. В некоторых случаях даже существует явное давление на поддержание положительной предвзятости в организациях — давление прогнозировать, планировать и достигать определенных целей. Людям фактически говорят, что нужно изменить прогноз.
Conor Doherty: Прогноз, но даже помимо этих явных предвзятостей, некоторые исследования Лена Тэшмана и, эээ, о, я забуду все их имена, Spheros Mocker Docus, эээ, Пола Гудвина, показывают, что мы, вероятно, примерно в четыре раза чаще вносим положительные корректировки в прогноз, чем отрицательные, что не имеет смысла, если начинать с прогноза, основанного на статистике. Ошибка должна распределяться нормально по обе стороны от этого прогноза. Если она требует человеческой корректировки со временем, мы должны компенсировать. Но из-за этой бессознательной предвзятости, при которой мы гораздо более склонны избегать риска, чем стремимся к получению выгоды, и, опять же, в этом есть эволюционные причины, нам больше нравится реализовывать потенциальные позитивные возможности, чем фиксировать негативный риск, и в итоге мы видим отпечатки пальцев людей на положительной предвзятости в прогнозировании. Вы находите, что так происходит, когда вы занимаетесь прогнозированием?
Joannes Vermorel: Да, я имею в виду, что десять лет назад, когда Lokad еще занимался, можно сказать, классическим прогнозированием, мы начинали как поставщик программного обеспечения, занимавшийся классическим прогнозированием. Сейчас, можно сказать, в нашем распоряжении есть элемент предиктивного моделирования, но наш способ работы — об этом можно поговорить. Это очень, очень странно и выходит за рамки того, что можно было бы считать существенным в рамках предсказания вашего будущего, если не начать говорить о истории будущего для XXI века. Но возвращаясь к этим опыту, это очень интересно, потому что у нас были, эм, очень похожие опыты, особенно с нашими клиентами. У нас была серия клиентов, эм, которые до сих пор работают в розничной торговле, и когда речь шла о прогнозировании акций, одно из частых замечаний было то, что прирост от акции ограничен. Вы знаете, да, вы получите, скажем, порядок величины, гипермаркет — да, возможно, продажи увеличатся на 30-50%. Это многое, но все же далеко от тех «10-кратных» скачков, на которые рассчитывали.
И интересен тот факт, что для этих акций мы проводили чемпионат мира по бенчмаркам с командами, которые моделировали суперпростой прирост от акции, в то время как другие занимались микрооптимизацией, утверждая: «Ах, я точно знаю этот бренд шоколада», и так далее. Посмотрите, что оказывается в лидерах по точности — я бы сказал, с поразительно простыми моделями, по сложности сравнимыми с экспоненциальным скользящим средним, но всего лишь для прироста от акции, который представлял собой постоянный коэффициент плюс 50, и на этом всё. И это оказывалось лучше, гораздо лучше, чем модели, где люди занимались микрооптимизацией. И действительно, предвзятость проявлялась явно в позитивном ключе, когда они говорили: «Но ведь вы понимаете, что этот бренд — впервые за последние 10 лет проходит акцию; они сделают 10-кратный скачок!» А мы думали: «Да, скорее всего, нет. Вероятно, будет всего лишь плюс 50. Я знаю, что вы разочаруетесь».
Но потом вы сталкиваетесь с совершенно странными ситуациями, когда, например, у вас есть прогноз, который совершенно бессмысленный, как если бы вы заявили, что достигнете 10-кратного увеличения, а потом этого не происходит, но закупка в 10 раз оказывается правильным решением, потому что поставщик действительно предоставляет ритейлеру огромную скидку. Таким образом, это своего рода спекуляция на стоимости запасов. И если ваш поставщик дает вам 25%
Conor Doherty: Со временем вы будете продавать, это может оказаться умным решением, но видно, что в мышлении было нечто совершенно странное. Сначала я начинаю с абсолютно бессмысленного прогноза, как делал раньше, а затем, поскольку обычно при акциях я закупаю товар с огромной скидкой от поставщика, что позволяет затем сделать большую скидку на розничную цену, в итоге я провожу успешную операцию.
Joannes Vermorel: Но видите, анализ показывает, что присутствует элемент рациональности. Вы в итоге оказываетеcь правы по неправильным причинам.
Jonathon Karelse: Именно, и это очень интересно. Знаете, это тот случай, когда то, что люди могут быть иррациональными, не означает, что нельзя применить разум для моделирования этой иррациональности. Абсолютно, это иррационально, но это не значит, — и именно поэтому я считаю, что нет предела человеческой изобретательности. По существу, я верю, что нет предела количеству человеческой изобретательности, но без заблуждения: некоторые вопросы требуют абсолютно огромного уровня изобретательности, и, вероятно, это вопросы, над которыми веками велась работа. Поэтому на этом грандиозном пути науки, начавшемся несколько столетий назад, нам следует быть очень скромными. Это только начало, и, возможно, существуют целые классы знаний, о существовании которых мы даже не подозреваем.
Joannes Vermorel: Так что да, и я полностью с тобой согласен, Jonathon. Это тоже является моим основным убеждением.
Jonathon Karelse: Я думаю, что это был Паскаль, который сказал: «Если это существует, то это можно количественно определить». И, конечно, существуют ограничения на нашу способность это делать, но я твердо верю, что в конечном итоге, при достаточных возможностях, все можно количественно измерить и понять. Но, очевидно, проблема в том, что мы настолько далеки от этой возможности, что на практике начинать любой бизнес-подход с этой философией — безумие, потому что мы еще так далеки от цели. Но это важное следствие идеи о том, что прогноз всегда ошибается, и замечания, которые сделал Joannes о микроуправлении прогнозами. Когда Джордж Бокс сказал: «Все модели ошибочны, но некоторые модели полезны», именно отсюда возникла идея о том, что прогноз всегда будет ошибочным. Он добавил еще две вещи, которые большинство игнорирует. Первая: «Так как все модели ошибочны, но некоторые полезны, стремитесь к простоте при выборе модели». Другими словами, вы все равно будете ошибаться, так что особенно экономисты, строящие огромные сложные модели, всё равно столкнутся с определенной степенью ошибочности. Поэтому не стоит требовать создания огромной сложной модели для достижения точности, потому что вы все равно ошибетесь. Но вторая, и для меня она важнее на практике, такова: «Не парьтесь о мелочах, когда вокруг тигры». Сколько бы раз мы не работали с организациями, утверждающими, что они знают, что прогноз всегда ошибается, их фактическая точность крайне низка, а мы проводим часы, споря о разнице в один-две процента на горизонте в семь‑восемь месяцев для SKU, — это безумие. Например, точность прогноза на уровне SKU на этом горизонте составляет около 30%.
Conor Doherty: Корректировка на один или два процента не имеет значения. Вы все равно будете ошибаться, и вы будете настолько ошибаться, что время, затраченное на внесение этой корректировки, окажется полной тратой времени. Вам следует сосредоточиться только на применении этой, в конечном счете, безграничной изобретательности, в которой, я тоже верю, обладают люди, в тех конкретных случаях, когда вероятность положительного результата наибольшая. А именно, когда A) вы с полной уверенностью понимаете что-то о будущем, чего нет в истории, B) ценность того, за что вы берётесь, достаточно высока, чтобы оправдать вмешательство, и, наконец, C) масштаб этого вмешательства достаточно велик, чтобы оправдать его, потому что иначе вы все равно останетесь в пределах погрешности, и у вас есть резервный запас или какой-либо другой механизм, который справится с этим.
Joannes Vermorel: Это очень интригующе, потому что отражает тот путь, который прошел Lokad. В наши дни подход заключается прежде всего в том, чтобы воспринимать предсказание будущего через призму его последствий. Именно поэтому теперь почти догма Lokad гласит, что обнажённые прогнозы недопустимы. Вам не разрешается их делать, и это строго соблюдается. Мне, как CEO, удается это обеспечить. Идея заключается в том, что когда вы делаете обнажённый прогноз, вы, по определению, отрезаны от реальных последствий. Сам прогноз является абстракцией измерения будущего. Он ничего не говорит о том, насколько хорош или плох ваш бизнес. Да, вы можете корректировать цифры, но в конечном итоге прогноз даже не связан с реальностью. Это очень абстрактное понятие.
И снова, люди готовы заниматься подобного рода практикой исключительно благодаря тому, что классическое прогнозирование стало практически редкостью. Есть люди, у которых в резюме указано прогнозирование, вроде «Я сертифицирован для проведения прогнозирования». Прогнозирование имеется, и специалист по спросу существует. У этих специалистов есть должности и процессы. Таким образом, вы видите, что вещи, которые кажутся очень абстрактными, были одним из способов подхода к будущему, воплощены через должности и программное обеспечение. Вы платите деньги за лицензии, чтобы их получить, так что, видите: это способ сделать их реальными. Если вы за что-то заплатили, оно, безусловно, существует.
Таким образом, если вернуться к идее «голого прогноза», то ответ, который давала Lokad, заключался в том, что нет, мы должны рассматривать прогнозирование как одну из многих техник — числовой метод, который позволяет нам принимать решения. Существует масса вещей, которые оказывают ощутимое влияние на бизнес. Идея заключается в том, что если у вас нет прямой связи с чем-то очень реальным, например, с производством чего-либо, перемещением чего-либо из точки A в точку B или с производством для избавления от материалов и получения какого-либо результата, то вам не разрешается заниматься предиктивным моделированием. Это то, что очень заманчиво; как только у вас появляется временной ряд или любые данные, вы всегда можете создать модель.
Конор Дохерти: Йоаннес, не могли бы вы рассказать о трудностях использования прогнозов в оптимизации цепочки поставок?
Йоаннес Верморель: Прелесть прогнозов в том, что они осуществимы, будь они релевантны или разумны. Однако проблема в том, что когда у вас в руке молоток, всё кажется гвоздями. Если у вас есть сертификат по методикам прогнозирования, вы можете взять любой набор данных и начать применять свои модели. Наша политика в Lokad — «без голых прогнозов», потому что они слишком опасны. Если вы не связываете прогноз с чем-то действительно реальным, вы будете подвержены сильной предвзятости или даже бюрократическим проблемам. Когда вы придумываете метрику, в организации возникают всевозможные механизмы для оптимизации по этой выдуманной метрике. Учитывая, что цепочки поставок по своей природе бюрократичны, согласование спроса и предложения является весьма бюрократическим занятием. Речь идёт о синхронизации множества людей, процессов и программного обеспечения. Если добавить масло в огонь, вы можете столкнуться с чем-то, что быстро примет огромные масштабы. Цепочки поставок — это человеческие конструкции, состоящие из множества людей, программного обеспечения и процессов, что создаёт плодородную почву для проблем, особенно в области прогнозирования.
Конор Дохерти: Джонатан, как более глубокое понимание поведенческой экономики внутри организации улучшает процесс прогнозирования в конкретных аспектах?
Джонатон Карелсе: Я бы сказал, что есть два основных способа, которыми это улучшает процесс. Во-первых, многие организации считают, что люди не влияют на процесс прогнозирования, поэтому они стремятся максимально исключить человеческое суждение из него. Они полагают, что таким образом станут более устойчивыми к предвзятости и манипуляциям, которые происходят в том, что Йоаннес метко назвал очень бюрократическим процессом. Однако я утверждаю, что даже в ситуациях, когда кажется, что люди исключены из процесса, их отпечатки остаются повсюду. Человеческое влияние проявляется в выборе данных, выборе программного обеспечения и, что самое важное, в действиях, которые мы предпринимаем в результате процесса прогнозирования.
Сам прогноз — это всего лишь идея, потенциальный набор инструкций или карта. Нам всё ещё предстоит решить, что с ним делать, и это требует действий от людей в цепочке поставок. Понимание того, насколько и каким образом мы подвержены предвзятости, помогает нам осознать потенциальные ловушки в нашем процессе. Работа в обратном направлении — от потенциальных результатов к процессу, а не предположение, что процесс приведёт нас к конкретному результату, позволяет лучше понять источники и степень предвзятости у вовлечённых людей.
Конор Дохерти: Цепочка поставок и планирование помогают нам с ещё большим пониманием увидеть, какими могут быть эти результаты. Скорее всего, у организации есть процесс прогнозирования или планирования спроса, в котором присутствуют элементы автоматизации и компьютерного управления, но, по замыслу, также интегрировано человеческое суждение. Я считаю, что, при соблюдении конкретных рекомендаций, интеграция суждения со временем имеет свою ценность, если действовать в соответствии с определёнными критериями. Но вы помогаете максимально раскрыть потенциал человеческого суждения, если, опять же, понимаете, насколько предвзяты люди, дающие это суждение. Именно в организациях, которые либо активно отказываются признавать наличие предвзятости, либо не осознают, что она существует, вы с наибольшей вероятностью передадите предвзятость в процесс планирования спроса — будь то через активную интеграцию суждений или через те человеческие отпечатки, которые присутствуют повсюду. Когда вы начинаете анализировать предвзятость в вашей организации, вы можете установить защитные барьеры, чтобы смягчить их влияние. Она всегда будет присутствовать. Человеческое суждение всегда будет ошибочным, но всё сводится к уравновешиванию потенциальной выгоды от человеческих инсайтов конкретных случаев и неизбежной хрупкости, которая присуща нам всем из-за несовершенства работы нашего разума.
Йоаннес Верморель: Я согласен с идеей, и это соответствует моему опыту, что если вы даже не признаёте, что у вас могут быть предубеждения, это проверенный временем рецепт для их максимального накопления. Для организаций это мой собственный опыт. Говоря о том, как мы подходим к будущему, люди, думая о предвзятости, всё ещё воспринимают ситуацию через призму временных рядов. И очень трудно понять, что именно я делаю неправильно в своей деятельности по прогнозированию, не имея в виду какого-либо решения или механизма, которым я это делаю. Предвзятость означает, что у вас есть тенденция выдавать одни и те же завышенные или заниженные значения, и это довольно однобокий взгляд с учётом того, что вы работаете с временными рядами.
Проблемы, которые я наблюдал, и которые стали частью технологической эволюции Lokad, заключаются в том, что если вы хотите передать информацию о будущем, существуют целые классы вещей, которые не могут быть выражены через временные ряды. Это не означает, что их нельзя выразить цифрами; просто их нельзя выразить временными рядами. Временные ряды — это весьма упрощённый способ, буквально последовательность измерений, простирающихся в будущее. Например, если я рассматриваю продажи одного товара, я мог бы прогнозировать объем продаж, но мои продажи зависят от установленной мной цены, а цена — это не нечто данное, а выбор, который я делаю. Так что даже если бы я смог получить очень точный прогноз, он всё равно был бы неполным.
Конор Дохерти: Что-то, что было бы довольно странным, должно быть, математически говорить о функции, которая утверждает: если я установлю такую цену, то такой будет результат. Таким образом, мы внезапно затрагиваем тот факт, что даже если рассматривать всё с детерминированной точки зрения, где учитываются лишь предвзятости, я лишь указываю на то, что существуют элементы, для которых этот подход с временными рядами слишком слаб, чтобы учесть действительно значимые факторы. Дело не только в том, что что-то может оказаться слишком высоким или слишком низким, это почти другая размерность, которая вовсе не учитывается. Здесь я просто подразумеваю возможность буквально формировать результат посредством других действий. Речь идёт не только о наблюдении за движением планет; я могу действовать и изменять будущее результата. Но даже если мы останемся чисто пассивным наблюдателем, есть ситуации, когда временные ряды всё ещё недостаточны.
Йоаннес Верморель: Например, если я занимаюсь техническим обслуживанием авиации, я хочу поддерживать эксплуатацию моих самолётов. Я могу прогнозировать спрос на запчасти, но дело в том, что при ремонте самолёта существует список деталей, которые необходимо заменить. Упрощая схему: самолёт поступает в ангар на обслуживание, проводится диагностика, составляется список запчастей, которые нужно заменить, и до тех пор, пока каждая из этих деталей не будет заменена, самолёт не сможет снова летать. Он остаётся на земле. Тот факт, что я могу прогнозировать каждую запчасть независимо, не сообщает мне ничего о совместной доступности всех деталей. В теории, если бы все мои прогнозы были абсолютно точными для каждой детали, то совместное знание было бы тоже идеальным. Но как только даже для каждой детали возникает минимальная неопределённость, зная, что, по сути, самолёт состоит примерно из 300 000 различных частей, даже минимальная неопределённость в потребности каждой детали означает, что неопределённость в совместной доступности всех запчастей для ремонта самолёта становится поистине колоссальной.
Йоаннес Верморель: И это пример, когда классический взгляд на временные ряды математически оказывается недостаточно выразительным. Таким образом, существует ещё один класс проблем: если вернуться к предвзятости, то есть тенденция прогнозировать слишком высоко или слишком низко, но также имеются и другие, сугубо человеческие проблемы, которые просто не смотрят в нужном направлении или не имеют той структуры, которая дала бы релевантный ответ. И, я бы сказал, это поистине взгляд 21-го века, который гораздо более запутанный.
Джонатон Карелсе: Я абсолютно согласен.
Конор Дохерти: Что ж, это, как я думаю, подводит нас к обсуждению будущего, или следующего столетия, будущего будущего, будущих будущих. Так что, Джонатон, сначала обращусь к тебе. С точки зрения развития ИИ и технологий, видишь ли ты, что это помогает людям в прогнозировании или в конечном итоге заменяет их?
Джонатон Карелсе: Когда Дэниел Канеман спрашивают о замене людей ИИ, с одной стороны, он надеется, что это
Конор Дохерти: Мы так слабы в умении объективно судить, но, с другой стороны, уверены, что этого никогда не произойдёт. И опять же, для меня важно разделять теоретическое или философское от практического. С теоретической точки зрения это должно произойти когда-нибудь в будущем, в момент, когда наши возможности по обработке данных, наше понимание того, как работает человеческое мышление и что такое интеллект, достигнут такой степени нюансированности и детализации, что позволят нам создать сложные системы, как те, о которых мечтали ребята с конференции в Дартмуте в 50-х, думая, что смогут воспроизвести человеческий мозг за несколько десятилетий. Это — теоретическая сторона.
В реальной жизни, в моё время, в ваше время, я не верю, что это случится. И я могу сказать это с определённой уверенностью, глядя на траекторию, которую мы наблюдали за последние 70 лет развития ИИ. Безусловно, сегодня мы многому учимся. Вычислительная мощность экспоненциально растёт, как и объём доступных данных, но это всё ещё не привело к прорыву в ИИ, который заменил бы людей. Может ли он нам помочь? Безусловно. Сегодня существует множество примеров, когда зарождающееся применение ИИ приносит пользу в разных областях, но разрыв между заменой людей и их поддержкой остаётся огромной пропастью.
Возвращаясь к тому, что Йоаннес сказал в начале, с чем я полностью согласен: человеческая способность к изобретательности — это то, что, я считаю, мы ни в коем случае не заменим компьютерами или ИИ. Я думаю, что ценность человечества не в способности отвечать на сложные вопросы, потому что мы можем правильно использовать компьютеры для их решения. Наша истинная сила заключается в том, чтобы задавать интересные и важные вопросы. Только задавая такие амбициозные вопросы, мы можем задействовать весь современный технологический потенциал для поиска ответов, и именно задавая эти «безграничные» вопросы, люди по-прежнему остаются критически важной частью процесса.
Ты хочешь что-то добавить, Йоаннес? Передаю слово тебе.
Йоаннес Верморель: Моё мнение таково, что то, что люди воспринимают прогнозирование как человеческую деятельность в классическом смысле — например, наличие армии клерков или поддержка процессов S&OP сотнями сотрудников, обрабатывающих таблицы и генерирующих числа, — я очень надеюсь, что при мне это исчезнет. Практика, которой мы пользуемся в Lokad, внушает мне оптимизм, потому что для клиентов, которых мы обслуживаем, мы практически устранили это.
Но то, как мы этого добились, и сам продукт, не в том, чтобы избавляться от людей или применять какой-то вид искусственного интеллекта. Мы сделали это, сосредоточившись на принятии решений и привлекая умных инженеров для разработки числовых рецептов. Это типичный термин, который я использую, ведь некоторые из них могут быть эвристиками, некоторые — даже более обыденными, просто фильтры и тому подобное. И даже это не является эвристикой, а нечто ещё более базовое.
Конор Дохерти: То есть разработка числовых рецептов, которые работают в масштабах этих компаний, для повседневных задач и которые теперь могут быть полностью автоматизированы. Значит ли это, что мы исключили людей из процесса?
Йоаннес Верморель: Не совсем, потому что, прежде всего, числовые рецепты — это продукт человека. Требуется действительно умный инженер, чтобы их создать, и их обслуживание также полностью зависит от людей. Числовые рецепты представляют собой своего рода ноу-хау того, какие числовые процессы работают в масштабах для принятия разумных решений. Есть ли в числовых рецептах какой-либо интеллект? Абсолютно нет. Числовой рецепт — это крайне механическая процедура. Да, могут присутствовать элементы машинного обучения, но это всего лишь статистические методики. По своей природе они остаются невероятно механическими.
Конор Дохерти: Так в чём же их особая интересность?
Joannes Vermorel: Если вы начнете смотреть с этой точки зрения, то в итоге получите процесс, который автоматизирует нечто, заставляющее сотни людей работать в крупных компаниях. Тем не менее, в конце дня у вас всё ещё остается команда людей, которые полностью отвечают за эти числовые рецепты, которые не работают самостоятельно.
Пример сверхсложной задачи в цепочке поставок — это наличие 50 миллионов SKU, для которых требуется некое микроуправление, когда мне нужно выбрать, буду ли я держать на складе одну единицу, две, три, пять и т.д. И у меня есть 50 миллионов таких уровней запасов, которые необходимо микроуправлять ежедневно. Я надеюсь, что мельчайшие прогнозы, необходимые для поддержки такого рода решений, будут полностью автоматизированы в смысле ежедневного исполнения. Но для более длительного горизонта, скажем, с года на год, когда сама компания эволюционирует, когда её рынок меняется, когда меняются и правильные вопросы для ответа, я не думаю, что в течение моей жизни мы увидим, чтобы машины отвечали на них.
Conor Doherty: Так что это означает для компаний на практике?
Joannes Vermorel: Я считаю, что эта автоматизация заменит слои экосистемы, где люди делают вещи с очень маленькой добавленной стоимостью, особенно в рамках S&OP. Некоторые могут возразить, что это, возможно, не настоящий S&OP или некачественный S&OP, но это не моя дискуссия. Моя точка зрения такова: я наблюдал в индустрии цепочки поставок, что в ряде крупных компаний работают поразительно большие команды людей, которые просто корректируют цифры вверх и вниз, и я подозреваю, что это исчезнет. Не потому, что у нас появится какая-то фантастическая технология, устраняющая необходимость в людях, а потому, что с помощью лучших инструментов мы можем повысить эффективность управления цепочками поставок.
Jonathon Karelse: Я согласен с Joannes. По мере развития лучших инструментов и технологий мы увидим сдвиг в ролях, которые люди играют в управлении цепочками поставок. Хотя автоматизация может справляться со многими рутинными и повторяющимися задачами, человеческая экспертиза всё ещё будет жизненно важна для стратегии, инноваций и адаптации к изменяющимся рыночным условиям.
Conor Doherty: И с помощью лучших техник у нас может оказаться несколько умных людей, способных создать системы, работающие в огромном масштабе. Ну, если я возвращаю слово, Джонатан, есть ли у тебя что добавить? Потому что я хочу оставить тебе последнее слово по этому вопросу.
Jonathon Karelse: То есть, я могу оставить последнее слово, но в целом я полностью согласен со всем, что он сказал. И я тоже не буду вдаваться в дебаты о «S&OP».
Conor Doherty: Давайте продолжим немного дальше. Если говорить о будущем, и если бы вы писали второе издание книги “History’s Future Histories of the Future Part two of the 21st century”, на каких конкретных идеях вы бы сосредоточились?
Jonathon Karelse: Нет, моя вторая книга не будет продолжением этой. Моя вторая книга появится только когда я уйду на пенсию, потому что это будет история всех безумных вещей, которые я видел, как люди действуют в цепочке поставок на протяжении всей моей карьеры. Которые, несмотря на горы доказательств того, насколько это безумно, всё равно продолжают этим заниматься. Но, конечно, всем вам, нынешним клиентам, не беспокойтесь, вас там не будет. Однако, я имею в виду, что мы всего лишь на несколько месяцев позже после публикации этой книги, так что я не думаю, что существуют какие-то новые, как сказал Joannes, ещё не открытые системы знаний или типы науки, о которых мне стоит задуматься.
Conor Doherty: Что ж, на этой ноте, и это то, о чем я не успел спросить ранее, Joannes, спрошу и тебя. В твоем опыте работы в NorthFind, когда ты находишься в комнате с руководителями C-уровня и пытаешься продать им эти идеи, о которых мы говорим, и сталкиваешься с уровнем сопротивления, о котором мы упоминали ранее из-за подсознательных предубеждений, как ты используешь поведенческую экономику, чтобы прорваться через это и избежать того рода безумных примеров, на которые ты намекал?
Jonathon Karelse: Я собираюсь частично отвергнуть предпосылку твоего вопроса. Я не думаю, что особенно пытаюсь использовать поведенческую экономику как способ прийти к желаемому выводу в этих обсуждениях. Думаю, что мне, возможно, проще ориентироваться в этой области, чем, скажем, поставщику программного обеспечения. Потому что для меня успех в бизнесе не заключается в продаже фрагмента программного обеспечения. И, если быть точным, я не говорю, что программное обеспечение не важно; оно абсолютно необходимо, оно является критически значимым инструментом. Но поскольку мы занимаемся оценкой процессов и проблем, а в конечном итоге проектированием решений, я не часто оказываюсь в ситуации, когда мне приходится подталкивать руководителей высшего звена в определённом направлении. Скорее, это понимание того, что, учитывая культуру их бизнеса и их доступные ресурсы — будь то данные, инструменты или люди — какой будет наиболее вероятным или оптимальным первым шагом на пути к трансформации процессов. И если они категорически против идеи отказаться от контроля над прогнозом и настаивают на том, чтобы 300 продавцов тратили время каждый месяц на корректировку прогноза, это не обязательно тот вопрос, за который я готов бороться до конца. То есть, пусть так и будет. Если это остаётся нашей реальностью, давайте включим это как часть процесса, но, что важно, измерим бизнес-ценность этой деятельности. И они часто приходят к такому выводу сами. Причина, по которой существует так много безумных действий, заключается в том, что
Conor Doherty: Наследие в этих организациях — это своего рода система измерений, которая позволяет им продолжать. Это измерение, которое не дает понять, насколько безумен сам процесс. Само измерение зачастую безумно, потому что для обоснования безумного процесса требуется безумное измерение. Когда ты заходишь в организацию и видишь, что измерение точности на верхнем уровне в денежном выражении и в среднем за три месяца, является результатом того, что они не хотят знать, насколько плох процесс прогнозирования. Потому что если бы они использовали его по назначению, которое в первую очередь диагностическое, а не оценочное, ты никогда бы не усреднял показатели за несколько месяцев и не агрегировал их так высоко в иерархии. Я немного тянусь, но суть в том, что я не пытаюсь навязать им какой-то вывод, если они действительно зациклены на безумном процессе. Мы просто помогаем им понять, измеряя бизнес-ценность этого безумного процесса, хотят ли они продолжать его использование, и часто они сами приходят к такому выводу.
Joannes Vermorel: Очевидно, будучи в роли программной модели, мой подход обычно существенно отличается. Обычно я стараюсь приводить примеры настолько простыми, насколько это возможно, где такой тип прогноза просто не может обеспечить то, что они ищут. Иногда бывают очень простые ситуации. В авиации, если ты работаешь на уровне деталей, это всё равно дает тебе нулевую информацию о том, собираешься ли ты ремонтировать самолёт. Если же ты переходишь в ритейл и говоришь, что в магазине представлено множество продуктов, которые являются хорошими заменителями друг друга, то перед тобой встают другие проблемы. Это не даст мне хорошего индикатора вообще. Насколько я успешен в таком подходе? Не знаю. Возможно, твой собственный подход, заключающийся в том, чтобы позволить им пройти этот путь самостоятельно, окажется более эффективным. Это непростой путь. Один из моментов, делающих опыт с Lokad интересным, не обязательно более простым, но интересным, заключается в том, что, сосредотачиваясь на решениях, те прогнозы, которые оказываются наиболее полезными, становятся всё более странными, в хорошем смысле. Я предполагаю, что истории будущего XXI века будут очень странными, немного как та странность, которая возникает в квантовой механике. Это целый набор идей, которые совершенно не интуитивны. Они сопровождаются математикой, которая просто абсурдна. Когда ты применяешь это, в итоге получаешь ещё более странные результаты, чем ожидалось.
Jonathon Karelse: Ну, господа, думаю, я могу закончить. Но перед тем, как мы завершим, Джонатан, если бы у тебя был один совет для всех, кто работает в управлении цепочками поставок или для специалистов в этой области, что бы это было?
Jonathon Karelse: Купите книгу, она доступна в магазинах. Это, возможно, был бы совет моего бухгалтера. Если бы я должен был дать один совет, то это был бы вопрос «почему?» Никогда не удовлетворяйтесь просто знанием; старайтесь понять, почему. У нас, собственно, есть очень хорошая цитата, и я не знаю, писал ли её вы, но звучала она так: «Плохой прогнозист с данными — как пьяный у фонарного столба: он использует его для опоры, а не для освещения.» Так что всегда ищите свет.
Conor Doherty: Большое спасибо. Ну, Джонатан, большое спасибо за твое время. Joannes, спасибо за твое время. И всем спасибо за просмотр. Увидимся в следующий раз.
