00:00:00 Обсуждение важности прогнозирования и скептицизма.
00:00:40 Представление гостей Джонатана Карелса и Жоаннеса Вермореля.
00:01:37 Вдохновение написания “Историй будущего” и важность вопросительного подхода к методам прогнозирования.
00:05:49 Определение прогнозирования и его корни в начале 20-го века.
00:08:53 Обсуждение разумности расширения рядов измерений для прогнозирования будущего.
00:09:40 Классическая перспектива прогнозирования 21-го века и ее привязка к временным рядам.
00:10:33 Перекалибровка показателей успеха в прогнозировании и фокусировка на заработке денег в бизнесе.
00:13:25 Ньютоновские принципы и детерминистский 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 Приспособление к неизбежным неточностям прогнозирования и признание того, что оно никогда не будет абсолютно точным.
00:19:29 Проблема детерминистского прогнозирования и принятие вероятностных подходов.
00:20:36 Ранние мыслители об искусственном интеллекте и их прогнозы относительно его возможностей.
00:21:55 Влияние поведенческой экономики на прогнозирование и классический подход.
00:23:00 Иррациональность людей и появление поведенческой экономики.
00:26:34 Эвристики, их эволюционные преимущества и недостатки в интерпретации данных.
00:28:55 Изучение человеческого поведения при принятии решений на основе данных.
00:29:37 Как представление данных в виде истории влияет на принятие решений.
00:31:13 Влияние организационных предубеждений на прогнозирование.
00:33:00 Проблема чрезмерного оптимизма в прогнозировании продвижения.
00:36:23 Применение разума поверх иррациональности и потенциал человеческого изобретательства.
00:38:53 Важность не полагаться слишком сильно на сложные модели для операционных стратегий.
00:39:48 Опасности “голых прогнозов” и необходимость конкретных связей с бизнесом.
00:42:34 Как бюрократические процессы и цепи поставок уязвимы для проблем в прогнозировании.
00:45:31 Поведенческая экономика и человеческие предубеждения в процессе прогнозирования.
00:47:53 Максимизация ценности человеческого суждения в прогнозировании путем понимания предубеждений.
00:48:39 Важность признания предубеждений и их роли в прогнозировании.
00:50:40 Ограничения перспективы временных рядов в прогнозировании.
00:52:00 Человеческие проблемы в прогнозировании, выходящие за рамки предубеждений.
00:54:53 Будущее развитие искусственного интеллекта и его роль в помощи или замене человеческих прогнозистов.
00:57:01 Важность человеческого изобретательства и правильного постановления вопросов.
00:58:47 Обсуждение численных рецептов и роли человека в автоматизации.
01:01:58 Будущая автоматизация в управлении цепями поставок.
01:04:11 Потенциальные темы для книги второго издания.
01:05:22 Использование поведенческой экономики на совещаниях уровня C.
01:08:46 Ограничения прогнозирования в авиации и розничной торговле.
01:09:30 Фокус на принятии решений и странной природе прогностического моделирования.
01:10:27 Сравнение странности прогнозов будущего с квантовой механикой.
01:11:12 Советы Джонатана практикующим в сфере управления цепями поставок.
01:11:56 Заключение и благодарность гостям.
Резюме
В интервью Жоанн Верморель, основатель компании Lokad, и Джонатан Карелс, генеральный директор компании NorthFind Management, обсуждают важность понимания и вопросов о целях прогнозирования в бизнесе. Они выступают за скептический подход, подчеркивая, что точность не должна быть единственным показателем успеха. Прогнозирование следует рассматривать как диагностическую метрику для выявления и устранения ошибок с целью непрерывного улучшения. Оба эксперта согласны в том, что предубеждения могут влиять на прогнозирование, и компании должны сосредоточиться на техниках, которые имеют осязаемый эффект. Они также обсуждают роль искусственного интеллекта в оптимизации цепей поставок, отмечая, что хотя искусственный интеллект может помочь, человеческое изобретательство остается неотъемлемым.
Расширенное резюме
В этом интервью ведущий Конор Доэрти обсуждает прогнозирование с Жоанн Верморелем, основателем компании Lokad, и Джонатаном Карелсом, генеральным директором компании NorthFind Management. Карелс объясняет, что его подход к прогнозированию основан на понимании его влияния на бизнес. Многие организации прогнозируют, потому что “полагается” делать это, но часто не задаются вопросом, почему они прогнозируют или есть ли способы улучшить процесс. Он подчеркивает важность здорового скептицизма и постоянного вопроса о практиках для улучшения прогнозирования.
Карелс рассказывает о вдохновении для своей книги “Истории будущего”, которое возникло из его желания изучить исторический контекст прогнозирования и достоверность определенных принципов прогнозирования. Он ссылается на работы Бруно ЛаТура, который ставил под сомнение достоверность научных принципов и выступал за понимание исторического контекста, в котором они возникли. Этот подход вдохновил Карелса применить аналогичную методику к области прогнозирования.
На вопрос о определении прогнозирования Карелс говорит, что это в основном предположение о том, как будет выглядеть будущее. Хотя предположение может стать более научным и обоснованным, важно не забывать, что прогнозирование в конечном счете основано на неопределенности. Верморел добавляет, что классическая перспектива прогнозирования, которая уходит корнями в начало 20-го века, основана на временных рядах и продолжении измерений во времени. Однако он считает, что в 21-м веке будут продолжать появляться новые способы взгляда на будущее.
Карелс подчеркивает, что точность прогнозирования не должна быть единственным показателем успеха. Вместо этого точность прогнозирования следует рассматривать как диагностическую метрику, которая может помочь выявить корневые причины ошибок и неоптимальностей, которые затем можно использовать для перекалибровки и оптимизации с целью непрерывного улучшения. Цель прогнозирования - зарабатывать деньги, и понимание конкретных потребностей и ожиданий бизнеса является ключевым для эффективного использования прогнозов.
Верморель соглашается с тем, что прогнозирование не всегда подходило с недоверием. Ранние сторонники, такие как Роджер Бабсон, верили в абсолютную силу науки предсказывать и моделировать будущее. Однако как Карелсе, так и Верморелю придерживаются более скептического подхода, который подвергает сомнению общепринятую мудрость и стремится улучшить методы прогнозирования таким образом, чтобы это приносило пользу бизнесу.
Обсуждение начинается с краткой истории прогнозирования, в частности культурных и географических аспектов, которые сыграли роль в его развитии. Затем разговор переходит к классическому подходу к прогнозированию, основанному на детерминистической философии, которая полагается 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 предубеждения могут влиять на принятие решений. Вводится понятие эвристик, и обсуждаются преимущества и недостатки полагания на них. Также рассматривается идея чрезмерной уверенности, предшествующая обсуждению поведенческой экономики. Затем разговор переходит к важности вероятностного прогнозирования и тому, как оно может помочь организациям лучше понять ограничения своих прогнозов. Обсуждение заканчивается кратким упоминанием искусственного интеллекта и его потенциала помощи в прогнозировании, но также необходимости признать, что у нас есть окончательные ограничения в нашей способности понять все.
Проблема положительного смещения в прогнозировании, особенно в организациях с культурными и бизнес-ориентированными предубеждениями в пользу роста и положительных результатов. Даже без явных предубеждений исследования показывают, что люди в четыре раза чаще вносят положительные корректировки в прогноз, чем отрицательные. Это смещение связано с нашими эволюционными тенденциями к избеганию риска и реализации возможностей роста.
Жоанн Верморель поделился своим опытом работы с клиентами в розничной торговле, где преобладало смещение в сторону положительного роста для промоакций, что приводило к бессмысленным прогнозам. Его решение заключалось в том, чтобы рассматривать прогнозирование как одну из многих техник, а не как основной подход. Это предполагает использование только числовых методов, которые позволяют ощутимо влиять на бизнес, такие как производство чего-либо, перемещение чего-либо из места А в место Б или использование данных, которые прямо связаны с чем-то осязаемым. Верморель настаивал на необходимости рассматривать прогнозирование как одну из многих техник и не иметь голых прогнозов, которые не связаны с чем-то осязаемым.
Джонатан Карелс внес свой вклад в обсуждение, добавив, что все модели неправильны, но некоторые модели полезны, и конечная цель - стремиться к простоте и выбору модели. Он также предупредил от микроуправления прогнозами, так как это трата времени, когда точность прогноза на горизонте в семь или восемь месяцев уже ужасна. Он предложил применять бесконечные возможности изобретательности в конкретных приложениях, где вероятность роста наибольшая.
Они заключили, что прогнозирование - это всего лишь одна из многих техник, а не единственный способ подхода к будущему. Они согласились, что более глубокое понимание поведенческой экономики внутри организации может улучшить прогнозирование. Признавая предубеждения, которые могут влиять на прогнозирование, организации могут избежать создания бессмысленных прогнозов и сосредоточиться на техниках, которые позволяют ощутимо влиять на бизнес.
Обсуждение крутится вокруг использования искусственного интеллекта и прогнозирования в оптимизации цепочки поставок. Они исследуют источники и степень предвзятости в человеческом суждении и как это влияет на процесс. Верморель утверждает, что основное внимание следует уделять разработке числовых рецептов, которые работают в масштабе и приводят к разумным решениям. Он говорит, что такие рецепты должны быть полностью автоматизированы в ежедневном исполнении, в то время как люди должны сосредоточиться на принятии долгосрочных решений, требующих большего умственного потенциала. Карелсе соглашается с тем, что искусственный интеллект может помочь людям в прогнозировании, но не заменить их, и человеческое изобретательство по-прежнему является неотъемлемым элементом в постановке интересных и важных вопросов, которые могут решить искусственный интеллект. Обсуждение заканчивается надеждой Карелсе на то, что организации смогут сбалансировать потенциальные преимущества человеческих идей с хрупкостью, которая поражает всех из-за неполноты работы нашего разума.
Будущее оптимизации цепочки поставок. Верморель выразил свою веру в то, что с лучшими инструментами и техниками большие команды людей в управлении цепочкой поставок могут стать ненужными, и он описал свой опыт видения людей, продолжающих делать вещи, которые явно иррациональны, несмотря на доказательства, которые говорят об обратном. Карелсе согласился с Верморелем и добавил, что он использует поведенческую экономику, чтобы помочь топ-менеджерам понять, почему их процессы недостаточны и как измерить их бизнес-ценность. Верморель считает, что фокусировка на прогнозном моделировании в управлении цепочкой поставок будет становиться все более странным, и Карелсе рекомендует практикующим никогда не довольствоваться просто знанием, а всегда задавать вопрос “почему”. Интервью заканчивается рекомендацией Карелсе книги Вермореля, и оба гостя благодарят Доэрти за его время.
Полный текст
Конор Доэрти: Добро пожаловать в программу. Я ваш ведущий, Конор. Сегодня ко мне присоединился Йоанн Верморель, сооснователь компании Lokad, и у нас сегодня особый гость, Джонатан Карелсе, генеральный директор и сооснователь компании NorthFind Management. Он является опубликованным исследователем в области бессознательного предвзятости и написал эту прекрасную книгу “Истории будущего”. Джонатан, большое спасибо за то, что присоединились к нам.
Джонатан Карелсе: Спасибо, что пригласили меня.
Конор Доэрти: Хорошо, Джонатан, надеюсь, вы готовы к потоку комплиментов, потому что я действительно прочитал вашу книгу. Мне она очень понравилась. Я думаю, что, на самом деле, я являюсь вашей целевой аудиторией, потому что я грамотен, но у меня также есть интерес к таким темам, как экономика, бизнес, поведенческая экономика. Но у меня фактически нет формального образования в этой области; моя предыдущая специализация, как мы обсуждали ранее, - музыка и философия. Так что я действительно много узнал, изучая историю прогнозирования. У вас очень приятный стиль, очень доступный и читаемый, так что большое спасибо. Итак, давайте начнем с начала. Что именно послужило вдохновением для написания книги о последних 100 годах прогнозирования?
Джонатан Карелсе: Мой подход к прогнозированию и практике всегда заключался в понимании, что приведет к бизнес-результату, и это может показаться очевидным. Но во многих организациях прогнозирование выполняется просто потому, что “так полагается”, и не всегда задумываются о том, почему мы прогнозируем. В результате многие принятые мудрости передаются из поколения в поколение в бизнесе, и люди просто выполняют рутинный процесс прогнозирования, не понимая, какие элементы процесса влияют на бизнес положительно. Есть ли вещи, которые мы могли бы сделать, чтобы улучшить его, и, что самое важное, почему?
Вопрос “почему” - это, наверное, нечто, что я бы назвал себя контрарианцем, но я думаю, что всегда полезно иметь немного здорового цинизма или скептицизма. Я часто задавался вопросом “почему”, и книга, которая действительно нашла отклик во мне, когда я был студентом экономики, была написана Бруно ЛаТуром. Он из семьи ЛаТур. Он, по сути, чёрная овца семьи, потому что он не занимается виноделием, но у Бруно ЛаТура есть докторская степень по эпистемологии от Ле Коль де Мин, которая, для тех из вас, кто знаком с ней, вы знаете, что это неплохой университет. Он провел много времени, исследуя способы обучения и способы получения знаний, и написал книгу под названием “Наука в действии”.
Эта книга “Наука в действии” рассматривает некоторые основы науки, такие как двойная спиральная структура ДНК, и возвращает их к тому времени, когда они еще не были фактами, когда они еще не были “черными ящиками”, и помогает нам понять исторический контекст, в котором они появились. Таким образом, он действительно показывает, что многие из этих научных уверенностей гораздо менее уверенны, чем мы думаем. Это удобно.
Конор Доэрти: Итак, когда вы используете термин “прогнозирование”, что именно вы имеете в виду?
Джонатан Карелс: Это отличный вопрос. В своей сущности прогнозирование - это догадка о том, как будет выглядеть будущее. Эта догадка может стать более научной и основанной на принципах неопределенности, но в конечном счете это все равно догадка. Важно не терять это из виду, так как она основана на неопределенности.
Конор Доэрти: Это интересный момент. И Йоханнес, один из основных принципов Lokad - это принятие неопределенности, верно?
Йоаннес Верморел: Да, но чтобы ответить на вопрос о прогнозировании, я считаю, что есть классическая перспектива прогнозирования, которая уходит корнями в начало 20-го века, популяризированная людьми вроде Роджера Бабсона и Ирвинга Фишера. Эта перспектива подходит к прогнозированию через временные ряды. У вас есть измерения, выполненные в течение времени, такие как количество произведенной стали или количество собранных картофеля. В результате у вас получается последовательность измерений, которую можно представить в виде временного ряда. Очевидно, что нужно продолжить кривую и посмотреть, куда она идет дальше. Это суть классической перспективы прогнозирования, которая возникла в начале 20-го века. Однако это только один из способов смотреть на это.
Реальный вопрос в том, имеет ли смысл подходить к будущему, просто продолжая ряд измерений. Это не обязательно неправильно, но это предвзятый способ подхода к будущему. Этот подход был очень актуален в 20-м веке, прогрессировал и совершенствовался в течение века. Однако в 21-м веке могут появиться новые способы смотреть на будущее, некоторые из которых могут быть гораздо страннее классического подхода.
Конор Доэрти: Йоханнес, касательно классического подхода к прогнозированию, я хочу вернуться к Джонатану. Что пронизывает все ваши работы - это переоценка того, как люди измеряют успех прогноза. Ваша тезис, кажется, заключается в том, что дело не в точности прогноза самого по себе. Можете ли вы развернуть эту мысль, пожалуйста?
Джонатан Карелс: Я надеюсь, что мы продолжим обсуждение классического подхода по сравнению с различными философиями прогнозирования в будущем. Но на данный момент одна из вещей, которые меня смущают, - это то, как люди часто говорят о том, что они знают, что прогноз всегда будет неправильным, как если бы это была карта “выйти из тюрьмы”. Они скажут: “Ты просишь меня сделать прогноз. Я сделаю все возможное, но прогноз всегда неправильный, так что не вини меня, когда это произойдет.
Конор Доэрти: …но затем они все равно калибруют операционные стратегии и, конечно же, финансовые стратегии в надежде на высокоточный прогноз. Поэтому я хочу быть очень ясным, потому что я говорил об этом на нескольких конференциях в Амстердаме на прошлой неделе, и у меня были очень злые люди, особенно поставщики программного обеспечения на этих сессиях, которые говорили: “Что ты говоришь? Прогнозирование не имеет значения”. И я хочу быть ясным: прогнозирование абсолютно имеет значение в определенных приложениях, потому что есть места, где оно не имеет значения с точки зрения возврата инвестиций.
Джонатан Карелс: Если вы являетесь индивидуальным портным и можете сшить три костюма в год, а ваши клиенты готовы ждать 10 лет, вам не нужно тратить много времени на прогнозирование спроса. Вы находитесь в максимальной загрузке. Возврат инвестиций будет минимальным. Для всех остальных, возможно, есть возврат инвестиций, но суть в том, что точность прогнозирования для меня не является показателем успеха. Точность прогнозирования - не цель. Точность прогнозирования - это диагностический показатель, который мы можем использовать для выявления корневых причин ошибок и корневых причин неоптимальности, которые мы затем можем использовать для перекалибровки и оптимизации для непрерывного улучшения. Цель прогнозирования - зарабатывать деньги, потому что цель бизнеса - зарабатывать деньги, если вы не занимаетесь бизнесом, который этого не делает. И прогнозирование - это один из инструментов, которыми мы располагаем для этого. В некоторых случаях, правильно использованный, это лучший инструмент, который у нас есть. В других случаях это вспомогательный инструмент, а в некоторых случаях он, вероятно, не принесет много пользы. Но понимание вашего бизнеса и понимание того, чего вы должны ожидать от прогноза, имеет большое значение.
Жоанн Верморель: Прогноз всегда неверен, и сейчас люди используют это как “карту выхода из тюрьмы”. Мне очень нравится это выражение. Интересно то, что это не всегда было преобладающей точкой зрения. Вы знаете, Роджер Бабсон был огромным поклонником труда сэра Исаака Ньютона, и даже тогда была эта невероятная вера в абсолютную силу науки, что вы сможете уловить вещи и иметь некоторую числовую модель, как вы можете предсказать до последней доли секунды дуги положение Марса через три столетия.
Джонатан Карелс: Оба они верили, как и я в конечном счете, что математика лежит в основе всего и если у нас есть возможность и достаточно данных, математика может объяснить все. Но на практике мы еще не достигли этого. И я бы сказал, что это не очень хорошо понималось в начале 20-го века. Есть порядки сложности, которых просто нет, и поэтому это не просто так, что окончательная формула находится за углом.
Жоанн Верморель: Я считаю, что одно из ключевых открытий 21-го века - это понять, насколько для всего, что связано с знаниями, существуют целые области знаний, которые ускользают от нас. Это не только о том, чтобы найти что-то эквивалентное закону гравитации, где в одном уравнении можно объяснить огромное количество вещей. Это было то, как мы думали в то время.
Конор Доэрти: Для аудитории, мы говорим о североамериканских статистиках, описанных в книге, которая возникла в США из-за того, что появилось среднее…
Конор Доэрти: Так вот, кто владеет акциями, а не акциями, извините, акциями, и они хотели иметь прогноз о том, что принесет им наибольшую прибыль. Они очень интересовались всеми этими прогнозами, и поэтому это действительно возникло в США и в Северной Америке. Культурный компонент или географический геокультурный компонент является ключевым.
Жоанн Верморель: Это очень важно, потому что в Северной Америке это было не особенно статистически обосновано. Как вы указали, Бабсон обожал Ньютона и все, что связано с Ньютоном. Он взял то, что было довольно поверхностным пониманием ньютоновских принципов и попытался применить его без пользы статистического понимания к прогнозированию. По сути, если что-то растет некоторое время, оно будет падать некоторое время, потому что так происходит с гравитацией.
Джонатан Карелс: Ирвин Фишер, который получил первую в Северной Америке степень доктора философии по экономике, попытался применить свою математическую подготовку к тому, что до этого была социальная наука. Он начал сочетать некоторые статистические методы, которые, как следует отметить, были развиваемы в Европе, а не в Северной Америке, с североамериканской экономической сферой. Но на самом деле, именно в Европе в то время мы видим все прогрессивные изменения в математике, которую в конечном итоге использовало прогнозирование.
Жоанн Верморель: Был такой детерминистский подход, когда люди верили, что вы можете моделировать будущее механистическим образом. Эта мысль долго преобладала. Даже научно-фантастические произведения 60-х годов, такие как серия “Фонд” Айзека Азимова, приняли идею психоистории, науки, которая может предсказывать будущее очень механистически.
Джонатан Карелс: Это очень интересно, потому что это классическая точка зрения. Но из-за того, что люди десятилетиями работали с довольно неточными прогнозами, они поняли, что прогноз всегда ошибается. Однако они не пришли к выводу, что он никогда не будет полностью правильным.
Жоанн Верморель: Это интересный момент. Люди морально приняли, что прогноз всегда ошибается, и они не увольняют людей из-за этого, что хорошо. Но стоит ли нам глубже рассмотреть этот аспект прогноза? Не совсем.
Джонатан Карелс: Очень интересно, что вы несколько раз упомянули детерминизм, и я думаю, что это ключевой момент. Много науки, которая возникла в XIX и начале XX века во всем мире, а не только в Северной Америке, была в основном рождена от импульса, который мы начали получать в эпоху Возрождения. Мы вышли из Темных веков и начали понимать, что, применяя научные принципы, мы можем начать проливать свет на эти темные области.
Конор Доэрти: Области знания и действительно подняться на новый уровень, и мы начали, я думаю, немного высокомерничать в отношении того, насколько мы можем это сделать. Мы начали верить в XIX и начале XX века, что с достаточными усилиями нет ничего, что мы не можем выучить. И это определяет две очень важные темы в прогнозировании. Первая - детерминистский подход имеет смысл с этой философией, потому что это означает, что если я работаю достаточно усердно и достаточно умён, я приду к точному выводу, а не приму это за глупую затею. Я всегда буду ошибаться, и вероятностные подходы, кстати…
Джонатан Карелс: …и любые другие. Ну, Джоаннес Комагаров занимался всей своей работой в области статистики примерно в то же время, когда рождались эти ранние детерминистские подходы. Так что нам не пришлось ждать еще сто лет для возможности вероятностных подходов. Математика была. Второй момент заключается в том, что мы верим, что с достаточными усилиями, с достаточной сосредоточенностью мы можем разобраться во всем. Это приводит нас к тому, что сегодня является очень актуальной темой: искусственный интеллект. Теперь, идея того, что искусственный интеллект может решать неважные или рутинные задачи для людей, не нова. Фактически, в 1950-х годах в колледже Дартмут была проведена конференция, где несколько ранних мыслителей в области искусственного интеллекта предложили 10 вещей, которые, по их мнению, искусственный интеллект мог бы достичь в следующие 10 лет. И мы не сделали ничего из этого через 70 лет. Но это не останавливает нас от попыток, и я думаю, что попытки важны. Но я думаю, что в конечном счете урок заключается в том, что нам нужно принять, что есть предельные ограничения на нашу способность понять все. И как только мы это поймем, мы становимся более открытыми к другим подходам, например, вероятностному прогнозированию, что позволяет нам понять, что мы всегда будем ошибаться. Но теперь, приняв это, давайте поймем, как это выглядит в терминах реальных бизнес-результатов и откалибруем наши стратегии на знании о том, что мы будем ошибаться, а не на надежде, что мы каким-то образом будем правы.
Конор Доэрти: Кажется, вы затронули две очень интересные темы, одна из которых является предварительным обсуждением поведенческой экономики, я думаю, вы имеете в виду самонадеянность, а вторая - искусственный интеллект. Я думаю, что в главе 6, пять или шесть, мы рассмотрим их по очереди, если вам не против. Сначала о поведенческой экономике, я знаю, что это очень ваше метье. Если вы могли бы немного расширить, как поведенческая экономика фактически влияет или взаимодействует с прогнозированием.
Джонатан Карелс: Конечно. Итак, Джоаннес, в начале разговора несколько раз упоминал классический подход к прогнозированию. И я бы сказал, что классический подход к прогнозированию является своего рода побочным продуктом классического или, точнее, неоклассического экономического подхода к бизнесу в целом. И это снова с точки зрения 19-го и 18-го веков, что если мы упорно работаем и применяем математические и научные принципы к этому, мы можем понять. И Адам Смит в 1776 году написал фундаментальное произведение “Богатство наций”, и одним из его ключевых положений является то, что практически все коммерческие отношения могут быть поняты на основе простого принципа, что люди являются рациональными действующими лицами, которые, когда им предоставляются ясные выборы на основе ценности, естественным образом стремятся к тому, что имеет наибольшую полезность. И это не обязательно означает наибольшие деньги, а тот, который приносит им наибольшую выгоду какого-то рода. И интуитивно это кажется правильным. Проблема в том, что для всех слушателей, изучавших экономику, вы знаете, особенно эконометрику.
Конор Доэрти: Хотя, конечно, в практике есть принципы неоклассической экономики, которые действуют, нам нужно понять в более широком смысле, как эти системы спроса и предложения, установки цен и, в конечном счете, принятия решений влияют на бессознательные факторы, бессознательные психологические факторы, которые в некоторых случаях являются окружающими, в некоторых случаях являются закодированными в нас эволюционными, но в любом случае существуют. Независимо от того, насколько мы считаем себя свободными от предубеждений, насколько мы считаем себя объективными, мы все равно подвержены этим бессознательным предубеждениям, которые создают определенную призму, через которую мы интерпретируем данные.
Конор Доэрти: Собственно, извините, вы сказали в книге, что обычный человек принимает около 30 000 решений в день, и, конечно, мы не осознаем все эти решения. Мы просто не можем.
Джонатан Карелс: Нет, и в этом заключается польза этих эвристических процессов, которыми мы обладаем. Я имею в виду, что часто мы смотрим на эвристику как на что-то негативное, как на сокращение. Когда Джоаннес упомянул 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, презирали более простые методы, такие как простое экспоненциальное сглаживание или тройное экспоненциальное сглаживание Хольта-Винтерса, считая их слишком простыми и всего лишь эвристикой, сокращением.
Джонатан Карелс: Но то, что показали первые четыре соревнования M, это то, что на практике во многих случаях эвристика не обязательно плоха. И теперь, психологически, есть огромная польза в том, чтобы быть способным очень быстро принимать решения с эволюционной точки зрения. Если я замечаю тигра в своем периферийном зрении, преследующего меня в лесу, если я остановлюсь и рассмотрю все свои возможности и буду думать о всех различных вещах, которые может сделать тигр, и о всех различных вариантах, которые у меня есть, и затем попытаюсь взвесить наиболее подходящий для меня, меня, вероятно, съедят тигры. И это означает, что я не размножаюсь, и это означает, что моя ДНК перестает существовать. Так что со временем мы узнали, что есть ряд эвристических процессов, которые приносят нам пользу с эволюционной точки зрения.
Джонатан Карелс: Одним из них является эвристика представительности, которая заключается в том, что “это похоже на то, что я видел раньше, в последний раз, когда я сталкивался с этим, у меня был успешный результат. Я сделал это. Я сделаю это снова”. Так что нам не нужно учить младенцев отпрягаться от вещей, которые выглядят как змеи; это врожденно. Нам не нужно останавливаться и думать, что делать, когда мы видим приближающийся к нам автобус; мы отпрыгиваем назад. И 30 000 решений, которые нам нужно принять в день, большинство из них осуществляются с помощью какой-то эвристики. Если бы нам пришлось думать обо всех них объективно, мы были бы парализованы.
Джонатан Карелс: Недостатком эвристик является то, что то, что мы считаем похожим на то, что мы видели раньше, не всегда действительно представляет собой это. И особенно, когда дело касается интерпретации данных, мы часто подвержены такому явлению, как иллюзия кластера. Поэтому, когда мы платим людям за интерпретацию данных и составление прогнозов, они чувствуют необходимость добавить ценность. Мы платим им за поиск паттернов, и они находят паттерны, даже когда их на самом деле нет. Это естественно; их нельзя винить. Но существует множество предубеждений, которые влияют на нашу способность рационально и объективно интерпретировать данные.
Конор Доэрти: Джонатан, по этому поводу у вас есть пример из книги, который вы опубликовали в другом месте. Вы представили полностью санитаризованные случайные данные группе людей и попросили их угадать, будет ли линия идти вверх, вниз, оставаться статичной или они не знают. Можете объяснить это и значение этого открытия?
Джонатан Карелс: Конечно. Представленная нами система выбора является спойлером для всех, кто в конечном итоге будет выполнять нашу проверку предубеждений. Большая часть представленных данных является стохастической. Нам было предоставлено несколько различных стохастических наборов данных, и мы хотели убедиться, что мы не случайно не включили туда тенденцию или сезонность. Эти данные настолько стохастические, насколько только возможно; ни один статистический пакет не найдет в них тенденцию, сезонность или любой другой паттерн.
Когда мы представили неотредактированный, необрамленный набор данных и спросили людей, куда они думают, что пойдет спрос, мы получили практически равное распределение между ростом, падением и неизменностью. У нас было немного людей, которые сказали, что не знают, что является полностью уместным ответом, потому что это отражает тот факт, что они ничего не знают о том, что означают эти данные. У них даже нет возможности запустить статистический инструмент, чтобы увидеть, есть ли какая-либо тенденция или сезонность, и, кстати, вы все равно не можете предсказать будущее. Это был бы правильный ответ, но очень мало кто его говорит.
Затем мы представили тот же набор данных позже в ходе проверки с другими вопросами между ними, но на этот раз он сопровождался небольшой историей. Данные остаются теми же, а история содержит информацию, которая может показаться полезной, но на самом деле не имеет никакого отношения к данным. Мы обнаружили, что около 70 процентов людей становятся более уверенными в принимаемом ими решении. Люди, которые раньше сказали “не знаю”, обычно выходят из этой группы, и большинство людей, которые раньше сказали “неизменно”, переходят в категорию “выше” или “ниже”.
Все зависит от того, как мы это формулируем. Если у нас есть положительная формулировка, мы видим, что многие люди склоняются к этому. Это очень важное практическое открытие с точки зрения прогнозирования, потому что данные не изменились. В первом примере результат, вероятно, наиболее соответствует тому, что можно ожидать от человека. Компьютер сделал бы это сразу. Но как только мы сопровождаем это историей, вдруг вся логика и рациональность выходят за рамки, и мы получаем крайне предвзятое представление о данных.
Проблема в том, что на практике это не так уж и отличается. Мы просим людей создавать планы спроса, но они делают это в широком контексте организации, которая имеет свои собственные культурные предубеждения и предубеждения, основанные на бизнесе, в пользу роста и положительных результатов. Так что неудивительно, что когда мы измеряем влияние вмешательства человека в компьютерные прогнозы, мы чаще всего видим положительное предвзятое мнение. В некоторых случаях даже существует явное давление на создание положительного предвзятого мнения в организациях, давление на прогнозирование, планирование и достижение определенных целей. Людям в основном говорят меняться.
Конор Доэрти: Прогноз, но даже без этих явных предубеждений, некоторые исследования Лена Ташмана и, эм, ой, я забуду все их имена, Сфероса Мокера Докуса, эм, Пола Гудвина. Их долгосрочные исследования показывают, что мы, скорее всего, в четыре раза чаще вносим положительные корректировки в прогноз, чем отрицательные корректировки, что не имеет смысла, если мы начинаем с статистически обоснованного прогноза. Остаток должен быть нормально распределенным по обе стороны от этого прогноза. Если требуется человеческая корректировка со временем, мы должны уравновеситься. Но из-за этого бессознательного предубеждения, когда мы намного более рисковые, чем ищущие вознаграждения, и снова есть эволюционные причины для этого, мы намного больше хотим реализовать возможности роста, чем реализовать риски снижения, и в итоге у нас остаются отпечатки людей на положительном предвзятости в прогнозировании. Вы считаете, что это должно быть так, когда вы делаете прогнозирование?
Жоанн Верморель: Да, я имею в виду, десять лет назад, когда Локад все еще занимался, я бы сказал, классическим прогнозированием, мы начали как поставщик программного обеспечения, занимаясь классическим прогнозированием. Сейчас я бы сказал, что у нас есть элемент предиктивного моделирования в инструментарии, но способ, которым мы работаем, мы можем обсудить это. Это очень, очень странно и не имеет отношения к тому, что было бы считаться актуальным о будущем, если вы начнете говорить о истории будущего для 21 века. Но вернемся к этим опытам, это очень интересно, потому что у нас были, эм, очень похожие опыты, особенно с нашими клиентами. У нас был ряд клиентов, эм, все еще есть в рознице, и когда речь заходила о прогнозировании акций, одной из вещей, которую мы часто получали, было то, что рост от акции ограничен. Знаете, да, у вас будет, скажем, гипермаркет, да, может быть, вы знаете, продажи увеличатся на 30-50%. Это много, но это очень далеко от того, что люди ожидали, что мы сделаем 10 раз больше для этого продукта.
И интересно было то, что для этих акций мы провели серию сравнительных испытаний с командами, которые фактически просто моделировали суперпростое увеличение для акции по сравнению с людьми, которые микрооптимизировали, говоря: “Ах, я точно знаю этот бренд шоколада” и т.д. И посмотрите, что выходит на первое место по точности с помощью, эм, я бы сказал, смешных простых моделей, знаете, вроде вещей порядка сложности экспоненциального сглаживания, но только для увеличения акции, которое просто является постоянным множителем плюс 50, и вы готовы. И это на самом деле было лучше, но намного лучше, чем у людей, которые микрооптимизировали. И действительно, предвзятость была очень сильной, где они говорили: “Но вы понимаете, что этот бренд впервые за последние 10 лет продвигается; они сделают 10 раз больше!” И мы думаем: “Да, наверное нет. Скорее всего, это будет плюс 50. Я знаю, что вы будете разочарованы.”
Но затем у вас возникают очень странные вещи, когда, например, у вас есть прогноз, который совершенно бессмысленный, вы говорите, что вы сделаете 10 раз больше, и вы не делаете 10 раз больше, но покупка 10 раз больше на самом деле является правильным решением, потому что поставщик на самом деле предоставляет розничному торговцу огромную скидку. Таким образом, это своего рода спекуляция на стоимость запасов. И если ваш поставщик дает вам 25%
Конор Доэрти: Вы будете продавать со временем, это может оказаться разумным решением, но вы видите, что здесь было что-то очень странное в плане мышления. Я собираюсь начать с очень бессмысленного прогноза, как раньше, а затем из-за того, что обычно с акциями я покупаю товар с огромной скидкой у поставщика, чтобы я мог предложить большую скидку на цену товара, я в итоге делаю хорошую операцию со временем.
Жоанн Верморель: Но вы видите, деконструкция заключается в том, что есть элемент рациональности. Вы оказываетесь правы по неправильным причинам.
Джонатан Карелс: Именно так, и это очень интересно. Вы знаете, это те вещи, где, опять же, то, что люди могут быть иррациональными, не означает, что нельзя применять разум для моделирования этой иррациональности. Абсолютно, это иррационально, но это не означает, и поэтому я бы сказал, что мое собственное мнение заключается в том, что нет предела человеческому изобретательству. Знаете, по-видимому, это мое убеждение, это не элемент науки. Моя основная вера заключается в том, что нет предела количеству человеческого изобретательства, но не ошибайтесь, некоторые вещи, которые требуют решения, требуют абсолютно огромного количества человеческого изобретательства, и, вероятно, вещи, которые находятся на уровне веков работы. Так что мы должны быть очень скромными в этом великом путешествии науки, которое началось несколько веков назад. Это только начало, и, вероятно, есть целые классы знаний, о существовании которых мы даже не подозреваем.
Жоанн Верморель: Да, и я полностью согласен с вами, Джонатан. Это тоже мое основное убеждение.
Джонатан Карелс: Я думаю, что это был Паскаль, который сказал: “Если что-то существует, то это можно измерить”. И, конечно, есть ограничения на нашу способность сделать это, но я верю, что в конечном счете, с достаточной емкостью, все может быть измерено и понято. Но, очевидно, проблема в том, что мы настолько далеки от этой емкости, что на практике начинать любое деловое путешествие с такой философией - безумие, потому что мы находимся слишком далеко от цели. Но это важное продолжение идеи того, что прогноз всегда неправильный и того, что сказал Жоанн о микроуправлении прогнозами. Когда Джордж Бокс сказал: “Все модели неправильны, но некоторые модели полезны”, именно оттуда исходит идея о том, что прогноз всегда неправильный. Есть еще две вещи, которые он сказал, и которые большинство людей игнорируют. Первая - “Поскольку все модели неправильны, но некоторые полезны, стремитесь к простоте в выборе модели”. Иными словами, вы все равно будете ошибаться, поэтому особенно экономистам, строящим огромную сложную модель, все равно придется иметь некоторую степень неправильности. Поэтому не стройте огромную сложную модель, которая даст вам точность, потому что вы все равно будете ошибаться. Но второе, и это, на мой взгляд, более важное на практике, - “Не заморачивайтесь по пустякам, когда рядом есть тигры”. Мы столько раз работаем с организациями, которые говорят, что они знают, что прогноз всегда неправильный, и их точность прогнозирования на практике ужасна, но мы тратим часы на обсуждение одного-двух процентов на горизонте в семь-восемь месяцев по SKU, это безумие. Ваша точность прогнозирования на этом горизонте на уровне SKU, например, составляет 30 процентов.
Конор Доэрти: Изменение на один-два процента не имеет значения. Вы все равно будете ошибаться, и вы будете настолько неправильны, что время, затраченное на внесение этой корректировки на один-два процента, будет полной пустой тратой времени. Вы должны сосредоточиться только на применении этой в конечном счете бесконечной способности к изобретательству, в которую я также верю, в конкретных приложениях, где вероятность положительного результата наибольшая. И это происходит, когда A) вы с уверенностью понимаете что-то о будущем, что не отражено в истории, B) стоимость того, с чем вы работаете, достаточно высока, чтобы оправдать вмешательство, и, в конечном счете, C) масштаб этого вмешательства достаточно велик, чтобы оправдать его, иначе вы все равно оказываетесь в пределах погрешности, и у вас есть резервный запас или какой-то другой механизм, который позаботится об этом.
Joannes Vermorel: Это очень интересно, потому что это отражает путь, который прошла Lokad. В настоящее время подход к этому заключается в том, чтобы подходить к предвидению будущего только через его последствия. Именно поэтому сейчас это почти догматическая часть догмы Lokad, где говорится, что голые прогнозы запрещены. То есть, вы не можете этого делать, и это подкрепляется. Я, конечно же, могу это контролировать в Lokad, будучи генеральным директором. Идея заключается в том, что когда вы делаете голый прогноз, вы, по определению, изолированы от последствий реального мира. Сам прогноз является абстракцией измерения будущего. Он ничего не говорит о том, хороший или плохой ваш бизнес. Да, вы можете настраивать числа, но в конечном итоге они даже не связаны с реальностью. Это очень абстрактная вещь.
И снова, люди готовы заниматься этим только потому, что классическое прогнозирование было практически редкостью. Есть люди, которые имеют прогнозирование в своем резюме, типа “я сертифицирован для прогнозирования”. Есть прогнозирование, и специалист по спросу - это реальная вещь. У них есть должности и процессы. Таким образом, вы видите, что эти вещи, которые являются очень абстрактными, одним из способов подхода к будущему, были оформлены через должности, компоненты программного обеспечения. Вы платите деньги за лицензии, чтобы их получить, так что видите, это способ сделать это реальным. Если вы платите за что-то, то оно, конечно, существует.
Итак, подход, если я вернусь к этой идее голого прогноза, который был у Lokad, заключался в том, что нет, мы должны рассматривать прогнозирование как одну из множества других числовых техник, которые позволяют нам принимать решения. Есть множество вещей, которые имеют осязаемое влияние на бизнес. Идея заключается в том, что если у вас нет прямой связи с чем-то очень осязаемым, таким как производство чего-либо, перемещение чего-либо из места А в место Б или производство чего-либо, чтобы избавиться от некоторых материалов и получить некоторый результат, то у вас нет права на прогнозирование. Это очень соблазнительно; как только у вас есть временной ряд или любые данные, вы всегда можете создать модель.
Conor Doherty: Джоаннес, можете ли вы дать некоторое представление о трудностях использования прогнозов в оптимизации цепей поставок?
Joannes Vermorel: Прекрасность прогнозов заключается в том, что они осуществимы, независимо от того, являются ли они соответствующими или разумными. Однако проблема заключается в том, что когда у вас есть молоток в руках, все выглядит как гвозди. Если у вас есть сертификация по техникам прогнозирования, вы можете взять любой набор данных и начать применять свои модели. Наша политика в Lokad - “нет голых прогнозов”, потому что они слишком опасны. Если вы не связываете прогноз с чем-то очень реальным, вы будете подвержены сильным предубеждениям или даже бюрократическим проблемам. Когда вы придумываете метрику, у вас может быть множество вещей в организации, которые оптимизируются по этой выдуманной метрике. Учитывая, что цепи поставок по своей природе бюрократичны, согласование предложения и спроса - это очень бюрократическое упражнение. Это связано с синхронизацией множества людей, процессов и программного обеспечения. Если добавить масла в огонь, можно получить что-то, что быстро принимает большие масштабы. Цепи поставок - это человеческие конструкции, состоящие из множества людей, программного обеспечения и процессов, и это создает плодородную почву для проблем, особенно в связи с прогнозированием.
Conor Doherty: Джонатан, как улучшение понимания поведенческой экономики в организации в конкретных терминах улучшает процесс прогнозирования?
Jonathon Karelse: Я бы сказал, что есть два широких способа, которыми это улучшает процесс. Во-первых, многие организации считают, что люди не влияют на процесс прогнозирования, поэтому они стараются держать человеческое суждение как можно дальше от процесса прогнозирования. Они считают, что, в результате, они более устойчивы к предубеждениям и играм, которые происходят в том, что Джоаннес назвал очень бюрократическим процессом. Однако я бы утверждал, что даже в ситуациях, когда мы думаем, что мы удалили людей из процесса, они все равно оставляют свой след. Есть человеческое влияние на выбор данных, выбор программного обеспечения и, самое главное, наши действия в результате процесса прогнозирования.
Прогноз сам по себе является всего лишь идеей, потенциальным набором инструкций или картой. Нам все равно придется решить, что делать с ним дальше, и для этого требуется действие людей в цепи поставок. Понимание степени и способов нашей предвзятости помогает нам понять потенциальные проблемы в нашем процессе. Работа назад от потенциальных результатов к процессу, а не предположение, что процесс приведет нас к определенному результату, позволяет лучше понять источники и степень предвзятости участников.
Conor Doherty: Цепь поставок и планирование помогают нам понять с еще большей ясностью, какими могут быть эти результаты. Скорее всего, у организации есть процесс прогнозирования или планирования спроса, который имеет некоторую степень автоматизации и компьютеризации, но также, по своей сути, включает человеческое суждение. Я считаю, что при соблюдении определенных руководящих принципов со временем интеграция суждения приносит ценность. Но вы помогаете максимизировать потенциал добавления ценности человеческого суждения, если, снова, вы понимаете степень предвзятости у людей, предоставляющих это суждение. Именно в организациях, которые либо активно не хотят признавать свою предвзятость, либо не замечают, что они обладают предвзятостью, вы наиболее вероятно передаете предвзятость в процесс планирования спроса, либо через активную интеграцию суждений, либо с помощью этих человеческих отпечатков, которые есть повсюду. Когда вы начинаете рассматривать предвзятость, которая существует в вашей организации, вы можете начать устанавливать ограничения, которые смягчают ее влияние. Она всегда будет присутствовать. Я имею в виду, что человеческое суждение всегда будет неполным, но дело в балансировке потенциальной выгоды от человеческих идей в конкретных случаях по сравнению с уверенностью в том, что с этими идеями придет хрупкость, которая поражает всех нас из-за неполноты работы наших умов.
Joannes Vermorel: Я согласен с идеей, которая также является моим опытом, что если вы даже не признаете факт наличия предвзятости, это очень проверенный временем рецепт для максимизации количества предвзятости, которую вы имеете. Для организаций это вполне соответствует моему собственному опыту. То, о чем я бы сказал, и если мне нужно еще дальше разобрать эту идею подхода к будущему, когда люди думают о предвзятости, они все еще имеют в виду перспективу временных рядов. И очень сложно подумать о том, что я делаю неправильно в своей деятельности по прогнозированию, не имея в виду решение или механизм, с помощью которого я это делаю. Предвзятость относится к тому, что у вас есть вещи, которые слишком высоки или слишком низки, и это очень одномерная перспектива с идеей, что вы работаете с временными рядами.
То, что я видел, и что было своего рода технологической эволюцией Lokad, заключается в том, что если вы хотите передать информацию о будущем, существуют целые классы вещей, которые нельзя выразить с помощью временных рядов. Это не означает, что это нельзя выразить числами; это просто нельзя выразить с помощью временных рядов. Временные ряды - это очень упрощенный способ, это буквально последовательность измерений, которые простираются в будущее. Просто чтобы дать пример, если я смотрю на продажи одного продукта, я могу прогнозировать объемы продаж, но объемы продаж зависят от цены, которую я устанавливаю, и цена - это нечто, что дано, это решение для меня. Даже если бы у меня был очень точный прогноз, он все равно был бы неполным.
Conor Doherty: Что-то, что было бы довольно странным, должно быть математической функцией, которая говорит, что если я сделаю это для цены, то это будет результатом. Так что, здесь мы внезапно касаемся факта, что даже если мы смотрим с этой очень детерминированной перспективы просто с предвзятостью и т.д., я просто указываю на то, что есть элементы, где эта перспектива временных рядов очень слаба, чтобы учесть вещи, которые очень важны. Это не только о том, чтобы иметь что-то, что слишком высоко или слишком низко, это почти другое измерение, которое просто не учитывается. Так что, здесь я просто даю идею возможности буквально формировать результат другими действиями. Это не только наблюдение за движением планет; я могу действовать и изменять будущее результата. Но даже если мы остаемся с чисто пассивным наблюдателем, есть ситуации, когда временные ряды все еще недостаточны.
Joannes Vermorel: Например, если я занимаюсь обслуживанием авиации, я хочу сохранить свои линии. Я могу прогнозировать спрос на запчасти, но дело в том, что при ремонте самолета есть список запчастей, которые мне нужно заменить. Таким образом, я упрощаю схему: самолет приходит в ангар на обслуживание, люди проводят диагностику, есть список запчастей, которые им нужно заменить, и пока каждая из этих запчастей не будет заменена, самолет не может снова взлететь. Он находится на земле. То, что я могу прогнозировать все запчасти независимо, не говорит мне ничего о совместной доступности всех запчастей. В теории, если бы все мои прогнозы были абсолютно идеальными для всех запчастей, то да, совместное знание также было бы идеальным. Но как только у вас есть даже очень маленькая неопределенность по каждой запчасти, зная, что для аудитории самолет состоит из примерно 300 000 отдельных запчастей, даже очень маленькая неопределенность в отношении потребности в каждой отдельной запчасти означает, что неопределенность, которую вы имеете в отношении совместной доступности всех запчастей, необходимых для ремонта самолета, абсолютно гигантская.
Joannes Vermorel: И это пример, когда классическая перспектива временных рядов просто математически недостаточно выразительна. Так что это еще один класс проблем, где проблемы, которые у нас есть, если вернуться к предубеждениям, заключаются в том, что у вас есть такого рода предубеждение, как прогнозирование слишком высокого или слишком низкого уровня, но у вас также есть другие классы очень человеческих проблем, которые просто не смотрят в правильном направлении или не смотрят с такой структурой, которая даст вам соответствующий ответ. И это, я бы сказал, очень современный способ взгляда на это, и они гораздо более загадочны.
Jonathon Karelse: Я абсолютно согласен.
Conor Doherty: Что ж, это приводит нас, я думаю, к обсуждению будущего, или следующих ста лет, будущего будущего, будущего будущего. Итак, Джонатан, я начну с вас. Касательно развития искусственного интеллекта и технологий, вы считаете, что это поможет людям в прогнозировании или в конечном итоге заменит их?
Jonathon Karelse: Когда Дэниел Канеман спрашивают о замене людей искусственным интеллектом, он с одной стороны надеется, что это
Conor Doherty: Мы так плохи в принятии объективных суждений, но с другой стороны, уверены, что это никогда не произойдет. И снова, это, на мой взгляд, важность разделения теоретического или философского от практического. С теоретической стороны это должно произойти в будущем, в какой-то момент, когда наша способность обрабатывать данные, наша способность понимать на гораздо более тонком и детализированном уровне, как работает человеческая мысль и что такое сам интеллект, позволит нам создать сложные системы, какие стремились создать ребята на конференции в Дартмуте в 50-х годах, когда они думали, что смогут воспроизвести человеческий мозг в течение нескольких десятилетий. Это с теоретической стороны.
В реальной жизни, за мою жизнь, за вашу жизнь, я не верю, что это произойдет. И я могу сказать это с некоторой степенью уверенности, просто посмотрев на траекторию того, что мы видели за последние 70 лет искусственного интеллекта. Конечно, сегодня мы много учимся. Вычислительная мощность растет экспоненциально, как и объем доступных данных, но это все еще не привело к прорыву в практическом применении искусственного интеллекта, который заменит людей. Может ли он помочь нам? Конечно. Сегодня есть множество примеров, где начинающее применение искусственного интеллекта приносит пользу во многих разных областях, но разрыв между заменой людей и помощью людям сегодня остается огромной пропастью.
Вернемся к тому, что Джоаннес сказал ранее, с чем я очень согласен, это способность человека к изобретательности, именно этот аспект, который, на мой взгляд, мы не рискуем заменить компьютерами или искусственным интеллектом. Я считаю, что ценность человечества не заключается в способности отвечать на сложные вопросы, потому что мы можем правильно использовать компьютеры для решения сложных вопросов. Я считаю, что наша ценность заключается в том, чтобы задавать интересные и важные вопросы в первую очередь. И только задавая эти вопросы, мы можем использовать все современные технологии, чтобы найти ответ, но именно задавание этих фундаментальных вопросов делает людей все еще важной частью процесса.
Хотите добавить что-то, Джоаннес? Передаю вам слово.
Джоаннес Верморель: Я считаю, что то, что люди видят как прогнозирование в классическом смысле, например, имеющее армию клерков или компании, у которых S&OP процессы поддерживаются сотнями людей, обрабатывающих таблицы и генерирующих числа, я очень надеюсь, что за мою жизнь я увижу, как это исчезнет. То, что мы делаем в Lokad, дает мне большую надежду, потому что для клиентов, которых мы обслуживаем, мы практически устранили это.
Но способ, которым мы это сделали, и это своего рода продукт, заключается не в устранении людей или использовании искусственного интеллекта. Мы сделали это, сосредоточившись на принятии решений и создавая умные инженерные числовые рецепты. Это типичный термин, который я использую, потому что некоторые из них могут быть эвристиками, некоторые даже более обыденными, просто фильтрами и прочим. Даже это не эвристика, это что-то еще более базовое.
Конор Доэрти: Так что инженерные числовые рецепты, которые просто работают в масштабе для этих компаний, обыденные ежедневные вещи, и это теперь может быть полностью автоматизировано. Это означает, что мы убрали людей из процесса?
Джоаннес Верморель: Не совсем, потому что числовые рецепты - это в значительной степени продукт человека. Чтобы создать их, требуется действительно умный инженер. И поддержка также полностью осуществляется людьми. Числовые рецепты - это просто некоторый набор знаний о том, какие числовые процессы работают в масштабе для принятия разумных решений. Есть ли в числовых рецептах какой-то интеллект? Абсолютно нет. Числовой рецепт - это очень механическое дело. Да, там могут быть элементы машинного обучения, но это просто статистические техники. Они по своей природе все еще очень механические.
Конор Доэрти: Итак, где это очень интересно?
Джоаннес Верморель: Если вы начнете с этой перспективы, то в итоге получите процесс, который автоматизирует то, что занимает сотни людей в крупных компаниях. Однако, в конечном итоге, у вас все равно есть команда людей, которые полностью отвечают за эти числовые рецепты, которые не работают сами по себе. Ключевое заключается в том, чтобы у людей была возможность думать, и если они полностью заняты мелкими деталями сверхсложных вещей в цепи поставок, это становится сложным.
Примером сверхсложной вещи в цепи поставок может быть наличие 50 миллионов SKU, которые требуют некоторого микроуправления, где мне нужно выбрать, буду ли я иметь одну единицу на складе, две, три, пять и т.д. И у меня есть 50 миллионов таких уровней запасов, которые нужно микроуправлять ежедневно. Я надеюсь, что минутные прогнозы, необходимые для поддержки такого рода решений, будут полностью автоматизированы в смысле ежедневного выполнения. Но для более долгосрочного горизонта, например, от года к году, когда сама компания развивается, когда меняется ее рынок, когда меняются правильные вопросы для ответа, я не думаю, что мы увидим, чтобы машины отвечали на них за мою жизнь.
Конор Доэрти: Что это означает для компаний на практике?
Джоаннес Верморель: Я считаю, что эта автоматизация заменит слои экосистемы, где люди делают вещи, которые имеют очень мало добавленной стоимости, особенно в рамках S&OP. Некоторые люди могут возразить, что это, возможно, не настоящий S&OP или хороший S&OP, но это не моя дискуссия. Мой поинт в том, что я наблюдаю, что в отрасли цепи поставок есть много крупных компаний с огромными командами людей, которые просто перемещают числа вверх и вниз, и я подозреваю, что это может исчезнуть. Не потому, что у нас есть какие-то фантастические инструменты, которые устранят необходимость в людях, а потому что с помощью лучших инструментов мы можем улучшить эффективность управления цепью поставок.
Джонатан Карелс: Я согласен с Джоаннесом. По мере развития лучших инструментов и технологий мы увидим изменение роли людей в управлении цепями поставок. В то время как автоматизация может справиться с многими рутинными задачами, человеческая экспертиза по-прежнему будет важна для стратегии, инноваций и адаптации к изменяющимся рыночным условиям.
Конор Доэрти: И с помощью лучших техник мы можем иметь нескольких умных людей, которые могут создавать вещи, работающие на очень большой шкале. Ну, если я вернусь к тебе, Джонатан, у тебя есть что-то в ответ на это? Потому что я хочу дать тебе последнее слово по этому поводу.
Джонатан Карелс: Я могу сказать последнее слово, но я в целом согласен со всем, что он говорит, конечно. И я не буду втягиваться в дебаты о “S&OP” тоже.
Конор Доэрти: Тогда мы продолжим. Если бы вы написали второе издание “Истории будущего историй о будущем часть двадцать первого века”, есть ли какие-то конкретные идеи, на которые вы бы сосредоточились?
Джонатан Карелс: Нет, моя вторая книга не будет продолжением этой книги. Моя вторая книга должна быть после моего ухода на пенсию, потому что это будет история всех безумных вещей, которые я видел, как люди делают в сфере управления цепями поставок за время моей карьеры. Те, кто, несмотря на все горы доказательств о том, насколько безумно это было бы сделать, продолжают делать это. Но, конечно, все вы наши текущие клиенты, не волнуйтесь, вы не будете в ней. Но нет, я имею в виду, мы всего лишь несколько месяцев после публикации этой книги, поэтому я не думаю, что есть какие-то новые, как сказал Джоаннес, пока еще неоткрытые системы знаний или типы науки, о которых мне нужно начать думать.
Конор Доэрти: Хорошо, на этой ноте, и это то, о чем я не успел спросить раньше, Джоаннес, я спрошу и у вас. По вашему опыту в NorthFind, когда вы находитесь в комнате с руководителями верхнего уровня и пытаетесь продать им эти идеи, о которых мы говорим, и сталкиваетесь с таким уровнем сопротивления, о котором мы говорили ранее из-за бессознательных предубеждений, как вы используете поведенческую экономику, чтобы преодолеть это, чтобы избежать тех безумных примеров, на которые вы только что намекнули?
Джонатан Карелс: Я частично отвергаю предпосылку вашего вопроса. Я не думаю, что я особенно стараюсь использовать поведенческую экономику как способ прийти к желаемому выводу в этих дискуссиях. Думаю, что мне, возможно, легче навигировать в этой области, чем, например, поставщику программного обеспечения. Потому что для меня успех в бизнесе не выглядит как продажа программного обеспечения. И чтобы быть ясным, я не говорю, что программное обеспечение не важно; оно абсолютно важно, это критический инструмент. Но поскольку мы занимаемся оценкой процессов и проблем, и в конечном счете архитектурой решений, я часто не нахожусь в положении, когда пытаюсь направить руководителей верхнего уровня в определенном направлении. Это скорее понимание, исходя из культуры их бизнеса, доступных ресурсов - будь то данные, инструменты или люди - где наиболее вероятный или оптимальный первый шаг в пути к трансформации процессов? И если они решительно против идеи отказаться от прогноза и они действительно хотят, чтобы 300 продавцов тратили время каждый месяц на корректировку прогноза, это не обязательно гора, на которой мне нужно умереть. Я имею в виду, это в порядке. Если это продолжается быть нашей реальностью, давайте сделаем это частью процесса, но, что важно, давайте измерим бизнес-ценность этой деятельности. И они часто приходят к такому выводу сами. Причина, по которой существует множество этих безумных действий, заключается в том, что
Конор Доэрти: Наследие в этих организациях - это своего рода измерение, которое позволяет им сохраняться. Это измерение, которое не является очевидным, насколько безумной является эта деятельность. Сами меры часто являются безумными, потому что для подтверждения безумного процесса требуется безумная мера. Когда вы приходите в организацию и видите точность измерения на уровне долларовой стоимости и усредненную за три месяца, вы знаете, что это результат того, что им не хочется знать, насколько плох процесс прогнозирования. Потому что если бы они использовали его для его предназначенной цели, которая является диагностической, а не показателем успеха, они бы никогда не агрегировали несколько месяцев и никогда не агрегировали на таком высоком уровне иерархии. Я немного болтаю, но суть в том, что я не пытаюсь склонить их к какому-либо заключению, если они действительно увлечены безумным процессом. Мы просто помогаем им понять, измеряя бизнес-пользу от этого безумного процесса, хотят ли они продолжать делать это, и часто они приходят к этому заключению сами.
Жоанн Верморель: Очевидно, что, будучи в роли программной модели, мой подход обычно совершенно иной. Мой подход обычно заключается в том, чтобы привести примеры, как можно проще, где прогноз не может дать то, что они ищут. Иногда это очень простые ситуации. В авиации, если вы делаете вещи на уровне деталей, это все равно не дает вам никакой информации о том, будете ли вы ремонтировать самолет. Если вы переходите в розничную торговлю и говорите, что в магазине есть множество товаров, которые являются очень хорошими заменителями друг для друга, у вас есть другой класс проблем. Это не даст мне хорошего индикатора вообще. Я очень успешен с такими организациями? Я не знаю. Возможно, ваш подход, который заключается в том, чтобы позволить им пройти свой собственный путь, может быть более эффективным. Это сложный путь. Одна из особенностей, которая делает опыт Lokad интересным, не обязательно легким, но интересным, заключается в том, что, сосредотачиваясь на решениях, то, что мы делаем в терминах прогнозного моделирования, является просто очень странным, положительно. Есть такой путь, который я вижу, где самые полезные прогнозы становятся все более и более странными. Я подозреваю, что истории будущего XXI века будут очень странными, немного похожими на странность, которая возникает с квантовой механикой. Это целый набор идей, которые абсолютно не интуитивны. Они сопровождаются математикой, которая просто странная. Когда вы применяете это, вы получаете еще более странные вещи, чем ожидали.
Джонатан Карелс: Что ж, джентльмены, я думаю, что я могу закончить это. Но прежде чем мы уйдем, Джонатан, если бы у вас был один совет для всех, кто занимается управлением цепочкой поставок или любыми практиками в области цепочки поставок, какой бы он был?
Джонатан Карелс: Купите книгу, она доступна в магазинах. Это совет, который, возможно, дал бы мой бухгалтер. Если это один совет, то это - задавать вопрос “почему”. Никогда не довольствуйтесь только знанием; старайтесь понять, почему. У нас есть очень хорошая цитата, и я не знаю, написали ли вы ее, но она звучит так: “плохой прогнозист с данными - это как пьяный с фонарем: он использует его для поддержки, а не для просвещения”. Всегда ищите свет.
Конор Доэрти: Большое спасибо. Ну, Джонатан, большое спасибо за ваше время. Жоанн, спасибо за ваше время. И спасибо всем за просмотр. Увидимся в следующий раз.
