00:00:00 Введение и опыт Сима в области науки о данных и аналитики цепочек поставок.
00:02:00 Обзор прогнозирования и временных рядов как общего подхода в управлении цепочками поставок.
00:06:26 Введение в вероятностное прогнозирование и его отличие от точечного прогнозирования.
00:08:10 Опыт Сима в области вероятностного прогнозирования и решение реальных бизнес-задач.
00:09:15 Обсуждение ограничений точечного прогнозирования и преимуществ вероятностного прогнозирования в управлении рисками.
00:11:39 Обсуждение квантильной регрессии и её значимости для управления запасами.
00:14:20 Переход к вероятностному прогнозированию и его преимуществам.
00:16:37 Сравнение вероятностного прогнозирования с традиционными методами и их ограничениями.
00:17:37 Развитие вероятностного прогнозирования в различных отраслях.
00:19:00 Как вероятностное прогнозирование упрощает управление запасами по сравнению с классическим подходом.
00:23:07 Обсуждение подхода к квантильному прогнозированию и его сложностей.
00:24:26 Ограниченные условия в бизнесе и цепочках поставок.
00:25:58 Введение в вероятностное прогнозирование для более качественного принятия решений.
00:27:56 Решение проблем цепочки поставок с помощью вероятностного прогнозирования.
00:30:41 Внедрение вероятностного прогнозирования в крупных, устоявшихся компаниях.
00:34:10 Важность организационной перестройки при внедрении новой системы.
00:36:02 Традиционный подход к разрешению конфликтов между многочисленными ограничениями.
00:38:31 Трудности отказа от традиционных методов прогнозирования.
00:41:00 Как пересмотреть приоритеты и перестроить распределение ресурсов.
00:42:33 Потенциальная ценность принятия вероятностного прогнозирования.
00:45:30 Призыв к бизнесу сделать шаг навстречу новым технологиям.
00:46:55 Переход от Excel к более продвинутым инструментам в управлении цепочками поставок.
00:48:30 Зависимость от квалифицированных инженеров для продвинутых инструментов управления цепями поставок.
00:50:06 Доверие рекомендациям новых систем.
00:53:00 Важность сочетания знаний в области цепей поставок и науки о данных.
00:56:49 Создание межотраслевого подразделения по науке о данных.
00:59:42 Обсуждение будущей структуры аналитики данных и её интеграции в подразделения.
01:02:16 Преимущества наличия единой организации по науке о данных.
01:04:01 Важность понимания цепочек поставок при внедрении новых технологий.
01:05:38 Сравнение вероятностного прогнозирования с более сложными технологиями, такими как глубокое обучение.
01:08:16 Важность логики пополнения запасов и её взаимосвязь с прогнозированием.
01:10:34 Трудности убеждения руководителей цепей поставок принять новый подход.
01:12:05 Опыт Сима в области вероятностного прогнозирования и его преимущества.
01:15:01 Анекдот об использовании квантильного прогнозирования в крупном канадском ритейлере.
01:19:35 Обсуждение неоптимальных решений в бизнесе и более эффективного принятия решений.
01:21:14 Важность принятия решений на основе возврата инвестиций для крайних случаев.
01:22:18 Призыв к действию: принятие новых концепций и подходов в управлении цепями поставок.
01:23:25 Надежды на более оптимальную схему заказов и пополнения запасов в будущем.
Резюме
В этом интервью Жоанн Верморель, основатель Lokad, и Сим Тейлор, директор по аналитике и науке о данных в Petco, обсуждают важность вероятностного прогнозирования в оптимизации цепочек поставок. Они объясняют, что этот метод включает назначение вероятностей различным сценариям, что позволяет улучшить управление запасами и принятие решений. Несмотря на сложности внедрения вероятностного прогнозирования в крупных организациях, они призывают руководителей цепей поставок принимать новые концепции и отходить от традиционных подходов. Они также подчеркивают важность доверия к специалистам по науке о данных и необходимость наличия профессионалов, которые понимают как проблемы цепей поставок, так и технические аспекты.
Расширенное резюме
В этом интервью ведущий Конор Дохерти беседует с Жоанном Верморелем, основателем Lokad, и Симом Тейлором, директором по аналитике и науке о данных в Petco. Они обсуждают важность вероятностного прогнозирования в оптимизации цепочек поставок.
Сим Тейлор делится своим опытом в области науки о данных и аналитики, работая преимущественно в сфере аналитики товаров и цепочек поставок. Он объясняет, что его работа направлена на использование данных и статистики для того, чтобы лучше направлять товары в нужные места цепочки поставок с целью максимизации финансовых результатов.
На вопрос о прогнозировании Тейлор описывает его как вывод или предсказание будущего результата на основе исторической информации и других данных. Верморель соглашается, добавляя, что прогнозирование с использованием временных рядов является краеугольным камнем классической теории цепочек поставок, но подчеркивает, что это лишь один из многих подходов к размышлению о будущем.
Дискуссия переходит к вероятностному прогнозированию, которое заключается в назначении вероятностей или шансов для нескольких возможных сценариев. Тейлор делится своим опытом использования квантильной регрессии в прогнозировании, целью которого является предсказание экстремальных событий и помощь в предотвращении дефицита товара. Этот метод предполагает прямое решение для определённого уровня сервиса, позволяя бизнесу устанавливать уровни запасов без опоры на потенциально некорректные расчёты запаса безопасности.
Тейлор объясняет, что классический подход к управлению запасами включает прогнозирование наиболее вероятного результата (прогноз) и учёт изменчивости путем добавления запаса безопасности. Вероятностное прогнозирование, с другой стороны, напрямую оценивает общий объём запасов, необходимый для покрытия риска дефицита товаров. Тейлор также рассказывает о трудностях определения правильного квантиля спроса и балансировке между потребностями клиентов, финансовыми показателями и стоимостью запасов.
Участники интервью обсуждают преимущества вероятностного прогнозирования в условиях ограничений, таких как ограниченные бюджеты или минимальные объёмы заказа. Тейлор отмечает, что вероятностное прогнозирование может помочь бизнесу принимать чёткие решения между конкурирующими потребностями, понимая вероятность продажи каждой дополнительной единицы и финансовую выгоду, которую это принесёт.
В обсуждении подчеркиваются трудности, с которыми сталкиваются организации при попытке внедрения вероятностного прогнозирования, особенно когда речь идёт об изменении существующих процессов и разделении труда. Сим Тейлор делится своим опытом внедрения подхода квантового прогнозирования, который требует всестороннего понимания и ответственности за выполнение процессов цепочки поставок. Прогноз служит средством для достижения целей, ориентируясь на повышение удовлетворённости клиентов, рост продаж и снижение затрат.
Сим Тейлор подчеркивает важность автоматизации сложных математических расчётов в прогнозировании и определении заказов, при этом признавая ценность человеческой интуиции и опыта опытных менеджеров цепочек поставок. Он предлагает, чтобы компании могли перестроить свои организации для оптимального использования опыта сотрудников, что может включать изменение их ролей и опору на рекомендации системы.
Жоанн Верморель подчеркивает сложность отказа от традиционных прогнозов и связанных с ними KPI, поскольку вероятностное прогнозирование смещает акцент с точности прогнозов на оперативные решения, которые они позволяют принимать. Он спрашивает Сима Тейлора о том, как, по его мнению, компании могут переосмыслить приоритеты и перестроить свои ресурсы, чтобы адаптироваться к этим изменениям.
Сим Тейлор признает, что внедрение вероятностного прогнозирования в крупных, избегающих рисков организациях является сложной задачей. Он предлагает, что успех можно достичь постепенно, сначала предоставив более простые и быстрые инструменты, а затем продемонстрировав ценность нового подхода. Это может включать поиск примера использования или компании, готовой рискнуть и оценить бизнес-результаты. В целом, разговор подчеркивает потенциальные преимущества принятия вероятностного прогнозирования, признавая при этом возникающие вызовы для устоявшихся организаций.
В разговоре затрагивается необходимость демонстрации успеха для стимулирования внедрения новых технологий и подходов. Верморель выражает опасения по поводу ограничений Excel и потребности в более продвинутых инструментах для работы с неопределённостью. Тейлор признаёт использование Excel специалистами по управлению цепями поставок, но отмечает, что многие решения принимаются системой, которая часто является «чёрным ящиком» для её пользователей.
И Тейлор, и Верморель подчеркивают важность доверия к специалистам по науке о данных и необходимость наличия профессионалов, которые понимают проблемы цепей поставок и могут работать с кодом для интеллектуальной автоматизации принятия решений. Тейлор предлагает искать людей, совмещающих понимание цепей поставок и технические навыки. Верморель добавляет, что в будущем он видит интеграцию науки о данных в каждое подразделение компании, где аналитики будут специализироваться в своих областях.
Сим Тейлор подчеркивает важность предоставления ощутимой ценности в управлении цепями поставок, независимо от должности или роли. Он считает, что сочетание технической экспертизы с деловыми знаниями имеет решающее значение для достижения положительных финансовых результатов. В разговоре также отмечается ценность сотрудничества между экспертами в аналитике из разных областей и важность тесной связи с бизнесом для получения значимых результатов.
Жоанн Верморель подчеркивает практические преимущества вероятностного прогнозирования в управлении цепями поставок по сравнению с более техническими инновациями, такими как глубокое обучение. Вероятностное прогнозирование ориентировано на создание ценности посредством радикально иного подхода к проблеме неопределённости.
Сим Тейлор также обсуждает важность логики пополнения запасов и то, насколько она критична для принятия решений в управлении цепями поставок. Он считает, что фокус на ценности цепочки поставок является существенным, и разговор должен сосредоточиться на том, как решения обеспечивают наилучшие результаты.
И Тейлор, и Верморель соглашаются, что обмен примерами использования и историями успеха важен для построения доверия со стороны бизнеса и демонстрации ценности вероятностного прогнозирования. Тейлор приводит пример работы с крупным канадским ритейлером, где применение подхода квантильного прогнозирования привело к улучшению доступности товара и управлению запасами.
Тейлор подчеркивает, что цепочка поставок – это мир, полный ограничений, и что крайние случаи могут приводить к неэффективным результатам. Цель состоит в использовании дополнительной информации для принятия более оптимальных решений, требующих меньших усилий. Пример, который он приводит, – решение о том, стоит ли заказывать целый грузовик у поставщика, когда необходима только его часть. Возможность оценить стоимость каждой единицы, вероятность её продажи, потенциальную маржу и затраты на хранение позволяет принимать более обоснованные решения в таких ситуациях.
Верморель и Тейлор призывают руководителей цепей поставок оценить и принять новые концепции, такие как вероятностное прогнозирование, и выйти за рамки традиционных подходов, использовавшихся на протяжении десятилетий. Они надеются, что обмен успешными примерами позволит ускорить процесс обсуждения и поможет бизнесу принимать более оптимальные решения относительно заказов и пополнения запасов.
Полный транскрипт
Конор Дохерти: С возвращением на Lokad TV. Я ваш ведущий, Конор, и как всегда, со мной основатель Lokad, Жоанн Верморель. Сегодня мы беседуем с Симом Тейлором. Он является директором по аналитике и науке о данных в Petco, довольно крупной компании, и он расскажет нам о достоинствах вероятностного прогнозирования. Тим, добро пожаловать на Lokad.
Сим Тейлор: Привет, большое спасибо, что пригласили меня, Конор и Жоанн. Немного о себе: я руковожу командами по науке о данных и аналитике, специализирующимися в области аналитики товаров и цепочек поставок. Большую часть моей карьеры я работал с позиции консультанта. Я многие годы работал в команде по цепочкам поставок в Deloitte в Великобритании и Канаде, а во второй половине этого периода сосредоточился на создании моделей, помогающих компаниям оптимизировать их запасы. По сути, моя работа сводится к тому, как с помощью данных и статистики можно лучше направлять продукты в различные точки цепочки поставок — распределительные центры, магазины, к клиентам — в нужных количествах и в нужное время, чтобы удовлетворить клиентов и максимизировать финансовые результаты. Я работал с различными компаниями, преимущественно с универмагами и ритейлерами товаров широкого ассортимента, обычно с большим числом продуктов, широким ассортиментом и большим портфелем запасов, с элементами модной и специализированной торговли. Несколько лет назад я перешёл из консультантской сферы в промышленность, и сейчас я работаю в Petco, крупном американском ритейлере товаров для животных, базирующемся в Калифорнии и присутствующемся по всей территории США и Мексики.
Конор Дохерти: Спасибо. Когда вы описываете людям в общих чертах, что такое прогнозирование, как вы объясняете это неспециалистам?
Sim Taylor: Конечно, прогнозирование, в основе которого лежит базовый метод, является относительно понятным процессом. По сути, это выведение логических заключений или предсказание будущего результата. В цепочке поставок и розничной торговле мы много говорим о прогнозировании спроса, клиентского спроса. Так что для этого продукта в этом магазине, чего хотят мои клиенты через неделю, через две недели или через 52 недели? Речь идёт о том, чтобы использовать историческую информацию и то, что мы знаем о будущем, например, цены на продукты и другие ключевые показатели, чтобы понять, какой исход наиболее вероятен, и как мы можем спланировать заказы и разместить продукт в нужном месте. Это действительно краеугольный камень классической теории цепочки поставок, а именно прогнозирование. Жоэн, ты согласен с этим определением?
Joannes Vermorel: Да, я полностью согласен с идеей прогнозирования временных рядов как краеугольного камня классической теории цепочки поставок. Но также я хотел бы отметить, что это на самом деле очень специфический способ подхода к будущему. Этот метод настолько укоренился и так распространён так долго, что отрасль в целом в значительной степени забыла, что это лишь один из многих подходов к мышлению о будущем. Ведь будущее — неуловимая штука, его предвидеть сложно. Рассматривать будущее через призму прогнозирования временных рядов даёт определённые возможности, например, множество моделей, которые соответствуют этой парадигме, но также накладывает ограничения на то, что можно сделать. И я думаю, что один из интересных моментов в этой индустрии заключается в том, что поскольку прогнозы по временным рядам существуют
Conor Doherty: Я думаю, будет полезно рассказать, как я столкнулся с вероятностным прогнозированием. Мой опыт больше в бизнесе, чем в академической среде, поэтому я впервые столкнулся с вероятностным прогнозированием, работая с ритейлером, который пытался решить реальные бизнес-задачи, связанные с заказами и пополнением запасов.
Sim Taylor: Для этого клиента мы разрабатывали инструменты пополнения запасов, основанные на стандартном точечном прогнозе, который до сих пор является базовым для большинства бизнесов. По сути, мы предполагаем, что этот продукт продастся пять единиц завтра, шесть единиц послезавтра и так далее. Поскольку существует огромная вероятность, что это единственное число окажется неверным, мы применяли классический подход к запасам безопасности, по сути, утверждая, что наш единственный прогноз наиболее вероятного исхода спроса будет ошибочным во многих случаях.
Стандартный подход к запасам безопасности по сути делает грубое предположение, что изменчивость спроса и сроки выполнения заказов поставщика распределены симметрично относительно нашего наиболее вероятного прогноза. Это предположение о нормальности с точки зрения статистики просто принимается как базис без вопросов во многих компаниях.
Пока мы занимались этим, моя команда и я изучали реальную ситуацию с продажами в соответствующем окне сроков выполнения заказов. Мы пришли к пониманию, что в большинстве случаев предположение о нормальности совсем не работает для большинства ритейлеров. Спрос и сроки выполнения заказов обычно не распределены нормально. Спрос, как правило, сосредоточен вокруг низкого значения для большинства продуктов, а затем наблюдается длинный хвост возможных значений спроса.
Нам стало ясно, что нам нужно использовать более представительные статистические распределения для моделирования этой изменчивости спроса клиентов и сроков выполнения заказов. В противном случае, в некоторых случаях мы могли бы столкнуться с дефицитом запасов из-за того, что неправильно смоделировали потенциальные исходы.
Conor Doherty: Так как же вы и ваша команда начали рассматривать альтернативы точечному прогнозу?
Sim Taylor: Сначала мы обратились к квантильной регрессии в наших прогнозах, основой которой является понимание того, что при управлении запасами нам на самом деле не важен наиболее вероятный исход, который даёт стандартный прогноз. Нам важны экстремальные события и обеспечение достаточного количества запасов, чтобы предотвратить дефицит, когда они происходят. Именно это и обеспечивают уровни обслуживания в стандартном подходе к запасам безопасности.
Мы построили прогнозы с использованием квантильной регрессии, которые напрямую рассчитывали достижение определённого уровня обслуживания. Например, если мы перечислим все возможные проявления спроса в течение срока выполнения, то какой будет 95-й квантиль, крайне маловероятная ситуация спроса в этот период? Именно на этом уровне вы устанавливаете объем запасов. Вам не нужно беспокоиться о том, чтобы называть это запасом безопасности или о том, что ваши расчёты запаса безопасности по своей сути неверны из-за неправильных допущений.
Так мы начали исследовать различные прогнозы спроса помимо среднего или типичного исхода. Затем вопрос перерос в: какой уровень обслуживания следует установить, чтобы определить, какой квантиль спроса или срока выполнения предсказывать, и как объединить эти квантильные прогнозы спроса и сроков выполнения? Именно тогда я столкнулся с Lokad и их уникальным, дифференцированным подходом, при котором прогнозируются все возможные исходы спроса в течение срока выполнения, и каждой из них присваивается вероятность, что позволяет получить гораздо больше информации, чем просто понимание квантилей.
Joannes Vermorel: Твой путь невероятно напоминает мой, потому что именно в Lokad у меня возникли личные проблемы с этими допущениями. Термин “запас безопасности” звучит обнадеживающе, но на самом деле математические допущения, лежащие в его основе, довольно безумны и определённо небезопасны. В итоге получаются вещи вроде отрицательных сроков выполнения, что невероятно странно. Вот что получается при использовании нормального распределения для сроков выполнения. Идея
Conor Doherty: Я понял, что существует несоответствие между тем, что действительно интересно людям, и тем, что они говорят. Директора по цепочке поставок хотели лучший прогноз, но в конечном итоге они стремились к более оптимальному решению для цепочки поставок. Когда начинаешь думать в терминах статистики, важно не среднее значение, а крайние ситуации. Именно эти экстремальные случаи приводят к ситуациям с дефицитом или избытком запасов, и именно их вы действительно хотите анализировать с статистической точки зрения. Я обнаружил, что специалисты в области финансов и прогнозирования погоды используют вероятностное прогнозирование с начала 90-х годов. В 2011-2012 годах мы начали его применять для цепочки поставок, хотя с определённым отставанием по сравнению с пионерами в других отраслях.
Sim Taylor: Классический подход всё ещё пытается учитывать риск, но мы просто называем наши запасы по-разному. На самом деле важно итоговое влияние на бизнес. В нашем стандартном подходе мы стремимся очень точно предсказывать наиболее вероятный исход, но признаём, что это странный способ взгляда на вещи, потому что нам действительно важно компенсировать риск более экстремальных вариантов, и для этого у нас есть запас безопасности. Квантильное прогнозирование напрямую задаёт оба этих параметра, рассматривая экстремальный случай спроса и рассчитывая, какого объёма запасов нам следует иметь на складе.
Joannes Vermorel: Когда у вас есть полный спектр возможных вероятностей, как это превращается в реальные бизнес-решения? Именно эти решения по заказам нас интересуют — нужно добиться максимальной оптимальности. Возможно, термина “запас безопасности” уже не потребуется, но мне любопытно, как вы переводите это на практическое выполнение.
Sim Taylor: Первичной мотивацией для рассмотрения альтернативных прогнозов стало осознание того, что проявления спроса не следуют тому типу распределения, который моделируется в классическом подходе к запасу безопасности. Это стало основным стимулом для меня задуматься о других подходах и оценить нашу способность создать альтернативную модель, которая лучше соответствует данным.
Conor Doherty: Таким образом, чтобы лучше воспроизвести или учесть изменчивость, как она обычно проявляется в спросе и сроках выполнения, вы начали с подхода квантильного прогнозирования. Но возникли сложности, например, определение правильного экстремального квантиля спроса для балансировки между потребностями клиентов и финансовыми показателями с одной стороны и затратами на хранение запасов с другой. А в условиях ограниченных ресурсов, что часто встречается в бизнесе и цепочках поставок, необходимо было найти способ выбирать между различными продуктами и единицами для покупки. Можешь рассказать подробнее, как ты пришёл к вероятностному прогнозированию как решению этих проблем?
Sim Taylor: Да, меня привлекла в вероятностном прогнозировании концепция понимания всех возможных сценариев и их вероятностей. Если я знаю вероятность продажи четырёх, пяти, шести единиц, я могу вычислить, какова вероятность продажи следующей единицы, которую собираюсь закупить. Зная это и учитывая ценность от продажи продукта, валовую маржу, а также затраты на хранение и потери от дефицита, я могу принять чёткое решение о том, какая единица приносит больше ценности моему бизнесу. Это решает многие проблемы, с которыми моя команда и другие сталкивались длительное время. Мы всегда работаем в условиях ограниченных ресурсов, и понимание вероятности продажи каждой следующей единицы и её финансовой ценности — изящный способ справляться с этими задачами.
Joannes Vermorel: Это очень интересно. Моя самая большая проблема, когда я пытаюсь внедрить вероятностное прогнозирование в крупных устоявшихся компаниях, таких как Petco, заключается в историческом разделении труда между прогнозированием и принятием решений. Крупные организации обычно разделяют задачи между теми, кто отвечает за прогнозирование, и теми, кто принимает решения, такие как пополнение запасов, производственные заказы и перемещения товаров на складе. Но вероятностное прогнозирование — это инструмент, который позволяет сделать процесс принятия решений более эффективным. Сам процесс принятия решения — это не совсем прогноз, но в основе лежит то, что решение о пополнении запасов и составлении прогноза гораздо теснее взаимосвязаны, чем в старых подходах, когда существовала отдельная команда для анализа запасов безопасности и принятия решений.
Conor Doherty: Пополнение запасов, я бы сказал, является классической теорией цепочки поставок, которая обеспечивает очень четкое разделение труда между людьми, ответственными за прогнозирование/планирование, и теми, кто должен принимать операционные решения, такие как производственные заказы, заказы на пополнение запасов, приказы о перемещении товаров и тому подобное. Как вы к этому подходите? Вы работали в очень крупных, устоявшихся компаниях, где практика управления цепочками поставок в значительной степени предшествовала появлению этих вероятностных идей. Как вы фактически внедряли этот метод в организации, который, как мне кажется, не учитывает исторические границы разделения труда, существовавшие для поддержки практики цепочки поставок?
Sim Taylor: Я считаю, что в ситуациях, когда, например, квантовое прогнозирование приносило ценность, действительно помогает, если у вас есть контроль над всей реализацией цепочки поставок. Если наша конечная цель, как это всегда бывает, — повысить удовлетворённость клиентов, увеличить продажи и снизить затраты, то сам прогноз является лишь средством для достижения этой цели. Нас интересуют результаты: сколько заказать, в какое место и в какое время, как в распределительных центрах, так и в магазинах. Мои успехи были там, где нам доверяли разработку прогноза и его прямое преобразование в объемы заказов.
Мы составляем прогнозы, генерируем объемы заказов, будь то заказы от поставщиков в распределительные центры или пополнение запасов из распределительных центров в магазины. Эта функция сводится к процессу утверждения и оценки. В идеальном мире вы стремитесь автоматизировать как можно большую часть математических расчётов и добиваться правильного решения для большинства сценариев. Затем сочетание этого подхода, основанного на данных, с экспертизой бизнес-команд позволяет понять и оценить экстремальные случаи или различные примеры и внести соответствующие корректировки.
Когда бизнес стремится заменить или трансформировать способ пополнения запасов, это масштабный проект, требующий много усилий, нескольких месяцев на внедрение и участия большого числа людей. Это возможность переосмыслить и обновить работу вашего бизнеса. Многие компании используют это как шанс для реорганизации, что обычно включает управление изменениями и организационное переустройство. Если вы сможете перестроить организацию вокруг гораздо более совершенной системы, то настоящим успехом станет снижение затрат на заказы и улучшение уровня запасов для клиентов.
Conor Doherty: У меня есть очень конкретный вопрос, который я хочу задать тебе, Жоэн. Мы говорим о традиционном подходе к разрешению конфликтов между множественными ограничениями, когда обсуждаем работу бизнес-команд. Как обычно нерегрессивная бизнес-команда решала бы это или как осуществляется процесс оптимизации без вероятностного подхода? Как это делается в повседневной практике?
Joannes Vermorel: Если взять пример розничной торговли, у вас будет команда, занимающаяся прогнозированием. Она устанавливает базовый уровень, управляет профилями сезонности и, возможно, определяет такие понятия, как ABC-классификация с нужным уровнем внимания и тому подобное. Таким образом, будет команда, полностью ответственная за построение прогноза на будущее с использованием временных рядов. Затем появляется другая команда или несколько команд, отвечающих за операционные решения, такие как пополнение запасов или решение о том, допускается ли продукт для продажи в магазине. Такая классическая организация полностью оправдана и хорошо устоялась, поскольку большинство существующего программного обеспечения предоставляет пользовательские интерфейсы и соответствующие процессы.
Joannes Vermorel: Когда у вас есть настроенные рабочие процессы для такого подхода, даже если они отчасти произвольны, и когда у вас появляется множество инструментов для проверки позиций, существует экран, посвящённый обзору прогнозов временных рядов, другой — для корректировки запасов безопасности, и еще один — для управления оповещениями. Эти абстрактные понятия становятся осязаемыми в организации, потому что за ними стоят люди с определёнными ролями и налаженными рабочими процессами.
Как отметил наш гость, интересный момент в том, что вероятностное прогнозирование бросает вызов организации на довольно глубоком уровне. Если у нас есть крупный проект, который пересматривает одну из основных функций компании, например, пополнение запасов в розничном бизнесе, появляется возможность пересмотреть многие допущения. Это требует определённого прыжка веры, так как это переход от традиционного подхода к управлению цепочками поставок к альтернативной организации, являющейся следствием того, что позволяют делать вероятностные прогнозы в вашей компании.
Прогнозы — это всего лишь артефакты; они являются инструментом для достижения чего-то другого. И всё же во многих компаниях, особенно в тех, где цепочка поставок большая, прогнозы обычно рассматриваются как цель сами по себе. Существует команда с KPI по точности, и это является частью процесса S&OP. Они хотят более точного прогноза в качестве цели на следующий год.
Sim Taylor: Задача заключается в том, чтобы отпустить прогноз. С вероятностным прогнозированием вы предлагаете сместить фокус управления. Вместо того чтобы следовать KPI точности прогнозов, выделять ресурсы, бюджет и инструменты для их улучшения, мы должны сосредоточиться на решениях, которые принимаем на основе этих прогнозов. Это многое, что нужно усвоить, и это требует прыжка веры. Как можно привести более глубокие аргументы, а не просто говорить “поверьте мне, будет намного лучше”?
Это сложно и очень трудно. Я вижу огромный потенциальный смысл здесь, но мне неизвестна какая-либо крупная компания, которая бы полностью приняла вероятностное прогнозирование. Пошаговое внедрение, сначала предоставление более простого и быстрого инструмента, а затем демонстрация результатов — вот способ вовлечь руководителей цепочки поставок и зарядить их энергией. Вам нужен тот единственный пример, а затем можно измерить бизнес-реальность: доступность товаров в наличии, оборачиваемость запасов, инвестиции в запасы и количество недель поставок до и после внедрения нового подхода.
Покажите ясные, неоспоримые финансовые преимущества, обусловленные новым подходом. Нам действительно важен прогноз? Мы можем говорить об этом, но важны результаты. Начало разговора с бизнес-результатов, а также обсуждение исторических успехов и достижений привлечёт больше внимания, чем опора на теорию.
Conor Doherty: Я упоминал экспертов по цепочке поставок, лидеров с большим опытом, у которых есть отличная интуиция, и к которой можно прислушиваться. Каждый хочет улучшить свой бизнес, поэтому почти у всех есть побуждение сделать прыжок, но им просто нужно немного основательности и веры. Они видели похожую компанию и финансовую отдачу, которая действительно демонстрирует успех. Вот как, знаете, как только у вас появляется тот единственный пример смелого шага, у вас действительно появляется платформа, и можно начинать масштабировать это. Думаю, именно так всегда начинаются новые технологии и подходы. В конечном счёте, мы занимаемся бизнесом, чтобы делать всё возможное для клиента и приносить финансовую выгоду акционерам. Если мы сможем показать, что существует веский кейс для принятия риска, попробовать что-то новое, потому что мы видели отдачу в других местах, это станет захватывающим предложением. Скорее всего, вы начнёте диалог и запустите процесс. Но я согласен, это большая задача, потому что устоявшиеся процессы глубоко укоренены в том, как мы организуем наши команды в большинстве крупных компаний. В итоге, для этого нужны правильные люди, которые готовы действительно понять проблемы и могут влиять, чтобы обосновать бизнес-аргументы, показывающие, что есть реальная ценность в попытке сделать что-то подобное.
Joannes Vermorel: Одно из возражений, которое я часто слышу, заключается в том, что когда вы переходите от чего-то вроде точечных прогнозов, которые можно легко представить в Excel, к вероятностным прогнозам, которые в определённой степени тоже можно представить в Excel, процесс становится немного кошмарным. Таким образом, суть в том, что вам нужно так или иначе обновить свои инструменты. Чтобы иметь возможность строить модели, охватывающие неопределённость, вам нужен инструмент, способный справиться с этим лучше, чем Excel. Вы создаёте класс риска, в результате чего ваша организация внезапно оказывается зависимой от людей, способных работать с этими более сложными инструментами. Благодаря вашей позиции главы отдела Data Science, я думаю, вы на передовой в внедрении технологий, которые не сразу доступны. Как только речь заходит о наличии 20 строк Python-кода, уровень навыков, необходимых для этого, по сравнению с простой таблицей, значительно выше. Это означает, что для компании вы зависите от людей, обладающих гораздо большими инженерными навыками, чем те, что раньше требовались на позициях в области цепочек поставок. Я знаю, что некоторые из людей, с которыми я общаюсь, обеспокоены таким предложением. Они задаются вопросом, как с этим справиться, когда хотят сделать реальную цепочку поставок зависимой от чего-то, что не может быть реализовано через Excel или внедрено в виде системы на базе правил в ERP.
Sim Taylor: Здесь, пожалуй, есть два момента. Первый: Excel — это инструмент, очень привычный менеджерам по категориям, закупщикам и специалистам по цепочкам поставок. Безусловно, он находит своё применение, но в большинстве компаний большинство решений определяется и продвигается системой, которая уже является неким чёрным ящиком для тех, кто фактически принимает решения о закупках. Таким образом, вопрос, который вы поднимаете о переходе с Excel, в некоторых случаях не является резким скачком. Это переход от одной системы, дающей рекомендации одним способом, к другой системе, дающей рекомендации по-другому. Я думаю, что пока существует доверие к тому, как работает новая система, и проводятся соответствующие обучения и обсуждения, чтобы понять, почему система действует немного иначе, переход к изменению самой системы не представляет такого уж скачка.
Вторая часть — это доверие к специалистам по данным. Я действительно верю, что планирование цепочки поставок и мерчендайзинг — это одна из тех областей, куда нельзя просто бросить специалиста по данным и ожидать ощутимой финансовой выгоды. Возможно, есть такое…
Conor Doherty: Joannes и Sim, я хочу узнать больше о важности наличия как технической и математической экспертизы, так и опыта в области цепочек поставок при оптимизации цепочек поставок. Каковы ваши мысли по этому поводу?
Sim Taylor: Оптимизация цепочки поставок требует сочетания экспертизы, включая понимание вызовов и сложностей мира цепочек поставок, а также наличие математических и технических способностей. Идеальный кандидат должен обладать опытом как в управлении цепочками поставок, так и в анализе данных. Он должен уметь понимать и работать с предыдущими системами и знать о распространённых проблемах, таких как минимальные объемы заказа у поставщиков и ограничения мощностей в распределительных центрах. Специалист по данным, только что закончивший аспирантуру, может не обладать этими знаниями, что может привести к недоверию при попытке объединить технологии и управление цепочками поставок. Мы ищем умных людей с пониманием бизнеса и технической склонностью, способных работать с кодом или объяснять его, чтобы автоматизировать принятие решений умным способом. Это сочетание имеет решающее значение для создания успешных аналитических команд.
Conor Doherty: Joannes, вы бы сказали, что ваш подход к подбору специалистов по цепочке поставок в Lokad соответствует взглядам Sim на важность сочетания навыков?
Joannes Vermorel: Да, я думаю, что наши взгляды совпадают. Фактически, я вижу возможную эволюцию рынка, при которой, через десятилетие, команды по анализу данных, действующие в настоящее время независимо, могут стать частью подразделений цепочки поставок. Я представляю будущее, в котором у каждого отдела будет команда инженеров, специализирующихся на количественном анализе, обеспечивающих основу оптимизации для компании. Они будут тесно сотрудничать с операционными подразделениями и высшим руководством для разработки стратегий. Я считаю, что эта естественная эволюция приведёт к воссоединению навыков работы с данными в каждом соответствующем отделе, так что аналитики по цепочке поставок станут частью отдела цепочки поставок, а маркетинговые аналитики — маркетингового отдела. Текущая организационная структура, в которой отделы анализа данных независимы от обслуживаемых подразделений, может измениться, поскольку анализ данных станет неотъемлемой частью каждого направления, а не только вспомогательной функцией.
Sim Taylor: Joannes, я считаю, что ваше видение будущего науки о данных и аналитики в организациях весьма интересно. Будучи руководителем аналитики в Petco, я верю, что если мы продолжим видеть операционные успехи, то действительно может произойти переход к интеграции подразделений анализа данных в соответствующие отделы через десятилетие.
Conor Doherty: Считаете ли вы, что это больше связано с тем, что успешные практики становятся внутренними в каждом подразделении, где достигается успех?
Joannes Vermorel: Какой интересный вопрос, который на самом деле затрагивает способы организации и структурирования бизнеса в настоящее время и преимущества различных подходов. По моему личному мнению, я не возражаю против этого. Я считаю, что должность и структура организации, в которой вы находитесь, отчасти не имеют значения.
Sim Taylor: Меня вдохновляет, когда я прихожу на работу каждый день и ищу возможности принести ценность, ощутимую ценность, которую можно измерить. Я концентрируюсь, как уже упоминал, преимущественно на цепочке поставок, например, в мерчендайзинговом планировании. Мой начальник руководит широкой организацией аналитики данных в различных областях и объединяет их. Но, как я уже сказал, именно для цепочки поставок я видел следующее: у вас есть действительно умные люди, которые могут не обладать опытом в цепочке поставок, но являются высокотехническими специалистами, и это не обязательно означает, что они способны обеспечить значимую ценность для бизнеса. Это сочетание деловых навыков и глубокого понимания отрасли вместе со способностью реализовывать технические решения, на мой взгляд, приводит к положительным, значимым финансовым результатам.
Таким образом, независимо от того, называете ли вы себя специалистом по данным или практиком по цепочке поставок, в известной степени это неверный или несущественный вопрос. Что касается меня, я получаю удовольствие от решения проблем цепочки поставок, поэтому, называете ли вы членов команды учёными по цепочке поставок или планировщиками спроса, важна та работа, которую вы выполняете.
Я абсолютно согласен, что необходимо быть тесно связанным с бизнесом; иначе в мире цепочки поставок и мерчендайзинга так много нюансов, что если у вас нет понимания, вы просто играете с числами, и сложно добиться значимых результатов.
С другой стороны, я считаю, что существует огромная ценность в объединении экспертов по аналитике и практиков из разных областей. Преимущество наличия единой организации по анализу данных заключается в том, что вы можете выстроить связи и отношения между единомышленниками, умными людьми, которые могут учиться друг у друга и действительно использовать техническую экспертизу из различных областей. Это даёт много преимуществ, особенно в том, как команды взаимодействуют между собой в рамках маркетинговой аналитики, цепочки поставок, работы с клиентами, ценообразования, например. Существует много ценных связей, которые можно создать и объединить.
Я думаю, всё сводится к компании и тому, какую общую стратегию она считает наилучшей. Но, говоря чисто с точки зрения цепочки поставок, я считаю, что важны результаты, и очень сложно завоевать то доверие, о котором мы говорили, что так важно, когда пробуешь что-то новое и, казалось бы, сложное, если не можешь объяснить это в терминах того, как это принесёт бизнес-ценность, с пониманием того, как работает цепочка поставок.
Joannes Vermorel: Думаю, вы затронули очень интересный момент, и я немного возвращаюсь к вашим комментариям о централизации. Если вернуться к вероятностному прогнозированию, то это довольно техническое новшество, но, что удивительно, оно затрагивает бизнес в огромной степени. Причина, по которой оно вас интересует и которую вы упоминали не раз, заключается в создаваемых им ценностях.
Интересный момент с моей точки зрения, и это то, что очень трудно передать словами, заключается в том, что по своей природе это нечто совершенно иное, чем, скажем, глубокое обучение или искусственный интеллект. По сути, это инновация, которая интересна благодаря тому, что с её помощью можно сделать что-то очень практичное для цепочки поставок. Количество технологических составляющих — да, в вероятностном прогнозировании есть свои технологические ингредиенты, но оно играет свою роль
Conor Doherty: Более точные прогнозы могут привести к улучшению цепочки поставок. Компании, преуспевающие в классическом подходе, могут добиться лучшей оптимизации заказов и пополнения запасов. Однако важно отметить, что логика пополнения запасов и то, как мы экстраполируем прогнозы для принятия решений в цепочке поставок, имеет такое же значение.
Sim Taylor: Людей часто удивляет, что в некоторых случаях наивное скользящее среднее может дать результаты, сравнимые с некачественным точечным прогнозом. Я стараюсь сосредоточить внимание на принятии решений, основанных на том, что приведёт к наилучшему результату, и на том, как мы оцениваем изменчивость спроса и изменчивость времени поставки. Нам нужно продемонстрировать финансовый успех этого подхода простым и ощутимым способом для бизнеса.
Conor Doherty: Sim и Joannes, есть ли у вас примеры из компаний или от клиентов, где вы действительно можете показать финансовое улучшение после внедрения этого подхода?
Sim Taylor: У меня нет конкретного примера с точки зрения вероятностного прогнозирования, но с точки зрения квантилей я видел успех. Мы внедрили этот подход в компаниях, сосредоточившись на ключевых бизнес-показателях, таких как доступность товаров в наличии и количество недель поставок. Нам удалось добиться более высокой доступности товаров, сохраняя уровни запасов на том же уровне или даже снижая их. Этот подход помог завоевать доверие и показал, что разумное применение этих концепций может приносить бизнес-ценность.
Conor Doherty: Есть ли у вас какие-либо истории успеха, где вы применяли подход вероятностного прогнозирования и демонстрировали ту ценность, о которой говорите?
Sim Taylor: Не столько с точки зрения вероятностного прогнозирования, сколько с позиции квантилей. Работая с крупным канадским ритейлером, мы внедрили подход к прогнозированию безопасных запасов на основе точечных прогнозов, что привело к некоторому улучшению доступности товаров на складе без увеличения запасов. Когда мы перешли к прогнозированию квантилей, мы увидели существенный рост в достижении более высокой доступности товаров, при этом уровни запасов оставались неизменными или даже сокращались. Это показало явные тенденции и различия в факторах эффективности бизнеса, укрепляя доверие к этому подходу. Я энтузиаст, который хочет сделать следующий шаг и использовать метод вероятностного прогнозирования для дальнейшего улучшения этих результатов.
Conor Doherty: Прогнозирование квантилей не вполне решает проблему, ну, спасибо, Сим, за этот пункт. Перехожу к тебе, Жоанес: есть ли у тебя какие-нибудь примеры, похожие на рассказ Сима? Joannes Vermorel: Да, знаете, это мелочь, но, если сравнить то, чем занимался Lokad полтора десятилетия назад, когда всё только начиналось, и то, чем он занимается сейчас с использованием подходов, основанных на вероятностном прогнозировании для цепочки поставок, количество пограничных случаев стало по-настоящему интересным. Когда мы начинали, каждый раз, пытаясь решить проблему цепочки поставок, перед нами возникал целый лес пограничных случаев. Под пограничными случаями я подразумеваю ситуации, когда обычная логика терпит неудачу так катастрофически, что необходимо вмешиваться и вручную корректировать результаты, поскольку итог оказывается абсурдным. Вот почему поставщики, такие как Lokad, как правило, оснащены сигналами тревоги и механизмами обработки исключений для управления всеми этими ситуациями, которые настолько явно нелепы. Можно даже создать правило, чтобы обнаруживать это и говорить: “Ладно, кто-то должен вмешаться, потому что система выдает результат, который совершенно не имеет смысла.” And we went from having tons of it to very little of it. So it’s interesting because, for me, that has been the elimination of the edge cases, the sort of things that need specific attention, specific rules. In the end, I believe that this elimination proves that all of that was just the consequence of having a method that, at its core, ignored uncertainty. Thus, whenever there was uncertainty or risk kicking in, and by the way, when we have constraints, for example, with an emoji, and whatever it means to make a risk-aware decision, predominantly, we managed to simplify them. Conversely, if you have to micromanage your software solution that operates your supply chain, most likely, it means that at the fundamental level, there is something you’re not getting right. You have an impedance mismatch in the way you approach the problem and the way your software operates, and thus you end up having this micromanagement as a way to duct tape your supply chain. For me, the question will be, can we move from point forecasts to quantile to probabilistic forecasts? So the open question will be, what’s next? I’m pretty sure that there will be a next stage of technology in this area, but for now, the battle still remains to even get most companies to come to terms with the idea of just accepting uncertainty. Sim Taylor: И, Жоанес, добавлю, ты ведь упоминал снижение трудоемкости как одно из главных преимуществ. Но, с другой стороны, если говорить о некоторых нишевых пограничных случаях, которые на самом деле не столь редки, а возникают снова и снова в цепочке поставок, ведь, как мы знаем, это мир, полный ограничений – либо требуется больше усилий, либо, как я наблюдал в предыдущих бизнесах, гораздо чаще принимается неверное решение. Может, это не означает дополнительных усилий, но мы просто берем на себя… Conor Doherty: Хотя это довольно анекдотичный момент, устранение пограничных случаев оказалось самым надежным индикатором зрелости и качества вашей технологии. Это определяется тем, насколько вы способны работать с очень ограниченным числом пограничных случаев и крайних ситуаций, требующих вмешательства человека и микроменеджмента программного решения. И наоборот, если вам приходится микроменеджить программное обеспечение, управляющее вашей цепочкой поставок, это, скорее всего, означает, что на базовом уровне что-то сделано неправильно. Существует несоответствие между вашим подходом к проблеме и работой вашего ПО, и в итоге вы прибегаете к микроменеджменту как к самодельной “клейкой ленте” для вашей цепочки поставок. Conor Doherty: Simplified decision-making often leads to sub-optimal results. The goal is to use additional information to inform a more optimal decision that takes less effort. Sim Taylor: Gentlemen, I don’t have any other questions. Sim, as a customer, I’ll give you the last word. Is there anything you’d like to add or any follow-up questions you’d like to pose to supply chain directors who haven’t yet embraced probabilistic forecasting? Sim Taylor: Мой призыв к сообществу цепочек поставок – оценить эти концепции, принять их и сделать решительный шаг, чтобы протестировать и итеративно понять ту ценность, которую мы можем извлечь, отказавшись от классического подхода. Заменяем ли мы одну систему на другую, выполняющую схожие задачи? Я бы хотел увидеть больше обсуждений и реальных примеров, где мы начинаем задумываться об этом подходе и интегрировать его в бизнес для достижения успеха. По мере того как мы будем приводить примеры ценности, это поможет ускорить обсуждения и коллективно привести нас к более оптимальной схеме заказов и пополнения запасов. Conor Doherty: Спасибо за это, Сим. Я не могу приписать себе всю заслугу. Жоанес тоже вносит огромный вклад. Joannes Vermorel: Спасибо, Конор. Я ценю это. Conor Doherty: На этом, коллеги, мы завершаем наше обсуждение. Жоанес, большое спасибо за ваше время. Сим, большое спасибо за ваше время. До встречи в следующий раз.
Sim Taylor: Правильно. Например, у нас достаточно потребностей в закупках, чтобы заказать 50 загрузок грузовиков у поставщика, но наш контракт предусматривает, что мы должны заказывать полные загрузки или соблюдать минимальный объем заказа. Выгоднее ли заказать сейчас и приобрести дополнительный продукт, который нам не требуется, что приведет к избытку запасов, занимающих место, или мы не заказываем вовсе и рискуем остаться без некоторых товаров? В идеале у нас должно быть решение, основанное на ROI, которое определяло бы, следует ли заказывать сейчас или позже, что сделало бы решения в пограничных ситуациях более эффективными.